P. 1
Estadistica-----Exploratoria

Estadistica-----Exploratoria

|Views: 23|Likes:
Publicado porMario Viveros

More info:

Published by: Mario Viveros on May 09, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/02/2014

pdf

text

original

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

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

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

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

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

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

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

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

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

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

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

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

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. Asegurarse que esté activada la opción “Etiquetas incluidas”. con el cruce de dos variables.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 .

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

Se requiere entonces de un índice que ponga en evidencia este hecho. 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 un ACS las modalidades aparecen repartidas a ambos lados de los ejes. 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. en la pestaña de Opciones debemos activar el Análisis avanzado “Datos suplementarios” e ingresar el número de filas columnas a considerar de la tabla seleccionada como suplementario. que se denomina coseno cuadrado o contribución relativa. Para introducir filas o columnas suplementarias o ilustrativas con el Xlstat. Se hace mediante las relaciones cuasi-bibaricéntricas y por lo tanto se interpreta de la misma forma. 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. Tutorial enriquecido por Matilde CÉSARI 17 . lo que conlleva a la lectura de las contraposiciones más importantes entre modalidades. pero debe hacerse por cada modalidad ilustrativa con respecto a las modalidades activas. No es apropiado interpretar modalidades ilustrativas entre sí pues no han participado en la construcción de los ejes.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 variables" se deja activada ya que la primera fila de las columnas incluye el nombre de las variables. deseamos identificar las posibles relaciones entre las diferentes respuestas en las diferentes preguntas.¿Considera Ud. Una vez iniciado XLSTAT.¿Está Ud. 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". una semana después que estos últimos recuperaron su vehículo tras una reparación mecánica. En la primera pestaña seleccionamos los datos. El cuestionario incluye cinco preguntas: .¿Volverá Ud. 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. Tutorial enriquecido por Matilde CÉSARI 18 .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. Aparece el cuadro de diálogo que corresponde al análisis de Correspondencia Múltiples. a este taller para una reparación? (Si / No / No sabe) Efectuando un Análisis de Correspondencias Múltiples (ACM).¿Le parece correcta la relación de calidad precio? (Si / No) .¿Cómo juzga Ud. Los datos de ejemplo corresponden a una encuesta efectuada ante 28 clientes por un concesionario. generalmente modalidades de respuesta a las preguntas. la calidad de la atención? (de 1 a 5) . que la reparación fue efectuada correctamente? (Si / No / No sabe) . 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. globalmente satisfecho de su visita al taller? (Si/ No) . El análisis de correspondencias múltiples compara individuos a través de las modalidades de las variables. Encuentra asociaciones entre variables a través de las modalidades de ellas. sino a una tabla disyuntiva completa. La opción "Etiquetas de las observaciones" es activada y seleccionamos la columna de las etiquetas de las observaciones.

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

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

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

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

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 .

Cada modalidad se sitúa en el cuasibibaricentro de los individuos que la asumen. de la calidad de atención. • 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. 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?. Tutorial enriquecido por Matilde CÉSARI 25 . Cada uno es el cuasibibaricentro de las modalidades que asume y las características se derivan de las modalidades que se proyectan cerca.Estadística Multivariada – Herramientas Informáticas Confirmamos una evidencia: un cliente volverá si está globalmente satisfecho de la prestación. 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. del precio y si tiene la impresión que la reparación se efectuó efectivamente. También se observa que cuando la reparación no se efectuó satisfactoriamente coincide con una atención no satisfactoria. Se agrega la contribución de una variable como suma de las contribuciones de sus 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.

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

Los datos no tiene columna de identificación de observaciones. ya que son numerosos y no tenemos etiquetas y el programa asigna una por defecto. En gráfico indicamos que no figuren las etiquetas de las observaciones en los gráficos. Directamente seleccionamos toda la tabla incluyendo primer fila con identificador de variables. abrimos el Xlstat y elegimos la opción en el menú “XLSTAT/Análisis de datos/ Análisis de Componentes Principales”. Tutorial enriquecido por Matilde CÉSARI 27 . o haga clic en el botón correspondiente de la barra "Análisis de datos".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. es decir mayor de 30. En este caso no tenemos y tampoco nos interesa identificar los individuos pero si mantenemos la primer fila. Algunas veces. La muestra de datos medida es bastante dispersa y podemos encontrar varios patrones o clases de caretas. en este caso. sobre todo en tablas pequeñas. podemos o no tomar la primer fila con identificador de factores o Axes. después de editarlo con MS Excel y con las herramientas de Visualización del xlstat. En la hoja de resultados del ACP. los tres primeros. ingresamos en el menú Xlstat en “XLSTAT/Análisis de datos/Clasificación Ascendente Jerárquica (CAJ)”. 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. se usan todos los ejes. Se suele utilizar el subconjunto de los primeros k ejes factoriales tales que proyecten en conjunto un mínimo del 80% de la inercial original. comenzamos la clasificación aplicando sobre los factores el método de Clasificación Jerarquica. 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. Tutorial enriquecido por Matilde CÉSARI 28 . Recordemos que la “tabla observaciones/variables” en este caso no es la tabla original sino la “tabla de observaciones/factores”. y podems o no seleccionar la columna con etiquetas de observaciones.Estadística Multivariada – Herramientas Informáticas A continuación podemos visualizar el plano de los individuos y el plano de las variables. Cómo n = 200. El diagrama de valores propios orienta la decisión del número de ejes que se utilizan en la clasificación. buscamos las coordenada de las observaciones y seleccionamos los factores a considerar.

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

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

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

básicamente. 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 . En Opciones indicamos que la partición inicial se realiza a partir de Centros de Clase definidos por el usuario. Existen varias formas de implementarlo pero todas ellas siguen. en “número de clases” indicar 4. los puntos semillas apenas cambian o los grupos obtenidos en dos iteraciones consecutivas son los mismos. pero requiere el número de clases por obtener y de puntos iniciales para cada una de ellas. por ejemplo. 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). Supone que el número de grupos es conocido a priori. 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.Estadística Multivariada – Herramientas Informáticas Método de las k-medias Este tipo de método es conveniente utilizarlo cuando los datos a clasificar son muchos y/o para refinar una clasificación obtenida utilizando un método jerárquico. Una forma de construirla es mediante una clasificación obtenida por un algoritmo jerárquico. 8 9 La propuesta de Lebart et al. El método suele ser muy sensible a la solución inicial dada por lo que es conveniente utilizar una que sea buena. es decir se lo damos nosotros. En el menú buscamos el método en “Análisis de Datos” y seleccionamos los factores del ACP igual como se hizo en la Clasificación Jerárquica.

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

proyectamos de manera ilustrativa la variable cualitativa de clase. Tutorial enriquecido por Matilde CÉSARI 34 . Esta tabla es utilizada para caracterizar las clases mediante el algoritmo DECLA. 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. 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. A continuación visualizamos el cartografiado con los centro de clase proyectados sobre el plano. a través del coseno cuadrado de los dos primeros factores. 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. Seleccionamos en X el primer factor F1. en Z la suma de los cosenos cuadrados y en Grupo la variable tipológica. 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. 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. Tutorial enriquecido por Matilde CÉSARI 35 . 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.

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

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

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

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

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

Estadística Multivariada – Herramientas Informáticas Clic en “Values and counts” (Valores y recuentos). Clic en “Create Dictionary and Data” (crear el diccionario y los datos DTM). siempre en el mismo directorio. 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 . (se recomienda la extensión ". con las frecuencias correspondientes. Se muestra la lista de todas las modalidades encontraron en el fichero de datos.DIC"). Por ejemplo “craneo. Análisis de todas las variables nominales (el símbolo: "Achichárrese" en el diccionario) se forma de los dos archivos básicos.

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

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

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). Lea los resultados haciendo clic en “Main basic numerical results” (principales resultados numéricos básicos) del menú.txt" en el mismo directorio de trabajo. 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).

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

Tutorial enriquecido por Matilde CÉSARI 48 . 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).

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

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

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

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

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

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

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

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

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

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 .

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

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->