Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ECUADOR
FACULTAD DE CIENCIAS
ADMINISTRATIVAS
ESCUELA DE ADMINISTRACIN DE
EMPRESAS
ESTADISTICA APLICADA
TRABAJO DE ANLISIS MULTIVARIADO
DR. ROBERTO PEZ
INTEGRNATES:
DARWIN PINTO
JHOANNA RECALDE
VERNICA GUERRERO
AE 6-1
1. QU ES EL ANLISIS MULTIVARIANTE?
1) Mtodos de dependencia
Suponen que las variables analizadas estn divididas en dos grupos: las
variables dependientes y las variables independientes. El objetivo de los
mtodos de dependencia consiste en determinar si el conjunto de variables
independientes afecta al conjunto de variables dependientes y de qu forma.
2) Mtodos de interdependencia
Estos mtodos no distinguen entre variables dependientes e independientes y
su objetivo consiste en identificar qu variables estn relacionadas, cmo lo
estn y por qu.
3) Mtodos estructurales
Suponen que las variables estn divididas en dos grupos: el de las variables
dependientes y el de las independientes. El objetivo de estos mtodos es
analizar, no slo como las variables independientes afectan a las variables
dependientes, sino tambin cmo estn relacionadas las variables de los dos
grupos entre s.
1) Anlisis de Regresin
Es la tcnica adecuada si en el anlisis hay una o varias variables
dependientes mtricas cuyo valor depende de una o varias variables
independientes mtricas.
Por ejemplo, intentar predecir el gasto anual en cine de una persona a
partir de su nivel de ingresos, nivel educativo, sexo y edad.
2) Anlisis de Supervivencia
Es similar al anlisis de regresin pero con la diferencia de que la
variable independiente es el tiempo de supervivencia de un individuo u objeto.
Por ejemplo, intentar predecir el tiempo de permanencia en el
desempleo de un individuo a partir de su nivel de estudios y de su edad.
3) Anlisis de la varianza
Se utilizan en situaciones en las que la muestra total est dividida en
varios grupos basados en una o varias variables independientes no mtricas y
las variables dependientes analizadas son mtricas. Su objetivo es averiguar si
hay diferencias significativas entre dichos grupos en cuanto a las variables
dependientes se refiere.
Por ejemplo, hay diferencias en el nivel de colesterol por sexos?
afecta, tambin, el tipo de ocupacin?.
4) Correlacin Cannica
Su objetivo es relacionar simultneamente varias variables mtricas
dependientes e independientes calculando combinaciones lineales de cada
conjunto de variables que maximicen la correlacin existente entre los dos
conjuntos de variables.
Por ejemplo, analizar cmo estn relacionadas el tiempo dedicado al
trabajo y al ocio de una persona con su nivel de ingresos, su edad y su nivel de
educacin
Si la variable dependiente es cualitativa algunas de las tcnicas que se
pueden aplicar son las siguientes:
1) Anlisis Discriminante
Esta tcnica proporciona reglas de clasificacin ptimas de nuevas
observaciones de las que se desconoce su grupo de procedencia basndose
en la informacin proporcionada los valores que en ella toman las variables
independientes.
Por ejemplo, determinar los ratios financieros que mejor permiten
discriminar entre empresas rentables y poco rentables.
3) Anlisis Conjoint
Es una tcnica que analiza el efecto de variables independientes no
mtricas sobre variables mtricas o no mtricas. La diferencia con el Anlisis
de la Varianza radica en dos hechos: las variables dependientes pueden ser no
mtricas y los valores de las variables independientes no mtricas son fijadas
por el analista. En otras disciplinas se conoce con el nombre de Diseo de
Experimentos.
Por ejemplo, una empresa quiere disear un nuevo producto y para ello
necesita especificar la forma del envase, su precio , el contenido por envase y
su composicin qumica. Presenta diversas composiciones de estos cuatro
factores. 100 clientes proporcionan un ranking de las combinaciones que se le
presentan. Se quiere determinar los valores ptimos de estos 4 factores.
2) Escalas Multidimensionales
Su objetivo es transformar juicios de semejanza o preferencia en
distancias representadas en un espacio multidimensional. Como consecuencia
se construye un mapa en el que se dibujan las posiciones de los objetos
comparados de forma que aqullos percibidos como similares estn cercanos
unos de otros y alejados de objetos percibidos como distintos.
Por ejemplo, analizar, en el mercado de refrescos, las percepciones que un
grupo de consumidores tiene acerca de una lista de refrescos y marcas con el
fin de estudiar qu factores subjetivos utiliza un consumidor a la hora de
clasificar dichos productos.
3) Anlisis Cluster
Su objetivo es clasificar una muestra de entidades (individuos o
variables) en un nmero pequeo de grupos de forma que las observaciones
pertenecientes a un grupo sean muy similares entre s y muy disimilares del
resto. A diferencia del Anlisis Discriminante se desconoce el nmero y la
composicin de dichos grupos.
Por ejemplo, clasificar grupos de alimentos (pescados, carnes, vegetales
y leche) en funcin de sus valores nutritivos.
Si los datos son no mtricos se pueden utilizar, adems de las Escalas
Multidimensionales y el Anlisis Cluster, las siguientes tcnicas:
1) Anlisis de Correspondencias
Se aplica a tablas de contingencia multidimensionales y persigue un
objetivo similar al de las escalas multidimensionales pero representando
simultneamente las filas y columnas de las tablas de contingencia.
Por ejemplo, analizar el paro en Aragn teniendo en cuenta la provincia,
sexo, edad y nivel de estudios del parado
2) Modelos log-lineales
Se aplican a tablas de contingencia multidimensionales y modelizan
relaciones de dependencia multidimensional de las variables observadas que
buscan explicar las frecuencias observadas.
EJERCICIOS:
1. Conocer la calidad de los pollos de criadero basada en el peso,
longitud de alas, rea del ala y longitud de la cola mediante el anlisis
multivariado.
300
peso
1.0
peso
250
.8
150
PESO
100
L. PICO
L. ALA
50
AREA ALA
L. COLA
0
.5
l. pico
Raw
Component
1
6.800
4.249
-.332
-6.664
.326
2
11.880
1.438
-.096
.611
-8.931
Rescaled
Component
1
.497
.916
-.406
-.994
.036
.868
.310
-.118
.091
-.999
Extraction
Method: Principal
Component
Analysis.
1
2
3
4
Rotation Method: Varimax with Kaiser Normalization.
Number
a. Rotation converged Component
in 3 iterations.
Component 2
Eigenvalue
200
.3
area ala
l. cola
0.0l. ala
l. ala
area ala
-.3
-.5
-.8
l. cola
-1.0
5
-1.0
-.8
-.5
-.3
0.0
Component 1
.3
.5
.8
1.0
Casewise Statistics
Highest Group
Original
Case Number
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Actual Group
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
Predicted
Group
1
1
1
1
1
2
2
2
2
2
2**
3
3
3
3
P(D>d | G=g)
p
df
.300
.687
.939
.454
.324
.394
.962
.715
1.000
.943
.480
.555
.131
.183
.409
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
Discriminant Scores
P(G=g | D=d)
.996
.997
1.000
1.000
1.000
.836
.931
.977
.939
.928
.753
.987
.874
.680
.946
Squared
Mahalanobis
Distance to
Centroid
2.405
.752
.126
1.578
2.255
1.862
.077
.670
.001
.118
1.468
1.178
4.072
3.397
1.786
Function 1
-2.742
-2.525
-2.876
-3.119
-2.768
.543
2.138
2.705
1.916
2.187
.698
-.015
-.970
2.751
2.077
3
1
LOCALIDAD
Group Centroids
Function 2
2
-1
3
2
-2
1
-4
-3
Function 1
-2
-1
Function 2
1.304
.576
.103
-1.462
-1.746
-1.084
-.780
-1.055
-.944
-.735
-.753
1.736
1.903
1.124
1.813
Classification Resultsa
Original
Count
LOCALIDAD
1.00
2.00
3.00
1.00
2.00
3.00
Total
5
5
5
100.0
100.0
100.0
METODOLOGA