, ,>

I 1 J f ; •

1 . i

La extrapolación de problemas preferencías. A. Una estrategia para el muestreo, ~ r:~~.~-"*"--:~~ , ' ,.

queremos decir por scaling-up? , :; ¡ - , , ... ,

bastante confusión al respeto. En inglés, la palabra scaling~~p ~é~ ~¡ÍtÍÍ~ckos, ~e]pendieJQdo de quién la utiliza, Para los geógrafos, una escala más grande significa más detalle.

ejemplo, una escala 1:5,000 es más grande que 1:1000,000. Mucha gente, sin embargo, babIa de una escala mayor cuando el numero a la derecha de los dos puntos es mayor, Esto conlleva al uso de la palabra scali~~ de parte de los científicos sociales: se hace un trabajo en una área pequeña, por ejemplo una ca pequeña y se quiere saber cuales son las cuencas

onde, por sus características, podemos aplicar lo que aprendimos en la cuenca piloto, No biamos de escala, solalllente estarnos viendo más cuencas, por ejemplo todas las cuencas de

un país, no como un todo pero individualmente. Si las viéramos como un todo, por ejemplo si queremos que una política se aplique a todas las cuencas, deberíamos considerar otros factores que los que aplican en la cuenca considerada como un sistema aislado. Esto es el origen de la confusión de escalas y guerra de escalas que hacen que hay tensión entre los diferentes actores. Sencillamente no hablamos de la misma cosa, porque no solamente los datos y resultados son diferentes dependiendo de la escala, pero también una cantidad de factores que deberíamos considerar a varias escalas cuando planificamos los PJ:0yectos. ' _______ ¡

Aquí vamos a usar scaling-up de manera sencilla: ue~~~;~l!IJd con anticipación, sin tener que hacer un diagn' ico,'j't¡! a~ tJpre población..,;

,. b~'8{, Las dos formas de abordar el tema

I . ~ ----~~~--.¡

os determinar encias de su

Cuando hablamos de muestreo, significa lo siguiente: selección de las comunidades donde queremos hacer un diagnóstico participativo, de tal forma que podemos extrapolar los reJSUltados a un área más extensa (todo el país, por ejemplo).

1 Para seleccionar mejor las comunidades, necesitamos datos que representan su realidad. Tenemos la suerte de tener una base de datos muy buena de Honduras. La más importante es una base de datos de censos a nivel de boleta: tenemos el Censo de Población y Vivienda de

11974 Y de 1988, y el Censo Agropecuario de 1974 y de 1993. Claro que son datos no muy

, actuales, y tenemos que tener esto en cuenta cuando interpretamos los resultados. Estos Censos están asociados a una cobertura geográfica de aldeas (comunidades) que ha sido generada sobre la base de mapas 1 :50,000, y que tiene algunos errores que conocemos, y probablemente otras que no conocemos!. También existen muchos datos geográficos base, como suelos, clima, elevación, uso de la tierra, y datos derivados como Presión sobre la tierra, accesibilidad a mercados, pendiente, o indices de pobreza,

Usando estos datos, hay dos maneras de abordar el tema de selección de sitios para

I extrapolación, y esto puede explicar una confusión que existe en la interpretación de lo que se debe hacer.

, .. !

J

1 1 1 , • .. i

J

•

,1

a) La selección de comunidades similares Aquí la estrategia es seleccionar las aldeas más representativas de Honduras, y hacer el diagnóstico en un cierto número de ellas. Se supone entonces que lo que aprendemos en estas aldeas aplica a la mayoría de las aldeas de Honduras, y entonces logramos el sca1ing-up, o extrapolación. Lo malo es que entonces no tenemos idea de que pasarla en las ntras aldeas (las que no son representativas), además de que tenemos que repetir el proceso si la sociedad Hondureña cambia. Estamos también definiendo a priori lo que es una comunidad tipica, sobre la base de los factores que pretendemos que son importantes. Esta estrategia tiene un poder de predicción muy débil, y pensé que era preferible otra estrategia, similar a la que usó Ravnborg (1999) .

b) La selección de comunidades contrastantes Aquí el objetivo es identificar los factores que determinan los problemas y las preferencias. Una vez que tenemos estos factores, podemos buscar proxy (aproximaciones de estos factores) en nuestras bases de datos. Esto nos permite mapear los problemas y preferencias, usando los mapas de estos proxy. Por ejemplo, si vemos que la gente de zonas lluviosas prefiere un tipo de frijol diferente de la gente de zonas secas, podemos utilizar un mapa de lluvia como proxy, y convertir este mapa en un mapa de tipo de frijol que le gusta a la gente. El riesgo es seleccionar aldeas que pensamos son contrastantes cuando no lo son! Las bases de datos tienen errores, las preferencias son algo subjetivas, y es posible terminar con una muestra de aldeas más o menos al azar, lo que correspondería al caso anterior. Una posibilidad sería de encontrar correlaciones validas para todas las aldeas, lo que significaría una caracteristica general de la población (por ejemplo, que todos prefieren el frijol rojo no importa donde viven).

1 análisis de frecuencia .

l problema que tememos, entonces, es seleccionar aldeas contrastante, pero a la vez epresentativas de la población de Honduras, para encontrar factores que aplican a la mayoría de

. a población. Retomo el ejemplo del frijol. Suponemos que, para ver si el clima influye sobre la ¡Selección de la variedad, estudiamos tres aldeas que reciben 8000rnm de lluvia por año, y otras 4 Ique reciben 50rnm. Es un caso muy contrastante, lo que nos garantiza que va a haber diferencias entre las variedades que prefiere la gente del primer grupo y las del secundo. ¿Sin embargo que pasa si estas aldeas son muy atípicas, es decir que son solamente, digamos 3% de las aldeas de honduras que reciben esta cantidad de lluvia? El riesgo es que quizás estamos encontrando una tendencia que aplica solamente a estas aldeas .

. La solución ha sido de analizar el histograma de cada factor que consideramos para la muestra (por ejemplo el área sembrado de frijol), y dividir este histograma en 4 rangos. El histograma representa la distribución de aldeas por área sembrada de frijol. Eliminamos los valores extremos (5% inferior y 5% superior - categoría O). La categoría 2 agrupa las aldeas que tienen un valor intermedio (50"10 de todas las aldeas - estas son las aldeas más representativas), mientras las categorías 1 y 3 representan cada una 20% de las aldeas con área sembrada en frijol significativamente menor y mayor a la norma, respectivamente. Al seleccionar aldeas que pertenecen a las categorías 1 y 3 nos aseguramos que tenemos contraste (es decir que tenemos

. " .

1 ..l

1 I 1

J l t

1 .o"-;

I ,1

aldeas con poca producción y aldeas con mucha producción), pero también estas son representativas de 40"10 de las aldeas del país. La figura 1 ilustra este caso,

1: V JI! • V ."

e V E :s z

Area sembrada con frijol (mz)

Figura 1. Distribución de aldeas por el área total sembrado en frijol (caso hipotético).

F1 disefío ortogonal

'Un ejemplo (De Oreen y Wind, 1973, citado por SPSS 6.1 Categories reference Mcmual): una

~mpresa esta interesada en el mercadeo de un nuevo producto para limpiar alfombras, y quiere er la influencia de 5 factores sobre las preferencias del consumidor: diseño del empaque (3 'pos), marca (3 nombres), precio (3 precios), sello de calidad (si o no), y garantía (si o no). El

numero total de combinaciones es 3x3x3x2x2=108, demasiados casos para presentar a un gran numero de personas todas las combinaciones para que seleccionen la mejor (lo que se llamaría diseño factorial).

La idea entonces es seleccionar una menor cantidad de combinaciones, pero asegurándonos que . podemos aún estimar el impacto de los factores. El diseño ortogonal representa el conjunto !mínimo de perfiles (combinaciones) que lo permita. La única restricción es que el número de

I perfiles debe exceder suficientemente el número de factores para permitir los grados de libertad debidos al error. En el caso del producto de limpieza, podemos preguntar en una encuesta, las preferencias con respeto a 18 productos solamente (y no 108), como por ejemplo: Producto 1: empaque de cartón, de marca Glory, $1.19, con sello de calidad, sin garantía. Producto 2:

. Empaque plástico rígido, de marca K2R, $1.39, con sello de calidad, con garantía, etc. El análisis de los resultados para estos 18 productos mixtos, se puede hacer mediante un procedimiento que

, se llama Conjoint AnaIysis en SPSS, o también con nuevos software que clasifican usando redes neuronales o algoritmos genéticos (por ejemplo Neuroshell).

J 1

1 1

,1

La extrapolación de problemas y preferencias. A. Una estrategia para el muestreo.· IAI . -- .------_ .. _ .. _~-- .. ~~--- .-_ ... _~---~-~.------.---------.---.---.~- .., Los problemas con el disefí.o ortogonal estricto

El problema que tenemos es que los factores que seleccionamos pueden o no influir (esperemos que si pero no estamos seguros), y además 10 que queremos medir (problemas y preferencias) puede ser algo impreciso.

In la misma línea de pensamientos, tampoco estamos seguros que todos los factores son independientes (por «iemplo zonas de alta producción de frijol quizás se relacionan con zonas planas o con buena accesibilidad a mercados). Así que es más dificil aún defmir el tamaño de la muestra. La literatura sugiere que se debe considerar en la muestra aproximadamente 1/5 del

tal de combinaciones posibles. Puede ser un poco menos si los factores tienen alguna orrelación, y un poco más si tenemos errores o respuestas no muy claras. Por «iemplo, de cuerdo al estudio que hizo Helle, es seguro que no vamos a ver una relación fuerte entre las referencias por variedades locales de frijol y el nivel de bien estar, dentro de un área dada. Si ueremos demostrar esta relación, necesitamos un gran número de datos para que la diferencia, si xiste, sea significativa.

n otro problema que tenemos que considerar es la operacionalización del trabajo de campo. Si eterminamos una muestra al azar, que tenemos que seguir a la letra, puede resultar muy difícil y stoso, dado que no estaríamos aprovechando de Jos contactos, CIALs existente, accesibilidad. que queremos entonces es permitir alguna libertad en la selección de sitios, pero con alguna

dicación de cuales sitios son más apropiados (es decir contrastantes) para estudiar con el pbjetivo de extrapolar.

etalle de la muestra

rimero, consideramos que los siguientes factores podían influenzar la percepción de problemas preferencias:

ultivo: • Frijol (solo, asociado) • Maíz (solo, asociado) • Ganado (maicillo, pastos, caña para animales) • Café, cacao, tomate, piña

Estación: • Primera • Postrera

Relieve:

• Laderas • Plano • Elevación: <500m, 500-1500m, > 1500m

'.

I I 1 I

La extrapolacíón de problemas y preferencias. A. Una estrategía para el muestreo.' 101 --_ .. _---_._--~-----. .. ~------_ .. ~~---",._~-----_._~---... _~._~-_. __ ... u so de la tierra: • Presión sobre la tierra (densidad de población) • Tenencia de la tierra • Tamaño de finca • Uso de la tierra

Afectado por el huracán Mitch

Accesibilidad a mercado

oblación: Pobreza Etnia

rganización: CIALs Sitios de referencia Cduposorganizados

ra obvio que no podíamos considerar todos estos factores ~ara el diseño de la muestra., lo que os hubiera llevado a un tamaño de muestra del orden de 2l ! Se decidió reducir el numero de

factores, para tener una muestra de 100 aldeas aproximadamente. Para esto, se analizaron los tesultados obtenidos por Ravnborg y su equipo (EscoJan Rodezno, 1998, ver anexo 1). f-.simismo, se pudo eliminar el factor de Etnias de la muestra, porque no observaron mucha correspondencia entre los datos de censo y SIG con la realidad en el campo. El uso de la tierra tenía poca correlación con bien estar o preferencias" así que no se consideró.

~eliminó el componente de estacionalidad de la producción agrícola, en la base de que se

uscarÍI. una distribución cubriendo una amplia área geográfica (y asimismo varias áreas oclimáticas). La presencia de grupos organizados se iba a considerar mientras se hacía el

trabajo de campo, de acuerdo con la disponibilidad de colaboradores. Para la tenencia de la tierra, se consideró que siempre se tenia una distribución de tierras similar.

Se supone que algunos factores son correlacionados, lo que implica que posiblemente estamos sobre muestreando. La Tabla 1 muestra los factores considerados y los valores que se usaron para reclasificarlos en 4 categorías: O:atipico/l: bajo/2: mediano/3: alto.

••

1 I I I 1

I

i

r_!:::~:.~raP()laCíónge problemas y preferencias. A. Una estrategia para el muest~~. ~

Factor Fuente Unidad Valor limite ente categorías 1-2 2-3 0-1 3-0

Producción de frijol Censo agropecuario Mz 3.40 32.31 0.1 . 105.83 [primera y oostrera) 93 sembrado : '7

¡>roducción de maíz Censo agropecuario Mz 26.55 121.40 5.46 340.97 ¡primera v oostrera) 93 sembrado Producción de Censo agropecuario Mz 0.1 38.96 0.2 155.51 ~ltivos anuales que 93 sembrado o son granos ásicos roducción de Censo agropecuario Mz 1.07 13.71 0.1

1

58.44

rultivos es. 93 sembrado

"""",o Censo agropecuario Total 44.98 528.71 1 i 1891.9 93 cabezas 9

f\ccesibilidad a Modelo de Horas 1.92 13.10 1 30.02 fldeas de más de accesibilidad* 000 habitantes

I>ensidad de I Clusters (C_lhr): 1 1-pers.ha-1 : 6.67 23.27 1.69 59.8

oblación : hora de caminar del ¡ :

centro· . obreza P3 NBI 4* % 59.97 85.02 30.97 95.07 ~titud Promedio dentro de msnm ' 256.18 959.71 25.48 1453.1

C lhr ETOP030 ,

endiente ! Promedio dentro de grados 110 3.27 0.22 ¡5.39 • Clhr !

I ETOP030 ¡

l ·Ver Referencias.

i Una vez todas las aldeas clasificadas en estas 4 categorías, se calculo un grado de similitud (la

'able RANK) con el promedio de aldeas. Se hizo de manera sencilla, contando para cada dea el numero de veces que uno de los 10 factores tiene un valor de 2 (que contiene 50"10 de la oblación de aldeas). Se eliminó de la muestra aquellas aldeas que tenían uno de los factores con

valor de O (corresponde a extremos). Así, las aldeas tienen una clasificación (RANK2) de O a O con respeto a los 10 factores, O significando que la aldea es muy diferente del promedio y 10 ue es muy similar al promedio.

ara acomodar aspectos difíciles de prevenir tal como disponibilidad de apoyo de parte de organisaciones locales, presencia de CIALes, o accesibilidad por vía terrestre (especialmente después del huracán Mitch), se decidió seleccionar todas las aldeas con un RANK2 inferior o igual a 4, de las cuales se selecciona la muestra (alrededor de 1 00 aldeas) de acuerdo a las restricciones (Anexo 3 y mapa 1).

,

:

,

!

..

l (

I

t. La extrapolaCión de problemas y preferencias. A. Una estrategia para el muestreo.' k\I " .. ~~-~-~------""-- " .. ,-"_ ..... _---' .. _--~~-~_ .... , .. _----,---_.,'-_ .... ~

Para la muestra intra-aldea, se necesita tener en cuenta la varianza de los factores de interés. Por ejemplo se puede ver en anexo 1 que la preferencia entre variedades locales o compradas de fiijol depende muy poco del nivel de bién estar (a dentro de una cuenca). Si queremos resaltar una diferencia pequeña se necesita tener un numero grande de encuestas. Al contrario, si tenemos pocas encuestas dentro de una aldea, podemos estar seguros de las relaciones que buscamos solamente si son muy obvias. El anexo 1 se puede consultar para planificar el número de encuestas que se deben realizar dentro de cada comunidad, y siempre se puede ajustar en el campo. Una muestra al azar tal como la hizo Ravnborg (1999), es decir tomar la lista de miembros de la comunidad y seleccionar al azar, es ideal para eliminar cualquier sesgo, y es necesaria para utilizar proporciones de la población como variable de extrapolación (Leclerc et al, 1999).

teferenCias

colán Rodezno, R., Méndez Castellanos, M. A, Mendoza, F, and Ravnborg, H .. 1998. "Desarrollo de perfil regional de pobreza poro tres cuencas en Honduras: Río Saco en Atlanffda, tascalapo en foro,

Cuscateca en el Paraiso. y pora el departamente de foro ". Documento Técnico. CIAT. SIp.

eclerc, G. Nelson, A., Y Knapp, E. B. 1999. lhe use ofunit-level censusdatafor research on verty: a multíscale approach. Paper to be presented fo lhe InternationaJ Conference ssessing (he impact of agricultural research on poverty allevíation", San Jose, Costa Rica, 14-

16 September. 29 p.

~elson, A, Farrow, A, Leclerc, G., Winograd, M. 1999. An ArcView toolfor computíng accessibílity times. Documento Técnico CIAT. 58p.

Oyana ,T., Couillaud, P., Leclere, G., Knapp, E. B., Y Bell, W. 1998. Processing social illdicalors al individual and household leve!, and their aggregation al different sea/es. Documento Técnico ClAT. 66 pages.

PE-4 project. 1998. ClAT PE-4 Annual Report. First estimates ofUrban and Rural population density for Honduras. P. 106-108.

vnborg HM. 1999 (In Press). "Assessing rural poverty: a practical method for identifying. trapo/ating, and quantifying local perceptions o/ rural poverty n. Intemational center for opica1 Agriculture (ClAT), CaJi, Colombia.

SS 1994. SPSS Categories 6.1 Users Manual. SPSS, Ine. Chicago, IL. 209p.

Anexo 1. Resumen de las correlaciones obtenidas por Ravnborg et al (1998).

'.

1 I I [

I

Anexo 2. Histogramas para los factores a nivel de aldea (extremos cortados a 5%).

208 +

156

lO.

I • 1** ¡ 1--**

*

+"'****** 1******'" : ",,.,,**..,,,,,**

:********** +****'******* l***********

• * • ..

:*****************~

1******************** ~2 ~*******~***~** .. ***~~ ***

AREA SEMBRADA MAIZ

¡*********************~**** .. * ¡***T**+*******Y***************~ *** .. '" '" 1*****************************************8**66*93849344429453650

o +--~~----------------------------+--------~----------~-----------+ O.5469629E..¡-Ol Q.1740978E+03 O. 3427259E+03

NumbsX' of pixels plotted: 3290 Gell wid~h: 5.2696 Minimure value ir. data: O.5469629E+Ol Pixels less ~han histogram min: O Maxirn'Jl'r. value ir:. data: O.34C9694E+0.3 Pixels more than histogram max: O Fo:, a11 data: Mean: 103.300 Standard Deviation; 141.411

400 +~ l' l' l'

300 +* l" 1" ¡ 'lo"'.

200 +*"' ... l-r*",,* ¡ ... ~ ............. ¡ ... ,,**"+*'" ...

100 +*~* .... ~ ....... + ...

1 .............. • ...... * ............ ... I .. **+"'* ..... " ... * .. * ..... * ... ~

ANEA SEMBRADA fRIJOL

j .. .,." .... *·* ... *** ... ~* ... ~y· ... y*9~"*a88e8666 .. 46~~35263431S4:24353222202221 O +--------------------------------+-------------------- ___________ +

O.1000000E+OO O.5296675E+02 O.1058375E+03 Nurnber of pixels plotted: 3112 Cell width; 1.6521 Minimum value in data: O.lOOOOOOE+OO Pix~l$ less than histogram min: O Maximum value in data: O.1058375E"'-03 Pixels lT'.ore than histogram nax; O For &1l data: Mean: 28.406 Standard Deviat!'on: 49.62C

i J

I I I I

AREA CULTIVOS PERENNES

480 +*

[* 1 +

l· 360 T*

1* 1" 1"'·'"

240 +***

1*+"'* 1*"' .... ¡****«'"

120 ... *",,,,****

~*.*", .. ** ... ", 1""10 ..... "',. "'* ***.., "'* 1**************9***668755755353334355222322122131321102111212

O +--------------------------------+-------------------- -----------+ O.1000000E+OO O.3121SiSE+02 O.6233750E+02

Number of pixels plotted: 2765 Cell width: 0.9725 Minimum value in data; O.1000000E+OO Pixels les!' than r.istog:-am !'tIln: Maximum value in data: 0.5844766E+02 Pixels more toan histogra~ roax: For a11 data: Mean: 11.213 Standard Deviation: 56.78S

4BO +*

'* :**

1*""'"

1 "''**'* 240 +*****

:***** 1****"" 1*****·""

120 +**'<'**",.""** 1 ..... * ... ***** ........ 1*"'****"''''*******

TOTAL CABEZAS DE GANADO

¡****~**********~*9·6599765S9564434323332232 e ~--------------------------------+-----__________________________ +

O.1000008E+Ol O.1408250E+04 O.2el~5COE~C4 Number of pixels plotted~ 3232 Cell .... id-:.!;.; 43.9766 Minimúrn value in data: O.1000000E+01 Pixels less than tüstog-ram min: Maxillu.:.rn value in data: 0,1891992::+04 rixe':s rr,ore t.han histogram max! tor all Cata: Mean: 520.00C Stand .. rd Devjation: 1258.634

o O

O O

t

1.

¡

I I

AREA SEMBRADA ANNUALES {NO GRANOS BASrCOS}

960 t' l' i' l'

720 +'

l' l' l'

.eo t' l' l" , ..

240 tU

l··'" 1 ..............

1·*·*··**87967544543333344322332022121211111010011100

O +--------------------------------+~-------~------~--------~------+ O.1000000E-o-C:O O.9574063E+02 O.1913813E+Q3

Number e: pixels plotted: 2805 Cell width: 2,9888 Mínimum value in data: O.1000000E+OO Pixels :ess than histog:am mir.: O Maximum value in data: O.1555160E+03 Pixels more than histogram max: O For all data~ Mean: 37.279 Standard Deviation: 103.459

480 +'"'

" 360 +'" 1" 1" 1'*

240 +*'*" '*"

i"-" ... '"

¡"'"

ACCESSIB!t.lD.n.O A ALDEAS >2:::00 HAS.

. . • * .. ~ '*" ... 8~ 6 7 5 7 3 2 3 4 o +---------------------------~----+-------------------------------+

O.100COOOE+Ol J.1740625E+02 C.3381250E+02 Numbe:r of pixels plct~ed: 2758 Cell width: 0.5 27 Minimum value in data: O.1000COOE+Ol Pixels less than h stogram min: Maximum vaJue in data: O.3001655E+02 Pix.els more ~"h3n h stogram ~ax: For all data: Mean: 9.304 Standard Deviation: 1 G. 732

O O

gLEVACION

I . • ..

loe '¡'''*''' 1 .... • • 1""'* • 1 .... • ... .. •• *

72 + ......... ... "'.,..**** 1*"'* • * *** *'" ... * ... **********"" * 1 .......... * ...... * 1 ... ** ..... ** ... '" .

36 .*.**.**** ... ... • 1***** ... ***** ..... ** ....... *** ... ********·*T ... **** ..... ** ...... *** ... y*** ... *~ ... ... I*************+*~ ..... * ............ **** .. ++** .... ***+*+~ .. **** ... *** ... *+* ..... * ......... ..

o +---~----------------------------+-------------------------------+ O.2548242E+02 O.756C199E+03 O.1487357E+04

Number of pixels plotted: 3351 Cell width: 22,8418 Minimum value in data: O.254E'Z42E+ü:2 Pixels :ess tha~ histclj~ram mi.r.; Maximum value in data: O.14S3095E+04 Pixels more than histogram Ir,ax: For a11 data: Mean: 6S7~S40 Standard Deviat1on: 451.810

PENDIENTE:

128 +

• 96 +

I I I

6' + l' 1* 1+

32 ~ ...... **** ..... * ... ***~****** ........ ***** ... * ............ * ...... ~ ...... *** ....... I** ... **** ... **··*~****~******~* .. ***+*··**··+·+*~+**+·* i***·*··**********·*·*·*··*********_·*~···w*.***"'.*.*.*.** **.* :*~*~*****~.~*.~.*~~**** ••• * .... *++~*.****.**.********.*·+"'+~***··2

e +--------------------------------~------------------------------~+ O.2159544E+OO O.2834900E+Ol O.5453845E+Ol

Number oí pixe:'s plottoo: 3331 Cell .... idth: 0.0818

O O

Minimum value in data: O.2159544E+OO Pixels less than histogram min: O Maximuro value in data: O.5392464E+Ol Pixels more than histogram roax: O ror all data: Mean: 2.323 Standard Devlation: 1.598

"

(

(

[

288 + •

216 + ""*"''''''' ¡"'****"'.-

1""''*''''*** ... 1***"'******

144 +********** ¡"' ..... "''******..-; ..... * ...... ****** '*" 1********+"''''-**

DENS18AD DE POSLACION

12 +**************** r*****~*************

I****·*********~*******

¡***********·*************87*88*3855

O +--------------------------------+-------------------------------+ O .16SS636:E:+ 01 0.548::' 939E+G2 O. 1079::01 E· 03

Number of pixels plotted! 3264 Cell wid;;h: 1.61503 Minimum value in data: D.1688636E+Ol Pixels less ~han histogram rein: O Maximum value in data: 0,5990040E+02 Pixels more ~han histogram max; O For s11 data: Mean: 21.451 Standard Deviation: 54.636

208 +

156 +

52

o +--------------------------------+-------------------------------. O.3097070E+02 C.6S:::019bE+O.2 O.9903320E+02

Number óf pixels plotted.: 3359 Cell widtt:: 1. 0635 Minimum value in data: O.3097070E+02 Pixels less than histogram mio: O Maximum value in data: 0.9506934f:+02 Pixels more than hist-Qgr-am max: O For a11 da-:.a~ Mean: 10,671 Standard Deviation: 19.240

lexo3. Muestra seleccionada (en grado de contraste decendíente).

AlDEAS

o § 1 ! !! g g ~ N "' lió

~ ~ '" .. f ;:,

3 o I ~

i § " o .. : .. ~ o' ~ e' L' ~ ~

~

~ w z -' ..J ..J ~

CIIoobMo ..... 2 5 2833 ........ • • • • 1 • • • • • f O "",H.- e • ,., <6 ..... • I • • • • • • • • , O OIoc\Iiu 'O e 2654 020_ I • , I • • • • , • , o - • ,

"'" .. - • • • • • • • • • • • • "'Guadalupe 3 1 33' .. - • I I • • • • • • • • o &0>_ • • .... 730 noetnJ • • , • • • , • , • • O s- .,IaN de .. Majada •• , . ... 70 noet1ti • , • • • • • • 1 • • O - '2

,. 2272 486 noell\! • 1 • • • • • • • • • O -- ,. ,. 102 1& noetru • , , , • • • • • • • O Rio9lonco • 10 ... 116 noetm • • • • • • • • • • • O -- 7 ,. 1211 -- • • • • • • • • • • • O -- 1 ,. 200 .. .-.. • , • • • • • 1 • • • O

== 7 ,. '35 <OO- • • • • 1 • • • 1 • • O ..- ,. 12 1151 :m ....... I • • • • • • • • • • • a 7 " ... 11$ noebV • • • • • • • • • • 3 1 _ ........ 7 lO >07 ......... • 1 • , 1 • • • 1 • • 1

"""'" 1 2 735 182 GarffunD • • • • • • • • 1 • • • """- e 2 m .. - • • • • 1 • • • • 1 • • 10 2 "'" 67notW • • • • • 1 1 • 1 • • o 2 1 1054 475 Garifuna • • , • , 1 • • 1 • 3 o 3 • "'" 173 noetni • • , • • • 1 • 1 1 • o 7 , ... .. .-. , • • 1 • • • • 1 • 3 o 7 1 .so "'- • • , , , 1 , • , • 3 o • , 755 13& noetnl • 1 • • , 1 1 • • • • o • 1 21. 61 noetn¡ • • • • 1 1 1 • • • • o 2 , ... 118 nottn¡ • • , 2 1 , 1 • 1 • • o 1 • .,. 65.-, 2 • , • 1 • • , , 1 • o

12 ,. """ 537 nottni • • , • 1 • • • • • • o • 5 2257 421 no.tnl , • 1 • 1 • • • • • 3 o 4 5 3654 7lI6 .-., • • 1 • 1 1 1 • • • 3 o • •• '''''' 274 noetni 2 • • • • • • • • • 3 o ,. ,. 797 1044 noetnl • • • • • • • , 2 , 3 o

2' • 21' 42 ChOrtit • • • 1 1 • • • 1 • 2 o ,. ,. ,''' 369 l'\Mtni • • , • • • • • • • 3 o 3 ,.

"''''' 291 f'II:MIbli • • • • • • • • • • • o Azul No, '\ 2' 3 <60 73~¡ , 2 • 2 • • • , • , • o

E~ 11 3 2820 641 noetnl 2 • • • 1 • • • • • 3 o , • 329 se ooemi • • 1 , • 1 1 • • • • o

T I • 13 91. 189 110",1.'11 • • • • 1 • • • • • 3 o 20 13

,_ He OOWII 2 • • • • • • • • • , o GL11IbkIn • 13 1000 161_ • • • • , • • • • • • o &0>_ 20 13 ... " ......... 1 • 1 • 1 • • • • • 3 o &0>_ 20 13 1167 200_ • • • • • • • • • • 3 o - • .. 1007 1'n noWri • • • • 1 • • • • • • o .,.. .... • .. 166 ......... • • • 1 • • • f f • • o ~de~ua 3 3

,_ 356- • • • • f • • • • • • o ... - • ,o ees , ........... • • • • • • • • • • • o - 7 14 201 46- • • 1 1 1 • • , , • • • _ .... • 13 ... ......... • 1 • 1 1 • • 2 , , • o -.. 14 " ". "" ....... • , • , • • • , 1 2 3 o

24 • 332 71_ o • , 1 1 • , • • • • o • 13 7011 , .......... • • • • 1 • • • • • • o 1 15 12112 241 /"ICIftIi • • • • • • 1 • • • • o 1 " ,= ... """'" • • • • • • , • • • • o ,. 14 1$4 33 Mllltni • 1 • 1 • • • , 1 1 • o

11 14 1425 ... """", • • 1 • 1 • • • • • 3 a • 10 1<65 32~ notJtnj • • • • • • • • • • • o 3 • ,'''' 3H! noetnl • • , • 1 • • • • • 3 o

la '2 '935 .19 noetni • • , • , • • • • • • o ,.. ... 20 • 104 20 """"', • • , , • • • , • • 3 O - 25 13 176 32 noetni • 1 • , • • • , • , • o •• km 3 7 ... 212 nQMni • , • • • • • • • • • o ....... • 7 '856 344 noetni • • 1 • 1 • • • • • • o

SIIiIh F,..nci:t.co 17 • ... 163 nomi • • 1 • 1 • • • • • • o a_. 1 7 1<6 31 I'loetru • f • 1 • • • 1 • • • o

"'"""" 5 17 1058 .,. """"" • 1 • • • 1 1 • , • 3 o ~j"",. lO • 300 78 noMJ')J • , 1 1 1 • • 1 • , • o """""- " • 950 29"3 noetn! • , , • 1 • • • • • • o ........ .. • 1357 281 I\OeInI • • 1 • 1 • • • • • • o EJ_

• 11 1313 143 I\Oi!Itr¡j • 1 • • • 1 • • • • 3 o .... - 2 • 725 141 noetrn • • • • • 1 • • • • 3 o

E •• • - .. .-. • • • 1 • • • • • • • o • • 1657 ... .-.. • • • • 1 • • • • • 3 o • • .,.. 1al no«ni • • • • 2 • • • 1 • • o , 1 """ .,- • 1 1 • 1 1 • 1 1 • • 1 =.. 1 1 356 71 Garifottws • • 1 • 1 • , 1 , • • 1 • , ... 128 noetni • • 1 • 1 1 • • 1 • • , -..... S 1 2SO "2 nMIni • • • 1 • • , 1 • • • 1 =: • 1 "" 151 noetní • • 1 • • • 1 • 1 • • 1 10 2 1713 364 noe1ni • • • • 1 1 , • • • • o

7 , ... 99 G.rtfl,ll)f:$ 2 2 , , 2 1 , , 1 2 • O 3 • 432 120 "0«1'\1 2 , , • , 1 , , , 2 • O , , 320 64 G.trif1.fNll'¡ 2 2 , I , , 1 • 1 • • O

• 5 ... 145 nóeI:N 2 2 1 2 1 1 2 • 1 • • O , , 600 136 GMfuna , • 1 • 1 • , • • • • O 2 , 1!02 ,,,- 2 2 • • • • • • 1 I • O , 1 855 16A: G.rihma • • • 2 • • • • 1 • • O 2 • 2067 415 noetni • 2 • • 1 1 2 • • 2 • O

• 1 '49 ""- • • 1 , • 2 , • • • • O 1 , ... 201>_ • • , • I , , I • • • O 1 1 12<15 232 ...... • • I I , , • • • • • O

• , 317 16_ I 2 , • , • , , • • • O

• 2 ... 129 IK\IIrlnI • • • • 1 1 , • • 2 • O 3 , 361 64 AO*Ii • 2 • • • • , • • • • O

• 1 782 137 noetnl • • • • • • • • , • • O

• , 855 175 no«ni • • • 2 , , , • , • • O

• 2 ,- 289 noetni , • 2 2 , • • • 2 • • O 4 ,

'553 28'1: ooetni • • 1 • • • • • 2 • • O 3 • 1130 """ - 2 2 • 2 • , • • • • • O

• , 203 53_ • 2 2 • • • • • 1 • • O 5 , -179 """"" 2 2 1 2 1 1 1 • • • • O 3 1 1103 196 noetm I • • • • 1 • • • • • O , 1 ... 132: ooetnt 2 • • I 2 , • , • • • O

• 1 ... 82_ 2 1 2 • • • • • • • • O 3 5 220 5' ....... • • • • • • 2 • • • • O

• , 55' 151 noetni • • • • • • 2 • • • • O

• 2 235 ....... 2 • 2 • 2 • • • • • • O

• 2 343 82_ I • • , 2 • • • • • • O

• , 1131 220 DOetní • 2 2 2 • 1 1 • 1 • • O

• ,. '68 143 noetni 2 2 • • 1 • • • 1 I • O , ,. 44' 90 noetni • • 1 2 1 • 1 • 1 2 • O 4 '. 365 76 noetnl • 2 2 1 1 1 1 2 1 1 • O

17 ,. 1267 223 noetni • • • • • • • • • • • O 1 • 315 75 noetn¡ 2 1 1 • 1 1 • 1 2 • • O , • 2BO 61 no.fn¡ 2 2 2 • 1 1 1 1 2 • • O

• ,. 2317 _.-., 2 • • • 1 • • • • • • O 11 ,. 170 31 ttOetni 2 • • 1 1 1 1 • 2 • • O

• • 1221 254 no.tnl • • 1 • • 1 1 • • • • O

• .. 2101 ......... 2 • • • 1 • • • 2 • • O 11 15 781 143 noemi • • • 2 • • • • • • • O 12 ,. 2549 517 noetN • • • • • • • • • • • • 12 ,. 1997 437 l'IOétní , • • • • • , 2 • • • O ,. ,. ... 19' noetm • • • • • • • • • • • O

• ,. 604 190 noetni • • 2 • • • • • • • • O 12 '0 393 OO- • • 2 1 • 1 1 • • • • O 10 • 1489 313.-.. • • 1 2 • • • • 1 • • O 10 • 1453 m ...... • 1 1 2 1 • 1 2 • 2 • O 13 " n. 270 noetnl • • • • • • 2 • • 2 • O • • 1106 204 cncm • • • • • 1 • • • • • O • " 188 21 ..... • • • • 1 • 2 • 1 1 • O ,. • ... 162 Chorti:iI • • • 2 • • • • 2 2 • o 11 ,. 1314 305 noelN • • 2 • 2 • 1 2 • 2 • O 11 ,. 1602 3'~ ToIupane:s 2 • • • • • 2 • 2 • • O 11 ,. "" 244 ..,.". 2 • • • • • • • • • • O 11 ,. 971 254 Tawp.nes 2 2 1 • • • 1 • • • • o 1O • "9 36_ • • 1 1 • 2 • • 1 • • O 1 ,. 1054 205_ • • • • • • 2 • • • • O

17 • 1441 367_ • • • • • • • • • • • o 10 • " .. 2(10 ..,.". • • 1 2 1 • 1 1 • • • O • .. 1157 ""- • • 2 • 1 2 1 • • • • O 11 • "78 S50 ToIUJ*Mí:I> 2 • • • • 2 • • • • • O ; • 1432 331 lXl!IItni • • 2 • 2 • • • • • • O

" • '844 379 cnortiI. • • 1 • 1 2 • 2 2 • • O 11 • 1427 323 T oluPllfleS 2 2 1 • , • • • • • • O , . .. '''' 420 noetni 2 • 1 • 2 • • • • • • o 11 .. 941 174 noetnt • • • • 2 • • • 2 • • O 21 3 ... 70..-. • • • 2 • • • • • 1 • o 11 13 1803 2&2 noetni 1 • • • :1 • • 2 • 2 • O 21 " ,"" 2(10- • • • • • • 1 • • • • O 2 • 134 32C ...... 2 • • 1 2 • • • 1 1 • o ,. • 327 50 l'M:Ietni • 1 • 2 1 • • • 1 1 • o ,. .. .. , 13& ooetnl • • • 1 • • l • • • • o • ,. , ... 557 noetnj • • • • • 2 • • • • • O ,. • 313 68.-. • • • • • • • 1 , 1 • O

10 • 134 36._ l 2 • 1 • • • , 2 1 • O 5 • 1173 """ .-" • 1 1 • 2 • 2 • • • • o 1 15 ... (:J9 noetn¡ • • • 1 • 2 • • • • • O 1 13 .'2 102 noetm • • • 2 1 • • • • • • O

10 .. 736 140 I'JOiIlItnt • • 2 • • • • • • • • O .. , . 236 67.-, • 1 • • • • • • 2 1 • o 20 .. 1533 270 noetni 2 • • • 2 • • • • • • o 23 13 3IlO 83 noetni 2 1 • 2 • • • • 2 1 • o .. • "'" 31 noetni • 1 1 • 1 • 2 • • • • O 23 13 151$ :>00 .-n, • • 2 • • • • • • • • O

lA • .. 1240 ... """'" • • , • 2 • • • 2 • • o l. S S 1067 ""'- • 2 • • • • • • • • • o

~.~ , 13 9,. 118~ • o • • • • • • • 2 • o

~= " 3 ,_

319 noetru • • • o , • • • • • • o ,. ,. 32S 70_ o , • • • • • • 1 1 • o 1 15 4211 70_ • • • • • • 1 • • • • • • • 122 36 oo.tni • 1 • 1 • • 1 • • • • o _c... ,. ,. ... 78 no.trJ( • • 1 1 • 2 1 1 • 2 • O ....... 15 14 1218 ":265 J')C)tOtn( • • 1 • • • 1 • • • • o

~- , ,. 192 SO- l • , , , a • , • • • • 1 3 - 214~ • • • • , a • • • 1 • • Jagub 1 3 202 SO- l 1 • 1 , • • , • 1 • •

r 1 3 , ... 155 no.tnl • • • • , • a • • a • • • • 763 1<$& noetf\j • • • • • • • • a • • • • • m 7D noecni • • , , 1 • 1 • • • • o 2 ,. 1852 311 no.tm • a • • 1 a • • • • • • ...... 2< e 536 175 noettn a • 1 , 1 • 1 • a • • o • 10 .... 192 l..,-ca , a • a • • • • a • • O

"""" 2< • 168 ..a noñ'Ii • • 1 , • • 1 • • • • • 1 12 "",. 418 noeúti • • 1 • , • • 2 , 2 • • ""'" 21 13 "" 82_ • • • • , • • • • • • o

Isidro 21 13 ... 175 """" • • • • • • • • 2 • • o SlmJl4n 25 13 .., 63_ • • a • • • a • • • • o a.n Mtot'IiI:> v ... 5 13 637 12$ noetni • • • • • • 1 • • a • " .. ~ 1 • 157. 520_ • 1 , 1 1 • • 1 • • • • ......... • 13 1101 2Cl2_ • • • • • a • a 1 • • • """"'" 17 13 ..., 121 noft'JI • 1 • • a • a • , • • O $tan Mareoa M!n • 13 294 55.-., • 2 • • • • • • • • • o """"""lo 17 13 , .. 144 noetni • • • • • • • • , 2 • o - 12 '3 053 125~ • , • 2 1 • • • • • • • Qtiri,. 3 7 .... 200 .-. • 1 • 2 • • 1 • • • • O a_, 3 " '38 M- I , 2 , • • a 1 • • • O - " " 1680 336_ • • • 2 1 • • • a • • O _ .. , • 12 1025 112: noetni a • • • • • • • • a • o a"""" , ,

'/lO 35_ • • a , • • • 1 • • • o 1jII" Iuttonic Del Norte 11 12 1137 ... - • , • • , • • • , a • o Qu"",,,,,, • • HI16 2601.-" • • • a , • • • • • • O

A -- " e 1572 324 I'IQWIf • • , • , • • • • • • o - • 11 '., 35 ftOiIItni • • • , • , 1 • , • • o

~ • • , ... 316 noetni a , , • , • 2 2 , • • o 11 e 182 178 nottm a , , • • • • • • • • o 15 e 308 ,s_ a , • • , • • • • • • o 15 S ... ""Mil,,, • • , • 1 • • • a a • O

I 5 S 1:,,,, 203 JlQIWIi • • , • , • • • • • • O • • ... 120_ a , • • a • • a • • • o • • 1523 319~ a • • • • • • 2 • 2 • O • • 1545 ,..- • • 2 • • • • • • • • O • • ... 149 ~I • 2 , • • , 2 • • • • o • • 1618 299~í • • , • • , • • • • • O

[ 12 ,. ... ,. ....... • • • , , , • , • a • O 7 " '200 251 noetni: • • • • • • 1 • • • • O

71 o '07 10_ • , • , • • • 1 • • • O

[