Análisis · Avanzado
Puntos calientes y autocorrelación espacial
Saber si un fenómeno se agrupa de verdad en el territorio o es casualidad.
Por Bernabé Hinojosa · Actualizado el 21/10/2026
Un mapa de calor muestra dónde hay más casos, pero no dice si esa concentración es estadísticamente significativa. Para eso están los índices de autocorrelación espacial.
| Índice | Pregunta que responde |
|---|---|
| I de Moran global | ¿Los valores parecidos tienden a estar juntos en toda la zona? |
| LISA (I de Moran local) | ¿Dónde están los grupos de valores altos (alto-alto), bajos (bajo-bajo) y los valores atípicos? |
| Gi* de Getis-Ord | ¿Dónde están los puntos calientes y fríos significativos? |
Herramientas
- GeoDa, del Center for Spatial Data Science (Luc Anselin): programa libre especializado. Abre GeoPackage y shapefile y calcula Moran, LISA y Gi* con mapas de significación.
- En Python: las librerías del ecosistema PySAL (esda, libpysal).
- En QGIS hay complementos para estos análisis. Revisa en el administrador cuál está mantenido para tu versión.
Claves
- Trabaja con tasas (casos por habitante), no con recuentos.
- La definición de vecindad (contigüidad o distancia) cambia el resultado: justifícala.
- Un resultado significativo no explica las causas: es el punto de partida del análisis, no la conclusión.
Sigue leyendo gratis
El resto de esta guía es para miembros de Giseros. Crear la cuenta es gratis y tarda 5 segundos.
Crear cuenta gratis