2019 Buzai Santana-Juárez Esp2 Inigeo2 PDF

Métodos cuantitativos
en Geografía Humana
Gustavo D. Buzai
Marcela Virginia Santana Juárez
(Compiladores)
Coleccion Espacialidades 2
I
Instituto de Investigaciones Geográcas
Universidad Nacional de Luján
NIGEO
Métodos cuantitativos
en Geografía Humana
Gustavo D. Buzai
Marcela Virgina Santana Juárez
(compiladores)
Métodos cuantitativos en geografía humana / Gustavo D. Buzai ... [et al.] ; compilado
por
Gustavo D. Buzai ; Marcela Virginia Santana Juárez. - 1a ed . - Ciudad Autónoma
de
Buenos Aires : Impresiones Buenos Aires Editorial, 2019.
Libro digital, PDF
Archivo Digital: descarga y online

ISBN 978-987-1548-98-9
1. Sistema de Información Geográfica. I. Buzai, Gustavo D. II. Buzai, Gustavo D.,

comp. III. Santana Juárez, Marcela Virginia, comp.
CDD 910.28
Fecha de Catalogación: 2019
Instituto de Investigaciones Geográficas (INIGEO)

Universidad Nacional de Luján
Ruta Nac. 5 y Av. Constitución
(6700) Luján, Buenos Aires, Argentina
Director: Dr. Gustavo Buzai
inigeo@unlu.edu.ar
RESIDIG (www.redisig.org)
Red Iberoamericana de Sistemas de Información Geográfica
Presidente: Ing. Omar Delgado Inga
PRODISIG (www.prodisig.unlu.edu.ar)
Programa de Docencia e Investigación en Sistemas de Información Geográfica.
Director: Dr. Gustavo D. Buzai
Obra evaluada por pares académicos ciegos.
Hecho el depósito que marca la ley 11.723.

Prohibida su reproducción total o parcial sin permiso expreso del editor.
Primera edición
Editado en Argentina
© INIGEO.
Esta obra se encuentra bajo Licencia Creative Commons

Reconocimiento-NoComercial 4.0. Internacional. Reconocimiento - Permite
copiar, distribuir, exhibir y representar la obra y hacer obras derivadas siempre y
cuando reconozca y cite al autor original. No Comercial – Esta obra no puede ser
utilizada con fines comerciales, a menos que se obtenga el permiso.
INTRODUCCIÓN
LOS AUTORES
Gustavo D. Buzai [Prof. Lic. Dr. PosDr.], UNLu, CONICET, Argentina
Marcela Virginia Santana Juárez [Lic. Mtra. Dra.], UAEM, México
(Compiladores)
Adrián Guillermo Aguilar [Lic. Mtro. Dr.], UNAM, México

José Antonio Álvarez Lobato [Lic. Mtro. Dr.], Colegio Mexiquense A.C. México
Miguel Ángel Balderas Plata [Lic. Mtro. Dr.], UAEM, México
Claudia A. Baxendale [Lic. Esp.], UBA- UNLu., Argentina
Nydia Lorena Campos Apodaca [Ing. Mtra.], UAEM, México
Edel Gilberto Cadena Vargas [Lic. Mtro. Dr.], UAEM, México
Juan Campos Alanís [Lic. Mtro. Dr.], UAEM, México
Marisol De la Cruz Jasso [Lic. Mtra.], UAEM, México
Enrique Estrada Bastida [Ing. Mtro.], UAEM, México
Fernando Carreto Bernal [Lic. Mtro. Dr.], UAEM, México
Luis Miguel Espinosa Rodríguez [Lic. Mtro. Dr.], UAEM, México
Cristina Estrada Velázquez [Lic. Mtra. Dra.], UAEM, México
Roberto Franco Plata [Lic. Mtro. Dr.], UAEM, México
José de Jesús Fuentes Junco [Lic. Mtro. Dr.], UNAM, México
José Carmen García Flores [Lic. Mtro.], UAEM, México
Miguel Ángel Gómez Albores [Lic. Mtro. Dr.], UAEM, México
Jesús Gastón Gutiérrez Cedillo [Lic. Mtro. Dr.], UAEM, México
Jesús Emilio Hernández Bernal [Lic. Mtro.], UAEM, México
Julio César Hernández Romero [Lic. Mtro.], UAEM, México
Marivel Hernández Téllez [Lic. Mtra. Dra.], UAEM, México
Luis Humacata [Prof. Lic. Esp. Mg.], UNLu, CIC, Argentina
Sonia L. Lanzelotti [Lic. Dra.], UBA, UNLu, CONICET, Argentina
Luis Ricardo Manzano Solís [Lic. Mtro. Dr.], UAEM, México
José Francisco Monroy Gaytán [Lic. Mtro. Dr.], UAEM, México
Eloy Montes Galbán [Lic. Mg.], UNLu, CONICET, Argentina
Agustín Olmos Cruz [Lic. Mtro. Dr.], UAEM, México
Alexis Ordaz Hernández [Lic. Mtro. Dr.], UAEM, México
Noel B. Pineda Jaimes [Lic. ECA. Mtro. Dr.], UAEM, México
Noelia Principi [Prof. Lic. Esp. Mg.], UNLu, Argentina
Nancy Sierra López [Lic. Mtra.], UAEM, México
Carlos Reyes Torres [Lic. Mtro. Dr.], UAEM, México
Alejandro Tonatiuh Romero Contreras [Lic. Mtro. Dr.], UAEM, México
Giovanna Santana Castañeda [Lic. Mtra. Dra.], UAEM, México
Francisco Zepeda Mondragón [Lic. Mtro. Dr.], UAEM, México
INTRODUCCIÓN
Estamos transitando una nueva etapa de la Geografı́a

Aplicada, la cual se centra en el aná lisis espacial cuantitativo
realizado mediante tecnologıás digitales, de las cuales sobresalen
los Sistemas de Informació n Geográ fica como nú cleo de las
aplicaciones geoinformá ticas.
Es en esta instancia en la que aparece el libro Mé todos

cuantitativos en Geografıá Humana como resultado del vın ́ culo de
cooperació n acadé mica entre colegas del Instituto de
Investigaciones Geográ ficas de la Universidad Nacional de Lujá n y
de la Facultad de Geografıá de la Universidad Autó noma del Estado
de Mé xico, enmarcado en las actividades de la Red Iberoamericana
de Sistemas de Informació n Geográ fica (REDISIG: www.redisig.org).
El objetivo de los coordinadores fue avanzar en la

sistematizació n didá ctica de contenidos a partir de la experiencia,
tanto en el campo de la investigació n como la docencia universitaria,
de los integrantes de ambas instituciones acadé micas y, de esta
forma, acercar a los lectores una actualizació n de la cuantificació n
en Geografıá y su uso en cuestiones especıf́icas del aná lisis espacial.
La Geografı́a como ciencia está transitando una etapa

cientıf́ica excepcional. Hoy, má s que nunca, los geó grafos disponen
de instrumentos con bases só lidas teó rico-metodoló gicas para
actuar en la resolució n de problemá ticas que nos propone la
realidad y a partir de ellos, en un nivel espacial, combinar aspectos
de diferentes perspectivas paradigmá ticas.
La perspectiva sisté mica, en su teorı́a de los sistemas

complejos, brinda pautas epistemoló gicas para comprender estas
situaciones realizando un claro criterio demarcatorio que permite
conceptualizar estas relaciones con conexiones que surgen desde
una perspectiva objetivista en la cual se considera la necesidad de
actuar sobre una realidad material que es independiente de la
percepció n individual en diferentes niveles de aná lisis, desde el
mundo al sitio, conteniendo una gran cantidad de abordajes como el
11
o rd e n a m i e n to te r r i to r i a l , p l a n e a c i ó n i n te g ra l , r i e s g o ,
vulnerabilidades y resiliencia en un nivel socioespacial.
Por su parte, el avance tecnoló gico logrado por los Sistemas

de Informació n Geográ fica y los procedimientos cuantitativos
asociados a ellos permea de forma transversal a todos los enfoques
de la Geografıá ofreciendo amplias posibilidades para la utilizació n
del mapa y sus nuevas potencialidades para la realizació n de un
aná lisis espacial objetivo con procedimientos automatizados cada
vez má s sencillos y precisos en la investigació n aplicada.
Todas estas cuestiones tambié n resultan de importancia en

la prá ctica profesional ante el apoyo al proceso de toma de
decisiones por parte de los gestores polı́ticos que necesitan
informació n confiable tanto para actuar en intervenciones
coyunturales como para conocer el nivel socioespacial estructural.
Se destaca aquı ́el papel de la Neogeografıá en el acercamiento de los
procedimientos geográ ficos computacionales a la sociedad.
La incorporació n de procedimientos del aná lisis espacial

cuantitativo en el á mbito de los Sistemas de Informació n Geográ fica
resultan cada vez de mayor interé s para la Geografıá y diversas
ciencias sociales que se encuentran ante la necesidad de tener que
incorporar la dimensió n espacial en sus estudios. Asimismo la
modelizació n espacial no solamente permite analizar temá ticas del
presente, de las configuraciones espaciales actuales, sino que
permite dirigirse hacia el pasado y hacia el futuro en visiones
prospectivas para la planificació n.
El presente libro contempla los aspectos señ alados

brindando un panorama amplio en la aplicació n actual de los
mé todos cuantitativos utilizados en el aná lisis geográ fico a travé s de
los Sistemas de Informació n Geográ fica con experiencias realizadas
en el campo de la investigació n cientıf́ica en la Argentina y Mé xico.
El libro Mé todos cuantitativos en Geografı́ a Humana

incorpora 15 mé todos de central importancia para la investigació n a
travé s de explicaciones sencillas y estudios de caso que las
ejemplifican. Los mé todos cuantitativos que se desarrollan a lo largo
12
del texto son: centrografıá, distribuciones de frecuencias, cá lculo de
concentració n espacial, estandarizació n de datos, estimaciones por
teledetecció n, autocorrelació n espacial, clasificació n espacial,
cá lculo de indicadores, evaluació n multicriterio, interpolació n,
regresió n, cá lculo de flujos regionales, modelos de localizació n-
asignació n, pará metros estadı́ s ticos y aná lisis temporal por
tabulació n cruzada.
Los temas incluidos prestan particular interé s a la

diferenciació n espacial de los fenó menos y, a travé s de la abstracció n
racional, permiten ser aplicados a variadas temá ticas y contextos.
Sirven de guıá para abordar cuestiones fıśico-naturales (respuesta
sıśmica, sedimentos y diná mica geomorfoló gica), humanos (sitios
arqueoló gicos, actividades econó micas, agroecologı́a, població n,
salud humana, planeació n de la educació n, desigualdad social,
comportamiento electoral, crecimiento urbano) y ambientales
(calidad del agua superficial, gestió n sostenible del agua, aptitud
forestal, uso del suelo, contaminació n del aire). El hilo conductor lo
provee la Geografı́ a Aplicada a travé s del aná lisis espacial
cuantitativo con Sistemas de Informació n Geográ fica.
Por ú ltimo, agradecemos las valiosas contribuciones de los

autores de capı́tulos, porque debido al entusiasmo y seriedad
profesional con la que nos acompañ aron fue posible coordinar esta
primera obra que llega como material didá ctico destinado a todos
los estudiosos del aná lisis espacial en todo nivel de enseñ anza y la
prá ctica profesional. Esperamos que este libro acompañ e a muchos
jó venes geó grafos en este momento excepcional de la Geografıá.
Dr. Gustavo D. Buzai

Universidad Nacional de Lujá n
Dra. Marcela Virginia Santana Juá rez

Universidad Autó noma del Estado de Mé xico
13
14
Capítulo 1
MÉTODO CENTROGRÁFICO
1.1 Aplicación a la localización de sitios arqueológicos en la
cuenca del rio Lujan, Argentina
Sonia L. Lanzelotti
Noelia Principi
SÍNTESIS
En este capı́ t ulo se presentan mé todos de aná lisis
centrográ fico para el estudio de la localizació n de sitios
arqueoló gicos. Se desarrollan sinté ticamente los procedimientos
metodoló gicos para realizar cá lculos de centralidad y dispersió n y
se detallan los pasos para su resolució n con Sistemas de
Informació n Geográ fica. La aplicació n se realiza en la cuenca del rıo
́
Lujá n (provincia de Buenos Aires, Argentina).
INTRODUCCIÓN
El objetivo del capıt́ulo es presentar cá lculos de tendencia
central y dispersió n de entidades puntuales que permitan analizar
la distribució n espacial de las localizaciones de sitios arqueoló gicos
a partir del aná lisis centrográ fico en la cuenca del rı́o Lujá n
(provincia de Buenos Aires, Argentina) con apoyo en Sistemas de
Informació n Geográ fica (SIG).
Dentro del aná lisis espacial cuantitativo el estudio de la
distribució n espacial de entidades puntales resulta de interé s y es
posible realizarlo a travé s de la adecuació n de cá lculos aritmé ticos
unidimensionales, hacia el tratamiento geomé trico de los datos
considerando la bidimensionalidad del espacio geográ fico (Buzai y
Baxendale, 2012).
Las medidas de centralidad y dispersió n que se presentan
son de sencilla interpretació n y comprensió n y se calculan de forma
15
Sonia L. Lanzelotti y Noelia Principi
automatizada en el entorno SIG. Los cá lculos se realizan

considerando las posiciones de cada punto (hallazgos
arqueoló gicos) en un eje de coordenadas y brindan resultados
descriptivos y de sı́ n tesis que permiten caracterizar las
distribuciones espaciales puntuales, en un momento dado, o
sistemá ticamente para analizar la tendencia o evolució n espacial a
lo largo del tiempo.
La base de datos sobre sitios arqueoló gicos de la cuenca del
rıo
́ Lujá n que se utiliza en este trabajo fue elaborada en el marco de
proyectos de investigació n especıf́icos sobre la temá tica (Lanzelotti
et al. 2016). Los resultados obtenidos aquı ́ permiten identificar
patrones de centralidad y dispersió n de la evidencia arqueoló gica
en general, como ası ́tambié n la tendencia de localizació n de sitios
de mayor antigü edad (evolució n temporal) por un lado, y de
aquellos sitios con mayor cantidad de materiales recuperados, por
otro.
LA TENDENCIA CENTRAL EN DISTRIBUCIONES PUNTUALES: CENTRO

MEDIO SIMPLE Y PONDERADO
La medida má s sencilla que permite identificar el centro de
una distribució n espacial puntual es el centro medio simple,
considerado tambié n centro medio de gravedad. Para realizar el
cá lculo es necesario encontrar algú n sistema de cuantificació n
espacial de los sitios ocupados por los puntos. Puede hacerse
calculando las coordenadas de cada punto en un sistema arbitrario a
partir de coordenadas geográ ficas o cartográ ficas.
Ebdon (1982) plantea que los dos ú nicos requisitos
fundamentales de un sistema de coordenadas a utilizar en los
cá lculos de estadıśtica espacial son:
-En primer lugar, los ejes coordenados han de ser perpendiculares
entre sı;́ es decir, ortogonales.
-En segundo lugar, las mediciones a lo largo de los dos ejes se deben
realizar en las mismas unidades.
De esta forma, el centro medio simple se obtiene calculando
la media de las coordenadas en x y en y, como se muestra en las
16
Métodos Centrográficos
siguientes fó rmulas:
En el cá lculo del centro medio simple se considera que cada

punto tiene un peso idé ntico. Sin embargo, existen situaciones en la
que no se le da a cada localizació n puntual un peso igual, sino que se
pondera determinada caracterıśtica. Para calcular el centro medio
ponderado se colocan en una tabla no só lo las coordenadas de cada
punto (x e y), sino tambié n su importancia a travé s de un valor
cuantitativo que representa lo que se intenta analizar.
Las fó rmulas para obtener el centro medio ponderado son
las siguientes:
Donde x e y son las coordenadas de los puntos; xw e yw son las

medias ponderadas de estas coordenadas, y n es el nú mero de
puntos.
Resulta interesante realizar estudios evolutivos para
observar hacia dó nde se van desplazando los centros de gravedad,
en funció n de la caracterıśtica ponderada.
Tomando lo que plantea Ebdon (198) sea cual fuere la
caracterı́ s tica representada por los pesos, el centro medio
ponderado proporciona el centro de gravedad de la distribució n de
esta caracterıśtica. Mientras que el centro medio só lo puede dar el
centro de gravedad de la distribució n de los puntos en sı.́
LA DISPERSIÓN EN DISTRIBUCIONES PUNTUALES: DESVÍO ESTÁNDAR

DE LAS DISTANCIAS Y ELIPSE DE DISPERSIÓN
Existen diferentes mé todos para medir la dispersió n de
puntos. Uno de los má s sencillos es el desvío estándar de las
distancias que proporciona una medida resumen que muestra el
grado en el que se concentran o dispersan los puntos alrededor del
centro medio simple, el resultado de este cá lculo es un cıŕculo.
17
Es el equivalente bidimensional al desvıo ́ está ndar de las

distancias y se calcula a partir de considerar la distancia de cada
punto al centro medio, a travé s de la siguiente fó rmula:
Donde ds es la distancia está ndar, di es la distancia euclidiana

entre cada punto i y el centro medio (CM).
Como resultado de este cá lculo de dispersió n se obtiene un cıŕculo
realizado a partir del centro medio. Cuando existen valores
extremos se debe tener mayor cuidado ya que el cá lculo eleva las
distancias al cuadrado y las magnifica sensiblemente (Buzai y
Baxendale, 2012).
Pero si lo que queremos observar es la tendencia direccional
que tiene el conjunto de puntos podemos hacerlo con el cá lculo de la
elipse de dispersión o elipse del desvío estándar, que permite
considerar la falta de regularidad de la distribució n de los puntos y
la posibilidad de que la dispersió n sea mayor en determinados
sectores.
Segú n Ned Levine & Asociates (2002) citado por Buzai y
Baxendale (2012) la elipse de dispersió n deriva de la distribució n
bivariada definida de la siguiente fó rmula:
Los dos desvıó s está ndar se calculan de forma ortogonal

para los ejes rotados x - y. El eje que contiene el mayor desvıo ́ es
coincidente con la lın
́ ea de regresió n lineal de cuadrados mın ́ imos.
La secuencia de cá lculos presentada y ejemplificada por
Gamir Orueta et al. (1995) establece obtener primero el centro
medio de la distribució n de puntos [1] y trasladar el origen de los
ejes de coordenadas x - y al centro medio formado por los ejes x´ - y´.
18
En una posterior instancia se deben otra los ejes x´ - y´

calculando el á ngulo (θ) desde el eje y´ al eje rotado y´´.
Finalmente se realiza el cá lculo del desvıo

́ está ndar de las
distancias sobre los ejes rotados de acuerdo al valor de θ.
Donde y es el desvıo
́ está ndar de las distancias
respecto de los ejes rotados doble prima, xé y´ son las coordenadas
de cada punto, θ es el á ngulo de rotació n de los ejes y n la cantidad de
observaciones.
APLICACIÓN A LOS SITIOS ARQUEOLÓGICOS DE LA CUENCA DEL RÍO

LUJÁN (PROVINCIA DE BUENOS AIRES, ARGENTINA)
El á rea de aplicació n corresponde a la cuenca del rıó Lujá n,

en tanto que la capa temá tica de puntos utilizada corresponde a la
localizació n de hallazgos arqueoló gicos. La aplicació n de los
mé todos centrográ ficos se realiza en QGIS 2.18.
El primer cá lculo que se realiza es el del centro medio
simple, utilizando la opció n de “coordenada(s) media”, disponible
dentro de las “herramientas de análisis” del menú “vectorial”. Aquı ́
mismo se puede otorgar un campo de peso (opcional) que permite
cartografiar el centro medio ponderado.
19
Figura 1. Centro medio simple
Fuente: Elaboració n de las autoras
Figura 2. Centro medio ponderado por sitios de mayor antigü edad
20
Figura 3. Centro medio ponderado por cantidad de hallazgos
Para realizar el cıŕculo del desvıo ́ está ndar de las distancias

se debe acceder al menú Procesos y allı ́dentro de las herramientas
geoestadı́sticas (geostatistic) de SAGA seleccionar el aná lisis
espaciales de patrones de puntos (Spatial Point Pattern Analysis),
solamente se debe incorporar la capa temá tica de puntos y al aplicar
la operació n el SIG obtiene como resultado una matriz de distancias
mıń imas con datos de valor má ximo, valor mın ́ imo, media y desvıo ́
está ndar; una capa puntual con el centro medio simple, un
rectá ngulo que delimita el á rea donde se realiza el aná lisis de
distancias mın ́ imas y el cıŕculo del desvıo
́ está ndar de las distancias.
21
Figura 4. Cıŕculo del desvıo

́ está ndar de las distancias
Para elaborar la elipse de dispersió n se debe instalar en

QGIS el complemento elipse de desviació n está ndar “Standard
Deviational Ellipse (SDE)”. A partir de este complemento se puede
calcular la elipse simplemente seleccionando la capa de puntos e
indicando el mé todo “CrimeStat” que utiliza las fó rmulas
presentadas anteriormente. Como resultado de la aplicació n se
obtiene la elipse de dispersió n.
22
Figura 5. Elipse de dispersió n
Figura 6. Mapa sın

́ tesis con los mé todos centrográ ficos aplicados
23
En la Figura 1 se observa el centro medio simple de la

dispersió n de hallazgos arqueoló gicos sin ningú n tipo de
clasificació n ni caracterizació n en particular. Cuando el interé s está
puesto en focalizar el patró n de dispersió n de evidencias
arqueoló gicas de mayor antigü edad, se aplica la ponderació n de
sitios por esta variable, observá ndose que los mismos se localizan
mayormente hacia la izquierda de la dispersió n general (Figura 2).
Cuando el interé s está colocado en identificar el patró n de
dispersió n de los sitios con mayor cantidad de hallazgos
recuperados, la tendencia se mueve hacia la derecha de la dispersió n
general (Figura 3). Las Figura 4 y 5 muestran los valores teó ricos del
desvıó está ndar de las distancias y la elipse de dispersió n general
respectivamente, ambas sin ponderaciones. Finalmente, la Figura 6
sintetiza los resultados obtenidos en todos los aná lisis previos.
CONSIDERACIONES FINALES
Los cá lculos de aná lisis centrográ ficos tienen un fuerte
potencial descriptivo. Es necesario destacar, sin embargo, que el
aná lisis y las interpretaciones que se hagan de estos resultados,
dependerá n exclusivamente de la calidad de la base de datos
empleada, y del conocimiento que los investigadores tengan respecto
de la disciplina sobre la cual se aplican. Ası ́por ejemplo, en el caso de
los sitios arqueoló gicos, la tendencia que se observa en la localizació n
de los sitios con mayor antigü edad responde por un lado a la historia
de las investigaciones realizadas en la cuenca y por otro, a las unidades
geomorfoló gicas que representan rangos cronoló gicos má s antiguos.
Ası,́ por ejemplo, hacia la cuenca baja del rıo ́ Lujá n, las historia
geoló gica indica que el sustrato estuvo disponible para su ocupació n
recié n a partir del Holoceno tardıo ́ (es decir, en los ú ltimos 2000 añ os
antes del presente) en tanto que en la cuenca superior y media se
registran unidades geomorfoló gicas correspondientes a toda la
secuencia del Holoceno (es decir, los ú ltimos 10000 añ os antes del
presente) e incluso desde Pleistoceno (de 2,6 millones a 10.000 añ os
antes del presente). De este modo, la distribució n observada no
responde a patrones del uso del espacio por parte de las sociedades
prehispá nicas, sino a factores que indican la disponibilidad de estos
espacios para su ocupació n. Del mismo modo, la tendencia observada
respecto de la localizació n de sitios con mayor cantidad de hallazgos,
24
responde simplemente a la estrategia de abordaje de los sitios: en la

cuenca baja se trata de sitios con excavaciones sistemá ticas, en tanto
que para la cuenca superior y media se trata de los primeros
resultados de prospecciones y registro de material en superficie.
En sı́ntesis, los aná lisis centrográ ficos son una buena

medida de resumen para la descripció n y posterior aná lisis de las
tendencias de las distribuciones puntuales y su evolució n. A partir
del desarrollo de los SIG su utilizació n no reviste complejidad y se
amplıá su campo de aplicació n.
BIBLIOGRAFÍA
Buzai, G. D. y Baxendale, C. A. 2012. Análisis socioespacial con sistemas
de información geográfica. Tomo 2: Ordenamiento territorial –
Temáticas de base vectorial. Lugar Editorial. Buenos Aires.
Ebdon, D. 1982. Estadística para geógrafos. Oikos-tau. Barcelona.
Gá mir Orueta, A.; Ruiz Pé rez, M.; Seguı ́ Pons, K. 1995. Prácticas de
análisis espacial. Oikos-Tau. Barcelona.
Lanzelotti, S.L.; H. Arzani; K. Chichkoyan, N.M. Novo & A. Zurita.
2016. El patrimonio arqueoló gico y paleontoló gico de la cuenca
superior del rıo
́ Lujá n: investigació n y gestió n. En: Actas del XIX
Congreso Nacional de Arqueología Argentina, pp. 629-633. San
Miguel de Tucumá n.
Ned Levine & Associates. 2002. CrimeStat © II. A Spatial Statistics
Program for the Analysis of Crime Incident Locations. The National
Institute of Justice. Washington.
25
26
1.2 Aplicación al estudio de las actividades económicas

en la ciudad de México
Juan Campos Alanís
Edel Cadena Vargas
José Francisco Monroy Gaytán
SÍNTESIS
Este capı́ t ulo presenta la aplicació n de una serie de
herramientas de estadıśtica espacial que a pesar de su sencillez y
alto poder explicativo en el aná lisis exploratorio de datos espaciales
(AEDE), generalmente son relegadas por otras de mayor
complejidad como la autocorrelació n espacial y la regresió n
geográ ficamente ponderada. Se realiza un ejercicio para analizar los
patrones de localizació n de una de las modalidades de comercio
moderno que han tenido gran auge en las ciudades: el comercio de
conveniencia y se ha elegido la cadena comercial Oxxo por ser la de
mayor representatividad en Mé xico.
INTRODUCCIÓN
El estudio de los problemas urbanos en la actualidad
representa un desafıo
́ para las disciplinas que han acogido a las
ciudades como su objeto de estudio. De esta forma, existen
abordajes metodoló gicos muy variados que van desde buscar el
entendimiento de estos problemas desde una vı́a netamente
cuantitativa, hasta aquellos que han privilegiado el uso de té cnicas
cualitativas.
La geografıá posee un bagaje de herramientas de aná lisis
que por mucho superan las propuestas por otras disciplinas al
considerar la dimensió n espacial como una variable má s para
entender no solamente la intensidad con el que se dan los problemas
de los problemas de las ciudades, sino tambié n aborda y analiza su
distribució n y causalidad. En este sentido, el aná lisis espacial como
una parte especializada del aná lisis geográ fico, aglutina una serie de
té cnicas (la estadı́ s tica espacial, el aná lisis exploratorio y
27
Juan Campos Alanís, Edel CadenaVargas y José Francisco Monroy Gaytán
confirmatorio de datos espaciales). Este trabajo aborda las medidas

má s simples y representativas de la estadıśtica espacial: las medidas
de tendencia central y las medidas de dispersió n espaciales, que a
pesar de su aparente simpleza, son capaces de brindar informació n
sobre la distribució n y orientació n de un determinado hecho o
fenó meno que pueda presentarse en las ciudades, de ahı́ la
importancia de mostrar de manera clara y simple su utilidad para el
estudio de la realidad urbana.
Este capıt́ulo tiene como propó sito mostrar la importancia
de las té cnicas de estadıśtica espacial y que pueden ser utilizadas
para una gran variedad de estudios sociales y econó micos, como es
el caso que se presenta al analizar los patrones de distribució n de la
cadena comercial Oxxo y que pueden ser base para otro tipo trabajos
como estudios de mercado.
GEOGRAFÍA CUANTITATIVA, ANÁLISIS GEOGRÁFICO Y ESPACIAL

Histó ricamente, la geografı́ a cuantitativa surge como
alternativa a la visió n regional que tenıá la geografıá hasta inicios del
siglo XX, y que retoma los planteamientos del enfoque
neopositivista para explicar los fenó menos geográ ficos. Dos de los
antecedentes má s importantes fueron los trabajos de Von Thü nen
en 1820 que propuso un modelo que explicaba la diná mica de las
actividades agropecuarias mediante anillos concé ntricos, y el de
Christaller (1933) denominado la “Teorıá de los lugares centrales”
trató de explicar la organizació n de las ciudades. La corriente
neopositivista en la geografıá aportó a la geografıá cuantitativa, un
estricto del lenguaje matemá tico que le permitió facilitar la
modelació n de los procesos geográ ficos y su entendimiento a travé s
de la formalizació n matemá tica y estadıśtica. En los añ os ochenta, la
etapa donde empiezan a fincarse los cimientos de la nueva geografıá
cuantitativa, Capel (1982) estableció los principales fundamentos
de la geografı́a cuantitativa son: la formulació n de leyes para
construir teorı́as sobre la distribució n espacial; se resaltan las
regularidades observadas má s que los rasgos que diferencian los
espacios geográ ficos; el objeto de la Geografı́a es el espacio,
entendido en su sentido relativo y bajo un lenguaje matemá tico que
permite su aná lisis a travé s de las formas espaciales (punto, lın ́ ea y
28
el polıǵono) que posteriormente serıán la base para programació n

de los sistemas de informació n geográ fica. A este cambio relativo de
analizar los hechos y fenó menos que ocurren en la superficie
terrestre bajo formas espaciales se le denomina abordaje geográfico
que es netamente espacial y que tiene actualmente lı́neas de
desarrollo prá cticamente en todas las ramas de la geografıá (Buzai,
2015).
Buzai y Baxendale (2011) proponen 5 conceptos bá sicos
que resumen el aná lisis geográ fico y que fundamentan el aná lisis
espacial:
El primero es la localización, que considera que todos los
hechos y fenó menos geográ ficos y sus caracterı́sticas tienen
posició n determinada sobre la superficie terrestre; el segundo
concepto es el de la distribución, que se relaciona con la forma en
que las entidades-atributos se reparten sobre la superficie
terrestre; el principio de asociación se basa en el estudio del grado
de semejanza-diferencia de los distintos atributos de las unidades
espaciales; en el principio de interacción se consideran las
relaciones en cuanto las ubicaciones de las entidades; y finalmente
el principio de evolución incorpora la variable temporal para medir
los cambios que pueden sufrir las entidades y sus atributos para
pasar de una condició n a otra (Buzai y Baxendale, 2011).
Ası,́ el aná lisis espacial surge de la necesidad de formalizar y
conceptualizar, bajo el nuevo paradigma tecnoló gico, los hechos y
fenó menos geográ ficos sociales, culturares, econó micos, polıt́icos y
fıśico. Surge principalmente de las escuelas de geografıá de los
Estados Unidos y Gran Bretañ a y se caracteriza principalmente por
la aplicació n de modelos fıśicos, matemá ticos y econó micos para
estudiar los hechos y fenó menos geográ ficos; tambié n tiene una
vertiente enfocada al desarrollo de mé todos y herramientas de
exploració n y manejo de datos geográ ficos incorporando
posteriormente procesos computacionales y cartografıá digital con
el objetivo de facilitar el aná lisis espacial (Benarbé -Poveda y Ló pez,
2012). Entre los geó grafos má s representativos que abonaron al
desarrollo de los principios del aná lisis espacial se pueden citar a
Ullman (1956) quien sentó las bases de la interacció n espacial; a
Garrison (1960), Nystuen (1961) y Kansky (1963) que propusieron
las bases de la teorıá de grafos; y Nystuen (1963) quien profundizó
29
Juan Campos Alanís, Edel Cadena Vargas y José Francisco Monroy Gaytán
en los conceptos fundamentales como la distancia, orientació n y

localizació n relativa (Gutié rrez y Gould, 2000:197).
El aná lisis espacial se define como una serie de té cnicas
estadı́sticas y matemá ticas aplicadas al estudio de los datos
distribuidos sobre el espacio geográ fico. Se enfoca desde la
tecnologıá de los Sistemas de Informació n Geográ fica el Aná lisis
Espacial (SIG), permite trabajar con las relaciones espaciales de las
entidades contenidas en cada capa temá tica de la base de datos
geográ ficos (Buzai y Baxendale 2006). Esta definició n se establece
dos vertientes de trabajo: la temá tica y la tecnoló gica, donde ambas
consideran a los datos como fundamentales en la prá ctica del
aná lisis espacial (Buzai y Baxendale, 2011).
Segú n Buzai (2015), en el desarrollo del campo del aná lisis
espacial se ha ido perfilando dos grandes lın ́ eas de evolució n: la
primera que integra todo tipo de aná lisis y procesamiento con datos
geográ ficos; y la vertiente que sustenta que el espacio geográ fico
influye en el comportamiento de los aspectos geomé tricos de las
entidades espaciales. Sin embargo, ambos enfoques coinciden en
que en las operaciones de aná lisis espacial, los resultados
dependerá n de la localizació n y si se mueven espacialmente las
entidades estudiadas, los resultando tambié n se van a modificar.
De la estadística clásica a la estadística espacial: medidas de

tendencia central y de dispersión a las medidas espaciales
Las herramientas de estadıśtica espacial má s usuales son
equivalentes a las medidas de concentració n y de dispersió n de la
estadıśtica convencional, con la diferencia de que en lugar de utilizar
el valor de cada una de las observaciones para la estimació n de los
pará metros, la estadıśtica espacial utiliza la localizació n absoluta
para el cá lculo y si se requiere, es posible agregar el valor de cada
atributo a esa localizació n lo que se denomina ponderar la
localizació n. De esta forma, las variables en estudio pueden exhibir
propiedades de distribució n que difıćilmente sean idé nticas a otras,
pero a ello se le agrega el valor propio del atributo en aná lisis que le
otorga una doble diferenciació n, esto es por la localizació n y por el
valor de la variable en cuestió n (Lee y Wong, 2001).
30
Como se señ aló , los SIG representan las entidades

geográ ficas como puntos, lı́neas y polı́gonos en un sistema de
coordenadas y con una escala determinada. Otro aspecto adicional
es que la elecció n del tipo de entidad a utilizarse tiene que ver con el
grado de abstracció n del fenó meno que se está analizando, pues en
muchos casos la entidad puntual es la má s socorrida para los
aná lisis de estadıśtica espacial, no tanto para representar la realidad
de una entidad geográ fica, sino para localizar los hechos, fenó menos
o eventos que en ella ocurren. De esta forma, muchas veces se
sustituye la representació n de las entidades areales o de lın ́ ea por
entidades de tipo puntual, utilizando los centroides, para el caso de
polıǵonos o el punto medio de una lın ́ ea. Los puntos en cualquier
mapa son solamente objetos definidos por sus coordenadas, en el
aná lisis espacial son los atributos o caracterıśticas asociados a estos
puntos los que proporcionan los detalles para caracterizarlos de
acuerdo a los objetivos de una investigació n, con ello es posible
definir relaciones espaciales entre puntos, similitudes entre
localizaciones, agrupaciones de puntos con valores similares y
pró ximos con base en leyes de la propia geografıá. Finalmente, la
exactitud de la localizació n y las caracterıśticas de los valores de los
atributos deben ser considerados junto con la escala en el aná lisis de
la informació n, pues de otra forma se corre el riesgo de generar
resultados engañ osos o poco precisos (Lee y Wong, 2001;
Kellerman, 1981).
Para los fines de este ejercicio, se utilizó informació n
obtenida del Directorio Estadı́ s tico Nacional de Unidades
Econó micas (DENUE) del 2015, correspondiente a la Ciudad de
Mé xico, donde se identificaron 855 unidades econó micas (UE)
pertenecientes a la cadena Oxxo, para ejemplificar el
funcionamiento de cada una de las té cnicas de estadıśtica espacial
descriptiva y se utilizaron los programas ArcGIS versió n 10.2 y
CrimeStat IV para la demostració n de los resultados. Para el
desarrollo de la demostració n de las medidas de estadı́stica
espacial, se recurre a la clá sica divisió n de la estadıśtica tradicional
de separar las medidas de tendencia central y las de dispersió n.
31
Medidas de tendencia central espacial

Al igual que en la estadıśtica clá sica, este grupo de medidas
proporcionan informació n sobre el comportamiento de un grupo de
observaciones, informació n que de primera mano es de suma
relevancia cuando comparamos la misma variable en el tiempo o
bien cuando comparamos algunas variables entre sı.́ La utilidad de
estas medidas como parte del aná lisis exploratorio de datos
espaciales (Anselin, 2005; Lee y Wong, 2001) radica en mostrar la
localizació n en el espacio donde se agrupa el fenó meno en aná lisis.
Para ello, en este grupo de medidas se encuentra la media espacial, la
media espacial ponderada, la mediana espacial y la entidad central.
A diferencia de la media de la estadıśtica clá sica, que se
obtiene a partir de la suma de los valores de los atributos divididos
entre el nú mero de observaciones, la media espacial se obtiene al
promediar las coordenadas X y Y de los eventos georreferenciados
que componen una determinada temá tica (por ejemplo tiendas de
conveniencia, bancos, farmacias…), por lo tanto la media espacial es
en sı ́ una posició n en un sistema de coordenadas derivado de un
conjunto de observaciones analizadas, en otras palabras, el centro
geomé trico de todas las localizaciones (Ebdon, 1985; Wong, 1999;
Lee y Wong, 2001), bajo el supuesto de que tienen atributos iguales
(ver ecuació n 1).
æ xi yi ö
( X , Y ) = çç , ÷ ……………………1
n n ÷
è ø
Donde:
X,Y= Coordenadas de la media espacial
xi,yi= Coordenadas x, y del punto i
n= nú mero de observaciones
La media espacial y el resto de las medidas que se analizan

en este capı́tulo tienen una variante que permite ponderar su
importancia en la distribució n, la cual se denomina media espacial
ponderada (weighted mean center), que se estima con la ecuació n 2.
La utilidad de esta medida radica en que intensidad con que se
presenta una variable en uno o varios puntos en el territorio puede
afectar el centro geográ fico de esa distribució n.
32
æ å wi x i å wi y i ö
( X w , Yw ) = ç , ÷
ç åw å w
è i i ø
Donde:
Xw,Yw= Coordenadas de la media espacial ponderada
wi= Valor del atributo en punto o unidad espacial 1
La mediana espacial es otra medida de tendencia central que

es posible obtener con los SIG, sin embargo no es muy clara su
diferencia con respecto a la media espacial como lo es en la
estadıśtica clá sica, de ahı ́ que su uso no sea muy difundido. La
mediana espacial, a diferencia de la media espacial, utiliza un
algoritmo que es menos afectado por valores atıp ́ icos de los datos,
por lo que permite reducir las distancias euclidianas del conjunto de
datos al centro mediano, es decir, es la ubicació n que minimiza las
distancias del conjunto de datos (Lee y Wong, 2001; ESRI, 2015). La
funció n para la estimació n de la mediana espacial y ponderada se
muestran en las ecuaciones 3 y 4.
n
Minå = ( x i - u ) 2 + ( y i - v) 2 -----------------3
i =1
n
Minå f i = ( x i - u ) 2 + ( y i - v) 2 ---------------4
i =1
Donde:
u,v= ajuste matemático de la función mediana
fi= El peso de cada punto pi
La ú ltima medida de tendencia central se denomina, entidad

central que en té rminos llanos es el punto o centroide del conjunto
de datos existente má s cercano la media espacial.
Para ejemplificar estas medidas, se utilizó la informació n de

las UE de las tiendas de conveniencia Oxxo en la Ciudad de Mé xico del
33
2015. Al estimar la media y mediana espacial de la distribució n de

las unidades comerciales Oxxo (media y mediana simple sin
ponderar pues no se tiene informació n sobre el tamañ o de las
tiendas), se observa en la figura 1 una gran proximidad entre ambas
medidas, de hecho se encuentran a poco má s 700 metros entre si y
localizadas en el centro norte de la delegaciones Benito Juá rez, casi
en el lım
́ ite de la delegació n Cuauhté moc, prá cticamente en el centro
de la Ciudad de Mé xico. El caso de la entidad central correspondió a
la sucursal 50 de Oxxo, denominada Siglo XXI que se localizó en
parte sur de la delegació n Cuauhté moc a poco má s de un kiló metro
de la media espacial.
Cabe destacar que estas medidas son globales (porque

resumen el comportamiento de un conjunto de datos en una
localizació n en el territorio), pero no arrojan mayor poder
explicativo de los datos, sin embargo, cuando se utilizan para
comparar temá ticas entre sı́, como en este caso població n y
unidades de comercio de conveniencia, cobran sentido, pues para
este ejercicio se puede establecer que existe una fuerte
correspondencia locacional entre los lugares de residencia de la
població n y la presencia de Oxxos, por lo menos eso indican las
medidas de tendencia central espacial sobre sus distribuciones en el
territorio (figura 1).
34
Figura 1. Ciudad de México. Media, mediana espacial y entidad central

del comercio de conveniencia Oxxo y densidad de población 2015.
Fuente: Elaboració n propia con base en datos de la encuesta intercensal

2015 y DENUE, 2015.
En lo referente a las bondades de ambas medidas se pueden

citar los estudios relacionados con la evolució n de la distribució n de
sucursales bancarias en ciudades donde se muestra de forma general
los cambio ocurridos en las estrategias de localizació n de este servicio
(Garrocho y Campos, 2010), ası ́ como para analizar factores de
asociació n-competencia espacial entre pares de firmas de farmacias
(Garrocho y Campos, 2011) o su aplicació n para el aná lisis del crimen
(Harries, 2009; Eck, et al, 2005).
35
Medidas de dispersión espacial
De forma similar a las medidas de tendencia central espacial,

las medidas de dispersió n espaciales permiten apoyar el aná lisis y
entendimiento de los hechos y fenó menos que se presentan en el
territorio a travé s de dos grandes herramientas: la distancia
está ndar o tıṕ ica y la elipse de desviació n está ndar o desviació n
está ndar elıṕ tica, las cuales son usadas para describir có mo un
grupo de observaciones se dispersa o distribuye alrededor de una
media espacial. Ambas medidas de dispersió n se usan para
complementar las de tendencia central espacial, puede darse el caso
de que los hechos o fenó menos en aná lisis pueden tener medias
espaciales similares, pero tener distribuciones diferentes.
La distancia está ndar trabaja de forma similar a la

desviació n está ndar en estadıśtica clá sica (que mide la distribució n
de los valores de datos alrededor de la media), la diferencia radica en
que se trata de posiciones en el espacio y no hay valores por arriba o
por debajo de una media. En aná lisis espacial la distancia está ndar
genera una entidad cıŕculo alrededor de la media espacial y que
permite visualizar el nivel de dispersió n de la temá tica en aná lisis y
compararla con otras en cuestió n, ademá s de se expresa en las
unidades del sistema de proyecció n que se adopte (Taylor, 1977; Lee
y Wong, 2001; Esri, 2015). Cuando existen traslapes entre las
distribuciones de dos temá ticas diferentes, se asume que está n
espacialmente cercanas, este supuesto fue la base para aplicar la
estadıśtica espacial a los estudios de segregació n residencial, pero
Wong (1999) define que la distancia está ndar no es la medida má s
recomendable para abordar esta temá tica y propone el uso de la
distancia está ndar elıṕ tica que se verá má s adelante.
La ecuació n 5 y 6 muestran las fó rmulas para estimar las
distancias está ndar (simple y ponderada):
36
n n
(x i - x mc ) 2 + å ( y i - y mc ) 2
i =1 i =1
SD = 5
Æ
n n
å f (x i i - x mc ) 2 + å f i( y i - y mc ) 2
i =1 i =1
SDp = n
---------6

i =1
fi
Donde:
xi,yi= Coordenadas del punto i
xmc,ymc= Coordenadas de la media espacial
fi= valor de la variable en el punto i.
El cıŕculo generado por la distancia está ndar puede estimarse

con una o dos desviaciones está ndar. Si el patró n de entidades se
concentra en el centro y con menos entidades en la periferia, se asume
que es una distribució n espacial normal, por lo que el cı́rculo
calculado con una desviació n está ndar cubrirá aproximadamente el
68% de las entidades, cuando se estima la distancia está ndar con dos
desviaciones se cubrirá aproximadamente el 95% de las entidades y a
tres desviaciones está ndar, se tendrıán cerca del 98% de las mismas
(ESRI, 2015).
Para ejemplificar esta medida, se utilizan de nueva cuenta

las UE de los Oxxos, la població n de cada delegació n, ası ́ como sus
medias espaciales de las UE. La ocurrencia de uno o varios
fenó menos en el espacio geográ fico, pueden tener medias
espaciales similares entre sı,́ en el caso de la figura 2, la distancia
entre las medias espaciales de població n y de las UE es de 4.2
kiló metros, que en cierta forma refiere una fuerte correspondencia
entre temá ticas en una ciudad de casi mil 500 km2, aunque la media
espacial de la població n tiende a ubicarse cercano a la delegació n
Iztapalapa, la de mayor població n en la Ciudad de Mé xico.
Cuando se calculan las distancias está ndar (calculadas con

una desviació n está ndar) se observa una diferenciació n clara en la
37
distribució n de las UE y la població n, para el caso de la primera la

distancia está ndar inscribe a las delegaciones centrales (Benito
Juá rez, Cuauhté moc, Miguel Hidalgo, Venustiano Carranza y una
parte importante de Coyoacá n, Iztacalco y Alvaro Obregó n. En el
caso de la població n, la DE, ademá s de incorporar a las previamente
descritas, se extiende significativamente a las delegaciones del
sureste como son Iztapalapa, Tlá huac, Xochimilco, Tlalpan, y en el
norte, de toca parte de Gustavo A. Madero y Azcapotzalco (figura 2).
De esta forma, la distancia está ndar nos brinda una

comparació n visual muy rá pida de la extensió n de la dispersió n
espacial entre diferentes tipos de hechos y fenó menos geográ ficos
(Lee y Wong, 2001), sin embargo, pueden existir casos que al
comparar algunas temá ticas, surja el caso de que tengan medias
espaciales similares y patrones de dispersió n tambié n similares, sin
embargo la direcció n de sus distribuciones pueden ser diferentes.
Para ello, existe otra medida de dispersió n que ha sido ampliamente
difundida en estudios sobre geografıá criminal (Harries, 1999; Eck,
2005; Stangeland y De Los Santos, 2004), ası ́como para estudios de
segregació n residencial (Wong, 1999; Garrocho y Campos, 2015 y
2016), esta medida es la distancia está ndar elı́ptica o elipse
desviacional está ndar (standar deviational ellipse) que aporta un
elemento má s al aná lisis: la tendencia u orientació n de la
distribució n. La elipse tiene tres componentes analıt́icos: el á ngulo
de rotació n, el eje mayor de desviació n y el eje menor de desviació n.
Si un grupo de grupo de puntos o casos registrados en un territorio
exhibe cierta tendencia a orientarse hacia algú n punto cardinal, el
eje mayor registrará la má xima dispersió n de las observaciones;
mientras que el eje menor, perpendicular al mayor, muestra la
direcció n de la mın ́ ima dispersió n de los datos. El á ngulo formado
por el norte y la intersecció n de los ejes mayor y menor corresponde
a la orientació n geográ fica de la distribució n de puntos analizados.
De forma aná loga a lo que ocurre con la distancia está ndar, la
construcció n de las elipses a partir del nú mero de desviaciones
está ndar concentrará potencialmente el mismo porcentaje del
conjunto de datos (Lee y Wong, 2001: Esri, 2015).
La elipse desviacional está ndar se estima con las ecuaciones

7, 8 y 9 para el caso del á ngulo de rotació n.
38
(x i - xmc ) 2
i =1
SDEx = ----------------------7
Æ
n
(y i - y mc ) 2
i =1
SDEy = -----------------------8
n
A+ B
tan F =
C
æ n 2
n
2ö
A = ç å xd i - å yd i ÷
è i =1 i =1 ø
2 2 ----9
æ n 2
n
2ö æ n ö
B = ç å xd i - å Yd i ÷ + 4ç å xd i yd i ÷
è i =1 i =1 ø è i =1 ø
n
C = 2 xd i yd i
i =1
Donde:
xi,yi= coordenadas del punto i.
xmc,ymc= Coordenadas de la media espacial
xdi,ydi= desviaciones de las coordenadas x,y a partir de la
media espacial
n= nú mero de entidades
En la figura 2 se muestran las elipses para las UE y la

població n de las delegaciones, al igual que con la distancia está ndar,
el tamañ o de las elipses varıá conforme a las caracterıśticas de la
distribució n, para este caso llama la atenció n que la orientació n de
las distribuciones son casi idé nticas para UE y població n, develando
un patró n que va de noreste a suroeste en ambas temá ticas, lo que
indicarıá que el patró n de localizació n de UE de los Oxxos estarıá
replicando el patró n de distribució n de la població n.
Como se mencionó anteriormente, las medidas de tendencia

central y de dispersió n espaciales presentan su forma má s comú n
como medidas resumen de una distribució n, sin embargo, la elipse
39
de desviació n puede ser utilizada para la identificació n de

agrupamientos de puntos que su proximidad pueden catalogarse
como clú sters espaciales a escala de UE. Para utilizar esta té cnica se
utilizó en software CrimeStat IV, para identificar agrupaciones
estadı́ s ticamente significativas y se utilizó el algoritmo de
“agrupación jerárquica del vecino más cercano” que ha sido utilizado
en el aná lisis de dañ os por el sismo a escala de manzana (Garrocho,
Campos y Chá vez, 2018). Los pará metros de selecció n fueron una
distancia de 1 kiló metro para el eje má s largo del clú ster y un umbral
de al menos 10 vecinos para aceptar dicha agrupació n como clú ster.
Con estos pará metros se identificaron 16 clú sters ubicados
principalmente en las delegaciones de Cuauhté moc y Benito Juá rez
(9 de los 16 identificados y ademá s son lo que mayor frecuencia
interna registraron) y que son las delegaciones má s centrales de la
Ciudad de Mé xico. Los otros 5 clú ster se encuentran aislados en las
delegaciones Coyoacá n, Miguel Hidalgo, Azcapotzalco, Alvaro
Obregó n y Venustiano Carranza (figura 3). Estos 16 clú sters
agrupan 288 de las 855 UE Oxxo registradas por el DENUE en el
2015, es decir, casi el 34% del total (figura 3).
40
Figura 2. Ciudad de México. Media espacial, distancia

estándar y elipse de desviación para las UE y población, 2015
Fuente: Elaboració n propia con base en datos de la encuesta intercensal

2015 y DENUE, 2015.
41
Figura 3. Ciudad de México. Clústers de UE Oxxo, 2015
Fuente: Elaboració n propia con base en DENUE, 2015.
COMENTARIOS FINALES Y RECOMENDACIONES
Sin duda la estadı́ s tica espacial representa un salto

cuantitativo y cualitativo sobre la estadıśtica clá sica para el aná lisis
de temas diversos que se presentan en el espacio geográ fico. En este
ejercicio se rescata el valor analıt́ico de medidas elementales del
aná lisis exploratorio de datos que muchas veces son desdeñ adas
con considerarlas igual de simples que sus pares de la estadıśtica
clá sica, sin reparar en la diferencia que radica el incluir la
informació n relativa a la localizació n sumada a la de los atributos
vinculados a cada observació n.
42
Las medidas de tendencia central y de dispersió n espacial

analizadas en este trabajo no solo representan un avance en los
mé todos de la nueva geografıá cuantitativa con respecto al manejo
tradicional con la estadı́stica clá sica, tambié n representan una
oportunidad para explorar su utilizació n para entender, explicar y
proponer respuestas ante problemas que se presentan en el
territorio de forma cotidiana, a manera de ejemplo imaginemos la
utilizació n de la media y mediana espacial para el aná lisis de la
localizació n de empresas que compiten entre sı,́; o bien, utilizar la
distancia está ndar y la elipse desviacional para elegir la localizació n
para una unidad comercial que busque aprovechar las economıás de
aglomeració n en una ciudad. Estos son ejemplos muy cotidianos que
pueden, sin tanto conocimiento en la estadı́stica espacial, ser
analizados con medidas tan simples como las medidas de
distribució n geográ fica abordadas en este capıt́ulo.
Actualmente las investigaciones que tienen como temá tica

el aná lisis espacial tienden a privilegiar el uso de otras té cnicas má s
avanzadas como la autocorrelació n espacial, la regresió n
geográ ficamente ponderada, la regresió n exploratoria, la
autocorrelació n espacio temporal, a veces no aprovechando todo el
potencial de las mismas. La comprensió n a fondo de las medidas
bá sicas puede abonar en el manejo y dominio de las de mayor
complejidad, en otras palabras se debe volver a lo simple (back to
the basics) para entender lo complejo, dado que el campo de
conocimiento del aná lisis espacial continú a en construcció n.
BIBLIOGRAFÍA
Anselin, Luc. From SpaceStat to CyberGIS: Twenty years of spatial

data analysis software. En Garrocho, Carlos (editor). Advances in
commercial geography. Prospects, methods and aplications. El
Colegio Mexiquense, Zinacantepec, Mé xico, 2013.
Benarbé -Poveda, Miguel A. y Carlos M. Ló pez Vá zquez.

Fundamentos de las Infraestructuras de Datos Espaciales (IDE).
Madrid: Universidad Polité cnica de Madrid, 2012.
43
Berry, J. K. The Unique Character of Spatial Analysis. GIS WORLD,

1996, vol. 9, p. 29-31.
Berry, Brian. Commercial and economic geography: past and future.

En Garrocho, Carlos (editor). Advances in commercial geography.
Prospects, methods and aplications. El Colegio Mexiquense,
Zinacantepec, Mé xico, 2013.
Buzai, Gustavo D. Geografıá Global. Buenos Aires, Editorial Lugar,

1999.
Buzai, Gustavo D. Conceptos fundamentales del aná lisis espacial que

sustentan la investigació n cientıf́ica basada en geotecnologıás. En
Fuenzalida et al.Geografı́a, geotecnologı́a y aná lisis espacial:
tendencias, mé todos y aplicaciones. Editorial Triá ngulo, Santiago de
Chile, 2015.
Buzai D., Gustavo y Claudia A. Baxendale. Aná lisis socio espacial con
Sistemas de Informació n Geográ fica, Buenos Aires: GEPAMA, 2006.
-------------------. Aná lisis Socioespacial con Sistemas de Informació n
Geográ fica. Perspectiva cientıf́ica / temá ticas de base raster. (Tomo
1). Lugar Editorial. Buenos Aires, 2011.
Capel, Horacio; Arteaga, J. Luis. Las nuevas geografıás. Ed. Salvat,

Barcelona. 1982.
Ebdon, David. Statistics in geography. 1985.
Eck, John, et al. Mapping crime: Understanding hotspots. 2005.
E S R I . A r c G I S f o r d e s k t o p , h e l p c e n t e r . E n
htpp://desktop.arcgis.com/es/desktop descargado el 4 de abril de
2015.
Garrocho, Carlos y Campos-Alanıś, Juan. Organizació n espacial del

sistema bancario dentro de la ciudad: estrategia territorial,
accesibilidad y factores de localizació n. Economı́a, sociedad y
territorio, 2010, vol. 10, no 33, p. 413-453.
44
--------------------------. Estrategia espacial de cadenas de farmacias en

el espacio intraurbano del á rea metropolitana de Toluca: dispersió n,
orientació n y aglomeració n. En Aguilar, Adriá n y Escamilla, Irma
(coords). Periurbanizació n y sustentabilidad en grandes ciudades.
Mé xico, D.F, Miguel Angel Porrú a/IG UNAM, 2011.
--------------------------. Ré quiem por los indicadores no espaciales de

segregació n residencial. Papeles de població n, 2013, vol. 19, no 77,
p. 269-300.
--------------------------. Segregació n Intraurbana de los Adultos

Mayores: teorı́a, evidencia y opciones de polı́tica, El Colegio
Mexiquense, Mé xico, 2016.
Garrocho, Carlos, Juan Campos Alanıś y Tania Chá vez Soto. Aná lisis
espacial de los inmuebles dañ ados por el sismo 19S-2017 en la
Ciudad de Mé xico. En Salud Pública de México, No. 60, suplemento I.
pp. 31-40.
Gó mez PlnÉiro, J. Las té cnicas tradicionales del aná lisis geográ fico.
Larralde, nU, 1994, vol. 17, p. 341-356.
Gutié rrez Puebla, Javier y Michael Gould. SIG: Sistemas de

Informació n Geográ fica. Madrid: Sın
́ tesis, 2000.
Harries, Kent A. Mapping crime: Principle and practice. 1999.
INEGI. Encuesta Intercensal 2015. INEGI, 2016.
INEGI. Directorio Estadıśtico Nacional de Unidades Econó micas

2015. INEGI, 2016.
Kellerman, A. Centrographic Measures in Geography CATMOG 32.

En Geo Abstracts, Norwich. 1981.
Lee, Jay; Wong, David WS. Statistical analysis with ArcView GIS. John
Wiley & Sons, 2001.
Mitchell, Andy. The ESRI Guide to GIS Analysis, Volume 2. ESRI Press, 2005.
45
Moreno, Rosina y Vayá , Esther. Té cnicas economé tricas para el

tratamiento de datos espaciales: la econometrıá espacial. Edicions
Universitat Barcelona, 2000.
Stangeland, Per; De Los Santos, Marıá José Garrido. El mapa del

crimen: herramientas geográ ficas para policı́as y criminó logos.
Tirant lo Blanch, 2004.
Taylor, Peter J. Quantitative methods in geography: an introduction

to spatial analysis. Houghton Mifflin, 1977.
Tobler, Waldo. A computer model simulation of urban growth in the

Detroit region. Economic Geography, 1970, no 46.
Wong, David W.S. “Spatial indices of segregation”, Urban Studies, Vol.

30, pp. 559-572, 1993.
Wong, David WS. Geostatistics as measures of spatial segregation.

Urban Geography, 1999, vol. 20, no 7, p. 635-647.
46
Capítulo 2
MÉTODO PARA EL ANÁLISIS DE DISTRIBUCIÓN

DE FRECUENCIAS
Aplicación al estudio agroecológico y sociocultural de los

huertos familiares en tres localidades del Estado de México
Jesús Gastón Gutiérrez Cedillo

José Carmen García Flores
Miguel Ángel Balderas Plata
SÍNTESIS
La metodologı́a implementada en el aná lisis de huertos
familiares utilizó los SIG en la identificació n de aspectos espaciales de
estos agroecosistemas. Posteriormente, mediante investigació n
participativa se realizó la comprensió n sobre el manejo agroecoló gico,
ası ́ como los factores socioculturales vinculados a estos sistemas. Se
aplicó en tres localidades de la zona de ecotono del Estado de Mé xico.
INTRODUCCIÓN
La metodologıá aplicada consta de las siguientes etapas: 1)
el aná lisis espacial sobre la distribució n y frecuencia de los huertos
familiares en las localidades estudiadas; 2) el aná lisis agroecoló gico
de estos agroecosistemas; y 3) el aná lisis sociocultural de las
familias que poseen, administran y manejan agroecosistemas con
huertos familiares.
El estudio de los agroecosistemas con huertos familiares,
formulada por Gutié rrez et al. (2015, 2016, 2017), Garcıá (2016) y
Garcıá et al. (2016, 2018). Se sustenta bajo la postura filosó fica
analıt́ica-hermené utica, debido a que considera la cosificació n del
objeto de estudio para el aná lisis objetivo de la realidad; con ello
entender los procesos que conllevan a su comprensió n ló gica y
47
Jesús Gastón Gutiérrez Cedillo, José Carmen García Flores y Miguel Ángel Balderas Plata
progresiva de una manera sisté mica hasta lograr una integració n de

los componentes, factores y relaciones subyacentes en el estudio de
los huertos familiares.
Los procedimientos metodoló gicos detallados a

continuació n forman parte de una propuesta integradora de
enfoques cuantitativo y cualitativo en el aná lisis del espacio
geográ fico sobre los Agroecosistemas con Huerto Familiar (AEHF),
ası ́ como la identificació n del manejo agroecoló gico y los factores
socioculturales de las familias que cultivan los AEHF. Estos
agroecosistemas son complejos, su mantenimiento depende de la
organizació n familiar que contribuye a la conservació n in situ de
agrobiodiversidad (Gutié rrez et al., 2015; Garcıá et al., 2016a; Garcıá
et al., 2016c; Garcı́a et al., 2017a). Ademá s, brindan mú ltiples
beneficios ambientales, econó micos, ecoló gicos, culturales y
sociales (Garcıá et al., 2016a; Garcıá y Gutié rrez, 2016; Gutié rrez et
al., 2016a). Varios autores como Garcıá et al. (2016b), Garcıá et al.
(2017b), Gutié rrez et al. (2016b) y Gutié rrez et al. (2018)
comparten esta afirmació n, añ aden que los huertos familiares son
estables y multifuncionales. Por esta razó n Garcı́a y Gutié rrez
(2016) y Gutié rrez et al. (2017a) reportan que a travé s del manejo
del huerto se preserva la cultura local, ya que está n presentes
costumbres, tradiciones y creencias.
La aplicació n del mé todo se ha realizado en diferentes

investigaciones, se han obtenido resultados positivos en el aná lisis
regional (Gonzá lez, 2015; Garcıá, 2016) y local (Gutié rrez et al.,
2015; Garcı́a et al., 2016a; Garcı́a et al., 2017c). Este capı́tulo
presenta su aplicació n en tres localidades rurales ubicadas en el
ecotono del Estado de Mé xico. La informació n generada es valiosa en
el estudio de los AEHF, y aporta a la compresió n de la relació n
sociedad-naturaleza en el á mbito local.
48
Métodos para el análisis de distribución de frecuencias
ANÁLISIS ESPACIAL SOBRE LA DISTRIBUCIÓN Y FRECUENCIA DE LOS

HUERTOS FAMILIARES EN LAS LOCALIDADES ESTUDIADAS
El aná lisis espacial de los agroecosistemas con huerto

familiar utilizó mé todos de fotointerpretació n cartográ fica, como
insumos se usaron imá genes satelitales Spot 5, Landsat y Geo Eye de
la zona de estudio, adquiridas mediante Google Earth. La
identificació n de los AEHF en las localidades incluyó el aná lisis
estadıśtico y cartográ fico de estos agroecosistemas, posteriormente
los resultados se verificaron mediante trabajo de campo.
Las imá genes satelitales se tomaron como base para obtener
la localizació n de cada agroecosistema, su superficie, la frecuencia
con la que se encuentran los huertos en las tres localidades, ası ́como
la distribució n espacial de los AEHF, el procedimiento se realizó en
el software ArcGIS 10.2©Copyright 2015 ESRI. De acuerdo con los
siguientes pasos:
1. Mediante recorridos sistemá ticos de campo en la zona de
estudio, se tomaron datos de ubicació n con un GPS Magellan
eXplorist 200, la finalidad fue georreferenciar los huertos familiares
en las localidades. 2. Los datos espaciales de cada agroecosistema
por localidad se cargaron en Google Earth y se digitalizaron en
formato KML para ser exportadas en formato Shape. Esta
informació n contribuyó a la delimitació n y obtenció n de un polıǵono
para cada huerto. 3. A partir de esos polıǵonos, con el uso del
software ArcGIS 10.2© se calculó el á rea ocupada por cada huerto, a
su vez se estimó la superficie que ocupan los agroecosistemas en
cada localidad.
4. Se generó la base de datos para el aná lisis estadıśtico
espacial de los AEHF en cada localidad, se elaboraron capas de
ubicació n de los huertos familiares, se determinaron las siguientes
variables: nú mero de huertos, superficie promedio de los huertos
(m2), superficie total ocupada por los huertos (m2), porcentaje de la
superficie ocupada por los huertos (%), superficie total de la
localidad (m2). Los resultados obtenidos se compararon entre cada
una de las localidades y su correspondiente cabecera municipal. 5.
Se realizó el cá lculo del centro medio que representa las
coordenadas X y Y promedio de todos los huertos en el á rea de
49
estudio. Util para identificar los cambios en la distribució n o

comparar las distribuciones de distintos huertos, ası ́como el cá lculo
de distribució n direccional (elipse de desviació n está ndar) que
resumen las caracterıśticas espaciales de las entidades geográ ficas
como son: tendencia central, dispersió n y tendencias direccionales;
se representa con una elipse que utiliza las ubicaciones de los
huertos y permite observar su distribució n y orientació n. 6. Por
ú ltimo se realizó el cá lculo del promedio de vecinos cercanos
(average nearest neighbor), con base en la distancia promedio de
cada huerto hasta el huerto vecino má s cercano. Si el ın ́ dice es menor
que 1, el patró n equivale a un agrupamiento y si el ın ́ dice es mayor
que 1, la tendencia es de dispersió n.
ANÁLISIS AGROECOLÓGICO DE LOS HUERTOS FAMILIARES

En esta etapa se analizaron 15 huertos en cada localidad, se
consideraron aquellos que tenıán una amplia agrobiodiversidad, un
manejo integral y estuvieron conservados. Se visitaron cada uno de
los huertos para registrar las diferentes especies vegetales
mediante observació n directa en campo, tambié n se identificaron
usos de las especies, ası́ como los beneficios obtenidos de las
plantas. Asimismo, se estudiaron las funciones de los componentes
de los agroecosistemas, ya que contribuyen a la nutrició n familiar,
incrementan el ingreso de la familia, la fertilizació n y el reciclaje de
los restos orgá nicos.
Se investigaron las prá cticas de manejo en el huerto, roles
para distribuir el trabajo, ası ́como las té cnicas implementadas en su
cuidado. Esto contribuyó a la tipificació n de los AEHF, caracterıśticas
que poseen, su lugar estraté gico respecto a la vivienda, su tamañ o y
configuració n. El estudio fue complementado con entrevistas
semiestructuradas sobre la percepció n de las familias para la
identificació n de los beneficios y servicios ecosisté micos que los
huertos familiares proveen.
Las entrevistas ademá s destacaron la importancia que los
AEHF tienen para las familias, tambié n se identificaron los valores
de uso, el aprovechamiento de las especies del huerto y destino de
los productos del huerto. Lo anterior precisó la relevancia de los
huertos como una alternativa que contribuye a la sustentabilidad
50
ambiental, a la seguridad alimentaria de las familias rurales y la

cohesió n social. Los beneficios fueron categorizados en é ticos-
esté ticos y cientıf́ico-educativos.
Los datos de las entrevistas fueron procesados en el
software SPSS versió n 11. Se generó una base de datos de tipo
alfanumé rica, donde se registró la informació n recopilada, cada
pregunta fue codificada y a las respuestas se le asignó un valor
numé rico que permitió su aná lisis en el software. Las pruebas
estadıśticas realizadas fueron de estadıśtica descriptiva que dieron
caracterı́ s ticas del conjunto de datos. De esta manera se
interpretaron los resultados, y se realizó el aná lisis agroecoló gico y
sociocultural sobre los AEHF.
ANÁLISIS SOCIOCULTURAL DE LAS FAMILIAS QUE CULTIVAN LOS

HUERTOS FAMILIARES
En esta etapa se aplicó el mé todo de investigació n
participativa en la descripció n sociocultural de las familias que
cultivan y poseen huertos familiares, ası́ como las actividades
realizadas en los agroecosistemas. Mediante talleres participativos
se promovió el diá logo e intercambio de conocimientos con los
participantes, esto facilitó la obtenció n de informació n cualitativa
en el aná lisis de condiciones ambientales, sociales y culturales del
contexto local.
El proceso de investigació n participativa aumentó la
comprensió n de las actividades de cuidado realizadas por las
familias en los AEHF, la adaptació n a las condiciones ambientales y
la relació n entre estos aspectos. Ademá s, se interpretaron los
factores socioculturales vinculados con la familia. El diseñ o e
implementació n de la investigació n participativa se desarrolló
desde la perspectiva de Educació n Ambiental, incluyó : a) aplicació n
de un cuestionario inicial y final para conocer caracterıśticas de las
familias, b) tres talleres participativos para profundizar sobre los
agroecosistemas, c) observació n participante, y d) entrevistas
informales que fortalecieron la interpretació n de la cosmovisió n.
51
APLICACIÓN EN TRES LOCALIDADES DEL ECOTONO, EN EL ESTADO DE

MÉXICO
La zona de estudio se ubica en la zona de transició n

ecoló gica (ecotono), entre las regiones biogeográ ficas Neá rtica y
Neotropical; acentuada por gradientes de latitud y altitud. Su
importancia geográ fica, ecoló gica y socioeconó mica se asocia con la
coexistencia de especies vegetales y animales de ambas regiones
(Garcıá et al., 2017c). Estas condiciones favorecen la presencia de
los huertos familiares con una alta riqueza de especies cultivadas en
ellos.
Las localidades estudiadas son Colonia Juá rez, El Carmen y

Progreso Hidalgo, pertenecientes a las municipalidades de
Malinalco, Tenancingo y Villa Guerrero respectivamente (figura 1).
El clima predominante es semicá lido, subhú medo con lluvias en
verano, registra una precipitació n promedio de 1,305 mm al añ o.
Las rocas presentes son ıǵneas y sedimentarias, mientras que los
tipos de suelo está n formados por materiales volcá nicos, arcillosos y
arenosos. La vegetació n está compuesta de bosques mixtos de pino,
encino y selva baja caducifolia (Garcıá et al., 2017c). La població n
total por las tres localidades son 2,799 habitantes, la mayorıá son
cató licos, a su vez son campesinos que cultivan maıź, frijol, calabaza,
haba y chile manzano. La infraestructura escolar que tienen las
localidades es de nivel bá sico: preescolar, primaria y secundaria.
Cuentan con servicios de luz, agua y salud, pero carecen de
alcantarillado sanitario. Las condiciones descritas previamente
indican que las personas desarrollan actividades agrıćolas, como
resultado, han logrado la adaptació n sociocultural de la amplia
agrobiodiversidad cultivada en los huertos familiares.
52
Figura 1. Localizació n del á rea de estudio
Análisis espacial de la distribución y frecuencia de los AEHF en las

localidades estudiadas
La localidad de Colonia Juá rez, Malinalco, posee una

2
superficie de 74,495m , fueron identificados 13 huertos, el á rea que
ocupan equivalente al 6.06% de la superficie total de la localidad. La
tendencia de distribució n espacial de los AEHF fue homogé nea con
respecto a al á rea urbanizada, debido a condiciones de humedad y
microclimá ticas que favorece el crecimiento de la vegetació n
compone al agroecosistema. Ademá s se encontró que el
establecimiento de los huertos familiares es cercano a la vıá de
comunicació n principal, asociado con la cercanıá a la zona forestal
que aporta materia orgá nica al suelo; tambié n al rıo
́ Chalma por la
disponibilidad de agua de este cauce. El valor promedio de vecinos
cercanos fue Z 0.49, significa que la distancia y distribució n de los
AEHF es aleatorio.
53
El aná lisis estadıśtico espacial evidenció que el nú mero de

huertos, superficie promedio, ası ́ como la superficie total ocupada
por los agroecosistemas fue menor en Colonia Juá rez respecto a la
cabecera municipal de Malinalco (cuadro 1). Los resultados
muestran una mayor presencia de huertos familiares en la zona
urbana, asociada con su antigü edad y la concentració n de població n
en esta á rea del municipio, no obstante la cabecera municipal
todavıá cuenta con caracterıśticas rurales, aun cuando se considera
urbana.
Cuadro 1. Aná lisis estadıśtico espacial de los huertos familiares en

Colonia Juá rez, Malinalco, Estado de Mé xico
Localidad N° de huertos Superficie Superficie total Superficie total
promedio de los ocupada por de la localidad
huertos (m2) huertos (m2) (m2)
Colonia Juárez 13 347 4 513 74 495
Cabecera municipal 78 580 45 258 2 041 959
Total 91 433 49 771 2 115 404
El Carmen, Tenancingo, tiene una superficie de 211,827m2,

se identificaron 12 huertos que suman 6,826m2, esto representa
3.22% de la superficie total de la localidad. La tendencia de
distribució n espacial de los huertos familiares se identificó al centro
de la localidad, se infiere que es debido a la antigü edad del
asentamiento y por la mayor superficie que poseen las viviendas en
esta á rea; ademá s se asoció con la presencia de la cubierta vegetal
que rodea al poblado. El valor promedio de vecinos cercanos en El
Carmen fue Z 4.70, representa que la distancia y distribució n de los
huertos familiares es dispersa.
Respecto al aná lisis estadıśtico espacial, El Carmen (cuadro

2) mostró que la cabecera municipal de Tenancingo posee mayor
nú mero de huertos familiares, sin embargo, la superficie promedio
es mayor en la localidad. Los resultados se explican debido a que la
cabecera municipal cuenta con mayor nú mero de AEHF, pero el
proceso de urbanizació n ha reducido la superficie destinada a los
huertos familiares.
54

El Carmen, Tenancingo, Estado de Mé xico
Localidad N° de huertos Superficie Superficie total Superficie total
promedio de los ocupada por de la localidad
El Carmen 12 569 6 826 211 827
Total 45 546 20 983 1 442 083
La superficie de Progreso Hidalgo, Villa Guerrero es de

46,169m2, se identificaron 15 huertos que sumaron 9,363m2,
equivalente a 20.08% de la superficie total de la localidad. La
tendencia de distribució n espacial de los AEHF fue en la zona centro
y hacia el este del poblado, donde se localizan los predios má s
antiguos, amplios y con disponibilidad de agua. El valor promedio de
vecinos cercanos en la localidad fue Z 3.99, significa que la distancia
y distribució n de los huertos familiares es dispersa.
El aná lisis estadıśtico espacial en Progreso Hidalgo arrojó

un mayor nú mero de huertos familiares en la cabecera municipal de
Villa Guerrero (cuadro 3), pero la superficie promedio es mayor en
la localidad. Estos resultados se deben a la continua disminució n de
la superficie de los huertos familiares en el á rea urbanizada.

Progreso Hidalgo, Villa Guerrero, Estado de Mé xico
Localidad N° de Superficie Superficie total Superficie total
huertos promedio de los ocupada por de la localidad
Progreso Hidalgo 15 624 9 363 46 169
Total 82 651 99 834 2 295 603
La informació n obtenida del aná lisis espacial acerca de la

distribució n y frecuencia de los AEHF en las localidades estudiadas
reveló que en el municipio de Malinalco se presenta el mayor
nú mero de huertos familiares, ası ́ como la mayor superficie total
ocupada. En Villa Guerrero la superficie promedio de los
agroecosistemas fue mayor que en los otros municipios. A partir de
los datos se infiere que la tradició n agroecoló gica de los huertos
familiares está má s arraigada en Malinalco.
55
Análisis agroecológico de los huertos familiares en las
localidades estudiadas
La superficie promedio del huerto familiar son 500m2. Los

componentes que integran a los agroecosistemas con huerto
familiar son: vivienda (99%), patio (75%), pileta (74%), cerco
(53%), corral para crıá de animales (42%), hortaliza (12%) y zona
de composta (10%). En el centro de Mé xico Gutié rrez et al. (2015),
Garcıá et al. (2016a) y Garcıá et al. (2016c) consideran importante a
los componentes, contribuyen a definir al agroecosistema respecto
a otros sistemas agrıćolas. La configuració n espacial y organizació n
de los componentes del huerto familiar depende de las condiciones
del predio, ubicació n de la vivienda, antigü edad del predio y la edad
del jefe de familia.
Se identificaron 128 especies vegetales, los productos que

generan son hojas, flores, frutos y semillas son aprovechados para la
alimentació n de la familia. Cuando realizan la poda o deshierbe,
utilizan hojas, ramas y hierbas para alimentar a animales como
cerdos, conejos o borregos, en otros casos tambié n pueden ser
destinadas al compostaje. Las ramas en algunos casos son usadas
como cerco provisional para delimitar la propiedad.
Las personas perciben positivamente el cultivo de la

agrobiodiversidad cerca de su vivienda, ya que son ú tiles para
repeler plagas, mediante el uso de plantas aromá ticas como la ruda,
epazote o santa marı́a. En las investigaciones de Garcı́a et al.
(2016a), Garcıá et al. (2016b) y Garcıá et al. (2016c) destacan los
usos de las especies para la obtenció n de beneficios sociales,
culturales y ambientales. Asimismo Garcı́ a et al. (2018) ha
reportado que funge como un medio de educació n no formal de
padres a hijos al compartir su experiencia y conocimientos.
En el corral para crıá de animales ubicado dentro del huerto

familiar fueron registradas 13 especies, que fueron las siguientes:
pollos y gallinas (76%), cerdos (17%), caballos (11%), conejos
(10%), borregos (6%), guajolotes (4%) y vacas (3%). En el interior
del agroecosistema coexisten varios animales que son alimentados
con desperdicios de cocina, frutas demasiado maduras, tortillas
56
duras y pan enmohecido. Para Garcıá et al. (2016c) la crianza de estas

especies representa un ahorro para las familias, mientras que Garcıá
et al. (2016b) señ ala que el estié rcol es utilizado como abono, por su
parte Garcıá et al. (2018) reporta que es incorporado a la composta.
El cultivo de hortalizas es poco frecuente, quizá s se debe a la

disminució n del espacio de los AEHF, o tal vez debido a que no se
tiene el há bito de cultivar verduras, ya que en su actividad laboral es
lo que hacen y prefieren alejarse de esta labor al llegar de su jornada
diaria de trabajo. Gutié rrez et al. (2015) y Garcıá et al. (2018)
señ alan que las familias complementan la dieta con los productos
que cultivan en la hortaliza, por ello le asignan una importancia a
este componente y sugieren su importancia en el establecimiento
dentro del agroecosistema.
El reciclaje de restos orgá nicos es una actividad que realizan

las familias en dos maneras diferentes, 40% elabora composta que
posteriormente reintegran al huerto, plantas en macetas u
hortaliza; mientras que 60% coloca hojas, ramas y cá scaras de fruta
directamente en la base de los á rboles para su descomposició n. El
compostaje en los AEHF tambié n fue observado por Gutié rrez et al.
(2017) y Garcı́a et al. (2017a). Las hojas de los á rboles son
aprovechadas para tres usos: el primero como cobertura del suelo
para mantener la humedad, dejan que se acumulen en el lugar donde
caen; el segundo en la elaboració n de composta; y el tercero en la
alimentació n de animales pequeñ os.
La pileta es el lugar que sirve para el almacenamiento de agua,

de acuerdo con Garcıá et al. (2016a) y Garcıá et al. (2018) es
importante para las familias debido a que se utiliza para lavar ropa y
trastos. Esta investigació n encontró que se usa para que los animales
tomen agua y se rieguen con cubetas el huerto y la hortaliza. Ademá s,
el agua jabonosa se reutiliza en el riego de plantas. El cerco en
ocasiones es vivo, lo conforman colocando á rboles y arbustos con
espinas o urticantes para delimitar el terreno de la familia.
Las caracterıśticas de los agroecosistemas es que son poco

tecnificados, no utilizan insumos quım ́ icos e implican mano de obra
familiar (Garcıá et al., 2016a; Garcıá et al., 2018). En este sentido el
mantenimiento de los componentes del AEHF se lleva a cabo con la
57
participació n de toda la familia: 64% madre, 60% padre, 22% hijos y

4% abuelos, sin embargo, la responsable del cuidado del huerto
familiar es la mujer. Las labores incluyen: 62% poda, 42% deshierbe,
31% cosecha, 27% control de plagas, 22% abonos naturales, 22%
riego, 18% encalado, 16% limpieza y 16% siembra. En promedio los
miembros de la familia destinan 5 horas a la semana, la motivació n
para realizar las tareas se relacionan con el gusto 60%, el tiempo
para hacerlo 16% y la obtenció n de productos 16%. Para Garcıá et al.
(2016a), Gutié rrez et al. (2017b), Gutié rrez et al. (2018) y Garcıá et
al. (2016b) la mujer es la principal responsable del huerto.
La participació n de los integrantes de la familia mantiene en

buenas condiciones los diversos componentes. No obstante, en su
percepció n consideran que es parte de sus actividades diaria. A
partir de la distribució n de las tareas de cuidado del agroecosistema,
se promueve la interacció n familiar y la relació n con sus vecinos; a
travé s del intercambio de productos y conocimientos, se refuerza la
integració n al interior de la familia, ademá s propicia la cohesió n
social de la comunidad. Los huertos familiares son utilizados para
otros fines, por ejemplo, actividades lú dicas, recreació n familiar,
eventos sociales y transmisió n del conocimiento tradicional
(Gutié rrez et al., 2016d; Gutié rrez et al., 2017b; Garcıá et al. 2017c).
Los AEHF fungen como mecanismo para adquirir y compartir

saberes locales mediante las actividades de siembra, cultivo y cosecha.
El aprendizaje inicia en la infancia mientras observan, practican y se les
explica de manera oral como se hace. En la etapa de la adolescencia han
recibido el conocimiento necesario, y lo aplican en el trabajo diario que
hacen en el campo; y en la adultez refuerzan los conocimientos
mediante cursos, talleres o asesorıás té cnicas. El ambiente donde
crecen, la ocupació n e interacció n en la localidad propicia la
comprensió n de factores socioculturales que influyen en los
conocimientos sobre el manejo del huerto y de la agrobiodiversidad. En
este sentido, son espacios utilizados con propó sitos é tico-esté tico y
cientıf́ico-educativo (Garcıá et al., 2016b; Garcıá et al., 2018).
Los huertos familiares contribuyen en la preservació n del

patrimonio biocultural, ya que involucran la implementació n de
aspectos de la cultura local como el uso de objetos para cuidar la
agrobiodiversidad, por ejemplo contra el mal de ojo, envidia o malas
58
energıás colocan un pedazo de tela color rojo. Asimismo influyen

cuestiones religiosas para tener una buena cosecha, o que una
planta crezca sana. Tambié n se observaron manifestaciones ligadas
con las creencias, como el hecho de colgar algú n artıćulo para que el
á rbol de fruta, regañ ar las plantas o incluso platicar con ellas con el
propó sito de establecer una conexió n de cariñ o. Durante las
actividades de mantenimiento se interconectan intrın ́ secamente
creencias, tradiciones, costumbres e ideas, implementadas en el
aprovechamiento de los AEHF.
En las localidades todavı́a practican té cnicas agrı́colas

adaptadas a su entorno, algunos ejemplos son: uso de ceniza para
evitar plagas, lo que al mismo tiempo brinda nutrientes a las plantas;
intercalado de á rboles y arbustos que se protegen entre ellos;
reutilizació n del agua para el riego de plantas, deshierbe con
machete, por mencionar algunas actividades llevadas a cabo en el
c u i d a d o d e l h u e r t o fa m i l i a r. L o s s a b e re s l o c a l e s s o n
complementados con conocimientos té cnicos, ası ́ como plá ticas
informales de la experiencia personal de los buenos y malos
resultados obtenidos. Las té cnicas agroecoló gicas contribuyen a
tener conciencia sobre el cuidado de los recursos naturales, la
importancia del AEHF en la subsistencia familiar y del cultivo de
alimentos se da de forma natural.
Beneficios que las familias rurales obtienen de los huertos

familiares
Los beneficios recibidos de los huertos familiares influyen

en la alimentació n de las personas, contribuye a la salud y aporta a la
economıá familiar derivado de la venta o intercambio de productos.
Las familias consumen frutas, plantas medicinales, condimentos,
hojas, huevo, leche, verduras y tallos, lo que da evidencia de que es
un sistema que provee una variedad de alimentos. El destino
principal es el autoconsumo, esto representa un ahorro en los
ingresos familiares. Ademá s la venta de productos de 30 especies
frutales reportadas refleja la importancia que los AEHF representan
para la economıá de las familias rurales.
59
Algunos beneficios ambientales de los huertos fueron

relacionados con los servicios ecosisté micos, como un microclima
agradable, ya que al permanecer bajo la sombra de los á rboles
pueden refugiarse del calor, logran mantener una temperatura
homogé nea durante el dıá y una humedad que favorece el confort de
su vivienda; ademá s estos fungen como refugio de animales
silvestres. Los beneficios socioculturales identificados fueron la
interacció n familiar (85%) y la relació n con otras personas ajenas a
la vivienda (15%). La forma en que el AEHF favorece la relació n de
las personas es por medio del intercambio de productos, debido a
que ası ́complementan la dieta con otros alimentos que no producen
en su agroecosistema.
En relació n con el conocimiento que poseen para el

mantenimiento del huerto, 64% de los personas lo recibieron de su
padre, debido a que es una prá ctica tradicional que pasa de
generació n en generació n, a travé s de padres a hijos. La transmisió n
del conocimiento acerca del mantenimiento es compartido en 53%
de los casos, y quien lo recibe son hijos, nietos y vecinos.
Aproximadamente 90% de las personas no ha recibido asesorıá
para el mantenimiento del agroecosistema, sin embargo 50% de las
familias está n interesadas en recibir capacitació n para mejorar el
estado del huerto.
Características sociales de los dueños de huertos familiares
Los personas que participaron en los talleres participativos

en las tres localidades tienen entre 20 y 70 añ os de edad, en total
fueron 53 personas que cultivan huertos familiares; de está s 48
fueron mujeres. La participació n mayoritariamente femenina se
debió a que son las encargadas de cuidar el agroecosistema, quieren
aprender a mejorar el estado del huerto familiar, buscan
oportunidades que beneficien a la familia, les agrada trabajar en
grupo, se involucran fá cilmente, les gusta compartir e intercambiar
sus conocimientos, ademá s contaban con disponibilidad para
participar.
60
El nivel escolar de las personas es bá sico, distribuido de la

siguiente manera: 25% primaria incompleta, 30% primaria, 7 %
secundaria incompleta, 19% secundaria y 16% bachillerato y 3 %
universidad. La ocupació n de las personas fueron amas de casa
(90%) y campesinos (10%), actividades asociadas a la relació n
entre el gé nero de los participantes y la ocupació n. Estos son
factores importantes que condiciona laboralmente a las personas,
ya que al poseer bajo nivel educativo, las mujeres se dedican a
actividades domé sticas, mientras que los hombres son campesinos.
Sin embargo, su ocupació n favorece el desempeñ o de las actividades
de mantenimiento en el huerto familiar, ya que está n ın ́ timamente
ligadas al cultivo de plantas. Esto hecho refuerza los conocimientos
tradicionales debido a la prá ctica constante y favorecen el uso, ası ́
como el aprovechamiento de productos del huerto.
Los huertos familiares son una importante fuente de alimentos

para las familias, de acuerdo con Garcıá et al. (2016b), Gutié rrez et al.
(2017a), Garcıá y Gutié rrez (2016) y Garcıá et al. (2017c). De acuerdo
con Gutié rrez et al. (2015) al ser una zona de transició n ecoló gica la
diversidad de especies es alta; la importancia de los huertos familiares,
junto con el aprovechamiento y el manejo de estos, favorecen la riqueza
de especies. Los productos alimenticios que obtienen del huerto
familiar son de origen vegetal y animal, proveen frutos, hojas, semillas,
tallos, raıćes, tubé rculos, flores, savia, hortalizas, carne, leche, huevo, y
su principal destino es para autoconsumo familiar. Gutié rrez et al.
(2016a) y Garcıá et al. (2016b) consideran que contribuyen a la
seguridad alimentaria de las familias. Ademá s contribuye en el ingreso
familiar, cuando hay excedentes de productos se destinan a la venta o
intercambio; y el autoconsumo favorece el ahorro ya que no compran
estos alimentos producidos en el agroecosistema.
Las personas consideran que al comer lo que han cultivado

cuidan su salud ya que saben de dó nde proviene, lo que utilizaron en
su producció n y como fueron regados. La diversidad de productos que
consumen del huerto incluyen: 96% fruta, 47% hojas, 42%
condimentos, 31% plantas medicinales, 23% carne, 20% huevo y
13% verduras. El aporte de los huertos familiares es una oportunidad
en la alimentació n de la personas en momentos de carencia, esto
favorece la resiliencia social de las familias con bajos recursos.
61
El valor de uso que las personas atribuyen al huerto familiar son

la recreació n 33%, ornamental 33% y para reunió n de la familia 24%.
Los valores de uso está n relacionados con la vegetació n, debido a que
proporciona un ambiente agradable. Garcıá et al. (2016a) categoriza los
beneficios ambientales, sociales y culturales, por su parte Garcıá et al.
(2018) los considera reservorios de patrimonio biocultural. Las
personas consideran que la importancia del huerto es 60% cubrir
necesidades de alimentació n, 24% proveer sombra y 16% favorecer
confort al hogar, es por ello que los beneficios obtenidos está n
vinculados 51% a la salud, 33% alimentació n y 16% econó micos.
En estas localidades, las personas son campesinas, manejan

los huertos familiares con la finalidad de obtener productos para la
alimentació n, pero tambié n les sirve como una forma de distracció n,
embellecimiento de la vivienda y socializació n de la familia. Sin
embargo, existen problemas que ponen en riesgo la permanencia de
los huertos como el crecimiento de la familia, la urbanizació n, la
disponibilidad de tiempo, la pé rdida del conocimiento, la escasez de
agua o la salud de la familia. Los problemas que presentan los
huertos familiares son: el espacio 40%, tiempo destinado 24%,
pé rdida del conocimiento para el manejo 20%, falta de agua 9% y
salud del responsable 7%. Esto impacta negativamente la resiliencia
socioambiental y la conservació n del patrimonio biocultural.
Las caracterıśticas de las familias, ası ́ como los factores

socioculturales de ocupació n, religió n y conocimiento sobre la
localidad, propician un sistema productivo que asegura una
alternativa que provee alimento. Las caracterı́sticas analizadas
permiten establecer una relació n entre variables ambientales,
sociales, culturales y econó micas con la presencia de especies como
ventajas favorables de resiliencia ambiental.
Los hallazgos en esta etapa identificaron que la relació n de

los factores socioculturales, los saberes locales y la riqueza de
especies de los huertos familiares propician la utilizació n de
especies vinculado a las estrategias de vida (Garcıá et al., 2016c;
Garcıá et al., 2016b). Se corroboró que el huerto familiar tiene
diferentes valores de uso para la familia ademá s del alimenticio
(Garcıá et al., 2016a), son ejemplo de una gran adaptació n a las
condiciones locales (Garcıá et al., 2018). La investigació n aporta
62
informació n cualitativa respecto de la influencia positiva de los

factores socioculturales y la riqueza vegetal de los AEHF.
La metodologı́a aplicada en el estudio de los huertos

familiares muestra una interesante propuesta que combina
enfoques cuantitativos y cualitativos; y que permitió el uso de
diversas té cnicas y herramientas de investigació n como el uso de la
tecnologıá de los SIG en el aná lisis espacial de los huertos familiares,
ası ́ tambié n té cnicas etnográ ficas como entrevistas, observació n
participante y talleres para el aná lisis agroecoló gico y sociocultural.
El resultado fue un proceso que se adecuó a la investigació n
que contribuye sustancialmente al conocimiento cientıf́ico sobre la
tradició n agroecoló gica de los huertos familiares, su aporte favorece
la comprensió n social, cultural y ambiental de factores asociados a
las caracterıśticas de las familias, a actividades de manejo, ası ́como
los usos y aprovechamiento de los agroecosistemas.
La aplicació n a las localidades estudiadas fue idó nea debido
a la complementariedad de las etapas metodoló gicas, en este
sentido se considera pertinente su uso en el aná lisis de una prá ctica
campesina que conserva agrobiodiversidad y preserva el
patrimonio biocultural a nivel local.
BIBLIOGRAFÍA
Garcıá, J.C. 2016. Análisis Agroecológico de huertos familiares al sur

del Estado de México. Estrategia de conservación de recursos
naturales y seguridad alimentaria. Tesis de Maestrıá en Ciencias
Ambientales. Facultad de Quım ́ ica, UAEM.
Garcıá, J.C.; Gutié rrez, J.G. 2016. Aná lisis de los huertos familiares
como sistema productivo. En: Má rquez, J. A. Planificación territorial,
desarrollo sustentable y geodiversidad. Universidad de Huelva, Lima
Perú .
63
Garcı́a, J.C.; Gutié rrez, J.G.; Balderas, M.A.; Araú jo, M.R. 2016a.
Sociocultural and environmental benefits from family orchards in
the Central Highlands of Mé xico. Bois et forets des tropiques.
329(3):29-42.
Garcı́a, J.C.; Gutié rrez, J.G.; Balderas, M.A.; Araú jo, M.R. 2016b.
Aprovechamiento de huertos familiares en el altiplano central
mexicano. Revista Mexicana de Agroecosistemas. 3(2):149-162.
Garcı́a, J.C.; Gutié rrez, J.G.; Balderas, M.A.; Araú jo, M.R. 2016c.
Estrategia de vida en el medio rural del Altiplano Central Mexicano: El
huerto familiar. Agricultura, Sociedad y Desarrollo. 13(4):141-161.
Garcıá, J.C.; Gutié rrez, J.G.; y Balderas, M.A. 2017a. Conocimiento

agroecoló gico campesino al sur del Estado de Mé xico. En: Santana,
M. V.; Hoyos, G; Zepeda, F.; Calderó n, J. R. y Santana, G. (Coord.).
Territorios, sustentabilidad y gobernanza en México y Polonia. Toluca,
Mé xico.
Garcıá, J. C.; Gutié rrez, J. G.; Balderas, M. A. y Araú jo, M. R. 2017b. El

aporte de los huertos familiares a la seguridad alimentaria de las
familias rurales. En: Lisocka-Jaegermann, B.; Piotrowska, Z. y
Ząbecki, K. (Ed.). La vulnerabilidad socioeconómica y ambiental en el
contexto local y regional. Varsovia, Polonia.
Garcıá, J. C.; Gutié rrez, J. G.; Balderas, M. A.; Juan, J. I. y Calvet-Mir, L.

2017c. El agroecosistema con huerto familiar en el subtró pico
mexicano: conocimiento, uso y manejo. En: Jarquın ́ , R. y Huerta, A.
(Coord.). La agricultura sostenible como base para los agronegocios.
San Luis Potosı,́ Mé xico.
Garcıá, J.C.; Calvet-Mir, L.; Domın

́ guez, P.; Gutié rrez, J.G. 2018. Buenas
prá cticas de desarrollo sostenible: el huerto familiar en el altiplano
central mexicano. En: Mora, J. (Coord.). Gestión ambiental y
desarrollo sustentable: experiencias comparadas. Thompson Reuters
Aranzadi. Pamplona, Españ a.
Gutié rrez, J.G. 2013. La investigación geográfica. Fundamentos,

métodos e instrumentos. Dunken. Buenos Aires, Argentina.
64
Gutié rrez, J.G.; White, L.; Juan, J.I.; Chá vez, M.C. 2015.
Agroecosistemas de Huertos familiares en el Sub tró pico del
Altiplano Mexicano. Una Visió n Sisté mica. Tropical and Subtropical
Agroecosystems. 18:237-250.
Gutié rrez, J. G.; Balderas, M. A.; Garcıá, J. C. y Araujo, M. R. 2016a.

Socio-cultural and environmental benefits from familiar orchards,
in semirural localities at Central Highlands of Mexico. En: Roca, J.
(Ed.). Congress Virtual City and Territory. Back to the sense of the city.
Barcelona, Españ a.
Gutié rrez, J. G.; Antonio, X.; Balderas, M. A.; Morales, C.; Araujo, M. R.;
White, L.; Chá vez, M. C.; Baró , J. E.; Garcıá, J. C. y Gonzá lez, A. K. 2016b.
Estrategia agroecoló gica comunitaria para prevenir la
vulnerabilidad ambiental y social: los huertos familiares. En:
Santana, V.; Hoyos, G.; Santana, G.; Pineda, N. y Campos, H.
Vulnerabilidad territorial ante la expansión urbana. Toluca, Mé xico.
Gutié rrez, J. G.; Antonio, X.; Balderas, M. A.; Morales, C.; Araujo, M. R.;
Juan, J. I.; White, L.; Chá vez, M. C.; Baró , J. E.; Garcıá, J. C. y Gonzá lez, A.
K. 2016c. Distribució n espacial de los huertos familiares y
caracterı́ s ticas geográ ficas en Malinalco, Tenancingo y Villa
Guerrero. Estrategia comunitaria para conservar la biodiversidad y
la seguridad alimentaria rural. En: Santana, V.; Hoyos, G.; Santana, G.;
Pineda, N. y Campos, H. Vulnerabilidad territorial ante la expansión
urbana. Toluca, Mé xico.
Gutié rrez, J. G.; Morales, C.; Araujo, M. R. y Balderas, M. A. 2016d. Los huertos
familiares del Sur del Estado de Mé xico. Estrategia Comunitaria para la
sustentabilidad y el desarrollo rural regional. En: Có rdova, H.; Czerny, M. y
Novoa, Z. Ordenamiento territorial y desarrollo rural. Lima, Perú .
Gutié rrez, J. G.; Antonio, X.; Balderas, M. A.; Morales, C.; Juan, J. I.;
White, L.; Chá vez, M. C.; Garcıá, J. C. y Gonzá lez, A. K. 2017a. Huertos
familiares en el Subtró pico del Altiplano Central de Mé xico.
Estrategia agroecoló gica comunitaria contra la vulnerabilidad
socioeconó mica y ambiental En: Lisocka-Jaegermann, B.;
Piotrowska, Z. y Ząbecki, K. (Ed.). La vulnerabilidad socioeconómica y
ambiental en el contexto local y regional. Varsovia, Polonia.
65
Gutié rrez, J. G.; Franco, R. y Antonio, X. 2017b. Importancia de los

agroecosistemas con huertos familiares para la resiliencia socio-
ambiental, en zonas rurales de Mé xico. En: Santana, M. V.; Hoyos, G;
Zepeda, F.; Calderó n, J. R. y Santana, G. (Coord.). Territorios,
sustentabilidad y gobernanza en México y Polonia. Toluca, Mé xico.
Gutié rrez, J. G.; Garcıá, J. C.; Franco, R. y Espinosa, L. M. 2018.

Estrategia agroecoló gica en peligro. Importancia de la gestió n
ambiental para la preservació n de los huertos familiares. En: Mora, J.
(Coord.). Gestión ambiental y desarrollo sustentable: experiencias
comparadas. Thomson Reuters Aranzadi. Pamplona, Españ a.
66
Capítulo 3
MÉTODO PARA EL CÁLCULO DE

CONCENTRACIÓN ESPACIAL
Aplicación a la población boliviana en los municipios de la
cuenca del río Luján, Argentina
Gustavo D. Buzai
Claudia A. Baxendale
SÍNTESIS
Este capıt́ulo presenta una combinació n de procedimientos
para el estudio de la concentració n espacial a travé s del cá lculo del
ın
́ dice de concentració n espacial global (ICEG) y areal (ICEA), su mapeo
por cartografıá temá tica y representació n grá fica mediante la curva de
Lorenz. Se aplica al aná lisis espacial de la població n de origen boliviano
en los municipios que pertenecen a la cuenca del rıo ́ Lujá n (Argentina).
INTRODUCCIÓN
El presente capı́ t ulo tiene por objetivo realizar una
introducció n al cá lculo de concentració n espacial de toda
caracterıśtica poblacional a partir de la combinació n del trabajo con
planillas de cá lculo en el tratamiento de datos numé ricos y su
representació n grá fica, y SIG para la realizació n de cartografıá.
La estrategia metodoló gica contempla el cá lculo de un ın
́ dice
global, un ın ́ dice areal que se distribuye entre las unidades espaciales
que componen el á rea de estudio con la finalidad de representar
cartográ ficamente dó nde se localiza la concentració n y la realizació n
1
del grá fico de concentració n, llamado curva de Lorenz . La totalidad de
estos resultados en conjunto brindan un panorama detallado de
1
Realizada por el economista Max Otto Lorenz en 1905 para el aná lisis de
desigualdades en las rentas fue utilizada inicialmente por John Kirtland
Wright en el aná lisis geográ fico (Corbett, 2001).
67
Gustavo D. Buzai y Claudia A. Baxendale
las caracterı́sticas de la concentració n espacial que se intenta

analizar.
Los procedimientos metodoló gicos que se detallan a
continuació n se enmarcan en el concepto de distribució n espacial e
identifican configuraciones espaciales de repartos diferenciales
sobre el territorio y, muchas veces inequitativos, en el á rea de
estudio.
La aplicació n del conjunto de cá lculos ha sido aplicado en
diferentes instancias, mostrando excelente aptitud para el aná lisis
urbano-regional en diferentes escalas (Buzai et al., 2003; Buzai,
2004, 2014; Buzai y Baxendale, 2012). Aquı ́se presenta aplicado a
los municipios de la cuenca del rı́o Lujá n (Argentina) y los
resultados obtenidos se incluyen claramente en la etapa del
diagnó stico para el ordenamiento territorial.
ÍNDICES DE CONCENTRACIÓN ESPACIAL

Realizar un mapa temá tico de una variable permite ver su
distribució n espacial y comprobar có mo se reparten sus datos en un
á rea de estudio. Esto resulta posible porque siempre se encontrará n
diferencias de un lugar a otro.
Los mé todos de clasificació n utilizados en la cartografıá
temá tica agrupan las unidades espaciales en clases que se obtienen
por cortes naturales, intervalos iguales o cuantiles (Buzai y
Baxendale, 2012) y, en todos los casos, siempre existirá una clase
que tendrá los datos mayores, es decir, que mostrará la mayor
intensidad espacial de la variable.
Un avance sobre estos resultados se realiza incorporando
procedimientos cuantitativos que analizan la concentració n
espacial a partir del cá lculo de ın
́ dices, realizació n de grá ficos y
cartografıá.
La concentració n espacial correspondiente a un tema poblacional
encuentra en el índice de concentración espacial global (ICEG)2 una medida
2
Cuando el valor de superficie no se utiliza y en su lugar se considera el total de
població n la C de Concentració n se modifica por una S de segregació n,
pudié ndose calcular otros dos ın
́ dices con idé nticas caracterıśticas: ISEG (Indice
de Segregació n Espacial Global) e ISEA (Indice de Segregació n Espacial Areal).
68
Método para el cálculo de concentración espacial
del comportamiento de esta categorıá dentro del á rea de estudio

total.
n
[ 1 ] ICEGsup,b = 0,50å sup i - bi
i =1
donde, ICEGsup,b es el ın ́ dice de segregació n espacial global para la

categorıá poblacional b respecto del total de superficie, supi es el
porcentaje de població n que contiene cada unidad espacial, bi es el
porcentaje del grupo de població n en cuestió n, finalmente 0,50 es
una constante que permite utilizar solamente la suma de los valores
supi - b╜
positivos o negativos (50% del total en valores absolutos) de ,
donde , por lo tanto el cá
å=‫ﮭ‬ lculo brinda la necesidad de llevarlos a
valores absolutos iib-sup y considerar la mitad de la sumatoria como
resultado.
Cuando no existe segregació n espacial, es decir que ambas

poblaciones se encuentran distribuidas de forma similar, el
resultado será ya que sup y b tienden a ser iguales. En
ICEG sup, b = ‫ﮭ‬
tanto mayores sean las diferencias, mayor será la segregació n
espacial, hasta llegar a un valor má ximo en el ın ́ dice, que tiende a
100.
El Cuadro 1 ejemplifica los cá lculos necesarios para la

obtenció n del valor correspondiente al ın
́ dice global.
# µ°§≤
Ø # °¨£µ¨Ø§•¨ )# %'
sup i (%) bi (%) (supi - bi ) sup i - bi

UE1 d 1a d 1b d 1a - d 1b d 1a - d 1b
UE 2 d 2a d 2b d 2 a - d 2b d 2 a - d 2b
UE 3 d 3a d 3b d 3a - d 3b d 3 a - d 3b
M M M M
UEn dna dnb dna - dnb dna - dnb
S 100 100 0 0,50.S sup i - bi = ICEG°¢
69
El ICEG má ximo no arroja el mismo valor cuando se lo aplica

a á reas de estudio con diferentes unidades espaciales. Si se intenta
realizar un ajuste del resultado a una escala de 0 a 100, el
procedimiento contempla utilizar el puntaje W [ 2 ] multiplicado por
100. De esta manera, el resultado final podrá ser ajustado respecto
del total posible del ıń dice en cada caso.
ICEAi - m
Wi = Ì
M -m
donde ICEAi es cada resultado del ıń dice, mientras que M y m son los
valores má ximo y mın
́ imo de la serie de datos respectivamente.
A partir de la misma informació n de base es posible calcular

un índice de concentración espacial areal (ICEA) para cada una de las
unidades espaciales que componen el á rea de estudio a travé s de:
bi (%)
[ 2 ] ICEAi =
supi (%)
El Cuadro 2 ejemplifica los cá lculos necesarios para la obtenció n del

valor correspondiente al ın
́ dice global.
Cuadro 2. Cá lculo del ICEA
bi (%) sup i (%) bi sup i

UE1 d 1b d 1a d1b d 1a = ICEA1
UE 2 d 2b d 2a d 2b d 2 a = ICEA2
UE 3 d 3b d 3a d 3b d 3a = ICEA3
M M M
UEn dnb dna d nb d na = ICEAn
S 100 ‫ﮭ ﮭو‬
70
Los ICEA < 1 corresponden a poblaciones en las cuales la

proporció n de la superficie es mayor a la del grupo poblacional en
cuestió n, un ICEA = 1 se presenta en los casos en que las
proporciones se distribuyen de forma similar y un ICEA > 1 donde
existe segregació n del grupo poblacional, tanto mayor cuanto má s
alto sea el resultado.
Por su parte, la curva de Lorenz es una representació n

grá fica que se utiliza para medir el grado de concentració n de una
categorıá poblacional respecto de una mayor a partir de utilizar
porcentajes acumulados en los ejes de coordenadas x-y. Cuando se la
utiliza como indicador de concentració n espacial, el eje x tendrá los
valores de superficie de cada una de las unidades espaciales en las
que se divide el á rea de estudio y el eje x los valores de la categorıá
poblacional.
Los siguientes cuadros ejemplifican las etapas para la

realizació n de la curva de Lorenz.
Cuadro 3. Curva de Lorenz. Primera etapa: Cá lculo de densidades
Sup bi (va) bi (va) / Sup

UE1 d11 d12 d12 / d11
UE2 d 21 d 22 d 22 / d 21
UE3 d 31 d 32 d 32 / d 31
M M M
UEn d n1 dn2 d n 2 / d n‫و‬
71
Cuadro 4. Curva de Lorenz. Segunda etapa: Ordenamiento y

cá lculo de porcentajes
Sup bi (va) bi (va) / Sup Sup (%) bi (%) Sup (%ac) bi (%ac)
UE2 d 21 d 22 d 22 / d 21 d 24 d 25 d 26 d 27
UE3 d 31 d 32 d 32 / d 31 d 34 d 35 d 36 d 37
UE1 d11 d12 d12 / d11 d14 d15 d16 d17
M M M M M M M
UEn d n1 d n2 d n 2 / d n1 dn4 d n5 100 100
å Sup b(va) 100 ‫ﮭ ﮭو‬
En el ejemplo se intenta medir el grado de concentració n

espacial de la categorıá població nal b, para ello se dispone de los
valores correspondientes a la superficie de cada unidad espacial en
valores absolutos (Sup) y la cantidad de població n de la categorıá
que contienen en valores absolutos, b(va). En el primer paso se
calculan las densidades y se genera una tercera columna con los
resultados, b(va)/Sup.
En el segundo paso se ordena de forma decreciente la matriz

a partir de la nueva columna (este ordenamiento lleva los valores de
superficie al eje x) y a partir de allı ́ continú an los cá lculos en la
generació n de nuevas columnas. La cuarta y quinta columna
contienen la participació n porcentual que cada unidad espacial
tiene respecto del total de cada variable, siendo100=å , tanto para la
superficie como para la categorıá poblacional b, y finalmente, la
sexta y sé ptima columna presentan los datos anteriores en valores
acumulados.
Estos ú ltimos resultados son los que permiten representar

la curva de Lorenz a partir de un grá fico de coordenadas x-y. Los
valores de superficie se ubican en el eje x y los correspondientes a la
categorıá poblacional en el eje y, siendo que en ambos casos los
valores de coordenadas tendrá n extremos en 0 y 100.
72
Figura 1 - Curva de Lorenz – Componentes
La concentració n en la categorı́ a poblacional b está

vinculada a la separació n que se verifica entre la recta de
distribució n equitativa x=y y la curva de concentració n, entre las
cuales se forma la superficie de concentració n. El ejemplo de lectura
que presenta la Figura 1 muestra que en el 25% de la superficie del
á rea de estudio se concentra el 75% de la categorıá poblacional de la
variable.
APLICACIÓN A LOS MUNICIPIOS DE LA CUENCA DEL RÍO LUJÁN
El á rea de estudio corresponde a los 16 municipios de la

cuenca del rıo ́ Lujá n, unidades espaciales que en conjunto tienen
una població n de 2.570.689 habitantes (INDEC, 2013) y una
superficie de 11.367,35 km2.
La base de datos original contiene la totalidad de las

comunidades extrajeras contempladas en el censo argentino, en su
versió n mın
́ ima fue realizado un recorte para esta aplicació n
73
correspondiente a un archivo organizado en planilla de

cá lculo en 16 filas (unidades espaciales) por 3 variables (nombre del
municipio, superficie, població n de bolivianos). Cuando se obtienen
los resultados del ICEA para cada unidad espacial se los incorpora a
la tabla de atributos del SIG con la finalidad de realizar el mapa
correspondiente y descubrir las á reas dó nde se manifiesta la
concentració n.
A continuació n se presentan los cá lculos para realizar la

curva de Lorenz y el cá lculo de ın
́ dices con la correspondiente
representació n cartográ fica. La aplicació n se realiza para la
població n de bolivianos.
Curva de Lorenz
El Cuadro 5 presenta el procedimiento metodoló gico

detallado en los puntos anteriores. Las columnas 1 y 2 contienen los
datos bá sicos, la columna 3 el cá lculo de densidad ordenado de
manera decreciente, las columnas 4 y 5 sus participaciones
porcentuales y las columnas 6 y 7 sus participaciones porcentuales
acumuladas.
Cuadro 5. Cá lculos para la construcció n de la curva de Lorenz

- 5 . )# )0 )/ 3 SUP BOLIVIA DENS SUP% BOL% SUP%AC BOL%AC
Moreno 186,13 2903 15,60 1,64 18,97 1,64 18,97
Malvinas Argentinas 63 953 15,13 0,55 6,23 2,19 25,19
José C. Paz 50,08 722 14,42 0,44 4,72 2,63 29,91
Escobar 303,75 2838 9,34 2,67 18,54 5,30 48,45
Pilar 382,99 3054 7,97 3,37 19,95 8,67 68,41
Tigre 304,35 1353 4,45 2,68 8,84 11,35 77,25
General Rodríguez 360,14 493 1,37 3,17 3,22 14,52 80,47
Exaltación de la Cruz 634,17 591 0,93 5,58 3,86 20,10 84,33
San Fernando 877 770 0,88 7,72 5,03 27,81 89,36
Campana 954,54 426 0,45 8,40 2,78 36,21 92,15
Luján 777,13 288 0,37 6,84 1,88 43,05 94,03
Chacabuco 2287,38 529 0,23 20,12 3,46 63,17 97,48
San Andrés de Giles 1132,04 245 0,22 9,96 1,60 73,13 99,09
Mercedes 1049,47 133 0,13 9,23 0,87 82,36 99,95
Suipacha 943,87 4 0,00 8,30 0,03 90,66 99,98
Carmen de Areco 1061,31 3 0,00 9,34 0,02 100 100
11367,35 15305 100 100
74
La concentració n espacial se aprecia en las dos ú ltimas

columnas, a partir de las cuales podrıá saberse que en poco menos
del 15% de la superficie del á rea de estudio se concentra el 80% de la
població n de bolivianos. A grandes rasgos la trayectoria
interpretativa puede seguirse a travé s de la curva de concentració n.
Figura 2. Curva de Lorenz de la població n boliviana
Como puede verse, si los datos estuvieran sobre la recta de

distribució n equitativa en el 20% de la superficie estarıán el 20% de
bolivianos, en el 40% de la superficie el 40% de bolivianos, y ası ́
sucesivamente. La curva de Lorenz muestra la real distribució n y
cuanto má s se aparte de la recta mayor será la concentració n. En este
caso vemos en el 20% de la superficie se concentran má s del 80% de
los bolivianos y que en el 40% de la superficie el valor de
concentració n supera el 90%.
75
Cálculo de índices y cartografía
El Cuadro 6 presenta el procedimiento metodoló gico que

lleva al cá lculo del ICEG y del ICEA para cada unidad espacial. Las
columnas 1 y 2 contienen los datos bá sicos, la columna 3 la resta de
los datos con sumatoria 0, la columna 4 su transformació n a valores
absolutos y su sumatoria duplicada, por tal motivo de divide por 2 y
este es el resultado del ICEG. La columna 5 realiza la divisió n
correspondiente como resultados del ICEA.
Cuadro 6. Cá lculos del ICEG e ICEA

BOL%-
- 5 . )# )0 )/ 3 SUP% BOL% SUP% ICEG ICEA
Moreno 1,64 18,97 17,33 17,33 11,58
Malvinas Argentinas 0,55 6,23 5,67 5,67 11,24
José C. Paz 0,44 4,72 4,28 4,28 10,71
Escobar 2,67 18,54 15,87 15,87 6,94
Pilar 3,37 19,95 16,59 16,59 5,92
Tigre 2,68 8,84 6,16 6,16 3,30
Gral. Rodriguez 3,17 3,22 0,05 0,05 1,02
Exaltación de la Cruz 5,58 3,86 -1,72 1,72 0,69
San Fernando 7,72 5,03 -2,68 2,68 0,65
Campana 8,40 2,78 -5,61 5,61 0,33
Luján 6,84 1,88 -4,95 4,95 0,28
Chacabuco 20,12 3,46 -16,67 16,67 0,17
San A.de Giles 9,96 1,60 -8,36 8,36 0,16
Mercedes 9,23 0,87 -8,36 8,36 0,09
Suipacha 8,30 0,03 -8,28 8,28 0,00
Carmen de Areco 9,34 0,02 -9,32 9,32 0,00
100 100 0,00 131,90
65,95
El resultado del ICEG indica que se deberıá redistribuir la

població n en estudio en un 65,95% si se quiere logar la distribució n
equitativa. Los datos del ICEA son los que pueden incorporarse en la
tabla de atributos del SIG y obtenerse el mapa de su distribució n
espacial.
76
Figura 3. Distribución espacial del ICEA para la población boliviana
Partidos de la cuenca del río Luján
©GESIG - UNLU
El mapa de la Figura 3 muestra en qué unidades espaciales

se encuentran las má ximas concentraciones en la població n de
bolivianos. En los municipios de Moreno, Malvinas Argentinas y José
C. Paz la participació n porcentual de la població n es 10 veces mayor
que la participació n porcentual de la superficie, en Escobar y Pilar es
5 veces mayor, y en Tigre la cuadriplica. Estos seis municipios son los
que aparecen pintados en el mapa, mientras que los que está n en
blanco no presentan concentració n al estar equiparadas las
participaciones porcentuales que se comparan.
Consideraciones finales
La combinació n del cá lculo del ın

́ dice global (ICEG), del
ı́ndice areal (ICEA), la realizació n de la curva de Lorenz y la
cartografıá presentan una serie de elementos que permiten realizar
un correcto diagnó stico de la concentració n espacial de una
variable. La serie de procedimientos cuantitativos se realizan en una
77
planilla de cá lculos y parte de los resultados se vinculan al SIG para

su representació n cartográ fica.
Los resultados permiten avanzar sobre aspectos especıf́icos

del concepto de distribució n espacial ya que no solamente resulta
importante conocer en qué á reas hay mayor intensidad de la
variable, sino la magnitud de la intensidad y dó nde se produce.
La metodologıá fue muestra una excelente aptitud para ser

aplicada en escalas intraurbanas y regionales. Tradicionalmente es
utilizada para analizar la concentració n espacial de cualquier tipo
de variables o la segregació n espacial de població n extranjera.
Constituye un apoyo importante al estudio de las distribuciones
socio-espaciales.
Agradecimiento
A la Lic. Silvina Má rquez por haber realizado los cá lculos de
concentració n espacial para la totalidad de comunidades
extranjeras del á rea de estudio en planilla de cá lculos como parte de
las tareas de té cnicas asignadas en los proyectos de investigació n del
GESIG, Universidad Nacional de Lujá n.
BIBLIOGRAFÍA
Buzai, G.D. 2004. Distribución, segregación y autocorrelación

espacial de extranjeros en la ciudad de Luján. Serie Avances de
Investigació n 4. Departamento de Ciencias Sociales. Universidad
Nacional de Lujá n. Lujá n.
Buzai, G.D. 2014. Mapas Sociales Urbanos. Lugar Editorial. Buenos

Aires.
Buzai, G.D.; Baxendale, C.A. 2012. Análisis Socioespacial con Sistemas

de Información Geográfica. Tomo 2. Lugar Editorial. Buenos Aires.
78
Buzai, G.D.; Baxendale, C.A.; Rodrı́guez, L.; Escanes, V. 2003.

Distribució n y segregació n espacial de extranjeros en la ciudad de
Lujá n. Un aná lisis segú n la Geografı́ a Cuantitativa. Signos
Universitarios. XXII(39):29-52.
Corbett, J. 2001. John Kirtland Wright: Early Quantitative

Geography, 1937. CSISS Classics. UC Santa Barbara: Center for
S p a t i a l l y I n t e g r a t e d S o c i a l S c i e n c e . O b t e n i d o d e
https://escholarship.org/uc/item/5z27z764
INDEC. 2013. Censo Nacional de Población, Hogares y Vivienda 2010.

Base de datos Redatam. Instituto Nacional de Estadıśtica y Censos.
Buenos Aires.
79
80
Capítulo 4
MÉTODO DE ESTANDARIZACIÓN DE TASAS
Aplicación a la Mortalidad general en el Estado de México
Jesús Emilio Hernández Bernal

SÍNTESIS
Este capıt́ulo presenta una combinació n de procedimientos

del mé todo de estandarizació n indirecto de la tasa de mortalidad, su
distribució n espacial mediante el aná lisis de clú ster espaciales de
los cambios espacio temporales de la mortalidad general. Se aplica
al aná lisis espacial de la població n del Estado de Mé xico (Edomex) a
nivel de municipio.
INTRODUCCIÓN
El objetivo principal del presente trabajo consiste en

desarrollar el mé todo indirecto de estandarizació n de la mortalidad,
para analizar la distribució n espacial y la variació n que se ha
presentado a travé s del tiempo, en el Estado de Mé xico.
La tasa bruta de mortalidad es un indicador que expresa la
frecuencia con que ocurren las defunciones en una població n (Cepal,
2009), la tasa de mortalidad estandarizada ofrece un cá lculo de la
intensidad del fenó meno segú n la teorıá del aná lisis demográ fico
(OPS, 2002).
El mé todo de estandarizació n de la mortalidad constituye
una adecuada alternativa para analizar la distribució n espacial de la
mortalidad general, permite la comparació n de diferentes
poblaciones en diferentes añ os, ya que es un proceso que intenta
homogenizar poblaciones de diferente estructura para hacerlas
comparables entre sı.́
81
Jesús Emilio Hernández Bernal y MarcelaVirginia Santana Juárez
Este mé todo se utilizó para homogenizar la població n del

Estado de Mé xico a nivel municipal, para obtener una distribució n
espacial de la mortalidad má s uniforme, este tipo de mé todo es
adecuado porque genera valores que se asemejan má s al
comportamiento real de la mortalidad.
Estandarización de tasas
En geografı́a de la salud uno de los indicadores má s

utilizados para realizar una comparació n de distribució n espacial
entre dos á reas diferentes o má s de dos periodos, son las tasas
brutas de mortalidad o morbilidad; é stos indicadores en algunas
ocasiones reflejan distribuciones que no son similares y por ende la
comparació n directa de las tasas brutas puede resultar engañ osa. Al
realizar la comparació n de tasas entre dos municipios se llega a
presentar que las tasas resultantes está n bastante influenciadas por
la proporció n de individuos respectiva de cada grupo de edad de la
població n del municipio; por lo tanto el hecho de que cada uno de los
municipios en los que se compara la tasa bruta de mortalidad, esta
es superior respecto al otro, este resultado no siempre corresponde
o manifiesta que en ese municipio esa causas sea un problema
mayor de salud, ya que la diferencia presentada entre las dos tasas
obtenidas puede ser un efecto en las diferencias de las estructuras
de edad que presenta cada població n, y esto a su vez provoca una
confusió n en los resultados.
Para resolver este problema, en el siglo XIX se desarrollaron
los mé todos de estandarizació n o ajuste de tasas. La tasa ajustada es
una medida de resumen de las tasas especıf́icas en los diferentes
estratos de la variable de confusió n (por ejemplo la edad). Se
construye como una media ponderada de estas tasas especıf́icas
donde los pesos o ponderaciones proceden de una serie de
referencia llamada está ndar, el propó sito de la cual es homogeneizar
los distintos grupos que se comparan (Epidat, 2016). Al momento de
elaborar el ajuste de tasas, se debe estar consciente que estas no
tienen un valor especıf́ico, ya que carecen de sentido por sı ́mismas;
estas só lo sirven para compararlas con otras obtenidas bajo las
mismas condiciones (Epidat, 2016). Existen dos mé todos para la
estandarizació n de tasas, el mé todo directo e indirecto; consiste en
comparar las diferentes tasas ajustadas calculadas a partir de una
82
Método de estandarización de tasas
distribució n ú nica por grupos de edad tomada de una població n

está ndar para observar su ordenamiento, la diferencia resultante y
la significancia de esta diferencia (Colimon, 1990).
Los principales pasos a seguir para el ajuste de tasas segú n el

mé todo directo son:
1. Cá lculo de las muertes esperadas para cada grupo
Este se obtiene multiplicando la població n está ndar por la
tasa especı́fica de mortalidad para cada grupo de edad en las
poblaciones de interé s
2. Cá lculo del total de las muertes esperadas
Se obtiene sumando el resultado de cada grupo especıf́ico de edad
3. Cá lculo de las tasas ajustadas
Las tasas ajustadas se calculan, dividiendo el total de

muertes esperadas para cada població n, sobre el total de la
població n está ndar
Mientras que el mé todo de estandarizació n indirecto se
realiza cuando no se dispone de las tasas especıf́icas por grupos de la
variable por la que se quiere ajustar o cuando en algunos grupos el
nú mero de casos sea muy pequeñ o, se puede ajustar por el llamado
mé todo indirecto. Con este mé todo se obtiene el llamado ın ́ dice de
mortalidad está ndar (IME) o razó n de mortalidad estandarizada
(RME), (Epidat, 2016).
Los principales pasos a seguir para el ajuste de tasas segú n el

mé todo indirecto son:
1. Cá lculo de las muertes esperadas por cada grupo
2. Cá lculo del total de las muertes esperadas
3. Relació n de las muertes observadas (O) con
las esperadas (E)
Este trabajo se concretó utilizando el ajuste de tasas de

manera indirecta; esta considera el nú mero de muertes de la
població n de estudio y lo compara con un nú mero esperado de
muertes, la razó n de muertes obtenidas entre muertes esperadas se
denomina Razó n de Mortalidad Estandarizada (RME), la RME es el
producto final del proceso de estandarizació n indirecta.
83
La estandarizació n de forma indirecta se lleva a cabo de la

manera siguiente:
En primer lugar se obtiene el nú mero esperado de muertes,
y este se obtiene de la ecuació n 1:
Ecuació n 1:
En donde:
Nme: Nú mero de Muertes Esperadas
Tge: Tasa de mortalidad por grupos de edad del á rea de estudio
Pge: Població n por grupos de edad del á rea de estudio
Sustituyendo las variables en la ecuació n queda de la
siguiente manera (ecuació n 2):
Ecuació n 2.
De manera que la RME (ecuació n 3):
Ecuació n 3
En donde:
RME es la Razó n de Mortalidad Estandarizada
Mo: Muertes Observadas por cada grupo de edad
Me: Muertes Esperadas por cada grupo de edad
Una vez obtenido el resultado de la divisió n de los observados
entre los esperados se multiplica por 100 para obtener la RME lo cual
indica el exceso o el dé ficit en el comportamiento real de la mortalidad
en la població n de estudio con respecto a lo que se hubiera esperado.
Aplicación del método indirecto de estandarización de

las tasas de mortalidad para comparar el municipio de
Toluca y Estado de México en 2010.
La tasa cruda de mortalidad para el estado de Mé xico en el añ o

2010 fue de 449 defunciones por 100,000 habitantes, mientras que la
84
tasa cruda de mortalidad registrada para el municipio de Toluca en el

mismo añ o fue de 446 defunciones por 100,000 habitantes, inferior a
la estatal; se tiene interé s en conocer si hay diferencias significativas
en la mortalidad observada en el estado y el municipio.
Para aplicar el mé todo de estandarizació n de forma indirecta se requiere:

Las tasas de mortalidad por grupos de edad para el Estado
de Mé xico (c).
La població n del municipio de Toluca estratificada por
grupos de edad (d).
Nú mero total de muertes observadas en el municipio de Toluca (f).
El primer paso es calcular el nú mero esperado de muertes, esto

multiplicando las tasas de mortalidad por grupos de edad del Estado
por la població n del municipio de Toluca (c*d=e); posteriormente se
suman todas las muertes esperadas calculadas y tambié n las
observadas; la RME se calcula dividiendo el nú mero total de muertes
observadas entre el total de las muertes esperadas (f/e), (Cuadro 1).
Cuadro 1.- Estado de Mé xico: Razó n de Mortalidad

Estandarizada del municipio de Toluca, 2010
Tasa de
Población Muertes Muertes
Defunciones mortalidad Población Razón de
del esperadas observadas
Rango por totales del general del del Mortalidad
Estado en el en el
grupos de Estado de Edomex por municipio Estandarizada
de municipio municipio
edad México 100,000 de Toluca (RME)
México de Toluca de Toluca
(b) habitantes (d) (g)
(a) (e) (f)
(c)
0 a 4 años 1426612 5,557 390 76,658 299 334
5 a 9 años 1498274 369 25 79,588 20 27
10 a 14 435 21
años 1429028 30 74,170 23
15 a 19 1,149 50
años 1467148 78 77,352 61
20 a 24 1,519 62
años 1364380 111 74,646 83
25 a 29 1,588 78
años 1233854 129 68,355 88
30 a 34 1,732 82
años 1198515 145 66,493 96
35 a 39 2,131 114
años 1193988 178 65,982 118
40 a 44 2,493 126
años 1003492 248 55,203 137
45 a 49 3,273 155 IME= 0.97
RME=
años 831164 394 45,361 179
(0.97*100)
50 a 54 4,007 188 RME=97%
años 695328 576 37,010 213
55 a 59 4,642 260
años 509884 910 25,808 235
60 a 64 5,447 274
años 392349 1388 19,628 272
65 a 69 5,613 279
años 270138 2078 13,569 282
70 a 74 6,091 299
años 200542 3037 10,136 308
75 a 79 6,487 336
años 129423 5012 6,586 330
80 a 84 6,164 366
años 78893 7813 4,068 318
85 y más
252850 9,391 3714 18,948 704 603
años
Sumatoria de muertes esperadas y observadas 3764 3654
F u e n t e : E l a b o r a c i ó n propia con base en el S i s t e m a N a c i o n a l d e Informació n

en Salud (SINAIS, 2010), Instituto Nacional de Estadı́stica y Geografı́a (INEGI, 2010).
85
RME (%) para el municipio de Toluca = (3654/3764)*100 = 97%. El

valor de la RME es de 97%, lo que indica que el riesgo de morir, es del
97% con respecto a los está ndares del Estado de Mé xico, esto
considerando la edad, para el añ o 2010.
Aplicación del método indirecto de estandarización de

las tasas de mortalidad general de los municipios del
Estado de México, 1980, 1990, 2000 y 2010.
El ejemplo anterior es el procedimiento para obtener y

comparar la RME para el municipio de Toluca con respecto al Estado
de Mé xico; para fines de este capıt́ulo de libro, se aplicó para los 125
municipios que conforman la entidad.
El ajuste de tasas elaborado para realizar la comparació n

entre municipios para los añ os de 1980, 1990, 2000 y 2010, muestra
las diferencias geográ ficas notorias con un patró n espacial de la
mortalidad general caracterizado por el predominio de la RME altas
y muy altas al poniente del Estado de Mé xico y aquellas en los rangos
bajos y muy bajos predominan en municipios que se localizan en el
Valle de la Ciudad de Mé xico.
Con respecto a las RME extremas de los añ os considerados

registran brechas significativas en cada añ o y en el mismo añ o, que
reflejan las fuertes desigualdades al interior del Estado de Mé xico:
en 1980 fueron de 255% y 17%; en 1990 fueron 444% y 51%; en el
añ o 2000 fueron 280% y 70%; y para el añ o 2010 son 168% y 66%.
En 1980 la RME extrema muy alta es de 255% y para el añ o 2010 fue
de 168% lo que pudiera tratarse de un buen indicador, toda vez que
refleja una reducció n en el % el cual es superior a los está ndares del
Estado de Mé xico. Las RME extremas muy bajas para el añ o de 1980
es del 17% y 66%, lo que pudiera reflejar un indicar desfavorable
porque ha aumentado el % con respecto a los está ndares del Estado
de Mé xico. De ahı ́la importancia de incidir en estrategias y polıt́icas
que incidan en reducir las brechas o contrastes al interior del Estado
de Mé xico.
En el Estado de Mé xico, para 1980, la distribució n espacial

de la RME en el contexto favorable de los municipios que presentan
86
los rangos bajos y muy bajos, los casos má s sobresalientes

son: Chapa de Mota con una RME de 17%, Isidro Fabela con una RME
del 18%, San Simó n de Guerrero con una RME del 19%, por
mencionar algunos, en donde el porcentaje es menor de acuerdo a
los está ndares de mortalidad del Estado de Mé xico, los cuales se
localizan al oriente, suroeste y noroeste. Estos se encuentran
distanciados de aquellos menos favorecidos como Joquicingo con
una RME de 255%, San Felipe del Progreso con 249%, Amanalco
239%, porcentajes superiores con respecto a lo que cabrıá esperar
segú n los está ndares de mortalidad del Estado de Mé xico, estos se
localizan principalmente al poniente y noreste de la entidad (cuadro
2 y figura 1).
Cuadro 2.- Estado de Mé xico: Principales municipios con la

Razó n de Mortalidad Estandarizada (RME) muy alta y muy baja, 1980.
RME 1980 RME 1980

# ¨°∂• Clave
Municipios (muy alta) Municipios (muy
Municipal Municipal
% baja)%
15049 Joquicingo 255 15026 Chapa de Mota 17
San Felipe del
15074 249 15038 Isidro Fabela 18
Progreso
San Simón de
15007 Amanalco 239 15077 19
Guerrero
15087 Temoaya 233 15043 Xalatlaco 21
15014 Atlacomulco 229 15027 Chapultepec 22
15059 Nextlalpan 228 15117 Zacualpan 30
15113 Villa Guerrero 226 15119 Zumpahuacán 35
15032 Donato Guerra 221 15105 Tlatlaya 39
15012 Atizapán 221 15109 Tultitlán 52
15111 Villa de Allende 206 15022 Cocotitlán 53
Elaboració n propia con base en el Sistema Nacional de Informació n en Salud

(SINAIS, 1980), Instituto Nacional de Estadıśtica y Geografıá (INEGI, 1980).
87
Figura 1.- Estado de México: Razó n de Mortalidad Estandarizada 1980 (%)
En el Estado de Mé xico para el añ o 1990, la distribució n

espacial de la Razó n de Mortalidad Estandarizada (RME), presenta
diferencias geográ ficas notorias, el contexto favorable en los
municipios que registran porcentajes menores a los está ndares del
Estado de Mé xico son: Jaltenco 51%, Atizapá n de Zaragoza 67%,
Tultitlá n 68%, se localizan al oriente y suroeste de la entidad. Los
cuales se encuentran muy distanciados de aquellos menos
favorecidos que registran porcentajes mayores a los está ndares de
la entidad como Atizapá n con el 444%, Chapultepec del 212%, y
Amanalco con el 209%, entre otros, se localizan al poniente y
algunos en el sureste (cuadro 3 y figura 2).
88
Cuadro 3.- Estado de Mé xico: principales municipios con la Razó n

de Mortalidad Estandarizada (RME) muy alta y muy baja, 1990 (%).
RME RME 1990
Clave Clave
Municipios 1990 (Muy Municipios (Muy
Municipal Municipal
alta)% baja)%
15012 Atizapán 444 15044 Jaltenco 51
Atizapán de
15027 Chapultepec 212 15013 67
Zaragoza
15007 Amanalco 209 15109 Tultitlán 68
15114 Villa Victoria 204 15121 Cuautitlán Izcalli 69
Coacalco de
15034 Ecatzingo 195 15020 71
Berriozábal
San Simón de
15077 195 15095 Tepotzotlán 74
Guerrero
San Felipe del

15074 188 15037 Huixquilucan 75
Progreso
15111 Villa de Allende 174 15078 Santo Tomás 75
15003 Aculco 172 15038 Isidro Fabela 75
15064 El Oro 171 15105 Tlatlaya 76

(SINAIS, 1990), Instituto Nacional de Estadıśtica y Geografıá (INEGI. 1990).
Figura 2.- Estado de México: Razón de Mortalidad Estandarizada, 1990 (%).
89
En el Estado de Mé xico, para el añ o 2000, la distribució n

espacial de la Razó n de Mortalidad Estandarizada (RME) presenta
variaciones geográ ficas notorias, el contexto favorable en los
municipios que registran RME bajas y muy bajas, con porcentajes
menores a los está ndares del Estado de Mé xico, son: Jaltenco con el
70%, Chapultepec el 70%, Coacalco de Berriozá bal 73%, se
localizan en el centro oriente y algunos al poniente en forma
dispersa. Los cuales se encuentran muy distanciados de aquellos
menos favorecidos como Atizapá n con el 280%, Ecatzingo con el
161%, Villa Victoria con el 161%, con porcentajes superiores a los
está ndares de la entidad, los cuales se localizan principalmente en el
sur, noroeste y centro-oeste de la entidad (cuadro 4 y figura 3).
Cuadro 4.- Estado de Mé xico: principales municipios con la Razó n de

Mortalidad Estandarizada (RME) muy alta y muy baja, añ o 2000 (%)
RME
RME 2000
Clave 2000 Clave
Municipios Municipios (Muy
Municipal (muy Municipal
baja)%
alta)%
15012 Atizapán 280 15044 Jaltenco 70

15034 Ecatzingo 161 15027 Chapultepec 70
15114 Villa Victoria 161 15020 Coacalco de 73

Berriozábal
15007 Amanalco 148 15109 Tultitlán 75
15049 Joquicingo 146 15039 Ixtapaluca 77
15074 San Felipe del 145 15013 Atizapán de 78

Progreso Zaragoza
15017 Ayapango 141 15105 Tlatlaya 79
15063 Ocuilan 139 15121 Cuautitlán Izcalli 80
15111 Villa de 138 15010 Apaxco 80

Allende
15021 Coatepec 136 15038 Isidro Fabela 80

Harinas

90
Figura 3.- Estado de México: Razó n de Mortalidad Estandarizada 2000 (%).
El Estado de Mé xico, para el añ o 2010 registró una població n

total de 1, 499,5703; el nú mero de defunciones registrada para este
añ o fue de 68,088 lo cual representa un 12% con respecto al nú mero
de defunciones a nivel nacional.
El contexto favorable en los municipios que registran RME

bajas y muy bajas con porcentajes menores a los está ndares del
Estado de Mé xico, son los casos de: Acolman, Huixquilucan, Rayó n
con una RME de 66%, 69% y 76% respectivamente, se localizan
principalmente al oriente, centro y algunos al suroeste. Los cuales se
encuentran muy distanciados de aquellos menos favorecidos como
Atizapá n con una RME de 168%, Ecatzingo presentó una RME de
144%, Mexicaltzingo con una RME de 139%, con porcentajes
superiores a los está ndares del Estado de Mé xico, se localizan al
poniente y algunos al noreste (cuadro 5 y figura 4).
91
Cuadro 5.- Estado de Mé xico: principales municipios con la Razó n

de Mortalidad Estandarizada (RME) muy alta y muy baja, 2010 (%).
RME RME
Clave 2010 Clave 2010
Municipios Municipios
Municipal (Muy Municipal (Muy
alta)% baja)%
15012 Atizapán 168 15002 Acolman 66
15034 Ecatzingo 144 15037 Huixquilucan 69
15055 Mexicaltzingo 139 15072 Rayón 76
Coatepec
15021 139 15116 Zacazonapan 76
Harinas
15115 Xonacatlán 139 15011 Atenco 78
15019 Capulhuac 139 15024 Cuautitlán 80
15007 Amanalco 138 15125 Tonanitla 80
Ixtapan de la Cuautitlán
15040 137 15121 80
Sal Izcalli
15023 Coyotepec 137 15095 Tepotzotlán 81
Almoloya del
15006 134 15081 Tecámac 84
Río

92
Figura 4.- Estado de México: Razó n de Mortalidad Estandarizada 2010 (%)
DISCUSIÓN
Los procesos del cá lculo de la RME, la clasificació n en rangos

y la cartografıá presentan una serie de elementos que permiten
realizar un diagnó stico lo má s real del comportamiento espacio –
temporal de la mortalidad general. La serie de procedimientos
cuantitativos se realizan en una base de datos y parte de los
resultados se vinculan al SIG para su representació n cartográ fica.
Los resultados permiten avanzar sobre aspectos especıf́icos
del concepto de distribució n espacial de la RME debido a que es
importante conocer en qué á reas hay mayor intensidad de la
variable, sino la magnitud de la intensidad y dó nde se produce,
informació n como una de las bases para la toma de decisiones
principalmente focalizadas.
Los mapas generados de la RME, y al ser comparados a
travé s del tiempo, pueden servir como insumos para generar o
plantear nuevas hipó tesis para puntualizar el porqué la mortalidad
sigue diferentes comportamientos espaciales: el mismo patró n, no
93
hay cambios, otros siempre con RME con porcentajes muy

altos y otros siempre muy bajos, que pasa en cada caso y ası ́mismo la
posibilidad de plantear estrategias para cambiar el comportamiento
de la mortalidad, hacia la disminució n de la RME.
La metodologıá es adecuada para ser aplicada a diversas

escalas espaciales: locales y regionales y constituye un apoyo
importante al estudio de la distribució n espacial de la RME.
BIBLIOGRAFÍA
Anselin, Luc. (1995)Local Indicator of Spatial Association-LISA.

Geographical Analysis.
CEPAL, N. (2009). Panorama Social de Amé rica Latina. Santiago:

Naciones Unidas.
Colimon, K.-.M. (1990). Fundamentos de epidemiologıá. Madrid:

Dıáz de Santos
Epidat: programa para el aná lisis de datos epidemioló gicos. Versió n

4.2, julio de 2016. Departamento de Salud, Xunta de Galicia, Españ a;
Organizació n Panamericana de la Salud (OPS-OMS); CES
Universidad, Colombia.
Goodchild, Michel (1987). A spatial analytical perspective on

geographical information systems. International Journal of
Geographical Information Systems, vol. 1, Nº4
Miller, 2004 Tobler´s first law and spatial analysis. Annals of the
Association of American Geographers.
Santana M., Rosales E., Pineda N., y Santana G. (2013). Observatorio

de Geografıá de la Salud del Estado de Mé xico. Mortalidad General.
Toluca de Lerdo. Universidad Autó noma del Estado de Mé xico.
Organizació n Panamericana de la Salud, OPS (2002). La Estandarizació n:

Un Mé todo Epidemioló gico Clá sico para la Comparació n de Tasas. America.
94
Capítulo 5
MÉTODO DE ESTIMACIÓN POR TELEDETECCIÓN
Aplicación a la calidad del agua superficial en el Estado de México
Enrique Estrada Bastida

Marivel Hernández Téllez
Alejandro Tonatiuh Romero Contreras
SÍNTESIS
En este capı́tulo presenta el mé todo de estimació n de

pará metros relacionados a la calidad del agua superficial para
conocer su distribució n espacial mediante imá genes de saté lite
LandSat 7 y su procesamiento digital. Se aplica a la presa de Valle de
Bravo (Estado de Mé xico).
INTRODUCCIÓN
El presente capıt́ulo tiene como objetivo la estimació n de la

calidad del agua a travé s de té cnicas de teledetecció n mediante la
implementació n de un modelo geó matico que permita el monitoreo
de un cuerpo de agua superficial usando imá genes de saté lite
LandSat.
La calidad del agua se ha realizado a travé s del aná lisis in situ

y en laboratorio, este proceso es laborioso y consume tiempo. Sin
embargo, en la actualidad se ha modernizado el monitoreo de la
calidad del agua mediante el uso de sensores remotos, logrando la
estimació n de pará metros de manera eficiente (Moreno Franco y
otros, 2010; Ledesma y otros, 2013).
Con el surgimiento de la teledetecció n, permite identificar

cuerpos de agua a distancia con imá genes de saté lite, la cuales cuantifican
95
Enrique Estrada Bastida, Marivel Hernández Téllez, Alejandro Tonatiuh Romero Contreras
las longitudes de onda reflejadas desde la superficie del agua y con esto
detectar distintos pará metros que intervienen en la calidad del agua,
entre ellos, só lidos suspendidos totales, clorofila-a, salinidad, fosforo total,
profundidad (Shihu, 2011; Chawira y otros, 2013).
La aplicació n de té cnicas de teledetecció n se ha realizado

con excelentes resultados aplicados en cuerpos de agua
superficiales. Aquı ́se presenta la aplicació n a la calidad del agua en
el Estado de Mé xico y el resultado obtenido.
ANÁLISIS DE UN CUERPO DE AGUA SUPERFICIAL USANDO

TELEDETECCIÓN
En las ú ltimas dé cadas, la teledetecció n se ha utilizado para

determinar el comportamiento de las coberturas del planeta –
Vegetació n, Suelo y Agua – debido a que estas reflejan energıá en
diferentes longitudes de onda, estos datos se deben de
transformarse a niveles de reflectancia aparente (Top of
Atmosphere) (Chuvieco, 2010).
Para la cobertura del agua, existen contribuciones de

reflectancia (figura 1), estas son de superficie, de fondo y de
volumen, siendo esta ú ltima la que contiene informació n
relacionada con la calidad del agua (Emch, 2000).
Figura 1: Contribuciones de la reflectancia para el agua
Fuente: Ló pez C.A.y Barrazza, V. (s.f)
96
Método de estimación por teledetección
Con el procesamiento de imá genes del saté lite LandSat se

han estimado pará metros de la calidad del agua, como se muestran
en el Cuadro 1 que mediante el aná lisis estadıśtico se obtienen
ecuaciones de regresió n con un nivel de correlació n alto asociadas a
estos pará metros, en este sentido, se demuestra que con imá genes
de saté lite tienen la posibilidad del aná lisis de una variedad de
pará metros que intervienen en la calidad del agua.
En relació n al Cuadro 1 se analiza por ejemplo que, para la

clorofila-a tiene una correlació n del 81% (Torbick y otros, 2008)
usando LandSat-7 ETM+ con las bandas azul y roja mediante el
modelo de regresió n lineal simple y para la trasparencia (Dewidar y
Khedr, 2001) se utilizan las bandas azul, verde e infrarrojo cercano
con una correlació n alta (r2= 0.95) usando el modelo de regresió n
lineal mú ltiple con imá genes de LandSat-5 TM.
97
El aná lisis de un cuerpo de agua inicia con las mediciones in

situ y el aná lisis en laboratorio, este procedimiento es el tradicional,
pero consume tiempo y es costoso por el tratamiento quım ́ ico del
agua ademá s de los procedimientos logıśticos de asistir al cuerpo de
agua, sin embrago, esto se utiliza para la validació n de los datos que
resultan del tratamiento de las imá genes de saté lite.
Los pasos para extraer informació n de calidad de agua desde

imá genes de saté lite son los siguientes:
1. Colectar muestras in situ del cuerpo de agua para evaluar

pará metros de calidad de agua, para hacer una base de datos
con los resultados de cada pará metro asociado a sus
coordenadas en el momento de la toma.
2. Adquisició n de las imá genes de saté lite a travé s del sitio web
del Servicio Geoló gico de los Estados Unidos (USGS, por sus
siglas en inglé s), tomado en consideració n que la imagen se
encuentre en el mes cuando se recolectaron las muestras o
en su caso una fecha lo má s pró xima posible.
3. Procesamiento de la imagen de saté lite para su aná lisis:
a. Correcció n de las imá genes, para verificar la calidad

de los datos, debido a que existen varias causas de
propagació n de errores por la velocidad del escaneo, a la
rotació n del saté lite o a la curvatura terrestre
(Schneider y Mauser, 1996). Estas pueden ser
g e o m é t r i c a s p o r l a l o c a l i z a c i ó n d e p i xe l e s ,
radiomé tricas para corregir los nú meros digitales
debido a la aparició n del bandeo y atmosfé ricas la cual
asume que en algú n lugar de la imagen existe al menos
un pixel con radiancia espectral cerca al valor cero por
las zonas de sombra, el mé todo que propone Chá vez
(1996) es calcular valores de dispersió n por banda a
travé s de un modelo de dispersió n atmosfé rico.
b. Creació n de una má scara de agua, para discriminar

la cubierta del agua con respecto a la del suelo y
98
vegetació n, mediante el uso de los datos de reflectancia

que el operador realizó con antelació n.
c. Determinar la relació n de los pará metros de la

calidad del agua con las respuestas de reflectancia de la
imagen mediante el uso de una base de datos y de
mé todos de estadıśtica espacial.
4. Creació n de los mapas para cada pará metro de calidad de

agua, se obtuvieron con la utilizació n de una base de datos
de 50 sitios de muestreo (Avalos Piñ a, 2012), aplicando los
siguientes pasos:
a. Con los datos del muestreo se generaron imá genes

rasterizadas de puntos asociados al pará metro.
b. Se aplicó una regresió n multiple lineal donde la

variable dependiente es la imagen de puntos y la variable
independiente son las bandas de la imagen a utilizar.
Como resultado de lo anterior, se muestra la figura 2 donde se
encuentran los procesos para estimar pará metros de la calidad del agua.
Figura 2: Modelo geomá tico para obtener pará metros de la calidad del agua
Fuente: Elaboració n propia, 2018
APLICACIÓN AL ESTADO DE MÉXICO (PRESA DE VALLE DE BRAVO)
La presa de Valle de Bravo (figura 3) forma parte de la

Cuenca Valle de Bravo-Amanalco localizada al poniente del Estado
de Mé xico, fue construida en 1947 como parte del Sistema
99
Hidroelé ctrico “Miguel Alemá n”, que ahora forma parte del sistema
hidrá ulico “El Cutzamala”. (Avalos Pina, 2012).
Fuente: Imagen descargada de Google Maps, 2018
Las principales fuentes de contaminació n son: descargas de

aguas residuales del municipio de Valle de Bravo y del resto de la
Cuenca, quı́micos utilizados en la agricultura y acuacultura,
desechos orgá nicos y só lidos con esto existe un crecimiento de lirio
y microalgas las cuales son dañ inas a la salud del ser humano debido
a que producen dermatitis y si son ingeridas perjudican al hıǵado.
Tambié n con la carga de nutrientes y a la descarga orgá nica
provocan que la presa se quede sin oxıǵeno esto no permite que
existan plantas o animales, ademá s con la presencia de coliformes
fecales y bacterias pató genas es una fuente de infecciones y
enfermedades (Avalos Piñ a, 2012).
La informació n utilizada fue: imá genes de saté lite LandSat-7

con PATH 27/ROW 47 para Abril de 2010, tambié n una base de
datos en temporada de estiaje (Abr/10). Las estimaciones de
pará metros de la calidad de agua mostrados a continuació n, se
realizaron a travé s del seguimiento del modelo (Figura 2).
100
OXÍGENO DISUELTO
Para el pará metro de oxıǵeno disuelto (OD) se obtuvo con la

utilizació n del Cuadro 2, resultando la figura 4.
Figura 4: Oxıǵeno disuelto
Fuente: Imagen obtenida del software TerrSet, 2018
101
CONDUCTIVIDAD ELÉCTICA
Para el pará metro de conductividad elé ctrica (CE) se obtuvo

con la utilizació n del Cuadro 3, resultando la figura 5.
Figura 5: Conductividad elé ctrica
102
SÓLIDOS SUSPENDIDOS TOTALES
Para el pará metro de só lidos suspendidos totales (SST) se

obtuvo con la utilizació n del Cuadro 4, resultando la figura 6.
Figura 6: Só lidos Suspendidos Totales
103
SÓLIDOS SUSPENDIDOS TOTALES
Para el pará metro de só lidos suspendidos totales (SST) se

Figura 6: Só lidos Suspendidos Totales
104
SÓLIDOS DISUELTOS TOTALES
Para el pará metro de só lidos disueltos totales (SDT) se

Figura 7: Só lidos Disueltos Totales
105
Los estudios que hacer referencia a la calidad del agua con el

apoyo de imá genes de saté lite, deben de considerar la fecha de toma
de la escena y el sensor satelital, esto para realizar las diferentes
correcciones a la imagen, ademá s de la generació n de una base de
datos asociada a datos puntales con la informació n a estimar, es por
eso que, el aná lisis espacial raster se ha convertido en una té cnica
donde es posible la estimació n de diferentes pará metros que
pueden relacionarse con la calidad del agua.
La aplicació n a la presa de Valle de Bravo, Estado de Mé xico

mostró la distribució n espacial de pará metros usados en la calidad
del agua a travé s de la implementació n de un modelo geomá tico y el
resultado es en la toma de decisiones para realizar acciones de
mitigació n de la contaminació n dentro del á rea de estudio.
BIBLIOGRAFÍA
Avalos Piñ a, K. 2012. Percepció n remota y sus aplicaciones a la

evaluació n en la calidad del agua (Tesis de Licenciatura).Facultad de
Ingenierı́a de la Universidad Autó noma de Mé xico: Cuidad de
Mé xico, Mé xico.
Caselles, V.; Ló pez Garcıá, M.; Soria, J. 1986. Estudio del estado
tró fico del lago de la albufera (Valencia) a partir de imá genes de
Landsat-5 (TM). Comunicaciones de la I Reunión Científica del Grupo
de trabajo de teledetección, 141-156.
Chavez P.T. 1996. Image-Based Atmospheric Corrections: Revisited

and Improved. Photogrammetric Engineering & Remote Sensing.
62(9), 1025-1036.
Chawira, M; Dube, T.; Gumindoga, W. 2013. Remote sensing based

water quality monitoring in Chivero and Manyame lakes of
Zimbabwe. Physics and Chemistry of the Earth, 66, 38-44.
106
Chuvieco, E. 2010. Fundamentos de Teledetección espacial (Tercera

edicion revisada). Madrid, Españ a: Ediciones RIALP S.A.
Dewidar, K.; Khedr, A. 2001. Water quality assessment with

simultaneous Landsat-5 TM at Mazala Lagoon, Egypt .
Hydrobiologia, 457, 49-58.
Emch, M. 2000. Spectral reflectance characteristics of water. En linea

http://web.pdx.edu/~emch/rs/vh5.html
He, W.; Chen, S.; Liu, X.; Chen, J. 2008. Water quality monitoring in a
slightl-polluted inland water body through remote sensing - Case
study of the Guanting Reservoir in Beijing, China. Frontiers of
Environmental Science & Engineering in China, 2(2), 163-171.
Lavery, P.; Pattiaratchi, C.; Wyllie, A.; Hick, P. 1993. Water quality
monitoring in Estuarine Waters using the Landsat Thematic
Mapper. Remote Sensing of Envitonment(46), 268-280.
Ledesma, C.; Bonansea, M.; Rodriguez, C. M.; Sá nchez Delgado, A. R.

2013. Determinació n de indicadores de eutrofizació n en el embalse
Rıo
́ Tercero, Có rdoba (Argentina). Revista Ciências Agrárias de la
Universidade Federal do Ceará, 44(3), 419-425.
Ló pez C.A.y Barrazza, V. (s.f). Introducció n a La Teledetecció n

C u a n t i t a t i v a . R e c u p e r a d o 2 8 s e p t i e m b r e , 2 0 1 8 , d e
https://www.scribd.com/document/285665162/Introduccion-a-
La-Teledeteccion-Cuantitativa.
Moreno Franco, D.; Quintero Manzano, J.; Ló pez Cuevas, A. 2010.
Mé todos para identificar, diagnosticar y evaluar el grado de eutrofia.
ContactoS, 78, 25-33.
Nas, B.; Ekercin, S.; Karabö rk, H.; Berktay, A.; Mulla, D. J. 2010. An
application of Landsat-5 TM image data for water quality mapping in
Lake Beyserhir, Turkey. Water, Air, and Soil Pollution, 212, 183-197.
107
Schneider, K.; Mauser, W. 1996. Processing and Accuracy of Landsat

Thematic Mapper data for lake surface temperature measurement.
International Journal of Remote Sensing, 17(11), 2017-2041.
Shihu, S. 2011. Multi-semsor remote sensing technologies in water

system management. Procedia Environmental Sciences, 10, 152-157.
Torbick, N.; Hu, F.; Zhang, J.; Qi, J.; Zhang, H.; Becker, B. 2008. Mapping
Chlorophyll-a concentrations in West Lake, China using Landsat 7
ETM+. Journal of Great Lakes Research, 34, 559-565.
Vincent, R. K.; Qin, X. L.; McKay, R. M.; Miner, J.; Czajkowski, K.; Savino,
J.; Bridgeman, T. 2004. Phycocyanin detection from LANDSAT TM
data for mapping cyanobacterial blooms in Lake Erie. Remote
Sensing of Environment, 89, 381-392.
108
Capítulo 6
MÉTODO PARA AUTOCORRELACIÓN ESPACIAL
Aplicación a la mortalidad por homicidios en el Estado de México
Giovanna Santana Castañeda

Adrián Guillermo Aguilar
SÍNTESIS
Este capıt́ulo presenta un mé todo para realizar aná lisis de

autocorrelació n espacial global y local. Se demuestra su utilidad para
expresar có mo influye la componente espacial de la variable
analizada, se centra la atenció n en una unidad espacial y sus unidades
espaciales vecinas se pueden producir las siguientes situaciones:
similitud, disimilitud o que no se produzca ninguna de las situaciones
anteriores (que los valores contiguos se produzcan de forma aleatoria
en una gran cantidad de casos, por lo que se comprobarı́a la
inexistencia de autocorrelació n espacial). El caso de estudio son las
defunciones por homicidios en el Estado de Mé xico a nivel municipal.
INTRODUCCIÓN
Las defunciones por homicidios en Mé xico es un tema de gran

importancia, debido al aumento considerable en los ú ltimos añ os, ademá s
y sobre todo por que se trata de muertes que no deberıán ocurrir, y se
considera una expresió n de las má s abruptas y severas de violencia que
pone de manifiesto los graves problemas que aquejan a nuestra sociedad
y que está n presentes en algunos lugares má s que en otros.
Autores como Flanagin y Cole, 1998; WHO, 1998; Araú jo y

Dıáz, 2000 citados en Gonzá lez et. al. 2009, mencionan que la
violencia es reconocida actualmente como un grave problema social
y de salud pú blica, una epidemia que pronto podrıá sobrepasar a las
enfermedades infecciosas como la principal causa de mortalidad y
morbilidad prematura.
109
Giovanna Santana Castañeda y Adrián Guillermo Aguilar
En este capı́ t ulo se analizará de manera concisa la

distribució n de esta causa de mortalidad, ampliando la explicació n
sobre la autocorrelació n, sus orıǵenes, efectos espaciales, té cnicas,
aplicació n e interpretació n.
El origen del aná lisis exploratorio de datos espaciales

(AEDE) se encuentra en lo que se denomina aná lisis exploratorio de
datos (AED) o minerıa ́ de datos (“data mining”). En sus orıg ́ enes se
definıá como “el conjunto de herramientas grá ficas y descriptivas
utilizadas para el descubrimiento de patrones de comportamiento
en los datos y el establecimiento de hipó tesis con la menor
estructura posible” (Tukey, 1977).
El AEDE puede definirse como el conjunto de té cnicas que

describen y visualizan las distribuciones espaciales, identifican
localizaciones atı́picas o “atı́picos espaciales” (“spatial outliers”),
descubren esquemas de asociació n espacial, agrupamientos
(“clusters”) o puntos calientes (“hot spots”) y sugieren estructuras
espaciales u otras formas de heterogeneidad espacial (Anselin, 1999).
La autocorrelació n espacial juega un papel muy importante

dentro de los AEDE, que en té rminos simples se puede definir como
la relació n entre lo que ocurre en un punto determinado del espacio
y lo que sucede en lugares cercanos o vecinos al mismo, lo que
significa que una variable estará espacialmente autocorrelacionada
cuando los valores observados en un punto o regió n dependan de los
valores observados en regiones vecinas, de forma que se produzca
una cierta continuidad geográ fica en la distribució n de esta variable.
Esto está plasmado bajo la primera ley de la Geografıá que presentó
Tobler en 1970, en dó nde se expresa que, en el espacio geográ fico
todo está relacionado con todo, sin embargo, los espacios má s
cercanos está n má s relacionados entre sı,́ que los que se encuentren
má s lejanos. Por lo tanto, el aná lisis de autocorrelació n espacial es
ú til para explicar la influencia del componente espacial en la
distribució n de la variable analizada.
La autocorrelació n espacial puede ser univariada y

bivariada, la primera cuando corresponde al aná lisis de una sola
variable como se ha explicado con anterioridad, y la segunda
110
Método para autocorrelación espacial
corresponde a un aná lisis del comportamiento espacial de dos

variables siendo la comparació n entre el valor de la primera variable
en una unidad espacial contra el valor de la segunda variable en las
unidades espaciales vecinas.
Las principales té cnicas de asociació n espacial en el AEDE

reticular son el diagrama de dispersió n de Moran y los grá ficos de
Indicador Local de Asociació n Espacial (LISA) (Buzai, G., 2007).
El estadıśtico I de Moran y el grá fico de dispersió n de Moran

son mé todos que permiten analizar el fenó meno de dependencia o
autocorrelació n espacial desde un punto de vista global. Lo que
significa que no detecta la presencia de zonas calientes o frıás que se
desvıán de la tendencia general de una variable o de la existencia o
no de concentraciones espaciales, para ello se utilizan los grá ficos de
LISA para analizar la dependencia espacial local.
Los grá ficos LISA representan las localizaciones con valores

significativos en determinados indicadores estadı́ s ticos de
asociació n espacial local (Unwin, 1996), este mé todo se basa en el
estadıśtico I de Moran de asociació n local. Se trata de un estadıśtico
que 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.
Para cada valor del estadı́stico es posible realizar una

inferencia para evaluar el nivel de significancia estadıśtica en donde
puede o no existir similitud o disimilitud de valores en una
localizació n geográ fica, a esto se le llama valores atıp
́ icos.
111
AUTOCORRELACIÓN O DEPENDENCIA ESPACIAL Y HETEROGENEIDAD

ESPACIAL: EFECTOS ESPACIALES
Luc Anselin (1988) desarrolló una tipologıá de modelos

espaciales autorregresivos en su libro titulado “Spatial
Econometrics: Methods and Models”, en el proceso de explicar las
caracterıśticas de los modelos economé tricos espaciales exploró los
té rminos de dependencia y heterogeneidad espacial mencionando
que son dos aspectos de los datos y modelos en la ciencia regional
que merecen una atenció n especial desde el punto de vista
metodoló gico.
La autocorrelació n habı́ a sido llamada “dependencia

espacial”, “asociació n espacial”, “interacció n espacial”,
“interdependencia espacial”, entre otros conceptos, hasta 1968
cuando Cliff y Ord utilizaron el té rmino autocorrelació n espacial.
En un sentido estricto, los conceptos de dependencia y

autocorrelació n espacial no son sinó nimos, siendo esta segunda una
expresió n má s dé bil que la primera, que se refiere ú nicamente a los
primeros momentos de la distribució n conjunta de una variable. Sin
embargo, ambos conceptos será n utilizados indistintamente.
La autocorrelació n en su té rmino má s simple es la

concentració n o dispersió n de los valores de una variable en algú n
grá fico o mapa, quizá la autocorrelació n espacial pueda verse como
un caso especial de correlació n, sin embargo, tiene un significado
propio, mientras que las estadıśticas de correlació n se diseñ aron
para mostrar las relaciones entre diferentes variables, la
autocorrelació n espacial muestra la correlació n dentro de una
misma variable en el espacio georreferenciado.
Ningú n otro té rmino en la investigació n espacial empı́rica es

tan central para la construcció n de modelos como lo es la
autocorrelació n espacial, en palabras de Getis este concepto permite
determinar la fuerza de los efectos espaciales en cualquier variable
del modelo, permite pruebas sobre suposiciones de estacionariedad y
heterogeneidad espacial, ayuda a reconocer la influencia que la
112
geometrıá de las unidades espaciales bajo estudio podrıá tener en la

construcció n de una variable, permite identificar la fuerza de las
asociaciones entre una variable y las unidades espaciales, brinda los
medios para probar hipó tesis sobre relaciones espaciales, ofrece la
oportunidad de sopesar la importancia de los efectos temporales,
proporciona un enfoque en una unidad espacial para comprender
mejor el efecto que podrıá tener en otras unidades y viceversa (lo que
se conoce como autocorrelació n espacial local) y ayuda en el estudio
de valores atıp
́ icos.
Getis (2008) menciona el concepto de Hubert, Golledge y

Constanza (1981) como uno de los má s concisos, este es el siguiente:
“Dado un conjunto S que contiene n unidades geográ ficas, la
autocorrelació n espacial se refiere a la relació n entre alguna variable
observada en cada una de las n localidades y una medida de proximidad
geográ fica definida para todos los n (n- 1) pares elegidos de n”.
Segú n Cliff y Ord (1973), Anselin (1988), entre otros, la

dependencia o autocorrelació n espacial aparece como
consecuencia de la existencia de una relació n funcional entre lo que
ocurre en un punto determinado del espacio y lo que ocurre en otro
lugar, lo que significa que el valor que tiene una variable en alguna
unidad espacial no só lo esta explicado por las caracterıśticas al
interior de ella, sino tambié n por el valor de esa misma variable en
las unidades espaciales vecinas, esto incumple en el supuesto de
independencia entre las observaciones muestrales. Por lo que la
existencia de dependencia espacial no hace posible cambiar la
localizació n de los valores de una variable sin afectar la informació n
que contiene la muestra.
Para constatar la presencia o ausencia de un esquema de

dependencia espacial a nivel univariante, es decir, comprobar si una
variable se encuentra distribuida de forma totalmente aleatoria en
el espacio o si existe una asociació n significativa de valores similares
o disım
́ iles entre las unidades espaciales vecinas, de manera general
se han planteado diversas té cnicas de estadıśticos de dependencia
espacial, dentro de las que destacan la I de Moran, la C de Geary, la
G(d) de Getis y Ord, etc. Para el presente estudio se utilizará la I de
Moran.
113
Por otro lado, la heterogeneidad espacial consiste en la

variació n de las relaciones en el espacio, este efecto aparece cuando
se utilizan datos de unidades espaciales muy distintas para explicar
un mismo fenó meno, en este caso aparecen problemas como la
heteroscedasticidad o la inestabilidad estructural, los cuales
pueden ser resueltos mediante las té cnicas economé tricas
existentes para series temporales.
La heterogeneidad espacial en la inestabilidad estructural se

refiere a la falta de estabilidad en el espacio del comportamiento de
la variable bajo estudio, que lleva a que la forma funcional y los
pará metros de una regresió n puedan variar segú n la localizació n,
por lo que no son homogé neos en toda la muestra, por otro lado, la
heteroscedasticidad surge de la omisió n de variables u otras formas
de errores de especificació n que llevan a la aparició n de errores de
medida.
El conocimiento teó rico de la estructura espacial puede

conducir a procedimientos má s complejos como la expansió n
espacial de pará metros formulada por Casetti, 1972 (Moreno &
Vayá , 2000) o regresiones geográ ficamente ponderadas
(Fotheringham et. Al. 1998) para realizar el tratamiento de la
heterogeneidad puesto que son cuestiones inherentes a la
localizació n de las observaciones, sin embargo, la mayorıá de los
casos se pueden tratar con té cnicas economé tricas tradicionales
puesto que la problemá tica gira en torno a la autocorrelació n
espacial.
I DE MORAN
Getis en 1990, menciona que a principios de la dé cada de los

1970 se habıá dado un impulso a la teorıá en este tema con Wilson,
sin embargo, fue popularizada cuando Cliff y Ord (1973)
presentaron su explicació n innovadora del problema de la
autocorrelació n espacial basados en los trabajos de Moran (1948),
Geary (1954) y Whittle (1954), aunque ellos llamaró n al té rmino
razó n de contigü idad.
114
La estadıśtica I de Moran es uno de los indicadores má s

utilizado en la autocorrelació n espacial global. Inicialmente fue
sugerido por Patrick Alfred Pierce Moran (1948). En esencia, es una
estadıśtica de producto cruzado entre una variable y su retraso o
retardo espacial (promedio ponderado de los vecinos) con la
variable expresada en desviaciones de su media.
En té rminos generales, la autocorrelació n puede ser positiva

o negativa, la primera se expresa de la siguiente manera: cuando la
presencia de alguna caracterıśtica en una unidad espacial conduce
al aumento de esa misma caracterı́stica hacı́a el resto de las
unidades espaciales que la rodean, favoreciendo la concentració n de
este (es como si en un tablero de ajedrez colocá ramos todas las
casillas blancas en la primera mitad y en la segunda todas las casillas
negras) figura 1. El caso contrario es cuando la presencia de alguna
caracterı́stica en alguna unidad espacial impide o dificulta la
aparició n de regiones vecinas a ella, es decir, que las unidades
espaciales vecinas tengas valores netamente disimiles entre ellas,
tal como lo muestra la distribució n de las casillas blancas y negras en
un tablero de ajedrez, ver figura 2 y fó rmula 1.
Los valores negativos (positivos) indican negativo (positivo)

de autocorrelació n espacial, los valores oscilan entre -1 (indicando
dispersió n perfecta) a +1 (correlació n perfecta), ademá s un valor de
cero indica un patró n espacial aleatorio.
Fó rmula 1. I de Moran
Fuente: Elaborado con base en Buzai & Baxendale, 2012.
Dó nde n es el nú mero de unidades espaciales,

xi es el valor de la variable en la unidad espacial i,
xjes el valor de la variable en la otra localizació n,
x es la media de la variable y
wj es la ponderació n que indica la relació n de contigü idad entre
las unidades
espaciales i-j; Si i-j comparten lıḿ ites Wij=1 si no Wij =0
115
Figura 1. Correlació n perfecta Figura 2. Dispersió n perfecta
Fuente: Elaboració n propia, 2018.
La importancia estadı́stica se establece en un nivel de

confianza del 95 por ciento cuando las entidades con valores p
inferiores a 0,05 y estas se consideran estadı́ s ticamente
significativas, si por el contrario el valor de p es superior a 0.05 no se
puede aceptar la hipó tesis alternativa, ya que la distribució n
espacial se produce de forma aleatoria.
Las permutaciones se utilizan para determinar la

probabilidad de encontrar la distribució n espacial real de los
valores que está analizando mediante la comparació n de los valores
con un conjunto de valores generados aleatoriamente. Las
permutaciones generará n muchos conjuntos de datos aleatorios y
estos valores se comparará n con el ın ́ dice I de Moran local de sus
datos originales; para hacerlo, cada permutació n reorganiza
aleatoriamente los valores de vecindad alrededor de cada entidad y
calcula el valor I de Moran local de estos datos aleatorios, despué s se
calcula p determinando la proporció n de los valores I de Moran local
generados a partir de las permutaciones que muestran má s clú sters
que sus datos originales. Si esta proporció n (p) es pequeñ a (inferior
a 0,05), se puede concluir que sus datos muestran clú sters
estadıśticamente significativos.
Elegir el nú mero de permutaciones es un equilibrio entre la

precisió n y un mayor tiempo de procesamiento, al aumentar el
116
nú mero de permutaciones se incrementa la precisió n porque

aumenta el rango de posibles valores para p. Por ejemplo, con 99
permutaciones, la precisió n del pseudo valor P es de 0,01 (1/99+1)
y para 999 permutaciones, la precisió n es de 0,001 (1/999+1).
Para las pruebas de hipó tesis estadıśticas, los valores de

Moran I pueden ser transformados a la Z-score en el que los valores
superiores a 1,96 o menor que -1.96 indican autocorrelació n
espacial que es significativo al 95%.
LISA
Desde la dé cada de los 90's, la utilizació n de la
autocorrelació n espacial se extendió a las condiciones locales, por
ejemplo: Getis y Ord en 1992 demostraron su aplicació n mediante
una variació n estadıśtica de autocorrelació n que llamaron G. Este
tipo de estadıśticas locales ayudaron a identificar puntos crıt́icos en
las variables mapeadas en comparació n con las estadı́sticas
globales.
En 1994, Anselin demostró que los valores locales eran

proporcionales a sus valores globales introduciendo la estadıśtica
local de Moran que nombro LISA: Indicadores Locales de la
Asociació n Espacial. Todas las estadıśticas locales se utilizan para
identificar puntos crı́ticos o posibles centros de agrupació n
estadıśticamente significativa y esto muestra cuanto contribuye
cada unidad espacial a la formació n del valor global.
Los estadıśticos LISA representan las localizaciones con

valores significativos en determinados indicadores estadıśticos de
asociació n espacial local (Unwin, 1996). Se trata de un estadıśtico
que 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, es decir que, para cada valor del estadıśtico es posible realizar
una inferencia para evaluar el nivel de significancia estadıśtica en
donde puede o no existir similitud o disimilitud de valores en una
localizació n geográ fica, a esto se le llama valores atıp
́ icos.
Hay que considerar que el mapa muestra el centro del grupo

en color (por ejemplo, rojo para un grupo alto-alto), sin embargo, la
117
extensió n real del grupo incluye el centro y los vecinos circundantes,

el nú mero de vecinos difiere considerando el tipo de matriz de
ponderaciones que se haya definido.
Un valor positivo indica que una unidad espacial tiene

unidades espaciales vecinas con valores de atributo altos o bajos
similares; esta unidad espacial es parte de un clú ster. Un valor
negativo indica que una unidad espacial tiene unidades espaciales
vecinas con valores diferentes; esta unidad espacial es un valor
atıp
́ ico. En ambas instancias, el valor p para la entidad debe ser lo
suficientemente pequeñ o para que el clú ster o el valor atıp
́ ico se
consideren estadıśticamente significativos.
El tipo de clú ster se distingue entre uno significativamente

estadıśtico de valores altos (AA), otro de valores bajos (BB), otro con
un valor atıp ́ ico en el que un valor alto está rodeado principalmente
por valores bajos (AB) y otro con un valor atıp ́ ico en el que un valor
bajo está rodeado principalmente por valores altos (BA).
Por ú ltimo, se puede utilizar un nú mero inferior de

permutaciones al explorar un problema por primera vez, pero es
conveniente aumentar las permutaciones al nú mero má s alto posible
cuando se van a mostrar los resultados finales, ası́ como aplicar
diferentes filtros, de esta manera puede explorar qué grupos y valores
atı́picos espaciales se mantienen estables en todo momento.
MUERTES POR HOMICIDIO
Los homicidios son casos que involucran muertes que no

deberı́an ocurrir, se trata de interrupciones abruptas de vidas como
resultado de un conjunto de situaciones sociales, es la expresió n
extrema de la violencia contra un ser humano, y los niveles de violencia,
ası́ como de inseguridad se han incrementado significativamente, segú n
autores como Narro & Herná ndez este aumento se da luego de la
aplicació n de una estrategia gubernamental de lucha frontal contra el
crimen organizado iniciado en el añ o 2007, mostrando que el añ o 2008
uno de los má s violentos en Mé xico dó nde cada dos horas asesinaron a
tres mexicanos (Narro & Herná ndez, 2010).
118
Abordar este tema es de gran importancia debido a

que uno só lo de estos casos es catastró fico para quien lo sufre, es
decir, para aquellas personas que conforman el cıŕculo social del
fallecido y, en general, para toda la població n.
Para el añ o 2015, en el Estado de Mé xico, se registraron 2669

defunciones con una població n total de 16'187,608 la tasa fue de
16.49, los municipios má s afectados fueron Nopaltepec, Tonanitla,
Coyotepec, Zacualpan, Axapusco, Texcoco, Ocuilan, Malinalco, San
Simó n de Guerrero y Jilotzingo, con las siguientes tasas: 156.25,
82.24, 57.40, 53.48, 50.53, 39.46, 37.70, 36.39, 33.28 y 31.56 como
se muestra en la figura 4.
Estos homicidios ocurren preponderantemente en los

grupos de edad que van de los 20 a los 44 añ os como se muestra en la
figura 4. La població n en los grupos de edad que se tienen
registrados de manera oficial por el INEGI va de 0 a 14, de 15 a 64 y
má s de 65 añ os, por lo que las tasas de mortalidad por cada 100,000
habitantes son de 1.94, 22.06 y 11.26, con 83, 2402 y 112
defunciones respectivamente.
Figura 4. Estado de Mé xico, Tasa de mortalidad por homicidios, 2015
Fuente: Elaboració n propia con base en INEGI y DGIS, 2015
119
Figura 5. Estado de Mé xico, Defunciones por homicidio por grupos

de edad, 2015.
Afectando en mayor medida al gé nero masculino con 2,260

defunciones, mientras que en el grupo femenino fueron 398, con
una tasa de mortalidad por 100,000 habitantes de 28.85 y 4.76
respectivamente. Con respecto al gé nero masculino, los municipios
con las tasas má s altas son Nopaltepec, Tonanitla, Zacualpan,
Coyotepec, Axapusco, Texcoco, San Simó n de Guerrero, Malinalco,
Santo Tomá s y Zumpahuacá n de 250.68, 147.03, 98.07, 97.98, 95.55,
71.98, 68.59, 67.08, 62.75 y 61.97 respectivamente. Para el grupo
femenino coinciden con valores alto los municipios de Nopaltepec,
Coyotepec y Zacualpan con tasas de 65.62, 18.69 y 12.79 ademá s se
incluyeron en los primeros diez los siguientes: Cocotitlá n, Ocuilan,
San Martı́n de las Pirá mides, Ecatzingo, Nextlalpan, Zacualpan,
Otumba y Tequixquiac con tasas de 26.74,22.51, 21.69, 20.82, 14.92,
11.20, 10.67 y 10.25 respectivamente.
PROCEDIMIENTO, CÁLCULOS Y ANÁLISIS
Antes de empezar con los procedimientos, hay algunos

puntos para que la aplicació n se realice lo mejor posible, estos
puntos se abordan a continuació n:
120
Hay que seleccionar una conceptualizació n de relaciones

espaciales adecuadas, tambié n se pueden identificar clú ster de
espacio-tiempo y sus valores atıp
́ icos.
Para que los resultados se consideren confiables el nú mero

de unidades espaciales mın ́ imas es de 30, mientras má s unidades
espaciales existan mejor será el resultado.
Se requiere de un campo de entrada cuantitativo, por

ejemplo: tasa, porcentaje u otras medidas numé ricas. Por lo que hay
que considerar que si se analizan datos, donde cada unidad espacial
presenta un evento o un incidente ú nico, es probable que no se tenga
un atributo numé rico especıf́ico para evaluar.
Hay que considerar tambié n la selecció n de una banda de

distancia o un umbral de distancia adecuado, siendo que todas las
unidades espaciales deben tener al menos un vecino, y ninguna debe
tener todas las otras entidades como un vecino, especialmente si los
valores para el campo de entrada está n sesgados, cada entidad debe
tener aproximadamente ocho vecinos.
Por ú ltimo, la manipulació n de los datos cuando existen islas

no debe usarse para mapas LISA y pueden ser problemá ticas para
los modelos de regresió n aplicados en GeoDa®, una opció n para
garantizar que no haya islas es usar pesos de distancia (utilizando
bandas de distancia o vecinos má s cercanos a k), aunque tambié n se
pueden eliminar islas exportando un nuevo archivo espacial sin islas
o asigná ndolos a otras á reas que sean similares editando la matriz
de pesos en un editor de texto.
Una vez que se han considerado los puntos anteriores para la

ejecució n de la aplicació n, se procede a su realizació n; en primer
lugar, se debe crear el archivo de pesos en este caso utilizando la
contigü idad de reina, debido a que si cualquier parte de los bordes
que conforman los municipios se tocan se consideran vecinos.
Como se ha mencionado con anterioridad, el valor del ın ́ dice

de Moran de autocorrelació n global va de -1 a +1 y mientras má s
cerca esté n los valores de estos nú meros má s fuerte es el grado de
121
correlació n espacial en la variable. Para el presente capıt́ulo, se

graficó la tasa de mortalidad por homicidios en el Estado de Mé xico
del 2015, el resultado es positivo, aunque no es muy alto con
0.270114, lo que significa que só lo el 27% de los municipios con
altas tasas está n rodeados por municipios con altos valores, ası́
como los valores bajos rodeados por valores bajos, ver figura 6.
Para detectar los puntos calientes o puntos frı́os de la

variable en estudio se realiza el ındice de asociació
́ n espacial local o
LISA que muestra las aglomeraciones con valores similares, como en
la figura 7.
Los puntos calientes se muestran en color rojo habiendo dos

grupos hacıá en noreste uno con los municipios de Axapusco y
Nopaltepec que tienen tasas de 50.53 y 156.25 respectivamente y el
segundo grupo integrado por Huehuetoca y Teoloyucan con tasas de
24.13 y 22.55.
Figura 6. Diagrama de dispersió n e Indice de Moran de la tasa de

mortalidad por Homicidios en el Estado de Mé xico, 2015.
La aglomeració n correspondiente a los puntos frıo ́ s es una

regió n que se extiende con municipios desde el centro hacıá el
noroeste con 15 municipios y los valores de las tasas van de 0.65
hasta 8.94, con municipios como Acambay, Almoloya de Juá rez,
Metepec, Jiquipilco, Jocotitlá n, Lerma, Atlacomulco, Ixtlahuaca,
122
Calimaya, Morelos, San Felipe del Progreso, Temascalcingo,

Temoaya, Timilpan y Toluca.
Para el conjunto de valores bajos rodeados de valores

altos y altos rodeados de valores bajos no existe ningú n
municipio, ademá s existen 13 municipios que no tienen datos y
93 que no son estadı́ s ticamente significativos, esto se puede
ver en la figura 8, ademá s de ello, se muestran los clú steres que
sı́ son estadı́ s ticamente significativos, 11 municipios con un
valor de p= 0.05 (95%), cuatro con un valor de p= 0.01 (99%) y
otros cuatro con un valor de p= 0.001 (99.99%)
Figura 7. Indice local de Figura 7. Indice local de
Moran, tasa de mortalidad Moran, tasa de mortalidad
por homicidios en el Estado por homicidios en el Estado
de Mé xico, 2015. de Mé xico, 2015.
El principal objetivo del capıt́ulo es la exposició n de las

té cnicas de autocorrelació n espacial, má s que un estudio minucioso
de un caso concreto, aunque como ejemplo de su aplicació n se han
presentado resultados de las tasas de mortalidad por homicidios en
el Estado de Mé xico como un problema multidimensional de salud
pú blica que puede ser prevenible, lo que sugiere la bú squeda de
123
explicaciones y soluciones multidisciplinarias y espacialmente

sectoriales, proporcionando a la població n mejores polı́ticas
pú blicas de prevenció n y promoció n de estilos de vida má s
saludables y una cultura de paz para mejorar las condiciones de vida
de la població n.
Ademá s, en la actualidad la adquisició n de los datos está

disponible y abierta a todo el pú blico, ası ́como el uso y la aplicació n
de diferentes té cnicas en software como los utilizados en este
estudio: GeoDa® para realizar la autocorrelació n y Qgis® para la
edició n de las figuras, ambos son de libre acceso.
De manera recomendada este tipo de aná lisis junto con otras

té cnicas de exploració n espacial se deben realizar antes de
cualquier estudio má s profundo de corte territorial, sobre todo para
explorar y mostrar de manera clara la distribució n de las variables,
los valores atı́ p icos, la asociació n espacial, agrupamientos
espaciales, ası́ como los puntos calientes/frı́os y analizar la
influencia en las relaciones de contigü idad espacial.
A este respecto se debe tener presente que de manera

conceptual el principio de la ley de Tobler se muestra de manera
clara en variables geográ ficas, sin embargo, el aná lisis con variables
socioeconó micas debe intentar medirse para cada caso de estudio
en particular debido a que los aspectos sociales pueden apartarse de
esta ley con mayor facilidad.
Por otro lado, el desarrollo en materia geotecnoló gica tiene

un ritmo acelerado, no só lo en el á mbito acadé mico sino en el uso
diario de toda la població n, especialmente en la parte espacial, por lo
que es importante considerar metodoló gicamente el papel de la
unidad de distancia en la matriz utilizada en la autocorrelació n
espacial, poniendo sobre la mesa la inserció n de variables como
costo, esfuerzo, tiempo, fricció n, la inclusió n del efecto del descenso
con la distancia, entre otros.
En resumen y a modo de conclusió n general, podemos

afirmar que la estadı́stica espacial constituye una herramienta
esencial que en este caso de aplicació n se aprovecha para realizar
124
aná lisis exploratorio, que nos ayuda a comprender la distribució n

espacial de los homicidios desde el punto de vista cuantitativo.
Notas
1
Datos obtenidos del Proyecto Bá sico de Informació n 2017.
T e m p o r a l : 2 0 1 5 . D a t o s c o n s u l t a d o s e n :
http://www.beta.inegi.org.mx/temas/mapadigital/.
2
Datos obtenidos de la direcció n general de informació n en salud.
Cubos diná micos defunciones (Mortalidad). Cubo de 1979 – 2016
I N E G I / S S . Te m p o r a l : 2 0 1 5 . D a t o s c o n s u l t a d o s e n :
http://www.dgis.salud.gob.mx/contenidos/basesdedatos/bdc_def
unciones_gobmx.html.
BIBLIOGRAFÍA
Anselin, Luc. Spatial Econometrics. Dallas, United States: School of

Social Sciences University of Texas at Dallas, 1999.
---"Local Indicators of Spatial Association—LISA," Geographical

Analysis 27(2): 93–115, 1995.
---(1988) “Spatial econometrics: Methods and models”, Springer

Science & Business Media. 284p.
Anselin, Luc, Ibnu Syabri y Youngihn Kho (2006). GeoDa: una introducció n
al aná lisis de datos espaciales. Aná lisis geográ fico 38 (1), 5-22.
Buzai, G. (2007). Mé todos cuantitativos en geografıá de la salud.

Argentina: Argentina.
Buzai, G. & Baxendale, C. "Autocorrelació n espacial univariada y

bivariada. Aspectos socio-educativos en la ciudad de Lujá n". En:
Anuario de la Divisió n Geografıá. Lujá n: Departamento de Ciencias
Sociales - UNLu. Lujá n, 2004, pp. 167-180.
125
--- 2012 “Aná lisis socioespacial con sistemas de informació n

geográ fica” Tomo 2: Ordenamiento territorial temá ticas de base
vactorial. Luegar Editorial
Cliff, A.D. & Ord, J.K. (1973) Spatial Autocorrelation, Pion: London
Fotheringham A., Charlton M. 1998 “Geographically weighted

regression: a natural evolution of the expansion method for
spatial data analysis” Environment and Planning A 1998, volume
30, pages 1905-1927.
https://www.researchgate.net/publication/23538637_Geographi
cally_Weighted_Regression_A_Natural_Evolution_Of_The_Expansio
n_Method_for_Spatial_Data_Analysis
Getis A. (1990) “Spatial interaction and spatial autocorrelation: a

crossproduct approach” Environment and Planning A, 1991, volume
23, pages 1269-1277.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.467.5
684&rep=rep1&type=pdf
--- "A History of the Concept of Spatial Autocorrelation: A

Geographer's Perspective" Geographical Analysis. 2008, Vol. 40, n°
3, pp. 297-309. tps://doi.org/10.1111/j.1538-4632.2008.00727.x
Goodchild, M. F., 1986, Spatial Autocorrelation. Catmog 47, Geo Books
Gonzá lez-Pé rez, Guillermo Juliá n, Vega-Ló pez, Marı́a Guadalupe, Vega-
Ló pez, Agustı́n, Muñ oz-De-La-Torre, Armando, & Cabrera-Pivaral,
Carlos E. (2009). Homicidios de adolescentes en Mé xico, 1979-2005:
evolució n y variaciones sociogeográ ficas. Papeles de població n, 15(62),
109-141. Recuperado en 03 de diciembre de 2018, de
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-
74252009000400004&lng=es&tlng=es.
Herná ndez-Bringas, Hé ctor, & Narro-Robles, José . (2010). El

homicidio en Mé xico, 2000-2008. Papeles de població n, 16(63),
243-271. Recuperado en 03 de diciembre de 2018, de
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S14
05-74252010000100009&lng=es&tlng=es.
126
Moreno R y Vayá E. (2010) “Té cnicas economé tricas para el

tratamiento de datos espaciales: la econometrıá espacial” Edicions
Universitat de Barcelona. https://bit.ly/2UcHiqq
Tukey, J. W. (1977). Exploratory data analysis. Reading, PA: Addison-Wesley.

h t t p : / / t h e t a . e d u . p l / w p -
content/uploads/2012/10/exploratorydataanalysis_tukey.pdf
UNWIN, David. "GIS, spatial analysis and spatial statistics". Progress

in Human Geography. California: SAGE Publications, 20,4, 1996, pp.
540-551. https://doi.org/10.1177/030913259602000408
Software: Center for Spatial Data Science, Computation Institute,

The University of Chicago. https://spatial.uchicago.edu/
127
128
Capítulo 7
MÉTODOS PARA LA CLASIFICACIÓN ESPACIAL
7.1 Clasificación: aplicación a la cuenca del rio Lujan
Luis Humacata
Eloy Montes Galbán
SÍNTESIS
Este capıt́ulo presenta los mé todos de clasificació n espacial

para la obtenció n de á reas sociales homogé neas. Los procedimientos
metodoló gicos se enmarcan dentro del concepto de asociació n
espacial y se constituyen en una herramienta de aná lisis cuantitativo
que tiene como objetivo el descubrimiento de la diferenciació n
espacial. La aplicació n corresponde al aná lisis multivariado de la
situació n socio-habitacional de la cuenca del rıo ́ Lujá n (Argentina).
INTRODUCCIÓN
El presente capı́tulo tiene por objetivo desarrollar los

principales mé todos de clasificació n para el aná lisis espacial
cuantitativo de temá ticas socio-demográ ficas y habitacionales
relativas a las condiciones de vida de la població n.
Desde la Geografıá Cuantitativa se han desarrollado avances en

la sistematizació n de procedimientos analıt́icos para la delimitació n del
espacio geográ fico a partir del tratamiento multivariado de datos
espaciales con fines clasificatorios y de regionalizació n, y se presentan
como una estrategia metodoló gica que permite obtener agrupamientos
espaciales en base a la combinació n de variables censales dando lugar a
la determinació n de diferenciaciones socioespaciales.
Los mé todos de clasificació n espacial tienen como finalidad

la construcció n de á reas sociales homogé neas, en base a la
129
Luis Humacata y Eloy Montes Galbán
combinació n de una gran cantidad de variables, las cuales se

consideran relevantes para llegar a la definició n de unidades
espaciales diferenciadas claramente mediante su configuració n
espacial, producto de la alta homogeneidad interna y, por el
contrario, de la heterogeneidad con respecto a las demá s unidades
espaciales. De esta manera se llega a la definició n de tipologıás
espaciales, como modelo territorial que permite estudiar las
caracterıśticas estructurales del sistema espacial.
Los resultados cartográ ficos y numé ricos se orientan al

aná lisis de la distribució n y asociació n espacial de las condiciones
socioespaciales a nivel urbano-regional. La aplicació n que se
desarrolla en el presente capı́ t ulo corresponde al aná lisis
multivariado de la situació n socio-habitacional de la cuenca del rıo ́
Lujá n (Argentina), y se presenta con excelentes aptitudes para la
elaboració n del diagnó stico en el ordenamiento territorial.
MÉTODOS CUANTITATIVOS DE CLASIFICACIÓN ESPACIAL
Los procedimientos de clasificació n parten de la definició n

de las unidades espaciales, la selecció n de variables significativas y
las mediciones que permitirá n el tratamiento cuantitativo de la
informació n geográ fica. De este modo se avanza en la conformació n
de una matriz de datos de filas (variables) por columnas (unidades
espaciales), como sistema organizador de la informació n que
permitirá la aplicació n de mé todos cuantitativos. A partir de aquı ́se
procede a agrupar las unidades espaciales considerando sus
distancias en un espacio n-dimensional, de modo que sea posible
obtener grupos homogé neos, es decir, unidades que se encuentran
cerca evidenciando una mayor similitud, y que se diferencian de los
grupos que se encuentran má s alejados. El objetivo es que las clases
sean lo má s heterogé neas entre si y lo má s homogé neas
internamente. El resultado final de la clasificació n multivariada es la
construcció n de á reas sociales homogé neas como modelo que
evidencia las heterogeneidades espaciales internas del á rea de
estudio, siendo una representació n simplificada de la realidad que
expresa sus caracterıśticas má s significativas.
130
Métodos para la clasificación espacial
Entre los mé todos de aná lisis multivariado má s simples

podemos mencionar el mé todo de Promedios Estandarizados y el
Valor Indice Medio, avanzando hacia procedimientos má s complejos
como el Aná lisis Linkage, Aná lisis Cluster y Aná lisis Factorial.
Figura 1. Esquema general sobre los Mé todos cuantitativos de

clasificació n espacial
Método de Promedios Estandarizados
La clasificació n multivariada en base al mé todo de

Promedios Estandarizados parte de la obtenció n de puntajes de
clasificació n espacial, mediante los cuales se procede a la
generació n de cartografıá sın ́ tesis que resume las situaciones de
favo ra b i l i d a d / d e s favo ra b i l i d a d p a ra c a d a p u n t a j e . E l
procedimiento de clasificació n se realiza mediante la
estandarizació n de los valores de cada variable. De esta manera es
posible la comparació n con el resto de las variables consideradas. Se
parte de la Matriz de Datos Originales y se avanza hacia la Matriz de
131
Datos Estandarizados. Este tratamiento matricial brinda los

insumos bá sicos para el cá lculo de puntajes como sı́ntesis de
resultados. Este mé todo será desarrollado con mayor amplitud en
las siguientes pá ginas.
Método de Valor Índice Medio
El mé todo de Valor Indice Medio (VIM), propuesto por

Garcıá de Leó n (1989), parte de la Matriz de Datos Originales para la
estandarizació n de los datos, conformando la Matriz de Datos
Estandarizados en puntajes z. De este modo se logra la perfecta
comparació n de los atributos medidos en las variables. Se avanza en
la categorizació n de los valores estandarizados a partir de
considerar su dispersió n con respecto a la media. A partir de este
procedimiento se genera la Matriz de Calificació n (MC). Luego se
o b t i e n e e l V I M c o m o m e d i d a s ı́ n t e s i s q u e re s u m e e l
comportamiento de las variables en cada unidad espacial. Para ello
se procede a sumar las calificaciones obtenidas en cada variable y se
divide el total por la cantidad de variables. En base a este resultado,
se ordenan las unidades espaciales de forma descendente y se
clasifican en cinco categorıás. Como resultado final se elabora la
cartografıá temá tica con el objetivo de determinar patrones de
distribució n espacial de caracterıśticas socio-demográ ficas.
Método de Análisis Linkage
El mé todo de aná lisis Linkage puede ser aplicado con un

doble objetivo, tanto para clasificar variables como unidades
espaciales. En el primer caso se obtendrá n macrovariables, y en el
segundo regiones geográ ficas como sın ́ tesis final. Este mé todo parte
de un primer tratamiento matricial de la informació n, de la Matriz
de Datos Originales pasando por la Matriz de Datos Indice a la Matriz
de Datos Estandarizados.
Un segundo tratamiento matricial de la informació n, con la

finalidad de realizar procedimientos clasificatorios en las variables,
132
consiste en transformar la Matriz de Datos Estandarizados (MDZ)

en una Matriz de Correlaciones de Variables (MCV), a partir de la
cual se realiza el cá lculo de distancias multivariadas (en base al
coeficiente r de Pearson), con lo que queda expresado el grado de
asociació n entre la totalidad de variables.
A partir de un tercer tratamiento matricial, con la finalidad de

obtener una regionalizació n, se debe transponer la MDZ; en este caso,
las variables ocupan el lugar de las filas y las unidades espaciales el
lugar de las columnas. A partir de aquı ́ se debe realizar una nueva
estandarizació n de los datos en el sentido de las unidades espaciales.
Como resultado se obtiene la Matriz de Correlaciones de Unidades
Espaciales (MCUE); en base a esta matriz pueden aplicarse los
procedimientos clasificatorios de regionalizació n, siendo posible la
incorporació n de restricció n de contigü idad espacial.
Método de Análisis Cluster
Este mé todo procede al agrupamiento de unidades

espaciales con la finalidad de lograr grupos homogé neos definidos a
partir del grado de similitud en los atributos de la totalidad de
variables. De esta manera se obtiene la diferenciació n espacial a
partir de clases con má xima homogeneidad interna, formando
agrupamientos heterogé neos entre sı.́
El grado de similitud entre unidades espaciales se establece a

partir del cá lculo del coeficiente de correlació n r de Pearson, dando
como resultado la MCUE. En base a esta matriz se determinan los
má ximos valores de correlació n entre pares de unidades espaciales. A
partir de aquı́ comienzan los procedimientos sucesivos de
agrupamiento que consiste en generar una nueva matriz con los pares
de unidades espaciales y correlacionarlos con el resto de la matriz
hasta llegar a la inclusió n de la totalidad de unidades espaciales. La
secuencia en el proceso de agrupamiento se puede graficar a partir del
dendrograma o á rbol jerá rquico, que señ ala las uniones de unidades
espaciales a medida que se avanza en el procedimiento de
regionalizació n, siendo posible seleccionar los puntos de corte a
partir de los supuestos teó ricos y objetivos de la investigació n.
133
Método de Análisis Factorial
El aná lisis Factorial tiene como objetivo determinar las

correlaciones entre las variables consideradas, llegando a la
definició n de dimensiones subyacentes, llamadas factores. Desde
una perspectiva exploratoria, este procedimiento parte de la MCV
para la reducció n de las variables dando lugar a la generació n de
componentes principales que sintetizan la variabilidad del conjunto
de variables, logrando disminuir la informació n a partir de nuevas
dimensiones no correlacionadas. De esta manera se obtiene la
Matriz Factorial (variables x factores), a partir de la cual se procede a
la definició n de factores, que explican de forma parcial la
variabilidad total del conjunto de datos. Las puntuaciones
factoriales permiten avanzar en la elaboració n de cartografı́a
temá tica para el aná lisis de la distribució n espacial de factores.
Puntaje de Clasificación Espacial (PCE)
Con el objetivo de realizar una clasificació n espacial en base

a variables de beneficio y de costo, que evidencien la situació n
sociohabitacional del á rea de estudio, se debe partir de un aná lisis
matricial, desde la Matriz de Datos Originales (MDO) a la Matriz de
Datos Indice (MDI), para luego aplicar los procedimientos de
estandarizació n. De esto modo se genera la Matriz de Variables de
Beneficio (MVB) y la Matriz de Variables de Costo (MVC). La
clasificació n multivariada en base al mé todo de promedios
estandarizados parte de la obtenció n de los puntajes de variables de
beneficio y de costo, mediante los cuales se procede a la generació n
de resultados cartográ ficos que resumen las situaciones de
favorabilidad/desfavorabilidad para cada puntaje de clasificació n
espacial y se avanza hacia una sı́ntesis temá tica a partir de
considerar la totalidad de variables mediante el puntaje de
clasificació n espacial global. La cartografıá temá tica resultante a
partir de los puntajes de clasificació n espacial, permitirá analizar la
distribució n y asociació n espacial de caracterı́ s ticas socio-
demográ ficas y habitacionales de la població n.
134
Figura 2. Procedimientos metodoló gicos para la obtenció n de

Puntajes de Clasificació n Espacial.
El procedimiento de estandarizació n de los valores de cada variable se realizará

mediante el puntaje omega, teniendo en cuenta las siguientes fó rmulas:
Puntaje de variables de beneficio (PVB):
donde xi son los valores de una variable de beneficio, m el valor

menor y M el valor mayor del conjunto de datos.
Se consideran variables de beneficio a aquellas que en sus

má ximos valores expresan una situació n de má xima favorabilidad.
Puntaje de variables de costo (PVC):
donde xi son los valores de una variable de costo, m el valor menor y

M el valor mayor del conjunto de datos.
135
Se consideran variables de costo a aquellas que en sus

m á x i m o s va l o r e s e x p r e s a n u n a s i t u a c i ó n d e m á x i m a
desfavorabilidad.
Los puntajes de clasificació n espacial son una sın

́ tesis de los
valores que adquiere cada conjunto de variables de beneficio y de
costo en cada unidad espacial, por lo que podemos definirlos de la
siguiente manera:
Puntaje de clasificació n espacial de beneficio (PCEB)
donde ∑ es la sumatoria de los valores en cada variable de

beneficio y n es la cantidad de variables seleccionadas.
Puntaje de clasificació n espacial de costo (PCEC)
donde ∑ es la sumatoria de los valores en cada variable de

costo y n es la cantidad de variables seleccionadas.
Para ambos tipos de variables, los puntajes se distribuyen en

el rango que va de 0 a 100. Teniendo en cuenta esta amplitud, un
puntaje 0 indica la peor situació n en las variables de beneficio y, de
manera inversa, en las variables de costo indica la mejor situació n.
Un puntaje 100 indica la mejor situació n para las variables de
beneficio y la peor situació n en las variables de costo.
Con la finalidad de hacer comparables ambos puntajes, se va

a combinar variables de costo y de beneficio invirtiendo el resultado
de las variables de costo omega a partir de la siguiente fó rmula:
Puntaje omega de variables de costo inversa:
136
Se ha transformado la orientació n de las variables de costo

(PVCinv), con el objetivo de lograr una clasificació n espacial global
donde ahora es posible relacionar los dos tipos de variables
teniendo como base las variables de beneficio. Este puntaje se
calcula a partir de la siguiente fó rmula:
Puntaje de Clasificació n Espacial Global (PCEG):
donde vb son variables de beneficio omega, vc(i) variables de

costo omega inversa y n la cantidad de variables en puntaje
omega consideradas en la clasificación global.
APLICACIÓN A LA CUENCA DEL RÍO LUJÁN
El á rea de estudio está formada por 171 polıǵonos que

corresponden a las fracciones censales que integran la cuenca del
rıo
́ Lujá n, con una població n total de 1.925.072 (INDEC, 2013), y una
superficie de 3.761 km2.
La informació n estadıśtica de variables proviene del Censo

Nacional de Població n, Hogares y Viviendas (INDEC, 2013). Para la
presente aplicació n de han tenido en cuenta las siguientes variables:
Como variables de beneficio:
1. Porcentaje de població n que cursa o cursó nivel educativo

universitario.
2. Porcentaje de hogares con tenencia del agua por cañ erıá dentro de
la vivienda.
3. Porcentaje de hogares sin hacinamiento.
4. Calidad de conexiones a servicios bá sicos satisfactoria.
137
Como variables de costo:
1. Porcentaje de població n que nunca asistió a un establecimiento

educativo.
2. Porcentaje de hogares con NBI.
3. Porcentaje de hogares sin desagü e cloacal a la red pú blica.
4. Porcentaje de hogares sin heladera.
El mé todo de promedios estandarizados parte de

procedimientos de estandarizació n a partir del cá lculo del puntaje
omega de variables, para obtener los puntajes de clasificació n
espacial de beneficio y de costo y avanzar hacia la sın
́ tesis de
resultados a partir del cá lculo del puntaje de clasificació n espacial
global.
La cartográ fica temá tica se realizó considerando el mé todo

de cuantiles, que incorpora la misma cantidad de unidades
espaciales en cada uno de los intervalos de clase, permitiendo una
perfecta comparació n de los resultados cartográ ficos. Para la
interpretació n de los resultados se establecen las categorıás Muy
Alto, Alto, Medio, Bajo y Muy Bajo, que clasifica a los cinco intervalos
en base a la intensidad de los puntajes obtenidos.
Figura 3. Puntaje de Clasificació n Espacial de Beneficio
La distribució n espacial del puntaje de beneficio se concentra

con valores muy altos en los centros urbanos correspondientes a las
138
ciudades cabeceras de los partidos de Campana, Escobar, Lujá n,

Mercedes, Pilar, Suipacha y Tigre. Otras unidades espaciales con
valores altos y muy altos se distribuyen con mayor dispersió n en el
entorno rural de estos partidos. Las unidades espaciales que
pertenecen a estas categorıás presentan las caracterıśticas má s
favorables.
Figura 4. Puntaje de Clasificació n Espacial de Costo
El puntaje de costo presenta una distribució n espacial de

valores muy altos en zonas urbanas correspondientes al norte de
General Rodrıǵuez y Moreno, oeste de Malvinas Argentinas y José C.
Paz, y sur de Pilar. Ademá s, se presentan unidades espaciales en
zonas rurales de los partidos de Mercedes, norte y oeste de Lujá n,
sur de San André s de Giles, y norte de Suipacha. Esta configuració n
espacial indica las fracciones con los niveles má s altos de
desfavorabilidad.
139
Figura 5. Puntaje de Clasificació n Espacial Global
La distribució n espacial del puntaje sın

́ tesis indica una clara
disminució n de las condiciones socio-habitacionales desde el centro
urbano tradicional de las ciudades cabeceras hacia los
asentamientos má s perifé ricos, presentando las situaciones má s
desfavorables.
El aná lisis multivariado con fines clasificatorios y de

regionalizació n tiene como finalidad el descubrimiento de las
diferenciaciones espaciales a partir de la definició n de á reas sociales
homogé neas, como sın ́ tesis geográ fica que busca, a travé s de la
construcció n de un modelo socioespacial, establecer las
caracterıśticas estructurales del espacio geográ fico.
Desde la Geografıá Aplicada, basada en el uso de los SIG, se

pone mayor é nfasis en el aná lisis de la distribució n y asociació n
espacial de variables que abarcan aspectos dimensionales tales
como socio-demográ ficos, econó micos, de pobreza, habitacionales,
etc.; que permiten el estudio de la realidad socioespacial a travé s del
aná lisis de configuraciones espaciales en una escala urbano-
regional.
140
Los resultados obtenidos a partir de esta perspectiva

metodoló gica aportan a la elaboració n del diagnó stico territorial al
brindar insumos cartográ ficos y estadıśticos que evidencian las
á reas socio-habitacionales con prioridad de intervenció n con la
finalidad de lograr disminuir disparidades y contribuir a mejorar la
justicia espacial.
BIBLIOGRAFÍA
Buzai, G. D. 2014. Mapas sociales urbanos. Lugar Editorial. Buenos

Aires. 2da. ed.
Buzai, G. D.; Baxendale, C. 2008. Clasificació n de unidades espaciales

mediante el uso de indicadores de planificació n. Serie-publicaciones
del PROEG N° 6. Universidad Nacional de Lujá n. Lujá n
Garcıá de Leó n, A. 1989. La metodologıá del Valor Indice Medio.

Boletín del Instituto de Geografía-UNAM. 9:69-87.
Haggett, P. 1975. Análisis locacional en la Geografía Humana. Gili.

Barcelona.
Harvey, D. 1983. Teorías, Leyes y Modelos en Geografía. Alianza. Madrid.
Humacata, L. 2012. Aná lisis multivariado de la situació n socio-

habitacional de la Provincia de Buenos Aires, en el añ o 2001.
Aplicació n de té cnicas de estadı́stica espacial con SIG para la
determinació n de á reas socio-habitacionales. Tesis. Licenciatura en
Geografıá. Universidad Nacional de Lujá n. Iné dito.
Montes Galbá n, E. 2014. Diagnó stico espacial de dimensiones

socioeconó micas en Venezuela a travé s del Valor Indice Medio.
Geografía y Sistemas de Información Geográfica. (GESIG-UNLU, Lujá n).
Añ o 6, N° 6, Secció n I: 120-132. On-line: www.gesig-proeg.com.ar
Moreno Jimé nez, A. 1994. Clasificació n multivariante. En Bosque

Sendra, J.; Moreno Jimé nez, A. 1994. Prácticas de análisis
exploratorio y multivariante de datos. Oikos-tau. Barcelona.
141
Sá nchez, D. C. 2007. Contribució n del aná lisis espacial a la ciencia y a

la Geografıá: el caso de los mé todos clasificatorios. Tesis. Doctorado
en Geografıá. Universidad del Salvador.
142
7.2. Métodos para el análisis de la respuesta sísmica a

escala local. Aplicación al ordenamiento territorial en
la ciudad de San Cristóbal, Cuba occidental.

Alexis Ordaz Hernández
SÍNTESIS
El capıt́ulo ofrece el mé todo para la zonació n de la respuesta

sıśmica de entornos urbanos. El procedimiento puede ser aplicado a
escenarios de sismicidad baja y moderada que carecen de estudios
instrumentales, pero que sin embargo cuentan con un buen
conocimiento de las caracterıśticas geoté cnicas del subsuelo. Se
aplica a la ciudad de San Cristó bal (Cuba Occidental), y se hace
é nfasis en las potencialidades de uso de la cartografıá resultante en
el ordenamiento urbano.
INTRODUCCIÓN
La sismicidad es uno de los fenó menos geodiná micos de la

corteza terrestre que má s influye en el desarrollo socioeconó mico
de una regió n o localidad. Los investigadores deben ser capaces de
generar e interpretar la informació n geocientıf́ica para estos fines,
siempre cumpliendo la premisa, que dicha informació n pueda ser
usada en los procesos de planificació n.
Las zonas de contacto entre placas tectó nicas con sus

diferentes formas de interacciones, son las zonas sismogeneradoras
capaces de generar los terremotos de mayor energıá y con mayor
recurrencia. En contraposició n, en zonas de interior de placa,
consideradas “estables” tambié n se han generado sismos
importantes debido a la reactivació n de fallas. Lamentablemente los
sitios de interior de placa, pocas veces son atendidos con
detenimiento. Sin embargo, en estos ú ltimos han ocurrido algunos
terremotos que han sorprendido por sus grandes magnitudes, por
143
ejemplo, los terremotos ocurridos en la India en Cutch y Killari (en

los añ os 1819 y 1993 respectivamente), y en Australia en Marryat
Creek y Tennant (en 1986 y 1993 respectivamente) (Crone et al.,
1992).
El caso de estudio seleccionado para este capıt́ulo (Ciudad

de San Cristó bal), se ubica en el occidente de Cuba y hacia el interior
de la placa tectó nica de Caribe (Figura 1 A). San Cristó bal fue
desbastada por un terremoto el 23 de enero de 1880, se estima que
el evento tuvo una intensidad de VIII grados en la escala MSK y de 6.0
grados de magnitud en la escala de Richter. En la figura 1 B, se
presenta el mapa geoló gico modificado a partir la propuesta del
Instituto de Geologıá y Paleontologıá de Cuba (2004), a escala 1:100
000. En el mismo se observa un predominio de formaciones
geoló gicas de gé nesis sedimentaria para la Cuenca de los Palacios
(Formació n: Loma Candela, Paso Real, Guane, Guevara y materiales
aluviales), todas de la Era Cenozoica. Destacá ndose espesores de
hasta 40 m en algunos sitios para los suelos areno-arcillosos de las
formaciones Guane y Guevara, en Ordaz et al. (2013) se puede
encontrar una amplia descripció n de las formaciones geoló gicas de
la zona.
La metodologı́a propuesta en este trabajo, integra la

informació n geoté cnica en funció n de la respuesta sıśmica local, se
incorporan elementos de la estimació n y modelació n de pará metros
geoté cnicos con incidencia en el efecto de sitio, para lo cual se
proponen vıás para la estimació n de las propiedades diná micas del
suelo; ası ́como, el pronó stico de la respuesta sıśmica local y de los
fenó menos inducidos. La cartografıá obtenida con esta metodologıá,
puede constituir una herramienta de consulta para los planes de
ordenamiento urbano.
144
Figura 1. Ubicació n geográ fica del á rea de estudio, se muestra la

actividad sıśmica en el perıo ́ do 1528-2018. Elaboració n propia.
MÉTODO
El procedimiento tiene como premisa la evaluació n de la

respuesta diná mica de las capas superficiales, enfocado en la
evaluació n de las condiciones geoté cnicas. A continuació n, se ofrece
una descripció n de los pasos que integran el procedimiento.
1. Recopilació n y organizació n de la informació n

geocientıf́ica
Se propone la caracterizació n geoté cnica utilizando como base la
informació n de trabajos precedentes, por las empresas a fines. Se
debe iniciar el trabajo con el encuadre cartográ fico, establecié ndose
las coordenadas lım ́ ites del polıǵono a estudiar. Los materiales de
archivos deben contener, al menos, uno de los siguientes aspectos:
descripció n de perforaciones, resultados de ensayos fı́sicos o
mecá nicos, perfiles geofıśicos, informació n sobre niveles de aguas
someras, entre otros. De este modo, se concibe la recopilació n e
informatizació n de los datos de pozos, tanto de investigaciones de
cará cter regional (investigaciones hidrogeoló gicas, pozos de
monitoreo), como los perforados para las investigaciones
geoté cnicas. La informació n de base debe permitir la elaboració n de
esquemas o mapas (en funció n de la densidad de puntos de
documentació n geoté cnica), que má s se acerquen a la realidad.
145
La informació n de los pozos puede ser organizada y

almacenada en bases de datos relacionales, conformando dos tablas
fundamentales. La primera tabla debe contener la informació n
sobre las coordenadas de los pozos. Se le asigna un có digo a cada
perforació n de acuerdo con el municipio donde se encuentra, el
nú mero de la obra y el nú mero del pozo; por ejemplo: SC-045-2
(pertenece al municipio San Cristó bal, obra 045, con No. de pozo 2).
La segunda tabla recogerı́ a la informació n referente a los
pará metros geoté cnicos.
2. Evaluació n geoté cnica

La geologıá superficial influye, en gran medida, en el nivel de dañ os
frente a un evento sıśmico, existiendo una marcada relació n entre
las propiedades geoté cnicas de los suelos y las posibilidades de
amplificació n de las ondas sıśmicas. Los materiales no consolidados
suelen ser los responsables de importantes modificaciones en la
amplitud de las sacudidas sıśmicas y de efectos inducidos, como la
licuefacció n (Youd y Perkis, 1978). Lo anterior induce a la necesidad
de un conocimiento pormenorizado del comportamiento espacial
de los pará metros geoté cnicos.
Para el aná lisis de la variabilidad de pará metros geoté cnicos,

se deben seleccionar aquellos que reflejen el comportamiento de la
respuesta sıśmica de las capas superficiales, incluyendo fenó menos
inducidos como la licuefacció n, durante un episodio sıśmico: nú mero
de golpes del ensayo de penetració n está ndar (NG-SPT), densidad
natural (gf), contenido de finos (CF), lım
́ ite lıq
́ uido (LL), ın
́ dice de
plasticidad (IP) y la humedad natural (W).

La profundidad de investigació n es un elemento importante
en la modelació n de las propiedades fı́ s ico-mecá nicas, con
incidencia en la zonació n sı́smica local. Internacionalmente se
sugiere una profundidad de investigació n de 30 m, para la
estimació n de la amplificació n de las ondas sıśmicas en el medio
(Borcherdt et al., 1991; Technical Committee for Earthquake
Geotechnical Engineering, 1999; entre otros).
Contar con la estimació n del comportamiento lateral y en

profundidad, de los pará metros geoté cnicos, permite tener un
146
acercamiento consistente en materia de predicció n espacial de la

respuesta sıśmica de los suelos o rocas del emplazamiento objeto de
estudio. Ası́ mismo, ofrece solides a la evaluació n geoté cnica
tradicional. Para la modelació n de los pará metros geoté cnicos, es
necesario la elaboració n de bases de datos, realizar el aná lisis
exploratorio de datos (AED) y de esta forma acceder a la confecció n
del modelo cuantitativo. La base de datos, como mın ́ imo debe
contener: Coordenadas de la boca del pozo (X, Y, Z), profundidad y el
valor del pará metro estudiado en las diferentes profundidades.
Por su parte, el AED brinda conclusiones sobre el tipo de

distribució n que siguen los datos, la presencia de valores
huracanados y la posible existencia de poblaciones complejas
(bimodalidad o multimodalidad). Esta etapa es de suma
importancia, pues facilita la toma de decisiones acerca de las
posibles té cnicas de interpolació n que se deben usar en el momento
de la estimació n. Este paso incluye el estudio y cuantificació n de la
variabilidad espacial de los pará metros de interé s, a travé s de la
variografıá.
Por ú ltimo, se crea el modelo cuantitativo. El modelo,

compuesto por bloques elementales cuyas dimensiones estarıán en
funció n de la escala de trabajo. Este producto permite construir
perfiles y vistas en planta, donde se visualizan los resultados del
modelo, permitiendo al investigador tomar decisiones sobre el
comportamiento espacial del pará metro geoté cnico de su interé s.
Evaluación de la respuesta sísmica local y fenómenos inducidos
(a) Zonació n en funció n del periodo dominante aplicando

ecuaciones empıŕicas.
Como se explicó inicialmente, este trabajo potencia el uso de la
informació n geoté cnica, con el fin de generar productos
cartográ ficos, ú tiles en los procesos de planificació n territorial.
Especialmente para aquellas ciudades emplazadas en zonas de baja
y moderada sismicidad, donde los estudios instrumentales no son
muy comunes.
147
El periodo dominante (T) se correlaciona con el grado de

oscilació n de los suelos durante un episodio sıśmico, pudié ndose
inferir, que a mayores valores de T en un material (suelo o roca),
mayor será la amplificació n provocada por las ondas S. En este
trabajo se utilizó la relació n T = (4H/Vs), propuesta por Bard (1985),
donde H es el espesor de los sedimentos y Vs, la velocidad de ondas
transversales. El volumen considerable de datos geoté cnicos, en el
caso de la ciudad de San Cristó bal (Cuba Occidental), permitió
efectuar los cá lculos de periodos dominantes en cada punto de
sondeo (perforació n) e interpolar estos valores para obtener el
mapa de valores de T a escala 1: 10 000.
Para determinar la velocidad de ondas transversales (Vs) se

pueden emplear ecuaciones empıŕicas, las cuales usan el nú mero de
golpes obtenido en el ensayo de penetració n está ndar (NG-SPT). En
el caso de la ciudad San Cristó bal, se empleó la propuesta de Akin et
al. (2011), la cual considera la edad, gé nesis y profundidad de cada
estrato estudiado. Las estimaciones de Vs fueron comparadas (como
forma de validació n), con mediciones instrumentales realizadas
para suelos de igual gé nesis, en sitios cercanos a la ciudad.
(b) Zonació n sıśmica de la ciudad de San Cristó bal aplicando

aproximaciones instrumentales
Se realizaron un total 125 mediciones instrumentales con una
estació n portá til para el registro de microsismos, tambié n
identificados en la literatura como ruido ambiental o
microtemblores, con una separació n aproximada entre puntos de
300 m. La ubicació n de cada punto de medició n responde al nivel de
accesibilidad dentro de la urbanizació n y a satisfacer un adecuado
nivel de estudio (escala 1: 10 000). En este sentido, el TC4 (Technical
Committee for Earthquake Geotechnical Engineering, 1999) sugiere
escalas comprendidas entre 1: 25 000 y 1: 5 000 (Zonació n rigurosa-
Grado 3).
Los principales resultados, integrando todos los puntos de
medició n, son:
- Mapa de periodos predominantes de los microsismos en las tres
componentes (vertical, norte- sur y este-oeste).
- Mapa de amplitudes de los microsismos, medidas en los puntos de
la ciudad en las tres componentes (vertical, norte-sur y este-oeste).
148
- Mapa de zonas del factor de amplificació n por mediciones de

microsismos aplicando el mé todo de Nakamura (1989).
(C) Pronó stico de efectos inducidos

Durante un sismo, se pueden desencadenar una serie de fenó menos
inducidos, que dependen principalmente de las condiciones
geomorfoló gicas y geoté cnicas del terreno: licuefacció n de los
suelos, movimientos gravitacionales (deslizamientos y
desprendimientos), rupturas en superficie y tsunamis. De acuerdo
con las caracterıśticas fıśicas del á rea seleccionada para ilustrar la
aplicació n del mé todo (ciudad de San Cristó bal), y a los datos
disponibles, se pretenden establecer las primeras valoraciones
sobre la posible ocurrencia de la licuefacció n y la ruptura en
superficie del sitio objeto de estudio.
Ya con un conocimiento preciso del comportamiento
espacial de las propiedades fıśicas del suelo, es viable la aplicació n
de mé todos ya establecidos, como es el caso del mé todo de Seed e
Idriss (1971) revisado y actualizado por Youd e Idriss (2001). Este
mé todo, considera una amplia variedad de pará metros vinculados a
los suelos (densidad de los suelos, profundidad de yacencia,
presencia de agua, aceleració n horizontal). La aceleració n
horizontal del suelo, para diferentes periodos de retorno se pueden
extraer de las normas sismorresistentes de cada paıś.
Uno de los efectos inducidos por los terremotos es la ruptura en

superficie del terreno por el desplazamiento de fallas. Las zonas de
mayores posibilidades a la ocurrencia de la ruptura, son aquellas
emplazadas directamente sobre la traza de fallas activas (zona
sismogé nica). Pero tambié n existen zonas proclives a la ruptura,
relacionadas con zonas de debilidad tectó nica, incluso ubicadas hasta
cuatro kiló metros del trazado de la falla principal (Bird y Bommer, 2004).
El criterio tenido en cuenta en el caso de la Ciudad de San
Cristó bal, es el espesor de recubrimiento de suelo sobre las fallas,
dada su capacidad de estos de absorber energıá. A partir de 30 m de
espesor de recubrimiento sobre el estrato rocoso las posibilidades
de ruptura en superficie son bajas (Wang y Law, 1994). Las rupturas,
que en el caso de San Cristó bal se pretenden pronosticar, se
atribuyen al plano de rupturas de fallas secundarias relacionadas
posiblemente con reajustes diná micos.
149
APLICACIÓN A LA CIUDAD DE SAN CRISTÓBAL (OCCIDENTE DE CUBA)
1. Zonació n geoté cnica

De acuerdo con el aná lisis de las columnas litoló gicas y
descripciones obtenidas en 77 puntos de documentació n
geoté cnica, se establecieron tres conjuntos faciales gené ticos (CFG),
segú n se representa en la figura 2.
Figura 2. Esquema geoté cnico de la ciudad de San Cristó bal, escala

original 1: 10 000. Elaboració n propia.
De los materiales geoló gicos má s recientes a los má s antiguos, se

encuentran:
- Conjunto facial gené tico aluvial reciente: Se relaciona con las

terrazas fluviales del rıo ́ San Cristó bal, constituidos por arenas poco
arcillosas, arenas y gravas, que clasifican, segú n el Sistema Unificado
de Clasificació n de Suelos (SUCS), como arenas arcillosas (SC) y
gravas arcillosas (GC). Son sedimentos poco consolidados, como
indica el bajo valor promedio del nú mero de golpes del ensayo de
penetració n está ndar (NG-SPT) de 18 y valores de velocidad de
ondas transversales de ~142 m/s, obtenidos mediante las
ecuaciones empıŕicas de Akin et al. (2011).
150
- Conjunto facial gené tico aluvial marino del Plioceno-Pleistoceno

inferior: La mayor parte de la infraestructura de San Cristó bal
descansa sobre este CFG. La distribució n espacial y potencia de estos
suelos está muy bien definida (Figura 2), yace concordantemente
sobre las rocas carbonatadas neó genas. Las arcillas, arcillas
arenosas y arenas arcillosas con gravas, son los suelos má s
representativos, los que clasifican por el SUCS, como arcillas
inorgá nicas de baja compresibilidad (CL), arcillas inorgá nicas de
alta compresibilidad (CH) y arena arcillosa (SC). El valor del nú mero
de golpes del ensayo de penetració n está ndar (NG-SPT) promedio es
de 31 y la densidad natural de 2,03 g/cm3.
- Conjunto facial gené tico carbonatado del Neó geno: Es el de menos

nivel de estudio. Los valores de velocidad de ondas transversales
(Vs) y de densidad natural, asignados a la roca, son asumidos de
trabajos precedentes. Este conjunto facial gené tico, está
representado petrográ ficamente por alternancias de calizas y
margas fosilıf́eras, alcanzando espesores superiores a los 50 m. El
techo del estrato rocoso, generalmente está meteorizado y lo
conforman arcillas carbonatadas (CH segú n el SUCS) con
fragmentos de calizas y valores de Vs entre 300 y 400 m/s.
1. Zonació n en funció n del periodo dominante aplicando

ecuaciones empıŕicas
Una vez determinada la potencia de los depó sitos no

consolidados y las velocidades de ondas transversales, se puede
estimar el periodo dominante en cada punto mediante la ecuació n
de Bard (1985). En este caso, se determinaron dos clases de
periodos dominantes (0,3 a 0,5s y 0,5s a 0,8s) que responden a
cuatro situaciones geoló gico-geoté cnicas (Cuadro 1 y Figura 3). La
clase 2 (0,5 a 0,8s) es la má s proclive a la amplificació n de las ondas
sı́smicas. Segú n su cartografı́a, se relaciona con los suelos del
conjunto facial gené tico aluvial reciente, cuyos pará metros
geoté cnicos son los má s desfavorables. En esta clase, se incluyen
tambié n los suelos aluviales marinos del Plioceno-Pleistoceno
inferior, cuando alcanzan espesores cercanos a los 30 m.
151
Cuadro 1. Situaciones geotécnicas particulares para cada rango de periodo dominante.

Elaboración propia.
Periodo
Descripción del perfil litológico dominante
T=4H/Vs
Corte conformado por suelos del conjunto (CFG) aluvial reciente o
aluvial marino del Plioceno-Pleistoceno inferior, con espesores
0,5-0,8 s
superiores a los 25 m. Las rocas carbonatadas del Neógeno aparecen
como segunda capa.
Perfil litológico conformado por suelos del CFG aluvial marino del
Plioceno-Pleistoceno inferior, con espesores variables entre 5 y 20 m.
Las rocas carbonatadas del Neógeno aparecen como segunda capa.
Suelos del CFG aluvial reciente, con espesor inferior a los 10 m, sobre 0,3 a 0,5s
las rocas carbonatadas del Neógeno.
Corte conformado por las rocas del CFG del Neógeno, con una potencia
superior a los 50 m.
Figura 3. A: Esquema de respuesta diná mica segú n los valores de

periodos dominantes, aplicando las ecuaciones de Bard (1985). B:
Modelo cuantitativo de la varianza kriging del pará metro nú mero de
golpes del ensayo de penetració n está ndar, empleado en el cá lculo
de Vs. Elaboració n propia.
152
1. Zonació n sıśmica mediante aproximaciones instrumentales

y pronó stico de efectos inducidos
Los resultados de las zonaciones sıśmicas se editaron sobre

plataforma de sistema de informació n geográ fica; posteriormente
se seleccionó la cartografı́a que mayor informació n ofrece en
relació n con las propiedades diná micas de los suelos: Mapa de factor
de amplificació n, mapa de periodo de diseñ o y esquema de variació n
de la intensidad sıśmica, este ú ltimo obtenido mediante el criterio
de analogıás ingeniero-geoló gicas.
Seguidamente, mediante la herramienta de superposició n

(Overlay) se obtienen 202 polıǵonos, los que fueron agrupados por
el mé todo de agregació n. Para la agrupació n de los polıǵonos se
aplicaron un total de doce consultas a la base de datos (Cuadro 2).
Ademá s, la descripció n que a continuació n se ofrece para cada una
de las zonas y subzonas, fue enriquecida con informació n geoté cnica
y pronó sticos de efectos inducidos. De esta forma, se obtienen
cuatro zonas de respuesta diná mica de los suelos para la ciudad de
San Cristó bal, cada una de ellas dividida en tres subzonas de acuerdo
a variaciones del periodo dominante de diseñ o y a la variació n de
intensidad sı́smica pronosticada. De acuerdo a la densidad de
informació n, la escala original corresponde a 1: 10 000 (Figura 4).
153
FA: Factor de amplificació n, TD: Periodo de diseñ o (segundos), ∆I:

Variació n de intensidad sıśmica (grados).
Los rasgos fundamentales de las zonas definidas se describen a continuació n:

Zona 1: Presenta los pará metros diná micos má s favorables para la
amplificació n de las ondas sıśmicas. El factor de amplificació n (FA) es
superior a 3,0; se relaciona con grandes espesores de sedimentos no
consolidados del conjunto facial gené tico aluvial marino del Plioceno-
Pleistoceno inferior (entre 20 y 40 m) y con las terrazas del rıo ́ San
Cristó bal. Esta zona puede ser susceptible a licuar en presencia de
suelos de baja densidad natural, como ocurre hacia el suroeste de la
ciudad (Entronque de La Muralla). El periodo dominante de diseñ o
(T) oscila entre los 1,2 s llegando hasta los 2,8 s en las terrazas del rıo ́
San Cristó bal (sector noreste del mapa). Segú n las caracterıśticas
geoté cnicas, la subzona 1A debe experimentar ∆I de hasta 2 grados.
Zona 2: Las subzonas 2A y 2C, se relacionan principalmente con

espesores entre 20 y 40 m del conjunto facial gené tico aluvial marino
del Plioceno-Pleistoceno inferior, donde ∆I está en el rango de 1 a 2
grados. La subzona 2B se vincula con sedimentos de igual gé nesis,
pero con niveles de aguas subterrá neas someros (inferiores a 5,0) y
con los sedimentos del conjunto facial gené tico aluvial reciente. El
factor de amplificació n oscila entre 2,1 y 3,0 y T generalmente es
superior a 1,2 s. De acuerdo con el pronó stico de fenó menos
inducidos, existen posibilidades de ruptura cuando los espesores de
sedimentos no consolidados oscilan entre los 10 y 20 m.
Zona 3: FA oscila entre 1,1 y 2,0. El periodo dominante de diseñ o (T) es

de 0,51 a 1,2 s para las subzonas 3A y 3B; en el caso de la zona 3 C, varıá
en un amplio rango entre 0,11 y 2,56 s. Las variaciones de T, se justifican
por los cambios de espesor de los sedimentos no consolidados. Existen
condiciones favorables para la ocurrencia a la licuefacció n en un
pequeñ o sector del centro histó rico de la ciudad y susceptibilidad a la
ruptura en superficie en algunos sitios muy bien cartografiados (Figura
4). La subzona 3A tiene un pronó stico de variació n de intensidad
sıśmica de 1 grado; mientras en las subzonas 3B y 3C es muy variable.
Zona 4: Es la zona menos proclive a amplificar las ondas sıśmicas. La

subzona 4A se relaciona espacialmente con los sedimentos y rocas del
154
conjunto facial gené tico carbonatado del Neó geno. Las subzonas 4B y
4C coinciden en má s del 80% de su á rea, con espesores de sedimentos
inferiores a 20 m, del conjunto facial gené tico aluvial marino del
Plioceno-Pleistoceno inferior. El FA para esta zona es inferior a 1.1 y el T
para las zonas 4A y 4B, no sobrepasa los 0.5 s. En el caso de la subzona 4C
el periodo dominante es ligeramente superior, predominando valores
entre 1,21 y 2,0 s. Los niveles de agua someros y las caracterıśticas
granulomé tricas, imponen condiciones favorables para la ocurrencia de
la licuefacció n, en algunos sitios cartografiados en la figura 4. Aunque ∆I
es variable en cada una de las subzonas, en ninguno de los casos
sobrepasa el valor de un grado e incluso llega a cero para la subzona 4A.
Esta zona, presenta condiciones favorables para la ruptura en superficie
en algunos sectores.
Figura 4. Mapa de microzonació n sıśmica de la ciudad de San Cristó bal,

Cuba. Elaboració n propia.
155
CONTRIBUCIÓN AL PLANEAMIENTO URBANO
El aporte principal derivado de este trabajo radica en ofrecer

a sus usuarios aspectos fundamentales en los procesos de
ordenamiento territorial, especialmente en los entornos urbanos.
En particular, la investigació n genera productos consistentes, para
el diseñ o de nuevas construcciones; y para la proyecció n futura del
uso de la superficie, estos productos son: La zonificació n de las
caracterı́sticas diná micas del suelo y el pronó stico de á reas
proclives a la ocurrencia de fenó menos inducidos.
La coincidencia entre el periodo dominante de un edificio

con el del suelo, causa una amplificació n de la respuesta del primero.
A este fenó meno se le conoce con el nombre de resonancia. Con la
microzonació n sıśmica derivada de este trabajo, los proyectistas
pueden definir diseñ os sismorresistentes, ajustados a las
condiciones reales del emplazamiento (Figura 5). En los planes de
gestió n del riesgo, se debe prestar singular atenció n a las zonas con
pronó stico de licuefacció n y ruptura en superficie (Figura 4). Las
á reas dentro del perım ́ etro urbano, susceptibles a alguno de estos
fenó menos, deben tener un uso donde los elementos expuestos sean
mın ́ imo. Mientras que, en los sitios ya construidos, deben realizarse
estudios puntuales de vulnerabilidad estructural.
156
Figura 5. Ejemplo de uso de la cartografıá generada del aná lisis de la

respuesta sıśmica a escala local de la ciudad de San Cristó bal, en este
caso aplicada al planeamiento urbano. Elaboració n propia mediante
edició n de Imagen de Google Map (2014).
En resumen, para los aná lisis de prefactibilidad constructiva

y planeamiento, se debe adoptar un enfoque integral. Este enfoque
vas má s allá de la evaluació n de las variables fıśicas. Intervienen
ademá s, las necesidades de desarrollo local, la tenencia de la
superficie (estatal, usufructuaria o privada) e incluso los intereses
militares. Teniendo en cuenta estos elementos, se consideran los
resultados alcanzados como una contribució n a la conformació n de
las unidades ambientales, importante tarea dentro de la etapa de
“inventario y aná lisis” del ordenamiento ambiental (Cá rdenas,
157
2010), que recobra mayor interé s en escenarios urbanos donde se

concentra la mayor cantidad de elementos expuestos a los peligros
geoló gicos.
La informació n derivada, segú n el procedimiento propuesto

en esta investigació n, constituye una herramienta de trabajo para
los futuros planes de ordenamiento urbano. Su reproducció n en
otros escenarios geográ ficos, especialmente en zonas de baja a
moderada sismicidad, favorecerıá en gran medida los planes locales
de gestió n de riesgos.
De forma especı́fica, para el caso de estudio abordado

(Ciudad de San Cristó bal, Cuba Occidental), se demostró que, desde
el punto de vista geoté cnico es el conjunto facial gené tico aluvial
reciente, el má s proclive a amplificar las ondas sıśmicas. Similar
nivel de respuesta sıśmica tienen los sedimentos de origen aluvial
marino del Plioceno-Pleistoceno inferior, especialmente cuando sus
espesores superan los 20 m. Ası ́mismo, el estudio detallado de las
caracterıśticas geoté cnicas, permitió realizar el pronó stico de al
menos dos fenó menos inducidos por terremotos para la ciudad: la
licuefacció n y la ruptura en superficie.
BIBLIOGRAFÍA
Akin, M. K, Kramer, S. L. y Topal, T., (2011). Empirical correlations of

shear wave velocity (Vs) and penetration resistance (SPT-N) for
different soils in an earthquake-prone area (Erbaa-Turkey). Journal:
Engineering Geology. 119, 1–17.
Bard, P. Y., (1985). Les effets de site d´ origine structurale: principaux

ré sultats experimentaux et thé oriques. A: Genie Parasismique. V.
Davidovici, ed. Paris, 223-238.
Bird, J. F. y Bommer, J. J., (2004). Earthquake losses due to groud

failure. Journal: Engineering Geology. 75, 147-179.
158
Borcherdt, R. D., Wentworth, C. M., Janssen, A., Fumal, T., y Gibbs, J.,
(1991). Methodology for predictive GIS mapping of spatial study
zones for strong ground shaking in the San Francisco Bay Region. In
CA. 4th International Conference on Seismic Zonation, 5-552.
Cá rdenas, O., (2010). Un modelo de ordenamiento ambiental para

enfrentar los problemas ambientales el territorio cubano. Revista
Mapping. (142) 56-59.
Crone, A. J., Machette, M. N. y Bowman, J. R., (1992). Geologic

investigations of the Tennat Creek, Australia, Earthquake.
Implications for paleoseismicity in stable continental regions. U.S.
Geol. Sur. Bull., 2030-A, pp. 1-51.
Instituto de Geologıá y Paleontologıá, (2004). Mapa digital, Hoja Los

Palacios 3583, Centro de Informació n Geoló gica, La Habana, 1 hoja.
Nakamura, Y., (1989). A method for dynamic characteristics estimation

of subsurface using microtremors on the ground surface. Quarterly
Report of Railway Technical Research Institute. (30-1) 25-33.
Ordaz, A., Herná ndez, J. R., Cofiñ o, C.E., Mé ndez, A.P. y Galaz, G.,
(2013). Aná lisis estructural y morfotectó nico en los municipios San
Cristó bal y Candelaria, Cuba Occidental: contribució n a los estudios
de peligrosidad sı́ s mica de la Falla Pinar. Investigaciones
Geográficas, (82), 7-23.
Seed, H. B. e Idriss, I. M., (1971). Simplified procedure for evaluating
soil liquefaction potential. Journal Soil Mechanic, 97 (7) 1-16.
Technical Committee for Earthquake Geotechnical Engineering,

TC4, (1999). Manual for zonation on seismic geotechnical hazards.
The Japanese Geotechnical Society, 1-219.
Wang, J. G. y Law, K. I., (1994). Siting in earthquake zones. Ed.

Balkema, 1-55.
159
Youd, T.L. e Idriss, I.M., (2001). Liquefaction Resistance of Soils:

Summary Report from the 1996 NCEER and 1998 NCEER/NSF
Workshops on Evaluation of Liquefaction Resistance of Soils.
Journal of Geotechnical and Geoenvironmental Engineering. 127,
297-313.
Youd, T.L. y Perkis, M.D., (1978). Mapping of liquefaction induced

ground failure potential. Journal of Geology Engineering. 104(4)
433-446.
160
Capítulo 8
MÉTODOS PARA EL CÁLCULO DE INDICADORES
8.1 Indicadores: aplicación a la microplaneación regional de la

educación básica en el estado de México
Agustín Olmos Cruz

Carlos Reyes Torres
Fernando Carreto Bernal
SINTESIS
La metodologıá de la microplaneacion regional educativa es

un elemento ú til, aunque no ú nico para la aproximació n de la
imagen-objetivo a corto, mediano y largo plazo que representa un
esfuerzo importante y sistemá tico para generar aná lisis de manera
continua, la consideració n radica en la formulació n de diagnó sticos
que tienen como base los principios geográ ficos, que ayudan a
realizar los aná lisis, ubicando los servicios, determinando
distancias y elaborando documentos que permitan mejorar los
servicios.
INTRODUCCION
La planeació n es un proceso que ha sido fundamental en el

interé s estatal de hacer de la educació n pú blica el medio el medio
eficiente para la integració n de la sociedad. Al llevar a efecto este
proceso, ha sido necesario contar con instrumentos que nos
permitan realizar los aná lisis de los alumnos, grupos, maestros y
escuelas, presentá ndolas en forma regional o municipal, con el fin de
obtener una visió n geográ fica-regional sobre el desarrollo,
estructura y problemá ticas del sector, permitiendo contar con bases
concretas para establecer objetivos claros con miras al
mejoramiento del servicio.
161
Agustín Olmos Cruz, Carlos Reyes Torres y Fernando Carreto Bernal
Para realizar los aná lisis del sector educativo, é ste se apoya
de la microplaneació n regional educativa, como metodologıá que
integra los diversos factores de la regió n tanto fı́sicos como
econó micos, sociales, polı́ticos, culturales y pedagó gicos, que
intervienen en el desarrollo de la educació n en el Estado de Mé xico.
Con la aplicació n de esta metodologıá se busca identificar y

analizar los factores que intervine en ella para asegurar la educació n
a toda la població n, vinculando de mejor manera este sector con el
sector productivo, lo que redundara en mejorar la calidad, de las
competencias y habilidades profesionales. El propó sito de esta
metodologıá es presentar las bases para realizar un diagnó stico
para conocer la problemá tica educativa por regiones, a fin de ofrecer
de manera organizada soluciones a los desajustes que se presenta
en la operació n del servicio en la entidad.
Metodología de la microplaneación regional educativa
Para llevar a cabo el este estudio, la primera tarea ha sido la

revisió n crıt́ica de investigaciones y fuentes desarrolladas en la
Secretarıá de Educació n Pú blica (SEP) de similares caracterıśticas,
analizando, entre otras cosas, los diseñ os metodoló gicos utilizados,
sus definiciones, los marcos teó ricos y la forma de organizar la
informació n. A partir de lo encontrado en la bibliografıá y conforme
al tipo de trabajo planteado, se articula esta metodologı́a, que
plantea una realidad educativa y considera como primera opció n la
distribució n de los servicios y como segunda el tipo, por lo que la
cartografıá es la forma de presentar los resultados obtenidos.
Los datos provienen de fuentes como el formato 911.

establecido por la SEP, en la cual queda comprendida
sustancialmente la informació n que se requiere. Al efectuar el
aná lisis, se consideraron criterios cuantitativos y cualitativos, que
comprenden té cnicas estadı́sticas para la ubicació n espacial,
utilizando como apoyo principal regionalizació n geográ fica
establecida en el reglamento de la Ley de Planeació n del Estado de
Mé xico y Municipios, en el artıćulo 97, el cual divide al estado en XV
regiones. El aná lisis representa identificar los desequilibrios de
162
Métodos para el cálculo de indicadores
matrıćula, docentes e instalaciones y sus causas, las cuales se toman

en cuenta para la planificació n regional. (Lera, MJ. 2009), LLobet,
Valeria, Pawlowicz Marıá Pia y Gaillar Paula (diciembre, 2002).
Etapas en el proceso de investigación.
a). Definición del modelo conceptual de microplaneación

regional educativa
Es el proceso por el cual se conciben las diversas instancias
de acció n, a travé s de una estructura racional de aná lisis que
permita el pleno conocimiento de los recursos de manera tal, que
ello de elementos de juicio suficientes a fin de establecer
prioridades, elegir alternativas, establecer objetivos y metas, con la
finalidad de instrumentar oportunidades de cambio precisos a
travé s del aprovechamiento de los recursos de manera factible y
racional.
Consta de cuatro pasos, los cuales son: Definició n de

regiones de estudio; Elaboració n de un diagnó stico; Formulació n de
alternativas y Evaluació n de las decisiones, desde el punto de vista
geográ fico el aná lisis se da de manera regional.
Para la aplicació n desde el punto de vista normativo se apoya

con el siguiente marco normativo: Artıćulo 3ro Constitucional; Ley
General de Educació n; Ley Estatal de Educació n; Marco Normativo de
la Planeació n Democrá tica; ası ́ como el Plan Nacional de Desarrollo
actual. Se tiene que iniciar con la definició n de regiones de estudio,
elaboració n de un diagnó stico, formulació n de las alternativas y
evaluació n de las decisiones, El resultado de la aplicació n de la
metodologıá busca es el mapa escolar, (Prawda, 1984).
b). Regionalización
En educació n la regió n es una zona de estudio que
proporciona un marco de referencia global y homogé nea de las
actividades que se realizan, integrando los aspectos geográ ficos,
sociales, econó micos, polıt́icos y culturales, que intervienen y son
transversales en el desarrollo del sector, considera a los alumnos,
docentes y aulas y escuelas, como elementos de estudio, para
163
generar el diagnó stico a fin de identificar los desequilibrios y sus

causas, las cuales retoman para la planificació n (Olmos, 1991).
Para su aplicació n considera las 15 regiones del Estado de

Mé xico 1982, incluyendo: Topografıá, Hidrografıá, Clima, Població n,
Densidad de Població n, Nivel socioeconó mico, Agricultura,
Silvicultura y Pesca, Actividad socioeconó mica, Acercamiento a los
polos de desarrollo má s cercanos, (Miplare, 1982). Del total de
regiones presentadas, se selecciona a la regió n IX, que contiene a los
municipios de Amatepec, Tejupilco, Luvianos y Tlatlaya, para
presentar un ejemplo sobre la aplicació n metodoló gica.
c) Educación
La educació n es el pilar fundamental de un municipio,
estado o paıś, cumple la funció n y condició n de trasmitir a las nuevas
generaciones los conocimientos de las anteriores para lograr el
crecimiento de una economıá nacional fortalecida. Se divide en
educació n bá sica y educació n media superior y superior. Para los
fines de este estudio, se toma a la educació n bá sica que comprende
los niveles de preescolar, primaria y secundaria, (Durkheim, 1997).
B). Diagnóstico
Con referencia al aspecto de metodoló gico de la
microplaneació n, este sirve para analizar la eficiencia interna del
sector educativo en cada regió n de estudio en té rminos de
indicadores: matrıćula, docentes, costos, e inmuebles, a partir de ellos
de identifican los desequilibrios y sus causas (Pé rez y Merino. 2008).
C). Formulación de alternativas.

Este aspecto constituye el tercer paso de la metodologıá y se
refiere a la restructuració n de la red escolar en la regió n de estudio.
Estas alternativas pueden concebirse como como correcciones a
problemas educativos identificados en el diagnó stico o bien como
medios para alcanzar situaciones deseables.
D). Evaluación de las decisiones

Se valora la eficiencia de las decisiones tomadas de acuerdo
al suministro de recursos materiales, ası ́ como su efectividad para
medir sus logros y alcances, estableciendo prioridades.
164
PROCESO
Apoyados por documentos que emite la Direcció n General de

Planeació n de la Secretaria de Educació n Pú blica, donde se
establece el marco normativo-estadı́ s tico con los criterios,
definiciones e indicadores que sugiere la metodologı́a para el
aná lisis para la elaboració n del diagnó stico por lo cual se presentan
los má s utilizados en esta metodologıá, Su aplicació n puede ser en
forma estatal, regional o municipal y los niveles má s atendidos son:
preescolar, primaria y secundaria, (SEP, 1981).
Indicadores educativos
1). Índice de atención a la demanda (I.A)
Es el cociente resultado de dividir los alumnos existentes en la edad
“X” entre el grupo de edad “X” reportado en la forma 911.
Donde:
Matrıćula edad “x”= Alumnos existentes en determinada edad
escolar.
Població n edad “x”= grupo de edad establecido para asistir a la
escuela.
El indicador muestra cual es la atenció n que se tiene de la

demanda educativa, con respecto a la població n existente en un
grupo de edad establecido como escolar. Su utilidad permite
analizar los factores y elementos que se conjugan en el proceso-
enseñ anza aprendizaje, determinando si la atenció n que brinda el
sector es suficiente.
2). Índice de reprobación (I.R)

Es el resultado de dividir a los alumnos reprobados entre el
nú mero de alumnos inscritos en un grado “n”.
165
El indicador muestra el porcentaje de alumnos que no

pudieron pasar al grado inmediato, superior, en un ciclo escolar “j” y
en grado especıf́ico. Este procedimiento permite conocer en forma
relativa cuantos alumnos existentes, reprobaron al té rmino del ciclo
escolar, a fin proponer nuevas estrategias de aprendizaje.
3). Índice de aprobación (I.AP)

Es el cociente resultado de dividir a los alumnos que aprobaron
entre los alumnos inscritos en un grado “n”, en un ciclo “j”.
Se muestra el porcentaje de alumnos que fueron aprobados

en educació n primaria; promovidos en educació n preescolar y los
que reprobaron de una a tres materias en educació n secundaria y
pueden regularizarse en un periodo corto para ser promovidos al
grado inmediato superior.
4). Índice de deserción (I.D)

Es la diferencia de los alumnos que concluyen el ciclo escolar “j”
con respecto al nú mero de alumnos inscritos en el ciclo escolar “J”
en un grupo “n”.
El ın
́ dice de deserció n es el porcentaje de alumnos que no
concluyeron sus estudios durante el ciclo escolar “j.
166
5). Eficiencia terminal (E. T.)

Es el cociente resultante de dividir a los alumnos egresados en el
ciclo escolar “j” del nivel primaria entre los alumnos inscritos en 1°
grado, cinco ciclos atrá s “j”-5; en educació n secundaria se aplica la
misma fó rmula solo que en los ciclos anteriores se reduce a dos “j”-2.
Este indicador tiene dos referencias; la primera es a

educació n primaria en la cual se muestra la relació n existente de los
alumnos que ingresan al primer grado de primaria con respecto a
los egresados, seis añ os despué s, considerando só lo a una
generació n; la segunda referencia está dada para la educació n
secundaria donde se tiene el mismo procedimiento con la diferencia
de que son só lo tres ciclos los que se toman para una generació n.
6). Tasa de escolarización

Son indicadores que en forma conjunta permiten evaluar la
eficiencia del servicio educativo que se presenta en la entidad, con lo
cual se conocen las deficiencias existentes, realizando un
diagnó stico situacional el cual se turna a las á reas correspondientes
para establecer los canales adecuados que logren dar solució n a los
problemas presentados.
167
Donde para Mé xico: Edad escolar de prescolar: 4 – 5 añ os; Edad
escolar de primaria: 6 – 11 añ os; Edad escolar de secundaria: 12 – 14 añ os.
Este indicador, conjuntamente con la distribució n por
edades de la matrı́ c ula en cualquier grado escolar permite
identificar el ingreso temprano y tardıo ́ y el rezago acumulado en los
ú ltimos grados del nivel educativo correspondiente.
RESULTADOS
Se presentan de los resultados de la regió n de estudio IX, que

comprende a los municipios de Amatepec, Luvianos, Tejupilco y
Tlatlaya, que se encuentra al sur del Estado de Mé xico, tiene una
superficie de 3,468.5 Km2, una població n total a 2010 de 159,624, y
cuenta con una densidad de població n de 46 hab./Km2.
La regió n se ubica al suroeste del estado, colinda al norte con

Otzoloapan, Zacazonapan, Temascaltepec, San Simó n de Guerrero al
sur con y Sultepec, al este con San Simó n de Guerrero, Texcaltitlá n y
Sultepec y al oeste con Michoacá n y Guerrero. Está comprendido
entre los paralelos 18º 45'30" y 19º 04'32" de latitud norte, y entre
los meridianos 99º 59' 07" y 100º 36' 45" de longitud oeste, respecto
al meridiano de Greenwich, como se observa en la figura 1.
Figura 1: Regió n IX
Fuente:
www.google.com.mx/search?q=mamap+de+la+region+IX+edo+mex&tbm=isch&source
168
La topografıá de la regió n es bastante accidentada, dado por

el origen de la Sierra de Pericones. Esta Sierra se prolonga hasta el
Puerto de Salitre donde se levanta la Sierra de Nanchititla o
Cinacantla, para terminar en el margen del rıo ́ Cutzamala.
Por el norte y con la misma direcció n, desprendié ndose de la

sierra de Temascaltepec, penetra con la Sierra de la Cumbre, el Cerro
de Cacalotepec, El Cardosanto, Jumiltepec, El Fraile y La Rayuela;
hay cañ adas formando ası ́ el valle fé rtil donde se encuentra el
poblado de San Martın ́ Luvianos. La sierran pericones se prolonga
hasta el Puerto de Salitre donde se levanta la Sierra de Nanchititla o
Cinacantla, para terminar en el margen del rıo ́ Cutzamala.
La Hidrologı́a Por el norte y con la misma direcció n,

desprendié ndose de la sierra de Temascaltepec, penetra con la
Sierra de la Cumbre, el Cerro de Cacalotepec, El Cardosanto,
Jumiltepec, El Fraile y La Rayuela; hay cañ adas formando ası ́el valle
fé rtil donde se encuentra el poblado de San Martın ́ Luvianos.
El clima varıá de cá lido a hú medo y a semi-cá lido hú medo
con lluvias en verano y con un porcentaje menor de lluvias en
invierno. Varıán al igual que el má ximo es de 40° en verano
La actividad económica
La mayorıá de la població n se dedica al comercio, si bien
existe una gran cantidad de personas calificadas para desempeñ ar
otras labores. Las malas comunicaciones impiden el desarrollo
local, pues no se produce la radicació n en la regió n de empresas
nacionales o tras-nacionales. La mayorı́a de la gente calificada
decide irse a trabajar a otras partes del estado o a los Estados Unidos
de Amé rica, con el consiguiente desperdicio de recursos humanos
en la zona.
169
Resultados de la microplaneación regional educativa
Una vez determinados los indicadores establecidos por la

microplaneació n regional educativa, se realizó el aná lisis de los
datos obtenidos para atender el objetivo general de generar un
diagnó stico de los servicios educativos en los 125 municipios del
estado de Mé xico, Para fines de esta presentació n se seleccionó la
regió n IX, que contempla a los municipios de Amatepec, Tejupilco,
Luvianos y Tlatlaya, En el cuadro 1. Se presenta las caracterıśticas
socioeconó micas de la regió n IX (Pé rez y Merino. 2008).
El diagnó stico se inicia con las tazas de escolarizació n

aparente, real y por edad conforman Estos indicadores señ alan el
porcentaje de niñ os de cierto grupo de edad que acuden a la regió n
de estudio a recibir el servicio educativo de un nivel especıf́ico. Para
la presentació n de la informació n, es a travé s de cuadros especıf́icos
y se inicia en el nivel preescolar.
Educación Preescolar
Se observa en la atenció n a la matrı́cula que hay una

diferencia del 8%, es decir que de lo programado se atendió al 92%.
El cuadro 1 muestra los resultados sobre el servicio educativo
prestado.
Cuadro 1: Tasas de escolarizació n regió n IX
Fuente: elaboració n propia con base a datos del formato 911.
170
En cuanto al dato estadı́stico de la població n, hay una

coincidencia entre lo aparente y lo real, por lo que el porcentaje final
es de 1 punto, esta coincidencia se debe que en esta regió n cuya
caracterı́stica principal es rural, la educació n preescolar no es
requisito para inscribirse a la educació n primaria, por lo tanto la
atenció n a la matrıćula es muy baja. La relació n alumno-maestro
ideal es de 20 alumnos, en este sentido los datos concentrados
muestran que la atenció n es de 30 alumnos, lo que representa una
tasa alta y esto se debe a la concentració n de alumnos en pocos
servicios.
Tasas de escolarización por edad y grado
En la distribució n de la matricula por edad, la mayor

població n infantil captada es a los 4 y 5 añ os, quedando inscritos en
el segundo y tercer grado. De los 4916 niñ os en edad escolar se
atienden a 312 de la edad de 4 añ os, esto representa un porcentaje
de un 6%, como se observa en el cuadro 2.
Cuadro 2: Distribució n de la matrıćula de preescolar por edad y

grado/ tasa de escolarizació n por edad
En el cuadro 2 aparecen las tasas de escolarizació n de los

niñ os con cuatro y cinco añ os que reciben educació n prescolar en la
regió n IX, 2010-2011. Del aná lisis de esta tabla y considerando que
la polıt́ica oficial fue ofrecer educació n prescolar a los niñ os de cinco
añ os, se desprende que existe una baja cobertura de ese servicio
para ese grupo de edad, esto se debe a diversas causas como la falta
de servicios educativos y otros problemas como los econó micos.
171
Educación Primaria
Tasa de escolarización por edad
En este nivel se presentan los datos de la regió n IX de la tasa

de escolarizació n por edad de la matrıćula atendida, considerando
que los alumnos cursan de los 6 a los 11 añ os. Se presenta la
distribució n por edad en el cuadro 4.
Cuadro 4: Tasa de escolarizació n por edad
Fuente: elaboració n propia con base a datos del formato 911
Tasa de escolarización real
La atenció n que se tiene en este nivel, se plantea con la tasa

de escolarizació n real que es de 90%, con respecto al 100, ası ́mismo
la tasa aparente es incluso menos precisa al determinar que solo es
el 82%, como se aprecia en el cuadro 5.
Cuadro 5: Tasa de escolarizació n regió n IX
Tasa de promoción, repetición y deserción
Se engloban las tasas de promoció n, repetició n y deserció n,

por ser los movimientos que se generan durante un ciclo escolar,
desde primer grado hasta el sexto. La tasa de promoció n má s baja es
de primer añ o donde solo se promovió al 55.53 alumnos del 100%, y
la má s alta es la promoció n de 5° a 6° con un 96.45%. La relació n
172
alumno-maestro es de 26, estos es que un profesor atiende a 26

alumnos, lo representa una atenció n buena ya que los grupos se
constituyen de 30 alumnos. Cuadro 6.
Cuadro 6: Tasas de promoció n, repetició n y deserció n
En cuanto a la tasa de repetició n tenemos que la má s alta

está en el grupo que está en primer grado y la má s baja se concentra
en los grados finales. La deserció n figura tambié n en mayor medida
en los primero añ os de primaria siendo la má s bajo de del cuatro
grado al quinto.
Educación secundaria
Los resultados obtenidos muestran que esta regió n tiene una

tasa de escolarizació n baja, ya que atiende solo al 28% de los alumnos
que está n en edad de cursar este nivel educativo. En cuanto al ın ́ dice
de transició n de primaria a secundaria este es del 52.52%, cuadro 7.
Cuadro 7: Tasa de escolarizació n
173
Tasa de promoción, repetición y deserción
Se engloban las tasas de promoció n, repetició n y deserció n,

por ser los movimientos que se generan durante un ciclo escolar,
desde primer grado hasta el tercero. La tasa de promoció n má s baja
es de primer añ o donde solo se promueve el 90.97% del total, y la
má s alta es la promoció n de 2° a 3° con un 92.84. Como se observa en
el cuadro 8.
Cuadro 8: Tasas de educació n secundaria
En cuanto a la tasa de repetició n tenemos que la má s alta

está en el grupo que está en primer grado y la má s baja se concentra
en los grados finales. La deserció n figura tambié n en mayor medida
en los primero añ os de primaria siendo la má s bajo de del cuatro
grado al quinto.
Conclusiones
El mé todo de la microplaneació n regional educativa, nos

permite medir el desarrollo y avance educativo de manera
cuantitativa en un municipio, regió n, estado o paıś. Los datos se
ordenan, clasifican, sistematizan y analizan de tal manera que es
posible correlacionar, interrelacionar y obtener resultados que
sirven para orientar y encausar la prestació n de este importante
servicio.
174
La elaboració n de estos trabajos tiene como base los

aspectos geográ ficos que identifica las caracterı́sticas fı́sicas,
sociales, polıt́icas y educativas que allı ́existen, que conjugados con
los procedimientos estadı́ s ticos, dan como resultado la
presentació n de la informació n que evalú a la operació n sobre el
ciclo escolar vigente.
Finalmente diremos que la metodologıá propuesta permite
crear un sistema de informació n, con dos vertientes; la primera son
los documentos que se estructuran y la segunda es la
regionalizació n que se hace, logrando mejorar la calidad y
presentació n de las cifras.
BIBLIOGRAFIA
Durkheim, E, (1997), Educació n y Sociologı́a, Ed. Colofó n, S.A.,

Mé xico.
Fermoso, E. P. (1994), Teorıá de la educació n, Editorial Trillas,

Mé xico. D. F.
G.E.M. (1997), Compendio de legislación educativa, Cuadernos

educativos, SECyBS, SEIEM, Toluca, Mé xico.
Lera, MJ. (2009). Impacto de la pobreza cró nica en la resiliencia;

claves para entender la. Perpetuidad de la miseria. Paideia,
LLobet, Valeria, Pawlowicz Marı́a Pia y Gaillar Paula (2002).

Vulnerabilidad, Riesgo y Resiliencia. II Congreso Internacional de
Trauma Psıq ́ uico y Estré s Traumá tico. Asociació n Internacional de
T r a u m a P s ı́ q u i c o , B u e n o s A i r e s , l e ı́ d o f u e r a :
https://www.aacademica.org/valeria.llobet/40.pdf
Mc Collough, C. (1976), Aná lisis estadıśtico en las ciencias sociales y

educació n, Ed. MaGraw-Hill, Mé xico.
175
Olmos, C A. (1991), la Vinculació n de la Geografıá con el Sector

Educativo, documento recepcional, Escuela de Geografıá, UAEM.
Toluca.
Prawda, J. (1984), Teoría y praxis de la planeación educativa en

México, Colecció n pedagó gica Grijalbo, Mé xico.
Prawda, J. (1989), Logros, inequidades y retos del sistema educativo

mexicano, Colecció n pedagó gica Grijalbo, Mé xico.
Pé rez, P. J., Merino, M (2008), Definició n de diagnó stico, leıd

́ o en
https://definicion.de/diagnostico/
SEP. (1981), Microplaneació n regional educativa, Direcció n General

de Planeació n, Documento de trabajo, Tomo 1.
SEP, (1982), Microplaneació n regional educativa, planeació n
estatal, estado de Mé xico, documento de trabajo.
SEP (2017) Modelo educativo, para la educació n obligatoria, leıd

́ o
en:
https://www.gob.mx/cms/uploads/attachment/file/198738/Mo
delo_Educativo_para_la_Educacio_n_Obligatoria.pdf
Figura 1:
www.google.com.mx/search?q=mamap+de+la+region+IX+edo+m
ex&tbm=isch&source
176
8.2 Método para la construcción de índices
multidimensionales. Aplicación a la desigualdad social
y comportamiento electoral en México
Edel Cadena Vargas
INTRODUCCIÓN
El problema central para estudiar en Mé xico la desigualdad

social y el comportamiento electoral correlacionadamente era que
la escala de la informació n era diferente. Por un lado, los datos
censales de població n se encontraban por entidad, municipio,
localidad, y á rea geoestadıśtica bá sica Ageb, que es solo urbana,
(INEGI, 2010b) mientras que los electorales está n por entidad,
circunscripció n, municipio, distrito electoral, secció n electoral, y
casilla. Ahora, esta dificultad no existe, porque el censo de població n
de 2010 está disponible a nivel de secció n electoral. (INEGI, 2010b)
Por ello, el objetivo de este trabajo es, primero, diseñ ar y

construir un ın ́ dice de vulnerabilidad social por secció n electoral
para todo el paı́ s ; segundo, diseñ ar y construir ı́ n dices de
comportamiento electoral, a lo largo de 21 añ os, tambié n por
secció n electoral; y tercero, correlacionar ambos fenó menos para
determinar su posible asociació n y distribució n espacial.
Cabe aclarar que los ıń dices de lealtad está n referidos a los
partidos mayoritarios desde la dé cada de los añ os noventa y hasta
2015 (Partido Acció n Nacional PAN, Partido Revolucionario
Institucional PRI y Partido de la Revolució n Democrá tica PRD).
Vulnerabilidad social: categoría en construcción
En Mé xico existen dos ı́ndices oficiales, calculados por

entidades gubernamentales, que dan cuenta de la desigualdad
social. Por un lado, está el Indice de Marginació n, del Consejo
Nacional de Població n CONAPO, (CONAPO, 2018) y por el otro el
177
Edel CadenaVargas
Indice de Rezago Social del Consejo Nacional de Evaluació n de la

Polı́tica de Desarrollo Social CONEVAL. (CONEVAL, 218) En el
primer caso está disponible por entidad, municipio, localidad y
Ageb. En el segundo solo por entidad y municipio.
No obstante, dado que este tipo de ı́ n dices dan cuenta de
exclusiones, en los ú ltimos añ os el uso de la categorı́ a de
vulnerabilidad social ha cobrado mayor importancia para referirse a
otros aspectos de la desigualdad social.
En sus inicios, la vulnerabilidad era una categorıá referida,

casi exclusivamente, a la susceptibilidad o propensió n a sufrir dañ os
por fenó menos naturales (huracanes, terremotos, inundaciones,
sequı́as). Por ello, se privilegiaba la localizació n de lugares,
localidades o zonas que presentaban dicha caracterıśtica. Con el
tiempo, las diferentes á reas de conocimiento adjetivaron la
categorıá con aquellos aspectos propios de su interé s y, por ello, se
diversificó su conceptualizació n
Bajo este escenario, la categorıá de vulnerabilidad social que

se utiliza en este trabajo, hace referencia al conjunto de
caracterıśticas, innatas o adquiridas, que hacen que las personas o
grupos sociales esté n inermes frente a un sistema social y
econó mico injusto e inequitativo. Ello porque, lo ú nico que el
neoliberalismo trajo, a ciertos grupos, son amenazas má s severas
que los fenó menos naturales o ambientales.
3. Diseño y Construcción de índices

3.1. Índice de Vulnerabilidad Social IVS
Para diseñ ar el IVS se recurrió Censo de Població n y

Vivienda 2010. Se compone de tres dimensiones con 10 indicadores,
(Ver cuadro 1) a travé s del mé todo de componentes principales, (Ver
fó rmula 1).
178
Método para la construcción de índices multidimensionales
Fó rmula 1
Donde:
Yi1: es el valor de la unidad de aná lisis i en la primera componente
principal estandarizada,
Cj: es el ponderador del indicador j para determinar la primera
componente principal estandarizada,
Zij: es el indicador estandarizado j de la unidad de aná lisis i, e
IVSi: es el valor del ın ́ dice de vulnerabilidad social de la unidad de
aná lisis i.
Obtenido el ın ́ dice, se clasificó cinco grados (muy alto, alto, medio,
bajo y muy bajo) a travé s del mé todo de Dalenius y Hodges, tambié n
conocido como Estratificació n Optima. El procedimiento para su
cá lculo es el siguiente:
1) Se calcula le nú mero de intervalos adecuados a dividir el ın ́ dice, a
travé s del entero resultante del logaritmo base 10 del nú mero total
de casos contenidos en el ın ́ dice.
2) Calculado el rango del ın ́ dice, se divide en el nú mero de intervalos
resultante.
3) Se calcula el nú mero de casos que cae dentro de cada intervalo.
4) Se obtiene la raıź cuadrada del nú mero de casos en cada intervalo
y se acumula consecutivamente.
5) La raıź cuadrada acumulada del ú ltimo intervalo, se divide entre
179
Edel CadenaVargas
el nú mero de estratos a obtener. El primer estrato es la cantidad

obtenida, el segundo el doble, el tercero el tripe y ası ́hasta el ú ltimo
estrato.
6) El lım
́ ite má ximo de cada estrato corresponderá al valor má s
cercano en la columna de raı́ces cuadradas acumuladas, y su
respectivo rango en los intervalos del ın ́ dice.
7) Se asigna el estrato correspondiente a cada uno de los casos en su
respectivo estrato.
3.2. Índices de comportamiento electoral
El procedimiento para la construcció n de los indicadores de

comportamiento electoral fue:
Índice de Lealtad Electoral ILE, resulta de dividir el nú mero de veces
que ganó un partido en una secció n respecto de la cantidad de
elecciones.
Donde:
j = cada proceso electoral
g1 = porcentaje de votos del partido ganador
g2 = porcentaje de votos del segundo lugar
Índice de Volatilidad Electoral, que es la cantidad de veces que una
secció n cambió de partido ganador entre el nú mero de elecciones
menos 1.
Donde:
cse = cambios de partido triunfador por secció n electoral
n = nú mero de elecciones
Los ın
́ dices de lealtad y volatilidad está n en una escala de 0 a 1, y el
de competitividad es de 0 a 100. Los tres ın
́ dices electorales se
clasificaron en cinco grados. Los dos primeros se estratificaron por
180
el mé todo de intervalos iguales en cinco grupos (de muy alto a muy
bajo) a partir de intervalos de 0.2. El tercero fue clasificado en los
mismos cinco grados, pero con intervalos de 5 puntos porcentuales,
en donde má s de 20% correspondió a un grado muy bajo de
competitividad y de 0 a 5% a muy alto.
El software utilizado fue IBM SPSS 23.0 y Microsoft Excel 2016, para
el procesamiento estadıśtico, y Arc Map 10.3 para la cartografıá.
4. Resultados
4.1. Vulnerabilidad Social
De los componentes de la vulnerabilidad social el que

presenta mayor impacto en el paıś es la desocupació n, ya que má s de la
tercera parte de las secciones electorales, 35.8%, tienen un grado alto
y muy alto de personas en esa condició n. Le siguen los niñ os y jó venes
que no asisten a la escuela, 31.3% de las secciones, y hogares con
jefatura femenina 29.0%. En contraste, los indicadores donde hay una
menor concentració n de secciones en los grados alto y muy alto, son
en personas que tienen alguna discapacidad, hablantes de lengua
indıǵena, y personas de 15 añ os y má s sin escolaridad, ya que van de
11.8 a 13.8% del total nacional de secciones electorales. La
vulnerabilidad social alta y muy alta, en cambio, se presenta en poco
má s de la quinta parte de las secciones electorales, 22.2%. (Ver Tabla 1)
El Indice de Vulnerabilidad Social IVS, muestra que los

estados que concentran mayor porcentaje de sus secciones
electorales con un grado alto y muy alto de vulnerabilidad son
Guerrero, Chiapas, Oaxaca, Michoacá n, Puebla, Yucatá n, Hidalgo,
San Luis Potosı,́ y Veracruz, en virtud de que todas ellas tienen má s
de la tercera parte de sus secciones en esa condició n. Caso contrario
son Baja California Sur, Tamaulipas, Nuevo Leó n, Baja California,
Ciudad de Mé xico, Colima, y Aguascalientes, que tienen menos de
3.0% de sus secciones con esta caracterıśtica. (Ver Mapa 1) Es de
notar que estas ú ltimas cuatro entidades no tienen una sola secció n
con grado muy alto, mientras que Guerrero agrupa 70.3%, Chiapas
65.6%, Oaxaca 65.6% y Michoacá n 54.5%.
Como se puede observar en el mapa correspondiente, las
regiones donde está má s concentrada la vulnerabilidad es en la
Sierra Madre Occidental, los estados del sur sureste, ası ́como en las
181
Edel CadenaVargas
colindancias de los estados de Tlaxcala, Hidalgo, Puebla, Veracruz y

San Luis Potosı.́
182
4.2. Comportamiento electoral
Lealtad electoral. El porcentaje de secciones electorales

grados de lealtad alto y muy alto al PAN fluctú a de 22.0 a 28.0%,
donde la cifra má s baja corresponde a las elecciones de senadores, y
la mayor a diputados. En cambio, el PRI tiene entre 15.3 y 36.4% de
secciones en esa condició n, donde la cifra menor corresponde a las
elecciones para Presidente y la mayor a senadores. El PRD tiene
entre 1.1 y 10.9% de las secciones con grado de lealtad muy alto y
alto, donde la lealtad mayor está en las elecciones para senadores y
la má s baja en Presidente. Por tanto, las lealtades má s altas para el
PAN está n en las elecciones de diputados, para el PRI en senadores y
para el PRD en diputados. En las elecciones para Presidente, está n
las cifras má s bajas de secciones con grado de lealtad muy alta para
los tres partidos mencionados. (Ver tabla 2)
Las mayores simpatı́as para el PAN, en diputados, se

concentran en 11 estados: Guanajuato, Baja California, Queré taro,
Aguascalientes, Nuevo Leó n, Jalisco, Sonora, Colima, San Luis Potosı,́
Yucatá n, y Puebla. Para Presidente, en 13 estados está el mayor
porcentaje de secciones electorales con grados alto y muy alto de
lealtad y son Guanajuato, Tamaulipas, Jalisco, Nuevo Leó n, Yucatá n,
Sonora, Queré taro, Baja California, Aguascalientes, Puebla,
Coahuila, San Luis Potosı,́ y Colima. Para senadores, este partido
concentra sus simpatıás en Guanajuato, Baja California, Jalisco,
Aguascalientes, Queré taro, Yucatá n, Puebla, Tamaulipas, y Nuevo
Leó n. (ver tabla 4.)
183
Edel CadenaVargas
Para el PRI el mayor porcentaje de secciones con grados alto

y muy alto de lealtad en las elecciones para diputados está n en
Nayarit, Hidalgo, Durango, Coahuila, Sinaloa, Tamaulipas,
Chihuahua, Quintana Roo, Oaxaca, Campeche, Yucatá n, Tabasco,
Tlaxcala, Puebla, y Estado de Mé xico. Para Presidente, el porcentaje
de secciones con esa misma caracterıśtica va de 0.2 a 35.5%, lo que
significa una diferencia de casi 50 puntos porcentuales respecto de
diputados. En senadores los porcentajes má s altos está n en Nayarit,
Sinaloa, Campeche, Hidalgo, Zacatecas, Durango, Chihuahua, Nuevo
Leó n, y Colima. (ver tabla 4.)
El PRD, por su parte, tiene sus lealtades altas y muy altas

para diputados en cuatro entidades, principalmente: Tabasco,
Guerrero, Michoacá n y la Ciudad de Mé xico. En las elecciones
presidenciales en Nayarit, Zacatecas, Chihuahua, Michoacá n,
Durango, Hidalgo, Nuevo Leó n, Sinaloa, Baja California Sur,
Coahuila, Colima, y Oaxaca. Para senadores, en cambio, en
Michoacá n, Quintana Roo, Guerrero, Tabasco, y la Ciudad de Mé xico.
(ver tabla 4.)
Competitividad. Para el caso de las elecciones de diputados,

en 1994 solo la dé cima parte de las secciones tenıán un grado de
competitividad muy alta. Para 2015 esa cifra creció a la quinta parte,
lo que significa que en esos 21 añ os de ser 1 de cada 10 secciones con
esa caracterıśtica, dos dé cadas despué s creció a 1 de cada 5. En
cambio, en las de Presidente, pasó de ser 1 de cada 10, a 1 de cada 4.
En las de senadores, la proporció n fue muy semejante. (Ver tabla 5)
184
En té rminos territoriales, las á reas donde se observa la

mayor concentració n de los grados má s altos de competitividad
promedio está n en el norte y noroeste del paıś, en los estados de
Durango, Sinaloa, Chihuahua, Tamaulipas, Coahuila, Michoacá n,
Guerrero y Puebla. En el caso de las elecciones para Presidente, los
grados má s altos de competitividad promedio se localizan en solo 5
estados, que son Quintana Roo, Baja California, Baja California Sur,
Chiapas, y Colima. Por el contrario, los lugares donde hay menos
competitividad promedio son Estado de Mé xico, Tabasco, Hidalgo,
Durango, Puebla, Tlaxcala, Zacatecas, Tamaulipas, San Luis Potosı,́
Morelos, Sinaloa, Guanajuato, Ciudad de Mé xico, y Yucatá n. (ver
tabla 6)
Para las elecciones de senadores, en cambio, la
competitividad está sumamente polarizada, ya que solo en Quintana
Roo hay 47.1% de secciones con grado de competitividad promedio
muy alto. En Chiapas, Guerrero, Baja California Sur, Baja California,
Michoacá n, Nayarit, Aguascalientes, y Tamaulipas el porcentaje de
entre 10 y 17%. A su vez, en 10 estados (Campeche, Nuevo Leó n,
Jalisco, Zacatecas, Queré taro, Chihuahua, San Luis Potosı,́ Yucatá n,
Ciudad de Mé xico, y Guanajuato) menos de 5% de las secciones
tienen competitividad promedio muy alta. (ver tabla 6)
185
Edel CadenaVargas
Volatilidad. Por tipo de elecció n, destaca que en las

elecciones de Presidente es donde hay mayor volatilidad, en virtud
de que casi las dos terceras partes de las secciones electorales tienen
de un grado alto a muy alto de esa caracterıśtica. Le siguen las
elecciones para senador, donde menos de la mitad tienen esos
grados de volatilidad. El tipo de elecció n má s estable son las de
diputados, ya que solo 13.9% de las secciones tiene esta
caracterıśtica. (ver tabla 7)
Por entidad federativa las diferencias son aú n mayores. En

Presidente, los estados con mayor concentració n de secciones con
grados de volatilidad alta y muy alta son Tabasco, Jalisco, Zacatecas,
Estado de Mé xico, Chiapas, Coahuila, Veracruz, Oaxaca, Tamaulipas,
Morelos, y Quintana Roo. En contraste, las má s estables son
186
Guanajuato, Ciudad de Mé xico, Durango, Yucatá n, San Luis Potosı ́y

Chihuahua, ya que tienen menos de la quinta parte de secciones con
esta misma caracterıśtica. En senadores, por su parte, la mayor
concentració n se da en Nayarit, Ciudad de Mé xico, Morelos, Estado
de Mé xico, Tlaxcala, Zacatecas, y Baja California Sur. En cambio, en
diputados, solo en Morelos, Oaxaca y Veracruz tienen má s la quinta
parte de sus secciones con grados altos de volatilidad. (Ver tabla 8)
Espacialmente hablando, llama la atenció n que, en el caso de

las elecciones para diputados federales, la volatilidad se extiende de
manera má s o menos homogé nea en casi todo el paıś, excepto en el
norte, en los estados de Chihuahua, Coahuila, Durango, Nayarit,
Tamaulipas y Nuevo Leó n, ası ́como en algunas á reas de la Penın
́ sula
de Yucatá n. (Ver Mapa 2)
187
Edel CadenaVargas
5.3. Vulnerabilidad y comportamiento electoral
Correlacionados los 11 indicadores de vulnerabilidad social

con los 15 indicadores de comportamiento electoral, destaca que no
hay una concluyente (mayor a 0.5 o a -0.5) entre ninguno de ellos.
No obstante, si hay algunos indicadores que presentan cierta

asociació n significativa. En el caso de la lealtad al PAN, las
correlaciones van de -0.254 a -0.355, lo que indica que a mayor
vulnerabilidad tiende a haber menor lealtad al PAN. Sin embargo, si
se observan los indicadores por separado, hay una asociació n
significativa, de 0.219 a 0.352, en las secciones donde hay mayor
porcentaje de niñ os y jó venes que no asisten a la escuela y las
simpatıás por esta organizació n. (ver Tabla 9)
Con el PRI, la correlació n con la vulnerabilidad social es

entre 0.240 y 0.214, lo que supone que hay una tendencia a que los
sectores má s vulnerables tienden ligeramente a ser leales a este
partido. No obstante, hay correlaciones negativas significativas con
el porcentaje de niñ os y jó venes que no asisten a la escuela y
porcentaje de hogares con jefatura femenina, -0.340 y -0.229, lo que
implica que ahı ́donde hay mayor concentració n de menores que no
asisten a la escuela y jefas de familia, tienden a no simpatizar con
este partido. (ver Tabla 9)
188
En el caso del PRD las correlaciones son menores a las que

presentan los otros dos partidos, y el caso má s significativo es el de
personas sin derecho a algú n servicio de salud, de 0.182 a 0.230, lo
que implica que dicho partido despierta ciertas simpatıás entre los
grupos que padecen este rezago. (ver Tabla 9)
Por ú ltimo, la volatilidad electoral no parece asociarse

significativamente con la vulnerabilidad social, excepció n hecha en las
elecciones para Presidente, ya que la correlació n es de 0.273. En
competitividad, si hay una cierta asociació n con la vulnerabilidad, ya
que las correlaciones que presenta son de 0.269 a 0.328. (ver Tabla 9)
5. Conclusiones
El ı́ndice de vulnerabilidad calculado, y sus respectivos

componentes, muestran que la desigualdad social es, de lugar a
lugar, diferente y cambiante. Y no solo eso, sino que demuestra
claramente que hay un proceso de segregació n socioespacial que
lleva a los desocupados, adultos mayores, discapacitados, jefas de
familia, no derechohabientes, o las demá s caracterı́ s ticas, a
agruparse en ciertos lugares.
Respecto de la lealtad hacia los partidos má s grandes,

resalta que es inconstante a lo largo del tiempo, o que incluso en
189
Edel CadenaVargas
elecciones concurrentes no gane el mismo partido en los mismos

lugares. Esto pone en tela de juicio la categorıá de “voto duro”, ya que
no es demostrable que, secció n por secció n, gane siempre el mismo
partido sin importar el tipo de elecció n o candidato. Hay, por tanto,
una aguda diferenciació n de voto a lo largo del tiempo, y por tipo de
elecció n.
Ademá s, los comicios donde hay menor grado de lealtad

para los tres partidos má s importantes, son las de Presidente,
mientras que las altas lealtades en el PAN y el PRI está n en
diputados, y para el PRD en senadores.
En el caso de la competitividad, los resultados sugieren que
crece conforme pasa el tiempo, siendo las elecciones para
Presidente las má s competitivas, a diferencia de las de diputados y
senadores. De igual forma, las elecciones de Presidente son las má s
volá tiles, hecho que se confirma con los recientes resultados de la
elecció n de 2018.
Por ú ltimo, cuando se correlaciona el comportamiento
electoral con la vulnerabilidad social, resalta que hay una asociació n
muy tenue. A pesar de ello, existe una ligera tendencia a que el PAN
coseche afinidades entre los menos vulnerables, el PRI con los
menos afortunados, y el PRD con todos los grupos. Ademá s, parece
haber solo una leve asociació n entre vulnerabilidad y
competitividad electoral.
De todo lo anterior es posible deducir que, paulatinamente,

los mexicanos tienden a diferenciar má s sus votos, y por ello la
lealtad es cambiante y la competitividad se acrecienta.
Incluso, los sectores menos afortunados de esta sociedad, que con
frecuencia se afirma que son vıćtimas de prá cticas clientelares,
diferencian su voto y no son siempre leales. De igual forma, los
estratos medios y altos tampoco son completamente leales a los
partidos con los que se les asocia. Ni tampoco, en los estratos bajos,
los discursos “pobristas” generan grandes lealtades a los partidos
que los enarbolan.
190
BIBLIOGRAFÍA
CONAPO Consejo Nacional de Població n, (2018): Indices de

Marginació n, Mé xico: CONAPO. Disponible en internet en
http://www.conapo.gob.mx/en/CONAPO/Indices_de_Marginacion
CONEVAL Consejo Nacional de Evaluació n de la Polı́ t ica de

Desarrollo Social (2018): Índice de Rezago Social, México: CONEVAL.
Disponible en
https://www.coneval.org.mx/Medicion/IRS/Paginas/Indice_Reza
go_Social_2015.aspx
INEGI Instituto Nacional de Estadıśtica Geografıá e Informá tica,

(2010a): Marco Geoestadístico 2010, Mé xico: INEGI disponible en
http://www.beta.inegi.org.mx/app/biblioteca/ficha.html?upc=702825292805
INEGI Instituto Nacional de Estadıśtica Geografıá e Informá tica,

(2010b): Estadísticas Censales a Escalas Geolelectorales: Censo de
P o b l a c i ó n y V i v i e n d a 2 0 1 0 , M é x i c o :
http://gaia.inegi.org.mx/geoelectoral/viewer.html
191
192
Capítulo 9
MÉTODO DE EVALUACIÓN MULTICRITERIO

9.1 Aplicación a la gestión sostenible del agua en la cuenca
del río Nenetzingo, México
Luis Ricardo Manzano Solís

Noel Bonfilio Pineda Jaimes
Miguel Angel Gómez-Albores
SÍNTESIS
En el presente capıt́ulo se exponen los fundamentos del

proceso de evaluació n multicriterio y su aplicació n en una cuenca de
Mé xico. Adicionalmente, el proceso se complementa con el aná lisis
estructural de sistemas (cuyo uso aú n no se generaliza en un contexto
de Sistemas de Informació n Geográ fica) a nivel de subcuencas. Este
aná lisis complementario aportó herramientas para la identificació n
de las variables e indicadores por subcuenca que se convertirıán en
los criterios a evaluar, ası ́ como para determinar los pesos de estos.
Como resultado se evaluaron 14 criterios usando el proceso de
combinació n lineal ponderada y se llegó a una capa de Sistemas de
Informació n Geográ fica con la cual es posible priorizar subcuencas
necesarias de estrategias de gestió n sostenible del agua.
INTRODUCCIÓN
La evaluació n multicriterio (EMC) ofrece un conjunto de

procedimientos y herramientas para modelar la realidad territorial.
Sin embargo, es fundamental sustentar claramente la selecció n de
los criterios que se usará n en la evaluació n para modelar algú n
proceso social, ambiental o econó mico. Lo mismo aplica a la forma
en que se establecerá n los pesos a utilizar para la ponderació n
realizada en las fases finales de la EMC. Estos dos rubros se enfatizan
193
Luis Ricardo Manzano Solís, Noel Bonfilio Pineda Jaimes y Miguel Ángel Gómez-Albores
en este capıt́ulo. Para ello se recurre al apoyo del aná lisis estructural
de sistemas aplicado al sistema de gestió n del agua en la cuenca del
rıo
́ Nenetzingo. Esta cuenca se ubica en el sureste del Estado de
Mé xico (en el centro del Mé xico) y abarca los municipios de Ixtapan
de la Sal y Villa Guerrero.

El capıt́ulo presenta una conceptualizació n de lo que es el
aná lisis estructural y la EMC, incluyendo una descripció n bá sica de los
procedimientos que se siguen en cada caso. Posteriormente se muestra
de forma aplicada el procedimiento de la EMC y el uso prá ctico que tiene
el aná lisis estructural de sistemas en la fase de selecció n de criterios, al
identificar las variables clave del sistema de gestió n del agua en la
cuenca que se convertirá n en criterios, ası ́como el uso de indicadores
para tener un comportamiento cuantitativo de los mismos por
subcuenca. Este mismo aná lisis estructural de sistemas se emplea para
justificar los pesos utilizados en la ponderació n final de los criterios para
llegar a identificar la priorizació n de subcuencas necesarias de
estrategias de gestió n sostenible del agua. Esta priorizació n es el
resultado final, mismo que se presenta y analiza.
Por ú ltimo, se cierra el capıt́ulo con unas consideraciones

finales donde se realiza una breve discusió n sobre la forma en que se
han de interpretar los resultados obtenidos tras desarrollar la
experiencia.
ANÁLISIS ESTRUCTURAL
En té rminos simples, el aná lisis estructural de sistemas se

refiere a modelar la estructura de un sistema con la finalidad de
comprender su funcionamiento, es decir, conocer los elementos que lo
componen, la forma en que está n relacionados entre sı ́y el resultado de
su interacció n, tanto de forma individual como colectiva (el todo). De
acuerdo con Godet (1994), el objetivo principal del aná lisis estructural
es conocer la estructura de las relaciones entre las variables que
caracterizan un sistema. Este tipo de aná lisis permite tener una
representació n amplia del sistema estudiado y, posteriormente, reducir
la complejidad de esa primera representació n a sus variables
esenciales, denominadas, variables clave.
194
Método de evaluación multicriterio
De forma aplicada, el aná lisis estructural de sistemas se

puede definir como “un mé todo sistemá tico, en forma matricial, de
aná lisis de las relaciones entre variables constitutivas del sistema
estudiado y la de su entorno explicativo.… este mé todo tiene como
objetivo destacar las principales variables influyentes y
dependientes y, por consiguiente, las variables esenciales para [el
aná lisis de] la evolució n del sistema” (Godet, 2009, pp. 54-55).
Las fases del aná lisis estructural son (1) inventariar las
variables, (2) describir las relaciones entre las variables y (3)
identificar las variables clave (Godet, 1994, 2000 y 2009; Godet y
Durance, 2011). En la primera fase, del inventario de variables, se
elabora un listado de las variables internas y externas que
caracterizan el sistema estudiado y su entorno. Es necesario que
cada variable sea descrita, conceptualizada y detallada en el marco
de la finalidad del aná lisis del sistema. La fase dos, denominada
descripció n de las relaciones entre las variables es precisamente
donde se identifican, analizan, discuten y consensan la forma en que
interactú an las variables del sistema. En la fase final, que se refiere a
la identificació n de las variables clave, se busca llegar a las variables
esenciales para el aná lisis y comprensió n de la evolució n del
sistema.
Existen dos conceptos clave en el aná lisis estructural, que

son motricidad (o influencia) y dependencia. “La motricidad es la
influencia que una variable ejerce sobre las demá s… La dependencia
es la incidencia de las diferentes variables sobre una en particular, es
la subordinació n al impacto de las demá s” (Delgado-Martın
́ ez y
Pantoja-Timará n, 2015, p. 29).
La primera fase del aná lisis estructural consiste en llegar a un

listado de variables que participan en el proceso fıśico, social o
ambiental que se esté estudiando. A esta lista se puede llegar por
diversas formas: trabajo de campo, investigació n bibliográ fica,
consulta a expertos. La segunda fase se realiza con el apoyo de una
“Matriz de aná lisis estructural” (Godet y Durance, 2011), donde tanto
las filas como las columnas enlistan a las variables, de modo que se
ejecuta una evaluació n por pares, preguntá ndose en cada caso si un
cambio en una primera variable (listada en la fila) implicarıá de forma
195
directa que tambié n cambiara una segunda variable (listada en la

columna). Esta pregunta se aplica a cada variable respecto al resto.
Con base en la propuesta de Godet (1994) para el llenado de la matriz
de aná lisis estructural, si la respuesta era afirmativa se coloca el
nú mero uno en la celda correspondiente. En cambio, si la respuesta es
negativa, entonces se califica con cero dicha relació n. El resultado es
una matriz de influencia directa (MID).
Posteriormente se eleva la MID a una potencia para

determinar la matriz de influencia indirecta (MII). La potencia se
determina cuá ndo é sta logra la estabilidad en las jerarquıás tanto de
influencia como de dependencia (Godet, 1994). Las MID y MII se se
integran en una matriz de influencia total (MIT) para complementar
el aná lisis estructural (Manzano, 2017). Para esta integració n,
primero se estandariza la MII al dividir los valores de todas las
celdas por el valor má s alto contenido en ella misma, de forma tal
que se obtiene una matriz con valores que van de cero a uno. Esta
nueva matriz se denomina MIIE (Matriz de Influencia Indirecta
Estandarizada). Posteriormente, se suma la MIIE con la MID, de
modo tal que la MIT indica si una relació n entre variables era directa
(valores cero o uno), indirecta (valores entre cero y uno) o ambas
(valores mayores que uno), al mismo tiempo que el valor de la suma
indica la magnitud de dicha relació n (Figura 1).
Para la identificació n de las variables clave se calculan los

indicadores de influencia y dependencia para la MIT, considerando
que la suma de los valores de una fila, indica el nivel de influencia
total que tiene una variable dentro del sistema, mientras que la
suma de los valores de una columna, señ alan el nivel de dependencia
total de esa variable respecto al sistema (Figura 1).
Figura 1. Ejemplo de variables del sistema evaluadas en una

Matriz de Impacto Total (MIT) y obtenció n del grado de influencia
(sumas horizontales) y dependencia (sumas verticales).
196
Fuente: elaboració n propia.
Figura 2. Ejemplo de grá fica de la relació n influencia-dependencia

de las variables.
Fuente: adaptado a partir de Manzano (2017).
Acorde con Godet (1994), y apoyá ndose en la figura 2, las

variables del cuadrante superior izquierdo se denominan variables
de entrada (alta influencia y baja dependencia), las del cuadrante
superior derecho variables de enlace (influencia y dependencia
altos), las del cuadrante inferior derecho variables de salida (baja
influencia y alta dependencia) y las del cuadrante inferior izquierdo
variables excluidas (influencia y dependencia bajos) Existe una
zona en el grá fico reservada para las denominadas variables del
pelotó n (influencia y dependencia difıćil de determinar).
Una vez categorizadas las variables, se procede a matizar a

las variables clave. Las variables clave son aquellas que permiten
reducir la complejidad del sistema ante un amplio nú mero de
variables involucradas, pero conservando una estructura que
permita analizar la diná mica del mismo. Para Godet (1994) las
variables clave son aquellas que son má s influyentes sobre el
sistema y aquellas que son má s dependientes de la diná mica del
mismo. Por lo tanto, se consideran como variables clave, a aquellas
que se posicionan fuera de la zona de pelotó n y del cuadrante de
variables excluidas al sistema.
197
EVALUACIÓN MULTICRITERIO
De acuerdo con Eastman (2016), la evaluació n multicriterio

(EMC) se refiere al proceso de aplicar una regla de decisió n. Esto es,
“el proceso por el cual criterios son seleccionados y combinados
para llegar a una evaluació n particular, y por el cual varias
evaluaciones son comparadas para actuar en consecuencia”
(Eastman, 2016, p. 78). Con la finalidad de mejorar la toma de
decisiones es fundamental contar con la mayor informació n posible
que ayude a dar el enfoque necesario sobre la decisió n que se desea
tomar. Esta informació n puede incluir una diversidad de criterios
para interpretarla. De esta forma, cuando se evalú an distintos
criterios aplicados a un conjunto de datos o informació n, para
buscar la mejor decisió n posible, entonces se está aplicando una
evaluació n multicriterio.
Las té cnicas de EMC pueden aplicarse a cualquier á mbito

social, econó mico o ambiental donde se desee tomar decisiones a
partir de un conjunto de criterios. Adicionalmente, esta evaluació n
se puede espacializar para aplicarla simultá neamente a distintas
zonas de un territorio. Los SIG facilitan esta tarea, sobre todo desde
el formato de datos matricial o rá ster.
En una EMC simple, el procedimiento inicia con la definició n

de un objetivo, que es la informació n o producto final que deberıá
ayudar a tomar la decisió n. Posteriormente se han de identificar los
criterios que entran en juego para ayudar a evaluar el logro del
objetivo. Estos criterios se han de conocer por consulta de literatura
especializada, consulta a especialistas u observació n en campo del
proceso que origina la expresió n territorial bajo aná lisis.
Los criterios pueden ser factores o limitantes. Los factores

son aquellos que se expresan de forma continua sobre el territorio y
por lo que el criterio para su evaluació n considera esa expresió n
para evaluarla. Los factores se representan en un SIG mediante
capas rá ster asociados a una escala visual continua. En cambio, los
limitantes señ alan claramente restricciones de ocurrencia del
criterio a ser evaluado, del tipo presencia o ausencia y, por
consecuencia, disponibilidad total o nula para su selecció n. Las
198
capas booleanas son las má s propicias para representar en SIG a los
criterios limitantes.
La siguiente etapa es la obtenció n y preparació n de las capas

que representen los criterios identificados y categorizados (segú n
factor o limitante) en el ambiente de SIG. Los principales retos
durante esta etapa se encuentran en conseguir los datos tabulares y
geoespaciales, procesarlos para que representen cada criterio
deseado y, finalmente, ajustarlos a un formato, resolució n y
cobertura territorial comú n.
Como es de esperarse, los criterios contienen temá ticas

diversas, pudiendo ademá s ser de distinto á mbito (social,
econó mico o ambiental), por lo que la mayorıá de las veces las
escalas cuantitativas son distintas entre sı́. En estos casos es
necesario realizar una normalizació n de las escalas. Existen
diversas té cnicas para normalizar los criterios. Como lo señ alan
Gó mez y Barredo (2006), la forma bá sica en SIG es una
normalizació n respecto a los valores mın ́ imos y má ximos en cada
criterio (Ecuació n 1).
Donde:
xei = valor estandarizado en la celda i;
xi = valor original en la celda i;
xmín = valor mıń imo contenido en la capa rá ster;
xmáx = valor má ximo contenido en la capa rá ster.
Otra té cnica disponible en SIG para lograr la normalizació n

es la ló gica difusa. Esta se recomienda cuando no es claro el lım ́ ite
entre categorıás. Un ejemplo de lım ́ ites claros es cuando en una capa
se clasifican los valores de pendiente del terreno segú n su actitud
para un cultivo (alta, media, baja), porque alguna norma establece el
lım
́ ite entre una clase y otra. En cambio, cuando no existe una
referencia para realizar tal clasificació n, por ejemplo, para
identificar el valor exacto de la pendiente a la que ocurre un
deslizamiento de tierra en diferentes porciones del territorio,
entonces só lo se puede establecer que a mayor pendiente mayor
199
probabilidad de que ocurra del deslizamiento de suelo y viceversa.

Este ú ltimo es un ejemplo de lım
́ ite difuso. Segú n el comportamiento
del criterio respecto a proceso bajo aná lisis, se debe elegir un tipo
funció n de pertenencia: sigmoide, en forma de J o lineal, ası ́como la
forma en que é ste ocurre: monotó nicamente creciente, decreciente
o simé trica (Figura 3).
Figura 3. Funciones y formas propias de la normalizació n

por ló gica difusa.
Fuente: elaboració n propia con base en Eastman (2016).
Una vez normalizados todos los criterios, el paso final es

realizar la evaluació n. Esta evaluació n puede ser por una intersecció n
de capas booleanas, lineal ponderada o sumatoria lineal ponderada
ordenada. En el primer caso, prá cticamente se trabaja con limitantes
de forma tal que los sitios ó ptimos se determinan por aquellas celdas
donde se cumplen todos los criterios analizados. En cambio, en la
combinació n lineal ponderada (WLC, por sus siglas en inglé s,
bá sicamente lo que se hace es multiplicar cada criterio de tipo factor
(cada valor de celda) por un peso especıf́ico definido previamente, y
despué s sumar los resultados de dicha multiplicació n aplicada a todos
los factores. La capa resultante de multiplica por las capas de
limitantes (que son capas booleanas) y se obtiene el resultado final de
la evaluació n multicriterio. Finalmente, en el caso de la sumatoria
200
lineal ponderada ordenada (OWA, por sus siglas en inglé s), donde
ademá s del proceso de WLC, considera “pesos 'ordenados' que
controlan có mo se agregan los factores ponderados” (Gó mez y
Barredo, 2006, p. 115).
Respecto a la evaluació n de los factores, hay diferentes

formas de determinar el peso que manifiestan en la diná mica del
proceso bajo aná lisis. La forma má s simple es otorgar el mismo peso
a cada factor. Otra alternativa es el proceso de jerarquıás analıt́icas
de Saaty (vé ase Eastman, 2016; Gó mez y Barredo, 2006 para mayor
detalle sobre este proceso). En el caso de este estudio se propone
aprovechar la evaluació n realizada durante la fase de aná lisis
estructural para determinar los pesos.
De forma especıf́ica, se toma los grados de influencia de cada

variable clave identificada en el aná lisis estructural (por ejemplo, la
suma de los renglones en la MIT de la figura 1) y se re-escalan para
que queden dentro del rango de cero a uno (para ello se divide el
valor de cada variable entre la suma del conjunto de variables). De
esta manera, se considera que el valor obtenido es el peso que tiene
cada variable sobre el resto de componentes del sistema.
APLICACIÓN EN LA CUENCA DEL RÍO NENETZINGO, MÉXICO
Definición del objetivo
Priorizació n de subcuencas necesarias de estrategias de

gestió n sostenible del agua en la cuenca del Rıó Nenetzingo, Estado
de Mé xico.
Identificación de criterios
Para llegar a esta identificació n, se trabajó con las fases del

aná lisis estructural de sistemas. En la primera fase de este aná lisis, y
tras la aplicació n de una serie de entrevistas semiestructuradas a 14
delegados de igual nú mero de localidades dentro de la cuenca del rıo ́
Nenetzingo, se identificaron 49 variables del sistema de gestió n del
agua en la cuenca. Con el apoyo de siete expertos en gestió n
201
integrada de recursos hıd ́ ricos, se realizó la fase de descripció n de

relaciones entre las variables, lo que derivó en una MIT. Ya durante la
fase tres, y con el apoyo de la MIT, se definieron las variables clave del
sistema, resultando en un total de 27 (Manzano, 2017).
Obtención y preparación de las capas que representen los

criterios
Para las 27 variables clave se buscó un indicador o ın

́ dice que
pudiera exponer en una capa de SIG la condició n cualitativa o
cuantitativa de cada variable en las siete subcuencas de la cuenca del
rı́o Nenetzingo (Manzano, 2017). Desafortunadamente, só lo se
pudieron obtener datos tabulares y geoespaciales para calcular 14
indicadores a nivel de subcuenca (Figura 4). Las principales fuentes
de informació n para estos indicadores fueron el Instituto Nacional
de Estadı́stica y Geografı́a, el Consejo Estatal de Població n, la
Secretarıá de Salud, el Servicio Geoló gico de los Estados Unidos de
Amé rica, el Monitor de Sequıás de Norteamé rica y organismos
locales de Protecció n Civil.
Para calcular los indicadores se estructuró una BDG usando

PostgreSQL con PostGIS y TerrSet. Se usó SQL para realizar el
procesamiento de los datos utilizando tanto consultas por atributos
como espaciales (Manzano, 2017). En la figura 4 se aprecian las
capas de SIG resultantes a partir del cá lculo de indicadores.
Normalización
Para esta normalizació n es importante mencionar que se

identificó que la mayorıá de los indicadores utilizados no contaban
con una escala de clasificació n y que, adicionalmente, se deseaba
destacar los sitios prioritarios de atenció n só lo respecto al contexto
de las subcuencas de la cuenca del rıó Nenetzingo. Debido a lo
anterior, se decidió emplear la normalizació n por ló gica difusa. De
forma especı́fica, se utilizó una funció n de pertenencia lineal
(porque la mayorı́a de los indicadores está n expresados en
porcentaje). De los 14 indicadores, ocho manifestaron una forma
monotó nicamente creciente y seis una de tipo monotó nicamente
decreciente. En la figura 5 se expone el resultado de la normalizació n.
202
Figura 4. Capa de SIG con los indicadores que se ocuparon como

criterios para la EMC. Fuente: Manzano (2017).
203
Figura 5. Capas normalizadas a partir de los indicadores que se

ocuparon como criterios para la EMC.
204
Definición de pesos
La tabla 1 presenta los pesos utilizados. El campo Grado de

influencia de la tabla 1 señ ala el nivel de influencia que tiene la
variable sobre el resto de las variables del sistema de gestió n del
agua de la cuenca del rıó Nenetzingo. Hay que recordar que esta
influencia fue el resultado del aná lisis estructural. Por su parte, la
columna de Peso se calculó dividiendo el valor del grado de
influencia de cada indicador por la suma de todos los valores de
influencia de la columna (valor mostrado al final de la columna
Grado de influencia).
Evaluación final
Los criterios combinados con sus pesos se evaluaron

mediante una combinació n lineal ponderada (WLC, por sus siglas en
inglé s). Vale la pena destacar que para este caso no existieron
limitantes (capas booleanas).
205
Resultado final
En la figura 6 se presenta la capa con el resultado final de la

EMC. En este caso la subcuenca cinco es la que demanda mayor
atenció n para implementar estrategias de gestió n sostenible del
agua. Le siguen, en orden de prioridad, las subcuencas uno, seis y
tres. Todas estas subcuencas tienen un valor final por arriba de 0.5.
Las subcuencas dos, cuatro y siete podrıán considerarse como no
prioritarias en una primera instancia, sobre todo porque su valor
final está por debajo de 0.5. Esta capa final expresa de forma
sinté tica la necesidad de atenció n en los temas que valoran los
indicadores, pero ademá s, su importancia relativa por su grado de
influencia en el funcionamiento del sistema de gestió n del agua.
Figura 6. Resultado de la EMC por combinación lineal ponderada

(lo números son identificador de cuenca).
Fuente: elaboración propia.
Como resultado del aná lisis estructural es posible conocer

las variables que má s influyen en el funcionamiento del sistema de
gestió n del agua en la cuenca del rıo ́ Nenetzingo. Gestionar estas
variables puede asegurar un alto impacto positivo en el resto de
variables con las que está n relacionadas, dando como resultado
206
esquemas má s sostenibles de gestió n del agua. El cá lculo de

indicadores permite dar una valoració n cuantitativa a las variables
del sistema. Por lo tanto, es posible conocer cuá les son los
indicadores que demandan atenció n en cada cuenca, pero ademá s,
que tan prioritaria es su atenció n segú n su grado de influencia en el
sistema.
Complementando lo anterior, la EMC ha permitido combinar

todos los indicadores que representan a las variables del sistema
para expresar de forma sinté tica y espacial, la priorizació n de
subcuencas necesarias de estrategias de gestió n sostenible del agua
en la cuenca del Rıo ́ Nenetzingo, Estado de Mé xico. El mapa final
resalta las subcuencas donde se dan de forma integrada los valores
de los indicadores que demandan atenció n, pero a su vez los
pondera segú n el peso que tienen en el funcionamiento del sistema.
De esta forma la EMC apoya en la toma de decisiones al expresar qué
cuencas demandan mayor atenció n en temas que ademá s son
fundamentales en el funcionamiento del sistema de gestió n del
agua.
Finalmente, es importante destacar que para que esta

evaluació n sea aú n má s completa, lo ideal serı́a contar con
indicadores calculados para evaluar las variables del sistema que
quedaron fuera de esta experiencia.
BIBLIOGRAFÍA
Delgado-Martı́nez, Aida Mercedes y Pantoja-Timará n, Freddy

(2015). Análisis estructural para la identificación de variables claves
en la Ruta del Oro, Nariño Colombia. En: DYNA. Journal of the
Facultad de Minas, Universidad Nacional de Colombia - Medellin
Campus. Añ o 82, nú m. 191. Pá gs. 27-33.
Eastman, Ronald J. (2016). TerrSet Geospatial Monitoring and

Modeling System Manual. Clak Labs, Clark University. 395 pp.
Godet, Michael (1994). From anticipation to action. A handbook of

strategic prospective. UNESCO Publishing. France. 283 pp.
207
Godet, Michael (2009). La prospectiva estraté gica para las empresas

y los territorios. Cuaderno del Lipsor. Serie de investigació n No. 10,
abril de 2009. 149 pp.
Godet, Michael y Durance, Philippe (2011). Strategic foresight for

corporate and regional development. UNESCO-DUNOD. Francia.
180 pp.
Gó mez, Monserrat y Barredo, José I. (2006). Sistemas de

Informació n Geográ fica y evaluació n multicriterio en la ordenació n
del territorio. 2ª ed. Alfaomega-Ra-Ma. 279 pp.
Manzano, L. Ricardo (2017). Modelo hidrogeomá tico de indicadores

sisté micos para la gestió n integrada de recursos hıd
́ ricos. Tesis de
posgrado. Centro Interamericano de Recursos del Agua, Facultad de
Ingenierıá. Universidad Autó noma del Estado de Mé xico. 243 pp.
208
9.2 Aplicación para la aptitud forestal del Área

Natural Protegida Parque estatal “El Oso Bueno”,
Municipio de Acambay, Estado de México.
Nancy Sierra López

Francisco Zepeda Mondragón
Marisol de la Cruz Jasso
SÍNTESIS
Hablar de aptitud forestal implica el conocer cuá les son los

sitios geográ ficamente ubicados con mayor posibilidad para
desarrollar el incremento de la cobertura forestal en aquellos
lugares que han sido sobreexplotados por las diversas actividades
que desarrolla el hombre, ası́ como por los diversos dañ os
ocasionados por los procesos naturales, para poder facilitar dicha
evaluació n hoy en dıá el manejo de los procesos estadıśticos a travé s
del mé todo de aná lisis multicriterio apoyados con las herramientas
geotecnologicas han permitido visualizar mediante el uso de
modelos cartográ ficos una aproximació n hacia la realidad de cuá les
son los espacios geográ ficos que cuentan con alguna aptitud y
factibilidad de uso, dichos resultados han sido una poderosa
herramienta para los tomadores de decisiones.
INTRODUCCIÓN
Las Areas Naturales Protegidas constituyen uno de los

instrumentos má s importantes de la polıt́ica ambiental mexicana,
por lo que la identificació n de sitios aptos para el desarrollo de
actividades apropiadas al uso del territorio, en funció n de las
caracterıśticas del lugar y de una serie de criterios fıśicos, sociales,
econó micos, polıt́icos e incluso culturales, permiten clasificar los
suelos como aptos o no aptos para determinado fin.
209
Nancy Sierra López, Francisco Zepeda Mondragón y Marisol de la Cruz Jasso
Las funciones del sector forestal en té rminos bioló gicos,

ambientales, socioeconó micos, recreativos, de protecció n y
restauració n, son elementos suficientes para llevar a cabo la
identificació n de las zonas mayores aptitudes forestales, a fin de
promover en é stas una zonificació n basada en la protecció n y
conservació n de los recursos, la producció n forestal o la
restauració n de ecosistemas forestales.
Esta investigació n tomo como caso de estudio el ANP Parque

Estatal “Oso Bueno”, localizada en los municipios de Acambay y
Aculco del Estado de Mé xico, y tiene como objetivo identificar las
zonas con que cuenten con un grado de aptitud forestal muy alto,
alto, medio y no apto. Los procedimientos metodoló gicos utilizados
se enmarcan en la Evaluació n Multicriterio (EMC) y los Sistemas de
Informació n Geográ fica (SIG).
Análisis del método de evaluación multicriterio
El ordenamiento ambiental considera la asignació n de sitios

aptos para un determinado fin como una de sus prioridades y está en
funció n de las caracterıśticas de un lugar y de una serie de atributos
fıśicos, sociales, culturales, polıt́icos o econó micos que influyen en la
clasificació n de un suelo como apto o no apto. En el caso del sector
forestal, é ste ha adquirido creciente importancia tanto
socioeconó mica como ambiental, e incluye aquellos espacios aptos
para el cultivo y la producció n de especies forestales, los cuales
habrá n de seguir acciones de conservació n, protecció n y/o uso
racional de los mismos.
La evaluació n multicriterio (EMC) es un conjunto de
té cnicas utilizadas en la decisió n multidimensional y los modelos de
evaluació n, dentro del campo de la toma de decisiones (Barredo,
1996), es de gran ayuda para los centros decisores pues permite
describir, evaluar, ordenar, jerarquizar, seleccionar o rechazar
objetos, en base a una evaluació n (expresada por puntuaciones,
valores o intensidades de preferencia) de acuerdo a varios criterios
(Colson y de Bruin, 1989). Los aná lisis multicriterio ofrecen la
oportunidad de obtener un aná lisis equilibrado de todas las facetas
de los problemas desde el punto de vista de la planificació n,
210
particularmente debido a que varios efectos intangibles, como los

sociales y las repercursiones ambientales pueden ser considerados
cabalmente (Nijkamp y Van Delft, 1977).
De acuerdo con diversos autores, un proceso de decisió n

implica, necesariamente, la comparació n entre las alternativas, el
hecho de comparar elementos se traduce en la necesidad de realizar
mediciones que permitan aplicar los criterios de comparació n de
modo de establecer preferencias entre ellos, sin embargo, los
elementos que participan en un proceso de decisió n por lo general
se miden en escalas diferentes (peso, distancia o tiempo) por lo que
se requiere transformar estas unidades en una unidad abstracta que
sea vá lida para todas las escalas.
Los pasos que se siguieron para la realizació n del modelo de

aptitud forestal fueron los siguientes:
1) Definició n del objetivo. Se entiende como funció n
objetivo aquella que satisfaga unas determinadas
aspiraciones del centro decisor dentro de los criterios
previamente establecidos.
2) Definició n de los criterios. Los elementos primarios
para realizar un estudio mediante té cnicas de EMC se
denominan criterios y son considerados como un punto de
referencia para tomar una decisió n. Los criterios se
clasifican a su vez en factores y restricciones, los primeros
son aquellos criterios que permiten definirse a favor de una
alternativa, mientras que las restricciones limitan la
posibilidad de considerar alguna alternativa, excluyé ndola
de forma definitiva.
3) Clasificació n de los factores segú n su grado de
aptitud. En este punto es posible utilizar diversas té cnicas
entre las que destacan la escala de siete puntos, la tasació n
simple, la ordenació n simple, el mé todo de las puntuaciones,
el mé todo de la colocació n en una escala ordinal, el mé todo
de comparació n por pares de criterios y el mé todo Delphi
211
que está basado en la consulta de expertos en un á rea.

(Pineda, 2013)
En este caso de estudio se utilizó la consulta de expertos y
mediante reuniones, consensos o puntos de vista de los
expertos se ponderaron los criterios que, a travé s de su
experiencia, perciben como particularmente importante en
el desarrollo de un proyecto. De esta forma los factores
definidos en el modelo se clasificaron segú n su aptitud en
tres categorıás y se les asignó un valor numé rico: aptitud
alta (1), aptitud media (2) y aptitud baja (3). En cuanto a las
restricciones, é stas asumieron la categorıá de no apto (0).
4) Obtenció n de la primera versió n del modelo de
aptitud. Una vez clasificados los factores (de acuerdo con su
aptitud) e identificadas las restricciones, se aplicó el á lgebra
de mapas para obtener un mapa de aptitud general.
5) Obtenció n del mapa final del modelo de aptitud. Con
los valores obtenidos mediante la té cnica de á lgebra de
mapas, se reclasifican por cuartiles, en cuatro categorıás:
aptitud muy alta, aptitud alta, aptitud media y no apto.
Aptitud forestal en la zona de estudio
El Parque Estatal denominado “El Oso Bueno” se localiza

entre la zona montañ osa de los municipios de Acambay y Aculco del
Estado de Mé xico, cuenta con aproximadamente 15,288 hectá reas,
el tipo de vegetació n que prevalece corresponde al bosque de
encino, pino, mixto de encino-pino, inducido con reforestació n de
cedro y pino, pastizal natural e introducido y matorral xeró filo. En
cuanto a la fauna, se considera que se puede encontrar: tlacuache,
armadillo, ardilla, conejo, liebre, zorra, tejó n, rató n de campo,
comadreja, lechuza, bú ho, gorrió n, zorzal, calandria, gavilá n,
cernıćalo, zopilote, cuervo, zanate, correcaminos, iguana, lagartija,
camaleó n, escorpió n, sapo y vıb
́ ora.
En lo que respecta al municipio de Acambay cuenta con

9,370.38 hectá reas y se localiza en la porció n central y norte,
212
actualmente tambié n conocido como “Parque La Mesita”. Siendo la

cota mın ́ ima de 2680 msnm al norte de la localidad de Tixmadeje
Barrio Dos llegando hasta los 3330 msnm en Cerro Peló n de Nado en
los lım
́ ites con el municipio de Aculco y el Estado de Queré taro
(Figura 1).
Figura 1. Localizació n espacial del Parque Estatal “El Oso Bueno”,

Municipio de Acambay, Estado de Mé xico.
Fuente: Elaboració n propia.
La estimació n de la aptitud forestal para el Parque Estatal

“Oso Bueno” se calculó a partir de los siguientes factores: suelo,
pendiente, uso de suelo, cercanıá a vıás de comunicació n y riesgo de
degradació n por erosió n. En cuanto a las restricciones, fueron
considerados los usos de suelo correspondientes a zona urbana,
cueros de agua, zonas de extracció n de material, suelo desprovisto
de vegetació n y roca. Se delimitaron tambié n los valores o
caracterıśticas ó ptimos para cada variable considerada (Cuadro 1).
213
Cuadro 1. Variables, criterios y restricciones para determinar la

aptitud Forestal
Fuente: Elaboració n propia con base al juicio de expertos.
De acuerdo con los valores ó ptimos obtenidos para cada

variable, se realizó una reclasificació n desde el software ArcMap
10.2.2, asigná ndole un nú mero de acuerdo a su grado de aptitud, en
el caso de la aptitud alta se le asignó el nú mero 1; en el caso de la
aptitud media se le asignó el nú mero 2, en el caso de la aptitud baja
se le asignó el nú mero 3 y en el caso de las restricciones se les asignó
el nú mero cero, como se muestra en las figuras 2 a la 6.
214
Figura 2. Reclasificació n de los Figura 3. Reclasificació n de

valores para la variable los valores para la variable
edafologıá. uso de suelo y vegetació n.
Figura 4. Reclasificació n de los Figura 5. Reclasificació n de los

valores para la variable de valores para la variable cercanıá
pendiente. a vıás de comunicació n.
Figura 6. Reclasificació n de los

valores para la variable riesgo
de degradació n por erosió n.
215
Una vez transformadas las variables en una escala ú nica, se

hizo posible comparar los elementos y establecer ordenes de
prioridad, para llegar a la elaboració n de la primera versió n del
modelo de aptitud forestal, se utilizó el mé todo de algebra de mapas,
se sumaron aptitudes obtenidas en cada variable, para luego
multiplicarla por la restricció n correspondiente obteniendo como
resultado para cada una de las variables una capa de informació n
como se muestra en las figuras 7 a la 11.
Figura 7. Imagen resultante del Figura 8. Imagen resultante del

proceso de reclasificació n de la proceso de reclasificació n de la
capa uso de suelo y vegetació n. capa vıás de comunicació n.
Figura 9. Imagen resultante del Figura 10. Imagen resultante

proceso de reclasificació n de la del proceso de reclasificació n
capa pendientes. de la capa erosió n potencial.
Figura 11. Imagen resultante del proceso de reclasificació n de la

capa edafologıá.
216
Para obtener el mapa final del modelo de aptitud forestal

para el Parque Estatal “Oso Bueno”, se realizó una nueva
clasificació n, mediante cuartiles, obteniendo como resultado que el
97.6% de la superficie del parque presenta una aptitud forestal de
media a muy alta, desglosá ndose de la siguiente manera: 2.8%
presenta una aptitud forestal muy alta, el 85% cuenta con una
aptitud forestal alta y el 9.6% presenta una aptitud media. Resalta
solamente el 2% de la superficie identificada como no apta para
cuestiones forestales como se observa en el Cuadro 2.
Cuadro 2. Resultados de la aptitud forestal del Parque Estatal “El Oso

Bueno”.
Las zonas con aptitud alta y muy alta corresponden a zonas

en donde el uso de suelo es forestal y eso indica que en estas zonas
puede proponer y llevas a cabo programas de reforestació n con
plantaciones idó neas a las zonas, mientras que las zonas con aptitud
no aptas son en aquellas donde se extrae material o bien el suelo se
encuentra en procesos erosivos, sin embargo, la distribució n
espacial de estas á reas las podemos observar en el mapa de la figura
12.
217
Figura 12. Mapa de aptitud forestal del Parque Estatal "El Oso
Bueno", Munipicio de Acambay.
Consideraciones finales
El uso del aná lisis multicriterio como parte de los procesos

estadı́sticos espaciales han permitido fortalecer el uso de las
herramientas geotecnologicas para la implementació n de diversos
modelos cartográ ficos orientados a la toma de decisiones, como se
observa en el presente capitulo en la identificació n de sitios con
mayor aptitud para la actividad forestal.
El aná lisis multicreterio es un mé todo estadı́stico que

permitió ponderar las variables cartográ ficas bajo un enfoque de
aná lisis experto que conjugo las diversas opiniones y puntos de vista
de la importancia de cada una de ellas tomando como consideració n
principal las caracterıśticas de la zona de estudio.
Es importante resaltar que estos datos y opiniones vertidas

por cada uno de los expertos involucrados en el presente estudio se
reflejaron mediante la representació n cartográ fica de la
informació n a travé s de la aplicació n de un modelo cartográ fico que
arrojó como resultado un mapa sın ́ tesis en el cual se visualizan los
sitios con alta, media, baja y no aptos para la actividad forestal. Es
218
importante mencionar que el resultado es una representació n de lo

má s aproximado a la realidad, siendo ası́ los tomadores de
decisiones y los implicados en un proyecto de estas dimensiones los
responsables del uso, interpretació n y aplicació n que se le den al
resultado de los procesos de aná lisis multicriterio.
BIBLIOGRAFIA
Barredo C. 1996. Sistemas de Informació n Geográ fica y Evaluació n

Multicriterio, en la ordenació n del territorio, RA-MA Editorial,
Españ a, 250 pp. ISBN 84-7897-230-7.
Colson, G. y De Bruin, C. 1989. Models and Methods in Multiple

Objective Decision Making. In G. Colson; C. De Bruin (Eds.): Models
and Methods in Multiple Criteria Decision Making. Pergamo,
London.
Nidjkam, P. y Van Delft, A. 1977. Multicriteria Analysis and Regional

Decicion Making. Martinus Nijhoff, Leiden.
Pineda, N., Bosque J., et. al. 2013. “Modelos de simulació n para
localizar zonas adecuadas para repoblaciones forestales mediante
té cnicas de Evaluació n Multicriterio y SIG. El caso del Estado de
Mé xico” en: Monroy. F. (coord..), Estudios geográ ficos con Té cnicas
de Evaluació n Multicriterio. Mé xico, Editores.
219
220
9.3 Método LUCIS (Land Use Conflitc Identification

Strategy): Aplicación a los usos del suelo en
municipio de Luján, Argentina
Gustavo D. Buzai
Claudia A. Baxendale
SÍNTESIS
Este capıt́ulo presenta el mé todo para la identificació n de

potenciales conflictos ante la evolució n espacial de usos del suelo
Land Use Conflict Identification Strategy (LUCIS) (Estrategia de
identificació n de conflictos entre usos del suelo). Desarrolla
sinté ticamente el procedimiento de evaluació n multicriterio y
detalla los pasos para su resolució n. Se aplica al municipio de Lujá n
(Argentina)
INTRODUCCIÓN
El presente capı́ t ulo tiene por objetivo realizar una

introducció n sinté tica a las té cnicas de evaluació n multicriterio
(EMC) aplicadas con SIG y avanzar hacia una metodologıá, que
basada en ellas, permite identificar escenarios de potencial conflicto
espacial ante la evolució n de los usos del suelo en un á rea de estudio.
La estrategia metodoló gica denominada Land Use Conflict

Identification Strategy (LUCIS), formulada por Carr y Zwick (2006,
2007), adquiere su marco conceptual en el racionalismo,
principalmente en cuanto a la consideració n de una realidad
modelada mediante la construcció n de N capas temá ticas como
proceso de diferenciació n y sus combinaciones en la bú squeda de
resultados parciales y un resultado general a travé s de un proceso de
integració n.
221
Los procedimientos metodoló gicos que se detallan a

continuació n constituyen una excelente alternativa para el aná lisis
del espacio geográ fico y la identificació n de estructuras espaciales
que lleven a potenciales conflictos como consecuencia de la
competencia territorial futura de actividades productivas
(primarias, secundarias y terciarias) ante la necesidad de espacio
para la expansió n residencial y á reas de conservació n.
La aplicació n del mé todo ha sido realizada en diferentes

instancias, mostrando excelente aptitud para el aná lisis regional
(Buzai y Baxendale, 2008; Dzendoletas, 2013; Buzai y Principi,
2017). Aquı́ se presenta la aplicació n al municipio de Lujá n
(Argentina) y el resultado obtenido puede ser considerado una
herramienta en apoyo a la toma de decisiones en materia de
ordenamiento territorial.
ANÁLISIS DE EVALUACIÓN MULTICRITERIO
La ló gica del modelado tendiente a la bú squeda de

localizaciones ó ptimas en diversas escalas, en el á mbito de los SIG,
tiene su base inicial en la descomposició n del á rea de estudio en un
nivel vertical formado por diferentes capas temá ticas (layers) que
contienen las variables fundamentales (temas en forma de mapas)
ú tiles para la resolució n de la problemá tica a ser abordada.
Existen variados procedimientos que pueden ser aplicados a

esta estructura de datos espaciales, principalmente incluidos en lo
que se ha denominado modelado cartográ fico que a travé s de
combinaciones realiza un aná lisis de idoneidad para usos del suelo
actuales y futuros (Tomlin, 1990; Eastman, 2000; DeMers, 2002;
Malczewski, 2004; Gó mez Delgado y Barredo Cano, 2006 y Manzano
Solıś, Pineda Jaimes y Gó mez Albores, Capıt́ulo X en este libro) y que
define las reglas de aplicació n para la obtenció n de resultados
mediante procedimientos de superposició n cartográ fica.
El mayor avance en el modelado cartográ fico lo constituyen

las denominadas té cnicas de EMC, las cuales amplı́ a n las
posibilidades de trabajo hacia la obtenció n de resultados como
222
escenarios de posibilidades a futuro, que está n altamente

vinculados a los procedimientos subjetivos necesarios en el
funcionamiento de las metodologıás objetivas.
El aná lisis de EMC comienza con una informació n

compuesta por variables en formato cartográ fico que sirven como
criterios para realizar los procedimientos de evaluació n. Hay dos
tipos de criterios; aquellos que presentan valores continuos de
aptitud locacional en cada variable, llamados factores, y las capas
temá ticas que actú an con la finalidad de confinar los resultados en
un sector delimitado del á rea de estudio, llamados restricciones.
Cabe destacar aquı ́que en la formació n de factores pueden

ser utilizadas las ló gicas de tratamiento difuso, té cnicas fuzzy para la
definició n de lım
́ ites espaciales poco precisos y que segú n algunos
autores como Wilson y Burrough (1999) podrıá ser considerada una
de las nuevas bases para el aná lisis espacial cuantitativo.
Mediante la selecció n de variables, sus tratamientos

tendientes hacia la generació n de factores y restricciones, y la
determinació n de diferentes formas de combinació n nos
encaminamos hacia la bú squeda de resultados. Las formas de
vinculació n se denominan reglas de decisió n y su proceso de
aplicació n evaluació n.
En Buzai y Baxendale (2011) hemos desarrollado

detalladamente estas relaciones junto a la utilizació n del triá ngulo
de decisiones estraté gicas formado por un espacio de relaciones en
el interior de dos ejes ortogonales (eje x: nivel de riesgo, eje y: nivel
de compensació n) y las soluciones posibles entre los mé todos
booleanos y la combinació n lineal ponderada (Pineda, 2018 en este
libro, Figura X).
Tomando como base la ló gica de EMC apoyadas por el uso de

SIG, un modelo de resolució n estandarizada de interesantes
capacidades para la identificació n empıŕica de á reas potenciales de
conflicto entre usos del suelo. Contempla la realizació n de diferentes
pasos como camino de resolució n hacia la obtenció n del mapa con
las á reas de conflicto.
223
Los pasos para la aplicació n del modelo son los siguientes:
1. Definició n de objetivos: Se considera que cada

localizació n puede tener tres posibilidades de ocupació n en cuento
a usos del suelo, dedicadas a actividades urbanas, agrıćolas o de
conservació n. Cada una de ellas tiene como meta la maximizació n de
oportunidades en ciertas lın ́ eas de desarrollo, por ejemplo, el uso
urbano en cuanto a la expansió n residencial, el uso agrıćola para la
expansió n del á rea de cultivos o el uso de conservació n para la
protecció n de la biodiversidad.
2. Creació n de la base de datos espacial: Se realiza generando

una serie de capas temá ticas que contienen informació n relevante y
bá sica para el logro de cada uno de los tres objetivos. Ademá s de los
temas a ser considerados en el aná lisis, en este punto se deben
definir los aspectos té cnicos de la creació n de bases de datos
alfanumé ricas y grá ficas en el marco de la tecnologıá SIG, como la
extensió n del á rea de estudio, sistema de proyecció n y unidad
mın ́ ima de resolució n espacial.
3. Aná lisis de aptitud: Se realiza el aná lisis de cada capa

temá tica del á rea de estudio determinando la aptitud relativa de las
categorıás de cada criterio para cada objetivo. Corresponde a la
creació n de factores para la aplicació n de las té cnicas de EMC.
4. Determinació n de preferencias: Se establece la

importancia de cada factor en la resolució n del objetivo especıf́ico.
Para lograr el resultado se apela al conocimiento teó rico de la
problemá tica o se utiliza una metodologıá para su determinació n.
Nosotros optamos por el mé todo de ponderació n por ranking
recıp
́ roco propuesto por Malczewski (1999) [1]. El resultado
cumple con las siguientes caracterıśticas [2]:
[1] w j = (1 / r j ) /(1 / r j )
224
5. Aplicació n de la regla de decisió n y reclasificació n de

resultados: Se realiza el procedimiento de combinació n lineal
ponderada obtenié ndose un valor ı́ndice sinté tico para cada
localizació n en base a la definició n de factores y los valores de
ponderació n para cada uno de ellos de la siguiente forma:
El resultado parcial brinda a tres mapas de aptitud general

para usos del suelo urbano, agrı́cola o de conservació n. Una
reclasificació n lleva cada valor de aptitud continua a tres categorıás
de la siguiente forma:
El resultado corresponde a tres mapas de aptitud

reclasificada para cada objetivo, en aptitudes alta, media y baja.
6. Identificació n de á reas potenciales de conflicto: La

combinació n de usos conflictivos y no-conflictivos se encuentra en
la combinatoria de las tres categorıás para cada objetivo que puede
representarse a partir de un cubo tridimensional (Figura 1). Al
combinar los tres mapas de aptitud se producen 27 combinaciones
(alto-A, medio-M, bajo-B) por tres mapas de aptitud. Considerando
el Objetivo 1, Objetivo 2 y Objetivo 3, los espacios que generan
conflicto en la asignació n de usos del suelo son los siguientes: BBB,
BMM, BAA, MAA, MMB, MBM, MMM, ABA, AMA, AAB, AAM y AAA.
El resultado corresponde a la obtenció n de tres mapas de

conflictos para cada uno de los objetivos considerados y un mapa
final con la totalidad de doce combinaciones en categorıás de usos
del suelo con potencialidad de conflicto.
225
Figura 1. Cubo LUCIS
APLICACIÓN AL MUNICIPIO DE LUJÁN (ARGENTINA)
El á rea de estudio corresponde al Partido de Lujá n, unidad

polıt́ico-administrativa de tercer orden en la Repú blica Argentina1
con una superficie de 853,20 km2.
La base de datos se encuentra compuesta por una serie de

capas temá tica en formato raster con las siguientes caracterıśticas:
(1) 140x140 localizaciones, (2) 19600 localizaciones de las cuales
6400 corresponden al Partido de Lujá n y 13200 a otros partidos, (3)
cada localizació n tiene 600 metros de lado y una superficie de 36
hectá reas (0,36 km2).
Las capas temá ticas utilizadas son: Countries (nuevas

urbanizaciones), Hidrografıá (rios, arroyos y bañ ados), Paisajes
(regionalizació n), Població n, Relieve, Rutas (nacionales y
provinciales), Suelos y Urbano (aglomeraciones de las ciudades y
principales localidades). Mediante el empleo de una estructura
226
raster inicialmente han sido estandarizadas las té cnicas del

modelado cartográ fico (Tomlin, 1990; DeMers, 2002). Consideradas
cada una de las capas temá ticas como un criterio, han permitido
derivar los distintos factores y restricciones en la aplicació n de la
primera etapa de procedimientos, como evaluación multicriterio4
tendiente a la obtenció n de mapas de aptitud para la acogida de cada
uno de los usos del suelo considerados.
La determinació n de aptitudes corresponde al logro de

objetivos parciales, es en esa instancia donde cada localizació n obtiene
un valor de aptitud para servir como soporte a tres tipos de usos del
suelo: urbano, agrı́cola o conservació n. En este sentido, cada
localizació n encuentra tensió n ante la presió n que le ejerza la expansió n
urbana, la producció n agrıćola o la necesidad de conservació n.
Aptitud urbana
La aptitud de cada localizació n para la expansió n

urbana ha sido calculada a partir de la utilizació n de 5 capas
temá ticas, en las cuales se han aplicado los siguientes
procedimientos para la creació n de factores:
(a) Countries (Categorıás: barrios privados, clubes de

chacra, clubes de campo). Consideració n ú nica de los barrios
privados y cá lculo de distancias, aplicació n de cá lculo fuzzy5
lineal decreciente (255-0 en distancias de 600 a 10000
metros). Reclasificació n de resultados en 9 intervalos de igual
amplitud.
Criterio: Distancia a los barrios privados.
(b) Població n (Categorıás: <4000hab, 4000-8000hab, 8000-

12000hab, 12000-16000hab, >16000). Reclasificació n directa de
cada categorıá en valores 1, 3, 6, 9 y 0 respectivamente (el ú ltimo
valor se produce por corresponder a las localizaciones
completamente urbanas de la ciudad central).
Criterio: Distribució n de la Població n.
227
(c) Relieve (Categorıás: 0-10m, 10-20m, 20-30m, 30-40m,

>40m). Reclasificació n directa de cada categorıá a valores 0, 1, 3, 6, 9
y 9 respectivamente.
Criterio: Altura del terreno.
(d) Rutas (Categorı́as: sin rutas, con rutas). Cá lculo de

distancias, aplicació n de cá lculo fuzzy lineal decreciente (255-0 en
distancias de 600 a 10000 metros). Reclasificació n de resultados en
9 intervalos de igual amplitud.
Criterio: Distancia a las rutas.
(e) Urbano (Categorıás: rural, urbano). Consideració n

ú nica de las aglomeraciones urbanas. Cá lculo de distancias,
aplicació n de cá lculo fuzzy lineal decreciente (255-0 en
distancias de 600 a 10000 metros). Reclasificació n de
resultados en 9 intervalos de igual amplitud.
Criterio: Distancias a á reas urbanas.
El mé todo de ponderació n 6 consideró el siguiente

ordenamiento en la importancia de los factores: rutas (1), countries
(2), població n (2), urbano (2) y relieve (3), brindando como
resultado los valores 0,35; 0,18; 0,18; 0,18 y 0,11 respectivamente.
Como restricciones fueron utilizados el mapa urbano y el de rutas.
El mapa Aptitud Urbana presenta una reclasificació n del

resultado en tres categorıás, base para la combinació n posterior,
ocupando el eje objetivo 1 del cubo que permite la tabulació n
cruzada en tres dimensiones (Figura 2).
228
Figura 3. Municipio de Lujá n. Aptitud Urbana
Aptitud Agrícola
La aptitud de cada localizació n para la expansió n de la

actividad agrıćola ha sido calculada a partir de la utilizació n de 3
capas temá ticas, en las cuales se han aplicado los siguientes
procedimientos para la creació n de factores:
(a) Paisajes (Categorı́as: LOct, CCEc, COat, PDpc, LAcl,

2
Pocp). Reclasificació n directa de cada categorıá a valores 9, 3, 9, 3, 6,
6 y 1 respectivamente.
Criterio: Paisajes.
(b) Relieve (Categorıás: 0-10m, 10-20m, 20-30m, 30-40m,

>40m). Reclasificació n en el siguiente orden: 0, 1, 3, 6, 9 y 9.
Criterio: Altura del terreno
(c) Suelos (Categorı́as: Suelo1-sin limitaciones, Suelo2-

limitació n drenaje, Suelo 3-limitació n drenaje-salinidad-
alcalinidad, Suelo 4-limitació n drenaje-alcalinidad, Suelo 5-
limitació n drenaje-alcalinidad, Suelo 6-limitació n drenaje).
229
Reclasificació n directa de cada categorıá a valores 9, 6, 1, 3, 3 y 6

respectivamente.
Criterio: Limitació n de los suelos.
La aplicació n del mé todo de ponderació n consideró el

siguiente ordenamiento en la importancia de las capas temá ticas:
Relieve (1), Suelos (1), Paisaje (2), brindando como resultado los
valores 0,40; 0,40 y 0,20 respectivamente.
El mapa Aptitud Agrícola presenta una reclasificació n del

resultado en tres categorıás, base para la combinació n posterior,
Figura 4. Municipio de Lujá n. Aptitud Agrıćola
Aptitud para la conservación
La aptitud de cada localizació n para su conservació n ha sido

calculada a partir de la utilizació n de 2 capas temá ticas, de las cuales
se han derivado 3 factores, en las cuales se han aplicado los
siguientes procedimientos para la creació n de factores:
230
(a) Hidrografı́a. (Categorı́as: sin cursos de agua, curso

principal-rıo ́ Lujá n, cursos secundarios-arroyos, bañ ados). Primer
criterio derivado. Discriminació n de cursos fluviales. Aptitud en
base a la distancia (1 localizació n = 600 metros). Reclasificació n
directa en valor 9.
Criterio: Distancia a cursos fluviales.
(b) Hidrografı́a (Categorı́as: sin cursos de agua, curso

principal-rıó Lujá n, cursos secundarios-arroyos, bañ ados). Segundo
criterio derivado. Discriminació n de bañ andos. Cá lculo de
distancias, aplicació n de cá lculo fuzzy lineal decreciente (255-0 en
distancias de 600 a 5000 metros). Reclasificació n de resultados en 9
intervalos de igual amplitud.
Criterio: Distancia a bañ ados.
(c) Paisajes (Categorıás: LOct, CCEc, COat, PDpc, LAcl, Pocp).

Reclasificació n directa de cada categorıá a valores 3, 9, 6, 9, 6, 3 y 1
respectivamente.
La aplicació n del mé todo de ponderació n consideró el

siguiente ordenamiento en la importancia de las capas temá ticas:
Paisajes (1), Hidrografıá-cursos fluviales (2) e Hidrografıá-bañ ados
(3), brindando como resultado los valores 0,55; 0,27 y 0,18
respectivamente.
El mapa Aptitud Conservación presenta una reclasificació n

del resultado en tres categorıás, base para la combinació n posterior,
231
Figura 5. Municipio de Lujá n. Aptitud para la conservació n
Hacia la obtención de mapas con áreas de potencial conflicto
La identificació n de á reas se realiza a travé s de la

combinatoria de categorı́ a s de los mapas presentados
anteriormente como objetivos parciales.
El mapa Aptitud Urbana fue reclasificado en centenas (los valores

pasaron de 1 a 100, de 2 a 200 y de 3 a 300), el mapa Aptitud Agrícola fue
reclasificado en decenas (los valores pasaron de 1 a 10, de 2 a 20 y de 3 a 30) y
el mapa Aptitud Conservación quedó con sus valores originales (1, 2 y 3).
Al sumar las tres capas temá tica de aptitud (con 3 categorıás

cada una: 1-baja, 2-media y 3-alta) se produce una nueva capa temá tica
con un total de 27 combinaciones. A continuació n se presentan estas
combinaciones divididas en aquellas que producen á reas de potencial
conflicto (12 resultados) y aquellas que no (15 resultados)
Las combinaciones de categorıás con potencial conflicto

son: (111) Conflicto urbano-agrı́ c ola-conservació n*, (122)
Conflicto agrı́ c ola –conservació n, (133) Conflicto agrı́ c ola
232
–conservació n, (212) Conflicto urbano-conservació n, (221)

Conflicto urbano- agrı́cola, (222) Conflicto urbano- agrı́cola -
conservació n*, (233) Conflicto agrı́cola –conservació n, (313)
Conflicto urbano-conservació n, (323) Conflicto urbano-
conservació n, (331) Conflicto urbano- agrı́cola, (332) Conflicto
urbano- agrıćola, y (333) Conflicto urbano- agrıćola -conservació n *
El asterisco (*) indica un conflicto mayor, donde existe

similar aptitud en las tres categorıás, y el doble asterisco (**) indica
un conflicto moderado, donde existe similar aptitud en dos
categorıá por sobre la restante.
Las combinaciones de categorıás sin potencial conflicto son:
(112) Localizació n conservació n, (113) Localizació n conservació n,
(121) Localizació n agrıćola, (123) Localizació n conservació n, (131)
Localizació n agrıćola, (132) Localizació n agrıćola, (211) Localizació n
urbana, (213) Localizació n conservació n, (223) Localizació n
conservació n, (231) Localizació n agrı́cola, (232) Localizació n
agrıćola, (311) Localizació n urbana, (312) Localizació n urbana, (321)
Localizació n urbana, y (322) Localizació n urbana.
Los resultados obtenidos para el partido de Lujá n se presentan

en el Cuadro 1 y su agregació n en categorıás gené ricas en el Cuadro 2:
233
Los mapas de la figura 6 presentan la distribució n espacial

de las zonas de potencial conflicto presentadas en el Cuadro 2.
Figura 6. Potenciales conflicto entre usos del suelo (desagregados)
El mapa Combinación de potenciales conflictos presenta la

distribució n espacial de los resultados de manera conjunta en un
ú nico mapa, sın
́ tesis y resultado final de la aplicació n.
234
Figura 7. Potenciales conflictos entre usos del suelo
Las té cnicas de EMC se han convertido en una de las má s

interesantes lın ́ eas de aplicació n de la tecnologıá de los SIG como
herramienta de planificació n territorial.
Basado en ellas, el mé todo LUCIS presenta una serie de

procedimientos que ligan aspectos cuantitativos y cualitativos
tendientes a la identificació n de á reas de potencial conflicto en
cuanto a la expansió n de usos del suelo. El resultado presenta un
escenario para la toma de decisiones en la planificació n regional del
á rea de estudio, su regulació n ambiental o la orientació n del
crecimiento urbano a futuro.
La aplicació n al municipio de Lujá n mostró la aptitud de esta

metodologıá como herramienta de planificació n.
235
Notas
1
Las divisiones polı́tico-administravas son las siguientes: (1)
Primer orden – Paıś, (2) Segundo orden – Provincia, y (3) Tercer
orden – Departamento, llamado Partido, y coincide espacialmente
con el Municipio, en la Provincia de Buenos Aires. Otras divisiones
surgen posteriormente con finalidad estadıśtica: (4) Cuarto orden –
Fracció n Censal, y (5) Quinto orden – Radio Censal.
2
LOct (llanura ondurada con cultivo tradicional), CCEc (cabeceras
de cañ adas y estancias ganaderıá de carne y lechera), COat (campo
ondulado con agricultura tradicional), PDpc (planos deprimidos
con pasturas implantadas y campo natural), LAcl (llanura alta
ondulada cultivo tradicional y ganaderıá no convencional), Pocp
(planicie ondulada cultivos anuales y pasturas implantadas) y U
(Urbano). El detalle de las categorıás consideradas se encuentra en
Morello y Rodrıǵuez (2003).
BIBLIOGRAFÍA
Baxendale, C.A. 2007. Regió n y estudios regionales. Consideraciones

desde los diferentes enfoques de la Geografıá. Fronteras. 6(6):29-36.
Burrough, P.A.; McDonnell, R.A. 1998. Principles of Geographical

Information Systems. Oxford University Press. Oxford.
Buzai, G.D.; Baxendale, C.A. 2007. Areas de potencial conflicto entre

usos del suelo: identificació n mediante el uso de Sistemas de
Informació n Geográ fica (Primera parte: descripció n metodoló gica).
Fronteras. 6(6):45-49.
Buzai, G.D.; Baxendale, C.A. 2008. Areas de potencial conflicto entre

usos del suelo: identificació n mediante el uso de Sistemas de
Informació n Geográ fica (Segunda parte: Aplicació n). Fronteras.
7(7):33-39.
Buzai, G.D.; Baxendale, C.A. 2011. Análisis Socioespacial con Sistemas de

Información Geográfica. Lugar Editorial. Buenos Aires. (2da. Edició n).
236
Buzai, G.D.; Principi, N. 2017. Identificació n de á reas de potencial

conflicto entre usos del suelo en la cuenca del rıo ́ Lujá n, Argentina.
Revista Geográfica de América Central. 59:91-124.
Carr, M.H.; Zwick, P. 2006. Using GIS suitability analysis to identify

potential future land use conflicts in north central Florida. Journal of
Conservation Planning. 1(1):89-105.
Carr, M.H.; Zwick, P. 2007. Smart Land-Use Planning. Esri Press. Redlands.
DeMers, M. 2002. GIS Modeling in Raster. John Wiley. New York.
Dzendoletas, M.A. 2013. Determinació n y aná lisis de á reas de

potencial conflicto entre usos del suelo en el ejido municipal de San
Carlos de Bariloche, Rio Negro, Patagonia, Argentina utilizando la
tecnologıá de los Sistemas de Informació n Geográ fica. Memoria XIV
Conferencia Iberoamericana de Sistemas de Información Geográfica.
UNAH. Tegucigalpa.
Eastman, J.R. 2000. Decision Strategies in GIS. Directions Magazine.
Gó mez Delgado, M.; Barredo Cano, I. 2006. Sistemas de Información

Geográfica y evaluación multicriterio en la ordenación del territorio.
Alfaomega-Ra-Ma. Mé xico DF.
Jankowski, P.; Nyerges, T. 2001. GIS-Supported Collaborative

Decision Making: Results of an Experiment. Annals of the Association
of American Geographers. 91(1):48-70.
Malczewski, J. 1999. GIS and multicriteria decisión analysis. John

Wiley & Sons. New York.
Malczewski, J. 2004. GIS-based land use suitability: A critical

overview. Progress in Planning. 62(1):3-65.
Morello, J.; Rodrı́guez, A. 2003. Estructura y diná mica fı́sico

ambiental del espacio rural: Partido de Lujá n. Fronteras. 2(2):33-34.
Tomlin, C.D. 1990. Geographic Information Systems and

Cartographic Modeling. Englewood Cliffs, Prentice Hall. New Jersey.
237
Wilson, J.P.; Burrough, P.A. 1999. Dynamic Modeling, Geostatistics,

and Fuzzy Classification: New Sneakers for a New Geography?
Annals of the Association of American Geographers. 89(4):736-746.
238
Capítulo 10
MÉTODO DE INTERPOLACIÓN
Aplicación para el análisis espacio temporal de la contaminación

del aire en la Zona Metropolitana de la Ciudad de Toluca
Jesús Gastón Gutiérrez Cedillo

Julio César Hernández Romero
Roberto Franco Plata
SÍNTESIS
El presente capítulo tiene por objetivo la reflexión sobre el

método aplicado para el análisis espacio temporal de la
contaminación del aire, lo que permite identificar temporalmente
los periodos estacionales y anuales, en los que los contaminantes
atmosféricos presentan valores más altos y espacialmente las áreas
con mayores niveles de contaminación.
INTRODUCCIÓN
La metodología aplicada se conforma de las siguientes etapas:

1) la etapa de obtención de la información se abordó a partir de los datos
registrados en las siete estaciones de la Red Automática de Monitoreo
Atmosférico de la Ciudad de Toluca (RAMA Toluca); 2) se seleccionó la
información de siete años (2011-2017), para cinco contaminantes del
aire; 3) los datos fueron codificados y analizados estadísticamente
mediante el programa Excel versión 2013, lo que permitió obtener las
medias mensuales, estacionales (verano e invierno) y anuales; para toda
la zona y para cada estación de monitoreo; 4) el análisis espacial y su
representación mediante cartografía automatizada se elaboró en SIG
Arc Gis versión 10.2, lo que permitió obtener mapas sobre la
distribución espacial de los cinco contaminantes en el área de influencia
de las siete estaciones de la RAMA Toluca.
239
Jesús Gastón Gutiérrez Cedillo, Julio César Hernández Romero y Roberto Franco Plata
La estrategia metodológica adquiere su marco conceptual en

el racionalismo, principalmente en cuanto a la consideración de una
realidad modelada mediante la construcción de N capas temáticas
como proceso de diferenciación y sus combinaciones en la búsqueda
de resultados parciales y un resultado general a través de un proceso
de integración.
Los procedimientos metodológicos que se detallan a

continuación constituyen una alternativa para el análisis del espacio
geográfico y la identificación de tendencias espaciales y temporales
de la distribución de la contaminación del aire en zonas urbanas, lo
que genera potenciales conflictos derivados de la ocupación
territorial propia de los procesos y actividades en las ciudades
La aplicación del método ha sido realizada en diferentes

instancias, mostrando excelente aptitud para el análisis territorial
(Romero et al., 2010a; Romero et al., 2010b; Fuentes y Smith, 2010;
Smith y Romero, 2016; Romero y Opazo, 2011). Aquí se presenta la
aplicación a la Zona Metropolitana de la Ciudad de Toluca, durante
los años 2011 al 2017; y el resultado obtenido puede ser
considerado una herramienta en apoyo a la toma de decisiones en
materia de ordenamiento territorial.
MÉTODO PARA EL ANÁLISIS ESPACIO TEMPORAL DE LA

CONTAMINACIÓN DEL AIRE
Los pasos para la aplicación del método son:
1) La etapa de obtención de la información se abordó a partir

de los datos registrados en las siete estaciones de la Red Automática
de Monitoreo Atmosférico de la Ciudad de Toluca (RAMA Toluca).
Las estaciones de la RAMA han sido distribuidas espacialmente en
tres zonas: en la zona norte se encuentran las estaciones San
Cristóbal Huichochitlán y Aeropuerto; en la zona centro las
estaciones activas son Toluca Centro y Oxtotitlán; en la zona sur
funcionan las estaciones Metepec, Ceboruco y San Mateo Atenco.
240
Método de interpolación
2) Se seleccionó la información de siete años (2011-2017),

para cinco contaminantes del aire: monóxido de carbono (CO2),
dióxido de nitrógeno (NO2), ozono (O3), partículas menores a 2.5
micras (PM2.5) y partículas menores a 10 micras (PM10M). Los
datos fueron codificados y analizados estadísticamente mediante el
programa Excel versión 2013, lo que permitió obtener las medias
mensuales, estacionales (verano e invierno) y anuales; para toda la
zona y para cada estación de monitoreo. En este estudio se
presentan los resultados para el monóxido de carbono.
Al representar gráficamente los promedios anuales del

contaminante a lo largo de los siete años, es posible observar las
tendencias de concentración del contaminante a lo largo de los siete
años (figura 1). Al representar gráficamente las medias mensuales
de los meses de diciembre, enero y febrero, contrastadas con los
meses de junio, julio y agosto, para cada estación de monitoreo es
posible observar las diferencias en las concentraciones del entre las
estaciones de invierno y verano en las diferentes zonas de la zona
metropolitana; y la evolución de las diferencias entre el verano y el
invierno del contaminante a lo largo de los años (figuras 2 y 3). En la
figura 4 se muestra un análisis comparativo entre los años 2011 y
2017 de la concentración del contaminante para cada estación de
monitoreo; lo que permite observar las diferencias observadas
espacialmente entre el inicio y el final del periodo estudiado.
3) El análisis espacial y su representación mediante

cartografía automatizada se elaboró en SIG Arc Gis versión 10.2, lo
que permitió obtener mapas sobre la distribución espacial del
contaminante en el área de influencia de las siete estaciones de la
RAMA Toluca (figuras 5, 6, 7 y 8).
La representación cartográfica se realizó a través del

software CAD Surfer versión 10, este programa permitió interpolar
isolíneas que muestran la distribución y tendencia del
concentración del contaminante. Inició con la ubicación las
coordenadas UTM de las estaciones de monitoreo en el mapa base
previamente georeferenciado, seguido de la captura en la base de
datos de Excel, se tomaron coordenadas X y Y, se ingresó un valor Z
de promedios mensuales, se procesaron los valores en Surfer,
241
aplicando el worksheet, con un nombre de archivo se hizo un “grid” a

través de “data” que mediante “map” realizó el “contour map” lo que
dió como resultado la interpolación de las isolíneas; así se generó la
representación en el mapa base; mediante sobreposición se
obtuvieron los mapas de distribución de contaminantes mediante la
representación de isolíneas. En las figuras 5 y 6 se presenta la
distribución espacial de Monóxido de Carbono (CO) en la ZMCT, en
las estaciones de verano e invierno 2011.
La interpolación de acuerdo al software Surfer, generó una

imagen raster a partir de datos de concentración estacional de
contaminantes: invierno (diciembre, enero y febrero) y verano
(junio, julio y agosto); usando el método de Kriging se agregó una
tabla dirigida al menú Grid (cuadrícula) > Data (datos), se seleccionó
y abrió la tabla que posee obligatoriamente campos con
coordenadas planas XY, para Z y demás campos acorde a los
requerimientos del estudio, en este caso se usó un campo que
incluye los valores de contaminantes atmosféricos.
La sección Data Columms (columna de datos) permite

seleccionar los campos de las coordenadas planas XY, en Z el campo
a interpolar. La sección Grid Line Geometry (geometría de línea de
rejilla) permitió definir la extensión espacial asignando los valores
mínimos y máximos de los ejes XY; en Spacing (espaciamiento) se
estableció el tamaño de celda.
APLICACIÓN A LA ZONA METROPOLITANA DE LA CIUDAD DE TOLUCA
Comportamiento de la temperatura atmosférica y la

precipitación en la zona de estudio.
El tipo de clima que predomina en la Zona Metropolitana de
la Ciudad de Toluca, pertenece al grupo de los climas templados y
corresponde al C (w2) (w)b (i)g además de climas semifrío y frio.
Abarca una porción de la zona que es relativamente plana en la
cuenca del curso del Rio Lerma, (Morales, 2002).
242
Temperatura
Las temperaturas de invierno (diciembre, enero y febrero)

fluctúan entre los 3 °C y los 11°C en lo que respecta a la ciudad de
Toluca y zona metropolitana, en verano (junio, julio y agosto)
predominan entre 5 °C y 18 °C (García 1981). La distribución de la
temperatura de invierno y verano en isotermas con valores de 10 °C y
11 °C, la más baja se encamina hacia el centro de la ciudad y suroeste
de la misma, sobre todo en las partes altas donde se hallan elevaciones
relativamente altas. En esta misma área donde la temperatura media
de verano configura las isotermas 14 °C y 15 °C, en zonas bajas de la
ciudad de Toluca, es decir en la menor altitud y la temperatura de
menor promedio se manifiesta en la dirección suroeste perfilando
hacia el Nevado de Toluca. La temperatura es mayor en el centro de la
ciudad que en los alrededores, donde se observan construcciones
edificadas de cemento y pavimento en las calles. Lo cual hace patente
el incremento de calor en áreas con mayor infraestructura se traslade
a las áreas rurales y semiagricolas amplias, sin conglomerado de
construcciones. Puesto que el calor almacenado del día lo dispersa el
área urbana en la noche. Además de la energía calórica por vehículos e
industria cercana. La temperatura media se denomina por el mes más
caluroso y el mes más frio o bien por la diferencia entre el día más frio y
el día más caluroso del año, de una serie de años (media máximas,
medias mínimas), variado por la latitud y altitud, según la localización
de las estaciones.
Las temperaturas máximas que ocurren entre el mes de

marzo y el mes de mayo, se debe al aparente movimiento del sol
hacia el cenit de esta latitud (19´ 172”). Pero también la escasa
humedad relativa y el déficit de nubosidad permiten el libre paso de
la radiación solar en la superficie terrestre. Las temperaturas
máximas del día de verano están entre las 14 y 16 horas, lo que
conduce a la formación de fenómenos convectivos aceleradores que
dispersan los gases al ascender a partes altas de la atmósfera, ya que
a partir de las 17 horas desciende la temperatura y por tanto los
gases al volverse fríos y pesados suelen sedimentarse a varios
kilómetros de su lugar de origen.
243
Cabe aclarar que las temperaturas de invierno descienden

por las tardes, pero por las mañanas no escapa el calor a la atmósfera
tan fácilmente. Siendo retenida por átomos de los contaminantes de
los contaminantes suspendidos en la atmósfera cerca del piso, hasta
300 u 800 metros de altura, en esta temporada del año incrementa
en el día, pero baja por la noche o madrugada al irradiarse el calor
del suelo, que se pierde con facilidad del pavimento. El descenso de
la temperatura en invierno no solo se debe a los vientos del norte, es
decir, masas de aire polar frío que se desplazan de la alta presión del
norte frío y seco provenientes del sur de Canadá hacia el mar de las
Antillas, formándose los llamados “nortes” en el Golfo de México y
las llamadas “ondas frías” en la porción norte del país, ingresadas
por la costa y repercuten hacia el centro del país, respecto a
información del servicio Meteorológico Nacional proporcionada por
la Red Automática de Monitoreo Atmosférico de la Ciudad de Toluca,
para sus informes periódicos.
El comportamiento de la temperatura de los meses de un año

determinado involucra ciclos térmicos de las 4 estaciones del año,
siendo evidentes los meses de marzo, abril y mayo para primavera
junio, julio y agosto de verano; septiembre, octubre y noviembre de
otoño; diciembre, enero y febrero de invierno. Hay un claro contraste
entre invierno y verano pues las estaciones de primavera y otoño son
imparciales en cuanto a fenómenos atmosféricos extraordinarios,
típicos de invierno por las bajas temperaturas, y en verano son
programadas, manteniendo un balance térmico junto con la humedad.
Además en verano aumenta la temperatura de los días, ya que el sol se
vislumbra en el horizonte, pues los días son más largos y las noches
más cortas. Observando que la máxima se presenta hasta las 18 horas,
debido a la intensa radiación emitida del sol a lo largo del día.
Referente a la temperatura media de meses se determina la
temperatura de un año en general, para indicar sí la temperatura
mantiene el nivel continuo de los demás años o tiende a incrementarse
o disminuir, en ocasiones la disminución se debe a movimientos
inéditos de la rotación de la Tierra, y cuando la temperatura se
incrementa es porque el sol aumento su actividad lo cual repercute en
la superficie de la tierra con los otros fenómenos más complejos
(fenómeno del niño).
244
Precipitación
En invierno las precipitaciones son escasas o nulas que

permiten poca renovación de la atmósfera, elevando los valores de
los contaminantes. Representando menos de 10% en relación con el
valor medio anual, las isoyetas que oscilan entre los 20 mm y 40 mm;
son lluvias típicas de los frentes fríos que llegan del norte en esta
época, se incrementa hacia el suroeste en los suburbios de la ciudad
de Toluca. En invierno, los sistemas más importantes son el
desplazamiento de frentes fríos y masas de aire polar, sin embargo,
por su altitud en la Zona Metropolitana de la Ciudad de Toluca es
afectada únicamente cuando estos fenómenos son intensos y la
velocidad de la masa del aire frío es suficiente para rebasar la sierra
madre oriental, así mismo, en esta época cuando se presentan con
mayor frecuencia sistemas atmosféricos que provocan condiciones
desfavorables para la dispersión de contaminantes y que son
denominados sistemas anticiclónicos, localizados principalmente
en los niveles medios y superiores de la troposfera.
Las precipitaciones medias de verano se distribuyen en el

Valle de Toluca, con medidas que fluctúan entre 140 mm y 200 mm,
valores altos están sobre las principales elevaciones orográficas y
valores bajos se configuran en la porción baja y norte de la ciudad.
Durante la época de verano, el paso constante de ondas tropicales y la
aproximación de ciclones tropicales son comunes, tales sistemas
meteorológicos contribuyen con su intensidad, en nublados y lluvias
abundantes sobre la zona. En la segunda quincena de mayo se
presentan las primeras precipitaciones las cuales se originan por
procesos de altas presiones, ya que en verano es cuando los rayos
solares caen directamente en el continente, es decir, el sol se encuentra
en el cenit, produciendo en los continentes enormes centros de
elevada temperatura y, por lo tanto, baja presión atmosférica y sobre
los mares, Océano Pacífico y el Golfo de México se encuentran centros
de alta presión oceánica, hacia centros de baja presión del continente y
por consiguiente, son vientos húmedos, llevando con ellos humedad lo
que da origen a las nubes y a las lluvias posteriores.
Los fenómenos convectivos y los vientos que afectan al

periodo de lluvias tienen un gran dinamismo, pero no tienen la
245
capacidad total de limpiar la atmósfera contaminada (invierno). Son

embargo, en el momento que comienza las precipitaciones las
sustancias tóxicas se adhieren al vapor de agua y caen con el agua. As,
las lluvias representan el agente más eficaz para limpiar el aire sucio.
La humedad relativa está dada por el vapor de agua contenida en la
atmósfera concentrando la mayor proporción y con ello la
precipitación, habiendo un claro contraste en las estaciones de
invierno y verano particularmente en el comportamiento horario,
siendo que son días indeterminados para ejemplificar los
porcentajes que se registran en la distintas horas, en similitud se
parecía que la mayor concentración se presenta a partir de las 5
horas y descender en horas posteriores al medio día. La semejanza
del porcentaje de invierno es porque cerca del suelo la humedad y la
neblina, están presentes junto con la bruma de forma estable en
horas de la mañana, esfumándose en el transcurso del día y llegando
a un mínimo después de las 14 horas. La humedad relativa aumenta
gradualmente hacia las áreas adyacentes, favoreciendo la
intensificación de contrastes térmicos ciudad/campo.
Los promedios anuales de la concentración de los

contaminantes atmosféricos (ppm) en la ZMCT de 2011 a 2017; los
promedios mensuales de la concentración de los contaminantes
atmosféricos (ppm) en la ZMCT por estación de monitoreo y estación
del año para el verano y el invierno de los años 2011 y 2017; y los
promedios anuales (ppm) de la concentración de los contaminantes
atmosféricos en la ZMCT, por estación de monitoreo en los años 2011
y 2017; así como las tendencias espaciales de distribución de los
contaminantes para el invierno y el verano, se obtuvieron para cinco
contaminantes del aire: dióxido de carbono (CO2), dióxido de
nitrógeno (NO2), ozono (O3), partículas menores a 2.5 micras (PM2.5)
y partículas menores a 10 micras (PM10M). En este trabajo se
muestran sólo los resultados para el dióxido de carbono:
1. Promedios anuales de la concentración de los contaminantes

atmosféricos (ppm) en la ZMCT de 2011 a 2017
En la figura 1 se observa el promedio anual (ppm) de la

concentración de monóxido de carbono en aire en la ZMCT en el periodo
246
2011-2017; es evidente que en los años de 2013 a 2015, la concentración

aumentó, disminuyó en 2016, para volver a incrementarse en 2017. El año
que presenta los mayores valores fue 2015.
Figura 1. Gráfica de la concentración de Monóxido de carbono en

la ZMCT 2011 a 2017
(Promedio anual ppm)
Fuente: Elaboración propia
2. Promedios mensuales de la concentración de los

contaminantes atmosféricos (ppm) en la ZMCT por estación de
monitoreo y estación del año para el verano y el invierno de los
años 2011 y 2017
En las figuras 2 y 3 se observa el promedio anual (ppm) de la

concentración de monóxido de carbono en la ZMCT en los años 2011
y 2017; en las estaciones del año de verano e invierno, es evidente
que en todas las estaciones de monitoreo y en ambos años, la
concentración del contaminante es mayor en los meses de invierno
que en el verano. En 2011 la mayor diferencia se observa en las
estaciones de monitoreo Centro, Oxtotitlán, Metepec, Ceboruco y
San Cristóbal: y es menor esta diferencia en las estaciones San Mateo
Atenco y Aeropuerto. En 2017 se observan claras diferencias entre el
verano y el invierno en las estaciones Centro, Oxtotitlán, Ceboruco y
San Mateo Atenco; y las menores diferencias se observan en las
estaciones Metepec y San Cristóbal. En general los valores del
dióxido de carbono en ambas estaciones del año es menor en 2017
que en 2011.
247
Figura 2. Gráfica de la concentración de Monóxido de carbono

(CO) en la ZMCT por estación de monitoreo y estación del año
(Verano e invierno de 2011) (ppm)
Figura 3. Gráfica de la concentración de Monóxido de carbono

(CO) en la ZMCT por estación de monitoreo y estación del año
(Verano e invierno de 2017) (ppm)
3. Promedio anual (ppm) de la concentración de los

contaminantes atmosféricos en la ZMCT, por estación de
monitoreo en los años 2011 y 2017.
Los promedios anuales de la concentración de monóxido de

carbono en la ZMCT por estación de monitoreo para los años 2011 y
2017, muestran valores mayores para las estaciones de monitoreo
Metepec, Ceboruco y San Cristóbal en el año 2011; mientras que
para las estaciones San Mateo Atenco, Oxtotitlán y Centro se
observan mayores valores del contaminante para el año 2017.Es
notorio que la estación aeropuerto presentó en 2011 la mayor
248
concentración del contaminante que las otras estaciones de

monitoreo, pero no se cuenta con datos para el año 2017.
Figura 4. Gráfica de la concentración de Monóxido de carbono en la

ZMCT 2011 y 2017, por estación de monitoreo (Promedio anual ppm)
4. Distribución espacial de los contaminantes atmosféricos en

la ZMCT, en los años 2011 y 2017
Las figuras 5 y 6 muestran la distribución espacial del de monóxido

de carbono (CO) en la ZMCT, en la estación de invierno de los años 2011 y
2017. En el año 2011 se observa que el contaminante se concentró al noreste
de la ZMCT, en el área de influencia de la estación Aeropuerto y al suroeste
alrededor de la estación Metepec. En el invierno de 2017 el contaminante se
concentró al oeste, al poniente de la estación Oxtotitlán.
Figura 5. Mapa de la distribución espacial de Monóxido de carbono

(CO) en la ZMCT, en la estación de invierno 2011.
249
Figura 6. Mapa de la distribución espacial de Monóxido de

Carbono (CO) en la ZMCT, en la estación de invierno 2017
Figura 7. Mapa de la distribución espacial de Monóxido de carbono

(CO) en la ZMCT, en la estación de verano 2011
250
Figura 8. Mapa de la distribución espacial de Monóxido de

Carbono (CO) en la ZMCT, en la estación de verano 2017
Las figuras 7 y 8 muestran la distribución espacial del

monóxido de carbono (CO) en la ZMCT, en la estación de verano de
los años 2011 y 2017. Se observa que en el verano de 2011 el
contaminante se concentró al noroeste de la ZMCT, en el área de
influencia de la estación Aeropuerto. En el verano del año 2017 la
mayor concentración del contaminante se ubicó al noroeste de la
ZMCT, alrededor de la estación San Cristóbal Huichochitlán.
La metodología aplicada permitió obtener las medias

mensuales, estacionales (verano e invierno) y anuales; para toda la
zona y para cada estación de monitoreo; el análisis espacial y su
representación mediante cartografía automatizada permitió
obtener mapas sobre la distribución espacial de los contaminantes
en el área de influencia de las siete estaciones de la RAMA Toluca.
251
BIBLIOGRAFIA
Dalmasso, A.; Candia, R.; Llera, J. 1997. La vegetación como

indicadora de la contaminación por polvo atmosférico Multequina,
núm. 6, pp. 85-91 Instituto Argentino de Investigaciones de las
Zonas Áridas Mendoza, Argentina.
Fuentes R H C, Smith P. 2010. Ecología política de los riesgos

naturales y de la contaminación ambiental en Santiago de Chile:
necesidad de justicia ambiental, Revista Electrónica de Geografía y
Ciencias Sociales, Universidad de Barcelona.
Londoño, J. Correa, Mauricio A. Palacio, Carlos A. 2011. Estimación

de las emisiones de contaminantes atmosféricos provenientes de
fuentes móviles en el área urbana de envigado, Colombia Revista
EIA, núm. 16, diciembre, 2011, pp. 149-162 Escuela de Ingeniería de
Antioquia Envigado, Colombia.
López Yáñez, Itzamá; Yáñez Márquez, Cornelio; Camacho Nieto,

Oscar; Argüelles Cruz, Amadeo José. 2011. Predicción de la
concentración de contaminantes atmosféricos basada en un
clasificador asociativo de patrones Revista Facultad de Ingeniería
Universidad de Antioquia, núm. 60, septiembre, pp. 20-30
Universidad de Antioquia Medellín, Colombia.
Romero H, Irarrázaval F, Opazo D, Salgado M, Smith P. 2010. Climas

urbanos y contaminación atmosférica en Santiago de Chile, EURE,
vol. 36, núm. 109, diciembre, pp. 35-62 Pontificia Universidad
Católica de Chile Santiago, Chile.
Romero H, Opazo D. 2011. Ecología política de los espacios urbanos

metropolitanos: geografía de la injusticia ambiental, Revista
Geográfica de América Central, vol. 2, julio-diciembre, pp. 1-15
Universidad Nacional Heredia, Costa Rica.
Romero H, Salgado M, Smith P. 2010. Cambios climáticos y climas

urbanos, Revista INVI, vol. 25, núm. 70, noviembre, 2010, pp. 151-
179 Universidad de Chile Santiago, Chile.
252
Smith P, Romero H. 2016. Factores explicativos de la distribución

espacial de la temperatura del aire de verano en Santiago de Chile,
Revista de Geografía Norte Grande, núm. 63, mayo, pp. 45-61
Pontificia Universidad Católica de Chile Santiago, Chile.
Zhaowu Y, Xieying G, Yuxi Z, Motoya K, Henrik V. 2017. Variaciones en

la temperatura de la superficie terrestre y la eficiencia de
enfriamiento del espacio verde en la urbanización rápida: el caso de
la ciudad de Fuzhou, China, Urban Forestry & Urban Greening,
Elservier, Sojo University, Kumamoto 860-0082, Japón.
253
254
Capítulo 11
METODO DE REGRESION
11.1. REGRESIÓN LOGÍSTICA MÚLTIPLE: aplicaciones para la
tendencia del crecimiento urbano en el municipio de Nicolás
Romero, Estado de México.
Francisco Zepeda Mondragón

Marisol de la Cruz Jasso
Cristina Estrada Velázquez
SÍNTESIS
El ritmo de crecimiento de la población urbana depende del

aumento natural de la población y de nuevos habitantes que llegan a
estos espacios geográficos, por dos razones principales; la primera
se refiere a la migración del campo a las ciudades y la segunda a la
reclasificación de los asentamientos rurales en ciudades, por
consiguiente, para entender dicho proceso se emplea la regresión
logística múltiple y obtener la tendencia del crecimiento urbano en
el Municipio de Nicolás Romero.
INTRODUCCIÓN
El presente capítulo tiene por objetivo analizar el uso de la

regresión logística múltiple, el cual se considera un método que
permite evaluar la relación entre variables para facilitar la
comprensión del crecimiento urbano en el Municipio de Nicolás
Romero, Estado de México.
La parte metodológica contempla los modelos de regresión
logística múltiple, que permiten evaluar y conocer la relación entre
una variable cualitativa o cuantitativa. Sirve para representar
probabilidades de ocurrencia de un evento, como función de una
serie de variables predictoras. Por último, ayuda a representar una
255
Francisco Zepeda Mondragón, Marisol de la Cruz Jasso y Cristina EstradaVelázquez
variable asociada a un fenómeno, que dependa de un conjunto de

variables predictoras, cuyo comportamiento sea aproximadamente
lineal, dentro de un cierto rango de los predictores, y tiendan a
mantenerse constantes fuera de él.
Un aspecto importante a considerar en el modelo es la
determinación de las variables dependientes e independientes que
se utilizaran, para eso hay que tener en cuenta que un mayor número
de variables en el modelo implicará mayor error estándar y deben
incluirse todas aquellas variables que se consideren importantes
para el modelo. Las variables a utilizar para este caso de estudio son:
vías de comunicación, tasa de crecimiento, uso agrícola y
asentamientos humanos.
REGRESIÓN LOGÍSTICA MÚLTIPLE
Es una herramienta estadística, con un uso importante

desde la desde la década de los años 80´s, debido a las facilidades
computacionales con que se contaba desde entonces, utilizado en
los campos de las ciencias sociales y médicas, es un método
estadístico que sirve para pronosticar, y modelar la probabilidad de
un evento derivado de otros factores. Aguilera (2006), usa este
método para determinar el grado de correlación existente entre las
variables empleadas para determinar el crecimiento urbano en el
área Metropolitana de Granada, España, a través de herramientas
SIG, también ha sido utilizado por López et al., (2001) para el caso de
la ciudad de Morelia.
Los modelos de regresión logística pretenden conocer la
relación entre una variable cualitativa con más de dos variables,
conocida como regresión logística multivariable, o bien, la relación
entre una variable dependiente cualitativa, dicotómica (conocida
como binomial o regresión logística binaria), ya sean variables
cualitativas o cuantitativas.
El método de análisis de regresión es una técnica estadística
que permite examinar las relaciones funcionales entre variables.
Existen distintos tipos de análisis de regresión que varían en función
del número y la naturaleza de las variables involucradas y de la
fórmula matemática capaz de describir la relación que las vincula
Aguilera (2006).
256
Método de regresión
En la literatura especializada, se plantean dos tipos del

modelo de regresión logística:
● Regresión probit: la transformación probit (de probabilidad y
unit) utiliza una distribución normal de probabilidad acumulada
para estimar la probabilidad del suceso de interés dados los valores
del vector de características.
● Regresión logística ordinal: donde la variable categórica no es
nominal sino ordinal, es decir, las categorías poseen un orden
natural, y se basa en una transformación logit acumuladas.
La ecuación de partida en los modelos de regresión logística es la

siguiente:
Ecuación 1
Donde:
P(y=1|X) la probabilidad de que y tome el valor 1 (presencia de la
característica estudiada), en presencia de las covariables X (aquí X
es un conjunto de n covariables x1, x2, ... , xn-1, xn). Los componentes
de esta ecuación son:
1. b0 es la constante del modelo o término independiente
2. n el número de covariables
3. bi los coeficientes de las covariables
4. xi las covariables que forman parte del modelo
Un problema importante es estimar las covariables a partir

de un conjunto de observaciones, el procedimiento de estimación en
el método de máxima verosimilitud, para ello existen varios
programas que realizan estas estimaciones, por ejemplo: LOGIT,
RELODI, MULTLR, EPISTAT, BMDP, SAS, etc., mediante la obtención
del máximo del logaritmo de la función de verosimilitud.
A diferencia de la regresión lineal que asume que los errores

estándar de cada coeficiente siguen una distribución normal de
media 0 y varianza constante (homoscedasticidad). En el caso del
modelo de regresión logística no pueden realizarse estas asunciones
pues la variable dependiente no es continua (sólo puede tomar dos
valores, 0 ó 1, pero ningún valor intermedio). Si llamamos ε al
posible error de predicción para cada covariable xi, tendremos que
el error cometido dependerá del valor que llegue a tomar la variable
dependiente.
257
Es un modelo de regresión lineal generalizada, donde el

procedimiento habitual de estimación, para obtener el óptimo de la
función de verosimilitud, se basa en un método optimización local
con un algoritmo iterativo de tipo Newton-Raphson o de mínimos
cuadrados con reasignación de pesos (Haste et al, 2001 en Gutiérrez
Peña, 2009).
El procedimiento es sencillo y útil pero no siempre se
verifica que las probabilidades de pertenencia a cada clase
transformadas mediante una transformación logarítmica presenten
una relación lineal causa-efecto sobre las covariables
independientes.
CRECIMIENTO URBANO
Las ciudades son la principal base del desarrollo a nivel

mundial por la alta concentración de actividades productivas, valor
agregado, y de oportunidades económicas; por ello, el crecimiento
urbano ha sido uno de los temas centrales que ha merecido mayor
atención por parte de los estudios sobre la ciudad (Unikel, Ruiz, y
Garza, 1978), lo que ha resultado en nuevos enfoques para el análisis
de la problemática urbana orientados a la preocupación de
reconocer la exigencia de las nuevas condiciones del entorno urbano
para propiciar un entorno favorable hacia las personas y el medio
ambiente (Lezama y Domínguez, 2006).
Autores como Sobrino, Garrocho, Graizbord, Brambila, y
Aguilar (2015) concuerdan en que el crecimiento urbano se muestra
de forma alarmante con respecto al incremento de su población lo
que no favorece al desarrollo sostenible de las ciudades; asimismo
señalan optar por nuevas posturas que consideren nuevas formas
para orientar el futuro crecimiento urbano de las ciudades.
Gran parte de los retos sobre el crecimiento urbano se

presentan principalmente en las ciudades de América Latina, al
enfrentar la problemática urbana, social y ambiental derivado de la
mala gestión del suelo urbano, ya sea por la alta informalidad, la
mala planificación, altos precios, especulación y manejo del suelo
como elemento de plusvalía (Terraza, Rubio, y Vera, 2016) (Montero
y García, 2017).
258
El crecimiento urbano se puede explicar por diferentes

factores, por ejemplo el crecimiento de la población, costos de
vivienda y especulación, desarrollo de nuevos espacios, entre otros;
pero generalmente es el resultado de la relación de tres factores
(Montero y García, 2017) (Sorribes, 2012):
a) Los Factores económicos como el establecimiento de empresas y

servicios, el aumento en los niveles de producción, ocupación y renta
del suelo, (Sobrino, 1993).
b) Factores poblacionales, es decir los movimientos intra e inter
urbano, las tasas de crecimiento natural y movimientos migratorios
(Unikel, Ruiz y Garza, 1978) (Sobrino, 1993). c) Y finalmente
manifestarse de forma física en el aumento de la superficie del área
urbana y en todo caso sobrepasar sus límites geográficos (Unikel,
Ruiz y Garza, 1978) (Sorribes, y otros, 2012). En este sentido la
relación, el dinamismo y la eficiencia entre los factores económicos,
poblacionales y superficiales, estimulan el crecimiento urbano y la
generación de nuevos asentamientos urbanos como lo muestra la
Figura 1. (Unikel, Ruiz y Garza, 1978) (Secretaría de Desarrollo
Social, 2012) (Echenique, 2006) (Sobrino, 1993).
Figura 1. Factores del Proceso de Crecimiento Urbano

Fuente: Martínez, 2018.
259
APLICACIÓN DE LA REGRESIÓN LOGÍSTICA MÚLTIPLE PARA LA

TENDENCIA DE CRECIMIENTO URBANO
La zona de estudio corresponde al municipio de Nicolás Romero

que se localiza al norte del Estado de México, en las coordenadas
geográficas 19º 33' 50” y 19º 42' 16”, de latitud Norte y los meridianos 99º
15' 53” y 99º 32' 00”, de longitud Oeste, con respecto al Meridiano de
Greenwich. Posee una superficie total de 23216.22 hectáreas, lo que
equivale a un 1.05% de la superficie total del Estado de México. Cuenta con
una población de 366, 602 habitantes de acuerdo al Censo de Población y
Vivienda 2010 (INEGI, 2010). Sus colindancias territoriales son: al norte,
con los Municipios de Villa del Carbón y Tepotzotlán; al sur con Atizapán
de Zaragoza e Isidro Fabela; al este con Cuautitlán Izcalli; al oeste con
Jiquipilco y Temoaya (Figura 2) (Plan Municipal de Desarrollo Urbano
2014 – 2030 Nicolás Romero, Estado de México).
El Municipio forma parte de la Región VIII Naucalpan, junto a

Huixquilucan, Isidro Fabela, Jilotzingo y Naucalpan de Juárez, siendo
Nicolás Romero el de mayor extensión, representando el 32.84% de
la extensión total de la Región y la segunda en cuanto a Población
absoluta, sólo por debajo de Naucalpan de Juárez.
Figura 2. Localización espacial del Municipio de Nicolás Romero,

Estado de México.
Fuente: Elaboración propia.
260
La tendencia al crecimiento urbano es una interacción

dinámica y constante, por medio de la regresión logística múltiple
aplicada en la plataforma Idrisi Andes mediante la herramienta de
logistic regresión se podrá generar la modelación espacial que
permite identificar las tendencias para el año 2025.
Para ello se seleccionaron las variables independientes y

dependientes, quedando como:
Dependientes: uso de suelo asentamientos humanos (zonas
urbanas y minas) de los años 2001 y 2008.
Independientes: vías de comunicación, tasa de crecimiento

media anual de la población municipal de los años 2000, 2005 y
2010 y uso agrícola y pastizales 2008.
Las variables independientes son dicotómicas y asignan dos
valores que corresponden a 0 y 1, esto va por orden de importante y
afectación, el número 0 se les ha asignado aquellas variables que no
presentan influencia directa de cambio, y 1 aquellas que si cambian
afectan directamente e impactan en el crecimiento urbano.
Ambos tipos de variables se estandarizaron al mismo número
de columnas y renglones siendo de 1574x1017, cuyo tamaño de pixel
es de 30 metros y con el datum WGS84, coordenadas UTM.
La jerarquización de variables quedo estructurada

conforme al cuadro I.
Cuadro I. Jerarquización de variables para la tendencia de
crecimiento urbano el municipio de Nicolás Romero, Estado de México.
Fuente: Elaboración propia con base a Díaz Delgado C. 2009.
261
Se ejecutó el proceso con la herramienta logistic regresión

ingresando en primer lugar la variable de uso de suelo
asentamientos humanos y en el apartado de independientes las
correspondientes, así como el número de predicciones en este caso
se consideró al año 2025. Se obtiene un archivo en txt en el cual se
manejan las estadísticas en donde muestra que la ROC (Relative
Operating Characteristic) es validado con 0.7721 lo que indica que la
tasa de desarrollo urbano es alta y probable (figura 3).
Figura 3. ROC de la logistic regresión con respecto a la tendencia de

crecimiento urbano el municipio de Nicolás Romero, Estado de México.
Dando como resultado que la tendencia de crecimiento alta

impactará al 25 % de la superficie municipal, como se muestra en el
cuadro X, cerca del 45% se mantiene y sólo el 13 % tiene del
municipio una tendencia baja.
262
Cuadro II. Tendencias de crecimiento urbano el municipio de

Nicolás Romero, Estado de México.
Tendencia Superficie en Porcentaje

hectáreas
%
Baja 3,125.94 13.46
Media 3,846.04 16.57
Alta 5,838.16 25.15
Sin cambio 10,406.09 44.82
Total Municipal 23,216.22 100.00
Fuente: Elaboración propia con base en el mapa de tendencias de crecimiento urbano.
El mapa tendencial de crecimiento urbano muestra en

primera instancia, que la dinámica de ocupación del territorio por
parte de este sector se centra en la ciudad de Villa Nicolás Romero
(figura 4).
Figura 4. Mapa de la Tendencia del Crecimiento urbano del

municipio de Nicolás Romero, Estado de México.
263
Villa Nicolás Romero se encuentra consolidándose y

manteniendo una edificación continua de expansión que se dirige
hacia la fusión en una sola aglomeración con localidades que se
encuentran también en expansión tales como Villa Nicolás Romero,
Caja de Agua, Colonia Morelos, Progreso Industrial, San Miguel Hila,
El Tanque, Loma del Río, Joya del Tejocote, Loma Larga, Colonia
Llano Grande (Nuevo Ejido), Veintidós de Febrero, Colonia los Tubos
y Loma de San José.
Estos conjuntos de localidades presentan altas

probabilidades de ocupar predios destinados actualmente a
actividades agropecuarias y solares producto del abandono de
tierras que se incorporan a la especulación para el desarrollo
habitacional, así como de someter a fuerte presión a los remanentes
de bosques de encino que se encuentran en las partes más inclinadas
de las laderas.
Por otra parte, en el norte-centro del municipio, localidades
como Puerto Magú, San Francisco Magú, ejido Magú y El Mirador
caracterizadas por aglomerarse a lo largo de las vías de
comunicación y en forma dispersa, muestran alta probabilidad y
tienden a ocupar también zonas agropecuarias y pequeños bosques
de encino en galería. Asimismo, en la parte central en donde las
características son más tendientes a lo rural, localidades como Santa
María Magdalena Cahuacan, Quinto Barrio (Ejido de Cahuacan) y
Barrio de Guadalupe, también presentan alta probalidad pero la
tendencia es mayoritariamente sobre las zonas agropecuarias.
Tendencia muy similar se presenta en la poción sur correspondiente
a Transfiguración.
Con respecto a la tendencia media, la más importante es la

que se localiza en la parte central del municipio, sobre el piedemonte
superior constituido por laderas inclinadas y barrancos en donde
las vialidades importantes aún no están presentes. Aquí es
importante señalar la deforestación del bosque de encino para la
apertura de tierras de cultivo en donde son altas las condiciones
para la recarga del acuífero, la aptitud para la preservación y
provisión de bienes y servicios ambientales, se encuentran bajo
fuerte presión por el sector agropecuario que en esta zona presenta
baja aptitud.
264
En resumen, se aprecia que la expansión del sector

asentamientos humanos es muy fuerte sobre las zonas
agropecuarias el cual se desarrolla en base a las edificaciones
continuas y el acceso marcado que dan las vialidades.
La herramienta de regresión logística permite obtener

estadísticas para pronosticar y modelar la probabilidad de un
evento en este caso del crecimiento urbano, permite analizar el
grado de correlación que existe entre las variables con apoyo de
plataforma de Sistemas de Información Geografía facilita el proceso.
La aplicación de la metodología permite obtener resultados
predictivos que en gran parte se deben a la dinámica ocupacional y
poblacional, así mismo, a las políticas y estrategias de Ordenamiento
Urbano que se implementen en los planes de desarrollo urbanos.
BIBLIOGRAFÍA
Díaz, C. (2009). Guía de planeación estratégica participativa para la

gestión integrada de los recursos hídricos de la cuenca Lerma-
Chapala-Santiago, Capitulo Estado de México; red interinstitucional
e interdisciplinaria de investigación, consulta y coordinación
científica para la recuperación de la cuenca Lerma-Chapala-
Santiago, Universidad Autónoma del Estado de México, Estado de
México.
Echenique, M. (2006). El crecimiento y el desarrollo de las ciudades.

En A. Galetovic, Santiago. Dónde estamos y hacia dónde vamos
(págs. 74-96). Santiago de Chile: Centro de Estudios Públicos.
_Toc535574004Instituto Nacional de Estadística y Geografía

(INEGI). 2010. Censo de Población y Vivienda 2010. Consulta en
línea https://www.inegi.org.mx/programas/ccpv/2010/.
265
Lezama, L., y Domínguez, J. (2006). Medio ambiente y

sustentabilidad urbana. Papeles de Población (49), 153-176.
Martínez, Y. (2018). Crecimiento urbano en San Luis Potosí.

Requerimientos para una ciudad emergente y sostenible. Tesis para
obtener el título de Licenciado en Diseño urbano y del Paisaje.
Universidad Autónoma de San Luis Potosí.
Montero, L., y García, J. (2017). Panorama multidimensional del

desarrollo urbano en América Latina y el Caribe. Santiago: Naciones
Unidas
Plan Municipal de Desarrollo Urbano 2014 – 2030 Nicolás Romero,
Estado de México. Consulta en línea
http://seduv.edomexico.gob.mx/planes_municipales/nicolas_rom
ero/PMDU-R.pdf.
Secretaría de Desarrollo Social. (2012). Sistema Urbano Nacional

2012. México: Secretaría de Desarrollo Social.
Sobrino, J. (1993). Gobierno y Administración Metropolitana y Regional.

D.F., México: Instituto Nacional de Administración Pública, A.C.
Sobrino, J., Garrocho, C., Graizbord, B., Brambila, C., y Aguilar, A.

(2015). Ciudades sostenibles en México: una propuesta conceptual
y operativa. México: Fondo de Población de las Naciones Unidas -
Consejo Nacional de Población. Obtenido de
https://www.gob.mx/conapo/documentos/ciudades-sostenibles-
en-mexico-unapropuesta-conceptual-y-operativa
Sorribes, J., Del Romero, L., Marrades, R., Boix, R., Galindo, J., Porcar,
R. (2012). La Ciudad. Economía, espacio, sociedad y medio
ambiente. Valencia: Tirant Humanidades.
Terraza, H., Rubio, D., y Vera, F. (2016). De Ciudades Emergentes a

Ciudades Sostenibles. Comprendiendo la metrópolis del siglo XXI
(Primera ed.). Santiago, Chile: BID-Ediciones ARQ.
Unikel, L., Ruiz, C., y Garza, G. (1978). El Desarrollo Urbano de México:

Diagnóstico e Implicaciones Futuras. D.F.: El Colegio de México.
266
11.2 MÉTODO GWR (Geographically Weighted Regression)

Aplicación en el análisis de la conformación del valor
catastral del suelo en el municipio de Zinacantepec,
Estado de México
Nydia Lorena Campos Apodaca
Noel Bonfilio Pineda Jaimes
SÍNTESIS
Este capítulo presenta una combinación de procedimientos

para el estudio de la conformación del valor catastral del suelo
utilizando un método de regresión geográficamente ponderada
(GWR por sus siglas en inglés). Se detalla los pasos de su aplicación a
un conjunto de diez indicadores identificados como los más
significativos en la composición de dicho valor mediante la técnica
de regresión lineal múltiple. Se aplica al Municipio de Zinacantepec,
Estado de México, considerando una muestra de 1990 manzanas.
INTRODUCCIÓN
Este capítulo tiene por objetivo aplicar un método de

regresión conocido como GWR (Fotheringham et al., 2002) en la
conformación del valor catastral del suelo que ayude a conocer el
comportamiento espacial de los indicadores que influyen en este
valor, en el municipio de Zinacantepec, Estado de México.
La metodología propone que a través de la GWR se conozcan
los indicadores que tienen variabilidad espacial, así como los
indicadores globales espacialmente estacionarios, la evaluación de
la calidad de ajuste, el error estándar de la regresión y el valor
Akaieke. Se tomaron en cuenta diez indicadores identificados como
los más significativos mediante una regresión lineal múltiple.
La GWR es una valiosa herramienta para el análisis espacial
de los indicadores que influyen en el valor de suelo, ya que toma en
267
Nydia Lorena Campos Apodaca, MarcelaVirginia Santana Juárez y Noel Bonfilio Pineda Jaimes
cuenta la correlación espacial y la heterogeneidad espacial de los

datos, muestra las diferencias geográficas del valor de suelo el cual
se presenta de manera diferenciada, segmentada y discontinua en el
territorio, dando como resultado modelos del comportamiento de
los indicadores analizados por cada elemento de la muestra.
Los modelos obtenidos aportan información objetiva acerca
de la composición del valor de suelo en las diferentes zonas del
territorio municipal, evidenciando además los desequilibrios socio-
espaciales que se presentan al interior del municipio, por lo que
estos modelos se convierten en una herramienta importante de
apoyo tanto a la tarea de determinar el valor catastral de suelo para
fines tributarios, como en el diseño de políticas de ordenamiento
territorial orientadas a reducir los desequilibrios espaciales.
MARCO CONCEPTUAL DEL MÉTODO GWR
El método GWR es una forma local de regresión lineal que

analiza interrelaciones de elementos que varían espacialmente. De
esta forma, es posible identificar si las relaciones entre la variable
dependiente y las variables independientes (variables explicativas)
varían en el espacio geográfico, obteniéndose un modelo para cada
elemento de la muestra con coeficientes de las variables
independientes que varían en magnitud y dirección con respecto a la
variable dependiente, lo que lo diferencia de un modelo global en
donde se obtiene solamente un coeficiente por cada variable
independiente (Módenes y Villarraga, 2014).
La GWR ajusta tantas regresiones como elementos

analizados haya, dependiendo de su ubicación geográfica, dando
más peso a las observaciones más próximas y menos a las más
lejanas. Así, resultan estimaciones ajustadas a cada elemento de la
muestra, con su respectiva ecuación (Gutiérrez-Puebla et al., 2012).
Para determinar la influencia que tienen diferentes

variables en el caso específico de la composición del valor de suelo se
han aplicado técnicas econométricas tradicionales las cuales, si bien
proveen información sobre la disposición a pagar por los atributos
268
de un bien inmueble o sobre las características de éste que se

consideran deseables, se aplican en datos que son de naturaleza
espacial. Esto da como resultado una ecuación para todo el territorio
con coeficientes que son un promedio del comportamiento, en toda
el área de interés, de los indicadores analizados.
Lo anterior tiene el defecto de disfrazar las variaciones

geográficas que se presentan en las relaciones entre los indicadores,
ya que parten del supuesto de que las relaciones entre éstos son
estacionarias espacialmente, sin considerar la posibilidad de que
existan diferencias geográficas locales a causa de la heterogeneidad
propia del espacio geográfico.
Anselin (1988 citado en Duque et al., 2011) resume los

defectos de las técnicas econométricas tradicionales en dos
problemas: no consideran la dependencia espacial entre las
variables (correlación espacial) ni la heterogeneidad espacial, según
la cual “las formas funcionales varían de acuerdo con la localización
de los datos”, por lo que los coeficientes obtenidos con el modelo de
Precios Hedónicos no son estacionarios, sino inestables en el
espacio, esto es común en el mercado de suelo, ya que una
característica de éste puede ser primordial en una zona y no ser
significativa en otra (Duque et al., 2011), además sin tomar en
cuenta que el valor del suelo se “presenta de manera diferenciada en
el territorio, o sea de manera segmentada, discontinua,
heterogénea” (Humarán, 2010), de tal forma que el territorio está
segmentado en zonas con diferentes valores de suelo.
A fin de tomar en cuenta la correlación espacial y la

heterogeneidad espacial propias del mercado de suelo se utiliza el
software GWR, el cual permite construir modelos que incorporan
estos dos elementos al considerar la existencia de coeficientes de
regresión que varían en el espacio. Se basa en la ponderación
espacial de los atributos que resultaron significativos, para cada
elemento de la muestra, lo que permite relacionar a cada elemento
con su entorno de influencia (entornos vecinales), estableciendo
modelos particulares en función de estas relaciones (Humarán,
2010).
269
La ecuación de la GWR es la siguiente (Humarán, 2010),

ecuación 1:
Donde “Y” es la variable dependiente (en este caso el valor

catastral de suelo), X1,…,Xn son los atributos analizados, 0, 1,…, n son los
parámetros a ser estimados, es el error de la ecuación, y (u,v) son las
coordenadas de la posición de cada elemento de la muestra. El modelo
genera una estimación de los parámetros de la ubicación y un valor
previsto o estimado aplicando ponderación geográfica de tal forma
que a “los datos o muestras más cercanos (u, v) se les da un mayor peso
en el modelo que de datos o muestras más alejados” (Humarán, 2010).
Posteriormente se procede a la evaluación de la calidad del

ajuste del método GWR el cual se realiza por medio de dos medidas
de bondad de ajuste: 1) la r cuadrada (R2, considerada el nivel
explicativo del modelo) la cual está determinada por la parte
sistemática de la ecuación de regresión y mide la variabilidad de la
variable dependiente y (u,v); y 2) el término correspondiente al
error estándar de la regresión (ecuación 2), en este software se
generan varias columnas por cada indicador, entre ellas la parte
sistemática y otra el error estándar.
Ecuación 2.
Cuando se mide la bondad de ajuste se “divide” la ecuación en

la parte sistemática (el pronóstico, la parte de la ecuación que se puede
explicar en función de x) y el error estándar (la parte de la ecuación
que no se puede explicar a partir de los atributos considerados) a fin
de conocer la importancia de estos dos elementos para explicar la
variación de y(u,v). La R2 mide qué proporción de la variación de la
variable dependiente es explicada por la parte sistemática de la
ecuación y al ser una proporción se mide en valores de 0 a 1. El error
270
estándar trata de estimar la variabilidad del componente de la

ecuación que no se puede explicar (e). Entre mejor sea el ajuste, mayor
es la R2 y menor es el error estándar.
El siguiente paso en la GWR es determinar la forma en que

los indicadores deben ser considerados: global o localmente. Para
identificar los indicadores que tienen un comportamiento global se
utiliza la prueba de Monte Carlo; los indicadores sin variabilidad
espacial en el territorio se considera que tienen un comportamiento
global, estacionario. Posteriormente se realiza la calibración del
modelo, en la cual se diferencian los indicadores que varían en el
espacio y los que son espacialmente estacionarios.
Esta técnica proporciona elementos para conocer el nivel

explicativo del método y los errores estándar a nivel local, así como
para comprobar la significancia estadística del modelo resultante.
Para graficar tanto los coeficientes de los indicadores generados por el
modelo como la significancia estadística de éstos, y el nivel explicativo
de los modelos locales, se utilizó el software ArcGis versión 10.3.
En este estudio se compara el método GWR con el modelo

resultante de la regresión lineal múltiple, mediante el criterio de
información Akaike (AIC) el cual es una medida de la bondad del ajuste del
modelo, describe la relación entre la exactitud y complejidad del modelo.
No es una prueba del modelo en el sentido de probar una hipótesis nula, es
una herramienta para seleccionar el mejor modelo entre varios de ellos.
La aplicación a las características de un inmueble puede ser

de gran importancia en una zona determinada y no serlo en otra
zona con condiciones diferentes. En este caso la metodología
econométrica tradicional arroja coeficientes que son promedios de
los datos, mientras que la GWR arroja coeficientes ponderados de
cada una de las características, proporcionando información más
precisa sobre la realidad del caso de estudio.
METODOLOGÍA
Este trabajo incluye la delimitación de la unidad de análisis; la

selección del caso de estudio; la definición de las variables y de los
271
indicadores respectivos; las fuentes de información que se consideraron;

la integración cartográfica de los datos; y finalmente el desarrollo de los
procesos que comprende el análisis del comportamiento de los datos que
se integraron cartográficamente y a partir de éstos, la generación de los
valores de los indicadores, la aplicación del modelo de Precios Hedónicos
(PH) a los indicadores definidos a fin de obtener un modelo general de la
contribución de éstos en el valor catastral del suelo y por último, la
utilización del método GWR con el propósito de obtener un modelo local
para cada elemento de la muestra (figura 1).
Figura 1. Esquema metodológico para el análisis de la

conformación del valor catastral del suelo en el municipio de
Zinacantepec, Estado de México, mediante la GWR.
Fuente: Elaboración propia, 2018
272
APLICACIÓN AL MUNICIPIO DE ZINACANTEPEC (MANZANAS SELECCIONADAS)
El área de estudio corresponde a la zona urbana del

municipio de Zinacantepec, perteneciente a la Zona Metropolitana
de Toluca, en el Estado de México.
La unidad de análisis es a nivel de manzana y la muestra se

conforma por 1990 manzanas. La variable dependiente es el valor
catastral de suelo. Con base en la normatividad en materia de
valuación catastral y en literatura consultada se definieron 11
variables como las de mayor influencia en el valor de suelo. A partir
de éstas se definieron 28 indicadores, considerados en el modelo
como las variables independientes (cuadro 1).

Cuadro 1. Variables e indicadores
Fuente:
Elaboración propia, 2018
273
Procedimientos
El primer paso es la obtención de los valores de los 28

indicadores mediante el método de doble umbral y herramientas de
geoprocesamiento en un sistema de información geográfica.
Posteriormente se estandarizaron y se estimó la correlación

entre las variables independientes y la variable dependiente
mediante la correlación de Pearson en el software de IBM SPSS
Statistics. Por no identificarse correlación significativa entre los
indicadores (variables independientes) y el valor catastral de suelo
(variable dependiente) se eliminaron diez indicadores. A los 18
indicadores restantes se les aplicó la técnica de regresión lineal
múltiple paso a paso. Por identificarse la presencia de colinealidad
se eliminaron ocho indicadores.
Considerando el máximo nivel de explicación (R2) de los

modelos resultantes y asegurando que los indicadores que le
corresponden no presenten colinealidad, además de tomar en cuenta
que éstos no presenten coeficientes con signo invertido respecto a la
correlación con la variable dependiente, se seleccionó el mejor modelo,
obteniendo así un modelo global para todo el territorio con los diez
indicadores más significativos en el valor catastral de suelo (cuadro 2).
Cuadro 2. Coeficientes del modelo seleccionado a partir de la

regresión lineal múltiple
274
Toda vez que los datos son de naturaleza espacial, sólo en caso
de existir autocorrelación espacial y/o heterogeneidad espacial sería
necesario aplicar métodos de regresión espacial. Para comprobar la
existencia de autocorrelación espacial en el modelo seleccionado se
utilizó el Índice de Morán, el cual mide la autocorrelación espacial
basada en las ubicaciones y los valores de las entidades y evalúa si el
patrón expresado está agrupado, disperso o es aleatorio (figura 2).
Se aplicó el índice de Morán en el software ArcGis 10.3 a partir de

las siguientes hipótesis, partiendo de que en el análisis espacial la
hipótesis nula significa ausencia de un patrón espacial (Vilalta, C. J., 2005):
H0: No existe autocorrelación espacial (los valores de suelo están

distribuidos en forma aleatoria en el área de estudio).
H1: Existe autocorrelación espacial.
Figura 2. Resultado de la autocorrelación espacial mediante el índice de Morán
Fuente: Proceso propia, 2018
275
El resultado señala que la distribución de los valores es

agrupada (clustered) e indica que dado el valor p = 0.01 (el valor p
correspondiente al área marcada con color rojo en la figura 1) hay
una probabilidad del 1% de que este patrón agrupado pueda ser el
resultado de una distribución aleatoria. Puede afirmarse que la
concentración no es aleatoria, por lo tanto se rechaza la hipótesis
nula y se concluye que existe autocorrelación espacial.
En lo que respecta a la heterogeneidad espacial, ésta

se presenta cuando se analiza un fenómeno que se distribuye de
manera distinta en el espacio analizado (Chasco, 2004). Según Anselin
(2001 citado en Chasco, 2004), la heterogeneidad espacial puede ser
definida como la “inestabilidad estructural en forma de varianza no
constante de los residuos de una regresión (heteroscedasticidad) o en
los coeficientes del modelo”, de lo cual se deduce que la
heterocedasticidad es una manifestación de la heterogeneidad
espacial en un modelo de regresión lineal múltiple (Charo, 2004) y si la
heterogeneidad espacial está presente, es necesario utilizar técnicas
que tomen en cuenta el componente espacial.
Considerando lo anterior, se identificó la heterogeneidad

espacial al comprobar la presencia de heterocedasticidad en el
modelo obtenido mediante pruebas estadísticas: las pruebas de
Breusch-Pagan y de Koenker-Bassett, y la prueba general de
heterocedasticidad de White. De esta forma se pudo establecer que
el modelo es heterocedástico y, por lo tanto, espacialmente
heterogéneo (cuadro 3).
Cuadro 3. Pruebas de heterocedasticidad
Fuente: Proceso propio (2018)
276
Una vez identificada la existencia de autocorrelación

espacial y de heterogeneidad espacial, se concluye que es
indispensable aplicar métodos de regresión espacial, como la GWR.
En la aplicación del método GWR se consideraron los diez

indicadores resultantes de la técnica de regresión lineal múltiple. Se
utilizó el software GWR primero para identificar los indicadores que
tienen variabilidad espacial y aquellos a los que se deberá de dar un
tratamiento de indicadores globales.
Mediante la prueba de Monte Carlo se identificó que el

indicador distancia a centro de importancia de jerarquía baja
(zd_cen_b) no tiene variabilidad espacial y por lo tanto debe ser
considerado como fijo o estable en el espacio. El resto de los
indicadores se consideran como locales, ya que esta prueba señala
que son heterogéneos espacialmente (cuadro 4).
Cuadro 4. Prueba de significancia de Monte Carlo
Fuente: Proceso propio, 2018
Posteriormente se aplicó la técnica semiparamétrica del

método GWR. En la ejecución del método se especificó el indicador
que tiene comportamiento global y los nueve indicadores con
comportamiento local.
Al estar los elementos de la muestra (las 1990 manzanas

analizadas) distribuidos por todo el territorio, el resultado es la
277
obtención de un micro modelo para cada uno de ellos, de tal forma

que cada uno tendrá un comportamiento distinto de los valores de
los indicadores en cuanto a la magnitud y en algunos casos también
en la dirección.
La evaluación de la calidad del ajuste se realizó mediante el

nivel explicativo del modelo (la R2) y el error estándar de la
regresión. El modelo general tiene un nivel explicativo mayor que el
modelo resultante de la técnica de regresión lineal múltiple y un
valor Akaike2 menor, lo que evidencia que es mejor modelo con
respecto al obtenido de la regresión lineal múltiple (Cuadro 5).
Cuadro 5. Nivel explicativo y criterio de información Akaike
Fuente: Proceso propio, 2018 en el software GWR
En el análisis de cada modelo individual se identifica que

las regresiones locales presentaron coeficientes con niveles
explicativos en un rango de 55.46% a 84.44% (figura 3).
278
Figura 3. Municipio de Zinacantepec. Manzanas muestra.

Nivel explicativo del modelo (R2 local)
Con respecto al error estándar, éste indica la diferencia entre

el valor observado y el valor predicho. Es la parte de la variable
dependiente sin explicar y se representa en la ecuación con el
término de error aleatorio (e). La magnitud de los errores estándar
es una medida del ajuste del modelo. La figura 4 muestra la
distribución de éstos en el modelo resultante del método GWR.
279
Figura 4. Municipio de Zinacantepec. Manzanas seleccionadas.

Error estándar de los modelos
Lo anterior muestra que la calidad del ajuste del método

GWR depende de la ubicación de cada elemento de la muestra, ya
que tanto la R2 que mide qué proporción de la variación de la variable
dependiente es explicada por los indicadores incluidos en el modelo,
como el error estándar que estima la variabilidad del componente
de la ecuación que no se puede explicar con los indicadores
considerados, tienen valores diferentes en cada manzana analizada.
Los indicadores con mayor relevancia en el valor catastral de

suelo en el municipio de Zinacantepec son los siguientes: la ponderación
de la tipología del área homogénea, la distancia a zonas de riesgo por
eventos de remoción en masa, la distancia a centros de importancia de
jerarquía alta, la distancia a consultorios médicos, la distancia a suelo
con régimen de propiedad social, la distancia a escuelas de educación
media superior, la distancia a centro de importancia de jerarquía baja, el
coeficiente de ocupación de suelo, el número de viviendas por hectárea
y la ponderación del riesgo por inundaciones.
280
En lo concerniente a la variabilidad espacial de los diez

indicadores con la contribución más significativa en el valor de
suelo, ésta muestra que el aporte de cada uno de ellos a la formación
del valor de suelo es diferente en cada modelo local, es decir, está en
función de la ubicación geográfica de cada elemento de la muestra: el
mismo indicador tiene diferente influencia en el valor catastral de
suelo dependiendo de la ubicación de la manzana.
La heterogeneidad espacial de los indicadores se demuestra

por medio de las gráficas del comportamiento de los coeficientes
resultantes en los modelos locales obtenidos. La figura 4 muestra los
distintos valores que toman algunos de los coeficientes locales en el
territorio municipal, lo que hace visible su variabilidad espacial,
seguidas de las figuras que corresponden a la significancia
estadística -con un nivel de confianza de 90%- de la variabilidad de
los coeficientes de los modelos locales.
281
Figura 5. Variabilidad espacial de los coeficientes de los

indicadores y significancia estadística. Municipio de Zinacantepec.
Manzanas seleccionadas.
282
En el caso de estudio se utilizó un método espacial para

medir la influencia de algunos indicadores en el valor catastral de
suelo.
El método GWR resultó ser más conveniente toda vez que

considera la autocorrelación espacial y la heterogeneidad espacial
de los datos, lo cual es indispensable en el modelamiento de un
fenómeno cuyos indicadores son de naturaleza espacial.
De la prueba de Monte Carlo se identificó que el indicador

distancia a centro de importancia de jerarquía baja (zd_cen_b) no
tiene variabilidad espacial y por lo tanto debe ser considerado como
fijo o estable en el espacio. A los 9 indicadores restantes se les dio el
tratamiento de locales, ya que esta prueba señaló que son
heterogéneos espacialmente.
De esta forma, se obtiene un modelo local del

comportamiento de los diez indicadores analizados para cada
manzana, teniendo diferencias en la magnitud y en la dirección de
los coeficientes, lo que evidencia la variabilidad espacial en 9
indicadores en el municipio de Zinacantepec, Estado de México, en
las 1990 manzanas consideradas.
El resultado obtenido es un modelo global para todo el

territorio municipal y un modelo local para cada elemento de la
muestra (1990 manzanas), en los que se puede identificar
variaciones geográficas en las magnitudes y en los signos de los
coeficientes con respecto al modelo global.
La variabilidad espacial de los diez indicadores con la

contribución más significativa en el valor de suelo muestra que el
aporte de cada uno de ellos al valor de suelo es diferente en cada
modelo local, es decir, está en función de la ubicación de cada
elemento de la muestra: el mismo indicador tiene diferente
influencia en el valor catastral de suelo dependiendo de la ubicación
de la manzana.
283
Se concluye que existe variabilidad espacial en el territorio

municipal de los indicadores más significativos en el valor catastral
de suelo.
Se concluye que la ubicación es un factor sustancial en el

valor de suelo, como lo afirma la teoría de la localización que
atribuye la formación del valor del suelo a partir de la accesibilidad,
pero no es el factor determinante; se identifica que actualmente
factores como la jerarquización social y elementos socioeconómicos
adquieren una mayor relevancia, de acuerdo con la teoría de la
jerarquización social que resaltan el prestigio social y diferenciación
social del espacio en el valor del suelo.
Este trabajo representa una contribución original al estudio

de los valores catastrales de suelo ya que en el ámbito local no se
cuentan con suficientes investigaciones sobre el comportamiento de
las variables que impactan en el valor de suelo. Además, constituye
un aporte importante para el análisis del territorio a nivel micro, lo
que permite identificar su heterogeneidad interna.
BIBLIOGRAFÍA
Agudelo, J. E.; Agudelo, G. A.; Franco, L. C.; Franco, L. E. 2015. Efecto

de un estadio deportivo en los precios de arrendamiento de
viviendas: una aplicación de regresión ponderada geográficamente
(GWR). Ecos de Economía. 19(40):66-80.
Campos, N. 2018. Modelo explicativo de la determinación del valor

catastral de suelo, mediante análisis espacial. Tesis para obtener el
grado de Maestra en Análisis Espacial y Geoinformática.
Universidad Autónoma del Estado de México. Toluca.
Chaso, C. 2003. Métodos gráficos del análisis exploratorio de datos

espaciales. Instituto de Economía Aplicada. Universidad Autónoma
de Madrid. Madrid.
Chaso, C. 2004. Modelos de heterogeneidad espacial. Universidad

Autónoma de Madrid. Madrid.
284
Collazos, E.; Gamboa, W.; Prado, P.; Verardi, V. 2006. Análisis espacial
del precio de oferta de la vivienda en el área metropolitana de
Cochabamba. Revista Latinoamericana de Desarrollo Económico.
(6):33-62.
Duque, J.; Velásquez, H.; Agudelo, J. 2011. Infraestructura pública y

precios de vivienda: una aplicación de regresión geográficamente
ponderada en el contexto de precios hedónicos. Revista Ecos de
Economía. 15(33):95-122.
Fotherigham, A.S.; Brunsdon, C.; Charlton, M.; 2002. Geographically

Weighted Regression. The analysis of spatially varying
relationships. John Wiley & Sons Ltd. New York.
Gargallo, P.; Miguel J.A.; Salvador, M. 2014. Filtraje Espacial

Bayesiano para Modelos Hedónicos: Una Aplicación al Mercado
Inmobiliario Español. International Conference on Regional
Science: Financing and the role of the regions and towns in economic
recovery. Facultad de Economía y Empresa y Parainfo. Universidad de
Zaragoza. Zaragoza.
Gutiérrez-Puebla, J.; García-Palomares, J.C.; Daniel-Cardozo, O.

2012. Regresión Geográficamente Ponderada (GWR) y estimación
de la demanda de las estaciones del Metro de Madrid. XV Congreso
Nacional de Tecnologías de la Información Geográfica, Madrid, AGE-
CSIC. Madrid.
Humarán, I. 2010. Hacia una medida integrada del factor de

localización en la valoración residencial: El caso de Mazatlán. Tesis
doctoral. Universidad de Cataluña. Barcelona.
Módenes, J. A.; Villarraga, H.G. 2014. Variación espacial de los

factores asociados a la migración interna en España: ¿influye la
presencia de población extranjera?. XIV Congreso Nacional de
Población, AGE. Sevilla.
285
Vilalta C. J. 2005. Cómo enseñar autocorrelación especial. Economía,

Sociedad y Territorio. 5(18):323-333. El Colegio Mexiquense, A.C.
Toluca.
286
Capítulo 12
MÉTODO PARA EL ESTUDIO DE FLUJOS

REGIONALES
Aplicación a las principales localidades del noroeste de la

provincia de Buenos Aires
Noelia Principi
SÍNTESIS
Este capítulo presenta un método para el estudio de flujos

potenciales de población a nivel regional. Se desarrolla
sintéticamente el procedimiento metodológico y se detallan los
pasos para su resolución con Sistemas de Información Geográfica.
La aplicación se realiza a las localidades cabeceras de partido del
noroeste de la provincia de Buenos Aires (Argentina).
INTRODUCCIÓN
El objetivo del capítulo es presentar un método que permita

analizar la interacción espacial entre las localidades cabeceras de
los partidos1 pertenecientes al noroeste de la provincia de Buenos
Aires2 (Argentina) con apoyo en Sistemas de Información Geográfica
(SIG).
Existen diferentes métodos de análisis espacial cuantitativo

regional que permiten caracterizar y analizar el espacio relativo o
funcional que se produce a partir de los vínculos entre
localizaciones, distancias y flujos horizontales sobre el espacio
geográfico, tanto en situaciones reales e ideales, con la
particularidad de permitirnos vincular el espacio absoluto,
vinculado a una localización específica e inamovible que se
reconoce, principalmente, a través del sistema de coordenadas
287
Noelia Principi
latitud-longitud; y el espacio relativo, vinculado a un espacio

funcional que nos permite considerar diferentes unidades de
medida y sistemas de referencias (Buzai, 2010).
En este trabajo se presenta una adaptación de un modelo

gravitacional aplicado a poblaciones a través del cálculo de flujos
potenciales de población, que considera el peso poblacional de los
partidos (concentrado en sus localidades cabecera) y las distancias
reales en kilómetros (por caminos, rutas y autopistas) entre cada
localidad. Este cálculo permite estimar de manera potencial el nivel
de interacción existente en la región, considerando tanto la
intensidad de los flujos poblacionales como su dirección.
Los resultados obtenidos permiten evidenciar diferencias

regionales significativas. Los mayores flujos potenciales de
población se concentran en el noreste del área, donde se encuentran
las localidades de Junín y Chacabuco, con un peso poblacional
relativo importante a nivel regional. Y además se distingue un
corredor de importancia en el sur del área de estudio, que se
extiende de este a oeste.
Este tipo de aplicaciones resulta interesante para conocer

diferentes niveles de interacción espacial y poder generar
propuestas que mejoren las condiciones de accesibilidad y conexión
necesarias para un desarrollo regional integral en el marco del
Ordenamiento Territorial.
FLUJOS POTENCIALES DE POBLACIÓN
Los cálculos de interacción espacial en Ciencias Sociales

tienen su origen en las fórmulas generadas en el ámbito de la teoría
de la gravitación universal de Newton. El demógrafo británico
Ravenstein, en 1885, profundizó en esta teoría para realizar un
estudios sobre migraciones y, el estadounidense Reilly, en 1929,
expresó matemáticamente la idea en un modelo para determinar las
áreas de influencia del comercio (Haggett, 1977). Desde entonces
comenzaron a aplicarse estos modelos de interacción espacial,
derivados de los modelos gravitaciones a estudios socioespaciales.
288
Método para el estudio de flujos regionales
En Geografía la formulación más utilizada del modelo de

interacción espacial para estimar flujos de población considera el
tamaño de la población para valorar la interacción espacial entre los
centros como así también la distancia real entre cada centro.
A continuación se presenta la fórmula general de flujos potenciales
[1]:
MiM j
I ij = k
d ija
I M M d
Donde ij es la interacción, i j son las masas de las entidades, ij es la
a
distancia, k es un parámetro de ajuste a situaciones reales y es un
parámetro de fricción espacial.
Cuando los flujos que se calculan con este modelo gravitacional son
poblacionales, las masas de las entidades se asimilan con el tamaño
de la población. De esta manera la fórmula para el cálculo es la
siguiente [2]:
Pi Pj
Fij = k
d ija
F i j
Donde ij son las unidades de flujo resultantes entre las entidades y ,
pipj
son las poblaciones de las entidades, dij es la distancia en
a
kilómetros, k y cumplen la misma función general. Para situaciones
hipotéticas genralmente se considera k=1 y d=2, por lo tanto, la
fórmula de cálculo de flujos potenciales de población se simplifica
com [3] PP i j
Fij = 2
d ij
El parámetro d eleva la distancia al cuadrado, como una
situación estándar de fricción espacial, y el parámetro k desaparece
al calcularse flujos potenciales, ya que su función sería ajustar el
cálculo a valores empíricos al momento de contar con una medición
del movimiento concreto (Buzai, G.D.; Baxendale, C.A.; Mierez, A.,
2003).
Para aplicar este modelo gravitacional a flujos poblacionales
se utilizan los valores de población absoluta de cada entidad
(localidad cabecera) y una matriz de distancias reales entre las
289
Noelia Principi
entidades (distancias en kilómetros, por rutas, caminos y

autopistas). Con estos datos se aplica la fórmula presentada en [3] y
se genera una matriz general y simétrica de interacciones entre
entidades (MGIE).
Esta primera matriz presenta flujos generales, por esto el
siguiente paso metodológico es realizar la descomposición de los
flujos generales según la dirección. Considerando que la entidad
geográfica con mayor peso poblacional recibirá mayor proporción
de flujos potenciales de población. Para esto se calcula un valor de
ponderación, en 0 y 1 consideran los pesos poblaciones de las
entidades
A continuación se presenta un ejemplo de cálculo de flujos
proporcionales entre dos entidades [4].
Pi Pj
FPi = FPj =
Pi + Pj Pj + Pi
FPi FPj
Donde y son unidades de flujo proporcionales de las
i j
entidades y respectivamente, y PiPj son las poblaciones de las
entidades. La suma de los flujos proprcionales es igual a 1.
A partir de estos datos se multiplica la MGIE por los flujos

proporcionales para generar una nueva matriz proporcional de
interacciones entre entidades (MPIE). Esta matriz, a diferencia de la
MGIE, se presenta como una matriz asimétrica. Por filas indica la
cantidad de unidades de flujo que aporta la localidad i hacia la
localidad j, y por columnas las unidades de flujo que aporta j a i. Esta
será la matriz que utilizaremos para mapear los flujos en un SIG.
APLICACIÓN A LAS LOCALIDADES DEL NOROESTE DE LA PROVINCIA DE

BUENOS AIRES (ARGENTINA)
El área de estudio donde se aplicará el cálculo de flujos

potenciales de población incluye los partidos pertenecientes al
noroeste de la provincia de Buenos Ares, midiendo la interacción a
partir de las localidades cabeceras de partido, debido a que es en
estas localidades donde se concentra la mayoritariamente la
población del partido (Figura 1).
290
Figura 1. Área de estudio
Fuente: Elaboración de la autora
Para realizar los mapas de flujos en un SIG a partir del cálculo

de flujos potenciales entre localidades es necesario realizar
previamente la MPIE en una planilla de cálculo y luego convertirla a
un formato de texto (.txt). A su vez se deben generar dos archivos de
texto más uno con las coordenadas de las localidades cabeceras de
partido y otro los nombres correspondientes (Figura 2).
291
Noelia Principi
Figura 2. Archivos de texto utilizados para la aplicación
Con la información de base lista, el siguiente paso es realizar

la cartografía de flujos en el entorno SIG. Se utiliza el complemento
FlowMapper3, en el software QGIS 2.184. Este complemento es
exclusivo para la realización de cartografía digital de mapas de flujo,
generando líneas entre nodos para representar datos de interacción
espacial. Con este complemento se pueden generar líneas de flujo
netas y también de dos vías o sentidos, a partir de los datos
proporcionados por la matriz de interacción y las coordenadas en
formato de texto plano (txt). Las salidas que genera el SIG son en
formato shapefile. El complemento permite el filtrado de flujos y
nodos así como diferentes opciones de simbología graduada.
Las definiciones preliminares para generación de cartografía
contemplan la incorporación de los tres archivos de texto, las
3
Para más información del complemento se puede consultar:
http://plugins.qgis.org/plugins/FlowMapper/
4
Este SIG es de código libre y está disponible para GNU/Linux, Unix, Mac OS,
Microsoft Windows y Android. Puede descargarse de la siguiente página:
https://qgis.org/es/site/forusers/download.html
292
coordenadas en “node coordinates”, los nombres de las localidades en

“node names” y la matriz asimétrica de flujos proporcionales en “flow
matrix” seleccionando en tipo de flujo de dos direcciones denominado
“two way”. Se debe nombrar el archivo shapefile de salida para obtener el
mapa de flujos.
Una vez realizado el procedimiento se puede realizar la

cartografía temática de flujos con diferentes colores, ancho y categorías.
En este caso los resultados obtenidos se cartografiaron a partir del
método de intervalos de clase de cortes naturales, que es una
clasificación basada en la estructura de los datos y en la búsqueda de
sus regularidades internas. Se realizaron cinco cortes, que permitieron
ver las diferencias regionales de interacción espacial con intensidad y
dirección en toda el área de estudio y en el área que presenta mayor
concentración de flujos potenciales de población, a partir de considerar
las magnitud de flujos superiores al promedio regional (Figura 3 y 4
respectivamente). Se incorporó en el mapa la localización ciudades
cabecera de partido representadas con círculos proporcionales
considerando la cantidad de población (según el último Censo Nacional
de Población y Viviendas de la República Argentina del año 2010).
Figura 3. Mapa de flujos potenciales de población en el área de estudio
Fuente: Elaboración de la autora.
293
Noelia Principi
Existen diferentes formas de representar y filtrar los flujos

del área de estudio, considerando los flujos totales en una matriz
simétrica, considerando los flujos totales sin determinar la
dirección, se puede filtrar por nodos (localidades), y ver la
intensidad de flujos desde una localidades hacia el resto de
localidades, también el complemento permite filtrar por intensidad
de flujos.
Para ejemplificar en la figura siguiente se realiza el filtrado y

visualización de los flujos potenciales de población que superan el
promedio (average) del área y de esta manera podemos identificar
varias localidades en donde los movimientos de población son
significativos y que en la cartografía de flujos generales, por
intensidad y dirección, no se visualizan de forma tan clara.
Figura 4. Mapa de los flujos potenciales de población superiores

al promedio
A partir de los resultados obtenidos en el área de estudio, se

observan diferencias significativas en los niveles de interacción
espacial. La zona noreste del área de estudio es la que presenta una
294
intensidad de flujos mayor y dentro de esta zona la localidad de Junín

aparece claramente como la mayor receptora de flujos, siendo la que
posee la mayor atracción gravitatoria, por el significativo peso
poblacional que tiene. La dirección de los flujos es principalmente en
sentido oeste-este hacia donde se encuentran las localidades más
pobladas del área de estudio.
La fricción espacial, calculada a partir de considerar la

distancia al cuadrado, también influye en la intensidad de los flujos,
el área oeste presente menos accesibilidad por rutas, caminos y
autopistas que el área este y esto se ve reflejada en menor intensidad
de flujos.
En el mapa de flujos potenciales de población que superan el

promedio regional se pueden identificar varias localidades en
donde los flujos potenciales de población son importantes. Este
mapa confirma que los mayores movimientos de población se
producen en la zona noreste del área de estudio, con centro en las
localidades de Junín y Chacabuco y también se distingue un corredor
donde existen importantes movimientos de población, de oeste a
este (y viceversa), en el sur de noroeste bonaerense, donde se
encuentran las localidades de Trenque Lauquen, Pehuajó, Carlos
Casares y 9 de Julio.
La interacción espacial, como concepto fundamental en el

análisis espacial cuantitativo, permitió analizar el espacio regional
horizontal de los partidos pertenecientes al noroeste de la provincia
de Buenos Aires considerando el espacio funcional o relativo a partir
de las distancias reales recorridas por la población de las diferentes
localidades cabecera de partido, por rutas, caminos y autopistas.
A partir del cálculo concreto de flujos potenciales de
población, con apoyo en la tecnología de los SIG, se pudo obtener la
representación espacial en cartografía de flujos y de esta manera
tener una aproximación general a los niveles de interacción
potencial de población en el área de estudio.
295
Noelia Principi
Los resultados mostraron situaciones de desigualdad

regional, relacionadas con la concentración de población en los
partidos de la zona noreste de la región, mientras que los partidos de
la zona este tienen poca población relativa, al tratarse de áreas con
ciudades pequeñas y con amplias zonas rurales.
La importancia de este tipo de aplicación radica en que a

partir del análisis del espacio funcional regional se logra poner en
evidencia el nivel de integración espacial de los partidos del
noroeste bonaerense, vínculos que no tienen relación directa sólo
con la cercanía o lejanía entre las localidades de los partidos sino que
se relacionan con las posibilidades reales de conexión a través de los
caminos, rutas o autopistas de la región. A partir de estos datos es
posible generar propuestas que mejoren las condiciones de
accesibilidad y conexión necesarias para un desarrollo regional
integral.
NOTAS
1
En la República Argentina los partidos o departamentos son las
unidades territoriales de tercer orden, luego del país y de las
provincias, mientras las localidades cabecera del partido o
departamento son aquellas donde se concentran las funciones
político-administrativa de la unidad territorial y que generalmente
coinciden con las de mayor cantidad de habitantes.
2
La delimitación espacial de la región noroeste de la provincia de
Buenos Aires fue realizada por la autora a partir de metodologías
cuantitativas. Puede ampliarse en Principi, N. (2011).
296
BIBLIOGRAFÍA
Buzai, G.D. 2012. Explorando y analizando el espacio funcional

regional mediante cartografía de interacción espacial (Capítulo 5).
En: Moreno Jiménez, A.; Buzai, G.D.; Fuenzalida Díaz, M
(coordinadores). 2012. Sistemas de Información Geográfica.
Aplicaciones en diagnósticos territoriales y decisiones
geoambientales. Ra-Ma. Madrid. pp. 97-110.
Buzai, G.D. 2010. Análisis Espacial con Sistemas de Información

Geográfica: sus cinco conceptos fundamentales. Buzai, G.D. (Ed.)
Geografía y Sistemas de Información Geográfica. Aspectos
conceptuales y aplicaciones. Universidad Nacional de Luján – GESIG.
Luján. pp. 163-195.
Buzai, G.D.; Baxendale, C.A.; Humacata, L.M.; Cacace, G.; Delfino, H. y

Lanzelotti, S. y Principi, N.; 2016. Geografía y análisis espacial.
Aplicaciones urbano-regionales con Sistemas de Información
Geográfica. Ed. Universidad Nacional de Luján. Universidad
Nacional de Luján, Luján.
Buzai, G.D.; Baxendale, C.A.; Mierez A. 2003. Accesibilidad e

interacción espacial: aportes del análisis espacial cuantitativo para
su modelización regional. Gerencia Ambiental. 10(95):360-369.
Haggett, P. 1977. El análisis locacional en la Geografía Humana.

Gustavo Gili. Barcelona.
Orueta, A.; Pérez, M.; Pons, J.M. 1995. Prácticas de análisis espacial.
Primera edición. Oikos-Tau. Barcelona.
Pumain, D y Saint-Julien, T. 2014. Análisis espacial. Las

interacciones. Santiago de Chile: Serie GEOlibros N° 21m Instituto
de Geografía, Pontificia Universidad Católica de Chile, Facultad de
Arquitectura, Urbanismo y Geografía, Universidad de Concepción.
297
Noelia Principi
Principi, N. 2011. Avances teórico-metodológicos para la definición

espacial de un área de estudio: El Noroeste de la Provincia de Buenos
Aires. Anuario de la División Geografía 2010-2011. Luján.
Departamento de Ciencias Sociales. Universidad Nacional de Luján.
Resúmenes + CD. Pp. 1-10.
Principi, N. 2012. Accesibilidad e interacción espacial: cálculos

cuantitativos y representación cartográfica regional. Geografía y
Sistemas de Información Geográfica. (GESIG-UNLU, Luján). Año 4,
N° 4, Sección II: 23-38.
298
Capítulo 13
MÉTODO DE LOCALIZACIÓN-ASIGNACIÓN
Aplicación a los consultorios anexos a farmacias del sector

privado en el Municipio de Toluca
Giovanna Santana Castañeda

José Antonio Álvarez Lobato
SÍNTESIS
Este capítulo presenta un método para determinar el área de

cobertura de un tipo de servicio llamado “consultorios anexos a las
farmacias similares” que corresponden al sector salud con un
carácter privado. Se hace un desarrollo claro y concreto del
procedimiento de dos modelos de asignación, el primero
considerando la cercanía a las vías de comunicación y el segundo
basado en la capacidad limitada de dicho servicio detallando los
pasos para su resolución. Se aplica al municipio de Toluca, México.
INTRODUCCIÓN
El mantenimiento de la salud humana depende de cada uno

de los individuos, del medio en donde desarrollan sus actividades,
así como de la cantidad y calidad de los recursos sanitarios, por lo
que la calidad de la salud no es una forma de actividad discontinua o
separada de otras actividades de la vida cotidiana (Olivera, 1993).
En este sentido, la protección sanitaria que recibe una población

depende de la cantidad, calidad, cobertura y distribución de los
equipamientos de salud y del personal sanitario, estos niveles de salud
dependen en gran medida de la acción protectora de la asistencia
médica entendida como la promoción, prevención, curación y
rehabilitación, que regularmente es provista en el sector público.
299
Giovanna Santana Castañeda y José Antonio Álvarez Lobato
Sin embargo, a pesar de los logros que se han realizado en el

sector público, el servicio está condicionado a la disponibilidad de
recursos del Estado Mexicano y la capacidad organizativa del propio
sistema de salud, que está caracterizado por la fragmentación y la
desarticulación de estos, padeciendo de duplicidad de información y
propiciando el desperdicio de recursos (PAHO, 2012), además ha
proliferado la escasez de servicios de salud, la falta de atención
oportuna, la carencia de medicamentos, de equipo y de análisis
clínicos, los malos tratos y hasta negligencias (Leal, 2015) y la
eficiencia del sistema de salud público depende de la disponibilidad
de recursos materiales y humanos, de la calidad del servicio y de la
accesibilidad, por ejemplo si es difícil y costoso el acceso en las áreas
rurales, el sistema es poco efectivo y dificulta el bienestar de la
población.
Esto ha brindado una gran oportunidad a los consultorios

adyacentes a farmacias (CAF), que según la COFEPRIS en 2014 el
35% pertenecía a “Farmacias Similares”, el 19% a “Farmacias del
Ahorro” y con 6% cada una “farmacias Benavides”, “GI” y “Dr.
Descuento”.
Estos consultorios están sujetos a la Norma Oficial Mexicana

NOM-005-SSA3-2010 y en la guía para las buenas prácticas
sanitarias en farmacias y consultorios que establece los requisitos
mínimos de infraestructura y equipamiento de establecimientos
para la atención medica de pacientes ambulatorios, vigente desde el
16 de octubre de 2010.
Estos servicios son de carácter privado y empezaron a

funcionar hace dos décadas como parte de un modelo de negocios
corporativo, que vio un mayor auge a partir de la regulación
sanitaria del 27 de mayo de 2010, en donde se menciona entre otros
temas, que los antibióticos solo se pueden vender con receta médica,
esto a raíz de que este tipo de medicamentos eran los más
consumidos debido a la automedicación (Sánchez y Tépoz, 2016).
La Comisión Federal para la Protección contra Riesgos

Sanitarios (COFEPRIS), menciona que mensualmente en México
alrededor de 10.6 millones de personas acuden a estos locales,
300
Método de localización-asignación
superando incluso al número de pacientes que acuden al Instituto de

Seguridad y Servicios Sociales de los Trabajadores del Estado
(ISSSTE) o al Instituto Mexicano del Seguro Social (IMSS) (Días,
2018).
Leal (2015) menciona que la gente que acude a estos

consultorios por lo general lo hace para evitar largas horas de espera
e incluso la perdida de todo el día en el IMSS o ISSSTE, debido a que
los médicos que atienden en este tipo de servicios recetan
medicamentos para calmar los malestares, o adquieren
prescripciones de antibióticos y así la gente sigue con su día normal,
además de que no cuentan con el dinero para pagar una consulta
privada con médicos especializados, sin embargo, el gran
inconveniente llega cuando estos pacientes rebotan al servicio
público y llegan a consulta con una enfermedad crónico-
degenerativa.
En la presente investigación se toma en consideración los

CAF “Similares” que como se había mencionado es un servicio de
carácter privado, basados en un modelo de negocios corporativo
cuya empresa es líder en venta y distribución de medicamentos
genéricos y productos de salud en México y América Latina con más
de 6,000 sucursales y franquicias establecidas en México, Chile y
Guatemala, sin embargo y como todos los CAF, es un modelo
centrado en la enfermedad y no en la prevención con una modalidad
de negocios exitosa basada en una estrategia empresarial.
Los CAF “Similares” cuentan con un consultorio que brinda

servicio de médico de lunes a viernes desde las 9:00am. hasta las
9:00 pm. Un médico por la mañana y otro por la tarde, en algunos
casos dan consultas los fines de semana con un aumento de 5 o 10
pesos en las consultas que regularmente van de 20 a 50 pesos, a un
lado de todos los consultorios se encuentra abierta la farmacia en
donde surten sus recetas.
A pesar de todo ello, los médicos contratados por la

“Fundación Best” para trabajar en los CAF “Similares” tienen
c o n d i c i o n e s l a b o ra l e s c uya c o n t ra t a c i ó n e va d e l a s
responsabilidades legales, en un estudio reciente se observó que a
301
los usuarios de los CAF se les prescriben al menos tres

medicamentos más frecuentemente (67%) que quienes acuden a
consultorios privados independientes (56%) o a consulta en
instituciones públicas (Seguridad social 54%; Secretaría de salud
45%) (Lezana, 2016) e incluso hay especialistas que denunciaron
que existen casos en los que los médicos están obligados a inducir la
compra de determinadas marcas, fármacos o suplementos
alimenticios (Leal, 2015).
La respuesta de los usuarios a este tipo de servicios ha sido

favorable debido a que son aparentemente poco costosos, están
convenientemente localizados y tienen acceso relativamente
inmediato evitando los largos tiempos de espera, esto a pesar de que
el 33% cuentan con algún tipo de seguridad social (Lezana, 2017),
aunado a que en el sector público existe maltrato de algunos
integrantes del personal de salud hacía los usuarios y la falta de
medicamentos es un problema constante, además los CAF
“Similares” que se encuentran en el municipio de Toluca se
encuentra eficazmente localizados principalmente en localidades
urbanas.
El modelado de este tipo de servicios se vuelve importante

debido a la rapidez con la que han proliferado y su localización, así
como el nivel de atractividad son necesarios para su análisis,
considerando el cálculo de las distancias, costos de
desplazamientos, la cobertura, la asignación de la demanda a la
oferta y la obtención de indicadores estadísticos como medidas de
equidad y eficiencia espacial.
Por otro lado, la estrategia metodológica que se ha seguido

da pauta a una discusión sobre el uso de los modelos que se han
realizado, así como sus implicaciones funcionales y la aparente
simplicidad de uno y otro modelo da paso a la discusión sobre su
utilización, por lo que es importante el contexto antes mencionado
para conocer cómo funciona el servicio y saber quién obtiene qué y
dónde.
302
INSTALACIONES, CLIENTES E INTERACCIONES
La configuración básica para los modelos de localización

asignación, requiere de instalaciones, clientes o usuarios y sus
interrelaciones; a continuación, se abordan de manera concreta los
componentes básicos:
1. Instalación (facility)
El término instalación se utiliza para indicar un objeto cuya
posición espacial se trata de determinar a fin de optimizar la
interacción con otros objetos preexistentes. Las características más
comunes de las instalaciones son: la cantidad, tipo de servicio
prestado, los costos y beneficios generados, la capacidad de
operación, así como la posibilidad de atracción y servicio a los
clientes y si así se requiere el número de nuevas instalaciones a ser
localizadas en un área determinada.
2. Clientes o usuarios
Tradicionalmente, el término cliente (usuario o
consumidor) se utiliza para designar a una persona que requiere el
acceso a un servicio o el suministro de un bien, también se puede
utilizar para indicar cualquier objeto que debe interactuar con una
nueva instalación. Un aspecto por tomar en cuenta es conocer la
distribución espacial y el comportamiento.
3. Interrelaciones
Existen diferentes interrelaciones que se deben considerar
en este tipo de problemas:
(1) Las relaciones entre instalación-instalación (facility-
facility) que se pueden categorizar en dos grupos: si existe un flujo
de bienes o servicios de una instalación a otra y, que las instalaciones
funcionan en un entorno competitivo y que sus respectivas
posiciones afectan al rendimiento del sistema en su conjunto.
(2) Las relaciones entre instalación-cliente (customer-
facility) analizan la forma en que un centro de abastecimiento
satisface la demanda por parte de los usuarios-consumidores.
(3) Las relaciones instalación-localización (facility-location)
se preocupan de los costos de inversión y las restricciones de
capacidad relacionadas con determinados lugares.
303
(4) Las relaciones cliente-cliente son especialmente

relevantes en los modelos que incluyen externalidades de mercado,
tales como congestión o atascos. En estas situaciones, la utilidad de
un cliente es positiva o negativamente afectada por las acciones de
otros usuarios.
ASIGNACIÓN DE LOS LUGARES DE DEMANDA A LOS CENTROS DE

SERVICIO
Los patrones espaciales de todos los servicios, en este caso,

los CAF conllevan un área funcional o áreas de servicio que se define
de acuerdo con algunos criterios, algunos de ellos geográficos, que
contienen una demanda que debe ser atendida. Los diferentes
patrones espaciales que se generan para la dotación en el servicio
brindan a los usuarios diferentes condiciones de accesibilidad, esto
influye en la conducta de consumo y su utilización que aunado a la
calidad en el servicio afectan la satisfacción en el bienestar familiar y
la salud del individuo.
Existen diversas operaciones que permiten realizar un

diagnóstico sobre las áreas de influencia de diversos servicios, un
conjunto de ellas puede ser mediante indicadores cuantitativos
sintéticos, los cuales permitan su representación, Moreno (2012,
capítulo 10) menciona la siguiente clasificación: indicadores de
eficiencia espacial, de equidad espacial y de estructura de los
centros.
Otro conjunto de operaciones está ligado a la cartografía de

los centros y las áreas de servicio para visualizar su organización
espacial, asignando los puntos de demanda a los puntos de servicio u
oferta.
Tomando en consideración lo antes mencionado, en el

presente capítulo se realiza un diagnóstico para analizar las áreas de
servicio mediante cartografía: la espacialización de los puntos de
oferta, la demanda y sus interacciones expresan la organización de
las áreas de servicio mediante líneas de deseo, en donde las líneas
304
muestran la asignación de cada punto de la demanda al punto de

oferta, considerando los flujos previsibles.
El software utilizado para su realización es Educational
Flowmap Release 7.4. Geographical Software for the Analysis of
Spatial Relationansship, 2013, Ultrecht University.
PROCEDIMIENTO Y ANÁLISIS
Se deben elegir los criterios para delimitar las áreas

funcionales, uno de ellos asume que el usuario elige el centro más
próximo ya sea en distancia o tiempo, es sencillo pero muy
operativo, el segundo define la atractividad de cada uno de los
servicios considerando las características propias, por ejemplo, el
número de médicos, horarios, tamaño, número de camas,
equipamiento, entre otros.
Lo que se muestra en el presente capítulo es el resultado de

ambos criterios, el primero considerando que la mayoría de los CAF
“similares” se encuentran las mismas características: un médico, un
área para la espera de pacientes, otra para el interrogatorio y la
exploración del paciente, farmacia a un lado, entre otras
concernientes a los inmuebles. El segundo considera esas pequeñas
variaciones en la atractividad de los diferentes puntos de servicio y
el descenso con la distancia, “ley de la demanda espacial” o
“gradiente de variación” en donde existe un alcance espacial y una
capacidad de cada servicio.
La definición del descenso con la distancia se entiende como

la atenuación de un proceso o de un fenómeno con la distancia, en
donde las interacciones espaciales que se dan entre un punto de
origen y otro de destino tienen un efecto de distancia inverso y
definido que se puede expresar matemáticamente según diferentes
funciones. Esto quedó plasmado explícitamente en la primera ley de
geografía de Tobler (1970), según la cual “todo se relaciona con todo,
pero las cosas más próximas o cercanas se relacionan más que las
distantes”. Además, dicho principio ayudó a construir formulaciones
generales sobre la organización y conducta espacial de la sociedad
305
como por ejemplo la Teoría del Lugar Central de Christaller de 1933,

modificada por Lösch en 1954, o la Teoría difusa de Hägerstrand en
1953 (Santana, 2017).
Se hace una distinción importante al adoptar una métrica de
accesibilidad desde una perspectiva espacial, debido a que se puede
emplear tanto la distancia euclidiana, manhattan, topológica o
subjetiva entendida como “costo” (tiempo empleado, económico,
energético, etc.), por lo que se considera una medida topológica, por
lo que se obtienen las distancias medidas en metros entre los
asentamientos desde los lugares con la población hasta los puntos
de oferta, esta distancia es calculada a partir de una red de vías de
comunicación cuyas características son arcos, segmentos, atributo
de impedancia y la fricción entendida como la longitud del trayecto.
Los puntos de la oferta son aquellos en donde se encuentran

los CAF “similares”1, los puntos que corresponden a la demanda son
2
los centroides de las secciones electorales para ello se considera el
valor de la población total.
La operatividad en Flowmap® es la siguiente:
1. Se define un proyecto nuevo y se seleccionan los

datos del trabajo (previamente se requieren etapas
preparatorias para los datos y su respectiva
transformación a los tipos de archivo nativos del
software) los datos que se agregan son el mapa base del
municipio en este caso, la matriz de distancia, el archivo
de puntos de origen y puntos de destino.
2. Se visualizan las capas y las tablas de los datos, para

verificar que no existan inconvenientes en el proceso y
que todos los datos se encuentren de manera correcta.
3. Se calcula las distancias entre los puntos de origen y

destino, para ello, Flowmap® puede calcular dos tipos de
tablas de distancia, el primero se basa en las distancias
aéreas entre orígenes/destinos (distancia euclidiana) y el
segundo se basa en las distancias más cortas entre
orígenes/destinos a través de una red, para este caso se
306
utilizará la segunda opción por considerar la medida en

metros a través de las vías de comunicación, antes de
realizar el proceso en este software se debe contar con un
archivo que contenga la red y cuidar sobremanera que la
topología sea correcta. Para el cálculo de la matriz de
distancia se siguen los siguientes pasos:
Se da clic en “Create” en la barra de menú, se selecciona

“Distance Matrices” y se da clic en “Network Distance”.
Se deben realizar diferentes configuraciones en primer

lugar si las vías tienen diferente dirección y cuál es la variable que
contiene los atributos de impedancia, entendida como el costo de
desplazamiento a lo largo de cada arco de la red. Para elegir los
parámetros adecuados para el proyecto que estemos desarrollando
se necesitan comprender las siguientes opciones:
El método para conectar un punto a la red se puede elegir

entre nodos o líneas, esto tiene que ver con el tipo de red a la que se
unen los orígenes/destinos, si se desea por ejemplo considerar el
transporte público se deberá ir a una parada entendida en el
software como nodo, para el caso contrario se utilizan líneas donde
se requiere acceder fácilmente a las vías de comunicación
representadas por la red, por ejemplo cuando se va en auto, bicicleta,
caminando, etc. Sin embargo, existen situaciones intermedias, es
decir que en algunos casos se requiere acceder hasta el nodo como el
caso de las autopistas y en otros a la vía de comunicación más
cercana; para dar esa instrucción se utiliza una variable que se
agrega en la opción atributo de acceso.
El factor de conversión también llamado factor de rodeo, en

medidas de longitud se conoce que oscila entre 1,2 y 1,3 lo que
implica un aumento en la distancia medida en longitud estimada de
un 20 ó 30 por ciento y para ámbitos locales puede subir hasta 1.5.
Un ejemplo de cómo calcular esta factor sería el siguiente:
suponiendo que el trayecto de impedancia se calculó en minutos y
las unidades del mapa en metros y que la velocidad se estima en
30km/hr, el factor se calcula de la siguiente manera: (1/30
km/hr)*60minutos= 2, aunque en caso de que se use otra medida de
307
impedancia (tiempo o coste económico) se aconseja usar el botón

Assist, para especificar la velocidad en dichos tramos fuera de la red
y que el programa calcule el factor de conversión.
En la realidad no siempre es posible viajar en línea recta, esta
es la razón de utilizar una curva o factor de ruta, también puede
ocurrir que las unidades de mapa sean desconocidas, si ese es el
caso, es más seguro tomar 0 como factor de multiplicación de esta
forma es como si los orígenes y destinos estuvieran ubicados
directamente en la red.
Las configuraciones utilizadas para este proyecto

comienzan eligiendo de manera indistinta la dirección de las vías de
comunicación cuya unidad de impedancia es la longitud medida en
metros utilizando el método de conectividad a través de las líneas
esto significa que para los puntos de población que no se encuentran
conectados por una red se vinculan a través de una línea recta virtual
a la línea de red más próxima el factor de conversión es de 1.25, en el
caso de que ciertos puntos de las tablas de orígenes y destinos no
estén conectados a la red el programa calcula la distancia mínima a
la línea más próxima y multiplica dicha distancia por ese factor para
estimar primero la distancia real a recorrer considerando las curvas
que puedan existir y luego la impedancia (según las unidades
definidas antes).
4. Se asigna la demanda a la oferta, se da clic en “Analysis”

en la barra de menú, se selecciona “Catchment Areas
Analyses” y se da clic en “Regular Catchment Areas”.
El análisis del área de cobertura se asigna de los orígenes al

destino más cercano, donde un origen se puede asignar a un único
destino, para ello Flowmap® permite establecer dos tipos de límites
uno referente a la capacidad máxima y otro al alcance máximo. Si se
alcanza la capacidad o alcance máximo, el destino ya no se tiene en
cuenta en el resto de la asignación. La capacidad se obtiene de una
variable (o una columna en la base de datos del archivo de atributos)
y puede variar según la atractividad del destino, sin embargo, el
alcance máximo es igual para todos.
308
También hay que considerar la unidad utilizada para

determinar el valor máximo de distancia que se ingresará para
obtener la cobertura, pues debe ser el mismo que se utilizó en la
realización de la matriz de distancia, a menudo, como en este caso
son metros, sin embargo, se pueden utilizar unidades diferentes
como kilómetros, yardas, horas, minutos, etc.
El primer modelo que se muestra considera la asignación de

los puntos de población hacía los servicios, bajo el supuesto de que
no existen umbrales para la capacidad entendida como el número de
población, ni para el alcance entendido como distancia máxima.
El segundo modelo se realiza dando click en “Analysis” en la

barra de menú, se selecciona “Catchment Areas Analyses” y se da
click en “Catchment Areas with Linear Optimization”. En un área de
cobertura con optimización lineal, los orígenes se asignan a los
destinos de tal manera que la distancia total sea lo más corta posible,
reduciendo así, por ejemplo, los gastos de viaje.
Se puede elegir entre contar los orígenes/destinos o como se

realizó en este capítulo, se puede utilizar una variable (columna en la
base de datos del archivo de atributos) como factor de ponderación
que exprese la capacidad máxima para los destinos, en este caso se
obtuvo la atractividad considerando el horario de atención (turnos)
en cada uno de los CAF “similares”.
Como resultado en ambos modelos se pueden agregar seis

nuevas columnas en el archivo de atributo, la primera da los valores
de la suma de la demanda asignada a cada servicio (CAdemand1), la
segunda etiqueta el centro de asignación (CAcentre1), la tercera
muestra la distancia desde el origen al destino al cual fue asignado
(CAdistan1), la cuarta representa la demanda que no fue asignada a
alguno de los centros (CAremain1), la quinta y sexta opción
muestran el coeficiente de proximidad o distancia umbral como
medidas de accesibilidad (CApxcoef1 y CAthdist1).
5. Se interpretan los resultados
El resultado del primer modelo se muestra en la figura 1. Los
309
puntos en color azul corresponden a los CAF “similares”, los puntos

rojos son los centroides que pertenecen a la población total de las
secciones electorales, los polígonos rosas se utilizan solamente para
contextualizar las localidades urbanas y el polígono en gris es la
delimitación del municipio de Toluca. Las líneas negras son las
llamadas líneas de deseo también llamadas araña y simulan la
asignación de los puntos rojos hacía los azules.
Todos los puntos de demanda fueron asignados a algún

punto de las ofertas existentes, la distancia más cercana de un punto
de población hacía uno de los CAF fue de 59 metros, mientras que la
distancia más larga fue de 11.4 km., el promedio fue de 1.45 km. (está
es una medida de eficiencia), mientras que el promedio de población
asignada a cada CAF fue de 19,300, el valor más bajo fue de 5,012
mientras que el más alto fue de 40,000.
Esto expresa una disparidad en el poder de atracción de cada

uno de los CAF, considerando solamente la cercanía a los puntos de
población sobre las vías de comunicación, independientemente de
las características de cada uno.
Los CAF con mayor población asignada se encuentran en los

asentamientos de San José Guadalupe Otzacatipan, Calixtlahuaca,
San Mateo Oxtotitlán y San Felipe Tlalmimilolpan, mientras que los
que tuvieron menos fueron la Moderna de la Cruz, San Andrés
Cuexcontitlán, Santa María Totoltepec y los Ángeles.
En el cuadro 1, se muestra una fracción de la distribución de la

demanda según la distancia al centro de servicio más próximo al cual
ha sido asignado y las medidas de accesibilidad para la demanda.
310
Figura 1. Municipio de Toluca, mapa de líneas de deseo.

Asignación de la oferta a la demanda. Modelo 1.
311
Se puede obtener la distribución gráfica y tabular de la

demanda según la distancia al centro más próximo con capacidad y
medidas de accesibilidad para la demanda, ejecutando la orden
siguiente: Graphs/Catchment profile (Overall), en dónde La
columna de impedancia es la distancia desde el origen al destino al
cual fue asignado, es decir, CADISTAN1 las unidades de impedancia
en este caso son metros y la columna de peso es la que contiene la
población total.
Cuadro. Modelo 1, distribución de la demanda según la

distancia al centro más próximo y medidas de accesibilidad (Fracción)
Fuente: Elaboración propia con base en resultados obtenidos en Flowmap, 2018.
Dentro de las medidas de accesibilidad se encuentra la

distancia más alejada que es de 11 km., y la distancia promedio que
312
es de 1.4 km. Como se había mencionado con anterioridad, además

de ello, se muestra el coeficiente de Gini como una medida de
concentración, que muestra la desigualdad en la distribución, que en
este caso es del 50%, lo que sugiere que la mitad de la población
tiene una mala (buena) inequidad en la distribución considerando la
distancia al CAF más cercano.
El resultado del segundo modelo se muestra en la figura 2

con la misma simbología del primer modelo en la figura 1. Dentro
del municipio de Toluca, se tienen cartografiados 59 CAF
“similares”, y 322 puntos que representan la población total, de ellos,
el 11% (36 puntos) incluyen 124,208 habitantes lo que representa
un 12.56% que se quedaron sin ninguna asignación. La distancia
más cercana de algún punto de población hacía uno de los CAF fue de
59 metros, mientras que la distancia más larga fue de 2.9 km., el
promedio fue de 928 metros mientras que el promedio de población
asignada a cada CAF fue de 16,947.
Lo que se puede apreciar es que los CAF están

convenientemente localizados en áreas eminentemente urbanas,
por lo que a pesar de que la distancia es mucho menor que en el
primer modelo la captación de la población no ha disminuido
significativamente, puesto que sólo el 12% del total de población se
quedo sin ninguna asignación, y ese porcentaje se encuentra en
áreas rurales, con poca población y localizadas de manera dispersa.
Además de ello, el modelo expresa una disparidad en el

poder de atracción de cada uno de los CAF, considerando solamente
la cercanía a los puntos de población sobre las vías de comunicación,
independientemente de las características de cada uno.
Los CAF con mayor población asignada se encuentran en los

asentamientos de los Sauses, San Felipe Tlalmimilolpan, San Mateo
Oxtotitlán, San Cristóbal Huichochitlán y Toluca centro, mientras
que los que tuvieron menos fueron San Andrés Cuexcontitlán, Santa
María Totoltepec, Santa Ana Tlapaltitlán y San Antonio Buenavista.
313
Figura 5. Municipio de Toluca, mapa de líneas de deseo.

Asignación de la oferta a la demanda. Modelo 2.
Del mismo modo se observa en el cuadro 2 una fracción de la

distribución de la demanda, dentro de las medidas de accesibilidad
se encuentra la distancia más alejada que es el 2.9 km., y la distancia
promedio que es de 0.9 km. el coeficiente de Gini muestra un 33.9%
en la desigualdad en la distribución, esto mejora con respecto al
primer modelo que era de 50%, sobre todo por que no se muestran
valores altos de distancia.
314
Cuadro 2. Modelo 2, distribución de la demanda según la distancia

al centro más próximo y medidas de accesibilidad (Fracción).
Fuente: Elaboración propia con base en resultados obtenidos de Flowmap, 2018.
Este tipo de servicios como los CAF “Similares” que forman

parte de una red de franquicias, que a su vez forman parte de un
conjunto de empresas como “Farmacias del Ahorro”, “farmacias
Benavides”, “GI”, “Dr. Descuento”, etc. cuyo objetivo fundamental no
es el de prevenir, sino el de curar, están proliferando
significativamente en el mercado.
315
Las personas buscan una cura de alguna enfermedad más o

menos ligera como la “gripe”, con resultados rápidos, lo que brinda a
los CAF un área de oportunidad muy grande, la cuál ha dejado
desprovista el Estado, pues se ha disminuido la presión sobre los
servicios médicos públicos de primer nivel, siendo los más
utilizados los servicios hospitalarios generales y especializados.
Algunos de estos CAF están localizados en áreas urbanas y

algunos otros sólo en áreas rurales, dependiente el tipo de mercado
al que estén enfocados, para el caso de las CAF “similares” lo que
habían hecho era colocarse en contra esquina de alguna CAF
“Farmacias del ahorro” para ahorrarse el estudio de mercado, sin
embargo, en los últimos años han ido adentrándose en áreas rurales
con gran población, lo que se puede corroborar en los modelos
expuestos anteriormente.
A este respecto, este tipo de modelos permiten visualizar de

forma útil la asignación de la demanda potencial de algún punto con
respecto a los servicios que se prestan, así como la atractividad que
puedan o no tener, esta importancia radica en el poder estratégico
que tiene la localización geográfica debido a ello se puede
incrementar el beneficio, no sólo en su utilidad, sino en el cuidado de
los riesgos, además de ello, uno de los factores importantes que
afectan la decisión sobre la localización es el conocimiento sobre la
cobertura potencial medida en población potencialmente usuaria
del servicio.
El uso del software Flowmap® resulta muy conveniente

debido a que tiene una versión académica gratuita y ofrece un
conjunto de herramientas que resultan interesantes y útiles a la hora
de modelar la realidad como el cálculo de las distancias, tiempos y/o
costos de desplazamiento entre los lugares de la oferta y la demanda,
la asignación de la demanda a los centros de servicio, obtención de
indicadores estadísticos que hacen referencia a medidas de equidad
y eficiencia espacial, así como la cartografía.
316
Notas
1
Datos obtenidos del Directorio Estadístico Nacional de Unidades
Económicas (DENUE) modificada 2017-03-31. Temporal: 2015-
2017. Términos de Libre Uso de la Información del INEGI.
http://www.inegi.org.mx/terminos/terminos_info.aspx Para
mayor detalle consultar el documento metodológico en:
http://www.beta.inegi.org.mx/temas/directorio/ Distribución:
http://www.beta.inegi.org.mx/app/descarga/?ti=6
2
Datos obtenidos de la encuesta intercensal 2015. Términos de Libre Uso de la
Información del INEGI. http://www.inegi.org.mx/geo/contenidos/mapadigital/
BIBLIOGRAFÍA
COFEPRIS (Comisión Federal para la Protección contra Riesgos

Sanitarios) (2017), “Guía para las Buenas Prácticas Sanitarias en
farmacias y consultorios”, COFEPRIS, México, [En línea]
<https://www.gob.mx/cofepris/documentos/guia-para-las-buenas-
practicas-sanitarias-en-farmacias-y-consultorios>, 18 de junio de 2018.
CENETEC (Centro Nacional de Excelencia Tecnológica en Salud) (2010),

“NORMA Oficial Mexicana NOM-005-SSA3-2010, Que establece los
requisitos mínimos de infraestructura y equipamiento de
establecimientos para la atención médica de pacientes ambulatorios”,
CENETEC, México, [En línea] < http://www.cenetec.salud.gob.mx/
descargas/equipoMedico/normas/NOM_005_SSA3_2010.pdf>, 20 de
junio de 2018.
Díaz, Israel (2018) “Número de consultorios anexos a farmacias se

ha disparado en los últimos 7 años” Saludiario, Disponible en:
https://saludiario.com/en-7-anos-se-dispara-numero-de-
consultorios-anexos-a-farmacias/
Justin van Dijk (2013) “Flowmap”, [Software], version 7.4.2, Human

Geography and Planning, Facultad de Ciencias Geográficas,
Universidad de Utrecht, Países Bajos.
317
Lezana F. M. A. 2017. Consultorios adyacentes a farmacias privadas:

calidad de los servicios de salud y calidad de vida laboral (CAF).
Disponible en: http://www.dgdi-conamed.salud.gob.mx/ojs-
conamed/index.php/revconamed/article/view/399/708
Leal G. en Rincon S. (2015) “El abandono del sector salud en 2015

tiene un tufo privatizador”, sin embargo. Disponible en:
http://www.sinembargo.mx/30-12-2015/1586447
Olivera, Ana (1993) “Geografía de la salud” editorial SINTESIS,

Madrid, España.
PAHO (Pan American Health Organization) (2002), “Perfil del

Sistema de Servicios de Salud de México. Programa de organización
y gestión de sistemas y servicios de salud, División de desarrollo de
sistemas y servicios de salud”, PAHO, Disponible en:
http://www1.paho.org/hq/dmdocuments/2010/P erfil_Sistema_S
alud-Mexico_2002.pdf
Sánchez y Tépoz J., De la Torre González G., Ibarra Cruz, G. 2016. “Visitas a
consultorios en farmacias” Revista COFEPRIS, 12 de Enero de 2016.
Disponible en: http://revistacofepris.salud.gob.mx/n/no2/inspector.html
T. De Jong N. Van Der Vaart (2013), “Manual Flowmap 7.4.2”, Faculty of

Geographical Sciences Utrecht University, The Netherlands [En línea]
<http://flowmap.geo.uu.nl/downloads/FM742_Manual.pdf>, 7 de
agosto de 2018.
318
Capítulo 14
MÉTODO PARA EL USO DE PARÁMETROS
ESTADÍSTICOS
Aplicación para el estudio de sedimentos y dinámica
geomorfológica en el delta del río Balsas, México
Luis Miguel Espinosa Rodríguez

José de Jesús Fuentes Junco
SÍNTESIS
El presente trabajo muestra como las metodologías

empleadas para el estudio de sedimentos de tipo arenoso,
permiten por una parte correlacionar procesos geomorfológicos
relacionados con la erosión de la línea de costa en el delta del río
Balsas, Michoacán y Guerrero México, y por otra; ayudan a
pronosticar condiciones morfológicas de sitio a través de la
granulometría y definir con ello escenarios de cambio y de riesgo.
INTRODUCCIÓN
La sedimentología es una técnica comprendida en el ámbito del

análisis de las rocas sedimentarias que permite conocer particularidades
de los medios de transporte y de las características de sedimentación de
ambientes eólicos, costeros, fluviales y gravitacionales entre otros. De
manera particular dentro de esta disciplina se pueden conocer aspectos
tales como las fuentes de aporte, los medios de transporte y los ambientes
de depósito de partículas clásticas; y de manera particular en cada
sedimento, se logran determinar aspectos específicos como la forma
(esférica, angular, tabular), la esfericidad, la redondez, las estructuras
superficiales (esmeriladas, pulidas, mate, de abrasión activa, porosidad,
permeabilidad) y; el tamaño que estos poseen en un ambiente de
depósito.
319
Luis Miguel Espinosa Rodríguez y José de Jesús Fuentes Junco
Las aplicaciones del análisis sedimentológico pueden ser

diversas, entre las más comunes se encuentra el análisis de balance
provocado por el sistema erosión-transporte-deposición para
determinar condiciones de dinámica y transferencia de materia y
energía en diferentes ecosistemas; para determinar alteraciones en
la topografía continental y submarina para el desarrollo de obras de
ingeniería y el cultivo de animales marinos entre otras.
Con referencia al tamaño de las partículas de un depósito, se

conoce con el nombre de análisis granulométrico a las técnicas
empleadas para determinar el diámetro de las partículas. Con
información referente al tamaño y distribución espacial de
sedimentos, resulta posible inferir las condiciones y tendencias
generales de un paisaje geomorfológico.
Así y en sintonía con estas ideas, la tesis que forja el eje
central de la investigación refiere que el análisis granulométrico
permite establecer una relación entre la energía que actúa en el
transporte y el ambiente de depósito.
De acuerdo con esto, y en el marco general de un proyecto de

investigación que aborda un estudio morfométrico y morfológico de
las transformaciones geomorfológicas en la línea de costa del delta del
río Balsas, se ha desarrollado un estudio de tipo granulométrico con
los objetivos de confirmar el retroceso de línea de costa; y mostrar las
tendencias de transformación de la zona litoral (Figura 1).
Figura 1. Localización del delta del río Balsas en la frontera de los

estados de Michoacán y Guerrero en el paralelo 170 54´53´´ y meridiano
1020 10´36´´. Fuente: elaboración con base en Google Earth 2018.
320
Método para el uso de parámetros estadísticos
Los cambios de tipo geomorfológico –en el sistema fluvial y

costero- que se registran en la zona de estudio se intensificaron
debido a la construcción de las presas de Infiernillo y La Villita
durante los años 1950 y 1987. El curso bajo del río Balsas modificó
un régimen de tipo progradante por uno degradante que registra
una pérdida superficial de más de cuatro kilómetros cuadrados
(Figura 2).
Figura 2. Representación general del avance (1947) y retroceso

(1985, 1991, 2015) de la línea de costa con base en la morfología
costera del año 1979. Fuente: elaboración propia.
OBJETIVOS, BASES TEÓRICAS Y ANTECEDENTES
El objetivo central de esta investigación se centra en exponer

las metodologías empleadas para el estudio de los transformaciones
granulométricas de los sedimentos dispuestos a lo largo de la playa
que conforma al delta del río Balsas, comparando los resultados de
estudios realizados en los años 1971, 1991, 2000 y 2015. Se destaca la
importancia de la metodología llevada a cabo en la investigación de
1991 y de los resultados encontrados, los cuales son confirmados con
el trabajo de campo realizado en los dos últimos periodos de estudio.
La base teórica de la investigación sedimentológica y

estadística se basó en los trabajos desarrollados por autores como
Gilbert (1914); Wentwort (1922 y 1933), Emery (1938), Krumbein
(1934, 1952 y 1954), Inman (1952, 1963); Inman y Chamberlain
(1955), Pettijhon (1963), Folk (1965); Folk y Ward (1957); Allen
(1970 y 1985), Selley (1976 y 2000), Reineck & Singh (1980), Ricci-
Lucchi (1980), Fairbridge y Bourgeois (1978), Friedman y Sanders
(1978), Galloway y Hobbday (1983), Scholle y Spearing (1983),
Arche (1999 y 2010), Nichols (1999), Leeder (1982 y 1999);
321
Reading (1986); Carranza (1989); Lecuanda (1993); y Selley

(2000).
Los antecedentes de investigaciones realizadas en este sitio

datan del año 1970 y desde entonces, el delta ha sido monitoreado
desde la perspectiva geomorfológica y sedimentológica (Cuadro 1).
Cuadro 1. Estudios antecedentes realizados en la costa que comprende al sector
noroccidental del delta del río Balsas.
Fuente: elaboración propia con base en Carranza (1974), Ortiz (1985), Espinosa y
Fuentes (1991); Espinosa (2000), Hernández et al. (2016).
Año Autor Aporte
Reimintz y Demuestran el cambio sedimentológico rápido ocurrido en el
1970
Gutierrez cañón submarino en el delta del río Balsas.
Presenta un proceso de clasificación y de distribución espacial de
sedimentos a lo largo de la franja costera en donde además de
1971 Gutiérrez representar características estructurales exhiben que las playas en
estudio presentan arenas de tamaño fino y medio de acuerdo con
la clasificación de Krumbein.
En este trabajo se presentan los cambios morfológicos generales
que se ha presentado en los brazos del sistema fluvial en
1985 Ortiz
cuestión indicando de manera particular un retroceso de la línea
de costa en el período comprendido entre 1948 y 1985.
Galaviz y Realizan un estudio de características físicas de sedimentos en el
1989
Gutiérrez antiguo sector de la playa.
Cervantes Realizan un estudio de los cambios morfológicos del delta
1989
y Monroy submarino y realizan un muestreo de carácter sedimentológico
Muestra la evolución geomorfológica del delta en donde se
exhiben cambios en el patrón fluvial y se confirma el proceso de
retroceso de la línea de costa; se calcula una pérdida de 3.5
kilómetros cuadrados de superficie continental; asimismo se hace
Espinosa y un estudio granulométrico en el cual se demuestra un cambio en
1991
Fuentes el patrón textural de los sedimentos reportándose el
engrosamiento de arenas y el desarrollo de guijarros y bloques de
mayor tamaño. Este trabajo confirmó el proceso de retroceso de
la línea de costa y la desaparición de la mayor parte de depósitos
de arena.
Se verifica en campo la destrucción de obras de protección y se
2000 Espinosa cuantifica una pérdida de medio kilómetro cuadrado de costa
con referencia al trabajo anterior.
Con cartografía digital muestran períodos y tasas de avance -
Hernández
2016 retroceso de la franja litoral y el impacto geomorfológico del
et al.
mismo.
322
METODOLOGÍA
La información de las muestras de grupos texturales que se

obtuvieron del año 1971 fue tomada de la publicación de Gutiérrez
(1971) quién clasificó el sector costero con arenas medias y finas.
Con referencia al trabajo realizado durante 1989 y 1991, se
recolectaron en campo 400 muestras localizadas en el sector
comprendido entre bajamar y alta playa a lo largo de la franja costera
durante el periodo de invierno y verano (Figura 3).
Figura 3. Perfil ideal de una playa. Las muestras de sedimentos se

recolectaron en las zonas de bajamar, intermareas, pleamar,
posplaya y alta playa. Fuente: Modificado de Trejo, 2016.
De acuerdo con los principios establecidos por Lecuanda

(información personal) y Krumbein (1934), el muestreo contempló
solo los primeros diez centímetros de profundidad para determinar
las condiciones actuales de la dinámica de transporte y
sedimentación. Cabe aclarar que no se encontraron muestras de
diámetro menor a 0.125 mm. y se excluyeron los grupos arenosos
mayores a 2.0 milímetros.
Las muestras fueron procesadas en un tubo de

sedimentación y preparadas en laboratorio para determinar las
características granulométricas de acuerdo con los criterios
establecidos por Emery (1938); entre tanto, la clasificación de los
sedimentos se realizó con base en la escala propuesta por Wentwort
323
(1922 y 1933); que clasificó a los clastos por el diámetro

comprendido entre 2,048 milímetros (bloques), hasta los más finos
con 1/256 mm. La información granulométrica se reclasificó con la
escala logarítmica de Krumbein (1934) también denominada escala
de phi (F), la cual permite utilizar valores positivos para el caso de
las arenas y materiales finos (Cuadro 2).
Cuadro 2. Relación granulométrica de sedimentos arenosos
definidos por Wentwort (1922 y 1933) y la escala de phi (F).
Fuente: Modificada de Krumbein (1990).
Diámetro en
Tipo de arena Diámetro enphi
milímetros
Arena muy gruesa 2.0 -1
Arena gruesa 1.0 0
Arena media 0.50 1
Arena fina 0.25 2
Arena muy fina 0.125 3
0.062 4
Los parámetros estadísticos obtenidos del análisis

granulométrico fueron: diámetro promedio gráfico de phi, grado de
clasificación (sigma de phi), coeficiente de asimetría (skewness de
phi), desviación estándar y curtosis; todo ello de acuerdo con los
criterios establecidos por Inman y Chamberlain en 1955.
De manera específica, los parámetros estadísticos

empleados se basan en estadística general, y en el ámbito del
análisis sedimentológico explica:
- El diámetro promedio gráfico de phi y el grado de

clasificación (sigma de phi), exhiben por una parte el
comportamiento de la textura de las partículas de arena
ordenadas de acuerdo con criterios del diámetro –que van de
muy fino a muy grueso- y la distribución de la misma en una
escala logarítmica que permite ver las tendencias del medio de
transporte y de depósito.
324
- El coeficiente de asimetría (kewness de phi, representa la

forma de distribución de los diámetros de las muestras de arena en
torno a la media. El sesgo o asimetría tiende a poseer un valor de “0”
uando es “normal” y ésta puede ser positiva o negativa.
- La desviación estándar, pertenece a las medidas de
tendencia central y muestra la distancia que existe de un punto con
respecto a la media; resulta sensible ante valores extremos.
- La curtosis genera tres tipos de gráficos (leptocúrtico,
mesocúrtico y platicúrtico) los cuales representan la forma de
distribución de la textura de las arenas conforma con la distribución
normal (Figura 4).
Figura 4. Gráficos representativos de asimetría en la parte superior y

curtosis en la inferior; en donde se representa: A: curva de asimetría
negativa; B: curva simétrica; C: curva de asimetría positiva; D: curva
leptocúrtica, E: curva mesocúrtica y; F: curva platicúrtica. Fuente:
Elaboración propia.
En la Figura 5 se observa la ficha de registro y datos de una

muestra procesada por medio del Tubo de sedimentación procesada
de acuerdo con la metodología establecida. La representación
estadística de los resultados encontrados se hizo a través de curvas
de frecuencias para determinar la distribución granulométrica para
cualquier sedimento; ello debido a que este tipo de gráfico según
325
Pettijhon (1963), permite establecer como un sedimento se

encuentra clasificado (Cuadro 3).
Para los dos últimos años de referencia (2000 y 2015) se

confirmó el cambio textural de sedimentos establecido con los
resultados del trabajo sedimentológico antecedente, encontrándose
que dicho sector costero poseía solamente una cobertura aproximada
de 16% de playas arenosas; toda vez que el resto de las mismas
presentaba texturas más relacionadas con guijarros, gravas y bloques.
Las muestras tomadas en campo, fueron procesadas a través de tamiz
y se realizaron mediciones de los bloques con cinta. En esta ocasión el
proceso estadístico empleado fue el sugerido por Lecuanda (1993)
quién definió los principios del Triángulo para la representación
poblacional y genética de los sedimentos en donde se destacan las
figuras de suspensión, tracción y saltación (Cuadro 4).
326
Figura 5. Ficha de ingreso y registro de muestra de sedimentos para

procesamiento granulométrico a través del método del Tubo de
Emery en el Laboratorio de suelos del Instituto de Geografía de la
UNAM. Los datos que aparecen en formato de letra cursiva
representan a la muestra de arena 1783-46 colectada en la línea de
costa del delta del Balsas. Fuente. Elaboración propia.
327
328
Este mismo autor propuso el estudio de la Moda que

muestra el diámetro de partícula que se presenta con mayor
frecuencia; en este sentido Lecuanda (1993) establece que este
parámetro ayuda a determinar la génesis y transporte de
sedimentos; toda vez que la Mediana representa la mitad en peso de
las partículas tiene tamaño mayor que la mediana, y la otra, menor.
Por su parte, la Uniformidad clasifica a los sedimentos; cuanto más
grande sea la porción de la curva comprendida por el coeficiente de
clasificación, tanto será mejor la medida.
Por su parte, la Desviación gráfica estándar obtiene valores

tomados de la curva acumulativa, abarca el 68% central de
distribución, mientras que la Asimetría incluye el 90% de la curva
entre 16 y 84 de la Moda y finalmente; la Curtosis mide la razón entre
el grado de clasificación de las colas y la parte central de la curva.
RESULTADOS
El análisis comparativo de sedimentos indica una tendencia

de cambio granulométrico en la zona de estudio. De mayor
significado fueron los resultados encontrados en el trabajo de
Espinosa y Fuentes (1991) en donde se exhibe el cambio en el
tamaño del diámetro de las partículas y las tendencias que podrían
existir en el futuro próximo –dado el contexto, ello representa los
próximos veinte años aproximadamente- debido a que demostraron
niveles altos de energía en el sistema costero exhibidos por los
depósitos de arena.
En el cuadro siguiente se muestra un concentrado general de

los resultados obtenidos a lo largo de las playas muestreadas en el
periodo referido, denotándose pocos cambios en los parámetros
estadísticos, es decir un continuum hacia los procesos de erosión
costera.
329
La representación de la distribución de sedimentos resultó

ser bimodal y polimodal; ello representa alta movilidad y
concentración de energía; toda vez que la tendencia platicúrtica
define una tendencia determinada a conformar sedimentos con
diámetro más grueso.
Lo anterior se determina porque la mayor parte de los picos

máximos se ubican a la izquierda del valor de 2F; es decir, las
muestras estudiadas presentan valores que caen dentro de la
clasificación de arenas medias y gruesas. Así, la conclusión general
muestra para 1991 una distribución textural de arenas medias con
una tendencia hacia las gruesas; ello debido a la alta concentración
de energía en la costa y, al sistema de protección costero construido
en 1979 y desaparecido por el oleaje y corrientes veinte años
después.
Como se pronosticó, la disminución física de arenas y el

cambio de éstas por sedimentos más groseros se confirmó de
manera progresiva con el trabajo de campo de 2000 y 2017 como se
puede observar en el ejemplo de la gráfica en la siguiente.
330
Figura 6. Curva acumulativa de la distribución textural de

sedimentos phi de la muestra 1783 – 46. Fuente: elaboración
propia.
La superficie arenosa de la playa se redujo en más del 70% y

la textura se hizo muy gruesa; el nuevo sistema de protección de la
costa conformado por bloques de 3 y 5 toneladas colapsó también y
el retroceso de la línea de costa continua afectando de manera
directa al sistema de comunicaciones ferroviaria y de caminos de las
empresas construidas en la zona de estudio.
DISCUSIÓN Y CONCLUSIONES
La interpretación general de los trabajos granulométricos

muestran dos constantes: el gradual aumento de diámetro de las
partículas de arena y, la disminución progresiva de éstas y la
sustitución de ellas por materiales de mayor dimensión.
Una de las observaciones más importantes del trabajo

realizado en 1991 establecía: “no hay diferencia muy clara entre los
períodos de invierno y verano en los procesos sedimentológicos del
delta, ello provoca la alteración del sistema debido a que el oleaje
actúa de la misma forma; en términos de sistema, el flujo
hidrodinámico (entrada de energía) no tiene respuesta en el flujo de
sedimentos (salida de energía)”. Esta aseveración se confirma en el
331
tiempo presente. Asimismo, se advirtió que la clasificación de

sedimentos mostraba sectores particulares de concentración de
energía erosiva en el delta, y el movimiento de sedimentos a través
de rip currents; lo que en conjunto representaba zonas de ataque y
pérdida de playas.
A través del estudio de las texturas de los sedimentos

durante los períodos establecidos de invierno y verano, se
encontraron cambios significativos en cuanto a las texturas y
distribución que registró Gutiérrez (1971); así como los más
recientes comparados con la primera y segunda década del siglo
XXI.
Con referencia a la metodología empleada en cada periodo

de estudio, los resultados y proyecciones a futuro de las
transformaciones geomorfológicas y cambios texturales en el delta
del río Balsas se ratificaron; lo que representa por una parte un
acierto en la relación teórico-metodológica empleada y por otra, la
confirmación de un proceso continuo de retroceso de la línea de
costa debida a la antropización del sistema fluvial.
BIBLIOGRAFÍA
Allen L. 1970. Physical processes of sedimentation. Allen and Unwin,

London, 248 pp.
Allen L. 1985. Principles of physical sedimentology. Allen and

Unwin, London, 272 pp.
Arche A. 1989. Sedimentología. CSIC Colección nuevas tendencias

11-112, Madrid, 1072 pp.
Arche A. 2010. Sedimentología. Del proceso físico a la cuenca

sedimentaria. CSIC Textos Universitarios 46, Madrid, 1287 pp.
332
Carranza E. 1989. "Estudio sedimentológico de las playas del Estado

de Chiapas, México" Instituto de Ciencias del Mar y Limnología UNAM.
Cervantes M. y Monroy S. 1989. Características sedimentológicas y

evolución morfológica submarina del Delta del Río Balsas Tesis de
Ingeniería Geológica. UNAM.
Emery K.O. 1938. "Rapid method of mechanical analysis of

sediments" Journal Sedimentary Petrology, vol. 8, no. 3.
Fairbridge W. y Bourgeois J. 1978. The encyclopedia of

Sedimentology. Dowen, Hutcginson & Ross, Stroudsburg, 901 pp.
Folk 1965. Petrology of sedimentary rocks. Hempill's Book Co., Austin Texas.
Folk y Ward, 1957. "Brazos river bar, a study in the significance a

grain-size parameters" Journal Geology Petrol. vol. 27, no. 3 - 27.
Friedman M. y Sanders E. 1978. Principles of sedimentology. John

Willey and Sons, New York, 792 pp.
Galaviz S. y Gutiérrez E. 1989. Textura, densidad y porosidad de los

sedimentos oceánicos frente al puerto Lázaro Cárdenas, Michoacán,
México. En: Memorias I Congreso Internacional de Ingeniería Portuaria.
Asociación Mexicana de Ingeniería Portuaria, México, octubre 1989.
Galloway E. y Hobbday K. 1983. Terrigenous clastic depositional
systems. Springer-Verlang, Berlin, 423 pp.
Gilbert K. 1914. The transportation of debris by running water US.

Geol. Survey. Washington.
Inman L. 1952. "Measures for describing the size distribution of

sediments. Journal of Sedimentary Petrology,
Inman L. 1963. Sediments: Physical properties and mechanics of

sedimentation Harper & Row, New York.
333
Inman L. y Chamberlain 1955. Particle size distribution in near

shore sediments In: Finding Ancient Shorelines. Soc. Econ. Paleont.
Min. Spec. Publ: 3.
Krumbein C. 1952. A history of the principles and methods of

mechanical analysis. Journal of Sedimentary Petrology, vol. 2, no. 2.
Krumbein C. 1954. Size frecuency distributions of sediments.

Journal Sedimentary Petrology vol 4.
Leeder R. 1982. Sedimentology. Proccess and products. Allen &

Unwin, London, Boston, 344 pp.
Leeder R. 1999. Sedimentology and sedimentary basins: from

turbulunce to tectonics. Blackwell, Oxford 592 pp.
Lecuanda R. 1993. Un para la representación poblacional e

interpretación genética de sedimentos arenosos. Instituto de
Ciencias del mar y Limnología, Universidad Nacional Autónoma de
México.
Nichols G. 1999. Sedimentology and stratigraphy. Blackwell, Oxford 355 pp.
Ortiz M. 1985. Fotointerpretación geomorfológica en el Delta del Río

Balsas, Michoacán-Guerrero. En: Memorias VIII Congreso Nacional
de Fotogrametría, Fotointerpretación y Geodesia, Morelia
Michoacán, México.
Pettijhon. 1963. Rocas Sedimentarias Ed. Eudeba. Tr. Juan Turner,

Argentina.
Reading H. (ed.) 1986. Sedimentary environments and facies. (2nd

edition). Blackwell, Oxford 615 pp.
Reimintz and Gutierrez E. 1970. Rapid changes in the head of the rio
Balsas submarine canyon system, Mexico. Marine Geology no.8,
Elsevier Netherlands.
334
Reineck E. & Singh B. 1980. Depositional sedimentary

nd
environments-with reference terrigenous clastics. (2 Edition).
Springer, Berlin 549 pp.
Ricci-Lucchi F. 1980. Sedimentologia. C.L.U.E.B. 3vol. 226, 222 y 545 pp.
Scholle A. y Spearing D. 1983. Sandstone depositional

environments. AAPG Memoir 33. Tulsa, 700 pp.
Selley C. 1976. An introduction to sedimentology. Academis Press,

New York, 408 pp.
Selley C. 2000. Applied sedimentology (2nd Edition). Academic

Press London, Vol. 22, no. 3. 523 pp.
Walker G. 1984. Facies models. Geoscience Canada, Reprint Series 1,

317 pp.
Wentwort K. 1922. A scale of grade classes sediments. Journal

Geology, Vol 30.
Wentwort K. 1933. Fundamental limits the sizes of clastic grains.

Science. New Ser. Vol. 77.
335
336
Capítulo 15
MÉTODO DE DINÁMICA DE SISTEMAS
Aplicación al análisis de cambios en el uso del suelo en el Oeste
del Gran Buenos Aires
Luis Humacata
SÍNTESIS
Este capítulo presenta los procedimientos metodológicos

para el análisis de la evolución espacial a partir de la tabulación
cruzada de dos mapas de diferentes años. Se obtiene como resultado
una serie de indicadores estadísticos y cartografía dinámica de usos
del suelo, que permiten evaluar la magnitud de los cambios,
enfocados en determinar las superficies de ganancias y pérdidas,
cambio neto y total, y los intercambios entre categorías de usos del
suelo. La aplicación corresponde al análisis de cambios en el uso del
suelo del Gran Buenos Aires (Argentina).
INTRODUCCIÓN
El presente capítulo tiene por objetivo desarrollar los

principales procedimientos para el análisis espacial de cambios de
usos del suelo a partir de cartografía temática e indicadores
cuantitativos utilizando Sistemas de Información Geográfica (SIG).
El conocimiento de la configuración espacial de usos del

suelo y su dinámica de cambio es de suma importancia a la hora de
contar con un diagnóstico de la evolución espacial de la ocupación
del suelo. En este sentido, la descripción y análisis de los principales
cambios de usos del suelo aportan valiosas herramientas orientadas
a la cuantificación de su magnitud y distribución espacial.
La metodología de detección de cambios a partir de la

tabulación cruzada de dos mapas de distintos cortes temporales
brinda una serie de indicadores que permiten medir las ganancias,
337
Luis Humacata
las pérdidas, el cambio neto y total, y los intercambios entre las

distintas categorías de análisis definidas para el periodo de estudio.
De esta manera es posible obtener resultados numéricos y
cartográficos como insumos básicos para el análisis estadístico y
espacial respectivamente.
Los procedimientos metodológicos se enmarcan dentro del

concepto de evolución espacial, y tienen como finalidad el
descubrimiento de la variación espacio-temporal de los patrones de
distribución espacial de las categorías de usos del suelo.
MATRIZ DE TABULACIÓN CRUZADA
La superposición de mapas de diferentes momentos

históricos se presenta como una herramienta para analizar los
cambios en las configuraciones espaciales de usos del suelo. De este
modo, es posible el descubrimiento de la evolución de los patrones
de distribución espacial de cada categoría. Se orienta a la definición
de correspondencias espaciales desde un enfoque temporal (Buzai y
Baxendale, 2011), obteniendo resultados cartográficos mediante
procedimientos sucesivos que se enmarcan dentro del proceso de
modelado cartográfico. Dentro de esta línea metodológica podemos
señalar los avances hacia procedimientos más complejos, como el
análisis de detección de cambios de usos del suelo (Pontius et al.,
2004; Plata Rocha et al., 2009; Humacata, 2017a), el análisis de
evaluación multicriterio para la identificación de potenciales
conflictos entre usos del suelo (Buzai y Baxendale, 2011), y los
modelos de simulación en base a autómatas celulares (Xie y Sun,
2000; Aguilera Benavente et al., 2009; Gómez Delgado y Rodríguez
Espinosa, 2012; Linares, 2015).
Los procedimientos para la detección de cambios de usos del

suelo parten de la tabulación cruzada de dos mapas, lo que genera la
denominada matriz de cambios. La misma se organiza en filas y
columnas. En las primeras se encuentran representadas las
categorías del mapa del corte temporal 1 (T1), y en las columnas
están las categorías del segundo corte temporal (T2). En la diagonal
de la matriz se encuentran representadas las superficies que han
338
Método de dinámica de sistemas
permanecido estables entre los dos cortes temporales, mientras que

fuera de la matriz se encuentran las superficies de cada categoría
que presentan transiciones a otras categorías desde tiempo 1 al
tiempo 2. Las columnas Total T1 y Total T2 recogen la suma de cada
categoría para cada año respectivamente. A ello se suma la columna
referida a las pérdidas de superficie de cada categoría entre los dos
cortes temporales, y la fila de las ganancias que cada categoría
obtuvo en el periodo analizado.
Tabla 1: Matriz de tabulación cruzada (dos cortes temporales)-

Detección de cambios.
Fuente: Elaborado en base a Pontius et al. (2004).
A partir de la matriz de tabulación cruzada se procede a la

obtención de indicadores cuantitativos, que permiten evaluar la
magnitud de los cambios, enfocados en determinar las superficies
de ganancias y pérdidas, cambio neto y total, y los intercambios
entre categorías de usos del suelo (Plata Rocha, et al. 2009). A
continuación se presentan las definiciones de estos parámetros:
- Ganancias: se obtienen a partir de la diferencia de la suma total del

tiempo 2 (T2) y el valor de la diagonal correspondiente a cada
categoría.
- Pérdidas: se obtienen a partir de la diferencia de la suma total del
tiempo 1 (T1) y el valor de la diagonal correspondiente a cada
categoría.
- Cambio neto: este valor se obtiene a partir de la diferencia de las
pérdidas y las ganancias de cada categoría.
- Intercambio: se define como el doble del valor mínimo de las
ganancias o las pérdidas.
- Cambio total: es el resultado de la suma de las ganancias y las
pérdidas.
339
Luis Humacata
A continuación se presenta un ejemplo ilustrativo de los

procedimientos de superposición temática para la obtención de
cartografía dinámica. Para ello se consideran cuatro categorías de
usos del suelo. La categoría 1 corresponde al uso Urbano (color
rojo), la categoría 2 hace referencia al uso Agrícola (color amarillo),
la categoría 3 señala el uso Ganadero (color violeta) y, por último, la
categoría 4 corresponde al uso Forestal (color verde).
A partir de la tabulación cruzada de los dos mapas es posible

obtener nuevas categorías que indican las combinaciones que se
produjeron entre las mismas. Como se puede observar en la Figura
1, se identifican las áreas que experimentaron transiciones a otros
usos del suelo. De las dieciséis combinaciones posibles, surgen cinco
categorías de cambios: Agrícola a Urbano (combinación 2-1),
Forestal a Urbano (combinación 4-1), Forestal a Agrícola
(combinación 4-2), Ganadero a Agrícola (combinación 3-2), y
Agrícola a Ganadero (combinación 2-3). En base a la combinación de
estas categorías se obtendrá la representación cartográfica de los
indicadores de cambios, tales como el mapa de Ganancias y
pérdidas, Transiciones e Intercambios.
Figura 1: Procedimiento para la detección de cambios de usos del suelo

(dos cortes temporales).
Fuente: Elaboración del autor.
340
Esta metodología ha sido estandarizada a partir del módulo

Land Change Modeler for Ecological Sustainability, que se encuentra
como una aplicación vertical dentro del SIG IDRISI, y se ocupa del
estudio de los problemas de conversión acelerada de los usos del
suelo con objetivos orientados a la conservación de la biodiversidad
(Eastman, 2012). De esta manera es posible obtener resultados
numéricos y cartográficos como insumos básicos para el análisis
estadístico y espacial respectivamente, convirtiéndose en una
propuesta metodológica de suma importancia a la hora de contar
con un diagnóstico de la evolución espacial.
APLICACIÓN AL SECTOR OESTE DEL GRAN BUENOS AIRES
El área de estudio corresponde a tres municipios del sector

oeste metropolitano: General Rodríguez (87.185 hab.), Luján
(106.273 hab.) y Moreno (452.505 hab.), con una población total de
645.963 (INDEC, 2013), y una superficie de 1.324,54 km2.
La base de datos cartográfica se ha generado a partir de la

combinación de procedimientos de teledetección y SIG, integrando
técnicas de análisis visual y clasificación digital de imágenes, con el
apoyo de trabajo de campo, para llegar a definir una tipología de
usos del suelo en dos cortes temporales, correspondientes a los años
2000 y 2010. De este modo, quedan definidas 9 clases en un solo
nivel de jerarquización: 1. Infraestructura de transporte; 2. Cursos
de agua; 3. Urbano disperso; 4. Urbano Tradicional o Compacto; 5.
Forestal-Natural; 6. Ganadero; 7. Agrícola; 8. Hortícola-Intensivo; 9.
Deportivo-Recreativo. Los aspectos técnicos de elaboración de
cartografía temática de usos del suelo mediante Tecnologías de la
Información Geográfica han sido presentados con mayor detalle en
Humacata (2017b).
Cálculo de indicadores y cartografía dinámica
A partir de un análisis general de la matriz de cambios (Tabla

2), podemos identificar las zonas estables, siendo aquellas que no
han presentado cambios entre el año 2000 y 2010, y las zonas
341
Luis Humacata
dinámicas, referidas a aquellas que han experimentado algún tipo

de cambio (ganancias y/o pérdidas). Con una superficie total de
132.454 hectáreas, el área de estudio cuenta con una mayor
proporción de su territorio que ha permanecido estable,
representando una superficie del 85 % (112.398 ha), siendo la
superficie de las zonas dinámicas de un 15 % (20.056 ha), dando
como resultado una tasa de cambio global de 2.006 ha/año.
Tabla 2: Matriz de tabulación cruzada (Año: 2000-2010)
Un análisis comparativo con los datos del año 2000, muestra

que el uso Forestal-Natural fue el que mayor superficie ha perdido,
presentando una disminución del 50 % con respecto al periodo
anterior. El uso Ganadero es otra de las categorías que presenta una
significativa disminución de su superficie (con una reducción del 29 %).
Por su parte, la superficie destinada al uso Hortícola-Intensivo
disminuyó casi el 7 %. Entre las categorías que mayores incrementos
han tenido, se encuentra el uso Deportivo-Recreativo, con un
aumento de su superficie de 139 %; seguido del uso Urbano disperso
(con un 82%). Las restantes categorías corresponden al uso Agrícola
(4,4 %) y Urbano tradicional o compacto (4,2%). Las categorías que
no presentaron modificaciones en su superficie fueron
Infraestructura de transporte y Cursos de agua.
342
Los gráficos de la Figura 2 presentan las ganancias y las

pérdidas y el cambio neto experimentadas por las categorías en el
periodo 2000-2010. El primer gráfico nos indica que las categorías
que han ganado mayores superficies en valores absolutos son el uso
Agrícola (11283 ha), Ganadero (4255 ha), y Urbano disperso (2461
ha); seguido de Deportivo-Recreativo (946 ha), y Urbano tradicional
o compacto (903 ha). Por otro lado, las categorías que han perdido
mayores superficies en valores absolutos son el uso Ganadero
(10360 ha), Agrícola (7839 ha), y en menor medida Forestal-Natural
(1712 ha).
La diferencia entre las ganancias y pérdidas, da como

resultado el cambio neto de cada categoría. Los cambios netos
positivos más significativos se dan en las categorías Agrícola (3444
ha) y Urbano disperso (2461 ha), seguido con valores inferiores por
los usos Deportivo-Recreativo y Urbano compacto. Por otro lado, las
categorías Ganadero (-6106 ha), Forestal-Natural (-1571 ha) y
Hortícola-Intensivo (-76 ha), presentan cambios netos negativos.
Las mismas han experimentado una mayor proporción de pérdidas
con respecto a las ganancias que obtuvieron en el periodo analizado.
Figura 2: Ganancias y pérdidas y Cambio neto de usos del suelo

entre 2000 y 2010.
Los indicadores de cambios se presentan en la Tabla 12. Los

mismos han sido calculados a partir de la matriz de tabulación
cruzada, y nos permiten cuantificar la superficie (expresada en
hectáreas) de cambio de cada categoría, señalando aquellas que han
obtenido ganancias y/o pérdidas, la contribución de cada una al
cambio neto y total, y los intercambios entre la totalidad de categorías.
343
Luis Humacata
Tabla 3. Indicadores de cambios en el período 2000-2010

(expresado en ha).
Los mapas que se presenta a continuación (Figura 3),

señalan las superficies que han experimentado transiciones desde el
año 2000 al 2010, siendo un total de 14 categorías, las cuales indican
cambios tanto positivos (ganancias) como negativos (pérdidas).
Asimismo es posible obtener las zonas que han permanecido
estables, denotando su persistencia a través del tiempo.
344
Figura 3: Cartografía de cambios de usos del suelo (2000-2010)
La cartografía dinámica de los indicadores de cambios nos

permite avanzar en la descripción y análisis de los patrones de
distribución espacial de cada categoría, destacando las superficies
que presentan mayor dinamismo a través del avance o retroceso de
la superficie ocupada.
345
Luis Humacata
Figura 4: Cartografía de indicadores de cambios

Categorías Mapa de ganancias y Mapa de Transiciones Gráfico de cambio neto por
pérdidas categoría
Urbano
disperso
Urbano
compacto
Deportivo-
Recreativo
La evolución espacial de la ocupación del suelo en el área de

estudio se caracteriza por presentar tendencias de ocupación del
suelo vinculadas a la interrelación del espacio urbano y rural.
Centrando el análisis en la dinámica urbana, podemos señalar que el
avance de la urbanización sobre usos del suelo rurales obtuvo una
superficie total de 3.365 ha y se ha desarrollado mediante dos
modalidades de ocupación: en el caso de la modalidad tradicional o
compacta se aprecia una extensión continua de la mancha urbana
con una superficie de 903 ha, extendiéndose en áreas contiguas, es
decir donde ya existe algún tipo de urbanización. El avance urbano
se produjo sobre áreas anteriormente destinadas al uso Agrícola y
en menor medida al uso Hortícola-Intensivo y Ganadero.
La expansión urbana dispersa o discontinua es la categoría

que presentó mayores aportes a la dinámica urbana, a partir de una
extensión de 2.461 ha, que han pasado a formar parte del uso
residencial. Este aumento se produjo a partir de la existencia de 17
nuevos emprendimientos urbanos, en su mayoría localizados en el
partido de Luján y en menor medida en General Rodríguez y
Moreno. Presenta un patrón de distribución espacial lineal siendo el
eje de crecimiento a partir de la autopista del Oeste y rutas aledañas.
Estos emprendimientos se encuentran cercanos a los centros
346
urbanos. Esta expansión se produjo a partir del desplazamiento de

áreas destinadas al uso Agrícola y Ganadero, y en menor medida al
uso Forestal-Natural.
El uso del suelo Deportivo-Recreativo se encuentra

estrechamente relacionado a la expansión urbana bajo la modalidad
dispersa. Las actividades relacionadas a la práctica deportiva de
polo y de golf, han experimentado un considerable avance en este
sector, con una superficie de 946 ha, que se suman a las 682 ha
existentes en el período anterior. Esto significa un incremento del
139 % con respecto al año 2000. Las extensas áreas destinadas a esta
práctica deportiva forman un agrupamiento en el sector noreste del
partido de General Rodríguez y se encuentran asociadas a la
distribución espacial de urbanizaciones cerradas, donde una buena
accesibilidad permite la comunicación con los principales centros
urbanos. Este uso del suelo se incrementó sobre áreas
anteriormente destinadas al uso Agrícola y Ganadero.
El estudio de la dinámica de la ocupación del suelo mediante

la incorporación de la dimensión temporal tiene como finalidad el
descubrimiento de la variación espacio-temporal de los patrones de
distribución espacial de las categorías de usos del suelo. El análisis y
la modelización de estos cambios, posibilitado metodológicamente
por el modelado cartográfico, aporta herramientas orientadas a la
cuantificación de la magnitud y la distribución espacial de las
categorías analizadas. De esta manera se procede a la evaluación de
los cambios a partir de insumos estadísticos y cartográficos
mediante la aplicación de SIG, lo cual ha permitido realizar un
análisis detallado de los cambios reales en la ocupación del suelo,
especificando las superficies de ganancias, pérdidas, cambio neto y
total, e intercambios.
En este sentido, cabe señalar la importancia de incorporar la

metodología de detección de cambios en el estudio de la dinámica
temporal en partidos que están sujetos a procesos de urbanización
347
Luis Humacata
de gran dinamismo y aparición de conflictos ante cambios de usos

del suelo. De este modo, la elaboración de cartografía dinámica de
usos del suelo presenta una excelente aptitud para la generación de
conocimientos a un nivel espacial, en apoyo a la elaboración del
diagnóstico territorial de la evolución espacial de la ocupación del
suelo, constituyéndose en una valiosa herramienta para el
ordenamiento territorial a nivel urbano-regional.
BIBLIOGRAFÍA
Aguilera Benavente, F.; Plata Rocha, W.; Bosque Sendra, J.; Gómez
Delgado, M. 2009. Diseño y simulación de escenarios de demanda de
suelo urbano en ámbitos metropolitanos. Revista Internacional
Sostenibilidad, Tecnología y Humanismo. 4. pp 57-80
Buzai, G.D.; Baxendale, C.A. 2011. Análisis socioespacial con Sistemas

de Información Geográfica. Tomo 1: Perspectiva científica/Temáticas
de base raster. Lugar Editorial. Buenos Aires.
Eastman, R. 2012. Guía IDRISI Selva. Land Change Modeler. Clark

Labs. Clark University. Wourcester. USA.
Gómez Delgado, M.; Barredo Cano, J.I. 2006. Sistemas de Información

Geográfica y evaluación multicriterio en la ordenación del territorio.
Alfaomega-Ra-Ma. México.
Gómez Delgado, M.; Rodríguez Espinosa, V.M. 2012. Análisis de la

Dinámica Urbana y Simulación de Escenarios de Desarrollo Futuro
con Tecnologías de la Información Geográfica. Ra-Ma. Madrid.
Humacata, L. 2017a. Análisis espacial de los cambios de usos del suelo

en partidos de interfase urbano-rural de la Región Metropolitana de
Buenos Aires, en el periodo 2000-2010, mediante la aplicación de
Tecnologías de la Información Geográfica. Tesis. Maestría en
Teledetección y Sistemas de Información Geográfica. Universidad
Nacional del Centro de la Provincia de Buenos Aires. Azul.
348
Humacata, L. 2017b. Elaboración de cartografía temática de usos del

suelo con Tecnologías de la Información Geográfica. Vientos del
Norte. 5(2):18-37.
Linares, S. 2015. Aplicación de modelos de simulación de

crecimiento urbano. En Buzai, G.D.; Cacace, G.; Humacata, L.;
Lanzelotti, S.L. (Comp.). 2015. Teoría y métodos de la Geografía
Cuantitativa. Libro 1: Por una Geografía de lo real. MCA Libros.
Mercedes.
Plata Rocha, W.; Gómez Delgado, M.; Bosque Sendra, J. 2009.

Cambios de usos del suelo y expansión urbana en la comunidad de
Madrid (1990-2000). Scripta Nova. Revista electrónica de Geografía
y Ciencias Sociales. Universidad de Barcelona.
Pontius, R.G., Shusas, E.; McEachern, M. 2004. Detecting important

categorical land changes while accounting for persistence.
Agriculture, Ecosystems and Environment. 101: 251-268.
Xie, Y.; Sun, Z. 2000. Dynamic Urban Evolution Model Base don
Cellular Autómata. Igre. Ypsilanti.
349
350
Nota a los lectores
Esperamos que luego de la lectura de los diferentes capítulos

y la aplicación de alguno de los procedimientos presentados hayan
podido avanzar en el proceso racional en la construcción de
conocimientos que puede ser realizado a través de la aplicación de
métodos cuantitativos en Geografía Humana, actualmente muchos
de ellos simplificados a través de las herramientas disponibles en los
Sistemas de Información Geográfica. Esperamos también que estas
aplicaciones brinden ideas para su aplicación a otros casos de la
realidad y posibles transposiciones didácticas necesarias para
avanzar en el afianzamiento de la inteligencia espacial de las nuevas
generaciones de académicos y profesionales que tengan interés en
temas relativos a la búsqueda de la lógica social del espacio
geográfico como dimensión fundamental para el mejoramiento de
las condiciones de vida de las poblaciones humanas como objetivo
fundamental de las Geografía Aplicada.
Gustavo D. Buzai
Luján-Toluca, Abril de 2019
351
Esta obra se terminó de editar
en la Ciudad Autónoma de Buenos Aires, Argentina.
Mayo de 2019.
REDISIG
Red Iberoamericana de
Sistemas de Información Geográfica
G E S I G

2019 Buzai Santana-Juárez Esp2 Inigeo2 PDF

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

2019 Buzai Santana-Juárez Esp2 Inigeo2 PDF

Caricato da

Copyright:

Formati disponibili

Métodos cuantitativos

Archivo Digital: descarga y online

1. Sistema de Información Geográfica. I. Buzai, Gustavo D. II. Buzai, Gustavo D.,

Fecha de Catalogación: 2019

Instituto de Investigaciones Geográficas (INIGEO)

Obra evaluada por pares académicos ciegos.

Hecho el depósito que marca la ley 11.723.

Esta obra se encuentra bajo Licencia Creative Commons

Adrián Guillermo Aguilar [Lic. Mtro. Dr.], UNAM, México

Estamos transitando una nueva etapa de la Geografı́a

Es en esta instancia en la que aparece el libro Mé todos

El objetivo de los coordinadores fue avanzar en la

La Geografı́a como ciencia está transitando una etapa

La perspectiva sisté mica, en su teorı́a de los sistemas

Por su parte, el avance tecnoló gico logrado por los Sistemas

Todas estas cuestiones tambié n resultan de importancia en

La incorporació n de procedimientos del aná lisis espacial

El presente libro contempla los aspectos señ alados

El libro Mé todos cuantitativos en Geografı́ a Humana

Los temas incluidos prestan particular interé s a la

Por ú ltimo, agradecemos las valiosas contribuciones de los

Dr. Gustavo D. Buzai

Dra. Marcela Virginia Santana Juá rez

automatizada en el entorno SIG. Los cá lculos se realizan

LA TENDENCIA CENTRAL EN DISTRIBUCIONES PUNTUALES: CENTRO

siguientes fó rmulas:

En el cá lculo del centro medio simple se considera que cada

Donde x e y son las coordenadas de los puntos; xw e yw son las

LA DISPERSIÓN EN DISTRIBUCIONES PUNTUALES: DESVÍO ESTÁNDAR

Es el equivalente bidimensional al desvıo ́ está ndar de las

Donde ds es la distancia está ndar, di es la distancia euclidiana

Los dos desvıó s está ndar se calculan de forma ortogonal

En una posterior instancia se deben otra los ejes x´ - y´

Finalmente se realiza el cá lculo del desvıo

APLICACIÓN A LOS SITIOS ARQUEOLÓGICOS DE LA CUENCA DEL RÍO

El á rea de aplicació n corresponde a la cuenca del rıó Lujá n,

Figura 1. Centro medio simple

Fuente: Elaboració n de las autoras

Figura 2. Centro medio ponderado por sitios de mayor antigü edad

Figura 3. Centro medio ponderado por cantidad de hallazgos

Fuente: Elaboració n de las autoras

Para realizar el cıŕculo del desvıo ́ está ndar de las distancias

Figura 4. Cıŕculo del desvıo

Fuente: Elaboració n de las autoras

Para elaborar la elipse de dispersió n se debe instalar en

Figura 5. Elipse de dispersió n

Fuente: Elaboració n de las autoras

Figura 6. Mapa sın

Fuente: Elaboració n de las autoras

En la Figura 1 se observa el centro medio simple de la

responde simplemente a la estrategia de abordaje de los sitios: en la

En sı́ntesis, los aná lisis centrográ ficos son una buena

1.2 Aplicación al estudio de las actividades económicas

confirmatorio de datos espaciales). Este trabajo aborda las medidas

GEOGRAFÍA CUANTITATIVA, ANÁLISIS GEOGRÁFICO Y ESPACIAL

el polıǵono) que posteriormente serıán la base para programació n

en los conceptos fundamentales como la distancia, orientació n y

De la estadística clásica a la estadística espacial: medidas de

Como se señ aló , los SIG representan las entidades

Medidas de tendencia central espacial

La media espacial y el resto de las medidas que se analizan

La mediana espacial es otra medida de tendencia central que

La ú ltima medida de tendencia central se denomina, entidad