Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CIENCIAS GEOGRAFICAS.
Encuentro 4
Tema III. Relación entre variables y Series cronológicas. Introducción. Métodos de
Desarrollo de contenido.
Introducción.
La relación entre las variables geográficas es un tema de gran importancia para los
investigadores de las geociencias. Dos o más variables geográficas pueden relacionarse,
pero no siempre significa que existe una relación causal entre ellas, es decir, que exista
una dependencia física u objetiva entre estas, es el caso de considerar al escurrimiento
de una corriente fluvial dependiente de una determinada magnitud de lluvia, es un caso
evidente de relación causal, lo mismo puede suceder con la relación entre la demanda de
un producto alimenticio determinado de consumo frecuente y el crecimiento de la
población en ese lugar. Ambos ejemplos son del tipo causa – efecto, muy común en las
Ciencias Geográficas. Sin embargo, existe otro tipo de relación entre variables que no es
causal sino más bien de carácter comparativo, por ejemplo, relacionar las características
más importantes de dos poblados o ciudades a través de una o más variables, válidas
también para dos o más ecosistemas.
En ambos casos es posible la determinación del grado de esta relación a través de
diferentes indicadores o coeficientes de correlación o de asociación, en dependencia a
veces del tipo de variables que se utilicen, ya sean cuantitativas, cualitativas o
cualicuantitativas. La expresión de dicha relación puede darse a través de una ecuación
o modelo matemático conocido como ecuación de regresión, pudiendo ser una recta o
una expresión no lineal.
Tanto el indicador de relación como su representación matemática, son aplicables a
todas las variables del espacio geográfico, sean naturales o socioeconómicas, solo que el
investigador debe conocer bien la teoría de su ciencia para emplear las variables
adecuadas, ya sean continuas y/o discretas, y el modo de combinarlas. Recordar siempre
que los métodos matemáticos en nuestro caso son el medio o instrumento para llegar al
fin u objetivo supremo que estamos investigando. No valen de nada las perfecciones de
los métodos si no son bien interpretados los resultados por el investigador.
1
Ejemplificación del uso de los indicadores de relación entre variables geográficas.
Ejemplo:
N P R Et Hr DP
(mm) (mm) (mm) %
N, No. Orden; P, lluvia anual; R, Escurrimiento anual; Et, evapotranspiración anual; Hr,
humedad relativa; DP, dias con lluvia. (Base de datos en STGPLUS – Balance)
2
Esta relación anterior es causal, no por el resultado matemático de la relación (r = 0.92),
sino por la relación física entre ambas variables que expresan ambos fenómenos
hidrológicos, la dependencia de R con relación a P.
Queda claro que ambas series son de variables cuantitativas y continuas.
800
700
600
500
R
400
300
200
1100 1200 1300 1400 1500 1600 1700 1800 1900 2000
Fig. 3.1.- Gráfica de la relación R = f (P) para la cuenca del río Bengla.
Er = (1 – r 2 ) / √ n – 1 …………. (3.2)
De la tabla 3.1, la variable R, además de tener buena relación con la lluvia (P),
también tiene buena relación con la variable de dias con lluvia (DP), considerando
pues una posible relación múltiple entre estas variables, por lo que
R = f (P, DP) puede expresarse por la ecuación siguiente:
3
Ejemplo:
Y (pendiente)
CV
( Cob. Vegetal) B M A η2
B 12 4 9 25
M 3 3 9 15
A 5 3 12 20
η1 20 10 30 60
a = Σ (Σ (f 2 / η2 ) / η1 ) = 1.077
Según (3.4), λ = 0.038, siendo muy baja la relación entre las variables.
4
3.3.- Coeficiente de Asociación (Ka).
Tabla 3.3.- Distribución de ciudades con Internet y Alto Nivel Educacional (ANE).
ANE (c) 22 6
No ANE (d) 15 17
Sustituyendo en (3.5):
Ω = 0.32, significando que existe cierta coincidencia, pero no muy convincente por
el relativamente bajo valor de Ω.
La garantía de que sea válido el valor de Ω = 0.32 (sea alto o bajo) se determina
por:
Θ = n Ω2 = 60 (0.32)2 = 6.14
Este valor se compara con el Chi-cuadrado de la tabla para los grados de libertad
υ = (k1 -1) (k2 -1), donde k1 y k2, son los rangos de cada variable, es decir, dos en
cada caso, por tanto, υ = 1 y para ω = 0.05 como nivel de significación. Este valor
resulto ser χ2 = 3.84.
Si se cumple que χ2 < Θ, ello significa que es aceptable como cierto con una
garantía del 95 % el valor de Ω = 0.32.
5
SERIES DE TIEMPO
Introducción.
Las series de tiempo son muy importantes en las Ciencias Geográficas y las Geociencias
en general. A través de ellas se pueden estudiar las variaciones de las variables
geográficas que tienen observaciones temporales como la precipitación, temperatura,
evaporación, que son generalmente de carácter continuas, sin embargo, también se
estudian variables discretas mas relacionadas con la actividad socioeconómica.
Los temas que mas interesan son: ciclicidad y tendencia de las serie fundamentalmente.
Se trata de conocer si las series que se estudian, son totalmente aleatorias en el tiempo o
tienen alguna repetición o ciclicidad cada cierto tiempo, por ejemplo, se sabe que en los
trópicos, específicamente en Cuba, la lluvia mensual se corresponde con un modelo
estacional de dos estaciones, una mas húmeda que la otra, y esta repetición se da todos
los años, por lo que es válido hablar de ciclo anual en este caso. Con la temperatura
promedio anual sucede algo similar, hay ciclo anual. Para una variable socioeconómica
discreta como las ventas de helados o refrescos, veremos que también se comporta de
forma cíclica anual, al incrementarse las ventas en el verano con relación a los meses de
invierno. En cuanto a la tendencia, también es muy importante definir y conocer cual es
la tendencia o futuro comportamiento de una variable a partir de su comportamiento en
periodos de tiempo anteriores.
Al conocer tanto la ciclicidad como la tendencia de la variable, se esta en condiciones
de poder acercarse a un pronóstico del comportamiento de la misma, sobre todo en el
primer caso, que la variable, al ser cíclica, no es totalmente aleatoria.
Las técnicas que más se utilizan para uno y otro tema se describen más abajo, tratando
de que a través de ejemplos prácticos se comprendan mejor dichos temas.
6
Ejemplificación del tratamiento de variables en series de tiempo.
50
40
30
Power
20
10
Frequency
Esta grafica muestra los valores picos que significan cambios en la distribución
homogénea de los valores en el tiempo. El análisis en este caso de la gráfica debe llegar
solamente hasta la frecuencia de 0.5, desechando el resto hacia la derecha. En el anterior
entorno se evidencian 3 picos, el primero, en la frecuencia de 0.0838, con un valor de
45.82; el segundo pico en 0.026 con un valor de 20; y el tercero en 0.0338 con un valor
de 8. Los valores iguales o superiores a 8.856 son significativos al 5 % (95 % de
garantía) de probabilidad y los iguales o superiores a 10.49 lo son para el 1 % (99 % de
garantía).
En el orden práctico, el de mayor interés es el primero por ser el de mayor potencia o
valor (45.82). Para calcular el periodo de repetición (Tr) o gran ciclo, se halla el inverso
de la frecuencia es decir:
Tr = 1 / f = 1 / 0.0838 = 12 meses
7
3.5.- Autocorrelación de la lluvia mensual P.
1
Correlation
-1
10 20 30 40 50 60 70 80
Lag
8
200
Power
100
Frequency
Fig. 3.4.- Periodograma de los caudales medios mensuales del río Guadalquivir
donde se evidencia ciclicidad al 0.08 (Repetición de valores cada 12 meses).
(PAST)
9
1
Correlation
100 200
Lag
10
3.6.- Tendencia de la variable R.
800
700
600
500
Y
400
300
200
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
11
800
700
600
500
R
400
300
200
10 20
12