Matriz geográfica.

Contexto y potencialidad
en el análisis espacial cuantitativo°
Gustavo D. Buzai*

Resumen

Hace seis décadas el geógrafo Brian J.L. Berry propuso el uso de la matriz geo-
gráfica como estructura de alcance conceptual y como herramienta para el análisis
espacial cuantitativo. La primera pone en evidencia las formas básicas del abordaje
geográfico y la segunda la posibilidad de avanzar sobre el trabajo tradicional y
aplicar procedimientos de análisis multivariado con focalización en las unidades
espaciales. La Geografía como ciencia espacial desarrolló una importante tradición
que hace posible llegar a procedimientos de regionalización en base multivariada
para delinear el modelo espacial y descubrir los aspectos subyacentes que inter-
vienen en su organización. Considerando la importancia actual del contexto digital
producido por el campo de la Geoinformática, el artículo propone un modelado de
secuencias del tratamiento matricial en sus principales caminos metodológicos,
el aporte fundamental de la matriz geográfica en la tarea de regionalización y las
posibilidades en el análisis espacial cuantitativo actual.

Palabras clave: Matriz geográfica, Geografía Cuantitativa, Análisis Espacial,

Estadística Espacial, Regionalización.

Geographic Matrix. Context and Potential

in Quantitative Spatial Analysis

Abstract

Six decades ago, geographer Brian J.L. Berry proposed the use of the geographic
matrix as both a conceptual framework and a tool for quantitative spatial analysis.
The former highlights the fundamental approaches of geographical inquiry, while
the latter enables advancements beyond traditional methods by applying multiva-
riate analysis techniques focused on spatial units. As a spatial science, Geography
has developed a strong tradition that facilitates multivariate-based regionaliza-
tion processes, allowing for the delineation of spatial models and identification of
underlying factors influencing spatial organization. Given the growing significance
of the digital context shaped by the field of Geoinformatics, this article proposes

° [Link]
* Universidad Nacional de Luján, Instituto de Investigaciones Geográficas / CONICET. [Link].
[Link], gdbuzai@[Link]

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 11

 Gustavo D. Buzai

a modeling of sequential matrix-based approaches, outlining key methodological

pathways, the critical role of the geographic matrix in regionalization efforts, and
its potential applications in contemporary quantitative spatial analysis.

Keywords: Geographic matrix, Quantitative Geography, Spatial Analysis, Spatial

Statistics, Regionalization

12 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Introducción

A seis décadas de distancia de que fuera propuesta la matriz geográfica (Berry,

1964) el análisis espacial cuantitativo experimentó cambios notables al ingresar la
mayoría de sus procedimientos al ámbito digital. Actualmente se tienen a dispo-
sición toolbox generales y de gran potencia en el interior del software específico
para la resolución de cuestiones técnicas, aunque los procedimientos completos
requieren del uso combinado de sistemas computacionales que se presentan efi-
cientes cuando la secuencia de procedimientos y los alcances son conocidos pre-
viamente con claridad.

La Geografía Cuantitativa, al ser el paradigma de la Geografía que tiene mayor

afinidad con los procedimientos técnicos de automatización, desarrolló diversos
caminos metodológicos de análisis espacial y, de ellos, consideramos que el uso de
matrices numéricas es uno de los principales desarrollos que requiere una síntesis
actualizada.

El trabajo matricial en Geografía tiene una larga trayectoria como instrumento

para la organización y presentación de datos geográficos, asimismo debemos
destacar que la matriz geográfica surge el mismo año en que aparece el primer
Sistema de Información Geográfica (SIG) (Buzai y Robinson, 2010) y a partir de
allí tienen un recorrido conjunto de ampliación de confluencia en el interior del
campo de la Geoinformática.

La Geografía Cuantitativa, en su posición paradigmática, es una forma de pen-

samiento y la matriz geográfica la apoya en perspectivas teóricas, metodológicas
y aplicativas. Como forma de pensamiento queda demarcada en el campo de la
lógica representacional y en la búsqueda de generalizaciones que brindan solu-
ciones de conjunto a las problemáticas surgidas en el marco de las distribuciones
espaciales. En su capacidad metodológica permite delinear una secuencia de pro-
cedimientos hacia la construcción de conocimientos y en la tarea aplicativa genera
herramientas para la toma de decisiones en materia de ordenamiento territorial.

El presente trabajo introduce a la Geografía Cuantitativa como forma de pensa-

miento en cuanto a su lógica, como criterio demarcatorio y sus fundamentos como
modo de acceder a la realidad. Se analiza el trabajo matricial y la matriz geográfica
en cuanto a su formulación como herramienta estructuradora y las formas de abor-
daje desde un punto de vista sistémico hacia una síntesis conceptual que vincula
la dicotomía general-regional. Finalmente, el objetivo es aportar una construcción
estructurada como diagrama de secuencias del trabajo matricial en Geografía con
la finalidad de estructurar una síntesis actual.

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 13

 Gustavo D. Buzai

Geografía Cuantitativa

Lógica cuantitativa

Las aplicaciones matemáticas en Geografía atravesaron un extenso recorrido his-

tórico desde la formulación de la disciplina realizada por Eratóstenes en el siglo III
a.C., aunque se pueden encontrar raíces más lejanas en el mismo surgimiento de
la ciencia (Buzai, 2021), las cuales llegan hasta la actualidad. La Geografía surge
como una ciencia cuantitativa con el objetivo de calcular para conocer mejor el
funcionamiento del universo y de nuestro planeta.

Es a finales del siglo XIX cuando se define la Geografía como ciencia humana.
Se la considera orientada al estudio de la relación entre la sociedad y su medio,
un abordaje que comienza a realizarse desde diferentes perspectivas conceptua-
les. Desde este comienzo se verifica una secuencia de cambios paradigmáticos
(Kuhn, 1994) y a mediados del siglo XX surge la Geografía Cuantitativa, apoyada
conceptualmente en la construcción de una Geografía científica (Schaefer, 1953;
Buzai, 2023b) que intenta explicar, a través del uso de modelos y leyes del com-
portamiento espacial, una realidad generalizable.

Al presentarse la matemática como instrumento transversal a varios paradigmas

a través de diferentes formas de uso, la lógica proposicional posibilita un claro
criterio demarcatorio. El objetivo es poder determinar cuando el uso de méto-
dos cuantitativos se realiza en el campo de la Geografía Cuantitativa, siendo (A)
Geografía Cuantitativa, y (B) aplicación de técnicas cuantitativas en Geografía.
La formulación es la siguiente:

[1]

[2]

[3]

El modo Ponens [1] nos indica que si hay Geografía Cuantitativa se puede afir-
mar que habrá aplicación de técnicas cuantitativas, el modo Tollens [2] nos indica
que si no hay aplicación de técnicas cuantitativas podemos afirmar que no hay
Geografía Cuantitativa, y el modo de abducción [3] infiere que si hay aplicación de
técnicas cuantitativas hay Geografía Cuantitativa, pero no es posible afirmarlo de
forma lógica ya que representa la llamada falacia de afirmación del consecuente.
Esto indica que la aplicación de técnicas cuantitativas en Geografía no garantiza
hacer Geografía Cuantitativa, en este sentido, queda en evidencia la condición
necesaria que corresponde a la cuantificación como forma de pensar la realidad.

14 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

La Geografía Cuantitativa en el interior de la perspectiva humana se desarrolla a

mediados del siglo XX ante la preocupación por descubrir las leyes que explican
las pautas de distribución espacial, apoyándose en la matemática como lenguaje
científico en un avance que va desde las aplicaciones geométricas hacia las apli-
caciones aritméticas, permitiendo el uso de procedimientos de análisis espacial
con mayor flexibilidad.

En esta instancia, el trabajo matricial y la matriz geográfica adquieren una posición

central en la investigación en Geografía Cuantitativa y estas estructuras de datos,
más allá de constituir herramientas técnicas apoyan una forma de pensar, tanto
para la construcción de conocimientos como para comprender la realidad.

Fundamentos

La construcción regional se sustenta en el método de superposición cartográfica

sostenida conceptualmente por el paradigma de la Geografía Racionalista como
actualización constructivista de la Geografía Clásica propuesta por Hartshorne
(1939) (Rey Balmaceda, 1973). Este método combina aspectos físicos y humanos
con el objetivo de obtener áreas homogéneas y descubrir relaciones de causalidad.
Corresponde al método fundamental de la Geografía que hasta hoy se mantiene
con el procedimiento algebra de mapas propuesto por Tomlin (1990) y que basa
gran parte del análisis espacial con SIG.

A mediados del siglo XX, el contexto histórico resulta tener un papel preponde-
rante como historia externa de la disciplina que propicia un nuevo cambio para-
digmático.

La Segunda Guerra Mundial y la posguerra impulsaron el desarrollo científico-tec-

nológico de ciertas líneas académicas ligadas a la física-matemática, las cuales
tuvieron un notable impacto dentro de las ciencias en general y en la Geografía en
particular (Johnston, 1987).

La primera crítica sistemática realizada a la Geografía Racionalista proviene del

trabajo de Schaefer (1953) (Buzai, 2023b) y toma un papel central al generar
la base conceptual que llevaría a un cambio paradigmático en nuestra ciencia a
partir de la Geografía Cuantitativa. Propone un abordaje opuesto orientado a la
búsqueda de generalidades, corresponde a la utilización de métodos cuantitativos
y a formular una Geografía que conduce al descubrimiento de las leyes que rigen
las pautas de distribución espacial.

Aparece la llamada Revolución Cuantitativa (Burton, 1963) entendida principal-

mente como una tendencia conceptual por su alto nivel de abstracción. En este
sentido, si bien fue el término Geografía Cuantitativa el que fue utilizado prin-

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 15

 Gustavo D. Buzai

cipalmente para definir esta línea (Garrison y Marble, 1967; Cole y King, 1968)
y que se mantiene hasta la actualidad (Fotheringham et al., 2000; Sarkar, 2013;
Harris, 2016; Feulliet et al., 2019), también fueron destacadas sus características
teórico-metodológicas al definirla como Geografía Teórica (Bunge, 1962, 1966),
su aspecto revolucionario al denominarla Nueva Geografía (Manley, 1966), su alto
contenido estadístico al llamarla Geografía Estadística (Berry y Marble, 1968) y
su perspectiva de Macro Geografía en los estudios de la Física Social (Stewart y
Warntz, 1958).

A partir del predominio del paradigma cuantitativo se rescatan los trabajos clási-
cos que habían utilizado principalmente a la Geometría como lenguaje espacial
(Thünen, 1826; Weber, 1909; Burgess, 1925; Christaller, 1933; Lösch, 1939; Hoyt,
1939; Harris y Ullman, 1945). Estos estudios fueron ampliados posteriormente
desde un punto de vista analítico utilizando la matriz geográfica propuesta por
Berry (1964) como sistema organizador de los datos de naturaleza espacial con
posibilidades de trabajarse en perspectivas regionales, generales y temporales.

La ampliación de las bases geométricas a partir de un fuerte componente mate-

mático y la modalidad matricial, en la cual era posible aplicar las diversas meto-
dologías estadísticas en el análisis del espacio geográfico, permitieron generar
abordajes modelísticos de las distribuciones espaciales. Ante la gran variedad de
aplicaciones surgen una serie de obras que sistematizaron inicialmente la pers-
pectiva: Bunge (1962), Haggett (1965), Garrison y Marble (1967), Cole y King
(1968), Harvey (1969) y Chorley (1973). A partir de ellas puede verse que la etapa
inicial generó básicamente siete principios que caracterizan los estudios de análisis
geográfico a partir de la cuantificación y que son esenciales:

— El abordaje geográfico es principalmente espacial: desde el inicio de la

Geografía como ciencia humana existen dos formas principales de encarar
la investigación geográfica, como el estudio de la relación hombre-medio
(definición ecológica) o como el estudio de la diferenciación areal (defini-
ción corológica), las cuales se complementan. Indudablemente cualquiera
de estas perspectivas tienen su sustento en el espacio geográfico y para la
Geografía Cuantitativa no existe posibilidad de realizar estudios geográficos
sin base espacial, esta base de asociaciones y correlaciones espaciales es la
que brindaría la identidad que singulariza a la Geografía en el contexto de
las ciencias.

— La región se construye: tomando el avance teórico generado por la perspec-

tiva racionalista los estudios de Geografía Cuantitativa consideran que la
región, como delimitación de espacio sobre la superficie terrestre, se cons-
truye. No existe una región como realidad objetiva previa al investigador,
sino que éste le pondrá límites de acuerdo a los objetivos de la investigación
a partir de las metodologías aplicadas.

16 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

— La metodología de construcción regional es cuantitativa: a diferencia de la

perspectiva racionalista que construye sus espacios geográficos a partir de la
superposición cartográfica en un nivel cualitativo, la Geografía Cuantitativa
utiliza métodos matemáticos para cumplir el objetivo. Corresponde en su
instancia final a los procedimientos de construcción regional con base en la
matriz geográfica y las correlaciones incluidas en ella.

— Se busca la construcción de modelos: es una de las finalidades principales

de la Geografía como ciencia nomotética, ya que atiende a las características
espaciales generalizables. Los modelos espaciales son construcciones sim-
plificadas de la realidad espacial que permiten comprenderla en sus rasgos
fundamentales, también pueden actuar como una guía para la planificación
territorial (Buzai, 2023a) y son base para la transmisión del conocimiento.

— Se descarta el excepcionalismo: la Geografía no es una ciencia excepcio-

nal y por lo tanto tiende a realizar estudios de aspectos generalizables que
culminan en la construcción de modelos. Como cualquier otra ciencia, la
Geografía puede utilizar métodos cuantitativos para estudiar la realidad, en
este caso desde un punto de vista espacial a partir del cual el investigador
pondrá a prueba sus hipótesis y generará otras.

— Se producen capacidades interdisciplinarias: la utilización de métodos

cuantitativos brindan la posibilidad de compartir un lenguaje común a otras
ciencias. De esta manera la Geografía adquiere una mayor capacidad inter-
disciplinaria en el intercambio basado en el trabajo de aplicación concreto,
en este sentido, las demandas de un saber al otro se sustentan en una base
compartida.

— Se logra una mayor objetividad: no se considera que la investigación cien-

tífica sea objetiva ya que durante su desarrollo se toman muchas decisio-
nes subjetivas en el interior de un proceso constructivista (Johnston, 1968).
Sin embargo, se considera que se avanza hacia un mayor nivel de objeti-
vidad ante la posibilidad de replicar procedimientos y llegar a los mismos
resultados en la construcción de conocimientos, aspecto que se encuentra al
alcance de todo investigador.

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 17

 Gustavo D. Buzai

Matriz geográfica

Formulación

El concepto de matriz tomó un lugar central en el ámbito de la investigación cuantita-

tiva en Geografía a partir de la década de 1960 y, se transformó, a partir de la década
de 1980, en base a las posibilidades brindadas en el campo de la Geoinformática al
combinar planillas de cálculo, software de análisis estadístico y SIG.

En el campo de la Geografía, fue Berry (1964) quien introdujo, a través de esta

organización, importantes posibilidades operativas para el trabajo aplicativo. Al
tratamiento de variables se suma la posibilidad de introducir el tratamiento de
unidades espaciales con la capacidad de aplicar el análisis multivariado en pro-
cesos de regionalización. La propuesta del autor se presenta como una síntesis
conceptual y organizativa, a partir de la cual es posible identificar claramente los
principales enfoques del análisis regional.

La matriz tradicional es una estructura que organiza los datos cuantitativos en

una tabla de doble entrada en donde las filas representan las unidades espacia-
les y las columnas las diferentes variables medidas en ellas. Toda propuesta de
aplicación estadística en esta organización estará centrada en el tratamiento de
variables y el objetivo metodológico es la obtención de macrovariables formadas
por un conjunto de variables de similares comportamientos. El resultado final se
obtiene como procedimiento clasificatorio que, representadas en el mapa, cada
macrovariable brinda una síntesis de la distribución espacial de sus componentes.

La matriz geográfica también almacena información sobre la observación de un

fenómeno en un lugar determinado (hecho geográfico, geographical fact), sin
embargo, su organización se produce ante una transposición de la anterior, en este
caso las variables se encuentran ubicadas en el sentido de las filas y las unida-
des espaciales en las columnas. La propuesta de aplicación estadística difiere del
abordaje tradicional al utilizar el análisis multivariado en el sentido de las colum-
nas y, de esta manera, su objetivo es unir unidades espaciales. El resultado final
corresponde a una regionalización vinculada a una matriz de datos con valores
agrupados para las nuevas unidades espaciales.

En este contexto, la construcción matricial es una propuesta conceptual global que

nos permite mostrar los diferentes tipos de abordajes realizados en el análisis regio-
nal y apoya la construcción cuantitativa. Definiendo a la Geografía a partir de su
objeto formal, apoya la idea de que el geógrafo se caracteriza por su abordaje inte-
grador para lo cual se utiliza un marco conceptual como sistema. El abordaje geográ-
fico es espacial y los conceptos utilizados son de naturaleza espacial e integradora.

18 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Líneas de abordaje

Al analizar la matriz geográfica en el sentido de las filas observamos de qué

manera cada tema se distribuye espacialmente en el área de estudio (Geografía
General) y si lo hacemos en el sentido de las unidades espaciales corresponde a la
forma que, el conjunto de hechos geográficos, se combinan de manera específica
en cada una de ellas (Geografía Regional). La dimensión temporal se logra por
superposición de matrices de diferentes cortes temporales (Geografía Histórica).

Considerando esta perspectiva pueden realizarse diferentes abordajes de análisis:

(1) Un tema en la totalidad de unidades espaciales (distribución espacial, un mapa
temático), (2) Una unidad espacial en la totalidad de contenido (combinación de
diferentes hechos geográficos en un sitio), (3) varios temas en la totalidad de uni-
dades espaciales (asociación espacial de variables), (4) varias unidades espaciales
en la totalidad de contenidos (diferenciación areal), (5) Todos estos estudios pue-
den realizarse en un subconjunto como recorte espacial y temático en el interior
de la matriz y (6) en niveles de profundidad incluyendo la dimensión temporal.

Los procedimientos corresponden a la metodología de un proceso de generali-

zación ya que se parte de la mayor diferenciación interna para ir construyendo
agrupamientos más amplios y con mayor superficie de homogeneidad. Es lo que
se denomina regionalización por agregación de sitios (Harvey, 1969), en este caso
son unidades espaciales. Es un procedimiento que se dirige desde lo individual a
lo general.

En síntesis, la matriz geográfica desde su conceptualización a mediados de la

década de 1960 se convirtió en una de las herramientas de mayor operatividad
para la investigación en Geografía cuando el objetivo de la tarea demanda un
eficiente almacenamiento y tratamiento de la información cuantitativa utilizada.
Resulta también importante porque a través de su estructura brinda una integración
satisfactoria en los criterios demarcatorios de diferentes perspectivas de abordaje
geográfico y avanza hacia la aplicación de procesos de regionalización.

En la actualidad la matriz de datos tradicional corresponde a la tabla de atributos

del SIG vectorial y la matriz geográfica es utilizada con software de análisis esta-
dístico en el campo de la Geoinfomática (Buzai y Baxendale, 2012). El análisis
conceptual realizado por Berry (1964) se hace operativo con gran amplitud, en
donde las mayores posibilidades metodológicas le brindan una notable vigencia.

Modelado de secuencias

Se propone un diseño de procedimientos presentado en la figura 1 y seguidamente

se analizan cada uno de sus componentes:

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 19

20
SelVb(Ω)
V IP PCEb(Ω)
Análisis Exploratorio
MDE(Ω) de Datos Espaciales UE UE
V PCEu(Ω)
Análisis univariado
UE SelVc(Ω) UE Mapa
V PCEc(Ω)

Min=0 histograma box-plot UE UE

Max=100
C-1
Puntajes
MDO MDI SelVb(z) (Sin y con
V PCEb(z)
V V cartografía temática
ponderación)
UE Análisis bivariado UE UE
UE CLASIFICACIÓN
PCEu(z)
ESPACIAL
SelVc(z) UE
V PCEc(z) Mapa
scatter plot
Análisis multivariado UE
Matricial
C-2
Macrovariables
MDE(z) MCV ME Mapas
V
Gustavo D. Buzai

transposición V 1 MV Análisis Factorial

elaboración propia.
1 v
UE 1 v f1

po
1 UE

m
V 1 Mapas v f2

Tie
1
1 v
Σ=0, x=0, σ=1 C-3 1
Linkage Analysis
MDO(t) MDI(t) MDE(z)t MDE(z)t(z) MCUE
UE UE UE UE UE
1
1 Cluster Analysis
UE 1 REGIONALIZACIÓN
V V 1
V V 1

transposición
C-4
Σ=0, x=0, σ=1
Regiones
MATRIZ GEOGRÁFICA MATRIZ GEOGRÁFICA Mapa
Instancia organizativa-descriptiva

Figura 1. Modelado de secuencias del trabajo matricial en Geografía. Fuente:

Instancia operativa

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Matrices iniciales: MDO, MDI

El modelo inicia con la realización de la matriz de datos originales (MDO), la cual

contiene los datos básicos de la investigación, organizados en una tabla de doble
entrada donde las unidades espaciales se encuentran en las filas y las variables en
las columnas.

En general, cuando la aplicación se realiza en el ámbito de la Geografía Humana,

esta matriz se realiza a partir de la utilización de datos que surgen de atributos
poblacionales, por lo tanto, los valores que la componen son numéricos y las varia-
bles representan cada uno de los temas considerados. Estos datos se encuentran
en diferentes unidades de medida, pudiendo incorporarse en valores absolutos,
en porcentaje o en por miles, encontrándose incluidos en unidades de conteo de
población, hogares y viviendas, porcentajes de temas específicos o por miles en
tasas demográficas.

Con la finalidad de superar el inconveniente producido ante la existencia de unida-

des espaciales de diferentes tamaños poblacionales, en donde aquellas que cuentan
con mayor población generalmente tendrán mayores valores en gran parte de las
variables, se procede a realizar una primera transformación a través del cálculo
de porcentajes para la totalidad de variables con el objetivo de analizar el peso
relativo del dato en cada unidad espacial. Estos cálculos generan la matriz de datos
índice (MDI).

Los datos de cada variable se hacen relativos respecto de la variable base a partir
de la cual tienen origen. Las de población se relacionan con el valor del total de
población, las de hogares con el total de hogares y las de vivienda con el total de
vivienda. Las variables bases se calculan respecto de su propio total que, en la
columna resultante, pasará a tener valor . La transposición de estas matrices lleva
las unidades espaciales a las columnas y las variables a las filas. De esta manera,
cada una se convierte en matriz geográfica en instancias de organización y des-
cripción de los datos. A partir de aquí se aplican las líneas de abordaje presentadas.

Matrices estandarizadas: MDE(Ω), MDE(z)

Se procede a la estandarización de la MDI mediante el uso de dos diferentes cál-

culos de puntajes:

La matriz de datos estandarizada por puntaje omega, MDE(Ω), se obtiene apli-

cando:

[4]

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 21

 Gustavo D. Buzai

Donde, es el puntaje omega para la unidad espacial i, es cada uno de los datos
individuales, m y M son el dato menor y el mayor de la serie de datos respecti-
vamente. La comprobación para cada columna estandarizadas se produciría en
cálculos que arrojen los siguientes valores: Min = 0 y Max = 100.

La matriz de datos estandarizada por puntaje z, MDE(z), se obtiene aplicando:

[5]

Siendo,

[6]

[7]

Donde, es el puntaje estándar para cada unidad espacial i, es cada uno de los
datos individuales, es la media y es el desvío estándar de la serie de datos.
La comprobación para cada columna estandarizada se produciría en cálculos que
arrojen los siguientes resultados: . El puntaje z se presenta
en valores positivos y negativos, como unidades de desvío, respecto de .

Habiendo construido la MDO, MDI, MDE(Ω) y MDE(z) se puede aplicar la pri-

mera serie de procedimientos de análisis espacial entre los que se incluyen análisis
univariados (cartografía temática, histograma y box-plot) y bivariado (gráfico de
dispersión).

Cartografía temática

La cartografía temática es un campo de estudio que tiene por objeto la realización

de mapas de cualquier tipo de tema que exceda la representación de los rasgos del
terreno al presentar distribuciones espaciales que no pueden ser vistas de manera
empírica en el área de estudio. Sus resultados brindan apoyo a diversos campos
científicos en actividades aplicadas y en la comunicación sintética de temas diri-
gidos a una gran amplitud de usuarios.

Teniendo como soporte la base cartográfica del área de estudio, nos centramos en
las formas de construir intervalos de clase para realizar mapas coropléticos, en el
cual se asocia la intensidad de un color con la intensidad del valor que presenta la
variable en cada unidad espacial. Esta es la principal modalidad para la represen-
tación de datos censales.

22 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Los principales métodos básicos para la determinación de intervalos de clase son

el de cortes naturales a partir de los mayores saltos encontrados en la curva de
datos, de intervalos iguales al dividir en n intervalos la amplitud de los valores
extremos, de cuantiles al incluir la misma cantidad de unidades espaciales en cada
intervalo y de desvíos estándar cuando se realizan cortes sobre los datos estanda-
rizados en z (Buzai et al., 2016).

El mapa de cortes naturales representa más fielmente la estructura de los datos, el

mapa de cuantiles permite comparaciones perfectas considerando únicamente al
orden de las unidades espaciales y el método de intervalos iguales permite realizar
comparaciones cuando la amplitud de los datos de las variables es la misma, ya
sea en % o en z.

La selección de la cantidad de intervalos de clase se ubicará en el interior de un

continuo formado entre la individualidad y la generalidad. Si no se cuenta con
una decisión sobre el nivel de detalle es posible utilizan el cálculo de k de Sturges:

[ 8 ] k = 1 + 3,3 log n

Donde n representa la cantidad de datos y log es el logaritmo de base 10.

Todas las variables pueden ser cartografiadas por separado, con diferentes méto-
dos y cantidad de intervalos de clase por lo cual la cantidad de mapas a obtener
es infinita, proponiéndose en esta instancia un actual concepto de Atlas (Buzai et
al., 2022; Principi et al, 2023), en el que se privilegia el formato digital, flexible
y centrado en el usuario del sistema.

Representaciones gráficas exploratorias univariadas

El análisis exploratorio de datos (EDA, Exploratory Data Analysis) incluye un

conjunto de técnicas orientadas a describir gráficamente la estructura de los datos,
considerándose procedimientos indispensables al momento de realizar las prime-
ras aproximaciones aplicativas. Actualmente estas técnicas se potencian al incor-
porar la dimensión espacial vinculando las bases de datos alfanuméricas con las
bases cartográficas y, de esta manera, toma el nombre de análisis exploratorio de
datos espaciales (ESDA, Exploratory Spatial Data Analysis).

Con posterioridad a la realización de cartografía temática, la utilización de estas

técnicas permite avanzar en el análisis espacial de los datos en cada variable (aná-
lisis univariado) y de la relación en el comportamiento de dos variables (análisis
bivariado).

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 23

 Gustavo D. Buzai

Las posibilidades tecnológicas actuales en el campo del ESDA se ven potenciadas

con el uso de los SIG (Grecousis, 2020) vinculados a la geovisualización basada
en la interactividad digital (Bosque Sendra y Zamora Ludovic, 2002) y apoyada
en una perspectiva racionalista en la construcción de conocimiento a partir de
diferentes representaciones gráficas que serán detalladas a continuación.

El histograma utiliza barras verticales para representar la frecuencia en que apa-

recen un conjunto de datos y de esta manera poder ver su distribución en una
dimensión. El eje x contiene los intervalos seleccionados (k) y el eje y los valores.
La amplitud de los intervalos se calcula mediante:

[9]

Donde w es la extensión del intervalo, r es la amplitud de los datos (mayor –

menor) y k es la cantidad de intervalos o cantidad de barras que tendrá el his-
tograma. En el ESDA, la selección de cada barra permitirá ver a que unidades
espaciales corresponde en el mapa y, con ello, su distribución espacial.

El box-plot (gráfico de caja) es un método que muestra la distribución de los datos

en cuartiles y tiene por objetivo resaltar los valores atípicos (va) (outliers). De
esta manera, a las cuatro categorías estándares representadas por el 25 % de las
unidades espaciales se destacan dos clases al separar los valores extremos. Los
componentes en orden creciente son los siguientes.

6° valores atípicos superiores

5° intervalo: > 75 % (Cuarto cuartil: Q4)
4° intervalo: 50% al 75 % (tercer cuartil: Q3)
3° intervalo: 25% al 50 % (segundo cuartil: Q2)
2° intervalo: < 25 % (primer cuartil: Q1)
1° valores atípicos inferiores

El 1° y 2° nivel contiene el 25 % de las unidades espaciales, el 3° el 50 %, el 4°

el 75 % y el 5° y 6° llegan al 100 %. El punto medio de la distribución está repre-
sentado por la mediana:

[ 10 ]

[ 11 ] ,

Siendo Mdna(i) y Mdna(p) la mediana para un número impar y par de observa-

ciones. Un valor se considera atípico cuando supera el punto de corte o hinge (h):

24 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

[ 12 ]

[ 13 ]

Donde h es el punto de corte, Q1 y Q3 son los valores de la posición 25 % y 75

% respectivamente (extremos de la caja), a es un valor de amplitud que logra el
extremo, en general 1,5 o 3,0, al sumarse a la posición Q3 para los extremos supe-
riores y restarse a la posición Q1 para los extremos inferiores y RIQ es el rango
intercuartil, Q3 – Q1. De acuerdo a la consideración de Tukey (1977) los valores
que se encuentran a la distancia de 1.5 y 3 son valores atípicos leves y los que
superan 3 son valores atípicos extremos. Bastará seleccionar los puntos de cada
cuartil y los extremos para representar los resultados en un mapa que se denomina
box-map.

Representación gráfica exploratoria bivariada

La posibilidad de un ESDA bivariado se asocia con las propiedades del gráfico de

dispersión (scatter diagram). Su aplicación brinda como resultado una configura-
ción en la cual cada variable queda representada por ejes ortogonales (x-y) y cada
unidad espacial aparece como un punto localizado en el espacio de relaciones a
partir de los valores que tiene en cada variable.

Cuando los datos están en puntajes estándar z, cada uno de estos ejes se ubica en
el centro del gráfico por x=0, y=0 que corresponden a la media y quedan definidos
cuatro cuadrantes. El cuadrante inferior izquierdo y el superior derecho contienen
unidades espaciales que contienen valores que se encuentran por debajo y por
arriba de la media en ambas variables respectivamente. El cuadrante superior
izquierdo corresponde a valores por debajo de la media en x y por arriba de la
media en y, y el cuadrante inferior derecho presenta la situación inversa.

El análisis del sentido de la relación entre los resultados producidos en ambas

variables se calcula por la recta de regresión formada en base a la nube de puntos
que corresponde a las posiciones de cada unidad espacial en el sistema de coorde-
nadas. Si el sentido de la recta es desde el cuadrante - - al cuadrante + + la relación
muestra una tendencia positiva y si va desde el cuadrante - + al cuadrante + - es
negativa. Cuando la nube de puntos es redondeada y no se puede definir una recta
de regresión la relación es aleatoria. La ecuación de la recta es:

[ 14 ]

Siendo

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 25

 Gustavo D. Buzai

[ 15 ]

[ 16 ]

Donde a es la ordenada al origen, es decir el punto por donde la recta cruza el eje
y cuando x=0 y b representa la pendiente de la recta, es decir, el incremento de y
ante los cambios de valores en x. Este cálculo se utiliza en el análisis de regresión
cuando se intentan predecir los valores de una variable dependiente (y) respecto
de los valores conocidos de la variable independiente (x).

La interpretación de estas relaciones será diferente según sea el tipo de variables

relacionadas. Las variables de beneficio (vb) son aquellas en las que sus máximos
puntajes indican situaciones favorables (ej. Máximo nivel educativo alcanzado:
terciario-universitario completo) y las variables de costo (vc) se comportan de
manera inversa al presentar en sus máximos puntajes situaciones desfavorables
(ej. Necesidades Básicas Insatisfechas).

Aunque no se encuentra vinculado a la matriz geográfica, cabe mencionar aquí

que, desde inicios de la década de 1990, junto al desarrollo de software consi-
derados Sistemas de Ayuda a la Decisión Espacial (SADE), acompañando las
representaciones gráficas exploratorias univariadas y bivariada el ESDA incor-
pora la posibilidad de visualizar distribuciones espaciales que representan patrones
de autocorrelación espacial local (Anselin, 1996). En este caso corresponde a la
determinación de cúmulos espaciales que verifican si las asociaciones espaciales
tienen mayor fuerza entre unidades espaciales vecinas y estos valores disminuyen
con la distancia.

Análisis multivariado: Puntajes de clasificación espacial W

Un procedimiento inicial del análisis multivariado avanza en la construcción de

puntajes de clasificación espacial (PCE) a partir de la combinación de variables
estandarizadas en puntajes Ω. Surgen dos posibilidades, trabajar con variables de
beneficio Vb(Ω) o variables de costo Vc(Ω). Cabe aclarar que cuanto más alto sean
los datos de la variable las primeras presentarán situacione más favorables y las
segundas más desfavorables.

Las variables fueron estandarizadas con el puntaje Ω [4], las cuales, en su orienta-
ción como Vb, pueden ser consideradas indicadores de planificación (IP) (Buzai y
Baxendale, 2008) si se las combina con un puntaje de objetivo (PO), el cual mide
el grado de apartamiento a un valor deseable previamente definido:

[ 17 ]

26 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Donde xi es el valor de la variable en cada unidad espacial, vo es el valor objetivo

y UA es una unidad de ajuste

Siendo:

[ 18 ]

Donde vmd es el valor más distante al valor objetivo. El puntaje 100 es el valor
objetivo y cada xi muestra la distancia que la aparta del objetivo. Entonces, com-
binado con variables de beneficio siempre el valor 100 y 0 representan las mejores
y peores situaciones respectivamente.

Cuando no se incluyen PO y las variables se combinan entre ellas y se obtienen

directamente puntajes de clasificación espacial de beneficio, PCEb(Ω) o de costo,
PCEc(Ω). Estos puntajes surgen al promediar los valores estandarizados en las
columnas (temas) seleccionadas y representan una síntesis que brinda la estruc-
tura espacial del conjunto. Los mapas mostrarán con colores más intensos los
mayores valores y en ese sentido estos representarán las mejores o peores áreas
respectivamente.

Si quisieran combinarse variables de beneficio y de costo en una resolución que

genere un puntaje de clasificación espacial unificado, PCEu(Ω), normalmente las
variables de costo se invierten VC(Ω)i al sentido del beneficio mediante:

[ 19 ]

Aunque también se pueden estandarizar directamente de forma inversa utilizando:

[ 20 ]

Donde, es el puntaje omega de costo invertido para la unidad espacial i, es cada

uno de los datos individuales, m y M son el dato menor y el mayor respectiva-
mente de la serie de datos. La comprobación para cada columna estandarizadas
se produciría en cálculos que arrojen los siguientes valores: Min = 0 y Max = 100.

Mediante estas combinaciones se obtiene el PCEu(Ω) que permite incluir en una

misma resolución variables de beneficio y costo, siendo que el mapa se interpreta
en el sentido del beneficio.

Análisis multivariado: Puntajes de clasificación espacial z

Un segundo procedimiento avanza en la construcción de puntajes de clasificación

espacial (PCE) a partir de la combinación de variables estandarizadas en puntajes

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 27

 Gustavo D. Buzai

z. Al igual que en el caso anterior, surgen dos posibilidades, trabajar con variables
de beneficio, Vb(z) o variables de costo Vc(z).

Las variables fueron estandarizadas de acuerdo a [5] y con ellas pueden obtenerse
puntajes de clasificación espacial de beneficio, PCEb(z) o de costo, PCEc(z). Estos
puntajes se obtienen al promediar las columnas seleccionadas y representan una
síntesis de la estructura espacial del conjunto. Los mapas mostrarán colores más
intensos en los mayores valores y en ese sentido estos representarán las mejores
o peores áreas respectivamente. En Buzai (2014) se presenta cartografía temática
comparable con amplitudes de considerando: Muy bajo (<-1), Bajo (-1 a -0,5),
Medio (-0,5 a 0,5), Alto (0,5 a 1) y Muy alto (>1,5). De esta manera se crea un
intervalo intermedio, dos superiores y dos inferiores.

Si quisieran combinarse variables de beneficio y de costo en una resolución que

genere un puntaje de clasificación espacial unificado, PCEu(z), generalmente las
variables de costo se invierten al sentido del beneficio mediante:

[ 21 ]

Donde el multiplicador -1 cambia el signo del puntaje.

Mediante estas combinaciones se obtiene el PCEu(z) que combina variables de

beneficio y costo y cuyo mapa se interpreta en el sentido del beneficio.

Ponderaciones

La construcción de PCE de acuerdo a los dos puntos previos, se apoya en el

supuesto de que todas las variables tienen similar importancia, sin embargo, es
posible que esto no sea así y que teóricamente tengamos conocimiento para saber
que algunas variables son más importantes que otras. La forma para determinar
la importancia relativa de las variables puede ser simple como la consideración
de un valor de ponderación por conocimiento temático o a partir de la aplicación
de un procedimiento de cálculo específico.

La definición aplicativa considera que la importancia del tema es de un 100 % y

que cada variable representa un porcentaje de importancia del total, siendo que
matemáticamente se resuelve a partir de proporciones con sumatoria 1.

Existen diferentes métodos para el cálculo de ponderaciones (w) (Buzai y

Baxendale, 2012), de ellos seleccionamos el método por ranking recíproco pro-
puesto por Malczewski (1999) el cual se basa en el siguiente cálculo:

28 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

[ 22 ]

Donde wj es el valor de ponderación otorgado a cada variable y rj el número de

orden (ranking) que se le brinda a la variable de acuerdo a su importancia.

Los valores de ponderación cumplen las siguientes condiciones:

[ 23 ]

[ 24 ]

El método de resolución cambia y corresponde a lo que se denomina combinación

lineal ponderada a partir del cual se obtiene el resultado final:

[ 25 ]

Donde Ij es el valor índice para la unidad espacial i, es la sumatoria de los resulta-

dos brindados por la totalidad de variables, Vj es cada variable y wj es su valor de
ponderación. De esta manera cada variable aportará una proporción al resultado
final de acuerdo a su grado de importancia en la temática total.

Correlaciones

El coeficiente de correlación tiene su fundamento en la variabilidad conjunta de

dos variables a partir del cálculo de la covarianza:

[ 26 ]

Al incluir el desvío estándar se obtiene la fórmula del coeficiente r de Pearson:

[ 27 ]

Utilizando la nomenclatura del desvío estándar puede simplificarse como:

[ 28 ]

Finalmente, si consideramos que a partir de [5] los puntajes estándar z de ambas

variables es posible avanzar en su máxima simplificación:

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 29

 Gustavo D. Buzai

[ 29 ]

De esta manera, se multiplican las columnas z y el cálculo del promedio corres-

ponde al coeficiente de correlación r de Pearson.

La significatividad de r depende del contexto de trabajo, las situaciones controla-

das de laboratorio pueden arrojar resultados mucho más elevados que las aplica-
ciones a situaciones empíricas. También el valor puede ser interpretado de dife-
rente manera según sea el tamaño de las poblaciones.

Con la finalidad de determinar la relevancia del valor obtenido se utiliza el test t

de Student al comparar el valor t obtenido con el valor esperado para el límite de
confianza p < 0,05 o p < 0,1 lo cual indica que se producirá, con dos grados de
libertad, en menos del 5 % y 10 % de los casos respectivamente.

[ 30 ]

Finalmente puede calcularse el coeficiente de determinación (cdet) que representa

el porcentaje de explicación que una variable tiene sobre otra, en general cuanto
es explicada la variable dependiente y respecto de la variable independiente o
explicativa x de acuerdo a la ecuación [7] como resultado de la recta de regresión.

[ 31 ]

De todas formas, se considera que las relaciones de causalidad no surgen de la

técnica, sino que se sustenta en aspectos conceptuales que atañen al conocimiento
temático.

Matrices de correlaciones

Es una matriz cuadrada que contiene los valores r de Pearson que indican el sen-
tido e intensidad de las relaciones medidas. La cantidad de cálculos (c) para su
realización está dada por:

[ 32 ]

Donde n es la cantidad de unidades, la resta elimina la diagonal de r = 1 y la divi-

sión por 2 corresponde a un triángulo interno de la matriz, que atañen al conoci-
miento temático.

A partir de la MDE(z) se realiza la matriz de correlaciones de variables, MCV, la

cual es cuadrada al presentar la misma cantidad de variables en las filas y en las

30 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

columnas. Su forma de realización implica el cálculo del coeficiente r para cada

par de entidades y completarla con los resultados obtenidos. Sin embargo, cuando
partimos de los datos estandarizados z puede resolverse con una multiplicación de
matrices utilizando sus transposiciones t (Baxendale, 1992):

[ 33 ]

[ 34 ]

La multiplicación de matrices puede realizarse si la cantidad de columnas de la

primera es igual a la cantidad de filas de la segunda, por ese motivo primero debe
considerarse la transpuesta. La obtención de las matrices de correlaciones amplía
el camino metodológico que lleva a la aplicación de procedimientos estadísticos
para su reducción en macrovariables.

Cuando la MDE(z) se transpone y nuevamente se estandariza en el sentido de

las unidades espaciales surge la matriz geográfica en instancia operativa como
MDE(z)t(z). Ambas constituyen los insumos para la realización de las matrices
de correlaciones y la posterior aplicación de las metodologías de análisis multi-
variado con el objetivo de unir variables en macrovariables o unidades espaciales
en regiones respectivamente.

Las técnicas principales aplicadas son el factor analysis (análisis factorial), linkage
analysis (análisis de enlaces) y cluster anlysis (análisis de conglomerados) que
serán analizadas seguidamente.

Factor Analysis (Análisis factorial)

Procedimiento estadístico multivariado que parte de la MCV con el objetivo de

explicar la estructura de las covariaciones entre variables (V) mediante la defi-
nición de una cierta cantidad de factores (F), siendo F < V. De esta manera, las
variables observadas se pueden expresar como combinaciónes lineales de los fac-
tores. Su aplicación se realiza principalmente para descubrir relaciones que lleven
a determinar “dimensiones latentes” como causas profundas que no son directa-
mente observables y que actúan como responsables de las manifestaciones visibles
permitiendo una interpretación estructural.

De lo anterior surge que al análisis de factores podría ser utilizado con doble pro-
pósito: como método que permite reducir la dimensionalidad del sistema y como
método para descubrir su estructura subyacente a partir de los factores.

El método de los componentes principales (PCA Principal Components Analysis) se

utiliza para el logro del primer objetivo a partir de definir componentes principales

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 31

 Gustavo D. Buzai

que explican consecutivamente la mayor proporción de la varianza total. El método

del análisis factorial (FA Factorial Anlaysis) define factores como dimensiones
latentes que explican la mayor proporción de la varianza común (covarianzas). Los
componentes se consideran reales y los factores hipotéticos (Kline, 1994).

El análisis factorial permite determinar cuánto influye cada factor en el compor-

tamiento de la variable, lo cual queda expresado en la primera ecuación factorial:

[ 35 ]

Por lo tanto, la variable Vj es dependiente de los factores comunes (F1…Fm), de los

factores específicos (Sj) y de los factores de error ( ) de cada variable individual
como factores de error. Los coeficientes de cada variable en cada factor se denomi-
nan pesos factoriales o saturaciones. A partir de aquí, la segunda ecuación factorial
presenta la varianza de Vj explicada por la totalidad de los factores.

[ 36 ]

La suma de los pesos factoriales al cuadrado es igual a 1, correspondiendo al total

de la explicación, siendo a2 es la varianza común, b2 la varianza específica y c2 la
varianza de error.

El procedimiento obtiene tantos factores como variables y esto cubrirá el 100 % de

la variabilidad [33], aunque en general se eligen los factores que tienen el mayor
poder explicativo [34], principalmente aquellos que explican más que una variable
de manera individual.

[ 37 ]

[ 38 ]

A continuación, se desarrolla el procedimiento matemático para la obtención de

los factores, denominado método del centroide, el cual ubica cada eje factorial en
el centroide de vectores en el espacio n-dimensional. Fue desarrollado en el campo
de la psicología por Thurstone (1947), ejemplificado por Cortada de Kohan (1980,
1994) y puesto en práctica por Buzai (2003) para el análisis socioespacial urbano.
Contempla los siguientes pasos a partir de la MCV:

— Cambiar la diagonal principal de la matriz de correlaciones, reemplazando

los valores (como se trata de la matriz de correlaciones, la diagonal debería
tener valores 1) por la máxima correlación encontrada en cada columna, en
valores absolutos.

32 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

— Sumar a modo de comprobación: los valores de cada columna, y verificar

que den igual que la suma de los valores de cada fila (en ambas sumas no
incluir los valores de la diagonal). En símbolos:

— Se calcula un nuevo vector fila, con la suma de los valores de cada columna
( )y los valores de las nuevas comunalidades. Llamaremos este nuevo
vector fila t●1

— Se suman los valores del vector fila t●1. Al resultado lo llamaremos T1, luego
se calcula obteniéndose los valores de saturación para el primer factor:

[ 39 ]

Siendo que la comprobación está dada por:

[ 40 ]

Los valores obtenidos como saturaciones factoriales deben consignarse en la

matriz factorial como puntajes de cada variable en el Factor I.

Para obtener el Factor II

— Realizar la matriz residual parcial (MRP) como matriz cuadrada que con-
tiene las saturaciones factoriales en filas y columnas siempre con valor posi-
tivo. Se completa multiplicando los valores y las comunalidades parciales
corresponden al puntaje factorial al cuadrado.

— Realizar la primera matriz residual a partir de restar el valor de correlación

de la MCV original por los valores obtenidos en el MRP y consignarlo en la
celda correspondiente a cada uno:

[ 41 ]

Es posible realizar una nueva comprobación de la exactitud del procedimiento

cuando se obtiene un resultado cero (0) al sumar los valores de cada columna sin
su comunalidad.

— Colocar el valor de la comunalidad estimada sobre la comunalidad calcu-

lada. Esta estimación es el mayor valor de correlación de la columna, inde-
pendientemente del signo de esta relación se consigna siempre en positivo.

— Obtener desestimando las comunalidades de la suma y si existe un valor

negativo como máximo r en la nueva fila, se procede a la reflexión de la
variable con la finalidad de simplificar los cálculos en un espacio positivo.

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 33

 Gustavo D. Buzai

En el caso de que más de un valor de la nueva fila sea negativo, el proceso

de reflexión se inicia con la variable cuyo valor negativo sea el más alto (en
valor absoluto). Cuando aparecen correlaciones negativas, los vectores que
representan las variables producen relaciones angulares con θ>90º, lo que
significa que sus direcciones al graficarlos están en sentidos opuestos (hasta
llegar a 180º, lo que representaría la máxima correlación negativa r=-1).
El procedimiento de Análisis Factorial por método de centroide basa su
procedimiento en la ubicación de los ejes factoriales en un espacio de signo
positivo, por lo tanto, aquellos vectores que son negativos y se encuentran
debajo de un plano imaginario, deberán ser reflejados con la finalidad de
atribuirles puntajes positivos que favorecen los cálculos sin alterar, en una
instancia posterior, el resultado final.

— Bajar el valor seleccionado a una nueva fila pasándola con valor positivo, se
determina la fila-columna a ser reflejada y se genera una nueva fila para la
variable sumándole el puntaje de la fila anterior, en este caso .

— Realizar la sumatoria de los valores obtenidos para la fila de la variable y

verificar la existencia de valores negativos, si los hubiera se procede a una
siguiente reflexión si se encontrara un mayor valor negativo.

Desde un punto de vista geográfico, cabe destacar que, además de la necesidad de

realizar una correcta interpretación de los factores seleccionados en la MF resulta
esencial poder ver la forma en que cada uno de los factores se distribuye espacial-
mente. Esta última etapa se logra a partir de la generación de la matriz de califica-
ciones factoriales (MCF) a partir de la siguiente multiplicación de matrices y como
último procedimiento técnico del análisis factorial aplicado al análisis espacial:

[ 42 ] MCF = MDE(z) * MF

En el resultado, cada fila de la MCF representa una unidad espacial y cada columna
un factor. Por consiguiente, cada calificación factorial expresa la intensidad en que
cada factor se encuentra presente en cada una de las unidades espaciales.

Finalmente se nombra cada factor en base al análisis del peso relativo en el que
predominan las diferentes variables y se realiza el mapeo de cada uno pudiéndose
captar la estructura socioespacial subyacente en el área de estudio. En este sentido
cabe mencionar que esta línea de aplicaciones generó las bases para la definición
de la Ecología Factorial como campo aplicativo que evoluciona desde los estudios
de Sociología Urbana de la Escuela de Chicago (Berry y Kasarda, 1977).

34 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Linkage Analysis (Análisis de enlaces)

El método fue propuesto por McQuitty (1957) para su aplicación en el estudio de

test psicológicos. Desde un punto de vista geográfico fue presentado inicialmente
por Racine y Reymond (1973) y se incluye en Haggett (1977). Su aplicación en el
campo de la Geoinformática y los SIG fue realizado en Buzai y Baxendale (2006).

Los procedimientos metodológicos tradicionalmente fueron aplicados a la MCV(z)

en la definición de macrovariables y en Geografía se amplió la posibilidad a la
MCUE(z) en la construcción de regiones. Los diferentes pasos técnicos incluyen:

— Seleccionar los valores máximos de correlación positiva en cada columna

de la matriz.

— Encontrar a qué par de unidades espaciales corresponden estas máximas

correlaciones positivas y realizar un listado donde quede expresada la unión
de unidades y el correspondiente coeficiente de correlación. Ejemplo de 6
entidades:

[ 43 ]

— Encontrar los pares recíprocos. Unidades en que se produce la máxima

correlación de manera bidireccional. Realizar su listado. Continuación:

[ 44 ]

— Dibujar los pares recíprocos en orden uniendo las unidades en líneas gruesas.

— Volver al listado y determinar las unidades residuales. Son las que que-
daron sin unir y serán vinculadas a alguna variable del par recíproco.
Continuación:

[ 45 ]

— Realizar la matriz de especificidad de variables por grupos promediando los

valores del par recíproco obtenidos en la MDE(z) o de unidades espacia-
les por grupos obtenidos en la MDE(z)t(z) (matriz geográfica en instancia
operativa).

La técnica de linkage analysis presenta una solución única y clara en la que cada
variable o unidad espacial se incluye en un grupo específico que tiende hacia el
valor promedio como centroide del par recíproco.

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 35

 Gustavo D. Buzai

Cluster Analysis (Análisis de conglomerados)

Es un procedimiento utilizado para la obtención de grupos homogéneos de enti-

dades en base a la totalidad de variables medidas en ellas (consideradas n-dimen-
siones). El objetivo general es generar clases, dentro de las cuales los elementos
componentes tendrán máxima similitud. El objetivo es maximizar la homogenei-
dad en el interior del grupo y la heterogeneidad entre los grupos.

Parte de la matriz de correlaciones en donde el coeficiente r se lo considera una

medida de distancia entre cada par de entidades. En base a esto hay una serie de
métodos que pueden ser utilizados para realizar los agrupamientos: vecino más
próximo, vecino más alejado, promedio, centroide y método de Ward.

Utilizar los coeficientes r de Pearson para aplicar la técnica del vecino más
próximo implica trabajar con los mayores valores de correlación. Los diferentes
pasos técnicos incluyen:

— Encontrar el máximo valor de correlación (desestimando la diagonal r = 1)

y a que unidades corresponde.

— Realizar una nueva matriz de correlaciones de n-1 x n-1 en la cual aparecen

unidas las unidades seleccionadas. Para ello se genera una nueva columna
a partir del promedio de las dos que se unen en MDE(z) y MDE(z)t(z) y se
procede al cálculo de correlaciones. Se calculan los valores de correlación
entre esta nueva entidad y todas las demás.

— Determinar el valor de correlación máximo en la nueva matriz y continuar

con el procedimiento con una nueva matriz que desde la original sería de n-2
x n-2. Se realiza el mismo procedimiento, n-3 x n-3 hasta n-(n-1) x n-(n-1)
en donde queda reducido en un único número.

El procedimiento brinda como resultado un dendrograma de correlaciones que

se debe cortar para obtener la solución óptima. Existirá la posibilidad de realizar
un agrupamiento dinámico de unión de variables formando macrovariables o de
unidades espaciales en un proceso de regionalización. Es posible incluir una res-
tricción de contigüidad cuando se eligen los mayores valores de correlación ante
la comprobación de que sean unidades espaciales vecinas en base a un grado de
contigüidad en regiones homogéneas.

El método cluster analysis brinda una serie de excelentes resultados clasificatorios

para trabajos empíricos (Buzai y Baxendale, 2012), los presenta a través de una
visión general a partir de la selección de diferentes puntos de corte y permite iden-
tificar claramente relaciones que difícilmente son accesibles a partir del análisis
de unidades espaciales individuales.

36 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Contexto computacional

El diagrama de secuencias presentado en la figura 1 y detallado en el presente

texto, en la actualidad, se resuelven en el interior del campo de la Geoinformática,
donde se combinan principalmente planillas de cálculo, programas de análisis
estadístico y los SIG que permiten la combinación de resultados cuantitativos con
las bases cartográficas digitales.

Muchas de las técnicas presentadas son operativas a partir del simple uso de los
comandos de software específico. El paso por la MDO, MDI, MDE(Ω) y MDE(z)
se realiza mediante el uso de planillas de cálculo de forma externa o como trabajo
interno dentro del trabajo matricial en los SIG.

A partir de allí el primer bloque de procedimientos de análisis espacial se aplica a

estas matrices para la realización de cartografía temática y exploración mediante el
ESDA, cuyas posibilidades se encuentran disponibles a través de los denominados
Sistemas de Ayuda a la Decisión Espacial (SADE) los cuales, de acuerdo a proceso
detallado por Eastman (2007), permitieron que los SIG incorporan nuevas poten-
cialidades por verticalización, un proceso de crecimiento continuo que a partir de
las nuevas versiones de software incorpora nuevas capacidades o desarrolla aún
más las existentes.

Los procedimientos para el trabajo con indicadores de planificación (IP) o la rea-

lización de puntajes de clasificación espacial (PCE) se resuelven en el interior del
SIG mediante el trabajo en tablas y la selección de las variables estandarizadas
correspondientes.

La MCV surge de la MDE(z) y en ella se aplican procedimientos para la reduc-

ción de la dimensionalidad estructural. La MCUE surge de la MDE(z)t(z). En ella
se aplican procedimientos para la generación de regiones a partir de la unión de
unidades espaciales que dividen el espacio geográfico en unidades de base. Estos
procedimientos se realizan con programas de análisis estadístico y en el caso del
trabajo geográfico eluden la transposición al poder explicar técnicas indistinta-
mente en el nivel de las columnas o filas indistintamente.

Los procedimientos del Factor Analysis, Linkage Analysis y Cluster Analysis lle-
gan a la clasificación espacial mediante variables y a la regionalización mediante
unidades espaciales, en esta se trabaja con la matriz geográfica en una instancia
operativa y resulta el nivel superior de la construcción regional como aporte de la
Geografía Cuantitativa.

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 37

 Gustavo D. Buzai

Conclusiones

El trabajo matricial con datos geográficos resulta ser fundamental en el análisis

espacial y en el aporte que el paradigma de la Geografía Cuantitativa brinda para
el estudio de las estructuras socioespaciales y su regionalización. En este sentido,
se presenta como herramienta para la construcción de modelos de la organización
espacial.

Durante seis décadas, esta línea de aplicación transitó un camino que actualmente
confluye con los SIG para seguir avanzando en construcción de aspectos concep-
tuales y operativos. El campo de la Geoinformática proporcionó claras alternati-
vas de resolución. Actualmente los caminos metodológicos permiten delinear un
modelado de secuencia completo y esta construcción constituye el objetivo central
de este trabajo.

El proceso parte de la MDO y, a partir de ella, avanza en sucesivas transformacio-

nes con diversos alcances en la búsqueda de conocer la realidad geográfica como
emergencia de diversos aspectos subyacentes. Asimismo, se pueden apreciar los
momentos en que puede ser utilizada la matriz geográfica en las instancias de
organización descripción y aplicación.

El trabajo con matrices tradicionales permite la realización de cartografía temática,

la aplicación de las técnicas del ESDA, el cálculo de IP y PCE para finalizar con
la obtención de macrovariables síntesis de las temáticas analizadas. El trabajo con
la matriz geográfica lleva a la regionalización como resultado final de una síntesis
espacial estructural, surgida de la MCUE en la que se combinan la totalidad de
datos incorporados en el estudio y, como resultado final, la regionalización surge
como máxima síntesis.

Teniendo en cuenta la importancia actual de los entornos digitales y la automatiza-

ción computacional para el tratamiento de datos espaciales en la investigación en
Geografía fue considerado que realizar una síntesis global del tratamiento matri-
cial resultaba necesario ante el intento de demarcar, en base a las condiciones
actuales, procedimientos centrales que la Geografía Cuantitativa. El diagrama de
secuencias resume el camino recorrido que comenzó hace medio siglo y muestra
de que manera apoya la esencia disciplinar con base en el análisis espacial.

38 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Bibliografía

Anselin, L. (1996). Interactive Techniques and Exploratory Spatial Data Analyisis.

Regional Research Institute Working Papers. Morgantown: University of West
Virginia.

Baxendale, C.A. (1992). Apuntes del curso Manejo de información cuantitativa

atribuida espacialmente, dictado por Darío C. Sánchez. Buenos Aires: Universidad
del Salvador.

Berry, B.J.L. (1964). Approaches to Regional Analysis: A Synthesis. Annals of the

Association of American Geographers, 54, 2-11.

Berry, B.J.L.; Kasarda, J. (1977). Contemporary Urban Ecology. New York:

McMillan.

Berry, B.J.L.; Marble, D. (1968). Spatial Analysis: A Reader in Statistical

Geography. New York: Englewood Cleefs, Prentice Hall.

Bosque Sendra, J., Zamora Ludovic, (2002). Visualización geográfica y nuevas

cartografías, GeoFocus, 2, 61-77.

Bunge, W. (1962). Theoretical Geography. Lund: The Royal University of Lund,

Lund Studies in Geography 1.

Bunge, W. (1966) Apendix to Theoretical Geography. Lund: The Royal University

of Lund, Lund Studies in Geography 6.

Burgess, E.W. (1925). The growth of the city: an introduction to a research project.
En R.E. Park, E.W. Burgess [Eds.]. The City. Chicago: The Chicago University
Press.

Burton, I. (1963). The Quantitative Revolution and Theoretical Geography, The

Canadian Geographer, 72, 1, 151-162.

Buzai, G.D. (2003). Mapas Sociales Urbanos. Buenos Aires: Lugar Editorial. (1° ed.)

Buzai, G.D. (2014). Mapas Sociales Urbanos. Buenos Aires: Lugar Editorial. (2° ed.)

Buzai, G.D. (2021) The World Map by Anaximander (Miletus, 5th Century BC):
Modeling Geographical Space at the Beginning of Science. Anales de la Sociedad
Científica Argentina, 272(3), 5-18.

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 39

 Gustavo D. Buzai

Buzai, G.D. (2023a). Geografía, mapas y modelización. Criterios desde el realismo

y la cuantificación espacial. Revista Universitaria de Geografía, 32(1), 133-157.

Buzai, G.D. (2023b). Por una Geografía científica: Fred K. Schaefer_1953.

Pleamar, 3, 85-100.

Buzai, G.D.; Baxendale, C.A. (2006). Análisis socioespacial con Sistemas de

Información Geográfica. Buenos Aires: Lugar Editorial.

Buzai, G.D., Baxendale, C.A. (2008). Clasificación de unidades espaciales

mediante el uso de indicadores de planificación. Publicaciones del PROEG, 6,
1-57.

Buzai, G.D., Baxendale, C.A. (2012). Análisis Socioespacial con Sistemas de

Información Geográfica. (Tomo 2). Buenos Aires: Lugar Editorial.

Buzai, G.D., Baxendale, C.A., Humacata, L., Principi, N. (2016). Sistemas de

Información Geográfica. Cartografía temática y análisis espacial. Buenos Aires:
Lugar Editorial.

Buzai, G.D., Lanzelotti, S., Principi, N., Montes Galbán, E., Humacata, L., Acuña
Suárez, G., Baxendale, C.A. (2022). Atlas regionales con Sistemas de Informacion
Geografica en la generacion de resultados de transferencia. Atlas de Geografia
Humana de la cuenca del rio Lujan, Provincia de Buenos Aires, Argentina. En:
Gutiérrez Gallego, J.A., Schnabel, S., Lavado Contador, J.F., Castro Serrano, J.
(Coord.). La transferencia de los resultados de investigación para el desarrollo
territorial sostenible, Madrid, Dykinson, pp. 69-89.

Buzai, G.D.; Robinson, D.J. (2010). Geographical Information Systems (GIS) in

Latin America, 1987-2010: A Preliminary Overview. Journal of Latin American
Geography, 9(3), 9-31.

Christaller, W. (1933). Die Zentralen Orte in Süddeuschland, Jena. (Trad: Central

Places in Southern Germany, New York, Englewood Cliffs – Prentice Hall, 1966).

Chorley, R. [Ed.] (1973). Directions in Geography. London: Methuen. (Trad:

Nuevas tendencias en Geografía, IEAL, Madrid, 1973).

Cole, S.; King, L. (1968). Quantitative Geography. London: John Wiley & Sons.

Cortada de Kohan, N. (1980). El análisis factorial en la investigación geográfica.

Cuadernos de Geografía, 8.

Cortada de Kohan, N. (1994). Diseño Estadístico. Buenos Aires: EUDEBA.

40 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Eastman, J.R. (2007). La verticalización de los Sistemas de Información

Geográfica: En: Buzai, G.D. (Ed.) Memorias de la XI Conferencia Iberoamericana
de Sistemas de Información Geográfica, Buenos Aires: Universidad Nacional de
Luján, pp. 183-195.

Feuillet, T.; Cossart, E.; Commenges, H. (2019). Manuel de géographie quantita-

tive. Conceps, outils, methodes. Paris: Armand Colin.

Fotheringham, A.S.; Brunsdon, Ch.; Charlton, M. (2000). Quantitative Geography.

Perspectives on Spatial Analysis. London: SAGE.

Garrison, W.; Marble, D. [Eds.] (1967). Quantitative Geography. Evansthon:

Northwestern Studies in Geography.

Grecousis, G. (2020). Spatial Analysis Methods and Practice. Cambridge:

Cambridge University Press.

Haggett, P. (1975). Locational Analysis in Human Geography. London: Edward

Arnold.

Haggett, P. (1977). El análisis locacional en la Geografía Humana. Barcelona:

Gustavo Gili.

Harris, Ch.; Ullaman, E. (1945). The nature of cities, Annals of the American
Academy of Polictical and Social Sciences, 242, 7-17.

Harris, R. (2016). Quantiative Geography. The Basis. London: SAGE.

Hartshorne, R. (1939). The Nature of Geography: A Critical Survey of Current

Thought in the Light of the Past, Annals of the Association of American
Geographers, 29, 173-658.

Harvey, D. (1969). Explanation in Geography. London: Edward Arnold.

Hoyt, H. (1939). The structure and growth of residential neighborhoods in

American cities. Washington: Federal Housing Administration.

Johnston, J.R. (1968). Choice in Classification: The Subjetivity of Objective

Methods. Annals of the Association of American Geographers, 58(3), 575-589.

Johnston, J.R. (1987). Geography and Geographers. Anglo-American Human

Geography Since 1945. London: Hodder Arnold.

Kline, P. (1994). An easy guide of factor analysis. London: Routledge.

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 41

 Gustavo D. Buzai

Kuhn, T.S. (1994) La estructura de las revoluciones científicas. México: Fondo

de Cultura Económica. Original en inglés: 1962.

Lösch, A. (1939). Die räumliche Ordnung der Wirtschaft. Jena. (Trad: The
Economics of Location, Yale University, New Haven, 1954).

Malczewski, J. (1999). GIS and multicriteria decision analysis. New York: John
Wiley & Sons.

Manley, G. (1966). A New Geography, The Guardian, March 17th.

McQuitty, L.L. (1957). Elementary Linkage Analysis for Isolating Orthogonal

and Oblique Types and Typal Relevancies, Educational and Psichological
Measurement, 17, 207-229.

Principi, N., Montes Galbán, E., Buzai, G.D. (2023). Hacia un atlas-web interac-
tivo: Una propuesta de extensión universitaria para la enseñanza en Geografía.
En: Nieto Masot, A., Cárdenas Alonso, G., Gutiérrez Gallego, J.A., Engelmo
Moriche, A. (Eds.). Actas de la XVIII Conferencia Iberoamericana de Sistemas
de Información Geográfica, Cáceres: Universidad de Extremadura, 469-474.

Racine, J.B.; Reymond, B. (1973). L´Analyse quantitative en géographie. Paris:

Presses Universitaires de France.

Rey Balmaceda, R.C. (1973). Geografía Regional. Teoría y Aplicación. Buenos

Aires: Estrada.

Sarkar, A. (2013). Quantitative Geography: Techniques and Presentations.

Hyderabad: Orient BlackSwan.

Schaefer, F. (1953). Excepcionalism in Geography: A Methodological

Examination, Annals of the American Association of Geographers, 43(3), 226-249.

Stewart, J.; Warntz, W. (1958). Macrogeography and social science, Geographical

Review, 48, 167-184.

Thurstone, L.L. (1947). Multiple Factor Analysis: A Development and Expansion

of Vectors of the Mind. Chicago: The University of Chicago Press.

Tomlin, C.D. (1990). Geographic Information Systems and Cartographic

Modeling. New Jersey: Prentice Hall, Englewood Clift.

Tukey, J.W. (1977). Exploratory Data Analysis, Reading: Addison-Wesley.

42 Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43

 Matriz geográfica. Contexto y potencialidad en el análisis espacial cuantitativo

Thünen, H. von (1826). Der Isolierte Staat in Beziehung auf Landwirtschaft und
Nationalökonomie. Rostok (Trad: The Isolated State, Oxford, Pergamo Press,
1966.

Weber, A. (1909). Über den Standort der Industrien. Tübingen. (Trad: Theory of
Location of Industries, Chicago, 1929).

Fecha de recepción: 22 de diciembre de 2023

Fecha de aceptación: 10 de julio de 2024

© 2024 por los autores; licencia otorgada a la Revista Universitaria de Geografía.

Este artículo es de acceso abierto y distribuido bajo los términos y condiciones
de una licencia Atribución-NoComercial 4.0 Argentina de Creative Commons.
Para ver una copia de esta licencia, visite [Link]
by-nc/4.0/[Link]

Revista Universitaria de Geografía / ISSN 0326-8373 / 2024, 33 (2) (julio-diciembre), 11-43 43