El procedimiento se puede realizar con matrices de correlacin obtenidas para diferentes

distancias (fijadas de antemano) y calculadas a travs de la funcin de semivarianza,

covarianza cruzada o de correlacin cruzada (si las variables tienen diferentes escalas de
medida se recomienda emplear la funcin de correlacin cruzada). Lo anterior implica que
n

se deben calcular funciones de correlacin espacial cruzada, siendo n el nmero total de

2

variables involucradas en el estudio. Esto puede ser una limitante computacional del
mtodo, cuando se incremente el nmero de variables. En la prctica se acostumbra a
seleccionar grupos de pocas variables (alrededor de 5, consideradas como las ms
relevantes) que estn muy relacionadas espacialmente y con base en la informacin de estas
hacer el anlisis para dos o tres matrices de corregionalizacin (incluyendo la de distancia
cero).
Correlacin Intrnseca.
Se dice que un conjunto de variables regionalizadas tiene correlacin intrnseca cuando
la estructura de correlacin de las variables es independiente de la distancia espacial (puede
haber correlacin para distancia cero), es decir cuando las funciones de semivarianza
cruzada, covarianza cruzada o correlacin cruzada, entre las variables, son constantes en
funcin de la distancia. La deteccin de correlacin intrnseca puede hacerse a travs de las
variables originales o por medio de los componentes principales generados. En la seccin
6.4.2., se menciona que los ejes principales deben ser independientes, luego se espera que
para cualquier distancia la funcin de semivarianza cruzada entre cualquier para de
componentes principales est alrededor de cero. En caso contrario habr relacin espacial
entre las variables. Existen dos formas de llevar a cabo el ACPR dependiendo de si las
variables tienen o no correlacin intrnseca.
ACPR en Presencia de Correlacin Intrnseca.
El algoritmo en este caso se inicia con el clculo de la matriz de corregionalizacin para
distancia cero (matriz de correlacin clsica) (en las otras distancias no hay correlacin entre
las variables). Posteriormente se aplica el ACP clsico se generan ejes factoriales que
explican, se espera que en un alto porcentaje, la variabilidad contenida en el conjunto total
de variables (idealmente dos o tres componentes deberan explicar ms del 90% de la
varianza total). Con base en la magnitud y le signo de los vectores propios se identifica el
peso de cada variable original en los correspondientes ejes. Finalmente se obtiene un mapa
de distribucin espacial, cumpliendo con las etapas bsicas del anlisis geoestadstico, que
permita dar una interpretacin simultnea del comportamiento de las variables involucradas
en el anlisis.
ACPR sin Correlacin Intrnseca.
En este caso se debe establecer en primer lugar un modelo lineal de corregionalizacin
entre las variables originales. Con base en este se calculan varias matrices de
corregionalizacin (una para cada distancia h fijada) y con cada una de ellas se realiza un
ACP clsico. Los resultados obtenidos en cada anlisis permiten establecer relaciones entre
las variables que no son observados en anlisis clsicos de correlacin .

65