INTRODUCCIÓN AL ANÁLISIS

MULTIVARIADO

Profesora Grabiela Montes Quintana

gmontes@ulima.edu.pe
Introducción al análisis multivariado

El Análisis Multivariado es el conjunto de métodos estadísticos cuya finalidad es analizar

simultáneamente conjuntos de datos que tiene varias variables medidas para cada
individuo ú objeto estudiado.

Su razón de ser radica en un mejor entendimiento del fenómeno objeto de estudio,

obteniendo información que los métodos estadísticos univariantes y bivariantes son
incapaces de conseguir.

Definición: Rama de la estadística que incluye un conjunto de técnicas descriptivas e

inferenciales para resumir, representar y analizar las observaciones o respuestas de varias
variables aleatorias correlacionadas realizada sobre una o más muestras de individuos.

2 5 de Mayo de 2022
Análisis multivariado
OBJETIVOS

Transformar una masa de observaciones en un número menor de puntuaciones compuestas

de manera que reflejen la mayor cantidad de información de las puntuaciones originales.

Proporcionar métodos cuya finalidad es el estudio conjunto de datos multivariados que

el análisis estadístico unidimensional y bidimensional es incapaz de conseguir.

Ayudar al analista o investigador a tomar decisiones óptimas en el contexto en el que se

encuentre teniendo en cuenta la información disponible por el conjunto de datos analizado.

3 5 de Mayo de 2022
Análisis multivariado
SUPUESTOS

Cada variable dependiente (consecuente) es, potencialmente, una función de múltiples

determinantes.

Cualquier variable independiente (antecedente) tiene, potencialmente, múltiples

consecuentes.

El estudio de relaciones múltiples (antecedentes y consecuentes) provee un modelo útil para

la organización de sistemas complejos.

4 5 de Mayo de 2022
Tipos de variables y escalas de medidas

5 5 de Mayo de 2022
El archivo de trabajo o matriz de datos
Variable
X1 X2 X3 ... Xj ... Xp

1 X11 X12 X13 ... X1j ... X1k

2 X21 X22 X23 ... X2j ... X2k
Individuos

3 X31 X32 X33 ... X3j ... X3k

... ... ... ... ... ... ... ...
i Xi1 Xi2 Xi3 ... Xij ... Xik
... ... ... ... ... ... ... ...
n Xn1 Xn2 Xn3 ... Xnj ... Xnp

6 5 de Mayo de 2022
Tipos de matrices de datos
1. Matrices de individuos por variable
a) Matrices de datos cuantitativos.
En este tipo de matrices, las variables son cuantitativas. Es decir, el término Xij es la puntuación dada
por el individuo “i” a la variable “j”.
b) Matrices de datos ordinales.
En este tipo de matrices, las variables son cualitativas. Es decir, el término Xij es la clasificación dada
por el individuo “i” al objeto “j”.
c) Matrices de datos lógicos y disyuntivas complejas.
En este tipo de matrices, las variables son nominales, en las que cada uno de los niveles de éstas es
representado por una variable del tipo booleano; esto es, 1=pertenece al nivel y 0=no pertenece al
nivel.

7 5 de Mayo de 2022
Tipos de matrices de datos
2. Matrices de variables por variables
a) Matrices de valores medios.
Cada elemento de la matriz corresponde al valor medio de las puntuaciones de los individuos la i-ésima
variable.
b) Matrices de valores absolutos.
Esta matriz contiene la repartición de los individuos de la muestra según dos variables que se estén
analizando. Cada elemento de la matriz, nij, corresponde al número de individuos que poseen la
modalidad “i” de la variable 1 y a la vez la modalidad “j” de la variable 2.
c) Matrices de distancia y/o similitudes .
Esta muestra las distancia y/o similitudes entre los individuos entre las variables que se están
estudiando. Se entiende por distancia a la función simétrica de valores reales entre dos individuos de
forma, que cuanto más se parezcan, menor será la distancia entre ellos. Del mismo modo, se entiende
por similitud a la función simétrica de valores reales definida entre dos individuos de forma que, cuanto
más se parezcan, mayor será su similitud.

8 5 de Mayo de 2022
Concepto de proximidad
En la mayoría de los métodos de análisis multivariado intervienen, bajo diversas formas matemáticas, el
concepto fundamental es el de “proximidad”, que expresa la mayor o menor semejanza que existe entre dos
individuos o variables o entre grupos de variables o grupos de individuos. Para medir la proximidades se tiene
dos medidas: distancias y similitudes.

1. Distancias
Se denomina distancia dAB entre los puntos A y B, pertenecientes a un mismo conjunto E, a toda medida
que verifique los siguientes axiomas:
a) Axioma del signo: dAB  0; dAA = 0  A  B  E
b) Axioma de simetría: dAB = dBA  A  B  E
c) Axioma de desigualdad triangular: dAC  dAB + dBC  A  B  C E

9 5 de Mayo de 2022
Concepto de proximidad
2. Similitudes
Los índices de similitud se utilizan para comparar los elementos de un conjunto estudiados, los cuales a la
inversa que las distancias se consideran con mayor similitud cuanto mas pequeña sea su distancia.
Suponiendo que a cada par de objetos A, B  E asociamos una medida de similitud SAB, ésta aumentara
siempre que la semejanza entre A y B aumente, es decir, SAB varía como el inverso de su distancia.
a) Axioma del signo: SAA = SBB  SAB  A  B  E
b) Axioma de simetría: SAB = SBA  A  B  E

10 5 de Mayo de 2022
Matriz de varianza-covarianza
Una matriz de varianzas-covarianzas es una matriz cuadrada que contiene las varianzas y
covarianzas asociadas con diferentes variables. Los elementos de la diagonal de la matriz
contienen las varianzas de las variables, mientras que los elementos que se encuentran fuera
de la diagonal contienen las covarianzas entre todos los pares posibles de variables.
 S11 S12 S13  S1 p 
S S 22 S 23  S 2 p 
 21
S =  S 31 S 32 S 33  S3 p 
 
      
 S p1 S p2 S p3  S pp 

Sii es la varianza de la variable Xi
Sij es la covarianza entre las variables Xi y Xj

11 5 de Mayo de 2022
Matriz de correlación
La matriz de correlación R es una matriz cuadrada n x n constituida por los coeficientes de
correlación de cada par de variables; de manera que tendrá en su diagonal principal valores
uno, y en el resto los correspondientes coeficientes de correlación rij. La matriz de
correlación será, obviamente, simétrica, y conservará las propiedades de ser definida-
positiva y tener un determinante no negativo; además el determinante será siempre menor o
igual que 1.
1 r12 r13  r1 p 
r 1 r23  r2 p 
 21
R =  r31 r32 1  r3 p 
 
      
rp1 rp 2 rp 3  1 


12 5 de Mayo de 2022
Autovalores y autovectores
 Los vectores propios, autovectores o eigenvectors de un operador lineal son los vectores no nulos que,
cuando son transformados por el operador, dan lugar a un múltiplo escalar de sí mismos, con lo que no
cambian su dirección.
 Este escalar  recibe el nombre valor propio, autovalor, valor característico o eigenvalor. A menudo, una
transformación queda completamente determinada por sus vectores propios y valores propios.
 El vocablo en alemán eigen, se traduce en español como propio. Eigen se ha traducido también como
inherente, característico o el prefijo auto, donde se aprecia el énfasis en la importancia de los valores
propios para definir la naturaleza única de una determinada transformación lineal. Las denominaciones
vector y valor característicos también se utilizan habitualmente

13 5 de Mayo de 2022
 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15

Ejemplo de aplicación 19.22

17.47
12.48
0.61
0.78
0.78
30.10
33.30
34.80
42.70
41.60
39.10
27.20
25.10
26.10
18.10
1.20
6.90
10.50
0.70
4.00
0.81
0.06
4.27
13.00
11.00
15.00
46.00
50.40
51.50
1.17
1.51
1.93
0.35
0.53
0.60
1.34
1.77
2.23
9.20
9.40
9.40
6.00
6.90
5.10
24.57 0.78 43.20 35.60 21.20 1.60 0.90 0.07 12.00 63.20 2.05 0.60 2.35 10.50 7.00
19.34 0.62 31.00 39.30 29.70 9.00 5.20 0.32 16.00 60.90 1.58 0.44 1.80 10.30 6.50
Se tiene la siguiente matriz de datos: 34.56 0.80 40.50 32.90 26.60 3.10 1.80 0.14 13.00 57.00 1.32 0.32 1.48 10.80 7.00
16.33 0.71 28.20 40.20 31.60 7.90 4.60 0.33 14.00 50.50 1.42 0.28 1.56 9.80 5.30
38.64 0.69 35.80 42.30 21.90 2.80 1.60 0.12 13.00 44.00 2.13 0.25 2.26 10.00 5.90
22.20 0.80 48.30 25.60 26.10 6.40 3.70 0.25 15.00 61.80 1.05 0.37 1.23 9.50 5.00
73.94 0.79 43.80 33.60 22.60 4.50 2.60 0.20 13.00 65.30 1.23 0.34 1.40 9.80 6.00
22.19 0.87 59.10 25.40 15.50 2.90 1.70 0.11 15.00 60.20 1.52 0.30 1.67 9.00 6.00
12.28 0.89 70.70 13.60 15.70 0.50 0.30 0.02 17.00 58.00 1.41 0.22 1.52 9.20 6.00
46.90 0.70 35.10 48.60 16.30 11.50 6.70 0.39 17.00 34.90 1.93 0.35 2.10 10.20 5.90
31.25 0.63 47.90 26.60 25.50 2.80 1.60 0.13 12.00 56.70 2.35 0.66 2.68 11.20 6.10
40.37 0.69 39.10 49.10 11.80 6.80 3.90 0.26 15.00 72.30 1.88 0.65 2.20 10.50 5.00
5.14 0.79 53.70 33.90 12.40 0.40 0.20 0.01 13.00 63.40 1.89 0.21 1.99 10.00 6.00
18.82 0.71 45.40 35.60 19.00 9.10 5.30 0.41 13.00 64.70 1.80 0.49 2.04 10.60 5.40
42.24 0.66 39.00 33.50 27.50 5.50 3.20 0.23 14.00 70.40 2.06 0.27 2.20 10.80 5.60
76.73 0.63 42.10 25.60 32.30 10.00 5.80 0.41 14.00 70.00 2.03 0.34 2.20 10.80 5.30
51.87 0.57 41.60 38.30 20.10 2.30 1.30 0.07 18.00 74.00 2.96 0.66 3.30 9.50 6.20
70.00 0.50 45.70 32.30 22.00 12.00 7.00 0.54 13.00 86.90 3.42 1.80 4.32 11.50 4.80
16.86 0.77 30.20 48.50 21.30 0.50 0.30 0.04 16.00 70.50 2.09 0.91 2.54 10.80 4.40
171.05 0.69 27.80 34.70 37.50 12.70 7.40 0.46 16.00 80.60 3.09 1.25 3.72 10.30 5.10
481.90 0.72 20.30 45.50 34.20 11.90 6.90 0.53 13.00 87.20 3.06 1.96 4.04 10.80 5.40
22.13 0.75 35.30 31.80 32.90 10.10 5.90 0.45 13.00 76.20 2.98 0.94 3.45 10.70 6.00
28.00 0.64 37.90 22.60 39.50 4.40 2.50 0.19 13.00 80.90 3.42 1.00 3.92 10.70 6.30
62.44 0.80 73.80 16.00 10.20 7.69 4.46 0.46 9.69 68.10 1.08 1.02 1.60 48.75 5.40
60.06 0.84 61.10 26.00 12.90 2.25 1.30 0.13 10.00 76.50 1.01 0.45 1.23 36.75 5.30
225.72 0.76 45.84 37.64 16.52 13.67 7.92 0.60 13.20 82.20 3.72 0.50 3.97 35.50 5.10
364.78 0.69 67.84 25.64 6.52 10.25 5.94 0.50 11.88 85.90 5.87 0.90 6.32 58.75 6.30
53.12 0.53 45.80 41.64 12.88 13.30 7.71 0.00 7.38 87.90 3.58 0.67 3.92 49.50 5.00
117.95 0.66 73.48 23.64 2.88 5.99 3.47 0.00 4.35 72.50 3.82 0.35 4.00 67.75 5.00
30.19 0.86 46.20 32.40 21.40 4.60 2.70 0.36 7.38 65.90 1.71 0.25 1.83 46.50 6.80
27.92 0.94 66.20 22.70 11.10 1.50 0.90 0.20 4.35 67.00 0.86 0.15 0.93 40.25 7.40
52.89 0.60 89.32 9.00 1.68 11.26 6.53 0.45 14.50 63.00 2.28 0.52 2.54 53.25 5.30
125.52 0.67 92.80 5.40 1.75 8.50 4.93 0.50 9.86 72.40 2.73 0.40 2.93 54.50 5.90
87.00 0.75 53.00 34.64 12.36 13.80 8.00 0.16 13.30 76.30 2.15 0.36 2.33 29.50 6.50
32.04 0.89 56.00 28.64 15.36 1.30 0.80 0.09 8.89 78.10 1.82 0.83 2.24 44.00 6.00
64.13 0.75 45.22 27.28 27.50 9.90 5.70 0.35 14.72 80.70 4.11 0.55 4.38 23.00 5.50
36.30 0.61 50.22 38.28 11.50 5.90 3.40 0.25 13.60 79.60 3.85 0.55 4.13 43.25 5.70
40.33 0.78 45.12 30.00 24.88 8.10 4.70 0.35 13.42 81.20 3.74 1.60 4.54 34.50 5.80
35.18 0.75 47.12 44.00 8.88 2.50 1.40 0.15 9.33 83.60 3.13 1.90 5.08 41.25 6.10

14 5 de Mayo de 2022
Ejemplo de aplicación
Vector de media

15 5 de Mayo de 2022
Ejemplo de aplicación
Matriz de varianzas-covarianzas
Matrix COVA1

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15

X1 8519,040 -1,075 -3,215 16,256 -13,224 166,112 96,375 1,894 -15,541 549,606 51,947 17,672 60,052 406,251 -9,056
X2 -1,080 0,010 0,245 -0,166 -0,080 -0,229 -0,132 0,000 -0,062 -0,215 -0,048 -0,010 -0,052 0,030 0,023
X3 -3,210 0,245 256,606 -134,835 -121,840 -9,375 -5,428 -1,467 -19,491 28,753 1,021 -1,619 0,209 203,884 0,600
X4 16,260 -0,166 -134,835 103,440 31,500 4,438 2,549 0,549 7,500 -16,668 0,011 0,844 0,708 -80,105 -0,678
X5 -13,220 -0,080 -121,840 31,500 90,306 4,986 2,908 0,914 11,954 -11,939 -1,023 0,776 -0,908 -123,611 0,071
X6 166,110 -0,229 -9,375 4,438 4,986 20,292 11,790 0,677 1,842 10,709 1,590 0,393 1,682 8,858 -1,029
X7 96,370 -0,132 -5,428 2,549 2,907 11,790 6,851 0,394 1,058 6,177 0,916 0,228 0,968 5,156 -0,598
X8 1,890 0,000 -1,467 0,549 0,914 0,677 0,394 0,417 0,310 -1,458 -0,004 0,018 0,000 -1,179 -0,092
X9 -15,540 -0,062 -19,491 7,500 11,954 1,842 1,058 0,310 9,390 -9,321 -0,121 0,008 -0,200 -37,738 -0,475
X10 549,610 -0,215 28,753 -16,668 -11,939 10,709 6,177 -1,458 -9,321 164,052 8,883 3,493 11,009 98,765 -2,108
X11 51,950 -0,048 1,021 0,011 -1,023 1,590 0,916 -0,004 -0,121 8,883 1,148 0,231 1,283 7,664 -0,142
X12 17,670 -0,010 -1,619 0,844 0,776 0,393 0,228 0,018 0,008 3,493 0,231 0,212 0,368 0,467 -0,077
X13 60,050 -0,052 0,209 0,708 -0,908 1,682 0,968 0,000 -0,200 11,009 1,283 0,368 1,527 8,354 -0,174
X14 406,250 0,030 203,884 -80,105 -123,611 8,858 5,156 -1,179 -37,738 98,765 7,664 0,467 8,355 326,214 -0,197
X15 -9,060 0,023 0,600 -0,678 0,071 -1,029 -0,598 -0,092 -0,475 -2,108 -0,143 -0,077 -0,174 -0,197 0,448

16 5 de Mayo de 2022
Ejemplo de aplicación
Matriz de correlaciones
Matrix CORR

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15

X1 1,000 -0,117 -0,002 0,017 -0,015 0,400 0,399 0,032 -0,055 0,465 0,525 0,416 0,527 0,244 -0,147
X2 -0,117 1,000 0,154 -0,164 -0,085 -0,512 -0,509 0,002 -0,204 -0,169 -0,452 -0,212 -0,427 0,017 0,345
X3 -0,002 0,154 1,000 -0,828 -0,800 -0,130 -0,129 -0,142 -0,397 0,140 0,060 -0,219 0,011 0,705 0,056
X4 0,017 -0,164 -0,828 1,000 0,326 0,097 0,096 0,084 0,241 -0,128 0,001 0,180 0,056 -0,436 -0,100
X5 -0,015 -0,085 -0,800 0,326 1,000 0,116 0,117 0,149 0,410 -0,098 -0,100 0,177 -0,077 -0,720 0,011
X6 0,400 -0,512 -0,130 0,097 0,116 1,000 1,000 0,233 0,133 0,186 0,329 0,189 0,302 0,109 -0,341
X7 0,399 -0,509 -0,129 0,096 0,117 1,000 1,000 0,233 0,132 0,184 0,327 0,189 0,299 0,109 -0,341
X8 0,032 0,002 -0,142 0,084 0,149 0,233 0,233 1,000 0,157 -0,176 -0,005 0,060 0,000 -0,101 -0,214
X9 -0,055 -0,204 -0,397 0,241 0,410 0,133 0,132 0,157 1,000 -0,237 -0,037 0,006 -0,053 -0,682 -0,231
X10 0,465 -0,169 0,140 -0,128 -0,098 0,186 0,184 -0,176 -0,237 1,000 0,647 0,592 0,696 0,427 -0,246
X11 0,525 -0,452 0,060 0,001 -0,100 0,329 0,327 -0,005 -0,037 0,647 1,000 0,467 0,969 0,396 -0,199
X12 0,416 -0,212 -0,219 0,180 0,177 0,189 0,189 0,060 0,006 0,592 0,467 1,000 0,646 0,056 -0,250
X13 0,527 -0,427 0,011 0,056 -0,077 0,302 0,299 0,000 -0,053 0,696 0,969 0,646 1,000 0,374 -0,210
X14 0,244 0,017 0,705 -0,436 -0,720 0,109 0,109 -0,101 -0,682 0,427 0,396 0,056 0,374 1,000 -0,016
X15 -0,147 0,345 0,056 -0,100 0,011 -0,341 -0,341 -0,214 -0,231 -0,246 -0,199 -0,250 -0,210 -0,016 1,000

17 5 de Mayo de 2022
Ejemplo de aplicación
Vector de auto valores y matriz de auto vectores de la matriz de varianzas-covarianzas

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15

8580,8625 X1 -0,996 0,043 -0,070 -0,014 0,007 -0,020 0,002 -0,003 0,000 0,000 0,000 0,000 0,000 0,000 0,000
612,6531 X2 0,000 0,000 -0,002 0,000 0,001 -0,011 0,006 -0,035 0,004 -0,046 0,009 -0,427 -0,895 -0,064 0,097
142,2190 X3 -0,001 -0,606 -0,409 0,231 0,252 0,109 0,052 0,026 0,004 0,002 -0,005 0,029 0,025 -0,576 -0,014
95,7694 X4 -0,001 0,289 0,334 -0,556 0,398 0,058 0,019 -0,009 -0,003 -0,004 -0,012 0,031 0,024 -0,575 -0,014
41,2569 X5 0,002 0,316 0,077 0,325 -0,650 -0,165 -0,066 -0,015 -0,001 0,017 -0,008 0,026 0,027 -0,576 -0,014
21,3583 X6 -0,019 0,014 0,047 -0,041 -0,233 0,812 0,167 0,015 -0,037 -0,012 0,005 -0,030 0,060 -0,010 0,498
4,0541 X7 -0,011 0,008 0,027 -0,024 -0,136 0,471 0,100 0,003 -0,019 -0,005 0,010 0,040 -0,118 0,019 -0,855
0,9453 X8 0,000 0,004 -0,006 -0,008 -0,020 0,026 -0,033 0,036 0,765 -0,630 -0,117 0,011 0,027 -0,002 -0,003
0,4297 X9 0,002 0,071 -0,067 0,073 0,107 0,228 -0,923 -0,245 -0,075 -0,055 0,025 0,001 0,003 -0,003 -0,002
0,2710 X10 -0,066 -0,149 0,740 0,579 0,285 0,061 0,044 -0,054 -0,002 -0,026 -0,016 0,000 0,002 0,001 0,000
0,1275 X11 -0,006 -0,008 0,040 0,010 0,000 0,030 -0,177 0,634 -0,035 0,076 -0,404 0,551 -0,293 0,020 0,061
0,0056 X12 -0,002 0,002 0,018 0,010 0,005 0,000 -0,013 0,094 0,131 0,003 0,868 0,424 -0,192 -0,001 0,052
0,0046 X13 -0,007 -0,008 0,053 0,012 0,008 0,025 -0,184 0,713 0,036 0,049 0,249 -0,572 0,239 -0,020 -0,063
0,0005 X14 -0,050 -0,648 0,388 -0,433 -0,435 -0,123 -0,175 -0,066 -0,009 0,000 0,007 0,001 0,002 0,000 0,000
0,0003 X15 0,001 -0,001 -0,011 -0,005 -0,012 -0,055 0,057 0,101 -0,623 -0,767 0,074 0,037 0,017 -0,005 -0,003

18 5 de Mayo de 2022
Ejemplo de aplicación
Vector de auto valores y matriz de auto vectores de la matriz de correlaciones

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15

4,3908 X1 -0,3188 -0,0101 0,0733 -0,3670 0,0331 -0,2938 0,1328 -0,5855 -0,1363 0,5256 -0,1119 0,0476 0,0280 0,0011 -0,0006
3,5558 X2 0,2641 -0,1617 0,1882 -0,4953 -0,2416 -0,1511 0,2294 -0,2540 -0,0363 -0,5561 0,3156 -0,1218 -0,0081 -0,0029 -0,0004
1,7794 X3 -0,0123 -0,4773 -0,2318 0,1535 -0,1507 -0,1863 -0,0331 -0,0391 0,1746 0,0465 -0,0336 -0,1753 -0,0044 -0,0062 -0,7551
1,0226 X4 -0,0147 0,3603 0,2028 -0,1011 0,2057 0,6229 -0,0048 -0,3346 0,0777 -0,1474 -0,1348 0,0264 -0,0229 -0,0038 -0,4786
1,0002 X5 0,0358 0,4189 0,1735 -0,1502 0,0350 -0,3505 0,0617 0,4251 -0,3790 0,0787 0,1996 0,2664 0,0261 -0,0039 -0,4480
0,8454 X6 -0,3076 0,1683 -0,4521 -0,1685 0,2310 -0,0783 0,1080 0,0556 0,1154 -0,2120 0,0544 -0,0875 0,0244 -0,7075 0,0060
0,7321 X7 -0,3067 0,1680 -0,4528 -0,1710 0,2305 -0,0788 0,1109 0,0566 0,1157 -0,2128 0,0585 -0,0877 -0,0193 0,7060 -0,0056
0,6202 X8 -0,0353 0,1536 -0,2660 -0,4327 -0,6233 0,1693 -0,4550 0,1439 -0,0365 0,0612 -0,2593 -0,0030 0,0015 0,0006 -0,0001
0,3952 X9 0,0293 0,3565 -0,0699 0,3955 -0,2490 -0,3921 -0,1456 -0,3968 0,2401 -0,2959 -0,1114 0,3985 0,0041 0,0014 -0,0008
0,3483 X10 -0,3482 -0,1364 0,2829 0,0200 -0,0788 -0,0959 0,2991 0,1944 -0,1642 -0,3387 -0,7037 -0,0129 0,0096 0,0018 0,0007
0,2125 X11 -0,4087 -0,0549 0,1737 0,1351 0,0113 -0,0349 -0,4063 -0,0865 -0,2803 -0,1661 0,2330 -0,1691 -0,6467 -0,0193 0,0019
0,0924 X12 -0,3036 0,0869 0,3502 -0,1037 -0,2348 0,0088 0,2013 0,2458 0,7074 0,1709 0,1988 0,0475 -0,1980 -0,0072 0,0000
0,0049 X13 -0,4193 -0,0393 0,2491 0,0953 -0,0412 0,0115 -0,3215 -0,0154 -0,0285 -0,1280 0,2612 -0,1446 0,7343 0,0231 -0,0022
0,0000 X14 -0,1983 -0,4343 -0,1036 -0,1272 0,0559 0,2381 -0,0220 0,0291 -0,0598 -0,0937 0,1412 0,8073 -0,0044 -0,0006 0,0000
0,0000 X15 0,2015 -0,1190 0,2087 -0,3282 0,5010 -0,2884 -0,5232 0,0854 0,3223 -0,0787 -0,2562 0,0531 -0,0138 0,0007 -0,0003

19 5 de Mayo de 2022