Modelar La Concentración de La Tierra

Modelar la Concentracin de la Tierra en
Colombia Mediante Modelos

Economtricos Espaciales
Diana Jeanneth del Pilar Rodriguez Castillo

Cdigo: 832174
Universidad Nacional de Colombia

Facultad de Ciencias
Departamento de Estadstica
Bogot, D. C.
Mayo de 2010
Modelar la Concentracin de la Tierra en

Colombia Mediante Modelos
Economtricos Espaciales
Diana Jeanneth del Pilar Rodriguez Castillo

Cdigo: 832174
Trabajo de tesis para optar al ttulo de

Maestra Ciencias Estadstica
Director
Edilberto Cepeda C., Ph. D.
Universidad Nacional de Colombia

Facultad de Ciencias
Departamento de Estadstica
Bogot, D. C.
Mayo de 2010
ndice general
Introduccin
1. Curva de Lorenz e ndices de concentracin. Tierra privada

rural en Colombia
1
1.1. Curva de Lorenz e ndice de concentracin de Gini . . . . . .
1.2. Clculo de la curva de Lorenz y coeficiente de Gini . . . . . .
1.2.1. Clculo de la curva de Lorenz . . . . . . . . . . . . . .
1.2.2. Clculo del Gini . . . . . . . . . . . . . . . . . . . . .
1.3. Distribucin de tierra en Colombia . . . . . . . . . . . . . . .
1.3.1. Naturaleza de los datos . . . . . . . . . . . . . . . . .
1.3.2. Distribucin de la tierra . . . . . . . . . . . . . . . . .
1.3.3. Mapas de porcentajes . . . . . . . . . . . . . . . . . .
1.4. Anlisis da la distribucin de tierra con el Gini . . . . . . . .
12
1.4.1. Curva de Lorenz . . . . . . . . . . . . . . . . . . . . .
12
1.4.2. Clculo del Gini para el ao 2000 . . . . . . . . . . . .
12
1.4.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . .
15
2. Anlisis exploratorio de datos espaciales

2.1. Heterogeneidad y autocorrelacin espacial . . . . . . . . . . .
i
17
20
NDICE GENERAL
2.1.1. Heterogeneidad espacial . . . . . . . . . . . . . . . . .
20
2.1.2. Autocorrelacin o dependencia espacial . . . . . . . . .
20
2.1.3. Matriz de pesos espaciales . . . . . . . . . . . . . . . .
21
2.1.4. Operador de retardo espacial . . . . . . . . . . . . . .
23
2.2. Autocorrelacin global y local . . . . . . . . . . . . . . . . . .
24
2.2.1. Contrastes globales de autocorrelacin espacial . . . .
24
2.2.2. Contrastes locales de autocorrelacin espacial . . . . .
26
2.3. Mtodos de representacin de la tendencia espacial global en

GeoDa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
2.3.1. Anlisis exploratorio de la dependencia espacial global
28
2.3.2. Anlisis exploratorio de la dependencia espacial local .
36
2.3.3. Anlisis exploratorio de datos multivariados . . . . . .
37
3. Modelacin de la concentracin de tierra en Colombia por

mtodos clsicos de econometra espacial
40
3.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
3.2. Modelo de regresin lineal espacial . . . . . . . . . . . . . . .
41
3.2.1. Estimadores mximo verosmil para el modelo lineal

general . . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.2.2. Aplicacin
. . . . . . . . . . . . . . . . . . . . . . . .
46
3.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
4. Una aproximacin bayesiana para modelar la concentracin

de la tierra en Colombia
52
4.1. Teorema de Bayes
. . . . . . . . . . . . . . . . . . . . . . . .
52
Distribucin a priori . . . . . . . . . . . . . . . . . . .
53
4.1.2. Estimacin de los parmetros de un modelo, utilizando

el mtodo de simulacin . . . . . . . . . . . . . . . . .
54
4.2. Una aproximacin Bayesiana para modelar la concentracin

de la tierra en Colombia . . . . . . . . . . . . . . . . . . . . .
58
4.2.1. Metodologa propuesta . . . . . . . . . . . . . . . . . .
58
4.1.1.
ii
ndice general
4.2.2. Aplicacin . . . . . . . . . . . . . . . . . . . . . . . . .
60
4.2.3. Conclusiones . . . . . . . . . . . . . . . . . . . . . . .
64
iii
Introduccin
En esta tesis se pretende cumplir con dos objetivos: el primero consiste en

revisar los modelos clsicos de regresin espacial con varianza constante y
mostrar cmo se derivan y se hacen las estimaciones de mxima verosimilitud en dichos modelos y el segundo en hacer una propuesta bayesiana para
modelar y estimar la concentracin de la tierra en Colombia.
Para el cumplimiento del primero se revis los artculos escritos por Anselin
(1988) y (2001) y la literatura encontrada en los libros de econometra espacial. Esta rea de la econometra nace con la necesidad de ver las relaciones
existentes entre las variables econmicas y la zona geogrfica, donde se quieren observar. Primero se identific la relaciones de dependencia espacial de
la variable o variables que se quieren analizar, utilizando mtodos descriptivos, similares al anlisis exploratorios de datos. Por ejemplo, para analizar
la autocorrealcin espacial de un variable particular se define una matriz de
vecindades que permita estudiar la relacin existente entre la variable observada en una ubicacin geogrfica determinada y su comportamiento en su
vecindad, acta como el operador retardo de las series de tiempo. Se revisan los modelos clsicos de regresin espacial con varianza homosedstica en
Anselin (1988), Moreno y Vaya (2000), y Arbia(2006), aplicndolos para modelar y estimar la concentracin de tierra en Colombia utilizando variables
exgenas que permitan explicar su comportamiento.
Para la concrecin del segundo objetivo se examinaron algunos mtodos de
simulacin con cadenas de markov conocidos como MCMC como el muestreo
de Gibbs, Geman y Geman (1984) y el algoritmo de Metrpolis-Hastings. Se
hizo un estudio detallado del planteamiento de Cepeda y Gamerman (2001)
con el fin de implementar la propuesta bayesiana para modelar y estimar la
distribucin de tierra en Colombia.

Este trabajo consta de 4 captulos. En el primero, se define la curva de Lorenz
y el ndice de Gini, se muestra el comportamiento de estos en la distribucin
de tierra en Colombia para los aos 1985, 1996 y 2000. La curva de Lorenz
permite determinar el porcentaje de tierra que poseen una proporcin de
propietarios, en particular, se usar un porcentaje fijo de 95 % de propietarios y se determinar la proporcin de tierra que poseen. Se realiza una
comparacin del comportamiento de esta variable en el periodo mencionado.
En el segundo captulo, en la seccin 1, se presenta el anlisis exploratorio de
datos es paciales. En la seccin 2 y 3 se muestran las definiciones de heterogeneidad y autocorrelacin espacial global y local. En la seccin 4, se muestra
los mtodos de representacin de la tendencia espacial en Geo-Da (Anselin,
2004), que permite analizar este tipo de datos y se muestra el anlisis de las
variables: concentracin de tierra, necesidades bsicas insatisfechas, violencia
de grupos armados al margen de la ley, en la geografa colombiana.
El tercer captulo, en la seccin 2 se define el modelo lineal general espacial
presentado por Anselin (1988) y los casos particulares ms conocidos de
este modelo, as como los estimadores mximo verosmil de los parmetros
y finalmente se analizan los datos de la distribucin de tierra privada en
Colombia para el ao 2000 utilizando esta metodologa.
Por ltimo, en el cuarto captulo, en la seccin 1 se presenta el teorema
de Bayes, se muestran las formas que puede tener la distribucin a priori,
informativa y no nformativa, se expone como puede simularse la distribucin
a posteriori y se desarrollan algunos mtodos de MCMC en particular, el de
Gibbs y el de Metrpolis-Hastings y sus algoritmos. En la seccin 2 se hace
una propuesta bayesiana para estimar un modelo para la distribucin de
tierra en Colombia sugerido por Cepeda y Gamerman (2001) y se presentan
las conclusiones de la implementacin de la metodologa bayesiana.
vi
Captulo 1. Curva de Lorenz e
ndices de concentracin.
Tierra privada rural en
Colombia
Introduccin
La concentracin de las variables econmicas como ingreso, tierra y produccin agricola, se determina con los ndices de Theil, Gini y HirschmanHerfindal, entre otros. En este captulo se calcula el ndice de Gini para la
tierra en Colombia, estudiando los predios privados rurales, mediante el ndice de Gini. En este estudio se exluyen los departamentos de Amazonas,
Guana, Guaviare y Vichada, dado que, para estos departamentos, no se posee informacin de los predios registrados en el IGAC para los aos 1996 y
2000.
La informacin catastral registrada por el Instituto Geogrfico Agustn Codazzi (IGAC) para 1985 indicaba que el total de tierra registrada en Colombia era de 36.6 millones de hectreas, de las cuales, el 89 % era propiedad
privada (Candelo, Mera y Ossa, 2000). En 1996, segn IGAC y Catastro de
Antioqua, la tierra registrada era de 79.4 millones de hectreas, presentndose un incremento en el nmero de hectreas registradas con respecto a la
1
Captulo 1. Curva de Lorenz e indices de concentracin. Tierra

privada rural en Colombia
dcada pasada, debido a la inclusin de tierras de indgenas, negritudes y

el departamento de Antioqua. De la tierra registrada en 1996, el 52 % era
propiedad privada, 32 % corresponda a tierras indgenas y el 16 % a tierras
del estado. En ese ao, el total de la tierra registrada corresponda al 70 %
de la superficie total de la Repblica de Colombia, que es de 114 millones de
hectreas.
En el estudio de Candelo etal.(2000), publicado por la Contralora General
de la Repblica se afirma que hay una relacin positiva entre la presencia de
grupos alzados en armas y la concentracin de la tierra. Identificando varias
zonas del pas que presentan este fenmeno, como el corredor de Frontino,
que se inicia en el Urab Antioqueo y termina en el Norte de Santander, pasando por el Magdalena bajo y medio; el pie de monte llanero, que
comprende Arauca, Casanare, Meta, Putumayo y Caquet, y en los departamentos del Valle del Cauca y Huila los cuales tenan presencia paramilitar
y/o guerrillera.
Segn (Machado 2004) la concentracin de la propiedad de los factores productivos es el aspecto ms notorio de la inequidad en el sector rural, generando serias implicaciones en el acceso y disponibilidad de recursos. Segn
(Fajardo 2002), en 1996 los predios de 200 hectreas correspondientes al 2.8 %
del total de las fincas, concentraban el 39.9 % de la tierra, con un porcentaje
mnimo de uso agrcola; y las fincas de hasta 5 hectreas, que corresponden
al 46.8 % del total de los predios solo posean el 3.2 % de la tierra.
El informe del Banco Mundial (2004) afirma que en el ao 2002 la desigualdad en la tenencia de la tierra era alta, con un ndice de Gini de 0.85. Segn
este informe, esta desigualdad se debe a tres aspectos: el primero, la subutilizacin de la tierra productiva donde el suelo apto para la actividad agraria
y zonas ecologcamente frgiles se usan en ganadera, el segundo, se refiere
a la poca inversin de los gobiernos locales en el mejoramiento de los servicios pblicos, y el tercero, incremento de la violencia en reas con ausencia
de oportunidades econmicas, generando desplazamiento e inequidad social.
(Banco-Mundial and CEDE 2004).
En este captulo, se aplican los conceptos de curva de Lorenz y el ndice de
Gini al estudio de la concentracin de tierra en Colombia. El ndice de Gini
trata de poner en evidencia el mayor o menor grado de desigualdad en el
reparto del total de los valores de la variable de inters. Es un indicador del
grado de distribucin de la variable.
En la seccin 1.3 se muestra la metodologa para calcular la curva de Lorenz
1.1. CURVA DE LORENZ E NDICE DE CONCENTRACIN DE GINI
y el ndice de Gini, se dan ejemplos correspondientes a tres departamentos.

Igualmente, se presenta el comportamiento de concentracin de la tierra
privada rural para Colombia en el ao 2000.
1.1.
Curva de Lorenz e ndice de concentracin de

Gini
Sea una variable aleatoria con funcin de distribucin (), y media finita
. Dado
1 () = inf { : () } , 0 1,
la curva de Lorenz se define mediante una funcin (), definida en el intervalo [0, 1], donde
1 ()
1
() =
().
0
El ndice de Gini (IG), (Gini, 1912) es una medida definida por
= 1 2
(),
0
cuya interpretacin geomtrica corresponde al doble del rea comprendida

entre la bisectriz del cuadrado unidad y la curva de Lorenz, como se muestra
en la figura (1.1). As,
[
= 2 1/2
()
y 0 1, (Sen 1986). Este ndice se expresa comunmente en porcentaje.

En el caso discreto, sea es una variable aleatoria, con valores posibles
1 < 2 < . . . < , con ( = ) = y media =

. La curva
=1
de Lorenz es la funcin en , definida a trozos, con vertices en ( , ),
donde = { } y = 1
. As, el rea bajo la curva de
Lorenz es =
=1
, con rea del trapecio dada por = ( + 1 )/2
=1
para = 1, 2, ..., y con 0 = 0. (Mehran 1975; Gastwirth and Glauberman

3

20
40
L(X)
60
80
100
Curva de Lorenz
20
40
60
80
100
Figura 1.1. Curva de Lorenz.
1976). Por tanto el ndice de Gini es
= 1 2 = 1 lm
( + 1 ) = 1 ( ) (1 ).
=1
equivalente a
=1
=1
=1
1
2
= 1
2
1.2. CLCULO DE LA CURVA DE LORENZ Y COEFICIENTE DE GINI
1.2.
1.2.1.
Clculo de la curva de Lorenz

y coeficiente de Gini
Clculo de la curva de Lorenz
Para determinar la curva de Lorenz en el caso de la distribucin de la tierra se debe tener en cuenta el concepto de distribucin equitativa. Existe
una distribucin equitativa de la tierra entre los miembros de una poblacin
cuando a cada uno de ellos le corresponde una fraccin proporcional del total
de la misma. Por ejemplo, en una poblacin de 100 propietarios, si la tierra
est distribuida equitativamente, cada uno de los miembros de la poblacin
debe ser propietario de un 1 % del total de la superficie de la tierra.
La funcin de equidistribucin est determinada por la ecuacin () = ,
donde es el porcentaje de los propietarios de la tierra y = () es el
porcentaje de tierra que le corresponde. Cuando existe concentracin de la
tierra la curva de Lorenz se encuentra por debajo de la diagonal, y a mayor
concentracin de la tierra mayor es la curvatura.

La metodologa para construir la curva de Lorenz es la siguiente:

1. Ordenar la informacin del rea de los predios en sentido ascendente,
en hectreas, y establecer el nmero de rangos.
2. Calcular las frecuencias acumuladas del nmero de hectreas y del
nmero de propietarios, de acuerdo con los rangos establecidos.
3. Se determinan pares ordenados (, ), donde corresponde al porcentaje acumulado de propietarios y al porcentaje acumulado de hectreas,
y se localizan en el plano coordenado.
4. La curva de Lorenz se obtiene uniendo los puntos correspondientes a
los pares ordenados (, ), mediante una lnea continua.
1.2.2.
Clculo del Gini
El coeficiente Gini es el cociente entre el rea de la regin limitada por la

curva de Lorenz y la recta Y=X, y el rea de la regin limitada por las rectas
X=1, Y=X y Y=0. As,
(1
)
= 2
2
= 1 2
donde es el rea comprendida entre la curva de Lorenz, el eje y =1.
Para calcular el rea bajo la curva de Lorenz, T, se realiza la suma de las
reas de los trapecios cuyas bases corresponden a los rangos porcentuales
acumulados de los propietarios de la tierra. En consecuencia,
1
[1 () + ()][ ( ) ( 1 )],
2
=1
donde , = 1, 2, . . . , , es el porcentaje acumulado de superficie de tierra

rural y ( ), = 1, 2, . . . , , es el porcentaje acumulado de propietarios
de la tierra. Este mtodo de clculo del Gini se considera bastante preciso
cuando se aplican a distribuciones de ocho o ms rangos. (Lora 1991).
6
1.3. DISTRIBUCIN DE TIERRA EN COLOMBIA
1.3.
1.3.1.
Distribucin de tierra en Colombia

Naturaleza de los datos
La informacin de predios rurales resgistrados fue suministrada por el Instituto Geogrfico Agustn Codazzi (IGAC) y para el ao de 1996 del catastro
de Antioqua. Los periodos de tenencia de la tierra con registro catastral son
los aos 1986, 1996, 1999, 2000 y 2001. Esta informacin esta desagregada
por cada municipio del pas. Las variables que maneja el IGAC son: Cdigo
del departamento,Cdigo del municipio (este cdigo es el mismo que utiliza
el DANE), ndice del rango, Nombre del Departamento, Nombre del Municipio, Rangos de rea en hectreas, Total de predios por rango, Total de
propietarios por rango, Total de superficie por rangos.
En la tabla 1.1 se muestra la estructura de la base de datos presentada por
municipios, se considran 13 rangos, en hectreas, como es registrado por el
IGAC, tomando como ejemplo el municipio de Sop en el departamento de
Cundinamarca.
Rango ()
<a1
1-3
3-5
5 - 10
10 - 15
15 - 20
20 - 50
50 - 100
100 - 200
200 - 500
500 - 1000
1000 - 2000
> 2000
Predios
73
48
23
16
22
9
30
6
8
2
0
1
0
Propie
80
93
27
19
25
10
39
11
9
2
0
1
0
Area
215.118
900.477
887.665
1.201.487
2.692.937
1.563.713
9.784.236
4.147.000
10.713.998
6.800.000
0
10.710.000
0
Constr (2 )
4.809
7.522
2.468
15.000
2.234
6.128
24.262
4.898
14.765
2.680
0
0
0
Avalo
31.6893.500
105.429.700
334.404.000
1.491.322.000
588.022.000
671.727.000
3.939.730.000
1.078.234.000
2.208.735.000
1.958.803.000
0
369.500.000
0
Cuadro 1.1. Distribucin de la tierra por Rangos
Los rangos en hectreas fueron asumidos por el DANE y el IGAC para

estudios de avalo.
7

1.3.2.
Distribucin de la tierra
En esta seccin se presentan datos correspondientes a la estructura de concentracin de la tierra en Colombia, para los aos 1996 y 2000. La tabla 1.2
muestra datos de la concentracin de tierra en la regin Andina. Indica, por
ejemplo, que en 1996, en el departamento de Boyac, el 45.1 % de la tierra
rural estaba distribuida en el 95 % de los propietarios. As, el 54.9 % de la
tierra rural estaba distribuida en un 5 % de los propietarios rurales. Para este
departamento, en el ao 2000 se evidencia un incremento en la concentracin
de la tierra, debido a que el porcentaje de la tierra rural distribuida en el
5 % de los propietarios alcanza el 58.3 %. En la misma tabla, se muestra que
en Quindo, en este periodo de tiempo, en porcentaje de tierra en manos del
95 % de los propietarios paso del 20 % al 44.6 %, indicando un proceso de
desconcentracin. Este fenmeno tambin se presenta en el Huila, que es el
departamento de la regin Andina con menor concentracin.
% de Prop.
Antioqua
Boyac
Caldas
Cund.
Huila
N. Sant.
Quindo
Risaralda
Santander
Tolima
40
1.8
3.4
1.5
2.8
3.1
2.6
1.9
2.4
2.0
2.2
60
3.5
7.9
4.7
7.0
9.0
8.5
4.5
7.6
8.1
8.0
80
13.3
16.1
18.0
20.0
21.1
22.2
11.3
17.9
18.8
20.1
90
32.9
30.0
29.2
30.7
37.5
35.3
19.5
28.1
32.1
38.3
95
38.6
45.1
45.6
43.7
51.6
47.1
26.6
40.0
44.0
49.1
40
1.2
3.2
3.1
3.0
3.2
3.1
2.9
3.3
3.3
3.0
60
3.5
8.1
7.2
9.1
10.2
10.0
7.9
9.0
8.1
9.2
80
10.1
18.1
17.8
20.4
26.6
28.9
19.0
20.2
20.1
22.1
90
20.0
30.0
30.1
33.0
45.2
45.1
31.1
32.0
37.0
40.0
95
39.4
41.7
46.8
46.1
62.0
59.2
44.6
48.0
49.1
57.1
Cuadro 1.2. Porcentaje de Tenencia de Tierra. Regin Andina. 1996 y 2000

En la Regin Atlntica se presenta menor concentracin en la tenencia de la
tierra rural en el periodo comprendido entre 1996 y 2000, como se observa en
la tabla 1.3. En todos los departamentos dismunuy la cantidad de tierra en
manos del 5 % de los propietarios. Durante este periodo, en el departamento
del Cesar, que es donde se presentan el mayor cambio, el porcentaje de
la tierra en manos del 5 % de los propietarios paso del 50.8 % al 33.4 %,
presentandose un cambio del 17.4 % en la concentracin de la tierra. La mayor
concentracin de tierra, en el ao 2000, se presenta en el departamento de
la Guajira con el 55.6 % de la tierra en manos del 95 % de los propietarios.
% de Prop.
Atlntico
Bolvar
Cesar
Crdoba
Guajira
Magdalena
Sucre
40
4.5
4.3
3.6
1.9
1.0
3.0
1.9
60
12.6
11.1
11.0
9.1
3.4
12.0
7.6
80
29.0
28.0
24.1
23.0
9.2
26.5
25.4
90
45.0
40.0
38.5
39.0
14.5
38.9
40.1
95
54.3
52.0
49.2
54.4
20.0
52.2
57.5
40
4.1
4.1
5.2
2.3
3.1
3.7
2.3
60
12.1
8.7
16.3
8.5
10.5
14.1
10.0
80
30.0
27.8
34.3
25.3
25.8
30.3
27.8
90
46.0
47.2
52.5
40.0
43.1
46.8
48.3
95
66.1
64.3
66.6
60.0
55.6
65.4
63.5
Cuadro 1.3. Porcentaje de Tenencia de Tierra. Regin Atlntica. 1996 y 2000

La regin Pacfica muestra mayor concentracin que las regiones Atlntica y
Andina. La tabla 1.4 muestra que el departamento de Choc tiene un cambio
notorio en la estructura de tenencia de la tierra, debido al incremento de
predios registrados durante el periodo 1996 a 2000. En el ao 2000, en el
departamento del Valle del Cauca el 64.3 % de la tierra estaba en en manos
del 5 % de los propietarios y, en el departamento del Cauca, el 61.5 % de la
tierra corresponda al 5 % de los propietarios.
% de Prop.
Cauca
Choc
Nario
Valle
40
1.3
0.06
2.4
0.8
60
4.6
0.9
8.2
3.1
80
12.5
4.5
16.9
11.1
90
20.
5.2
28.6
22.9
95
30.
7.1
35.7
31.8
40
2.0
0.03
2.9
0.7
60
6.9
14.2
9.3
3.4
80
18.3
38.5
19.2
11.9
90
28.7
56.1
32.1
24.2
95
38.5
66.0
42.5
35.7
Cuadro 1.4. Porcentaje de Tenencia de Tierra. Regin Pacfica. 1996 y 2000

En la regin Orinoqua-Amazona se encuentran varios de los departamentos
con mayor concentracin de tierra de Colombia. Por ejemplo, para el ao
2000, en el departamento de Arauca, el 33 % de la tierra estaba en manos
del 95 % de los propietarios, mientras que en los departamentos de Putumayo,
Casanare y Meta, estaba el 35.7 %, 37.6 % y el 38.5 %, respectivamente, com
se muestra en la tabla 1.5.
1.3.3.
Mapas de porcentajes
Los mapas muestran la evolucin de la estructura de concentracin de la

tierra para el 60 %, 90 % y 95 % de los propietarios. Mostrando, lo dicho
anteriormente, la mayor concentracin en Antioqua y Boyac en la regin
Andina, los departamentos de Cuca y Valle del Cuca en la regin Pacfica,
9

% de Prop.
Caquet
Meta
Arauca
Casanare
Putumayo
40
1.6
0.9
3.1
1.2
0.8
60
5.1
3.1
8.0
5.1
3.1
80
10.4
10.0
16.1
12.9
11.1
90
15.6.
17.6
22.1
21.9
22.9
95
18.1
28.1
33.2
34.4
31.8
40
7.5
0.9
2.6
1.4
0.7
60
14.5
3.0
8.0
7.5
3.4
80
29.3
10.2
15.6
14.5
11.9
90
39.6
20.7
22.1
26.7
24.2
95
48.0
38.0
33.2
37.6
35.7
Cuadro 1.5. Porcentaje de Tenencia de Tierra. Regin Orinoqua y Amazona. 1996 y 2000
los departamentos del pie de monte llanero: Meta, Casanare, Arauca y de

menor concentracin Caquet y Putumayo; en la regin Atlantica se evidencia menor concentracin que las otras regiones como se muestra en los mapas
1.2, 1.3 y 1.4, donde se ve que los departamentos de Crdoba y Guajira tiene
la mayor concentracin en esta regin.
Porcentaje de tierra
para el 60& de los propietarios
0,00 - 3,50
3,51 - 7,50
7,51 - 9,30
9,31 - 12,10
Figura 1.2. Distribucin del 60 % de la tierra en Colombia. 2000
10
Porcentaje de tierra
para el 90% de los propietarios
0,00
0,01 - 24,20
24,21 - 33,00
Figura 1.3. Distribucin del 90 % de la tierra en Colombia. 2000
Procentaje de tierra
para el 95% de los propietraios
0,00
0,01 - 41,70
41,71 - 49,10
Figura 1.4. Distribucin del 95 % de la tierra en Colombia
11

1.4.
1.4.1.
Anlisis da la distribucin de tierra

con el Gini
Curva de Lorenz
La estructura de tenencia de la tierra, en este caso, es especificada mediante

la curva de Lorenz. Esta curva muestra la proporcin de tenencia de la tierra
como una funcin de la proporcin de propietarios. La figura (1.5) muestra
la curva de Lorenz para la distribucin de la tierra en Colombia y en los
departamentos de Antioqua, Crdoba y Cesar, en el ao 2000. En esta figura, se observa que la mayor concentracin de la tierra se present en el
departamento de Antioqua, pus la concavidad de la curva de Lorenz es mayor con respecto a los departamento de Crdaba y Cesar. Si comparamos la
curva de Lorenz para Colombia con la curva del departamento de Antioqua
sus concavidades son similares, lo que indica similaridad en la estructura de
concentracin de la tierra.
La estructura de tenencia de la tierra en Colombia para el ao 2000 muestra
que el 57.1 % de los propietarios tiene el 3 % de la tierra, y el 97.1 % de los
propietraios poseen el 41,6 % de la tierra, es decir el 2.9 % de los propietraios
de fincas en el pas poseen el 58.4 % de la tierra registrada en los catastros
de Antioqua y el IGAC. Figura (1.5).
1.4.2.
Clculo del Gini para el ao 2000
El Gini para la concentracin de la tierra rural en Colombia, en el ao 2000, es

de 0.8479. Esto indica una alta acumulacin de la tierra en pocos propietarios.
Como se observa en la tabla 1.6, la regin con ms alta concentracin de la
tierra es Orinoqua - Amazona con un Gini de 0.7843 y la menor es la regin
Atlntica con un Gini de 0.6811.
Regin
Gini
Andina
Atlntica
Pacfica
Orinoqua - Ama
0.7579
0.6811
0.7584
0.7843
Cuadro 1.6. Gini por regiones, ao 2000.

En la regin Atlntica, se encuentra Cesar, que es el departamento con menor
12
1.4. ANLISIS DA LA DISTRIBUCIN DE TIERRA CON EL GINI
Antioquia 2000
100
60
0
0
20
40
60
80
100
20
40
60
80
Cordoba 2000
Colombia 2000
100
60
20
0
20
60
Acmulado de tierra
100
Acumulado de Propietarios
100
Acmulado de tierra
20
Acmulado de tierra
60
20
0
Acmulado de tierra
100
Cesar 2000
20
40
60
80
100
20
40
60
80
100
Figura 1.5. Curva de Lorenz Ao 2000.
concentracin de tierra en el pas en el ao 2000, con un Gini de 0.6178. En

esta regin, el departamento donde se presenta una mayor concentracin es
Crdoba, con un Gini de 0.7295.
La regin Andina tiene un Gini de 0.7579. All se encuentra el departamento
que presenta la mayor concentracin de tierra del territorio colombiano, Antioqua, con un Gini de 0.8583. El departamento con menor concentracin de
tierra en esta regin es Norte de Santander, con un Gini de 0.6923. La Tabla
1.7 muestra el Gini para 27 de los departamentos del pas. La alta concentracin de la tierra en el departamento de Antioqua tambin es evidenciada en
el estudio de Gaviria y Muoz (2007), que muestra la relacin entre propiedad
13

de la tierra y desplazamiento forzado, sustentada en datos que demuestran

como a medida que aumenta el nmero de personas desplazadas, aumenta
la concentracin de la propiedad de la tierra, con los consecuentes efectos
negativos sobre la produccin agrcola y la poblacin rural.
Departamento
Antioqua
Boyac
Caldas
Cundin
Huila
Nort-San
Quindo
Risaralda
Santander
Tolima
Atlntico
Bolvar
Cesar
Crdoba
Gini
Departamento
0.8583
0.7619
0.7821
0.7529
0.7025
0.6923
0.7755
0.7591
0.7539
0.7404
0.6662
0.6937
0.6178
0.7295
Guajira
Magdalena
Sucre
Cauca
Choc
Nario
Valle
Casanare
Caquet
Meta
Arauca
Casanare
Putumayo
Gini
0.7090
0.6547
0.6972
0.7579
0.6314
0.7646
0.8429
0.8108
0.6904
0.8544
0.8198
0.8108
0.7459
Cuadro 1.7. Gini por departamentos. 2000

La regin Pacfica tiene, para este ao, un Gini de 0.7584. All se encuentra
el departamento del Valle del Cauca, el tercero con mayor concentracin en
el pas. Su Gini es de 0.8429. En esta regin el departamento con menos
concentracin de tierras es Choc, con un Gini de 0.6314. La alta cocentracin de esta regin en particular de los departamentos del Valle del Cauca
y Cauca tambin lo evidencia el estudio de (Gamarra 2007), quien afirma
que hay una baja productividad agrcola debido a la calidad de los suelos,
agudizando as, por un lado, la necesidad de la poblacin rural por tener
extenciones mayores de tierra y por otro el incremento de la pobreza en la
poblacin campesina, ndigena y afrocolombiana.
La regin con mayor cocentracin de tierras es Orinoqua-Amazona, con un
Gini de 0.7843. All se encuentran algunos de los departamentos con mayor
concentracin de tierras en Colombia. Meta, que tiene la segunda concentacin de tierras ms alta del pas, con un Gini de 0.8544, Arauca con un ndice
de 0.8198 y Casanare con 0.8108. El departamento con menor concentracin
es Caquet, con un Gini de 0.6904. En esta regin la alta cocentracin se
debe, segn (Ortiz 2003), a la presencia de un alto porcentaje de cultivos
14
ilcitos y de actores del conflicto armado en Colombia: paramilitares, guerrilla y fuerza pblica. Igualmente, la presencia de narcotrfico y su relacin con
15

el conflicto armado, genera desplazamiento y, posiblemente, mayor cocentracin de tierra (Daz and Snchez 2004).
En la figura (1.6) se representa el ndice de Gini por departamentos. En ella,
se observa que los departamentos del pie de monte llanero, Antioqua y Valle
del Cauca son los que tienen mayor concentracin de tierra; los de menor
concentarcin estn en la regin Atlntica.
Gini 2000
Departamentos
0,000000
0,000001 - 0,666219
0,666220 - 0,729512
0,729513 - 0,794566
Figura 1.6. Gini - 2000 por departamentos.
1.4.3.
Conclusiones
Colombia presenta un alto nivel de concentracin de tierras, con un ndice

de Gini de 0.8479. Los departamentos del pie de monte llanero, Antioqua y
Valle del Cauca son los que tienen mayor concentracin. En Colombia el 80 %
de la tierra est en manos del 10 % de los propietarios. En el departamento
del Valle del Cauca el 80 % de la tierra est en manos del 11.5 % de los
propietarios, y en Antioqua el 80 % de la tierra est en manos del 11 % de
los propietarios. Este alto grado de concentacin de tierras se presenta, en
general, en todos los departamentos y regiones del pas.
16
La concentracin de tierras, en Colombia, tiene multiples causas. (Ibaez

and Querubn 2004) afirma que una de las causas de alta concentracin est
dada por la prolongacin de los conflictos agrarios del siglo pasado, y el
narcotrfico, que tienen una relacin estrecha con el conflicto armado debido
a la lgica e intereses de los actores (paramilitares, guerrilla y fuerza pblica),
generando desplazamiento forzoso. (Ortiz 2003; Daz and Snchez 2004).
Dada la distribucin de los indicadores de concentracin de la tierra en Colombia, podemos concluir, como en el estudio de (Gaviria and Muoz 2007),
que incrementos en la concentracin de la tierra parecen estar relacionados
con el conflicto armado y, en especial, con los mviles de intimidacin a la
poblacin no partcipe, que ha trado consigo un aumento significativo de
personas que abandonan sus tierras por causa de la violencia (Ibaez and
Querubn 2004).
El estudio de los incrementos en la concentracin de la tierra y en el desplazamiento forzado, resultado de luchas histricas por el poder y la acumulacin
de la riqueza (Gaviria and Muoz 2007), son reas de especial inters para
el desarrollo de investigaciones futuras que permitan entender los diversos
fenmenos sociales y polticos presentes en Colombia durante los ltimos
aos.
En el apndice se definen otros ndices de concentracin y la informacin de
la estructura de distribucin de la tierra en Colombia para el ao 1985.
17
Captulo 2. Anlisis
exploratorio de datos espaciales
Introduccin
Segn Tukey (1977) el Anlisis Exploratorio de Datos (AED) puede definirse
como el conjunto de herramientas grficas y descriptivas utilizadas para identificar patrones de comportamiento en los datos y para establecer hiptesis
con la menor estructura posible.
El Anlisis Exploratorio de Datos Espaciales (AEDE), en palabras de (Anselin 999a), puede definirse como el conjunto de tcnicas que: describen y visualizan distribuciones espaciales, identifican puntos atpicos espaciales (spatial
outliers), descubren esquemas de asociacin espacial, visualizan agrupamientos (clusters) o puntos calientes (hot spots) y sugieren estructuras espaciales
u otras formas de heterogeneidad espacial. Por tanto, estos mtodos tienen
un carcter descriptivo, aunque la deteccin de estructuras espaciales en las
variables geogrficas hace posible la formulacin de hiptesis para la modelacin economtrica y posible prediccin espacial.
En particular, en el estudio de datos espaciales, cuando no existe un marco
formal o teora previa acerca del fenmeno que se analiza, deben utilizarse
las tcnicas del AEDE. Esta situacin se presenta en el campo de las ciencias
sociales, cuando se analizan grandes bases de datos geogrficos cuya distribucin no se conoce a priori. En los ltimos aos, el AEDE ha sido introducido
18
Introduccin
en algunas aplicaciones de economa regional como el crecimiento econmico

en los pases Europeos (Moreno y Vay, 2000) o como el estudio de econometra espacial aplicada a la prediccin-extrapolacin de datos espaciales de
regiones espaolas (Chasco, 2003).
El AEDE combina el anlisis estadstico y el anlisis grafico de los datos, dando lugar a lo que podra denominarse una visualizacin cientfica (Haining
et al., 2000), que une a los contrastes estadsticos sobre los efectos espaciales
de dependencia y de heterogeneidad un amplio marco de grficos o vistas
mltiples y dinmicas sobre la informacin geogrfica (Unwin 2000), siendo
fundamental el papel que juga los paquetes informticos especializados.
Como dice (Chasco 2005), el software desarrollado en los ltimos aos se ha
concentrado en la conexin de los sistemas de informacin georeferenciada
(GIS por sus siglas en ingls) disponibles en el mercado (Grassland, ESRI,
MapInfo) con paquetes estadsticos tradicionales (S-PLUS, SPSS, Matlab,
SAS, R) o especficos de AEDE. De este modo, a la potente capacidad de
visualizacin y anlisis de los GIS se le une la especializacin propia del
anlisis espacial estadstico y grfico, (Bao et al. 2000). En estos momentos,
junto a estos mdulos de enlace, existe tambin un esfuerzo creciente por
elaborar programas de AEDE en entornos de opensource como R, Java y
Python, que se encuentran libremente disponibles en Internet y cuya fuente
abierta hace posible su constante renovacin. Muchos de estos programas
pueden consultarse en la pgina web del Center for Spatially Integrated
Social Science, CSISS: http://www.csiss.org/clearinghouse/.
Un buen mtodo grfico de AEDE es aqul que es capaz de analizar y representar dos caractersticas fundamentales en toda distribucin espacial:
suavizamiento (smooth) y asperezas (rough) (Wise et al, 1999). La propiedad de alisado, que en el campo temporal seran la tendencia central de la
variable (medida a travs de la mediana) y su dispersin (recorrido intercuartlico), en las variables geogrficas incluira elementos globales, referidos
a todo el mapa, como la tendencia espacial y autocorrelacin espacial global.
La propiedad de asperezas (rough) de la distribucin se refiere a aquellos
datos localizados a cierta distancia del elemento de alisado (mediana), como
los llamados atpicos (outliers), situados bajo/sobre el primer/tercer cuartil
de un diagrama de caja. Esta ltima propiedad es local, a diferencia de la
propiedad de suavizamiento que es global, que incluye, por ejemplo, casos
que se revelan como muy distintos de sus correspondientes valores vecinos
en el mapa (atpicos espaciales), regiones que se encuentran agrupadas en
forma de valores altos o bajos de una variable produciendo autocorrelacin
19
Captulo 2. anlisis exploratorio de datos espaciales
espacial local (agrupamientos o clusters de zonas calientes o fras) o incluso,

lneas de discontinuidad geogrfica (heterogeneidad espacial).
Segn (Cressie 1993), el AEDE puede ser abordado desde el punto de vista
del anlisis desarrollado por la geoestadstica o a partir de la econometra
espacial. El objeto del anlisis geoestadstico se encuentra, por lo general,
en el entorno de las ciencias medioambientales (fsica, geologa, hidrologa,
etc.) y se centra en el anlisis de muestras de datos puntuales procedentes de
distribuciones geogrficas continuas (por ejemplo, precipitacin atmosfrica,
humedad de la tierra, altura del ocano, etc.). Por su parte, la econometra
espacial analiza localizaciones geogrficas discretas de puntos o polgonos
(departamentos, municipios, etc.). Es lo que se denomina perspectiva de retcula o lattice, y se encuentra en el anlisis de los fenmenos socioeconmicos
(distribucin de la renta, clientes, votantes, etc.)
A continuacin se presentan las principales tcnicas del AEDE que consideran las propiedades de suavizamiento (global) y asperezas (local), desde la
perspectiva reticular o lattice.
1. Distribucin espacial univariada:
a) Mapa de caja y/o diagrama de caja.
b) Asociacin espacial global:
1) Mapa de contigidades espaciales.
2) Grfico del retardo espacial.
3) Diagrama/mapa de dispersin de Moran.
c) Asociacin espacial local:
1) Puntos atpicos en el diagrama de dispersin de Moran.
2) Mapas LISA (Local Indicator of Spatial Asociation, por sus
siglas en ingls).
3) Diagrama de caja LISA.
2. Distribucin espacial multivariada:
a) Diagrama dispersin-caja.
b) Asociacin espacial multivariante:
Diagrama de dispersin multivariante de Moran.
20
2.1. HETEROGENEIDAD Y AUTOCORRELACIN ESPACIAL
3. Heterogeneidad espacial:
a) Mapa del histograma de frecuencias.
b) Diagrama de dispersin.
2.1.
Heterogeneidad y autocorrelacin
espacial
En esta seccin se describen efectos espaciales que se pueden presentar cuando se trabaja con datos georreferenciados. Estos efectos son los que impiden
que los mtodos estndar del anlisis economtrico sean una buena herramienta para el estudio de este tipo de datos, los cuales poseen los efectos
espaciales de autocorrelacin y de heterogeneidad.
2.1.1.
Heterogeneidad espacial
La heterogeneidad espacial es la carencia de uniformidad de los efectos espaciales en la variable de estudio. Esto implica que, en los modelos espaciales,
las formas funcionales y los parmetros varan segn la localizacin geogrfica, no siendo homogneos para la matriz de datos (Anselin 1988; Chasco
2003). Esta variabilidad espacial suele ocurrir, por ejemplo, cuando se utilizan datos de una variable econmica para explicar un fenmeno como concentracin de riqueza en los departamentos de un pas que contiene regiones
pobres y regiones ricas.
La heterogeneidad espacial puede tratarse con tcnicas economtricas clsicas, a travs de la consideracin de cambios considerables en los parmetros,
coeficiente aleatorios o varias formas de cambios estructurales, tales como la
regresin de cambio bruscos.
2.1.2.
Autocorrelacin o dependencia espacial
Segn Goodchild (1987), la autocorrelacin espacial refleja el grado en que los

objetos o actividades en una unidad geogrfica son similares a otros objetos
o actividades en unidades geogrficas prximas. Para (Cliff and Ord 1973), la
21
autocorrealcin espacial o dependencia espacial aparece como consecuencia

de la existencia de una relacin funcional entre lo que ocurre en un punto
determinado del espacio y lo que ocurre en otro lugar. Es decir, el valor
que toma una variable en una regin se explica no solo por las condiciones
internas de la regin, sino tambin por el valor que toma esa variable en las
regiones vecinas.
La autocorrelacin espacial puede ser positiva o negativa. Positiva cuando
la presencia de un fenmeno determinado en una regin lleva a que este se
extienda por las regiones vecinas, favoreciendo la concentracin del mismo.
Por ejemplo, si la concentracin de la tierra en la regin es alta, se espera que
en las regiones que la rodean se presente una alta concentracin de la tierra.
Por el contrario, se tiene autocorrelacin negativa cuando la presencia de un
fenmeno en una regin impide o dificulta su aparicin en las regiones vecinas
a ella. Esta situacin sera compatible con la existencia de jerarquas, por
ejemplo, de tipo centro-periferia, donde una favorable evolucin del centro
podra verse acompaado de un empeoramiento de las regiones perifricas
prximas. Por ltimo cuando la variable se distribuye de forma aleatoria, no
existir autocorrealcin espacial (Moreno and Vay 2000).
2.1.3.
Matriz de pesos espaciales
En el caso espacial la autocorrelacin depende de la interdpendencia de las

regiones contiguas entre si. Por tanto, un operador retardo como el que se
conoce en el caso de series temporales no es til pues recoge solo una relacin
interdireccional. La solucin en el caso espacial est dada por la matriz de
pesos espaciales o matriz de contigidad espacial, W:
0
12 ... 1
21
0
... 2
=
.
.
.
.
1 2 ...
0
Esta es una matriz cuadrada no estocstica cuyos elementos reflejan la
intensidad de la interdependencia existente entre cada par de regiones y
. Los pesos de la matriz deben de ser positivos y finitos, pero no hay
una definicin nica de estos pesos. La forma ms usada es la contigidad
fsica de primer orden, utilizado por Moran (1948) y Geary (1954), donde
es igual a 1 si las regiones y son fsicamente adyacentes o 0 en caso
contrario.
22
2.1. HETEROGENEIDAD Y AUTOCORRELACIN ESPACIAL
A partir de una cuadricula regular, a continuacin se presenta los criterios

de contigidad fsica o de vecindad que se definen para construir la matriz
.
1. Criterio lineal. Sern vecinas de las regiones que comparten el lado
izquierdo o derecho de .
2. Criterio torre o rook. Sern vecinas de las regiones que comparten
algn lado de .
3. Criterio alfil o bishop. Sern vecinas de las regiones que comparten
algn vrtice con .
4. Criterio reina o queen. Sern vecinas de las regiones que comparten
algn lado o vrtice con .
El nmero de vecinos en el criterio 1 es 2, en los criterios 2 y 3 es 4, y en el
criterio 4 es 8.
Esta matriz de contigidad, tambin llamada matriz Booleana, es claramente
simtrica, pero presenta limitaciones para determinar la interdependencia
regional pues solo tiene en cuenta la adyacencia fsica dejando de lado algunas
interdependencia diferentes a las fsicas como de tipo comercial entre regiones
que no son vecinas.
Cliff y Ord (1973,1981) sugieren la siguiente definicin para la matriz
basada en la distancia entre regiones:
donde es la distancia que separa a las unidades y y la longitud

relativa de la frontera comn entre y con relacin al permetro de , siendo
y parmetros a estimar. (Anselin 1980) sugiere que estos parmetros sean
dados a priori y no estimarlos para evitar mayor complejidad.
(Anselin 1980) propone la utilizacin de una matriz con componentes
1
= 2 ,
donde 2 es la distancia al cuadrado del centro de la regin al centro de

la regin . Otras propuestas de se encuentran en la literatura. Ver por
ejmeplo, (Dacey 1968) y Bodson y Peeters (1975).
23
2.1.4.
Operador de retardo espacial
Para definir el retardo espacial se debe tener en cuenta las diferentes vecindades de una regin. Si suponemos una malla regular (Cressie 1993), el
concepto de cambio espacial implica considerar observaciones que estn alejadas una o ms unidades de distancia de una localizacin (, ), donde las
unidades de distancia, determinadas por los retculos, pueden medirse en dos
o en cuatro direcciones. As, por ejemplo si seguimos el criterio reina, cada
celda en una estructura regular (, ) tiene ocho vecinos:
1, + 1
1,
1, 1
, + 1
,
, 1
+ 1, + 1
+ 1,
+ 1, 1
En el caso de estructuras regulares, el nmero de vecinos que resulta depende

del criterio de contigidad que se utilice. Segn (Anselin 1988), cuando la
estructura es irregular, se puede encontrar un gran cantidad de direcciones
posibles. Por tanto, el nmero de parmetros asociados con las diferentes
vecindades puede llevar a un anlisis significativamente difcil. Adems, si se
tiene una gran cantidad de datos y una estructura regular, podra suceder
que los grados de libertad restantes no seran suficientes para permitir una
estimacin eficiente de estos parmetros. Este problema se soluciona si se
considera la suma de los pesos de todos los valores pertenecientes a una clase
de contigidad dada, en vez de tomar cada una de ellas individualmente.
Los trminos de la suma son obtenidos multiplicando la variable observada
en la vecindad , con los pesos asociados de la matriz de pesos espacial.
Formalmente se tiene que
=
(2.1)
donde es el operador de retardo espacial asociada con la clase de contigidad , es el ndice de las observaciones que pertenecen a la clase de
contigidad con respecto a la localizacin , y son los pesos espaciales
de la matriz de pesos espacial. es una variable retardada espacialmente,
que guarda cierta similitud con la distribucin retardo que se menciona en
el anlisis de series de tiempo. En este caso, los pesos son dados a apriori,
reduciendo as un problema de linealidad y el riesgo de imponer un error
estructural (Anselin 1988).
24
2.2. AUTOCORRELACIN GLOBAL Y LOCAL
La matriz de pesos usada en el retardo

espacial es frecuentemente estandarizada por filas, es decir, para cada , = 1. Por tanto, el retardo
espacial puede ser interpretado como un promedio de pesos de la variable
aleatoria en las vecindades de o como un suavizamiento espacial (Anselin
999b).
2.2.
Autocorrelacin global y local
2.2.1.
Contrastes globales de autocorrelacin espacial
Para determinar la presencia o ausencia de dependencia espacial a nivel univariado, se debe probar si se cumple la hiptesis de que una variable se
encuentra distribuida de forma aleatoria en el espacio o si por el contrario,
existe una asociacin significativa de valores similares o dismiles entre regiones vecinas. Para ello, se ha propuesto unos estadsticos de dependencia
espacial, entre los que se destacan la I de Moran, la C de Geary y la G(d)
de Getis y Ord.
1. El contraste I de Moran (Moran 1948)
=
0
( )( )
=
(
(2.2)
)2
=1
donde refleja el valor de la variable cualitativa en la regin , es

la media muestral,
son los pesos de la matriz W, N es el tamao
muestral y 0 =
. Segn (Cliff and Ord 1981), cuando el ta
mao muestral es suficientemente grande, la I de Moran estandarizada

sigue una distribucin asinttica normal estndar. Se denotar () la
variable estandarizada del I de Moran.
En este caso, un valor no significativo de () llevar a no rechazar
la hiptesis nula de no autocorrelacin espacial, mientras que un valor
significativo positivo del mismo informar acerca de la presencia de un
esquema de autocorrelacin espacial positiva, es decir, la presencia de
25
una concentracin de valores similares de la variable aleatoria entre

regiones vecinas. En caso contrario, un valor significativo negativo del
mismo informar acerca de la presencia de un esquema de autocorrelacin espacial negativa, es decir, se encontrar una concentracin de
valores dismiles de la variable aleatoria entre regiones vecinas.
2. C de Gary (Geary 1954)
Es el segundo contraste de autocorrelacin espacial, el cual tiene la
siguiente expresin:
( )
( 1)
=
=
20
( )2
(2.3)
=1
donde el significado de sus elementos es equivalente al definido para la

I de Moran.
La distribucin del estadstico, despus de su estandarizacin, es a nivel
asinttico una distribucin normal estndar. Al igual que en el caso
anterior, la hiptesis nula del estadstico C de Gary es la inexistencia
de autocorrealcin espacial frente a la hiptesis alternativa de presencia
de un esquema de dependencia espacial. En este caso, al contrario de
lo ocurrido por la I de Moran, un valor negativo y significativo de la
C de Gary estandarizada () indicar la existencia de un esquema
de dependencia espacial positiva, y sucede lo contrario para un valor
positivo y significativo de la C de Geary que mostrar una dependencia
espacial negativa.
26
2.2. AUTOCORRELACIN GLOBAL Y LOCAL
3. G(d) de Getis y Ord (Getis and Ord 1992)

El tercer contraste presenta la siguiente expresin:

() =
() .
=1 =1

(2.4)
=1 =1
donde dos pares de regiones y son considerados vecinas siempre que

se encuentra dentro de una distancia determinada (tomando, en este
caso, () un valor igual a 1 si son vecinas o 0 en caso contrario).
La variable estandarizada () se distribuye a nivel asinttico segn
una normal estndar. En este caso, la hiptesis nula asociada al contraste ya estandarizado, (), es la ausencia de asociacin espacial,
mientras que un valor positivo (negativo) y significativo indica la existencia de una tendencia a la concentracin de valores elevados (bajos)
de la variable aleatoria en el espacio analizado.
Para el computo de estos test, se puede usar cualquier definicin de la matriz
de contigidad . Sin embargo, los resultados obtenidos por los diferentes
contrastes pueden variar, a veces drsticamente, en funcin de la matriz
especificada. Adems, es importante anotar que el clculo de la I de Moran
o de la C de Gary no excluye el estudio de la () de Getis y Ord en
la medida en que todos ellos, en forma conjunta, suministra informacin
complementaria.
2.2.2.
Contrastes locales de autocorrelacin espacial
Estos contrastes se realizan para determinar las asociaciones de dependencia

espacial entre alguna localizacin especfica con sus vecinos, determinando
agrupaciones o cluster. Generalmente se usa el mapa de la variable aleatoria
para detectar estas agrupaciones (Unwin and Unwin 1998).
Entre los contrastes locales de asociacin espacial, los ms usados son: el
estadstico de Moran, , basados en el test tradicional de la I de Moran y
la () y () de Getis y Ord. Para cada caso, se obtendr un valor de
dichos estadsticos en cada regin de la muestra, de esta manera se puede
analizar la situacin de cada unidad espacial por separado.
27
1. El contraste local de Moran (Anselin and Florax 1995):

=

2
/
(2.5)
donde es el valor correspondiente de la variable normalizada en la

regin , el conjunto de regiones vecinas a .
Al igual que los estadsticos anteriores, se puede asumir la hiptesis de
que estandarizada se distribuye normal estndar. Un valor positivo
(negativo) del contraste indicar la existencia de un cluster de valores
similares (dismiles) de la variable analizada alrededor de la regin .
2. () de Getis y Ord (1992).
Getis y Ord presentan varios ndices locales. El primero de ellos est
dado por
() =
()
=1
, =
(2.6)
=1
donde es el valor de la variable de inters en la regin y ()

son los elementos de la matriz de contigidad para una distancia
dada.
Un segundo contraste presentado por Getis y Ord, denominado ()
incluye la observacin para la cual se calcula el valor del estadstico,
es decir, no incorpora la restriccin presente en el estadstico anterior,
permitiendo que a su vez sea diferente de 0. As:
()
()
=1
(2.7)
=1
Los estadsticos locales construidos por (Getis and Ord 1992) inicialmente solo podan ser aplicados al caso de variables naturales posi28
2.3. MTODOS DE REPRESENTACIN DE LA TENDENCIA ESPACIAL GLOBAL EN GEODA
tivas y para matrices de contigidad simtricas (binarias o de distancia). Para solucionar dichas limitaciones, Ord y Getis (1995) reespecifican ligeramente los estadsticos anteriores, obteniendo los denominados
y .
Despus de la estandarizacin de estos estadsticos locales de Getis y
Ord (distribuyndose en todos los casos asintticamente normal estndar), un valor significativo y positivo (negativo) de los mismos indicar
la existencia de un cluster alrededor de la regin de valores similares
elevados (bajos) de la variable .
Es importante resaltar que los clculos de los estadsticos locales de Moran
junto con los de Getis y Ord son complementarios, en la medida que ambos
tipos de ndices suministran informacin derivada del significado diferente
de sus signos.
2.3.
Mtodos de representacin de la tendencia

espacial global en GeoDa
Entre los programas de AEDE reticular, se destaca GeoDa, que incluye tambin un mdulo dedicado al anlisis de regresin espacial. Este programa
ha sido desarrollado por el Profesor Luc Anselin, de la Universidad de Illinois, para presentar la capacidad y posibilidades del AEDE. En trminos
generales, las diferentes funciones de GeoDa podran ser clasificadas en 6
categoras: tratamiento de datos geogrficos, transformacin de datos, representacin grfica en mapas, grficos estadsticos, dependencia espacial
y regresin espacial. La ltima versin de GeoDa es la 0.9.5i del 2004 y
se encuentra en la web en http://geodacenter.asu.edu/software/downloads.
(Anselin 2004; Chasco 2005).
2.3.1.
Anlisis exploratorio de la dependencia espacial

global
Como se enunci en la seccin anterior, la dependencia o autocorrelacin espacial, consiste en la existencia de una relacin funcional entre lo que ocurre
en un punto determinado del espacio y lo que sucede en lugares cercanos
o vecinos al mismo. Es decir, una variable estar espacialmente autocorrelacionada cuando los valores observados en un punto o regin dependan de
29
los valores observados en regiones vecinas. La principales tcnicas de asociacin espacial en el AEDE reticular son: el diagrama de dispersin de Moran
y los grficos Local Indicator of Spatial Association, su sigla es LISA (mapa/diagrama de caja), as como sus correspondientes versiones multivariantes.
La tendencia espacial es de carcter geogrfico y tiene un sentido global,
es decir, referido a todo el mapa (y no a una parte del mismo). Por eso,
las tcnicas del AEDE que analizan esta componente son herramientas de
representacin cartogrfica, donde lo fundamental no es el mapa en s mismo,
si no la representacin grfica de los estadsticos bsicos.
Diagrama de dispersin de Moran univariado

En el diagrama de dispersin de Moran el eje representa la variable de
inters previamente estandarizada y en el eje el retardo espacial de dicha
variable estandarizada. Como se enunci en la seccin 2.1.4, se entiende por
retardo espacial el promedio ponderado de los valores que adopta una variable en el subconjunto de observaciones vecinas a una dada. La pendiente de
la recta de regresin es el valor del estadstico I de Moran de autocorrelacin
espacial global.
Este diagrama de dispersin divide el tipo de asociacin espacial en cuatro
categoras: dos para autocorrelacin espacial positiva (valores altos de una
variable rodeados de valores altos o valores bajos rodeados de valores bajos) y dos para autocorrelacin espacial negativa (valores altos rodeados por
valores bajos, y viceversa). Las categoras de asociacin espacial positiva corresponden con los cuadrantes I y III y las categoras de asociacin negativa
vienen dadas por los cuadrantes II y IV.
Si la recta de regresin que ajusta la variable de inters estandarizada en
funcin de su retardo espacial cruza los cuadrantes I y III, existe una autocorrelacin espacial positiva de la variable de inters. Los puntos que se
encuentran en el cuadrante II estn asociados a valores bajos de la variable
de inters y a valores altos de la variable en su vecindad y viceversa para
los puntos que se encuentran en el cuadrante IV. Si los puntos se concentran
en la recta de regresin que pasa por los cuadrantes II y IV se dice que existe
una autocorrelacin espacial negativa.
La regresin del retardo espacial sobre la variable de inters, se realiza bajo las hiptesis clsicas del anlisis de regresin. As, la interpretacin del
30
test I de Moran permite conocer el grado en que este estadstico resume la

estructura global de asociacin lineal existente en un fenmeno espacial.
Dado que los valores de la variable se encuentran estandarizados, es posible
conseguir informacin tanto de la asociacin espacial global (pendiente de
la recta de regresin) como de la asociacin espacial local. De este modo,
los valores en el diagrama de dispersin de Moran situados a ms de dos
unidades del origen del sistema coordenado pueden considerarse como puntos
atpicos en el diagrama de dispersin de Moran, es decir, outliers locales de
no estacionariedad espacial.
En este estudio de la concentracin de la tierra en Colombia, por departamentos, se consideran las variables: porcentaje de tierra que tiene el 95 % de
la poblacin (PR95), necesidades bsicas insatisfechas en el sector rural en
2005 (NBI05 rural), cobertura en educacin secundaria (SEC00), Porcentaje
de hectreas con presencia de cultivos ilcitos (COCA00), nmero de actos
violentos generados por grupos al margen de la ley (FARC, ELN, Autodefensas), denotada VIOL-GML, y nmero de desplazados en las cabeceras
municipales (REP-DES).
Figura 2.1. Indice de Moran para la variable PR95.

La figura (2.1) corresponde al grfico de dispersin de Moran para la variable
PR95. Muestra que la relacin espacial es positiva, con un ndice de Moran
31
de 0.3150 y un p-valor de 0.0200. De este p-valor se puede concluir, por

ejemplo, que la concentracin de la tierra en Colombia no es aleatoria.
En los cuadrantes I y III se encuentran los departamentos que presentan
asociacin espacial positiva; en el cuadrante I encontramos los departamentos de la Guajira, Cesar, Bolvar y Atlntico, que tiene una concentracin
moderada de tierra y en el cuadrante III se encuentran los departamentos
con alta concentracin de tierra, que corresponde a los departamentos del pie
de monte llanero y a los departamentos de Cundinamarca, Boyac, Nario,
Cauca, Quindo, Risaralda y Caldas. Los departamentos que presentan una
asociacin espacial negativa estn en los cuadrantes II y IV; en el cuadrante II se encuentran los departamentos con concentracin alta de tierra, que
tienen departamentos vecinos con una concentracin moderada de tierra, y
ellos son los departamentos de Antioquia, Valle del Cauca y Santander. En el
cuadrante IV encontramos los departamentos con concentraciones moderadas de tierra y que estn rodeados de departamentos con una concentracin
alta de tierra y que corresponden a los departamentos de Huila, Tolima,
Putumayo y Choc.
Figura 2.2. ndice de Moran para la variable NBI05 Rural.
32
La figura (2.2) corresponde al grfico de dispersin de Moran para la variable

NBI05 Rural. Muestra que la relacin de asociacin espacial es positiva,
con un ndice de Moran de 0.2780 y un p-valor de 0.010. De este p-valor
se puede concluir, por ejemplo, que a un nivel de significancia del 5 % el
comportamiento de la variable NBI05 en Colombia no es aleatoria.
La existencia de correlacin espacial positiva se encuentra en los departamentos de la regin Caribe y el departamento de Nario con NBI altos y
los departamentos de Quindo, Risaralda, Caldas, Cundinamarca, Boyac,
Arauca y Meta con un NBI bajos. Los departamentos que presentan una
asociacin espacial negativa son Antioquia, Atlntico, Santander y Putumayo, con NBI bajos con respecto a sus vecinos y Casanare, Valle del Cauca,
Choc y Caquet con NBI altos con respecto sus vecinos.
De igual manera, la variable COCA00 muestra una autocorrelacin espacial
positiva, con un ndice de Moran de 0.2649 y un p-valor de 0.0050. Lo que
significa, por ejemplo, que a un nivel de significancia del 0.01 % el comportamiento de la presencia de cultivos de coca en Colombia no es aleatorio. Se
destaca el departamento de Caquet con una presencia elevada de cultivos
de coca junto con su vecino Putumayo. Los dems departamentos muestran
la presencia de estos cultivos en menor proporcin, ver figura (2.3).
Diagrama de dispersin
Este grfico muestra la relacin entre dos variables, GeoDa superpone la recta de regresin ajustada por el mtodo de mnimos cuadrados ordinarios y
presenta el valor de la pendiente de la misma. Este grfico se puede calcular
para los valores estandarizados de las variables, de forma que la pendiente de la recta de regresin se corresponda con el coeficiente de correlacin
de Pearson. Adicionalmente, el anlisis de los 4 cuadrantes del diagrama de
dispersin permite identificar las localizaciones con valores superiores o inferiores a la media en ambas variables o al contrario, valores superiores a la
media en una variable e inferiores a la media en otra.
El grfico (2.4) muestra que la correlacin entre las dos variables estandarizadas NBI05 y PR95 es de 0.4074. En general, un ndice de NBI alto tiene
concentracin moderada de tierra y un ndice NBI medio tiene una concentracin alta de tierra. Entre los departamentos con moderada concentracin
de tierra y NBI bajo estn Atlntico, Putumayo, Huila y Tolima. Entre los
departamentos con NBI medio y alta concentracin de tierra estn Cundinamarca, Boyac, Santander, Quindo, Risaralda, Caldas, Antioquia, Valle del
33
Figura 2.3. ndice de Moran para la variable COCA00.

Cauca y Meta. Los departamentos que presentan moderada concentracin
de tierra y altos niveles de NBI son los departamentos de la regin Caribe
y el departamento del Choc. Los departamentos que presentan alta concentracin de tierra y altos niveles de NBI son los departamentos Arauca,
Casanare, Caquet, Nario y Cauca.
Para las variables estandarizadas de violencia de los grupos armados al margen de la ley (VIOL-GRARM) y PR95, se evidenci una correlacin negativas
de -0.4239, como lo muestra la grfica (2.5). Esto significa que a mayor niveles de violencia mayor es la concentracin de tierra. Entre los departamentos
con mayor violencia y alto nivel de concentracin de tierra se destacan: Antioquia, Valle del Cauca, Cauca, Nario, Risaralda Santander y Arauca. Los
departamentos que muestran un nivel medio de violencia y moderada concentracin de tierra estn los departamentos de Choc, Guajira, Atlntico,
Sucre, Magdalena, Crdoba, Huila, Tolima y Putumayo. Los departamentos
34
Figura 2.4. Diagrama de dispersin para PR95 y NBI05.
Figura 2.5. Diagrama de dispersin para PR95 y Violencia de Grupos Armados al Margen de la Ley.
con moderada concentracin de tierra y alto nivel de violencia son Bolvar y
Norte de Santander.
Las dems variables con respecto a la concentracin de tierra no presentan
35
correlaciones relevantes.
Diagrama de dispersin de Moran bivariado

Se trata de un diagrama de dispersin de Moran, que en el eje vertical
representa el retardo espacial de la variable que se desea explicar y en el eje
la variable explicativa. Ambas variables deben estar previamente estandarizadas, de tal forma que la media de ambas sea cero y la desviacin estndar
sea uno. Es decir, se trata de ver la relacin que existe, en cada punto de la
muestra, entre los valores de una variable y el valor medio de otra variable en
las vecindades de dicho punto. La pendiente de la lnea de regresin muestra
el grado de relacin lineal existente entre la variable del eje horizontal y los
valores de la variable del eje vertical en los puntos vecinos a uno dado.
Figura 2.6. ndice de Moran para NBI05 Rural y el retardo espacial de PR95.
36
En el caso del NBI05 vs W-PR95 se encontr que el I de Moran es de 0.2288,

con un p-valor de 0.0010, como se evidencia en el grfico (2.6). Se identifica una relacin positiva en la variable NBI05 con el retardo espacial de la
variable PR95. Se destaca el comportamiento de la regin Caribe que presenta valores altos de NBI05, con promedios de concentracin moderada de
tierra en estos departamentos y en los departamentos de Boyac, Casanare
y Arauca que presenta valores medios de la variable NBI05, con promedios
de concentracin alta de tierra de los mismos.
2.3.2.
Anlisis exploratorio de la dependencia espacial local
Los indicadores LISA, Local Indicator of Spatial Association se representa

en un mapa y/o en un diagrama de caja. El indicador LISA definido por
(Anselin and Florax 1995), cumple con dos objetivos: el primero, que el valor
del estadstico obtenido para cada observacin suministre informacin acerca
de la relevancia de una agrupacin espacial de valores similares alrededor de
la misma, y segundo, que la suma del valor del estadstico para todas las
observaciones sea proporcional a un indicador global de asociacin espacial.
Sin embargo, no siempre se cumplen estos dos objetivos simultneamente.
El mapa LISA representa las localizaciones de las asociaciones espaciales
locales de valores similares alrededor de un valor especfico de la variable de
inters (Getis and Ord 1992; Anselin and Florax 1995; Unwin and Unwin
1998). Los grficos LISA incluidos en GeoDa se basan en el estadstico I
de Moran de asociacin local. Se trata de un estadstico que, a diferencia
del estadstico I de Moran, no se calcula de forma global para todas las
observaciones del mapa, sino que adquiere un valor diferente para todas y
cada una de ellas, ver la ecuacin (2.5).
Este estadstico mide el grado de concentracin de valores altos/bajos de
una variable en el entorno geogrfico de cada una de las observaciones de la
muestra. Para cada valor del estadstico es posible realizar una inferencia para evaluar el nivel de significancia estadstica de rechazo de la hiptesis nula
de ausencia de similitud o disimilitud de valores en una localizacin geogrfica. De este modo, se pone de manifiesto la presencia de atpicos espaciales,
cuya mayor o menor intensidad depender de la significancia asociada a el
estadstico I de Moran local.
En el mapa (2.7) se identifica dos clusters asociados con la variable PR95
(Guajira, Atlntico, Magdalena y Bolvar), con valores bajos de concentracin de tierra y un nivel de significancia de 0.05. El segundo cluster est
37
conformado por los departamentos de Boyac, Arauca y Casanare, con valores altos de concentracin de tierra y un p-valor de 0.01.
Figura 2.7. Mapa LISA para la variable PR05 Rural.
2.3.3.
Anlisis exploratorio de datos multivariados
El anlisis exploratorio de datos multivariados muestra las relaciones espaciales existentes entre las variables geogrficas en cuestin. Mencionaremos
nicamente el grfico condicional.
Grficos condicionales
Este tipo de grficos utiliza 2 variables condicionales que dividen a la muestra de datos en diferentes grupos (categoras). Se trata de dibujar, para una
tercera variable, un grfico o mapa diferente para cada grupo o categora.
El programa GeoDa considera, para cada una de las 2 variables condicionales, 3 grupos o categoras, por lo que se producir un total de 9 grficos
o mapas. Este programa permite variar los intervalos que determinan cada
categora. En concreto, con el programa GeoDa se pueden disear 4 tipos de
38
grficos condicionales: mapas, diagramas de caja, histogramas condicionales

y diagramas de dispersin condicionales.
Figura 2.8. Mapa Condicional de PR95, NBI05 Rural y de Violencia de

grupos al margen de la ley.
Por ltimo, se muestra en la figura (2.8) un grfico condicional que permite
ver las relaciones existentes entre tres variables, dos variables condicionales
39
que son PR95 y NBI05 Rural con la variable VIOL-GRARM. En estos mapas
se muestra que Valle del Cauca y Meta tienen alta concentracin de tierra
con bajo NBI y con un nivel medio de violencia de los grupos al margen de
la ley. En esta misma categora del alta concentracin de tierra pero con un
NBI medio se encuentran los departamentos de Antioquia con una violencia
muy alta, le sigue Arauca y Cauca con un nivel medio-alto de violencia y
luego los departamentos de Boyac y Nario con niveles medio de violencia.
Se destaca tambin la categora de baja concentracin y nivel medio de NBI
con niveles medio de violencia en los departamentos de Cesar, Magdalena,
Bolvar y Norte de Santander, Huila y Putumayo. Los departamentos de
Choc, Crdoba y Sucre que tienen un NBI alto, con moderada concentracin
de tierra presenta nivel bajo de violencia.
40
Captulo 3. Modelacin de la
concentracin de tierra en
Colombia por mtodos clsicos
de econometra espacial
3.1.
Introduccin
La econometra espacial surge de la necesidad de analizar datos regionales

de corte transversal. Cuando se utilizan este tipo de datos aparecen los efectos espaciales: la dependencia espacial y la heterogeneidad espacial. Estas
caractersticas permite el uso de tcnicas economtricas no convencionales.
Por ello es necesario un conjunto de mtodos y tcnicas diferentes a las conocidas en econometra. En la dcada de los 50, (Moran 1948) y (Geary 1954)
son quienes presentan los primeros ndices para medir la autocorrelacin o
dependencia espacial. Posteriormente, el trmino de econometra espacial lo
presenta (Paelinck and Klaassen), destacando cinco caractersticas de estudio: 1) El papel de la interdependencia espacial en modelos espaciales. 2) La
asimetra en las relaciones espaciales. 3) La importancia de factores explicativos en reas (espacios) diferentes. 4) Diferenciacin de las interacciones ex
ante y ex post. 5) Modelizacin explcita del espacio. Luego Anselin en 1988
define la econometra espacial como el Conjunto de tcnicas que tratan las
41
Captulo 3. Modelacin de la concentracin de tierra en

Colombia por mtodos clsicos de econometra espacial
peculiaridades causadas por el espacio en el anlisis estadstico de modelos

de ciencia regional.
Entre los modelos ms conocidos para el estudio del comportamiento de variables con distribucin espacial se encuentran tres: el primer modelo, incluye
retardo espacial en la variable dependiente, el segundo, presenta el retardo
espacial en los errores y es conocido como un modelo de autocorrelacin espacial residual y el tercero, presenta heterogeneidad en los errores (Anselin
988b). En los dos primeros modelos es necesario recurrir a la matriz de vecindades o matriz de pesos definida en el captulo anterior, para incluir
la autocorrelacin espacial, la cual permite incorporar las influencias mutuas
presentes entre las unidades espaciales de la muestra. En el tercer caso, puede presentarse el retardo espacial en el error o en la variable dependiente o
en ambas, en cuyo caso necesita las matrices de vecindades 1 y 2 que en
algunos casos pueden ser iguales.
En este captulo, en la seccin 3.2 se define el modelo lineal general espacial presentado por (Anselin) y los casos particulares ms conocidos de este
modelo, en la seccin 3.2.1 se muestra los estimadores mximo verosmil de
los parmetros y finalmente en la seccin 3.2.2 se analizan los datos de la
distribucin de tierra privada en Colombia para el ao 2000 utilizando esta
metodologa.
3.2.
Modelo de regresin lineal espacial
Los modelos de regresin lineal espaciales los presenta (Anselin 1988), con
una estructura general para organizar varias situaciones modelo en la econometra espacial. Las especificaciones se refieren a situaciones donde las
observaciones son disponibles para una seccin cruzada de unidades espaciales en un punto en el tiempo. La expresin del modelo es
y = W1 y + X + ,
= W2 + ,
(3.1)
con (0, )
y los elemnetos de la matriz de covarianzas como:
= ()
hi > 0,
(3.2)
donde 0 , . . . , , son las variables exgenas, con 0 = 1 para asumir un

modelo con intercepto, X es una matrix de tamao que contiene
42
3.2. MODELO DE REGRESIN LINEAL ESPACIAL
observaciones de las + 1 variables exgenas consideradas; = (0 , . . . , )

es el vector de parmetros asociado con +1 variables exgenas; es el coeficiente de la variable dependiente retardada espacialmente y es el coeficiente
en la estructura autorregresiva espacial de .
La perturbacin tiene una distribucin normal con media un vector de
ceros y con matriz de covarianza diagonal . Los elementos de la diagonal
principal muestran la heteroscedasticidad como una funcin de + 1 variables exgenas Z, la cual incluye un trmino constante. Los parmetros
son los trminos no constantes de Z, en caso de que = 0, se tiene = 2 ,
es decir, la situacin clsica de homoscedasticidad.
Las matrices W1 y W2 son matrices de peso espacial estandarizadas o no
estandarizadas de , asociadas con un procesos autorregresivo en la
variable dependiente y uno en el trmino de la perturbacin, respectivamente,
cabe anotar que las matrices pueden ser iguales. Este hecho permite que los
dos procesos pueden ser derivados por una estructura espacial diferente, como
lo expresa (Hordijk).
El modelo tiene en total + + 3 parmetros desconocidos, que en forma
vectorial se expresara
= [, , , 2 , ]
(3.3)
El modelo lineal general se pude expresar como

y = W1 y + X + W2 + ,
(3.4)
y substituyendo en la ecuacin (3.4) por = y X W1 y se obtiene:

y = W1 y + X + W2 (y X W1 y) + ,
= W1 y + X + W2 y W2 X W2 W1 y + ,
(3.5)
Se tienen dos posibles formas de analizar este modelo, cuando 1 y 2

son diferentes y cuando son iguales. En el primer caso, las matrices de peso
no tienen elementos en comn pues corresponden a diferentes ordenes de
contigidad y por tanto 1 2 = 0. Luego la ecuacin (3.5) quedara:
y = W1 y + X + W2 y W2 X + ,
(3.6)
y se reduce a un retardo espacial biparamtrico con algunas restricciones en

los parmetros. En el segundo caso, la ecuacin quedara:
43

y = ( + )W1 y + X W1 X W12 y + ,
(3.7)
y los dos parmetros y tienen restricciones (posibles conflictos), as que

no se pueden identificar univocamente como lo muestra (Anselin and Bera).
El mtodo de mnimos cuadrados ordinarios para el modelo de retardo espacial no provee estimadores consistentes del modelo expresado en la ecuacin
(3.1) por la presencia de retardos espaciales entre las variables explicativas.
Del modelo lineal general se pueden expresar varios casos particulares cuando los subvectores del vector son conjuntos de ceros, las estructuras del
modelo espacial cambia a formas conocidas de los modelos espaciales. A
continuacin se mostraran las cuatro formas ms conocidas en la literatura.
1. Para = 0, = 0, = 0 ( + 2 restricciones):
y = X +
(3.8)
es el modelo de regresin lineal clsica, sin efectos espaciales.

2. Para = 0, = 0 ( + 1 restricciones):
y = W1 y + X +
(3.9)
es el modelo mixto regresivo espacial autorregresivo de primer orden,

la cual incluye las especificaciones del factor comn, con X incluida
en las variables explicativas, como un caso especial.
3. Para = 0, = 0 ( + 1 restricciones):
y = X + (I W2 )1
(3.10)
es un modelo de regresin lineal con perturbacin autorregresiva de

primer orden.
4. Para = 0 ( restricciones):
y = W1 y + X + (I W2 )1
(3.11)
es un modelo mixto regresivo espacial autorregresivo con perturbacin

autoregresiva de primer orden.
Se pueden plantear ms especificaciones de modelos si en las ecuaciones (4)
al (7) se permite heteroscedasticidad en (Z).
44
3.2.1.
Estimadores mximo verosmil para el modelo lineal

general
En orden a introducir los estimadores mximo verosmil, se deriva la funcin

de verosimilitud del modelo lineal general. De la ecuacin (3.1) se obtiene:
(I W1 )y = X +
(3.12)
= (I W2 )1
(3.13)
y
de las ecuaciones (3.12) y (3.13) se obtiene:
= (I W2 )[(I W1 )y X]
(3.14)
La funcin de verosimilitud para (0, ) esta dada por:

[ 1
]
1
( 2 ; ) = () 2 1
2
(3.15)
Si = 2 I, se tiene que = 2 I = 2 . Adems la inversa de la matriz

de varianzas y covarianzas es 1 = 2 I. Por tanto
]
[
1
1
( 2 ; ) = ()( 2 ) 2 2
(3.16)
2
El jacobiano de la transformacin de en y expresada en la ecuacin (3.14)
es:

(3.17)
=
= I W2 (I W1 )
Entonces con la ecuacin (3.16) y el jacobiano de la transformacin se puede

expresar la funcin de verosimilitud de y como:

[
]
1
1
(, , 2 , ; y) = (y)( 2 ) 2 I W2 (I W1 ) 2
2
(3.18)
con como una funcin de y, as como se expresa en la ecuacin (3.14).
Consecuentemente, la log-verosimilitud se expresa como:

1
(, , 2 , ; y) = (y) ( 2 ) + I W2 + (I W1 )
2
} {
}
[
1 {
+ 2 (I W2 )[(I W1 )y X]
(I W2 )[(I W1 )y X]
2
(3.19)
45

La funcin anterior no se puede maximizar analiticamente debido a que los

parmetros que se encuentran en ella tienen un alto grado de no linealidad.
(Arbia) muestra en su libro una aproximacin a esta funcin de verosimilitud
usando una metodologa planteada inicialmente por (LeSage) la cual consiste
en cambiar algunos parmetros molestos por estimadores consistentes de
ellos.
(LeSage 1999) propone estimar los parmetros del vector con los estimadores de mnimos cuadrados del modelo reducido:
(I W2 )y = X +
(3.20)
Usando como matriz de pesos a T = (I W1 ) (I W1 ), se obtiene:

= (X TX)1 X T(I W2 )y
(3.21)
Seguido, se define el estimador de los residuos del modelo (3.20) como:
= (I W2 )y X
(3.22)
y usando lo anterior se encuentra el estimador consitente de la varinaza del

ruido blanco dado por:

(3.23)
2 =
Sustituyendo las estimaciones de los betas y de la varianza en la ecuacin

(3.19) se obtiene:

(, , ; y) = (y) + I W2 + (I W1 )
} {
}
[
1 {
+ 2 (I W2 )[(I W1 )y X]
(I W2 )[(I W1 )y X]
2
(3.24)
que se puede maximizar numricamente para obtener los mximos de la
y . Las
funcin seudo-verosimilitud de los parmetros y , llamados
estimaciones de los parmetros y 2 se hallan al sustituir y en las

ecuaciones (3.21),(3.22) y (3.23).
La prueba de hiptesis para mostrar la independencia espacial en el modelo
espacial general se especifica como 0 : = = 0 vs 1 : = = 0. Para
esta prueba se utiliza la aproximacin de la razn de verosimilitud. Bajo la
hiptesis nula la funcin log-verosimilitud se expresa como:
0 ( 2 , ; y) = (y)
1
2 2 [I X] [I X]
2
2
46
(3.25)
y la prueba de razn de verosimilitud esta dada por:

= 2[(, , 2 , ; y) 0 ( 2 , ; y)]
(3.26)
estadstico que est distribuido asintticamente como una 2 con dos grados
de libertad.
Seleccin del modelo
La seleccin de los modelos se hace utilizando el criterio de informacin de
Akaike, AIC por sus siglas en ingls,
2 + 2
(3.27)
y el criterio de informacin bayesiana, BIC por sus siglas en ingls, o criterio

de Schwarz
=
2 +
(3.28)
donde es la verosimilitud, es el nmero de observaciones y es el nmero

de parmetros estimados en el modelo. Estos dos criterios permiten determinar la bondad del ajuste del modelo. Entre los modelos que satisfacen los
supuestos de no correlacin de los residuales y de los residuales al cuadrado,
se escoge el de menor valor de BIC o AIC.
3.2.2.
Aplicacin
En esta seccin se estudia el modelo que se ajustar a los datos de concentracin de tierra, utilizando la variable independiente de concentracin de
tierra denotada por PR-95 que corresponde, como se dijo anteriormente, a la
proporcin del 95 % de propietarios de la tierra que tiene un porcentaje acumulado de tierra y est calculada para el ao 2000, los datos originales fueron
suministrados por el IGAC y el Banco de la Repblica. Se consideraron como variables explicativas del nivel de concentracin de tierra en Colombia,
las siguientes: necesidades bsicas insatisfechas del sector rural para el ao
2005 (NBI05 rural), tasa de cobertura en educacin secundaria para el ao
2000 (SECU00), tasa de cobertura en la educacin superior para el ao 2000
(TC-ES00), tasa de participacin de los departamentos con cultivos ilcitos
47

(coca y amapola) durante el ao 2000 (Coca00), la variable violencia de grupos armados al margen de la ley para el ao 2000 (VIOL-GML) y tasa de
recepcin de desplazados para el ao 2000 (TR-DES). Los datos, de estas
variables, utilizados en este anlisis fueron suministrados por diversas instituciones. Los datos de la variable NBI05 rural fueron suministrados por el
DANE, Departamento Administrativo Nacional de Estadsticas, los de SECU00 y TC-ES00 por el Ministerio de Educacin Nacional, los de Coca-00
por la Polica Nacional - Direccin Antinarcticos, y los de VIOL-GML y
TR-DES por el Departamento Nacional de Planeacin.
Para comparar el desempeo del anlisis estadstico de estos datos, consideramos a continuacin varios modelos, el modelo de regresin lineal, el modelo
con retardo espacial en la variable dependiente y el modelo con retardo espacial en los errores, y se muestra que el modelo con mejor ajuste es el que
presenta dependencia espacial en los errores.
Modelo de regresin clsica

En este modelo no se tiene en cuenta la dependencia espacial y su estimacin
se realiza por mnimos cuadrados ordinarios (MCO), cuya expresin esta
dada por y = X + .
Se ajustaron dos modelos. En el primero se consideraron las siguientes variables explicativas: NBI05, SECU00, Coca00, VIOL-GML y TR-DES, los
parmetros estimados se encuentran en el cuadro (3.1). Para este modelo el
criterio de informacin de Akaike (AIC) est dado por = 195.36 y el
criterio de informacin bayesiana, (BIC) est dado por = 202.91 En
el segundo, las variables explicativas que se tomaron fueron: NBI05R, SECU01 y VIOL-GML. Los parmetros estimados se presentan en el cuadro
(3.2). Para este modelo el valor del = 193.45 y el = 198.48. Entre
los dos modelos de regresin lineal el segundo presenta menor valor en los
criterios de informacin de Akaike y Bayesiano.
1
s.d
p.v
0
-17.3943
39.04215
0.6607
1
0.2256
0.1165
0.0670
2
0.7407
0.4898
0.1461
3
0.1893
0.2276
0.4153
4
-0.0537
0.0242
0.0380
5
0.5345
0.4874
0.2858
Cuadro 3.1. Parmetros estimados para el modelo 1
48
Modelo
2
s.d
p.v
0
-25.3634
37.4410
0.5051
1
0.1945
0.1124
0.0977
2
0.8796
0.4626
0.0704
3
-0.04534
0.0228
0.0597
Cuadro 3.2. Parmetros estimados para el modelo 2
La prueba de normalidad de los errores de Jarque-Bera, cuya hiptesis nula es

el supuesto de normalidad versus la hiptesis alternativa de no normalidad,
no rechaza la hiptesis 0 , a un nivel de significancia del 5 %, en ninguno
de los dos modelos. De igual forma para ambos modelos, el diagnstico de
heteroscedasticidad de los residuos dado por el estadstico de Breusch-Pagan,
cuya hiptesis nula es que los parmetros de la varianza son ceros versus la
alterniativa de que alguno de ellos es diferente de cero, no rechaza la hiptesis
0 , a un nivel de significancia del 5 %, esto es ausencia de heteroscedasticidad
(Breusch and Pagan 1979).
Modelo de regresin espacial con la variable dependiente retardada

espacialmente
El modelo de regresin espacial con la variable dependiente retardada espacialmente, se expresa como y = W1 y + X + . En este caso se ajustaron
dos modelos, el primero tiene la variable retardada espacialmente y las variables independientes NBI05 rural, SECU00, Coca00, VIOL-GML, TR-DES y
TC-ES00. Para este modelo el criterio de informacin de Akaike (AIC) est dado por = 195.76 y el criterio de informacin bayesiana, (BIC)
est dado por = 202.82 y los parmetros estimados se muestran en
el cuadro (3.3). El segundo modelo tiene la variable dependiente retardada
espacialmente y las variables explicativas NBI05 rural, Coca00, VIOL-GML
y TC-ES00. Los parmetros estimados se presentan en el cuadro (3.4).Para este modelo el criterio de informacin de Akaike (AIC) est dado por
= 194.29 y el criterio de informacin bayesiana, (BIC) est dado por
= 201.84. As el mejor modelo es el segundo, ya que tiene menor valor
en los dos criterios.
Para ambos modelos, el diagnstico de heteroscedasticidad de los residuos
dado por el estadstico de Breusch-Pagan, no rechaza la hiptesis 0 , a un
nivel de significancia del 5 % de ausencia de heteroscedasticidad.
49

Modelo
0
1
2
3
4
5
6
1
-1.9034 0.2944 0.3075 0.3495 -0.0609 0.5101 0.4283 0.2163
s.d
34.6007 0.1212 0.4704 0.2086 0.0205 0.4106 0.3100 0.2153
p.v
0.9561 0.0151 0.5132 0.0939 0.0030 0.2140 0.1670 0.3151
Cuadro 3.3. Parmetros estimados para el modelo con retardo espacial
Modelo
2
s.d
p.v
0
19.0137
12.9083
0.1407
1
0.2868
0.1073
0.0075
2
0.3393
0.2101
0.1063
3
-0.0572
0.0195
0.0033
4
0.4893
0.2750
0.0751
0.3211
0.2086
0.1237
Cuadro 3.4. Parmetros estimados para un modelo con retardo espacial
La prueba de razn de verosimilitud, est dada por = 2( ),

donde es la funcin log-verosimilitud de un modelo espacial autorregresivo evaluada en los estimadores mximos verosmiles de los coeficientes
y es la funcin log-verosimilitud para un modelo de regresin de mnimos cuadrados ordinarios igualmente evaluado usando los estimadores de
este modelo. Este estadstico se distribuye 2 con un grado de libertad (Anselin 1988). Las hiptesis nula y alternativa se expresan como 0 : = 0 y
1 : = 0, respectivamente. En este caso la prueba de dependencia espacial
dada por la prueba de razn de verosimilitud no rechaza la hiptesis 0 de
dependencia, a un nivel de significancia del 5 %.
Modelo de Regresin espacial con retardo espacial en el error
El modelo con retardo espacial en el error, expresado como y = X + con
= + , y con (0, 2 ). En este caso se ajustaron dos modelos,
el primer modelo tiene las variables independientes NBI05 rural, SECU00,
Coca00, VIOL-GML, TR-DES y la variable retardada espacialmente en el
error Para este modelo el criterio de informacin de Akaike (AIC) est dado
por = 192.39 y el criterio de informacin bayesiana, (BIC) est dado
por = 199.94. El segundo modelo se encuentra las variables NBI05 rural, Coca00, VIOL-GML y la variable retardada espacialmente en el error. A
continuacin en los cuadros (3.5) y (3.6) se presentan los parmetros estimados de ambos modelos. Para este modelo el criterio de informacin de Akaike
(AIC) est dado por = 190.83 y el criterio de informacin bayesiana,
50
3.3. CONCLUSIONES
(BIC) est dado por = 195.86. As, el mejor modelo es el segundo cuyos
valores de ambos criterios son menores que los del primer modelo.
Modelo
1
s.d
p.v
0
7.3875
31.7992
0.8162
1
0.1806
0.1039
0.0823
2
0.4693
0.3823
0.2196
3
0.3649
0.2010
0.0695
4
-0.0572
0.0204
0.0051
5
0.3500
0.3845
0.3627
0.5043
0.1963
0.0102
Cuadro 3.5. Parmetros estimados para un modelo con retardo espacial en

los errores
Modelo
2
s.d
p.v
0
47.2447
7.5395
0.0000
1
0.1630
0.1056
0.1228
2
0.3685
0.2087
0.0775
3
-0.0535
0.0181
0.0032
0.5898
0.1743
0.0007
Cuadro 3.6. Estimadores para un modelo con retardo espacial en los errores
El diagnstico de heteroscedasticidad de los residuos dado por el estadstico

de Breusch-Pagan, no rechaza la hiptesis 0 , a un nivel de significancia del
5 % de ausencia de heteroscedasticidad. La prueba de dependencia espacial en
los errores dada por la prueba de razn de verosimilitud rechaza la hiptesis
0 , a un nivel de significancia del 5 %, evidenciando la dependencia espacial
en los errores.
3.3.
Conclusiones
Como lo muestra el cuadro (3.7), los modelo con menor AIC y BIC corresponden a los de retardo espacial en los errores, siendo el de mejor ajuste el
segundo, cuyas variables independientes estn dadas por NBI05 rural, Coca00, VIOL-GML. Lo que evidencia que la variable concentracin de la tierra
privada rural en Colombia para el ao 2000 es explicada por estas variables.
Se utiliz el modelo de regresin lineal clsica para mostrar la diferencia con
un modelo que presenta dependencia espacial, teniendo mejor ajuste el que
presenta dependencia espacial.
51

Regresin clsica: MCO

Modelo R-cuadrado
AIC
BIC
1
0.4540
195.36
202.91
2
0.4084
193.451 198.483
Modelo con retardo espacial
1
0.5300
195.76
202.82
2
0.4894
194.29
201.84
Modelo con retardo espacial en los errores
1
0.5454
192.39
199.94
2
0.5157
190.83
195.86
Cuadro 3.7. Criterios R-cuadrado, AIC y BIC
52
Captulo 4. Una aproximacin
bayesiana para modelar la

concentracin de la tierra en
Colombia
4.1.
Teorema de Bayes
La inferencia estadstica en el marco de la teora bayesiana se basa en la

distribucin a posteriori de los parmetros, la cual se obtiene a partir de su
informacin a priori y de la informacin contenida en el conjunto de datos,
expresada a travs de la funcin de verosimilitud.
La distribucin a posteriori se obtiene aplicando el teorema de Bayes. Sea
un parmetro, posiblemente no observable, del cual se supone que se tiene
informacin o supuestos iniciales, sintetizados en H, y que pueden expresarse
en trminos probabilsticos, esto es, resumirse por una funcin de densidad
de probabilidad ( ). Sea = (1 , 2 , ..., ) una muestra aleatoria de la

poblacin ( ), que depende de . As, una vez observado , la informacin
a posteriori acerca de est dada por:
( , ) =
( , )( )
(, )
=
,
( )
( )
53
(4.1)
Captulo 4. Una aproximacin bayesiana para modelar la

concentracin de la tierra en Colombia
donde
(, ).
( ) =
(4.2)
Note que ( ) no depende de , entonces la distribucin a posteriori de

se puede escribir como
( , ) ( , )( ).
(4.3)
El teorema de Bayes permite actualizar la funcin de densidad de probabi

lidad de , una vez se ha observado una muestra aleatoria = (1 , ..., ),
de una poblacin .
Se obtiene la distribucin a posteriori ( ) = ( )(), mediante
el producto de la funcin de verosimilitud (; ) = ( ), esto es, la
informacin proveniente de la muestra, y de la distribucin a priori (), es
decir, la informacin histrica acerca del parmetro.
4.1.1.
Distribucin a priori
En esta seccin se discutirn las forma que puede tener la densidad de probabilidad a priori segn el conocimiento que se tiene acerca de . Esta distribucin debe reflejar el conocimiento previo que se tiene acerca del parmetro
antes de observar una nueva muestra.
A prioris informativas
En este caso se tiene un conocimiento previo sobre la poblacin de la cual
es muestreado el parmetro y puede ser utilizado para especificar una
densidad a priori con alguna forma funcional paramtrica particular. Dentro
de este contexto es importante el concepto de distribuciones conjugadas que
se da a continuacin:
Definicin. Sea = {( ), } una familia de distribuciones muestrales. Se dice que la clase de distribuciones es conjugada con respecto a la
familia si para toda ( ) y () , ( ) .
Las distribuciones a priori conjugadas tienen ventajas prcticas. Al pertenecer la a priori y la posteriori a la misma familia paramtrica, la actualizacin
de la informacin acerca de involucra tan slo un cambio en el valor de los
parmetros de la distribucin.
54
4.1. TEOREMA DE BAYES
A prioris no informativas
Cuando no se tiene informacin inicial disponible para la densidad a priori
se puede proponer () para variando en un subconjunto de . Esta
opcin tiene algunos dificultades: ()puede ser una distribucin impropia
si el rango de es ilimitado, es decir () no es igual a 1 o incluso ser
divergente, violando uno de los supuestos de una densidad de probabilidad.
Adems, si = () es una transformacin inyectiva de , por el teorema de
la transformacin de variables la densidad de es

() = (()) .
y resulta constante slo si es una funcin lineal.

Definicin. Sea una observacin de ( ). La a priori no informativa de
Jeffrey tiene densidad dada por
() [()]1/2 ,
donde () es la informacin de Fisher.

Para el caso multivariado, = (1 , ...., ), () es la matriz de informacin
de Fisher y () [()]1/2 . La ventaja de la priori no informativa de
Jeffrey es que es invariante bajo transformaciones del parmetro como se
afirma en el lema siguiente:
Lema. Sean () [()]1/2 la priori no informativa de Jeffrey para y
= () una transformacin inyectiva de , entonces, la priori no informativa
de Jeffrey para es () [()]1/2 .
4.1.2.
Estimacin de los parmetros de un modelo,

utilizando el mtodo de simulacin
En los modelos bayesianos sencillos con frecuencia es fcil tomar muestras

de la distribucin a posteriori especialmente si se asumen distribuciones conjugadas. En caso, en que el parmetro no es unidimensional o no se tiene
suficiente informacin para obtener la distribucin a posteriori, se utilizan
mtodos de simulacin basados en cadenas de Markov conocidos como cadenas de Markov y simulacin de Montecarlo, MCMC. En estos mtodos se
toman muestras sucesivas del parmetro de distribuciones aproximadas a
la de () y stas, en cada paso, dependen del valor de la muestra inmediatamente anterior, formando as, una cadena de Markov donde los estados
55

son las muestras sucesivas del parmetro. (Una cadena de Markov es una
sucesin de variables aleatorias 1 , 2 , ..., , ... donde la probabilidad de
dados todos los valores anteriores depende nicamente de 1 ). La cadena
se construye de tal manera que sea irreducible y aperidica, garantizando
as, la existencia de una nica distribucin lmite y la convergencia de la
cadena; las probabilidades de transicin se proponen de tal manera que la
cadena tenga como distribucin lmite la distribucin a posteriori ().
Mtodo de muestreo de Gibbs
En este mtodo la probabilidad de transicin o kernel est constituida por
todas las distribuciones condicionales completas. Gamerman (1997) lo presenta de la manera siguiente: sea () donde = (1 , ..., ) una distribucin
conocida y suponga que deseamos generar una muestra de utilizando el
mtodo de muestreo de Gibbs (Geman and Geman 1984). Cada una de las
componentes puede ser un escalar, un vector o una matriz. Adems, las
distribuciones condicionales ( ) = ( ) para = 1, ..., son conocidas
y es el vector sin la componente i-sima . El problema que se desea resolver es muestrear de cuando la generacin directa es costosa, complicada
o imposible de hacer, pero generar de es posible. El mtodo de muestreo
de Gibbs consiste en:
1. Inicialice el contador de la cadena = 1 y de un valor inicial de la
(0) (0)
(0)
cadena ()(0) = (1 , 2 , ..., ).
()
()
()
2. Obtenga un nuevo valor () = (1 , 2 , ..., ) generando sucesivamente el conjunto de valores

()
(1) (1)
(1)
1 (1 2
, 3
, ...,
)
()
() (1)
(1)
2 (2 1 , 3
, ...,
)
.
.
.
()
() ()
()
( 1 , 2 , ..., 1 )
3. Incremente el contador de a + 1 y regrese al paso 2 hasta que la
cadena converja.
Cuando se obtiene la convergencia el valor () resultante es una muestra de
la distribucin .
56
4.1. TEOREMA DE BAYES
Algoritmo de Metrpolisis-Hasting
El algoritmo de Metrpolis-Hasting utiliza las cadenas de Markov. Siguiendo
la manera en que lo presenta (Gamerman 1997), sea una distribucin
conocida de la cual queremos generar una muestra. En este caso se debe
construir una funcin de transicin o Kernel (, ) de manera tal que es
la distribucin de equilibrio de la cadena. Una forma sencilla de hacer esto
es en el caso que satisface las condiciones de reversibilidad de la cadena
()(, ) = ()(, ) para todo , .
(4.4)
Esta es una condicin suficiente para que sea la distribucin de equilibrio

de la cadena, debido a que de (4.4)
() = ()(, ) para todo .

(4.5)
El kernel (, )
puede ser construido en dos partes: un kernel arbitrario
(, ), tal que (, ) = 1, y una probabilidad de aceptacin (, ) tal
que
(, ) = (, )(, ) si
= .
(4.6)
(, ) = 1
(, )(, ).
(4.7)
El kernel de transicin (, ) propone un movimiento en la cadena y cuando

el proceso se encuentre en el punto , genera un candidato de (, ). La
expresin para la probabilidad de aceptacin es
{ ()(, ) }
(, ) = mn 1,
.
()(, )
(4.8)
A la razn de esta expresin, (Hasting 1970), la llam la prueba de la razn.

Si se define de esta manera, puede mostrarse que (, ) satisface las
condiciones de reversibilidad dada en (4.4).
La simulacin de una muestra de utilizando el mtodo de MetropolisHasting puede describirse de la siguiente manera:
57

1. Inicialice el contador de la cadena = 1 y de un valor inicial de la

cadena () .
2. Genere un nuevo valor a partir de la densidad (1 , .) y un valor
(0, 1).
3. Calcule la probabilidad de aceptacin del movimiento, (1 , ). Si
(1 , ), el movimiento es aceptado y entonces = 1 y la
cadena no cambia de estado.
cadena converja.
En muchas ocasiones es un vector y no es fcil hallar una propuesta adecuada para . En este caso puede ser dividido en bloques de menor dimensin.
En cada iteracin un bloque es actualizado. Las seleccin del bloque puede
hacerse en forma aleatoria o con algn patrn fijo. El nico requerimiento tcnico es que cada uno de los bloques tenga una probabilidad positiva
de ser visitado. As, una versin del algoritmo de Metropolis-Hasting puede
ser implementado para cada una de las componentes de . El algoritmo es
entonces:
1. Inicialice el contador de la cadena = 1 y d un valor inicial de la
cadena () .
2. Asigne el valor del contador de las componentes en forma aleatoria o
de manera fija.
3. Proponga un movimiento para la i-sima componente del vector a
nuevo valor generado a partir de la densidad (1 , .) y un valor
(0, 1).
4. Calcule la probabilidad de aceptacin del movimiento, (1 , ). Si
(1 , ), el movimiento es aceptado, entonces = 1 y la
cadena no cambia de estado.
cadena converja.
58
4.2. UNA APROXIMACIN BAYESIANA PARA MODELAR LA CONCENTRACIN DE LA

TIERRA EN COLOMBIA
Se puede mostrar que las probabilidades de aceptacin estn dadas por

{ ( ) ( , ) }

(, ) = mn 1,
.
( )( , )
(4.9)
donde ( = ( 1 ) es el vector que obtiene de al eliminar la componente i-sima.
4.2.
4.2.1.
Una aproximacin Bayesiana para modelar la

Metodologa propuesta
Para el ajuste del modelo de la concentracin de la tierra en Colombia se

aplicar la metodologa Bayesiana propuesta en (Cepeda and Gamerman
2001), que se resume a continuacin. Cepeda y Gamerman consideran el
siguiente modelo:
Y = Y + +
= X
son ind. (0, 2 )
(4.10)
2 = ()
donde Y es el vector ( 1) de observaciones de la variable dependiente,
X es la matriz ( ) de observaciones de las variables independientes,
= (0 , 1 , ...., ) es el vector de parmetros para la media, es la matriz
de retardos espaciales, Y es el operador de retardo espacial, es el parmetro de la variable dependiente retardada espacialmente, = (1, 1 , ..., )
es el vector de las variables explicativas de la varianza y = (0 , ..., )
los parmetros de la varianza. Las variables explicativas de la varianza pueden ser las variables independientes o los retardos espaciales de la variable
dependiente.
Para implementar una metodologa bayesiana para el ajuste del modelo,
se necesita especificar una distribucin a priori para los parmetros. Por
simplicidad, se asume
a priori() para = (, ) esta
que la distribucin
dada por (0 , 0 ), donde 0 = (0 , 0 ) y 0 es una matriz definida

positiva. As, si (, ) es la funcin de verosimilitud de la distribucin a
priori, la funcin de distribucin a posteriori (, ) se halla mediante el
teorema de Bayes, (, ) = (, )(, ).
59

Como (, ) es intratable analticamente, se propone un procedimiento de

muestreo utilizando el mtodo de cadenas de Markov de la seccin previa.
En este caso, si el valor actual de es () , un nuevo , () es propuesto de
la distribucin ( () , 0 ), donde 0 es una matriz de varianzas-covarianzas
conocidas.
Las distribuciones condicionales completas de dado , () tambin es
intratable analticamente y no es fcil generar de sta. La metodologa propuesta por (Cepeda and Gamerman 2001) es la adecuada para este caso, en
ella aplica elementos del algoritmo de Fisher Scoring para construir propuestas adecuadas.
El algoritmo requiere variables para aproximar la transformacin de las observaciones alrededor de las estimaciones del parmetro. En la iteracin , el
valor de es () , y el modelo observado es
= ( () )2 2 21 ,
para = 1, 2, ..., .
(4.11)
Las observaciones tienen media ( ) = 2 , varianza ( ) = 24 y estn

relacionadas con los parmetros de regresin por medio de [( )] = .
Dado que es una funcin diferenciable, podemos usar la aproximacin lineal
alrededor de ( ),
( ) [( )] + [( )][ ( )] :=
(4.12)
[( )] = [( )]2 ( )
(4.13)
y
en alguna vecindad de ( ) = 2 . Por lo tanto, si () y () son los valores
actuales de y , el valor apropiado de la observacin es
= () + [ 1 () ][( () )2 1 ( () )]
(4.14)
y su varianza est dada por

[( )] = 2{ [ 1 ( () )] 1 ( () )}2
(4.15)
Si = la expresin anterior se puede simplificar y el vector de las observaciones es = (1 , 2 , ...,

)
= () +
( () )2
1,
( () )
60
= 1, 2, ...,
(4.16)

TIERRA EN COLOMBIA
y con varianza asociada igual a 2. Suponiendo que la distribucin a priori

condicional para est dada por ( , ), donde y son
la media y la matriz de varianzas-covarianzas, respectivamente, el kernel
de transicin basndose en el mtodo de Fisher Scoring (Cepeda and
Gamerman 2001), puede obtenerse como
( () , () ) = ( , )
(4.17)
1
donde = (1
+ 0.5 ) y = ( + 0.5 ) .
Note que esta propuesta es la misma que resulta como la distribucin a posteriori de , obtenida de la combinacin de la priori con el modelo observado
( , 2),
= 1, 2, ..., .
(4.18)
De esta manera, se tiene la propuesta para que la cadena cambie o no de

estado, utilizando el kernel de transicin y el criterio de aceptacin definido
por la ecuacin (4.8) del algoritmo de Metrpolis-Hastings.
4.2.2.
Aplicacin
Se estiman dos modelos como los definidos por las ecuaciones (4.10) para
la concentracin de la tierra en Colombia, utilizando mtodos de MCMC
y la metodologa bayesiana descrita en la seccin anterior. Se generan las
cadenas de cada uno de los parmetros, y para cada parmetro, tanto los de la
media como los de la varianza, se realizaron 13.000 iteraciones. Para obtener
las estimaciones a posteriori se eliminan los primeros 8.000 valores de cada
cadena, se calculan la media y la desviacin estndar de estos valores, y se
obtienen as, las estimaciones a posteriori de los parmetros y las desviaciones
estndar respectivas.
Modelo 1.
Y = Y + +
=
son ind. (0, 2 )
i = 0 + 1 ( 05) + 2 ( )
i2 = (0 + 1 ( 05) + 2 ( Y))
61
(4.19)

Donde:
NBI05 corresponde a las necesidades bsicas insatisfechas del 2005,
sector rural. Se uso este valor debido a que no se encontr el NBI para
1993 en el sector rural y buscar un promedio entre estos dos valores.
VIOL-GML corresponde a la violencia registrada por los grupos armados al margen de la ley para el ao 2000.
W es la matriz de retardo espacial.
Y es la variable dependiente PR-95 que se define como la proporcin
del 95 % de propietarios de la tierra que tiene un porcentaje acumulado de tierra y est calculada para el ao 2000. Indica el grado de
concentracin de la tierra.
Los valores de beta y gama estn dados en el cuadro (4.1), con sus respectivas
varianzas.
0
45.02
5.651
Modelo
1
s.d
1
0.2548
0.1281
2
-0.0522
0.01902
7.3148
2.7201
0
-1.6572
1.4420
1
-0.0496
0.0265
2
0.6370
0.5595
Cuadro 4.1. Estimadores a posteriori, media y varianza
En este modelo el criterio de informacin bayesiano (BIC) es de 192.306 y

se evidencia una varianza mayor en 2 . Se plantea un segundo modelo de la
siguiente manera:
Modelo 2:
i = 0 + 1 ( 05) + 2 ( ) + ( 95)
i2 = (0 + 1 ( 05))
(4.20)
Los valores de beta y gama estn dados en el cuadro (4.2), con sus respectivas
varianzas.
En este modelo el criterio de informacin bayesiano (BIC) es de 190.641. Las
distribuciones a priori de los parmetros de la media y la varianza son normales, de media cero, varianzas grandes (del orden de 105 )y la verosimilitud
62

TIERRA EN COLOMBIA
Modelo
1
s.d
0
45.02
5.651
1
0.2551
0.1281
2
-0.0530
0.01878
7.3150
2.720
0
-1.6560
1.439
1
-0.0489
0.0255
Cuadro 4.2. Estimadores a posteriori, media y varianza
50
30
Beta 0
70
es normal multivariada para ambos modelos. Las cadenas a posteriori de los

parmetros de la media y la varianza para el segundo modelo, se muestran
en las figuras (4.1), (4.2), (4.3), (4.4) y en las figuras (4.5) y (4.6).
8000
9000
10000
11000
12000
13000
Iteraciones
Figura 4.1. Cadena a posteriori de Beta 0

Los histogramas para las distribuciones marginales a posteriori de los parmetros del modelo de la media, se muestran en las figuras (4.7), (4.8), (4.9),
(4.10) y de la varianza en las figuras (4.11), (4.12). Para verificar si se distribuyen normal se realizaron pruebas de bondad de ajuste para cada uno
63
0.2
0.2
Beta 1
0.6

8000
9000
10000
11000
12000
13000
Iteraciones

de los parmetros, mediante los estadsticos de Kolmogorov-Smirnov para
la prueba de la hiptesis 0 : la distribucin del parmetro a posteriori es
normal versus 1 : la distribucin del parmetro a posteriori no es normal.
Para todos los parmetros, el estadstico de Kolmogorov-Smirnov rechaza la
hiptesis 0 , a un nivel de significancia del 5 %.
64
Beta 2
0.10
0.00
TIERRA EN COLOMBIA
8000
9000
10000
11000
12000
13000
Iteraciones
4.2.3.
Conclusiones
Los modelos planteados desde la metodologa bayesiana presentan mejor ajuste que los modelos clsicos.
Los modelos con varianza variable presentan mejor ajuste que los modelos con varianza constante.
La variable concentracin de tierra expresada como 95 se autocorrelaciona espacialmente, esto significa que si un departamento tiene
concentracin alta de tierra sus vecinos se comportan de igual forma.
La relacin entre la proporcin de tierra que poseen el 95 % de los
propietarios con el NBI rural es directa, es decir a mayor proporcin
de tierra en manos del 95 % de los propietarios mayor es el NBI rural.
En la propuesta bayesianos se model la varianza del error, con un
mejor ajuste que los modelos de regresin espacial clsicos.
La relacin entre la proporcin de tierra que poseen el 95 % de los
propietarios y la violencia es inversa, esto es a mayor proporcin de
65
15
5
5
Beta 3

8000
9000
10000
11000
12000
13000
Iteraciones
Figura 4.4. Cadena a posteriori de

tierra en manos del 95 % de los propietarios menor es la violencia. Esto
se traduce en menor concentracin tierra menor es la violencia.
66
2
6
Gama 0
TIERRA EN COLOMBIA
8000
10000
12000
14000
16000
Iteraciones
Figura 4.5. Cadena a posteriori de Gama 0
67
18000
0.00
0.10
Gama 1

8000
10000
12000
14000
16000
Iteraciones
Figura 4.6. Cadena a posteriori de Gama 1
68
18000

TIERRA EN COLOMBIA
1000
500
0
Frecuencia
1500
Histograma de Beta 0
20
30
40
50
60
Beta 0
Figura 4.7. Histograma Beta 0
69
70

600
400
0
200
Frecuencia
800
0.2
0.0
0.2
0.4
Beta 1
70
0.6

TIERRA EN COLOMBIA
600
400
0
200
Frecuencia
800
0.15
0.10
0.05
0.00
Beta 2
600
0
200
Frecuencia
1000
10
15
20
Beta 3
Figura 4.10. Histograma para

71

1000
500
0
Frecuencia
1500
Histograma de Gama 0
Gama 0
Figura 4.11. Histograma Gama 0
72

TIERRA EN COLOMBIA
1000
0
500
Frecuencia
1500
Histograma de Gama 1
0.10
0.05
0.00
Gama 1
Figura 4.12. Histograma Gama 1
73
Apendice
Otras definiciones de la curva de Lorenz

Definicin de la Curva de Lorenz dada por (Gastwirth 1971). Sea la clase
de todas las variables no negativas con esperanza positiva finita. Para una
varible aleatoria de con funin de distribucin inversa 1 , la curva de
Lorenz asociada con es definida por
[
]/[ 1
]
1
1
() =
()
() , 0 1.
0
donde
1 () = { : () },
0 1,
Una caracterizacin de la Curva de Lorenz est dada por el siguiente teorema

(Sen 1986; Sarabia, Castillo, and Slottje 1999; Sarabia, Castillo, and Slottje
2001).
Teorema 1. Supongase que () es definida y continua sobre el intervalo
[0, 1] con segunda derivada (). La funcin () es la curva de Lorenz si
y solo si,
() = 0,
(1) = 1,
(0+ ) 0,
() 0 para (0, 1)
Si se reparametriza la curva de Lorenz (; , ), donde y denotan vectores de parmetros. En el caso ms simple, supondremos que es un parmetro escalar el cual denota algn factor heterogneo de la poblacin. Para
74
Apendice
modelar este factor se supone que varia acorde con una funcin de densidad
de probabilidad continua (; ) con soporte sobre un conjunto , y
donde es un vector de parmetros.
Teorema 2. Bajo las condiciones previas, la siguiente expresin:
, ) =
(;
(; , )(, ),
define una genuina curva de Lorenz.

Prueba. Directa, usando teorema 1. (Sarabia et al. 2005)
El siguiente resultado provee una expresin para el ndice de Gini de la nueva
en trminos de la curva de Lorenz inicial.
curva de Lorenz
de la curva de Lorenz
definida en el
Teorema 3. El ndice de Gini ()
teorema 2 esta dada por
=
()
()() = [()]
donde () denota el ndice de Gini de la curva de lorenz inicial y

corresponde al valor esperado de () con respecto a la funcin de densidad
de probabilidad ().
Prueba. Directa, usando el teorema de Fubini y el teorema 2.
Note que el ndice de Gini de la nueva curva de Lorenz corresponde a los
pesos del ndice de Gini inicial con funcin de densidad de probabilidad ().
Otros ndices de concentracin

Entre los ndices de concnetracin ms conocidos tenemos los indices de
entropa generalizda, de ellos se destaca los ndices de Theil, HirschmanHerfindahl y Bourguignon. (Fernndez and Costa 1998),
El ndice de entropa generalizada de grado para una poblacin de tamao n, con la variable aleatoria (renta, tierra, ingresos, etc.), con valores
(1 , 2 , . . . , , . . . , ), y con media , se define como:
1
1
=
( + 1)
=1
75
[(
]
1
Cualquier ndice de desigualdad perteneciente a la familia de los ndices de

entropa generalizada referido a una poblacin que est particionada en varias subpoblaciones puede descomponerse aditivamente en la suma de dos
componentes: la contribucin a la desigualdad total atribuible a la desigualdad dentro de cada subconjunto de la poblacin o desigualdad intra-grupos y
la contribucin a la desigualdad total atribuible a la desigualdad entre dichos
subconjuntos.
La nocin de descomposicin aditiva consiste en expresar el ndice de desigualdad de toda la poblacin, , por la suma de dos componentes =
+ . El primero de ellos, , representa la parte de la desigualdad total
que se puede atribuir a la desigualdad entre subpoblaciones y el segundo,
, cuantifica la parte de la desigualdad total que se debe a la desigualdad
interna que existe dentro de cada subpoblacin. El componente se calcula como el ndice de desigualdad aplicado al vector de medias de cada
subpoblacin. El componente se calcula como una suma ponderada de
los valores que toma el ndice de desigualdad dentro de cada una de las
subpoblaciones.
La descomposicin que se ha descrito es aplicable a cada uno de los miembros
particulares de la familia de indices de entropa generalizada, entre los que se
cuentan el ndice de Theil (1967), que es lmite del indice de entropa cuando
0, el ndice de Hirschman-Herfindahl, para el valor = 1, y el ndice de
Bourguignon (1979), cuando 1.
El ndice de Theil (1967) se define como:
( )
=1
El ndice de Hirschman-Herfindahl se define como:

1
1 = 2
2
con 2 el coeficiente de variacin de Pearson.
76
Apendice
El ndice de Bourguignon (1979), se define como:
( )
con la media geomtrica.
Anlisis de la estructura de tenencia de la tierra en

Colombia. 1985
A continuacin se encuentra el anlisis de la estructura de tenencia de la
tierra para el ao 1985 urtilizando la curva de Lorenz. El anlisis se realiza
de igual manera como se realiz para los aos 1996 y 2000, se presentan:
la regin Andina en la tabla 3, la regin Atlntica en la tabla 4, la regin
Pacfica en la tabla 5 y la regin Oronoqua-Amazona en la tabla 6.
% de Propietarios
Antioquia
Boyac
Caldas
Cundinamarca
Huila
N. Sant.
Quindo
Risaralda
Santander
Tolima
40
60
80
90
95
4.2
2.1
4.5
3.4
2.6
3.1
4.3
3.1
2.2
8.9
7.5
9.5
8.8
9.0
9.6
8.5
9.1
8.9
18.2
16.1
21.0
26.5
26.5
22
18.6
18.1
19.1
30.0
30.1
34.2
41.1
40.1
37.7
30.7
33.6
34.2
40.5
41.2
47.1
50.3
58.3
46.6
47.2
50.9
48.7
Cuadro 3. Porcentaje de Tenencia de la tierra. Regin Andina. 1985
77
% de Propietarios
Atlntico
Bolvar
Cesar
Crdoba
Guajira
Magdalena
Sucre
40
28.5
1.1
6.5
1.6
1.9
3.5
1.8
60
42.5
10.0
14.5
7.0
2.5
14.5
7.5
80
66.5
25.0
32.5
23.0
14.0
35.5
23.8
90
80.0
40.0
48.0
40.
25
39.5
40.0
95
87.1
55.7
65.2
64.9
41.9
50.3
56.9
Cuadro 4. Porcentaje de Tenencia de Tierra. Regin Atlntica. 1985
% de Propietarios
Cauca
Nario
Valle
40
2.9
2.8
1.4
60
6.0
8.5
5.2
80
16.3
19.1
18.5
90
26.0
30.6
34.9
95
40.6
42.5
48.5
Cuadro 5. Porcentaje de Tenencia de Tierra. Regin Pacfica. 1985
% de Propietarios
Caquet
Meta
Arauca
Casanare
Putumayo
40
10.0
1.0
3.1
1.0
1.0
60
20.0
2.4
10.0
3.2
7.3
80
36.5
9.9
19.7
11.3
25.4
90
50.2
18.5
28.6
22.3
40.0
95
57.6
26.6
39.5
33.0
55.4
Cuadro 6. Porcentaje de Tenencia de Tierra. Regin Orinoqua. 1985
78
Bibliografa
Anselin, L. 1980. Estimation methods for spatial autoregressive structures. Regional Science Dissertation and Monograph, vol. 8.
. 1988. Spatial Econometrics: Methods and Models. Kluwer Academic
Publishers.
. 2004. GeoDa 0.9.5-i Release Notes. Center for Spatially Integrated
Social Science.
. 1988b. Lagrange multiplier test diagnostic for spatial dependence
and spatial heterogeneity. Geographical Analysis. 20 (1):117.
. 1999a. The future of spatial analysis in the social sciences. Geographic Information Sciences 5 (2):6776.
. 1999b. Spatial Econometrics. University of Texas at Dallas. Richardson, TX 75083-0688.: Bruton Center, School of Social Sciences.
Anselin, L., and A. Bera. 1998. Spatial dependence in linear regression models with an introduction to spatial econometrics. Handbook of Applied
Economic Statistics, pp. 237289.
Anselin, L, and R. Florax. 1995. New Directions in Spatial Econometrics.
Ed. Comunidad de Madrid.
Arbia, G. 2006. Spatial econometrics: statistical foundations and applications to regional convergence. Springer.
Banco-Mundial, and CEDE. 2004. Colombia: una poltica de tierras en
transicin. Documento CEDE 2004-29 29:1100.
Bao, S., L. Anselin, D. Martin, and D. Stalberg. 2000. Seamless integration of spatial statistics and GIS: the S-Plus for ArcView and the S+
Grassland links. Journal of Geographical Systems 2:287306.
79
BIBLIOGRAFA
Breusch, T., and A. Pagan. 1979. A simple test for heteroscedasticity and
random coefficient variation. Econometrica., vol. 47.
Cepeda, E., and D. Gamerman. 2001. Bayesian Modeling of Variance
Heterogeity in Normal Regression. Brazilian Journal of Probability and
Statistics 14:207221.
Chasco, C. 2003. Econometra Espacial Aplicada a la Prediccinextrapolacin de Datos Espaciales. Ed. Comunidad de Madrid.
. 2005. Anlisis Exploratorio de Datos Espaciales al Servicio del
Geomarketing. Ponencia presentada en el III Seminario sobre Nuevas
Tecnologas en la Investigacin, el Marketing y la Comunicacin.
Cliff, A., and J. Ord. 1973. Spatial Autocorrelation. Ed. Pion. London.
. 1981. Spatial Proces. Models and Applications. Ed. Pion. London.
Cressie, N. 1993. Statistics for Spatial Data. Ed. Pion. London.
Dacey, M. 1968. A review of measures of contiguity for two and K-Colr
Maps. Ed. B.Berry.
Daz, A., and F. Snchez. 2004. Geografa de los Cultivos Ilicitos y Conflicto Armado en Colombia. Documento CEDE. (Edicin Electrnica)
18:178.
Fajardo, D. 2002. Notas para la formulacin de un programa de desarrollo
rural para la paz. Colombia tierra y paz.
Fernndez, A., and M. Costa. 1998. Descomposicin de los ndices de Gini
y entropa generalizada: desigualdad y nivel de estudios en Espaa e
Italia (1991). Estadstica Espaola 40:233256.
Gamarra, J. 2007. La economa en el departamento del Cauca, concentracin de tierra y pobreza. Economa regional, Banco de la Repblica
95:353.
Gamerman, D. 1997. Markov Chains Monte Carlo: Stochastic Simulation
for bayesian Inference. London: Chapman and Hall.
Gastwirth, J., and M. Glauberman. 1976. The Interpolation of the Lorenz
Curve and Gini Index from Grouped Data. Econometrica 44:479483.
Gastwirth, J. L. 1971. A general definition of the Lorenz curve. Econometrica 39:10371039.
Gaviria, C., and J. Muoz. 2007. Desplazamiento forzado y propiedad de
la tierra en Antioquia, 1996-2004. Universidad de Antioquia-Lecturas
de Economa 66:946.
80
BIBLIOGRAFA
Geary, R. C. 1954. The Contiguity Ratio and Statistical Mapping. Journal

of the Royal Statistical Society B. 5:115145.
Geman, S., and D. Geman. 1984. Stochastics Relaxation, Gibbs distributions, and the Bayesian Restorations of Images. IEEE Transactions on
Pattern Analysis and Machine Intelligence 6(6):721741.
Getis, A., and J. K. Ord. 1992. The Analysis of Spatial Association by
Use of Distance Statistics. Geographical Analysis 24:189206.
Hasting, W.K. 1970. Monte Carlo Sampling Methods Using Markov Chains
and Their Applications. Biometrika 57(1):97109.
Hordijk, L. 1979. Problems in estimating econometric relations in space.
Papers of the Regional Science Association 42:99115.
Ibaez, A., and P. Querubn. 2004. Acceso a Tierras y Desplazamiento
Forzado en Colombia. Documento CEDE 23:1114.
LeSage, J. 1999. Spatial Econometrics: The Web Book of Regional Science. Regional Research Institute, West Virginia University, Morgantown,
WV.
Lora, E. 1991. Tcnicas de Medicin Econmica. TM editores Fedesarrollo.
Machado, A. 2004. La Academia y el Sector Rural. Unibiblos.
Mehran, F. 1975. Bounds on Gini Index Based on Observed Points Of
Lorenz Curve. Journal of American Statistical Association 70:6466.
Moran, P. 1948. The interpretation of statistical maps. Journal of the
Royal Statistical Society B 10:243251.
Moreno, R., and E. Vay. 2000. Tcnicas Economtricas para el Tratamiento de Datos Espaciales: La Econometra Espacial. Edicions Universitat
de Barcelona, colecci UB 44, manuals.
Ortiz, C. 2003. Cultivos ilcitos y nueva ruralidad en Colombia. Cuadernos
de Desarrollo Rural 50:115165.
Paelinck, J., and L. Klaassen. 1979. Spatial Econometrics. Saxon House.
Sarabia, J., E. Castillo, M. Pascual, and D. Slottje. 2005. Mixture Lorenz
curves. Economics letters 89:8994.
Sarabia, J., E. Castillo, and D. Slottje. 1999. An ordered family of Lorenz
curves. Journal of Econometrics 91:4360.
. 2001. An exponential family of Lorenz curves. Journal of Econometrics 67:748756.
81
BIBLIOGRAFA
Sen, K. 1986. The Gini coefficenst and Poverty Indexes: Some Reconciliations. Journal of American Statistical Association 81:10501057.
Unwin, A. 2000. Using your eyes-making statistics more visible with
computers. Computational Statistics and Data Analysis. 32 (3-4): 303
312.
Unwin, A., and D. Unwin. 1998. Exploratory Spatial Data Analysis with
Local Statistics. The Statistician 47 (3): 415421.
82

Modelar La Concentración de La Tierra

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Modelar La Concentración de La Tierra

Caricato da

Copyright:

Formati disponibili

Modelar la Concentracin de la Tierra en

Colombia Mediante Modelos

Diana Jeanneth del Pilar Rodriguez Castillo

Universidad Nacional de Colombia

Modelar la Concentracin de la Tierra en

Diana Jeanneth del Pilar Rodriguez Castillo

Trabajo de tesis para optar al ttulo de

Universidad Nacional de Colombia

1. Curva de Lorenz e ndices de concentracin. Tierra privada

1.2. Clculo de la curva de Lorenz y coeficiente de Gini . . . . . .

1.2.1. Clculo de la curva de Lorenz . . . . . . . . . . . . . .

1.2.2. Clculo del Gini . . . . . . . . . . . . . . . . . . . . .

1.3. Distribucin de tierra en Colombia . . . . . . . . . . . . . . .

1.3.1. Naturaleza de los datos . . . . . . . . . . . . . . . . .

1.3.2. Distribucin de la tierra . . . . . . . . . . . . . . . . .

1.3.3. Mapas de porcentajes . . . . . . . . . . . . . . . . . .

1.4. Anlisis da la distribucin de tierra con el Gini . . . . . . . .

1.4.1. Curva de Lorenz . . . . . . . . . . . . . . . . . . . . .

1.4.2. Clculo del Gini para el ao 2000 . . . . . . . . . . . .

2. Anlisis exploratorio de datos espaciales

2.1.1. Heterogeneidad espacial . . . . . . . . . . . . . . . . .

2.1.2. Autocorrelacin o dependencia espacial . . . . . . . . .

2.1.3. Matriz de pesos espaciales . . . . . . . . . . . . . . . .

2.1.4. Operador de retardo espacial . . . . . . . . . . . . . .

2.2. Autocorrelacin global y local . . . . . . . . . . . . . . . . . .

2.2.1. Contrastes globales de autocorrelacin espacial . . . .

2.2.2. Contrastes locales de autocorrelacin espacial . . . . .

2.3. Mtodos de representacin de la tendencia espacial global en

2.3.1. Anlisis exploratorio de la dependencia espacial global

2.3.2. Anlisis exploratorio de la dependencia espacial local .

2.3.3. Anlisis exploratorio de datos multivariados . . . . . .

3. Modelacin de la concentracin de tierra en Colombia por

3.2. Modelo de regresin lineal espacial . . . . . . . . . . . . . . .

3.2.1. Estimadores mximo verosmil para el modelo lineal

4. Una aproximacin bayesiana para modelar la concentracin

4.1.2. Estimacin de los parmetros de un modelo, utilizando

4.2. Una aproximacin Bayesiana para modelar la concentracin

4.2.1. Metodologa propuesta . . . . . . . . . . . . . . . . . .

En esta tesis se pretende cumplir con dos objetivos: el primero consiste en

distribucin de tierra en Colombia.

Captulo 1. Curva de Lorenz e

Captulo 1. Curva de Lorenz e indices de concentracin. Tierra

dcada pasada, debido a la inclusin de tierras de indgenas, negritudes y

1.1. CURVA DE LORENZ E NDICE DE CONCENTRACIN DE GINI

y el ndice de Gini, se dan ejemplos correspondientes a tres departamentos.

Curva de Lorenz e ndice de concentracin de

El ndice de Gini (IG), (Gini, 1912) es una medida definida por

cuya interpretacin geomtrica corresponde al doble del rea comprendida

y 0 1, (Sen 1986). Este ndice se expresa comunmente en porcentaje.

1 < 2 < . . . < , con ( = ) = y media =

de Lorenz es la funcin en , definida a trozos, con vertices en ( , ),

, con rea del trapecio dada por = ( + 1 )/2

para = 1, 2, ..., y con 0 = 0. (Mehran 1975; Gastwirth and Glauberman

Captulo 1. Curva de Lorenz e indices de concentracin. Tierra

Figura 1.1. Curva de Lorenz.

1976). Por tanto el ndice de Gini es

1.2. CLCULO DE LA CURVA DE LORENZ Y COEFICIENTE DE GINI

Clculo de la curva de Lorenz

Captulo 1. Curva de Lorenz e indices de concentracin. Tierra

La metodologa para construir la curva de Lorenz es la siguiente:

Clculo del Gini

El coeficiente Gini es el cociente entre el rea de la regin limitada por la

donde , = 1, 2, . . . , , es el porcentaje acumulado de superficie de tierra