Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis Discriminante PDF
Analisis Discriminante PDF
Y
CORRELACIONES
CANNICAS
Prof. ESPERANZA AYUGA TLLEZ
ANLISIS DISCRIMINANTE
Propuesto por primera
vez por Fisher, fsico que
trabaj en una estacin
experimental agrcola y
clebre por sus estudios
genticos.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Tiene
Tiene por
por objeto
objeto clasificar
clasificar un
un nuevo
nuevo elemento
elemento
observado,
observado, usando
usando valores
valores de
de las
las variables
variables
conocidas,
conocidas, en
en alguna
alguna de
de las
las poblaciones
poblaciones que
que
originan
originan stas.
stas. Conocido
Conocido como
como reconocimiento
reconocimiento de
de
patrones
patrones oo clasificacin
clasificacin supervisada.
supervisada.
p.e. Clasificar los restos de un crneo descubierto en una
excavacin como humano, partiendo de medidas fsicas de
crneos humanos y de antropoides.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
x 0 P2 2f 2 ( x 0 ) > 1f1 ( x 0 )
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
P(1/X)
(a
priori)
es
ms
alta
(a
igualdad
del
resto)
a)
D1
(a
priori)
es
ms
alta
(a
igualdad
del
resto)
a)
2
2 2 D2 (clasificar en P2)
Si x0A
P(2/X)
C(1/2)
b)
f
(verosimilitud)
es
ms
alta
(a
igualdad
del
Las
consecuencias
de
los
errores
b) f22 (verosimilitud) es msxalta
(a igualdad del
0
C(i/j)
se miden con el coste de
C(2/1)
P(1/X)
resto)
resto)
clasificar en P un elemento de P
i
D2
c)
El
equivocarnos
es
(a
El
buscade
maximizar
la
c)decisor
El coste
coste
de
equivocarnos
es ms
ms bajo
bajo
(a 0
P(2/X)
utilidad
de la decisin.
igualdad
del
igualdad
del resto)
resto)
2f 2 ( x 0 ) 1f1 ( x 0 )
Asignamos el elemento a P2 si
>
C( 2 / 1)
C(1 / 2)
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Probabilidad de error:
P(2/1) = P(1/2) = (-D/2)
con funcin de distribucin de la Normal estandar y
D2 = (2 -1)V-1(2 -1)= distancia de Mahalanobis.
Probabilidad de acertar:
1
P(1 / x ) =
1
1 2
2
1 + exp (D 2 D1 )
2
2
que nos indica la confianza en la clasificacin.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Poblaciones desconocidas:
Si slo disponemos de la muestra:
1 ( x x )
min
(
x
x
)
S
clasificamos x0 en la poblacin Pg si g 0 g w 0 g
El error de clasificacin es
= total mal clasificados/total bien clasificados
Tambin podemos construir n funciones discriminantes
con n-1 observaciones y clasificamos el dato con la
regla construida sin l (validacin cruzada)
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
V. CANNICAS
DISCRIMINANTES
Se construyen las variables cannicas que
tengan
mximo
poder
discriminante
(proyecciones en las direcciones de mxima
distancia) mediante los autovalores y que son
incorreladas.
Cuando p y G son grandes es frecuente que la
mayor discriminacin se consiga con pocas
variables cannicas.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
OTRAS FORMAS DE
DISCRIMINACIN
Cuadrtica: Si las V son distintas se clasifica la
observacin en el grupo con ms probabilidad
a posteriori f. Discrim. Cuadrtica (con
regiones no disjuntas y n de parmetros a
estimar mayor).
Bayesiana: Para v.a. con cualquier distribucin.
Con la probabilidad a posteriori f. Discrim.
Cuadrtica.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ANLISIS DISCRIMINANTE
Fases de su aplicacin
A. MULTIVARIANTE
Anlisis discriminante
simultneo
Anlisis discriminante
no simultneo
ANLISIS DISCRIMINANTE
Fases
de su aplicacin
ESTADSTICOS:
A. MULTIVARIANTE
R
E
P
Clculo de los ndices de potencialidad
L
INTERPRETACIN DEL MODELO
A
N
Rotacin de las funciones discriminantes
T
GRFICOS:
E grupales
Centroides
A
ESTADSTICOS
GRFICOS
Correlaciones discriminantes
R
2
3
4
Mapas territoriales
VALIDACIN
Diagramas de dispersin para todas las funciones
NEGATIVA
Introduccin de modificaciones
DEL MODELO
POSITIVA
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
DECISIONES INICIALES
1. Eleccin de variables predictoras:
Se basa en tcnicas previas de clasificacin grupal.
2. Seleccin de casos a analizar:
La eliminacin de dichos casos se basar en el estudio
detallado de stos. Si son demasiadas, si son relevantes, etc.
Si se emplea la validacin cruzada para contrastar las
funciones discriminantes hay determinar qu parte de la
muestra se elimina de la estimacin y se emplea en la
validacin.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
DECISIONES INICIALES
3. Modalidad de anlisis:
Dependiendo de si slo se quiere discriminar o tambin se
quiere emplear un nmero reducido de variables predictoras:
Anlisis discriminante simultneo: se emplean todas.
Anlisis discriminante secuencial: serie reducida en
consonancia con su poder discriminatorio. La incorporacin es
secuencial, se introduce una nueva variable en consonancia con
su poder discriminante y se analiza la colinealidad.
4. Descriptiva univariante:
Se analizan las diferencias entre grupos de los estadsticos de
cada variable.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
p =n de variables usadas
g =n de grupos
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Estandarizacin de coeficientes:
Las puntuaciones se obtienen con los coef. sin estandarizar.
Los coef. estandarizados se emplean como referentes de la contribucin
de la variable a la funcin discriminante
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Fmin >Fmax
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
CAPACIDAD PREDICTIVA
Procedimiento para VALORAR la capacidad predictiva:
Tabla de clasificacin: Se incluyen los casos bien y mal
clasificados y en qu grupo.
Se determinar una probabilidad a priori de asignacin a cada uno de
los grupos:
Para todos igual
Proporcional al nmero de casos en cada grupo.
Otra asignacin
El caso se clasifica en el grupo con mayor probabilidad a posteriori
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
INTERPRETACIN
1. DESCRIPCIN de las funciones : destacando el poder
discriminatorio de las variables que la forman.
Los coeficientes estandarizados
Las correlaciones
Los valores de F parciales
2. EXAMEN de los centroides : su finalidad es obtener una
visin global de las diferencias grupales respecto a las
funciones obtenidas.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ULTIMAS APLICACIONES
Patrones de comportamiento (2005):
Estudio sobre
diferencias entre los
patrones de asimilacin
de CO2, eficiencia
fotosinttica y
crecimiento del Schinus
frente a cinco especies
nativas de Florida en
diferentes condiciones
de salinidad: neutra,
baja y alta.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ULTIMAS APLICACIONES
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ULTIMAS APLICACIONES
Patrones de comportamiento (2005):
Estudio sobre modelos de gestin de
organizaciones culturales mediante medidas
de los valores del individuo sobre tres ejes:
economa-prctica; creatividad-emocional y
creatividad
tica-social.
tica
economa
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ULTIMAS APLICACIONES
Tipologa estructural (2005):
Asignacin de parcelas
forestales a diferentes
tipologas estructurales de
los hayedos burgaleses,
atendiendo a variables
dasomtricas y medidas de
la biodiversidad de las
parcelas, con un 95% de
eficiencia en la clasificacin.
ANLISIS DISCRIMINANTE
Ejemplo 1:
Una mquina que admite monedas
realiza 3 mediciones de cada moneda
para determinar su valor: peso(X1),
espesor(X2) y densidad de estras en su
canto(X3). Los instrumentos de
medicin de estas variables no son muy
precisos y se ha comprobado en una
amplia experimentacin con 3 tipos de
monedas M1, M2 y M3, que las
medidas son N(, V)
ANLISIS MULTIVARIANTE
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 1:
20
8
8
1
19,5
7,8
10
2
4 0,8 5
V = 0,8 0,25 0,9
5 0,9 9
V-1 =
20,5
8,3
5
3
Clasificar la
moneda de medidas
(22; 8,5;7)
Aparentemente est
ms prxima a M3
Pero podra ser M1
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 1:
Funciones discriminantes:
Z1 = (1 3 ) V 1X = 1,77x1 3,31x 2 + 0,98x3
Z2 = ( ) V 1X = 0,93x + 1,74x 0,56x
1
Z3 = (2 3 ) V 1X = Z1 Z2
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 1:
D12 = (x 1 )V 1 (x 1 ) = 1,84
D 22 = (x 2 )V 1 (x 2 ) = 2,01
D32 = (x 3 )V 1 (x 3 ) = 6,69
La moneda que
queremos clasificar
tiene mucho peso y
espesor (M3)
entonces la
densidad de las
estras deba ser
bajo
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 1:
0,8 0,83
1
R = 0,8
1
0,6
0,83 0,6
1
ANLISIS DISCRIMINANTE
Ejemplo 2:
Se tienen 360 observaciones de
distintas zonas de la costa, que se
han clasificado, atendiendo al
grado de salinidad y
contaminantes, en aguas no
degradadas (1), algo degradadas
(2) y muy degradadas (3).
Vamos determinar si la presencia
de determinados organismos nos
permite asignar el ecosistema
marino a alguno de estos grados.
ANLISIS MULTIVARIANTE
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
Las variables que se consideran en la obtencin de las
funciones discriminantes son:
bivalvos
poliquetos
N de sp distintas
ispodos
anfpodos
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
Las variables
ispodos/bivalvos y
poliquetos/bivalvos
estn correlacionadas
linealmente.
% poliquetos
% anfipodos
% bivalvos
% ispodos
n de especies
Resumen estadstico
% poliq
% anfip
% bivs
% isp
n de sp
--------------------------------------------------------------------------------------------------N
360
360
360
360
360
5,95833
2,9525
4,37028
1,24028
52,5889
1,00765
1,20146
1,1505
0,53954
25,8341
16,9116%
40,6929%
26,3256%
43,5015%
CV
49,1247%
----------------------------------------------------------------------------------------------------
El % de ispodos y
n de especies
distintas son los ms
diferentes en cuanto
a medias y
desviaciones tpicas.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
Number of complete cases: 360
Number of groups: 3
Valor
%
Correlacin
Funcin
propio Relativo Canonica
-----------------------------------------------------------------1
9,36485
83,00
0,95054
2
1,91833
17,00
0,81076
Funciones
Wilks
Chi
g.d.l. P-Valor
Derivadas
Lambda
-----------------------------------------------------------------------1
0,0330599 1213,7581 6 0,0000
2
0,342661
381,2804 2 0,0000
-------------------------------------------------------------------------
Las dos
funciones son
discriminantes
(f1> f2)
Las dos funciones
obtienen grupos
con medias
diferentes
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
Stepwise regression: Method: forward selection
F-to-enter: 4,0 / F-to-remove: 4,0
Step 0:
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
degradaci
1
2
3
140
n de especies
n de especies
Ejemplo 2:
110
80
50
20
degradacin
1
2
3
140
110
80
50
20
-10
-10
0
0,5
1,5
2,5
Si disminuimos la F de
entrada a 2,5 incluimos la
6,6variable % de poliquetos con
5,6=0,0323432 que discrimina
4,6un poco menos
7,6
% ispodos
% poliquetos
degradacin
1
2
3
8,6
% bivalvos
% ispodos
9,6
2,5
degradacin
1
2
3
2
1,5
1
0,5
0
3,6
0
0,5
1,5
% ispodos
2,5
% bivalvos
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
Grupo tamao
Degradacin asignada
actual grupo
1
2
3
-----------------------------------------------------------------------1
120
119
0
1
( 99,17%)
( 0,00%)
( 0,83%)
2
120
0
117
3
( 0,00%)
( 97,50%)
( 2,50%)
3
120
0
2
118
( 0,00%)
( 1,67%)
( 98,33%)
-----------------------------------------------------------------------% de casos correctamente clasificados: 98,33%
G Prob. a priori
-----------------------1
0,3333
2
0,3333
3
0,3333
-------------------------
La probabilidad a
priori es igual para
todos los grupos y
proporcional al
tamao del grupo
La clasificacin
ms acertada es la
de los ecosistemas
no degradados
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
Z1= 16,081%biv+36,2747%isop+0,553299nsp-102,461
Z2= 9,24273%biv+11,8938%isop+0,50885nsp-28,5171
Z3= 12,244%biv+23,6155%isop+0,173621nsp-43,9113
Clasificamos en el grupo 2 si
Z2>Z1 y Z2>Z3
Unstandardized Coefficients
--------------------------------------------------------1
2
% bivalvos
0,887861
-0,436919
% ispodos
3,1549
-1,8745
n de especies 0,0381303
0,0745006
CONSTANT
-9,79838
0,316459
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
Function 2
Si f2<0 y f1<1 G3
Si6 f2>0 y f1<1 G2
degradacin
1
2
3
Centroids
4
2
0
coordenadas de
centoides por grupo
-2
-4
-5
-2
Function 1
4,18751
0,461195
-2,97623
1,41074
-1,21128
-1,87194
10
Si f1>1 G1
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
n de especies
degradacin
1
2
3
TOTAL
COUNTS
120
120
120
360
------------------------------------------------------------------------------MEANS
% bivalvos 5,5975
3,18167
4,33167
4,37028
% ispodos 1,86917
0,6625
1,18917
1,24028
n de sp
81,8
50,0167
25,95
52,5889
------------------------------------------------------------------------------STD. DEVIATIONS
% bivalvos
2,3659
1,78372
2,08127 2,09052
% ispodos
1,36717 0,813941 1,09049 1,11368
n de sp
9,04434 7,07225
5,09411 7,25182
-------------------------------------------------------------------------------
140
110
80
50
20
-10
0
grupo
1
2
3
% bivalvos
1,52 2,5
1
0,5
0
% ispodos
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
Ejemplo 2:
La degradacin de las
costas se puede determinar
por la biodiversidad de los
ecosistemas marinos.
El A. discriminante es una
tcnica estadstica muy
eficaz (menos del 20% de
error) para predecir la
degradacin de las costas por
medio de los organismos
encontrados en ellas.
DEPENDENCIA ENTRE
CONJUNTOS DE
VARIABLES
Hotelling propone en 1936 las
CORRELACIONES CANNICAS
como una extensin de las
componentes principales
ANLISIS MULTIVARIANTE
Tiene
Tiene por
por objeto
objeto relacionar
relacionar las
las variables
variables en
en dos
dos
grupos.
grupos.
ANLISIS MULTIVARIANTE
ANLISIS MULTIVARIANTE
VARIABLES CANNICAS
El problema es encontrar 2 v. resumen, una de cada
conjunto, que tengan correlacin mxima:
p
i =1
j=1
x * = X = i x i y y* = Y = jy j
ANLISIS MULTIVARIANTE
VARIABLES CANNICAS
El objetivo es relacionar de forma global un grupo de
variables x1, x2,...,xm con otro grupo de variables, y1,
y2,...,yn todas ellas medidas en la misma poblacin a
travs de nuevas variables no medibles, U=(u1,...um)
y V=(v1,...,vn):
U1=u11 x1+...+u1m xm
V1=v11 y1+...+v1n yn
Con la propiedad de que la correlacin entre U y V es
mxima.
ANLISIS MULTIVARIANTE
VARIABLES CANNICAS
Metodologa
ANLISIS MULTIVARIANTE
VARIABLES CANNICAS
Det(C12 C22-1 C21-i2 C11)=0
Matriz de
Covarianzas
de y con x
Matriz de Covarianzas
de y1,...,ym
Correlaciones cannicas-autovalores
ANLISIS MULTIVARIANTE
CONSTRUCCIN DE V. C.
Una vez obtenidas las dos variables, es posible que
esta primera relacin entre las 2 v. indicadores
explique completamente los dos conjuntos y no
exista ms relacin entre ambas.
Si no es as, se puede buscar una 2 v. Indicadora del
primer conjunto incorrelada con la 1 y que tenga
correlacin mxima con otra v. Indicadora del
segundo conjunto.
ANLISIS MULTIVARIANTE
CORRELACIN CANNICA
Las correlaciones cannicas representan relaciones
de dependencia entre los subespacios generados por
los dos conjuntos de variables.
Los vectores x* e y*
estn lo ms cerca
posible (es decir, x*
es colineal con la
proyeccin de y*
sobre P1 y viceversa.
ANLISIS MULTIVARIANTE
PROPIEDADES DE LAS V. C.
=Son indicadores de los dos conjuntos de variables
que tienen mxima correlacin.
ANLISIS MULTIVARIANTE
PROPIEDADES DE LAS V. C.
=Las correlaciones cannicas i2 son invariantes
ante transformaciones lineales de las variables.
ANLISIS MULTIVARIANTE
PROPIEDADES DE LAS V. C.
=La correlacin cannica i2 es el coeficiente de
ANLISIS MULTIVARIANTE
CONTRASTES
} Contrastamos que los dos conjuntos de variables
estn incorrelados que equivale a decir que todas las
correlaciones cannicas son nulas .
Bajo las hiptesis de que X e Y siguen distribuciones
normales de media 0:
r
H0: V12=0
H1: V120
= mlog(1 2j ) 2pq ,
j=1
1
m= ny r = min (p,q)
2(p + q + 3)
ANLISIS MULTIVARIANTE
CONTRASTES
} Podemos contrastar por otra parte que los s 1os
coeficientes de la correlacin cannica son 0 y los
restantes nulos.
H0: i>0 i=1,...,s; y s+1=...= r =0
H1: i>0 i=1,...,s; y al menos un j>0 con j=s+1,...,r
r
= m log(1 )
j= s +1
2
j
2
(p -s)(q -s)
1
, con m = n 2(p + q + 3)
CORRELACIONES CANNICAS
ANLISIS MULTIVARIANTE
Ejemplo:
Se han medido en 50 poblaciones espaolas variables climticas
que se agrupan en variables relacionadas con la pluviometra
(conjunto 1) y las relacionadas con las temperaturas (conjunto 2):
Conjunto 1: Precipitaciones anuales y nmero de das de niebla.
Conjunto 2: Temperatura media anual y nmero de das
despejados al ao.
Se comprob que las variables de cada conjunto estaban
incorreladas y se transformaron para obtener normalidad.
CORRELACIONES CANNICAS
ANLISIS MULTIVARIANTE
Ejemplo:
lnR
raiz DH
T
DD
CORRELACIONES CANNICAS
ANLISIS MULTIVARIANTE
Ejemplo:
Correlaciones Cannicas
--------------------------------------------------------------------------------------------N
Valor
Correlacin
Lambda
Chi
g.d.l.
propio
Cannica
Wilks
P-Valor
--------------------------------------------------------------------------------------------1
0,863625
0,929315
0,119216
98,8971
0,0000
0,12582
0,354711
0,87418
6,25279
0,0124
--------------------------------------------------------------------------------------------Correlacin alta
Correlaciones significativas
CORRELACIONES CANNICAS
ANLISIS MULTIVARIANTE
Ejemplo:
Coeficientes de las variables del primer grupo para las dos vvcc
-------------------------------------------------------------------------------------lnR
-0,365702
0,93433
raiz DH
-0,961068
-0,288198
1,06964
0,333641
DD
-0,184722
-1,10514
CORRELACIONES CANNICAS
ANLISIS MULTIVARIANTE
Ejemplo:
Variable cannica 2
3,2
2,5
2,2
1,5
Grupo 2
Grupo 2
Variable cannica 1
1,2
0,2
0,5
-0,5
-0,8
-1,5
-1,8
-2,5
-1,6
-0,6
0,4
Grupo 1
1,4
2,4
-1,5
-0,5
0,5
1,5
Grupo 1
2,5
3,5
CORRELACIONES CANNICAS
ANLISIS MULTIVARIANTE
Ejemplo:
Las nuevas variables que representan temperatura y pluviometra
estn muy correlacionadas linealmente segn la VC1:
-0,365702*lnR - 0,961068*raiz DH=1,06964*T - 0,184722*DD
u1
v1
v2
ANLISIS MULTIVARIANTE
ANLISIS MULTIVARIANTE
ANLISIS CANNICO
ASIMTRICO
El objetivo del estudio es prever cada uno de los
componentes de Y mediante las variables X.
La correlacin cannica no resuelve el problema ya
que puede existir alta correlacin entre x* e y* y baja
entre cada y con las x*.
Construyendo q ecuaciones distintas de regresin.
Buscando una nica X que tenga buenas
propiedades para predecir las YA. C. Asimtrico.
ANLISIS MULTIVARIANTE
ANLISIS CANNICO
ASIMTRICO
Si las variables originales estn estandarizadas
el coeficiente de redundancia se define como:
1
CR ( y / x ) = R yx R xy
q
ANLISIS MULTIVARIANTE
A. C. ASIMTRICO
Para encontrar la combinacin lineal x con
mxima correlacin con cada variable yi
individualmente de manera que la suma de
correlaciones al cuadrado entre x y las y hay que
maximizar RxyRyx con la restriccin: Rxx=1
Por tanto, es el vector propio de la matriz:
1
xx
H = R R xy R yx
ANLISIS MULTIVARIANTE
A. C. ASIMTRICO
Como en A. C. Simtrico podemos buscar una 2
variable cannica asimtrica, ortogonal a la primera y
con mxima correlacin con la v. endgena.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ULTIMAS APLICACIONES
Ictiologa (2004):
Estudio sobre asociaciones entre
variables de tipo morfolgico de las
sp. de rayas de Baha Almejas y la
composicin de sus dietas.
Ecosistemas (2004):
Estudio de relaciones entre el
nmero de Zebrasoma flavescens
y las caractersticas de los
arrecifes de coral de Hawai.
ANLISIS DISCRIMINANTE
ANLISIS MULTIVARIANTE
ULTIMAS APLICACIONES
Edafologa (2005):
Estudio sobre asociaciones entre
caractersticas fsicas del suelo de
Gana y el uso de ste: agrcola,
cultivo forestal, vegetacin natural...
Teledeteccin (2005):
Estudio de relaciones entre v.
espectrales y nodos y entre v.
temporales y la longitudes de
onda fijas.