Metodos Multivariantes

NUEVOS MTODOS DE ANLISIS
MULTIVARIANTE
Carles M. Cuadras
21 de junio de 2010
2
Es propiedad del autor.
c _C. M. Cuadras
CMC Editions
Manacor 30
08023 Barcelona, Spain
ndice general
1. DATOS MULTIVARIANTES 11
1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Matrices de datos . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3. La matriz de centrado . . . . . . . . . . . . . . . . . . . . . . 12
1.4. Medias, covarianzas y correlaciones . . . . . . . . . . . . . . . 13
1.5. Variables compuestas . . . . . . . . . . . . . . . . . . . . . . . 14
1.6. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 14
1.7. Teorema de la dimensin . . . . . . . . . . . . . . . . . . . . . 15
1.8. Medidas globales de variabilidad y dependencia . . . . . . . . 16
1.9. Distancias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.10. Dos aspectos del clculo matricial . . . . . . . . . . . . . . . . 19
1.10.1. Descomposicin singular . . . . . . . . . . . . . . . . . 19
1.10.2. Inversa generalizada . . . . . . . . . . . . . . . . . . . 19
1.11. Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2. NORMALIDAD MULTIVARIANTE 23
2.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Distribucin normal multivariante . . . . . . . . . . . . . . . . 24
2.2.1. Denicin . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.3. Caso bivariante . . . . . . . . . . . . . . . . . . . . . . 26
2.3. Distribucin de Wishart . . . . . . . . . . . . . . . . . . . . . 27
2.4. Distribucin de Hotelling . . . . . . . . . . . . . . . . . . . . . 28
2.5. Distribucin de Wilks . . . . . . . . . . . . . . . . . . . . . . . 29
2.6. Relaciones entre Wilks, Hotelling y F . . . . . . . . . . . . . . 31
2.7. Distribucin multinomial . . . . . . . . . . . . . . . . . . . . . 32
2.8. Distribuciones con marginales dadas . . . . . . . . . . . . . . . 32
2.9. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3
4 NDICE GENERAL
3. INFERENCIA MULTIVARIANTE 37
3.1. Conceptos bsicos . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2. Estimacin de medias y covarianzas . . . . . . . . . . . . . . . 38
3.3. Tests multivariantes . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.1. Test sobre la media: una poblacin . . . . . . . . . . . 39
3.3.2. Test sobre la media: dos poblaciones . . . . . . . . . . 40
3.3.3. Comparacin de medias . . . . . . . . . . . . . . . . . 40
3.4. Teorema de Cochran . . . . . . . . . . . . . . . . . . . . . . . 41
3.5. Construccin de tests multivariantes . . . . . . . . . . . . . . 44
3.5.1. Razn de verosimilitud . . . . . . . . . . . . . . . . . . 44
3.5.2. Principio de unin-interseccin . . . . . . . . . . . . . . 46
3.6. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.7. Anlisis de perles . . . . . . . . . . . . . . . . . . . . . . . . 53
3.8. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4. ANALISIS DE CORRELACION CANONICA 57
4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2. Correlacin mltiple . . . . . . . . . . . . . . . . . . . . . . . 57
4.3. Correlacin cannica . . . . . . . . . . . . . . . . . . . . . . . 59
4.4. Correlacin cannica y descomposicin singular . . . . . . . . 62
4.5. Signicacin de las correlaciones cannicas . . . . . . . . . . . 63
4.6. Test de independencia . . . . . . . . . . . . . . . . . . . . . . 63
4.6.1. Razn de verosimilitud . . . . . . . . . . . . . . . . . . 64
4.6.2. Principio de unin interseccin . . . . . . . . . . . . . . 64
4.7. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.8. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5. ANALISIS DE COMPONENTES PRINCIPALES 69
5.1. Denicin y obtencin de las componentes principales . . . . . 69
5.2. Variabilidad explicada por las componentes principales . . . . 71
5.3. Representacin de una matriz de datos . . . . . . . . . . . . . 72
5.4. Inferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.4.1. Estimacin y distribucin asinttica . . . . . . . . . . . 75
5.4.2. Tests de hiptesis . . . . . . . . . . . . . . . . . . . . . 76
5.5. Nmero de componentes principales . . . . . . . . . . . . . . . 78
5.5.1. Criterio del porcentaje . . . . . . . . . . . . . . . . . . 78
5.5.2. Criterio de Kaiser . . . . . . . . . . . . . . . . . . . . . 79
5.5.3. Test de esfericidad . . . . . . . . . . . . . . . . . . . . 79
NDICE GENERAL 5
5.5.4. Criterio del bastn roto . . . . . . . . . . . . . . . . . . 79
5.6. Biplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.7. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.8. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6. ANLISIS FACTORIAL 87
6.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.2. El modelo unifactorial . . . . . . . . . . . . . . . . . . . . . . 88
6.3. El modelo multifactorial . . . . . . . . . . . . . . . . . . . . . 90
6.3.1. El modelo . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.3.2. La matriz factorial . . . . . . . . . . . . . . . . . . . . 91
6.3.3. Las comunalidades . . . . . . . . . . . . . . . . . . . . 91
6.3.4. Nmero mximo de factores comunes . . . . . . . . . . 92
6.3.5. El caso de Heywood . . . . . . . . . . . . . . . . . . . 93
6.3.6. Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . 93
6.4. Teoremas fundamentales . . . . . . . . . . . . . . . . . . . . . 95
6.5. Mtodo del factor principal . . . . . . . . . . . . . . . . . . . 97
6.6. Mtodo de la mxima verosimilitud . . . . . . . . . . . . . . . 98
6.6.1. Estimacin de la matriz factorial . . . . . . . . . . . . 98
6.6.2. Hiptesis sobre el nmero de factores . . . . . . . . . . 99
6.7. Rotaciones de factores . . . . . . . . . . . . . . . . . . . . . . 100
6.7.1. Rotaciones ortogonales . . . . . . . . . . . . . . . . . . 100
6.7.2. Factores oblicuos . . . . . . . . . . . . . . . . . . . . . 101
6.7.3. Rotacin oblicua . . . . . . . . . . . . . . . . . . . . . 102
6.7.4. Factores de segundo orden . . . . . . . . . . . . . . . . 104
6.8. Medicin de factores . . . . . . . . . . . . . . . . . . . . . . . 105
6.9. Anlisis factorial conrmatorio . . . . . . . . . . . . . . . . . . 106
6.10. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7. ANALISIS CANONICO DE POBLACIONES 111
7.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.2. Variables cannicas . . . . . . . . . . . . . . . . . . . . . . . . 112
7.3. Distancia de Mahalanobis y transformacin cannica . . . . . 114
7.4. Representacin cannica . . . . . . . . . . . . . . . . . . . . . 115
7.5. Aspectos inferenciales . . . . . . . . . . . . . . . . . . . . . . . 117
7.5.1. Comparacin de medias . . . . . . . . . . . . . . . . . 117
7.5.2. Comparacin de covarianzas . . . . . . . . . . . . . . . 117
7.5.3. Test de dimensionalidad . . . . . . . . . . . . . . . . . 118
6 NDICE GENERAL
7.5.4. Regiones condenciales . . . . . . . . . . . . . . . . . . 119
7.6. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8. ESCALADO MULTIDIMENSIONAL (MDS) 125
8.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
8.2. Cuando una distancia es eucldea? . . . . . . . . . . . . . . . . 126
8.3. El anlisis de coordenadas principales . . . . . . . . . . . . . . 128
8.4. Similaridades . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.5. Nociones de MDS no mtrico . . . . . . . . . . . . . . . . . . 133
8.6. Distancias estadsticas . . . . . . . . . . . . . . . . . . . . . . 136
8.6.1. Variables cuantitativas . . . . . . . . . . . . . . . . . . 136
8.6.2. Variables binarias . . . . . . . . . . . . . . . . . . . . . 137
8.6.3. Variables categricas . . . . . . . . . . . . . . . . . . . 138
8.6.4. Variables mixtas . . . . . . . . . . . . . . . . . . . . . 138
8.6.5. Otras distancias . . . . . . . . . . . . . . . . . . . . . . 139
8.7. Dos ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
8.8. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
9. ANALISIS DE CORRESPONDENCIAS 147
9.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
9.2. Cuanticacin de las variables categricas . . . . . . . . . . . 149
9.3. Representacin de las y columnas . . . . . . . . . . . . . . . 150
9.4. Relacin entre las y columnas y representacin conjunta . . . 152
9.5. Soluciones simtrica y asimtrica . . . . . . . . . . . . . . . . 154
9.6. Variabilidad geomtrica (inercia) . . . . . . . . . . . . . . . . 156
9.7. Analisis de Correspondencias Mltiples . . . . . . . . . . . . . 159
9.8. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
9.9. MDS ponderado . . . . . . . . . . . . . . . . . . . . . . . . . . 165
9.10. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
10.CLASIFICACION 173
10.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
10.2. Jerarqua indexada . . . . . . . . . . . . . . . . . . . . . . . . 174
10.3. Geometra ultramtrica . . . . . . . . . . . . . . . . . . . . . . 176
10.4. Algoritmo fundamental de clasicacin . . . . . . . . . . . . . 180
10.5. Equivalencia entre jerarqua indexada y ultramtrica . . . . . 180
10.6. Algoritmos de clasicacin jerrquica . . . . . . . . . . . . . . 181
10.6.1. Mtodo del mnimo . . . . . . . . . . . . . . . . . . . . 183
NDICE GENERAL 7
10.6.2. Mtodo del mximo . . . . . . . . . . . . . . . . . . . . 184
10.7. Otras propiedades del mtodo del mnimo . . . . . . . . . . . 186
10.8. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
10.9. Clasicacin no jerrquica . . . . . . . . . . . . . . . . . . . . 191
10.10.Nmero de clusters . . . . . . . . . . . . . . . . . . . . . . . . 192
10.11.Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
11.ANALISIS DISCRIMINANTE 195
11.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
11.2. Clasicacin en dos poblaciones . . . . . . . . . . . . . . . . . 196
11.2.1. Discriminador lineal . . . . . . . . . . . . . . . . . . . 196
11.2.2. Regla de la mxima verosimilitud . . . . . . . . . . . . 197
11.2.3. Regla de Bayes . . . . . . . . . . . . . . . . . . . . . . 197
11.3. Clasicacin en poblaciones normales . . . . . . . . . . . . . . 198
11.3.1. Discriminador lineal . . . . . . . . . . . . . . . . . . . 198
11.3.2. Regla de Bayes . . . . . . . . . . . . . . . . . . . . . . 199
11.3.3. Probabilidad de clasicacin errnea . . . . . . . . . . 199
11.3.4. Discriminador cuadrtico . . . . . . . . . . . . . . . . . 199
11.3.5. Clasicacin cuando los parmetros son estimados . . . 200
11.3.6. Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . 200
11.4. Discriminacin en el caso de k poblaciones . . . . . . . . . . . 203
11.4.1. Discriminadores lineales . . . . . . . . . . . . . . . . . 203
11.4.2. Regla de la mxima verosimilitud . . . . . . . . . . . . 204
11.4.3. Regla de Bayes . . . . . . . . . . . . . . . . . . . . . . 204
11.4.4. Un ejemplo clsico . . . . . . . . . . . . . . . . . . . . 205
12.DISCRIMINACIONLOGISTICAYBASADAENDISTAN-
CIAS 207
12.1. Anlisis discriminante logstico . . . . . . . . . . . . . . . . . . 207
12.1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . 207
12.1.2. Modelo de regresin logstica . . . . . . . . . . . . . . . 208
12.1.3. Estimacin de los parmetros . . . . . . . . . . . . . . 209
12.1.4. Distribucin asinttica y test de Wald . . . . . . . . . 210
12.1.5. Ajuste del modelo . . . . . . . . . . . . . . . . . . . . . 211
12.1.6. Curva ROC . . . . . . . . . . . . . . . . . . . . . . . . 212
12.1.7. Comparacin entre discriminador lineal y logstico . . . 214
12.2. Anlisis discriminante basado en distancias . . . . . . . . . . . 217
12.2.1. La funcin de proximidad . . . . . . . . . . . . . . . . 217
8 NDICE GENERAL
12.2.2. La regla discriminante DB . . . . . . . . . . . . . . . . 218
12.2.3. La regla DB comparada con otras . . . . . . . . . . . . 219
12.2.4. La regla DB en el caso de muestras . . . . . . . . . . . 220
12.3. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
13.EL MODELO LINEAL 225
13.1. El modelo lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 225
13.2. Suposiciones bsicas del modelo . . . . . . . . . . . . . . . . . 226
13.3. Estimacin de parmetros . . . . . . . . . . . . . . . . . . . . 227
13.3.1. Parmetros de regresin . . . . . . . . . . . . . . . . . 227
13.3.2. Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . 228
13.4. Algunos modelos lineales . . . . . . . . . . . . . . . . . . . . . 229
13.4.1. Regresin mltiple . . . . . . . . . . . . . . . . . . . . 229
13.4.2. Diseo de un factor . . . . . . . . . . . . . . . . . . . . 230
13.4.3. Diseo de dos factores . . . . . . . . . . . . . . . . . . 230
13.5. Hiptesis lineales . . . . . . . . . . . . . . . . . . . . . . . . . 231
13.6. Inferencia en regresin mltiple . . . . . . . . . . . . . . . . . 234
13.7. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
14.ANLISIS DE LA VARIANZA (ANOVA) 237
14.1. Diseo de un factor . . . . . . . . . . . . . . . . . . . . . . . . 237
14.2. Diseo de dos factores . . . . . . . . . . . . . . . . . . . . . . 239
14.3. Diseo de dos factores con interaccin . . . . . . . . . . . . . . 241
14.4. Diseos multifactoriales . . . . . . . . . . . . . . . . . . . . . . 243
14.5. Modelos log-lineales . . . . . . . . . . . . . . . . . . . . . . . . 244
14.5.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 247
14.6. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
15.ANLISIS DE LA VARIANZA (MANOVA) 249
15.1. Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
15.2. Estimacin de parmetros . . . . . . . . . . . . . . . . . . . . 250
15.3. Tests de hiptesis lineales . . . . . . . . . . . . . . . . . . . . 253
15.4. Manova de un factor . . . . . . . . . . . . . . . . . . . . . . . 255
15.5. Manova de dos factores . . . . . . . . . . . . . . . . . . . . . . 256
15.6. Manova de dos factores con interaccin . . . . . . . . . . . . . 257
15.7. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
15.8. Otros criterios . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
15.9. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
NDICE GENERAL 9
16.FUNCIONES ESTIMABLES MULTIVARIANTES 263
16.1. Funciones estimables . . . . . . . . . . . . . . . . . . . . . . . 263
16.2. Teorema de Gauss-Markov . . . . . . . . . . . . . . . . . . . . 264
16.3. Funciones estimables multivariantes . . . . . . . . . . . . . . . 265
16.4. Anlisis cannico de fpem . . . . . . . . . . . . . . . . . . . . 266
16.4.1. Distancia de Mahalanobis . . . . . . . . . . . . . . . . 266
16.4.2. Coordenadas cannicas . . . . . . . . . . . . . . . . . . 267
16.4.3. Regiones condenciales . . . . . . . . . . . . . . . . . . 268
16.5. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
16.6. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
10 NDICE GENERAL
11

C1CGC
El Anlisis Multivariante es un conjunto de mtodos estadsticos y matem-
ticos, destinados a describir e interpretar los datos que provienen de la ob-
servacin de varias variables estadsticas, estudiadas conjuntamente.
Este libro es una presentacin convencional de los principales modelos y
mtodos del Anlisis Multivariante, con referencias a algunas contribuciones
recientes.
La exposicin mantiene un cierto rigor matemtico, compensado con una
clara orientacin aplicada. Todos los mtodos se ilustran con ejemplos, que
justican su aplicabilidad. Para examinar los datos y ver ms ejemplos con-
sltese la pgina web
www.ub.edu,stat,cuadras,cuad.html
Esta obra tiene como precedentes la monograa Mtodos de Anlisis Fac-
torial (Pub. no. 7, Laboratorio de Clculo, Universidad de Barcelona, 1974),
y el libro Mtodos de Anlisis Multivariante (EUNIBAR, 1981; PPU, 1991;
EUB, 1996, Barcelona).
El autor se reserva el derecho de ampliar el texto e introducir mejoras.
La primera versin apareci en 2007. La segunda versin (2010) contiene
correcciones, ampliaciones y un ndice alfabtico.
Cmo citar este libro:
C. M. Cuadras
Nuevos Mtodos de Anlisis Multivariante
CMC Editions
Barcelona, 2010
Captulo 1
DATOS MULTIVARIANTES
1.1. Introduccin
El anlisis multivariante (AM) es la parte de la estadstica y del anlisis
de datos que estudia, analiza, representa e interpreta los datos que resulten
de observar un nmero j 1 de variables estadsticas sobre una muestra de :
individuos. Las variables observables son homogneas y correlacionadas, sin
que alguna predomine sobre las dems. La informacin estadstica en AM es
de carcter multidimensional, por lo tanto la geometra, el clculo matricial
y las distribuciones multivariantes juegan un papel fundamental.
La informacin multivariante es una matriz de datos, pero a menudo, en
AM la informacin de entrada consiste en matrices de distancias o similari-
dades, que miden el grado de discrepancia entre los individuos. Comenzare-
mos con las tcnicas que se basan en matrices de datos.
1.2. Matrices de datos
Supongamos : individuos .
1
. . . . . .
a
y j variables A
1
. . . . . A
j
. Sea r
i)
=
A
)
(.
i
) la observacin de la variable A
)
sobre el individuo .
i
. La matriz de
11
12 CAPTULO 1. DATOS MULTIVARIANTES
datos multivariantes es
X =
_
_
_
_
_
_
_
r
11
r
1)
r
1j
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
r
i1
r
i)
r
ij
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
r
a1
r
a)
r
aj
_
_
_
_
_
_
_
Las las de X se identican con los individuos y las columnas de X con las
variables. Indicaremos:
1. x
i
la la i-sima de X.
2. A
)
la columna j-sima de X.
3. x = (r
1
. . . . . r
)
. . . . . r
j
)
t
el vector (la) de las medias de las variables,
siendo
r
)
=
1
:
a
i=1
r
i)
.
4. La matriz simtrica j j de covarianzas muestrales
S =
_
_
_
_
:
11
:
12
:
1j
:
21
:
22
:
2j
. . . . . .
:
j1
:
j2
:
jj
_
_
_
_
.
siendo
:
))
0 =
1
:
a
i=1
(r
i)
r
)
)(r
i)
0 r
)
0 )
la covarianza entre las variables ,. ,
t
. Naturalmente, x y S son medidas
multivariantes de tendencia central y dispersin.
1.3. La matriz de centrado
Si 1 =(1. . . . . 1)
t
es el vector columna de unos de orden : 1, y J = 11
t
es la matriz : : de unos, ciertas caractersticas multivariantes se expresan
mejor a partir de la matriz de centrado H. denida como
H = I
1
:
J
1.4. MEDIAS, COVARIANZAS Y CORRELACIONES 13
Propiedades:
H
t
= H.
H
2
= H.
H1 = 1
t
H = 0.
rang(H) =: 1.
Los valores propios de H son 0 1.
X = HX es la matriz de datos centrados (las columnnas de X suman
0).
1.4. Medias, covarianzas y correlaciones
El vector de medias, la matriz de covarianzas, etc., tienen expresiones
matriciales simples.
1. x
t
=
1
a
1
t
X.
2. Matriz de datos centrados:
X= X1x
t
= HX.
3. Matriz de covarianzas:
S =
1
:
X
t
X =
1
:
X
t
HX.
4. Matriz de correlaciones:
El coeciente de correlacin entre las variables ,. ,
t
viene dado por
:
))
0 =
:
))
0
:
)
:
)
0
.
siendo :
)
. :
)
0 las desviaciones tpicas. Adems de la matriz de covarianzas
interesa tambin la matriz de correlaciones
H =
_
_
_
_
1 :
12
:
1j
:
21
1 :
2j
. . . . . .
:
j1
:
j2
1
_
_
_
_
.
donde :
i)
=cor(A
i
. A
)
) es el coeciente de correlacin (muestral) entre las
variables A
i
. A
)
. que verica:
H = O
1
SO
1
. S = OHO. (1.1)
siendo O la matriz diagonal con las desviaciones tpicas de las variables.
1.5. Variables compuestas
Algunos mtodos de AM consisten en obtener e interpretar combina-
ciones lineales adecuadas de las variables observables. Una variable compues-
ta 1 es una combinacin lineal de las variables observables con coecientes
a = (c
1
. . . . . c
j
)
t
1 = c
1
A
1
+ +c
j
A
j
.
Si X =[A
1
. . . . . A
j
] es la matriz de datos, tambin podemos escribir
1 = Xa.
Si 2 = /
1
A
1
+ +/
j
A
j
= XI es otra variable compuesta, se verica:
1. 1 = x
t
a. 2=x
t
I.
2. var(1 ) = a
t
Sa, var(2) = I
t
SI.
3. cov(1. 2) = a
t
SI.
Ciertas variables compuestas reciben diferentes nombres segn la tc-
nica multivariante: componentes principales, variables cannicas, funciones
discriminantes, etc. Uno de los objetivos del Anlisis Multivariante es encon-
trar variables compuestas adecuadas que expliquen aspectos relevantes de los
datos.
1.6. Transformaciones lineales
Sea T una matriz j . Una transformacin lineal de la matriz de datos
es
= XT.
Las columnas 1
1
. . . . . 1
q
de son las variables transformadas.
Propiedades:
1.7. TEOREMA DE LA DIMENSIN 15
1. y
t
=x
t
T. donde y es el vector de medias de .
2. S
Y
= T
t
ST. donde S
Y
es la matriz de covarianzas de .
Demost.:
y
t
=
1
a
1
t
=
1
a
1
t
XT =x
t
T. S
Y
=
1
a
t
H =
1
a
T
t
X
t
HXT = T
t
ST.
1.7. Teorema de la dimensin
La matriz de covarianzas S es (semi)denida positiva, puesto que:
a
t
Sa =
1
:
a
t
X
t
HXa =
1
:
a
t
X
t
HHXa = I
t
I _0.
siendo I =:
12
HXa.
El rango : = rang(S) determina la dimensin del espacio vectorial gener-
ado por las variables observables, es decir, el nmero de variables linealmente
independientes es igual al rango de S.
Teorema 1.7.1 Si : = rang(S) _j hay : variables linealmente independi-
entes y las otras j : son combinacin lineal de estas : variables.
Demost.: Podemos ordenar las j variables de manera que la matriz de covar-
ianzas de A
1
. . . . . A
v
sea no singular
_
_
_
:
11
:
1v
.
.
.
.
.
.
.
.
.
:
v1
:
vv
_
_
_
:
)1
:
)v
Sea A
)
. , :. Las covarianzas entre A
)
y A
1
. . . . . A
v
verican:
:
))
=
v
i=1
c
i
:
)i
. :
)i
=
v
i
0
=1
c
i
0 :
ii
0 .
Entonces
c:(A
)
v
i=1
c
i
A
i
) = :
))
+
v
i,i
0
=1
c
i
c
i
0 :
ii
0 2
v
i=1
c
i
:
)i
=
v
i=1
c
i
:
)i
+
v
i=1
c
i
(
v
i
0
=1
c
i
0 :
ii
0 ) 2
v
i=1
c
i
:
)i
=
v
i=1
c
i
:
)i
+
v
i=1
c
i
:
)i
2
v
i=1
c
i
:
)i
= 0.
Por lo tanto
A
)
i=1
c
i
A
i
= c ==A
)
= c +
v
i=1
c
i
A
i
donde c es una constante.
Corolario 1.7.2 Si todas las variables tienen varianza positiva (es decir,
ninguna se reduce a una constante) y : = rang(H) _ j. hay : variables
linealmente independientes y las otras j : son combinacin lineal de estas
: variables.
Demost.: De (1.1) deducimos que : = rang(H) = rang(S).
1.8. Medidas globales de variabilidad y de-
pendencia
Una medida de la variabilidad global de las j variables debe ser funcin
de la matriz de covarianzas S. Sean `
1
. . . . . `
j
los valores propios de S. Las
siguientes medidas tienen especial inters en AM.
a) Varianza generalizada:
[S[ =`
1
`
j
.
b) Variacin total:
tr(S) =`
1
+ +`
j
Una medida de dependencia global debe ser funcin de la matriz de cor-
relaciones H. Un coeciente de dependencia es
j
2
= 1 [H[.
que verica:
1. 0 _ j
2
_ 1.
2. j
2
= 0 si y slo si las j variables estan incorrelacionadas.
3. j
2
= 1 si y slo si hay relaciones lineales entre las variables.
1.9. DISTANCIAS 17
Demost.:
1. Sean `
1
. . . . . `
j
los valores propios de H. Si q y c son las medias ge-
omtrica y aritmtica de j nmeros positivos, se verica q _ c. Entonces, de
tr(H) =j
([H[)
1j
= (`
1
`
j
)
1j
_ (`
1
+ +`
j
),j = 1
y por lo tanto 0 _ det(H) _ 1.
2. H = I (matriz identidad) si y slo si las j variables estn incorrela-
cionadas y entonces 1 [I[ =0.
3. Si j
2
= 1. es decir, [H[ =0. entonces rang(H) <j y por lo tanto hay
combinaciones lineales entre las variables (Teorema 1.7.1).
1.9. Distancias
Algunos mtodos de AM estn basados en criterios geomtricos y en la
nocin de distancia entre individuos y entre poblaciones. Si
X =
_
_
_
x
t
1
.
.
.
x
t
a
_
_
_
es una matriz de datos, con matriz de covarianzas S. las tres deniciones ms
importantes de distancia entre las las x
t
i
= (r
i1
. . . . . r
ij
). x
t
)
= (r
)1
. . . . . r
)j
)
de X son:
1. Distancia Eucldea:
d
1
(i. ,) =
_
j
I=1
(r
iI
r
)I
)
2
. (1.2)
2. Distancia de K. Pearson
d
1
(i. ,) =
_
j
I=1
(r
iI
r
)I
)
2
,:
II
. (1.3)
donde :
II
es la covarianza de la variable A
I
.
3. Distancia de Mahalanobis:
d
A
(i. ,) =
_
(x
i
x
)
)
t
S
1
(x
i
x
)
). (1.4)
Observaciones
Un cambio de escala de una variable A
)
es una transformacin 1
)
= cA
)
.
donde c es una constante. La distancia d
A
es muy adecuada en AM debido
a que verica:
a) d
1
supone implcitamente que las variables son incorrelacionadas y no es
invariante por cambios de escala.
b) d
1
tambin supone que las variables estn incorrelacionadas pero es in-
variante por cambios de escala.
c) d
A
tiene en cuenta las correlaciones entre las variables y es invariante por
transformaciones lineales no singulares de las variables, en particular
cambios de escala.
Las distancias d
1
y d
1
son casos particulares de d
A
cuando la matriz de
covarianzas es la identidad I
j
y diag(S), respectivamente. En efecto:
d
1
(i. ,)
2
= (x
i
x
)
)
t
(x
i
x
)
).
d
1
(i. ,)
2
= (x
i
x
)
)
t
[diag(S)]
1
(x
i
x
)
).
La distancia de Mahalanobis (al cuadrado) puede tener otras versiones:
1. Distancia de una observacin x
i
al vector de medias x de X :
(x
i
x)
t
S
1
(x
i
x)
2. Distancia entre dos poblaciones representadas por dos matrices de datos
X
a
1
j
.
a
2
j
:
(x y)
t
S
1
(x y).
donde x. y son los vectores de medias y
S = (:
1
S
1
+:
2
S
2
),(:
1
+:
2
)
es la media ponderada de las correspondientes matrices de covarianzas.
1.10. DOS ASPECTOS DEL CLCULO MATRICIAL 19
1.10. Dos aspectos del clculo matricial
1.10.1. Descomposicin singular
Sea A un matriz de orden :: con : _ :. Se llama descomposicin en
valores singulares de A a
A = lO
c
Y
t
donde l es matriz :: cuyas columnas son vectores ortonormales, O
c
es
una matriz diagonal : : con los valores singulares
:
1
_ _ :
v
_ :
v+1
= = :
a
= 0.
y Y es una matriz : : ortogonal. Se verica:
1. El rango de A es el nmero : de valores singulares positivos.
2. l contiene los vectores propios (unitarios) de AA
t
. siendo l
t
l = I
a
.
3. Y contiene los vectores propios (unitarios) de A
t
A. siendo Y
t
Y =
YY
t
= I
a
.
4. Si : = : y A es simtrica, entonces l = Y y A = lO
c
l
t
es la
desocmposicin espectral de A. Los valores singulares son los valores
propios de A.
1.10.2. Inversa generalizada
Si Aes una matriz cuadrada de orden :: no singular, es decir, rang(A) =
:. existe la matriz inversa A
1
tal que
AA
1
= A
1
A = I
a
.
Si el rango es rang(A) = : < :. o A no es matriz cuadrada, la inversa no
existe, pero existe la inversa generalizada o g-inversa A
.
Sea Aun matriz de orden :: con : _ :. Se llama inversa generalizada
de A o g-inversa, a una matriz A
que verica:
AA
A = A.
La g-inveresa no es nica, pero si A
verica adems:
A
AA
= A
. (AA
)
t
= AA
(A
A)
t
= A
A.
entonces la g-inversa A
es nica.
Sea rang(A) = : y A = lO
c
Y
t
la descomposicin singular de A. con
O
c
= diag(:
1
. . . . . :
v
. 0. . . . . 0).
Entonces
O
c
= diag(:
1
1
. . . . . :
1
v
. 0. . . . . 0).
y la matriz ::
A
= YO
c
l
t
es una g-inversa de A. En efecto,
AA
A = lO
c
Y
t
YO
c
l
t
lO
c
Y
t
= A.
1.11. Un ejemplo
Ejemplo 1.11.1
La Tabla 1.1 contiene los datos de : = 28 alcornoques y j = 4 variables,
que miden los depsitos de corcho (en centigramos) en cada uno de los cuatro
puntos cardinales: N, E, S, W.
Medias, covarianzas y correlaciones
Vector de medias
x
t
=(50.536. 46.179. 49.679. 45.179)
Matriz de covarianzas (dividiendo por :)
S =
_
_
_
_
280 216 278 218
212 221 165
337 250
218
_
_
_
_
Matriz de correlaciones
H =
_
_
_
_
1 0.885 0.905 0.883
1 0.826 0.769
1 0.923
1
_
_
_
_
1.11. UN EJEMPLO 21
N E S W N E S W
72 66 76 77 91 79 100 75
60 53 66 63 56 68 47 50
56 57 64 58 79 65 70 61
41 29 36 38 81 80 68 58
32 32 35 36 78 55 67 60
30 35 34 26 46 38 37 38
39 39 31 27 39 35 34 37
42 43 31 25 32 30 30 32
37 40 31 25 60 50 67 54
33 29 27 36 35 37 48 39
32 30 34 28 39 36 39 31
63 45 74 63 50 34 37 40
54 46 60 52 43 37 39 50
47 51 52 43 48 54 57 43
Tabla 1.1: Depsitos de corcho (centigramos) de 28 alcornoques en las cuatro
direcciones cardinales.
Variables compuestas
Las siguientes variables compuestas explican diferentes aspectos de la
variabilidad de los datos:
Media Varianza
Contraste eje N-S con eje E-W: 1
1
= ` +o 1 \ 8.857 124.1
Contraste N-S: 1
2
= ` o 0.857 61.27
Contraste E-W: 1
3
= 1 \ 1.000 99.5
Variables normalizadas
Una variable compuesta est normalizada si la suma de cuadrados de
sus coecientes es 1. La normalizacin evita que la varianza tome un valor
arbitrario. La normalizacin de 1
1
. 1
2
. 1
3
dar:
Media Varianza:
2
1
= (` +o 1 \),2 4.428 31.03
2
2
= (` o),
_
2 0.606 30.63
2
3
= (1 \),
_
2 0.707 49.75
Interpretacin
Figura 1.1: Distribucin de las variables N, E, S, W y relaciones entre cada
par de variables de la Tabla 1.1.
La normalizacin de las variables consigue que estas tengan varianzas
ms homogneas. La principal direccin de variabilidad aparece al hacer la
comparacin del eje N-S con el eje E-W.
Visualizacin de datos
En los captulos siguientes veremos mtodos y tcnicas de visualizacin de
datos multivariantes. Como norma general es conveniente, antes de realizar
el anlisis, examinar y revisar los datos. La Figura 1.1 contiene un grco
que permite visualizar la distribucin de las 4 variables de la Tabla 1.1 y las
relaciones lineales, o regresin lineal, entre cada par de variables.
Captulo 2
NORMALIDAD
MULTIVARIANTE
2.1. Introduccin
Los datos en AM suelen provenir de una poblacin caracterizada por
una distribucin multivariante. Sea X =(A
1
. . . . . A
j
) un vector aleatorio con
distribucin absolutamente continua y funcin de densidad ,(r
1
. . . . . r
j
). Es
decir, , verica:
1) ,(r
1
. . . . . r
j
) _ 0. para todo (r
1
. . . . . r
j
) 1
j
.
2)
_
1
p
,(r
1
. . . . . r
j
)dr
1
dr
j
= 1.
Conocida ,(r
1
. . . . . r
j
) podemos encontrar la funcin de densidad de cada
variable marginal A
)
mediante la integral
,
)
(r
)
) =
_
,(r
1
. . . . . r
)
. . . . . r
j
)dr
1
dr
)1
dr
)+1
dr
j
.
Como en el caso de una matriz de datos, es importante el vector de medias
j = (1(A
1
). . . . . 1(A
j
))
t
.
donde 1(A
)
) es la esperanza de la variable marginal A
)
. y la matriz de
covarianzas = (o
i)
). siendo o
i)
=cov(A
i
. A
)
). o
ii
=var(A
i
). Teniendo en
cuenta que los elementos de la matriz (Xj)(Xj)
t
. de orden j j. son
(A
i
j
i
)(A
)
j
)
) y que cov(A
i
. A
)
) = 1(A
i
j
i
)(A
)
j
)
). la matriz de
covarianzas = (o
i)
) es
= 1((Xj)(Xj)
t
).
23
24 CAPTULO 2. NORMALIDAD MULTIVARIANTE
En este captulo introducimos y estudiamos la distribucin normal mul-
tivariante y tres distribuciones relacionadas con las muestras multivariantes:
Wishart, Hotelling y Wilks.
2.2. Distribucin normal multivariante
2.2.1. Denicin
Sea A una variable aleatoria con distribucin `(j. o
2
). es decir, con media
j y varianza o
2
. La funcin de densidad de A es:
,(r; j. o
2
) =
1
o
_
2:
c
1
2
(aj)
2
o
2
=
(o
2
)
12
_
2:
c
1
2
(aj)
1
2
(aj)
(2.1)
Evidentemente se verica:
A = j +o1 donde 1 ~ `(0. 1). (2.2)
Vamos a introducir la distribucin normal mutivariante `
j
(j. ) como
una generalizacin de la normal univariante. Por una parte, (2.1) sugiere
denir la densidad de X = (A
1
. . . . . A
j
)
t
~ `
j
(j. ) segn:
,(x; j. ) =
[[
12
(
_
2:)
j
c
1
2
(xj)
0
1
(xj)
. (2.3)
siendo x = (r
1
. . . . . r
j
)
t
. j = (j
1
. . . . . j
a
)
t
y = (o
i)
) una matriz denida
positiva, que como veremos, es la matriz de covarianzas. Por otra parte,
(2.2) sugiere denir la distribucin X = (A
1
. . . . . A
j
)
t
~ `
j
(j. ) como una
combinacin lineal de j variables 1
1
. . . . . 1
j
independientes con distribucin
`(0. 1).
A
1
= j
1
+c
11
1
1
+ +c
1j
1
j
.
.
.
.
.
.
A
j
= j
j
+c
j1
1
1
+ +c
jj
1
j
(2.4)
que podemos escribir como
X =j+A (2.5)
donde A = (c
i)
) es una matriz j que verica AA
t
= .
Proposicin 2.2.1 Las dos deniciones (2.3) y (2.4) son equivalentes.
2.2. DISTRIBUCIN NORMAL MULTIVARIANTE 25
Demost.: Segn la frmula del cambio de variable
,
A
(r
1
. . . . . r
j
) = ,
Y
(
1
(r). . . . .
j
(r))
Jy
Jx
siendo
i
=
i
(r
1
. . . . . r
j
), i = 1. . . . . j, el cambio y J =
0j
0a
el jacobiano del
cambio. De (2.5) tenemos
y = A
1
(x j) =
Jy
Jx
= [A
1
[
y como las variables 1
i
son `(0. 1) independientes:
,
A
(r
1
. . . . . r
j
) = (1,
_
2:)
j
c
1
2
P
p
i=1
j
2
i
[A
1
[. (2.6)
Pero
1
= (A
1
)
t
(A
1
) y por lo tanto
y
t
y = (x j)
t
(A
1
)
t
(A
1
)(x j) = (x j)
t
1
(x j). (2.7)
Substituyendo (2.7) en (2.6) y de [A
1
[
2
= [[
1
obtenemos (2.3).
2.2.2. Propiedades
1. De (2.5) es inmediato que 1(X) =j y que la matriz de covarianzas es
1((Xj)(Xj)
t
) =1(A
t
A
t
) = AI
j
A
t
= .
2. La distribucin de cada variable marginal A
i
es normal univariante:
A
i
~ `(j
i
. o
ii
). i = 1. . . . . j.
Es consecuencia de la denicin (2.4).
3. Toda combinacin lineal de las variables A
1
. . . . . A
j
2 = /
0
+/
1
A
1
+ +/
j
A
j
es tambin normal univariante. En efecto, de (2.4) resulta que 2 es
combinacin lineal de `(0. 1) independientes.
4. Si =diag(o
11
. . . . . o
jj
) es matriz diagonal, es decir, o
i)
= 0. i ,= ,. en-
tonces las variables (A
1
. . . . . A
j
) son estocsticamente independientes.
En efecto, la funcin de densidad conjunta resulta igual al producto de
las funciones de densidad marginales:
,(r
1
. . . . . r
j
; j. ) = ,(r
1
; j
1
. o
11
) ,(r
j
; j
j
. o
jj
)
5. La distribucin de la forma cuadrtica
l = (x j)
1
(x j)
t
es ji-cuadrado con j grados de libertad. En efecto, de (2.5) l =
t
=
j
i=1
1
2
i
es suma de los cuadrados de j variables `(0. 1) independi-
entes.
2.2.3. Caso bivariante
Cuando j = 2. la funcin de densidad de la normal bivariante se puede
expresar en funcin de las medias y varianzas j
1
. o
2
1
. j
2
. o
2
2
y del coeciente
de correlacin j =cor(A
1
. A
2
) :
,(r
1
. r
2
) =
1
2o
1
o
2
_
1j
2
exp [
1
2
1
1j
2
(a
1
j
1
)
2
o
2
1
2j
(a
1
j
1
)
o
1
(a
2
j
2
)
o
2
+
(a
2
j
2
)
2
o
2
2
.
siendo 1 < j < +1. (Figura 2.1). Se verica:
1. Hay independencia estocstica si y slo si j = 0.
2. La distribucin de la variable marginal A
i
es `(j
i
. o
2
i
).
3. La funcin de densidad de A
2
condicionada a A
1
= r es
,(r
2
,r
1
) =
1
o
2
_
2:(1 j
2
)
exp[
[(r
2
j
2
j(o
2
,o
1
)(r
1
j
1
)]
2
2o
2
2
(1 j
2
)
].
densidad de la distribucin normal `(j
2
+j(o
2
,o
1
)(r
1
j
1
). o
2
2
(1j
2
)).
4. La regresin es de tipo lineal, es decir, las curvas de regresin de la
media
r
2
= 1(A
2
,A
1
= r
1
). r
1
= 1(A
1
,A
2
= r
2
).
son las rectas de regresin.
2.3. DISTRIBUCIN DE WISHART 27
Figura 2.1: Funcin de densidad de una distribucin normal bivariante de
medias 1 y 1, desviaciones tpicas 2 y 2, coeciente de correlacin 0.8.
2.3. Distribucin de Wishart
La distribucin de Wishart es la que sigue una matriz aleatoria simtrica
denida positiva, generaliza la distribucin ji-cuadrado y juega un papel im-
portante en inferencia multivariante. Un ejemplo destacado lo constituye la
distribucin de la matriz de covarianzas S. calculada a partir de una matriz
de datos donde las las son observaciones normales multivariantes.
Denicin
Si las las de la matriz Z
aj
son independientes `
j
(0. ) entonces diremos
que la matriz Q = Z
t
Z es Wishart \
j
(. :). con parmetros y : grados
de libertad.
Textos avanzados prueban que cuando es denida positiva y : _ j. la
densidad de Q es
,(Q) =c[Q[
(aj1)
exp(
1
2
tr(
1
Q)).
siendo
c
1
= 2
aj2
:
j(j1)4
[[
a2
j
i=1
(
1
2
(: + 1 i).
Propiedades:
1. Si Q
1
. Q
2
son independientes Wishart \
j
(. :). \
j
(. :). entonces la
suma Q
1
+Q
2
es tambin Wishart \
j
(. :+:).
2. Si Q es Wishart \
j
(. :). y separamos las variables en dos conjuntos
y consideramos las particiones correspondientes de las matrices y Q
=
_

11

12
21

22
_
. Q =
_
Q
11
Q
12
Q
21
Q
22
_
.
Entonces Q
11
es \
j
(
11
. :) y Q
22
es \
j
(
22
. :).
3. Si Q es Wishart \
j
(. :) y T es una matriz j de constantes, en-
tonces T
t
QT es \
q
(T
t
T. :). En particular, si t es un vector, entonces
t
t
Qt
tt
es
2
a
.
2.4. Distribucin de Hotelling
Es una generalizacin multivariante de la distribucin t de Student.
Denicin
Si y es `
j
(0. I). Qes Wishart \
j
(I. :) y adems y. Qson independientes,
entonces
1
2
= :y
t
Q
1
y
sigue la distribucin 1
2
de Hotelling, que se indica por 1
2
(j. :).
Propiedades:
1. Si x es `
j
(j.) independiente de ^ que es \
j
(. :), entonces
1
2
= :(xj)
t
^
1
(xj) ~ 1
2
(j. :).
2. 1
2
est directamente relacionada con la distribucin de Fisher-Snedecor
1
2
(j. :) =
:j
:j + 1
1
j
nj+1
.
2.5. DISTRIBUCIN DE WILKS 29
3. Si x. S son el vector de medias y la matriz de covarianzas de la matriz
X
aj
con las independientes `
j
(j. ). entonces
(: 1)(xj)
t
S
1
(xj) ~ 1
2
(j. : 1).
y por lo tanto
: j
j
(xj)
t
S
1
(xj) ~ 1
j
aj
.
4. Si x. S
1
.y. S
2
son el vector de medias y la matriz de covarianzas de
las matrices X
a
1
j
.
a
2
j
. respectivamente, con las independientes
`
j
(j. ). y consideramos la estimacin conjunta centrada de
S= (:
1
S
1
+:
2
S
2
),(:
1
+:
2
2).
entonces
1
2
=
:
1
:
2
:
1
+:
2
(xy)
t
S
1
(x y) ~ 1
2
(j. :
1
+:
2
2)
y por lo tanto
:
1
+:
2
1 j
(:
1
+:
2
2)j
1
2
~ 1
j
a
1
+a
2
1j
.
2.5. Distribucin de Wilks
La distribucin F con : y : grados de libertad surge considerando el
cociente
1 =
,:
1,:
.
donde . 1 sn ji-cuadrados estocsticamente independientes con : y : gra-
dos de libertad. Si consideramos la distribucin
=

+1
.
la relacin entre y 1
n
a
. as como la inversa 1
a
n
, es
1
n
a
=
:
:

1
. 1
a
n
=
:
:
1
.
La distribucin de Wilks generaliza esta relacin.
Denicin
Si las matrices A. Hde orden jj son independientes Wishart \
j
(. :). \
j
(. :),
respectivamente, con : _ j. la distribucin del cociente de determinantes
=
[A[
[A+H[
es, por denicin, la distribucin lambda de Wilks, que indicaremos por
(j. :. :).
Propiedades:
1. 0 _ _ 1 y adems no depende de . Por lo tanto, podemos
estudiarla suponiendo = I.
2. Su distribucin es equivalente a la del producto de : variables beta
independientes:
(j. :. :) ~
a
i=1
l
i
.
donde l
i
es beta 1(
1
2
(:+i j).
1
2
j). (Obsrvese que debe ser : _ j).
3. Los parmetros se pueden permutar manteniendo la misma distribu-
cin. Concretamente:
(j. :. :) ~ (:. :+: j. j).
4. Para valores 1 y 2 de j y :. la distribucin de equivale a la 1. segn
las frmulas
1
n
a
~ 1
a
n
(j = 1)
1
nj+1
j
~ 1
j
nj+1
(: = 1)
1
_
n1
a
~ 1
2a
2(n1)
(j = 2)
1
_
nj+1
j
1
2j
2(nj+1)
(: = 2)
(2.8)
5. En general, una transformacin de equivale, exacta o asintticamente,
a la distribucin 1. Si (j. :. ) es Wilks con : relativamente grande,
consideremos
1 =
:: 2`
j
1
1c
1c
(2.9)
con : = :(j++1),2, ` = (j2),4. : =
_
(j
2
2
4),(j
2
+
2
5).
Entonces 1 sigue asintticamente la distribucin F con j y (::2`)
g. de lib. (Rao, 1973, p.556).
2.6. RELACIONES ENTRE WILKS, HOTELLING Y F 31
0.0 0.2 0.4 0.6 0.8 1.0
0.00
0.05
0.10
0.15
0.20
x
y
Figura 2.2: Un ejemplo de funcin de densidad lambda de Wilks.
2.6. Relaciones entre Wilks, Hotelling y F
A. Probemos la relacin entre y 1 cuando j = 1. Sean ~
2
n
. 1 ~
2
a
independientes. Entonces = ,( +1) ~ (1. :. :) y 1 = (:,:),1 =
(:,:)1 ~ 1
n
a
. Tenemos que = (,1),(,1 + 1) = 1,(1 + 1). luego
1 = ,(1) =(:,:),(1) ~ 1
n
a
. Mas si 1 ~ 1
n
a
entonces 1,1 ~ 1
a
n
.
Hemos demostrado que:
1 (1. :. :)
(1. :. :)
:
:
~ 1
a
n
. (2.10)
B. Recordemos que y es un vector columna y por lo tanto yy
t
es una matriz
j j. Probemos la relacin entre las distribuciones 1
2
y 1. Tenemos 1
2
=
:y
t
Q
1
y. donde Q es \
j
(I.:). y yy
t
es \
j
(I.1). Se cumple
[Q+yy
t
[ = [Q[[1+y
t
Q
1
y[.
que implica
1+y
t
Q
1
y = [Q+yy
t
[,[Q[ = 1,.
donde = [Q[,[Q+yy
t
[ ~ (j. :. 1) ~ (1. :+1j. j). Adems y
t
Q
1
y =
1,1 = (1),. De (2.10) tenemos que y
t
Q
1
y(:+1j),j ~ 1
j
n+1j
y por lo tanto
1
2
= :y
t
Q
1
y ~
:j
:+ 1 j
1
j
n+1j
.
2.7. Distribucin multinomial
Supongamos que la poblacin es la reunin disjunta de / sucesos ex-
cluyentes
1
. . . . .
I
.
=
1
+ +
I
.
con probabilidades positivas 1(
1
) = j
1
. . . . . 1(
I
) = j
I
. vericando
j
1
+ +j
I
= 1.
Consideremos : observaciones independientes y sea (,
1
. . . . . ,
I
) el vector con
las frecuencias observadas de
1
. . . . .
I
. siendo
,
1
+ +,
I
= :. (2.11)
La distribucin multinomial es la distribucin de f = (,
1
. . . . . ,
I
) con funcin
de densidad discreta
j(,
1
. . . . . ,
I
) =
:!
:
1
! :
I
!
j
)
1
1
j
)
k
I
.
En el caso / = 2 tenemos la distribucin binomial.
Indiquemos = (j
1
. . . . . j
I
)
t
.
1. El vector de medias de f es = :.
2. La matriz de covarianzas de f es C = :[diag()
t
). Es decir:
c
ii
= :j
i
(1 j
i
).
c
i)
= :j
i
j
)
si i ,= ,.
Puesto que C1 = 0. la matriz C es singular. La singularidad se debe a
que se verica (2.11). Una g-inversa de C es (vase Seccin 1.10):
C
= diag(j
1
1
. . . . . j
1
I
). (2.12)
2.8. Distribuciones con marginales dadas
Sea H(r. ) la funcin de distribucin bivariante de dos variables aleato-
rias (A. 1 ). La funcin H es
H(r. ) = 1(A _ r. 1 _ ).
2.8. DISTRIBUCIONES CON MARGINALES DADAS 33
Consideremos las distribuciones marginales, es decir las distribuciones uni-
variantes de A y de 1 :
1(r) = 1(A _ r) = H(r. ).
G() = 1(1 _ ) = H(. ).
Un procedimiento para la obtencin de modelos de distribuciones bivariantes
consiste en encontrar H a partir de 1. G y posiblemente algn parmetro.
Si suponemos A. 1 independientes, una primera distribucin es
H
0
(r. ) = 1(r)G().
M. Frchet introdujo las distribuciones bivariantes
H
(r. ) = max1(r) +G() 1. 0.

H
+
(r. ) = mn1(r). G()
y demostr la desigualdad
H
(r. ) _ H(r. ) _ H
+
(r. ).
Cuando la distribucin es H
. entonces se cumple la relacin funcional entre

A. 1
1(A) +G(1 ) = 1.
y la correlacin (si existe) j
es mnima. Cuando la distribucin es H

+
,
entonces se cumple la relacin funcional entre A. 1
1(A) = G(1 )
y la correlacin (si existe) j
+
es mxima. Previamente W. Hoeding haba
probado la siguiente frmula para la covarianza
cov(A. 1 ) =
_
1
2
(H(r. ) 1(r)G())drd
y demostrado la desigualdad
j
_ j _ j
+
.
donde j
. j y j
+
son las correlaciones entre A. 1 cuando la distribucin
bivariante es H
. H y H
+
. respectivamente.
Posteriormente, diversos autores han propuesto distribuciones bivariantes
paramtricas a partir de las marginales 1. G, que en algunos casos contienen a
H
. H
0
y H
+
. Escribiendo 1. G. H para indicar 1(r). G(). H(r. ). algunas
familias son:
1. Farlie-Gumbel-Morgenstern:
H
0
= 1G[1 +o(1 1)(1 G)]. 1 _ o _ 1.
2. Clayton-Oakes:
H
c
= [1
c
+G
c
1]
1c
. 1 _ c < .
3. Ali-Mikhail-Haq:
H
0
= 1G,[1 o(1 1)(1 G)] 1 _ o _ 1.
4. Cuadras-Aug:
H
0
= (mn1. G)
0
(1G)
10
. 0 _ o _ 1.
5. Familia de correlacin:
H
0
(r. ) = o1(mnr. ) + (1 o)1(r)J(). 1 _ o _ 1.
siendo J() = [G() o1()),(1 o) una funcin de distribucin uni-
variante.
2.9. Complementos
La distribucin normal multivariante es, con diferencia, la ms utilizada
en anlisis multivariante. Textos como Anderson (1956), Rao (1973), Rencher
(1995, 1998), se basan, casi exclusivamente, en la suposicin de normalidad.
Ms recientemente se han estudiado generalizaciones, como las distribuciones
elpticas, cuya densidad es de la forma
,(x) = [[
12
q((xj)
t
1
(xj)).
donde q es una funcin positiva creciente. Otras distribuciones importantes
son la multinomial y la Dirichlet.
Cuando se estudiaron muestras normales multivariantes, pronto se plante
la necesidad de encontrar la distribucin de la matriz de covarianzas, y de
2.9. COMPLEMENTOS 35
algunos estadsticos apropiados para realizar tests multivariantes. As fue co-
mo J. Wishart, H. Hotelling y S. S. Wilks propusieron las distribuciones que
llevan sus nombres, en los aos 1928, 1931 y 1932, respectivamente.
El estudio de las distribuciones con marginales dadas proporciona un
mtodo de construccin de distribuciones univariantes y multivariantes. Al-
gunas referencias son: Hutchinson y Lai (1990), Joe (1997), Nelsen (1999),
Cuadras y Aug (1981), Cuadras (1992a, 2006, 2009). La frmula de Hoed-
ing admite la siguiente generalizacin (Cuadras, 2002):
cov(c(A). ,(1 )) =
_
1
2
(H(r. ) 1(r)G())dc(r)d,().
Vase tambin Quesada-Molina (1992).
Captulo 3
INFERENCIA
MULTIVARIANTE
3.1. Conceptos bsicos
Sea ,(x. 0) un modelo estadstico. La funcin score se dene como
.(x. 0) =
J
J0
log ,(x. 0).
Una muestra multivariante est formada por las : las x
t
1
. . . . . x
t
j
indepen-
dientes de una matriz de datos X
aj
. La funcin de verosimilitud es
1(X. 0) =
a
i=1
,(x
i
. 0).
La funcin score de la muestra es
.(X. 0) =
a
i=1
J
J0
log ,(x
i
. 0).
La matriz de informacin de Fisher 1(0) es la matriz de covarianzas de
.(X. 0). Cuando un modelo estadstico es regular se verica:
a) 1(.(X. 0)) = 0.
b) 1(0) =1(.(X. 0).(X. 0)
t
).
Un estimador t(X) de 0 es insesgado si 1(t(X)) = 0. La desigualdad
de Cramr-Rao dice que si cov(t(X)) es la matriz de covarianzas de t(X),
entonces
cov(t(X)) _1(0)
1
.
37
38 CAPTULO 3. INFERENCIA MULTIVARIANTE
en el sentido de que la diferencia cov(t(X))1(0)
1
es una matriz semi-
denida positiva.
Un estimador
0 del parmetro desconocido 0 es mximo verosmil si max-

imiza la funcin 1(X. 0). En condiciones de regularidad, podemos obtener
0
resolviendo la ecuacin
a
i=1
J
J0
log ,(x
i
. 0) = 0.
Entonces el estimador mximo verosmil
0
a
obtenido a partir de una muestra
de tamao : satisface:
a) Es asintticamente normal con vector de medias 0 y matriz de covar-
ianzas (:1
1
(0))
1
. donde 1
1
(0) es la matriz de informacin de Fisher para
una sola observacin.
b) Si t(X) es estimador insesgado de 0 tal que cov(t(X)) = (:1
1
(0))
1
.
entonces

0
a
= t(X).
c)

0
a
converge en probabilidad a 0.
3.2. Estimacin de medias y covarianzas
Si las : las x
t
1
. . . . . x
t
a
de X
aj
j
(j. ) la funcin
de verosimilitud es
1(X.j. ) = det(2:)
a2
exp
_
1
2
a
i=1
(x
i
j)
1
(x
i
j)
t
_
Se verica
a
i=1
(x
i
j)
t
1
(x
i
j) =
a
i=1
(x
i
x)
t
1
(x
i
x) +:(x j)
t
1
(x j)
= t:
1
a
i=1
(x
i
x)(x
i
x)
t
+:(x j)
t
1
(x j)
y por lo tanto el logaritmo de 1 se puede expresar como
log 1(X.j. ) =
:
2
log det(2:)
:
2
t:(
1
S)
:
2
(x j)
t
1
(x j).
Derivando matricialmente respecto de j y de
1
tenemos
0
0j
log 1 = :
1
(x j) = 0.
0
0
1
log 1 =
a
2
[ o (x j)(x j)
t
] = 0.
3.3. TESTS MULTIVARIANTES 39
Las estimaciones mximo-verosmiles de j. son pues
j = x.

= S.
Si slo j es desconocido, la matriz de informacin de Fisher es
1(j) = 1(:
1
(x j):
1
(x j)
t
) = :
1
y como cov(x) = ,:. tenemos x que alcanza laa cota de Cramr-Rao.
Probaremos ms adelante que:
1. x es `
j
(j. ,:).
2. x y S son estocsticamente independientes.
3. :S sigue la distribucin de Wishart.
3.3. Tests multivariantes
Un primer mtodo para construir tests sobre los parmetros de una poblacin
normal, se basa en las propiedades anteriores, que dan lugar a estadsticos
con distribucin conocida (ji-cuadrado, F).
3.3.1. Test sobre la media: una poblacin
Supongamos que las las de X
aj
j
(j. ). Sea j
0
un vector de medias conocido. Queremos realizar un test sobre la hiptesis
H
0
: j = j
0
1. Si es conocida, como x es `
j
(j. ,:). el estadstico de contraste es
:(xj
0
)
t
1
(xj
0
) ~
2
j
.
2. Si es desconocida, como (: 1)(xj)
t
S
1
(xj) ~ 1
2
(j. : 1). el
estadstico de contraste es
: j
j
(xj
0
)
t
S
1
(xj
0
) ~ 1
j
aj
. (3.1)
En ambos casos se rechaza H
0
para valores grandes signicativos del es-
tadstico.
3.3.2. Test sobre la media: dos poblaciones
Supongamos ahora que tenemos dos matrices de datos independientes
X
a
1
j
.
a
2
j
que provienen de distribuciones `
j
(j
1
. ). `
j
(j
2
. ). Quere-
mos construir un test sobre la hiptesis
H
0
: j
1
= j
2
.
1. Si es conocida, como (xy) es `
j
(j
1
j
2
. (1,:
1
+ 1,:
2
)) el es-
tadstico de contraste es
:
1
:
2
:
1
+:
2
(xy)
t
1
(x y) ~
2
j
.
2. Si es desconocida, el estadstico de contraste es
:
1
+:
2
1 j
(:
1
+:
2
2)j
:
1
:
2
:
1
+:
2
(xy)
t
S
1
(x y) ~ 1
j
a
1
+a
2
1j
.
3.3.3. Comparacin de medias
Supongamos que las las de q matrices de datos son independientes, y
que provienen de la observacin de q poblaciones normales multivariantes:
matriz orden medias covarianzas distribucion
X
1
:
1
j x
1
S
1
`
j
(j
1
. )
X
2
:
2
j x
2
S
2
`
j
(j
2
. )
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
X
j
:
j
j x
j
S
j
`
j
(j
j
. )
(3.2)
El vector de medias generales y la estimacin centrada de la matriz de
covarianzas comn son
x =
1
:
j
i=1
:
i
x
i
. S =
1
: q
j
i=1
:
i
S
i
.
siendo S
i
= :
1
i
X
t
i
HX
i
. : =
j
i=1
:
i
.
Deseamos construir un test para decidir si podemos aceptar la hiptesis
de igualdad de medias
H
0
: j
1
= j
2
= = j
j
.
3.4. TEOREMA DE COCHRAN 41
Introducimos las siguientes matrices , :
H =
j
i=1
:
i
(x
i
x)(x
i
x)
t
(dispersion entre grupos)
V =
j
i=1
a
i
c=1
(x
ic
x
i
)(x
ic
x
i
)
t
(dispersion dentro grupos)
T =
j
i=1
a
i
c=1
(x
ic
x)(x
ic
x)
t
(dispersion total)
Se verica que V = (: q)S y la relacin:
T = H+V.
Si la hiptesis nula es cierta, se verica adems
H ~\
j
(. q 1). V~\
j
(. : q). T ~\
j
(. : 1).
H. V son estocasticamente independientes.
por lo tanto, si H
0
es cierta
=
[V[
[V+H[
~ (j. : q. q 1).
Rechazaremos H
0
si es pequea y signicativa, o si la transformacin a
una 1 es grande y signicativa.
3.4. Teorema de Cochran
Algunos resultados de la seccin anterior son una consecuencia del teore-
ma de Cochran.
Lema 3.4.1 Sea X(: j) una matriz de datos `
j
(j. ) y u. v dos vectores
: 1 tales que u
t
u = v
t
v =1. u
t
v =0.
1. Si j = 0 entonces y
t
= u
t
X es `
j
(0. ).
2. y
t
= u
t
X es independiente de z
t
= v
t
X.
Demost.: Sean x
t
1
. . . . . x
t
a
las las (independientes) de X. Si u = (n
1
. . . . . n
a
)
t
entonces y
t
= u
t
X =
a
i=1
n
i
x
i
es normal multivariante con j = 0 y matriz
de covarianzas
1(yy
t
) = 1(
a
i=1
n
i
x
i
)(
a
i=1
n
i
x
i
)
t
= 1(
a
i,)=1
n
i
n
)
x
i
x
t
)
)
=
a
i,)=1
n
i
n
)
1(x
i
x
t
)
) =
a
i=1
n
2
i
1(x
i
x
t
i
)
=
a
i=1
n
2
i
= .
Anlogamente, si v = (
1
. . . . .
a
)
t
. z
t
= v
t
X es tambin normal.
Las esperanzas de y. z son: 1(y) = (
a
i=1
n
i
)j. 1(z) = (
a
i=1
i
)j. Las
covarianzas entre y y z son:
1[(y1(y))(z1(z))
t
]=
a
i=1
n
i
)
1[(x
i
j)(x
)
j)
t
]
=
a
i=1
n
i
i
1[(x
i
j)(x
)
j)
t
] = u
t
v = 0.
lo que prueba la independencia estocstica entre y y z.
Teorema 3.4.2 Sea X(: j) una matriz de datos `
j
(0. ) y sea C(: :)
una matriz simtrica.
1. X
t
CX tiene la misma distribucin que una suma ponderada de matrices
\
j
(. 1). donde los pesos son valores propios de C.
2. X
t
CX es Wishart \
j
(. :) si y slo si C es idempotente y rang(C) = :.
Demost.: Sea
C =
a
i=1
`
i
u
i
u
t
i
la descomposicin espectral de C, es decir, Cu
i
= `
i
u
i
. Entonces
X
t
CX =
`
i
y
t
i
y
i
Por el Lema 3.4.1 anterior, las las y
t
i
de la matriz
=
_
_
_
y
t
1
.
.
.
y
t
a
_
_
_
=
_
_
_
u
t
1
X
.
.
.
u
t
a
X
_
_
_
.
son tambin independientes `
j
(0. ) y cada y
i
y
t
i
es \
j
(. 1).
Si C
2
= C entonces Cu
i
= `
i
u
i
siendo `
i
= 0 1. Por lo tanto : =tr(C)
y
X
t
CX =
v
i=1
y
i
y
t
i
~ \
j
(. :).
El siguiente resultado se conoce como teorema de Craig, y junto con el
teorema de Cochran, permite construir tests sobre vectores de medias.
3.4. TEOREMA DE COCHRAN 43
Teorema 3.4.3 Sea X(:j) una matriz de datos `
j
(j. ) y sean C
1
(::).
C
2
(::) matrices simtricas. Entonces X
t
C
1
X es independiente de X
t
C
2
X
si C
1
C
2
= 0.
Demost.:
C
1
=
a
i=1
`
i
(1)u
i
u
t
i
. X
t
C
1
X =
`
i
(1)y
i
y
t
i
.
C
2
=
a
)=1
`
)
(2)v
)
v
t
)
. X
t
C
2
X =
`
)
(2)z
)
z
t
)
.
siendo y
t
i
= u
t
i
X. z
t
)
= v
t
)
X. Por otra parte
C
1
C
2
=

`
i
(1)`
)
(2)u
i
u
t
i
v
)
v
t
)
.
C
1
C
2
= 0 =`
i
(1)`
)
(2)u
t
i
v
)
= 0. \i. ,.
Si suponemos `
i
(1)`
)
(2) ,= 0. entonces por el Lema 3.4.1 y
t
i
(1 j) = u
t
i
X es
independiente de z
t
)
(1j) = v
t
)
X. As X
t
C
1
X es independiente de X
t
C
2
X.
Una primera consecuencia del teorema anterior es la independencia entre
vectores de medias y matrices de covarianzas muestrales. En el caso univari-
ante j = 1 es el llamado teorema de Fisher.
Teorema 3.4.4 Sea X(: j) una matriz de datos `
j
(j. ). Entonces :
1. La media x es `
j
(j. ,:).
2. La matriz de covarianzas S = X
t
HX,: verica :S ~ \
j
(. : 1).
Demost.: Consideremos C
1
= :
1
11
t
. Tenemos rang(C
1
) = 1. X
t
C
1
X =xx
t
.
Consideremos tambin C
2
= H. Como C
1
C
2
= 0 deducimos que x es inde-
pendiente de S.
Por otra parte, como H
2
= H. H1 = 0. rang(H) =:1. H tiene el valor
propio 1 con multiplicidad : 1. As u
i
. vector propio de valor propio 1.
es ortogonal a 1. resultando que y
t
i
= u
t
i
X verica 1(y
t
i
) = (
a
c=1
n
ic
)j =
(u
t
i
1)j=0j = 0. Si u
)
es otro vector propio, y
i
. y
)
son independientes (Lema
3.4.1). Tenemos que :S =
a1
i=1
y
i
y
t
i
. donde los y
i
y
t
i
son \
j
(. 1) independientes.
Teorema 3.4.5 Sean X
i
. matrices de datos independientes de orden :
i
j
con distribucin `
j
(j
i
. ). i = 1. . . . q. : =
j
i=1
:
i
. Si la hiptesis nula
H
0
: j
1
= j
2
= = j
j
es cierta, entonces H. V son independientes con distribuciones Wishart:
H ~\
j
(. q 1). V~\
j
(. : q).
Demost.: Escribimos las matrices de datos como una nica matriz
X =
_
_
X
1
.
.
.
X
j
_
_
.
Sean
1
1
= (1. . . . . 1. 0. . . . . 0). . . . . 1
j
= (0. . . . 0. 1. . . . 1).
1 =
j
i=1
1
i
= (1. . . . . 1. . . . . 1. . . . . 1).
donde 1
1
tiene :
1
unos y el resto ceros, etc. Sean tambin
I
i
= diag(1
i
). I =
j
i=1
I
i
.
H
i
= I
i
:
1
i
1
i
1
t
i
C
1
=
j
i=1
H
i
. C
2
=
j
i=1
:
1
i
1
i
1
t
i
:
1
11
t
.
Entonces
C
2
1
= C
1
. C
2
2
= C
2
. C
1
C
2
= 0.
rang(C
1
) = : /. rang(C
2
) = q 1.
V = X
t
C
1
X. H = X
t
C
2
X.
El resultado es consecuencia de los Teoremas 3.4.4 y 3.4.5.
3.5. Construccin de tests multivariantes
3.5.1. Razn de verosimilitud
Supongamos que la funcin de densidad de (A
1
. . . . . A
j
) es ,(x. 0). donde
x 1
j
y o O. siendo O una regin paramtrica de dimensin geomtrica
:. Sea O
0
O una subregin paramtrica de dimensin :, y planteamos el
test de hiptesis
H
0
: 0 O
0
vs H
1
: 0 OO
0
.
Sea x
1
. . . . . x
a
una muestra de valores independientes de X , consideremos
la funcin de verosimilitud
1(x
1
. . . . . x
a
; o) =
a
i=1
,(x. 0)
3.5. CONSTRUCCIN DE TESTS MULTIVARIANTES 45
y sea

0 el estimador mximo verosmil de 0 O. Consideremos anloga-
mente

0
0
, el estimador de mxima verosimilitud de 0 O
0
. Tenemos que

0
maximiza 1 sin restricciones y
0
0
maximiza 1 cuando se impone la condicin
de que pertenezca a O
0
. La razn de verosimilitud es el estadstico
`
1
=
1(x
1
. . . . . x
a
;
0
0
)
1(x
1
. . . . . x
a
;
0)
.
que satisface 0 _ `
1
_ 1. Aceptamos la hiptesis H
0
si `
1
es prxima a 1 y
aceptamos la alternativa H
1
si `
1
es signicativamente prximo a 0.
El test basado en `
1
tiene muchas aplicaciones en AM, pero en la mayora
de los casos su distribucin es desconocida. Existe un importante resultado
(atribuido a Wilks), que dice que la distribucin de -2 veces el logaritmo de
`
1
es ji-cuadrado con : : g.l. cuando el tamao de la muestra : es grande.
Teorema 3.5.1 Bajo ciertas condiciones de regularidad, se verica:
2 log `
1
es asintticamente
2
vc
.
donde : = dim(O
0
) < : = dim(O).
Entonces rechazamos la hiptesis H
0
cuando 2 log `
1
sea grande y sig-
nicativo. Veamos dos ejemplos.
Test de independencia
Si (A
1
. . . . . A
j
) es `(j. ). y queremos hacer un test sobre la indepen-
dencia estocstica de las variables, entonces
O
0
= (j.
0
). : = 2j.
O = (j. ). : = j +j(j + 1),2.
donde
0
es diagonal. O
0
contiene las j medias de las variables y las j
varianzas. es cualquier matriz denida positiva. Se demuestra (Seccin
5.4.2) que
2 log `
1
= :log [H[.
donde H es la matriz de correlaciones. El estadstico :log [H[ es asintti-
camente ji-cuadrado con
= j +j(j + 1),2 2j = j(j 1),2 g.l.
Si las variables son independientes, tendremos que H - I. :log [H[ -0. y
es probable que
2
q
= :log [H[ no sea signicativo.
Test de comparacin de medias
Consideremos el test de comparacin de medias planteado en la Seccin
3.3.3. Ahora
O
0
= (j. ). : = j +j(j + 1),2.
O = (j
1
. . . . . j
j
). ). : = qj +j(j + 1),2.
donde es matriz denida positiva y j (vector) es la media comn cuando
H
0
es cierta. Hay qj +j(j +1),2 parmetros bajo H
1
. y j +j(j +1),2 bajo
H
0
. Se demuestra la relacin
`
1
=
a2
.
donde = [V[,[T[ es la lambda de Wilks y : = :
1
+ +:
j
. Por lo tanto
:log es asintticamente ji-cuadrado con : : = (q 1)j g.l. cuando la
hiptesis H
0
es cierta.
3.5.2. Principio de unin-interseccin
Es un principio general que permite construir tests multivariantes a partir
de tests univariantes y se aplica a muchos tests. Como ejemplo, planteemos
la hiptesis nula multivariante H
0
: j=j
0
como un test univariante. Sea
A
o
= Xa una variable compuesta con media j(c) =ja. El test univariante
H
0
(c) : j(c) =j
0
(c) contra la alternativa H
1
(c) : j(c) ,=j
0
(c) se resuelve
mediante la t de Student
t(c) =
_
: 1
r(c) j
0
(c)
:(c)
~ t
a1
donde r(c) = x
t
c es la media muestral de A
o
y :
2
(c) = a
t
Sa es la varianza.
Aceptaremos H
0
: j=j
0
si aceptamos todas las hiptesis univariantes H
0
(c),
y nos decidiremos por la alternativa H
1
: j ,= j
0
si aceptamos una sola de las
alternativas H
1
(c), es decir, formalmente (principio de unin-interseccin):
H
0
=
o
H
0
(c). H
1
= '
o
H
1
(c).
As rechazaremos H
0
si la mxima t(c) resulta signicativa. Pues bien, la 1
2
de Hotelling (Seccin 3.3.1) es precisamente el cuadrado de esta mxima t
de Student.
3.6. EJEMPLOS 47
Teorema 3.5.2 En el test sobre el vector de medias, la 1
2
de Hotelling y la
t de Student estn relacionadas por
1
2
= max
o
t
2
(c).
Demost.: (x j
0
) es un vector columna y podemos escribir t
2
(c) como
t
2
(c) = (: 1)
a
t
(x j
0
)(x j
0
)
t
a
a
t
Sa
Sea A = (x j
0
)(x j
0
)
t
matriz de orden j j y rango 1. Si v
1
satisface
Av
1
= `
1
Sv
1
entonces
`
1
= max
v
t
Av
v
t
Sv
.
De (x j
0
)(x j
0
)
t
v
1
= `
1
Sv
1
resulta que S
1
(x j
0
)(x j
0
)
t
v
1
= `
1
v
1
y de la identidad
S
1
(x j
0
)(x j
0
)
t
(S
1
(x j
0
)) = (x j
0
)
t
S
1
(x j
0
)(S
1
(x j
0
))
vemos que `
1
= (x j
0
)
t
S
1
(x j
0
). v
1
= S
1
(x j
0
). Por lo tanto
1
2
= max
o
t
2
(c) = (: 1)(x j
0
)
t
S
1
(x j
0
).
3.6. Ejemplos
Ejemplo 3.6.1
Se desean comparar dos especies de moscas de agua: Amerohelea fasci-
nata, Amerohelea pseudofascinata. En relacin a las variables A
1
= long.
antena, A
2
= long. ala (en mm), para dos muestras de tamaos :
1
= 9 y
:
2
= 6. se han obtenido las matrices de datos de la Tabla 3.1.
Vectores de medias (valores multiplicados por 100):
x= (141.33. 180.44). y = (122.67. 192.67).
Amerohelea fascinata A. pseudofascinata
:
1
= 9 :
2
= 6
A
1
A
2
1.38 1.64
1.40 1.70
1.24 1.72
1.36 1.74
1.38 1.82
1.48 1.82
1.54 1.82
1.38 1.90
1.56 2.08
A
1
A
2
1.14 1.78
1.20 1.86
1.18 1.96
1.30 1.96
1.26 2.00
1.28 2.00
Tabla 3.1: A
1
= long. antena, A
2
= long. ala (en mm), para dos muestras de
tamao :
1
= 9 y :
2
= 6..
Matrices de covarianzas:
S
1
=
_
98.00 80.83
80.83 167.78
_
S
2
=
_
39.47 43.47
43.47 77.87
_
.
Estimacin centrada de la matriz de covarianzas comn:
S=
1
13
(8S
1
+ 5S
2
) =
_
75.49 66.46
66.46 133.81
_
.
Distancia de Mahalanobis entre las dos muestras:
1
2
= (x y)
S
1
(x y)
t
= 15.52.
Estadstico 1
2
:
1
2
=
6 9
6 + 9
1
2
= 55.87
Estadstico 1 :
9 + 6 1 2
2(9 + 6 2)
1
2
= 25.78 ~ 1
2
12
Decisin: rechazamos la hiptesis de que las dos especies son iguales (Nivel
de signicacin=0.001).
Ejemplo 3.6.2
3.6. EJEMPLOS 49
Comparacin de las especies virginica, versicolor, setosa de ores del
gnero Iris (datos de R. A. Fisher, Tabla 3.2), respecto a las variables que
miden longitud y anchura de spalos y ptalos:
A
1
. A
2
= long.. anch.(sepalos). A
3
. A
4
= long.. anch.(petalos).
Vectores de medias y tamaos mustrales:
I. setosa (5.006. 3.428. 1.462. 0.246) :
1
= 50
I. versicolor (5.936. 2.770. 4.260. 1.326) :
2
= 50
I. virginica (6.588. 2.974. 5.550. 2.026) :
3
= 50
Matriz dispersin entre grupos:
H =
_
_
_
_
63.212 19.953 165.17 71.278
11.345 57.23 22.932
436.73 186.69
80.413
_
_
_
_
Matriz dispersin dentro grupos:
V =
_
_
_
_
38.956 12.630 24.703 5.645
16.962 8.148 4.808
27.322 6.284
6.156
_
_
_
_
Lambda de Wilks:
=
[V[
[V+H[
= 0.02344~(4. 147. 2)
Transformacin a una 1 aplicando (2.9):
1 = 198.95 ~ 1
8
288
Decisin: las diferencias entre las tres especies son muy signicativas.
A
1
A
2
A
3
A
4
A
1
A
2
A
3
A
4
A
1
A
2
A
3
A
4
5.1 3.5 1.4 0.2 7.0 3.2 4.7 1.4 6.3 3.3 6.0 2.5
4.9 3.0 1.4 0.2 6.4 3.2 4.5 1.5 5.8 2.7 5.1 1.9
4.7 3.2 1.3 0.2 6.9 3.1 4.9 1.5 7.1 3.0 5.9 2.1
4.6 3.1 1.5 0.2 5.5 2.3 4.0 1.3 6.3 2.9 5.6 1.8
5.0 3.6 1.4 0.2 6.5 2.8 4.6 1.5 6.5 3.0 5.8 2.2
5.4 3.9 1.7 0.4 5.7 2.8 4.5 1.3 7.6 3.0 6.6 2.1
4.6 3.4 1.4 0.3 6.3 3.3 4.7 1.6 4.9 2.5 4.5 1.7
5.0 3.4 1.5 0.2 4.9 2.4 3.3 1.0 7.3 2.9 6.3 1.8
4.4 2.9 1.4 0.2 6.6 2.9 4.6 1.3 6.7 2.5 5.8 1.8
4.9 3.1 1.5 0.1 5.2 2.7 3.9 1.4 7.2 3.6 6.1 2.5
5.4 3.7 1.5 0.2 5.0 2.0 3.5 1.0 6.5 3.2 5.1 2.0
4.8 3.4 1.6 0.2 5.9 3.0 4.2 1.5 6.4 2.7 5.3 1.9
4.8 3.0 1.4 0.1 6.0 2.2 4.0 1.0 6.8 3.0 5.5 2.1
4.3 3.0 1.1 0.1 6.1 2.9 4.7 1.4 5.7 2.5 5.0 2.0
5.8 4.0 1.2 0.2 5.6 2.9 3.6 1.3 5.8 2.8 5.1 2.4
5.7 4.4 1.5 0.4 6.7 3.1 4.4 1.4 6.4 3.2 5.3 2.3
5.4 3.9 1.3 0.4 5.6 3.0 4.5 1.5 6.5 3.0 5.5 1.8
5.1 3.5 1.4 0.3 5.8 2.7 4.1 1.0 7.7 3.8 6.7 2.2
5.7 3.8 1.7 0.3 6.2 2.2 4.5 1.5 7.7 2.6 6.9 2.3
5.1 3.8 1.5 0.3 5.6 2.5 3.9 1.1 6.0 2.2 5.0 1.5
5.4 3.4 1.7 0.2 5.9 3.2 4.8 1.8 6.9 3.2 5.7 2.3
5.1 3.7 1.5 0.4 6.1 2.8 4.0 1.3 5.6 2.8 4.9 2.0
4.6 3.6 1.0 0.2 6.3 2.5 4.9 1.5 7.7 2.8 6.7 2.0
5.1 3.3 1.7 0.5 6.1 2.8 4.7 1.2 6.3 2.7 4.9 1.8
4.8 3.4 1.9 0.2 6.4 2.9 4.3 1.3 6.7 3.3 5.7 2.1
5.0 3.0 1.6 0.2 6.6 3.0 4.4 1.4 7.2 3.2 6.0 1.8
5.0 3.4 1.6 0.4 6.8 2.8 4.8 1.4 6.2 2.8 4.8 1.8
5.2 3.5 1.5 0.2 6.7 3.0 5.0 1.7 6.1 3.0 4.9 1.8
5.2 3.4 1.4 0.2 6.0 2.9 4.5 1.5 6.4 2.8 5.6 2.1
4.7 3.2 1.6 0.2 5.7 2.6 3.5 1.0 7.2 3.0 5.8 1.6
4.8 3.1 1.6 0.2 5.5 2.4 3.8 1.1 7.4 2.8 6.1 1.9
5.4 3.4 1.5 0.4 5.5 2.4 3.7 1.0 7.9 3.8 6.4 2.0
5.2 4.1 1.5 0.1 5.8 2.7 3.9 1.2 6.4 2.8 5.6 2.2
5.5 4.2 1.4 0.2 6.0 2.7 5.1 1.6 6.3 2.8 5.1 1.5
4.9 3.1 1.5 0.2 5.4 3.0 4.5 1.5 6.1 2.6 5.6 1.4
5.0 3.2 1.2 0.2 6.0 3.4 4.5 1.6 7.7 3.0 6.1 2.3
5.5 3.5 1.3 0.2 6.7 3.1 4.7 1.5 6.3 3.4 5.6 2.4
4.9 3.6 1.4 0.1 6.3 2.3 4.4 1.3 6.4 3.1 5.5 1.8
4.4 3.0 1.3 0.2 5.6 3.0 4.1 1.3 6.0 3.0 4.8 1.8
5.1 3.4 1.5 0.2 5.5 2.5 4.0 1.3 6.9 3.1 5.4 2.1
5.0 3.5 1.3 0.3 5.5 2.6 4.4 1.2 6.7 3.1 5.6 2.4
4.5 2.3 1.3 0.3 6.1 3.0 4.6 1.4 6.9 3.1 5.1 2.3
4.4 3.2 1.3 0.2 5.8 2.6 4.0 1.2 5.8 2.7 5.1 1.9
5.0 3.5 1.6 0.6 5.0 2.3 3.3 1.0 6.8 3.2 5.9 2.3
5.1 3.8 1.9 0.4 5.6 2.7 4.2 1.3 6.7 3.3 5.7 2.5
4.8 3.0 1.4 0.3 5.7 3.0 4.2 1.2 6.7 3.0 5.2 2.3
5.1 3.8 1.6 0.2 5.7 2.9 4.2 1.3 6.3 2.5 5.0 1.9
4.6 3.2 1.4 0.2 6.2 2.9 4.3 1.3 6.5 3.0 5.2 2.0
5.3 3.7 1.5 0.2 5.1 2.5 3.0 1.1 6.2 3.4 5.4 2.3
5.0 3.3 1.4 0.2 5.7 2.8 4.1 1.3 5.9 3.0 5.1 1.8
Tabla 3.2: Longitud y anchura de spalos y ptalos de 3 especies del gnero
Iris: Setosa, Versicolor, Virginica.
3.6. EJEMPLOS 51
Ejemplo 3.6.3
Consideremos los siguientes datos (tamaos muestrales, medias, desvia-
ciones tpicas, matrices de covarianzas) de j = 2 variables A (longitud del
fmur), 1 (longitud del hmero), obtenidas sobre dos poblaciones (Anglo-
indios, Indios) .
Medias A 1
:
1
= 27 460.4 335.1
:
2
= 20 444.3 323.2
Diferencia 16.1 11.9
Desv. tpicas 23.7 18.2
Matriz covarianzas
S =
_
561.7 374.2
374.2 331.24
_
Correlacin: : = 0.867
Suponiendo normalidad, los tests t de comparacin de medias para cada
variable por separado son:
Variable A t = 2.302 (45 g.l.) (j = 0.0259).
Variable 1 t = 2.215 (45 g.l.) (j = 0.0318).
A un nivel de signicacin 0. 05 se concluye que hay diferencias signicativas
para cada variable por separado.
Utilicemos ahora las dos variables conjuntamente. La distancia de Maha-
lanobis entre las dos poblaciones es d
t
S
1
d =0.4777. siendo d =(16. 1. 11.9).
La 1
2
de Hotelling es
1
2
=
27 20
27 + 20
0.4777 = 5.488
que convertida en una F da:
1 =
27 + 20 1 2
(27 + 20 2)2
5.488 = 2.685 (2 y 44 g.l.) (j = 0.079).
Esta F no es signicativa al nivel 0.05. Por lo tanto ambos tests univariantes
resultan signicativos, pero el test bivariante no, contradiciendo la creencia
de que un test multivariante debera proporcionar mayor signicacin que un
test univariante.
Interpretemos geomtricamente esta paradoja (conocida como paradoja
de Rao). Con nivel de signicacin 0,05, y aplicando el test 1
2
de Hotelling,
aceptaremos la hiptesis nula bivariante si el vector diferencia d = (r )
t
pertenece a la elipse
:
1
:
2
:
1
+:
2
d
t
_
561. 7 374. 2
374. 2 331. 24
_
1
d _ 3.2.
donde 3.2 es el punto crtico para una F con 2 y 44 g. l. As pues no hay
signicacin si r. verican la inecuacin
0. 04 036 9r
2
0. 0912 1r + 0. 06845 6
2
_ 3.2.
Anlogamente, en el test univariante y para la primera variable r, la
diferncia d = r
1
r
2
debe vericar
[
_
:
1
:
2
:
1
+:
2
(
d
:
1
)[ _ 2.
siendo 2 el valor crtico para una t con 45 g. l. Procederamos de forma similar
para la segunda variable . Obtenemos as las cuatro rectas
Variable r : 0. 143r = 2. Variable : 0. 1862 = 2.
En la Figura 3.1 podemos visualizar la paradoja. Los valores de la difer-
encia que estn a la derecha de la recta vertical r
a
son signicativos para
la variable r. Anlogamente los que estn por encima de la recta horizontal
r
j
lo son para la . Por otra parte, todos los valores que estn fuera de la
elipse (regin F) son signicativos para las dos variables. Hay casos en que
r. por separado no son signicativos, pero conjuntamente s. No obstante,
existe una pequea regin por encima de r
j
y a la derecha de r
a
que cae
dentro de la elipse. Para los datos del ejemplo, se obtiene el punto sealado
con el signo +, para el cual r e son signicativas pero no (r. ). As r e
son signicativas si el punto se encuentra en el cuadrante A. (Una simetra
con respecto al origen nos permitira considerar otras dos rectas y la regin
B).
Pues bien, el test con r y el test con por separado, son tests t distintos
del test 1
2
empleado con (r. ). equivalente a una F. Tales tests no tienen
por qu dar resultados compatibles. Las probabilidades de las regiones de
rechazo son distintas. Adems, la potencia del test con (r. ) es superior,
puesto que la probabilidad de la regin F es mayor que las probabilidades
sumadas de las regiones A y B.
Para ver ms ejemplos, consltese Baillo y Gran (2008).
3.7. ANLISIS DE PERFILES 53
Figura 3.1: Un test de comparacin de poblaciones bivariante puede resultar
menos signicativo que dos tests univariantes con las variables marginales.
3.7. Anlisis de perles
Supongamos que las las de una matriz de datos X(: j) provienen de
una distribucin `
j
(j. ). Estamos interesados en establecer una hiptesis
lineal sobre = (j
1
. . . . . j
j
)
t
. Por ejemplo, que las medias univariantes son
iguales:
H
0
: j
1
= = j
j
Esta hiptesis slo tiene sentido si las variables observables son comparables.
Consideremos la matriz de orden (j 1) j
C =
_
_
_
_
1 1 0 0
0 1 1 0
0 9 9 1
_
_
_
_
La hiptesis es equivalente a
H
0
: C = 0
Aceptar H
0
es lo mismo que decir que las medias de las j 1 variables
A
1
A
2
. A
2
A
3
. . . . . A
j1
A
j
son iguales a cero. Por lo tanto aplicaremos
el test de la 1
2
de Hotelling a la matriz de datos = XC. Bajo la hiptesis
nula
1
2
= (:1)(Cx)
t
(CSC
t
)
1
(Cx) = :(Cx)
t
(C
SC
t
)
1
(Cx) ~ 1
2
(j1. :1).
siendo

S la matriz de covarianzas con correccin de sesgo. Aplicando (3.1)
con j 1 variables
: j + 1
j 1
(Cx)
t
(C
SC
t
)
1
(Cx) ~ 1
j1
aj+1
Rechazaremos la hiptesis nula si el valor F resulta signicativo.
Consideremos los datos del ejemplo 1.11.1. Queremos estudiar si las me-
dias poblacionales de N, E, S, W son iguales. En este caso
C =
_
_
1 1 0 0
0 1 1 0
0 0 1 1
_
_
y la 1
2
de Hotelling es :
1
2
= :(Cx)
t
(C
SC
t
)
1
Cx = 20.74
Bajo la hiptesis nula, sigue una 1
2
(3. 23). Convertida en una F se obtiene
1(3. 25) = [25,(27 3)]1
2
= 6.40. El valor crtico al nivel 0.05 es 2.99. Hay
diferencias signicativas a lo largo de las cuatro direcciones cardinales.
3.8. Complementos
C. Stein prob que la estimacin j = x de j de la distribucin `
j
(j. )
puede ser inadmisible si j _ 3. en el sentido de que no minimiza
j
i=1
( j
i
j
i
)
2
.
y propuso una mejora de aquel estimador. B. Efron y C. Morris explicaron
esa peculiaridad desde una perspectiva bayesiana. S. M. Stigler di una in-
teresante explicacin en trminos de regresin, justicando por qu j _ 3
(consultar Cuadras, 1991).
El principio es debido a S. N. Roy, pero no siempre es aplicable. El test de
mxima-verosimilitud es atribuido a S. Wilks y es ms general. Es interesante
notar que 2 log se puede interpretar como una distancia de Mahalanobis.
Otros tests semejantes fueron propuestos por C. R. Rao y A. Wald. Consultar
Cuadras y Fortiana (1993b), Rao (1973).
En general, es necesario corregir los tests multiplicando por una con-
stante a n de conseguir tests insesgados (la potencia del test ser siempre
ms grande que el nivel de signicacin). Por ejemplo, es necesario hacer la
modicacin de G. E. P. Box sobre el test de Bartlett para comparar matrices
de covarianzas (Seccin 7.5.2).
Para datos de tipo mixto o no normales, se puede plantear la comparacin
de dos poblaciones utilizando distancias entre las observaciones, calculando
coordenadas principales mediante MDS, y a continuacin aplicando el modelo
de regresin multivariante. Vase Cuadras y Fortiana (2004), Cuadras (2008).
Captulo 4
ANALISIS DE
CORRELACION CANONICA
4.1. Introduccin
En este captulo estudiamos la relacin multivariante entre vectores aleato-
rios. Introducimos y estudiamos las correlaciones cannicas, que son gener-
alizaciones de las correlaciones simple y mltiple.
Tenemos tres posibilidades para relacionar dos variables:
La correlacin simple si A. 1 son dos v.a.
La correlacin mltiple si 1 es una v.a. y X = (A
1
. . . . . A
j
) es un vector
aleatorio.
La correlacin cannica si X = (A
1
. . . . . A
j
) e = (1
1
. . . . . 1
q
) son dos
vectores aleatorios.
4.2. Correlacin mltiple
Queremos relacionar una variable respuesta 1 con j variables cuantitati-
vas explicativas A
1
. . . . . A
j
. que suponemos centradas. El modelo de regresin
mltiple consiste en encontrar la combinacin lineal
1 = ,
1
A
1
+ +,
j
A
j
57
58 CAPTULO 4. ANALISIS DE CORRELACION CANONICA
que mejor se ajuste a la variable 1. Sea la matriz de covarianzas de X y
= (o
1
. . . . . o
j
)
t
el vector columna con las covarianzas o
)
= co(1. A
)
). , =
1. . . . . j. El criterio de ajuste es el de los mnimos cuadrados.
Teorema 4.2.1 Los coecientes

d = (
,
1
. . . . .
,
j
) que minimizan la cantidad
1(1

1 )
2
verican la ecuacin
d =
1
. (4.1)
Demost.:
c(d) = 1(1

1 )
2
= 1(1 )
2
+1(
1 )
2
21(1

1 )
= var(1 ) +d
t
d 2d
t
Derivando vectorialmente respecto de d e igualando a 0

J
J,
c(d) = 2d 2 = 0.
La variable prediccin es

1 = X
d =
,
1
A
1
+ +
,
j
A
j
. Si ponemos
1 =

1 +

1 .
entonces

1 es la variable residual.
La correlacin mltiple entre 1 y A
1
. . . . . A
j
es, por denicin, la cor-
relacin simple entre 1 y la mejor prediccin

1 = X
d. Se indica por
1 = cor(1.
1 ).
Se verica:
1. 0 _ 1 _ 1.
2. 1 = 1 si 1 es combinacin lineal de A
1
. . . . . A
j
.
3. 1 = 0 si 1 est incorrelacionada con cada una de las variables A
i
.
Teorema 4.2.2 La variable prediccin

1 . residual

1 y la correlacin mlti-
ple 1 cumplen:
1.

1 e

1 son variables incorrelacionadas.
4.3. CORRELACIN CANNICA 59
2. var(1 ) =var(
1 )+var(
1 ).
3. 1
2
=var(
1 ),var(1 ).
Demost.: 1) es consecuencia de
d = . En efecto,
cov(
1 .
1 ) = 1(
1

1 ) = 1(
d
t
X
t
(1
d
t
X))
=

d
t

d
t
d = 0.
2) es consecuencia inmediata de 1). Finalmente, de
cov(1.
1 ) = cov(1.
j
i=1
,
i
A
i
) =
j
i=1
,
i
o
i
=

d
t
=

d
t
d = var(
1 ).
obtenemos
1
2
=
cov
2
(1.
1 )
var(1 )var(
1 )
=
var(
1 )
var(1 )
. (4.2)
4.3. Correlacin cannica
Sean X = (A
1
. . . . . A
j
). = (1
1
. . . . . 1
q
) dos vectores aleatorios de di-
mensiones j y . Planteemos el problema de encontrar dos variables com-
puestas
l = Xa = c
1
A
1
+ +c
j
A
j
. \ = I = /
1
1
1
+ +/
j
1
q
.
siendo a = (c
1
. . . . . c
j
)
t
. I = (/
1
. . . . . /
j
)
t
tales que la correlacin entre ambas
co:(l. \ )
sea mxima. Indicamos por S
11
. S
22
las matrices de covarianzas (muestrales)
de las variables X. . respectivamente, y sea S
12
la matriz j con las
covarianzas de las variables X con las variables . Es decir:
X
X S
11
S
12
S
21
S
22
donde S
21
= S
t
12
.
Podemos suponer
var(l) = a
t
S
11
a =1. var(\ ) = I
t
S
22
I =1.
As el problema se reduce a:
maximizar a
t
S
12
I restringido a a
t
S
11
a = I
t
S
22
I =1.
Los vectores de coecientes a. I que cumplen esta condicin son los primeros
vectores cannicos. La mxima correlacin entre l. \ es la primera cor-
relacin cannica :
1
.
Teorema 4.3.1 Los primeros vectores cannicos satisfacen las ecuaciones
S
12
S
1
22
S
21
a = `S
11
a.
S
21
S
1
11
S
12
I = `S
22
I.
(4.3)
Demost.: Consideremos la funcin
c(a. I) = a
t
S
12
I
`
2
(a
t
S
11
a1)
j
2
(I
t
S
22
I1).
donde `. j son multiplicadores de Lagrange. Entonces de Jc,Ja =Jc,JI = 0
obtenemos las dos ecuaciones
S
12
I`S
11
a = 0. S
21
ajS
22
I = 0. (4.4)
Multiplicando la primera por a
t
y la segunda por I
t
. tenemos
a
t
S
12
I =`a
t
S
11
a. I
t
S
21
a =jI
t
S
22
I.
que implican ` = j. As pues, de la segunda ecuacin en (4.4), I =`
1
S
1
22
S
21
a.
y substituyendo en la primera obtenemos `
1
S
12
S
1
22
S
21
a`S
11
a = 0. Pre-
scindiendo de `
1
. pues es un factor multiplicativo arbitrario, y operando
anlogamente con la otra ecuacin, obtenemos (4.3).
Teorema 4.3.2 Los vectores cannicos normalizados por a
t
S
11
a = I
t
S
22
I =
1. estn relacionados por
a = `
12
S
1
11
S
12
I.
I = `
12
S
1
22
S
21
a.
y la primera correlacin cannica es :
1
=
_
`
1
. donde `
1
es el primer valor
propio de S
1
11
S
12
S
1
22
S
21
.
4.3. CORRELACIN CANNICA 61
Demost.: Tenemos de (4.4) que a =cS
1
11
S
12
I. donde c es una constante a
determinar. Partimos de que a
t
S
11
a =1 y para c = `
12
resulta que:
a
t
S
11
a = `
12
a
t
S
11
S
1
11
S
12
I
= `
12
a
t
S
12
I
= `
12
`
12
a
t
S
12
S
1
22
S
21
a
= `
1
`a
t
S
11
a
= 1
La correlacin es :
1
= a
t
S
12
I y como 1 = `
12
a
t
S
12
I deducimos que :
2
1
= `
1
.
De hecho, las ecuaciones en valores y vectores propios tienen otras solu-
ciones. Concretamente hay : = mnj. parejas de vectores cannicos
a
1
. I
1
. . . . . a
n
. I
n
. que proporcionan las variables y correlaciones cannicas
l
1
= Xa
1
. \
1
= I
1
. :
1
= cor(l
1
. \
1
).
l
2
= Xa
2
. . \
2
= I
2
. :
2
= cor(l
2
. \
2
).
.
.
.
.
.
.
.
.
.
l
n
= Xa
n
. \
n
= I
n
. :
n
= cor(l
n
. \
n
).
Teorema 4.3.3 Supongamos :
1
:
2
:
n
. Entonces:
1. Tanto las variables cannicas l
1
. . . . . l
n
como las variables cannicas
\
1
. . . . . \
n
estn incorrelacionadas.
2. La primera correlacin cannica :
1
= co:(l
1
. \
1
) es la mxima cor-
relacin entre una combinacin lineal de X y una combinacin lineal
de .
3. La segunda correlacin cannica :
2
= co:(l
2
. \
2
) es la mxima cor-
relacin entre las combinaciones lineales de X incorrelacionadas con
l
1
y las combinaciones lineales de incorrelacionadas con \
1
.
4. co:(l
i
. \
)
) = 0 si i ,= ,.
Demost.: Sea i ,= ,. Expresando (4.3) para a
I
. `
I
. / = i. ,. y multiplicando
por a
t
)
y por a
t
i
tenemos que
a
t
)
S
12
S
1
22
S
21
a
i
= `
i
a
t
)
S
11
a
i
.
a
t
i
S
12
S
1
22
S
21
a
)
= `
)
a
t
i
S
11
a
)
.
Restando: (`
i
`
)
)a
t
i
S
11
a
)
= 0 =a
t
i
S
11
a
)
= 0 =co:(l
i
. l
)
) = 0.
Por otra parte, expresando (4.3) como
S
1
11
S
12
S
1
22
S
21
a = `
i
a
i
. S
1
22
S
21
S
1
11
S
12
I
)
= `
)
I
)
.
y multiplicando por I
t
)
S
21
y por a
t
i
S
12
llegamos a
I
t
)
S
21
S
1
11
S
12
S
1
22
S
21
a
i
= `
i
I
t
)
S
21
a
i
.
a
t
i
S
12
S
1
22
S
21
S
1
11
S
12
I
)
= `
)
a
t
i
S
12
I
)
.
Restando: (`
i
`
)
)a
t
i
S
12
I
)
= 0 =a
t
i
S
12
I
)
= 0 =co:(l
i
. \
)
) = 0.
4.4. Correlacin cannica y descomposicin
singular
Podemos formular una expresin conjunta para los vectores cannicos
utilizando la descomposicin singular de una matriz. Supongamos j _ .
consideremos la matriz j
Q = S
12
11
S
12
S
12
22
y hallemos
Q = lAY
t
.
la descomposicin singular de Q, donde l es una matriz j con columnas
ortonormales, Y es una matriz ortogonal, y A es una matriz diago-
nal con los valores singulares de Q. Es decir, l
t
l = I
j
. Y
t
Y = Y
t
Y = I
q
.
A =diag(`
1
. . . . . `
j
).
Teorema 4.4.1 Los vectores cannicos y correlaciones cannicas son
a
i
= S
12
11
u
i
. I
i
= S
12
22
v
i
. :
i
= `
i
.
Demost.:
QQ
t
= S
12
11
S
12
S
12
22
S
12
22
S
21
S
12
11
= lA
2
l
t
y por lo tanto
S
12
11
S
12
S
1
22
S
21
S
12
11
u
i
= `
2
i
u
i
Multiplicando por S
12
11
S
1
11
S
12
S
1
22
S
21
(S
12
11
u
i
) = `
2
i
(S
12
11
u
i
)
y comparando con resultados anteriores, queda probado el teorema.
4.5. SIGNIFICACIN DE LAS CORRELACIONES CANNICAS 63
4.5. Signicacin de las correlaciones canni-
cas
Hemos encontrado las variables y correlaciones cannicas a partir de las
matrices de covarianzas y correlaciones muestrales, es decir, a partir de mues-
tras de tamao :. Naturalmente, todo lo que hemos dicho vale si sustituimos
S
11
. S
12
. S
22
por las versiones poblacionales
11
.
12
.
22
. Sean
j
1
_ j
2
_ _ j
n
las : = mnj. correlaciones cannicas obtenidas a partir de
11
.
12
.
22
,
soluciones de:
[
12
1
22

21
j
2
11
[ = 0.
Si queremos decidir cules son signicativas, supongamos normalidad multi-
variante, indiquemos j
0
= 1 y planteemos el tests
H
I
0
: j
I
j
I+1
= = j
n
= 0. (/ = 0. 1. . . . . :).
que equivale a rang(
1
22

21
) = /. El test de Bartlett-Lawley demuestra que
si H
I
0
es cierta, entonces
1
I
= [: 1 /
1
2
(j + + 1) +
I
i=1
:
2
i
] log[
n
i=I+1
(1 :
2
i
)
es asintticamente ji-cuadrado con (: /)(j /) g.l. Este test se aplica
secuencialmente: si 1
i
es signicativo para i = 0. 1. . . . . / 1. pero 1
I
no es
signicativo, entonces se acepta H
I
0
.
4.6. Test de independencia
Suponiendo normalidad, armar que X es independiente de consiste
en plantear
H
0
:
12
= 0. H
1
:
12
,= 0.
Podemos resolver este test de hiptesis de dos maneras.
4.6.1. Razn de verosimilitud
Si la hiptesis es cierta, entonces el test de razn de verosimilitud (Seccin
3.5.1) se reduce al estadstico
=
[S[
[S
11
[[S
22
[
=
[H[
[H
11
[[H
22
[
.
que sigue la distribucin lambda de Wilks (j. : 1 . ). equivalente a
(. : 1 j. ). Rechazaremos H
0
si es pequea y signicativa (Mardia
et al. 1979, Rencher, 1998).
Es fcil probar que es funcin de las correlaciones cannicas
= [I S
1
22
S
21
S
1
11
S
12
[ =
n
i=1
(1 :
2
i
).
4.6.2. Principio de unin interseccin
Consideremos las variables l = c
1
A
1
+ +c
j
A
j
.\ = /
1
1
1
+ +/
j
1
q
.
La correlacin entre l. \ es
j(l. \ ) =
a
t
12
12
I
_
a
11
a
_
I
t
22
I
H
0
equivale a j(l. \ ) = 0 para todo l. \. La correlacin muestral es
:(l. \ ) =
a
t
S
12
I
_
a
t
S
11
a
_
I
t
S
22
I
.
Aplicando el principio de unin interseccin (Seccin 3.5.2), aceptaremos H
0
si :(l. \ ) no es signicativa para todo l. \. y aceptaremos H
1
si :(l. \ ) es
signicativa para algn par l. \. Este criterio nos lleva a estudiar la signi-
cacin de
:
1
= max
l,\
:(l. \ )
es decir, de la primera correlacin cannica. Por tanto, el test es:
H
0
: j
1
= 0. H
1
: j
1
0.
Existen tablas especiales para decidir si :
1
es signicativa (Morrison, 1976),
pero tambin se puede aplicar el estadstico 1
0
de Bartlett-Lawley.
4.7. EJEMPLOS 65
4.7. Ejemplos
Se consideran : = 25 familias y las variables:
A
1
= long. cabeza primer hijo, A
2
= ancho cabeza primer hijo,
1
1
= long. cabeza segundo hijo, 1
2
= ancho cabeza segundo hijo,
La matriz de correlaciones es:
H =
_
_
_
_
1.0000 0.7346 0.7108 0.7040
0.7346 1.0000 0.6932 0.8086
0.7108 0.6932 1.0000 0.8392
0.7040 0.8086 0.8392 1.0000
_
_
_
_
Entonces:
H
11
=
_
1.0000 0.7346
0.7346 1.0000
_
. H
12
=
_
0.7108 0.7040
0.6932 0.8086
_
.
H
22
=
_
1.0000 0.8392
0.8392 1.0000
_
.
Las races de la ecuacin:
[H
12
H
1
22
H
21
`H
11
[ = 0.460363`
2
0.287596` + 0.000830 = 0
son: `
1
= 0.6218, `
2
= 0.0029. y por tanto las correlaciones cannicas son:
:
1
= 0.7885. :
2
= 0.0539.
Los vectores cannicos normalizados son:
a
1
= (0.0566. 0.0707)
t
. a
2
= (0.1400. 0.1870)
t
.
I
1
= (0.0502. 0.0802)
t
. I
2
= (0.1760. 0.2619)
t
.
Las variables cannicas con variaza 1 son:
l
1
= 0.0566A
1
+ 0.0707A
2
. \
1
= 0.05021
1
+ 0.08021
2
. (:
1
= 0.7885).
l
2
= 0.1400A
1
0.1870A
2
. \
2
= 0.17601
1
0.26191
2
. (:
2
= 0.0539).
La dependencia entre (A
1
. A
2
) y (1
1
. 1
2
) viene dada principalmente por la
relacin entre (l
1
. \
1
) con correlacin 0.7885. ms alta que cualquier cor-
relacin entre una variable A
i
y una variable 1
)
. Podemos interpretar las
primeras variables cannicas como un factor de tamao de la cabeza y las
segundas como un factor de forma. Habra entonces una notable relacin
en el tamao y una escasa relacin en la forma de la cabeza.
El test de independencia entre (A
1
. A
2
) y (1
1
. 1
2
) da
=
[H[
[H
11
[[H
22
[
= 0.3771 ~ (2. 22. 2)
que, segn (2.8), transformamos con una F obteniendo 6.60 con 4 y 42 g.l.
Rechazamos la hiptesis de independencia.
La prueba de signicacin de las correlaciones cannicas d:
H
0
0
: j
0
= 1 j
1
= j
2
= 0. 1
0
= 22.1 (4 g.l.),
H
1
0
: j
1
j
2
= 0. 1
1
= 1.22 (2 g.l.).
Podemos rechazar H
0
0
y aceptar H
1
0
. Solamente la primera correlacin canni-
ca es signicativa.
Se consideran los resultados de unas elecciones celebradas en las 41 co-
marcas catalanas y para cada comarca se tabulan los valores de las siguientes
variables:
A
1
= log(porcentaje de votos a CU), A
2
= log(porcentaje de votos a PSC),
A
3
= log(porcentaje de votos a PP), A
4
= log(porcentaje de votos a ERC),
1
1
= log(cociente Juan/Joan), 1
2
= log(cociente Juana/Joana),
donde cociente Juan/Joan signica el resultado de dividir el nmero de
hombres que se llaman Juan por el nmero de hombres que se llaman Joan.
Valores positivos de las variables 1
1
. 1
2
en una comarca indican predominio
de los nombres en castellano sobre los nombres en cataln.
La matriz de correlaciones es:
A
1
A
2
A
3
A
4
A
1
1 .8520 .6536 .5478
A
2
1 .5127 .7101
A
3
1 .6265
A
4
1
1
1
1
2
.6404 .5907
.7555 .6393
.5912 .5146
.7528 .7448
1
1
1
2
1 .8027
1
Slo hay 2 correlaciones cannicas:
:
1
= 0.8377. :
2
= 0.4125.
Las variables cannicas son:
l
1
= +0.083A
1
0.372A
2
0.1130A
3
+ 0.555A
4
. (:
1
= 0.8377).
\
1
= +0.7061
1
+ 0.3391
2
.
l
2
= +1.928A
1
+ 2.4031.546A
2
+ 1.127A
3
+ 1.546A
4
. (:
2
= 0.4125).
\
2
= +1.5211
1
1.6421
2
.
Las primeras variables cannicas l
1
. \
1
. que podemos escribir conven-
cionalmente como
l
1
= +0.083CU0.372PSC0.1130PP + 0.555ERC,
\
1
= +0.706(Juan/Joan) + 0.339(Juana/Joanna),
nos indican que las regione ms catalanas, en el sentido de que los nombres
castellanos Juan y Juana no predominan tanto sobre los catalanes Joan y
Joanna, tienden a votar ms a CU y ERC, que son partidos ms nacional-
istas. Las regiones que votan ms al PSC y al PP, que son partidos ms
centralistas, estn en general, ms castellanizadas. Las segundas variables
cannicas tienen una interpretacin ms dicil.
4.8. Complementos
El anlisis de correlacin cannica (ACC) fu introducido por H. Hotelling
en 1935, que buscaba la relacin entre tests mentales y medidas biomtricas,
a n de estudiar el nmero y la naturaleza de las relaciones entre mente y
cuerpo, que con un anlisis de todas las correlaciones sera difcil de interpre-
tar. Es un mtodo de aplicacin limitada, pero de gran inters terico puesto
que diversos mtodos de AM se derivan del ACC.
Aplicaciones a la psicologa se pueden encontrar en Cooley y Lohnes
(1971), Cuadras y Snchez (1975). En ecologa se ha aplicado como un mode-
lo para estudiar la relacin entre presencia de especies y variables ambientales
(Gittings, 1985).
La distribucin de las correlaciones cannicas es bastante complicada.
Solamente se conocen resultados asintticos (Muirhead, 1982).
Si ,(r. ) es la densidad de dos v.a. A. 1 , tiene inters en estadstica el
concepto de mxima correlacin (propuesto por H. Gabelein) que se dene
como
j
1
= sup
c,o
co:(c(A). ,(1 )).
donde c(A). ,(1 ) son funciones con varianza nita. Entonces j
1
= 0 si A. 1
son variables independientes. Podemos ver a j
1
como la primera correlacin
cannica, c
1
(A). ,
1
(1 ) como las primeras variables cannicas y denir las
sucesivas correlaciones cannicas. Sin embargo el clculo de j
1
puede ser
complicado (Cuadras, 2002a). Lancaster (1969) estudia estas correlaciones y
demuestra que ,(r. ) se puede desarrollar en serie a partir de las correla-
ciones y funciones cannicas. Diversos autores han estudiado la estimacin de
las primeras funciones cannicas, como una forma de predecir una variable en
funcin de la otra (Hastie y Tibshirani, 1990). Finalmente cabe destacar que
las correlaciones cannicas pueden constituir un conjunto contnuo (Cuadras,
2005).
Captulo 5
ANALISIS DE
COMPONENTES
PRINCIPALES
5.1. Denicin y obtencin de las componentes
principales
Sea X =[A
1
. . . . . A
j
] una matriz de datos multivariantes. Lo que sigue
tambin vale si X es un vector formado por j variables observables.
Las componentes principales son unas variables compuestas incorrela-
cionadas tales que unas pocas explican la mayor parte de la variabilidad
de X.
Denicin 5.1.1 Las componentes principales son las variables compuestas
1
1
= Xt
1
. 1
2
= Xt
2
. . . . . 1
j
= Xt
j
tales que:
1. var(1
1
) es mxima condicionado a t
t
1
t
1
= 1.
2. Entre todas las variables compuestas 1 tales que cov(1
1
. 1 ) = 0. la
variable 1
2
es tal que var(1
2
) es mxima condicionado a t
t
2
t
2
= 1.
3. 1
3
es una variable incorrelacionada con 1
1
. 1
2
con varianza mxima.
Anlogamente denimos las dems componentes principales.
69
70 CAPTULO 5. ANALISIS DE COMPONENTES PRINCIPALES
Si T = [t
1
. t
2
. . . . . t
j
] es la matriz j j cuyas columnas son los vectores
que denen las componentes principales, entonces la transformacin lineal
X
= XT (5.1)
se llama transformacin por componentes principales.
Teorema 5.1.1 Sean t
1
. t
2
. . . . . t
j
los j vectores propios normalizados de la
matriz de covarianzas S. es decir,
St
i
= `
i
t
i
. t
t
i
t
i
= 1. i = 1. . . . . j.
Entonces:
1. Las variables compuestas 1
i
= Xt
i
. i = 1. . . . . j. son las componentes
principales.
2. Las varianzas son los valores propios de S
var(1
i
) = `
i
. i = 1. . . . . j.
3. Las componentes principales son variables incorrelacionadas:
cov(1
i
. 1
)
) = 0. i ,= , = 1. . . . . j.
Demost.: Supongamos `
1
`
j
0. Probemos que las variables 1
i
=
Xt
i
. i = 1. . . . . j. son incorrelacionadas:
cov(1
i
. 1
)
) = t
t
i
St
)
= t
t
i
`
)
t
)
= `
)
t
t
i
t
)
.
cov(1
)
. 1
i
) = t
t
)
St
i
= t
t
)
`
)
t
i
= `
i
t
t
)
t
i
.
=(`
)
`
i
)t
t
i
t
)
= 0. =t
t
i
t
)
= 0. =cov(1
i
. 1
)
) = `
)
t
t
i
t
)
= 0. si i ,= ,.
Adems:
var(1
i
) = `
i
t
t
i
t
)
= `
i
.
Sea ahora 1 =

j
i=1
c
i
A
i
=

j
i=1
c
i
1
i
una variable compuesta tal que
j
i=1
c
2
i
= 1. Entonces
var(1 ) = var(
j
i=1
c
i
1
i
) =
j
i=1
c
2
i
var(1
i
) =
j
i=1
c
2
i
`
i
_ (
j
i=1
c
2
i
)`
1
= var(1
1
).
5.2. VARIABILIDADEXPLICADAPORLAS COMPONENTES PRINCIPALES71
que prueba que 1
1
tiene varianza mxima.
Consideremos ahora las variables 1 incorrelacionadas con 1
1
. Las podemos
expresar como:
1 =
j
i=1
/
i
A
i
=
j
i=2
,
i
1
i
condicionado a
j
i=2
,
2
i
= 1.
Entonces:
var(1 ) = var(
j
i=2
,
i
1
i
) =
j
i=2
,
2
i
var(1
i
) =
j
i=2
,
2
i
`
i
_ (
j
i=2
,
2
i
)`
2
= var(1
2
).
y por lo tanto 1
2
est incorrelacionada con 1
1
y tiene varianza mxima. Si j _
3. la demostracin de que 1
3
. . . . . 1
j
son tambin componentes principales es
anloga.
5.2. Variabilidad explicada por las componentes
principales
La varianza de la componente principal 1
i
es var(1
i
) = `
i
y la variacin
total es tr(S) =
j
i=1
`
i
. Por lo tanto:
1. 1
i
contribuye con la cantidad `
i
a la variacin total tr(S).
2. Si < j. 1
1
. . . . . 1
q
contribuyen con la cantidad
q
i=1
`
i
a la variacin
total tr(S).
3. El porcentaje de variabilidad explicada por las :primeras componentes
principales es
1
n
= 100
`
1
+ +`
n
`
1
+ +`
j
. (5.2)
En las aplicaciones cabe esperar que las primeras componentes expliquen
un elevado porcentaje de la variabilidad total. Por ejemplo, si : = 2 < j. y
1
2
= 90 %. las dos primeras componentes explican una gran parte de la vari-
abilidad de las variables. Entonces podremos sustituir A
1
. A
2
. . . . . A
j
por las
componentes principales 1
1
. 1
2
. En muchas aplicaciones, tales componentes
tienen interpretacin experimental.
5.3. Representacin de una matriz de datos
Sea X =[A
1
. . . . . A
j
] una matriz :j de datos multivariantes. Queremos
representar, en un espacio de dimensin reducida : (por ejemplo, : = 2), las
las x
t
1
. x
t
2
. . . . . x
t
a
de X. Necesitamos introducir una distancia (ver Seccin
1.9).
Denicin 5.3.1 La distancia eucldea (al cuadrado) entre dos las de X
x
i
= (r
i1
. . . . . r
ij
). x
)
= (r
)1
. . . . . r
)j
).
es
o
2
i)
= (x
i
x
)
)
t
(x
i
x
)
) =
j
I=1
(r
iI
r
)I
)
2
.
La matriz = (o
i)
) es la matriz : : de distancias entre las las.
Podemos representar las : las de X como : puntos en el espacio 1
j
distanciados de acuerdo con la mtrica o
i)
. Pero si j es grande, esta repre-
sentacin no se puede visualizar. Necesitamos reducir la dimensin.
Denicin 5.3.2 La variabilidad geomtrica de la matriz de distancias
es la media de sus elementos al cuadrado
\
c
(X) =
1
2:
2
a
i,)=1
o
2
i)
.
Si = XT es una transformacin lineal de X, donde T es una matriz j
de constantes,
o
2
i)
() = (y
i
y
)
)
t
(y
i
y
)
) =
q
I=1
(
iI
)I
)
2
es la distancia eucldea entre dos las de . La variabilidad geomtrica en
dimensin _ j es
\
c
()
q
=
1
2:
2
a
i,)=1
o
2
i)
().
5.3. REPRESENTACIN DE UNA MATRIZ DE DATOS 73
Teorema 5.3.1 La variabilidad geomtrica de la distancia eucldea es la
traza de la matriz de covarianzas
\
c
(X) =t:(S) =
j
I=1
`
I
.
Demost.: Si r
1
. . . . . r
a
es una muestra univariante con varianza :
2
, entonces
1
2:
2
a
i,)=1
(r
i
r
)
)
2
= :
2
. (5.3)
En efecto, si r es la media
1
a
2
a
i,)=1
(r
i
r
)
)
2
=
1
a
2
a
i,)=1
(r
i
r (r
)
r))
2
=
1
a
2
a
i,)=1
(r
i
r)
2
+
1
a
2
a
i,)=1
(r
)
r)
2
+
2
a
2
a
i,)=1
(r
i
r)(r
)
r))
2
=
1
a
::
2
+
1
a
::
2
+ 0 = 2:
2
.
Aplicando (5.3) a cada columna de X y sumando obtenemos
\
c
(X) =
j
)=1
:
))
= tr(S).
Una buena representacin en dimensin reducida (por ejemplo, = 2)
ser aquella que tenga mxima variabilidad geomtrica , a n de que los
puntos estn lo ms separados posible.
Teorema 5.3.2 La transformacin lineal T que maximiza la variabilidad
geomtrica en dimensin es la transformacin por componentes principales
(5.1), es decir, T = [t
1
. . . . . t
q
] contiene los primeros vectores propios nor-
malizados de S.
Demost.: Aplicando (5.3), la variabilidad geomtrica de = XT. donde T
es cualquiera, es
\
c
()
q
=
j
)=1
:
2
(1
)
) =
j
)=1
t
t
)
St
)
.
siendo :
2
(1
)
) = t
t
)
St
)
la varianza de la variable compuesta 1
)
. Alcanzamos la
mxima varianza cuando 1
)
es una componente principal: :
2
(1
)
) _ `
)
. As:
max \
c
()
q
=
j
)=1
`
)
.
El porcentaje de variabilidad geomtrica explicada por es
1
q
= 100
\
c
()
q
\
c
(X)
j
= 100
`
1
+ +`
q
`
1
+ +`
j
.
Supongamos ahora = 2. Si aplicamos la transformacin (5.1), la matriz
de datos X se reduce a
=
_
_
_
_
_
_
_
11

12
.
.
.
.
.
.
i1

i2
.
.
.
.
.
.
a1

a2
_
_
_
_
_
_
_
.
Entonces, representando los puntos de coordenadas (
i1
.
i2
). i = 1. . . . . :.
obtenemos una representacin ptima en dimensin 2 de las las de X.
5.4. Inferencia
Hemos planteado el ACP sobre la matriz S. pero lo podemos tambin
plantear sobre la matriz de covarianzas poblacionales . Las componentes
principales obtenidas sobre S son, en realidad, estimaciones de las compo-
nentes principales sobre .
Sea X matriz de datos : j donde las las son independientes con dis-
tribucin `
j
(j. ). Recordemos que:
1. x es `
j
(j. ,:).
2. l =:S es Wishart \
j
(. : 1).
5.4. INFERENCIA 75
Sea =
t
la diagonalizacin de . Indiquemos
= [_
1
. . . . . _
j
]. X = [`
1
. . . . . `
j
]. = diag(`
1
. . . . . `
j
).
los vectores propios y valores propios de . Por otra parte, sea S = GLG
t
la
diagonalizacin de S. Indiquemos:
G = [g
1
. . . . . g
j
]. I = [|
1
. . . . . |
j
]. L = diag(|
1
. . . . . |
j
)
los vectores propios y valores propios de S. A partir de ahora supondremos
`
1
_ _ `
j
.
5.4.1. Estimacin y distribucin asinttica
Teorema 5.4.1 Se verica:
1. Si los valores propios son diferentes, los valores y vectores propios
obtenidos a partir de S son estimadores mximo-verosmiles de los
obtenidos a partir de
`
i
= |
i
. _
i
= g
i
. i = 1. . . . . j.
2. Cuando / 1 valores propios son iguales a `
`
1
`
jI
= `
jI+1
= = `
j
= `.
el estimador mximo verosmil de ` es la media de los correspondientes
valores propios de S
` = (|
jI+1
+ +|
j
),/
Demost.: Los valores y vectores propios estn biunvocamente relacionados
con y por lo tanto 1) es consecuencia de la propiedad de invariancia de la
estimacin mximo verosmil. La demostracin de 2) se encuentra en Ander-
son (1959).
Teorema 5.4.2 Los vectores propios [g
1
. . . . . g
j
] y valores propios I = [|
1
. . . . . |
j
]
verican asintticamente:
1. I es `
j
(X. 2
2
,:). En particular:
|
i
es `(`
i
. 2`
2
i
,:). cov(|
i
. |
)
) = 0. i ,= ,.
es decir, |
i
. |
)
son normales e independientes.
2. g
i
es `
j
(_
i
. Y
i
,:) donde
Y
i
= `
i
),=i
`
i
(`
i
`
)
)
2
_
i
_
t
i
3. I es independiente de G.
Demost.: Anderson (1959), Mardia, Kent y Bibby (1979).
Como consecuencia de que |
i
es `(`
i
. 2`
2
i
,:). obtenemos el intervalo de
conanza asinttico con coeciente de conanza 1 c
|
i
(1 +c.
c2
)
12
< `
i
<
|
i
(1 c.
c2
)
12
siendo c
2
= 2,(: 1) y 1([2[ .
c2
) = c,2. donde 2 es `(0. 1).
Se obtiene otro intervalo de conanza como consecuencia de que log |
i
es
`(log `
i
. 2,(: 1))
|
i
c
o:
=2
< `
i
< |
i
c
+o:
=2
.
5.4.2. Tests de hiptesis
Determinados tests de hiptesis relativos a las componentes principales
son casos particulares de un test sobre la estructura de la matriz .
A. Supongamos que queremos decidir si la matriz es igual a una matriz
determinada
0
. Sea X un matriz : j con las independientes `
j
(j. ).
El test es:
H
0
: =
0
(j desconocida)
Si 1 es la verosimilitud de la muestra, el mximo de log 1 bajo H
c
es
log 1
0
=
:
2
log [2:
0
[
:
2
t:(
1
0
S).
El mximo no restringido es
log 1 =
:
2
log [2:S[
:
2
j.
5.4. INFERENCIA 77
El estadstico basado en la razn de verosimilitud `
1
es
2 log `
1
= 2(log 1 log 1
0
)
= :tra(
1
0
S):log [
1
0
S[ :j.
(5.4)
Si 1
1
. . . . . 1
j
son los valores propios de
1
0
S y c. q son las medias aritmtica
y geomtrica
c = (1
1
+ +1
j
),j. q = (1
1
1
j
)
1j
. (5.5)
entonces, asintticamente
2 log `
1
= :j(c log q 1) ~
2
q
. (5.6)
siendo = j(j + 1),2par(
0
) el nmero de parmetros libres de menos
el nmero de parmetros libres de
0
.
B. Test de independencia completa.
Si la hiptesis nula arma que las j variables son estocsticamente inde-
pendientes, el test se formula como
H
0
: =
o
= diag(o
11
. . o
jj
) (j desconocida).
Bajo H
0
la estimacin de
o
es S
o
=diag(:
11
. . :
jj
) y S
1
o
S = H es la ma-
triz de correlaciones. De (5.4) y de log [2:S
o
[log [2:S[ =log [H[. tra(H) =j.
obtenemos
2 log `
1
= :log [H[ ~
2
q
siendo = j(j +1),2 j = j(j 1),2. Si el estadstico :log [H[ no es sig-
nicativo, entonces podemos aceptar que las variables son incorrelacionadas
y por lo tanto, como hay normalidad multivariante, independientes.
C. Test de igualdad de valores propios.
Este es un test importante en ACP. La hiptesis nula es
H
0
: `
1
`
jI
= `
jI+1
= = `
j
= `.
Indicamos los valores propios de S y de S
0
(estimacin de si H
0
es cierta)
S ~ (|
1
. . . . . |
I
. |
I+1
. . . . . |
j
). S
0
~ (|
1
. . . . . |
I
. c
0
. . . . . c
0
).
donde c
0
= (|
I+1
+ +|
j
),(j /) (Teorema 5.4.1). Entonces
S
1
0
S ~ (1. . . . . 1. |
I+1
,c
0
. . . . . |
j
,c
0
).
0 1 2 3 4 5 6
0
10
20
30
40
50
60
k
lam
Figura 5.1: Ejemplo de representacin de los valores propios, que indicara 3
componentes principales.
las medias (5.5) son c = 1 y q = (|
I+1
|
j
)
1j
c
(Ij)j
0
y aplicando (5.6)
2 log `
1
= :(j /) log(|
I+1
+ +|
j
),(j /) :(
j
i=I+1
log |
i
) ~
2
q
. (5.7)
donde = (j /)(j / + 1),2 1.
5.5. Nmero de componentes principales
En esta seccin presentamos algunos criterios para determinar el nmero
: < j de componentes principales.
5.5.1. Criterio del porcentaje
El nmero : de componentes principales se toma de modo que 1
n
sea
prximo a un valor especicado por el usuario, por ejemplo el 80 %. Por otra
parte, si la representacin de 1
1
. 1
2
. . . . . 1
I
. . . . con respecto de / prctica-
mente se estabiliza a partir de un cierto :, entonces aumentar la dimensin
apenas aporta ms variabilidad explicada.
5.5. NMERO DE COMPONENTES PRINCIPALES 79
5.5.2. Criterio de Kaiser
Obtener las componentes principales a partir de la matriz de correlaciones
H equivale a suponer que las variables observables tengan varianza 1. Por
lo tanto una componente principal con varianza inferior a 1 explica menos
variabilidad que una variable observable. El criterio, llamado de Kaiser, es
entonces:
Retenemos las : primeras componentes tales que `
n
_ 1.
donde `
1
_ _ `
j
son los valores propios de H. que tambin son las
varianzas de las componentes. Estudios de Montecarlo prueban que es ms
correcto el punto de corte `
+
= 0.7. que es ms pequeo que 1.
Este criterio se puede extender a la matriz de covarianzas. Por ejemplo,
: podra ser tal que `
n
_ . donde =tra(S),j es la media de las varianzas.
Tambin es aconsejable considerar el punto de corte 0.7 .
5.5.3. Test de esfericidad
Supongamos que la matriz de datos proviene de una poblacin normal
multivariante `
j
(j. ). Si la hiptesis
H
(n)
0
: `
1
`
n
`
n+1
= = `
j
es cierta, no tiene sentido considerar ms de : componentes principales. En
efecto, no hay direcciones de mxima variabilidad a partir de :. es decir,
la distribucin de los datos es esfrica. El test para decidir sobre H
(n)
0
es-
t basado en el estadstico ji-cuadrado (5.7) y se aplica secuencialmente: Si
aceptamos H
(0)
0
no hay direcciones principales, pero si rechazamos H
(0)
0
. en-
tonces repetimos el test con H
(1)
0
. Si aceptamos H
(1)
0
entonces : = 1. pero si
rechazamos H
(1)
0
repetimos el test con H
(2)
0
. y as sucesivamente. Por ejem-
plo, si j = 4. tendramos que : = 2 si rechazamos H
(0)
0
. H
(1)
0
y aceptamos
H
(2)
0
: `
1
`
2
`
3
= `
4
.
5.5.4. Criterio del bastn roto
Los valores propios suman \
t
=tr(S). que es la variabilidad total. Imag-
inemos un bastn de longitud \
t
. que rompemos en j trozos al azar (asignando
j 1 puntos uniformemente sobre el intervalo (0. \
t
)) y que los trozos orde-
nados son los valores propios |
1
|
2
|
j
. Si normalizamos a \
t
= 100.
entonces el valor esperado de |
)
es
1(1
)
) = 100
1
j
j)
i=1
1
, +i
.
Las : primeras componentes son signicativas si el porcentaje de varianza
explicada supera claramente el valor de 1(1
1
) + + 1(1
n
). Por ejemplo,
si j = 4. los valores son:
Porcentaje 1(1
1
) 1(1
2
) 1(1
3
) 1(1
4
)
Esperado 52.08 27.08 14.58 6.25
Acumulado 52.08 79.16 93.74 100
Si \
2
= 93.92 pero \
3
= 97.15. entonces tomaremos slo dos componentes.
5.6. Biplot
Un biplot es una representacin, en un mismo grco, de las las (indi-
viduos) y las columnas (variables) de una matriz de datos X(: j).
Suponiendo X matriz centrada, el biplot clsico se lleva a cabo mediante
la descomposicin singular
X = lAY
t
.
donde l es una matriz j con columnas ortonormales, Y es una ma-
triz ortogonal, y A es una matriz diagonal con los valores singulares
de X. Es decir, l
t
l = I
j
. Y
t
Y = Y
t
Y = I
q
. A =diag(`
1
. . . . . `
j
). Entonces
XY = lA es la transformacin en componentes principales, luego las coor-
denadas de las las estn contenidas en lA. Las cordenadas de las columnas
son entonces las las de la matriz Y. Ambos sistemas de coordenadas se
pueden representar sobre el mismo grco, como en la Figura 5.2.
Podemos plantear el biplot de una manera alternativa. La transformacin
por componentes principales = XT permite representar las las. Para rep-
resentar tambin las columnas, podemos entender una variable A
)
como el
conjunto de puntos de coordenadas
x
)
(c
)
) = (0. . . . . c
)
. . . . . 0) :
)
_ c
)
_ `
)
.
donde c
)
es un parmetro que vara entre el mnimo valor :
)
y el mximo
valor `
)
de A
).
Entonces la representacin de A
)
es simplemente el eje
x
)
(c)T.
5.7. EJEMPLOS 81
Siguiendo este procedimiento, es fcil ver que mediante la transforma-
cin = XT. la representacin de las variables se identica con el haz de
segmentos
(c
1
t
1
. . . . . c
j
t
j
)
donde t
1
. . . . . t
j
son las las de T.
5.7. Ejemplos
Ejemplo 5.7.1
Sobre una muestra de : = 100 estudiantes mujeres de Bioestadstica, se
midieron las variables
A
1
= peso (kg), A
2
=talla (cm.), A
3
=ancho hombros (cm.), A
4
= ancho
caderas (cm.),
con los siguientes resultados:
1. Medias: r
1
= 54.25. r
2
= 161.73. r
3
= 36.53. r
4
= 30.1.
2. Matriz de covarianzas:
S =
_
_
_
_
44.7 17.79 5.99 9.19
17.79 26.15 4.52 4.44
5.99 4.52 3.33 1.34
9.19 4.44 1.34 4.56
_
_
_
_
3. Vectores y valores propios (columnas):
t
1
t
2
t
3
t
4
. 8328 . 5095 . 1882 . 1063
. 5029 . 8552 .0 202 . 1232
. 1362 .05 88 . 1114 . 9826
.1867 .0738 .9755 .0892
Val. prop. 58.49 15.47 2.54 2.24
Porc. acum. 74.27 93.92 97.15 100
4. Nmero de componentes:
a. Criterio de Kaiser: la media de las varianzas es =tr(S),j = 19.68.
Los dos primeros valores propios son 58.49 y 15.47, que son may-
ores que 0.7 . Aceptamos : = 2.
b. Test de esfericidad.
:
2
g.l.
0 333.9 9
1 123.8 5
2 0.39 2
Rechazamos : = 0. : = 1 y aceptamos : = 2.
c. Test del bastn roto: Puesto que 1
2
= 93.92 supera claramente el
valor esperado 79.16 y que no ocurre lo mismo con 1
3
, aceptamos
: = 2.
5. Componentes principales:
1
1
= . 8328A
1
+. 5029A
2
+. 1362A
3
+. 1867A
4
.
1
2
= . 5095A
1
. 8552A
2
.05 88A
3
+.0738A
4
.
6. Interpretacin: la primera componente es la variable con mxima var-
ianza y tiene todos sus coecientes positivos. La interpretamos como
una componente de tamao. La segunda componente tiene coecientes
positivos en la primera y cuarta variable y negativos en las otras dos.
La interpretamos como una componente de forma. La primera com-
ponente ordena las estudiantes segn su tamao, de la ms pequea
a la ms grande, y la segunda segn la forma, el tipo pcnico en con-
traste con el tipo atltico. Las dimensiones de tamao y forma estn
incorrelacionadas.
Ejemplo 5.7.2
Mediante ACP podemos representar una matriz de datos en dimensin
reducida (Teorema 5.3.2), realizando los pasos que se ilustran con este ejem-
plo.
La Tabla 5.1 contiene los tiempos parciales en minutos que 12 corredores
tardan en recorrer 16 kilmetros. El corredor ms rpido es el 5, el ms lento
es el 12.
5.7. EJEMPLOS 83
corredor km 4 km 8 km 12 km16
1 10 10 13 12
2 12 12 14 15
3 11 10 14 13
4 9 9 11 11
5 8 8 9 8
6 8 9 10 9
7 10 10 8 9
8 11 12 10 9
9 14 13 11 11
10 12 12 12 10
11 13 13 11 11
12 14 15 14 13
Tabla 5.1: Tiempos parciales (en minutos) de 12 corredores.
1. Matrices de covarianzas y correlaciones:
S =
_
_
_
_
4.364 4.091 2.091 2.273
4.265 1.871 1.917
4.083 3.765
4.265
_
_
_
_
H =
_
_
_
_
1 .9483 .4953 .5268
1 .4484 .4494
1 .9022
1
_
_
_
_
2. Vectores y valores propios de S :
t
1
t
2
t
3
t
4
.5275 .4538 -.2018 -.6893
.5000 .5176 .2093 .6621
.4769 -.5147 .6905 -.1760
.4943 -.5112 -.6624 .2357
` 12.26 4.098 .4273 .1910
% 72.22 24.13 2.52 1.15
acum 72.22 96.35 98.85 100
3. Componentes principales primera y segunda:
1
1
= 0.527A
1
+ 0.500A
2
+ 0.477A
3
+ 0.494A
4
var(1
1
) = 12.26
1
2
= 0.453A
1
+ 0.517A
2
0.514A
3
0.511A
4
var(1
2
) = 4.098
Figura 5.2: Representacin por anlisis de componentes principales y medi-
ante biplot de los tiempos parciales de 12 corredores.
4. La transformacin por componentes principales es = XT. siendo X
la matriz de datos, T la matriz con los vectores propios de S, La ma-
triz contiene los valores de las componentes principales sobre los 12
individuos (coordenadas principales), Figura 5.2.
5. Interpretacin:
a. La primera componente principal es casi proporcional a la suma de
los tiempos parciales. Por tanto, podemos interpretar 1
1
como el
tiempo que tardan en hacer el recorrido. O incluso mejor, 1
1
como la rapidez en efectuar la carrera.
b. La segunda componente principal tiene coecientes positivos en
A
1
. A
2
y coecientes negativos en A
3
. A
4
. Un corredor con valores
altos en 1
2
signica que ha sido lento al principio y ms rpido
al nal de la carrera. Un corredor con valores bajos en 1
2
signi-
ca que ha sido rpido al principio y ms lento al nal. Podemos
interpretar esta componente como la forma de correr.
c. La rapidez y la forma de correr, son independientes, en el sentido
de que la correlacin es cero.
Para ms ejemplos con datos reales, consltese Baillo y Gran (2008).
5.8. Complementos
El Anlisis de Componentes Principales (ACP) fu iniciado por K. Pear-
son en 1901 y desarrollado por H. Hotelling en 1933. Es un mtodo referente
a una poblacin, pero W. Krzanowski y B. Flury han investigado las compo-
nentes principales comunes a varias poblaciones.
El ACP tiene muchas aplicaciones. Una aplicacin clsica es el estudio
de P. Jolicoeur y J. E. Mosimann sobre tamao y forma de animales, en
trminos de la primera, segunda y siguientes componentes principales. La
primera componente permite ordenar los animales de ms pequeos a ms
grandes, y la segunda permite estudiar su variabilidad en cuanto a la forma.
Ntese que tamao y forma son conceptos independientes.
El biplot, tcnica iniciada por Gabriel (1971), permite la representacin en
un mismo grco de las las y columnas de una matriz de datos X (Figura
5.2). Vase Gower y Hand (1996), Galindo-Villardn (1986) y Crdenas y
Galindo-Villardn (2009).
El ACP puede servir para estudiar la capacidad de un crneo o de una
caparazn. Supongamos que la caparazn de una tortuga tiene longitud 1,
ancho . y alto H. La capacidad sera C = 1
c
o
H
. donde c. ,. son
parmetros. Aplicando logaritmos, obtenemos
log C = clog 1 +, log + log H = log(1
c
o
H
).
que podemos interpretar como la primera componente principal 1
1
de las
variables log 1. log . log H, y por tanto c. ,. seran los coecientes de 1
1
.
Por medio del ACP es posible efectuar una regresin mltiple de 1 sobre
A
1
. . . . . A
j
, considerando las primeras componentes principales 1
1
. 1
2
. . . . co-
mo variables explicativas, y realizar regresin de 1 sobre 1
1
. 1
2
. . . . . evitando
as efectos de colinealidad, aunque las ltimas componentes principales tam-
bin pueden inuir (Cuadras, 1993). La regresin ortogonal es una variante
interesante. Supongamos que se quieren relacionar las variables A
1
. . . . . A
j
(todas con media 0). en el sentido de encontrar los coecientes ,
1
. . . . . ,
j
tales que ,
1
A
1
+ + ,
j
A
j
~
= 0. Se puede plantear el problema como
var(,
1
A
1
+ + ,
j
A
j
) =mnima, condicionado a ,
2
1
+ + ,
2
j
= 1. Es
fcil ver que la solucin es la ltima componente principal 1
j
.
Se pueden denir las componentes principales de un proceso estocstico
y de una variable aleatoria. Cuadras y Fortiana (1995), Cuadras y Lahlou
(2000) han estudiado las componentes principales de las variables uniforme,
exponencial y logstica.
Captulo 6
ANLISIS FACTORIAL
6.1. Introduccin
El Anlisis Factorial (AF) es un mtodo multivariante que pretende ex-
presar j variables observables como una combinacin lineal de : variables
hipotticas o latentes, denominadas factores. Tiene una formulacin parecida
al Anlisis de Componentes Principales, pero el modelo que relaciona vari-
ables y factores es diferente en AF. Si la matriz de correlaciones existe, las
componentes principales tambin existen, mientras que el modelo factorial
podra ser aceptado o no mediante un test estadstico.
Ejemplos en los que la variabilidad de las variables observables se puede
resumir mediante unas variables latentes, que el AF identica como fac-
tores, son:
1. La teoria clsica de la inteligencia supona que los tests de inteligen-
cia estaban relacionados por un factor general, llamado factor g de
Spearman.
2. La estructura de la personalidad, tambin medida a partir de los tests,
est dominada por dos dimensiones: el factor neuroticismo-estabilidad
y el factor introversin-extroversin.
3. Las diferentes caractersticas polticas de ciertos pases estn inuidas
por dos dimensiones: izquierda-derecha y centralismo-nacionalismo.
El AF obtiene e interpreta los factores comunes a partir de la matriz de
87
88 CAPTULO 6. ANLISIS FACTORIAL
correlaciones entre las variables:
H =
_
_
_
_
1 :
12
:
1j
:
21
1 :
2j

:
j1
:
j2
1
_
_
_
_
.
6.2. El modelo unifactorial
Consideremos A
1
. . . . . A
j
variables observables sobre una misma poblacin.
El modelo ms simple de AF slo contempla un factor comn 1. que recoge
la covariabilidad de todas las variables, y j factores nicos l
1
. . . . . l
j
. uno
para cada variable. El modelo factorial es
A
i
= c
i
1 +d
i
l
i
. i = 1. . . . . j. (6.1)
De acuerdo con este modelo, cada variable A
i
depende del factor comn1
y de un factor nico l
i
. El modelo supone que:
a) las variables y los factores estn estandarizados (media 0 y varianza
1).
b) Los j + 1 factores estn incorrelacionados.
De este modo 1 contiene la parte de la variabilidad comn a todas las
variables, y cada A
i
est adems inuida por un factor nico l
i
. que aporta
la parte de la variabilidad que no podemos explicar a partir del factor comn.
El coeciente c
i
es la saturacin de la variable A
i
en el factor 1.
De (6.1) deducimos inmediatamente que
c
2
i
+d
2
i
= 1.
cor(A
i
. 1) = c
i
.
cor(A
i
. A
)
) = c
i
c
)
. i ,= ,.
Por lo tanto la saturacin c
i
es el coeciente de correlacin entre A
i
y el factor
comn. Por otra parte c
2
i
. cantidad que recibe el nombre de comunalidad,
indicada por /
2
i
. es la proporcin de variabilidad que se explica por 1 y la
correlacin entre A
i
. A
)
slo depende de las saturaciones c
i
. c
)
.
Una caracterizacin del modelo unifactorial es
:
i)
:
i
0
)
=
:
i)
0
:
i
0
)
0
=
c
i
c
i
0
. (6.2)
6.2. EL MODELO UNIFACTORIAL 89
es decir, los cocientes entre elementos de la misma columna no diagonal de
dos las de la matriz de correlaciones H es constante. Esto es equivalente a
decir que el determinante de todo menor de orden dos de H. que no contenga
elementos de la diagonal, es cero:
:
i)
:
i)
0
:
i
0
)
:
i
0
)
0
= :
i)
:
i
0
)
0 :
i)
0 :
i
0
)
0 = c
i
c
)
c
i
0 c
)
0 c
i
c
)
0 c
i
0 c
)
0 = 0. (6.3)
Estas son las llamadas relaciones tetrdicas, que necesariamente se deben
cumplir para que sea vlido el modelo unifactorial.
La matriz de correlaciones reducida H
+
se obtiene substituyendo la diago-
nal de unos por las comunalidades (vase (6.7)). Es inmediato probar que H
+
tiene rango 1, que todos los menores de orden dos se anulan y que las comu-
nalidades se obtienen a partir de las correlaciones. Por ejemplo, la primera
comunalidad es
/
2
1
=
:
12
:
13
:
23
=
:
12
:
14
:
24
= =
:
1j1
:
1j
:
jj1
. (6.4)
En las aplicaciones reales, tanto estas relaciones, com las tetrdicas, slo se
verican aproximadamente. As, la estimacin de la primera comunalidad
podra consistir en tomar la media de los cocientes (6.4).
Por ejemplo, la siguiente matriz de correlaciones
C 1 1 ` 1 `n
C 1.00 0.83 0.78 0.70 0.66 0.63
1 0.83 1.00 0.67 0.67 0.65 0.57
1 0.78 0.67 1.00 0.64 0.54 0.51
` 0.70 0.67 0.64 1.00 0.45 0.51
1 0.66 0.65 0.54 0.45 1.00 0.40
`n 0.63 0.57 0.51 0.51 0.40 1.00
relaciona las calicaciones en C(clsicas), F (francs), I (ingls), M(matemti-
cas), D (discriminacin de tonos) y Mu (msica) obtenidas por los alumnos
de una escuela. Esta matriz verica, aproximadamente, las relaciones (6.2).
Si consideramos la primera y la tercera la, tenemos que:
0.83
0.67
~
=
0.70
0.64
~
=
0.66
0.54
~
=
0.63
0.51
~
= 1.2 .
De acuerdo con el modelo unifactorial, estas calicaciones dependen esencial-
mente de un factor comn.
6.3. El modelo multifactorial
6.3.1. El modelo
El modelo del anlisis factorial de : factores comunes considera que
las j variables observables A
1
. . . . . A
j
dependen de : variables latentes
1
1
. . . . . 1
n
, llamadas factores comunes, y j factores nicos l
1
. . . . . l
j
, de
acuerdo con el modelo lineal:
A
1
= c
11
1
1
+ + c
1n
1
n
+d
1
l
1
A
2
= c
21
1
1
+ + c
2n
1
n
+d
2
l
2

A
j
= c
j1
1
1
+ + c
jn
1
n
+d
j
l
j
.
(6.5)
Las hiptesis del modelo son:
1. Los factores comunes y los factores nicos estn incorrelacionados dos
a dos
cor(1
i
. 1
)
) = 0. i ,= , = 1. . . . . :.
cor(l
i
. l
)
) = 0. i ,= , = 1. . . . . j.
2. Los factores comunes estn incorrelacionados con los factores nicos
cor(1
i
. l
)
) = 0. i = 1. . . . . :. , = 1. . . . . j.
3. Tanto los factores comunes como los factores nicos sn variables re-
ducidas.
En el modelo factorial (6.5) se admite que las variables, en conjunto,
dependen de los factores comunes, salvo una parte de su variabilidad, slo
explicada por el correspondiente factor especco. Los factores comunes rep-
resentan dimensiones independentes en el sentido lineal, y dado que tanto
los factores comunes como los nicos son variables convencionales, podemos
suponer que tienen media 0 y varianza 1.
6.3. EL MODELO MULTIFACTORIAL 91
6.3.2. La matriz factorial
Los coecientes c
i)
son las saturaciones entre cada variable A
i
y el factor
1
)
. La matriz j : que contiene estos coecientes es la matriz factorial
A =
_
_
_
_
c
11
c
1n
c
21
c
2n

c
j1
c
jn
_
_
_
_
.
Si indicamos por X = (A
1
. . . . . A
j
)
t
el vector columna de las variables,
y anlogamente F = (1
1
. . . . . 1
n
)
t
. l =(l
1
. . . . . l
j
)
t
. el modelo factorial en
expresin matricial es
X = AF +Ol. (6.6)
donde O =diag(d
1
. . . . . d
j
) es la matriz diagonal con las saturaciones entre
variables y factores nicos. El AF tiene como principal objetivo encontrar e
interpretar la matriz factorial A.
6.3.3. Las comunalidades
De las condiciones del modelo del AF se verica
var(A
i
) = c
2
i1
+ +c
2
in
+d
2
i
.
y por lo tanto c
2
i)
es la parte de la variabilidad de la variable A
i
que es debida
al factor comn 1
)
. mientras que d
2
i
es la parte de la variabilidad explicada
exclusivamente por el factor nico l
i
.
La cantidad
/
2
i
= c
2
i1
+ +c
2
in
(6.7)
se llama comunalidad de la variable A
i
. La cantidad d
2
i
es la unicidad. Luego,
para cada variable tenemos que:
variabilidad = comunalidad + unicidad.
La comunalidad es la parte de la variabilidad de las variables slo explicada
por los factores comunes.
Si supoemos que las variables observables son tambin reducidas, entonces
tenemos que
1 = /
2
i
+d
2
i
. (6.8)
La matriz de correlaciones reducida se obtiene a partir de Hsubstituyendo
los unos de la diagonal por las comunalidades
H
+
=
_
_
_
_
/
2
1
:
12
:
1j
:
21
/
2
2
:
2j

:
j1
:
j2
/
2
j
_
_
_
_
.
Evidentmente se verica
H = H
+
+O
2
. (6.9)
6.3.4. Nmero mximo de factores comunes
El nmero : de factores comunes est limitado por un valor mximo :
o
,
que podemos determinar teniendo en cuenta que hay j(j1),2 correlaciones
diferentes y j : saturaciones. Pero si A es matriz factorial tambin lo es
AT. donde T es matriz ortogonal, por tanto introduciremos :(: 1),2
restricciones y el nmero de parmetros libres de A ser j ::(:1),2.
El nmero de correlaciones menos el nmero de parmetros libres es
d = j(j 1),2 (j ::(:1),2) =
1
2
[(j :)
2
j :]. (6.10)
Si igualamos d a 0 obtenemos una ecuacin de segundo grado que un vez
resuelta nos prueba que
: _ :
o
=
1
2
(2j + 1
_
8j + 1).
Un modelo factorial es sobredeterminado si : :
o
. pues hay ms satu-
raciones libres que correlaciones. Si : = :
o
el modelo es determinado y
podemos encontrar A algebraicamente a partir de H.
Desde un punto de vista estadstico, el caso ms interesante es : < :
o
.
ya que entonces podemos plantear la estimacin estadstica de A. donde
d 0 juega el papel de nmero de grados de libertad del modelo. El nmero
mximo :
+
de factores comunes en funcin de j es:
j 2 3 4 5 6 7 8 9 10 20 30 40
:
+
0 1 1 2 3 3 4 5 6 14 22 31
Asignamos a :
+
el valor entero por defecto cuando :
o
tiene parte fraccionar-
ia.
6.3. EL MODELO MULTIFACTORIAL 93
6.3.5. El caso de Heywood
Una limitacin del modelo factorial es que alguna comunalidad puede al-
canzar (algebraicamente) un valor superior a 1, contradiciendo (6.8). Cuan-
do esto ocurre, la solucin se ha de interpretar con precaucin. En algunos
mtodos, como el de la mxima verosimilitud, se resuelve este inconveniente
(primeramente observado por H.B. Heywood) imponiendo la condicin /
2
i
_
1 en la estimacin de las comunalidades.
6.3.6. Un ejemplo
Las asignaturas clsicas de la enseanza media, se dividen, en lneas gen-
erales, en asignaturas de Ciencias o de Letras, las primeras con contenido ms
racional y emprico, las segundas con contenido ms humanstico y artstico.
Consideremos las siguientes 5 asignaturas:
Ciencias Naturales (CNa), Matemticas (Mat), Francs (Fra), Latn (Lat),
Literatura (Lit). Supongamos que estn inuidas por dos factores comunes o
variables latentes: Ciencias (C) y Letras (L). En otras palabras, suponemos
que C y L son dos variables no observables, que de manera latente inuyen
sobre las cinco asignaturas. Las calicaciones de : = 20 alumnos en las asig-
naturas y en los factores se encuentran en la Tabla 6.1.
Vamos a suponer que la matriz factorial es
C L
CNa .8 .2
Mat .9 .1
Fra .1 .9
Lla .3 .8
Lit .2 .8
Las dos primeras asignaturas estn ms inuidas por el factor C, y las
tres ltimas por el factor L. Por ejemplo, Matemticas tiene una correlacin
de 0.9 con Ciencias y slo 0.1 con Letras.
La calicacin del primer alumno en CNa es 7, debida a 7 puntos en
Ciencias y 5 puntos en Letras. Segn el modelo factorial:
7 = 0.8 7 + 0.2 5 + 0.4
Asignaturas Factores
Alumno CNa Mat Fra Lat Lit
1 7 7 5 5 6
2 5 5 6 6 5
3 5 6 5 7 5
4 6 8 5 6 6
5 7 6 6 7 6
6 4 4 6 7 6
7 5 5 5 5 6
8 5 6 5 5 5
9 6 5 7 6 6
10 6 5 6 6 6
11 6 7 5 6 5
12 5 5 4 5 4
13 6 6 6 6 5
14 8 7 8 8 8
15 6 7 5 6 6
16 4 3 4 4 4
17 6 4 7 8 7
18 6 6 7 7 7
19 6 5 4 4 4
20 7 7 6 7 6
Ciencias Letras
7 5
5 6
6 5
7 5
6 6
4 6
5 6
6 5
5 6
5 6
7 5
6 4
6 6
7 8
6 5
3 4
5 7
6 7
5 4
7 6
Tabla 6.1: Calicaciones en 5 asignaturas y puntuaciones en 2 factores co-
munes de 20 alumnos.
CNa Mat Fra Lat Lit
CNa 1 0.656 0.497 0.420 0.584
Mat 1 0.099 0.230 0.317
Fra 1 0.813 0.841
Lat 1 0.766
Lit 1
Tabla 6.2: Matriz de correlaciones para las calicaciones en 5 asignaturas.
6.4. TEOREMAS FUNDAMENTALES 95
De los 7 puntos, 5.6 se explican por el factor comn C, 1 punto por el factor
comn L y 0.4 punts por el factor nico. Este factor nico representa la
variabilidad propia de las CNa, independente de los conceptos C y L.
Las comunalidades son:
/
2
1
= 0.68. /
2
2
= 0.82. /
2
3
= 0.82. /
2
4
= 0.73. /
2
5
= 0.68.
Los porcentajes de la variabilidad explicada por los factores comunes y las
comunalidades son:
Factor C Factor L Comunalidades
C. Naturales 64 4 68
Matemticas 81 1 82
Francs 1 81 82
Latn 9 64 73
Literatura 4 64 68
6.4. Teoremas fundamentales
El primer teorema, conocido como teorema de Thurstone, permite rela-
cionar la matriz factorial con la matriz de correlaciones, o ms exactamente,
con la matriz de correlaciones reducida. El segundo teorema permite de-
terminar, tericamente, el nmero de factores comunes y los valores de las
comunalidades.
Teorema 6.4.1 Bajo las hiptesis del modelo factorial lineal se verica
:
i)
=
n
I=1
c
iI
c
)I
. i ,= , = 1. . . . . j.
1 =
n
I=1
c
2
iI
+d
2
i
. i = 1. . . . . j.
En notacin matricial
H = AA
t
+O
2
. (6.11)
Demost.: Al ser las variables reducidas, H =1(XX
t
) y de (6.6)
H = 1((AF +Ol)(AF +Ol)
t
)
= A1(FF
t
)A
t
+O1(ll
t
)O
t
+ 2A1(Fl
t
)O.
Por las condiciones de incorrelacin entre factores tenemos que 1(FF
t
) = I
n
.
1(ll
t
) = I
j
. 1(Fl
t
) = 0. lo que prueba (6.11).
De (6.9) vemos inmediatamente que
H
+
= AA
t
. (6.12)
Una solucin factorial viene dada por cualquier matriz A que cumpla la
relacin (6.12). As pues, si : 1. existen innitas soluciones, pues si A es
solucin, tambin lo es AT, siendo T una matriz :: ortogonal. Por otro
lado, (6.11) o (6.12) tampoco resuelven completamente el problema, ya que
desconocemos las comunalidades. La obtencin de las comunalidades est
muy ligada al nmero de factores comunes.
1. El modelo factorial existe si H es la suma de una matriz semidenida
positiva y una matriz diagonal con elementos no negativos.
2. El nmero : de factores comunes es el rango de la matriz H
+
. Por
lo tanto : es el orden del ms grande menor de H que no contiene
elementos de la diagonal.
3. Les comunalidades son aquellos valores 0 _ /
2
i
_ 1 tales que H
+
es
matriz semi-denida positiva (tiene : valores propios positivos).
Demost.: Es una consecuencia de la relacin (6.12) entre H
+
y A. El mayor
menor de Hquiere decir la submatriz cuadrada con determinante no negativo,
que no contenga elementos de la diagonal.
Hemos visto que a partir de H podemos encontrar :, pero la solucin no
es nica. El principio de parsimonia en AF dice que entre varias soluciones
admisibles, escogeremos la que sea ms simple. El modelo factorial ser pues
aquel que implique un nmero mnimo : de factores comunes. Fijado :, las
comunalidades se pueden encontrar, algebraicamente, a partir de la matriz
de correlaciones H. En la prctica, las comunalidades se hallan aplicando
mtodos estadsticos.
Finalmente, podemos probar de manera anloga, que si el anlisis fac-
torial lo planteamos a partir de la matriz de covarianzas X. sin suponer las
variables reducidas, aunque s los factores, entonces obtenemos la estructura
X = AA
t
+O
2
. (6.13)
6.5. MTODO DEL FACTOR PRINCIPAL 97
6.5. Mtodo del factor principal
Es un mtodo de obtencin de la matriz factorial con la propiedad de que
los factores expliquen mxima varianza y sean incorrelacionados.
La variabilidad total de las variables, que suponemos reducidas, es j. La
variabilidad de la variable A
i
explicada por el factor 1
)
es c
2
i)
. La suma de
variabilidades explicadas por 1
)
es
\
)
= c
2
1)
+ +c
2
j)
.
El primer factor principal 1
1
es tal que \
1
es mximo. Consideremos pues
el problema de maximizar \
1
con la restriccin H
+
= AA
t
. Utilizando el
mtodo de los multiplicadores de Lagrange debemos considerar la funcin
\
1
+
j
),)
0
=1
))
0 (:
))
0
n
I=1
c
)I
c
)
0
I
).
donde
))
0 =
)
0
)
sn los multiplicadores. Igualando las derivadas a cero se
obtiene que las saturaciones a
1
= (c
11
. . . . . c
j1
)
t
del primer factor principal
verican
H
+
a
1
= `
1
a
1
.
es decir, a
1
es el primer vector propio de H
+
y `
1
es el primer valor propio.
El valor mximo de \
1
es precisamente `
1
.
Si ahora restamos del modelo factorial el primer factor
A
t
i
= A
i
c
i1
1
1
= c
i2
1
2
+ +c
in
1
n
+d
i
l
i
.
el modelo resultante contiene :1 factores. Aplicando de nuevo el criterio
del factor principal al modelo vemos que las saturaciones a
2
= (c
12
. . . . . c
j2
)
t
tales que la variabilidad explicada por el segundo factor
\
2
= c
2
12
+ +c
2
j2
.
sea mxima, corresponende al segundo vector propio de H
+
con valor propio
`
2
. que es precisament el valor mximo de \
2
.
En general, si H
+
= lAl
t
es la descomposicin espectral de H
+
. la
solucin del factor principal es
A = lA
12
.
Fijado un valor compatible de :, un algoritmo iterativo de obtencin de
la matriz factorial y de las comunalidades es:
Paso 1 H = lAl
t
(j valores y vectores propios)
Paso 2 H
1
= l
(1)
n
A
(1)
n
l
(1)t
n
(: primeros valores y vectores propios)
Paso i H
i
= l
(i)
n
A
(i)
n
l
(i)t
n
.
A
i
= l
(i)
n
(A
(i)
n
)
12
Paso i+1 H
i+1
=diag(A
i
A
t
i
) +HI (volver al paso i)
La matriz A
i
converge a la matriz factorial A. Como criterio de conver-
gencia podemos considerar la estabilidad de las comunalidades. Pararemos si
pasando de i a i +1 los valores de las comunalidades, es decir, los valores en
diag(A
i
A
t
i
). prcticamente no varan. Esta refactorizacin podria fallar si se
presenta el caso de Heywood o H no satisface el modelo factorial (6.11).
Ejemplo: Volviendo al ejemplo de las asignaturas, la solucin por el
mtodo del factor principal encuentra dos factores que explican el 74.6 % de
la varianza:
1
1
1
2
C. Naturales .621 -.543
Matemticas .596 -.682
Francs .796 .432
Latn .828 .210
Literatura .771 .292
Valor propio 2.654 1.076
Porcentaje 53.08 21.52
6.6. Mtodo de la mxima verosimilitud
6.6.1. Estimacin de la matriz factorial
Podemos plantear la obtencin de la matriz factorial como un problema
de estimacin de la matriz de covarianzas . con la restriccin que se
descompone en la forma
= AA
t
+Y.
donde Y = O
2
es una matriz diagonal (vase (6.13)). Si suponemos que las
: observaciones de las j variables provienen de una distribucin normal con
6.6. MTODO DE LA MXIMA VEROSIMILITUD 99
= 0. el logaritmo de la funcin de verosimilitud es
log 1(X.j. ) =
:
2
(log [2:[ t:(
1
S)).
Cambiando de signo y modicando algunas constantes, se trata de estimar
A y Y de manera que
1
j
(A. Y) =log [[ +t:(
1
S)log [S[j (6.14)
sea mnimo, siendo S la matriz de covarianzas muestrales. Las derivadas
respecto de A y Y son
J1
j
J
= 2
1
( o)
1
A.
J1
j
J\
= diag(
1
( o)
1
).
Por tanto, las ecuaciones a resolver para obtener estimaciones de A y Y son
1
( o)
1
A = 0. diag(
1
( o)
1
) = 0.
= AA
t
+Y. A
t
Y
1
A es diagonal.
(6.15)
La ltima condicin es slo una restriccin para concretar una solucin,
puesto que si A es solucin, tamb lo es AT, siendo T matriz ortogonal.
Debe tenerse en cuenta que se trata de encontrar el espacio de los factores
comunes. La solucin nal ser, en la prctica, una rotacin de la solucin que
verique ciertos criterios de simplicidad. Las ecuaciones (6.15) no proporcio-
nan una solucin explcita, pero es posible encontrar una solucin utilizando
un mtodo numrico iterativo.
6.6.2. Hiptesis sobre el nmero de factores
Una ventaja del mtodo de la mxima verosimilitud es que permite for-
mular un test de hiptesis sobre la estructura factorial de y el nmero :
de factores comunes.
Planteemos el test
H
0
: = AA
t
+Y vs H
1
: es denida positiva,
donde A es de rango :.
Si
=

A
A
t
+
Y. siendo

Ay

Ylas estimaciones, los mximos del logaritmo
de la razn de verosimilitud son (Seccin 5.4.2)
H
0
:
a
2
(log [
[ + tr(
1
S)).
H
1
:
a
2
(log [S[ +j).
Aplicando el Teorema 3.5.1 tenemos que el estadstico
C
I
= :(log [
[ log [S[ + tr(
1
S)j) = :1
j
(
A.
Y)
sigue asinptticamente la distribucin ji-cuadrado con
/ = j(j 1),2 (j :+j :(:1),2) =
1
2
((j :)
2
j :)
grados de libertad. Podemos observar que C
I
es : veces el valor mnimo de
la funcin (6.14) y que / coincide con (6.10).
6.7. Rotaciones de factores
La obtencin de la matriz factorial, por aplicacin de los dos mtodos
que hemos expuesto, no es ms que el primer paso del AF. Normalmente
la matriz obtenida no dene unos factores interpretables. En el ejemplo de
las asignaturas, la solucin por el mtodo del factor principal es en principio
vlida, pero dene dos factores comunes 1
1
. 1
2
que no son fcilmente identi-
cables. Se hace necesario rotar estos dos factores hacia unos factores ms
fciles de interpretar.
Se han propuesto diferentes versiones sobre como transformar la matriz
factorial a n de obtener una estructura simple de los factores. Esencialmente
se trata de conseguir que unas saturaciones sean altas a costa de otras, que
sern bajas, para as destacar la inuencia de los factores comunes sobre las
variables observables.
6.7.1. Rotaciones ortogonales
Dada una matriz factorial A. queremos encontrar una matriz ortogonal
T tal que la nueva matriz factorial H = AT dena unos factores que tengan
una estructura ms simple. Un criterio analtico considera la funcin
G =
n
I=1
n
I,=)=1
[
j
i=1
c
2
i)
c
2
iI

j
j
i=1
c
2
i)
j
i=1
c
2
iI
]. (6.16)
6.7. ROTACIONES DE FACTORES 101
donde es un parmetro tal que 0 _ _ 1. Hay dos criterios especialmente
interesantes.
Quartimax: Si = 0 minimizar G equivale a maximizar la varianza de
los cuadrados de los j : coecientes de saturacin. Si cada saturacin c
2
i)
se
divide por la comunalidad, es decir, se considera c
2
i)
,/
2
i
. la rotacin se llama
quartimax normalizada.
Varimax: Si = 1 minimizar G equivale a maximizar la suma de las
varianzas de los cuadrados de los coecientes de saturacin de cada columna
de A. Anlogamente si consideramos c
2
i)
,/
2
i
. la rotacin se llama varimax
normalizada.
6.7.2. Factores oblicuos
Los factores comunes pueden estar tambin correlacionados, y entonces
se habla del modelo factorial oblcuo. Este modelo postula que las variables
observables dependen de unos factores correlacionados 1
t
1
. . . . . 1
t
n
y de j
factores nicos. As para cada variable A
i
A
i
= j
i1
1
t
1
+ +j
in
1
t
n
+d
i
l
i
. i = 1. . . . . j. (6.17)
La solucin factorial oblicua consistir en hallar las siguientes matrices:
1. Matriz del modelo factorial oblcuo
I =(j
i)
)
siendo j
i)
la saturacin de la variable A
i
en el factor 1
t
)
.
2. Matriz de correlaciones entre factores oblcuos
d = (,
i)
) siendo ,
i)
= cor(1
t
i
. 1
t
)
).
3. Estructura factorial oblicua (estructura de referencia)
Q =(
i)
) siendo
i)
= cor(A
i
. 1
t
)
).
Si indicamos F
0
= (1
t
1
. . . . . 1
t
n
)
t
y escribimos el modelo (6.17) en forma
matricial
X = IF
0
+Ol.
fcilmente probamos la relacin entre las tres matrices I. d y Q
Q = Id.
y la versin del teorema de Thurstone para factores correlacionados
H = IdI
t
+O
2
.
Si los factores son ortogonales, el modelo factorial coincide con la estructura
factorial y tenemos que
I = Q. d = I
n
.
6.7.3. Rotacin oblicua
Ya se ha dicho que hallar una matriz factorial A constituye el primer paso
de la factorizacin. Queremos encontrar una matriz L tal que la nueva matriz
factorial I = AL dena unos factores oblicuos que tengan una estructura
ms simple. Un criterio analtico sobre la matriz de estructura factorial Q
considera la funcin
H =
n
I=1
I,=)=1
[
j
i=1
2
i)
2
iI

j
j
i=1
2
i)
j
i=1
2
iI
]
donde es un parmetro tal que 0 _ _ 1. Hay tres criterios especial-
mente interesantes, que tienen una interpretacin parecida al caso ortogonal
y que tambin se pueden formular, ms adecuadamente, dividiendo por las
comunalidades.
Quartimin: Si = 0 hay mxima oblicuidad entre los factores comunes.
Bi-quartimin: Si = 1,2 el criterio es intermedio entre quartimin y co-
varimin.
Covarimin: Si = 1 hay mnima oblicuidad entre los factores comunes.
Conviene tener en cuenta que las rotaciones ortogonales y oblcuas in-
tentan simplicar la estructura factorial A y la estructura de referencia Q.
respectivamente.
Un criterio directo de rotacin oblicua es el promax. Sea A la matriz fac-
torial obtenida por el mtodo varimax. Queremos destacar unas saturaciones
sobre otras, por tanto denimos I
+
= (j
+
i)
) tal que
j
+
i)
= [c
I+1
i)
[,c
i)
. / 1.
6.7. ROTACIONES DE FACTORES 103
siendo / un nmero entero.
Cada elemento de Aqueda elevado a una potencia / conservando el signo.
Seguidamente ajustamos I
+
a AL en el sentido de los mnimos cuadrados
L = (A
t
A)
1
A
t
I
+
.
Es necesario normalizar la matriz L de manera que los vectores columna de
T = (L
t
)
1
tengan mdulo unidad. Obtenemos entonces
I = AL. d = T
t
T. Q = AT.
El grado de oblicuidad de los factores comunes aumenta con /. Se suele tomar
/ = 4.
Ejemplo: Continuando con el ejemplo de las 5 asignaturas, la estimacin
mximo verosmil y la matriz factorial rotada son:
Mxim veros. Varimax Comun.
CNa
Mat
Fra
Lat
Lit
F
1
F
2
.659 .432
.999 .005
.104 .974
.234 .809
.327 .831
C L
.636 .464
.999 .046
.055 .978
.193 .820
.280 .847
.62
.99
.96
.71
.79
El test de hiptesis de que hay : = 2 factores comunes da
2
1
= 1.22.
no signicativo. Podemos aceptar : = 2. La rotacin varimax pone de man-
iesto la existencia de dos factores C. 1, que podemos interpretar como di-
mensiones latentes de Ciencias y Letras.
La rotacin oblicua promax con / = 4 da las matrices I. Q. d :
Modelo factorial Estruct. factorial Correlaciones factores
CNa
Mat
Fra
Lla
Lit
C 1
.570 .375
1.04 -.135
-.150 1.024
.028 .831
.114 .844
C 1
.706 .581
.992 .242
.221 .970
.330 .842
.420 .885
_
1 .362
.362 1
_
La Figura 6.1 representa los factores ortogonales iniciales F
1
y F
2
, dibu-
jados como vectores unitarios, y los factores oblcuos C y L. Las variables
tienen una longitud proporcional a la raz cuadrada de sus comunalidades.
Figura 6.1: Proyeccin de las variables sobre los factors comunes ortogonals, y
factores rotados (rotacin promax), interpretados como factores de Ciencias
y Letras.
6.7.4. Factores de segundo orden
Un vez hemos obtenido los factores oblcuos con matriz de correlaciones
d. podemos suponer que estos : factores primarios dependen de :
t
factores
secundarios de acuerdo con una matriz factorial H que verica
d = HH
t
+E
2
.
siendo E la matriz :: diagonal.
Si los factores secundarios son tambin oblicuos, el proceso de factor-
izacin puede continuar hasta llegar a un nico factor comn de orden supe-
rior.
Un ejemplo de aplicacin nos lo proporciona la teoria clsica de la estruc-
tura factorial de la inteligencia. Los tests de aptitud dependen de un conjunto
elevado de factores primarios, que dependen de un conjunto de 7 factores se-
cundarios (verbal, numrico, espacial, razonamiento, memoria, percepcin,
psicomotores), que a su vez dependen de un factor general g (el factor g
de Spearman), que sintetiza el hecho de que todas las aptitudes mentales
estn correlacionadas.
6.8. MEDICIN DE FACTORES 105
6.8. Medicin de factores
Sea x = (r
1
. . . . . r
j
)
t
los valores de las j variables observables obtenidas
sobre un individuo .. Nos planteamos ahora medir los factores, es decir,
encontrar los valores f = (,
1
. . . . . ,
n
)
t
de los factores comunes sobre .. Se
verica
x = Af +Ou. (6.18)
siendo u = (n
1
. . . . n
j
)
t
los valores de las unicidades.
Si interpretamos (6.18) como un modelo lineal, donde x es el vector de
observaciones, Aes la matriz de diseo, f es el vector de parmetros y o = Ou
es el trmino de errror, el criterio de los mnimos cuadrados (vase (13.4))
nos da
f = (A
t
A)
1
A
t
x.
Un mtodo ms elaborado (propuesto por M. S. Bartlett) considera que
f es funcin lineal de x y que los valores de los factores nicos
u = O
1
(x Af )
son trminos de error. Si queremos minimizar
u
t
u = n
2
1
+ +n
2
j
.
expresando (6.18) como O
1
x = O
1
Af +u. es fcil ver que
f = (A
t
O
2
A)
1
A
t
O
2
x.
Una modicacin de este mtodo (propuesta por T. W. Anderson y H.
Rubin) consiste en aadir la condicin de que los factores comunes estimados
estn incorrelacionados. La solucin que resulta es
f = H
1
A
t
O
2
x.
siendo H
2
= A
t
O
2
HO
2
A.
Ejemplo: Continuando con el ejemplo de las 5 asignaturas, las calica-
ciones en las asignatures de los 4 primeros alumnos (Tabla 6.1) y las pun-
tuaciones (Anderson-Rubin) en los factores C y 1. obtenidos con la rotacin
varimax, son:
Alumno CNa Mat Fra Lat Lit C L
1 7 7 5 5 6 1.06 -.559
2 5 5 6 6 5 -.568 .242
3 5 6 5 7 5 .259 -.505
4 6 8 5 6 6 1.85 -.614
Teniendo en cuenta que los factores comunes son variables estandarizadas,
el primer alumno tiene una nota relativamente alta en Ciencias y una nota
algo por debajo de la media en Letras.
6.9. Anlisis factorial conrmatorio
Los mtodos del factor principal y de la mxima verosimilitud son ex-
ploratorios, en el sentido de que exploran las dimensiones latentes de las
variables. El AF tambin se puede plantear en sentido conrmatorio, es-
tableciendo una estructura factorial de acuerdo con el problema objeto de
estudio, y seguidamente aceptando o rechazando esta estructura mediante
un test de hiptesis. Por ejemplo, podemos considerar que la matriz factorial
en el ejemplo de las 5 asignaturas es
C L
CNa 1 0
Mat 1 0
Fra 0 1
Lla 0 1
Lit 0 1
interpretando que las dos primeras slo dependen del factor Ciencias y las
otras tres del factor Letras. Entonces podemos realizar una transformacin
de la matriz factorial inicial para ajustarnos a la matriz anterior.
Si la solucin inicial es A. postulamos una estructura H y deseamos en-
contrar T ortogonal tal que AT se aproxime a H en el sentido de los mnimos
cuadrados
tr(HAT)
2
= mnimo,
entonces la solucin es T = lY
t
. siendo A
t
H = lAY
t
la descomposicin
singular de A
t
H. Si T no es ortogonal y por lo tanto se admite una estruc-
tura oblicua, entonces T se obtiene siguiendo un procedimiento parecido a
la rotacin promax
T = (A
t
A)
1
A
t
H.
per normalizando a mdulo 1 los vectores columna de T.
Ms generalmente, en AF conrmatorio se especica el nmero de factores
comunes, el tipo ortogonal u oblicuo de la solucin, y los valores libres o jos
de las saturaciones.
6.9. ANLISIS FACTORIAL CONFIRMATORIO 107
Ejemplo: Un AF conrmatorio sobre 9 tests (estudiado por K. Joreskog)
obtiene siete soluciones conrmatorias. De los 9 tests considerados, los tests
1,2,3 miden relaciones espaciales, los tests 4,5,6 inteligencia verbal y los tests
7,8,9 velocidad de percepcin. La matriz de correlaciones es:
1 2 3 4 5 6 7 8 9
1 1 .318 .468 .335 .304 .326 .116 .314 .489
2 1 .230 .234 .157 .195 .057 .145 .139
3 1 .327 .335 .325 .099 .160 .327
4 1 .722 .714 .203 .095 .309
5 1 .685 .246 .181 .345
6 1 .170 .113 .280
7 1 .585 .408
8 1 .512
9 1
Slo comentaremos tres soluciones. La primera solucin es oblicua no
restringida, y se puede aceptar, puesto que la ji-cuadrado del ajuste no es
signicativa.
I d Comun.
.71 .00 .00 .50
.54 -.03 -.08 .26
.67 .04 -.09 .46
.00 .87 .00 1 .76
-.03 .81 .13 .54 1 .70
.01 .82 -.01 .24 .28 1 .68
.00 .00 .78 .61
.42 -.30 .73 .68
.56 -.06 .41 .54
2
12
= 9.77
j = 0.64
La segunda solucin es oblicua restringida. Se impone la condicin de que
los tres primeros tests correlacionen slo con el primer factor, los tres sigu-
ientes slo con el segundo y los tres ltimos slo con el tercero. No obstante,
el valor ji-cuadrado es signicativo y esta solucin no debera aceptarse.
I d Comun.
.68 .00 .00 .46
.52 .00 .00 .27
.69 .00 .00 .48
.00 .87 .00 1 .77
.00 .83 .00 .54 1 .69
.00 .83 .00 .52 .34 1 .69
.00 .00 .66 .43
.00 .00 .80 .63
.00 .00 .70 .49
2
24
= 51.19
j = 0.001
La tercera solucin es ortogonal no restringida, con un factor general y
tres factores especcos, en el sentido que el primero no correlaciona con la
variable 4, el segundo no correlaciona con las variables 1 y 7 y el tercero
no correlaciona con 1,2 y 4. El valor ji-cuadrado indica que esta solucin es
aceptable.
I d Comun.
.38 .58 .00 .00 .48
.24 .41 .35 .00 .37
.38 .53 .30 -.03 1 .52
.87 .00 .03 .00 .00 1 .75
.83 .01 -.13 .06 .00 .00 1 .72
.83 .01 .04 -.02 .00 .00 .00 1 .68
.24 .02 .00 .95 .95
.15 .43 -.13 .57 .56
.36 .59 -.22 .34 .64
2
6
= 2.75
j = 0.84
6.10. Complementos
Constituyen dos precedentes del Anlisis Factorial el concepto de fac-
tor latente de F. Galton y de eje principal de K. Pearson. El primer trabajo,
publicado en 1904, por Ch. Spearman (Spearman, 1904) desarrolla una teora
de la inteligencia alrededor de un factor comn, el factor g. Esta teora,
que ordenaba la inteligencia de los individuos a lo largo de una sola dimen-
sin, fue defendida por C. Burt, con consecuencias sociolgicas importantes,
pues proporcion una base cientca para nanciar las escuelas privadas en
detrimento de otras.
El Anlisis Factorial moderno se inicia con la obra Multiple Factor
Analysis de L.L. Thurstone, que postulaba ms de un factor comn, intro-
duca la estructura simple y las rotaciones de factores. A partir de Thurstone
la medida de la inteligencia era ms democrtica, ya que posea varias di-
mensiones latentes, quedando sin sentido una ordenacin de los individuos,
que si en una dimensin era posible hacerlo, en varias dimensiones no. Haba
una polmica similar sobre la personalidad. La teoria psicoanaltica defenda
una continuidad entre la personalidad neurtica y la psictica, mientras que
el AF revela que neurosis y psicosis son dimensiones independientes.
Los modelos y mtodos de Spearman, Burt, Thurstone y otros (Holzinger,
Harman y Horst), son ya historia. Los mtodos actuales para obtener la
matriz factorial son: factor principal, anlisis factorial cannico (C.R. Rao),
mtodo Alfa (H.F. Kaiser, J. Carey) y el mtodo de la mxima verosimilitud
(D.N. Lawley, K.G. Joreskog). Vase Joreskog (1967).
El mtodo varimax de rotacin ortogonal de Kaiser es uno de los ms
recomendados. J.B. Carroll introdujo la rotacin oblicua quartimin y A.E.
Hendrickson y P.O. White la promax. Anderson y Rubin (1956) publicaron
un excelente trabajo sobre AF, tratando todo los aspectos algebraicos y es-
tadsticos del tema. Vase Harman (1976), Torrens-Ibern (1972).
El estudio de las dimensiones latentes es un tema presente en la ciencia
y siempre ha despertado inters. C. R. Rao demostr que si conocemos la
distribucin de / combinaciones lineales de j variables independientes, siendo
/(/ 1),2 < j _ /(/ + 1),2. entonces la distribucin de cada una de las
j variables queda determinada (salvo la media o parmetro de localizacin).
Por ejemplo, si tenemos j = 210 variables independientes bastara conocer
la distribucin de / = 20 combinaciones lineales adecuadas para determinar
la distribucin de las 210 variables. Este resultado proporciona una cierta
justicacin terica acerca del hecho que la informacin multivariante posee
una dimensionalidad latente mucho ms pequea.
La etapa inicial del AF (hasta 1966), era exploratoria, como una her-
ramienta para explorar la dimensionalidad latente de las variables. Ms tarde,
el anlisis factorial se ha entendido en sentido conrmatorio (Joreskog, Law-
ley, Maxwell, Mulaik), estableciendo una estructura factorial de acuerdo con
el problema, y seguidamente aceptando o rechazando esta estructura medi-
ante un test de hiptesis (Joreskog, 1969, 1970). Consltese Cuadras (1981).
Se han llevado a cabo muchas aplicaciones del AF. Citaremos tres, las
dos primeras sobre AF exploratorio y la tercera sobre AF conrmatorio.
Rummel (1963) estudia 22 medidas de los conictos de 77 naciones y en-
cuentra tres dimensiones latentes, que identica como: agitacin, revolucin
y subversin, y ordena las naciones segn las puntuaciones en los factors
comunes.
Snchez-Turet y Cuadras (1972) adaptan el cuestionario E.P.I. de person-
alidad (Eysenck Personality Inventory) y sobre un test de 69 tems (algunos
tems detectan mentiras) encuentran tres factores: Introversin-Extroversin,
Estabilidad-Inestabilidad, Escala de mentiras.
Joreskog (1969) explica un ejemplo de AF conrmatorio sobre 9 tests,
previamente estudiado por Anderson y Rubin. Vase la Seccin 6.9.
Finalmente, el Anlisis de Estructuras Covariantes es una generalizacin
del AF, que unica este mtodo con otras tcnicas multivariantes (MANOVA,
anlisis de componentes de la varianza, anlisis de caminos, modelos simplex
y circumplexos, etc.). Se supone que la estructura general para la matriz de
covarianzas es
= H(IdI
t
+O
2
)H
t
+
2
.
Otra generalizacin es el llamado modelo LISREL (Linear Structural Re-
lationship), que permite relacionar un grupo de variables dependientes
con un grupo de variables independientes X. que dependen de unas vari-
ables latentes a travs de un modelo de medida. Las variables latentes estn
relacionadas por un modelo de ecuaciones estructurales. LISREL (Joreskog
y Sorbom, 1999) es muy exible y tiene muchas aplicaciones (sociologa, psi-
cologa, economa). Vase Satorra (1989), Batista y Coenders (2000).
Captulo 7
ANALISIS CANONICO DE
POBLACIONES
7.1. Introduccin
Con el Anlisis de Componentes Principales podemos representar los indi-
viduos de una poblacin, es decir, representar una nica matriz de datos. Pero
si tenemos varias matrices de datos, como resultado de observar las variables
sobre varias poblaciones, y lo que queremos es representar las poblaciones,
entonces la tcnica adecuada es el Anlisis Cannico de Poblaciones (CANP).
Supongamos que de la observacin de j variables cuantitativas A
1
. . . . . A
j
sobre q poblaciones obtenemos q matrices de datos
X =
_
_
_
_
_
X
1
X
2
.
.
.
X
j
_
_
_
_
_
:
1
j
:
2
j
.
.
.
:
j
j
donde X
i
es la matriz :
i
j de la poblacin i. Sean x
t
1
.x
t
2
. . . . .x
t
j
los vectores
(la) de las medias de cada poblacin. X es de orden : j, siendo : =
j
i=1
:
i
. Indiquemos
X=
_
_
_
_
_
x
t
1
x
t
x
t
2
x
t
.
.
.
x
t
j
x
t
_
_
_
_
_
111
112 CAPTULO 7. ANALISIS CANONICO DE POBLACIONES
la matriz q j con las medias de las q poblaciones. Tenemos dos maneras de
cuanticar matricialmente la dispersin entre las poblaciones:
La matriz de dispersin no ponderada entre grupos
A =X
t
X =
j
i=1
(x
i
x)(x
i
x)
t
.
La matriz de dispersin ponderada entre grupos
H =
j
i=1
:
i
(x
i
x)(x
i
x)
t
.
La matriz A es proporcional a una matriz de covarianzas tomando como
datos slo las medias de las poblaciones. La matriz H participa, juntamente
con V (matriz de dispersin dentro de grupos) en el test de comparacin
de medias de q poblaciones. Aqu trabajaremos con la matriz A, si bien los
resultados seran parecidos si utilizramos la matriz H. Tambin haremos uso
de la matriz de covarianzas (vase (3.2)):
S =
1
: q
j
i=1
:
i
S
i
.
Entonces A =X
t
X juega el papel de matriz de covarianzas entre las pobla-
ciones, S juega el papel de matriz de covarianzas dentro de las poblaciones.
7.2. Variables cannicas
Denicin 7.2.1 Sean Y = [v
1
. . . . . v
j
] los vectores propios de A =X
t
X re-
specto de S con valores propios `
1
`
j
, es decir,
Av
i
= `
i
S
i
v
i
.
normalizados segn
v
t
i
S
i
v
i
= 1.
Los vectores v
1
. . . . . v
j
son los vectores cannicos y las variables cannicas
son las variables compuestas
1
i
= Xv
i
.
7.2. VARIABLES CANNICAS 113
Si v
i
= (
1i
. . . . .
ji
)
t
y X = [A
1
. . . . . A
j
]. la variable cannica 1
i
es la
variable compuesta
1
i
= Xv
i
=
1i
A
1
+ +
ji
A
j
que tiene o-varianza 1 y varianza `
i
. es decir:
var
(1
i
) = v
t
i
Av
i
= `
i
. var
S
(1
i
) = v
t
i
S
i
v
i
= 1.
Trabajaremos con j variables cannicas, pero de hecho el nmero efectivo es
/ = mnj. q 1. ver Seccin 7.5.3.
Teorema 7.2.1 Las variables cannicas verican:
1. Son incorrelacionadas dos a dos respecto a A y tambin respecto a S
cov
(1
i
. 1
)
) = cov
S
(1
i
. 1
)
) = 0 :i i ,= ,.
2. Las -varianzas son respectivamente mximas:
var
(1
1
) = `
1
var
(1
j
) = `
j
.
en el sentido de que 1
1
es la variable con mxima varianza entre grupos,
condicionada a varianza 1 dentro grupos, 1
2
es la variable con mxima
varianza entre grupos, condicionada a estar incorrelacionada con 1
1
y
tener varianza 1 dentro grupos, etc.
Demost.: Supongamos `
1
`
j
0. Probemos que las variables 1
i
=
Xt
i
. i = 1. . . . . j. estn incorrelacionadas:
cov
(1
i
. 1
)
) = t
t
i
At
)
= t
t
i
S`
)
t
)
= `
)
t
t
i
St
)
.
cov
(1
)
. 1
i
) = t
t
)
At
i
= t
t
)
S`
)
t
i
= `
i
t
t
)
St
i
.
= (`
)
`
i
)t
t
i
St
)
= 0 = t
t
i
St
)
= 0 = cov
(1
i
. 1
)
) = `
)
t
t
i
St
)
=
cov
(1
i
. 1
)
) = 0. si i ,= ,. Adems, de t
t
i
St
)
= 1:
var
(1
i
) = `
i
t
t
i
St
)
= `
i
.
Sea ahora 1 =

j
i=1
c
i
A
i
=

j
i=1
c
i
1
i
una variable compuesta tal que
var
S
(1 ) =
j
i=1
c
2
i
var
S
(1
i
) =

j
i=1
c
2
i
= 1. Entonces:
var
(1 ) = var
(
j
i=1
c
i
1
i
) =
j
i=1
c
2
i
var
(1
i
) =
j
i=1
c
2
i
`
i
_ (
j
i=1
c
2
i
)`
1
= var
(1
1
).
que prueba que 1
1
tiene mxima varianza entre grupos.
Consideremos a continuacin las variables 1 incorrelacionadas con 1
1
.
que podemos expresar como:
1 =
j
i=2
,
i
1
i
condicionado a
j
i=2
,
2
i
= 1.
Entonces:
var
(1 ) = var
(
j
i=2
,
i
1
i
) =
j
i=2
,
2
i
var
(1
i
) =
j
i=2
,
2
i
`
i
_ (
j
i=2
,
2
i
)`
2
= var
(1
2
).
y por lo tanto 1
2
est incorrelacionada con 1
1
y tiene varianza mxima. La
demostracin para 1
3
. . . . . 1
j
es anloga.
7.3. Distancia de Mahalanobis y transforma-
cin cannica
La distancia de Mahalanobis entre dos poblaciones es una medida natural
de la diferencia entre las medias de las poblaciones, pero teniendo en cuenta
las covarianzas. En la Seccin 1.9 hemos introducido la distancia entre los
individuos de una misma poblacin. Ahora denimos la distancia entre dos
poblaciones cuando hay ms de dos poblaciones.
Denicin 7.3.1 Consideremos muestras multivariantes de q poblaciones
con vectores de medias x
1
.x
2
. . . . .x
j
y matriz de covarianzas (comn) S. La
distancia (al cuadrado) de Mahalanobis entre las poblaciones i. , es
`
2
(i. ,) = (x
i
x
)
)
t
S
1
(x
i
x
)
).
Si X es la matriz centrada con los vectores de medias y Y = [v
1
. . . . . v
j
]
es la matriz con los vectores cannicos (vectores propios de A =X
t
Xrespecto
de S). la transformacin cannica es
=XY.
La matriz de orden q j contiene las coordenadas cannicas de las q
poblaciones.
7.4. REPRESENTACIN CANNICA 115
Teorema 7.3.1 La distancia de Mahalanobis entre cada par de poblaciones
i. , coincide con la distancia Eucldea entre las las i. , de la matriz de co-
ordenadas cannicas . Si y
i
= x
i
Y entonces
d
2
1
(i. ,) = (y
i
y
)
)
t
(y
i
y
)
) = (x
i
x
)
)
t
S
1
(x
i
x
)
). (7.1)
Demost.: Basta probar que los productos escalares coinciden
y
i
y
t
)
= x
i
S
1
x
t
)
==XS
1
X
t
=
t
.
Sea =diag(`
1
. . . . . `
j
) la matriz diagonal con los valores propios de A =X
t
X
respecto de S. Entonces
AY = SY con Y
t
SY = I
j
.
y la transformacin cannica es =XY.
AY = SY es X
t
XY = SY, luego S
1
X
t
XY = Y y premultiplicando
por X tenemos XS
1
X
t
XY = XY. es decir,
XS
1
X
t
= .
Con lo cual contiene los vectores propios de XS
1
X
t
. luego cumple la
descomposicin espectral
XS
1
X
t
=
t
suponiendo ortogonal. Tomando
12
que indicamos tambin por .
obenemos nalmente XS
1
X
t
=
t
.
7.4. Representacin cannica
La representacin de las q poblaciones mediante las las de X con la
mtrica de Mahalanobis es bastante complicada: la dimensin puede ser
grande y los ejes son oblcuos. En cambio, la representacin mediante las
coordenadas cannicas con la mtrica Eucldea se realiza a lo largo de
ejes ortogonales. Si adems, tomamos las primeras coordenadas cannicas
(usualmente = 2), la representacin es totalmente factible y es ptima en
dimensin reducida, en el sentido de que maximiza la variabilidad geomtrica
.
Teorema 7.4.1 La variabilidad geomtrica de las distancias de Mahalanobis
entre las poblaciones es proporcional a la suma de los valores propios:
\
A
(X) =
1
2q
2
j
i,)=1
`(i. ,)
2
=
1
q
j
i=1
`
i
. (7.2)
Si =XY. donde Y, de orden j es la matriz de la transformacin
cannica en dimensin y
o
2
i)
() = (y
i
y
)
)(y
i
y
)
)
t
=
q
I=1
(
iI
)I
)
2
es la distancia Eucldea (al cuadrado) entre dos las de . la variabilidad
geomtrica en dimensin _ j es
\
c
()
q
=
1
2q
2
j
i,)=1
o
2
i)
() =
1
q
q
i=1
`
i
.
y esta cantidad es mxima entre todas las transformaciones lineales en di-
mensin .
Demost.: De (5.3) y (7.1)
\
A
(X) =
1
2q
2
j
i,)=1
`(i. ,)
2
=
1
2q
2
j
i,)=1
j
I=1
(
iI
)I
)
2
= :
2
1
+ +:
2
j
donde :
2
)
= (
j
i=1
2
i)
),q representa la varianza ordinaria de la columna 1
)
de . Esta suma de varianzas es
tra(
1
q
t
) =
1
q
tra(Y
t
X
t
XY) =
1
q
tra(Y
t
AY) =
1
q
tra(A)
lo que prueba (7.2).
Sea ahora

=XT otra transformacin de Xtal que T
t
ST = I. Indicando
T = [t
1
. . . . . t
j
],.la -varianza de la primera columna

1
1
de

es t
t
1
At
1
_
v
t
1
Av
1
= `
1
. Es decir, la varianza ordinaria :
2
(
1
1
) = q
1
1
t
1
1
1
= q
1
t
t
1
X
t
Xt
1
es mxima para 1
1
= Xv
1
. primera columna de . Anlogamente se denues-
tra para las dems columnas (segunda, tercera, etc., coordenadas cannicas).
Tenemos pues:
\
c
(
)
q
=
q
I=1
:
2
(
1
I
) =
1
q
q
I=1
var
1
I
) _ \
c
()
q
=
1
q
q
I=1
`
I
.
7.5. ASPECTOS INFERENCIALES 117
El porcentaje de variabilidad geomtrica explicada por las primeras
coordenadas cannicas es
1
q
= 100
\ ()
q
\
A
(X)
= 100
`
1
+ +`
q
`
1
+ +`
j
.
7.5. Aspectos inferenciales
Supongamos ahora que las matrices de datos X
1
. . . . . X
j
provienen de
q poblaciones normales `
j
(j
1
.
1
). . . . . `
j
(j
j
.
j
). Para poder aplicar cor-
rectamente un anlisis cannico de poblaciones conviene que los vectores de
medias sean diferentes y que las matrices de covarianzas sean iguales.
7.5.1. Comparacin de medias
El test
H
0
: j
1
= j
2
= = j
j
(7.3)
ha sido estudiado en la Seccin 3.3.3 y se decide calculando el estadstico
= [V[,[H+V[ con distribucin lambda de Wilks. Si aceptamos H
0
las
medias de las poblaciones son tericamente iguales y el anlisis cannico,
tcnica destinada a representar las medias de las poblaciones a lo largo de
ejes cannicos, no tiene razn de ser. Por lo tanto, conviene rechazar H
0
.
7.5.2. Comparacin de covarianzas
El test
H
t
0
:
1
=
2
= =
j
se resuelve mediante el test de razn de verosimilitud
`
1
=
[S
1
[
a
1
2
[S
j
[
ag2
[S[
a2
.
donde S
i
es la matriz de covarianzas de las datos de la poblacin i. estimacin
mximo verosmil de
i
y
S = (:
1
S
1
+ +:
j
S
j
),: = V,:
es la estimacin mximo verosmil de . matriz de covarianzas comn bajo
H
t
0
. Rechazaremos H
t
0
si el estadstico
2 log `
1
= :log [S[ (:
1
log [S
1
[ + +:
j
log [S
j
[) ~
2
q
es signicativo, donde = qj(j+1),2j(j+1),2 = (q1)j(j+1),2 son los
grados de libertad de la ji-cuadrado. Si rechazamos H
t
0
, entonces resulta que
no disponemos de unos ejes comunes para representar todas las poblaciones
(la orientacin de los ejes viene determinada por la matriz de covarianzas),
y el anlisis cannico es tericamente incorrecto. Conviene pues aceptar H
t
0
.
Este es el llamado test de Bartlett.
Debido a que el test anterior puede ser sesgado, conviene aplicar la cor-
reccin de Box,
c (: q) log [S[ ((:
1
1) log [
S
1
[ + + (:
j
1) log [
S
j
[)
donde

S
i
= (:
i
,(:
i
1))S
i
. y la constante c es
c = [1 (
2j
2
+ 3j 1
6(j + 1)(q 1)
)(
j
I=1
1
:
j
1

1
: q
)].
7.5.3. Test de dimensionalidad
Como el rango de A = X
t
X no puede superar ni la dimensin j ni q 1.
es obvio que el nmero efectivo de valores propios es
/ = mnj. q 1.
Si los vectores de medias poblacionales estn en un espacio 1
n
de dimen-
sin : < /. entonces el espacio cannico tiene dimensin : y por lo tanto
debemos aceptar la hiptesis
H
(n)
0
: `
1
`
n
`
n+1
= = `
I
.
donde `
1
`
n
son los valores propios de ^^
t
(la versin poblacional
de A) respecto de . Si
|
1
|
I
son los valores propios de H respecto de V (ver Seccin 3.3.3), es decir,
soluciones de
[H|V[ = 0.
entonces un test para decidir H
(n)
0
est basado en el estadstico
/
n
= [: 1
1
2
(j +q)]
I
i=n+1
log(1 +|
i
) ~
2
q
.
donde = (j:)(q :1). Este test asinttico, propuesto por Bartlett, se
aplica secuencialmente: si /
0
es signicativo, estudiaremos /
1
; si /
1
es tambin
signicativo, estudiaremos /
2
, etc. Si /
0
. . . . . /
n1
son signicativos pero /
n
no, aceptaremos que la dimensin es :. Obsrvese que aceptar H
(0)
0
equivale a
la hiptesis nula de igualdad de vectores de medias (que entonces coincidiran
en un punto), es decir, equivale a aceptar (7.3).
Otros autores utilizan este test independienmente para cada dimensin.
As, el test H
0
: `
)
= 0 est basado en el estadstico
c
)
= [: 1
1
2
(j +q)] log(1 +|
)
) ~
2
v
.
donde : = j + q 2, son los grados de liberdad. Rechazaremos H
0
si c
)
es
signicativo.
7.5.4. Regiones condenciales
Sean y
t
i
= x
t
i
Y.i = 1. . . . . q las proyecciones cannicas de los vectores de
medias muestrales de las poblaciones. Podemos entender y
i
como una esti-
macin de j
+
i
= j
i
\. la proyeccin cannica del vector de medias poblacional
j
i
. Queremos encontrar regiones condenciales para j
+
i
. i = 1. . . . . q.
Teorema 7.5.1 Sea 1 c el coeciente de conanza, 1
c
tal que 1(1
1
c
) = c. donde 1 sigue la distribucin F con j y (: q j + 1) q.|. y
consideremos:
1
2
c
= 1
c
(: q)j
(: q j + 1)
.
Entonces las proyecciones cannicas j
+
i
de los vectores de medias pobla-
cionales pertenecen a regiones condenciales que son hiperesferas (esferas
en dimensin 3, crculos en dimensin 2) de centros y radios
(y
i
. 1
c
,
_
:
i
).
donde :
i
es el tamao muestral de la poblacin i.
Demost.: x
i
j
i
es `
j
(0. ,:
i
) independiente de Vque sigue la distribucin
\
j
(. : q). Por lo tanto
(: q):
i
(x
i
j
i
)
t
V
1
(x
i
j
i
)
= :
i
(x
i
j
i
)S
1
(x
i
j
i
)
t
~ 1
2
(j. : q).
y como la distribucin de Hotelling equivale a una 1, tenemos que
(x
i
j
i
)
t
S
1
(x
i
j
i
) ~
(: q)j
:
i
(: q j + 1)
1
j
ajj+1
.
As pues
1[(x
i
j
i
)
t
S
1
(x
i
j
i
) _
1
2
c
:
i
] = 1 c.
que dene una regin condencial hiperelptica para j
i
con coeciente de
conanza 1 c. Pero la transformacin cannica y
t
i
= x
t
i
Y convierte (x
i
j
i
)
t
S
1
(x
i
j
i
) en (y
i
j
+
i
)
t
(y
i
j
+
i
) y por lo tanto
1[(y
i
j
+
i
)
t
(y
i
j
+
i
) _
1
2
c
:
i
] = 1 c.
Esta transformacin convierte adems hiperelipses en hiperesferas (elipses
en crculos si la dimensin es 2), ya que las variables cannicas son incorrela-
cionadas, lo que tambin es vlido si reducimos la dimensin (tomamos las
: primeras coordenadas cannicas).
Por ejemplo, si elegimos 1 c = 0.95 y una representacin en dimensin
reducida 2, cada poblacin vendr representada por un crculo de centro y
i
y radio 1
0,05
,
_
:
i
. de manera que el vector de medias proyectado pertenece
al crculo con coeciente de conanza 0.95. La separacin entre los centros
indicar diferencias, mientras que si dos crculos se solapan, ser indicio de
que las dos poblaciones son posiblemente iguales.
Ejemplo 7.5.1
Se tienen medidas de 5 variables biomtricas sobre colepteros del gnero
Timarcha de 5 especies encontradas en 8 localidades:
1. T. sinustocollis (Campellas, Pirineos) :
1
= 40.
2. T. sinustocollis (Planollas, Pirineos) :
2
= 40.
3. T. indet (vall de Llauset, Pirineos, Osca) :
3
= 20.
4. T. monserratensis (Collformic, Barcelona) :
4
= 40.
Figura 7.1: Proyecin cannica de cuatro poblaciones.
5. T. monserratensis (Collfsuspina, Barcelona) :
5
= 40.
6. T. catalaunensis (La Garriga, Barcelona) :
6
= 40.
7. T. balearica (Mahn, Baleares) :
7
= 15
8. T. pimeliodes (Palermo, Sicilia) :
8
= 40
Las medidas (en mm.) son:
A
1
= long. prognoto, A
2
=diam. mximo prognoto, A
3
= base prognoto,
A
4
= long. litros, A
5
= diam. mximo litros.
Se quiere estudiar si existen diferencias entre las 8 especies y representar-
las mediante la distancia de Mahalanobis. Los resultados del anlisis cannico
son:
Matriz de covarianzas comn:
S =
_
_
_
_
_
_
3.277 3.249 2.867 5.551 4.281
7.174 6.282 9.210 7.380
6.210 8.282 6.685
20.30 13.34
13.27
_
_
_
_
_
_
Test de Bartlett para homogeneidad de la matriz de covarianzas. Ji-
cuadrado = 229.284, con 105 g.l. Signicativo al 5 %.
Matriz de dispersin entre grupos:
H =
_
_
_
_
_
_
6268 11386 8039 22924 17419
21249 15370 42795 32502
11528 31009 23475
86629 65626
49890
_
_
_
_
_
_
~ \
4
(7. )
Matriz de dispersin dentro de grupos:
V =
_
_
_
_
_
_
874.8 867.5 765.4 1482 1142
1915 1677 2458.99 1970
1658 2211 1784
5419 3562
3541
_
_
_
_
_
_
~ \
5
(267. )
Matriz de dispersin total:
T =
_
_
_
_
_
_
7143 12253 8804 24407 18562
23164 17047 45254 34472
13186 33220 25260
92049 69189
53432
_
_
_
_
_
_
Test de comparacin de medias:
= [V[ , [H+V[ = 0.0102 ~ (5. 267. 7) 1 = 62.5 (35 y 1108 g.l.)
Existen diferencias muy signicativas.
Transformacin cannica, valores propios y porcentaje acumulado:
v
1
v
2
-.0292 .2896
.5553 .7040
-.6428 -.9326
.1259 -.1326
.1125 .0059
` 158.64 24.53
% 85.03 98.18
De acuerdo con la Fig. 7.2, las poblaciones 1 y 2 pertenecen claramente
a la misma especie, as como la 4 y 5. Las poblaciones 3 y 6 son especies
prximas, mientras que las 7 y 8 se diferencian mucho de las otras especies.
Figura 7.2: Representacin cannica de 8 especies de colepteros.
7.6. Complementos
El Anlisis Cannico de Poblaciones (CANP) fu planteado por M.S.
Bartlett en trminos de correlacin cannica entre las poblaciones y las vari-
ables observables. C. R. Rao lo relacion con la distancia de Mahalanobis
y lo estudi como una tcnica para representar poblaciones. Su difusin es
debido a Seal (1964).
Existen diferentes criterios para obtener la regin condencial para las
medias de las poblaciones. Aqu hemos seguido un criterio propuesto por
Cuadras (1974). Una formulacin que no supone normalidad es debido a
Krzanowski y Radley (1989). A menudo los datos no cumplen la condicin
de igualdad de las matrices de covarianzas, aunque el CANP es vlido si las
matrices muestrales son relativamente semejantes.
En el CANP, y ms adelante en el Anlisis Discriminante, interviene la
descomposicin T = H+V. es decir:
j
i=1
a
i
I=1
(x
iI
x)(x
iI
x)
t
=
j
i=1
:
i
(x
i
x)(x
i
x)
t
+
j
i=1
a
i
I=1
(x
iI
x
i
)(x
iI
x
i
)
t
.
Si los datos provienen de q poblaciones con densidades ,
i
(x), medias y
matrices de covarianzas (j
i
.
i
) y probabilidades j
i
. i = 1. . . . . q. es decir, con
densidad
,(x) =j
1
,
1
(x) + +j
j
,
j
(x).
entonces el vector de medias correspondiente a , es
j=j
1
j
1
+ +j
j
j
j
.
y la matriz de covarianzas es
=
j
i=1
j
i
(j
i
j)(j
i
j)
t
+
j
i=1
j
i
i
.
Esta descomposicin de es la versin poblacional de T = H+V. y la
versin multivariante de
var(1 ) = 1[var[1 [A]] + var[1[1 [A]].
donde 1 [A representa la distribucin de una variable 1 dada A. Ver Flury
(1997).
Captulo 8
ESCALADO
MULTIDIMENSIONAL
(MDS)
8.1. Introduccin
Representar un conjunto nito cuando disponemos de una distancia entre
los elementos del conjunto, consiste en encontrar unos puntos en un espacio de
dimensin reducida, cuyas distancias eucldeas se aproximen lo mejor posible
a las distancias originales.
Sea = .
1
. .
2
. . . . . .
a
un conjunto nito con : elementos diferentes,
que abreviadamente indicaremos
= 1. 2. .... :.
Sea o
i)
= o(i. ,) una distancia o disimilaridad entre los elementos i. , de
.
Se habla de distancia (mtrica) cuando se cumplen las tres condiciones:
1. o(i. i) = 0 para todo i.
2. o(i. ,) = o(,. i) _ 0 para todo i. ,.
3. o(i. ,) _ o(i. /) +o(,. /) para todo i. ,. / (desigualdad triangular).
Si slo se cumplen las dos primeras condiciones, diremos que o(i. ,) es
una disimilaridad.
125
126 CAPTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
Consideremos entonces la matriz de distancias (o disimilaridades)
=
_
_
_
_
_
o
11
o
12
o
1a
o
21
o
22
o
2a
.
.
.
.
.
.
.
.
.
.
.
.
o
a1
o
a2
o
aa
_
_
_
_
_
o
i)
= o
)i
= o(i. ,) _ o
ii
= 0.
Denicin 8.1.1 Diremos que = (o
i)
) es una matriz de distancias Eu-
cldeas si existen : puntos x
1
. . . . . x
a
1
j
. siendo
x
t
i
= (r
i1
. . . . . r
ij
). i = 1. . . . . :.
tales que
o
2
i)
=
j
c=1
(r
ic
r
)c
)
2
= (x
i
x
)
)
t
(x
i
x
)
) (8.1)
Indicaremos las coordenadas de los puntos x
1
. . . . . x
a
. que representan los
elementos 1. . . . . : de . en forma de matriz
X =
_
_
_
_
_
r
11
r
12
r
1j
r
21
r
22
r
2a
.
.
.
.
.
.
.
.
.
.
.
.
r
a1
r
a2
r
aj
_
_
_
_
_
.
El objetivo del escalamiento multidimensional es encontrar la X ms ade-
cuada a partir de la matriz de distancias .
8.2. Cuando una distancia es eucldea?
Sea
(2)
= (o
2
i)
) la matriz de cuadrados de las distancias. Si la distancia
es eucldea entonces de (8.1)
o
2
i)
= x
t
i
x
i
+x
t
)
x
)
2x
t
i
x
)
La matriz de productos internos asociada a es
G = XX
t
.
8.2. CUANDO UNA DISTANCIA ES EUCLDEA? 127
Los elementos de G = (q
i)
) son q
i)
= x
t
i
x
)
. Relacionando
(2)
= (o
2
i)
) con G
vemos que
(2)
= 1g
t
+g1
t
2G. (8.2)
donde g =(q
11
. . . . . q
aa
)
t
contiene los elementos de la diagonal de G. Sea H
la matriz de centrado (Cap. 1). Introducimos ahora las matrices A =
1
2
(2)
y H = HAH.
Teorema 8.2.1 La matriz de distancias es eucldea si y slo si H _0. es
decir, los valores propios de H son no negativos.
Demost.: La relacin entre H = (/
i)
) y A = (c
i)
) es
/
i)
= c
i)
c
i.
c
.)
+c
..
.
donde c
i.
es la media de la columna i de A, c
.)
es la media de la la , y c
..
es la media de los :
2
elementos de A. Entonces
/
ii
= c
i.
c
.i
+c
..
. /
))
= c
).
c
.)
+c
..
.
y por lo tanto
o
2
i)
= /
ii
+/
))
2/
i)
= c
ii
+c
))
2c
i)
. (8.3)
Supongamos que es eucldea. Entonces G = XX
t
. De (8.2) resulta que
A = (1g
t
+g1
t
),2 +G.
Multiplicando ambos lados de A por H, dado que H1 = 1
t
H = 0. tenemos
que
H = HAH = HGH = HXX
t
H = XX
t
_ 0.
lo que prueba que H es semidenida positiva.
Supongamos ahora que H _0. Entonces H =
t
para alguna matriz
de orden :j. es decir, /
i)
= y
t
i
y
)
, donde y
t
i
es la la i- sima de . Aplicando
(8.3) tenemos
o
2
i)
= y
t
i
y
i
+y
t
)
y
)
2y
t
i
y
)
= (y
i
y
)
)
t
(y
i
y
)
).
que demuestra que es matriz de distancias eucldeas.
8.3. El anlisis de coordenadas principales
Hemos visto que si H _0, cualquier matriz tal que H =
t
propor-
ciona unas coordenadas cartesianas compatibles con la matriz de distancias
. Sea
H = lAl
t
la descomposicin espectral de H, donde l es una matriz : j de vectores
propios ortonormales de H y es matriz diagonal que contiene los valores
propios ordenados
`
1
_ _ `
j
`
j+1
= 0 (8.4)
Obsrvese que H1 = 0. y por lo tanto `
j+1
= 0 es tambin valor propio de
H de vector propio el vector 1 de unos. Entonces es evidente que la matriz
: j
X = lA
12
(8.5)
tambin verica H = XX
t
.
Denicin 8.3.1 La solucin por coordenadas principales es la matriz de co-
ordenadas (8.5), tal que sus columnas A
1
. . . . . A
j
. que interpretaremos como
variables, son vectores propios de H de valores propios (8.4). Las coordenadas
del elemento i son
x
t
i
= (r
i1
. . . . . r
ij
).
donde x
i
es la la i-sima de X. Reciben el nombre de coordenadas principales
y cumplen (8.1).
La solucin por coordenadas principales goza de importantes propiedades.
En las aplicaciones prcticas, se toman las < j primeras coordenadas prin-
cipales a n de representar . Por ejemplo, si = 2, las dos primeras coor-
denadas de X proporcionan una representacin a lo largo de los ejes A
1
y
A
2
:
A
1
A
2
1 r
11
r
12
2 r
21
r
22
.
.
.
.
.
.
.
.
.
n r
a1
r
a2
Propiedades:
8.3. EL ANLISIS DE COORDENADAS PRINCIPALES 129
1. Las variables A
I
(columnas de X) tienen media 0.
A
1
= = A
j
= 0
Prueba: 1 es vector propio de H ortogonal a cada A
I
. por lo tanto
A
I
=
1
a
(1
t
A
I
) = 0.
2. Las varianzas son proporcionales a los valores propios
:
2
I
=
1
:
`
I
. / = 1. . . . . j
Prueba: la varianza es
1
a
A
t
I
A
I
=
1
a
`
I
.
3. Las variables son incorrelacionadas
cor(A
I
. A
I
0 ) = 0. / ,= /
t
= 1. . . . . j.
Prueba: como las medias son nulas, la covarianza es
cov(A
I
. A
I
0 ) =
1
:
A
t
I
A
I
0 = 0.
pues los vectores propios de H son ortogonales.
4. Las variables A
I
son componentes principales de cualquier matriz de
datos Z tal que las distancias eucldeas entre sus las concuerden con
.
Prueba: Supongamos Z matriz de datos centrada. Tenemos que
H = XX
t
= ZZ
t
La matriz de covarianzas de Z es
S =
1
:
Z
t
Z = TOT
t
.
donde O es diagonal y T es la matriz ortogonal de la transformacin
en componentes principales. Entonces:
Z
t
Z = :TOT
t
.
ZZ
t
Z = :ZTOT.
t
HZT = ZT:O.
y por lo tanto ZT es matriz de vectores propios de H con valores
propios los elementos diagonales de :O. lo que implica X = ZT. En
consecuencia la matriz de coordenadas principales X coincide con la
transformacin por componentes principales de Z.
5. La variabilidad geomtrica de es
\
c
(X) =
1
2:
2
a
i,)=1
o
2
i)
=
1
:
j
I=1
`
I
. (8.6)
6. La variabilidad geomtrica en dimensin es mxima cuando tomamos
las primeras coordenadas principales. Es decir,
\
c
(X)
q
=
1
2:
2
a
i,)=1
o
2
i)
() =
1
2:
2
a
i,)=1
q
I=1
(r
iI
r
)I
)
2
=
1
:
q
I=1
`
I
es mximo.
Prueba: Sea r
1
. .... r
a
una muestra con media r = 0 y varianza :
2
. Se
verica
1
2a
2
a
i,)=1
(r
i
r
)
)
2
=
1
2a
2
(
a
i,)=1
r
2
i
+
a
i,)=1
r
2
)
2
a
i,)=1
r
i
r
)
)
=
1
2a
2
(:
a
i=1
r
2
i
+:
a
)=1
r
2
)
2
a
i=1
r
i
a
i)=1
r
)
)
= :
2
.
por lo tanto
\
c
(X) =
j
I=1
:
2
I
.
Hemos demostrado que para cualquier matriz X tal que H = XX
t
, la
suma de las varianzas de las colummnas de X es igual a la variabilidad
geomtrica. Si en particular tenemos las coordenadas principales, esta
suma de varianzas es la suma de los valores propios dividida por :, y
como entonces las columnas son componentes principales, sus varianzas
son respectivamente mximas.
El porcentaje de variabilidad explicada por los primeros ejes principales
es la proporcin de variabilidad geomtrica
1
q
= 100
\
c
(X)
q
\
c
(X)
= 100
q
I=1
`
I
j
I=1
`
I
8.4. SIMILARIDADES 131
Ejemplo 8.3.1
Consideremos = 1. 2. 3. 4. 5 y la matriz de distancias (al cuadrado):
1 2 3 4 5
1 0 226 104 34 101
2 0 26 104 29
3 0 26 9
4 0 41
5 0
Los valores propios de H son `
1
= 130. `
2
= 10. `
3
= `
4
= `
5
= 0. Por
lo tanto es matriz de distancias eucldeas y se puede representar en un
espacio de dimensin 2. Las coordenadas principales son las columnas A
1
. A
2
de:
A
1
A
2
1
1 -8 -1 1
2 7 0 1
3 2 1 1
4 -3 2 1
5 2 -2 1
` 130 10 0
r 0 0 1
:
2
26 2 0
8.4. Similaridades
En ciertas aplicaciones, especialmente en Biologa y Psicologa, en lugar
de una distancia, lo que se mide es el grado de similaridad entre cada par de
individuos.
Una similaridad : sobre un conjunto nito es una aplicacin de
en 1 tal que:
:(i. i) _ :(i. ,) = :(,. i) _ 0.
La matriz de similaridades entre los elementos de es
S =
_
_
_
_
_
:
11
:
12
... :
1a
:
21
:
22
... :
2a
.
.
.
.
.
.
.
.
.
.
.
.
:
a1
:
a2
... :
aa
_
_
_
_
_
donde :
i)
= :(i. ,).
Supongamos que tenemos j variables binarias A
1
. A
2
. ...A
j
. donde cada
A
i
toma los valores 0 1. Para cada par de individuos (i. ,) consideremos la
tabla
,
1 0
i 1 c /
0 c d
donde c. /. c. d las frecuencias de (1,1), (1,0), (0,1) y (0,0), respectivamente,
con j = c + / + c + d. Un coeciente de similaridad debera ser funcin de
c. /. c. d. Son conocidos los coecientes de similaridad:
:
i)
=
c +d
j
(Sokal-Michener)
:
i)
=
c
c +/ +c
(Jaccard)
(8.7)
que verican: :
ii
= 1 _ :
i)
= :
)i
_ 0.
Podemos transformar una similaridad en distancia aplicando la frmula
d
2
i)
= :
ii
+:
))
2:
i)
. (8.8)
Entonces la matriz A = (d
2
i)
),2 es
A =
1
2
(S
)
+S
t
)
2S).
donde S
)
tiene todas sus las iguales, y como HS
)
= S
t
)
H = 0. resulta que
H = HAH = HSH.
Por lo tanto:
1. Si S es matriz (semi)denida positiva, la distancia d
i)
es eucldea.
2. rang(HSH) = rang(S) 1.
3. Las coordenadas principales se obtienen diagonalizando HSH.
8.5. NOCIONES DE MDS NO MTRICO 133
8.5. Nociones de MDS no mtrico
Supongamos que la matriz de distancias es no eucldea. Entonces la
matriz H (Teorema 8.2.1) tiene valores propios negativos:
`
1
_ _ `
j
0 `
j+1
_ _ `
j
0 .
El fundamento del MDS no mtrico es transformar las distancias o
i)
para
convertirlas en eucldeas, pero conservando las relaciones de proximidad entre
los elementos del conjunto .
Denicin 8.5.1 La preordenacin asociada a la matriz de distancias es
la ordenacin de las : = :(: 1),2 distancias:
o
i
1
)
1
_ o
i
2
)
2
_ _ o
im)m
. (8.9)
La preordenacin es, de hecho, una propiedad asociada a . es decir,
podemos escribir
(i
1
. ,
1
) _ (i
2
. ,
2
) _ _ (i
n
. ,
n
). (i
I
. ,
I
) .
donde
(i. ,) _ (i
t
. ,
t
) si o
i)
_ o
i
0
)
0 .
Se trata de representar en un espacio que conserve la preordenacin. Por
ejemplo, si consideramos las tres matrices de distancias sobre {A,B,C,D}:
A B C D A B C D A B C D
A 0 1 2 3 0 1 1 1 0 1 1 1
B 0 1 2 0 1 1 0 1 1
C 0 1 0 0 0 1
D 0 0 0
las preordenaciones se pueden representar en 1, 2 3 dimensiones (Fig. 8.1),
respectivamente.
Si transformamos la distancia o
i)
en
o
i)
= ,(o
i)
), donde , es una funcin
positiva creciente, es evidente que
o
i)
tiene la misma preordenacin (8.9), y
por lo tanto, individuos prximos (alejados) segn o
i)
estarn tambin prx-
imos (alejados) con respecto a
o
i)
. Si adems

o
i)
es eucldea, tendremos la
Figura 8.1: Representacin de 4 objetos conservando las preordenaciones rela-
cionadas a tres matrices de distancias.
posibilidad de representar . aplicando, por ejemplo, un anlisis de coorde-
nadas principales sobre la distancia transformada, pero conservando (aprox-
imadamente) la preordenacin. En general, la funcin , no es lineal, y se
obtiene por regresin montona. Hay dos casos especialmente simples.
Denicin 8.5.2 La transformacin q-aditiva de o
i)
se dene como
o
2
i)
=
_
o
2
i)
2c si i ,= ,
0 si i = ,
donde c < 0 es una constante. La transformacin aditiva se dene como
o
i)
=
_
o
i)
+c si i ,= ,
0 si i = ,
donde c 0 es una constante.
Es evidente que las dos transformaciones aditiva y q-aditiva conservan
la preordenacin de la distancia. Probemos ahora que la primera puede dar
lugar a una distancia eucldea.
Teorema 8.5.1 Sea una matriz de distancias no eucldeas y sea `
j
0 < 0 el
menor valor propio de H. Entonces la transformacin q-aditiva proporciona
una distancia eucldea para todo c tal que c _ `
j
0 .
Demost.: Sea

= (
o
i)
) la matriz de distancias transformadas. Las matrices
A. H y

A.
H (ver Teorema 8.2.1) verican
A= Ac(I J).

H = HcH.
8.5. NOCIONES DE MDS NO MTRICO 135
Sea v vector propio de H de valor propio ` ,= 0. Entonces Hv = v y por lo
tanto
Hv = (HcH)v = (` c)v.
As

H tiene los mismos vectores propios que H, pero los valores propios son
`
1
c _ _ `
j
c 0 `
j+1
c _ _ `
j
0 c.
que son no negativos si c _ `
j
0 . en cuyo caso

H es semidenida positiva.
La mejor transformacin q-aditiva es la que menos distorsiona la distancia
original. De acuerdo con este criterio, el mejor valor para la constante es
c = `
j
0 .
Las transformaciones aditiva y no lineal son ms complicadas y las de-
jamos para otro dia. De hecho, los programas de MDS operan con trans-
formaciones no lineales, siguiendo criterios de minimizacin de una funcin
que mide la discrepancia entre la distancia original y la transformada. Por
ejemplo, el mtodo de Kruskal consiste en:
1. Fijar una dimensin Eucldea j.
2. Transformar la distancia o
i)
en la disparidad

o
i)
= ,(o
i)
). donde
, es una funcin montona creciente. Las disparidades conservan la
preordenacin de las distancias.
3. Ajustar una distancia eucldea d
i)
a las disparidades
o
i)
de manera que
minimice

i<)
(d
i)
o
i)
)
2
.
4. Asociar a las distancias d
i)
una conguracin eucldea j-dimensional, y
representar los : objetos a partir de las coordenadas de la conguracin.
Para saber si la representacin obtenida reeja bien las distancias entre
los objetos, se calcula la cantidad
o =
i<)
(d
i)
o
i)
)
2
i<)
d
2
i)
.
denominada stress, que verica 0 _ o _ 1. pero se expresa en forma de
porcentaje. La representacin es considerada buena si o no supera el 5 %.
Tambin es conveniente obtener el diagrama de Sheppard, que consiste en
representar los :(: 1),2 puntos (o
i)
. d
i)
). Si los puntos dibujan una curva
creciente, la representacin es buena, porque entonces se puede decir que
conserva bien la preordenacin (Fig. 8.4).
8.6. Distancias estadsticas
En esta seccin discutiremos algunos modelos de distancias estadsticas.
8.6.1. Variables cuantitativas
Siendo x = (r
1
. r
2
. . . . . r
j
). y = (
1
.
2
. . . . .
j
) dos puntos de 1
j
. La dis-
tancia de Minkowsky se dene como
d
q
(x. y) = (
j
i=1
[r
i
i
[
q
)
1q
.
Casos particulares de la distancia d
q
son:
1. Distancia ciudad:
d
1
(x. y) =
j
i=1
[r
i
i
[
2. Distancia Eucldea:
d
2
(x. y) =
_
j
i=1
(r
i
i
)
2
3. Distancia dominante:
d
o
(x. y) = max
1ij
[r
i
i
[
Tienen tambin inters en las aplicaciones, la distancia normalizada por
el rang 1
i
de la variable i
d
G
(x. y) =
1
j
j
i=1
[r
i
i
[
1
i
.
8.6. DISTANCIAS ESTADSTICAS 137
y, cuando los valores de las variables son positivos, la mtrica de Canberra
d
C
(x. y) =
1
j
j
i=1
[r
i
i
[
r
i
+
i
.
d
G
y d
C
son invariantes por cambios de escala.
Supongamos ahora dos poblaciones
1
.
2
con vectores de medias j
1
. j
2
y matrices de covarianzas
1
.
2
. Cuando
1
=
2
= . la distancia de
Mahalanobis entre poblaciones es
`
2
(
1
.
2
) = (j
1
j
2
)
t
1
(j
1
j
2
)
Esta distancia, ya introducida previamente, es invariante por cambios de es-
cala y tiene en cuenta la correlacin entre las variables. Adems, si `
j
. `
q
. `
j+q
indican las distancias basada en j. . j + variables, respectivamente, se ver-
ica:
a) `
j
_ `
j+q
.
b) `
2
j+q
= `
2
j
+`
2
q
si los dos grupos de j y variables son independientes.
No es fcil dar una denicin de distancia cuando
1
,=
2
. Una denicin
de compromiso es
(j
1
j
2
)
t
[
1
2
(
1
+
2
)]
1
(j
1
j
2
).
8.6.2. Variables binarias
Cuando todas las variables son binarias (toman solamente los valores 0
y 1), entonces conviene denir un coeciente de similaridad (Seccin 8.4) y
aplicar (8.8) para obtener una distancia. Existen muchas maneras de denir
una similaridad :
i)
en funcin del peso que se quiera dar a los c. /. c. d. Por
ejemplo:
:
i)
=
c
c + 2(/ +c)
(Sokal-Sneath)
:
i)
=
2c
(c +/)(c +c)
(Dice)
(8.10)
Las similaridades denidas en (8.7) y (8.10) proporcionan distancias eu-
cldeas.
8.6.3. Variables categricas
Supongamos que las observaciones pueden ser clasicadas en / cate-
goras excluyentes
1
. . . . .
I
, con probabilidades = (j
1
. . . . . j
I
). donde
I
I=1
j
I
= 1. Podemos denir distancias entre individuos y entre pobla-
ciones.
1. Entre individuos. Si dos individuos i. , tienen las categoras
I
.
I
0 .
respectivamente, una distancia (al cuadrado) entre i. , es:
d(i. ,)
2
=
_
0 si / = /
t
.
j
1
I
+j
1
I
0
si / ,= /
t
.
Si hay varios conjuntos de variables categricas, con un total de 1
categoras o estados, una similaridad es c,1 (matching coecient),
donde c es el nmero de coincidencias.
2. Entre poblaciones. Si tenemos dos poblaciones representadas por =
(j
1
. . . . . j
I
). q = (
1
. . . . .
I
). dos distancias entre poblaciones son
d
o
(. q) = 2
I
i=1
(j
i
i
)
2
,(j
i
+
i
).
d
b
(. q) = arc cos(
I
i=1
_
j
i
i
).
La primera es la distancia de Bhattachariyya, y se justica considerando
y q como los vectores de medias entre dos poblaciones multinomiales con
: = 1 (Seccin 1.102.7). Las g-inversas (Seccin 1.10) de las matrices de
covarianzas son
C
j
= diag(j
1
1
. . . . . j
1
I
). C
q
= diag(
1
1
. . . . .
1
I
).
Aplicando la distancia de Mahalanobis tomando el promedio de ambas g-
inversas se obtiene d
o
(. q).
La distancia d
b
(. q) se justica situando los puntos (
_
j
1
. . . . .
_
j
)
) y
(
_
1
. . . . .
_
I
) sobre una hiperesfera de radio unidad y hallando la distancia
geodsica. Vase la distancia de Rao.
8.6.4. Variables mixtas
En las aplicaciones a menudo los datos provienen de las observaciones
de j
1
variables cuantitativas, j
2
variables dicotmicas (dos estados: presente,
8.6. DISTANCIAS ESTADSTICAS 139
ausente) y j
3
variables categricas o cualitativas (ms de dos estados). Un
coeciente de similaridad (propuesto por Gower, 1971) es
:
i)
=
j
1
I=1
(1 [r
iI
r
)I
[,1
I
) +c +c
j
1
+ (j
2
d) +j
3
. (8.11)
donde 1
I
es el rango de la variable cuantitativa A
I
. c y d son el nmero
de dobles presencias y dobles ausencias de las variables dicotmicas, y c es
el nmero de coincidencias entre las variables categricas. Si solamente hay
variables dicotmicas o variables categricas, :
i)
reduce la similaridad nor-
malizada por el rango, al coeciente de Jaccard o al matching coecient,
respectivamente:
1
1
j
1
j
1
I=1
[r
I
I
[,1
I
si j
2
= j
3
= 0.
c,(c +/ +c) si j
1
= j
3
= 0.
c,j
3
si j
1
= j
2
= 0.
Este coeciente verica 0 _ :
i)
_ 1. y aplicando (8.8) se obtiene una distancia
eucldea que adems admite la posibilidad de datos faltantes.
8.6.5. Otras distancias
Existen muchos procedimientos para denir distancias, en funcin de los
datos y el problema experimental. Veamos dos.
Modelo de Thurstone
Supongamos que queremos ordenar : estmulos .
1
. . . . . .
a
(por ejemplo,
: productos comerciales)
.
i
1
_ _ .
in
segn una escala de preferencias o
i
1
_ _ o
in
. donde los o
i
son parmetros.
Sea j
i)
la proporcin de individuos de la poblacin que preeren .
)
sobre .
i
.
Un modelo es
j
i)
=
1
_
2:
_
0
j
0
i
o
c
t
2
2
dt.
Si ms de la mitad de los individuos preeren .
)
sobre .
i
. entonces o
i
< o
)
.
As:
a) j
i)
< 0.5 implica o
i
o
)
.
b) j
i)
= 0.5 implica o
i
= o
)
.
c) j
i)
0.5 implica o
i
< o
)
.
La estimacin de los parmetros a partir de las proporciones j
i)
es com-
plicada. Alternativamente, teniendo en cuenta que j
i)
+ j
)i
= 1 podemos
denir la distancia entre estmulos
d(.
i
. .
)
) = [j
i)
0.5[
y aplicar un MDS sobre la matriz (d(.
i
. .
)
)). La representacin de los est-
mulos a lo largo de la primera dimensin nos proporciona una solucin a la
ordenacin de los estmulos.
Distancia de Rao
Sea o
0
= ,(r. o). o un modelo estadstico y .(o) =
0
00
log ,(r. o)
un vector columna. La matriz de informacin de Fisher 1(o) es la matriz
de covarianzas de los .
t
s. Siendo o
o
. o
b
dos valores de los parmetros. Una
distancia tipo Mahalanobis sera el valor esperado de
(.(o
o
) .(o
b
))
t
1(o)
1
(.(o
o
) .(o
b
)).
Pero . depende de r y o vara entre o
o
. o
b
. Consideremos entonces a 1(o)
como un tensor mtrico sobre la variedad diferenciable o
0
. La distancia de
Rao entre o
o
. o
b
es la distancia geodsica entre los puntos correspondientes de
o
0
. La distancia de Rao es invariante por transformaciones de las variables y
de los parmetros, generaliza la distancia de Mahalanobis y tiene aplicaciones
en estadstica matemtica. Veamos tres ejemplos.
1. Distribucin de Poisson: ,(r. `) = c
a
`
a
,r!. r = 0. 1. 2. . . . . La dis-
tancia entre dos valores `
o
. `
b
es:
(`
o
. `
b
) = 2[
_
`
o
_
`
b
[.
2. Distribucin multinomial. La distancia entre = (j
1
. . . . . j
I
) y q =
(
1
. . . . .
I
) es:
(. q) =arc cos(
I
i=1
_
j
i
i
).
8.7. DOS EJEMPLOS 141
3. Distribucin normal. Si es ja, la distancia (al cuadrado) entre dos
vectores de medias es:
2
(
1
.
2
) = (j
1
j
2
)
t
1
(j
1
j
2
).
Finalmente, para un valor jo de o. podemos denir la distancia entre dos
observaciones r
1
. r
2
que dan .
i
(o) =
0
00
log ,(r
i
. o). i = 1. 2. como
(.
1
(o) .
2
(o))
t
1(o)
1
(.
1
(o) .
2
(o)).
8.7. Dos ejemplos
Ejemplo 8.7.1
Un arquelogo encontr 5 herramientas cortantes A,B,C,D,E y una vez
examinadas, comprob que estaban hechas de piedra, bronce y hierro, con-
forme a la siguiente matriz de incidencias:
Piedra Bronce Hierro
A 0 1 0
B 1 1 0
C 0 1 1
D 0 0 1
E 1 0 0
Utilizando la similaridad de Jaccard (8.7), obtenemos la matriz de similari-
dades:
A B C D E
A 1 1/2 1/2 0 0
B 1 1/3 0 1/2
C 1 1/2 0
D 1 0
E 1
Los resultados del anlisis de coordenadas principales son:
A .0000 .6841 -.3446
B .4822 .1787 .2968
C -.4822 .1787 .2968
D -.6691 -.5207 -.1245
E .6691 -.5207 -.1245
valor propio 1.360 1.074 .3258
porc. acum. 44.36 79.39 90.01
Figura 8.2: Representacin por anlisis de coordenadas principales de 5 her-
ramientas prehistricas.
La primera y segunda coordenadas explican el 80 % de la variabilidad
geomtrica. La representacin (Fig. 8.2) indica que las herramientas quedan
ordenadas segn su antigedad: E es la ms antigua (slo contiene piedra) y
D la ms moderna (slo contiene hierro).
Ejemplo 8.7.2
Una distancia gentica es una medida que cuantica las proximidades
entre dos poblaciones a partir de las proporciones gnicas. Por ejemplo, si
existen / ordenaciones cromosmicas que se presentan en las proporciones
(j
1
. . . . . j
I
). (
1
. . . . .
I
). una distancia adecuada (propuesta por A. Prevosti)
es
1
2:
I
i=1
[j
i
i
[
donde : es el nmero de cromosomas diferentes.
Las distancias entre : = 19 poblaciones de D. Suboscura que provienen de
Droback, Dalkeith, Groningen, Fontaineblau, Viena, Zurich, Huelva, Barcelona,
Fornia, Foresta, Etna, Fruska-Gora, Thessaloniki, Silifke, Trabzon, Chalus,
Orangerie, Agadir, Las Mercedes, se dan en la Tabla 8.1. Aplicando un MDS
no mtrico, se obtiene la representacin de las 19 poblaciones (Fig. 8.3), con
un stress de 2.84, que indica que la representacin es buena. La Fig. 8.4
representa las distancias versus las disparidades.
8.7. DOS EJEMPLOS 143
Dro Dal Gro Fon Vie Zur Hue Bar For For Etn Fru The Sil Tra Cha Ora Aga Las
DROBA 0
DALKE .307 0
GRONI .152 .276 0
FONTA .271 .225 .150 0
VIENA .260 .370 .187 .195 0
ZURIC .235 .300 .112 .120 .128 0
HUELV .782 .657 .695 .580 .540 .623 0
BARCE .615 .465 .529 .412 .469 .445 .259 0
FORNI .780 .657 .693 .607 .606 .609 .373 .309 0
FORES .879 .790 .801 .764 .760 .761 .396 .490 .452 0
ETNA .941 .846 .873 .813 .818 .817 .414 .524 .451 .177 0
FRUSK .560 .505 .470 .442 .342 .391 .577 .460 .501 .681 .696 0
THESS .668 .545 .592 .514 .434 .500 .502 .392 .363 .590 .630 .315 0
SILIF .763 .643 .680 .584 .581 .610 .414 .357 .413 .646 .667 .544 .340 0
TRABZ .751 .619 .675 .582 .519 .587 .418 .342 .399 .587 .648 .439 .269 .286 0
CHALU .709 .489 .636 .548 .531 .549 .595 .489 .514 .635 .649 .444 .408 .574 .438 0
ORANG .947 .867 .864 .782 .837 .795 .573 .574 .568 .519 .535 .782 .733 .696 .698 .760 0
AGADI .927 .834 .844 .803 .789 .792 .428 .498 .485 .329 .303 .666 .661 .642 .631 .710 .321 0
LASME .931 .699 .846 .749 .802 .792 .404 .485 .429 .380 .253 .659 .566 .604 .551 .460 .615 .430 0
Tabla 8.1: Distancias genticas respecto a las ordenaciones cromosmicas
entre 19 poblaciones de D. Suboscura.
Figura 8.3: Representacin MDS de 19 poblaciones de D. Subobscura respecto
a las distancias genticas entre ordenaciones cromosmicas.
Figura 8.4: Representacin de las distancias genticas vs las disparidades.
Para otros ejemplos, consltese Baillo y Gran (2008).
8.8. Complementos
En un plano terico, el MDS comienza con el teorema de I. J. Schoenberg
acerca de la posibilidad de construir las coordenadas de un conjunto de puntos
dadas sus distancias. A nivel aplicado, es de destacar a W. S. Torgerson, que
en 1957 aplica el MDS a la psicologa, y Gower (1966), que prueba su relacin
con el Anlisis de Componentes Principales y el Cannico de Poblaciones,
abriendo un fructfero campo de aplicacin en la biologa.
El MDS no mtrico es debido a R. N. Shepard, que en 1962 introdujo el
concepto de preordenacin, y J. B. Kruskal, que en 1964 propuso algoritmos
efectivos que permitan encontrar soluciones. La transformacin q-aditiva
fue estudiada por J.C. Lingoes y K.V. Mardia. Diversos autores estudiaron
la transformacin aditiva, hasta que Cailliez (1983) encontr la solucin de-
nitiva. Consultar Cox y Cox (1994).
Existen diferentes modelos para tratar el problema de la representacin
cuando actan diferentes matrices de distancias. Un modelo, propuesto por
J. D. Carroll, es el INDSCAL. Un modelo reciente, propuesto por Cuadras y
Fortiana (1998) y Cuadras (1998), es el related metric scaling.
De la misma manera que se hace regresin sobre componentes principales,
se puede hacer regresin de una variable dependiente 1 sobre las dimen-
siones principales obtenidas aplicando MDS sobre una matriz de distancias
entre las observaciones. Este modelo de regresin basado en distancias per-
mite plantear la regresin con variables mixtas. Consultar Cuadras y Arenas
(1990), Cuadras et al. (1996).
Una versin del MDS, denominada continuous scaling, permite encon-
trar las coordenadas principales de una variable aleatoria. Consultar Cuadras
y Fortiana (1993a,1995), Cuadras y Lahlou (2000).
P.C. Mahalanobis y C. R. Rao propusieron sus distancias en 1936 y 1945,
respectivamente. Posteriormente Amari, Atkinson, Burbea, Mitchell, Oller y
otros estudiaron la distancia de Rao. Consultar Oller (1987), Oller y Cuadras
(1985), Cuadras (1988).
Captulo 9
ANALISIS DE
CORRESPONDENCIAS
9.1. Introduccin
El Anlisis de Correspondencias (AC) es una tcnica multivariante que
permite representar las categoras de las las y columnas de una tabla de
contingencia.
Supongamos que tenemos dos variables categricas A y B con 1 y J cate-
goras respectivamente, y que han sido observadas cruzando las 1 categoras
A con las J categoras B, obteniendo : =

i)
,
i)
observaciones, donde ,
i)
es el nmero de veces en que aparece la interseccn A
i
B
)
. dando lugar a la
tabla de contingencia 1 J :
B
1
B
2
B
J
A
1
,
11
,
12
,
1J
,
1
A
2
,
21
,
22
,
2J
,
2
.
.
.
.
.
.
.
.
.
A
1
,
11
,
12
,
1J
,
1
,
1
,
2
,
J
:
(9.1)
donde ,
i
=
)
,
i)
es la frecuencia marginal de A
i
. ,
)
=
i
,
i)
es la frecuen-
cia marginal de B
)
. Debemos tener en cuenta que enrealidad la tabla (9.1)
147
148 CAPTULO 9. ANALISIS DE CORRESPONDENCIAS
resume la matriz de datos inicial, que tpicamente es de la forma:
A
1
A
2
A
1
B
1
B
2
B
J
1 1 0 0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
i 0 0 1 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
: 0 0 1 0 0 1
en la que damos el valor 1 cuando se presenta una caracterstica y 0 cuando
no se presenta. As, el individuo \1" presentara las caractersticas A
1
y B
1
.
el individuo \i" presentaria las caractersticas A
1
y B
2
. y el individuo \:" las
caractersticas A
1
y B
J
. La matriz de datos : (1 +J) es pues
Z = [X. ].
A partir de ahora utilizaremos el nombre de variables las y variables
columnas a las variables A y B, respectivamente.
Indiquemos por N = (,
i)
) la matriz 1 J con las frecuencias de la tabla
de contingencia. La matriz
I =
1
:
N.
es la matriz de correspondencias. Indiquemos por r el vector 1 1 con los
totales marginales de las las de I, y por c el vector J 1 con los totales
marginales de las columnas de 1 :
r = I1. c = I
t
1.
Tenemos entonces que
r =
1
:
1
t
X. c =
1
:
1
t
.
son los vectores de medias de las matrices de datos X. . Indiquemos adems
O
v
= diag(r). O
c
= diag(c).
las matrices diagonales que contienen los valores marginales de las y colum-
nas de I. Se verica
X
t
X = :O
v
.
t
= :O
c
. X
t
= :I = N.
9.2. CUANTIFICACIN DE LAS VARIABLES CATEGRICAS 149
Por lo tanto, las matrices de covarianzas entre las, entre columnas y entre
las y columnas, son
S
11
= O
v
rr
t
. S
22
= O
c
cc
t
. S
12
= Irc
t
.
Puesto que la suma de las variables es igual a 1, las matrices S
11
y S
22
son
singulares.
9.2. Cuanticacin de las variables categri-
cas
El problema de las variables categricas, para que puedan ser manejadas
en trminos de AM clsico, es que no son cuantitativas. La cuanticacin 0
1 anterior es convencional. Asignemos pues a las categoras A
1
. . . . .A
1
de
la variable la, los valores numricos c
1
. . . . . c
1
. y a las categoras B
1
. . . . .B
J
de la variable columna, los valores numricos /
1
. . . . . /
J
. es decir, indiquemos
los vectores
a = (c
1
. . . . . c
1
)
t
. I = (/
1
. . . . . /
J
)
t
.
y consideremos las variables compuestas
l = Xa. \ = I.
Si en un individuo / se observan las categoras A
i
.B
)
. entonces los valores de
l. \ sobre / son
l
I
= c
i
. \
I
= /
)
.
Deseamos encontrar a. I tales que las correlaciones entre l y \ sean
mximas. Claramente, estamos ante un problema de correlacin cannica,
salvo que ahora las matrices S
11
y S
22
son singulares. Una g-inversa (Seccin
1.10) de S
11
es la matriz S
11
= O
1
v
que verica
S
11
S
11
S
11
= S
11
.
En efecto,
(O
v
rr
t
)O
1
v
(O
v
rr
t
) = (O
v
rr
t
)(I 1r
t
)
= O
v
O
v
1r
t
rr
t
+rr
t
1r
t
= O
v
rr
t
rr
t
+rr
t
= O
v
rr
t
.
Anlogamente S
22
= O
1
c
. Aplicando la teoria de la correlacin cannica
(Seccin 4.3), podemos considerar la descomposicin singular
O
12
v
(Irc
t
)O
12
c
= lO
A
Y
t
. (9.2)
donde O
A
es la matriz diagonal con los valores singulares en orden decre-
ciente. Si u
1
. v
1
son los primeros vectores cannicos, tendremos entonces
a = S
12
11
u
1
. I = S
12
22
v
1
. : = `
1
.
es decir, el primer valor singular es la mxima correlacin entre las variables
l y \. Pero pueden haber ms vectores y correlaciones canonicas, y por lo
tanto la solucin general es
a
i
= O
12
v
u
i
. I
i
= O
12
c
v
i
. :
i
= `
i
. i = 1. . . . . mn1. J.
En notacin matricial, los vectores que cuantican las categoras de las las
y de las columnas de N, son las columnas de las matrices
A
0
= O
12
v
l. H
0
= O
12
c
Y.
Tambin obtenemos correlaciones mximas considerando las matrices
A = O
12
v
lO
A
. H = O
12
c
YO
A
. (9.3)
pues el producto por una constante (en este caso un valor singular), no altera
las correlaciones.
9.3. Representacin de las y columnas
Los perles de las las son
(
j
i1
:
i
.
j
i2
:
i
. .
j
iJ
:
i
).
es decir, las probabilidades condicionadas 1(B
1
,A
i
). . . . . 1(B
J
,A
i
). La ma-
triz de perles de las las es
Q = O
1
v
I.
9.3. REPRESENTACIN DE FILAS Y COLUMNAS 151
Denicin 9.3.1 La distancia ji-cuadrado entre las las i. i
t
de N es
o
2
ii
0 =
J
)=1
(j
i)
,:
i
j
i
0
)
,:
i
0 )
2
c
)
.
La matriz de productos escalares asociada a esta distancia es
G = QO
1
c
Q
t
.
y la relacin entre
(2)
= (o
2
ii
0 ) y G es
(2)
= g1
t
+1g
t
2G.
siendo g el vector columna con los 1 elementos diagonales de G. La solucin
MDS ponderada de las las de N (Seccin 9.9) se obtiene calculando la
diagonalizacin
O
12
v
(I 1r
t
)G(I r1
t
)O
12
v
= lO
2
A
l
t
.
y seguidamente obteniendo las coordenadas principales
A = O
12
v
lO
A
. (9.4)
Las distancias eucldeas entre las las de A coinciden con la distancia ji-
cuadrado.
Relacionemos ahora estas coordenadas con las cuanticaciones anteriores.
De (9.2) tenemos
O
12
v
(Irc
t
)O
1
c
(I
t
cr
t
)O
12
v
= lO
2
A
l
t
.
y de
O
12
v
(O
1
v
I1c
t
)O
1
c
(I
t
O
1
v
c1
t
)O
12
v
= O
12
v
(Q1r
t
Q)O
1
c
(Q
t
Q
t
r1
t
)O
12
v
.
deducimos que
O
12
v
(I 1r
t
)QO
1
c
Q
t
(I r1
t
)O
12
v
= lO
2
A
l
t
.
Esta ltima expresin demuestra que las matrices A obtenidas en (9.3) y
(9.4) son la misma.
Anlogamente podemos denir la distancia ji-cuadrado entre columnas
o
2
))
0 =
1
i=1
(j
i)
,c
)
j
i)
0 ,c
)
0 )
2
:
i
.
y probar que las distancias eucldeas entre las las de la matriz H obtenidas
en (9.3), coinciden con esta distancia ji-cuadrado.
As pues, si consideramos las dos primeras coordenadas principales:
Filas Columnas
A
1
(c
11
. c
12
) B
1
(/
11
. /
12
)
A
2
(c
21
. c
22
) B
2
(/
21
. /
22
)
.
.
.
.
.
.
.
.
.
.
.
.
A
1
(c
11
. c
12
) B
J
(/
J1
. /
J2
)
obtenemos una representacin de las y columnas de la matriz de frecuencias
N.
9.4. Relacin entre las y columnas y repre-
sentacin conjunta
Las coordenadas A y las coordenadas H, que representan las las y las
columnas, estn relacionadas. Premultiplicando (9.2) por O
12
v
y postmul-
tiplicando por Y obtenemos
O
1
v
(Irc
t
)O
12
c
Y = O
12
v
l.
luego
O
1
v
(Irc
t
)HO
1
A
= A.
Anlogamente se prueba que
O
1
c
(I
t
cr
t
)AO
1
A
= H.
Si ahora tenemos en cuenta que r
t
O
1
v
= 1
t
. premultiplicando por r
t
1
t
(Irc
t
)HO
1
A
= r
t
A.
Como adems 1
t
I = c
t
. 1
t
r = 1. vemos fcilmente que
(c
t
c
t
)HO
1
A
= r
t
A = 0.
9.4. RELACINENTREFILAS YCOLUMNAS YREPRESENTACINCONJUNTA153
Anlogamente, c
t
H = 0. es decir, las medias ponderadas de las coordenadas
principales son cero. En consecuencia
A = O
1
v
IHO
1
A
. H = O
1
c
I
t
AO
1
A
. (9.5)
Conviene notar que O
1
v
I son los perles de las las, y O
1
c
I
t
son los perles
de las columnas. As pues tenemos que, salvo el factor dilatador O
1
A
. (pues
los elementos diagonales de O
A
son menores que 1), se verica:
1. Las coordenadas de las las son las medias, ponderadas por los perles
de las las, de las coordenadas de las columnas.
2. Las coordenadas de las columnas son las medias, ponderadas por los
perles de las columnas, de las coordenadas de las las.
Por ejemplo, la primera coordenada principal de las las verica:
c
i1
=
1
`
1
(/
11
j
i1
:
i
+/
21
j
i2
:
i
+ +/
J1
j
iJ
:
i
). i = 1. . . . . 1.
y la primera coordenada principal de las columnas verica
/
)1
=
1
`
1
(c
11
j
1)
c
)
+c
21
j
2)
c
)
+ +c
11
j
1)
c
)
). , = 1. . . . . J.
La Tabla 9.1 contiene unos datos articiales, que clasican 400 clientes
segn la edad (joven, mediana, mayor) y los productos que compran en un
supermercado.
Tenemos:
I =
_
_
_
_
_
_
0.175 0 0
0.1125 0.1125 0
0.075 0.075 0.075
0 0.2 0.05
0.0875 0.0125 0.025
_
_
_
_
_
_
. r =
_
_
_
_
_
_
0.175
0.225
0.225
0.250
0.125
_
_
_
_
_
_
. c =
_
_
0.45
0.40
0.15
_
_
.
La matriz de perles de las las es:
Q =
_
_
_
_
_
_
1.00 0 0
0.50 0.50 0
0.33 0.33 0.33
0 0.80 0.20
0.70 0.10 0.20
_
_
_
_
_
_
Edad
Producto Joven Mediana Mayor Total
A 70 0 0 70
B 45 45 0 90
C 30 30 30 90
D 0 80 20 100
E 35 5 10 50
Total 180 160 60 400
Tabla 9.1: Clasicacin de 400 clientes segn edades y productos adquiridos
en un supermercado.
Las coordenadas principales son:
Filas Columnas
A =
_
_
1.0990 0.1199
0.0551 0.4213
0.1834 0.4815
0.9231 0.1208
0.5384 0.3012
_
_
H =
_
_
0.7525 0.0397
0.6770 0.2393
0.4522 0.7571
_
_
Los valores singulares son: `
1
= 0.6847. `
2
= 0.3311. La primera coordena-
da principal de las las A
1
. . . . .A
5
verica:
1.0990 = 0.6847
1
(.7525 1 + 0 + 0)
0.0551 = 0.6847
1
(.7525 .5 .677 .5 + 0)
0.1834 = 0.6847
1
(.7525 .33 .677 .33 .4522 .33)
0.9231 = 0.6847
1
(0 .677 .8 .4522 .2)
0.5384 = 0.6847
1
(.7525 .7 .677 .1 .4522 .2)
Las coordenadas de las marcas A,B,C,D,E son medias de las coordenadas de
las tres edades, ponderadas por la incidencia del producto en la edad.
9.5. Soluciones simtrica y asimtrica
La representacin de las y columnas utilizando las coordenadas princi-
pales A. H es la solucin simtrica. La representacin conjunta es posible
gracias a las frmulas (9.5). La representacin utilizando las matrices
A = O
12
v
lO
A
. H
0
= O
12
c
Y.
9.5. SOLUCIONES SIMTRICA Y ASIMTRICA 155
Figura 9.1: Representacin asimtrica (izquierda) y simtrica (derecha) de
las las (productos) y columnas (edades) de la Tabla 9.1.
es decir, coordenadas principales para las las y coordenadas estndard para
las columnas, es la llamada solucin asimtrica. Esta solucin verica
Irc
t
= O
v
AH
t
0
O
c
.
y por lo tanto A. H
0
reproducen mejor la dependencia entre las y columnas.
La Tabla 9.2 relaciona los colores de los cabellos y de los ojos de 5,383
individuos.
Color cabellos
Color ojos Rubio Rojo Castao Oscuro Negro Total
CLARO 688 116 584 188 4 1,580
AZUL 326 38 241 110 3 718
CASTAO 343 84 909 412 26 1,774
OSCURO 98 48 403 681 81 1,311
Total 1,455 286 2,137 1,391 114 5,383
Tabla 9.2: Clasicacin de 5383 individuos segn el color de los ojos y del
cabello.
Figura 9.2: Representacin asimtrica (izquierda) y simtrica (derecha) de
los datos de los colores de ojos y cabellos.
Las coordenadas principales son:
Filas Columnas
A =
_
_
0.4400 0.0872
0.3996 0.1647
0.0361 0.2437
0.7002 0.1345
_
_
H =
_
_
0.5437 0.1722
0.2324 0.0477
0.0402 0.2079
0.5891 0.1070
1.0784 0.2743
_
_
Los valores singulares son: `
1
= 0.449. `
2
= 0.1727. `
3
= 0.0292. De
acuerdo con (9.6), la variabilidad explicada por las dos primeras dimensiones
principales es 1
2
= 86.8 %. La Figura 9.2 proporciona las representaciones
simtrica y asimtrica.
9.6. Variabilidad geomtrica (inercia)
Vamos a probar que
2
= :
1
I=1
`
2
I
.
9.6. VARIABILIDAD GEOMTRICA (INERCIA) 157
siendo 1 = mn1. J y
2
= :
1
i=1
J
)=1
(,
i)
,
i
,
)
,:)
2
,
i
,
)
el estadstico ji-cuadrado con (1 1)(J 1) g.l. que permite decidir si hay
independencia entre las y columnas de N. Es decir, la ji-cuadrado es : veces
la suma de los valores propios del AC.
El coeciente c
2
de Pearson se dene como
c
2
=
1
i=1
J
)=1
(j
i)
:
i
c
)
)
2
:
i
c
)
=

2
:
.
Es fcil probar que tambin podemos expresar
c
2
=
1
i=1
J
)=1
j
2
i)
:
i
c
)
1.
La variabilidad geomtrica ponderada de la distancia ji-cuadrado entre
las es
\
c
=
1
2
1
i=1
1
i
0
=1
:
i
o
2
ii
0 :
i
0 .
Proposicin 9.6.1 \
c
= c
2
.
Prueba:
o
2
ii
0 =
J
)=1
(j
i)
,:
i
j
i
0
)
,:
i
0 )
2
c
)
=
J
)=1
(
j
i)
:
i
c
)

j
i
0
)
:
i
0 c
)
)
2
c
)
Por lo tanto
\
c
=
1
2
1
i=1
1
i
0
=1
J
)=1
:
i
(
j
i)
:
i
c
)

j
i
0
)
:
i
0 c
)
)
2
c
)
:
i
0
Si desarrollamos por un lado
1
i=1
1
i
0
=1
J
)=1
:
i
j
2
ij
v
2
i
c
2
j
c
)
:
i
0 =
1
i=1
1
i
0
=1
J
)=1
j
2
ij
v
i
c
j
:
i
0
=
1
i=1
J
)=1
j
2
ij
v
i
c
j
.
y por otro lado, dado que
1
i=1
j
i)
= c
)
.
1
i=1
1
i
0
=1
J
)=1
:
i
j
ij
j
i
0
j
v
i
c
2
j
v
i
0
c
)
:
i
0 =
1
i=1
1
i
0
=1
J
)=1
j
ij
j
i
0
j
c
j
=
1
i=1
J
)=1
j
ij
c
j
c
j
= 1.
es decir, vemos que \
c
= (c +c 2),2. siendo c =
i,)
j
2
ij
v
i
c
j
.
Proposicin 9.6.2 c
2
=
1
I=1
`
2
I
.
Prueba: Sea
V = O
12
v
(Irc
t
)O
12
c
= lO
A
Y
t
.
Entonces
c
2
= tr(VV
t
) = tr(lO
2
A
l
t
) = tr(O
2
A
).
Proposicin 9.6.3 La variabilidad geomtrica utilizando slo las primeras
: coordenadas principales es
\
c
(:) =
n
I=1
`
2
I
.
Prueba: Supongamos : = 1. Podemos escribir la matriz de distancias entre
las como
(2)
= a1
t
+1a
t
2AA
t
.
siendo a el vector columna que contiene los elementos de la diagonal de AA
t
.
Entonces
\
c
=
1
2
r
t
(2)
r = r
t
a1
t
r +r
t
1a
t
r 2r
t
AA
t
r = r
t
a.
Pero
r
t
a = tr(O
12
v
AA
t
O
12
v
) = tr(lO
2
A
l
t
) = tr(O
2
A
).
Lo hemos probado para : = 1. pero fcilmente vemos que la frmula tam-
bin vale para : < 1.
As pues, en la representacin por AC de las las y columnas de N en
dimensin :. el porcentaje de variabilidad geomtrica o inercia viene dado
por
1
n
= 100
n
I=1
`
2
I
1
I=1
`
2
I
. (9.6)
9.7. ANALISIS DE CORRESPONDENCIAS MLTIPLES 159
9.7. Analisis de Correspondencias Mltiples
El AC combina y representa dos variables categricas. Pero se puede adap-
tar para estudiar ms de dos variables. Presentemos primero el procedimiento
para dos variables, que despus generalizaremos.
Escribimos la matriz : (1 + J) de datos binarios como una matriz
: (J
1
+J
2
)
Z = [Z
1
. Z
2
].
Entonces tenemos que
H
&
= Z
t
Z =
_
Z
t
1
Z
1
Z
t
1
Z
2
Z
t
2
Z
1
Z
t
2
Z
2
_
=:
_
O
v
I
I
t
O
c
_
.
La matriz de frecuencias, donde F y C contienen las marginales de las y
columnas,
H
&
=
_
F N
N
t
C
_
es la llamada matriz de Burt. A continuacin podemos realizar tres anlisis
de correspondencias diferentes sobre las siguientes matrices:
a) N. b) [Z
1
. Z
2
]. c) H
&
.
El anlisis a) lo hemos visto en las secciones anteriores. El resultado es
una representacin de las y columnas de N.
El anlisis b) es sobre [Z
1
. Z
2
]. considerada una matriz binaria con :
las y J
1
+ J
2
columnas. AC nos dara una representacin de las J
1
+ J
2
columnas, que es la interesante, y tambin de los : individuos, pero esta
segunda representacin es innecesaria.
El anlisis c) es sobre H
&
que es la matriz simtrica de orden (J
1
+J
2
)
(J
1
+J
2
). Tendremos una representacin idntica por columnas y por las.
En los tres casos vemos que podemos representar las las y columnas de
N. Es posible demostrar que los tres anlisis son equivalentes en el sentido de
que proporcionan la misma representacin, variando slo los valores propios.
Todo esto se describe en el cuadro que sigue.
Tabla Dimensin Coordenadas Valor propio
N = Z
t
1
Z
2
J
1
J
2
A (las)
H (columnas)
`
Z = [Z
1
. Z
2
] : (J
1
+J
2
)
_
A
H
_
1+
_
A
2
H
&
= Z
t
Z (J
1
+J
2
) (J
1
+J
2
)
_
A
H
_
(
1+
_
A
2
)
2
Consideremos a continuacin Q variables categricas con J
1
. . . . . J
Q
esta-
dos, respectivamente, sobre : individuos. Sea J = J
1
+ +J
Q
. La tabla de
datos, de orden : J es la super-matriz de indicadores
Z = [Z
1
. . . . . Z
)
. . . . . Z
q
].
donde Z
)
es : J
)
y contiene los datos binarios de la variable ,. La tabla de
contingencia que tabula la combinacin de las variables i. , es N
i)
= Z
t
i
Z
)
.
La matriz de Burt, de orden J J es
H
&
= Z
t
Z =
_
_
Z
t
1
Z
1
Z
t
1
Z
2
Z
t
1
Z
Q
Z
t
2
Z
1
Z
t
2
Z
2
Z
t
2
Z
Q
.
.
.
.
.
.
.
.
.
.
.
.
Z
t
Q
Z
1
Z
t
Q
Z
2
Z
t
Q
Z
Q
_
_
.
donde las matrices Z
t
)
Z
)
sn diagonales.
El Anlisis de Correspondencias Mltiples intenta representar los J =
J
1
+ +J
Q
estados de las Q variables categricas. Como en el caso Q = 2. lo
podemos llevar a cabo aplicando un AC simple sobre las matrices siguientes:
a) Z. b) H
&
.
En el caso a) representamos las J columnas e ignoramos las : las (in-
dividuos). En el caso b) tenemos una tabla de frecuencias J J simtrica
y podemos representar las las (=columnas) aplicando AC simple. Los dos
procedimientos son equivalentes, salvo que se cumple la relacin
`
1
I
= (`
Z
I
)
2
9.8. EJEMPLOS 161
entre los valores propios `
1
I
obtenidos a partir de la matriz de Burt y los `
Z
I
que surgen del anlisis sobre Z. Las inercias correspondientes son:
c
2
(H
&
) =
I
`
1
I
=
1
Q
2
[
i,=)
c
2
(`
i)
) + (J Q)].
c
2
(Z) =
I
`
Z
I
=
J
Q
1.
siendo c
2
(`
i)
) la inercia para la tabla `
i)
. vase Seccin 9.6. As pues podemos
constatar que AC puede servir tambin para representar ms de dos variables
categricas.
9.8. Ejemplos
Ejemplo 9.8.1
La Tabla 9.3 contiene las frecuencias con la clasifcacin cruzada de 1257
individuos segun Edad (E), Sexo (S), intencin de Voto (V) y Clase social
(C). Tenemos Q = 4. J = 12. J
1
= 4. J
2
= 2. J
3
= 3. J
4
= 2. Los datos
iniciales (matriz Z. solo mostramos 5 individuos) son de la forma:
Edad Votacin Clase Sexo
73 51-73 41-50 26-40 <26 Lib Con Alt Mit Obr H D
0 1 0 0 0 1 0 0 1 0 1 0
0 1 0 0 0 0 1 1 0 0 0 1
0 0 0 0 1 1 0 0 0 1 1 0
1 0 0 0 0 0 1 1 0 0 0 1
0 1 0 0 0 1 0 0 1 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
La Tabla 9.4 es la tabla de Burt. Observemos que es simtrica. El AC
simple sobre esta tabla nos permite representar las 4 variables categricas
sobre el mismo grco, vase la Figura 9.3.
Edad Hombres Mujeres
Derecha Izquierda Derecha Izquierda
Clase alta
73 4 0 10 0
51-73 27 8 26 9
41-50 27 4 25 9
26-40 17 12 28 9
<26 7 6 7 3
Clase media
73 8 4 9 1
51-73 21 13 33 8
41-50 27 12 29 4
26-40 14 15 17 13
<26 9 9 13 7
Clase obrera
73 8 15 17 4
51-73 35 62 52 53
41-50 29 75 32 70
26-40 32 66 36 67
<26 14 34 18 33
Tabla 9.3: Tabla de frecuencias combinando 1257 individuos segn edad, sexo,
clase social y tendencia de voto.
81 0 0 0 0 56 25 14 23 44 39 42
0 347 0 0 0 194 153 70 75 202 166 181
0 0 343 0 0 169 174 65 72 206 174 169
0 0 0 326 0 144 182 66 59 201 156 170
0 0 0 0 160 68 92 23 38 99 79 81
56 194 169 144 68 631 0 178 180 273 279 352
25 153 174 182 92 0 626 60 87 479 335 291
14 70 65 66 23 178 60 238 0 0 112 126
23 75 72 59 38 180 87 0 267 0 132 135
44 202 206 201 99 273 479 0 0 752 370 382
39 166 174 156 79 279 335 112 132 370 614 0
42 181 169 170 81 352 291 126 135 382 0 643
Tabla 9.4: Tabla de Burt con la clasicacin de 1257 individuos segn edad,
sexo, clase social y tendencia de voto.
9.8. EJEMPLOS 163
Figura 9.3: Representacin por anlisis de correspondencias mltiples de los
datos de la Tabla 9.3.
Ejemplo 9.8.2
La Tabla 9.5 contiene las frecuencias de supervivientes, clasicadas por
gnero (G), supervivencia (S), edad (E) y clase (C, primera 1, segunda
2, tercera 3 y tripulacin T), del hundimiento del vapor Titanic. Ahora
Q = 4. J = 10. J
1
= 2. J
2
= 2. J
3
= 2. J
4
= 4. La Figura 9.4 representa esta
combinacin de datos categricos. Claramente los hombres adultos, la tripu-
lacin y la tercera clase estn ms cerca de NO supervivencia, mientras que
mujeres, nios y primera clase estn ms cerca de S supervivencia. Vase
tambin el Ejemplo 14.5.1.
Gnero Edad Superv 1 2 3 T
Hombre Adulto NO 118 154 387 670
Mujer 4 13 89 3
Hombre Nio 0 0 35 0
Mujer 0 0 17 0
Hombre Adulto SI 57 14 75 192
Mujer 140 80 76 20
Hombre Nio 5 11 13 0
Mujer 1 13 14 0
Tabla 9.5: Tabla de frecuencias combinando gnero, edad, supervivencia y
clase, de los datos de supervivencia del "Titanic".
Figura 9.4: Representacin por anlisis de correspondencias mltiples de los
datos de supervivencia del Titanic, Tabla 9.5.
9.9. MDS PONDERADO 165
9.9. MDS ponderado
En esta seccin introducimos una variante del Anlisis de Coordenadas
Principales.
Denicin 9.9.1 Sea
j
= (o
i)
) una matriz de distancias q q. v =
(n
1
. . . . . n
j
)
t
un vector de pesos tal que
v
t
1 =
j
i=1
n
i
= 1. n
i
_ 0.
y consideremos la matriz diagonal O
&
=diag(v). La solucin MDS ponderada
de
j
es la matriz
X = O
12
&
lA.
siendo
O
12
&
(I
j
1v
t
)(
1
2
D
(2)
j
)(I
j
v1
t
)O
12
&
= lA
2
l
t
. (9.7)
una descomposicin espectral, donde
2
= dicq(`
2
1
. . . . . `
2
j
) contiene los val-
ores propios y
(2)
j
= (o
2
i)
).
Denicin 9.9.2 La variabilidad geomtrica ponderada de
j
es
\
c
=
1
2
a
i,)=1
n
i
o
2
i)
n
)
=
1
2
v
t
(2)
j
v.
Las coordenadas principales son las las de X. Escribiendo
X = [A
1
. A
2
. . . . . A
j
].
podemos interpretar las columnas de X como variables. Observemos que se
verica
(I
j
1v
t
)(
1
2
(2)
j
)(I
j
v1
t
) = XX
t
. (9.8)
Propiedades:
1. Las variables A
I
(columnas de X) tienen medias ponderadas iguales a
cero:
A
I
= v
t
A
I
= 0.
Prueba:
v
t
(I
j
1v
t
) = v
t
v
t
= 0 =v
t
XX
t
v = 0 =v
t
X = 0.
2. Las varianzas ponderadas de las variables A
I
son iguales a los valores
propios:
:
2
I
= `
2
I
. / = 1. . . . . j.
Prueba: si la media de r
1
. . . . . r
j
es 0. la varianza ponderada es
n
i
r
2
i
.
es decir,
:
2
I
= O
12
&
X
I
X
t
I
O
12
&
= (l
t
I
X
I
)(X
I
l
I
) = `
2
I
.
donde `
2
I
es el valor propio de vector propio l
I
.
3. Las variables (columnas de X) estn incorrelacionadas
cor(A
I
. A
I
0 ) = 0. / ,= /
t
= 1. . . . . j.
Prueba: puesto que las medias son nulas la covarianza ponderada es
cov(A
I
. A
I
0 ) = O
12
&
X
t
I
X
I
0 O
12
&
= `
2
I
l
t
I
l
I
0 = 0.
ya que los vectores propios son ortogonales.
4. La variabilidad geomtrica ponderada de
j
es
\
c
=
j
I=1
`
2
I
.
Prueba: Expresemos la matriz de distancias al cuadrado como
(2)
j
= 1d
t
+d1
t
2XX
t
.
siendo d un vector q 1 con los elementos diagonales de XX
t
. Por una
parte
1
2
v
t
(2)
j
v = v
t
1d
t
vv
t
XX
t
v = d
t
v.
Por otra parte
d
t
v =tr(O
12
&
XX
t
O
12
&
) =tr(lA
2
l
t
) =tr(
2
).
5. Si tomamos las primeras coordenadas principales de X. la variabilidad
geomtrica ponderada es:
\
c
()=
q
I=1
`
2
I
.
9.9. MDS PONDERADO 167
Estudiemos ahora la relacin entre el Anlisis de Coordenadas Principales
ordinario (Cap. 8) y el ponderado. Supongamos que podemos expresar el
vector de pesos como
v =
1
:
(:
1
. :
2
. . . . . :
I
). : =
j
i=1
:
i
.
donde :
i
son enteros positivos y el peso n
i
es igual (o muy prximo
1
) a :
i
,:.
Indiquemos por ^ la matriz : q que contiene :
i
las (0. . . . . 1. . . . . 0). Por
ejemplo, si q = 3 y :
1
= 2. :
2
= 3. :
3
= 1. entonces
^=
_
_
_
_
_
_
_
_
1 0 0
1 0 0
0 1 0
0 1 0
0 1 0
0 0 1
_
_
_
_
_
_
_
_
.
Si ahora suponemos que en vez de q objetos tenemos : objetos, pero
el primer objeto est repetido :
1
veces, el segundo objeto :
2
veces, etc.,
entonces la matriz de distancias es
a
= ^
j
^
t
. (9.9)
y el anlisis no ponderado sobre la matriz
a
es
(I
a
1
:
11
t
)(
1
2
(2)
a
)(I
a
1
:
11
t
) =

lO
2
A
l
t
=
t
. (9.10)
siendo

l la matriz : j de los vectores propios. La solucin no ponderada
es
=

lO
A
.
Teorema 9.9.1 La solucin no ponderada sobre
a
coincide con la solu-
cin ponderada X sobre
j
. en el sentido de que obtenemos repitiendo
:
1
. . . . . :
j
veces las las de X.
1
Tomando n sucientmente grande, podemos aproximarlo tanto como queramos.
Prueba: De (9.9) podemos expresar la solucin no ponderada (9.10) como
(I
a
1
:
11
t
)^(
1
2
(2)
j
)^
t
(I
a
1
:
11
t
) =
t
.
Se verica
(I
a
1
:
11
t
)^= ^(I
j
1
j
v
t
).
Por lo tanto, de (9.8) tenemos
^(I
j
1v
t
)(
1
2
(2)
j
)(I
j
v1
t
)^
t
= ^XX
t
^
t
.
que demuestra que = ^X. En otras palabras, las coordenadas principales
no ponderadas son el resultado de repetir :
1
. . . . . :
j
veces las coordenadas
X. La relacin entre los valores singulares es
`
I
= q`
I
. / = 1. . . . . j.
Por ejemplo, si q = 3 y :
1
= 2. :
2
= 3. :
3
= 1. obtenemos
X =
_
_
r
11
r
12
r
21
r
22
r
31
r
32
_
_
. =
_
_
_
_
_
_
_
_
r
11
r
12
r
11
r
12
r
21
r
22
r
21
r
22
r
21
r
22
r
31
r
32
_
_
_
_
_
_
_
_
.
9.10. Complementos
El Anlisis de Correspondencias (AC) tiene una larga historia que se inicia
en 1935 (H.O. Hirschfeld, R.A. Fisher, L. Guttman). Ha sido extensamente
estudiado por Benzcri (1973) y Greenacre (1984).
Utilizando coordenadas estndard A
0
= (c
0
iI
). H
0
= (/
0
)I
). podemos ex-
presar la matriz de correspondencias I = (j
i)
) como
I = rc
t
+O
v
A
0
O
A
H
t
0
O
c
.
Indicando r = (j
1
. . . . . j
1
)
t
. c = (j
1
. . . . . j
J
)
t
los vectores marginales de las
y columnas de I, la expresin escalar es
j
i)
= j
i
j
)
(1 +
1
I=1
`
I
c
0
iI
/
0
)I
).
Si el trmino entre parntesis c =
1
I=1
`
I
c
0
iI
/
0
)I
. es sucientemente pequeo
para que log(1 +c) - c. entonces
log j
i)
= log j
i
+ log j
)
+
1
I=1
`
I
c
0
iI
/
0
)I
.
que se adapta a un modelo log-lineal (Seccin 11.5), donde c cuanticara
el trmino de interaccin. El AC sera pues una manera de visualizar los
trminos de interaccin (van der Heijden y de Leeuw, 1985).
CA verica el principio de equivalencia distribucional: si dos perles de
columnas son idnticos, es decir,
j
i)
c
)
=
j
i)
0
c
)
0
. i = 1. . . . . 1.
entonces las columnas ,. ,
t
de N pueden juntarse y ser reemplazadas por su
suma. En efecto, cuando se cumple este principio
j
i)
c
)
=
j
i)
0
c
)
0
=
j
i)
+j
i)
0
c
)
+c
)
0
.
Luego
[(
j
i)
:
i
c
)
)(
j
i
0
)
:
i
0 c
)
)]
2
c
)
+[(
j
i)
0
:
i
c
)
0
)(
j
i
0
)
0
:
i
0 c
)
0
)]
2
c
)
0 = [(
j
i)
+j
i)
0
:
i
(c
)
+c
)
0 )
)(
j
i
0
)
+j
i
0
)
0
:
i
0 (c
)
+c
)
0 )
)]
2
(c
)
+c
)
0 ).
y la distancia ji-cuadrado queda inalterada si juntamos las columnas , y ,
t
.
Una variante del AC propuesta por Rao (1995), se basa en la distancia
de Hellinger
o
2
ii
0 =
J
)=1
(
_
j
i)
,:
i
_
j
i
0
)
,:
i
0 )
2
.
entre dos las de N. que tiene la ventaja de no depender de los perles de las
columnas. Sin embargo los resultados pueden ser muy similares (Cuadras et
al, 2004), y el mtodo basado en esta distancia resulta ms apropiado cuando
las las se ajustan a poblaciones multinomiales distintas.
Una forma alternativa de presentar el AC es el reciprocal averaging
(RA). Supongamos que queremos encontrar las coordenadas (c
1
. . . . . c
1
) de
las las como medias ponderadas de las coordenadas de las columnas y recp-
rocamente, las coordenadas (/
1
. . . . . /
J
) de las columnas como medias pon-
deradas de las coordenadas de las las:
c
i
=
J
)=1
/
)
j
i)
:
i
. /
)
=
1
i=1
c
i
j
i)
c
)
.
Pero estas relaciones no se pueden vericar simultneamente (por razones
geomtricas obvias), as que hemos de introducir un factor multiplicativo
, 1 y escribir
c
i
= ,
J
)=1
/
)
j
i)
:
i
. /
)
= ,
1
i=1
c
i
j
i)
c
)
. (9.11)
El objectivo del RA es encontrar las coordenadas vericando (9.11) tal que
, sea mnimo. Entonces es posible probar que ` = (1,,)
2
es un valor propio.
Esto mismo lo podemos plantear para la segunda y siguientes coordenadas
y probar la equivalencia entre RA y AC. Los clculos del RA se efectan
iterativamente, y es til (especialmente en ecologa), cuando la matriz de
frecuencias N tiene dimensin grande y contiene muchos ceros (Hill, 1973).
Por otra parte se conoce a (9.11) como la mejor representacin ,baricntrica
sobre un eje (Lebart et al., 1977).
Una extensin interesante del AC es el Canonical Correspondence Analy-
sis (Ter Braak, 1986), que tiene en cuenta, para la representacin, que
los ejes sean combinacin lineal de variables externas. Tiene aplicaciones
en ecologa, dado que permite relacionar las comunidades biolgicas con las
variables ambientales.
Adems del anlisis de correspondencias mltiples, se pueden tambin
representar tablas de contingencia mltiples mediante mosaicos. La Figura
9.5 contiene la representacin en mosaico de los datos del Titanic, Tabla 9.5.
Vase Friendly (1994, 1999).
Una extensin continua del AC considera una densidad bivariante /(r. )
con densidades marginales ,(r). q(). y la descomposicin singular
,(r)
12
/(r. )q()
12
=
o
I=1
j
I
n
I
(r)
I
(). (9.12)
donde j
I
. / _ 1 son correlaciones cannicas y n
I
. / _ 1.
I
. / _ 1 son
sistemas de funciones ortonormales (Lancaster, 1969). Hay una interesante
Figura 9.5: Representacin en mosaico de los datos de supervivencia del
Titanic, Tabla 9.5.
semejanza entre (9.12) y el AC, pues muchas propiedades se conservan. Vase
una comparacin sistemtica en Cuadras et al. (2000) y Cuadras (2002b). El
ACha sido tambin comparado con otros mtodos de representacin de tablas
de contingencia (Cuadras et al., 2006), propiciando una versin paramtrica
que los engloba a todos (Cuadras y Cuadras, 2006). Para una amplia visin
del Anlisis de Correspondencias y sus variantes, vase Greenacre (2008).
Captulo 10
CLASIFICACION
10.1. Introduccin
Clasicar los elementos de un conjunto nito consiste en realizar una par-
ticin del conjunto en subconjuntos homogneos, siguiendo un determinado
criterio de clasicacin. Cada elemento pertenece a un nico subconjunto,
que a menudo tiene un nombre que lo caracteriza. As clasicamos:
Las personas en hombres y mujeres.
Los trabajadores en actividades profesionales: servicios, industria, agri-
cultura.
Los animales en especies, gneros, familias y rdenes.
Los libros de una biblioteca en arte, literatura, ciencia, informtica y
viajes.
Sea = .
1
. .
2
. . . . . .
a
un conjunto nito con : elementos diferentes,
que abreviadamente indicaremos
= 1. 2. .... :.
Clasicar es tambin denir una relacin de equivalencia sobre . Esta
relacin dene una particin sobre en : clases de equivalencia:
= c
1
+c
2
+ +c
n
.
donde + signica reunin disjunta. A la particin la llamaremos clustering y
a las clases de equivalencia clusters.
173
174 CAPTULO 10. CLASIFICACION
10.2. Jerarqua indexada
Las clasicaciones pueden ser jerrquicas o no jerrquicas . Una clasi-
cacin jerrquica es una sucesin de clusterings tal que cada clustering se
obtiene agrupando clusters. Por ejemplo, si : = 5, una clasicacin jerrquica
es:
= 1 +2 +3 +4 +5
= 1. 2 +3. 4 +5
= 1. 2 +3. 4. 5
=
Denicin 10.2.1 Una jerarqua indexada (C. c) sobre est formada por
una coleccin de clusters C () y un ndice c tal que:
Axioma de la interseccin: Si c. c
t
C entonces c c
t
c. c
t
. O.
Axioma de la reunin: Si c C entonces c = 'c
t
[ c
t
C. c
t
c.
La reunin de todos los clusters es el conjunto total: = 'c [ c C.
El ndice c es una aplicacin de C sobre el conjunto de nmeros reales posi-
tivos tal que:
c(i) = 0. \i . c(c) _ c(c
t
) si c c
t
.
Diremos que una jerarqua es total si:
\i . i C.
C.
Comentarios:
1. El primer axioma signica que si tenemos dos clusters, uno est incluido
en el otro o ambos son disjuntos, es decir, c c
t
. c
t
c. c c
t
= O.
Se trata de evitar que un elemento de pertenezca a dos clusters
excluyentes a la vez, ya que entonces estara mal clasicado.
2. El segundo axioma signica que cada cluster es reunin de los clusters
que contiene. Es decir, reuniendo clusters obtenemos clusters ms am-
plios. Por ejemplo, en el reino animal, un gnero es reunin de especies,
una familia es reunin de gneros, etc.
10.2. JERARQUA INDEXADA 175
3. El ndice c mide el grado de heterogeneidad de cada cluster. Cuanto
ms grande es el cluster ms heterogneo es.
Teorema 10.2.1 Para todo r _ 0 la relacin binaria
a
sobre los elementos
de
i
a
, :i i. , c. :ic:do c(c) _ r. (10.1)
es de equivalencia.
Demost.: La relacin
a
es:
Reexiva: i
a
i ya que i i, siendo c(i) = 0 _ r.
Simtrica: Evidente.
Transitiva: Sea c
i)
el mnimo cluster que contiene i. ,, y anlogamente c
)I
.
Entonces :
i
a
, =i. , c
i),
c(c
i)
) _ r. ,
a
/ =,. / c
)I,
c(c
)I
) _ r.
=c
i)
c
)I
,= O =
_
c) c
i)
c
)I
=i. / c
)I,
/) c
)I
c
i)
=i. / c
i),
=i
a
/.
La relacin (10.1) dene, para cada r _ 0, una particin de en clases
de equivalencia. La particin se llama clustering al nivel r.
Ejemplo 10.2.1
Consideremos : = 5 partidos polticos: CU (Conveniencia y Unin), PP
(Partido Pragmtico), PSC (Partido Social Cataln), IC (Iniciativa Cata-
lana) y ER (Entente Republicana). Un ejemplo (hipottico) de jerarqua
indexada sobre ={CU,PP,PSC,IC,ER} es:
C ={CU
0
,PP
0
,PSC
0
,IC
0
,ERC
0
,{CU, PP}
1
,{PSC, IC}
1,5
,{PSC, IC, ERC}
2
,
3
},
donde el ndice c est indicado como un subndice: c(CU)=0, c(CU,PP)=1,
etc. Tenemos entonces las siguientes particiones o clusterings:
c Nombre del clustering
= CU +PP +PSC +IC +ER 0 (partidos)
= CU. PP +PSC. IC +ER} 1.5 (derecha, izquierda, centro)
= CU. PP +PSC. IC. ER} 2 (coaliciones)
= 3 (parlamento)
La representacin de esta clasicacin se encuentra en la Figura 10.1, que
justicamos en la seccin siguiente.
10.3. Geometra ultramtrica
Para presentar una clasicacin utilizamos llaves. Por ejemplo, la clasi-
cacin divisiva de Nacin, Comunidades Autnomas y Provincias (slo vamos
a considerar 8) es:
Nacin Autonomas Provincias
Espa~ na
_
_
Aragon
_
_
_
Huesca
Teruel
Zaragoza
Catalunya
_
_
Barcelona
Gerona
Lerida
Tarragona
Madrid Madrid
Una generalizacin de las llaves es el rbol ultramtrico. Como veremos
ms adelante, una jerarqua indexada puede ser visualizada mediante un
grco sencillo e intuitivo, llamado dendograma.
Denicin 10.3.1 Un espacio ultramtrico (. n) es una estructura forma-
da por un conjunto nito y una funcin distancia n sobre vericando,
para todo i. ,. / de :
No negatividad: n(i. ,) _ n(i. i) = 0.
Simetra: n(i. ,) = n(,. i).
Propiedad ultramtrica:
n(i. ,) _ supn(i. /). n(,. /).
La matriz l = (n(i. ,)) de orden : :
l =
_
_
_
_
_
n
11
n
12
n
1a
n
21
n
22
n
2a
.
.
.
.
.
.
.
.
.
.
.
.
n
a1
n
a2
n
aa
_
_
_
_
_
n
i)
= n
)i
= n(i. ,). n
ii
= 0.
es la matriz de distancias ultramtricas .
10.3. GEOMETRA ULTRAMTRICA 177
Proposicin 10.3.1 Una distancia ultramtrica verica la desigualdad tri-
angular y por lo tanto es mtrica.
Demost.:
n(i. ,) _ supn(i. /). n(,. /) _ n(i. /) +n(,. /).
Denicin 10.3.2 Un tringulo i. ,. / formado por tres elementos de
es ultramtrico si es issceles y su base es el lado ms pequeo. Es decir, si
n(i. ,) es la base, entonces
n(i. ,) _ n(i. /) = n(,. /).
Teorema 10.3.2 En un espacio ultramtrico todo tringulo es ultramtrico.
Demost.: Sea i. ,. / un tringulo. Sea n(i. ,) es el lado ms pequeo, en-
tonces:
n(i. /) _ supn(i. ,). n(,. /) = n(,. /)
n(,. /) _ supn(i. ,). n(i. /) = n(i. /)
==n(i. /) = n(,. /).
Denicin 10.3.3 Un rbol ultramtrico (tambin llamado dendograma) es
un grafo conexo, sin ciclos con un punto llamado raiz y : puntos extremos
equidistantes de la raiz.
Una propiedad importante es que todo espacio ultramtrico (. n) se
puede dibujar mediante un dendograma, como muestra la Figura 10.2.
Teorema 10.3.3 Sea (. n) un espacio ultramtrico. Entonces podemos rep-
resentarlo mediante un rbol ultramtrico con extremos los elementos de .
Demost.: Supongamos el rbol en posicin vertical. Sea n(i. ,) la distancia
entre los extremos i. , medida como la mitad de la mnima longitud de las
aristas verticales que unen i con ,, es decir, la distancia vertical hasta el
nudo que liga i con ,. Consideremos un tringulo i. ,. / y supongamos
que i. , es el lado ms pequeo. Entonces / se relaciona con i. , en un
nudo
t
por encima de . As n(/. i) = n(/. ,) = n(i. ,) + ,. donde , _ 0
es la distancia vertical entre y
t
. Esto demuestra que i. ,. / es un arbol
ultramtrico.
Hay una versin del Teorema 10.2.1 para distancias ultramtricas.
Figura 10.1: Representacin en rbol ultramtrico (dendograma) de cinco
partidos polticos.
Teorema 10.3.4 Sea (. n) un espacio mtrico. Si n es distancia ultramtri-
ca, entonces la relacin binaria
a
sobre los elementos de
i
a
, :i n(i. ,) _ r. (10.2)
es de equivalencia para todo r _ 0. Recprocamente, si la relacin (10.2) es
de equivalencia para todo r _ 0, entonces n es distancia ultramtrica.
Demost.: Supongamos que n es ultramtrica. Entonces la relacin
a
es:
Reexiva: n(i. i) = 0 _ r.
Simtrica: n(i. ,) = n(,. i) _ r.
Transitiva: Sea i. ,. / un tringulo ultramtrico con base i. ,. entonces
tenemos
n(i. ,) _ n(,. /) = n(i. /) _ r.
que nos demuestra la transitividad.
Supongamos ahora que
a
es de equivalencia y que el tringulo i. ,. /
verica:
n(i. ,) _ n(,. /) _ n(i. /).
10.3. GEOMETRA ULTRAMTRICA 179
Sea r = n(,. /). Entonces n(i. ,) _ r. n(,. /) _ r =n(i. /) _ r = n(,. /)
por la transitividad de
a
. Esto demuestra que n(,. /) = n(i. /) y por lo
tanto el tringulo i. ,. / es ultramtrico.
La Figura 10.1 contiene el dendograma correspondiente a la jeraqua in-
dexada del ejemplo 10.2.1.
Otra propiedad importante es que juntando elementos prximos de
seguimos manteniendo la propiedad ultramtrica, y esto vale para cualquier
clustering.
Teorema 10.3.5 Supongamos que sobre los : clusters del clustering
= c
1
+c
2
+ +c
n
hay denida una distancia ultramtrica n. Sean c
i
. c
)
los dos clusters ms
prximos: n(c
i
. c
)
) = mnimo. Entonces uniendo c
i
con c
)
, se puede denir
una distancia ultramtrica n
t
sobre los :1 clusters del clustering
= c
1
+ +c
i
' c
)
+ +c
n
.
Demost.: Si / ,= i. ,. por la propiedad ultramtrica tenemos que n(c
I
. c
i
) =
n(c
I
. c
)
). Denimos:
n
t
(c
I
. c
i
' c
)
) = n(c
I
. c
i
) = n(c
I
. c
)
). / ,= i. ,.
n
t
(c
o
. c
b
) = n(c
o
. c
b
). c. / ,= i. ,.
(10.3)
Consideremos el tringulo c
o
. c
b
. c
i
' c
)
. Entonces:
n
t
(c
o
. c
b
) = n(c
o
. c
b
)
_ supn(c
o
. c
i
). n(c
b
. c
i
) = supn
t
(c
o
. c
i
' c
)
). n
t
(c
b
. c
i
' c
)
).
n
t
(c
o
. c
i
' c
)
) = n(c
o
. c
i
)
_ supn(c
o
. c
b
). n(c
b
. c
i
) = supn
t
(c
o
. c
b
). n
t
(c
b
. c
i
' c
)
).
Finalmente, la propiedad ultramtrica es invariante por transformaciones
montonas.
Proposicin 10.3.6 Si n es distancia ultramtrica y n
t
= ,(n) es una trans-
formacin de n donde , es una funcin positiva montona (creciente o de-
creciente), entonces n
t
es tambin distancia ultramtrica.
Demost.: Si i. ,. / es un tringulo ultramtrico con base i. , y , es mon-
tona, tendremos que
n(i. ,) _ n(i. /) = n(,. /) =n
t
(i. ,) _ n
t
(i. /) = n
t
(,. /).
10.4. Algoritmo fundamental de clasicacin
A partir de un espacio ultramtrico podemos construir una jerarquia in-
dexada. Nos lo permite el siguiente
Algoritmo fundamental de clasicacin
Sea (. n) un espacio ultramtrico. El fundamento de este algoritmo con-
siste en el hecho de que, en virtud del Teorema 10.3.5, juntando elementos o
clusters ms prximos, conservamos la propiedad ultramtrica.
1. Comencemos con la particin:
= 1 + +:.
2. Sean i. , los dos elementos ms prximos: n(i. ,) = mnimo. Los unimos
i ' , = i. ,
y denimos la nueva distancia ultramtrica n
t
n
t
(/. i. ,) = n(i. /) = n(,. /). / ,= i. ,.
(ver Teorema 10.3.5).
3. Consideremos la nueva particin:
= 1 + +i. , + +:
y repitamos el paso 2 hasta llegar a . En este proceso, cada vez que
unimos c
i
con c
)
tal que n(c
i
. c
)
) = mnimo, denimos el ndice
c(c
i
' c
)
) = n(c
i
. c
)
). (10.4)
El resultado de este proceso es una jerarqua indexada (C. c).
10.5. Equivalencia entre jerarqua indexada y
ultramtrica
Una jerarqua indexada es una estructura conjuntista. Un espacio ultra-
mtrico es una estructura geomtrica. Ambas estructuras son equivalentes.
10.6. ALGORITMOS DE CLASIFICACIN JERRQUICA 181
Teorema 10.5.1 Sea (C. c) una jerarqua indexada total sobre un conjunto
. Entonces podemos denir una distancia ultramtrica n sobre . Recproca-
mente, todo espacio ultramtrico (. n) dene una jerarqua indexada (C. c).
Demost.: A partir de (C. c) denimos la siguiente distancia
n(i. ,) = c(c
i)
).
donde c
i)
es el mnimo cluster (respecto a la relacin de inclusin) que con-
tiene i. ,. Sea i. ,. / un tringulo y sean tambin c
iI
. c
)I
los mnimos clusters
que contienen i. /. ,. / respectivamente. Tenemos que
c
iI
c
)I
,= O
y por tanto (axioma de la interseccin) hay dos posibilidades:
c) c
iI
c
)I
=i. ,. / c
)I
=c
i)
c
)I
=n(i. ,) = c(c
i)
) _ n(,. /) = c(c
)I
)
/) c
)I
c
iI
=i. ,. / c
iI
=c
i)
c
iI
=n(i. ,) = c(c
i)
) _ n(i. /) = c(c
iI
)
As pues: n(i. ,) _ supn(i. /). n(,. /).
La posibilidad de construir una jerarqua indexada a partir de una dis-
tancia ultramtrica es una consecuencia del algoritmo fundamental de clasi-
cacin. El ndice de la jerarqua viene dado por (10.4).
Comentarios:
1. Obsrvese la analoga entre el Teorema 10.3.5 y el algoritmo funda-
mental de clasicacin.
2. Obsrvese adems que (10.3) permite denir de manera inequvoca una
distancia entre un cluster y la unin de los dos clusters ms prximos.
Esta propiedad es la que otorga importancia a la distancia ultramtrica.
10.6. Algoritmos de clasicacin jerrquica
Supongamos que, en relacin a unas variables observables, hemos obtenido
una matriz de distancias = (o(i. ,)) de orden : : entre los elementos de
un conjunto :
=
_
_
_
_
_
o
11
o
12
o
1a
o
21
o
22
o
2a
.
.
.
.
.
.
.
.
.
.
.
.
o
a1
o
a2
o
aa
_
_
_
_
_
o
i)
= o
)i
= o(i. ,). o
ii
= 0.
Si la distancia o es ultramtrica, entonces no hay ningn problema para
llevar a cabo una clasicacin construyendo una jerarqua indexada. Basta
con aplicar el algoritmo fundamental de clasicacin (Seccin 10.4). Pero
en general o no cumple la propiedad ultramtrica y por lo tanto hemos de
modicar adecuadamente este algoritmo.
Algoritmo de clasicacin
Sea (. o) un espacio mtrico. El algoritmo de clasicacin se basa en el
Teorema 10.3.5, en el sentido de que juntaremos los elementos o clusters ms
prximos, y procuraremos obtener tringulos ultramtricos.
1. Comencemos con la particin:
= 1 + +:.
2. Sean i. , los dos elementos ms prximos: o(i. ,) = mnimo. Los unimos
i ' , = i. ,
y denimos la distancia de un elemento / al cluster i. ,
o
t
(/. i. ,) = ,(o(i. /). o(,. /)). / ,= i. ,. (10.5)
donde , es una funcin adecuada.
3. Consideremos la nueva particin:
= 1 + +i. , + +:.
y repitamos el paso 2 hasta llegar a . En este proceso, cada vez que
unimos c
i
con c
)
tal que o(c
i
. c
)
) = mnimo, denimos el ndice
c(c
i
' c
)
) = o
t
(c
i
. c
)
). (10.6)
La funcin , en (10.5) se dene adecuadamente a n de que se cumpla la
propiedad ultramtrica. El resultado de este proceso es una jerarqua index-
ada (C. c).
10.6.1. Mtodo del mnimo
Los diferentes mtodos de clasicacin jerrquica dependen de la eleccin
de , en (10.5). Una primera eleccin conveniente de , consiste simplemente
en tomar el valor ms pequeo de los dos lados i. /. ,. / del tringulo
i. ,. / con base i. ,, es decir:
o
t
(/. i. ,) = mno(i. /). o(,. /). / ,= i. ,. (10.7)
En otras palabras, hacemos que el tringulo
o(i. , _ o(i. /) = c _ o(,. /).
se transforme en ultramtrico
o
t
(i. , _ o
t
(i. /) = o
t
(,. /) = c.
Ejemplo. Sea una matriz de distancias sobre = 1. 2. 3. 4. 5. El
mtodo del mnimo proporciona una jerarqua indexada (C. c) asociada a
una matriz ultramtrica l:
=
1 2 3 4 5
1 0 1 3 4 7
2 0 4 4 8
3 0 2 8
4 0 7
5 0
(1. 2) 3 4 5
(1. 2) 0 3 4 7
3 0 2 8
4 0 7
5 0
(1. 2) (3. 4) 5
(1. 2) 0 3 7
(3. 4) 0 7
5 0
(1. 2. 3. 4) 5
(1. 2. 3. 4) 0 7
5 0
C = 1
0
. . . . . 5
0
. 1. 2
1
. 3. 4
2
. 1. 2. 3. 4
3
.
7
(C. c) l =
1 2 3 4 5
1 0 1 3 3 7
2 0 3 3 7
3 0 2 7
4 0 7
5 0
El mtodo del mnimo produce una distancia ultramtrica n que goza de
la siguiente propiedad.
Teorema 10.6.1 Sea
l = n [ n es ultrametrica. n(i. ,) _ o(i. ,)
el conjunto de distancias ultramtricas ms pequeas que o. Entonces la dis-
tancia ultramtrica n resultante de aplicar el mtodo del mnimo es el ele-
mento mximo de l
n(i. ,) _ n(i. ,). n l. \i. , .
Demost.: Sean i. , los elementos ms prximos. Entonces n(i. ,) = o(i. ,).
La columna / (,= i. ,) tendr trminos repetidos iguales a una distancia o
t
construida tomando un mnimo. Si n _ o es otra distancia ultramtrica,
entonces: a) si es estrictamente ms pequea es evidente que n n. b) si
n(/
t
. /
tt
) es ms grande que n(/
t
. /
tt
) pero es igual a alguna o, entonces la
columna / tendr elementos repetidos, y al menos uno ser superior a o
t
.
Contradiccin.
El razonamiento es parecido si consideramos un cluster c y un elemento
/ , c. Comprese con l en el ejemplo anterior. Vase tambin el Teorema
10.7.3.
A la vista de este resultado, podemos decir que n es la mejor aproximacin
a o por defecto.
10.6.2. Mtodo del mximo
Una segunda eleccin razonable de , consiste en tomar el valor ms grande
de los dos lados i. /. ,. / del tringulo i. ,. / con base i. ,, es decir:
o
t
(/. i. ,) = maxo(i. /). o(,. /). / ,= i. ,. (10.8)
En otras palabras, hacemos que el tringulo
o(i. , _ o(i. /) _ o(,. /) = /.
se convierta en ultramtrico
o
t
(i. , _ o
t
(i. /) = o
t
(,. /) = /.
El mtodo del mximo produce una distancia ultramtrica n que goza de
la siguiente propiedad.
Teorema 10.6.2 Sea
l = n [ n es ultrametrica. n(i. ,) _ o(i. ,)
el conjunto de distancias ultramtricas ms grandes que o. Entonces la distan-
cia ultramtrica n resultante de aplicar el mtodo del mximo es un elemento
minimal de l
n(i. ,) _ n(i. ,). n l. \i. , .
As n es la mejor aproximacin a o por exceso.
Comentarios:
1. Las distancias n. n. y o verican:
n(i. ,) _ o(i. ,) _ n(i. ,).
Hay igualdad n = o = n si y slo si o es ultramtrica.
2. n es elemento mximo y es nico. El mtodo del mnimo slo tiene una
solucin.
3. n es elemento minimal y no es nico. El mtodo del mximo puede
tener varias soluciones.
4. Si todos los elementos fuera de la diagonal de la matriz de distancias
son diferentes, entonces la solucin obtenida aplicando el mtodo del
mximo es nica y por tanto n es elemento mnimo .
Finalmente, una notable propiedad de los mtodos del mnimo (tambin
conocido como single linkage) y del mximo (complete linkage) es que con-
servan la ordenacin de la distancia o. en el sentido de la Proposicin 10.3.6.
Teorema 10.6.3 Los mtodos del mnimo y del mximo son invariantes por
transformaciones montonas de la distancia o :
o
t
= ,(o) =n
t
= ,(n)
donde n. n
t
son las ultramtricas asociadas a o. o
t
y , es una funcin mon-
tona positiva.
Demost.: En el proceso de encontar la ultramtrica slo intervienen los rangos
de los valores de o. que son los mismos que los rangos de los valores de o
t
.
10.7. Otras propiedades del mtodo del mn-
imo
Una propiedad de la distancia ultramtrica dice que todo elemento de
una bola es tambin centro de la propia bola.
Proposicin 10.7.1 Sea 1(i
0
. :) una bola cerrada de centro i
0
y radio : :
1(i
0
. :) = i [ n(i
0
. i) _ :.
Entonces
\i 1(i
0
. :) c:i,icc 1(i. :) = 1(i
0
. :).
La demostracin es inmediata. Tambin se verica:
Proposicin 10.7.2 Sea i
1
. . . . . i
n
. Se cumple la desigualdad
n(i
1
. i
n
) _ supn(i
c
. i
c+1
)[c = 1. . . . . :1.
Demost.: Por recurrencia sobre :. Para : = 2 es la desigualdad ultramtrica.
Supongamos cierto para :1. Tenemos:
n(i
1
. i
n
) _ supn(i
1
. i
n1
). n(i
n1
. i
n
)
_ supsupn(i
c
. i
c+1
)[c = 1. . . . . :2. n(i
n1
. i
n
)
_ supn(i
c
. i
c+1
)[c = 1. . . . . :1.
Sea ahora = 1. 2. . . . . : y o una distancia sobre .
Denicin 10.7.1 Una cadena [i. ,]
n
es el conjunto i = i
1
. i
2
. . . . . , = i
n
.
Denicin 10.7.2 Indiquemos
sup[i. ,]
n
= sup
1cn
o(i
c
. i
c+1
)
el mximo salto de la cadena [i. ,]
n
. Denimos la distancia sobre
n(i. ,) =nf
n
sup[i. ,]
n
10.7. OTRAS PROPIEDADES DEL MTODO DEL MNIMO 187
1. n es una ultramtrica tal que n _ o.
2. Si n es otra ultramtrica tal que n _ o entonces n _ n.
3. n es la ultramtrica que se obtiene por el mtodo del mnimo.
Demost.: [i. ,]
2
= i. , es una cadena que une i. , y por lo tanto
n(i. ,) _ sup[i. ,]
2
Sea [i. ,. /] una cadena que une i. , pero que contiene /. El conjunto de
las cadenas [i. ,. /] est contenido en el conjunto de las cadenas [i. ,]. Por lo
tanto:
nf
n
sup[i. ,]
n
_nf
n
0
sup[i. /. ,]
n
0 (10.9)
Por otra parte, dadas las cadenas [i. ,]. [,. /] podemos construir
[i. /. ,] = [i. ,] ' [,. /]
de modo que
sup[i. /. ,] = supsup[i. ,]. sup[,. /]
Teniendo en cuenta (10.9) deducimos que
n(i. ,) _ supn(i. /). n(,. /)
Sea ahora n _ o. Aplicando la Proposicin 10.7.2
n(i. ,) _ sup
1cn
n(i
c
. i
c+1
) _ sup[i. ,]
n
Por lo tanto
n(i. ,) _nf
n
sup[i. ,]
n
= n(i. ,).
Conviene comparar este resultado con el Teorema 10.6.1.
Figura 10.2: Representacin mediante un dendograma que agrupa 11 profe-
sores segn los artculos publicados conjuntamente.
10.8. Ejemplos
Profesores. Un grupo de : = 11 profesores de probabilidades y estadstica
de la Universidad de Barcelona han publicado, entre 1994 y 2000, unos 150
artculos internacionales, algunos en colaboracin. Con la nalidad de agru-
par los profesores segn los artculos que publicaron juntos, consideramos el
coeciente de similaridad
:(i. ,) = nmero de artculos que i. , han publicado juntos.
Denimos entonces la disimilaridad
d(i. ,) = 1 :(i. ,), mn:(i. i). :(,. ,).
Calculando d(i. ,) para cada par de profesores, obtenemos la siguiente
matriz de distancias:
10.8. EJEMPLOS 189
Are Cor Cua For Mar Nua Oli Oll Rov San Sar
Arenas 0
Corcuera 1 0
Cuadras 0.50 1 0
Fortiana 0.83 1 0.06 0
Marquez 1 1 1 1 0
Nualart 1 1 1 1 1 0
Oliva 1 1 0.33 0.33 1 1 0
Oller 1 0.75 1 1 1 1 1 0
Rovira 1 1 1 1 1 1 1 1 0
Sanz 1 1 1 1 0.33 0.93 1 1 0.11 0
Sarra 1 1 1 1 0.75 1 1 1 1 0.25 0
Aplicando un anlisis cluster, mtodo del mnimo (single linkage), a esta
matriz de disimilaridades, obtenemos el dendograma de la Figura 10.2. Este
grco pone de maniesto que hay tres grupos principales con 4, 2 y 5 pro-
fesores, que trabajan en anlisis multivariante (AM), estadstica matemtica
(EM) y anlisis estocstico (AE), respectivamente.
Idiomas. Los idiomas tienen semejanzas y diferencias entre sus palabras.
Midiendo objetivamente sus diferencias en relacin a las letras que describen
los nmeros 1 a 10, se pretende agrupar jerrquicamente 14 idiomas europeos:
Alemn, Ingls, Vasco, Cataln, Castellano, Dans, Filands, Francs,
Gallego, Holands, Hngaro, Italiano, Noruego y Polaco.
La disimilaridad entre cada par de idiomas se calcula sumando el nmero
de letras que cambian (por supresin, duplicacin, aadido, etc.) al escribir
cada uno de los nmeros 1, 2, ..., 10.
Por ejemplo, entre Ingls y Noruego hay 27 diferencias (sumando las que
hay para cada uno de los nmeros del 1 al 10), y entre Espaol (Castellano)
e Italiano slo hay 17.
Vase Oliva et al. (1993) para ms detalles.
Figura 10.3: Representacin mediante un dendograma (mtodo del mnimo)
de 14 idiomas europeos. Las disimilaridades iniciales se obtiene a partir de
las diferencias al escribir los nmeros del 1 al 10.
La matriz de disimilaridades es:
Ale Ing Vas Cat Cas Dan Fil Fra Gal Hol Hun Ita Nor Pol
Alemn 0
Ingls 29 0
Vasco 45 44 0
Cataln 34 28 45 0
Castellano 32 29 46 17 0
Dans 30 26 43 27 31 0
Filands 58 55 59 57 55 59 0
Francs 33 32 46 13 24 33 59 0
Gallego 32 27 44 13 7 26 55 23 0
Holands 19 25 43 43 32 29 56 33 33 0
Hngaro 42 38 45 40 42 36 56 38 40 37 0
Italiano 37 35 46 22 17 32 60 24 15 36 45 0
Noruego 29 27 43 29 32 3 58 33 27 28 36 33 0
Polaco 45 44 53 44 36 44 56 45 38 42 52 42 44 0
Sobre esta matriz de disimilaridades se lleva a cabo un anlisis cluster
10.9. CLASIFICACIN NO JERRQUICA 191
jerrquico, mtodo del munimo (single linkage). El resultado es el dendogra-
ma de la Figura 10.3. Claramente se aprecia que los idiomas de origen latino
se agrupan, manteniendo una cierta similaridad con las lenguas anglosajonas,
que tambin se agrupan. El Polaco y el Hngaro, aunque son dos idiomas
bastante distintos, forman un cluster. El Vasco y el Filands se mantienen
separados de las otras lenguas.
10.9. Clasicacin no jerrquica
Una clasicacin no jerrquica de : objetos en relacin a una matriz de
datos cuantitativos X, consiste en obtener q grupos homogneos y excluyentes
(clusters). Si tenemos q clusters, estamos en la misma situacin contemplada
en el Cap. 7, y podemos considerar la descomposicin de la variabilidad total
T = H+V
Una particin en q clusters que hace mxima H o mnima V. en relacin
a algn criterio, dar una solucin al problema, puesto que tendremos una
mxima dispersin entre clusters. Algunos criterios, justicados por el anlisis
multivariante de la varianza, son:
a) Minimizar tr(V)
b) Minimizar [V[.
c) Minimizar = [V[,[T[.
d) Maximizar tr(V
1
H).
Pero la cantidad de maneras diferentes de agrupar : objetos en q clusters
es del orden de q
a
,q!. nmero muy grande incluso para valores moderados de
: y q. Por ejemplo, necesitaramos formar ms de 10
23
clusters si : = 50. q =
3. Por tanto, es necesario seguir algn algoritmo de agrupacin.
El mtodo de las medias mviles consiste en:
1. Comenzar con q puntos del espacio 1
j
y asignar los objetos a q clus-
ters de acuerdo con la proximidad (distancia eucldea) a los q puntos
iniciales.
2. Calcular los centroides de los q clusters obtenidos y reasignar los objetos
segn su proximidad al centroide de cada cluster.
3. Repetir el paso anterior, calculando cada vez la cantidad [V[ (o el
criterio de optimizacin escogido). Parar cuando [V[ ya no disminuye.
Es posible probar que la suma de cuadrados de las distancias eucldeas
de los puntos de cada cluster al centroide
j
I=1
a
i=1
d
2
(x
Ii
. x
I
)
disminuye a cada paso.
10.10. Nmero de clusters
Diversos autores (Calinski, Harabasz, Hartigan, Krzanowski, Lai) han
propuesto mtodos para estimar el nmero de clusters sde una clasicacin.
Es ste un tema abordado desde muchas perspectivas (vase Gordon, 1999).
Normalmente el usuario determina el nmero / de clusters. Un primer
criterio consiste en tomar el valor / tal que maximice la cantidad
cl
1
(/) =
tr(H(/))
q 1
,
tr(V(/))
: q
.
donde H(/). V(/) indican las matrices entre-grupos y dentro-grupos para /
grupos. Otro criterio considera
dif(/) = (/ 1)
2j
V(/ 1) /
2j
V(/)
y elige / tal que maximiza
c|
2
(/) = di,(/),di,(/ + 1).
Pero c|
1
i c|
2
no estan denidos para / = 1. Un tercer criterio propone el
estadstico
H(/) = (
V(/)
V(/ + 1)
1),(: / 1).
empieza con / = 1 y aumenta / si H(/) crece signicativamente de acuerdo
con una aproximacin a la distribucin F.
Tibshirani et al. (2001) proponen un mtodo que contempla tambin el
caso / = 1. Partiendo del resultado de cualquier clasicacin, jerrquica o
no, comparan el cambio de V(/) respecto al cambio esperado para a una
distribucin apropiada de referencia
1(log [V(/)[) log [V(/)[.
10.11. Complementos
La historia de la clasicacin comienza con la sistemtica de Carl von Lin-
n, que permita clasicar animales y plantas segn gnero y especie. La clasi-
cacin moderna (denominada taxonoma numrica) se inicia en 1957 con
la necesidad de proponer criterios objetivos de clasicacin (Sokal, Sneath,
Michener). Posteriormente, diversos autores relacionaron las clasicaciones
jerrquicas con los espacios ultramtricos (Benzecri, Jardine, Sibson, John-
son), dado que la propiedad ultramtrica ya era conocida en otros campos
de la matemtica. Hartigan (1967) y Johnson (1967) son dos referencias im-
portantes para representar matrices de similaridades (o disimilaridades) me-
diante dendogramas y relacionarlos con las clasicaciones jerrquicas. Vase
Gordon (1999).
Una crtica que se ha hecho al anlisis cluster es el excesivo repertorio
de distancias y mtodos de clasicacin. Incluso se han realizado clasica-
ciones de las propias maneras de clasicar, y clasicaciones jerrquicas de las
distancias. Tambin se ha argumentado (Flury, 1997) que el planteamiento
correcto del anlisis cluster consiste en encontrar mixturas
,(x) =j
1
,
1
(x) + +j
j
,
j
(x).
donde cada densidad ,
i
representara un cluster y , la densidad de los datos
que hemos observado. Pero si una distancia mide razonablemente las difer-
encias entre los objetos, entonces se pueden obtener clasicaciones objetivas
aplicando anlisis cluster jerrquico. Por ejemplo, en el ao 1999 se realiz la
clasicacin jerrquica del reino vegetal a partir de distancias entre secuen-
cias de DNA, obteniendo una concordancia de un 60 % con la clasicacin
tradicional basada en la similitud morfolgica de las plantas.
J. C. Gower conjetur en 1971 que toda distancia ultramtrica era eu-
cldea con dimensin : 1. un resultado que sera probado por Holman
(1972). Interes entonces estudiar la relacin entre representaciones en r-
bol y en coordenadas (Bock, Crithcley, Heiser, Kruskal). Critchley y Heiser
(1988) probaron que, a pesar del resultado de Holman, es posible representar
un espacio ultramtrico con una sola dimensin utilizando una mtrica ade-
cuada. Un estudio de los vectores propios y las dimensiones principales de
una matriz de distancias ultramtricas es debido a Cuadras y Oller (1987).
Vase tambin Cuadras y Carmona (1983) y Cuadras et al. (1996).
N. Jardine y R. Simpson propusieron el mtodo de clasicacin denomi-
nado exible, que consiste en denir la distancia de un cluster a la unin de
dos clusters en funcin de unos parmetros, por ejemplo, inicialmente
o
t
(/. i. ,) = c
i
o(i. /) +c
)
o(,. /) +,o(i. ,) +[o(i. /) o(,. /)[.
y anlogamente en los siguientes pasos. Dando valores a los parmetros se
obtienen los mtodos siguientes (se incluye denominacin estndar):
Criterio de agrupacin c
i
c
)
,
Mnimo (single linkage) 1/2 1/2 0 1,2
Mximo (complete linkage) 1/2 1/2 0 +1,2
Media (weighted average link) 1/2 1/2 0 0
UPGMA (group average link) :
i
,(:
i
+:
)
) :
)
,(:
i
+:
)
) 0 0
UPGMA (Unweighted pair group method using arithmetic averages) es un
mtodo recomendable porque proporciona una clasicacin que se ajusta bien
a la distancia inicial en el sentido de los mnimos cuadrados.
G.H. Ball, D.J. Hall, E. Diday y otros propusieron algoritmos ecientes
de agrupacin no jerrquica. Consltese Everitt (1993).
Captulo 11
ANALISIS DISCRIMINANTE
11.1. Introduccin
Sean
1
.
2
dos poblaciones, A
1
. ....A
j
variables observables, x =(r
1
. .... r
j
)
las observaciones de las variables sobre un individuo .. El problema es asignar
. a una de las dos poblaciones. Este problema aparece en muchas situaciones:
decidir si se puede conceder un crdito; determinar si un tumor es benigno o
maligno; identicar la especie a que pertenece una planta.
Una regla discriminante es un criterio que permite asignar ., y que
a menudo es planteado mediante una funcin discriminante 1(r
1
. .... r
j
).
Entonces la regla de clasicacin es
Si 1(r
1
. .... r
j
) _ 0 asignamos . a
1
.
en caso contrario asignamos . a
2
.
Esta regla divide 1
j
en dos regiones
1
1
= x[1(x) 0. 1
2
= x[1(x) < 0.
En la decisin de clasicar, nos equivocaremos si asignamos . a una poblacin
a la que no pertenece. La probabilidad de clasicacin errnea (pce)es
pce = 1(1
2
,
1
)1(
1
) +1(1
1
,
2
)1(
2
). (11.1)
195
196 CAPTULO 11. ANALISIS DISCRIMINANTE
11.2. Clasicacin en dos poblaciones
11.2.1. Discriminador lineal
Sean j
1
. j
2
los vectoros de medias de las variables en
1
.
2
. respectiva-
mente, y supongamos que la matriz de covarianzas es comn. Las distancias
de Mahalanobis de las observaciones x =(r
1
. . . . . r
j
)
t
de un individuo . a las
poblaciones son
`
2
(x.j
i
) = (xj
i
)
t
1
(xj
i
). i = 1. 2.
Un primer criterio de clasicacin consiste en asignar . a la poblacin ms
prxima:
Si `
2
(x.j
1
) < `
2
(x.j
2
) asignamos . a
1
.
2
.
(11.2)
Expresando esta regla como una funcin discriminante, tenemos:
`
2
(x.j
2
) `
2
(x.j
1
) = x
t
1
x+j
2
1
j
2
2x
t
1
j
2
x
t
1
xj
1
1
j
1
+ 2x
t
1
j
1
= (j
2
j
1
)
t
1
(j
2
+j
1
) + 2x
t
1
(j
1
j
2
)
Denimos la funcin discriminante
1(x) =
_
x
1
2
(j
1
+j
2
)
_
t
1
(j
1
j
2
) . (11.3)
Tenemos que
`
2
(x.j
2
) `
2
(x.j
1
) = 21(x)1((j
1
+j
2
) ,2)
y la regla (11.2) es
Si 1(x) 0 asignamos . a
1
.
2
.
La funcin lineal (11.3) es el discriminador lineal de Fisher.
11.2. CLASIFICACIN EN DOS POBLACIONES 197
11.2.2. Regla de la mxima verosimilitud
Supongamos que ,
1
(x) . ,
2
(x) son las densidades de x en
1
.
2
. Una regla
de clasicacin consiste en asignar . a la poblacin donde la verosimilitud
de las observaciones x es ms grande:
Si ,
1
(x) ,
2
(x) asignamos . a
1
.
2
.
La funcin discriminante es
\ (x) = log ,
1
(x) log ,
2
(x) .
11.2.3. Regla de Bayes
En ciertas situaciones, se conocen las probabilidades a priori de que .
pertenezca a cada una de las poblaciones
1
= 1 (
1
) .
2
= 1 (
2
) .
1
+
2
= 1.
Una vez que se dispone de las observaciones x =(r
1
. . . . . r
j
). las probabili-
dades a posteriori de que . pertenezca a las poblaciones (teorema de Bayes)
son
1(
i
,x) =

i
,
i
(x)
1
,
1
(x) +
2
,
2
(x)
. i = 1. 2.
La regla de clasicacin de Bayes es
Si 1(
1
,x) 1(
2
,x) asignamos . a
1
.
2
.
El discriminador de Bayes es
1(x) = log ,
1
(x) log ,
2
(x) + log (
1
,
2
) .
Cuando
1
=
2
= 1,2. entonces 1(x) = \ (x) . Este discriminador es ptimo
.
Teorema 11.2.1 La regla de Bayes minimiza la probabilidad de clasicacin
errnea.
Demost.: Supongamos que se dispone de otra regla que clasica a
1
si x 1
+
1
.
y a
2
si x 1
+
2
. donde 1
+
1
. 1
+
2
son regiones complementarias del espacio
muestral. Indicando dx =dr
1
dr
j
. La probabilidad de clasicacin errnea
es
jcc
+
=
1
_
1
2
,
1
(x)dx+
2
_
1
1
,
2
(x)dx
=
_
1
2
(
1
,
1
(x)
2
,
2
(x))dx+
2
(
_
1
2
,
2
(x)dx+
_
1
1
,
2
(x)dx)
=
_
1
2
(
1
,
1
(x)
2
,
2
(x))dx+
2
.
Esta ltima integral es mnima si 1
+
2
incluye todas las x tal que
1
,
1
(x)
2
,
2
(x) <0
y excluye toda las x tal que
1
,
1
(x)
2
,
2
(x) 0. Por tanto jcc
+
es mnima
si 1
+
2
= 1
2
. donde 1
2
= x[1(x) <0.
11.3. Clasicacin en poblaciones normales
Supongamos ahora que la distribucin de A
1
. ....A
j
en
1
es `
j
(j
1
.
1
)
y en
2
es `
j
(j
2
.
2
), es decir,
,
i
(x) = (2:)
j2
X
1
i
12
exp
1
2
(x
i
)
t
X
1
i
(x
i
).
11.3.1. Discriminador lineal
Si suponemos j
1
,= j
2
.
1
=
2
= . entonces
\ (x) =
1
2
(xj
1
)
t
1
(xj
1
) +
1
2
(xj
2
)
t
1
(xj
2
)
= 1(x)
y por tanto los discriminadores mximo verosmil y lineal, el segundo basado
en el criterio de la mnima distancia, coinciden.
Sea c la distancia de Mahalanobis entre las dos poblaciones
c = (j
1
j
2
)
t
1
(j
1
j
2
).
Si suponemos que x proviene de `
j
(j
2
. ). de xj
1
= xj
2
+j
2
j
1
. y de
1(xj
2
)(xj
2
)
t
= . (xj
2
)
t
1
(xj
2
) ~
2
j
, tenemos que la esperanza
de l = (xj
1
)
t
1
(xj
1
) es
1(l) =1[(xj
2
)
t
1
(xj
2
) +c + 2(xj
2
)
t
1
(j
2
j
1
)] = j +c.
11.3. CLASIFICACIN EN POBLACIONES NORMALES 199
y la varianza de \ = (xj
2
)
t
1
(xj
2
) es la misma que la de 1(x) y es
var(\ ) = 1((j
2
j
1
)
t
1
(xj
2
)(xj
2
)
t
1
(j
2
j
1
)) = c.
Entonces encontramos fcilmente la distribucin de la funcin discriminante
1(x) :
1(x) es `(+
1
2
c. c) si x proviene de `
j
(j
1
. ).
1(x) es `(
1
2
j
(j
2
. ).
(11.4)
Si suponemos j
1
,= j
2
.
1
=
2
= . y conocemos las probabilidades a
priori
1
= 1 (
1
) .
2
= 1 (
2
) . entonces es fcil ver que
1(x) =1(x)+log(
1
,
2
).
y la funcin discriminante de Bayes es el discriminador lineal ms la constante
log(
1
,
2
).
11.3.3. Probabilidad de clasicacin errnea
La probabilidad de asignar x a
2
cuando proviene de `
j
(j
1
. ) es
1(1(x) <0[
1
) = 1((1(x)
1
2
c),
_
c) = (
1
2
_
c).
donde (.) es la funcin de distribucin `(0. 1). La probabilidad de clasi-
cacin errnea es
jcc =
1
1(1(x) <0[
1
) +
2
1(1(x) 0[
2
) = (
1
2
_
c).
Por tanto jcc es una funcin decreciente de la distancia de Mahalanobis c
entre las dos poblaciones.
11.3.4. Discriminador cuadrtico
Supongamos j
1
,= j
2
.
1
,=
2
. Entonces el criterio de la mxima verosimil-
itud proporciona el discriminador
Q(x) =
1
2
x
t
_
1
2

1
1
_
x +x
t
_
1
1
j
1
1
2
j
2
_
+
1
2
j
t
2
1
2
j
2
1
2
j
t
1
1
1
j
1
+
1
2
log [
2
[
1
2
log [
1
[
Q(x) es el discriminador cuadrtico. Anlogamente podemos obtener el dis-
criminador cuadrtico de Bayes
1(x) =Q(x) + log(
1
,
2
).
11.3.5. Clasicacin cuando los parmetros son esti-
mados
En las aplicaciones prcticas, j
1
. j
2
.
1
.
2
son desconocidos y se debern
estimar a partir de muestras de tamaos :
1
. :
2
de las dos poblaciones susti-
tuyendo j
1
. j
2
por los vectores de medias x
1
. x
2
. y
1
.
2
por las matrices de
covarianzas S
1
. S
2
. Si utilizamos el estimador lineal, entonces la estimacin
de ser
S =(:
1
S
1
+:
2
S
2
),(:
1
+:
2
)
y la versin muestral del discriminador lineal es
1(x) = [x
1
2
(x
1
+x
2
)]
t
S
1
(x
1
x
2
) .
La distribucin muestral de
1(x) es bastante complicada, pero la distribucin

asinttica es normal:
1(x) es `(+
1
2
j
(j
1
. ).
1(x) es `(
1
2
c.
1
2
c) si x proviene de `
j
(j
2
. ).
donde c = (x
1
x
2
)
t
S
1
(x
1
x
2
) .
11.3.6. Un ejemplo
Ejemplo 11.3.1
Mytilicola intestinalis es un coppodo parsito del mejilln, que en estado
larval presenta diferentes estadios de crecimiento. El primer estadio (Nauplis)
y el segundo estadio (Metanauplius) son difciles de distinguir.
Sobre una muestra de :
1
= 76 y :
2
= 91 coppodos que se pudieron iden-
ticar al microscopio como del primero y segundo estadio respectivamente,
se midieron las variables
| = longitud, c = anchura,
11.3. CLASIFICACIN EN POBLACIONES NORMALES 201
Figura 11.1: Discriminadores lineal y cuadrtico en la clasicacin de coppo-
dos. La lnea recta es el conjunto de puntos tales que 1 = 0. La parbola es
el conjunto de puntos tales que Q = 0.
y se obtuvieron las siguientes medias y matrices de covarianzas:
Estadio-1
x
1
= ( 219.5 138.1 )
S
1
=
_
409.9 1.316
1.316 306.2
_
Estadio-2
x
2
= ( 241.6 147.8 )
S
2
=
_
210.9 57.97
57.97 152.8
_
Discriminador lineal
La estimacin de la matriz de covarianzas comn es:
S = (:
1
S
1
+:
2
S
2
),(:
1
+:
2
) =
_
301.4 31.02
31.02 222.6
_
El discriminador lineal es:
1(long. anch) = ((long. anch)
1
2
(461.1. 285.9)
_
301.4 31.02
31.02 222.6
_
1
_
22.1
9.7
_
= 0.069long 0.034anch + 20.94
La tabla de clasicaciones es:
Estadio asignado
1 2
Estadio 1 61 15
original 2 21 70
Discriminador de Bayes
Una larva, desde que eclosiona est 4 horas en el estadio 1 y 8 horas
en el estadio 2. Al cabo de 12 horas, la larva pasa a un estadio fcilmente
identicable. Por tanto, una larva tiene, a priori, una probabilidad 4,12 = 1,3
de pertenecer al estadio 1 y una probabilidad 8,12 = 2,3 de pertenecer al
estadio 2. As
1
= 1,3.
2
= 2,3. y el discriminador de Bayes es
1(long. anch) = \ (long. anch) + log(1,2) = 0.069long 0.034anch + 20.24
Probabilidad de clasicacin errnea
Una estimacin de la distancia de Mahalanobis es
_
22.1 9.7
_
_
301.4 31.02
31.02 222.6
_
1
_
22.1
9.7
_
= 1.872.
La probabilidad de asignar una larva al estadio 1 cuando corresponde al
estadio 2 o al estadio 2 cuando corresponde al estadio 1 es
jcc = (
1
2
_
1.872) = (0.684) = 0.247.
Discriminador cuadrtico
El test de homogeneidad de covarianzas nos da:
2
= [1
13
18
(
1
75
+
1
90

1
165
)](1835.4 882.5 926. 32) = 26.22
con 3 g.l. Las diferencias entre las matrices de covarianzas son signicati-
vas. Por tanto, el discriminador cuadrtico puede resultar ms apropiado.
Efectuando clculos se obtiene:
Q(long. anch) = 0.0014long
2
+ 0.002anch
2
0.002long anch
0.445long 0.141anch + 72.36
11.4. DISCRIMINACIN EN EL CASO DE K POBLACIONES 203
Con el clasicador cuadrtico se han clasicado bien 2 individuos ms (Fig.
11.1):
Estadio asignado
1 2
Estadio 1 59 17
original 2 17 74
11.4. Discriminacin en el caso de k pobla-
ciones
Supongamos ahora que el individuo . puede provenir de / poblaciones
1
.
2
. . . . .
I
. donde / _ 3. Es necesario establecer una regla que permita
asignar . a una de las / poblaciones sobre la base de las observaciones x =
(r
1
. r
2
. . . . . r
j
)
t
de j variables.
11.4.1. Discriminadores lineales
Supongamos que la media de las variables en
i
es j
i
. y que la matriz de
covarianzas es comn. Si consideramos las distancias de Mahalanobis de .
a las poblaciones
`
2
(x.j
i
) = (xj
i
)
t
1
(xj
i
). i = 1. . /.
un criterio de clasicacin consiste en asignar . a la poblacin ms prxima:
Si `
2
(x.j
i
) = mn`
2
(x.j
1
). . `
2
(x.j
I
). asignamos . a
i
. (11.5)
Introduciendo las funciones discriminantes lineales
1
i)
(x) =
_
j
i
j
)
_
t
1
x
1
2
_
j
i
j
)
_
t
1
_
j
i
+j
)
_
es fcil probar que (11.5) equivale a
Si 1
i)
(x) 0 para todo , ,= i. asignamos . a
i
.
Adems las funciones 1
i)
(x) verican:
1. 1
i)
(x) =
1
2
[`
2
(x.j
)
) `
2
(x.j
i
)].
2. 1
i)
(x) = 1
)i
(x) .
3. 1
vc
(x) = 1
ic
(x) 1
iv
(x) .
Es decir, slo necesitamos conocer / 1 funciones discriminantes.
11.4.2. Regla de la mxima verosimilitud
Sea ,
i
(x) la funcin de densidad de x en la poblacin
i
. Podemos obtener
una regla de clasicacin asignando . a la poblacin donde la verosimilitud
es ms grande:
Si ,
i
(x) = max,
1
(x). . ,
I
(x). asignamos . a
i
.
Este criterio es ms general que el geomtrico y est asociado a las funciones
discriminantes
\
i)
(x) = log ,
i
(x) log ,
)
(x).
En el caso de normalidad multivariante y matriz de covarianzas comn, se
verica \
i)
(x) = 1
i)
(x). y los discriminadores mximo verosmiles coinciden
con los lineales. Pero si las matrices de covarianzas son diferentes
1
. . . . .
I
.
entonces este criterio dar lugar a los discriminadores cuadrticos
Q
i)
(x) =
1
2
x
t
_
1
)

1
i
_
x +x
t
_
1
i
j
1
1
)
j
2
_
+
1
2
j
t
)
1
)
j
)
1
2
j
t
i
1
i
j
i
+
1
2
log [
)
[
1
2
log [
i
[ .
Si adems de las funciones de densidad ,
i
(x). se conocen las probabili-
dades a priori
1
= 1 (
1
) . . . . .
I
= 1 (
I
) .
la regla de Bayes que asigna . a la poblacin tal que la probabilidad a
posteriori es mxima
Si
i
,
i
(x) = max
1
,
1
(x). .
I
,
I
(x). asignamos . a
i
.
est asociada a las funciones discriminantes
1
i)
(x) = log ,
i
(x) log ,
)
(x) + log(
i
,
)
).
Finalmente, si 1(,,i) es la probabilidad de asignar . a
)
cuando en realidad
es de
i
. la probabilidad de clasicacin errnea es
jcc =
I
i=1
i
(
I
),=i
1(,,i)).
y se demuestra que la regla de Bayes minimiza esta pce.
11.4. DISCRIMINACIN EN EL CASO DE K POBLACIONES 205
11.4.4. Un ejemplo clsico
Continuando con el ejemplo 3.6.2, queremos clasicar a una de las 3 es-
pecies una or cuyas medidas son:
r
1
=6.8 r
2
=2.8 r
3
=4.8 r
4
=1.4
La matriz de covarianzas comn es
o =
_
_
_
_
0.2650 0.0927 0.1675 0.0384
0.1154 0.05524 0.0327
0.18519 0.0426
0.0418
_
_
_
_
Las distancies de Mahalanobis (al cuadrado) entre las 3 poblaciones son:
Setosa Versicolor Virginica
Setosa 0 89.864 179.38
Versicolor 0 17.201
Virginica 0
Los discriminadores lineales son:
1
12
(r) =
1
2
[`
2
(r. r
2
) `
2
(r. r
1
)] .
1
13
(r) =
1
2
[`
2
(r. r
3
) `
2
(r. r
1
)] .
1
23
(r) = 1
13
(r) 1
12
(r). 1
21
(r) = 1
12
(r).
1
31
(r) = 1
13
(r). 1
32
(r) = 1
23
(r).
La regla de decisin consiste en asignar el individuo r a la poblacin i si
1
i)
(r) 0 \, ,= i.
Se obtiene:
Individuo 1
12
1
13
1
21
1
23
1
31
1
32
Poblacin
r -51.107 -44.759 51.107 6.3484 44.759 -6.3484 2
Por lo tanto clasicamos la or a la especie I. Versicolor.
Para estimar la probabilidad de clasicacin errnea pce podemos omitir
una vez cada individuo, clasicarlo a partir de los dems y observar si sale
bien clasicado (mtodo leaving-one-out). El resultado de este proceso da:
Poblacin asignada
1 2 3
Poblacin 1 50 0 0
original 2 0 48 2
3 0 1 49
Slo hay 3 individuos mal clasicados y la pce estimada es 3,150 = 0.02.
Captulo 12
DISCRIMINACION
LOGISTICA Y BASADA EN
DISTANCIAS
12.1. Anlisis discriminante logstico
12.1.1. Introduccin
El modelo de regresin logstica permite estimar la probabilidad de un
suceso que depende de los valores de ciertas covariables.
Supongamos que un suceso (o evento) de inters puede presentarse o
no en cada uno de los individuos de una cierta poblacin. Consideremos una
variable binari que toma los valores:
= 1 si se presenta, = 0 si no se presenta.
Si la probabilidad de no depende de otras variables, indicando 1() = j.
la verosimilitud de una nica observacin es
1 = j
j
(1 j)
1j
.
pues 1 = j si = 1. 1 = 1 j si = 0.
Si realizamos : pruebas independientes y observamos
1
. . . . .
a
, la verosimil-
itud es
1 =
a
i=1
j
j
i
(1 j)
1j
i
= j
I
(1 j)
aI
207
208CAPTULO12. DISCRIMINACIONLOGISTICAYBASADAENDISTANCIAS
siendo / =
i
la frecuencia absoluta de en las : pruebas. Para estimar
j resolvemos la ecuacin de verosimilitud
J
Jj
ln 1 = 0
cuya solucin es j = /,:. la frecuencia relativa del suceso . La distribucin
asinttica de j es normal `(j. j(1 j),:).
Muy distinta es la estimacin cuando esta probabilidad depende de otras
variables. La probabilidad de debe entonces modelarse adecuadamente.
12.1.2. Modelo de regresin logstica
Supongamos ahora que la probabilidad j depende de los valores de ciertas
variables A
1
. . . . . A
j
. Es decir, si x = (r
1
. . . . . r
j
)
t
son las observaciones de
un cierto individuo . sobre las variables, entonces la probabilidad de acon-
tecer dado x es j( = 1[x). Indicaremos esta probabilidad por j(x). La
probabilidad contraria de que no suceda dado x ser j( = 0[x) = 1j(x).
Es fcil darse cuenta que pretender que j(x) sea una funcin lineal de x no
puede funcionar correctamente, pues j(x) est comprendido entre 0 y 1.
Por diversas razones, es muy conveniente suponer un modelo lineal para
la llamada transformacin logstica de la probabilidad
ln[
j(x)
1 j(x)
] = ,
0
+,
1
r
1
+ +,
j
r
j
= ,
0
+,
t
x. (12.1)
siendo , = (,
1
. . ,
j
)
t
parmetros de regresin. El modelo 12.1 equivale a
suponer las siguientes probabilidades para y su contrario, ambas en funcin
de x
j(x) =
c
o
0
+o
0
x
1 +c
o
0
+o
0
x
. 1 j(x) =
1
1 +c
o
0
+o
0
x
.
Hagamos ahora una breve comparacin con el modelo lineal. El mdelo de
regresin lineal (vase captulo siguiente) es
= ,
0
+,
1
r
1
+ +,
j
r
j
+c.
donde se supone que es una variable respuesta cuantitativa y que c es un
error con media 0 y varianza o
2
. Usando la misma terminologa, podemos
entender el modelo logstico en el sentido de que
= j(x) +c.
12.1. ANLISIS DISCRIMINANTE LOGSTICO 209
donde ahora slo toma los valores 0 1. Si = 1 entonces c = 1j(x) con
probabilidad j(x). Si = 0 entonces c = j(x) con probabilidad 1 j(x).
De este modo, dado x. el error c tiene media 0 y varianza j(x)(1 j(x)).
Dado un individuo .. la regla de discriminacin logstica (suponiendo
los parmteros conocidos o estimados) simplemente decide que . posee la
caracterstica si j(x) 0.5. y no la posee si j(x) _ 0.5 Introduciendo la
funcin discrimnante
1
j
(x) = ln(
j(x)
1 j(x)
)
la regla de decisin logstica es
Si 1
j
(x) 0 entonces = 1. si 1
j
(x) _ 0 entonces = 0.
12.1.3. Estimacin de los parmetros
La verosimilitud de una observacin es 1 = j(x)
j
(1 j(x))
1j
. La
obtencin de : observaciones independientes
(
i
. x
i
) = (
i
. r
i1
. . . . . r
ij
)
se puede tabular matricialmente como
y =
_
_
_
_
_
2
.
.
.
a
_
_
_
_
_
. X =
_
_
_
_
_
1 r
11
r
12
r
1j
1 r
21
r
22
r
2j
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 r
a1
r
a2
r
aj
_
_
_
_
_
.
Ntese que, para poder tener en cuenta el trmino constante ,
0
en el modelo,
la primera columna de X contiene unos.
La verosimilitud de : observaciones independientes es
1 =
a
i=1
j(x
i
)
j
i
(1 j(x
i
))
1j
i
Tomando logaritmos
ln 1 =
a
i=1
i
ln j(x
i
)(1 j(x))
1j
i
A n de hallar los estimadores mximo verosmiles de los parmetros , de-
beremos resolver las ecuaciones
J
J,
)
ln 1 = 0. , = 0. 1. . . . . j.
Se tiene ln j(x
i
) = ,
0
+,
1
x
i
ln(1 +c
o
0
+o
1
x
i
), luego
0
0o
0
ln j(x
i
) = 1
c
0
+
0
x
i
1+c
0
+
0
x
i
= 1 j(x
i
)
0
0o
j
ln j(x
i
) = r
i)
r
i)
c
0
+
0
x
1+c
0
+
0
x
i
= r
i)
(1 j(x
i
))
Anlogamente derivaramos ln(1 j(x
i
)) = ln(1 + c
o
0
+o
1
x
i
). Se obtienen
entonces las ecuaciones de verosimilitud para estimar los parmetros ,.
a
i=1
(
i
j(x
i
)) = 0.
a
i=1
r
i)
(
i
j(x
i
)) = 0. , = 1. . . . . j.
(12.2)
Utilizando el vector y. la matriz X y el vector de probabilidades :(X) =
(j(x
1
) . . . . j(x
a
))
t
. estas ecuaciones se pueden escribir como
X
t
:(X) = X
t
y.
siendo comparables con las ecuaciones normales (Captulo 13) X
t
X, = X
t
.
para estimar los parmetros , del modelo lineal y = X,+o. salvo que ahora
el modelo X, es :(X). que depende de ,. Sin embargo las ecuaciones (12.2)
no se pueden resolver explcitamente, debindose recurrir a procedimientos
numricos iterativos. Vase Pea (2002).
12.1.4. Distribucin asinttica y test de Wald
Indiquemos por

d = (
,
0
.
,
1
. . . . .
,
j
)
t
la estimacin de los parmetros.
Aplicando la teora asinttica de los estimadores mximo verosmiles, la ma-
triz de informaciin de Fisher es I
o
= X
t
YX. siendo
Y =
_
_
j(x
1
)(1 j(x
1
)) 0

0 j(x
a
)(1 j(x
a
))
_
_
La distribucin asinttica de

d es entonces normal multivariante `
j+1
(d .
I
1
o
)..En particular, la distribucin asinttica del parmetro

,
i
es normal
`(,
i
.var(
,
i
)). donde var(
,
i
) es el correspondiente elemento diagonal de la
matriz inversa I
1
o
.
El llamado test de Wald para la signicacin de ,
i
utiliza el estadstico
. =
,
i
,
_
var(
,
i
)
con distribucin asinttica `(0. 1). o bien .
2
con distribucin ji-cuadrado
con 1 g. l.
. Si se desea estudiar la signicacin de todos los parmetros de regresin,
el test de Wald calcula
n =

d
t
I
o
d.
con distribucin asinttica ji-cuadrado con j + 1 g. l. bajo la hiptesis nula
d = 0.
12.1.5. Ajuste del modelo
En regresin logstica se obtiene el ajuste del modelo calculando la verosimil-
itud 1 del modelo (estimando los parmetros por mxima verosimilitud) y
utilizando el llamado estadstico de desviacin:
1 = 2 ln 1(modelo de regresin).
Se puede interpretar 1 como menos dos veces la razn de verosimilitudes del
modelo ajustado y el modelo saturado
1 = 2 ln
1(modelo de regresin)
1(modelo saturado)
El modelo saturado es el que posee tantos parmetros como observaciones.
En nuestro caso
1(modelo saturado) =
a
i=1
i
j
i
(1
i
)
1j
i
)
= 1.
Supongamos ahora que deseamos estudiar la signicacin de una o varias
covariables. En particular, la signicacin de un coeciente de regresin: H
0
:
,
i
= 0. Utilizando la desviacin 1 calcularemos
G = 1 (modelo sin las variables) 1(modelo con las variables)
= 2 ln
1(modelo sin las variables)
1(modelo con las variables)
.
Si queremos estudiar la signicacin de / variables, entonces la distribucin
asinttica de G es ji-cuadrado con / g. l. . En particular / = 1 si slo
estudiamos la signicacin de una variable.
12.1.6. Curva ROC
Supongamos que la poblacin consiste en individuos que poseen un tumor,
el cual puede ser maligno (suceso ), o benigno (contrario de ). La regla
de discriminacin logstica
Si j(x) 0.5 decidimos que = 1
puede resultar insuciente en este caso, pues bastantes individuos podran
ser clasicados como tumor benigno siendo maligno.
Se llama sensibilidad a la curva
oc(t) = 1(j(x) t[ = 1). 0 _ t _ 1.
Variando t. la curva oc va dando la proporcin de individuos a los que se
detecta tumor maligno. Para t = 0 todos los individuos resultaran malignos,
y para t = 1 todos resultaran benignos.
Se llama especicidad a la curva
1:(t) = 1(j(x) < t[ = 0). 0 _ t _ 1.
Variando t. la curva 1: va dando la proporcin de individuos a los que se
detecta tumor benigno. Para t = 0 todos los individuos resultaran benignos,
y para t = 1 todos resultaran malignos. Es un problema importante en
diagnosis mdica determinar el valor de corte t tal que detecte el mayor
nmero de tumores malignos, sin cometer demasiados errores (decidir que es
maligno cuando en realidad es benigno).
La curva ROC (Receiving Operating Characteristic) resume las dos curvas
de sensibilidad y especicidad. Es la curva que resulta de representar los
puntos
(1 1:(t). oc(t)) 0 _ t _ 1.
es decir, 1-Especicidad en el eje OX, y la Sensibilidad en el eje OY. La curva
ROC est por encima de la diagonal, y cuanto ms se aparta de la diagonal,
mejor es la discriminacin.
En el caso de que la curva coincida con la diagonal, se tiene que
oc(t) = 1(j(x) t[ = 1) = 1 1:(t) = 1(j(x) t[ = 0).
Entonces no es posible distinguir entre las dos poblaciones. En otras pal-
abras, la funcin discriminant logstica 1
j
(x) = ln[j(x),(1 j(x))] tiene
exactamente la misma distribucin tanto si = 1 como si = 0..
El rea bajo la curva ROC es siempre mayor o igual que 0.5. Un valor a
partir de 0.8 se considera como que la discriminacin es buenba. Un valor a
partir de 0.9 se considerara como muy bueno. La discriminacin es perfecta
si el rea vale 1. Vase
Ejemplo 12.1.1
Estudio epidemiolgico sobre : = 189 mujeres que han tenido un beb.
Se intenta estudiar las causas (edad, peso antes embarazo, fumar, etc.) que
provocan el nacimiento de un beb prematuro. Se considera que un beb es
prematuro si su peso est por debajo de los 2500 gramos. Visitando la web
http://www.umass.edu/statdata/statdata/
(Data sets, Regression-Logistic) se puede bajar el chero Low Birth-
weight. Consideramos LOW como variable dependiente (0 si peso mayor
2500gr, 1 si menor que 2500gr) y las variables predictoras AGE (edad), LWT
(peso de la madre), RACE (1=blanco, 2=negro, 3=otros), SMOKE (0=no
fuma, 1=fuma).
Las estimaciones de los parmetros ,
0
. ,
1
. . . ., sus desviaciones tpicas y el
estadstico de Wald se dan en el siguiente cuadro. La variable race (categrica
con 3 estados), se desglosa en 2 variables binarias.
Variable , ST(,). Wald g.l. j
Age -0.022 0.035 0.41 1 0.622
Weight -0,012 0.006 3.76 1 0.052
Race 7.79 2 0.020
Race_1 -0.94 0.41 5.07 1 0.024
Race_2 0.29 0.52 0.30 1 0.583
Smoke 1.05 0.38 7.64 1 0.006
Visits -0.008 0,16 0.002 1 0.963
Constant -0.79 0.15 25.3 1 0.000
1 = 2log-veros 214.57
Con el modelo considerando el trmino constante y 5 variables (age,
weight, race, smoke, visits) obtenemos 1 = 2 ln(modelo) = 214.575. Con-
siderando el trmino constante y 3 variables (weight, race, smoke) obten-
emos 1 = 2 ln(modelo) = 215.05. La diferencia entre las dos desviaciones
215.05 214.575 = 0.475 es ji-cuadrado con 3 g. l., no signicativo. Luego
no hay ventaja en incluir las variables Edad y Nmero de visitas.
La regla estndar de decisin en regresin logstica es:
Si j(r) 0. 5 el beb tiene el peso bajo, en caso contrario es normal.
El valor de corte 0. 5 se puede alterar para mejorar la Sensibilidad (detectar
un beb con peso bajo) o la Especicidad (detectar un beb con peso normal).
En la tabla vemos que si disminuye el punto de corte, detectamos ms bebs
de bajo peso, pero menos de peso normal.
Corte % Normales pred. % Peso bajo pred.
0,1 9,2 100
0,3 50,0 76,3
0,5 93,8 15,3
0,7 100 1,7
0,9 100 0
La curva ROC es el grco conjunto de la Sensibilidad (eje vertical) y 1-
Especicidad (eje horizontal), variando la probabilidad de corte. La diagonal
indicara empate (no se distingue entre beb de bajo peso y beb normal).
El rea bajo la curva ROC es 0. 5 en el peor de los casos (que la curva ROC
coincida con la diagonal). En este ejemplo (Figura 11.2) el rea vale 0. 684.
indicando que el modelo posee una capacidad de prediccin moderada.
12.1.7. Comparacin entre discriminador lineal y logs-
tico
En el modelo logstico conocemos la probabilidad j(x) de = 1 dados los
valores x
j(x) =
c
o
0
+o
0
x
1 +c
o
0
+o
0
x
Bajo normalidad `
j
(j
1
. ). `
j
(j
0
. ) con probabilidades a priori
1
=
0
= 1,2. y utilizando el discriminador lineal, la probabilidad de = 1 (es
Figura 12.1: Curva ROC que representa las curvas de Sensibilidad y 1-
Especicidad para los datos de bebs con bajo peso.
decir, de la poblacin `
j
(j
1
. )) dado x es
1( = 1[x) =
,
1
(x)
,
1
(x) +,
0
(x)
=
c
1
2
(xj
1
)
0
1
(xj
1
)
c
1
2
(xj
1
)
0
1
(xj
1
)
+c
1
2
(xj
0
)
0
1
(xj
0
)
.
Multiplicando numerador y denominador por c
1
2
(xj
0
)
0
1
(xj
0
)
y teniendo
en cuenta que
1
2
(x j
1
)
t
1
(x j
1
) +
1
2
(x j
0
)
t
1
(x j
0
) = 1(x).
donde
1(x) =
_
x
1
2
(j
0
+j
1
)
_
t
1
(j
0
j
1
)
es el discriminador lineal, vemos que
1( = 1[x) =
c
1(x)
1 +c
1(x)
.
Puesto que 1(r) = ,
0
+,
t
x siendo
,
0
=
1
2
(j
1
+j
0
)
t
1
(j
1
j
0
) . , =
1
(j
1
j
0
) .
conseguimos obtener el modelo logstico a partir del discriminador lineal. Sin
embargo, el modelo normal es ms eciente. En realidad el modelo logstico
sirve para la clase de distribuciones pertenecientes a la familia exponencial,
que incluye la normal. Al ser el logstico un modelo ms amplio y robusto,
pierde en eciencia.
Efron (1975) calcul analticamente la eciencia relativa (cociente entre
las probabilidades de clasicacin errnea) del modelo logstico respecto al
normal. La eciencia relativa asinttica es una funcin de
_
c siendo c la
distancia de Mahalanobis entre las dos poblaciones:
c = (j
1
j
0
)
t
1
(j
1
j
0
).
Para
1
=
0
= 1,2 (el caso ms favorable para el discriminante logstico),
la eciencia es la misma (vale 1), para valores muy pequeos de c. y decrece
hasta 0.343 para c = 16 (la probabilidad de error en el caso logstico es tres
veces mayor que en el normal si c es grande). Los valores son:
_
c 0 0.5 1 1.5 2 2.5 3 3.5 4
Eciencia 1.000 1.000 .995 .968 .899 .786 .641 .486 .343
Continuando con el ejemplo 11.3.1, el discriminador lineal (suponiendo
normalidad e igualdad de matrices de covarianzas) es:
1(long,anch) = 0.069long 0.034anch + 20.94
En este ejemplo
_
c =
_
1.872 = 1.368. La eciencia del discrimnador logs-
tico con respecto al lineal normal es del orden de 0.98.
Aplicando el modelo logstico, se obtiene
Variable , ST(,). Wald g. l. j valor
Amplitud 0.069 0.012 31.21 1 0.000
Anchura 0.031 0.013 5,859 1 0.015
Constante -20,23 3,277 38,15 1 0.000
1 = 2log-verosim 167,12
Las probabilidades de que un coppodo con longitud | y anchura c pertenezca
al estadio 1 y al estadio 2 son, respectivamente:
1
1 +c
20,23+0,069|+0,031o
.
c
20,23+0,069|+0,031o
1 +c
20,23+0,069|+0,031o
Por ejemplo, si | = 248. c = 160. entonces las probabilidades son 0.136 y
0.863. y el coppodo sera asignado al estadio 2. Los resultados prcticamente
coinciden con el discriminador lineal (Figura 12.2).
12.2. ANLISIS DISCRIMINANTE BASADO EN DISTANCIAS 217
Figura 12.2: Curvas ROC para el discriminador lineal y el logstico (izquier-
da). Ambas curvas son indistinguibles, indicando la misma eciencia para
discrimanr entre los dos estadios. El rea bajo la curva es 0,838.
12.2. Anlisis discriminante basado en dis-
tancias
Los mtodos que hemos descrito funcionan bien con variables cuantitati-
vas o cuando se conoce la densidad. Pero a menudo las variables son binarias,
categricas o mixtas. Aplicando el principio de que siempre es posible denir
una distancia entre observaciones, es posible dar una versin del anlisis dis-
criminante utilizando solamente distancias.
12.2.1. La funcin de proximidad
Sea una poblacin, X un vector aleatorio con valores en 1 1
j
y
densidad , (r
1
. .... r
j
) . Sea o una funcin de distancia entre las observaciones
de X. Denimos la variabilidad geomtrica como la cantidad
\
c
(X) =
1
2
_
1
o
2
(x. y) ,(x),(y)dxdy
\
c
(X) es el valor esperado de las distancias (al cuadrado) entre observaciones
independientes de X.
Sea . un individuo de , y x =(r
1
. .... r
j
)
t
las observaciones de X sobre
.. Denimos la funcin de proximidad de . a en relacin con X como la
funcin
c
2
c
(x) = 1
_
o
2
(x. X)
\
c
(X) =
_
1
o
2
(x. t),(t)dt\
c
(X) . (12.3)
c
2
c
(x) es la media de las distancias de x. que es ja, a t. que vara aleatori-
amente, menos la variabilidad geomtrica.
Teorema 12.2.1 Supongamos que existe una representacin de (1. o) en un
espacio 1 (Eucldeo o de Hilbert)
(1. o) 1
con un producto escalar < .. . y una norma |z|
2
=< z. z , tal que
o
2
(x. y) = | (x) (y)|
2
.
donde (x) . (y) 1 son las imgenes de x. y. Se verica:
\
c
(X) = 1(| (X)|
2
) |1( (X))|
2
.
c
2
c
(x) = | (x) 1( (X))|
2
.
En consecuencia, podemos armar que la variabilidad geomtrica es una
varianza generalizada, y que la funcin de proximidad mide la distancia de
un individuo a la poblacin.
12.2.2. La regla discriminante DB
Sean
1
.
2
dos poblaciones, o una funcin distancia. o es formalmente la
misma en cada poblacin, pero puede tener diferentes versiones o
1
. o
2
, cuan-
do estemos en
1
.
2
, respectivamente. Por ejemplo, si las poblaciones son
normales `
j
(
i
. X
i
) . i = 1. 2. y consideramos las distancias de Mahalanobis
o
2
i
(x. y) = (x y)
t
X
1
i
(x y) . i = 1. 2.
lo nico que cambia es la matriz . Debe quedar claro que o depende del
vector aleatorio X, que en general tendr diferente distribucin en
1
y
2
.
Seguidamente, mediante (12.3), encontraremos las funciones de proxim-
idad c
2
1
. c
2
2
, correspondientes a
1
.
2
. Sea . un individuo que queremos
clasicar, con valores x = X(.).
La regla de clasicacin basada en distancias (DB, distance-based) es:
Si c
2
1
(x) _ c
2
2
(x) asignamos . a
1
.
2
.
Teniendo en cuenta el Teorema 12.2.1, se cumple
c
2
i
(x) = | (x) 1
i
( (X))|
2
. i = 1. 2.
y por tanto la regla DB asigna . a la poblacin ms prxima. La regla DB
solamente depende de las distancias entre individuos.
12.2.3. La regla DB comparada con otras
Los discriminadores lineal y cuadrtico son casos particulares de la regla
DB.
1. Si las poblaciones son `
j
(
1
. X
1
) . `
j
(
2
. X
2
) y o
2
es la distancia de
Mahalanobis entre observaciones o
2
(x. y) = (x y)
t
X
1
(x y) . en-
tonces las funciones de proximidad son
c
2
i
(x) = (x
i
)
t
X
1
(x
i
)
y el discriminador lineal es
1(x) =
1
2
_
c
2
2
(x) c
2
1
(x)
.
2. Si las poblaciones son `
j
(
1
. X
1
) . `
j
(
2
. X
2
) y o
2
i
es la distancia de
Mahalanobis ms una constante
o
2
i
(x. y) = (x y)
t
1
i
(x y) + log [
i
[ ,2 x ,= y.
= 0 x = y.
entonces el discriminador cuadrtico es
Q(x) =
1
2
_
c
2
2
(x) c
2
1
(x)
.
3. Si o es la distancia eucldea ordinaria entre observaciones, la regla DB
equivale a utilizar el discriminador
1 (x) = [x
1
2
(
1
+
2
)]
t
(
1
2
) . (12.4)
conocido como discriminador Eucldeo. 1 (x) es til en determinadas
circunstancias, por ejemplo, cuando la cantidad de variables es grande
en relacin al nmero de individuos, pues tiene la ventaja sobre 1(x)
de que no necesita calcular la inversa de .
12.2.4. La regla DB en el caso de muestras
En las aplicaciones prcticas, no se dispone de las densidades ,
1
(x). ,
2
(x).
sino de dos muestras de tamaos :
1
. :
2
de las variables X =(A
1
. .... A
j
) en
las poblaciones
1
.
2
. Sea
1
= (o
i)
(1)) la matriz :
1
:
1
de distancias
entre las muestras de la primera poblacin, y
2
= (o
i)
(2)) la matriz :
2
:
2
de distancias entre las muestras de la segunda poblacin. Indicamos (las
representaciones Eucldeas de las muestras) por
x
1
. x
2
. .... x
a
1
muestra de
1
.
y
1
. y
2
. .... y
a
2
muestra de
2
.
(12.5)
es decir, o
i)
(1) = o
1
(x
i
. x
)
). o
i)
(2) = o
1
(y
i
. y
)
).
Las estimaciones de las variabilidades geomtricas son:
\
1
=
1
2:
2
1
a
1
i,)=1
o
2
i)
(1) .

\
2
=
1
2:
2
2
a
2
i,)=1
o
2
i)
(2).
Sea . un individuo, o
i
(1). i = 1. . . . . :
1
. las distancias a los :
1
individuos
de
1
y o
i
(2). i = 1. . . . . :
2
. las distancias a los :
2
individuos de
2
. Si x son
las coordenadas (convencionales) de . cuando suponemos que es de
1
. y
anlogamente y. las estimaciones de las funciones de proximidad son
c
2
1
(x) =
1
:
1
a
1
i=1
o
2
i
(1)

\
1
.

c
2
2
(y) =
1
:
2
a
2
i=1
o
2
i
(2)

\
2
.
La regla DB en el caso de muestras es
Si

c
2
1
(x) _
c
2
2
(y) asignamos . a
1
.
2
.
Esta regla solamente depende de distancias entre observaciones y es preciso
insistir en que el conocimiento de x. y, no es necesario. La regla DB clasica
. a la poblacin ms prxima:
Teorema 12.2.2 Supongamos que podemos representar . y las dos muestras
en dos espacios eucldeos (posiblemente diferentes)
x. x
1
. x
2
. .... x
a
1
H
j
. y. y
1
. y
2
. .... y
a
2
H
q
.
respectivamente. Entonces se cumple
c
2
1
(x) = d
2
1
(x.x) .

c
2
2
(y) = d
2
1
(y.y) .
donde x. y son los centroides de las representaciones Eucldeas de las mues-
tras.
Demost.: Consideremos x. x
1
. x
2
. .... x
a
. x= (
a
i=1
x
i
),:. Por un lado
1
a
a
i=1
d
2
(x
i
. x) =
1
a
a
i=1
(x
i
x)
t
(x
i
x)
=
1
a
a
i=1
x
t
i
x
i
+x
t
x2x
t
x.
Por otro
1
2a
2
a
i,)=1
d
2
(x
i
. x
)
) =
1
2a
2
a
i,)=1
(x
i
x
)
)
t
(x
i
x
)
)
=
1
a
a
i=1
x
t
i
x
i
x
t
x.
Restando
c
2
(x) = x
t
x+x
t
x2x
t
x =d
2
1
(x.x) .
Ejemplo 12.2.1
Krzanowski (1975) ilustra el llamado location model para llevar a cabo
anlisis discriminante con variables mixtas (cuantitativas, binarias, categri-
cas). Los datos describen un grupo de 137 mujeres, 76 con tumor benigno
y 59 con tumor maligno, con respecto a 7 variables cuantitativas, 2 binarias
y 2 categricas (con tres estados cada una). Vase Krzanowski (1980) para
una descripcin de los datos.
Tomando los 137 casos, se calcula el nmero de individuos mal clasica-
dos utilizando el discriminador lineal LDF (11.2), el discriminador eucldeo
(12.4), el location model LM (que consiste en ajustar un discriminador
lineal para cada combinacin de las variables categricas) y el discriminador
basado en distancias DB, utilizando la similaridad (8.11) para variables mix-
tas y transformndola en distancia mediante (8.8). Los resultados estn con-
tenidos en la siguiente tabla. Con el mtodo DB se clasican equivocadamente
slo 39 mujeres.
Tumor Benigno Maligno Total
Casos 78 59 137
LDF 31 27 58
EDF 29 37 56
LM 21 24 45
DB 18 21 39
Para otros ejemplos con datos categricos o mixtos, vase Cuadras (1992b).
12.3. Complementos
El Anlisis Discriminante se inicia en 1936 con el trabajo de R.A. Fisher
sobre clasicacin de ores del gnero Iris. A. Wald y T.W. Anderson estu-
diaron las propiedades del discriminador lineal. L. Cavalli y C.A.B. Smith
introdujeron el discriminador cuadrtico.
J. A. Anderson, en diversos trabajos, estudi el modelo de discriminacin
logstico. Si denimos
(.. x) = 1(
1
,x) =
1
,
1
(x),(
1
,
1
(x) +
2
,
2
(x)).
la regla de clasicacin es
. es de
1
si (.. x) 1,2. de
2
en caso contrario.
Entonces el modelo logstico (modelo logit) supone
(.. x) =
1
1 +c
c+
0
x
= 1(c ,
t
x),
donde 1(.) = 1,(1+c
:
) es la llamada funcin de distribucin logstica. Este
modelo se estudia en este mismo captulo. Se pueden obtener otros modelos
cambiando 1. Por ejemplo, si escogemos la funcin de distribucin normal
estndar, entonces obtenemos el llamado modelo probit.
Albert y Anderson (1984) probaron que en el modelo logstico, los esti-
madores mximo verosmiles de los parmetros no existen si hay completa
separacin de las muestras de las dos poblaciones. Adems, si las muestras es-
tn muy diferenciadas, las estimaciones de los parmetros no funcionan. Por
ejemplo, en el caso de los datos de ores del gnero Iris, vase Tabla 3.2),
las estimaciones resultan demasiado grandes y no son correctas. Longford
(1994) estudi la funcin de verosimilitud en el modelo de regresin logstica
con coecientes de regresin aleatorios.
Existen otros mtodos de anlisis discriminante, algunos no-paramtricos,
otros para variables mixtas, como el mtodo del ncleo, del vecino mas prx-
imo, el basado en el location model de W. Krzanowski, etc. Consltese
McLachlan (1992).
Los mtodos de anlisis discriminante basados en distancias pueden abor-
dar todo tipo de datos y han sido estudiados por Cuadras (1989, 1992b, 2008),
Cuadras et al. (1997).
Captulo 13
EL MODELO LINEAL
13.1. El modelo lineal
Supongamos que una variable observable 1 depende de varias variables
explicativas (caso de la regresin mltiple), o que ha sido observada en difer-
entes situaciones experimentales (caso del anlisis de la varianza). Entonces
tendremos : observaciones de 1 , que en muchas situaciones aplicadas, se
ajustan a un modelo lineal
i
= r
i1
,
1
+r
i2
,
2
+ +r
in
,
n
+c
i
. i = 1. . . . . :. (13.1)
que en notacin matricial es
_
_
_
_
_
2
.
.
.
a
_
_
_
_
_
=
_
_
_
_
_
r
11
r
12
r
1n
r
21
r
22
r
2n
.
.
.
.
.
.
.
.
.
.
.
.
r
a1
r
a2
r
an
_
_
_
_
_
_
_
_
_
_
,
1
,
2
.
.
.
,
n
_
_
_
_
_
+
_
_
_
_
_
c
1
c
2
.
.
.
c
a
_
_
_
_
_
.
Los elementos que intervienen en el modelo lineal son:
1. El vector de observaciones de 1
y = (
1
.
2
. . . . .
a
)
t
.
2. El vector de parmetros
d = (,
1
. ,
2
. . . . . ,
n
)
t
.
225
226 CAPTULO 13. EL MODELO LINEAL
3. La matriz de diseo
X =
_
_
_
_
_
r
11
r
12
r
1n
r
21
r
22
r
2n
.
.
.
r
a1
r
a2
r
an
_
_
_
_
_
.
4. El vector de desviaciones aleatorias
o = (c
1
. c
2
. . . . . c
a
)
t
La notacin matricial compacta del modelo es:
y = Xd +o.
Solamente y y X son conocidas. En los modelos de regresin, X contiene
las observaciones de : variables explicativas. En los modelos de anlisis de
la varianza, X contiene los valores 0. 1 1. segn el tipo de diseo experi-
mental.
13.2. Suposiciones bsicas del modelo
Supongamos que las desviaciones aleatorias o errores c
i
del modelo lineal
se asimilan a : variables aleatorias con media 0, incorrelacionadas y con
varianza comn o
2
. es decir, satisfacen:
1. 1(c
i
) = 0. i = 1. . . . . :.
2. 1(c
i
c
)
) = 0. i ,= , = 1. . . . . :.
3. var(c
i
) = o
2
. i = 1. . . . . :.
Estas condiciones equivalen a decir que el vector de medias y la matriz
de covarianzas del vector o = (c
1
. c
2
. . . . . c
a
)
t
son:
1(o) = 0.
c
= o
2
I
j
.
Si podemos suponer que los errores son normales y estocsticamente in-
dependientes, entonces estamos ante un modelo lineal normal
y ~`
a
(Xd.o
2
I
j
).
La cantidad : = rang(X) es el rango del diseo. Se verica : _ : y
cuando : = : se dice que es un modelo de rango mximo.
13.3. ESTIMACIN DE PARMETROS 227
13.3. Estimacin de parmetros
13.3.1. Parmetros de regresin
La estimacin de los parmetros d = (,
1
. . . . . ,
n
)
t
en funcin de las
observaciones y = (
1
. . . . .
a
)
t
. se plantea mediante el criterio de los mnimos
cuadrados (LS, least squares). Se desea encontrar
d = (
,
1
. . . . .
,
n
)
t
tal que
o
t
o = (y Xd)
t
(y Xd) =
a
i=1
(
i
r
i1
,
1
. . . r
in
,
n
)
2
(13.2)
sea mnimo.
Teorema 13.3.1 Toda estimacin LS de d es solucin de las ecuaciones
X
t
Xd = X
t
y (13.3)
denominadas ecuaciones normales del modelo.
Demost.:
o
t
o =(y Xd)
t
(y Xd) = y
t
y2d
t
X
t
y+2dX
t
Xd.
Derivando vectorialmente respecto de d e igualando a cero
J
Jd
o
t
o = 2X
t
y+2X
t
Xd = 0
obtenemos (13.3).
Distinguiremos dos casos segn el rango del diseo.
a) : = :. Entonces la estimacin de d es nica:
d = (X
t
X)
1
X
t
y. (13.4)
b) : < :. Cuando el diseo no es de rango mximo una solucin es
d = (X
t
X)
X
t
y.
donde (X
t
X)
es una inversa generalizada de X

t
X.
La suma de cuadrados residual de la estimacin de d es
1
2
0
= (y X
d)
t
(y X
d) =
a
i=1
(
i

i
)
2
.
siendo

i
= r
i1
,
1
+ +r
in
,
n
.
13.3.2. Varianza
La varianza comn de los trminos de error, o
2
=var(c
i
). es el otro
parmetro que hemos de estimar en funcin de las observaciones y = (
1
. . . . .
a
)
t
y de X. En esta estimacin interviene de manera destacada la suma de
cuadrados residual.
Lema 13.3.2 Sea C
v
(X) el subespacio de 1
a
de dimensin : generado por
las columnas de X. Entonces 1(y) = Xd C
v
(X) y o= y X
d es ortogonal
a C
v
(X).
Demost.: Por las ecuaciones normales
X
t
o= X
t
(y X
d) = X
t
y X
t
X
d = 0.
Teorema 13.3.3 Sea y = Xd +o el modelo lineal donde o satisface las su-
posiciones bsicas del modelo (Seccin 13.2). Entonces el estadstico
o
2
= 1
2
0
,(: :).
siendo 1
2
0
la suma de cuadrados residual y : = rang(X) el rango del modelo,
es un estimador insesgado de o
2
.
Demost.: Sea T = [t
1
. . . . . t
v
. t
v+1
. . . . . t
a
] una matriz ortogonal tal que sus
columnas formen una base ortonormal de 1
a
. de manera que las : primeras
generen el subespacio C
v
(X) y por tanto las otras : : sean ortogonales a
C
v
(X). Denimos z = T
t
y. Entonces z =(.
1
. . . . . .
a
)
t
verica
1(.
i
) = t
t
i
Xd = j
i
si i _ :.
= 0 si i :.
pues t
i
es ortogonal a C
v
(X) si i :. Consideremos o= y X
d. Entonces
T
t
o= z T
t
X
d. donde las : primeras componentes de T

t
o son cero (por el
lema anterior) y las :: componentes de T
t
X
d son tambin cero. Por tanto

T
t
o es
T
t
o = (0. . . . . 0. .
v+1
. . . . . .
a
)
t
y en consecuencia
1
2
0
= o
t
o = o
t
TT
t
o =
a
i=v+1
.
2
i
.
13.4. ALGUNOS MODELOS LINEALES 229
La matriz de covarianzas de y es o
2
I
a
. y por ser T ortogonal, la de z es
tambin o
2
I
a
. As
1(.
i
) = 0. 1(.
2
i
) = var(.
i
) = o
2
. i :.
y por tanto
1(1
2
c
) =
a
i=v+1
1(.
2
i
) = (: :)o
2
.
Bajo el modelo lineal normal, la estimacin de d es estocsticamente
independiente de la estimacin de o
2
, que sigue la distribucin ji-cuadrado.
Teorema 13.3.4 Sea y ~`
a
(Xd.o
2
I
j
) el modelo lineal normal de rango
mximo : = rang(X). Se verica:
1. La estimacin LS de d es tambin la estimacin mximo verosmil de
d. Esta estimacin es adems insesgada y de varianza mnima.
2.

d~`
n
(d.o
2
(X
t
X)
1
).
3. l = (
d d)
t
X
t
X(
d d),o
2
~
2
n
.
4.

d es estocsticamente independiente de 1
2
0
.
5. 1
2
0
,o
2
~
2
av
.
13.4. Algunos modelos lineales
13.4.1. Regresin mltiple
El modelo de regresin mltiple de una variable respuesta 1 sobre :
variables explicativas A
1
. . . . . A
n
es
i
= ,
0
+r
i1
,
1
+ +r
in
,
n
+c
i
. i = 1. . . . . :. (13.5)
donde
i
es la i-sima observacin de 1. y r
i1
. . . . . r
in
son las i-simas obser-
vaciones de las variables explicativas. La matriz de diseo es
X =
_
_
_
_
_
1 r
11
r
1n
1 r
21
r
2n
.
.
.
.
.
.
.
.
.
.
.
.
1 r
a1
r
an
_
_
_
_
_
.
13.4.2. Diseo de un factor
Supongamos que una variable observable 1 ha sido observada en / condi-
ciones experimentales diferentes, y que disponemos de :
i
rplicas (observa-
ciones independentes de 1 )
i1
. . . . .
ia
i
bajo la condicin experimental i. El
modelo es
iI
= j +c
i
+c
iI
. i = 1. . . . ./; / = 1. . . . .:
i
. (13.6)
donde j es la media general y c
i
es el efecto aditivo de la condicin i. Las
desviaciones aleatorias c
iI
se suponen normales independientes. En el modelo
(13.6), se supone la restriccin lineal
c
1
+ +c
I
= 0.
y por tanto cabe considerar solamente los parmetros j. c
1
. . . . .c
I1
. Por
ejemplo, si / = 3. :
1
= :
2
= 2. :
3
= 3. la matriz de diseo es
j c
1
c
2
X =
_
_
_
_
_
_
_
_
_
_
1 1 0
1 1 0
1 0 1
1 0 1
1 1 1
1 1 1
1 1 1
_
_
_
_
_
_
_
_
_
_
13.4.3. Diseo de dos factores
Supongamos que las : = c / observaciones de una variable observable
1 se obtienen combinando dos factores con c y / niveles, respectivamente,
denominados factor la y columna (por ejemplo, produccin de trigo obtenida
en 9 = 3 3 parcelas, 3 ncas y 3 fertilizantes en cada nca). El modelo es
i)
= j +c
i
+,
)
+c
i)
. (13.7)
donde j es la media general, c
i
es el efecto aditivo del nivel i del factor la, ,
)
es el efecto aditivo del nivel , del factor columna. Las desviaciones aleatorias
c
i)
se suponen normales independientes. En el modelo (13.6) se suponen las
restricciones lineales
o
i=1
c
i
=
b
)=1
,
)
= 0. (13.8)
13.5. HIPTESIS LINEALES 231
Por ejemplo, si c = / = 3 la matriz de diseo es
j c
1
c
2
,
1
,
2
X =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 1 0 1 0
1 0 1 1 0
1 1 1 1 0
1 1 0 0 1
1 0 1 0 1
1 1 1 0 1
1 1 0 1 1
1 0 1 1 1
1 1 1 1 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
13.5. Hiptesis lineales
Consideremos el modelo lineal normal y = Xd +o. Una hiptesis lineal
es una restriccin lineal sobre los parmetros d del modelo.
Denicin 13.5.1 Una hiptesis lineal de rango t sobre los parmetros d es
una restriccin lineal
/
i1
,
1
+ +/
in
,
n
= 0. i = 1. . . . . t.
Indicando la matriz t :. con t < : las linealmente independientes,
H =
_
_
/
11
/
1n

/
t1
/
tn
_
_
la notacin matricial de una hiptesis lineal es
H
0
: Hd = 0. (13.9)
Denicin 13.5.2 Una hiptesis lineal es demostrable si las las de H son
combinacin lineal de las las de X. Dicho de otra manera, si existe una
matriz A de orden t : tal que
H = AX.
Observaciones:
a) Suponemos que la matriz H es de rango t.
b) Solamente podremos construir un test (el test F) para decidir si podemos
aceptar o no una hiptesis lineal si esta hiptesis es demostrable.
c) Es evidente que si el modelo es de rango mximo, : = rang(X) = :.
cualquier hiptesis lineal es demostrable.
Cuando una hiptesis (13.9) es cierta, los parmetros d se convierten en
0 y la matriz de diseo X en

X. As el modelo lineal, bajo H
0
. es
y =
X0 +o. (13.10)
Para obtener (13.10), consideramos los subespacios 1(H).1(X) generados
por las las de H y X. Entonces 1(H) 1(X) 1
n
. Sea C una matriz :
(: t) tal que 1(C
t
) 1(X) y HC = 0. En otras palabras, las columnas de
C pertenecen a 1(X) y son ortogonales a 1(H). Si denimos los parmetros
0 = (o
1
. . . . . o
vt
)
t
tales que
d = C0.
entonces Hd = HCd = 0 y el modelo y = Xd +o. bajo la restriccin Hd = 0.
se transforma en (13.10), siendo
X = XC.
La estimacin LS de 0 es
0= (
X
t
X)
1
Xy
y la suma de cuadrados residual es
1
2
1
= (y
0)
t
(y
0).
Tambin se puede probar que la estimacin LS de los parmetros d. bajo
la restriccin (13.9), es
d
1
=

d(X
t
X)
H
t
(H(X
t
X)
H
t
)
1
H
d
y la suma de cuadrados del modelo lineal es
1
2
1
= (y X
d
1
)
t
(y X
d
1
)
El siguiente teorema es conocido como Teorema Fundamental del Anlisis
de la Varianza.
13.5. HIPTESIS LINEALES 233
Teorema 13.5.1 Sea y ~`
a
(Xd.o
2
I
j
) el modelo lineal normal y H
0
: Hd = 0
una hiptesis lineal demostrable de rango t. Consideremos los estadsticos
1
2
0
= (y X
d)
t
(y X
d). 1
2
1
= (y X
d
1
)
t
(y X
d
1
).
Se verica:
1. 1
2
0
,o
2
~
2
av
.
2. Si H
0
es cierta
1
2
1
o
2
~
2
av
0 .
1
2
1
1
2
0
o
2
~
2
t
.
siendo :
t
= : t.
3. Si H
0
es cierta, los estadsticos (1
2
1
1
2
0
) y 1
2
0
son estocsticamente
independientes.
Demost.: Observemos primero que bajo el modelo lineal normal,
1
. . . . .
a
son normales independientes, y .
1
. . . . . .
a
(vase Teorema 13.3.3) son tambin
normales independientes.
1. Cada .
i
es `(0. o
2
) para i :. Luego 1
2
0
,o
2
es suma de (::) cuadra-
dos de `(0. 1) independientes.
2. Si la hiptesis lineal es cierta, la matriz de diseo X se transforma en
X= XC. es decir, las columnas de XC son combinacin lineal de las

columnas de X. Podemos encontrar una matriz ortogonal
T = [t
1
. . . . . t
v
0 . t
v
0
+1
. . . . . t
v
. t
v+1
. . . . . t
a
]
tal que
C
v
0 (XC) = [t
1
. . . . . t
v
0 ] C
v
(X) = [t
1
. . . . . t
v
].
Siguiendo los mismos argumentos del Teorema 13.3.3, tenemos que
1
2
1
=
a
i=v
0
+1
.
2
i
y 1
2
1
,o
2
sigue la distribucin
2
av
0 . Por otro lado
1
2
1
1
2
0
=
v
i=v
0
+1
.
2
i
y (1
2
1
1
2
0
),o
2
sigue la distribucin
2
t
. donde t = : :
t
.
3. Las sumas de cuadrados que intervienen en 1
2
0
y en 1
2
1
1
2
0
no tienen
trminos en comn, por tanto son independientes.
Consecuencia inmediata y muy importante de este resultado es que, si H
0
es cierta, entonces el estadstico
1 =
(1
2
1
1
2
0
),to
2
1
2
0
,(: :)o
2
=
(1
2
1
1
2
0
)
1
2
0
: :
t
~ 1
t
av
. (13.11)
Es decir, 1 sigue la distribucin F con t y : : grados de libertad y no
depende de la varianza (desconocida) del modelo.
13.6. Inferencia en regresin mltiple
Consideremos el modelo de regresin mltiple (13.5). El rango del modelo
es rang(X) = :+ 1. La hiptesis ms interesante en las aplicaciones es
H
0
: ,
1
= = ,
n
= 0.
que equivale a decir que la variable respuesta 1 no depende de las variables
explicativas A
1
. . . . . A
n
. La matriz de la hiptesis lineal es
H =
_
_
_
_
0 1 0 0
0 0 1 0

0 0 0 1
_
_
_
_
. :c:q(H) = :.
Si H
0
es cierta, solamente interviene el parmetro ,
0
. evidentemente
,
01
=
(media muestral) y las sumas de cuadrados residuales son
1
2
0
=
a
i=1
(
i

i
)
2
. 1
2
1
=
a
i=1
(
i
)
2
.
donde

,
0
.
,
1
. . . . .
,
n
son los estimadores LS bajo el modelo no restringido y

i
=
,
0
+r
i1
,
1
+ +r
in
,
n
. Aplicando (13.11), bajo H
0
tenemos que
1 =
(1
2
1
1
2
0
)
1
2
0
: :1
:
~ 1
n
an1
.
El test F se suele expresar en trminos de la correlacin mltiple. Se demues-
tra que
1
2
0
=
a
i=1
(
i

i
)
2
= (1 1
2
)
a
i=1
(
i
)
2
.
donde 1 es el coeciente de correlacin mltiple muestral entre 1 y A
1
. . . . . A
n
(Teorema 4.2.2). Por tanto, si H
0
es cierta, es decir, si la correlacin mltiple
poblacional es cero, entonces
1 =
1
2
1 1
2
: :1
:
~ 1
n
an1
.
Rechazaremos H
0
si 1 es signicativa.
13.7. Complementos
Hemos visto los aspectos fundamentales del modelo lineal. Un estudio
ms completo incluira:
a) anlisis grco de los residuos, b) efectos de la colinealidad, c) mn-
imos cuadrados ponderados, d) errores correlacionados, e) seleccin de las
variables, etc. Ver Pea (1989), Chatterjee y Price (1991), Carmona (2005).
Para tratar variables explicativas mixtas, podemos denir un modelo lin-
eal considerando las dimensiones principales obtenidas aplicando anlisis de
coordenadas principales sobre una matriz de distancias entre las observa-
ciones. Consultar Cuadras y Arenas (1990), Cuadras et al. (1996).
Captulo 14
ANLISIS DE LA VARIANZA
(ANOVA)
El anlisis de la varianza comprende un conjunto de tcnicas estadsticas
que permiten analizar cmo operan diversos factores, estudiados simultnea-
mente en un diseo factorial, sobre una variable respuesta.
14.1. Diseo de un factor
Supongamos que las observaciones de una variable 1 solamente dependen
de un factor con / niveles:
Nivel 1
11

12

1a
1
Nivel 2
21

22

2a
2

Nivel k
I1

I2

Ia
k
Si escribimos j
i
= j +c
i
. en el modelo (13.6) tenemos
iI
= j
i
+c
iI
. i = 1. . . . ./; / = 1. . . . .:
i
.
donde j
i
es la media de la variable en el nivel i. Indiquemos:
Media nivel i :
i
= (1,:
i
)
iI
Media general: = (1,:)
iI
No. total de observaciones: : = :
1
+ +:
I
237
238 CAPTULO 14. ANLISIS DE LA VARIANZA (ANOVA)
Tambin indiquemos:
Suma de cuadrados entre grupos: Q
1
=
i
:
i
(
i
)
2
Suma de cuadrados dentro de grupos: Q
1
=
I
(
iI
i
)
2
Suma de cuadrados total: Q
T
=
I
(
iI
)
2
Se verica la relacin fundamental:
Q
T
= Q
1
+Q
1
.
Las estimaciones LS de las medias j
i
son
j
i
=
i
. i = 1. . . . . /.
y la suma de cuadrados residual es 1
2
0
= Q
1
.
La hiptesis nula de principal inters es la que establece que no existen
diferencias entre los niveles de los factores:
H
0
: j
1
= = j
I
.
y tiene rango 1. Bajo H
0
solamente existe una media j y su estimacin es
j = . Entonces la suma de cuadrados residual es 1
2
1
= Q
T
y adems se
verica
1
2
1
1
2
0
= Q
1
.
Por tanto, como una consecuencia del Teorema 13.5.1, tenemos que:
1. Q
1
,(: /) es un estimador centrado de o
2
y Q
1
,o
2
~
2
aI
.
2. Si H
0
es cierta, Q
1
,(/ 1) es tambin estimador centrado de o
2
y
Q
T
o
2
~
2
a1
.
Q
1
o
2
~
2
I1
.
3. Si H
0
es cierta, los estadsticos Q
1
y Q
1
son estocsticamente inde-
pendientes.
Consecuencia inmediata es que, si H
0
es cierta, entonces el estadstico
1 =
Q
1
,(/ 1)
Q
1
,(: /)
~ 1
I1
aI
.
14.2. DISEO DE DOS FACTORES 239
14.2. Diseo de dos factores
Supongamos que las observaciones de una variable 1 dependen de dos fac-
tores A, B, denominados factores la y columna, con c y / niveles A
1
. . . . .A
o
y B
1
. . . . .B
b
. y que disponemos de una observacin para cada combinacin
de los niveles de los factores:
B
1
B
2
B
b
A
1

11

12

1b

1
A
2

21

22

2b

2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A
o

o1

o2

ob

o
1

2

b

siendo
i
=
1
/
b
)=1
i)
.
)
=
1
c
o
i=1
i)
.
= =
1
c/
o
i=1
b
)=1
i)
.
las medias por las, por columnas y general. Supongamos que los datos se
ajustan al modelo (13.7) con las restricciones (13.8), donde j es la media
general, c
i
es el efecto del nivel A
i
del factor la, ,
)
es el efecto del nivel B
)
del factor columna. El rango del diseo y los g.l. del residuo son
: = 1 +(c1) +(/ 1) = c+/ 1. :: = c/ (c+/ 1) = (c1)(/ 1).
Las estimaciones de los parmetros son
j = . c
i
=
i
.

,
)
=
)
.
y la expresin de la desviacin aleatoria es
c
i)
=
i)
j c
i
,
)
= (
i)
)
+).
La suma de cuadrados residual del modelo es
1
2
0
=
o
i=1
b
)=1
(
i)
)
+)
2
.
Tambin consideramos las cantidades:
Suma de cuadrados entre las: Q
= /
i
(
i
)
2
Suma de cuadrados entre columnas: Q
1
= c
)
(
)
)
2
Suma de cuadrados residual: Q
1
=
i,)
(
i)
)
+)
2
T
=
i,)
(
i)
)
2
Se verica la siguiente identidad:
Q
T
= Q
+Q
1
+Q
1
.
En el modelo de dos factores, las hiptesis de inters son:
H
0
: c
1
= = c
o
= 0 (no hay efecto la)
H
1
0
: ,
1
= = ,
b
= 0 (no hay efecto columna)
Supongamos H
1
0
cierta. Entonces el modelo se transforma en
i)
= j+c
i
+c
i)
.
es decir, acta solamente un factor, y por tanto
1
2
1
=
o
i=1
b
)=1
(
i)
i
)
2
.
Ahora bien, desarrollando (
i)
i
)
2
= ((
)
)+(
i)
)
+))
2
resulta
que
1
2
1
= Q
1
+Q
1
.
Anlogamente, si H
1
0
es cierta, obtendramos 1
2
1
= Q
+Q
1
. Por el Teorema
13.5.1 se verica:
1. Q
1
,(c1)(/1) es un estimador centrado de o
2
y Q
1
,o
2
~
2
(o1)(b1)
.
2. Si H
0
es cierta, Q
,(c 1) es tambin estimador centrado de o

2
,
Q
,o
2
~
2
(o1)
y los estadsticos Q
y Q
1
pendientes.
3. Si H
1
0
es cierta, Q
1
,(/ 1) es tambin estimador centrado de o
2
.
Q
1
,o
2
~
2
(b1)
y los estadsticos Q
1
y Q
1
pendientes.
14.3. DISEO DE DOS FACTORES CON INTERACCIN 241
Por lo tanto tenemos que para decidir H
0
utilizaremos el estadstico
1
=
Q
Q
1
(c 1)(/ 1)
(c 1)
~ 1
o1
(o1)(b1)
.
y para decidir H
1
0
utilizaremos
1
1
=
Q
1
Q
1
(c 1)(/ 1)
(/ 1)
~ 1
b1
(o1)(b1)
.
14.3. Diseo de dos factores con interaccin
Supongamos que las observaciones de una variable 1 dependen de dos fac-
tores A, B, denominados factores la y columna, con c y / niveles A
1
. . . . .A
o
y B
1
. . . . .B
b
. y que disponemos de c observaciones (rplicas) para cada com-
binacin de los niveles de los factores:
B
1
B
2
B
b
A
1

111
. . . . .
11c

121
. . . . .
12c

1b1
. . . . .
1bc

1
A
2

211
. . . . .
21c

221
. . . . .
22c

2b1
. . . . .
2bc

2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A
o

o11
. . . . .
o1c

o22
. . . . .
o2c

ob1
. . . . .
obc

o
1

2

b

siendo
i
=
1
/c
b,c
),I=1
i)I
.
)
=
1
cc
o,c
i,I=1
i)I
.
i)
=
1
c
c
I=1
i)I
. =
=
1
c/c
o,b,c
i,),I=1
i)
.
El modelo lineal del diseo de dos factores con interaccin es
i)I
= j +c
i
+,
)
+
i)
+c
i)I
.
i = 1. . . . . c; , = 1. . . . . /; / = 1. . . . . c.
siendo j la media general, c
i
el efecto del nivel A
i
del factor la, ,
)
el efecto
del nivel B
)
del factor columna,
i)
la interaccin entre los niveles A
i
.B
)
. El
parmetro
i)
mide la desviacin del modelo aditivo 1(
i)I
) = j +c
i
+,
)
y
solamente es posible estimar si hay c 1 rplicas. Se suponen las restricciones
o
i=1
c
i
=
b
)=1
,
)
=
o
i=1
i)
=
b
)=1
i)
= 0.
As el nmero de parmetros independientes del modelo es
1 + (c 1) + (/ 1) + (c 1)(/ 1) = c/
y los g.l. del residuo son c/c c/ = c/(c 1).
Las estimaciones de los parmetros son
j = . c
i
=
i
.

,
)
=
)
.
i)
=
i)
)
+.
y la expresin de la desviacin aleatoria es
c
i)I
=
i)I
j c
i
,
)

i)
= (
i)
).
La suma de cuadrados residual del modelo es
1
2
0
=
o,b,c
i,),I=1
(
i)I
i
)
2
.
Tambin debemos considerar las cantidades:
Suma de cuadrados entre las: Q
= /c
i
(
i
)
2
Suma de cuadrados entre columnas: Q
1
= cc
)
(
)
)
2
Suma de cuadrados de la interaccin: Q
1
= c
i,)
(
i)
)
+)
2
Suma de cuadrados residual: Q
1
=
i,)I
(
i)I
i
)
2
T
=
i,)
(
i)I
)
2
Se verica la siguiente identidad
Q
T
= Q
+Q
1
+Q
1
+Q
1
.
Las hiptesis de inters son:
H
0
: c
1
= = c
o
= 0 (no hay efecto la)
H
1
0
: ,
1
= = ,
b
= 0 (no hay efecto columna)
H
1
0
:
11
= =
ob
= 0 (no hay interaccin)
14.4. DISEOS MULTIFACTORIALES 243
Como en los casos anteriores, podemos ver que la aceptacin o rechazo de
las hiptesis se decide mediante el test F:
1
=
Q
Q
1
c/(c 1)
c 1
~ 1
o1
ob(c1)
1
1
=
Q
1
Q
1
c/(c 1)
/ 1
~ 1
b1
ob(c1)
1
1
=
Q
1
Q
1
c/(c 1)
(c 1)(/ 1)
~ 1
(o1)(b1)
ob(c1)
14.4. Diseos multifactoriales
Los diseos de dos factores se generalizan a un nmero mayor de factores.
Cada factor representa una causa de variabilidad que acta sobre la variable
observable. Si por ejemplo, hay 3 factores A, B, C, las observaciones son
i)II
.
donde i indica el nivel i-simo de A, , indica el nivel j-simo de B, / indica
el nivel k-simo de C, y / indica la rplica / para la combinacin i,/ de los
tres factores, que pueden interactuar. Un modelo tpico es
i)II
= j +c
i
+c
1
)
+c
C
I
+c
1
i)
+c
C
iI
+c
1C
)I
+c
1C
i)I
+c
i)II
.
siendo:
j = media general,
c
i
. c
1
)
. c
C
I
= efectos principales de A,B,C,
c
1
i)
. c
C
iI
. c
1C
)I
= interacciones entre A y B, A y C, B y C,
c
1C
i)I
= interaccin entre A,B y C,
c
i)II
= desviacin aleatoria `(0. o
2
).
Son hiptesis de inters: H
0
: c
i
= 0 (el efecto principal de A no es signi-
cativo), H
1
0
: c
1
i
= 0 (la interaccin entre A y B no es signicativa), etc.
Los tests para aceptar o no estas hiptesis se obtienen descomponiendo la
variabilidad total en sumas de cuadrados
i,),I,I
(
iI)I
)
2
= +1 +C +1 +C +1C +1C +1.
donde 1 es el residuo. Si los factores tienen c. /. c niveles, respectivamente, y
hay d rplicas para cada combinacin de los niveles, entonces tiene (c 1)
g.l., 1 tiene (c 1)(/ 1) g.l. Si interpretamos las rplicas como un factor
1. el residuo es
1 = 1 +1 +11 +C1 +11 +C1 +1C1 +1C1
con
= (d 1) + (c 1)(d 1) + + (c 1)(/ 1)(c 1)(d 1) = c/c(d 1)
g.l. Entonces calcularemos los cocientes F
1 =
,(c 1)
1,
. 1 =
1,(c 1)(/ 1)
1,
.
que sirven para aceptar o rechazar H
0
y H
1
0
, respectivamente.
En determinadas situaciones experimentales puede suceder que algunos
factoros no interacten. Entonces las sumas de cuadrados correspondientes
se suman al residuo. Por ejemplo, si C no interacta con A,B, el modelo es
i)II
= j +c
i
+c
1
)
+c
C
I
+c
1
i)
+c
i)II
y la descomposicin de la suma de cuadrados es
i,),I,I
(
iI)I
)
2
= +1 +C +1 +1
t
.
donde 1
t
= C +1C +1C +1 es el nuevo residuo con g.l.
t
= (c 1)(c 1) + (/ 1)(c 1) + (c 1)(/ 1)(c 1) +.
Los cocientes F para las hiptesis anteriores son ahora
1 =
,(c 1)
1
t
,
t
. 1 =
1,(c 1)(/ 1)
1
t
,
t
.
14.5. Modelos log-lineales
Supongamos que tenemos dos variables categricas A,B con c. / categoras
respectivamente, y hemos observado las c/ categorias : =

i)
,
i)
veces,
14.5. MODELOS LOG-LINEALES 245
donde ,
i)
es el nmero de veces que se observ la interseccin A
i
B
)
. es
decir, tenemos la tabla de contingencia c / :
B
1
B
2
B
b
A
1
,
11
,
12
,
1b
,
1
A
2
,
21
,
22
,
2b
,
2
.
.
.
.
.
.
A
o
,
o1
,
o2
,
ob
,
o
,
1
,
2
,
b
:
donde ,
i
=

)
,
i)
. ,
)
=

i
,
i)
son las frecuencias marginales de A
i
.B
)
respectivamente. Indiquemos las probabilidades
j
i)
= 1(A
i
B
)
). j
i
= 1(A
i
). j
)
= 1(B
)
).
Existe independencia estocstica entre A y B si j
i)
= j
i
j
)
. es decir, si
ln j
i)
= ln j
i
+ ln j
)
.
Si introducimos las frecuencias tericas
1
i)
= :j
i)
. 1
i
= :j
i
. 1
)
= :j
)
.
la condicin de independencia es
ln 1
i)
= ln 1
i
+ ln 1
)
ln :.
que podemos escribir como
ln 1
i)
= ` +`
i
+`
1
)
. (14.1)
siendo
` = (
o
i=1
b
)=1
ln 1
i)
),c/.
`
i
= (
b
)=1
ln 1
i)
),/ `.
`
1
)
= (
o
i=1
ln 1
i)
),c `.
El modelo (14.1) es un ejemplo de modelo log-lineal.
Generalmente no podemos aceptar la independencia estocstica. Por tan-
to, hemos de aadir un trmino a (14.1) y escribir
ln 1
i)
= ` +`
i
+`
1
)
+`
1
i)
.
donde `
1
i)
= ln 1
i)
` `
i
`
1
)
es la desviacin del modelo lineal. La
similitud con el modelo anova de dos factores es clara.
En las aplicaciones no conocemos las frecuencias esperadas 1
i)
. sino las
frecuencias observadas ,
i)
. Entonces la estimacin de los parmetros es muy
semejante al modelo anova, pero los tests de hiptesis se resuelven mediante
ji-cuadrados.
La hiptesis de inters es la independencia entre A,B
H
0
: `
1
i)
= 0.
que equivale a decir que los datos se ajustan al modelo (14.1). Sean
1
i)
= :,
i
,
)
las estimaciones mximo-verosmiles de las frecuencias esperadas. El test ji-
cuadrado clsico consiste en calcular
i,)
(,
i)

1
i)
)
2
,
1
i)
y el test de la razn de verosimilitud se basa en
2
i,)
,
i)
log(,
i)
,
1
i)
).
que tambin sigue la distribucin ji-cuadrado con (c 1)(/ 1) g.l.
El tratamiento de 3 variables categricas A, B, C es semejante. Partiendo
de una tabla de contingencia c / c. puede interesarnos saber si:
a) A, B, C son mtuamente independientes, en cuyo caso el modelo es
ln 1
i)I
= ` +`
i
+`
1
)
+`
C
I
.
b) Hay dependencia entre A y B, entre A y C, entre B y C
ln 1
i)I
= ` +`
i
+`
1
)
+`
C
I
+`
1
i)
+`
C
iI
+`
1C
)I
.
c) Hay adems dependencia entre A, B, C
ln 1
i)I
= ` +`
i
+`
1
)
+`
C
I
+`
1
i)
+`
C
iI
+`
1C
)I
+`
1C
i)I
.
d) A es independiente de B, C, que son dependientes, siendo el modelo
ln 1
i)I
= ` +`
i
+`
1
)
+`
C
I
+`
1C
)I
.
En cada caso, el test ji-cuadrado o el de razn de verosimilitud nos permiten
decidir si los datos se ajustan al modelo. Conviene observar que obtendramos
2
= 0 en el tercer modelo, ya que los datos se ajustan perfectamente al
modelo.
14.5. MODELOS LOG-LINEALES 247
Gnero Edad Supervivencia 1 2 3 T
Hombre Adulto NO 118 154 387 670
Mujer 4 13 89 3
Hombre Nio 0 0 35 0
Mujer 0 0 17 0
Hombre Adulto S 57 14 75 192
Mujer 140 80 76 20
Hombre Nio 5 11 13 0
Mujer 1 13 14 0
Tabla 14.1: Tabla de frecuencias combinando gnero, edad, supervivencia y
clase, de los datos del Titanic.
14.5.1. Ejemplo
Ejemplo 14.5.1
Analicemos los datos de supervivencia del Titanic, vase el Ejemplo 9.8.2,
que reproducimos de nuevo en la Tabla 14.1.
Indicamos por c la parte del modelo que contiene los efectos principales
y las interacciones de orden inferior a la mxima propuesta. Por ejemplo,
c = ` +`
G
i
+`
1
)
+`
S
I
+`
C
|
+`
G1
i)
+`
GS
iI
+`
GC
i|
+`
1S
)I
+`
1C
)|
+`
SC
I|
en el caso del modelo [GSC]. Entonces los modelos analizados son:
Modelo para ln 1
i)I
Smbolo
2
g.l. j
` +`
G
i
+`
1
)
+`
S
I
+`
C
|
[G][E][S][C] 1216.4 25 0.000
c = `
G1
i)
+ +`
SC
I|
[GE][GS][GC][ES][EC][SC] 239.7 16 0.000
c +`
G1C
i)|
+`
S
I
[GEC][S] 659.3 15 0.000
c +`
G1C
i)|
+`
GSC
iI|
+`
G1S
i)I
[GEC][GSC][GES] 32.3 6 0.000
c +`
G1SC
i)I|
[GESC] 0 - -
c +`
G1C
i)|
+`
GSC
i)I
+`
1SC
)I|
[GEC][GSC][ESC] 9.2 4 0.056
El modelo [G][E][S][C] debe rechazarse, pues
2
es muy signicativo. El
modelo [GE][GS][GC][ES][EC][SC] con slo las interacciones de segundo or-
den se ajusta mejor pero tambin debe rechazarse. El modelo [GEC][S], sig-
nicara suponer (caso de aceptarse) que el combinado de gnero, edad y
clase es independiente de la supervivencia, pero tambin debe rechazarse.
El modelo [GESC] es el modelo de dependencia completa, que incluye todas
las interacciones, se ajusta perfectament a las frecuencias observadas, pero
carece de inters (hay tantos parmetros como datos).
El nico modelo que podra aceptarse es el [GEC][GSC][ESC],
2
= 9.2
con 4 g.l. Se concluye que debemos aceptar que la supervivencia dependa
del gnero, edad y clase. El salvamento de los pasajeros se produjo en los
trminos siguientes: mujeres y nios primero (segn la clase) y despus
hombres de primera clase.
14.6. Complementos
El Anlisis de la Varianza fue introducido por R. A. Fisher en 1938, para
resolver problemas de diseo experimental en agricultura. Hemos visto que
es una aplicacin del modelo lineal. Existen muchos diseos diferentes, cuyo
estudio dejamos para otro momento.
Los primeros estudios y aplicaciones consideraban factores de efectos -
jos. En 1947, C. Eisenhart consider que algunos efectos podan ser aleato-
rios. Ciertamente, los efectos que actan sobre los modelos pueden ser jos,
aleatorios o mixtos, y cuando hay interacciones el clculo de los cocientes F
es diferente. Ver Cuadras (2000), Pea (1989).
Captulo 15
ANLISIS DE LA VARIANZA
(MANOVA)
15.1. Modelo
El anlisis multivariante de la varianza (MANOVA) es una generalizacin
en j 1 variables del anlisis de la varianza (ANOVA).
Supongamos que tenemos : observaciones independientes de j variables
observables 1
1
. . . . . 1
j
. obtenidas en diversas condiciones experimentales, co-
mo en el caso univariante. La matriz de datos es
=
_
_
_
_
_
11

12

1j
21

22

2j
.
.
.
.
.
.
.
.
.
.
.
.
a1

a2

aj
_
_
_
_
_
= [ y
1
. y
2
. . . . . y
j
].
donde y
)
= (
1)
.
2)
. . . . .
a)
)
t
son las : observaciones (independientes) de
la variable 1
)
. que suponemos siguen un modelo lineal univariante y
)
=
Xd
)
+o
)
.
El modelo lineal multivariante es
= XH+E (15.1)
249
250 CAPTULO 15. ANLISIS DE LA VARIANZA (MANOVA)
siendo X la matriz de diseo
X =
_
_
_
_
_
r
11
r
12
r
1n
r
21
r
22
r
2n
.
.
.
.
.
.
.
.
.
.
.
.
r
a1
r
a2
r
an
_
_
_
_
_
.
H la matriz de parmetros de regresin
H =
_
_
_
_
_
,
11
,
12
,
1j
,
21
,
22
,
2j
.
.
.
.
.
.
.
.
.
.
.
.
,
n1
,
n2
,
nj
_
_
_
_
_
.
y E la matriz de desviaciones aleatorias
E =
_
_
_
_
_
c
11
c
12
c
1j
c
21
c
22
c
2j
.
.
.
.
.
.
.
.
.
.
.
.
c
a1
c
a2
c
aj
_
_
_
_
_
Las matrices y X son conocidas. Suponemos que las las de E son inde-
pendientes `
j
(0.).
15.2. Estimacin de parmetros
En el modelo MANOVA debemos estimar los :j parmetros de regre-
sin contenidos en H. as como la matriz de covarianzas .
En el modelo univariante y = Xd +o. la estimacin LS

d = (X
t
X)
X
t
y
minimiza o
t
o= (y X
d)
t
(y X
d). En el caso multivariante, el estimador

LS de H es

H tal que minimiza la traza
tr(
E
t
E) = tr[(X
H)
t
(X
H)].
siendo

E = X
H.
La matriz de residuos es la matriz H
0
= (1
0
(i. ,)) de orden j j
H
0
=

E
t
E = (X
H)
t
(X
H).
donde 1
0
(,. ,) es la suma de cuadrados residual del modelo univariante y
)
=
Xd
)
+o
)
.
15.2. ESTIMACIN DE PARMETROS 251
Teorema 15.2.1 Consideremos el modelo de regresin multivariante =
XH+E. siendo
=
_
_
y
t
1
.
.
.
y
t
a
_
_
. E =
_
_
o
t
1
.
.
.
o
t
a
_
_
.
con las condiciones:
1. 1() = XH, es decir, 1(E) = 0.
2. cov(y
i
) = cov(o
i
) = . donde y
t
i
son las de . y o
t
i
son las de E.
3. cov(y
i
. y
)
) =cov(o
i
. o
)
) = 0 para i ,= ,.
Entonces:
Las estimaciones LS de los parmetros de regresin H verican las
ecuaciones normales
X
t
X
H = X
t
. (15.2)
y vienen dados por
H = (X
t
X)
1
X
t
.
cuando el diseo es de rango mximo : = rang(X) =:. y por
H = (X
t
X)
X
t
cuando : < :. El estimador

H minimiza la traza tr(
E
t
E) as como el
determinante det(
E
t
E). Adems

H es un estimador insesgado de H.
Demost.: Sea H
0
otro estimador de H. Entonces:
(XH
0
)
t
(XH
0
) = (X
H+X
HXH
0
)
t
(X
H+X
HXH
0
)
= H
0
+ (X
HXH
0
)
t
(X
HXH
0
)+
(X
H)
t
(X
HXH
0
)+(X
HXH
0
)
t
(X
H)
= H
0
+ (X
HXH
0
)
t
(X
HXH
0
).
pues (X
H)
t
(X
HXH
0
) =(X
H)
t
X(
HH
0
) = 0 por vericar

H
las ecuaciones normales (15.2). Luego (XH
0
)
t
(XH
0
) = H
0
+ ^.
siendo ^ una matriz j j denida positiva. Entonces la traza y el determi-
nante de (XH
0
)
t
(XH
0
) alcanzan el valor mnimo cuando ^= 0,
es decir, para H
0
=

H. Por otra parte
1(
H) = (X
t
X)
1
X
t
1() =(X
t
X)
1
(X
t
X)H = H.
Teorema 15.2.2 Bajo las mismas condiciones del teorema anterior, con : =
rang(X). podemos expresar la matriz de residuos como
H
0
=
t
[I X(X
t
X)
X
t
].
Una estimacin centrada de la matriz de covarianzas es
= H
0
,(: :).
Demost.:
(X
H)
t
(X
H) =
t
t
X
H

H
t
X
t
+

H
t
X
t
X
H
=
t
t
X
H (por

H
t
X
t
=

H
t
X
t
X
H)
=
t
t
X(X
t
X)
X
t
=
t
[I X(X
t
X)
X
t
].
Sea ahora T = [t
1
. . . . . t
v
. t
v+1
. . . . . t
a
] una matriz ortogonal tal que sus
columnas formen una base ortonormal de 1
a
. de manera que las : primeras
generen el mismo subespacio C
v
(X) generado por las columnas de X. Por lo
tanto las otras : : columas sern ortogonales a C
v
(X). Es decir
t
t
i
X = + si i _ :.
t
t
i
X = 0 si i :.
donde + indica un valor posiblemente no nulo.
Sea Z = T
t
.Entonces
1(Z) = T
t
XH =
_
0
_
: primeras las
: : ltimas las
Consideremos el residuo

E= X
H. De X
t
(X
H) = 0. ver ecuaciones
normales (15.2), deducimos que

E es ortogonal a X en el sentido que
T
t
E =
_
0
Z
av
_
: primeras las
: : ltimas las
donde Z
av
es matriz (: :) j. Pero
T
t
E = T
t
T
t
X
H = Z
_
+
0
_
=
_
0
Z
av
_
.
15.3. TESTS DE HIPTESIS LINEALES 253
es decir, las ltimas : : las de Z y de T
t
E coinciden. Entonces, como

TT
t
= I.
H
0
=

E
t
E =

E
t
TT
t
E =
_
0 Z
t
av
_
0
Z
av
_
= Z
t
av
Z
av
.
Indiquemos Z
t
av
= [z
1
. . . . . z
av
] donde z
t
1
. . . . . z
t
av
son las las (inde-
pendientes) de Z
av
. Entonces cada z
i
es un vector de media cero y matriz
de covarianzas . Luego 1(z
i
z
t
i
) = y Z
t
av
Z
av
= z
1
z
t
1
+ + z
av
z
t
av
.
Por lo tanto
1(H
0
) = 1(z
1
z
t
1
+ +z
av
z
t
av
) = (: :).
Teorema 15.2.3 Sea = XH+E el modelo lineal normal multivariante
donde las las de E son `
j
(0.) independientes. Sea H
0
la matriz de resid-
uos. Se verica entonces que la distribucin de H
0
es Wishart \
j
(. : :).
Demost.: Hemos visto en el teorema anterior que 1(Z
av
) = 0. As las :
: las de Z
av
son todas `
j
(0.) independientes. Luego H
0
= Z
t
av
Z
av
cumple las condiciones de una matriz j j que sigue la distribucin de
Wishart.
15.3. Tests de hiptesis lineales
Una hiptesis lineal demostrable de rango t y matriz H es
H
0
: HH = 0
donde las las de H son combinacin lineal de las las de X.
Como en el caso univariante (Seccin 13.5), si H
0
es cierta, el modelo se
transforma en
=
X+E.
la estimacin de los parmetros H restringidos a H
0
viene dada por
H
1
=

H(X
t
X)
H
t
(H(X
t
X)
H
t
)
1
H
H
y la matriz residual es
H
1
= (X
H
1
)
t
(X
H
1
).
Teorema 15.3.1 Sea = XH+E el modelo lineal multivariante, donde
las las de E son `
j
(0.) independientes, H
0
la matriz de residuos, H
0
:
HH = 0 una hiptesis lineal demostrable y H
1
la matriz de residuos bajo H
0
.
Se verica:
1. H
0
~ \
j
(. : :).
2. Si H
0
es cierta, las matrices H
0
y H
1
H
0
siguen la distribucin de
Wishart
H
1
~ \
j
(. : :
t
). H
1
H
0
~ \
j
(. t).
siendo t = :c:q(H). :
t
= : t.
3. Si H
0
es cierta, las matrices H
0
y H
1
H
0
pendientes.
Demost.: Si la hiptesis H
0
es cierta, el subespacio generado por las las de
H est contenido en el generado por las las de X. Podemos construir una
base ortogonal de 1
n
[u
1
. . . . . u
t
. u
t+1
. . . . . u
v
. u
v+1
. . . . . u
n
]
tal que [u
1
. . . . . u
t
] generen H. y [u
1
. . . . . u
t
. u
t+1
. . . . . u
v
] generen X.
Consideremos la matriz Cde orden :(:t) generada por [u
t+1
. . . . . u
v
].
Entonces HC = 0 y el modelo = XH+E se convierte en =
X+E.
siendo

X = XC. y CO = H. pues HH = HCO = 0..As la matriz de diseo
X se transforma en

X = XC. donde las columnas de XC son combinacin
lineal de las columnas de X.
Podemos construir una matriz ortogonal
T = [t
1
. . . . . t
v
0 . t
v
0
+1
. . . . . t
v
. t
v+1
. . . . . t
a
]
tal que las :
t
= :t primeras columnas generen XC y las : primeras generen
X
C
v
0 (XC) = [t
1
. . . . . t
v
0 ] C
v
(X) = [t
1
. . . . . t
v
].
Siguiendo los mismos argumentos del teorema 15.2.2, tenemos que
T
t
E =
_
0
Z
av
0
_
.
15.4. MANOVA DE UN FACTOR 255
donde las : :
t
las de Z
av
0 son `
j
(0.) independientes. Por tanto
H
1
= (
)
t
(
) = Z
t
av
0 Z
av
0
es Wishart \
j
(. : :
t
). Por otro lado podemos escribir
T
t
(
) =
_
0
Z
av
0
_
=
_
_
0
Z
t
Z
av
_
_
.
donde las t = : :
t
las de Z
t
son independientes de las : : las de Z
av
.
Entonces H
1
= Z
t
t
Z
t
+Z
t
av
Z
av
. es decir,
H
1
H
0
= Z
t
t
Z
t
.
donde H
1
H
0
es Wishart \
j
(. : :
t
) e independiente de H
0
.
La consecuencia ms importante de este teorema es que, si H
0
es cierta,
entonces H
0
y H
1
H
0
son Wishart independientes y
=
[H
0
[
[(H
1
H
0
) +H
0
[
=
[H
0
[
[H
1
[
~ (j. : :. t).
As 0 _ _ 1 sigue la distribucin de Wilks. Aceptaremos H
0
si no es
signicativo y rechazaremos H
0
si es pequeo y signicativo.
Tabla general MANOVA
g. l. matriz Wishart lambda de Wilks
Desviacin hiptesis t H
1
H
0
= [H
0
[,[H
1
[
Residuo : : H
0
Criterio decisin: Si <
c
es rechazada H
0
. donde 1((j. : :. t) <
c
) = c.
15.4. Manova de un factor
El modelo del diseo de un nico factor o causa de variabilidad es
y
iI
= +o
i
+o
iI
. i = 1. . . . ./; / = 1. . . . .:
i
.
donde es un vector de medias general, o
i
es el efecto del nivel i del fac-
tor, y
iI
es la observacin multivariante / en la situacin (o poblacin) i.
correspondiendo a la misma situacin experimental del anlisis cannico de
poblaciones (Captulo 7), con : = :
1
+ +:
I
. Por tanto
V = H
0
. H = H
1
H
0
. T = H
1
= H+V.
son las matrices de dispersin dentro grupos, entre grupos y total,
respectivamente (Seccin 3.3.3).
MANOVA de un factor
g. l. matriz Wishart lambda de Wilks
Entre grupos / 1 H = [V[,[T[ ~ (j. : /. / 1)
Dentro grupos : / V
Total : 1 T
15.5. Manova de dos factores
Si suponemos que las : = c / observaciones multivariantes dependen
de dos factores la y columna, con c y / niveles respectivamente, el modelo
es
y
i)
= +o
i
+d
)
+o
i)
. i = 1. . . . . c; , = 1. . . . . /.
donde es la media general, o
i
es el efecto aditivo del nivel i del factor la, d
)
es el efecto aditivo del nivel , del factor columna. Como generalizacin del ca-
so univariante, intervienen las matrices A = (c
&
). H =(/
&
). T = (t
&
). H
0
=
(:
&
) con elementos
c
&
= /
i
(
i&
&
)(
i
)
/
&
= c
)
(
)&
&
)(
)
)
:
&
=
i)
(
i)&
i&
)&
+
&
)(
i)
)
+
)
t
&
=
i)
(
i)&
&
)(
i)
). n. = 1. . . . . j.
siendo, para cada variable 1
&
.
&
la media general,
)&
la media jando el
nivel , del factor columna, etc. Se verica
T = A+H+H
0
.
Indicando = (c 1)(/ 1). obtenemos la tabla
15.6. MANOVA DE DOS FACTORES CON INTERACCIN 257
MANOVA de dos factores
matriz lambda
g. l. Wishart de Wilks
Filas c 1 A [A[,[T[ ~ (j. . c 1)
Columnas / 1 H [H[,[T[ ~ (j. . / 1)
Residuo H
0
Total c/ 1 T
15.6. Manova de dos factores con interaccin
En el diseo de dos factores con interaccin suponemos que las : = c/c
observaciones multivariantes dependen de dos factores la y columna, con c
y / niveles respectivamente, y que hay c observaciones (rplicas) para cada
una de las c / combinaciones de los niveles. El modelo lineal es
y
i)I
= +o
i
+d
)
+_
i)
+o
i)I
. i = 1. . . . . c; , = 1. . . . . /; / = 1. . . . . c.
donde es la media general, o
i
es el efecto aditivo del nivel i del factor la,
d
)
es el efecto aditivo del nivel , del factor columna, _
i)
es la interaccin,
parmetro que mide la desviacin de la aditividad del efecto de los factores,
e y
i)I
= (
i)I1
. . . . .
i)Ij
)
t
es la rplica multivariante / de las variables ob-
servables. Tambin, como en el caso univariante, intervienen las matrices
A = (c
&
). H = (/
&
). AH = (c
&
). H
0
= (:
&
). T = (t
&
). donde
c
&
= /c
i
(
i&
&
)(
i
)
/
&
= cc
)
(
)&
&
)(
)
)
c
&
= c
i,)
(
i)&
i&
)
+
&
)(
i)
)
+
)
:
&
=
i,)I
(
i)I&
i&
)(
i)I
i
)
t
&
=
i,)
(
i)&
&
)(
i)&
&
). n. = 1. . . . . j.
que verican
T = A+H+AH+H
0
.
( AH no es un producto matricial). Obtenemos la tabla:
MANOVA de dos factores con interaccin
matriz lambda
g. l. Wishart de Wilks
Filas c 1 A [A[,[T[ ~ (j. :. c 1)
Columnas / 1 H [H[,[T[ ~ (j. :. / 1)
Interaccin (c 1)(/ 1) = AH [AH[,[T[ ~ (j. :. )
Residuo c/(c 1) = : H
0
Total c/c 1 T
15.7. Ejemplos
Ejemplo 15.7.1 Ratas experimentales.
En un experimento para inhibir un tumor, se quiere investigar el efecto
del sexo (S) y de la temperatura ambiental (T). Se consideran las variables:
1
1
=peso inicial, 1
2
=peso nal, 1
3
=peso del tumor.
Machos Hembras
Temp 1
1
1
2
1
3
1
1
1
2
1
3
4 18.15 16.51 0.24 19.15 19.49 0.16
18.68 19.50 0.32 18.35 19.81 0.17
19.54 19.84 0.20 20.58 19.44 0.22
20 21.27 23.30 0.33 18.87 22.00 0.25
19.57 22.30 0.45 20.66 21.08 0.20
20.15 18.95 0.35 21.56 20.34 0.20
34 20.74 16.69 0.31 20.22 19.00 0.18
20.02 19.26 0.41 18.38 17.92 0.30
17.20 15.90 0.28 20.85 19.90 0.17
Los resultados MANOVA son:
15.7. EJEMPLOS 259
g. l. matriz dispersin lambda F g.l.
T 2
_
_
4.81 9.66 .284
32.5 .376
.019
_
_
.261 3.18 6,20
S 1
_
_
.642 1.27 .19
2.51 .38
.006
_
_
.337 6.55 3,10
TS 2
_
_
.275 .816 .038
32.5 .088
.006
_
_
.772 0.46 6,20
Residuo 12
_
_
19.3 7.01 .19
26.7 .208
.039
_
_
Total 17
_
_
25.0 18.7 .06
32.5 .284
.125
_
_
Son signicativos los efectos S y T, pero la interaccin no es signicativa.
Una representacin cannica de los 3 2 = 6 grupos (Figura 14.1) ayuda
a visualizar las diferencias. Podemos ver que la pequea diferencia entre la
representacin de las tres temperatures de los machos y de las hembras es
indicio de una cierta interaccin, aunque no signicativa.
Figura 15.1: Representacin cannica de los datos de las ratas hembras
(izquierda) y machos (derecha).
Ejemplo 15.7.2 Colepteros.
Continuando con el ejemplo 7.5.1, vamos a estudiar 8 especies (factor E)
de colepteros del gnero Timarcha, pero teniendo en cuenta el sexo, machos
y hembras (factor S), en relacin a 5 variables biomtricas.
Las matrices de dispersin entre especies, entre sexos, debidas a la inter-
accin, residual y los estadsticos y 1 son:
E=
_
_
_
_
_
_
14303 24628 17137 48484 36308
43734 31396 85980 64521
23610 61519 46405
169920 126980
95395
_
_
_
_
_
_
= .0068
1
35,2353
= 152.8
S=
_
_
_
_
_
_
675.94 1613.0 1644.5 4520.0 3270.6
3849.3 3924.4 10786. 7804.9
4001.0 10997. 7957.2
30225. 21871.
15825.
_
_
_
_
_
_
= .1944
1
5,559
= 463.2
ES=
_
_
_
_
_
_
96.470 81.532 63.559 92.035 20.554
97.205 85.554 157.28 102.31
86.405 127.66 108.25
428.97 236.53
282.30
_
_
_
_
_
_
= .7692
1
35,2353
= 4.329
15.8. OTROS CRITERIOS 261
R
0
=
_
_
_
_
_
_
1546.7 1487.8 1346.4 2452.6 1924.0
3498.5 3078.4 4206.6 3415.6
3082.9 3888.2 3159.4
9178.6 6038.0
5950.3
_
_
_
_
_
_
15.8. Otros criterios
Sea `
1
_ _ `
j
los valores propios de H
0
respecto de H
1
. Podemos
expresar el criterio de Wilks como
=
[H
0
[
[H
1
[
= `
1
`
j
.
Este criterio es especialmente interesante, teniendo en cuenta que si ` es la
razn de verosimilitud en el test de hiptesis, entonces ` =
a2
.
Se demuestra que cualquier estadstico que sea invariante por cambios
de origen y de escala de los datos, debe ser funcin de estos valores propios
(Anderson, 1958). As otros tests propuestos son:
1. Traza de Hotelling:
tr((H
1
H
0
)H
1
c
) =
j
i=1
1 `
i
`
i
.
2. Traza de Pillai:
tr((H
1
H
0
)H
1
1
) =
j
i=1
1 `
i
.
3. Raz mayor de Roy: (1 `
j
),`
j
.
En el ejemplo 15.7.2, para contrastar las diferencias entre localidades,
obtenemos los siguientes valores de los estadsticos de Wilks, Hotelling, Pillai
y Roy, y sus transformaciones a una F:
F g.l. g.l.
Wilks 0.007 152.8 35 2354
Hotelling 28.02 446.2 35 2787
Pillai 2.090 57.78 35 2815
Roy 24.90 2002 7 563
15.9. Complementos
El Anlisis Multivariante de la Varianza es muy similar al Anlisis de
la Varianza, salvo que interviene ms de una variable cuantitativa observ-
able. Esta extensin multivariante se inicia en 1930 con los trabajos de H.
Hotelling, J. Wishart y S. S. Wilks. Posteriormente S.N. Roy propuso un
planteo basado en el principio de unin-interseccin.
Los cuatro criterios que hemos visto son equivalentes para j = 1. y difer-
entes para j 1. No est claro cual es el mejor criterio, depende de la
hiptesis alternativa. Por ejemplo, en el diseo de un factor, si los vectores
de medias estn prcticamente alineados, entonces el criterio de Roy es el
ms potente. Ver Rencher (1998).
Se puede plantear un anlisis tipo ANOVA para datos categricos, dando
lugar al mtodo llamado CATANOVA (Light y Margolin, 1971). Para datos
mixtos o no normales, se puede plantear MANOVA utilizando distancias
entre las observaciones, calculando coordenadas principales mediante MDS, y
a continuacin aplicando el modelo de regresin multivariante. Vase Cuadras
(2008).
Captulo 16
FUNCIONES ESTIMABLES
MULTIVARIANTES
16.1. Funciones estimables
En el modelo lineal univariante y = Xd +o, adems de la estimacin de
los parmetros de regresin d. tiene tambin inters la estimacin de ciertas
combinaciones lineales de los parmetros d.
Denicin 16.1.1 Una funcin paramtrica es una combinacin lineal de
los parmetros d = (,
1
. . . . . ,
n
)
t
= j
1
,
1
+ +j
n
,
n
=
t
d.
donde = (j
1
. . . . . j
n
)
t
. Una funcin paramtrica es estimable si existe
una combinacin lineal

de y = (
1
. . . . .
a
)
t
= c
1
1
+ +c
a
a
= a
t
y.
donde a = (c
1
. . . . . c
a
)
t
, tal que
1(
) = .
La caracterizacin de que una funcin paramtrica es estimable es la
siguiente
Proposicin 16.1.1 Una funcin paramtrica =
t
d es estimable si y
slo si el vector la
t
es combinacin lineal de las las de la matriz de
diseo X.
263
264 CAPTULO 16. FUNCIONES ESTIMABLES MULTIVARIANTES
Demost.: 1(
) = 1(a
t
y) = a
t
1(y) = a
t
Xd =
t
d, que vale para todo d. Por
lo tanto a
t
X =
t
. es decir,
t
es combinacin lineal de las las de X.
16.2. Teorema de Gauss-Markov
La estimacin ptima de una funcin paramtrica estimable =
t
d se
obtiene sustituyendo d por la estimacin LS

d. Esto es el famoso teorema
de Gauss-Markov.
Teorema 16.2.1 Sea =
t
d una funcin paramtrica estimable. Se ver-
ica:
1. Si

d es estimador LS de d, entonces

=
t
d es nico.
2.

=
t
d es estimador lineal insesgado de y, dentro de los estimadores

lineales insesgados de , tiene varianza mnima.
Demost.: Existe un estimador insesgado

= a
t
y de =
t
d. Sea C
v
(X) el
subespacio generado por las columnas de X. Entonces a =a+I. donde a
C
v
(X) y I es ortogonal a C
v
(X). Consideremos al estimador a
t
y. Tenemos
1(
) = 1(a
t
y) =1(a
t
y +I
t
y) =1(a
t
y) +I
t
Xd =1(a
t
y) =.
puesto que I
t
X = 0. Luego a
t
y es estimador centrado. Si a
t
1
y es otro esti-
mador centrado con a
1
C
v
(X). entonces 1(a
t
y)1(a
t
y) = (a
t
a
t
)Xd = 0
=a = a
1
. es decir, a
t
y es nico.
Por otro lado, o= y X
d es ortogonal a C
v
(X) y a
t
o = a
t
y a
t
X
d = 0
=a
t
y = a
t
X
d =
t
d. As

= a
t
y =
t
d es nico y centrado.
Finalmente, indicando
|a|
2
= c
2
1
+ +c
2
a
.
tenemos que
var(a
t
y) =|a|
2
o
2
= (|a|
2
+|I|
2
)o
2
_ |a|
2
o
2
= var(a
t
y).
que prueba que

=
t
d tiene varianza mnima.

Un criterio para saber si
t
d es funcin paramtrica estimable es
t
(X
t
X)
X
t
X =
t
.
16.3. FUNCIONES ESTIMABLES MULTIVARIANTES 265
16.3. Funciones estimables multivariantes
En el modelo lineal multivariante (15.1), tambin tiene inters la esti-
macin de ciertas combinaciones lineales de los parmetros H. Indiquemos
por y
1
. . . . . y
a
los vectores la de . y d
1
. . . . . d
n
los vectores la de H.es
decir:
=
_
_
y
1
.
.
.
y
a
_
_
. H =
_
_
d
1
.
.
.
d
n
_
_
.
Denicin 16.3.1 Una funcin paramtrica multivariante ) es una combi-
nacin lineal de las las de H,
)
t
= j
1
d
1
+ +j
n
d
n
=
t
H.
donde = (j
1
. . . . . j
n
)
t
. Una funcin paramtrica multivariante ) es es-
timable (fpem) si existe una combinacin lineal

)
t
de las las de
)
t
= c
1
y
1
+ +c
a
y
a
= a
t
.
donde a = (c
1
. . . . . c
a
)
t
, tal que
1(
)) = ).
La caracterizacin de que una funcin paramtrica es fpem es la sigu-
iente:
Proposicin 16.3.1 Una funcin paramtrica )
t
=
t
H es estimable si y
slo si el vector la
t
es combinacin lineal de las las de la matriz de diseo
X.
La demostracin es similar al caso univariante. La estimacin ptima de
una fpem )
t
=
t
H viene dada por
)
t
=
t
H.
Slo hay que sustituir H por sus estimaciones LS

H.
Teorema 16.3.2 Sea )
t
= (
1
. . . . .
j
) =
t
H una funcin paramtrica
estimable. Se verica:
1. Si

H es estimador LS de H, entonces

)
t
= (
1
. . . . .
j
) =
t
H es nico.
2. Cada

)
es estimador lineal insesgado de
)
y de varianza mnima
entre los estimadores lineales insesgados de
)
.
Observemos que este teorema vale sin necesidad de una hiptesis de nor-
malidad. El estimador LS de ) es
)
t
=
t
H =
t
(X
t
X)
X
t
=q
1
y
1
+ +q
a
y
a
donde y
1
. . . . . y
a
son las las de la matriz de datos . El vector g = (q
1
. . . . . q
a
)
t
es nico, y podemos denir la dispersin de

). que es mnima, como la can-
tidad
o
2
= q
2
1
+ +q
2
a
. (16.1)
La versin del Teorema 15.3.1 para fpem es:
Teorema 16.3.3 En el modelo MANOVA normal, si

) =
t
H es la esti-
macin LS de ). entonces:
1. La distribucin de

) es la de una combinacin lineal de variables nor-
males independientes.
2. La distribucin de H
0
es \
j
(. : :).
3.

) y H
0
son estocsticamente independientes.
16.4. Anlisis cannico de fpem
Supongamos que )
t
1
=
t
1
H. . . . . )
t
c
=
t
c
H es un sistema de : fpem.
Podemos plantear la representacin cannica del sistema como una general-
izacin del anlisis cannico de poblaciones.
16.4.1. Distancia de Mahalanobis
Sean

)
1
. . . . .
)
c
las estimaciones LS de los fpem,

= H
0
,(: :) la
estimacin de la matriz de covarianzas. Podemos denir la distancia de Ma-
halanobis (estimada) entre las funciones )
i
. )
)
como
`(i. ,)
2
= (
)
i

)
)
)
t
1
(
)
i

)
)
).
16.4. ANLISIS CANNICO DE FPEM 267
Observemos que si

)
t
i
= g
t
i
es independiente de

)
t
)
= g
t
)
y se verica
la hiptesis H
0
: )
i
= )
)
. entonces o
1
i)
(
)
i

)
)
) es `
j
(0. X). donde o
i)
=
|g
i
g
)
| . y (: :)
es \
j
(. : :). por lo tanto o
1
i)
`(i. ,) es Hotelling
1
2
(j. : :) y
: : j + 1
(: :)j
o
1
i)
`(i. ,)
2
~ 1
j
avj+1
.
Anlogamente vemos que la distribucin de
: : j + 1
(: :)j
1
o
2
)
i
)
i
)
t
1
(
)
i
)
i
)
es tambin 1
j
avj+1
. donde o
2
es la dispersin mnima (16.1).

16.4.2. Coordenadas cannicas
Si

)
i
= (
i1
. . . . .
ij
)
t
. i = 1. . . . . :. consideremos las medias
)
=
1
:
c
i=1
i)
. , = 1. . . . . :.
y la matriz
l =
_
_
_
11
1j
j
.
.
.
.
.
.
.
.
.
c1
cj
j
_
_
_
.
Sea Y = [v
1
. . . . . v
j
] la matriz de vectores propios de l
t
l respecto de

. con
la normalizacin v
t
)
v
)
= 1. es decir,
l
t
lY =
YO
A
. Y
t
Y = I.
donde O
A
=diag(`
1
. . . . . `
j
) es la matriz diagonal con los valores propios. Las
coordenadas cannicas de

)
1
. . . . .
)
c
son las las v
t
1
. . . . . v
t
c
de la matriz
V = lY.
La distancia eucldea entre las las coincide con la distancia de Mahalanobis
entre las fpem
(v
i
v
)
)
t
(v
i
v
)
) = (
)
i

)
)
)
t
1
(
)
i

)
)
).
De manera anloga podemos denir la variabilidad geomtrica de las fpem,
probando que es
\
=
1
2:
2
c
i,)=1
`(i. ,)
2
=
1
:
j
i=1
`
i
.
y que es mxima en dimensin reducida . El porcentaje de variabilidad
explicada por las primeras coordenadas cannicas es
1
q
= 100
\ ()
q
\
= 100
`
1
+ +`
q
`
1
+ +`
j
.
16.4.3. Regiones condenciales
Sean v
t
i
=

)
t
i
Y. i = 1. . . . . :. las proyecciones cannicas de las estima-
ciones de las fpem. Podemos entender v
t
i
como una estimacin de )
+t
i
= )
t
i
Y.
la proyeccin cannica de )
i
. Podemos tambin encontrar regiones conden-
ciales para las )
+
i
. i = 1. . . . . q.
Sea 1 c el coeciente de conanza, 1
c
tal que 1(1 1
c
) = c. donde
1 sigue la distribucin F con j y (: q j + 1) g.l., y consideremos:
1
2
c
= 1
c
(: :)j
(: : j + 1)
.
Luego las proyecciones cannicas )
+
i
de las fpem pertenecen a regiones con-
denciales que son hiperesferas (esferas en dimensin 3, crculos en dimensin
2) de centros y radios
(v
i
. o
i
1
c
)
donde o
i
es la dispersin mnima (16.1) de la estimacin LS de )
i
.
16.5. Ejemplos
Ejemplo 1. Se quiere hacer una comparacin de dos frmacos ansiolticos
(Diazepan y Clobazan) con un placebo, que indicaremos D, C, P. Las vari-
ables observables son efectos secundarios en la conduccin de autombiles:
1
1
=tiempos de reaccin (segundos) a la puesta en rojo de un semforo,
1
2
=distancia mnima (cm.) entre dos puntos que el conductor necesitaba
16.5. EJEMPLOS 269
para poder pasar por el medio. Los datos sobre 8 individuos (media de varias
pruebas) eran:
Placebo Clobazan Diazepan
Ind.
1
2
3
4
5
6
7
8
1
1
1
2
.548 177.8
.619 184.4
.641 247.2
.628 163.4
.846 173.6
.517 167.2
.876 174.0
.602 158.6
1
1
1
2
.519 203.0
.776 164.8
.678 215.8
.595 153.6
.858 171.6
.493 166.0
.741 170.2
.719 157.2
1
1
1
2
.637 194.8
.818 175.2
.701 205.8
.687 152.2
.855 189.2
.618 181.0
.849 189.0
.731 184.6
Los datos se ajustan a un diseo de dos factores sin interaccin:
y
i)
= +o
i
+d
)
+o
i)
.
Interesa estudiar si hay diferencias signicativas entre los frmacos, y si las
hay, representarlos y compararlos. Es decir, queremos hacer un test sobre la
hiptesis H
0
: o
1
= o
2
= o
3
y representar las funciones estimables
)
1
= +o
1
. )
2
= +o
2
. )
3
= +o
3
.
La tabla MANOVA es:
g. l. matriz dispersin lambda F g.l.
Frmacos 2
_
.0275 1.97
309
_
.482 2.86 4,26
Individuos 7
_
.258 1.23
8474
_
.025 9.84 14,26
Residuo 14
_
.037 1.96
2221
_
Las diferencias entre frmacos y entre individuos son signicativas
Las estimaciones LS son:
)
1
= (.659. 180.8)
t
.

)
2
= (.672. 175.3)
t
.

)
3
= (.737. 184.0)
t
.
con dispersin (16.1): o
1
= o
2
= o
3
=
_
1,8 = 0.354. Los dos valores propios
de l
t
l respecto de

son 1. 684. 0.108 y explican el 100 % de la variabilidad
Figura 16.1: Representacin canonica de tres frmacos en un diseo de dos
factores.
geomtrica en dimensin 2. Las coordenadas y los radios de la representacin
cannica (izquierda) y las correlaciones entre variables observables 1
1
. 1
2
. 1
3
y cannicas \
1
. \
2
(derecha) son:
Frmaco 1
1
1
2
radio \
1
\
2
Placebo 19.73 8.91 0.86 1
1
.869 -.494
Clobazan 19.75 8.44 0.86 1
2
.296 .955
Diazepan 21.32 8.68 0.86
La representacin cannica indica que no hay diferencias entre P y C. En
cambio D se diferencia signicativamente de P. Puesto que las variables miden
efectos secundarios, resulta que C no los tiene, pero D s (Fig. 15.1).
Ejemplo 2. Continuando con el ejemplo 15.7.1, vamos a realizar la repre-
sentacin cannica de los tres niveles de la temperatura. Los valores propios
de l
t
l respecto de

son 2.529, 1.375, que explican el 100 % de la variabili-
dad geomtrica (Fig. 15.2). Las coordenadas y los radios de la representacin
cannica (izquierda) y las correlaciones entre variables observables 1
1
. 1
2
. 1
3
y cannicas \
1
. \
2
(derecha) son:
temp \
1
\
2
radio \
1
\
2
4 -.539 -.871 1.29 1
1
.395 .278
20 1.29 .091 1.29 1
2
.961 -.276
34 -.753 .779 1.29 1
3
.405 .653
Ejemplo 3. Continuando con el ejemplo 15.7.2, podemos hacer la rep-
resentacin cannica de las ocho especies, eliminando el efecto del sexo y
Figura 16.2: Representacin cannica de los efectos principales de las tem-
peraturas.
de la interaccin. Los dos primeros valores propios de l
t
l respecto de

son 201.67, 28.054, que explican el 98.2 % de la variabilidad geomtrica (Fig.

13.3). Las coordenadas y los radios de la representacin cannica (izquierda)
y las correlaciones entre variables observables y cannicas (derecha) son:
Especie \
1
\
2
radio \
1
\
2
1 -4.567 -1.164 .342 1
1
.600 .115
2 -3.760 -.5129 .342 1
2
.661 .450
3 -1.944 -1.031 .418 1
3
.453 .698
4 -2.613 1.536 .342 1
4
.804 .522
5 -2.299 1.731 .342 1
5
.748 .522
6 -1.705 .6381 .342
7 6.828 -3.671 .503
8 10.06 2.475 .342
Esta representacin permite visualizar las diferencias entre las especies, sin
la inuencia del dimorsmo sexual y de la interaccin especiesexo.
16.6. Complementos
El teorema de Gauss-Markov se puede generalizar de diversas maneras al
caso multivariante. Ver Mardia et al. (1979), Rencher (1998).
La representacin de funciones paramtricas estimables multivariantes fue
propuesta por Cuadras (1974). Ver Cuadras et al. (1996) y otras generaliza-
ciones en Lejeune y Calinski (2000), Arenas y Cuadras (2004).
Figura 16.3: Representacin canonica de 8 especies de colepteros, eliminando
el efecto del dimorsmo sexual y de la interaccin.
Bibliografa
[1] Albert, A. and J. A. Anderson (1984) On the existence of maximum
likelihood estimates in logistic regression models. Biometrika, 71, 1-19.
[2] Anderson, T. W. (1958) An Introduction to Mltivariate Analysis. J.
Wiley, N. York.
[3] Anderson, T. W. and H. Rubin (1956) Statistical inference in factor
analysis. Proc. of the Third Berkeley Symposium on Math. Stat. and
Prob., 5, 111-150.
[4] Arenas, C. and C. M. Cuadras (2004) Comparing two methods for
joint representation of multivariate data. Comm. Stat. Comp. Simul.,
33, 415-430.
[5] Baillo, A. and A. Gran (2008).100 Problemas Resueltos de Estadstica
Multivariante. Delta, Madrid.
[6] Batista, J.M. and G. Coenders (2000) Modelos de Ecuaciones Estruc-
turales. La Muralla, Madrid.
[7] Benzecri, J.P. (1976) LAnalyse des Donnes. I. La Taxinomie. II.
LAnalyse des Correspondances. Dunod, Paris.
[8] Cailliez, F. (1983) The analytical solution of the additive constant prob-
lem. Psychometrika, 48, 305-308.
[9] Crdenas C., and Galindo Villardn, M. P. (2001). Biplot con infor-
macin externa basado en modelos bilineales generalizados. Universidad
Central de Venezuela, Caracas.
[10] Carmona, F. (2005) Modelos Lineales. Pub. Univ. de Barcelona,
Barcelona.
273
274 BIBLIOGRAFA
[11] Cooley, W.W. and P. R. Lohnes (1971) Multivariate data analysis. J.
Wiley, N. York.
[12] Cox, T. F. and M. A. A. Cox (1964) Multidimensional Scaling. Chap-
man and Hall, London.
[13] Critchley, F. and W. Heiser (1988) Hierarchical trees can be scaled
perfectly in one dimension. J. of Classication, 5, 5-20.
[14] Cuadras, C. M. (1974) Anlisis discriminante de funciones paramtricas
estimables. Trab. Esta. Inv. Oper., 25, 3-31.
[15] Cuadras, C. M. (1981) Mtodos de Anlisis Multivariante. Eunibar,
Barcelona. 3a Ed. EUB, Barcelona, 1996.
[16] Cuadras, C. M. (1988) Distancias estadsticas (con discusin) . Estads-
tica Espaola, 30, 295-378.
[17] Cuadras, C. M. (1989) Distance analysis in discrimination and classi-
cation using both continuous and categorical variables. In: Y. Dodge
(Ed.), Statistical Data Analysis and Inference, pp. 459473. Elsevier
Science Publishers B. V. (NorthHolland), Amsterdam.
[18] Cuadras, C. M. (1991) Ejemplos y aplicaciones inslitas en regresin y
correlacin. Qesti, 15, 367-382.
[19] Cuadras, C. M. (1992a) Probability distributions with given multivari-
ate marginals and given dependence structure. J. Multivariate Analy-
sis, 42, 51-66.
[20] Cuadras, C. M (1992b) Some examples of distance based discrimina-
tion. Biometrical Letters, 29, 3-20.
[21] Cuadras, C. M. (1993) Interpreting an inequality in multiple regression.
The American Statistician, 47, 256-258.
[22] Cuadras, C. M. (1998) Multidimensional dependencies in ordination
and classication. In: K. Fernndez and E. Morinneau (Eds.), Analy-
ses Multidimensionnelles des Donnes, pp.15-26, CISIA-Ceresta, Saint
Mand (France).
BIBLIOGRAFA 275
[23] Cuadras, C. M. (2000) Problemas de Probabilidades y Estadstica. Vol.
2. EUB, Barcelona.
[24] Cuadras, C. M. (2002a) On the covariance between functions. J. of
Multivariate Analysis, 81, 19-27.
[25] Cuadras, C. M. (2002b) Correspondence analysis and diagonal expan-
sions in terms of distribution functions. J. of Statistical Planning and
Inference, 103, 137-150.
[26] Cuadras, C. M. (2005) Continuous canonical correlation analysis. Re-
search Letters in Information and Mathematical Sciences, 8, 97-103.
[27] Cuadras, C. M. (2006) The importance of being the upper bound in
the bivariate family. SORT, 30, 55-84.
[28] Cuadras, C. M. (2008) Distance-based multisample tests for multi-
variate data. In: Advances in Mathematical and Statistical Modeling,
(Arnold, B. C.; Balakrishnan, N.; Sarabia, J. M.; Mnguez, R. Eds.),
Birkhauser, Boston, pp. 61-71.
[29] Cuadras, C. M. (2009) Constructing copula functions with weighted
geometric means. J. of Statistical Planning and Inference, 139, 3766-
3772.
[30] Cuadras, C. M. and C. Arenas (1990) Adistance based regression model
for prediction with mixed data. Comm. Stat.-Theor. Meth., 19, 2261-
2279.
[31] Cuadras, C. M., Atkinson, R.A. and J. Fortiana (1997) Probability
densities from distances and discriminant analysis. Statistics and Prob-
ability Letters, 33, 405-411.
[32] Cuadras, C. M. and J. Aug (1981) A continuous general multivariate
distribution and its properties. Commun. Stat.-Theor. Meth, A10, 339-
353.
[33] Cuadras. C. M. and D. Cuadras (2006) A parametric approach to cor-
respondence analysis. Linear Algebra and its Applications, 417, 64-74.
[34] Cuadras, C. M. and F. Carmona (1983) Euclidean dimensionality of
ultrametric distances. Qestiio, 7, 353-358.
276 BIBLIOGRAFA
[35] Cuadras, C. M., Arenas, C. and J. Fortiana (1996) Some computational
aspects of a distance-based model for prediction. Comm. Stat.-Simul.
Comp., 25, 593-609.
[36] Cuadras, C. M. and J. Fortiana (1993a) Continuous metric scaling and
prediction. In: C.M. Cuadras and C.R. Rao (Eds.), Multivariate Analy-
sis, Future Directions 2, pp. 4766. Elsevier Science Publishers B. V.
(NorthHolland), Amsterdam.
[37] Cuadras, C. M. and J. Fortiana (1993b) Aplicacin de las distancias
en estadstica. Qestii, 17, 39-74.
[38] Cuadras, C. M. and J. Fortiana (1994) Ascertaining the underlying
distribution of a data set. In: R. Gutierrez and M.J. Valderrama (Eds.),
Selected Topics on Stochastic Modelling, pp. 223-230. World-Scientic,
Singapore.
[39] Cuadras, C. M. and J. Fortiana (1995) A continuous metric scaling
solution for a random variable. J. of Multivariate Analysis, 52, 114.
[40] Cuadras, C. M. and J. Fortiana (1996) Weighted continuous metric
scaling. In: Gupta, A. K. and V. L. Girko (Eds.), Multidimensional
Statistical Analysis and Theory of Random Matrices, pp. 2740. VSP,
Zeist, The Netherlands.
[41] Cuadras, C.M. and J. Fortiana (1998) Visualizing categorical data with
related metric scaling. In: J. Blasius and M. Greenacre, (Eds.), Visu-
alization of Categorical Data, pp. 365-376. Academic Press, N. York.
[42] Cuadras, C. M. and J. Fortiana (2000) The Importance of Geome-
try in Multivariate Analysis and some Applications. In: C.R. Rao and
G. Szekely, (Eds.), Statistics for the 21st Century, pp. 93-108. Marcel
Dekker, N. York.
[43] Cuadras, C. M. and J. Fortiana (2004) Distance-based multivariate
two sample tests. In: Parametric and Semiparametric Models with Ap-
plications to Reliability, Survival Analysis, and Quality of Life (M. S.
Nikulin, N. Balakrishnan, M. Mesbah, N. Limnios,Eds.), Birkhauser,
Boston, 273-290.
BIBLIOGRAFA 277
[44] Cuadras, C. M., Fortiana, J. and M. Greenacre (2000) Continuous ex-
tensions of matrix formulations in correspondence analysis, with ap-
plications to the FGM family of distributions. In: R.D.H. Heijmans,
D.S.G. Pollock and A. Satorra, (Eds.), Innovations in Multivariate Sta-
tistical Analysis, pp. 101-116. Kluwer Ac. Publ., Dordrecht.
[45] Cuadras, C. M., Cuadras, D. and M. Greenacre (2006) Comparison of
dierent methods for representing categorical data. Communications
in Statistics-Simul. and Comp., 35 (2), 447-459.
[46] Cuadras, C. M., Fortiana, J. and F. Oliva (1996) Representation of sta-
tistical structures, classication and prediction using multidimensional
scaling. In: W. Gaul, D. Pfeifer (Eds.), From Data to Knowledge, pp.
20-31. Springer, Berlin.
[47] Cuadras, C. M., Fortiana, J. and F. Oliva (1997) The proximity of an
individual to a population with applications in discriminant analysis.
J. of Classication, 14, 117-136.
[48] Cuadras, C.M. and Y. Lahlou (2000) Some orthogonal expansions for
the logistic distribution. Comm. Stat.-Theor. Meth., 29, 2643-2663.
[49] Cuadras, C. M. and J. M. Oller (1987) Eigenanalysis and metric mul-
tidimensional scaling on hierarchical structures. Qestii, 11, 37-57.
[50] Cuadras, C. M. and M. Snchez-Turet (1975) Aplicaciones del anlisis
multivariante cannico en la investigacin psicolgica. Rev. Psicol. Gen.
Aplic., 30, 371-382.
[51] Chatterjee, S. and B. Price (1991) Regression analysis by example. Wi-
ley, N. York.
[52] Efron, B. (1975) The ecency of logistic regression compared to normal
discriminant analysis. J. of the American Statistical Association, 70,
892-898.
[53] Friendly, M. (1994). Mosaic displays for multi-way contingency tables.
J. of the American Statistical Association, 89,190200.
[54] Friendly, M. (1999). Extending mosaic displays: Marginal, conditional,
and partial views of categorical data. J. of Computational and Graph-
ical Statistics, 8 , 373395.
278 BIBLIOGRAFA
[55] Everitt, B.S. (1993). Cluster Analysis. Edward Arnold, London.
[56] Flury, B. (1997) A First Course in Multivariate Statistics. Springer, N.
York.
[57] Fortiana, J. and C. M. Cuadras (1997) A family of matrices, the dis-
cretized Brownian Bridge and distance-based regression. Linear Algebra
and its Applications, 264, 173-188.
[58] Gabriel, K. R. (1971) The biplot graphic display of matrices with ap-
plication to principal component analysis. Biometrika, 58, 453-467.
[59] Galindo Villardon, M. P. (1986) Una alternativa de representacin si-
multnea: HJ-Biplot. Questiio, 10, 13-23.
[60] Gittings, R. (1985) Canonical Analysis. A Review with Applications in
Ecology. Springer-Verlag, Berlin.
[61] Gordon, A. D. (1999) Classication. Chapman and Hall, London.
[62] Gower, J. C. (1966) Some distance properties of latent roots and vector
methods in multivariate analysis. Biometrika, 53, 315-328.
[63] Gower, J. C. (1971) A general coecient of similarity and some of its
properties. Biometrics, 27, 857-871.
[64] Gower, J. C. and D. J. Hand (1996) Biplots. Chapman and Hall, Lon-
don.
[65] Greenacre, M. J. (1984) Theory and Applications of Correspondence
Analysis. Academic Press, London.
[66] Greenacre, M. J. (2008) La Prctica del Anlisis de Correspondencias.
Fundacin BBVA - Rubes Ed., Barcelona.
[67] Harman, H. H. (1976) Modern Factor Analysis. The Univ. Chicago
Press, Chicago, 3a ed.
[68] Hartigan (1967) Representation of similarity matrices by trees. J. of
the American Statistical Association, 62, 1140-1158.
[69] Hastie, T. and R.J. Tibshirani (1990) Generalized Additive Models.
Chapman and Hall, London.
BIBLIOGRAFA 279
[70] Hill, M. O. (1973) Reciprocal averaging: an eigenvector method of or-
dination. J. of Ecology, 61, 237-249.
[71] Holman, E.W. (1972) The relation between Hierarchical and Euclidean
models for psychological distances. Psychometrika, 37, 417-423.
[72] Hosmer, D. W. and S. Lemeshow (2000) Applied Logistic Regression,
2nd Edition. Wiley, N. York.
[73] Hutchinson, T.P. and C.D. Lai (1991) The Engineering Statisticians
Guide to Continuous Bivariate Distributions. Rumsby Scientic Pub.,
Adelaide.
[74] Joe, H. (1997) Multivariate Models and Dependence Concepts. Chap-
man and Hall, London.
[75] Johnson, S. C. (1967) Hierarchical clustering schemes. Psychometrika,
32, 241-254.
[76] Joreskog, K. (1967) Some contributions to maximum likelihood factor
analysis. Psychometrika, 32, 443-482.
[77] Joreskog, K. (1969) A general approach to conrmatory maximum like-
lihood factor analysis. Psychometrika, 34, 183-202.
[78] Joreskog, K. (1970) A general method for analysis of covarianvce struc-
tures. Biometrika, 57, 239-251.
[79] Joreskog, K, Sorbom, D. (1999) LISREL 8: A Guide to the Program
and Applications. Scientic Sotware International, Inc., Chicago.
[80] Krzanowski, W. J. (1975) Discrimination and classication using both
binary and continuous variables. J. of the American Statistical Associ-
ation, 70, 782-790.
[81] Krzanowski, W. J. (1980) Mixtures of continuous and categorical vari-
ables in discriminant analysis. Biometrics, 36, 493-499.
[82] Krzanowski, W. J. and D. Radley (1989) Nonparametric condence and
tolerance regions in canonical variate analysis. Biometrics, 45, 1163-
1173.
280 BIBLIOGRAFA
[83] Lancaster, H. O. (1969) The Chi-Squared Distribution. J. Wiley, N.
York.
[84] Lebart, L., Morineau, A. and N. Tabard (1977) Techniques de la De-
scription Statistique. Dunod, Paris.
[85] Light, R. J. and B. H. Margolin (1971) An analysis of variance for
categoricala data. J. of the American Statistical Association, 66. 534-
544.
[86] Longford, N. T. (1994) Logistic regression with random coecients.
Computational Statistics and Data Analysis, 17, 1-15.
[87] Lawley, D. N. and A. E. Maxwell. (1971) Factor Analysis as a Statistical
Method. Butterworth, London.
[88] Leujene, M. and T. Calinski (2000) Canonical analysis applied to mul-
tivariate analysis of variance. J. of Multivariate Analysis, 72, 100-119.
[89] McLachlan, G. J. (1992) Discriminant Analysis and Statistical Pattern
Recognition. Wiley, N. York.
[90] Mardia, K. V., Kent, J. T. and J. M. Bibby (1979) Multivariate Analy-
sis. Academic Press, London.
[91] Muirhead, R. J. (1982) Aspects of Multivariate Statistical Theory. Wi-
ley, N. York.
[92] Nelsen, R,. B. (1999) An Introduction to Copulas. Springer, N. York.
[93] Oliva, F., Bolance, C. and L. Diaz (1993) Aplicaci de lanlisi multi-
variante a un estudi sobre les llenges europees. Qestii, 17, 139-161.
[94] Oller, J.M. (1987) Information metric for extreme values and logistic
distributions. Sankhya, 49 A, 17-23.
[95] Oller, J.M. and C.M. Cuadras (1985) Raos distance for negative
multinomial distributions. Sankhya, 47 A, 75-83.
[96] Pea, D. (1989) Estadstica Modelos y Mtodos 2. Modelos Lineales y
Series Temporales. Alianza Universidad Textos, 2a Ed., Madrid.
BIBLIOGRAFA 281
[97] Pea, D. (2002) Anlisis de Datos Multivariantes. McGraw Hill Inter-
americana, Madrid.
[98] Quesada-Molina, J. J. (1992) A generalization of an identity of Hoed-
ing and some applications. J of the Italian Stat. Society, 3, 405-411.
[99] Rao, C. R. (1952) Advanced Statistical Methods in Biometric Research.
Wiley, N. York.
[100] Rao, C. R. (1973) Linear Statistical Inference and their Applications.
Wiley, N. York.
[101] Rao, C. R. (1995) A review of canonical coordinates and an alternative
to correspondence analysis using Hellinger distance. Qestii, 19, 23-
63.
[102] Rencher, A. C. (1995) Methods of Multivariate Analysis. Wiley, N.
York.
[103] Rencher, A. C. (1998) Multivariate statistical inference and applica-
tions. Wiley, N. York,.
[104] Rummel, R. J. (1963) The dimensions of conict behavior within and
between nations. General Systems Yearbook, 8, 1-50.
[105] Snchez-Turet, M. and Cuadras, C. M. (1972) Adaptacin espaola del
cuestionario E.P.I. de Eysenck. Anuario de Psicologa, 6, 31-59.
[106] Satorra, A. (1989) Alternative test criteria in covariance structure
analysis: A unied approach. Psychometrika, 54, 131-151.
[107] Seal, H. L. (1964) Multivariate Statistical Analysis for Biologists.
Methuen and Co. Ltd., London.
[108] Seber, G. A. F. (1977) Linear Regression Analysis. J. Wiley, N. York.
[109] Spearman, Ch. (1904) General intelligence objetively determined and
measured. American J. of Psychology, 15, 201-293.
[110] Tibshirani, R., Walther, G. and T. Hastie (2001) Estimating the num-
ber of clusters in a data set via the gap statistic. J. R. Stat. Soc. B,
63, 411-423.
282 BIBLIOGRAFA
[111] Torrens-Ibern, J. (1972) Modles et Mthodes de lAnalyse Factorielle.
Dunod, Paris.
[112] van der Heijden, P. G. M. and J. de Leuw (1985) Correspondence analy-
sis used complementary to loglinear analysis. Psychometrika, 50, 429-
447.
ndice alfabtico
biplot, 80, 85
Box, correccin de , 118
coeciente de Pearson, 157
comunalidad, 88, 91
coordenadas
cannicas, 115, 267
principales, 128, 151
correlacin
cannica, 61
mltiple, 58
simple, 13
correspondencias
mltiples, 159
simples, 152
curva
especicidad, 212
ROC, 212
sensibilidad, 212
dendograma, 177
descomposicion
espectral, 19
singular, 19
desigualdad
de Cramr-Rao, 37
triangular, 125, 177
ultramtrica, 176
discriminador
Bayes, 199
cuadrtico, 200
distancia, 17
ciudad, 136
de Bhattachariyya, 138
de Mahalanobis, 17, 114, 199, 266
de Pearson, 17
de Rao, 140
dominante, 136
Eucldea, 17, 72, 136
ji-cuadrado, 151
distribucin
aproximacin asinttica a una F,
30
de Hotelling, 28, 46
de Wilks, 29, 255
de Wishart, 27
elptica, 34
multinomial, 32
normal bivariante, 26
normal multivariante, 24
ecuaciones
de verosimilitud, 99
normales, 227, 250
espacio ultramtrico, 176
factor
nico, 88, 90
comn, 88, 90
en diseos factoriales, 237, 239,
241
funcin
283
284 NDICE ALFABTICO
de verosimilitud, 37, 38, 44, 99
estimable multivariante, 265
estimable univariante, 263
score, 37
Heywood, caso de, 93
hiptesis lineal, 231, 253
interaccin, 241
inversa generalizada, 19, 32, 138, 149
jerarqua indexada, 174
matriz, 255
centrada, 13
de Burt, 159, 161
de correlaciones, 13, 88
de covarianzas, 13
de dispersin dentro grupos, 41,
256
de dispersin entre grupos, 41, 256
de distancias Eucldeas, 126
de informacin de Fisher, 38
medicin de factores
de Anderson-Rubin, 105
de Bartlett, 105
por mnimos cuadrados, 105
medidas de variabilidad
variacin total, 16, 71
varianza generalizada, 16
metodo
de las medias mviles, 191
del factor principal, 97
del mnimo, 183
del mximo, 184
exible, 194
modelo
de regresin logstica, 208
de regresin mltiple, 229
lineal, 225
log-lineal, 245
logstico, 208
multifactorial, 90
Thurstone, 139
unifactorial, 88
mosaicos, 170
nmero
de clusters (conglomerados), 192
de componentes principales, 78
de correlaciones cannicas, 63
de factores comunes, 99
de variables cannicas, 118
paradoja
de Rao, 51
de Stein, 54
preordenacin, 133
principio
de equivalencia distribucional, 169
de parsimonia, 96
de unin-interseccin, 46, 55, 64,
262
probabilidad de clasicacin errnea,
195, 197, 199
razn de verosimilitud, 45
regla
basada en distancias, 219
Bayes, 197, 204
discriminacin logstica, 209
discriminante, 195
mxima verosimilitud, 197, 204
rotacin
biquartimin, 102
covarimin, 102
oblcua, 102
ortogonal, 100
NDICE ALFABTICO 285
promax, 102
quartimax, 101
quartimin, 102
varimax, 101
similaridad, coeciente de
de Dice, 137
de Jaccard, 132
de Sokal y Michener, 132
de Sokal-Sneath, 137
denicin, 131
Gower, 139
teorema
de Cochran, 41
de Craig, 42
de Fisher, 43
de Gauss-Markov, 264
de la dimensin, 15
de Thusrstone, 95
de Wilks, 45
test
comparacin de dos medias, 40
comparacin de k medias, 46
de Bartlett, 55, 118
de Bartlett-Lawley, 63
de esfericidad, 79
de razn de verosimilitud, 45
de Wald, 211
independencia, 45, 63, 77
sobre la covarianza, 76
sobre la media, 39
transformacin
cannica, 114
componentes principales, 70, 73
lineal, 14
unicidad, 91
valores singulares, 19, 62, 80, 150
variabilidad geomtrica (inercia), 72,
73, 115, 130, 157
variable
cannica, 61
compuesta, 14, 70

Metodos Multivariantes

Cargado por

Copyright:

Formatos disponibles

Metodos Multivariantes

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

Metodos Multivariantes

Cargado por

Copyright:

Formatos disponibles

NUEVOS MTODOS DE ANLISIS

(r. ) = max1(r) +G() 1. 0.

. entonces se cumple la relacin funcional entre

es mnima. Cuando la distribucin es H

0 del parmetro desconocido 0 es mximo verosmil si max-

Derivando vectorialmente respecto de d e igualando a 0

[ log [S[ + tr(

H (ver Teorema 8.2.1) verican

1(x) es bastante complicada, pero la distribucin

es una inversa generalizada de X

d. donde las : primeras componentes de T

d son tambin cero. Por tanto

X= XC. es decir, las columnas de XC son combinacin lineal de las

,(c 1) es tambin estimador centrado de o

d). En el caso multivariante, el estimador

cuando : < :. El estimador

E coinciden. Entonces, como

d es estimador lineal insesgado de y, dentro de los estimadores

d tiene varianza mnima.

es la dispersin mnima (16.1).

son 201.67, 28.054, que explican el 98.2 % de la variabilidad geomtrica (Fig.

También podría gustarte