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

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

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

es decir los datos activos. pero sin incluir el identificador de ciudades (observaciones). o Tutorial enriquecido por Matilde CÉSARI 6 . 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. A continuación podemos ver en líneas punteadas la selección. Puede entonces seleccionar los datos en la hoja 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). los datos aparecen desde la primer fila/columna de la hoja. o seleccionar a mano con el Mouse los datos incluyendo la primer fila con etiquetas variable. Donde dice “Tabla observaciones/variables” debemos ingresar las “variables Continuas activas”. podemos seleccionar las variables directamente sobre el identificador alfabético de columna de la hoja de Excel. Siempre que debajo de la tabla no existan datos. Presionamos el botón a la derecha o directamente nos vamos a la hoja de Excel.

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

La primer ventana (informativa) que surge presenta las opciones para la visualización de los planos. Podemos ver todos los resultados en la hoja etiquetada “ACP”. 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. 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. Observamos que los dos primeros ejes factoriales conservan un 70. La pestaña “Gráficos” permite configurar qué y cómo vamos a visualizar el Biplot. sin tener que volver a aplicar el algoritmo. Tutorial enriquecido por Matilde CÉSARI 8 . Presionamos “Terminar” una vez seleccionado el plano conformado por los dos primeros factores. Los cosenos cuadrados permitirán asignar el tamaño a los puntos para representar el nivel de significación en la representación en el plano.70% de la inercia. este cuadro de diálogo visualiza a través de un grafico de barra la información obre los valores propios.

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

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

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

De esta manera podemos corregir errores de proyección. Seleccionamos el grafico e ingresamos en “Visualización/AxesZoomer”. 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. es decir nivel de significación. Por lo tanto puede resultar interesante ponderar los puntos a partir de la contribución de cada país en el espacio factorial creado. que se denomina coseno cuadrado o contribución relativa. cuando esté conforme precione “Terminar”. Aparece un cuadro de diálogo donde podemos probar la escalas. 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). Excel. Para cambiar las escalas recortando los mínimos y máximos podemos hacer un “zoon” y visualizar mejor la nube de individuos. mide la correlación existente entre dicha variable y la correspondiente componente principal. 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 12 . como “zoon” del gráfico. - 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 el Análisis de Componentes Principales (y técnicas Biplots derivadas). Para ello debemos ejecutar las opciones de Visualización que nos permite realizar esta opción y muchas otras... Se requiere entonces de un índice que ponga en evidencia este hecho. estando por ello situados sus extremos sobre la hiperesfera de radio unidad en el caso de un ACP estandarizado.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. Este último modelo es especialmente interesante. Desde las opciones de gráfico de eliminamos la visualización e las escalas. la proyección de cada vector “variable” sobre un eje. De forma general la relación entre variables se determinará mediante ángulos y la existente entre casos mediante distancias. tamaño de símbolos.

Estadística Multivariada – Herramientas Informáticas Para esto selecciono la serie de puntos de las observciones e ingreso en el menú XLSTAT/Visualiación/Eas yPoint”. variables continuas y variables nominales) sobre los planos construidos en el ACP. 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. 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. Los elementos que participan en el análisis se denominan activos. por ejemplo explorar su posible discriminación entre grupos. Elementos suplementarios Es posible proyectar elementos suplementarios o ilustrativos (individuos. 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. lo que da la clave para su interpretación. Mediante este procedimiento se puede posicionar un nuevo individuo con respecto a todos los individuos activos para responder a objetivos preestablecidos. Tutorial enriquecido por Matilde CÉSARI 13 . En el cuadro de diálogo le indicamos la columna con la suma de los cosenos cuadrados. 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.

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

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

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

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

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

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

Activamos las siguientes opciones de “Resultados” y de “Gráficos”.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 .

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

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

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. de la calidad de atención. Cada uno es el cuasibibaricentro de las modalidades que asume y las características se derivan de las modalidades que se proyectan cerca. 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. Cada modalidad se sitúa en el cuasibibaricentro de los individuos que la asumen.Estadística Multivariada – Herramientas Informáticas Confirmamos una evidencia: un cliente volverá si está globalmente satisfecho de la prestación. 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?. • 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. • Las modalidades de variables diferentes se parecen porque son asumidas mas o menos por los mismos individuos. Las contribuciones y cosenos cuadrados tienen la misma interpretación que en correspondencias simples. del precio y si tiene la impresión que la reparación se efectuó efectivamente. Tutorial enriquecido por Matilde CÉSARI 25 . Se agrega la contribución de una variable como suma de las contribuciones de sus modalidades.

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

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

Para la clasificación debemos 6seleccionar el número de factores a considerar. El diagrama de valores propios orienta la decisión del número de ejes que se utilizan en la clasificación. Se suele utilizar el subconjunto de los primeros k ejes factoriales tales que proyecten en conjunto un mínimo del 80% de la inercial original.Estadística Multivariada – Herramientas Informáticas A continuación podemos visualizar el plano de los individuos y el plano de las variables. La muestra de datos medida es bastante dispersa y podemos encontrar varios patrones o clases de caretas. Recordemos que la “tabla observaciones/variables” en este caso no es la tabla original sino la “tabla de observaciones/factores”. 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)”. en este caso. después de editarlo con MS Excel y con las herramientas de Visualización del xlstat. es decir mayor de 30. comenzamos la clasificación aplicando sobre los factores el método de Clasificación Jerarquica. podemos o no tomar la primer fila con identificador de factores o Axes. y podems o no seleccionar la columna con etiquetas de observaciones. Algunas veces. buscamos las coordenada de las observaciones y seleccionamos los factores a considerar. 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. los tres primeros. sobre todo en tablas pequeñas. En la hoja de resultados del ACP. 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. Cómo n = 200. se usan todos los ejes. Tutorial enriquecido por Matilde CÉSARI 28 .

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

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

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

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

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

a través del coseno cuadrado de los dos primeros factores. Tutorial enriquecido por Matilde CÉSARI 34 . Si armamos una tabla tomando las coordenadas y la suma de cosenos cuadrados de las observaciones.Estadística Multivariada – Herramientas Informáticas Volvemos a realizar el ACP. proyectamos de manera ilustrativa la variable cualitativa de clase. A continuación visualizamos el cartografiado con los centro de clase proyectados sobre el plano. 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. Esta tabla es utilizada para caracterizar las clases mediante el algoritmo DECLA. pero esta vez.

en Y el factor F2. Al seleccionar OK se genera una nueva hoja en el libro de MS Excel (SCA) con el biplot o plano factorial. 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. 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. Luego buscamos la herramienta en el menú de “Visualización” del Xlstat. Seleccionamos en X el primer factor F1. en Z la suma de los cosenos cuadrados y en Grupo la variable tipológica. 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. 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. Tutorial enriquecido por Matilde CÉSARI 35 .

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

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

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

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

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

siempre en el mismo directorio. Clic en “Create Dictionary and Data” (crear el diccionario y los datos DTM).DIC” Tutorial enriquecido por Matilde CÉSARI 43 . con las frecuencias correspondientes. Clic en “Name for the new dictionary” (nombre para el diccionario nuevo) para escoger un nombre para el diccionario en formato de DTM. 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.Estadística Multivariada – Herramientas Informáticas Clic en “Values and counts” (Valores y recuentos). (se recomienda la extensión ". Por ejemplo “craneo.DIC").

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

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

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

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

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

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

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

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

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

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

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

Clic en “Open a dictionary” (abrir el diccionario). Tutorial enriquecido por Matilde CÉSARI 55 . 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. 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). 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). indicando media de clase y media global. Creamos el fichero de parámetros y lo ejecutamos. Tutorial enriquecido por Matilde CÉSARI 56 . La tabla de resultados describe cada clase. La última variable es la que vamos a describir. Las otras variables numéricas son las que van a caracterizar.Estadística Multivariada – Herramientas Informáticas Clic en “Open a Data File” (abrir el fichero de datos). las exploratorias y van en el cuadro a la derecha abajo. Clic en “All the observations Hill be active” (permite seleccionar los individuos activos). va en el cuadro a la derecha arriba.

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

Página principal de sistema para análisis de datos. http://www. http://www. Data and Text Mining’. P. C.Etxeberría.Statistique Décisionnelle . (1994).enst. SPAD Data Mining and Text Mining.be/assoc/ presta/Cursos/cursos. (2007). Métodos estadísticos multivariados en investigación social. . S. A. 39–54.. http://www... Statistics &. Programa PRESTA. Programa de DataMining de Datos Textuales: STATISTICA: http://www. L.Decisia (2003). Revue de Statistique Appliquée 36(1). Presentación de los Métodos de Clasificación.H. .spss.com/ o www. E. D. 121-140 . & Piron. G.Fisher.Lebart.. (1994). Aconcagua. S. S.Césari R. T. & Doledec. pp. (1995). Bates. Análisis multivariado de datos en R.Husson. R News 5(2). Paris.Lebart.com/la/ SAS Enterprise Miner . Bogotá. .com/es/soluciones/productos/pacstat_datatextaminer. Estadística.com/ . A. Facultad de Ciencias.fr/lebart/ StatSoft. Data Analysis 18. 43–45.Contrôle & Gestion de la Qualité des Données. Journal of the American Statistical Association 89(425). Statisitique exploratoire multidimensionnelle. . M. U. M. Universidad Nacional de Colombia. E. Lê. y Pagès J. Pazzani M.eu/ DTM. Paris.1-83. "Concept formation: knowledge and experience in unsupervised learning"..eu . .Ligges.spad. . ‘L’analyse des correspondances internes d’un tableau partitionné. Madrid. (2005). productos que se pueden utilizar con otros de SPSS. L. . M. ‘Mosaic Displays for Multi-Way Contingency Tables’.statsoft. R package version 1. SPAD. ISBN 3-900051-07-0. *http://www. nlme: Linear and Nonlinear Mixed Effects Models. in ‘Simposio de Estadística. FactoMineR: Factor Analysis and Data Mining with R. D. P. Tesis de Maestría.Ortiz.enst. http://www. *http://factominer. ISwR: Introductory Statistics with R.com/technologies/analytics/datamining/miner/ Tutorial enriquecido por Matilde CÉSARI 61 . Dunod. Inc. . Vienna. http://www. Système Pour l’Analyse des Donèes. (1991). L.. (2007).R-project. (2005). Chessel.. Lambert. DebRoy. 65–90. Campo Elías (2004). ‘R Help Desk: Accessing the Sources’. Análisis de datos y textos. Software desarrollado por Lebart. . ‘DTM. J. Applied Statistics 28(100–108). Morgan Kaufmann . Análisis de la aplicación del método de Ward de clasificación jerárquica en el caso de variables cualitativas.fr/lebart/ . Software. (1999). S.free.Friendly.fr.. (2005-2007). D.decisia. Editorial Ra-Ma . (1988). (2007). logiciels pour l'Analyse des Données . P.org Herramientas para el análisis de datos SPAD Versión 5.Escofier B.Pardo. & Pleuvret. Data and Text Mining.spad. R Foundation for Statistical Computing. (2007).proveedor de TextSmart. Universidad Distrital. U.html . J.Lebart.Crivisky.Césari Matilde (2007). . *http://ses.Pardo Campo Elías (2005). Cartagena.Data Mining . L.software de minería de textos.Cabarcas.. A.R Development Core Team (2007a). D. J.Hartigan. Análisis de correspondencias de tablas de contingencia estructuradas. 27–28. Trabajo Final de Especialidad en Ingeniería de Sistemas Expertos.ulb. U.5. Morineau.Estadística Multivariada – Herramientas Informáticas Referencias .fr/math/ . Simposio de Estadística . Son usage en hydrobiologie’. R News 6(4)..Ligges. http://ses. 190–200. Universidad Nacional de Colombia. Departamento de Estadística.. Césari M. http://www. (2006). . Austria.05. Estrategias de análisis y exploración de datos como soporte a la adquisición de conocimiento para modelización de sistemas expertos bayesianos causales. (1995). A. & Murdoch. D. & Mazet. & the R Core team. J. y Pardo Campo Elías (2001). ITBA . in Memorias Coloquio Distrital de Matemáticas y Estadística.statsoftiberica. & Wong. *http://www.Dalgaard. F.agrocampus-rennes. R package version 1.0-6.Analyse Prédictive . Morineau. ISSPN. (1992). (1979).Pinheiro.ac. y Pardo. y Langley P.. J. Eduardo (1999). Estadística Exploratoria Multidimensional para datos complejos que incluyen datos numéricos y textuales. “Métodos y Técnicas de Investigación Pofesional”.Cazes. Y Rodriguez G. R package version 3.J. R: A Language and Environment for Statistical Computing. Departamento de Matemáticas y Estadística. ‘R Help Desk: Make ‘R CMD’ Work Ander Windows – an Example’. Multiple factor analysis: AFMULT package. Mendoza. . SPSS Text Analysis for Surveys y Clementine. Comp. García. Gil J.sas.html SPSS . Argentina. ‘A K-means Clustering Algorithm’.

Sign up to vote on this title
UsefulNot useful