INVESTIGACIÓN FORMATIVA

ANÁLISIS ESTADÍSTICO
MULTIVARIANTE

Tema:
DISTRIBUCIÒN ESTADÌSTICA UNITARIA
BIVARIANTE

Docente: Dr. Luis Vera

Integrantes:
Gordillo Kathia (275)
Miranda Geovanny (247)
Olmedo Beatriz (309)
Toapanta Erika (252)

Periodo Académico
2021-2022
 DISTRIBUCIÒN ESTADÌSTICA UNITARIA
BIVARIANTE
Las técnicas estadísticas bivariantes permiten el análisis conjunto de dos características de
los individuos de una población con el propósito de detectar posibles relaciones entre ellas.
La naturaleza (nominal, ordinal o numérica) de las características objeto de estudio
determinará las herramientas más adecuadas para su análisis.

Genéricamente designaremos por A y B a las dos características y por y ,

las correspondientes modalidades. La distribución conjunta de frecuencias viene dada por:
la frecuencia absoluta,
𝑛𝑖𝑗 = 𝑛ù𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜𝑠 𝑞𝑢𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑛 𝑒𝑙 𝑝𝑎𝑟 𝑑𝑒 𝑚𝑜𝑑𝑎𝑙𝑖𝑑𝑎𝑑𝑒𝑠 (𝐴𝑖 , 𝐵𝑗 )

y la frecuencia relativa
𝑛𝑖𝑗
𝑓𝑖𝑗 = = 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖ò𝑛 𝑑𝑒 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜𝑠 𝑞𝑢𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑛 𝑒𝑙 𝑝𝑎𝑟 𝑑𝑒 𝑚𝑜𝑑𝑎𝑙𝑖𝑑𝑎𝑑𝑒𝑠 (𝐴𝑖 , 𝐵𝑗 )
𝑁

Caso Bivariante
Cuando p = 2; la función de densidad de la normal bivariante se puede expresar en función
de las medias y varianzas 𝑢1 , 𝜎12 , 𝑢2 , 𝜎22 y del coeficiente de correlación 𝑝 = 𝑐𝑜𝑟(𝑋1 , 𝑋2 ):

1
𝑓(𝑥1 , 𝑥2 ) =
2𝜋 𝜎1 𝜎2 √1 − 𝜌2
1 1 (𝑥1 − 𝑢1 )2 (𝑥1 − 𝑢1 ) ((𝑥2 − 𝑢2 )) (𝑥2 − 𝑢2 )2
𝑋 exp [− {− − 2𝜌 + }] ,
2 1 − 𝜌2 𝜎12 𝜎1 𝜎2 𝜎22

𝑠𝑖𝑒𝑛𝑑𝑜 − 1 < 𝜌 < +1. 𝑆𝑒 𝑣𝑒𝑟𝑖𝑓𝑖𝑐𝑎:

1. Hay independencia estocástica si y sólo si 𝜌 = 0:
2. La distribución de la variable marginal Xi es N( 𝑢𝑖 , 𝜎𝑖2 ); i = 1, 2.
3. La función de densidad de X2 condicionada a X1 = x1 es
2
1 [(𝑥2 −𝑢2 −𝜌(𝜎2 /𝜎1 )(𝑥1 −𝑢1 )2 )]
𝑓(𝑥2 |𝑥1 ) = exp [− ],
𝜎2 √2𝜋 (1−𝜌2 ) 2𝜎22 (1−𝜌2 )

𝜎2
𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ò𝑛 𝑛𝑜𝑟𝑚𝑎𝑙 𝑁 (𝑢2 + 𝜌 ( ) (𝑥1 − 𝑢1 ), 𝜎22 (1 − 𝜌2 )).
𝜎1
Ilustración 1: Función de densidad de una distribución normal bivariante de medias 1 y 1, desviaciones típicas 2 y 2,
coeficiente de correlación 0.8.

4. La regresión es de tipo lineal, es decir, las curvas de regresión de la media.

𝑥2 = 𝐸(𝑋2 |𝑋1 = 𝑥1 ), 𝑥1 = 𝐸(𝑋1 |𝑋2 = 𝑥2 ),
son las rectas de regresión.
Las distintas d.e que se derivan de una d.e.u. Bivariante

➢ Tabla de doble entrada y distribución conjunta

➢ Frecuencias relativas, marginales y condicionadas
➢ Tipos de relación entre las variables (lineal, no lineal y no relación)
➢ Covarianza y correlación. (Propiedades)
➢ Simetría y Asimetría
➢ Prueba chi

Tabla de doble entrada y distribución conjunta

Tabla de doble entrada
En la tabla de doble entrada los valores de las variables x e y se representan en los márgenes y la
frecuencia de cada pareja de clases se representa en la casilla correspondiente. Cuando la variable
es cualitativa la tabla de doble entrada se denomina tabla de contingencia.
Ejemplo

X
Claros Oscuros Total

y Claros 23 12 35

Oscuros 17 12 29

Total 40 24 64

x = Color de ojos de la madre {Claros, Oscuros}

y = Color de ojos del hijo {Claros, Oscuros}

Distribución conjunta
Ejemplo
x = Asistencia semanal al teatro
y = Asistencia semanal al cine

x
0 1 2 3 4
0 12 5 4 2 1
1 4 3 2 1 0
y 2 3 3 2 0 0
3 1 0 0 0 0

x
0 1 2 3 4
0 0,279 0,116 0,093 0,047 0,023
1 0,093 0,070 0,047 0,023 0,000
y 2 0,070 0,070 0,047 0 0,000 0,000
3 0,023 0,000 0,000 0,000 0,000
 Frecuencias relativas, marginales y condicionadas
Frecuencias marginales

Se obtienen de sumar frecuencias conjuntas (absolutas o relativas) por filas y por columnas.
Si denominamos fr (xi, yi) a la frecuencia relativa correspondiente a los valores (x = xi, y =
yj), tendremos que

∑ ∑ 𝑓𝑟(𝑥𝑖 , 𝑦𝑖 ) = 1
𝑖 𝑗

Las frecuencias marginales de x se obtienen como:

𝑓𝑟(𝑥𝑖 ) = ∑𝑗 𝑓𝑟(𝑥𝑖 , 𝑦𝑗 )

y las frecuencias marginales de y como:

𝑓𝑟(𝑦𝑖 ) = ∑ 𝑓𝑟(𝑥𝑖 , 𝑦𝑗 )
𝑖

Frecuencias marginales
Ejemplo
x = Trabajadores
y = Ventas

x
1-24 25-49 50-74 75-99 Total
1-100 0,293 0,122 0,098 0,049 0,561
y 101-200 0,098 0,073 0,049 0,024 0,244
201-300 0,073 0,073 0,049 0,000 0,195
Total 0,463 0,268 0,195 0,073 1,000
Frecuencias marginales

Trabajadores 1-24 25-49 50-74 75-99

fr(x) 0,463 0,268 0,195 0,073
1

Ventas 1-100 101-200 201-300

fr(y) 0,561 0,244 0,195
1
Frecuencias condicionadas
Se construyen para una de las dos variables, cuando fijamos un valor concreto que ha sido
observado en la otra
Si fijamos el valor de x = xi, podemos construir la distribución de frecuencias de la variable
y, condicionada al valor xi de x, frecuencias que representaremos por
𝑓𝑟(𝑋𝑖 , 𝑌𝑖 )
𝑓𝑟 (𝑦𝑖 |𝑥𝑖 ) =
𝑓𝑟(𝑋𝑖 )
Se verifica que
∑𝑗 𝑓𝑟(𝑋𝑖 , 𝑌𝑖 )
∑ 𝑓𝑟 (𝑦𝑖 |𝑥𝑖 ) =
𝑓𝑟(𝑋𝑖 )
𝑗

Frecuencias condicionadas - Ejemplo

x = Trabajadores
y = Ventas
Hallar la distribución de las ventas para las empresas de entre 50 y 74 trabajadores.

x
1-24 25-49 50-74 75-99 Total
1-100 0,293 0,122 0,098 0,049 0,561
y 101-200 0,098 0,073 0,049 0,024 0,244
201-300 0,073 0,073 0,049 0,000 0,195
Total 0,463 0,268 0,195 0,073 1,000

La distribución condicional fr (y|50 ≤ x ≤ 74)

1-100 101-200 201-300

0,195 0,195 0,195

Frecuencias condicionadas - Ejemplo
x = Trabajadores
y = Ventas
Análogamente, la distribución del número de trabajadores entre las empresas cuyas ventas
están, entre 101 y 200 artículos.

x
1-24 25-49 50-74 75-99 Total
1-100 0,293 0,122 0,098 0,049 0,561
y 101-200 0,098 0,073 0,049 0,024 0,244
201-300 0,073 0,073 0,049 0,000 0,195
Total 0,463 0,268 0,195 0,073 1,000

La distribución condicional fr (x|101 ≤ y ≤ 200)

Trabajadores 1-24 25-49 50-74 75-99 Total

fr (x|101 ≤ y ≤ 200)
0,402 0,299 0,201 0,098 1

Tipos de relación entre las variables (lineal, no lineal y no relación)

Tipos de relación
Existen distintas formas en que dos variables pueden estar relacionadas: ausencia de relación

lineal positiva, relación lineal negativa, relación no lineal.

 Ilustración 2:Distintos tipos de relación entre 2 variables

Prueba de Chi Cuadrado: Se utiliza para poder observar si las variables en estudio son
independientes o dependientes.
Medidas de dependencia lineal
Buscamos una medida descriptiva que, mediante un único valor, nos indique si entre dos
variables x e y existe una relación de tipo lineal o no.
Representaciones gráficas
La representación gráfica más útil para dos variables continuas es a través del llamado
diagrama de dispersión.

Ilustración 3:Representaciones Gráficas

Ejercicio Aplicativo
Enunciado
Dada las Variables Estadísticas Cualitativas correspondientes al Nivel de Estudios compuesta por:
Primaria, Secundaria, Superior y Nivel Socioeconómico compuesta por: Alto, Medio, Bajo. Hallar la
Distribución Estadística Unitaria Bivariante.

Modalidades de Nivel de Estudio y Nivel Socio Económico

Nivel de Estudio Nivel Socio Económico
1. Primaria 1. Alto
2. Secundaria 2. Medio
3. Superior 3. Bajo
Distribución Estadística Unitaria Bivariante

# NIVEL DE ESTUDIOS NIVEL SOCIECONÓMICO

1 PRIMARIA ALTO
2 PRIMARIA ALTO
3 SECUNDARIA ALTO
4 SECUNDARIA ALTO
5 SECUNDARIA ALTO
6 PRIMARIA MEDIO
7 SECUNDARIA MEDIO
8 SUPERIOR BAJO
9 SECUNDARIA ALTO
10 SUPERIOR BAJO
11 PRIMARIA ALTO
12 PRIMARIA ALTO
13 SECUNDARIA MEDIO
14 PRIMARIA MEDIO
15 SUPERIOR BAJO
16 SECUNDARIA ALTO
17 SECUNDARIA MEDIO
18 SECUNDARIA MEDIO
19 PRIMARIA MEDIO
20 SECUNDARIA MEDIO
⋮ ⋮ ⋮
113 SECUNDARIA ALTO
114 SECUNDARIA ALTO
115 SECUNDARIA ALTO
116 SECUNDARIA ALTO
117 PRIMARIA ALTO
118 SECUNDARIA MEDIO
 Súper Matriz Indicadores
𝑍 = [𝑋, 𝑌]

NIVEL DE ESTUDIOS Y: NIVEL SOCIO ECONÓMICO

# PRIMARIA SECUNDARIA SUPERIOR ALTO MEDIO BAJO
1 1 0 0 1 0 0
2 1 0 0 1 0 0
3 0 1 0 1 0 0
4 0 1 0 1 0 0
5 0 1 0 1 0 0
6 1 0 0 0 1 0
7 0 1 0 0 1 0
8 0 0 1 0 0 1
9 0 1 0 1 0 0
10 0 0 1 0 0 1
11 1 0 0 1 0 0
12 1 0 0 1 0 0
13 0 1 0 0 1 0
14 1 0 0 0 1 0
15 0 0 1 0 0 1
16 0 1 0 1 0 0
17 0 1 0 0 1 0
18 0 1 0 0 1 0
19 1 0 0 0 1 0
20 0 1 0 0 1 0
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
113 0 1 0 1 0 0
114 0 1 0 1 0 0
115 0 1 0 1 0 0
116 0 1 0 1 0 0
117 1 0 0 1 0 0
118 0 1 0 0 1 0

Distribución estadística de numerosidad Bivariante

𝐍 = (𝐧𝐢𝐣 ) = 𝐗 𝐭 𝐘

X/Y ALTO MEDIO BAJO

PRIMARA 15 7 0
SECUNDARIA 65 16 2
SUPERIOR 0 0 13
 Prueba Chi-Cuadrado
Ho: Las variables estadísticas categóricas cualitativas son independientes.
H1: Las variables estadísticas categóricas cualitativas son dependientes.

𝐼 𝐽 2
2
(𝑛𝑖𝑗 − 𝑛𝑖 𝑛𝑗 /𝑛)
Estadístico de Prueba 𝑥 = 𝑛∑∑
𝑛𝑖 𝑛𝑗
𝑖=1 𝑗=1

𝑥 2 = 102.06

Valor Crítico k = 𝓍1−α (𝓍 2 ), 𝓍 2 ~𝓍 2 ((𝐼 − 1)(𝐽 − 1))

k = 𝓍1−0.5 (𝓍 2 ), 𝓍 2 ~𝓍 2 ((2)(2))
k = 9.48
Región Crítica (k, +∞)
(9.48, +∞)
Sí 𝓍 2 ∈ (k, +∞) se rechaza Ho y se concluye que las variables son dependientes.
A un nivel de significancia del 0,05 el Estadístico de Prueba Chi-Cuadrado es de 102,064, el cual se
encuentra en la Región Critica (9.48, +∞), entonces Se rechaza Ho, por tanto, se sospecha que las
variables Nivel de Estudio y Nivel Socio Económico son dependientes. Y es óptimo realizar el
presente análisis de correspondencia.

Matriz de Correspondencias
𝟏
𝐅= 𝐍 = (𝐟𝐢𝐣 )
𝐧

X/Y ALTO MEDIO BAJO

PRIMARA 0,127118644 0,059322034 0
SECUNDARIA 0,550847458 0,13559322 0,016949153
SUPERIOR 0 0 0,110169492

Frecuencias relativas marginales de las modalidades de Nivel de Estudio

2 1 𝑡
𝑟 = (𝑓1 , 𝑓2,… , 𝑓𝐼 ) = 𝑋 1
𝑛

0,18644068 0,70338983 0,110169492

 Frecuencias relativas marginales de las modalidades de Nivel Socioeconómico

2 1 ′
𝑐 = (𝑓1 , 𝑓2,… , 𝑓𝐼 ) = 𝑌1
𝑛

0,677966102 0,19491525 0,12711864

1
𝐌𝐚𝐭𝐫𝐢𝐳 Dr = X t X
n

0,186440678 0 0
0 0,703389831 0
0 0 0,110169492

1 t
𝐌𝐚𝐭𝐫𝐢𝐳 Dc = YY
n
0,677966102 0 0
0 0,194915254 0
0 0 0,127118644

Las matrices diagonales que contienen los valores marginales de las filas y columnas de F.
Se verifica:

𝑛𝐷𝑟 = 𝑋 𝑡 𝑋

22 0 0
0 83 0
0 0 13

𝑛𝐷𝑐 = 𝑌 𝑡 𝑌

80 0 0
0 23 0
0 0 15

𝑋 ′ 𝑌 = 𝑛𝐹 = 𝑁

15 7 0
65 16 2
0 0 13
 Matriz de covarianzas entre las modalidades de Nivel de Estudio

𝑆11 = 𝐷𝑟 − 𝑟𝑟 𝑡

0,15168055 -0,13114048 -0,020540075

-0,13114048 0,20863258 -0,0774921
-0,02054007 -0,0774921 0,098032175
Det(𝑆11 ) = 0
Matriz de covarianzas entre las modalidades de Nivel Socioeconómico

𝑆22 = 𝐷𝑐 − 𝑐𝑐 𝑡

0,218328067 -0,132145935 -0,08618213

-0,132145935 0,156923298 -0,02477736
-0,086182132 -0,024777363 0,11095949
Det(𝑆22 ) = 0
Se comprueba que las matrices de covarianzas entre filas S11 y entre columnas S22 son
singulares, ya que su determinante es igual a cero, por lo tanto, no son invertibles. Sin
embargo, se puede obtener la inversa generalizada que es:

−
𝑆11 = 𝐷𝑟−1

5,363636364 0 0
0 1,421686747 0
0 0 9,076923077

−
𝑆22 = 𝐷𝑐−1

1,475 0 0
0 5,130434783 0
0 0 7,866666667

Matriz de covarianzas entre las modalidades

𝑆12 = 𝐹 − 𝑟𝑐 𝑡

0,00071818 0,0229819 -0,02370009

0,073973 -0,00150819 -0,07246481
-0,07469118 -0,02147371 0,0961649
 Cuantificación de las variables Nivel de Estudio y Nivel Socioeconómico

Cuantificaciones de las categorías de A y de B

´ ´
𝒂 = (𝒂𝟏,…, 𝒂𝑰 ) , 𝒃 = (𝒃𝟏,…, 𝒃𝑱 )

A partir de estas cuantificaciones se construye dos variables estadísticas

𝑼 = 𝒂´ 𝑿, 𝑽 = 𝒃´ 𝒀,

Encontrar estos vectores tales que entre estos exista máxima correlación lineal.

Descomposición Singular

−1/2 −1/2
𝐸 = 𝐷𝑟 (𝐹 − 𝑟 𝑐 ′ )𝐷𝑐 = 𝑈𝐷𝜆 𝑉 ′

𝐸 = 𝑈𝐷𝜆 𝑉 ′

0,002020048 0,120557078 -0,15394832

0,107120151 -0,004073187 -0,24233965
-0,273296873 -0,146539123 0,812608319

𝑬𝑬𝒕
0,038238176 0,03703312 -0,143318089
0,03703312 0,070219826 -0,22560594
-0,143318089 -0,22560594 0,756497175

𝐔: 𝐀𝐮𝐭𝐨𝐯𝐞𝐜𝐭𝐨𝐫𝐞𝐬 𝐝𝐞 𝐄𝐄𝐭

-0,179074184 0,88402023 0,431787761

-0,280954833 -0,466556046 0,838683396
0,942866278 0,028873686 0,331917899

Autovalores de 𝑬𝑬𝒕
0,850942857 0 0
0 0,014012319 0
0 0 6,10E-10
 𝑹𝒂𝒏𝒈𝒐(𝑬) = 𝟐, número de valores singulares

𝑬𝒕 𝑬
0,086169988 0,039855895 -0,24835376
0,039855895 0,036024314 -0,13665138
-0,248353756 -0,136651375 0,742760874

𝐕: 𝐀𝐮𝐭𝐨𝐯𝐞𝐜𝐭𝐨𝐫𝐞𝐬 𝐝𝐞 𝑬𝒕 𝑬
-0,312358592 0,473778423 0,823386979
-0,17194253 -0,880636433 0,441492061
0,934273984 -0,003671402 0,356537016

Autovalores de 𝑬𝒕 𝑬
0,850942857 0 0
0 0,014012319 0
0 0 1,08E-10

Los vectores que cuantifican las categorías de A y B son las columnas de las siguientes matrices:
−1/2
𝐴0 = 𝐷𝑟 𝑈
-0,414727318 2,047348934 0,999999979
-0,334995108 -0,556295797 1,000000005
2,840661145 0,086990446 1

−1/2
𝐵0 = 𝐷𝑐 𝑉
-0,3794 0,5754 1,0000
-0,3895 -1,9947 1,0000
2,6204 -0,0103 1,0000
−1/2
𝐴 = 𝐷𝑟 𝑈𝐷𝜆
-0,382571701 0,24235215 2,46986E-05
-0,309021476 -0,06585076 2,46986E-05
2,620412301 0,010297376 2,46986E-05
 −1/2
𝐵 = 𝐷𝑐 𝑉𝐷𝜆

-0,3499 0,0681 0
-0,3593 -0,2361 0
2,4172 -0,0012 0

Representación de filas y columnas

Matriz de perfiles de las filas

𝑸𝒓 = 𝑫−𝟏
𝒓 𝑭 = (𝒇𝒋/𝒊 )

0,681818182 0,318181818 0
0,78313253 0,192771084 0,024096386
0 0 1

Matriz de perfiles de las columnas

𝑸𝒄 = 𝑫−𝟏
𝒄 𝑭 = (𝒇𝒊/𝒋 )

0,1875 0,8125 0
0,304347826 0,69565217 0
0 0,13333333 0,866666667

Coordenadas principales
−1/2
𝐴 = 𝐷𝑟 𝑈𝐷𝜆

-0,382571701 0,24235215 2,46986E-05

-0,309021476 -0,06585076 2,46986E-05
2,620412301 0,010297376 2,46986E-05

Mapa Perceptual de A
0.3
PRIMARA
0.25

0.2

0.15

0.1
SUPERIOR
0.05

0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
SECUNDARIA -0.05

-0.1
 −1/2
𝐵 = 𝐷𝑐 𝑉𝐷𝜆

-0,3499 0,0681 0
-0,3593 -0,2361 0
2,4172 -0,0012 0

ALTO
Mapa Perceptual de B
0.1000

0.0500 BAJO

0.0000
-1.5000 -1.0000 -0.5000 0.0000 0.5000 1.0000 1.5000 2.0000 2.5000 3.0000
-0.0500

-0.1000

-0.1500

MEDIO -0.2000

-0.2500

-0.3000

Representación conjunta
𝐴 = 𝐷𝑟−1 𝐹𝐵𝐷𝜆−1 ; 𝐴 = 𝑄𝑟 𝐵𝐷𝜆−1

A
-0,382571701 -0,242352168 0,999999995
-0,309021476 0,065850742 1,000000001
2,620412302 -0,010297393 1

𝟏 𝒇𝒊𝟏 𝒇𝒊𝟐 𝒇𝒊𝒋

𝒂𝒊𝟏 = (𝒃𝟏𝟏 + 𝒃𝟐𝟐 + ⋯ + 𝒃𝒋𝟏 ) , 𝒊 = 𝟏, … 𝑰
𝝀𝟏 𝒓𝒊 𝒓𝒊 𝒓𝒊

−0.38 = 0.85−1 ((−0.34 ∗ 0.68) + (−0.35 ∗ 0.31) + (2.41 ∗ 0))

-0,382571701 -0,242352168
-0,309021476 0,065850742
2,620412302 -0,010297393
Las coordenadas de las filas son las medias de las coordenadas de las columnas, ponderadas
por los perfiles de las filas. Por lo tanto, las coordenadas de las modalidades del Nivel de
Estudio son las medias de las coordenadas de las modalidades de Nivel Socioeconómico,
ponderadas por la incidencia del Nivel de Estudio en el Nivel Socioeconómico.

𝐵 = 𝐷𝑐−1 𝐹 ′ 𝐴𝐷𝜆−1 ; 𝐵 = 𝑄𝑐 𝐴𝐷𝜆−1

B
-0,349944897 -0,06811241 1,000000001
-0,359261432 0,236117817 0,999999998
2,417240311 0,001218947 1,000000001

𝟏 𝒇𝟏𝒋 𝒇𝟐𝒋 𝒇𝑰𝒋

𝒃𝒋𝟏 = (𝒂𝟏𝟏 + 𝒂𝟐𝟐 + ⋯ + 𝒂𝑰𝟏 ) , 𝒋 = 𝟏, … 𝑱
𝝀𝟏 𝑪𝒋 𝑪𝒋 𝑪𝒋

−0.34 = 0.85−1 ((−0.38 ∗ 0.18) + (−0.30 ∗ 0.30) + (2.62 ∗ 0))

-0,349944897 -0,06811241
-0,359261432 0,236117817
2,417240311 0,001218947

Las coordenadas de las columnas son las medias de las coordenadas de las filas, ponderadas por los
perfiles de las columnas. Por lo tanto, Las coordenadas de las modalidades del Nivel Socioeconómico
son las medias de las coordenadas de las modalidades del Nivel de Estudio, ponderadas por la
incidencia del Nivel Socioeconómico en el Nivel de Estudio.

Solución asimétrica
La representación utilizando las matrices
−1/2 −1/2
𝐴 = 𝐷𝑟 𝑈𝐷𝜆 𝐵0 = 𝐷𝑐 𝑉

Es decir, coordenadas principales para las filas y coordenadas estándar para las columnas, es
la llamada solución asimétrica. Esta solución verifica

P − rc ′ = Dr AB0′ Dc
y por lo tanto A; 𝐵0 reproducen mejor la dependencia entre filas y columnas.
 Mapa Perceptual de A y Bo
PRIMARA 1

ALTO 0.5 BAJO SUPERIOR

0
-1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
-0.5
MEDIO
-1

-1.5
SECUNDARIA
-2

-2.5

Gráficamente se observa que la modalidad Superior y la modalidad Baja están cercanas

siendo éste un indicio de relación existente entre estas modalidades, se confirma así que el
Nivel de estudio de tipo Superior funcionan únicamente empezando desde un Nivel Bajo de
estudio. Cuanto mayor cercano están los puntos en el mapa perceptual, la frecuencia de esa
celda en la tabla de contingencia es alta.

Solución simétrica

La representación utilizando las matrices

−1/2
−1/2
𝐴 = 𝐷𝑟 𝑈𝐷𝜆 𝐵 = 𝐷𝑐 𝑉𝐷𝜆

Mapa Perceptual de A y B
0.3
PRIMARA

0.2

ALTO
0.1
BAJO SUPERIOR

0
-1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
SECUNDARIA -0.1

MEDIO -0.2

-0.3
Gráficamente se observa que la modalidad Superior del tipo Nivel de Estudio y la modalidad
Nivel bajo del tipo Nivel Socioeconómico están cercanas siendo éste un indicio de relación
existente entre estas modalidades, teniendo así que muchos Niveles de Estudio Superior tiene
un Nivel Socioeconómico bajo. Cuanto mayor cercano están los puntos en el mapa
perceptual, la frecuencia de esa celda en la tabla de contingencia es alta.

Fracción de variabilidad geométrica (inercia)

∑m 2
k=1 λk
Pm = siendo K = min(I, J)
∑kk=1 λ2k

m=2

P2 = 99.99

El porcentaje de variabilidad geométrica explicada de la primera coordenada principal es

𝑃2=99,99% siendo un porcentaje muy bueno, entonces se podría decir que las conclusiones
obtenidas del mapa perceptual serán confiables.

Bibliografía:
http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/EItema2.pdf
Nuevos métodos de análisis multivariante C.M. Cuadras (Barcelona 2018)