Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.

org/0000-0002-3962-5433

Análisis de Correspondencia Múltiple (ACM) con R Studio

Carga de la base de datos

library(FactoMineR)
library(ade4)

##
## Attaching package: 'ade4'

## The following object is masked from 'package:FactoMineR':

##
## reconst

library(FactoClass)

## Loading required package: ggplot2

## Loading required package: ggrepel

## Loading required package: xtable

## Loading required package: scatterplot3d

library(factoextra)

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3

WBa

library(missMDA)
data("poison")

#Estos datos son el resultado de una encuesta realizada a niños de primaria que sufrie
ron intoxicación alimentaria.Se les preguntó sobre sus síntomas y sobre lo que comían.

# Trabajando con las variables categóricas

datos = poison[,c(3:15)]
str(datos)

## 'data.frame': 55 obs. of 13 variables:

## $ Sick : Factor w/ 2 levels "Sick_n","Sick_y": 2 1 2 1 2 2 2 2 2 2 ...
## $ Sex : Factor w/ 2 levels "F","M": 1 1 1 1 2 2 1 1 2 2 ...
## $ Nausea : Factor w/ 2 levels "Nausea_n","Nausea_y": 2 1 1 1 1 1 1 2 2 1 ...
## $ Vomiting : Factor w/ 2 levels "Vomit_n","Vomit_y": 1 1 2 1 2 1 2 2 1 2 ...
## $ Abdominals: Factor w/ 2 levels "Abdo_n","Abdo_y": 2 1 2 1 2 2 2 2 2 1 ...
## $ Fever : Factor w/ 2 levels "Fever_n","Fever_y": 2 1 2 1 2 2 2 2 2 2 ...
## $ Diarrhae : Factor w/ 2 levels "Diarrhea_n","Diarrhea_y": 2 1 2 1 2 2 2 2 2 2 ..
.
## $ Potato : Factor w/ 2 levels "Potato_n","Potato_y": 2 2 2 2 2 2 2 2 2 2 ...
## $ Fish : Factor w/ 2 levels "Fish_n","Fish_y": 2 2 2 2 2 1 2 2 2 2 ...
## $ Mayo : Factor w/ 2 levels "Mayo_n","Mayo_y": 2 2 2 1 2 2 2 2 2 2 ...
## $ Courgette : Factor w/ 2 levels "Courg_n","Courg_y": 2 2 2 2 2 2 2 2 2 2 ...
## $ Cheese : Factor w/ 2 levels "Cheese_n","Cheese_y": 2 1 2 2 2 2 2 2 2 2 ...
## $ Icecream : Factor w/ 2 levels "Icecream_n","Icecream_y": 2 2 2 2 2 2 2 2 2 2 ..
.
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

summary(datos,nbelements=Inf)

## Sick Sex Nausea Vomiting Abdominals Fever

## Sick_n:17 F:28 Nausea_n:43 Vomit_n:33 Abdo_n:18 Fever_n:20
## Sick_y:38 M:27 Nausea_y:12 Vomit_y:22 Abdo_y:37 Fever_y:35
## Diarrhae Potato Fish Mayo Courgette
## Diarrhea_n:20 Potato_n: 3 Fish_n: 1 Mayo_n:10 Courg_n: 5
## Diarrhea_y:35 Potato_y:52 Fish_y:54 Mayo_y:45 Courg_y:50
## Cheese Icecream
## Cheese_n: 7 Icecream_n: 4
## Cheese_y:48 Icecream_y:51

Análisis de Correspondencia Múltiple (ACM)

library(FactoMineR)
library(ade4)

##
## Attaching package: 'ade4'

## The following object is masked from 'package:FactoMineR':

##
## reconst

library(FactoClass)

## Loading required package: ggplot2

## Loading required package: ggrepel

## Loading required package: xtable

## Loading required package: scatterplot3d

library(factoextra)

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3

WBa

library(missMDA)
data("poison")

#Estos datos son el resultado de una encuesta realizada a niños de primaria que sufrie
ron intoxicación alimentaria.Se les preguntó sobre sus síntomas y sobre lo que comían.

# Trabajando con las variables categóricas

datos = poison[,c(3:15)]
str(datos)

## 'data.frame': 55 obs. of 13 variables:

## $ Sick : Factor w/ 2 levels "Sick_n","Sick_y": 2 1 2 1 2 2 2 2 2 2 ...
## $ Sex : Factor w/ 2 levels "F","M": 1 1 1 1 2 2 1 1 2 2 ...
## $ Nausea : Factor w/ 2 levels "Nausea_n","Nausea_y": 2 1 1 1 1 1 1 2 2 1 ...
## $ Vomiting : Factor w/ 2 levels "Vomit_n","Vomit_y": 1 1 2 1 2 1 2 2 1 2 ...
## $ Abdominals: Factor w/ 2 levels "Abdo_n","Abdo_y": 2 1 2 1 2 2 2 2 2 1 ...
## $ Fever : Factor w/ 2 levels "Fever_n","Fever_y": 2 1 2 1 2 2 2 2 2 2 ...
## $ Diarrhae : Factor w/ 2 levels "Diarrhea_n","Diarrhea_y": 2 1 2 1 2 2 2 2 2 2 ..
.
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

## $ Potato : Factor w/ 2 levels "Potato_n","Potato_y": 2 2 2 2 2 2 2 2 2 2 ...

## $ Fish : Factor w/ 2 levels "Fish_n","Fish_y": 2 2 2 2 2 1 2 2 2 2 ...
## $ Mayo : Factor w/ 2 levels "Mayo_n","Mayo_y": 2 2 2 1 2 2 2 2 2 2 ...
## $ Courgette : Factor w/ 2 levels "Courg_n","Courg_y": 2 2 2 2 2 2 2 2 2 2 ...
## $ Cheese : Factor w/ 2 levels "Cheese_n","Cheese_y": 2 1 2 2 2 2 2 2 2 2 ...
## $ Icecream : Factor w/ 2 levels "Icecream_n","Icecream_y": 2 2 2 2 2 2 2 2 2 2 ..
.

summary(datos,nbelements=Inf)

## Sick Sex Nausea Vomiting Abdominals Fever

## Sick_n:17 F:28 Nausea_n:43 Vomit_n:33 Abdo_n:18 Fever_n:20
## Sick_y:38 M:27 Nausea_y:12 Vomit_y:22 Abdo_y:37 Fever_y:35
## Diarrhae Potato Fish Mayo Courgette
## Diarrhea_n:20 Potato_n: 3 Fish_n: 1 Mayo_n:10 Courg_n: 5
## Diarrhea_y:35 Potato_y:52 Fish_y:54 Mayo_y:45 Courg_y:50
## Cheese Icecream
## Cheese_n: 7 Icecream_n: 4
## Cheese_y:48 Icecream_y:51

Análisis de Correspondencia Múltiple (ACM)

# Para observar visualmente dicha frecuencia
# se utiliza diagramas de caja:

F01<-ggplot(datos, aes(x=t_sick)) + geom_bar(fill= "#ebb4b4")

F02<-ggplot(datos, aes(x=t_sex)) + geom_bar(fill= "#ebe4b4")
F03<-ggplot(datos, aes(x=t_Nausea)) + geom_bar(fill= "#d0ebb4")
F04<-ggplot(datos, aes(x=t_Vomiting)) + geom_bar(fill= "#b4ebc9")
F05<-ggplot(datos, aes(x=t_Abdominals)) + geom_bar(fill= "#b4ebdf")
F06<-ggplot(datos, aes(x=t_Fever)) + geom_bar(fill= "#b4d9eb")
F07<-ggplot(datos, aes(x=t_Diarrhae)) + geom_bar(fill= "#b4baeb")
F08<-ggplot(datos, aes(x=t_Potato)) + geom_bar(fill= "#ebb4ea")
F09<-ggplot(datos, aes(x=t_Fish)) + geom_bar(fill= "#ebb4d0")
F10<-ggplot(datos, aes(x=t_Mayo)) + geom_bar(fill= "#ebb4b9")
F11<-ggplot(datos, aes(x=t_Courgette)) + geom_bar(fill= "#245e6b")
F12<-ggplot(datos, aes(x=t_Cheese)) + geom_bar(fill= "#ffec28")
F13<-ggplot(datos, aes(x=t_Icecream)) + geom_bar(fill= "#6b6924")

F14 <- grid.arrange(F01,F02,F03,F04,F05,F06,F07,F08,

F09,F10,F11,F12,F13, nrow = 5)
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

# De los 55 niños, 28 son mujeres, 27 hombres, de los cuales

# 38 presentaron malestar, 12 nauseas, 22 vómito, 37 dolores abdominales, 35 fiebre, 3
5 diarrea,
# y 52 comieron papas, 54 pescado, 45 mayonesa, 50 calabacín, 48 queso y 51 helados.

# Análisis de Correspondencia Múltiple (ACM)

res.mca <- MCA(datos, graph = FALSE)
res.mca

## **Results of the Multiple Correspondence Analysis (MCA)**

## The analysis was performed on 55 individuals, described by 13 variables
## *The results are available in the following objects:
##
## name description
## 1 "$eig" "eigenvalues"
## 2 "$var" "results for the variables"
## 3 "$var$coord" "coord. of the categories"
## 4 "$var$cos2" "cos2 for the categories"
## 5 "$var$contrib" "contributions of the categories"
## 6 "$var$v.test" "v-test for the categories"
## 7 "$ind" "results for the individuals"
## 8 "$ind$coord" "coord. for the individuals"
## 9 "$ind$cos2" "cos2 for the individuals"
## 10 "$ind$contrib" "contributions of the individuals"
## 11 "$call" "intermediate results"
## 12 "$call$marge.col" "weights of columns"
## 13 "$call$marge.li" "weights of rows"

#visualizar los resultados

#extrae los valores propios y varianzas
eig.val <- get_eigenvalue(res.mca)
head(eig.val)

## eigenvalue variance.percent cumulative.variance.percent

## Dim.1 0.35400698 35.400698 35.40070
## Dim.2 0.11321219 11.321219 46.72192
## Dim.3 0.09360912 9.360912 56.08283
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

## Dim.4 0.08218096 8.218096 64.30093

## Dim.5 0.07415156 7.415156 71.71608
## Dim.6 0.06628886 6.628886 78.34497

#visualizar porcentajes de inercia por cada dimension medinate un Scree Plot

fviz_screeplot(res.mca, addlabels = TRUE, ylim = c(0, 45))

# SIMILITUDES
#biplot de individuos y categorias (similitud)
acm<-dudi.acm(datos,nf=10,scannf = FALSE)
fviz_mca_var(acm,axes=c(1,2),repel = T )+labs(title = "Nube de puntos")

## Warning: ggrepel: 8 unlabeled data points (too many overlaps). Consider

## increasing max.overlaps
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

# las categorías “Abdominals_n”, “Fever_n”, “Diarrhae_n”, “Mayo_n” y “Cheese_n”

#comparten un perfil similar, existe cierta asociación. Por lo que se podría decir
# que hay un grupo de personas que no presentaron ninguna de estas características.

fviz_mca_biplot(acm,repel=TRUE)+labs(title ="Representación simultanea de Síntomas y l

o que comieron")

## Warning: ggrepel: 35 unlabeled data points (too many overlaps). Consider increasing
max.overlaps
## ggrepel: 8 unlabeled data points (too many overlaps). Consider increasing max.overl
aps

# Explicando un 46,7 % de la varianza, se observa similitud entre los niños que presen
tan malestar,
# tuvieron vómito, fiebre, diarrea, nausea, dolores abdominales y comieron pescado, he
lado y mayonesa
# Los que no comieron pescado y no comienron papas presentan similitudes de no present
ar síntomas.
# Como se observa en la nube de variables y sus categorías, la fiebre, diarrea y dolor
es abdomidales se ven relacionados
# con comer mayonesa con comer mayonesa, pesacdo y helado.

# Con base a la nube de variables, ¿cuales son las modalidades más asociadas?
fviz_mca_var(acm,axes=c(1,2),repel = T )+labs(title = "Nube de puntos de Categorías en
el primer plano factorial")
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

## Warning: ggrepel: 8 unlabeled data points (too many overlaps). Consider

## increasing max.overlaps

# Las variables más asociadas son tiene fibre, tiene malestar y dolores abdominales.
# Las otras variables asociadas son no comió pescado y no comió papas

# Resultado del ACM para variables

var <- get_mca_var(res.mca)
var

## Multiple Correspondence Analysis Results for variables

## ===================================================
## Name Description
## 1 "$coord" "Coordinates for categories"
## 2 "$cos2" "Cos2 for categories"
## 3 "$contrib" "contributions of categories"

# Coordinadas
head(var$coord)

## Dim 1 Dim 2 Dim 3 Dim 4 Dim 5

## Sick_n 1.44402578 -0.04357250 0.03805397 -0.093176408 0.05979372
## Sick_y -0.64601153 0.01949296 -0.01702414 0.041684183 -0.02674982
## F 0.03478097 0.38856006 0.35367418 -0.209329096 -0.71992057
## M -0.03606916 -0.40295117 -0.36677322 0.217082026 0.74658430
## Nausea_n 0.24995909 0.09006351 -0.27552471 0.003029634 -0.07581724
## Nausea_y -0.89568672 -0.32272758 0.98729687 -0.010856189 0.27167844

# Contribuciones a las dimensiones

head(var$contrib)

## Dim 1 Dim 2 Dim 3 Dim 4 Dim 5

## Sick_n 14.00493008 0.03987261 0.0367811 0.2511791673 0.11463936
## Sick_y 6.26536346 0.01783775 0.0164547 0.1123696275 0.05128603
## F 0.01338208 5.22245977 5.2328771 2.0880456529 27.37164358
## M 0.01387771 5.41588421 5.4266874 2.1653806771 28.38540816
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

## Nausea_n 1.06142287 0.43089055 4.8771415 0.0006716942 0.46620623

## Nausea_y 3.80343194 1.54402447 17.4764237 0.0024069041 1.67057233

# Correlacion entre variables y dimensiones

fviz_mca_var(res.mca, choice = "mca.cor",
repel = TRUE,
ggtheme = theme_minimal())

# la variable “Courgette” es la que presenta mayor correlación con la dimensión 2,

# por una diferencia pequeña con “Potato”. Así mismo, la variable más correlacionada
# con la dimensión 1 es “Abdominals”, “Fever” y “Diarrhae”.

#Visualizar las variables y sus coordenadas

head(round(var$coord, 2))

## Dim 1 Dim 2 Dim 3 Dim 4 Dim 5

## Sick_n 1.44 -0.04 0.04 -0.09 0.06
## Sick_y -0.65 0.02 -0.02 0.04 -0.03
## F 0.03 0.39 0.35 -0.21 -0.72
## M -0.04 -0.40 -0.37 0.22 0.75
## Nausea_n 0.25 0.09 -0.28 0.00 -0.08
## Nausea_y -0.90 -0.32 0.99 -0.01 0.27

# Calidad de la representación de las categoría de las variables

head(var$cos2)

## Dim 1 Dim 2 Dim 3 Dim 4 Dim 5

## Sick_n 0.93285731 0.0008493572 0.0006478363 3.883982e-03 0.001599471
## Sick_y 0.93285731 0.0008493572 0.0006478363 3.883982e-03 0.001599471
## F 0.00125452 0.1565707310 0.1297182185 4.544158e-02 0.537481392
## M 0.00125452 0.1565707310 0.1297182185 4.544158e-02 0.537481392
## Nausea_n 0.22388503 0.0290659795 0.2720246837 3.289028e-05 0.020597910
## Nausea_y 0.22388503 0.0290659795 0.2720246837 3.289028e-05 0.020597910

# Las categorías que estarían bien representadas únicamente por 2 dimensiones serían
# “Abdo_n” y “Abdo_y”, ya que cuenta con un cos2 de más de 0.85 lo suficientemente cer
cano a uno
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

# Grado de asociacion entre las categorias de las variables

fviz_mca_var(res.mca, col.var = "cos2",
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE,
ggtheme = theme_minimal())

## Warning: ggrepel: 3 unlabeled data points (too many overlaps). Consider

## increasing max.overlaps

# Se observa que las categorías que se encuentran mejor representadas por las dimensio
nes 1 y 2 son la categoría Abdo, Diarrhea y Fever.

# Análisis del cos2 con más de dos dimensiones

#miramos la correlacion
library(corrplot)

## corrplot 0.92 loaded

corrplot(var$cos2, is.corr=FALSE)
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

#Se observa que las categorías que se encuentran mejor representadas por las dimension
es 1
# son la categoría Sick, AbdoAbdo, Diarrhea y Fever.

fviz_cos2(res.mca, choice = "var", axes = 1:2)

#contribucion de las variables a las dimensiones

head(round(var$contrib,2))

## Dim 1 Dim 2 Dim 3 Dim 4 Dim 5

## Sick_n 14.00 0.04 0.04 0.25 0.11
## Sick_y 6.27 0.02 0.02 0.11 0.05
## F 0.01 5.22 5.23 2.09 27.37
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

## M 0.01 5.42 5.43 2.17 28.39

## Nausea_n 1.06 0.43 4.88 0.00 0.47
## Nausea_y 3.80 1.54 17.48 0.00 1.67

# contribuciones a la dimension 1
fviz_contrib(res.mca, choice = "var", axes = 1, top = 15)

# contribuciones a la dimension 2
fviz_contrib(res.mca, choice = "var", axes = 2, top = 15)

# Las categorías “Abdo_n”, “Diarrhea_n”, “Fever_n” son las más importantes en la defin
ición de la dimensión 1,
# Las categorías “Courg_n”, “Potato_n”, “Vomit_y”, “icecream_n”, “Vomit_n” son las que
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

más contribuyen a la dimensión 2.

# Contribución al polo positivo de la dimensión 1

fviz_mca_var(res.mca, col.var = "contrib",
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE,
ggtheme = theme_minimal()
)

# Las categorías que más contribuyen son “Abdo_n”, “Diarrhea_n”, “Fever_n”,

# y se puede distinguir a qué polo de las dimensiones
# están contribuyendo al polo positivo de la dimensión 1.

ACM con Variables suplementarias

# Tomando la variable age como variable suplementaria.
age<-as.factor(c(9 ,5 ,6, 9, 7, 72, 5, 10, 5, 11,
7, 10, 36, 9, 8, 6, 7, 5, 11,11,
10, 8, 8, 11, 45, 9, 5, 85, 88, 79,
9, 6, 8, 8, 7, 9, 9, 6, 5, 6,
4, 7, 82, 5, 5, 6, 10, 83, 8, 7,
10, 11, 6, 10, 7))

nuevabd<-cbind(datos,age)

acmsup<-MCA(nuevabd,quali.sup = 14,ncp=2,graph = FALSE)

coor_cat<-acmsup$quali.sup$coord
coor_cat

## Dim 1 Dim 2
## 4 -0.7633215 -0.87725565
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

## 5 -0.4888796 0.29203315
## 6 0.2968389 0.50518027
## 7 -0.4677111 -0.30007711
## 8 0.6963626 0.27612604
## 9 0.2586236 -0.55800425
## 10 0.2246041 0.03622508
## 11 -0.0881439 -0.03939715
## 36 -0.4989860 -0.05898123
## 45 -0.2260151 0.42256336
## 72 -0.6605780 -1.93786383
## 79 -1.0066015 0.27982112
## 82 -0.4989860 -0.05898123
## 83 1.1869496 -0.84006760
## 85 -0.5231093 1.82995430
## 88 1.2023448 -0.30226793

coor_age<-acmsup$quali.sup$eta2
coor_age

## Dim 1 Dim 2
## age 0.245251 0.2670228

fviz_mca_var(acmsup,repel=T)+labs(title ="Nube de puntos de Variables con age supleme

ntaria")

fviz_contrib(acm,choice = "var",axes=c(1,2),repel = T )+labs(title = "Contribuciones d

e CategorÃ-as en el primer plano factorial")
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

fviz_cos2(acm,choice="var",axes=c(1,2),repel = T )+labs(title = "cos2 de CategorÃ-as e

n e l primer plano factorial")

# Al analizar las contribuciones y cosenos, nos damos cuenta que las variables que est
án alejadas
# del centro de datos como lo son: no presenta malestar, no tuvo dolores abdominales,
no tuvo fiebre
# no tuvo diarrea, no comío calabacines, no comío papas, no tuvo vómito, no comío mayo
nesa
# si tuvo fiebre, si tuvo diarrea, si presentó malestar y si tuvo dolores abdominales
corresponden a las variables
# cuya contribución al primer plano factorial es más alta, sobrepasando la media de co
ntribuciones(3,8) significativamente.
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

# Además que éstas variables son las que mejor calidad de representación tienen en ést
e primer plano.

# Tomando la variable Time como variable suplementaria.

Time<-as.factor(c(22 ,0 ,16, 0, 14, 9, 16, 8, 20, 12,
17, 16, 19, 0, 0, 6, 10, 15, 14, 0,
18, 14, 21, 13, 10, 0, 12, 9, 0, 17,
9, 0, 0, 0, 15, 19, 11, 0, 17, 16,
12, 0, 20, 4, 20, 16, 0, 0, 0, 22,
0, 17, 0, 19, 14))

nuevab<-cbind(datos,Time)

acmsup<-MCA(nuevab,quali.sup = 14,ncp=2,graph = FALSE)

coor_cat<-acmsup$quali.sup$coord
coor_cat

## Dim 1 Dim 2
## 0 1.4440258 -0.04357250
## 4 -0.9590963 2.92655798
## 6 -0.7576612 0.56029587
## 8 -1.0066015 0.27982112
## 9 -0.4489718 0.04831349
## 10 -0.3630503 0.46330207
## 11 -0.5196386 -2.74050418
## 12 -0.4839187 -0.10751353
## 13 -0.3681582 -0.14986309
## 14 -0.6673610 0.42435425
## 15 -0.9655692 -1.14416189
## 16 -0.5993231 0.13367780
## 17 -0.8007952 -0.58120220
## 18 -0.5143812 -0.59678090
## 19 -0.6287304 -0.09328115
## 20 -0.7070582 0.19396207
## 21 -0.8434720 2.05592275
## 22 -0.6234562 -0.19921860

coor_Time<-acmsup$quali.sup$eta2
coor_Time

## Dim 1 Dim 2
## Time 0.9523358 0.4831529

fviz_mca_var(acmsup,repel=T)+labs(title ="Nube de puntos de Variables con tiempo supl

ementaria")
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

fviz_contrib(acm,choice = "var",axes=c(1,2),repel = T )+labs(title = "Contribuciones d

e CategorÃ-as en el primer plano factorial")

fviz_cos2(acm,choice="var",axes=c(1,2),repel = T )+labs(title = "cos2 de CategorÃ-as e

n el primer plano factorial")
Por: Mario Orlando Suárez Ibujés Fecha: 31/01/2024 https://orcid.org/0000-0002-3962-5433

# Al analizar las contribuciones y cosenos, nos damos cuenta que las variables que est
án alejadas
# del centro de datos como lo son: no presenta malestar, no tuvo dolores abdominales,
no tuvo fiebre
# no tuvo diarrea, no comío calabacines, no comío papas, no tuvo vómito, no comío mayo
nesa
# si tuvo fiebre, si tuvo diarrea, si presentó malestar y si tuvo dolores abdominales
corresponden a las variables
# cuya contribución al primer plano factorial es más alta, sobrepasando la media de co
ntribuciones(3,8) significativamente.
# Además que éstas variables son las que mejor calidad de representación tienen en ést
e primer plano.