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

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

Una vez que XLSTAT-Pro éste activado. 1991. Los datos corresponden al año 1990 y se extrajeron de la revista Press Landscape update & Eur. haga clic en el menú “XLSTAT/Análisis de datos/ Análisis de Componentes Principales”. 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. El ACP se utiliza cuando la matriz de datos está compuesta por un conjunto de variables continuas (activas). 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. 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. estos factores dando cuenta una fracción cada vez más débil de la variabilidad de los datos. Direct Marketing NTC. Tutorial enriquecido por Matilde CÉSARI 5 . mientras limite al máximo la pérdida de información. o haga clic en el botón correspondiente de la barra "Análisis de datos" (ver a continuación). o ante una clasificación ya que permite identificar la estructura de la población y eventualmente determinar el número de grupos a construir. Este método permite representar los datos originales (individuos y variables) en un espacio de dimensión inferior del espacio original.xls Abrir la planilla de MS Excel con los datos.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). El Análisis de Componentes Principales es a menudo utilizado ante una regresión ya que permite evitar el uso de variables redundantes. análisis de correspondencias simples (AFC) y análisis de correspondencias múltiples (ACM). Los datos se encuentran en el archivo PublicidadEuropa. La representación de los datos en espacios de dimensión débil (aquà 2 dimensiones) le facilita considerablemente el análisis.

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

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

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

igual a 5) a un número más débil de dimensiones. más débil será la asociación.Estadística Multivariada – Herramientas Informáticas El primer resultado interesante a analizar es la matriz de las correlaciones.00 representa la ausencia de asociación. Tutorial enriquecido por Matilde CÉSARI 9 . 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. Con la intención de hacer una adecuada interpretación de los índices correlación. “los valores propios”. Ambos extremos representan relaciones perfectas y 0. Cuanto más cercano sea a cero el coeficiente de correlación. En nuestro caso.70 representa 45% de la variabilidad. observamos que el primer valor propio vale 2. Eso significa que si representamos los datos en un sólo eje.00 y +1. 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. tendremos entonces siempre 45% de la variabilidad total que será preservada. El valor del coeficiente de correlación varía entre -1.00.

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

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

mide la correlación existente entre dicha variable y la correspondiente componente principal. Este último modelo es especialmente interesante. Aparece un cuadro de diálogo donde podemos probar la escalas. Desde las opciones de gráfico de eliminamos la visualización e las escalas. Se requiere entonces de un índice que ponga en evidencia este hecho..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. De forma general la relación entre variables se determinará mediante ángulos y la existente entre casos mediante distancias. tamaño de símbolos. - 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. Para ello debemos ejecutar las opciones de Visualización que nos permite realizar esta opción y muchas otras. la proyección de cada vector “variable” sobre un eje. como “zoon” del gráfico. cuando esté conforme precione “Terminar”. estando por ello situados sus extremos sobre la hiperesfera de radio unidad en el caso de un ACP estandarizado. De esta manera podemos corregir errores de proyección. Para cambiar las escalas recortando los mínimos y máximos podemos hacer un “zoon” y visualizar mejor la nube de individuos.. 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). En el Análisis de Componentes Principales (y técnicas Biplots derivadas). Tutorial enriquecido por Matilde CÉSARI 12 . Excel. Por lo tanto puede resultar interesante ponderar los puntos a partir de la contribución de cada país en el espacio factorial creado. Seleccionamos el grafico e ingresamos en “Visualización/AxesZoomer”. es decir nivel de significación. que se denomina coseno cuadrado o contribución relativa. 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 . lo que da la clave para su interpretación. Los elementos suplementarios permiten explorar asociaciones con los elementos activos o enriquecer los análisis. en el caso del ACP son variables continuas activas e individuos activos. Hacemos lo mismo para las 5variables. Mediante este procedimiento se puede posicionar un nuevo individuo con respecto a todos los individuos activos para responder a objetivos preestablecidos. por ejemplo explorar su posible discriminación entre grupos. 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. 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. Los elementos que participan en el análisis se denominan activos. variables continuas y variables nominales) sobre los planos construidos en el ACP.Estadística Multivariada – Herramientas Informáticas Para esto selecciono la serie de puntos de las observciones e ingreso en el menú XLSTAT/Visualiación/Eas yPoint”. 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. En el cuadro de diálogo le indicamos la columna con la suma de los cosenos cuadrados.

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

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.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. Tutorial enriquecido por Matilde CÉSARI 15 . con el cruce de dos variables. Asegurarse que esté activada la opción “Etiquetas incluidas”.

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

No es apropiado interpretar modalidades ilustrativas entre sí pues no han participado en la construcción de los ejes. lo que conlleva a la lectura de las contraposiciones más importantes entre modalidades. 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. 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. En un ACS las modalidades aparecen repartidas a ambos lados de los ejes. 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. pero debe hacerse por cada modalidad ilustrativa con respecto a las modalidades activas. Se requiere entonces de un índice que ponga en evidencia este hecho. que se denomina coseno cuadrado o contribución relativa. Se hace mediante las relaciones cuasi-bibaricéntricas y por lo tanto se interpreta de la misma forma. Tutorial enriquecido por Matilde CÉSARI 17 . Para introducir filas o columnas suplementarias o ilustrativas con el Xlstat. 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.Estadística Multivariada – Herramientas Informáticas Es decir. En una tabla de contingencia de gran tamaño se puede buscar las modalidades más importantes sobre cada eje recurriendo a las denominadas contribuciones absolutas.

La opción "Etiquetas de las observaciones" es activada y seleccionamos la columna de las etiquetas de las observaciones. 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".¿Considera Ud. una semana después que estos últimos recuperaron su vehículo tras una reparación mecánica. 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. Tutorial enriquecido por Matilde CÉSARI 18 . Los datos de ejemplo corresponden a una encuesta efectuada ante 28 clientes por un concesionario.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.¿Volverá Ud. El análisis de correspondencias múltiples compara individuos a través de las modalidades de las variables. a este taller para una reparación? (Si / No / No sabe) Efectuando un Análisis de Correspondencias Múltiples (ACM). deseamos identificar las posibles relaciones entre las diferentes respuestas en las diferentes preguntas. Aparece el cuadro de diálogo que corresponde al análisis de Correspondencia Múltiples. En la primera pestaña seleccionamos los datos. que la reparación fue efectuada correctamente? (Si / No / No sabe) . 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. sino a una tabla disyuntiva completa. Una vez iniciado XLSTAT. globalmente satisfecho de su visita al taller? (Si/ No) .¿Cómo juzga Ud. Encuentra asociaciones entre variables a través de las modalidades de ellas.¿Está Ud.¿Le parece correcta la relación de calidad precio? (Si / No) . generalmente modalidades de respuesta a las preguntas. La opción "Etiquetas de variables" se deja activada ya que la primera fila de las columnas incluye el nombre de las variables. El cuestionario incluye cinco preguntas: . la calidad de la atención? (de 1 a 5) .

Las variables continuas calculando la correlación entre la variable y el eje. variables nominales (sus modalidades) y variables continuas. Los individuos y modalidades se proyectan utilizando las fórmulas cuasibibaricéntricas. pero nos interesa a posteriori su ubicación.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. 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. Tutorial enriquecido por Matilde CÉSARI 19 .

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). Tutorial enriquecido por Matilde CÉSARI 20 . Activamos las siguientes opciones de “Resultados” y de “Gráficos”.

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

dispersando la visualización de las escalas. El gráfico (sin editar) a continuación representa el mapa factorial que superpone categorías y observaciones. Tutorial enriquecido por Matilde CÉSARI 22 . Por último seleccionamos los tres puntos correspondientes a las modalidades suplementarias. Para esto último. (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 las tres últimas filas de la tabla de cos2. la tabla disyuntiva completa Z y la tabla de Burt B. con un clic sobre cualquiera de los individuos (azul). Accedemos a la herramienta EasyPoint y seleccionamos la suma de los cosenos cuadrados sólo de las modalidades activas. Las coordenadas de las observaciones están más abajo. 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. primero seleccionamos la serie de puntos de las observaciones.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. Ahora seleccionamos la serie de los puntos correspondientes a las modalidades de las variables cualitativas activas con un clic sobre cualquiera de ellas (rojo). De modo que los ejes adicionales del ACM se pueden considerar parásitos. En Lebart et al. Luego se visualizan las coordenadas de las categorías en el espacio factorial (las diferentes categorías de las variables cualitativas seleccionadas) y los cosenos cuadrados. eliminado titulos y escalas de los ejes. accedemos a la herramienta EasyPoint el menú de visualización del Xlstat y seleccionamos la suma de los cosenos cuadrados sólo de las observaciones. Utilizando las herramientas de visualización de Xlstat y de edición de gráficos del Excel podemos modificar el grafico.

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 .

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. del precio y si tiene la impresión que la reparación se efectuó efectivamente. 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 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. • 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 uno es el cuasibibaricentro de las modalidades que asume y las características se derivan de las modalidades que se proyectan cerca. Cada modalidad se sitúa en el cuasibibaricentro de los individuos que la asumen. Tutorial enriquecido por Matilde CÉSARI 25 . de la calidad de atención. • Las modalidades de variables diferentes se parecen porque son asumidas mas o menos por los mismos individuos. Se agrega la contribución de una variable como suma de las contribuciones de sus modalidades.

Los centros iniciales se establecen al azar. La partición obtenida en el paso anterior no es óptima siempre. también conocido como Análisis de Conglomerados. utilizando los centros de gravedad de las clases obtenidas al cortar el árbol como centros iniciales. debido a la estructura de particiones anidadas del dendrograma obtenido. Si la cantidad de individuos por clasificar es muy alta. 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. pero no se pueden hacer 200 máscaras. 2. 3. 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. Algoritmo de clasificación mixta La propuesta descrita en Lebart et al. 4) Interpretar los resultados obtenidos 5) Analizar la validez de la clasificación obtenida Conviene hacer notar. Clasificación inicial. de las mismas se obtuvo 6 medidas. 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. finalmente. cualitativas binarias (0/1).Estadística Multivariada – Herramientas Informáticas Análisis Cluster con Xlstat El Análisis Cluster. El árbol o dendrograma que resume el procedimiento de clasificación permite ver la estructura de clases de los individuos que son objeto de análisis. como se muestra en la siguiente figura. donde s es mucho mayor que el número de clases deseado en la población. Los resultados del análisis deberían tomarse como punto de partida en la elaboración de teorías que explicquen dicho comportamiento. combinándolos de la manera siguiente: 1. 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. y menor que la cantidad de individuos. La idea es usar estas medidas para construir mascaras. Corte del árbol. Taxonomía Numérica o Reconocimiento de Patrones. 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). 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. Para el paso siguiente es necesario calcular los pesos y centros de gravedad de las clases obtenidas. Consolidación de la clasificación. Agregación jerárquica con el método de Ward. 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. 4. Se emplea el algoritmo de agregación alrededor de centros móviles (K-medias). la cual busca obtener rápidamente y a bajo costo una partición de los individuos en s clases homogéneas. o eventualmente de todos tipos. (1995) aprovecha las ventajas del método de Ward y las del K-medias. El árbol correspondiente se construye según el criterio de Ward. Para mejorarla se utiliza de nuevo un procedimiento de agregación alrededor de centros móviles (K-medias). EJEMPLO CLASIFICACIÓN SOBRE UN ACP Tomamos como ejemplo una tabla correspondiente a 200 muestras de caras o cráneos. es probable que la clasificación jerárquica no se pueda ejecutar directamente. 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. Entonces se efectúa esta primera etapa. y determinar el número de grupos. el cual une en cada paso de agregación las dos clases que incrementen lo menos posible la inercia intraclases. Tutorial enriquecido por Matilde CÉSARI 26 .

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

El diagrama de valores propios orienta la decisión del número de ejes que se utilizan en la clasificación. La muestra de datos medida es bastante dispersa y podemos encontrar varios patrones o clases de caretas. Cómo n = 200. Recordemos que la “tabla observaciones/variables” en este caso no es la tabla original sino la “tabla de observaciones/factores”. Tutorial enriquecido por Matilde CÉSARI 28 . 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. ingresamos en el menú Xlstat en “XLSTAT/Análisis de datos/Clasificación Ascendente Jerárquica (CAJ)”. en este caso. Para la clasificación debemos 6seleccionar el número de factores a considerar. sobre todo en tablas pequeñas. se usan todos los ejes. Algunas veces. 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 este caso no tenemos y tampoco nos interesa identificar los individuos pero si mantenemos la primer fila. y podems o no seleccionar la columna con etiquetas de observaciones. En la hoja de resultados del ACP. es decir mayor de 30. los tres primeros. después de editarlo con MS Excel y con las herramientas de Visualización del xlstat. buscamos las coordenada de las observaciones y seleccionamos los factores a considerar. 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. podemos o no tomar la primer fila con identificador de factores o Axes. comenzamos la clasificación aplicando sobre los factores el método de Clasificación Jerarquica.

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

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. Tutorial enriquecido por Matilde CÉSARI 30 .Estadística Multivariada – Herramientas Informáticas Automáticamente Xlstat selecciono la partición de 3 elementos.

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.

es decir se lo damos nosotros. Una forma de construirla es mediante una clasificación obtenida por un algoritmo jerárquico. 8 9 La propuesta de Lebart et al. 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). en “número de clases” indicar 4. los puntos semillas apenas cambian o los grupos obtenidos en dos iteraciones consecutivas son los mismos. 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. El método suele ser muy sensible a la solución inicial dada por lo que es conveniente utilizar una que sea buena.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. pero requiere el número de clases por obtener y de puntos iniciales para cada una de ellas. 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. por ejemplo. básicamente. (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 . En Opciones indicamos que la partición inicial se realiza a partir de Centros de Clase definidos por el usuario. Para 8optimizar esta partición vamos a aplicar sobre los factores el método de clasificación Kmeans. Supone que el número de grupos es conocido a priori.

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

Esta tabla es utilizada para caracterizar las clases mediante el algoritmo DECLA. 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. proyectamos de manera ilustrativa la variable cualitativa de clase. Tutorial enriquecido por Matilde CÉSARI 34 . 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. pero esta vez. A continuación visualizamos el cartografiado con los centro de clase proyectados sobre el plano.Estadística Multivariada – Herramientas Informáticas Volvemos a realizar el ACP.

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.Estadística Multivariada – Herramientas Informáticas Para realizar este grafico preparamos la siguiente tabla a partir de los resultados del último ACP. en Z la suma de los cosenos cuadrados y en Grupo la variable tipológica. Seleccionamos en X el primer factor F1. 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. 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. Luego buscamos la herramienta en el menú de “Visualización” del Xlstat. Tutorial enriquecido por Matilde CÉSARI 35 . Cada grupo de puntos coloreados para cada clase representa una serie de datos para el gráfico de Excel. Al seleccionar OK se genera una nueva hoja en el libro de MS Excel (SCA) con el biplot o plano factorial.

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

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

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

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

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

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

DAT").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. siempre en el mismo directorio.DAT” Tutorial enriquecido por Matilde CÉSARI 44 . Por ejemplo “craneo. (se recomienda la extensión ".

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

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

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.

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

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

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

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

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

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

txt" en el mismo directorio de trabajo.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. Los demás operaciones y comentarios son idénticos a la de la introducción. 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). Por ejemplo “vino.DAT” Clic en “Create new dictionary” (crear diccionario nuevo).DAT"). 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.Estadística Multivariada – Herramientas Informáticas Clic en “Create Dictionary and Data” (crear el diccionario y los datos DTM). el cuál se visualiza en las notas a la derecha. Estos resultados son guardados bajo el nombre "imp. Se muestra un archivo de comandos DTM en la ventana inferior. Clic en “Create a first parameter file” (crea un primer archivo de parámetro). Clic sobre ese botón “Create a DTM parameter file”. podemos cambiar las etiquetas. En ocasiones s necesario editar el diccionario. Lea los resultados haciendo clic en “Main basic numerical results” (principales resultados numéricos básicos) del menú. Al cabo de un rato. Clic en “Name for the new dictionary” (nombre para el diccionario nuevo) para escoger un nombre para el diccionario en formato de DTM. Clic en “Create new data file” (crear fichero de datos nuevo). Por ejemplo “vino. Se muestra la ventana “Creating a starting parameter file”. siempre en el mismo directorio. siempre en el mismo directorio.txt".DIC"). Tutorial enriquecido por Matilde CÉSARI 54 . (se recomienda la extensión ". Analiza las modalidades para las variables nominales. El archivo de comandos es automáticamente creado bajo el nombre: "Param start.DIC. (Crear un archivo de parámetros DTM). un cuadro de mensajes muestra el número de individuos. (se recomienda la extensión ".

Tutorial enriquecido por Matilde CÉSARI 55 .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. Una ventana muestra los métodos disponibles en la herramienta. 2º paso – Implementar el método DECLA Clic en “Create a command file” (crear fichero de parametros). Clic en “Open a dictionary” (abrir el diccionario). nos pregunta por el diccionario y luego por los datos. Seleccionamos DECAT (Descripción de CATegorias) La siguiente ventana es para cargar los datos.

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

V. 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. . Modalidades Características que resulta ser significativa. C2. Los (valores test< 2). más interesante será la tabla de cruzamiento.GLOBAL Porcentaje de individuos en la muestra que presentan la característica .). color y Proline y grado Medio nivel de Matiz y Pronantocyanins. Los Valores de Test muestran una significación estadística de 99% de certeza en la asociación de estas características con la clase 1.TEST Valor test asociado a la prueba estadística .(mayor asociación entre las variables. Interpretación . 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. la del grupo y la de la población general. . 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. ordenándoselas.CLA/MOD Porcentaje de individuos de la submuestra definida por la característica explicativa que están presentes en la submuestra definida por la clase. por tanto. Los valores test se calculan para todas las modalidades de las variables nominales. en función de estos valores decrecientes para caracterizar cada modalidad. Tutorial enriquecido por Matilde CÉSARI 57 .…) que presentan la característica. determinan independencia entre ambas variables. Flavanoids.PROBA P-valor asociado a la prueba estadística.MOD/CLA Porcentaje de individuos de la submuestra definida por la clase (C1. o sea ausencia de significación estadística. frente a la abundancia de la modalidad en la población total. .Estadística Multivariada – Herramientas Informáticas Las columnas presentadas en las tablas representan: .CHARACTERISTIC CATEGORIES Variable nominal. es decir evalúa la abundancia de la modalidad en el grupo. Este grupo de vinos son aquellos de Alto (no los más altos) contenido de Magnesio.Si los elementos característicos son las modalidades de otras variables nominales se detectan las modalidades más significativas. Mientras mayor sea el valor test.

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 .

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