Estadística Multivariada – Herramientas Informáticas

Visualización, Inferencia, Clasificación
Estadística Exploratoria Multidimensional para datos numéricos
Para el análisis de una tabla de datos haciendo uso de métodos multivariados, Lebart et al. (1995) presentan una estrategia que consiste en realizar primero un análisis factorial según la naturaleza de los datos y luego una clasificación basada en un algoritmo mixto: clasificación jerárquica con el método de Ward y agregación alrededor de centros móviles (K-medias) Finalmente se obtiene una partición del conjunto de datos y la caracterización de cada una de las clases, según las variables activas e ilustrativas, ya sean cuantitativas o cualitativas. Para la caracterización de las clases se utilizan los valores test, que son índices descriptivos construidos siguiendo la metodología de pruebas de hipótesis, pero sin el objetivo de hacer inferencias. La ordenación de los valores test dentro de cada clase permite obtener las variables continuas que la caracterizan positivamente, en el sentido de que la media de la clase es suficientemente mayor de la media global, o negativamente cuando la media de la clase es inferior. Para las categorías de variables nominales, la ordenación permite obtener aquellas categorías cuya proporción dentro de la clase se diferencia lo suficiente de la proporción global, ya sea porque es mayor (valor test positivo) o menor (valor test negativo). La utilización de las coordenadas factoriales permite tener un marco común en el proceso de formación de conglomerados. Para el proceso de clasificación el análisis factorial previo se constituye en un pretratamiento, que transforma los datos originales en variables continuas no correlacionadas. Tomar todos los factores para la formación de conglomerados es equivalente a efectuar una clasificación de las filas de la tabla de datos utilizando las variables originales. Tomar menos factores implica realizar un filtrado: se supone que los ejes utilizados para la clasificación tienen la información relevante y que los desechados se deben a las fluctuaciones aleatorias que constituyen el ruido. El diagrama de valores propios orienta la decisión del número de ejes que se utilizan en la clasificación. Algunas veces, sobre todo en tablas pequeñas, se usan todos los ejes. (Campo, 2007).
ASPECTOS ESPECÍFICOS:

Complementariedad de las técnicas de visualización (Análisis en componentes principales, Análisis de las correspondencias simples y múltiples) y de la clasificación automática (método mixto que combina clasificación jerárquica [criterio de Ward] . Validación de las técnicas de visualización: Análisis discriminante de Fisher, Re-muestreo (bootstrap, bootstrap parcial, bootstrap total, bootstrap sobre variables). Caracterización de clases a través del DECLA (valor de test).
HERRAMIENTAS:
-

DtmVic (Datos y Text Mining: Visualización, inferencia, clasificación), producto puesto al servicio académico de los estudiantes de doctorado y de la investigación. Tratamiento de archivos de encuestas por medio de métodos estadísticos multidimensionales. XLSTAT producto principal desarrollado por Addinsoft. Fue desarrollada desde 1993 con el fin de permitir a los usuarios de MS Excel de hacer análisis de datos y modelización. Funciones que hacen de Excel una herramienta potente y de acceso fácil para satisfacer a la mayoría de sus necesidades en análisis de datos
http://www.xlstat.com/es/download/

-

Para bajar de Internet Xlstat (versión evaluativa 2009.1), acceder a la página de Xlstat:
Versión 2005 7.53 con parche de reinicio del conteo de evaluación:
http://ai.frm.utn.edu.ar/micesari//files/XLStat%202005.rar

Para bajar de Internet DTM (versión 4.3), acceder a la página de Lebart:
http://ses.telecom-paristech.fr/lebart/ 1a. Instalador1 del Software - inst_dtm.zip (2200 K) http://ses.telecom-paristech.fr/lebart/DEA/inst_dtm.zip 1b. Software portable2 – dtm_software.zip (1400 K) no necesita instalar http://ses.telecom-paristech.fr/lebart/DEA/dtm_software.zip 2. Ejemplos - dtm_examples.zip (1200 K) http://ses.telecom-paristech.fr/lebart/DEA/DtmVic-Examples.zip 3. Guía de Instalación - Install_dtm.pdf (1400 K) http://ses.telecom-paristech.fr/lebart/DEA/Install_DtmVic.pdf

1 2

Descargar: "inst_dtm.zip", descomprimir, clicar: "Setup.exe" y seguir las instrucciones Descargar: “dtm_software.zip” ", descomprimir, clicar: “DtmVic_43.exe”. No se instala se ejecuta directo

Tutorial enriquecido por Matilde CÉSARI

1

Estadística Multivariada – Herramientas Informáticas Desde hace una treintena de años, los métodos de análisis multivariante de datos han probado su eficacia en el estudio de grandes masas de información compleja. Se trata de métodos llamados multidimensionales, por oposición a los métodos de estadística descriptiva que tratan únicamente una o dos variables. Actualmente, los métodos factoriales se enmarcan en las técnicas de Data Mining (o minería de datos). Estos permiten confrontar numerosas informaciones, lo cuál es más rico que análisis separados. Las representaciones simplificadas de grandes tablas de datos se han manifestado como un instrumento de síntesis notable, debido a su capacidad para reducir la dimensionalidad. Permiten extraer las tendencias más destacadas, jerarquizarlas y eliminar los efectos marginales o puntuales que perturban la percepción global de los hechos recogidos en los datos. El desarrollo de algoritmos de clasificación resulta ser en muchas ocasiones un complemento ideal a los métodos factoriales y permiten describir tipologías de individuos según las variables en estudio. Estos métodos nacidos en la universidad se han aplicado a todo tipo de dominios científicos como la ecología, ingeniería, medio ambiente, la lingüística, la psicometría, el análisis de mercados, la arqueología,... También han experimentado un gran éxito en ramas de la banca y seguros donde deben analizarse grandes ficheros de datos. ESTRATEGIA COMBINADA DE UN MÉTODO FACTORIAL Y FORMACIÓN DE CONGLOMERADOS La estrategia descrita en Lebart et al. (1995) sigue los pasos que se muestran en la figura 1.

Figura 1: Diagrama de flujo de la estrategia combinada de análisis factorial y métodos de clasificación. Si el número n de elementos por clasificar sobrepasan el umbral nmax, se realiza un agrupamiento antes de la clasificación jerárquica.

Para la puesta en práctica de la estrategia mencionada se han desarrollado distintos paquetes estadísticos, como por ejemplo: utilizando el lenguaje R (R Development Core Team 2007a) se programa el paquete denominado 3FactoClass, el cual utiliza funciones de ade4 (Chessel et al. 2004) para realizar el análisis factorial de los datos y de stats para los métodos de clasificación, FactoClass permite obtener salidas similares a las que aparecen en los programas estadísticos SPAD (Lebart et al. 1999) y DTM (Lebart 2007).
3

El paquete FactoClass se instala en R (versión 2.4.1 en adelante) a partir del zip disponible en la página: http://www.docentes.unal.edu.co/cepardot/docs/

Tutorial enriquecido por Matilde CÉSARI

2

Estadística Multivariada – Herramientas Informáticas CLASIfiCACIÓN A PARTIR DE LOS FACTORES La utilización de las coordenadas factoriales permite tener un marco común en el proceso de formación de conglomerados. Para el proceso de clasificación el análisis factorial previo se constituye en un pretratamiento, que transforma los datos originales en variables continuas no correlacionadas. Tomar todos los factores para la formación de conglomerados es equivalente a efectuar una clasificación de las filas de la tabla de datos utilizando las variables originales. Tomar menos factores implica realizar un filtrado: se supone que los ejes utilizados para la clasificación tienen la información relevante y que los desechados se deben a las fluctuaciones aleatorias que constituyen el ruido. El diagrama de valores propios orienta la decisión del número de ejes que se utilizan en la clasificación. Algunas veces, sobre todo en tablas pequeñas, se usan todos los ejes. El método de Ward utiliza la distancia entre clases que cumple con el objetivo de unir, en cada paso del proceso de aglomeración, las dos clases que incrementen menos la inercia intraclases. Sean A y B dos clases no vacías y disjuntas y sean pA, pB y gA, gB sus pesos y centros de gravedad, respectivamente. La distancia de Ward entre los dos grupos, en función de la distancia euclidiana canónica d, viene dada por:

(la deducción se puede ver en Pardo 1992). En particular para dos individuos i y l, con pesos pi y pl , la distancia de Ward es:

El algoritmo K-medias4 para la obtención de una partición directa de un conjunto de “individuos” por variables cuantitativas requiere el número de clases por obtener y de puntos iniciales para cada una de ellas. La propuesta de Lebart et al. (1995) es utilizarlo para obtener una partición que minimice la inercia intraclases. Esto se logra localmente (depende de los puntos iniciales) usando las coordendas (factores) de los individuos y los centros móviles utilizados para la agregación de la partición elegida. En cada paso del algoritmo se actualizan los centros móviles calculando los centros de gravedad de la partición obtenida del paso anterior. Para una clase k, conformada por el conjunto de individuos Ik con pesos pi y coordenadas sobre el eje s notadas Fs(i), el término general de la coordenada de su centro de gravedad sobre un eje factorial s es:

y su inercia intra en el subespacio de los S primeros ejes factoriales es:

Pesos de las filas influyen en los centros de gravedad y en las inercias intra de las clases. CARACTERIZACIÓN DE LAS CLASES Para seleccionar las variables continuas o las categorías de las variables nominales más características de cada clase, se mide la desviación entre los valores relativos a la clase y los valores globales, utilizando los valores test (Lebart et al. 1995,pp.181-184). Variable continua en una clase. Para una variable continua X, con media general X , el valor test asociado a la media X k de la clase k es:

4

algoritmo de Hartigan & Wong (1979)

Tutorial enriquecido por Matilde CÉSARI

3

evaluada en nkj . entonces el valor p es: Donde H(nkj . se extrae una muestra de nk “bolas” y se obtienen nkj “bolas negras”. de los n clasificados. nk) es la distribución de probabilidad hipergeométrica de parámetros n. y los individuos de cada clase se pueden diferenciar mediante signos o colores. n. nk) es la función de distribución de probabilidad hipergeométrica acumulada. es: donde h(x. nkj tienen la modalidad j. En una clase k conformada por nk individuos. nj. el valor p asociado al supuesto de extracción aleatoria. Si N es la variable aleatoria que designa la “cantidad de bolas negras en una muestra de tamaño nk”. nj y nk calculada en x. Identificación de las clases sobre los planos factoriales Los centros de gravedad de las clases se pueden proyectar sobre los planos factoriales.Estadística Multivariada – Herramientas Informáticas Categoría en una clase. nj . de las cuales nj son “bolas negras”. DTM (Lebart 2007). n. El valor test se obtiene buscando el cuantil de la normal estándar correspondiente al valor p calculado mediante la primera o segunda formula. El valor test para j en la clase k se obtiene con un modelo hipergeométrico: de una “urna” con n “bolas”. Tutorial enriquecido por Matilde CÉSARI 4 . cuando la frecuencia relativa de la categoría j en la clase es mayor que la frecuencia global. Si la frecuencia relativa de la categoría j dentro de la clase k es menor que la global.

El Análisis de Componentes Principales es a menudo utilizado ante una regresión ya que permite evitar el uso de variables redundantes. Los datos corresponden al año 1990 y se extrajeron de la revista Press Landscape update & Eur.xls Abrir la planilla de MS Excel con los datos. El ACP se utiliza cuando la matriz de datos está compuesta por un conjunto de variables continuas (activas). Gastos de publicidad a Europa En la siguiente tabla se muestra la repartición (en porcentajes) de los gastos publicitarios según el medio de comunicación de 16 países de Europa. análisis de correspondencias simples (AFC) y análisis de correspondencias múltiples (ACM). o haga clic en el botón correspondiente de la barra "Análisis de datos" (ver a continuación). Este método permite representar los datos originales (individuos y variables) en un espacio de dimensión inferior del espacio original. 1991.Estadística Multivariada – Herramientas Informáticas Análisis Factorial con Xlstat En este apartado presentamos los métodos multivariantes simples de reducción de datos que pueden realizarse con XLSTAT: análisis de componentes principales (ACP). Una vez que XLSTAT-Pro éste activado. La representación de los datos en espacios de dimensión débil (aquà 2 dimensiones) le facilita considerablemente el análisis. Análisis de Componentes Principales (ACP) El análisis de componentes principales (ACP) consiste en expresar un conjunto de variables en un conjunto de combinaciones lineales de factores no correlacionados entre sà. o ante una clasificación ya que permite identificar la estructura de la población y eventualmente determinar el número de grupos a construir. estos factores dando cuenta una fracción cada vez más débil de la variabilidad de los datos. Tutorial enriquecido por Matilde CÉSARI 5 . haga clic en el menú “XLSTAT/Análisis de datos/ Análisis de Componentes Principales”. Igualmente puede ser de nuestro interés utilizar variables ilustrativas (continuas o categóricas) que no participen en la creación de los ejes pero que estemos interesados en proyectarlas en el espacio factorial creado. Los datos se encuentran en el archivo PublicidadEuropa. Direct Marketing NTC. mientras limite al máximo la pérdida de información.

Donde dice “Tabla observaciones/variables” debemos ingresar las “variables Continuas activas”. los datos aparecen desde la primer fila/columna de la hoja. pero sin incluir el identificador de ciudades (observaciones). Puede entonces seleccionar los datos en la hoja Excel. podemos seleccionar las variables directamente sobre el identificador alfabético de columna de la hoja de Excel. aparece el cuadro de diálogo correspondiente al análisis de componentes principales.Estadística Multivariada – Herramientas Informáticas Una vez seleccionada la opción. En el ejemplo estudiado. Hay varias manera de seleccionar los datos en los cuadros de diálogo XLSTAT (ver tutorial on-line). Presionamos el botón a la derecha o directamente nos vamos a la hoja de Excel. Por defecto (a la derecha) hemos indicado tildando en “Etiquetas de las Variables” que parte de esta selección incluye una fila (la primera) con las etiquetas que identifican a las variables. es decir los datos activos. o Tutorial enriquecido por Matilde CÉSARI 6 . A continuación podemos ver en líneas punteadas la selección. Siempre que debajo de la tabla no existan datos. o seleccionar a mano con el Mouse los datos incluyendo la primer fila con etiquetas variable.

También podemos indicar cuantos ejes factoriales se desean conservar (como máximo tantos como variables continuas activas). Las opciones por defecto son en la mayoría de casos suficientes Tutorial enriquecido por Matilde CÉSARI 7 . Por defecto el tipo de ACP es Pearson (n).Estadística Multivariada – Herramientas Informáticas Seleccionamos las etiquetas para identificar las ciudades a la derecha del cuadro de diálogo. Podríamos realizar un análisis normalizado o no normalizado para que el espacio factorial sea ortonormal o bien ortogonal. respectivamente. que es el algoritmo que hemos visto en la teoría y los resultados se visualizará en una nueva hoja que se crea a la derecha de la hoja con los datos. luego de tildar a opción “Etiquetas de las Observaciones”. y cuantos queremos editar en los resultados de salida. En la pestaña “Opciones” podemos especificar algunas opciones de análisis. En la mayoría de casos se utiliza la primera opción para igualar las escalas en que están medidas las variables.

Tutorial enriquecido por Matilde CÉSARI 8 . Presionamos “Terminar” una vez seleccionado el plano conformado por los dos primeros factores. Una vez parametrizado. Si tenemos una tabla con muchas observaciones.Estadística Multivariada – Herramientas Informáticas La pestaña “Resultados” nos permite elegir los resultados que deseamos que genere y el nivel de significación para las pruebas de esfericidad del ACP. podemos filtrar el numéro a visualizar en el plano o no incluir las etiquetas que los identifican. sin tener que volver a aplicar el algoritmo. La pestaña “Gráficos” permite configurar qué y cómo vamos a visualizar el Biplot. La primer ventana (informativa) que surge presenta las opciones para la visualización de los planos. Las coordenadas permitirán rehacer los planos a través de las funciones de visualización “scatterplot”. este cuadro de diálogo visualiza a través de un grafico de barra la información obre los valores propios. Observamos que los dos primeros ejes factoriales conservan un 70. seleccionamos OK para ejecutar el algoritmo.70% de la inercia. Podemos ver todos los resultados en la hoja etiquetada “ACP”. Los cosenos cuadrados permitirán asignar el tamaño a los puntos para representar el nivel de significación en la representación en el plano.

00 representa la ausencia de asociación.00. igual a 5) a un número más débil de dimensiones. Ambos extremos representan relaciones perfectas y 0. Tutorial enriquecido por Matilde CÉSARI 9 . observamos que el primer valor propio vale 2. Con la intención de hacer una adecuada interpretación de los índices correlación.Estadística Multivariada – Herramientas Informáticas El primer resultado interesante a analizar es la matriz de las correlaciones.70 representa 45% de la variabilidad. que son afortunadamente vinculados a un concepto muy simple: la calidad de la proyección cuando pasamos de N dimensiones (N siendo el número de variables. se hará uso de la clasificación que aparece en figura: Categorías del coeficiente de correlación La siguiente tabla y el gráfico asociado están vinculados a un objeto matemático. “los valores propios”. En nuestro caso. más débil será la asociación. El valor del coeficiente de correlación varía entre -1. Eso significa que si representamos los datos en un sólo eje. tendremos entonces siempre 45% de la variabilidad total que será preservada.00 y +1. Cuanto más cercano sea a cero el coeficiente de correlación.

El centro representa la media de todas las variables. suelen también utilizar más recursos en publicidad Exterior. y tamaño según coseno cuadrando. Las flechas deben interpretarse como direcciones de crecimiento de las variables en el espacio factorial. dos variables están relacionadas de manera negativa si su ángulo es de casi 180º (opuestas) y dos variables no están asociadas si su ángulo es cercano a 90º (perpendicular). tenemos el 70. En nuestro ejemplo. En nuestro ejemplo. Por el otro lado los países que utilizan Revistas como medio.7% de información en el plano formado por los dos primeros factores. Observamos pues que los países que utilizan mucha publicidad en Televisión también utilizan la Radio y muy poco el Cine. Cine está relacionado de manera opuesta con Radio. pero Cine y Diarios no están relacionados. cambiando color. TV y Radio también están relacionadas positivamente. y es necesario referirse a la matriz de correlaciones o a otros planos factoriales para interpretar los resultados. En nuestro caso. Este grafico podemos editarlo con las herramientas de MS Excel y de Xlstat. el eje F2 es esencialmente vinculado a los Diarios. entonces cualquiera interpretación es arriesgada. cuando una crece la otra tiende a decrecer. Cada factor es en realidad una combinación lineal de las variables de inicio. eliminado los datos no relevantes del mismo. Los factores tienen la particularidad de no ser correlacionados entre ellos. de manera que la representación sobre los dos primeros ejes factoriales es de buena calidad. el plano no cambia. fuente. cuando una crece la otra tiende a crecer. los dos primeros valores propios corresponden a un % elevado de la variabilidad. Dos variables están relacionadas positivamente si su ángulo es de casi 0º (paralelas). El número de dimensiones "útiles" máximo es automáticamente detectado por el método utilizado.Estadística Multivariada – Herramientas Informáticas A cada valor propio corresponde un factor. Cuando las variables están relativamente cercas del centro del gráfico. Corresponde a una proyección de las variables iniciales sobre un plano de dos dimensiones constituido por los dos primeros factores. el eje F1 es claramente vinculado al Cine. El primer gráfico que se muestra el Biplot de correlación (PLANO vectorial de las VARIABLES). Los valores propios y los factores son ordenados en orden descendente de variabilidad representada Idealmente. Mientras mas cerca del centro (vector pequeño) la variable no es relevante y si la eliminamos y volvemos a realizar el ACP. podemos deducir del gráfico que las variables Revista y Exterior están relacionadas positivamente. a partir de este los vectores crecen en un sentido y decrecen en el sentido opuesto. El círculo de las correlaciones es también útil para interpretar la significación de los ejes. Tutorial enriquecido por Matilde CÉSARI 10 .

Holanda y Alemania en concreto dedican más recursos al cine Tutorial enriquecido por Matilde CÉSARI 11 . Los países cercanos son países que presentan distribuciones parecidas en el reparto de los gastos publicitarios. de forma conjunta. Finlandia y Irlanda destinan más recursos a los diarios. debe consultar la tabla de los cosenos: mientras más elevado es el coseno (en valor absoluto). Francia y Bélgica dedican más recursos en revistas y outdoor. Observamos que podes pueden diferenciar claramente los países latinos de los países anglosajones. en el subespacio factorial de dimensión reducida.Estadística Multivariada – Herramientas Informáticas Para confirmar el hecho que una variable es fuertemente vinculada a un factor. será mejor interpretada en los ejes F1/F3. Italia y España tienden a dedicar más recursos publicitarios en televisión y radio y muy poco en el cine. En nuestro caso. Suiza. Estas técnicas “biplot” permiten la representación de los casos y las variables. menos vinculada está la variable al eje. Muy a menudo se suelen interpretar estos gráficos diferenciando en los cuatro cuadrantes. Mientras más cerca está el coseno de cero. a partir de las contribuciones y los cosenos cuadrados. Los países más alejados del origen de coordenadas son los países que presentan un perfil más alejado del perfil medio. Xlstat se encarga de normalizar las escalas. Grecia. más vinculada está la variable al factor. Por el otro lado. Noruega. Permite representar los individuos en un plano de dos dimensiones. e identificar tendencias. Suecia. El gráfico a continuación corresponde a Bilplot de distancias (PLANO escalarde las OBSERVACIONES). A continuación se visualiza el Biplot simétrico con ambos planos de variables y observaciones juntos. países nórdicos como Suiza. En este gráfico podríamos concluir lo siguiente: Portugal . Dinamarca. Podemos observar qué países están bien representados en los ejes. vemos que en lo que se refiere a la Radio.

. estando por ello situados sus extremos sobre la hiperesfera de radio unidad en el caso de un ACP estandarizado. Excel. Desde las opciones de gráfico de eliminamos la visualización e las escalas. De esta manera podemos corregir errores de proyección. Seleccionamos el grafico e ingresamos en “Visualización/AxesZoomer”. Se requiere entonces de un índice que ponga en evidencia este hecho.. la proyección de cada vector “variable” sobre un eje. cuando esté conforme precione “Terminar”. Para ello debemos ejecutar las opciones de Visualización que nos permite realizar esta opción y muchas otras.Estadística Multivariada – Herramientas Informáticas Los criterios de interpretación de la representación se ajustan a las normas siguientes: - Los vectores representativos de las variables identifican con su medida la dispersión de las mismas. A partir de la suma del coseno cuadrado de los dos primeros factores podemos representar con el tamaño la importancia del punto y de la variable en su representación en este plano. Por lo tanto puede resultar interesante ponderar los puntos a partir de la contribución de cada país en el espacio factorial creado. En el Análisis de Componentes Principales (y técnicas Biplots derivadas). tamaño de símbolos. Aparece un cuadro de diálogo donde podemos probar la escalas. De forma general la relación entre variables se determinará mediante ángulos y la existente entre casos mediante distancias. Para cambiar las escalas recortando los mínimos y máximos podemos hacer un “zoon” y visualizar mejor la nube de individuos. Este último modelo es especialmente interesante. mide la correlación existente entre dicha variable y la correspondiente componente principal. la interpretación correspondiente a variables (relaciones entre ellas y con las componentes principales) es distinta de la obtenida para individuos (comportamientos similares en función de la distancia existente entre ellos). - Las proyecciones sobre los ejes y sobre los planos factoriales serán muy ‘buenas’ para algunos puntos pero también pueden ser de ‘mala’ calidad para otros puntos. que se denomina coseno cuadrado o contribución relativa. es decir nivel de significación. Tutorial enriquecido por Matilde CÉSARI 12 .. como “zoon” del gráfico. ya que el producto escalar de dos vectores “variables” se corresponde con su coeficiente de correlación o coseno del ángulo que forman y.

Tutorial enriquecido por Matilde CÉSARI 13 . Los elementos suplementarios permiten explorar asociaciones con los elementos activos o enriquecer los análisis. Mediante este procedimiento se puede posicionar un nuevo individuo con respecto a todos los individuos activos para responder a objetivos preestablecidos. Variables nominales ilustrativas Como una variable nominal representa un partición (división en clases) de los individuos lo que se proyecta son los centros de gravedad de cada subconjunto asociado a una modalidad Variables continuas En le ACP normado la proyección de una variable continua ilustrativa equivale a su correlación con el eje. En el cuadro de diálogo le indicamos la columna con la suma de los cosenos cuadrados. lo que da la clave para su interpretación. variables continuas y variables nominales) sobre los planos construidos en el ACP. Elementos suplementarios Es posible proyectar elementos suplementarios o ilustrativos (individuos. 5 Primero seleccionar una variable y utilizar la tecla de fecha hacia abajo para encontrar la serie de las variables en los extremos de los vectores. por ejemplo explorar su posible discriminación entre grupos.Estadística Multivariada – Herramientas Informáticas Para esto selecciono la serie de puntos de las observciones e ingreso en el menú XLSTAT/Visualiación/Eas yPoint”. en el caso del ACP son variables continuas activas e individuos activos. Individuos suplementarios Un individuo que tiene los valores para todas las variables activas pero que no participó en el ACP se puede proyectar sobre los ejes obtenidos de la misma forma que los individuos activos. Hacemos lo mismo para las 5variables. Los elementos que participan en el análisis se denominan activos.

seleccionamos del menú: XLSTAT/Análisis de los datos/Análisis factorial de correspondencias. según las dos variables cualitativas que dan origen a la tabla. Una tabla de contingencia (TC) se obtiene al clasificar dos variables cualitativas. El valor de una celda representa al numero de unidades estadísticas = individuos. la distribución de probabilidad asociada a la variable columna. Utilice el análisis factorial de correspondencias con el fin de estudiar la conexión entre dos conjuntos de modalidades que constituyen las filas y columnas de una tabla de contingencia. a las categorías de la otra variable. Tutorial enriquecido por Matilde CÉSARI 14 . elegancia. prestigio. Del archivo de datos deseamos caracterizar las distintas marcas según su mayor relación con determinadas características e identificar marcas comunes. calidad. definidas por otras variables cualitativas. en donde se valora a cada marca según su asociación con diferentes características como precio. El conjunto de las filas representan a las categorías de una variable y el conjunto de las columnas. 2) obtener y comparar una topología de los perfiles columnas y 3) estudiar las asociaciones entre las dos variables. Tabla de contingencia cuya suma de marginales fila y columna son equivalentes Una vez que XLSTAT está abierto. cumpliendo con tres objetivos: 1) obtener y comparar una tipología de los perfiles fila. Al dividir la tabla sobre su total se obtiene la tabla de frecuencias relativas asociada a la TC. La suma de las filas (marginal fila). columnas) por su marginal origina las distribuciones condicionales o perfiles fila (columna). exclusividad. que definen una tabla de contingencia. La división de cada una de las filas (respectivamente. vanguardia y complementos. El análisis de correspondencias simples (ACS) permite la descripción de una TC. o haga clic en el botón correspondiente de la barra de herramientas "Análisis de los datos". y su proyección en un biplot. En aplicaciones más complejas las filas y las columnas pueden estar estructuradas mediante sendas particiones. representa la distribución de probabilidad según la variable fila y la suma de las columnas (marginal columna).Estadística Multivariada – Herramientas Informáticas Análisis Factorial de Correspondencias (AFC) El análisis de correspondencias simples se utiliza cuando queremos analizar dos variables categóricas. que poseen simultáneamente las categorías de la fila y de la columna que se cruzan. esta representa la distribución conjunta de probabilidad bivariada de la población en estudio. El interés recae en analizar las asociaciones entre las categorías de ambas variables. En este documento se utiliza como ejemplo una tabla sobre marcas de ropa.

Tutorial enriquecido por Matilde CÉSARI 15 . Asegurarse que esté activada la opción “Etiquetas incluidas”.Estadística Multivariada – Herramientas Informáticas Aparece un cuadro de diálogo donde podemos ingresar la tabla de contingencia o crearla a partir de una tabla de datos cualitativos. Indicamos como formato de los datos “Tabla cruzada” (por defecto) y con el mouse seleccionamos de la hoja de MS Excel la tabla completa con etiquetas filas y columna (primer fila y primer columna) sin incluir los totales marginales. con el cruce de dos variables.

Estadística Multivariada – Herramientas Informáticas Los resultados son visualizados después de especificar algunas opciones relativas a los gráficos. precio. En nuestro caso esta calidad es buena en la medida en que los dos primeros valores propios totalizan el 77. Tutorial enriquecido por Matilde CÉSARI 16 . Cuando la calidad del análisis es buena el plano permite interpretar fácilmente los datos. vanguardia y complementos son las cuatro características importantes que mejor están representadas en el plano y diferencian y caracterizan las distintas marcas. Los criterios de interpretación del Análisis de Correspondencias se basan en los principios siguientes: • La proximidad de perfiles fila de la variable X revela un comportamiento similar de esas categorías respecto a la otra variable Y (y a la inversa). Podemos observar que las marcas de ropa de mayor precio (ESCORPION. • La presencia de perfiles fila de la variable X. En el cuadrante superior izquierdo tenemos las marcas más caras. Si la suma de los dos primeros (o de los n primeros) valores propios representan una gran parte de la totalidad de la varianza. radicalmente opuestos a perfiles de Y. La calidad de la representación gráfica puede ser evaluada gracias al histograma o a la tabla de los valores propios. puede ser también interpretada como relación inversa entre ellos. incluido la prueba del chi-cuadrado de independencia de filas y columnas.41% de la varianza total. la calidad de los gráficos es buena. Esta contribución aumenta cuanto más alejado se encuentre del centroide de la representación. • La proximidad de un perfil a un cierto eje expresa su mayor contribución en su definición. en el cuadrante inferior izquierdo las marcas consideradas de mayor elegancia y en el inferior derecho las que poseen más complementos. • Los perfiles situados en las proximidades del centroide de la representación son los que no expresan relación alguna. en el superior derecho las de vanguardia. RODIER…) no son las más elegantes pero si de más prestigio social. Elegancia. Están disponibles numerosos detalles.

No es apropiado interpretar modalidades ilustrativas entre sí pues no han participado en la construcción de los ejes. En un ACS las modalidades aparecen repartidas a ambos lados de los ejes. Para introducir filas o columnas suplementarias o ilustrativas con el Xlstat. las asociaciones no serán más que la cuantificación numérica de la relación existente entre categorías fila y columna: • Mayor alejamiento del centroide y menor ángulo → MAYOR ASOCIACIÓN • Acercamiento al centroide y aumento del ángulo → MENOR ASOCIACIÓN • Puntos opuestos (π/2 < ángulo < 3π/2) → ASOCIACIÓN NEGATIVA • La variabilidad explicada por cada eje es proporcional al valor singular que lo define.Estadística Multivariada – Herramientas Informáticas Es decir. pero debe hacerse por cada modalidad ilustrativa con respecto a las modalidades activas. lo que conlleva a la lectura de las contraposiciones más importantes entre modalidades. Se hace mediante las relaciones cuasi-bibaricéntricas y por lo tanto se interpreta de la misma forma. Se requiere entonces de un índice que ponga en evidencia este hecho. Proyección de elementos suplementarios Al igual que en ACP sobre los ejes factoriales se pueden proyectar filas y columnas que no hayan participando en el análisis. Las proyecciones sobre los ejes y sobre los planos factoriales serán muy ‘buenas’ para algunos puntos pero también pueden ser de ‘mala’ calidad para otros puntos. Tutorial enriquecido por Matilde CÉSARI 17 . En una tabla de contingencia de gran tamaño se puede buscar las modalidades más importantes sobre cada eje recurriendo a las denominadas contribuciones absolutas. en la pestaña de Opciones debemos activar el Análisis avanzado “Datos suplementarios” e ingresar el número de filas columnas a considerar de la tabla seleccionada como suplementario. que se denomina coseno cuadrado o contribución relativa.

¿Cómo juzga Ud.¿Le parece correcta la relación de calidad precio? (Si / No) . Utilice el análisis de correspondencias múltiples con el fin de estudiar datos bajo la forma de una tabla de individuos descritos por varias variables cualitativas. Este método se adapta particularmente al análisis de encuestas para las cuales las filan de la tabla son en general individuos y las columnas son modalidades de variables cualitativas.Estadística Multivariada – Herramientas Informáticas Análisis de Correspondencias Múltiples (ACM) El análisis de correspondencias múltiples (ACM) es una extensión del análisis factorial de correspondencia (AFC) aplicada no a una tabla de contingencia. la calidad de la atención? (de 1 a 5) . deseamos identificar las posibles relaciones entre las diferentes respuestas en las diferentes preguntas. Encuentra asociaciones entre variables a través de las modalidades de ellas. El cuestionario incluye cinco preguntas: . Una vez iniciado XLSTAT. El análisis de correspondencias múltiples compara individuos a través de las modalidades de las variables. globalmente satisfecho de su visita al taller? (Si/ No) . generalmente modalidades de respuesta a las preguntas. sino a una tabla disyuntiva completa.¿Está Ud. a este taller para una reparación? (Si / No / No sabe) Efectuando un Análisis de Correspondencias Múltiples (ACM). elija el comando XLSTAT/Análisis de datos/Análisis de Correspondencias Múltiples o haga clic en el botón "Análisis de Correspondencias Múltiples" de la barra de herramientas "Análisis de los datos". que la reparación fue efectuada correctamente? (Si / No / No sabe) .¿Volverá Ud. La opción "Etiquetas de variables" se deja activada ya que la primera fila de las columnas incluye el nombre de las variables. Los datos de ejemplo corresponden a una encuesta efectuada ante 28 clientes por un concesionario. una semana después que estos últimos recuperaron su vehículo tras una reparación mecánica.¿Considera Ud. Tutorial enriquecido por Matilde CÉSARI 18 . En la primera pestaña seleccionamos los datos. La opción "Etiquetas de las observaciones" es activada y seleccionamos la columna de las etiquetas de las observaciones. Aparece el cuadro de diálogo que corresponde al análisis de Correspondencia Múltiples.

Los individuos y modalidades se proyectan utilizando las fórmulas cuasibibaricéntricas. variables nominales (sus modalidades) y variables continuas. pero nos interesa a posteriori su ubicación. Tutorial enriquecido por Matilde CÉSARI 19 .Estadística Multivariada – Herramientas Informáticas Selecciono las variables cualitativas nominales activas Selecciono el identificador de individuos Al igual que en correspondencias simples se pueden proyectar elementos ilustrativos: individuos. Las variables continuas calculando la correlación entre la variable y el eje. En la ficha “Opciones” activamos la opción de “datos suplementarios” y después vamos a la ficha correspondiente. La variable "Volver" se utiliza como "Variable adicional" ya que no deseamos que influya en los cálculos.

Activamos las siguientes opciones de “Resultados” y de “Gráficos”. Tutorial enriquecido por Matilde CÉSARI 20 .Estadística Multivariada – Herramientas Informáticas Elegimos la opción 1/p para filtrar los valores propios: no serán exhibidos los resultados detallados que corresponden a los factores para los cuales el valor propio es menos que 1/p (donde p es el número de variables cualitativas activas).

La inercia total vale 2.Estadística Multivariada – Herramientas Informáticas Una vez que haya pulsado en el botón "OK". Por la manera como se desarrolla el método (ACS de la tabla Z). En ACM la inercia de la tabla representada no tiene significado estadístico. En la siguiente tabla se visualizan los 8 valores propios y el % de inercia correspondiente. La explicación de este último hecho se ve muy bien cuando se compara un ACM de dos variables con el ACS de la tabla de contingencia que las cruza. Tutorial enriquecido por Matilde CÉSARI 21 . La guía para decidir cuántos ejes analizar en al ACM es la forma del histograma de los valores propios. XLSTAT empieza por visualizar tablas implicadas en los cálculos (tabla disyuntiva completa y tabla de Burt). esta depende del número de modalidades y del número de variables. el porcentaje de inercia no es un criterio para saber cuántos ejes retener en un ACM. empiezan los cálculos y luego aparecen los resultados. Interesan los primeros ejes que se destaquen sobre los demás.

la tabla disyuntiva completa Z y la tabla de Burt B. eliminado titulos y escalas de los ejes. con un clic sobre cualquiera de los individuos (azul). (1995) aparecen las relaciones para dos variables entre los análisis de correspondencias de la tabla de contingencia K. Accedemos a la herramienta EasyPoint y seleccionamos la suma de los cosenos cuadrados sólo de las modalidades activas. Tutorial enriquecido por Matilde CÉSARI 22 . Accedemos a la herramienta EasyPoint y seleccionamos las tres últimas filas de la tabla de cos2. Las coordenadas de las observaciones están más abajo. El gráfico (sin editar) a continuación representa el mapa factorial que superpone categorías y observaciones. En Lebart et al. Utilizando las herramientas de visualización de Xlstat y de edición de gráficos del Excel podemos modificar el grafico. Para esto último.Estadística Multivariada – Herramientas Informáticas El primer plano factorial del ACM tiene la misma forma que el del ACS y produce los mismos resultados en términos de las correspondencias entre las modalidades de las dos variables. Luego se visualizan las coordenadas de las categorías en el espacio factorial (las diferentes categorías de las variables cualitativas seleccionadas) y los cosenos cuadrados. cambiando formato y color de etiquetas y puntos y cambiando el tamaño de los puntos en función de la suma del coseno cuadrado de los dos primeros factores. dispersando la visualización de las escalas. primero seleccionamos la serie de puntos de las observaciones. Por último seleccionamos los tres puntos correspondientes a las modalidades suplementarias. Ahora seleccionamos la serie de los puntos correspondientes a las modalidades de las variables cualitativas activas con un clic sobre cualquiera de ellas (rojo). accedemos a la herramienta EasyPoint el menú de visualización del Xlstat y seleccionamos la suma de los cosenos cuadrados sólo de las observaciones. De modo que los ejes adicionales del ACM se pueden considerar parásitos.

Estadística Multivariada – Herramientas Informáticas Serie de puntos de las observaciones Suma coseno cuadrado de individuos Serie de puntos modalidades activas Tutorial enriquecido por Matilde CÉSARI 23 .

Estadística Multivariada – Herramientas Informáticas Suma coseno cuadrado de las modalidades activas Serie de puntos de las modalidades suplementarias Suma coseno cuadrado de modalidades suplementarias El grafico quedaría como sigue: Tutorial enriquecido por Matilde CÉSARI 24 .

• Dos modalidades de una misma variable no pueden ser asumidas por los mismos individuos y si caen cerca se debe al parecido de los individuos por modalidades de otras variables. Cada modalidad se sitúa en el cuasibibaricentro de los individuos que la asumen. También se observa que cuando la reparación no se efectuó satisfactoriamente coincide con una atención no satisfactoria.Estadística Multivariada – Herramientas Informáticas Confirmamos una evidencia: un cliente volverá si está globalmente satisfecho de la prestación. Las contribuciones y cosenos cuadrados tienen la misma interpretación que en correspondencias simples. Sobre los planos factoriales se tienen tres claves para la lectura: • Los individuos que aparecen cerca se parecen porque asumen mas o menos las mismas modalidades. Se agrega la contribución de una variable como suma de las contribuciones de sus modalidades. Tutorial enriquecido por Matilde CÉSARI 25 . del precio y si tiene la impresión que la reparación se efectuó efectivamente. Cada uno es el cuasibibaricentro de las modalidades que asume y las características se derivan de las modalidades que se proyectan cerca. Esto merece un amplio análisis: ¿La persona indicó equivocadamente el problema porque no estaba satisfactoriamente atendida? o bien ¿llamó de nuevo para señalar que sigue el problema y que no fue atendida satisfactoriamente en aquel momento?. • Las modalidades de variables diferentes se parecen porque son asumidas mas o menos por los mismos individuos. de la calidad de atención.

En el gráfico de índices de nivel es más fácil observar los cambios de inercia más grandes (saltos) y decidir el número de clases K. combinándolos de la manera siguiente: 1. debido a la estructura de particiones anidadas del dendrograma obtenido. es probable que la clasificación jerárquica no se pueda ejecutar directamente. es una técnica estadística multivariante cuya finalidad es dividir un conjunto de objetos en grupos (cluster en inglés) de forma que los perfiles de los objetos en un mismo grupo sean muy similares entre sí (cohesión interna del grupo) y los de los objetos de clusters diferentes sean distintos (aislamiento externo del grupo). 4. Se efectúa una clasificación ascendente jerárquica donde los elementos terminales del árbol son las s clases de la partición inicial (calcular las distancias entre filas o entre las clases previas obtenidas en 1) o los individuos directamente. El árbol o dendrograma que resume el procedimiento de clasificación permite ver la estructura de clases de los individuos que son objeto de análisis. Los resultados del análisis deberían tomarse como punto de partida en la elaboración de teorías que explicquen dicho comportamiento. o eventualmente de todos tipos. también conocido como Análisis de Conglomerados. EJEMPLO CLASIFICACIÓN SOBRE UN ACP Tomamos como ejemplo una tabla correspondiente a 200 muestras de caras o cráneos. El árbol correspondiente se construye según el criterio de Ward. Tutorial enriquecido por Matilde CÉSARI 26 . donde s es mucho mayor que el número de clases deseado en la población. la cual busca obtener rápidamente y a bajo costo una partición de los individuos en s clases homogéneas. Si la cantidad de individuos por clasificar es muy alta. como se muestra en la siguiente figura. de las mismas se obtuvo 6 medidas. Se emplea el algoritmo de agregación alrededor de centros móviles (K-medias). Para mejorarla se utiliza de nuevo un procedimiento de agregación alrededor de centros móviles (K-medias). finalmente. el cual une en cada paso de agregación las dos clases que incrementen lo menos posible la inercia intraclases. que es una técnica eminentemente exploratoria cuya finalidad es sugerir ideas al analista a la hora de elaborar hipótesis y modelos que expliquen el comportamiento de las variables analizadas identificando grupos homogéneos de objetos. Nota: sobre todo para las variables cualitativas no binarias es preferible efectuar previamente un análisis de correspondencias múltiples (ACM) y de considerar los datos de los individuos sobre los ejes factoriales como nuevas variables. La idea es usar estas medidas para construir mascaras. Consolidación de la clasificación. Para el paso siguiente es necesario calcular los pesos y centros de gravedad de las clases obtenidas. sino que se trata de descubrir patrones o clases de cráneos con medidas similares que permitirán diseñar una mascara que va bien para un grupo de personas. Clasificación inicial. cualitativas binarias (0/1). utilizando los centros de gravedad de las clases obtenidas al cortar el árbol como centros iniciales. 4) Interpretar los resultados obtenidos 5) Analizar la validez de la clasificación obtenida Conviene hacer notar. Para llevar a cabo un análisis de este tipo se deben los siguientes pasos: 1) Plantear el problema a resolver por un Análisis Cluster 2) Establecer medidas de semejanza y de distancia entre los objetos a clasificar en función del tipo de datos analizado 3) Analizar algunos de los métodos de clasificación propuestos en la literatura haciendo especial énfasis en los métodos jerárquicos aglomerativos y en el algoritmo de las k-medias. Entonces se efectúa esta primera etapa. (1995) aprovecha las ventajas del método de Ward y las del K-medias. Algoritmo de clasificación mixta La propuesta descrita en Lebart et al. Los centros iniciales se establecen al azar. Clasificación Ascendente Jerárquica Utilice la clasificación ascendente jerárquica para constituir grupos de individuos similares (clases) sobre la base de su descripción por un conjunto de variables cuantitativas. Taxonomía Numérica o Reconocimiento de Patrones.Estadística Multivariada – Herramientas Informáticas Análisis Cluster con Xlstat El Análisis Cluster. Corte del árbol. 3. pero no se pueden hacer 200 máscaras. y determinar el número de grupos. La partición obtenida en el paso anterior no es óptima siempre. y menor que la cantidad de individuos. Agregación jerárquica con el método de Ward. 2.

Estadística Multivariada – Herramientas Informáticas Lo primero que debemos hacer es un análisis de componentes principales para obtener los factores. Directamente seleccionamos toda la tabla incluyendo primer fila con identificador de variables. Tutorial enriquecido por Matilde CÉSARI 27 . En gráfico indicamos que no figuren las etiquetas de las observaciones en los gráficos. ya que son numerosos y no tenemos etiquetas y el programa asigna una por defecto. o haga clic en el botón correspondiente de la barra "Análisis de datos". abrimos el Xlstat y elegimos la opción en el menú “XLSTAT/Análisis de datos/ Análisis de Componentes Principales”. Los datos no tiene columna de identificación de observaciones.

Tomar menos factores implica realizar un filtrado: se supone que los ejes utilizados para la clasificación tienen la información relevante y que los desechados se deben a las fluctuaciones aleatorias que constituyen el ruido.Estadística Multivariada – Herramientas Informáticas A continuación podemos visualizar el plano de los individuos y el plano de las variables. 6 Tomar todos los factores para la formación de conglomerados es equivalente a efectuar una clasificación de las filas de la tabla de datos utilizando las variables originales. buscamos las coordenada de las observaciones y seleccionamos los factores a considerar. Recordemos que la “tabla observaciones/variables” en este caso no es la tabla original sino la “tabla de observaciones/factores”. es decir mayor de 30. sobre todo en tablas pequeñas. comenzamos la clasificación aplicando sobre los factores el método de Clasificación Jerarquica. El diagrama de valores propios orienta la decisión del número de ejes que se utilizan en la clasificación. después de editarlo con MS Excel y con las herramientas de Visualización del xlstat. En la hoja de resultados del ACP. los tres primeros. podemos o no tomar la primer fila con identificador de factores o Axes. en este caso. Tutorial enriquecido por Matilde CÉSARI 28 . Algunas veces. se usan todos los ejes. La muestra de datos medida es bastante dispersa y podemos encontrar varios patrones o clases de caretas. Cómo n = 200. En este caso no tenemos y tampoco nos interesa identificar los individuos pero si mantenemos la primer fila. ingresamos en el menú Xlstat en “XLSTAT/Análisis de datos/Clasificación Ascendente Jerárquica (CAJ)”. y podems o no seleccionar la columna con etiquetas de observaciones. Para la clasificación debemos 6seleccionar el número de factores a considerar. Se suele utilizar el subconjunto de los primeros k ejes factoriales tales que proyecten en conjunto un mínimo del 80% de la inercial original.

en función de la distancia euclidiana canónica Tutorial enriquecido por Matilde CÉSARI 29 . según lo visto en la teoría. en cada paso del proceso de aglomeración. En Opciones indicamos qué vamos a clasificar. Indicamos que se vean todos los resultados y para mejor visualización que el dendograma sea Horizontal. en este caso filas (las observaciones). Esta decisión es recomendable hacerla sobre el gráfico del dendograma. 7 El método de Ward utiliza la distancia entre clases que cumple con el objetivo de unir. las dos clases que incrementen menos la inercia intraclases.Estadística Multivariada – Herramientas Informáticas El tipo de proximidad es por disimilitudes (buscamos grupos diferenciados) y para calcular la matriz disimilitud utilizamos la distancia euclidiana y el 7método de Ward para la agregación. La distancia de Ward entre los dos grupos. y esta primera vez indicamos que Xlstat determine automáticamente donde partir el dendograma.

la partición a elegir es de 4 clases. Según podemos ver en el Dendograma. por lo cuál volvemos a realizar la clasificación e indicamos que el truncamiento no se automático sino en 4 clases.Estadística Multivariada – Herramientas Informáticas Automáticamente Xlstat selecciono la partición de 3 elementos. Tutorial enriquecido por Matilde CÉSARI 30 .

Tutorial enriquecido por Matilde CÉSARI 31 .Estadística Multivariada – Herramientas Informáticas Vemos a continuación el dendograma con la partición de 4 y la información sobre las inercias.

8 9 La propuesta de Lebart et al. pero requiere el número de clases por obtener y de puntos iniciales para cada una de ellas. básicamente. Existen varias formas de implementarlo pero todas ellas siguen. En el menú buscamos el método en “Análisis de Datos” y seleccionamos los factores del ACP igual como se hizo en la Clasificación Jerárquica. Para 8optimizar esta partición vamos a aplicar sobre los factores el método de clasificación Kmeans. por ejemplo. El método suele ser muy sensible a la solución inicial dada por lo que es conveniente utilizar una que sea buena. los siguientes pasos: 1) Se seleccionan k centroides o semillas donde k es el número de grupos deseado 2) Se asigna cada observación al grupo cuya semilla es la más cercana 3) Se calculan los puntos semillas o centroides de cada grupo 4) Se iteran los pasos 2) y 3) hasta que se satisfaga un criterio de parada como. en “número de clases” indicar 4. En Opciones indicamos que la partición inicial se realiza a partir de Centros de Clase definidos por el usuario. es decir se lo damos nosotros. (1995) es utilizarlo para obtener una partición que minimice la inercia intraclases En cada paso del algoritmo se actualizan los centros móviles calculando los centros de gravedad de la partición obtenida del paso anterior Tutorial enriquecido por Matilde CÉSARI 32 . Supone que el número de grupos es conocido a priori. es decir usa los factores obtenidos en el ACP y los 9centros móviles utilizados para la agregación de la partición elegida (en el ejemplo: 4 clases). los puntos semillas apenas cambian o los grupos obtenidos en dos iteraciones consecutivas son los mismos.Estadística Multivariada – Herramientas Informáticas Método de las k-medias Este tipo de método es conveniente utilizarlo cuando los datos a clasificar son muchos y/o para refinar una clasificación obtenida utilizando un método jerárquico. Una forma de construirla es mediante una clasificación obtenida por un algoritmo jerárquico.

En la hoja de resultados podemos ver que la inercia Intraclase ha sido minimizada y la Interclase maximizada. incluir la primer fila con etiquetas pero no la primer columna con las clases. Buscamos los resultados por objetos y seleccionamos la columna que indica para cada observación su clase.Estadística Multivariada – Herramientas Informáticas Debajo nos permite seleccionar de la hoja con los resultados de la clasificación jerárquica (CAJ) la matriz con tantas filas como clases. La pegamos junta la las variables. Tutorial enriquecido por Matilde CÉSARI 33 . en este caso 4 y tanta columnas como factores. de esta manera nos que una variable “Tipológica” que clasifica a los cráneos en 4 grupos o patrones diferentes.

A continuación visualizamos el cartografiado con los centro de clase proyectados sobre el plano. Esta tabla es utilizada para caracterizar las clases mediante el algoritmo DECLA. Tutorial enriquecido por Matilde CÉSARI 34 . a través del coseno cuadrado de los dos primeros factores. Si armamos una tabla tomando las coordenadas y la suma de cosenos cuadrados de las observaciones. además de la variable de clase podemos utilizar la herramienta de graficado del Xlstat “Scatter plots” para colorear las observaciones en función de los grupos o clases y darle un efecto burbuja (3D) y no sólo el tamaño.Estadística Multivariada – Herramientas Informáticas Volvemos a realizar el ACP. pero esta vez. proyectamos de manera ilustrativa la variable cualitativa de clase.

En el ejemplo no se toma la primer fila con identificador X e Y y tampoco se muestra en el gráfico títulos de ejes y gráficos. en Y el factor F2. La opción Z permite darle el tamaño y la forma de burbuja y la opción Grupo permite colorear las burbujas en función de una variable categórica o de clase. Cada grupo de puntos coloreados para cada clase representa una serie de datos para el gráfico de Excel.Estadística Multivariada – Herramientas Informáticas Para realizar este grafico preparamos la siguiente tabla a partir de los resultados del último ACP. Seleccionamos en X el primer factor F1. Luego buscamos la herramienta en el menú de “Visualización” del Xlstat. Al seleccionar OK se genera una nueva hoja en el libro de MS Excel (SCA) con el biplot o plano factorial. Tutorial enriquecido por Matilde CÉSARI 35 . en Z la suma de los cosenos cuadrados y en Grupo la variable tipológica. por lo tanto basta seleccionar una vez cualquiera de los puntos pertenecientes a un grupo para cambiar el color de todas las observaciones de una clase.

nombre variable numérica) (4 espacios. el número de categorías 0. "El formato" interno "DTM" Estos tres tipos de archivos están en formato del texto simple (la extensión ". espacio vacío. Los separadores entre los valores: como mínimo un espacio en blanco) 10 Esta característica es bastante rara en software estadístico. Tutorial enriquecido por Matilde CÉSARI 36 . contiene los valores de estas variables para un SET de individuos (o las observaciones). No es indispensable para los principiantes. pero parece indispensable para explorar SETS datos categóricos de muchas dimensionales. Se suele colocar como extensión (en reemplazo del txt) para estos ficheros de texto “dic” para el diccionario y “dat” para los datos. Edad (0 categorías es una variable = numérica). identificador < 20 caracteres) (4 espacios. espacio vacío. espacio vacío. título de la variable) MASC MASCULINO FEME FEMENINO 0 EDAD_num 4 EDAD_rango EDA1 18_24 EDA2 25_39 EDA3 40_59 EDA4 60 3 EDUCACIÓN EDUL Baja EDUM Media EDUH Alta (identificador corto de 4 caracteres. identificador < 20 caracteres) (identificador corto de 4 caracteres. Tres encuestados (individuos. espacio vacío. la Edad en 4 categorías. espacio vacío. Edad dividida en 4 categorías. observaciones) ' 1006 ' 1 76 4 1 (Los identificadores de los individuos: entre comillas simples. título de la variable) (identificador corto de 4 caracteres. el número de categorías N. espacio vacío. (o también con un procesador de texto. identificador < 20 caracteres) (identificador corto de 4 caracteres. identificador < 20 caracteres) (identificador corto de 4 caracteres. provee los nombres (o los identificadores) de las variables numéricas y categóricas (incluye10 los nombres de las modalidades correspondientes a cada variable categórica). ' 1007 ' 2 20 2 2 ' 1008 ' 2 29 3 2 sin espacio vacío. espacio vacío. tienen que ser importados de (a menudo grandes) archivos preexistentes. legible a través del “Bloc de Notas” u otro editor de texto. implicando cuatro variables. la Edad numérica. el número de categorías N. En la configuración más general. El conocimiento del formato interno DTM podría ser útil para algunos usuarios adelantados. identificador < 20 caracteres) (identificador corto de 4 caracteres. Tabla 1: Ejemplo de un diccionario interno DTM para 4 variables: Género (2 categorías). 2) Los ficheros de datos.Estadística Multivariada – Herramientas Informáticas El formato interno DTM para entrada de datos La meta de los métodos de importación es transformar un archivo del texto preexistente en el "formato interno DTM". espacio vacío. dos archivos constituyen el SET (conjunto) interno de datos de DTM: 1) El archivo con diccionario. siempre que se tome como archivos del texto simples sin formato). espacio vacío. Pueden grabarse directamente del teclado. el nivel Educativo. espacio vacío. conjuntamente con los identificadores de los mismos. Tabla 1 y 2 se muestra un ejemplo pequeño.txt". o con la ayuda del menú "DataCapture". Nivel educativo (3 categorías). En la mayoría de los casos sin embargo. el número de categorías N. menos de 20 caracteres. título de la variable) Tabla 2: El ejemplo de un fichero de datos interno DTM para las 4 variables previas: El género. identificador < 20 caracteres) (4 espacios. 2 ENGENDRAN (4 espacios.

Es un método que se enmarca claramente entre las técnicas más recientes de Minería de datos (Data Mining). DTM ofrece un método original y poco conocido para caracterizar una variable respuesta a partir de un conjunto de variables explicativas. Los elementos característicos pueden ser otras variables nominales o también variables continuas. Finalmente se obtiene una partición del conjunto de datos y la caracterización de cada una de las clases. Para la caracterización de las clases se utilizan los valores test. Realiza comparaciones múltiples entre medias y proporciones con el resto de variables para observar las relaciones más evidentes. Caracterización de Clases con DTM Procedimiento DECAT (DEscripción de CATegorias) DECAT es una función que realiza la caracterización de las clases según variables. Este estadístico se distribuye según una normal estandarizada. Tomar menos factores implica realizar un filtrado: se supone que los ejes utilizados para la clasificación tienen la información relevante y que los desechados se deben a las fluctuaciones aleatorias que constituyen el ruido. Para seleccionar las variables continuas o las categorías de las variables nominales más características de cada clase. el valor-test. las dos clases que incrementen menos la inercia intraclases. Ordena las características influyentes por el p-valor asociado a la prueba estadística y además incorpora un nuevo elemento.05. Caracterización de las clases o grupos teniendo en cuenta las variables en la tabla. con un nivel de significación asociado de 0. ya sean cuantitativas o cualitativas. según las variables activas e ilustrativas. El método de Ward utiliza la distancia entre clases que cumple con el objetivo de unir.. por lo que cuando sea superior a 2 o bien inferior a – 2 se considerará que una característica es influyente. pero sin el objetivo de hacer inferencias. cualitativos o frecuencias. sobre todo en tablas pequeñas.Estadística Multivariada – Herramientas Informáticas Para el análisis de una tabla de datos haciendo uso de métodos multivariados. El diagrama de valores propios orienta la decisión del número de ejes que se utilizan en la clasificación. El algoritmo K-medias para la obtención de una partición directa de un conjunto de “individuos” por variables cuantitativas requiere el número de clases por obtener y de puntos iniciales para cada una de ellas. (1995) presenta una estrategia que consiste en realizar primero un análisis factorial según la naturaleza de los datos y luego una 11clasificación basada en un algoritmo mixto: clasificación jerárquica con el método de Ward y agregación alrededor de centros móviles (K-medias). los años en la entidad bancaria. el nivel de estudios. Estas variables pueden ser cuantitativos. 11 el término clasificación se utiliza como sinónimo de análisis o formación de conglomerados o clasificación no supervisada. Se puede caracterizar estadísticamente una variable cualitativa (nominal). utilizando los valores test. En ningún momento hace referencia a la clasificación supervisada o discriminación Tutorial enriquecido por Matilde CÉSARI 37 . La utilización de las coordenadas factoriales permite tener un marco común en el proceso de formación de conglomerados.. se usan todos los ejes. Este método permite. Para el proceso de clasificación el análisis factorial previo se constituye en un pretratamiento. (Campo. tomando como explicativas la edad. por ejemplo que sepamos que características diferencian a los clientes "buenos" de los clientes "malos". La propuesta de Lebart et al. que son índices descriptivos construidos siguiendo la metodología de pruebas de hipótesis. Permite ver qué variables caracterizan a cada una de las clases teniendo en cuenta los Valores Test. (1995) es utilizarlo para obtener una partición que minimice la inercia intraclases. Esto se logra localmente (depende de los puntos iniciales) usando la distancia euclidiana canónica entre los individuos y los centros móviles utilizados para la agregación. Tomar todos los factores para la formación de conglomerados es equivalente a efectuar una clasificación de las filas de la tabla de datos utilizando las variables originales. En cada paso del algoritmo se actualizan los centros móviles calculando los centros de gravedad de la partición obtenida del paso anterior. Caracterización de una variable cualitativa. Se aplica un algoritmo que realiza comparaciones múltiples entre medias y / o proporciones para hallar las variables explicativas relacionadas. 2007). Lebart et al. en cada paso del proceso de aglomeración.. Algunas veces. que transforma los datos originales en variables continuas no correlacionadas. se mide la desviación entre los valores relativos a la clase y los valores globales.

insertamos un columna al principio y colocamos una etiqueta de identificación de observaciones. Siguiendo con el ejemplo de las 6 mediciones sobre 200 cráneos. por lo que cuando sea superior a 2 o bien inferior a -2 se considerará que una característica es influyente. Este estadístico se distribuye según una normal estandarizada.La primer columna debe ser de etiquetas que identifiquen las observaciones. Creamos una carpeta de trabajo donde trabajamos con el DTM. Copiamos la tabla con las 6 variables continuas y la variable de clase en un nuevo libro de Excel. Procedemos a caracteriza cada clase de manera de obtener las medidas “tipologicas” para cuatro mascaras.Estos nombres no deberían tener espacios en blanco (en todo caso. Guardamos como fichero CSV (delimitado por punto y coma). el valor-test.Los nombres de variables deben tener menos de 20 caracteres. con un nivel de significación asociado de 0. . 1º paso – Importar los datos al software DTM. en el apartado anterior se obtuvieron 4 clases (patrones). Tutorial enriquecido por Matilde CÉSARI 38 .05. si no existe crearla. En el caso que se desee caracterizar el subgrupo de individuos a partir de una variable explicativa continua se realiza un test de comparación de medias entre la media del subgrupo respecto la media global ordena las características influyentes por el p-valor asociado a la prueba estadística y además incorpora un nuevo elemento. . Restricciones importantes que hay que asegurar: .Estadística Multivariada – Herramientas Informáticas Caracterización de una categoría de una variable categórica respuesta a partir de una variable continua explicativa. reemplácelos por líneas subrayadas).

Estadística Multivariada – Herramientas Informáticas
Nota: es recomendable que el el Panel de control / configuración Regional del sistema operativo, el símbolo decimal sea el “.” (punto) y el símbolo separador de miles sea la “,” (coma), de esta manera cuando creamos un fichero CSV, el mismo delimita las columna con “;”. Podemos abrir el fichero para comprobar que las columnas están delimitadas por punto y coma con el Block de Notas

Nota: Si no podemos, deseamos o no sabemos cambiar la Configuración regional del sistema Operativo y el símbolo decimal es la “,” (coma), es recomendable guardar el fichero en formato TXT delimitado por tabulaciones, el mismo requiere un paso previo en la importación del DTM para convertirlo a delimitado por punto y coma. Abrimos el DTM y seleccionamos la opción “DataCapture, Data importation, Preprocessing” (importación / captura / preprocesamiento de datos). Luego “Importing Dictionary ,Data and Texts” (Importar Diccionario, Datos y Textos)". Y por último presione el primer botón habilitado a la izquierda: “Excel ® Files” (archivos de Excel). Se muestra la ventana “Importing from an Excel (r) file”.

Nota: Si el archivo Excel ha sido guardado con tabulaciones como separadores de columnas, se presiona el botón: “0. Change tabs into semi-colons” (cambiar tabulaciones a puntos y comas). Seleccione el archivo con tabulaciones y conviértalo. Se crea un nuevo archivo “New_ _clasescraneo.txt". Luego, haga clic en: “1. Add the types of variables” (indicar tipos de variables ).

Ingrese a Select Data. (cargar fichero csv). Seleccione el archivo creado previamente "datbase_classical.csv" .

Tutorial enriquecido por Matilde CÉSARI

39

Estadística Multivariada – Herramientas Informáticas

Un cuadro de dialogo confirma la selección. Debería aparecer la lista de variables.

Ingrese a Values and Counts. (analizar los valores) y luego a Show results (muestra los resultados).

Tutorial enriquecido por Matilde CÉSARI

40

Estadística Multivariada – Herramientas Informáticas

Luego seleccionar uno o varios identificadores de variable, en la lista, y escoger, para cada atributo (cada variable), una palabra clave, en el ejemplo la primer columna es el identificador de individuos y siembre es de tipo textual “TEXT”, las variables de la 1 a la 6 son todas numéricas, se coloca como “NUM” y la última de clase es nominal y el tipo es “CHAR”.

Una vez completado el que el ingreso del tipo de variable, dé un clic sobre “update the data file” (actualización) para modificar el fichero.

Tutorial enriquecido por Matilde CÉSARI

41

por el valor estándar "999". El proceso de importación consiste en construir un diccionario DTM y un fichero de datos DTM a partir del fichero de datos creado en el paso anterior “1”. - los nombres de las variables se extraen de la primera fila. las modalidades de las variables categóricas serán enteros consecutivos comenzando con el valor "1". excepto los valores perdidos reemplazados. Se muestra la ventana: “Format type XL ®. haga clic en: “Impor Data” (importar). Finding the states of each categorical variables. frequencies… “.csv". el número de categorías para cada variable y los nombres de estas modalidades se obtienen al realizar un análisis del fichero Para cada variable. en lugar de un símbolo alfanumérico. Luego.csv (Seleccionar archivo Básico). con el tipo de dato. son detectadas todas las diferentes secuencias de caracteres de importancia. Seleccione el archivo Tutorial enriquecido por Matilde CÉSARI 42 . en esta versión de DTM. Las modalidades son ordenadas alfabéticamente por sus identificadores. Clic en: “Select Basic file” New_typevar_clasescraneo. Los valores numéricos serán idénticos al del fichero de datos original. en donde se agrego una fila después de los identificadores de variables. Este archivo es " New_typevar_clasescraneo.Estadística Multivariada – Herramientas Informáticas El programa crea un nuevo archivo. el fichero de datos DTM comienza con el mismo identificador entre comillas simples.

Clic en “Name for the new dictionary” (nombre para el diccionario nuevo) para escoger un nombre para el diccionario en formato de DTM. con las frecuencias correspondientes. Se muestra la lista de todas las modalidades encontraron en el fichero de datos.Estadística Multivariada – Herramientas Informáticas Clic en “Values and counts” (Valores y recuentos). Clic en “Create Dictionary and Data” (crear el diccionario y los datos DTM). (se recomienda la extensión ". Análisis de todas las variables nominales (el símbolo: "Achichárrese" en el diccionario) se forma de los dos archivos básicos. Por ejemplo “craneo. siempre en el mismo directorio.DIC").DIC” Tutorial enriquecido por Matilde CÉSARI 43 .

Por ejemplo “craneo. (se recomienda la extensión ".DAT"). siempre en el mismo directorio.Estadística Multivariada – Herramientas Informáticas Clic en “Name for the new data file” (nombre para el archivo de datos nuevo) para escoger un nombre del fichero de datos en formato del DTM.DAT” Tutorial enriquecido por Matilde CÉSARI 44 .

Al cabo de un rato. Se muestra un archivo de comandos DTM en la ventana inferior. Clic en “Create new data file” (crear fichero de datos nuevo). Es creado un diccionario en formato interno de DTM.Estadística Multivariada – Herramientas Informáticas Clic en “Create new dictionary” (crear diccionario nuevo). Los demás operaciones y comentarios son idénticos a la de la introducción. un cuadro de mensajes muestra el número de individuos. Clic sobre ese botón “Create a DTM parameter file”. (Crear un archivo de parámetros DTM). El archivo de comandos es automáticamente creado bajo el nombre: "Param start. Analiza las modalidades para las variables nominales. Se muestra la ventana “Creating a starting parameter file”. Tutorial enriquecido por Matilde CÉSARI 45 . Clic en “Create a first parameter file” (crea un primer archivo de parámetro).txt". el cuál se visualiza en las notas a la derecha.

2º paso – Implementar el método DECAT Clic en “Create a command file” (crear fichero de parametros). Lea los resultados haciendo clic en “Main basic numerical results” (principales resultados numéricos básicos) del menú. Tutorial enriquecido por Matilde CÉSARI 46 . Estos resultados son guardados bajo el nombre "imp.txt" en el mismo directorio de trabajo. Una ventana muestra los métodos disponibles en la herramienta.Estadística Multivariada – Herramientas Informáticas Haga Clic en "Execute" (Responda No a la pregunta acerca de un formato posible XML para el archivo de salida).

Clic en “Open a dictionary” (abrir el diccionario). Tutorial enriquecido por Matilde CÉSARI 47 . nos pregunta por el diccionario y luego por los datos.Estadística Multivariada – Herramientas Informáticas Seleccionamos DECAT (Descripción de CATegorias) La siguiente ventana es para cargar los datos.

Clic en “Continue” (seleccionar la variable a describir y las variables explicativas). Tutorial enriquecido por Matilde CÉSARI 48 .Estadística Multivariada – Herramientas Informáticas Clic en “Open a Data File” (abrir el fichero de datos).

Las otras variables numéricas son las que van a caracterizar. Tutorial enriquecido por Matilde CÉSARI 49 . las exploratorias y van en el cuadro a la derecha abajo. Creamos el fichero de parámetros y lo ejecutamos. Clic en “All the observations Hill be active” (permite seleccionar los individuos activos).Estadística Multivariada – Herramientas Informáticas La última variable es la que vamos a describir. va en el cuadro a la derecha arriba. La tabla de resultados describe cada clase. indicando media de clase y media global.

V.DESVIAT. Para cada estadístico de Fisher se calcula la probabilidad de ser sobrepasado. Desviación típica general y desviación típica definida por la clase (C!. C· y C4) . C”. El mejor analizas de variancia es el que corresponde al estadístico de Fisher mas significativo y corresponde al parámetro continuo mas previsible con ayuda del factor. Tutorial enriquecido por Matilde CÉSARI 50 . .CHARACTERISTIC VARIABLES Variable continua que resulta ser significativa.STD.MEANS Media general (para todos los cráneos) y media definida por la clase (C!. las columnas representan: . . El valor test asociado es el valor de una variable nominal que tiene la misma probabilidad de ser sobrepasada.Estadística Multivariada – Herramientas Informáticas En el caso de las tablas para variables continuas características. para clasificar las más características de la variable nominal.TEST Valor test asociado a la prueba estadística - Interpretación Si los elementos característicos son variables continúas. Entonces. C”.PROBA P-valor asociado a la prueba estadística. se ordenan las variables características siguiendo el orden decreciente de los Valores Test. C· y C4) . se efectúan todos los análisis de la variancia.

En el siguiente ejemplo se tiene: 13 características del vino observadas a partir de tres lugares distintos dentro de la misma región. B. C. Las variables fueron discretizadas y se aplico AFCM para su análisis. . .. El algoritmo realiza pruebas estadísticas para comparar las proporciones de individuos que presentan las categorías A.Estadística Multivariada – Herramientas Informáticas Caracterización de una categoría de una variable categórica respuesta a partir de las categorías (A. dentro del subgrupo respecto las proporciones en la muestra global. La categoría de la variable respuesta define implícitamente un subgrupo de individuos del conjunto global de individuos.... B. Tutorial enriquecido por Matilde CÉSARI 51 . Se obtuvo 178 observaciones. C.) de una variable explicativa.

Datos y Textos)".Estadística Multivariada – Herramientas Informáticas Con los métodos de clasificación se obtuvo 8 patrones o grupos homogéneos. Guardamos como fichero CSV (delimitado por punto y coma). Abrimos el DTM y seleccionamos la opción “DataCapture. Data importation. Luego “Importing Dictionary . Tutorial enriquecido por Matilde CÉSARI 52 . Y por último presione el primer botón habilitado a la izquierda: “Excel ® Files” (archivos de Excel). Creamos una carpeta de trabajo donde trabajamos con el DTM. 1º paso – Importar los datos al software DTM. Se muestra la ventana “Importing from an Excel (r) file”.Data and Texts” (Importar Diccionario. agregamos una primer columna con identificador de fila. Preprocessing” (importación / captura / preprocesamiento de datos). Copiamos la tabla con 13 variables continuas y 13 variables nominales (discretizadas en rangos) a un nuevo libro de MS Excel.

haga clic en: “Impor Data” (importar). Se muestra la ventana: “Format type XL ®. Finding the states of each categorical variables. una palabra clave. Luego seleccionar uno o varios identificadores de variable. Luego. con el tipo de dato. Clic en: “Select Basic file” (Seleccionar archivo Básico). El programa crea un nuevo archivo. en la lista. Análisis de todas las variables nominales (el símbolo: "Achichárrese" en el diccionario) se forma de los dos archivos básicos. Este archivo es " New_typevar_vino. haga clic en: “1.csv". Ingrese a Values and Counts. Ingrese a Select Data. en el ejemplo la primer columna es el identificador de individuos y siembre es de tipo textual “TEXT”. Clic en “Values and counts” (Valores y recuentos). (analizar los valores) y luego a Show results (muestra los resultados).csv. con las frecuencias correspondientes. (cargar fichero csv). Una vez completado el que el ingreso del tipo de variable. las variables de la 1 a la 13 son todas numéricas. se coloca como “NUM” y las últimas 14 nominal de tipo es “CHAR”. en donde se agrego una fila después de los identificadores de variables. Seleccione el archivo New_typevar_vino. dé un clic sobre “update the data file” (actualización) para modificar el fichero. Add the types of variables” (indicar tipos de variables ). para cada atributo (cada variable). Seleccione el archivo creado previamente Un cuadro de dialogo confirma la selección. Tutorial enriquecido por Matilde CÉSARI 53 . Se muestra la lista de todas las modalidades encontraron en el fichero de datos. Debería aparecer la lista de variables. y escoger. frequencies… “.Estadística Multivariada – Herramientas Informáticas Luego.

por ejemplo si editamos con el block de notas el fichero VINO. la importación implica que el software enumere las variables y agregue una codificación a las modalidades lo cual es necesario cambiar. siempre en el mismo directorio. un cuadro de mensajes muestra el número de individuos. Los demás operaciones y comentarios son idénticos a la de la introducción. podemos cambiar las etiquetas. Clic en “Name for the new dictionary” (nombre para el diccionario nuevo) para escoger un nombre para el diccionario en formato de DTM. (Crear un archivo de parámetros DTM). Por ejemplo “vino. el cuál se visualiza en las notas a la derecha. Se muestra la ventana “Creating a starting parameter file”. Lea los resultados haciendo clic en “Main basic numerical results” (principales resultados numéricos básicos) del menú. Clic en “Create a first parameter file” (crea un primer archivo de parámetro). Por ejemplo “vino. Al cabo de un rato.DIC").txt" en el mismo directorio de trabajo. Analiza las modalidades para las variables nominales. (se recomienda la extensión ". Estos resultados son guardados bajo el nombre "imp.DAT” Clic en “Create new dictionary” (crear diccionario nuevo). Clic en “Create new data file” (crear fichero de datos nuevo). En ocasiones s necesario editar el diccionario.DAT"). Tutorial enriquecido por Matilde CÉSARI 54 .Estadística Multivariada – Herramientas Informáticas Clic en “Create Dictionary and Data” (crear el diccionario y los datos DTM). El archivo de comandos es automáticamente creado bajo el nombre: "Param start.DIC. siempre en el mismo directorio. Clic sobre ese botón “Create a DTM parameter file”.DIC” Clic en “Name for the new data file” (nombre para el archivo de datos nuevo) para escoger un nombre del fichero de datos en formato del DTM.txt". Se muestra un archivo de comandos DTM en la ventana inferior. Es creado un diccionario en formato interno de DTM. Haga Clic en "Execute" (Responda No a la pregunta acerca de un formato posible XML para el archivo de salida). (se recomienda la extensión ".

nos pregunta por el diccionario y luego por los datos.Estadística Multivariada – Herramientas Informáticas Con el fichero de datos siempre es necesario editarlo para eliminar una fila en blanco que se crea durante la importación. 2º paso – Implementar el método DECLA Clic en “Create a command file” (crear fichero de parametros). Seleccionamos DECAT (Descripción de CATegorias) La siguiente ventana es para cargar los datos. Una ventana muestra los métodos disponibles en la herramienta. Clic en “Open a dictionary” (abrir el diccionario). Tutorial enriquecido por Matilde CÉSARI 55 .

indicando media de clase y media global. La tabla de resultados describe cada clase. Clic en “Continue” (seleccionar la variable a describir y las variables explicativas). Tutorial enriquecido por Matilde CÉSARI 56 . las exploratorias y van en el cuadro a la derecha abajo. va en el cuadro a la derecha arriba. Clic en “All the observations Hill be active” (permite seleccionar los individuos activos). Las otras variables numéricas son las que van a caracterizar. Creamos el fichero de parámetros y lo ejecutamos. La última variable es la que vamos a describir.Estadística Multivariada – Herramientas Informáticas Clic en “Open a Data File” (abrir el fichero de datos).

es decir evalúa la abundancia de la modalidad en el grupo.V. Modalidades Características que resulta ser significativa. ordenándoselas.CLA/MOD Porcentaje de individuos de la submuestra definida por la característica explicativa que están presentes en la submuestra definida por la clase. . más interesante será la tabla de cruzamiento.MOD/CLA Porcentaje de individuos de la submuestra definida por la clase (C1. Interpretación . o sea ausencia de significación estadística. . frente a la abundancia de la modalidad en la población total. Flavanoids.Si los elementos característicos son las modalidades de otras variables nominales se detectan las modalidades más significativas.TEST Valor test asociado a la prueba estadística .GLOBAL Porcentaje de individuos en la muestra que presentan la característica .…) que presentan la característica. Podemos editar con MS Excel la tablado resultados de manera de presentar por cada grupo tanto las modalidades o rangos característicos como la media esperada para las variables continuas. Los valores test se calculan para todas las modalidades de las variables nominales. determinan independencia entre ambas variables.(mayor asociación entre las variables. La clasificación proporcionada por los valores test ordena las modalidades a partir de un criterio estadístico el cual evalúa la importancia de la desviación entre dos proporciones. . en función de estos valores decrecientes para caracterizar cada modalidad.PROBA P-valor asociado a la prueba estadística. C2. la del grupo y la de la población general.). Los (valores test< 2). Los Valores de Test muestran una significación estadística de 99% de certeza en la asociación de estas características con la clase 1.CHARACTERISTIC CATEGORIES Variable nominal. por tanto. color y Proline y grado Medio nivel de Matiz y Pronantocyanins. Tambien podemos decir que en general tienden a tener menos contenido (por debajo de la media global) de Alcalinidad de la ceniza y Fenol No Flavanoids. Este grupo de vinos son aquellos de Alto (no los más altos) contenido de Magnesio. Mientras mayor sea el valor test.Estadística Multivariada – Herramientas Informáticas Las columnas presentadas en las tablas representan: . Tutorial enriquecido por Matilde CÉSARI 57 .

Estadística Multivariada – Herramientas Informáticas Tutorial enriquecido por Matilde CÉSARI 58 .

Estadística Multivariada – Herramientas Informáticas Tutorial enriquecido por Matilde CÉSARI 59 .

Estadística Multivariada – Herramientas Informáticas Tutorial enriquecido por Matilde CÉSARI 60 .

& Murdoch. (1995). Facultad de Ciencias. Software.. Statistics &. nlme: Linear and Nonlinear Mixed Effects Models.decisia.Analyse Prédictive . Simposio de Estadística . ‘R Help Desk: Accessing the Sources’.eu .Decisia (2003).fr/math/ ..Lebart. ‘Mosaic Displays for Multi-Way Contingency Tables’.. & Wong. D. Son usage en hydrobiologie’. R: A Language and Environment for Statistical Computing. & Doledec. Paris. Campo Elías (2004). & the R Core team. Système Pour l’Analyse des Donèes. 121-140 . R package version 1. Argentina. D. Morineau. S. Austria.. Pazzani M. . ‘A K-means Clustering Algorithm’. S.Husson. (1992).. Departamento de Matemáticas y Estadística. E.com/la/ SAS Enterprise Miner . (2005). . Análisis multivariado de datos en R. J. (2006). Editorial Ra-Ma . (1979). FactoMineR: Factor Analysis and Data Mining with R.Cazes. http://www. Estadística Exploratoria Multidimensional para datos complejos que incluyen datos numéricos y textuales. “Métodos y Técnicas de Investigación Pofesional”.Escofier B.html SPSS .spad. ‘DTM. Programa de DataMining de Datos Textuales: STATISTICA: http://www.enst. Césari M. . (2007). ISSPN. L. Inc.. y Pardo. S.com/ o www. productos que se pueden utilizar con otros de SPSS. pp. (2007). *http://www.Hartigan. Métodos estadísticos multivariados en investigación social. Análisis de datos y textos.R-project. (1995). Aconcagua. R package version 1.software de minería de textos.Friendly. in Memorias Coloquio Distrital de Matemáticas y Estadística. SPAD. Tesis de Maestría. P. SPSS Text Analysis for Surveys y Clementine.be/assoc/ presta/Cursos/cursos. Programa PRESTA. http://www. S. M.sas. (1999). Journal of the American Statistical Association 89(425). U. y Pardo Campo Elías (2001)... ‘L’analyse des correspondances internes d’un tableau partitionné. T. logiciels pour l'Analyse des Données . .fr. Paris. (1994).fr/lebart/ StatSoft.org Herramientas para el análisis de datos SPAD Versión 5. (1991).Lebart. Eduardo (1999). A. R News 6(4). Applied Statistics 28(100–108). & Mazet.Pardo Campo Elías (2005). Estadística. Mendoza.Fisher. Bates.com/es/soluciones/productos/pacstat_datatextaminer. Y Rodriguez G. (2005-2007). R News 5(2). ‘R Help Desk: Make ‘R CMD’ Work Ander Windows – an Example’. & Piron. A. ITBA . ISwR: Introductory Statistics with R. J.Césari R.Dalgaard. D. (2007).Ortiz. D.Estadística Multivariada – Herramientas Informáticas Referencias . . Análisis de correspondencias de tablas de contingencia estructuradas.05.Pardo. Lambert. A. Página principal de sistema para análisis de datos.Crivisky..statsoftiberica. http://www..Data Mining .J. Universidad Nacional de Colombia.ulb.statsoft. http://www.free. M. ISBN 3-900051-07-0.Statistique Décisionnelle . Departamento de Estadística. Cartagena.Ligges. R Foundation for Statistical Computing. J. C. 190–200.. 27–28. . Bogotá. P.Contrôle & Gestion de la Qualité des Données. Presentación de los Métodos de Clasificación.html . L. G. Análisis de la aplicación del método de Ward de clasificación jerárquica en el caso de variables cualitativas. L. y Langley P. Estrategias de análisis y exploración de datos como soporte a la adquisición de conocimiento para modelización de sistemas expertos bayesianos causales. P. Morineau. *http://www. Morgan Kaufmann . Multiple factor analysis: AFMULT package. & Pleuvret.0-6. L. Universidad Distrital. . (1994). Software desarrollado por Lebart. M. D. J. Comp. Data and Text Mining.Ligges. .Césari Matilde (2007). U..spad.H. 39–54. Revue de Statistique Appliquée 36(1).eu/ DTM.proveedor de TextSmart. *http://factominer. García. Lê. DebRoy. 65–90. SPAD Data Mining and Text Mining. http://www.ac.spss. 43–45.Lebart. . F.Etxeberría. (1988).5. Vienna. in ‘Simposio de Estadística. R package version 3. Chessel. Gil J. .Cabarcas.Pinheiro.com/technologies/analytics/datamining/miner/ Tutorial enriquecido por Matilde CÉSARI 61 . Statisitique exploratoire multidimensionnelle. E. y Pagès J. . http://ses. J. (2007). *http://ses. Trabajo Final de Especialidad en Ingeniería de Sistemas Expertos. Data and Text Mining’.enst. http://www. (2005). .1-83.agrocampus-rennes. Madrid.com/ . U. Universidad Nacional de Colombia. A.R Development Core Team (2007a). "Concept formation: knowledge and experience in unsupervised learning". Data Analysis 18. Dunod.fr/lebart/ .

Sign up to vote on this title
UsefulNot useful