Multivariante PDF

Introduccin a las tcnicas de
Anlisis Multivariante
Fco. Javier Burguillo

Universidad de Salamanca
VI curso de Anlisis de Datos (30 Marzo de 2009)
Anlisis multivariante
Objetivo: estudio de varias variables simultneamente:
X1
X2
X3
X4
X5
Objeto 1 12
34
126
0.1
0.7
Objeto 2 24
36
32
0.5
0.3
Objeto 3 100
240
0.4
0.2
...
...
...
......
....
...
Mtodos con variable dependiente

Hay una variable que depende de otras que se miden como
independientes o predictoras.Tienen un inters predictivo.
Mtodos con slo variables independientes
No se distingue entre variables dependientes e independientes.
Tienen un inters descriptivo en el sentido de clasificar objetos
en funcin de las variables.
Mtodos con variable dependiente

y
X1
X2
X2
X4
Objeto 1
12
34
126
0.1
0.7
Objeto 2
24
36
32
0.5
0.3
Objeto 3
100
240
0.4
0.2
......
....
...
...
...
...
Regresin lineal mltiple

Regresin lineal generalizada
Regresin logstica binaria
Regresin logit

a) No se conocen los grupos de los objetos
X1
X2
X3
X4
X5
Objeto 1
12
34
126
0.1
0.7
Objeto 2
24
36
32
0.5
0.3
Objeto 3
100
240
0.4
0.2
......
....
...
...
...
...
Anlisis de clusters
Jerrquicos
K-medias
Anlisis de componentes principales
Mtodos biplot
b) S que se conocen los grupos de los objetos

Grupo
X2
X3
X4
X5
Objeto 1
34
126 0.1
0.7
Objeto 2
36
32 0.5
0.3
Objeto 3
240 0.4
0.2
Objeto 4
23
45
0.3
37
MANOVA
Anlisis en variables cannicas
Anlisis discriminante
Regresin lineal mltiple por mnimos cuadrados

La regresin lineal simple
Slo una variable independiente :
por ejemplo lnea recta y = C + Bx
SSQ = (y i ( a + bx i )) 2
(SSQ)
= .......... ..... = 0 a = .........
a
(SSQ)
= .......... ..... = 0 b = ..........
b
Ahora: la regresin lineal mltiple

Ms de una variable independiente :
y = C + B1x1 + B2 x 2 + B3 x 3
Tratamiento matemtico anlogo a
regresin lineal simple.
Se puede explicitar cada parmetro,
solucin nica, mtodo exacto
Se puede explicitar cada parmetro,

solucin nica, mtodo exacto
Ejemplo de regresin lineal mltiple
La aplicacin importante es estimar Masa tumoral para un caso nuevo

Regresin logstica binaria

y(i)
1=vivo
0=muerto
variables: X1 , X2 , X3 ,......
p(1) = probabilidad de que y = 1
p(1)
log
= L = a 0 + a1 X 1 + a 2 X 2 + a1 X 3.....
1 p(1)
La aplicacin importante es estimar p(1) para un caso nuevo:
1
p(1) =
1 + eL
(ej: p(1) = 0.73 de sobrevivir)
Anlisis de clusters
X1
X2
X3
Objeto 1 12
34
126
...
0.7
Objeto 2 24
36
32
...
0.3
Objeto 3 100
240
...
0.2
......
Xm
....
...
...
...
...
Objeto n 27
77
54
...
0.8
Dada una serie de n objetos y

m variables X1, X2,, Xm, el
propsito es clasificar los objetos
en grupos (clusters) segn la
similitud (menor distancias) entre
ellos:
Aglomerativos o divisivos
Procedimientos:
Jerrquicos
Supervisados (k-medias)
Anlisis jerrquico de clusters (Ejemplo)

Anlisis de 20 pacientes
Los 20 pacientes se agrupan (dendrograma)
X1
X2
X3
Paciente 1
12
34
126
0.7
Objeto 2
24
36
32
0.3
Objeto 3
10
240
0.2
......
....
...
...
...
Transformar variables?
4 grupos
Sin transformar
Mtrica distancia entre objetos
m
ij
= xik x jk
CML
k =1
ALL
AML
Algoritmo de unin de clusters
i , jk
= min d ij , d ik
RCML
Etapas de un anlisis
jerrquico de clusters
(variables cuantitativas)
1) Estandarizar las variables si fuera necesario.

2) Elegir una medida de distancia entre objetos.
3) Elegir un algoritmo para unir (fusionar) grupos.
4) Decidir el nmero final de clusters e interpretarlos.
1) Transformacin de variables
para uniformar sus escalas
(slo variables cuantitativas)
1) No transformar si las variables estn medidas en

las mismas unidades.
2) Normalizar variables a media = 0 y desviacin
estndar = 1:
xx
x=
1) Aplicar raz cuadrada a las variables.

2) Hacer el logaritmo de las variables.
2a) Elegir una medida de distancia entre objetos
Distancia ciudad (city block):

m
x j2
Dij = xik x jk
k =1
xi1
Distancia Euclidia :
Dij = (xik x jk )
m
k =1
1/ 2
Distancia Euclidia al cuadrado.
Disimilaridad de Bray-Curtis (en %).
2 variables
(plano)
xi 2
x j1
2 variables
(plano)
2b) Calcular la matriz de distancias

X1
X2
X3
X4
X5
Objeto 1 12
34
126
...
0.7
Objeto 2 24
36
32
...
0.3
Objeto 3 100
240
...
0.2
......
....
...
...
...
...
Objeto 5 27
77
54
...
0.8
Objeto
0 d12
d 21 0
d
d 32
31
d 41 d 42
d
51 d 52
d13
d14
d 23 d 24
0 d 34
d 43 0
d 53 d 54
d15
d 25
d 35
d 45
0
Matriz de distancias
2 3 4 5
1
2
10 9 4
5
8 5 3
Matriz de distancias
3) Algoritmos de unin (fusin) de clusters

El primer cluster consiste en n clusters de 1 objeto cada uno, el algoritmo los va
fusionando por pasos hasta llegar a un ltimo cluster que contiene los n objetos.
Qu criterio se sigue
para ir fusionando los
clusters?
Por centroides
Cluster 1
Vecino ms prximo
(single link)
Cluster 3
Cluster 2
Vecino ms lejano
(complete link)
Matriz distancias
Ejemplo del algoritmo vecino ms prximo

Objeto
3 4 5
1
2
10 9
5 3
Dendrograma (rbol)
5
8
Distancia
Cluster
1,2,3,4,5
(1, 2), 3, 4, 5
(1, 2), 3, (4, 5)
(1, 2), (3, 4, 5)
(1, 2, 3, 4, 5)
Distancia
entre 4 y 5
(rama)
Algoritmos de unin (fusin) de clusters (cont.)

Mtodo del promedio del grupo
Cluster A
Cluster B
DAB =
D13 + D14 + D15 + D23 + D24 + D25

6
4
2
5
6
7
8
Y anlogamente:
DAC =
Cluster C
D16 + D17 + D18 + D26 + D27 + D28

6
etc
Ejemplo del algoritmo promedio de grupo

Objeto
2 3 4 5
Dendrograma (rbol)
1
2
10 9 4
9 8 5 3
Distance matrix
Distancia Cluster
0
1,2,3,4,5
(1, 2), 3, 4, 5
(1, 2), 3, (4, 5)
4.5
(1, 2), (3, 4, 5)
7.8
(1, 2, 3, 4, 5)
Por donde cortar el dendrograma?

o el problema del nmero de grupos
X1
X2
X3
Paciente 1
12
34
126
0.7
Paciente 2
24
36
32
0.3
Paciente 3
10
240
0.2
......
....
...
...
...
Los 20 pacientes se agrupan (dendrograma)
2 grupos
3 grupos
4 grupos
Transformar variables?
Sin transformar
Mtrica distancia entre objetos
dis tan cia ciudad
CML
ALL
AML
Algoritmo de unin de clusters
vecino ms prximo
RCML
Ojo: el dendrograma depende de la transformacin

de los datos, tipo de distancia y algoritmo elegidos
Sin transformar, distancia
euclidia, vecino ms prximo
Estandarizados, distancia
euclidia, vecino ms prximo
Estandarizados, distancia
ciudad, promedio de grupo
Anlisis de clusters por K medias (ejemplo)

Es un anlisis de clusters de tipo supervisado (no jerrquico).
El nmero de clusters que se desea tiene que decidirse a priori.
Anlisis con 3 clusters
Caso
X1
X2
X3
X4
X5
12
34
126
0.1
0.7
24
36
32
0.5
0.3
100
240
0.4
0.2
......
....
...
...
...
...
Se deciden k centroides (3 por ej.)

centroide X1
X2 X3
X4
X5
12
34
126 0.1
0.7
24
36
32
0.5
0.3
100
240 0.4
0.2
CML
ALL
AML
Fundamento de Clusters por K-medias

1) Imaginemos n objetos a
clasificar en base a m variables
2) Elegimos un procedimiento para

decidir las estimas iniciales de los k
centroides (semillas):
Semilla 1
El investigador elige los k centroides.
Semilla 2
Seleccionar k objetos al azar

k primeros objetos
Semilla 3
3) Elegir un algoritmo para reasignar

los objetos a los clusters hasta
alcanzar un criterio de convergencia.
Anlisis por Componentes Principales

(Ejemplo)
162 pacientes
15 variables autoperimetra laser (campo visual)

Caso
X1
X2 X3
X4
X5
X5
X3 .... X15
12
34
34
34
34
126 ...
34
Reducir las 15 variables
3-4 componentes principales
Caso
CP1 CP2 CP3
12
34
34
24
36
36
.....
162
..
..
..
2
3
24
36
36
36
36
36
32
......
162
.. .. .. .. .. .. ....
...
CP1 = a 11 X 1 + a 12 X 2 + ... + a 1 m X m
CP2 = a 21 X 1 + a 22 X 2 + ... + a 2 m X m
.......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ...
CPm = a m 1 X 1 + a m 2 X 2 + ... + a mm X m
- Estas CPi explicarn la mayor variabilidad de las variables originales
- Las CPi presentan incorrelacin entre ellas
Extraccin de las componentes

principales
Transformacin = Untransformed
Tipo de matriz = Correlation matrix
Tipo de puntuacin = Standardised scores
CP1
Eigenvalores Proporcin Acumulativa
CP1 6.833E+00
0.4555
0.4555
CP2 3.724E+00
0.2483
0.7038
CP3 2.321E+00
0.1548
0.8586
CP4 1.055E+00
0.0703
0.9289
CP5 5.849E-01
0.0390
0.9679
CP6 2.691E-01
0.0179
0.9858
CP7 1.968E-01
0.0131
0.9989
CP8 7.668E-03
0.0005
0.9995
CP9 4.829E-03
0.0003
0.9998
CP10 3.070E-03
0.0002
1.0000
CP11 2.153E-04
0.0000
1.0000
CP12 6.593E-05
0.0000
1.0000
CP13 3.677E-06
0.0000
1.0000
CP14 1.308E-06
0.0000
1.0000
CP15 2.115E-07
0.0000
1.0000
CP2
CP3
CP4
Se extraen 4 componentes:
CP1, CP2, CP3 y CP4
Contribucin de las variables

originales a CP1 y CP2
Las 15 variables
originales
Representacin de los casos bajo CP1 y CP2

(puntuaciones o scores en CP1 y CP2)
Los 162 pacientes
Representacin Biplot: Cmo surge?

Imaginemos 2 variables medidas sobre n sujetos,
se pueden representar a la vez variables y sujetos? :
X1
X2
Sujeto 1
12
34
Sujeto 2
24
36
Sujeto 3
10
......
....
...
X2 (Peso)
21
38
25
12
Si
29
22
16
5
27
33
9
7
5
X1 (Talla)
Cmo generalizarlo?: La representacin Biplot

Cmo representar simultneamente m variables y n sujetos?
X1 X2
X3
Xm
Sujeto 1 12
34
126
0.7
Sujeto 2 24
36
32
0.3
Sujeto 3 10
240
0.2
......
....
...
...
...
Sujeto n ....
...
...
...
1) No es posible representar, tal

cual estn, ms de 3 variables (3D).
2) Se recurre a extraer la informacin
mediante 2 o 3 componentes o ejes
ficticios (Biplot 2D o 3D), obtenidos
por descomposicin de la matriz
original en valores singulares (SVD).
Var 1
Sujeto 4
Var 5
Sujeto 6
Sujeto 3
Sujeto 2
Var 4
Sujeto 5
Var 3
Sujeto 1
Var 2
Representacin Biplot (Interpretacin)

A partir del grfico Biplot se puede reconocer:
La variabilidad en las variables (desviacin
Var 1
Sujeto 4
Var 5
Sujeto 6
Sujeto 2
Sujeto 3
Var 4
Sujeto 5
Var 3
Sujeto 1
estndar), ya que a mayor longitud del vector

mayor error en la variable.
La correlacin entre variables, ya que 2

vectores formando ngulo pequeo se
interpretan como variables bien
correlacionadas. Vectores perpendiculares
se refieren a variables con correlacin nula
y vectores contrarios a variables
correlacionadas negativamente.
Agrupaciones de casos: casos prximos

Var 2
tiene valores parecidos de las variables.
Ejemplo: Biplot para variedades de lirios

Fisher estudi 150 muestras de lirios del campo y a todos les medi la
longitud y la anchura del spalo y la longitud y anchura del ptalo.
Biplot para los datos de lirios de Fisher
Biplot (fundamento matemtico)

1) Se tiene una matriz X de n filas por m columnas:
... ... ... ...
X = ... ... ... ...

... ... ... ...
2) Se hace una descomposicin en valores singulares (SVD):

T
X = UV
3) Nos quedamos con la aproximacin dada por los 2 primeros valores singulares:
4) Esta aproximacin se puede escribir de 3 formas:

Biplot simtrico
Biplot con nfasis en filas
Biplot con nfasis en columnas

( b. Cuando se conocen los grupos de los objetos)
Objetivo: Estudiar las diferencias entre grupos y predecir el
grupo de nuevas muestras.
Grupo
X2
X3
X4
X5
Objeto 1
34
126 0.1
0.7
Objeto 2
36
32 0.5
0.3
Objeto 3
240 0.4
0.2
Objeto 4
23
45
0.3
37
MANOVA
Anlisis en variables cannicas
Anlisis discriminante
MANOVA (ANOVA de varias variables)

Imaginemos que se miden 4 variables en 3 grupos:
Grupo
X1 X2
X3
X4
Objeto 1
Grupo 1
34
126 0.1
0.7
Objeto 2
Grupo 1
36
32 0.5
0.3
Objeto 3
Grupo 1
52
24
0.4
0.2
Objeto 4
Grupo 2
21
25
34
39
Objeto 5
Grupo 2
16
12
15
18
Objeto 6
Grupo 2
15
25
29
33
Objeto 7
Grupo 3
23
25
29
13
Objeto 8
Grupo 3
23
21
25
26
Objeto 9
Grupo 3
22
67
24
32
H0 : No hay diferencia entre los

vectores de medias de las 4
variables en los 3 grupos:
x11
x21
x
31
x12
x13
x22
x23
x32
x33
x14
x24
x34
H1 : al menos hay 2 vectores

de medias que difieren
significativamente de un
grupo a otro.
MANOVA (Ejemplo: datos de lirios de Fisher )
GROUP 1
GROUP 2
GROUP 3
POOLED MEAN
VARIABLE 1
5.00600E+00
5.93600E+00
6.58800E+00
5.84333E+00
VARIABLE 2
3.42800E+00
2.77000E+00
2.97400E+00
3.05733E+00
VARIABLE 3
1.46200E+00
4.26000E+00
5.55200E+00
3.75800E+00
VARIABLE 4
2.46000E-01
1.32600E+00
2.02600E+00
1.19933E+00
Hay diferencias entre estos vectores de medias?
MANOVA (datos de lirios de Fisher (cont.) )

GROUP 1
GROUP 2
GROUP 3
POOLED MEAN
VARIABLE 1
5.00600E+00
5.93600E+00
6.58800E+00
5.84333E+00
VARIABLE 2
3.42800E+00
2.77000E+00
2.97400E+00
3.05733E+00
VARIABLE 3
1.46200E+00
4.26000E+00
5.55200E+00
3.75800E+00
VARIABLE 4
2.46000E-01
1.32600E+00
2.02600E+00
1.19933E+00
Hay diferencias entre estos vectores de medias?
Para decidirlo se hacen diferentes tests estadsticos:

Statistic
Wilks lambda
Roys largest root
Lawley-Hotelling T
Pillais trace
Value
2.344E-02
3.219E+01
3.248E+01
1.192E+00
Transform deg.free.
4.149E+00
8 288
p
0.0001
Reject H0
5.846E+02
0.0000
Reject H0
144
Como p < 0.01 se concluye que al menos 2 vectores de medias si difieren
MANOVA: Hay igualdad de perfiles?
MANOVA H0: selected

Hotelling T^2
=
Test statistic S =
Numerator DOF
=
Denominator DOF =
P(F >= S)
=
group profiles are equal

2.031E+03
6.632E+02
3
96
0.0000 Reject H0 at 1% sig.level
Anlisis por variables cannicas

Grupo
Imaginemos:
X1
X2
X3
X4
Objeto 1
34
126
0.1
0.7
Objeto 2
36
32
0.5
0.3
Objeto 3
240
0.4
0.2
Objeto 4
23
45
37
0.3
Se han medido varias variables en

diferentes objetos de 2 grupos.
Objetivos:
Para discriminar entre los grupos todo
lo posible se busca una combinacin
lineal de las variables que maximice la
la relacin de la variabilidad entre
grupos respecto a la variabilidad intra
grupos.
Esquema para 2 variables:
x1
x12
x22
Direccin de mxima
separacin
Y1 = a11 X 1 + a12 X 2
x11 x21
x2

(Ejemplo: Lirios de Fisher)
Grupo variables
1
5.1 3.5 1.4 0.2
1
4.9 3.0 1.4 0.2
1
4.7 3.2 1.3 0.2
.....................
2
7.0 3.2 4.7 1.4
2
6.4 3.2 4.5 1.5
2
6.9 3.1 4.9 1.5
.....................
3
6.3 3.3 6.0 2.5
3
5.8 2.7 5.1 1.9
3
7.1 3.0 5.9 2.1
Muestras a asignar
?
4.6 3.6 1.0 0.2
?
5.9 3.2 4.8 1.8
?
6.2 3.4 5.4 2.3

(Fundamento matemtico)
CV1 = a11 X 1 + a12 X 2 + a13 X 3 + a14 X 4
CV2 = a21 X 1 + a22 X 2 + a23 X 3 + a24 X 4
Correlations Eigenvalues
0.9848
32.1919
0.4712
0.2854
Canonical variate means
-7.608E+00 2.151E-01
1.825E+00 -7.279E-01
5.783E+00 5.128E-01
Canonical coefficients
-8.294E-01 2.410E-02
-1.534E+00 2.165E+00
2.201E+00 -9.319E-01
2.810E+00 2.839E+00
CV1
Proportions
0.9912
0.0088
Chi-sq.
546.1153
36.5297
NDOF
p
8 0.0000
3 0.0000
CV2
Asignacin de objetos a grupos por

Anlisis Discriminante
Grupo variables
1
5.1 3.5 1.4 0.2
1
4.9 3.0 1.4 0.2
1
4.7 3.2 1.3 0.2
.....................
2
7.0 3.2 4.7 1.4
2
6.4 3.2 4.5 1.5
2
6.9 3.1 4.9 1.5
.....................
3
6.3 3.3 6.0 2.5
3
5.8 2.7 5.1 1.9
3
7.1 3.0 5.9 2.1
Muestras a asignar
y1 = a11x1
?
4.6 3.6 1.0 0.2
?
5.9 3.2 4.8 1.8
?
6.2 3.4 5.4 2.3
+ + a1p x p + a10
y m = a m1x1 + + a mp x p + a m0
Asignacin de objetos a grupos por Anlisis

Discriminante (ej: Lirios de Fisher)
Serie de entrenamiento
Distancias de Mahalanobis entre grupos
Grupo LongSep AnchSep LongPet AnchPet

1
5.1
3.5
1.4
0.2
1
4.9
3.0
1.4
0.2
1
4.7
3.2
1.3
0.2
--------------------------------------------------------------2
7.0
3.2
4.7
1.4
2
6.4
3.2
4.5
1.5
2
6.9
3.1
4.9
1.5
-------------------------------------------------------------3
6.3
3.3
6.0
2.5
3
5.8
2.7
5.1
1.9
3
7.1
3.0
5.9
2.1
Distancias de Mahalanobis muestras- grupos
Muestras a asignar a grupos

Muestra 1
Muestra 2
Muestra 3
4.6
5.9
6.2
3.6
3.2
3.4
1.0
4.8
5.4
0.2
1.8
2.3
Aplicacin del Anlisis multivariante en

las investigaciones con Chips de ADN
Los 10 Genes principales asociados a la

respuesta a Imatinib
Usando la prueba t de student
#genename
R06581
H13205
AA088678
AA126760
R08434
A101777
AI023731
AA456314
T95268
AA775957
t-statistic
-3.789523125
-3.342012644
-3.105088949
2.934455395
-2.872010231
-2.790141583
-2.698203802
2.660455942
-2.629109144
2.592031002
pvalue
0.00067859
0.002239682
0.004130574
0.006351529
0.007416606
0.009068974
0.011333359
0.012407669
0.013371006
0.014599937
Exploracin de datos en la serie de

entrenamiento (32 pacientes y 10 genes
predictores)
Cluster jerrquico de los 32 pacientes
Componentes principales
ANALISIS DISCRIMINANTE
Distancia de Mahalanobis al cuadrado

Multivariante PDF

Cargado por

Copyright:

Formatos disponibles

También podría gustarte

Multivariante PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Multivariante PDF

Cargado por

Copyright:

Formatos disponibles

Introduccin a las tcnicas de

Fco. Javier Burguillo

VI curso de Anlisis de Datos (30 Marzo de 2009)

Mtodos con variable dependiente

Mtodos con variable dependiente

Regresin lineal mltiple

VI curso de Anlisis de Datos (30 Marzo de 2009)

Mtodos con slo variables independientes

Anlisis de componentes principales

b) S que se conocen los grupos de los objetos

VI curso de Anlisis de Datos (30 Marzo de 2009)

Regresin lineal mltiple por mnimos cuadrados

Ahora: la regresin lineal mltiple

Se puede explicitar cada parmetro,

VI curso de Anlisis de Datos (30 Marzo de 2009)

Ejemplo de regresin lineal mltiple

La aplicacin importante es estimar Masa tumoral para un caso nuevo

Regresin logstica binaria

(ej: p(1) = 0.73 de sobrevivir)

Dada una serie de n objetos y

VI curso de Anlisis de Datos (30 Marzo de 2009)

Anlisis jerrquico de clusters (Ejemplo)

Algoritmo de unin de clusters

VI curso de Anlisis de Datos (30 Marzo de 2009)

1) Estandarizar las variables si fuera necesario.

VI curso de Anlisis de Datos (30 Marzo de 2009)

1) No transformar si las variables estn medidas en

1) Aplicar raz cuadrada a las variables.

VI curso de Anlisis de Datos (30 Marzo de 2009)

2a) Elegir una medida de distancia entre objetos

Distancia ciudad (city block):

Distancia Euclidia al cuadrado.

Disimilaridad de Bray-Curtis (en %).

VI curso de Anlisis de Datos (30 Marzo de 2009)

2b) Calcular la matriz de distancias

3) Algoritmos de unin (fusin) de clusters

Ejemplo del algoritmo vecino ms prximo

(1, 2), 3, (4, 5)

(1, 2), (3, 4, 5)

VI curso de Anlisis de Datos (30 Marzo de 2009)

Algoritmos de unin (fusin) de clusters (cont.)

D13 + D14 + D15 + D23 + D24 + D25

D16 + D17 + D18 + D26 + D27 + D28

VI curso de Anlisis de Datos (30 Marzo de 2009)

Ejemplo del algoritmo promedio de grupo

(1, 2), 3, (4, 5)

(1, 2), (3, 4, 5)

VI curso de Anlisis de Datos (30 Marzo de 2009)

Por donde cortar el dendrograma?

Los 20 pacientes se agrupan (dendrograma)

dis tan cia ciudad

Algoritmo de unin de clusters

Ojo: el dendrograma depende de la transformacin

VI curso de Anlisis de Datos (30 Marzo de 2009)

Anlisis de clusters por K medias (ejemplo)

Anlisis con 3 clusters

Se deciden k centroides (3 por ej.)

VI curso de Anlisis de Datos (30 Marzo de 2009)