UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Universidad del Perú, DECANA DE AMERICA

FACULTAD DE CIENCIAS MATEMÁTICAS

11

ESCUELA PROFESIONAL DE ESTADÍSTICA

ANÁLISIS MULTIVARIANTE
Mg. María Estela Ponce Aruneri
mponcea@unmsm.edu.pe

SEMESTRE 2017 – II
Sesión 22 y 23
 ANÁLISIS
DISCRIMINANTE
LINEAL DE FISHER
PARA DOS
POBLACIONES
 INTRODUCCIÓN
Fisher en 1936 realizo un estudio para el esclarecimiento
de la taxonomía tradicional en la biología y antropología
física (clasificación de flores).

Tatsuoka y Tiedman en 1954, realizaron aplicaciones en

Pedagogía y Psicología, para averiguar que variables
caracterizan y discriminan a los estudiantes exitosos de
aquellos que fracasan al postular a un programa
educativo.

Klecka en 1973, aplica al estudio de intención de voto,

para determinar las variables que más inciden en la
decisión de a que partido político darle el voto.
3
OBJETIVOS

4
5
APLICACIONES

6
7
8
FASES DEL ESTUDIO

9
10
11
12
13
14
15
16
Para dos poblaciones bivariadas, se tiene:

17
18
19
20
21
22
23
Λ̂

24
25
26
27
 ANÁLISIS
DISCRIMINANTE:
CASO DOS
POBLACIONES CON
DISTRIBUCIONES
CONOCIDAS
28
 CLASIFICACIÓN GENERAL EN DOS
POBLACIONES CON DISTRIBUCIÓN CONOCIDA
 X1 
 . 
 
Dado el vector X . 
 
y dos poblaciones 1, 2
 . 
 X P 

Con: f1 la función de densidad de la primera población

y f2 la función de densidad de la segunda población
El objetivo es separar el espacio muestral  en dos
regiones R1 y R2 disjuntas tales que:

29
 P(1 | 2)   f 2 ( x)dx
R1

P(2 | 1)   f1 ( x)dx P(2 | 2)   f 2 ( x)dx

R2 R2

30
30
 ▪ p1 : probabilidad de que pertenezca a 1
▪ p2 : probabilidad de que pertenezca a 2

▪ P(clasificar correctamente en 1 ) = P(1/1).p(1)

▪ P(clasificar incorrectamente en 1) = P(1/2).p(2)
▪ P(clasificar correctamente en 2) =P(2/2).p(2)
▪ P(clasificar incorrectamente en 2) = P(2/1).p(1)

Objetivo: encontrar la mejor regla de clasificación, que

proporcionará las regiones que minimicen el costo
esperado por mala clasificación.

31
31
 Error de clasificación
(1 variable predictora / 2 grupos)

Grupo A
Grupo B
x

Valor de Corte

x
Valor de Corte

Valor de Corte

x 32
32
El coste esperado por mala clasificación para este caso
es:
CLASIFICAR EN:
1 2
La POBLACIÓN ES
1 0 C(2/1)

2 C(1/2) 0

CEMC  C (1/ 2)  P(1| 2)  p2  C (2 /1)  P(2 |1)  p1

33
33
 REGLA DE CLASIFICACIÓN ÓPTIMA PARA
DOS POBLACIONES

Teorema

Las regiones R1 y R2 que minimizan el coste esperado

por mala clasificación son:

 f1 ( x) C (1/ 2) p2 
R1   x  p :  
 f 2 ( x) C (2 / 1) p1 
 f1 ( x) C (1/ 2) p2 
R2   x  p :  
 f 2 ( x) C (2 / 1) p1 

34
34
 Corolario
1 Si p1 = p2 
 f1 ( x ) C (1 / 2) 
R1   x   p :  
 f 2 ( x) C (2 / 1) 
 f1 ( x ) C (1 / 2) 
R2   x   p :  
 f 2 ( x) C (2 / 1) 

2Si C (1 / 2)= C (2 / 1) 
 f1 ( x ) p2 
R1   x   p :  
 f 2 ( x) p1 
 f1 ( x ) p2 
R2   x   p :  
 f 2 ( x) p1 

Conocida como la regla de discriminación de Bayes o

discriminación con información a priori. 35
35
Cuando p1= p2 = ½ , el discriminador es óptimo.

3Si C (1 / 2)= C (2 / 1) y p1  p2 
 f1 ( x ) 
R1   x   p :  1
 f 2 ( x) 
 f1 ( x ) 
R2   x   p :  1
 f 2 ( x) 

Regla de discriminación máximo verosímil

36
36
CLASIFICACIÓN PARA DOS POBLACIONES NORMALES

Además de los supuestos mencionados se requiere las

siguientes condiciones:

1°Variables predictoras con distribución normal

multivariada; medidas en escala métrica.
2° Observaciones independientes.
3°La variable de grupo, debe ser verdaderamente
categórica.
4° Las medias de los grupos deben ser diferentes.

37
37
  X1 
 . 
 
Se tiene el vector X . 
 
 . 
 X P 

y se obtiene una matriz de datos X(1) de una población

que tiene Np(1,)
además se tiene otra matriz de datos X(2) de una
población que tiene Np(2,)

Objetivo: hallar dos regiones R1 y R2 que minimizan el CEMC.

38
38
 Recordar que:

1
1   x-μ ' Σ-1  x-μ 
f ( x)  1/ 2
e 2

(2 ) p/2
Σ

 1    12  12 . . 1 p 
   
 2  21  22 . . 2p 
E ( x)  μ   .  y Cov( x)  Σ   . . . . . 
   
 .   . . . . . 
 p    p2 . .  p2 
   p1

39
39
Teorema:
Las regiones R1 y R2 que minimizan el CEMC son:

40
 1 Σ1 1
k   ln    '1 11 1   '2  21 2  .
2 Σ2 2

Denominada regla de clasificación cuadrática.

41
 Corolario

1º Si  1 = 2 se obtienen las regiones:

  C (1/ 2) p2  
R1   x  :  1  2  '  x  k  ln 
p 1
 
  C (2/1) p1  
  C (1/ 2) p2  
R2   x   :  1  2  '  x  k  ln 
p 1
 
 1 2
 C (2/1) p1  

k     '1  1 1   '2  1  2  .
1
2
42
42
 2° Sí se cumple condición 1º y

C (1/ 2) p2
 1
C (2 /1) p1

( 1   2 ) '  x    '1  1 1   '2  1  2   0

1 1
2

Coincide con la regla discriminante lineal de Fisher.

43

43
 CLASIFICACIÓN PARA DOS POBLACIONES
NORMALES : ESTIMACIONES

Dadas dos poblaciones 1 y 2 y las matrices de datos

Se estiman los vectores de las medias poblacionales y las

matrices de covarianzas poblacionales.

44
44
EJEMPLO

De una muestra de pacientes, se tiene las siguientes

variables: edad, peso, talla, atenuación de densidad ósea,
menarquia, edad de actividad laboral previa, según la
OMS las pacientes fueron clasificadas:

Determine las variables que tienen mayor influencia

en la presencia de osteopenia.
45
Ejercicio:

46
 BIBLIOGRAFÍA

[1] MARDIA, KENT AND BIBBY. 1982. Multivariate

Analysis. Academic Press. London.

[2] MARTIN BILODAEU, DAVID BRENNER. 1999.

Theory of Multivariate Statistics. Springer Texts in
Statistics. Montreal. Canada.

[3]DANIEL PEÑA, 2002. Análisis de Datos

Multivariados. McGRAW-HILL/ Interamericana de
España.

[[4]JOHNSON, R.; WICHERN, D. 2014. Applied

Multivariate Statistical Analysis. Sixth Edition. Pearson
New International Edition.
[5]ALVIN C. RENCHER. 2012. Methods of Multivariate
Analysis. John Wiley & Sons, Inc. United States of
America.

[6]CHARLES M. CUADRAS, 2014. Nuevos Métodos de

Análisis Multivariante . CMC EDITIONS. España