NUEVOS MÉTODOS

DE
ANÁLISIS MULTIVARIANTE
Carles M. Cuadras
21 de junio de 2012
2
Es propiedad del autor.
c _C. M. Cuadras
CMC Editions
Manacor 30
08023 Barcelona, Spain
Índice general
1. DATOS MULTIVARIANTES 11
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 dimensión . . . . . . . . . . . . . . . . . . . . . 15
1.8. Medidas globales de variabilidad y dependencia . . . . . . . . 16
1.9. Distancias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.10. Algunos aspectos del cálculo matricial . . . . . . . . . . . . . . 19
1.10.1. Descomposición singular . . . . . . . . . . . . . . . . . 19
1.10.2. Inversa generalizada . . . . . . . . . . . . . . . . . . . 19
1.10.3. Aproximación matricial de rango inferior . . . . . . . . 20
1.10.4. Transformación procrustes . . . . . . . . . . . . . . . . 21
1.11. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.12. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2. NORMALIDAD MULTIVARIANTE 27
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2. Distribución normal multivariante . . . . . . . . . . . . . . . . 28
2.2.1. De…nición . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.3. Caso bivariante . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Distribución de Wishart . . . . . . . . . . . . . . . . . . . . . 31
2.4. Distribución de Hotelling . . . . . . . . . . . . . . . . . . . . . 32
2.5. Distribución de Wilks . . . . . . . . . . . . . . . . . . . . . . . 33
2.6. Relaciones entre las distribuciones Wilks, Hotelling y F . . . . 35
3
4 ÍNDICE GENERAL
2.7. Distribución multinomial . . . . . . . . . . . . . . . . . . . . . 36
2.8. Distribuciones con marginales dadas . . . . . . . . . . . . . . . 37
2.9. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3. INFERENCIA MULTIVARIANTE 41
3.1. Conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2. Estimación de medias y covarianzas . . . . . . . . . . . . . . . 42
3.3. Contraste de hipótesis multivariantes . . . . . . . . . . . . . . 43
3.3.1. Test sobre la media: una población . . . . . . . . . . . 43
3.3.2. Test sobre la media: dos poblaciones . . . . . . . . . . 44
3.3.3. Comparación de medias . . . . . . . . . . . . . . . . . 44
3.4. Teorema de Cochran . . . . . . . . . . . . . . . . . . . . . . . 45
3.5. Construcción de contrastes de hipótesis multivariantes . . . . . 48
3.5.1. Razón de verosimilitud . . . . . . . . . . . . . . . . . . 48
3.5.2. Principio de unión-intersección . . . . . . . . . . . . . . 50
3.6. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.7. Análisis de per…les . . . . . . . . . . . . . . . . . . . . . . . . 57
3.8. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4. ANÁLISIS DE CORRELACIÓN CANÓNICA 61
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2. Correlación múltiple . . . . . . . . . . . . . . . . . . . . . . . 61
4.3. Correlación canónica . . . . . . . . . . . . . . . . . . . . . . . 63
4.4. Correlación canónica y descomposición singular . . . . . . . . 66
4.5. Signi…cación de las correlaciones canónicas . . . . . . . . . . . 67
4.6. Contraste de hipótesis de independencia . . . . . . . . . . . . 67
4.6.1. Razón de verosimilitud . . . . . . . . . . . . . . . . . . 68
4.6.2. Principio de unión intersección . . . . . . . . . . . . . . 68
4.7. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.8. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5. ANÁLISIS DE COMPONENTES PRINCIPALES 73
5.1. De…nición y obtención de las componentes principales . . . . . 73
5.2. Variabilidad explicada por las componentes principales . . . . 75
5.3. Representación de una matriz de datos . . . . . . . . . . . . . 76
5.4. Inferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4.1. Estimación y distribución asintótica . . . . . . . . . . . 79
5.4.2. Contraste de hipótesis . . . . . . . . . . . . . . . . . . 80
ÍNDICE GENERAL 5
5.5. Número de componentes principales . . . . . . . . . . . . . . . 82
5.5.1. Criterio del porcentaje . . . . . . . . . . . . . . . . . . 82
5.5.2. Criterio de Kaiser . . . . . . . . . . . . . . . . . . . . . 82
5.5.3. Test de esfericidad . . . . . . . . . . . . . . . . . . . . 83
5.5.4. Criterio del bastón roto . . . . . . . . . . . . . . . . . . 83
5.6. Biplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.7. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.8. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6. ANÁLISIS FACTORIAL 93
6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2. El modelo unifactorial . . . . . . . . . . . . . . . . . . . . . . 94
6.3. El modelo multifactorial . . . . . . . . . . . . . . . . . . . . . 96
6.3.1. El modelo . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3.2. La matriz factorial . . . . . . . . . . . . . . . . . . . . 97
6.3.3. Las comunalidades . . . . . . . . . . . . . . . . . . . . 97
6.3.4. Número máximo de factores comunes . . . . . . . . . . 98
6.3.5. El caso de Heywood . . . . . . . . . . . . . . . . . . . 99
6.3.6. Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . 99
6.4. Teoremas fundamentales . . . . . . . . . . . . . . . . . . . . . 101
6.5. Método del factor principal . . . . . . . . . . . . . . . . . . . 103
6.6. Método de la máxima verosimilitud . . . . . . . . . . . . . . . 104
6.6.1. Estimación de la matriz factorial . . . . . . . . . . . . 104
6.6.2. Hipótesis sobre el número de factores . . . . . . . . . . 105
6.7. Rotaciones de factores . . . . . . . . . . . . . . . . . . . . . . 106
6.7.1. Rotaciones ortogonales . . . . . . . . . . . . . . . . . . 106
6.7.2. Factores oblicuos . . . . . . . . . . . . . . . . . . . . . 107
6.7.3. Rotación oblicua . . . . . . . . . . . . . . . . . . . . . 108
6.7.4. Factores de segundo orden . . . . . . . . . . . . . . . . 110
6.8. Medición de factores . . . . . . . . . . . . . . . . . . . . . . . 111
6.9. Análisis factorial con…rmatorio . . . . . . . . . . . . . . . . . . 112
6.10. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7. ANÁLISIS CANÓNICO DE POBLACIONES 117
7.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
7.2. Variables canónicas . . . . . . . . . . . . . . . . . . . . . . . . 118
7.3. Distancia de Mahalanobis y transformación canónica . . . . . 120
7.4. Representación canónica . . . . . . . . . . . . . . . . . . . . . 121
6 ÍNDICE GENERAL
7.5. Aspectos inferenciales . . . . . . . . . . . . . . . . . . . . . . . 123
7.5.1. Comparación de medias . . . . . . . . . . . . . . . . . 123
7.5.2. Comparación de covarianzas . . . . . . . . . . . . . . . 123
7.5.3. Test de dimensionalidad . . . . . . . . . . . . . . . . . 124
7.5.4. Regiones con…denciales . . . . . . . . . . . . . . . . . . 125
7.6. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
8. ESCALADO MULTIDIMENSIONAL (MDS) 131
8.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.2. ¿Cuándo una distancia es euclídea? . . . . . . . . . . . . . . . 132
8.3. El análisis de coordenadas principales . . . . . . . . . . . . . . 134
8.4. Similaridades . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
8.5. Nociones de MDS no métrico . . . . . . . . . . . . . . . . . . 139
8.6. Distancias estadísticas . . . . . . . . . . . . . . . . . . . . . . 142
8.6.1. Variables cuantitativas . . . . . . . . . . . . . . . . . . 142
8.6.2. Variables binarias . . . . . . . . . . . . . . . . . . . . . 143
8.6.3. Variables categóricas . . . . . . . . . . . . . . . . . . . 144
8.6.4. Variables mixtas . . . . . . . . . . . . . . . . . . . . . 145
8.6.5. Otras distancias . . . . . . . . . . . . . . . . . . . . . . 145
8.7. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8.8. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
9. ANÁLISIS DE CORRESPONDENCIAS 155
9.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
9.2. Cuanti…cación de las variables categóricas . . . . . . . . . . . 157
9.3. Representación de …las y columnas . . . . . . . . . . . . . . . 158
9.4. Representación conjunta de …las y columnas . . . . . . . . . . 160
9.5. Soluciones simétrica y asimétrica . . . . . . . . . . . . . . . . 163
9.6. Variabilidad geométrica (inercia) . . . . . . . . . . . . . . . . 164
9.7. Analisis de Correspondencias Múltiples . . . . . . . . . . . . . 167
9.8. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9.9. MDS ponderado . . . . . . . . . . . . . . . . . . . . . . . . . . 173
9.10. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
10. CLASIFICACIÓN 181
10.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
10.2. Jerarquía indexada . . . . . . . . . . . . . . . . . . . . . . . . 182
10.3. Geometría ultramétrica . . . . . . . . . . . . . . . . . . . . . . 184
ÍNDICE GENERAL 7
10.4. Algoritmo fundamental de clasi…cación . . . . . . . . . . . . . 188
10.5. Equivalencia entre jerarquía indexada y ultramétrica . . . . . 188
10.6. Algoritmos de clasi…cación jerárquica . . . . . . . . . . . . . . 189
10.6.1. Método del mínimo . . . . . . . . . . . . . . . . . . . . 191
10.6.2. Método del máximo . . . . . . . . . . . . . . . . . . . . 192
10.7. Otras propiedades del método del mínimo . . . . . . . . . . . 194
10.8. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
10.9. Clasi…cación no jerárquica . . . . . . . . . . . . . . . . . . . . 200
10.10.Número de clusters . . . . . . . . . . . . . . . . . . . . . . . . 201
10.11.Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . 201
11. ANÁLISIS DISCRIMINANTE 205
11.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
11.2. Clasi…cación en dos poblaciones . . . . . . . . . . . . . . . . . 206
11.2.1. Discriminador lineal . . . . . . . . . . . . . . . . . . . 206
11.2.2. Regla de la máxima verosimilitud . . . . . . . . . . . . 207
11.2.3. Regla de Bayes . . . . . . . . . . . . . . . . . . . . . . 207
11.3. Clasi…cación en poblaciones normales . . . . . . . . . . . . . . 208
11.3.1. Discriminador lineal . . . . . . . . . . . . . . . . . . . 208
11.3.2. Regla de Bayes . . . . . . . . . . . . . . . . . . . . . . 209
11.3.3. Probabilidad de clasi…cación errónea . . . . . . . . . . 209
11.3.4. Discriminador cuadrático . . . . . . . . . . . . . . . . . 209
11.3.5. Clasi…cación cuando los parámetros son estimados . . . 210
11.3.6. Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . 210
11.4. Discriminación en el caso de k poblaciones . . . . . . . . . . . 213
11.4.1. Discriminadores lineales . . . . . . . . . . . . . . . . . 213
11.4.2. Regla de la máxima verosimilitud . . . . . . . . . . . . 214
11.4.3. Regla de Bayes . . . . . . . . . . . . . . . . . . . . . . 215
11.4.4. Un ejemplo clásico . . . . . . . . . . . . . . . . . . . . 215
12. DISCRIMINACIÓN LOGÍSTICA
Y BASADA EN DISTANCIAS 217
12.1. Análisis discriminante logístico . . . . . . . . . . . . . . . . . . 217
12.1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . 217
12.1.2. Modelo de regresión logística . . . . . . . . . . . . . . . 218
12.1.3. Estimación de los parámetros . . . . . . . . . . . . . . 219
12.1.4. Distribución asintótica y test de Wald . . . . . . . . . 220
12.1.5. Ajuste del modelo . . . . . . . . . . . . . . . . . . . . . 221
8 ÍNDICE GENERAL
12.1.6. Curva ROC . . . . . . . . . . . . . . . . . . . . . . . . 222
12.1.7. Comparación entre discriminador lineal y logístico . . . 225
12.2. Análisis discriminante basado en distancias . . . . . . . . . . . 227
12.2.1. La función de proximidad . . . . . . . . . . . . . . . . 228
12.2.2. La regla discriminante DB . . . . . . . . . . . . . . . . 229
12.2.3. La regla DB comparada con otras . . . . . . . . . . . . 229
12.2.4. La regla DB en el caso de muestras . . . . . . . . . . . 230
12.3. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
13. EL MODELO LINEAL 235
13.1. El modelo lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 235
13.2. Suposiciones básicas del modelo . . . . . . . . . . . . . . . . . 236
13.3. Estimación de parámetros . . . . . . . . . . . . . . . . . . . . 237
13.3.1. Parámetros de regresión . . . . . . . . . . . . . . . . . 237
13.3.2. Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . 238
13.4. Algunos modelos lineales . . . . . . . . . . . . . . . . . . . . . 239
13.4.1. Regresión múltiple . . . . . . . . . . . . . . . . . . . . 239
13.4.2. Diseño de un factor . . . . . . . . . . . . . . . . . . . . 240
13.4.3. Diseño de dos factores . . . . . . . . . . . . . . . . . . 240
13.5. Hipótesis lineales . . . . . . . . . . . . . . . . . . . . . . . . . 241
13.6. Inferencia en regresión múltiple . . . . . . . . . . . . . . . . . 244
13.7. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
14. ANÁLISIS DE LA VARIANZA (ANOVA) 247
14.1. Diseño de un factor . . . . . . . . . . . . . . . . . . . . . . . . 247
14.2. Diseño de dos factores . . . . . . . . . . . . . . . . . . . . . . 249
14.3. Diseño de dos factores con interacción . . . . . . . . . . . . . . 251
14.4. Diseños multifactoriales . . . . . . . . . . . . . . . . . . . . . . 253
14.5. Modelos log-lineales . . . . . . . . . . . . . . . . . . . . . . . . 254
14.5.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 257
14.6. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
15. ANÁLISIS DE LA VARIANZA (MANOVA) 259
15.1. Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
15.2. Estimación de parámetros . . . . . . . . . . . . . . . . . . . . 260
15.3. Contraste de hipótesis lineales . . . . . . . . . . . . . . . . . . 263
15.4. Manova de un factor . . . . . . . . . . . . . . . . . . . . . . . 265
15.5. Manova de dos factores . . . . . . . . . . . . . . . . . . . . . . 266
ÍNDICE GENERAL 9
15.6. Manova de dos factores con interacción . . . . . . . . . . . . . 267
15.7. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
15.8. Otros criterios . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
15.9. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
16. FUNCIONES ESTIMABLES MULTIVARIANTES 273
16.1. Funciones estimables . . . . . . . . . . . . . . . . . . . . . . . 273
16.2. Teorema de Gauss-Markov . . . . . . . . . . . . . . . . . . . . 274
16.3. Funciones estimables multivariantes . . . . . . . . . . . . . . . 275
16.4. Análisis canónico de fpem . . . . . . . . . . . . . . . . . . . . 276
16.4.1. Distancia de Mahalanobis . . . . . . . . . . . . . . . . 276
16.4.2. Coordenadas canónicas . . . . . . . . . . . . . . . . . . 277
16.4.3. Regiones con…denciales . . . . . . . . . . . . . . . . . . 278
16.5. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
16.6. Complementos . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
10 ÍNDICE GENERAL
11

C1CGC
El Análisis Multivariante es un conjunto de métodos estadísticos y matemáti-
cos, destinados a describir e interpretar los datos que provienen de la obser-
vación de varias variables estadísticas, estudiadas conjuntamente.
Este libro es una presentación convencional de los principales modelos y
métodos del Análisis Multivariante, con referencias a algunas contribuciones
recientes.
La exposición mantiene un cierto rigor matemático, compensado con una
clara orientación aplicada. Todos los métodos se ilustran con ejemplos, que
justi…can su aplicabilidad. Para examinar los datos y ver más ejemplos con-
súltese la página web
www.ub.edu,stat,cuadras,cuad.html
Esta obra tiene como precedentes la monogra…a “Métodos de Análisis Fac-
torial” (Pub. no. 7, Laboratorio de Cálculo, Universidad de Barcelona, 1974),
y el libro “Métodos de Análisis Multivariante” (EUNIBAR, 1981; PPU, 1991;
EUB, 1996, Barcelona).
El autor se reserva el derecho de ampliar el texto e introducir mejoras.
La primera versión apareció en 2007. La segunda versión (2010) contiene
correcciones, ampliaciones y un índice alfabético. La tercera versión (2011)
contiene algunas correcciones y nuevas referencias bibliográ…cas. La cuarta
versión (2012) incorpora más secciones y ejemplos.
Cómo citar este libro:
C. M. Cuadras
Nuevos Métodos de Análisis Multivariante
CMC Editions
Barcelona, 2012
Capítulo 1
DATOS MULTIVARIANTES
1.1. Introducción
El análisis multivariante (AM) es la parte de la estadística y del análisis
de datos que estudia, analiza, representa e interpreta los datos que resultan
de observar un número j 1 de variables estadísticas sobre una muestra de :
individuos. Las variables observables son homogéneas y correlacionadas, sin
que alguna predomine sobre las demás. La información estadística en AM es
de carácter multidimensional, por lo tanto la geometría, el cálculo matricial
y las distribuciones multivariantes juegan un papel fundamental.
La información multivariante es una matriz de datos, pero a menudo, en
AM la información de entrada consiste en matrices de distancias o similari-
dades, que miden el grado de discrepancia entre los individuos. Comenzare-
mos con las técnicas 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 observación de la variable A
)
sobre el individuo .
i
. La matriz de
11
12 CAPÍTULO 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 identi…can con los individuos y las columnas de X con las
variables. Indicaremos:
1. x
i
la …la i-ésima de X.
2. A
)
la columna j-ésima 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 simétrica 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 dispersión, respectivamente.
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 características multivariantes se expresan
mejor a partir de la matriz de centrado H. de…nida como
H = I÷
1
:
J
1.4. MEDIAS, COVARIANZAS Y CORRELACIONES 13
Propiedades:
H
t
= H.
H
2
= H.
H1 = 0. 1
t
H = 0
t
.
rang(H) =: ÷1.
Los valores propios de H son 0 ó 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= X÷1x
t
= HX.
3. Matriz de covarianzas:
S =
1
:
X
t
X =
1
:
X
t
HX.
4. Matriz de correlaciones:
El coe…ciente de correlación entre las variables ,. ,
t
viene dado por
:
))
0 =
:
))
0
:
)
:
)
0
.
siendo :
)
. :
)
0 las desviaciones típicas. Además de la matriz de covarianzas
interesa también la matriz de correlaciones
H =
_
_
_
_
1 :
12
:
1j
:
21
1 :
2j
. . . . . .
:
j1
:
j2
1
_
_
_
_
.
14 CAPÍTULO 1. DATOS MULTIVARIANTES
donde :
i)
=cor(A
i
. A
)
) es el coe…ciente de correlación (muestral) entre las
variables A
i
. A
)
. que veri…ca:
H = O
÷1
SO
÷1
. S = OHO. (1.1)
siendo O la matriz diagonal con las desviaciones típicas de las variables.
1.5. Variables compuestas
Algunos métodos de AM consisten en obtener e interpretar combina-
ciones lineales adecuadas de las variables observables. Una variable compues-
ta 1 es una combinación lineal de las variables observables con coe…cientes
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, también podemos escribir
1 = Xa.
Si 2 = /
1
A
1
+ +/
j
A
j
= XI es otra variable compuesta, se veri…ca:
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 según la téc-
nica multivariante: componentes principales, variables canónicas, funciones
discriminantes, etc. Uno de los objetivos del Análisis Multivariante es encon-
trar variables compuestas adecuadas que expliquen aspectos relevantes de los
datos.
1.6. Transformaciones lineales
Sea T una matriz j ¡. Una transformación 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 DIMENSIÓN 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 dimensión
La matriz de covarianzas S es (semi)de…nida positiva, puesto que:
a
t
Sa =
1
:
a
t
X
t
HXa =
1
:
a
t
X
t
HHXa = I
t
I _0.
siendo I =:
÷1¸2
HXa.
El rango : = rang(S) determina la dimensión del espacio vectorial gener-
ado por las variables observables, es decir, el número 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 combinación lineal de estas : variables.
Demost.: Podemos ordenar las j variables de manera que la matriz de covar-
ianzas S
v
de A
1
. . . . . A
v
sea no singular
S
v
=
_
_
_
:
11
:
1v
.
.
.
.
.
.
.
.
.
:
v1
:
vv
_
_
_
:
)1
:
)v
Sea A
)
. , :. La …la situada debajo de S
v
será combinación lineal de las …las
de S
v
. Luego las covarianzas :
)1
. . . . . :
)v
entre A
)
y A
1
. . . . . A
v
veri…can:
:
))
=
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.
16 CAPÍTULO 1. DATOS MULTIVARIANTES
Por lo tanto
A
)
÷
v

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 combinación 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 función
de la matriz de covarianzas S. Sean `
1
. . . . . `
j
los valores propios de S. Las
siguientes medidas tienen especial interés en AM.
a) Varianza generalizada:
[S[ =`
1
`
j
.
b) Variación total:
tr(S) =`
1
+ +`
j
Una medida de dependencia global debe ser función de la matriz de cor-
relaciones H. Un coe…ciente de dependencia es
j
2
= 1 ÷[H[.
que veri…ca:
1. 0 _ j
2
_ 1.
2. j
2
= 0 si y sólo si las j variables están incorrelacionadas.
3. j
2
= 1 si y sólo 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-
ométrica y aritmética de j números positivos, se veri…ca q _ c. Entonces, de
tr(H) =j
([H[)
1¸j
= (`
1
`
j
)
1¸j
_ (`
1
+ +`
j
),j = 1
y por lo tanto 0 _ det(H) _ 1.
2. H = I (matriz identidad) si y sólo si las j variables están 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 métodos de AM están basados en criterios geométricos y en la
noción 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 de…niciones más
importantes de distancia entre las …las x
t
i
= (r
i1
. . . . . r
ij
). x
t
)
= (r
)1
. . . . . r
)j
)
de X son:
1. Distancia Euclídea:
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)
18 CAPÍTULO 1. DATOS MULTIVARIANTES
Observaciones
Un cambio de escala de una variable A
)
es una transformación 1
)
= cA
)
.
donde c es una constante. La distancia d
A
es muy adecuada en AM debido
a que veri…ca:
a) d
1
supone implícitamente que las variables son incorrelacionadas y no es
invariante por cambios de escala.
b) d
1
también supone que las variables están 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 observación 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. ALGUNOS ASPECTOS DEL CÁLCULO MATRICIAL 19
1.10. Algunos aspectos del cálculo matricial
1.10.1. Descomposición singular
Sea A un matriz de orden :: con : _ :. Se llama descomposición 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 veri…ca:
1. El rango de A es el número : 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 simétrica, entonces l = Y y A = lO
c
l
t
es la
descomposición 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 veri…ca:
AA
÷
A = A.
La g-inveresa no es única, pero si A
÷
veri…ca además:
A
÷
AA
÷
= A
÷
. (AA
÷
)
t
= AA
÷
(A
÷
A)
t
= A
÷
A.
20 CAPÍTULO 1. DATOS MULTIVARIANTES
entonces la g-inversa A
÷
es única.
Sea rang(A) = : y A = lO
c
Y
t
la descomposición 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.
1.10.3. Aproximación matricial de rango inferior
Sea A = (c
i)
) un matriz de orden :: con : _ : y rango :. Supongamos
que deseamos aproximar Apor otra matriz A
+
= (c
+
i)
). del mismo orden ::
pero de rango / < :. de modo que
tr[(A÷A
+
)
t
(A÷A
+
)] =
n

i=1
a

)=1
(c
i)
÷c
+
i)
)
2
= mínimo.
Si A = lO
c
Y
t
es la descomposición en valores singulares de A. entonces la
solución es
A
+
= lO
+
c
Y
t
. (1.5)
donde O
+
c
es diagonal con los / primeros valores singulares de A. siendo los
restantes valores nulos:
O
+
c
= diag(:
1
. . . . . :
I
. 0. . . . . 0).
El mínimo es la suma de los cuadrados de los valores singulares eliminados,
es decir, tr[(O
c
÷O
+
c
)
2
]. Esta es la llamada aproximación de Eckart -Young.
Por ejemplo, si
A =
_
_
_
_
1 3 2
2 0 1
4 5 6
3 2 1
_
_
_
_
1.10. ALGUNOS ASPECTOS DEL CÁLCULO MATRICIAL 21
entonces
A =
_
_
_
_
0.35 ÷0.42 0.52
0.16 0.61 ÷0.41
0.86 ÷0.19 ÷0.38
0.33 0.63 0.63
_
_
_
_
_
_
10.14 0 0
0 2.295 0
0 0 1.388
_
_
_
_
÷0.50 ÷0.59 ÷0.62
0.86 ÷0.40 ÷0.31
0.06 0.70 ÷0.71
_
_
.
y la aproximación de rango 2 es
A
+
=
_
_
_
_
0.945 2. 480 2. 534
2. 015 0.397 0.587
3.984 5. 320 5.628
2. 936 1.386 1. 652
_
_
_
_
.
siendo (redondeando a dos decimales)
A
+
=
_
_
_
_
0.35 ÷0.42 0.52
0.16 0.61 ÷0.41
0.86 ÷0.19 ÷0.38
0.33 0.63 0.63
_
_
_
_
_
_
10.14 0 0
0 2.29 0
0 0 0
_
_
_
_
÷0.50 ÷0.59 ÷0.62
0.86 ÷0.40 ÷0.31
0.06 0.70 ÷0.71
_
_
.
El valor mínimo es 1.388
2
= 1.926, el cuadrado del valor singular eliminado.
En particular, si H es matriz simétrica semide…nida positiva de rango : y
H = TO
A
T
t
es la descomposición espectral (con los valores propios ordenados
de mayor a menor), entonces la mejor aproximación de rango / < : es la
matriz
H
+
= TO
+
A
T
t
. (1.6)
donde O
+
A
contiene los / primeros valores propios de H.
1.10.4. Transformación procrustes
Sea A un matriz de orden :: con : _ :. Sea H otra matriz del mismo
orden y escala (misma media y varianza para las columnas). Supongamos que
queremos transformar A en AT.siendo T matriz : : ortogonal, de modo
que AT sea lo más próxima posible a H, es decir tr[(AT÷H)
t
(AT÷H)] =
mínimo. Si obtenemos la descomposición en valores singulares
A
t
H = lO
c
Y
t
.
entonces la solución es
T = lY
t
. (1.7)
22 CAPÍTULO 1. DATOS MULTIVARIANTES
Se conoce AT como la transformación procrustes.
En el caso general, sean X. ¥ dos matrices : j. con : _ j. y vectores
(…las) de medias x. y. Deseamos aproximar X a ¥ mediante contracción,
traslación y rotación. Consideremos la transformación
¥
+
= /XT+1c.
donde / es una constante escalar,T es matriz j j ortogonal, 1 es el vector
:1 de unos y c es un vector (…la) 1j de constantes. oe trata de encontrar
/. T. c, de modo que ¥
+
sea lo más próximo posible a ¥ en el sentido de
que tr[(¥÷¥
+
)
t
(¥÷¥
+
)] =mínimo. Es decir, para cada par de columnas
x
)
. y
)
se desea hallar el vector
y
+
)
= /T
t
x
)
+c
)
1
lo más próximo posible a y
)
.
Si X.¥ son las matrices centradas, obtenemos primero la descomposición
singular
X
t
¥ = lO
c
Y
t
.
Indicando ^
1¸2
= FA
1¸2
F
t
. siendo ^ = FAF
t
la descomposición espectral
de la matriz simétrica ^= X
t
¥¥
t
X. la solución es
/ = tr(X
t
¥¥
t
X)
1¸2
,tr(X
t
X). T = lY
t
. c = y ÷/xT.
Una medida del grado de relación lineal entre X e ¥, llamada coe…ciente
procrustes, y que toma valores entre 0 y 1, es
1
2
AY
= [tr(X
t
¥¥
t
X)
1¸2
]
2
,[tr(X
t
X)tr(¥
t
¥)]. (1.8)
Este coe…ciente se puede expresar también en términos de matrices de co-
varianzas, pero no es invariante por transformaciones lineales aplicadas por
separado a X y a ¥.
Si j = 1 el análisis procrustes equivale a la regresión lineal ¸
+
= /r +
¸ ÷/r. siendo / = :
aj
,:
2
a
y 1
AY
= :
aj
,(:
a
:
j
) los coe…cientes de regresión y
correlación ordinarios.
1.11. Ejemplos
Ejemplo 1.11.1
1.11. EJEMPLOS 23
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: Depósitos de corcho (centigramos) de 28 alcornoques en las cuatro
direcciones cardinales.
La Tabla 1.1 contiene los datos de : = 28 alcornoques y j = 4 variables,
que miden los depósitos 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
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
_
_
_
_
24 CAPÍTULO 1. DATOS MULTIVARIANTES
Figura 1.1: Distribución de las variables N, E, S, W y relaciones entre cada
par de variables de la Tabla 1.1.
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 está normalizada si la suma de cuadrados de
sus coe…cientes es 1. La normalización evita que la varianza tome un valor
arbitrario. La normalización de 1
1
. 1
2
. 1
3
dará:
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
Interpretación
1.11. EJEMPLOS 25
La normalización de las variables consigue que estas tengan varianzas
más homogéneas. La principal dirección de variabilidad aparece al hacer la
comparación del eje N-S con el eje E-W.
Visualización de datos
En los capítulos siguientes veremos métodos y técnicas de visualización de
datos multivariantes. Como norma general es conveniente, antes de realizar
el análisis, examinar y revisar los datos. La Figura 1.1 contiene un grá…co
que permite visualizar la distribución de las 4 variables de la Tabla 1.1 y las
relaciones lineales, o regresión lineal, entre cada par de variables.
Ejemplo 1.11.2
Se consideran : = 25 familias y se miden las variables (véase la Tabla
1.2):
A
1
= long. cabeza primer hijo, A
2
= anchura cabeza primer hijo,
1
1
= long. cabeza segundo hijo, 1
2
= anchura cabeza segundo hijo.
Efectuando un análisis procrustes para estudiar el grado de coincidencia
de la matriz A (dos primeras columnas) con la matriz 1 (tercera y cuarta
columna), se obtienen los vectores de medias
x = (187.4. 151.12). y=(183.32. 149.36).
los valores / = 0.7166. c = (57.65. 31.17) y la matriz de rotación
T =
_
0.9971 0.0761
÷0.0761 0.9971
_
.
Los primeros 4 valores de las matrices ¥ y la transformación procrustes
¥
+
= /XT+1c. son:
1
1
1
2
1
+
1
1
+
2
179 145
201 152
185 149
188 149
185.6 152.3
188.8 148.2
178.9 146.8
180.0 150.4
El coe…ciente procrustes es 1
2
AY
= 0.5508.
26 CAPÍTULO 1. DATOS MULTIVARIANTES
A
1
A
2
1
1
1
2
A
1
A
2
1
1
1
2
191 155 179 145
195 149 201 152
181 148 185 149
183 153 188 149
176 144 171 142
208 157 192 152
189 150 190 149
197 159 189 152
188 152 197 159
192 150 187 151
186 161 179 158
179 147 183 147
195 153 174 150
202 160 190 159
194 154 188 151
163 137 161 130
195 155 183 158
186 153 173 148
181 145 182 146
175 140 165 137
192 154 185 152
174 143 178 147
176 139 176 143
197 167 200 158
190 153 187 150
Tabla 1.2: Longitud y anchura del primer y segundo hijo en 25 familias.
1.12. Complementos
La descomposición en valores singulares de una matriz es una idea sencil-
la pero muy útil en Análisis Multivariante. Generaliza los vectores y valores
propios de una matriz, permite calcular inversas generalizadas y es fundamen-
tal en Análisis de Correlación Canónica y en Análisis de Correspondencias.
Véase Golub y Reinsch (1970).
La aproximación de una matriz por otra de rango inferior se debe a Eckart
y Young (1936), y es la versión matricial de la reducción de la dimensión,
uno de los objetivos típicos del Análisis Multivariante.
La transformación procrustes fue estudiada independientemente por N.
Cli¤ y P. H. Schonemann en 1966. Permite transformar una matriz en otra
y estudiar el grado de coincidencia entre dos matrices de datos, mediante
una generalización multivariante de la ecuación de regresión. Véase Gower
(1971b), Mardia (1979) y Seber (1984).
Capítulo 2
NORMALIDAD
MULTIVARIANTE
2.1. Introducción
Los datos en AM suelen provenir de una población caracterizada por
una distribución multivariante. Sea X =(A
1
. . . . . A
j
) un vector aleatorio con
distribución absolutamente continua y función de densidad ,(r
1
. . . . . r
j
). Es
decir, , veri…ca:
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 función 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 (X÷j)(X÷j)
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[(X÷j)(X÷j)
t
].
27
28 CAPÍTULO 2. NORMALIDAD MULTIVARIANTE
En este capítulo introducimos y estudiamos la distribución normal mul-
tivariante y tres distribuciones relacionadas con las muestras multivariantes:
Wishart, Hotelling y Wilks.
2.2. Distribución normal multivariante
2.2.1. De…nición
Sea A una variable aleatoria con distribución `(j. o
2
). es decir, con media
j y varianza o
2
. La función de densidad de A es:
,(r; j. o
2
) =
1
o
_
2:
c
÷
1
2
(a÷j)
2
¸o
2
=
(o
2
)
÷1¸2
_
2:
c
÷
1
2
(a÷j)
1

2
(a÷j)
(2.1)
Evidentemente se veri…ca:
A = j +o1 donde 1 ~ `(0. 1). (2.2)
Vamos a introducir la distribución normal mutivariante `
j
(j. ) como
una generalización de la normal univariante. Por una parte, (2.1) sugiere
de…nir la densidad de X = (A
1
. . . . . A
j
)
t
~ `
j
(j. ) según:
,(x; j. ) =
[[
÷1¸2
(
_
2:)
j
c
÷
1
2
(x÷j)
0

1
(x÷j)
. (2.3)
siendo x = (r
1
. . . . . r
j
)
t
. j = (j
1
. . . . . j
j
)
t
y = (o
i)
) una matriz de…nida
positiva, que como veremos, es la matriz de covarianzas. Por otra parte,
(2.2) sugiere de…nir la distribución X = (A
1
. . . . . A
j
)
t
~ `
j
(j. ) como una
combinación lineal de j variables 1
1
. . . . . 1
j
independientes con distribución
`(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)
siendo ¥ =(1
1
. . . . . 1
j
)
t
y A = (c
i)
) una matriz j j que veri…ca AA
t
= .
Proposición 2.2.1 Las dos de…niciones (2.3) y (2.4) son equivalentes.
2.2. DISTRIBUCIÓN NORMAL MULTIVARIANTE 29
Demost.: Según la fórmula 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 j 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[(X÷j)(X÷j)
t
]=1(A¥¥
t
A
t
) = AI
j
A
t
= .
2. La distribución de cada variable marginal A
i
es normal univariante:
A
i
~ `(j
i
. o
ii
). i = 1. . . . . j.
Es consecuencia de la de…nición (2.4).
3. Toda combinación lineal de las variables A
1
. . . . . A
j
2 = /
0
+/
1
A
1
+ +/
j
A
j
es también normal univariante. En efecto, de (2.4) resulta que 2 es
combinación lineal de `(0. 1) independientes.
30 CAPÍTULO 2. NORMALIDAD MULTIVARIANTE
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 estocásticamente independientes.
En efecto, la función 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 distribución de la forma cuadrática
l = (x ÷j)
t

÷1
(x ÷j)
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 función de densidad de la normal bivariante se puede
expresar en función de las medias y varianzas j
1
. o
2
1
. j
2
. o
2
2
y del coe…ciente
de correlación j =cor(A
1
. A
2
) :
,(r
1
. r
2
) =
1
2¬o
1
o
2
_
1÷j
2
exp [÷
1
2
1
1÷j
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 veri…ca:
1. Hay independencia estocástica si y sólo si j = 0.
2. La distribución de la variable marginal A
i
es `(j
i
. o
2
i
). i = 1. 2.
3. La función de densidad de A
2
condicionada a A
1
= r
1
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 distribución normal `(j
2
+j(o
2
,o
1
)(r
1
÷j
1
). o
2
2
(1÷j
2
)).
4. La regresión es de tipo lineal, es decir, las curvas de regresión 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 regresión.
2.3. DISTRIBUCIÓN DE WISHART 31
Figura 2.1: Función de densidad de una distribución normal bivariante de
medias 1 y 1, desviaciones típicas 2 y 2, coe…ciente de correlación 0.8.
2.3. Distribución de Wishart
La distribución de Wishart es la que sigue una matriz aleatoria simétrica
de…nida positiva, generaliza la distribución ji-cuadrado y juega un papel im-
portante en inferencia multivariante. Un ejemplo destacado lo constituye la
distribución de la matriz de covarianzas S. calculada a partir de una matriz
de datos donde las …las son observaciones normales multivariantes.
De…nición
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 parámetros y : grados
de libertad.
Textos avanzados prueban que cuando es de…nida positiva y : _ j. la
densidad de Q es
,(Q) =c[Q[
(a÷j÷1)
exp[÷
1
2
tr(
÷1
Q)].
siendo
c
÷1
= 2
aj¸2
:
j(j÷1)¸4
[[
a¸2
j

i=1
(
1
2
(: + 1 ÷i)).
Propiedades:
32 CAPÍTULO 2. NORMALIDAD MULTIVARIANTE
1. Si Q
1
. Q
2
son independientes Wishart \
j
(. :). \
j
(. :). entonces la
suma Q
1
+Q
2
es también 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
t
t
t
es ¸
2
a
.
2.4. Distribución de Hotelling
Indiquemos por 1
n
a
la distribución F de Fisher-Snedecor , con : y : gra-
dos de libertad en el numerador y denominador, respectivamente. El símbolo
~ signi…ca “distribuido como”.
La distribución de Hotelling es una generalización multivariante de la
distribución t de Student.
De…nición
Si y es `
j
(0. I). Qes Wishart \
j
(I. :) y además y. Qson independientes,
entonces
1
2
= :y
t
Q
÷1
y
sigue la distribución 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
= :(x÷j)
t
^
÷1
(x÷j) ~ 1
2
(j. :).
2. 1
2
está directamente relacionada con la distribución F de Fisher-Snedecor
1
2
(j. :) =
:j
:÷j + 1
1
j
n÷j+1
.
2.5. DISTRIBUCIÓN DE WILKS 33
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)(x÷j)
t
S
÷1
(x÷j) ~ 1
2
(j. : ÷1).
y por lo tanto
: ÷j
j
(x÷j)
t
S
÷1
(x÷j) ~ 1
j
a÷j
.
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 estimación conjunta centrada de
¯
S= (:
1
S
1
+:
2
S
2
),(:
1
+:
2
÷2).
entonces
1
2
=
:
1
:
2
:
1
+:
2
(x÷y)
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
÷1÷j
.
2.5. Distribución de Wilks
La distribución F con : y : grados de libertad surge considerando el
cociente
1 =
¹,:
1,:
.
donde ¹. 1 son ji-cuadrados estocásticamente independientes con : y : gra-
dos de libertad. Si consideramos la distribución
=
¹
¹ +1
.
la relación entre y 1
n
a
. así como la inversa 1
a
n
, es
1
n
a
=
:
:

1 ÷
. 1
a
n
=
:
:
1 ÷

.
La distribución de Wilks generaliza esta relación.
34 CAPÍTULO 2. NORMALIDAD MULTIVARIANTE
De…nición
Si las matrices A. H de orden jj son independientes Wishart \
j
(. :).
\
j
(. :), respectivamente, con : _ j. la distribución del cociente de deter-
minantes
=
[A[
[A+H[
es, por de…nición, la distribución lambda de Wilks, que indicaremos por
(j. :. :).
Propiedades:
1. 0 _ _ 1 y además no depende de . Por lo tanto, podemos
estudiarla suponiendo = I.
2. Su distribución 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). (Obsérvese que debe ser : _ j).
3. Los parámetros se pueden permutar manteniendo la misma distribu-
ción. Concretamente: (j. :. :) ~ (:. :+: ÷j. j).
4. Para valores 1 y 2 de j y :. la distribución de equivale a la distribución
F, según las fórmulas:

n
a
~ 1
a
n
(j = 1)

n÷j+1
j
~ 1
j
n÷j+1
(: = 1)

_

_

n÷1
a
~ 1
2a
2(n÷1)
(j = 2)

_

_

n÷j+1
j
1
2j
2(n÷j+1)
(: = 2)
(2.8)
5. En general, una transformación de equivale, exacta o asintóticamente,
a la distribución F. Si (j. :÷¡. ¡) es Wilks con : relativamente grande,
consideremos
1 =
:: ÷2`

1 ÷
1¸c

1¸c
(2.9)
con : = :÷(j+¡+1),2, ` = (j¡÷2),4. : =
_
(j
2
¡
2
÷4),(j
2

2
÷5).
Entonces 1 sigue asintóticamente la distribución F con j¡ y (::÷2`)
g. de lib. (Rao, 1973, p.556).
2.6. RELACIONES ENTRELAS DISTRIBUCIONES WILKS, HOTELLINGYF35
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 función de densidad lambda de Wilks.
2.6. Relaciones entre las distribuciones Wilks,
Hotelling y F
A. Probemos la relación entre y 1 cuando j = 1. Sean ¹ ~ ¸
2
n
. 1 ~ ¸
2
a
independientes. Entonces = ¹,(¹ +1) ~ (1. :. :) y 1 = (:,:)¹,1 =
(:,:)1 ~ 1
n
a
. Tenemos que = (¹,1),(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 relación 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. :+1÷j. j). Además y
t
Q
÷1
y =
1,÷1 = (1÷),. De (2.10) tenemos que y
t
Q
÷1
y(:+1÷j),j ~ 1
j
n+1÷j
y por lo tanto
1
2
= :y
t
Q
÷1
y ~
:j
:+ 1 ÷j
1
j
n+1÷j
.
36 CAPÍTULO 2. NORMALIDAD MULTIVARIANTE
2.7. Distribución multinomial
Supongamos que la población es la reunión disjunta de / sucesos ex-
cluyentes ¹
1
. . . . . ¹
I
.
= ¹
1
+ +¹
I
.
con probabilidades positivas 1(¹
1
) = j
1
. . . . . 1(¹
I
) = j
I
. veri…cando
j
1
+ +j
I
= 1.
Consideremos : observaciones independientes y sea (,
1
. . . . . ,
I
) el vector con
las frecuencias observadas de ¹
1
. . . . . ¹
I
. siendo
,
1
+ +,
I
= :. (2.11)
La distribución multinomial es la distribución de f = (,
1
. . . . . ,
I
) con función
de densidad discreta
,(,
1
. . . . . ,
I
) =
:!
,
1
! ,
I
!
j
)
1
1
j
)
k
I
.
En el caso / = 2 tenemos la distribución binomial.
Indiquemos µ = (j
1
. . . . . j
I
)
t
.
1. El vector de medias de f es µ = :µ.
2. La matriz de covarianzas de f es C = :[diag(µ) ÷µµ
t
). Es decir:
c
ii
= :j
i
(1 ÷j
i
).
c
i)
= ÷:j
i
j
)
si i ,= ,.
Pue sto que C1 = 0. la matriz C es singular. La singularidad se debe a
que se veri…ca (2.11). Ua g-inversa de C es (véase Sección 1.10):
C
÷
=
1
:
diag(j
÷1
1
. . . . . j
÷1
I
). (2.12)
Puesto que C(I ÷11
t
) = C, es fácil ver que otra g-inversa es
C
÷
=
1
:
diag(j
÷1
1
. . . . . j
÷1
I
)(I ÷11
t
).
2.8. DISTRIBUCIONES CON MARGINALES DADAS 37
2.8. Distribuciones con marginales dadas
Sea H(r. ¸) la función de distribución bivariante de dos variables aleato-
rias (A. 1 ). La función H es
H(r. ¸) = 1(A _ r. 1 _ ¸).
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 obtención de modelos de distribuciones bivariantes
consiste en encontrar H a partir de 1. G y posiblemente algún parámetro.
Si suponemos A. 1 independientes, una primera distribución es
H
0
(r. ¸) = 1(r)G(¸).
M. Fréchet introdujo las distribuciones bivariantes
H
÷
(r. ¸) = max¦1(r) +G(¸) ÷1. 0¦.
H
+
(r. ¸) = mn¦1(r). G(¸)¦
y demostró la desigualdad
H
÷
(r. ¸) _ H(r. ¸) _ H
+
(r. ¸).
Cuando la distribución es H
÷
. entonces se cumple la relación funcional entre
A. 1
1(A) +G(1 ) = 1.
y la correlación entre A. 1 (si existe) j
÷
es mínima. Cuando la distribución
es H
+
, entonces se cumple la relación funcional entre A. 1
1(A) = G(1 )
y la correlación entre A. 1 (si existe) j
+
es máxima. Previamente W. Ho-
e¤ding había probado la siguiente fórmula para la covarianza
cov(A. 1 ) =
_
1
2
(H(r. ¸) ÷1(r)G(¸))drd¸
38 CAPÍTULO 2. NORMALIDAD MULTIVARIANTE
y demostrado la desigualdad
j
÷
_ j _ j
+
.
donde j
÷
. j y j
+
son las correlaciones entre A. 1 cuando la distribución
bivariante es H
÷
. H y H
+
. respectivamente.
Posteriormente, diversos autores han propuesto distribuciones bivariantes
paramétricas 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]
÷1¸c
. ÷1 _ c < ·.
3. Ali-Mikhail-Haq:
H
0
= 1G,[1 ÷o(1 ÷1)(1 ÷G)] ÷1 _ o _ 1.
4. Cuadras-Augé:
H
0
= (mn¦1. G¦)
0
(1G)
1÷0
. 0 _ o _ 1.
5. Familia de correlación:
H
0
(r. ¸) = o1(mn¦r. ¸¦) + (1 ÷o)1(r)J(¸). ÷1 _ o _ 1.
siendo J(¸) = [G(¸) ÷o1(¸)),(1 ÷o) una función de distribución uni-
variante.
2.9. Complementos
La distribución normal multivariante es, con diferencia, la más utilizada
en análisis multivariante. Textos como Anderson (1956), Rao (1973), Rencher
(1995, 1998), se basan, casi exclusivamente, en la suposición de normalidad.
2.9. COMPLEMENTOS 39
Más recientemente se han estudiado generalizaciones, como las distribuciones
elípticas, cuya densidad es de la forma
,(x) = [[
÷1¸2
q((x÷j)
t

÷1
(x÷j)).
donde q es una función positiva creciente. Otras distribuciones importantes
son la multinomial y la Dirichlet.
Cuando se estudiaron muestras normales multivariantes, pronto se planteó
la necesidad de encontrar la distribución de la matriz de covarianzas, y de
algunos estadísticos apropiados para realizar contrastes de hipótesis multi-
variantes. Así fue como J. Wishart, H. Hotelling y S. S. Wilks propusieron
las distribuciones que llevan sus nombres, en los años 1928, 1931 y 1932,
respectivamente.
El estudio de las distribuciones con marginales dadas proporciona un
método de construcción de distribuciones univariantes y multivariantes. Al-
gunas referencias son: Hutchinson y Lai (1990), Joe (1997), Nelsen (2006),
Cuadras y Augé (1981), Cuadras (1992a, 2006, 2009). La fórmula de Hoe¤d-
ing admite la siguiente generalización (Cuadras, 2002, 2010):
cov(c(A). ,(1 )) =
_
1
2
(H(r. ¸) ÷1(r)G(¸))dc(r)d,(¸).
Véase también Quesada-Molina (1992).
40 CAPÍTULO 2. NORMALIDAD MULTIVARIANTE
Capítulo 3
INFERENCIA
MULTIVARIANTE
3.1. Conceptos básicos
Sea ,(x. 0) un modelo estadístico. La función “score” se de…ne como
.(x. 0) =
J
J0
log ,(x. 0).
Una muestra multivariante está formada por las : …las x
t
1
. . . . . x
t
a
indepen-
dientes de una matriz de datos X
aj
. La función de verosimilitud es
1(X. 0) =
a

i=1
,(x
i
. 0).
La función “score” de la muestra es
.(X. 0) =
a

i=1
J
J0
log ,(x
i
. 0).
La matriz de información de Fisher 1(0) es la matriz de covarianzas de
.(X. 0). Cuando un modelo estadístico es regular se veri…ca:
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 Cramér-Rao dice que si cov(t(X)) es la matriz de covarianzas de t(X),
entonces
cov(t(X)) _1(0)
÷1
.
41
42 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
en el sentido de que la diferencia cov(t(X))÷1(0)
÷1
es una matriz semi-
de…nida positiva.
Un estimador
´
0 del parámetro desconocido 0 es máximo verosímil si max-
imiza la función 1(X. 0). En condiciones de regularidad, podemos obtener
´
0
resolviendo la ecuación
a

i=1
J
J0
log ,(x
i
. 0) = 0.
Entonces el estimador máximo verosímil
´
0
a
obtenido a partir de una muestra
de tamaño : satisface:
a) Es asintóticamente normal con vector de medias 0 y matriz de covar-
ianzas (:1
1
(0))
÷1
. donde 1
1
(0) es la matriz de información de Fisher para
una sola observación.
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. Estimación de medias y covarianzas
Si las : …las x
t
1
. . . . . x
t
a
de X
aj
son independientes `
j
(j. ) la función
de verosimilitud es
1(X.j. ) = det(2:)
÷a¸2
exp
_
÷
1
2
a

i=1
(x
i
÷j)
÷1
(x
i
÷j)
t
_
Se veri…ca

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. CONTRASTE DE HIPÓTESIS MULTIVARIANTES 43
Las estimaciones máximo-verosímiles de j. son pues
´ j = x.
´
= S.
Si sólo j es desconocido, la matriz de información 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 Cramér-Rao.
Probaremos más adelante que:
1. x es `
j
(j. ,:).
2. x y S son estocásticamente independientes.
3. :S sigue la distribución de Wishart.
3.3. Contraste de hipótesis multivariantes
Un primer método para construir contrastes sobre los parámetros de una
población normal, se basa en las propiedades anteriores, que dan lugar a
estadísticos con distribución conocida (ji-cuadrado, F).
3.3.1. Test sobre la media: una población
Supongamos que las …las de X
aj
son independientes `
j
(j. ). Sea j
0
un vector de medias conocido. Queremos realizar un test sobre la hipótesis
H
0
: j = j
0
1. Si es conocida, como x es `
j
(j. ,:). el estadístico de contraste es
:(x÷j
0
)
t

÷1
(x÷j
0
) ~ ¸
2
j
.
2. Si es desconocida, como (: ÷ 1)(x÷j)
t
S
÷1
(x÷j) ~ 1
2
(j. : ÷ 1). el
estadístico de contraste es
: ÷j
j
(x÷j
0
)
t
S
÷1
(x÷j
0
) ~ 1
j
a÷j
. (3.1)
En ambos casos se rechaza H
0
para valores grandes signi…cativos del es-
tadístico.
44 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
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 hipótesis
H
0
: j
1
= j
2
.
1. Si es conocida, como (x÷y) es `
j
(j
1
÷ j
2
. (1,:
1
+ 1,:
2
)) el es-
tadístico de contraste es
:
1
:
2
:
1
+:
2
(x÷y)
t

÷1
(x ÷y) ~ ¸
2
j
.
2. Si es desconocida, el estadístico de contraste es
:
1
+:
2
÷1 ÷j
(:
1
+:
2
÷2)j
:
1
:
2
:
1
+:
2
(x÷y)
t
¯
S
÷1
(x ÷y) ~ 1
j
a
1
+a
2
÷1÷j
.
3.3.3. Comparación de medias
Supongamos que las …las de q matrices de datos son independientes, y
que provienen de la observación 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 estimación centrada de la matriz de
covarianzas común 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 hipótesis
de igualdad de medias
H
0
: j
1
= j
2
= = j
j
.
3.4. TEOREMA DE COCHRAN 45
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 veri…ca que V = (: ÷q)S y la relación:
T = H+V.
Si la hipótesis nula es cierta, se veri…ca además
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 un valor pequeño y signi…cativo, o si la transfor-
mación a una 1 es grande y signi…cativa.
3.4. Teorema de Cochran
Algunos resultados de la sección anterior son una consecuencia del Teo-
rema 3.4.2, conocido como teorema 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
= .
46 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
Análogamente, si v = (·
1
. . . . . ·
a
)
t
. z
t
= v
t
X es también 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[(y÷1(y))(z÷1(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 estocástica entre y y z.
Teorema 3.4.2 Sea X(: j) una matriz de datos `
j
(0. ) y sea C(: :)
una matriz simétrica.
1. X
t
CX tiene la misma distribución 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 sólo si C es idempotente y rang(C) = :.
Demost.: Sea
C =
a

i=1
`
i
u
i
u
t
i
la descomposición 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 también 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 ó 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 contrastes sobre vectores de medias.
3.4. TEOREMA DE COCHRAN 47
Teorema 3.4.3 Sea X(:j) una matriz de datos `
j
(j. ) y sean C
1
(::).
C
2
(::) matrices simétricas. 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. Así 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,: veri…ca :S ~ \
j
(. : ÷1).
3. x y S son estocásticamente independientes.
Demost.: Consideremos C
1
= :
÷1
11
t
. Tenemos rang(C
1
) = 1. X
t
C
1
X =xx
t
.
Consideremos también 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. Así u
i
. vector propio de valor propio 1.
es ortogonal a 1. resultando que y
t
i
= u
t
i
X veri…ca 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 =

a÷1
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 distribución `
j
(j
i
. ). i = 1. . . . q. : =

j
i=1
:
i
. Si la hipótesis 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).
48 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
Demost.: Escribimos las matrices de datos como una única 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 también
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. Construcción de contrastes de hipótesis
multivariantes
3.5.1. Razón de verosimilitud
Supongamos que la función de densidad de (A
1
. . . . . A
j
) es ,(x. 0). donde
x ¸1
j
y o ¸ O. siendo O una región paramétrica de dimensión geométrica
:. Sea O
0
¸ O una subregión paramétrica de dimensión :, y planteamos el
test de hipótesis
H
0
: 0 ¸ O
0
vs H
1
: 0 ¸ O÷O
0
.
Sea x
1
. . . . . x
a
una muestra de valores independientes de X , consideremos
la función de verosimilitud
1(x
1
. . . . . x
a
; o) =
a

i=1
,(x. 0)
3.5. CONSTRUCCIÓNDECONTRASTES DEHIPÓTESIS MULTIVARIANTES49
y sea
´
0 el estimador máximo verosímil de 0 ¸ O. Consideremos análoga-
mente
´
0
0
, el estimador de máxima verosimilitud de 0 ¸ O
0
. Tenemos que
´
0
maximiza 1 sin restricciones y
´
0
0
maximiza 1 cuando se impone la condición
de que pertenezca a O
0
. La razón de verosimilitud es el estadístico
`
1
=
1(x
1
. . . . . x
a
;
´
0
0
)
1(x
1
. . . . . x
a
;
´
0)
.
que satisface 0 _ `
1
_ 1. Aceptamos la hipótesis H
0
si `
1
es próxima a 1 y
aceptamos la alternativa H
1
si `
1
es signi…cativamente próximo a 0.
El test basado en `
1
tiene muchas aplicaciones en AM, pero en la mayoría
de los casos su distribución es desconocida. Existe un importante resultado
(atribuido a Wilks), que dice que la distribución de -2 veces el logaritmo de
`
1
es ji-cuadrado con : ÷: g.l. cuando el tamaño de la muestra : es grande.
Teorema 3.5.1 Bajo ciertas condiciones de regularidad, se veri…ca:
÷2 log `
1
es asintóticamente ¸
2
v÷c
.
donde : = dim(O
0
) < : = dim(O).
Entonces rechazamos la hipótesis H
0
cuando ÷2 log `
1
sea grande y sig-
ni…cativo. Veamos dos ejemplos.
Test de independencia
Si (A
1
. . . . . A
j
) es `(j. ). y queremos hacer un test sobre la indepen-
dencia estocástica 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 de…nida positiva. Se demuestra (Sección
5.4.2) que
÷2 log `
1
= ÷:log [H[.
donde H es la matriz de correlaciones. El estadístico ÷:log [H[ es asintóti-
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 signi…cativo.
50 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
Test de comparación de medias
Consideremos el test de comp aración de medias planteado en la Sección
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 de…nida positiva y j (vector) es la media común cuando
H
0
es cierta. Hay qj +j(j +1),2 parámetros bajo H
1
. y j +j(j +1),2 bajo
H
0
. Se demuestra la relación
`
1
=
a¸2
.
donde = [V[,[T[ es la lambda de Wilks y : = :
1
+ +:
j
. Por lo tanto
÷:log es asintóticamente ji-cuadrado con : ÷ : = (q ÷ 1)j g.l. cuando la
hipótesis H
0
es cierta.
3.5.2. Principio de unión-intersección
Es un principio general que permite construir contrastes multivariantes a
partir de contrastes univariantes y se aplica a diversa situaciones. Como ejem-
plo, planteemos la hipótesis nula multivariante H
0
: j=j
0
como un test uni-
variante. 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
a÷1
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 hipótesis 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 unión-intersección):
H
0
= ¨
o
H
0
(c). H
1
= '
o
H
1
(c).
Así rechazaremos H
0
si la máxima t(c) resulta signi…cativa. Pues bien, la 1
2
de Hotelling (Sección 3.3.1) es precisamente el cuadrado de esta máxima t
de Student, la cual, al ser tomada sobre todas las combinaciones lineales, ya
no sigue la distribución t de Student si j 1.
3.6. EJEMPLOS 51
Teorema 3.5.2 En el test sobre el vector de medias, la 1
2
de Hotelling y la
t de Student están 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 relación a las variables A
1
= long.
antena, A
2
= long. ala (en mm), para dos muestras de tamaños :
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).
52 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
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
tamaño :
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
_
.
Estimación centrada de la matriz de covarianzas común:
´
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.
Estadístico 1
2
:
1
2
=
6 9
6 + 9
1
2
= 55.87
Estadístico 1 :
9 + 6 ÷1 ÷2
2(9 + 6 ÷2)
1
2
= 25.78 ~ 1
2
12
Decisión: rechazamos la hipótesis de que las dos especies son iguales (Nivel
de signi…cación=0.001).
Ejemplo 3.6.2
3.6. EJEMPLOS 53
Comparación de las especies virginica, versicolor, setosa de ‡ores del
género Iris (datos de R. A. Fisher, Tabla 3.2), respecto a las variables que
miden longitud y anchura de sépalos y pétalos:
A
1
. A
2
= long.. anch.(sepalos). A
3
. A
4
= long.. anch.(petalos).
Vectores de medias y tamaños muestrales:
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 dispersión entre grupos:
H =
_
_
_
_
63.212 ÷19.953 165.17 71.278
11.345 ÷57.23 ÷22.932
436.73 186.69
80.413
_
_
_
_
Matriz dispersión dentro grupos:
V =
_
_
_
_
38.956 13.630 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)
Transformación a una 1 aplicando (2.9):
÷1 = 198.95 ~ 1
8
288
Decisión: las diferencias entre las tres especies son muy signi…cativas.
54 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
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 sépalos y pétalos de 3 especies del género
Iris: Setosa, Versicolor, Virginica.
3.6. EJEMPLOS 55
Ejemplo 3.6.3
Consideremos los siguientes datos (tamaños muestrales, medias, desvia-
ciones típicas, matrices de covarianzas) de j = 2 variables A (longitud del
fémur), 1 (longitud del húmero), 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. típicas 23.7 18.2
Matriz covarianzas
´
S =
_
561.7 374.2
374.2 331.24
_
Correlación: : = 0.867
Suponiendo normalidad, los contrastes t de comparación 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 signi…cación 0. 05 se concluye que hay diferencias signi…cativas
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 signi…cativa al nivel 0.05. Por lo tanto ambos contrastes uni-
variantes resultan signi…cativos, pero el test bivariante no, contradiciendo
la creencia de que un test multivariante debería proporcionar mayor signi…-
cación que un test univariante.
Interpretemos geométricamente esta paradoja (conocida como paradoja
de Rao). Con nivel de signi…cación 0,05, y aplicando el test 1
2
de Hotelling,
56 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
aceptaremos la hipótesis 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 crítico para una F con 2 y 44 g. l. Así pues no hay
signi…cación si r. ¸ veri…can la inecuación
0. 04 036 9r
2
÷0. 0912 1r¸ + 0. 06845 6¸
2
_ 3.2.
Análogamente, en el test univariante y para la primera variable r, la
diferència d = r
1
÷r
2
debe veri…car
[
_
:
1
:
2
:
1
+:
2
(
d
:
1
)[ _ 2.
siendo 2 el valor crítico para una t con 45 g. l. Procederíamos de forma similar
para la segunda variable ¸. Obtenemos así 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 están a la derecha de la recta vertical r
a
son signi…cativos para
la variable r. Análogamente los que están por encima de la recta horizontal
r
j
lo son para la ¸. Por otra parte, todos los valores que están fuera de la
elipse (región F) son signi…cativos para las dos variables. Hay casos en que
r. ¸ por separado no son signi…cativos, pero conjuntamente sí. No obstante,
existe una pequeña región 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 señalado
con el signo +, para el cual r e ¸ son signi…cativas pero no (r. ¸). Así r e ¸
son signi…cativas si el punto se encuentra en el cuadrante A. (Una simetría
con respecto al origen nos permitiría considerar otras dos rectas y la región
B).
Pues bien, el test con r y el test con ¸ por separado, son contrastes t
distintos del test 1
2
empleado con (r. ¸). equivalente a una F. Tales con-
trastes no tienen por qué dar resultados compatibles. Las probabilidades de
las regiones de rechazo son distintas. Además, la potencia del test con (r. ¸)
es superior, puesto que la probabilidad de la región F es mayor que las prob-
abilidades sumadas de las regiones A y B.
Para ver más ejemplos, consúltese Baillo y Grané (2008).
3.7. ANÁLISIS DE PERFILES 57
Figura 3.1: Un test de comparación de poblaciones bivariante puede resultar
menos signi…cativo que dos test univariantes con las variables marginales.
3.7. Análisis de per…les
Supongamos que las …las de una matriz de datos X(: j) provienen de
una distribución `
j
(j. ). Estamos interesados en establecer una hipótesis
lineal sobre µ = (j
1
. . . . . j
j
)
t
. Por ejemplo, que las medias univariantes son
iguales:
H
0
: j
1
= = j
j
Esta hipótesis sólo 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 0 0 ÷1
_
_
_
_
La hipótesis es equivalente a
H
0
: Cµ = 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
j÷1
÷A
j
son iguales a cero. Por lo tanto aplicaremos
58 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
el test de la 1
2
de Hotelling a la matriz de datos ¥ = XC. Bajo la hipótesis
nula
1
2
= (:÷1)(Cx)
t
(CSC
t
)
÷1
(Cx) = :(Cx)
t
(C
´
SC
t
)
÷1
(Cx) ~ 1
2
(j÷1. :÷1).
siendo
´
S la matriz de covarianzas con corrección de sesgo. Aplicando (3.1)
con j ÷1 variables
: ÷j + 1
j ÷1
(Cx)
t
(C
´
SC
t
)
÷1
(Cx) ~ 1
j÷1
a÷j+1
Rechazaremos la hipótesis nula si el valor F resulta signi…cativo.
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 hipótesis 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 crítico al nivel 0.05 es 2.99. Hay
diferencias signi…cativas a lo largo de las cuatro direcciones cardinales.
3.8. Complementos
C. Stein probó que la estimación ´ j = x de j de la distribución `
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 dió una in-
teresante explicación en términos de regresión, justi…cando por qué j _ 3
(consultar Cuadras, 1991).
3.8. COMPLEMENTOS 59
El principio de unión-intersección es debido a S. N. Roy, pero no siempre
es aplicable. El test de máxima-verosimilitud es atribuido a S. Wilks y es
más general. Es interesante notar que ÷2 log se puede interpretar como una
distancia de Mahalanobis. Otros contrastes semejantes fueron propuestos por
C. R. Rao y A. Wald. Véase Cuadras y Fortiana (1993b), Rao (1973).
En general, es necesario corregir los estadísticos de contraste multiplican-
do por una constante a …n de conseguir contrastes insesgados (la potencia
del test será siempre más grande que el nivel de signi…cación). Por ejemplo,
es necesario hacer la modi…cación de G. E. P. Box sobre el test de Bartlett
para comparar matrices de covarianzas (Sección 7.5.2).
Para datos de tipo mixto o no normales, se puede plantear la comparación
de dos poblaciones utilizando distancias entre las observaciones, calculando
coordenadas principales mediante MDS, y a continuación aplicando el modelo
de regresión multivariante. Véase Cuadras y Fortiana (2004), Cuadras (2008).
60 CAPÍTULO 3. INFERENCIA MULTIVARIANTE
Capítulo 4
ANÁLISIS DE
CORRELACIÓN CANÓNICA
4.1. Introducción
En este capítulo estudiamos la relación multivariante entre vectores aleato-
rios. Introducimos y estudiamos las correlaciones canónicas, que son gener-
alizaciones de las correlaciones simple y múltiple.
Tenemos tres posibilidades para relacionar dos variables:
La correlación simple si A. 1 son dos v.a.
La correlación múltiple si 1 es una v.a. y X = (A
1
. . . . . A
j
) es un vector
aleatorio.
La correlación canónica si X = (A
1
. . . . . A
j
) e ¥ = (1
1
. . . . . 1
q
) son dos
vectores aleatorios.
4.2. Correlación múltiple
Queremos relacionar una variable respuesta 1 con j variables cuantitati-
vas explicativas A
1
. . . . . A
j
. que suponemos centradas. El modelo de regresión
múltiple consiste en encontrar la combinación lineal
´
1 = ,
1
A
1
+ +,
j
A
j
61
62 CAPÍTULO 4. ANÁLISIS DE CORRELACIÓN CANÓNICA
que mejor se ajuste a la variable 1. Sea la matriz de covarianzas de X y
ð = (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 mínimos cuadrados.
Teorema 4.2.1 Los coe…cientes
´
d = (
´
,
1
. . . . .
´
,
j
) que minimizan la cantidad
1(1 ÷
´
1 )
2
veri…can la ecuación
´
d =
÷1
ð. (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
ð
Derivando vectorialmente respecto de d e igualando a 0
J
J,
c(d) = 2d ÷2ð = 0.
La variable predicción es
´
1 = X
´
d =
´
,
1
A
1
+ +
´
,
j
A
j
. Si ponemos
1 =
´
1 +
¯
1 .
entonces
¯
1 es la variable residual.
La correlación múltiple entre 1 y A
1
. . . . . A
j
es, por de…nición, la cor-
relación simple entre 1 y la mejor predicción
´
1 = X
´
d. Se indica por
1 = cor(1.
´
1 ).
Se veri…ca:
1. 0 _ 1 _ 1.
2. 1 = 1 si 1 es combinación lineal de A
1
. . . . . A
j
.
3. 1 = 0 si 1 está incorrelacionada con cada una de las variables A
i
.
Teorema 4.2.2 La variable predicción
´
1 . residual
¯
1 y la correlación múlti-
ple 1 cumplen:
1.
´
1 e
¯
1 son variables incorrelacionadas.
4.3. CORRELACIÓN CANÓNICA 63
2. var(1 ) =var(
´
1 )+var(
¯
1 ).
3. 1
2
=var(
´
1 ),var(1 ).
Demost.: 1) es consecuencia de
´
d = ð. En efecto,
cov(
´
1 .
¯
1 ) = 1(
´
1
¯
1 ) = 1(
´
d
t
X
t
(1 ÷
´
d
t
X))
=
´
d
t
ð ÷
´
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
ð =
´
d
t

´
d = var(
´
1 ).
obtenemos
1
2
=
cov
2
(1.
´
1 )
var(1 )var(
´
1 )
=
var(
´
1 )
var(1 )
. (4.2)
4.3. Correlación canónica
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 correlación entre ambas
cor(l. \ )
sea máxima. Indiquemos 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.
64 CAPÍTULO 4. ANÁLISIS DE CORRELACIÓN CANÓNICA
Así 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 coe…cientes a. I que cumplen esta condición son los primeros
vectores canónicos. La máxima correlación entre l. \ es la primera cor-
relación canónica :
1
.
Teorema 4.3.1 Los primeros vectores canónicos 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 función
c(a. I) = a
t
S
12

`
2
(a
t
S
11
a÷1) ÷
j
2
(I
t
S
22
I÷1).
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
a÷jS
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. Así pues, de la segunda ecuación 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
análogamente con la otra ecuación, obtenemos (4.3).
Teorema 4.3.2 Los vectores canónicos normalizados por a
t
S
11
a = I
t
S
22
I =
1. están relacionados por
a = `
÷1¸2
S
÷1
11
S
12
I.
I = `
÷1¸2
S
÷1
22
S
21
a.
y la primera correlación canónica es :
1
=
_
`
1
. donde `
1
es el primer valor
propio de S
÷1
11
S
12
S
÷1
22
S
21
.
4.3. CORRELACIÓN CANÓNICA 65
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 = `
÷1¸2
resulta que:
a
t
S
11
a = `
÷1¸2
a
t
S
11
S
÷1
11
S
12
I
= `
÷1¸2
a
t
S
12
I
= `
÷1¸2
`
÷1¸2
a
t
S
12
S
÷1
22
S
21
a
= `
÷1
`a
t
S
11
a
= 1
La correlación es :
1
= a
t
S
12
I y como 1 = `
÷1¸2
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 : = mn¦j. ¡¦ parejas de vectores canónicos
a
1
. I
1
. . . . . a
n
. I
n
. que proporcionan las variables y correlaciones canónicas
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 canónicas l
1
. . . . . l
n
como las variables canónicas
\
1
. . . . . \
n
están incorrelacionadas.
2. La primera correlación canónica :
1
= co:(l
1
. \
1
) es la máxima cor-
relación entre una combinación lineal de X y una combinación lineal
de ¥.
3. La segunda correlación canónica :
2
= co:(l
2
. \
2
) es la máxima cor-
relación 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
)
.
66 CAPÍTULO 4. ANÁLISIS DE CORRELACIÓN CANÓNICA
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. Correlación canónica y descomposición
singular
Podemos formular una expresión conjunta para los vectores canónicos
utilizando la descomposición singular de una matriz. Supongamos j _ ¡.
consideremos la matriz j ¡
Q = S
÷1¸2
11
S
12
S
÷1¸2
22
y hallemos Q = lAY
t
. la descomposición singular de Q, donde l es una
matriz j ¡ con columnas ortonormales, Y es una matriz ¡ ¡ ortogo-
nal, y A es una matriz diagonal 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 canónicos y correlaciones canónicas son
a
i
= S
÷1¸2
11
u
i
. I
i
= S
÷1¸2
22
v
i
. :
i
= `
i
.
Demost.:
QQ
t
= S
÷1¸2
11
S
12
S
÷1¸2
22
S
÷1¸2
22
S
21
S
÷1¸2
11
= lA
2
l
t
y por lo tanto
S
÷1¸2
11
S
12
S
÷1
22
S
21
S
÷1¸2
11
u
i
= `
2
i
u
i
Multiplicando por S
÷1¸2
11
S
÷1
11
S
12
S
÷1
22
S
21
(S
÷1¸2
11
u
i
) = `
2
i
(S
÷1¸2
11
u
i
)
y comparando con resultados anteriores, queda probado el teorema.
Se puede probar que las correlaciones canónicas son invariantes por trans-
formaciones lineales. En consecuencia pueden calcularse a partir de las ma-
trices de correlaciones.
4.5. SIGNIFICACIÓN DE LAS CORRELACIONES CANÓNICAS 67
4.5. Signi…cación de las correlaciones canóni-
cas
Hemos encontrado las variables y correlaciones canónicas a partir de las
matrices de covarianzas y correlaciones muestrales, es decir, a partir de mues-
tras de tamaño :. 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 : = mn¦j. ¡¦ correlaciones canónicas obtenidas a partir de
11
.
12
.
22
,
soluciones de:
[
12

÷1
22

21
÷j
2

11
[ = 0.
Si queremos decidir cuáles son signi…cativas, supongamos normalidad multi-
variante, indiquemos j
0
= 1 y planteemos el test
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 asintóticamente ji-cuadrado con (: ÷ /)(j ÷ /) g.l. Este test se aplica
secuencialmente: si 1
i
es signi…cativo para i = 0. 1. . . . . / ÷1. pero 1
I
no es
signi…cativo, entonces se acepta H
I
0
.
4.6. Contraste de hipótesis de independencia
Suponiendo normalidad, a…rmar que X es independiente de ¥ consiste
en plantear
H
0
:
12
= 0. H
1
:
12
,= 0.
Podemos resolver este test de hipótesis de dos maneras.
68 CAPÍTULO 4. ANÁLISIS DE CORRELACIÓN CANÓNICA
4.6.1. Razón de verosimilitud
Si la hipótesis es cierta, entonces el test de razón de verosimilitud (Sección
3.5.1) se reduce al estadístico
=
[S[
[S
11
[[S
22
[
=
[H[
[H
11
[[H
22
[
.
que sigue la distribución lambda de Wilks (j. : ÷ 1 ÷ ¡. ¡). equivalente a
(¡. : ÷1 ÷j. ¡). Rechazaremos H
0
si es pequeña y signi…cativa (Mardia
et al. 1979, Rencher, 1998).
Es fácil probar que es función de las correlaciones canónicas
= [I ÷S
÷1
22
S
21
S
÷1
11
S
12
[ =
n

i=1
(1 ÷:
2
i
).
4.6.2. Principio de unión intersección
Consideremos las variables l = c
1
A
1
+ +c
j
A
j
.\ = /
1
1
1
+ +/
j
1
q
.
La correlación entre l. \ es
j(l. \ ) =
a
t

12
I
_
a
11
a
_
I
t

22
I
.
H
0
equivale a j(l. \ ) = 0 para todo l. \. La correlación muestral es
:(l. \ ) =
a
t
S
12
I
_
a
t
S
11
a
_
I
t
S
22
I
.
Aplicando el principio de unión intersección (Sección 3.5.2), aceptaremos H
0
si :(l. \ ) no es signi…cativa para todo l. \. y aceptaremos H
1
si :(l. \ ) es
signi…cativa para algún par l. \. Este criterio nos lleva a estudiar la signi…-
cación de
:
1
= max
l,\
:(l. \ ).
esto es, de la primera correlación canónica. Por tanto, el test es:
H
0
: j
1
= 0. H
1
: j
1
0.
Existen tablas especiales para decidir si :
1
es signi…cativa (Morrison, 1976),
pero también se puede aplicar el estadístico 1
0
de Bartlett-Lawley.
4.7. EJEMPLOS 69
4.7. Ejemplos
Datos biométricos. Se consideran los datos de : = 25 familias para las
variables (véase la Tabla 1.2):
A
1
= long. cabeza primer hijo, A
2
= anchura cabeza primer hijo,
1
1
= long. cabeza segundo hijo, 1
2
= anchura cabeza segundo hijo,
La matriz de correlaciones es:
H =
_
_
_
_
1 0.8164 0.7006 0.7640
0.8164 1 0.6208 0.8210
0.7006 0.6208 1 0.7683
0.7640 0.8210 0.7683 1
_
_
_
_
.
Entonces:
H
11
=
_
1 0.8164
0.8164 1
_
. H
12
=
_
0.7006 0.7640
0.6208 0.8210
_
.
H
22
=
_
1 0.7683
0.7683 1
_
. H
21
=
_
0.7006 0.6208
0.7640 0.8210
_
.
Las raíces de la ecuación cuadrática:
[H
12
H
÷1
22
H
21
÷`H
11
[ = 0
son: `
1
= 0.7032, `
2
= 0.1060. y por tanto las correlaciones canónicas son:
:
1
= 0.838 6. :
2
= 0.3256.
Los vectores canónicos normalizados son:
a
1
= (0.0462. 0.0806)
t
. a
2
= (0.1657. ÷0.1568)
t
.
I
1
= (0.0151. 0.1295)
t
. I
2
= (0.1499. ÷0.1218)
t
.
Las variables canónicas con varianza 1 son:
l
1
= 0.0462A
1
+ 0.0806A
2
. \
1
= 0.01511
1
+ 0.12951
2
. (:
1
= 0.838 6).
l
2
= 0.1657A
1
÷0.1568A
2
. \
2
= 0.14991
1
÷0.12181
2
. (:
2
= 0.3256).
La dependencia entre (A
1
. A
2
) y (1
1
. 1
2
) viene dada principalmente por la
relación entre (l
1
. \
1
) con correlación 0.838 6. más alta que cualquier cor-
relación entre una variable A
i
y una variable 1
)
. Podemos interpretar las
70 CAPÍTULO 4. ANÁLISIS DE CORRELACIÓN CANÓNICA
primeras variables canónicas como un factor de “tamaño” de la cabeza y las
segundas como un factor de “forma”. Habría entonces una notable relación
en el tamaño y una escasa relación 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
[
= 0.2653 ~ (2. 22. 2)
que, según (2.8), transformamos a una F obteniendo 9.88 con 4 y 42 g.l.
Rechazamos la hipótesis de independencia.
La prueba de signi…cación de las correlaciones canónicas da:
H
0
0
: j
0
= 1 j
1
= j
2
= 0. 1
0
= 28.52 (4 g.l.),
H
1
0
: j
1
j
2
= 0. 1
1
= 2.41 (2 g.l.).
Podemos rechazar H
0
0
y aceptar H
1
0
. Solamente la primera correlación canóni-
ca es signi…cativa.
Datos electorales. En un estudio sobre comportamiento electoral en
Catalunya, se consideran los resultados de unas elecciones celebradas en las
41 comarcas 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” signi…ca el resultado de dividir el número de
hombres que se llaman Juan por el número 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 catalán.
La matriz de correlaciones es:
A
1
A
2
A
3
A
4
A
1
1 ÷0.8520 ÷0.6536 ÷0.5478
A
2
1 0.5127 ÷0.7101
A
3
1 ÷.6265
A
4
1
1
1
1
2
÷0.6404 ÷0.5907
0.7555 0.6393
0.5912 0.5146
÷0.7528 ÷0.7448
1
1
1
2
1 0.8027
1
4.8. COMPLEMENTOS 71
Sólo hay 2 correlaciones canónicas:
:
1
= 0.8377. :
2
= 0.4125.
Las variables canónicas 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 canónicas l
1
. \
1
. que podemos escribir conven-
cionalmente como
l
1
= +0.083CU÷0.372PSC÷0.1130PP + 0.555ERC,
\
1
= +0.706(Juan/Joan) + 0.339(Juana/Joana),
nos indican que las regiones más catalanas, en el sentido de que los nombres
castellanos Juan y Juana no predominan tanto sobre los catalanes Joan y
Joana, tienden a votar más a CU y ERC, que son partidos nacionalistas. Las
regiones con predominio de voto al PSC o al PP, que son partidos centra-
listas, están en general, más castellanizadas. Las segundas variables canónicas
tienen una interpretación más di…cil.
4.8. Complementos
El análisis de correlación canónica (ACC) fue introducido por H. Hotelling
en 1935, que buscaba la relación entre test mentales y medidas biométricas,
a …n de estudiar el número y la naturaleza de las relaciones entre mente y
cuerpo, que con un análisis de todas las correlaciones sería difícil de interpre-
tar. Es un método de aplicación limitada, pero de gran interés teórico puesto
que diversos métodos de AM se derivan del ACC.
Aplicaciones a la psicología se pueden encontrar en Cooley y Lohnes
(1971), Cuadras y Sánchez (1975). En ecología se ha aplicado como un mode-
lo para estudiar la relación entre presencia de especies y variables ambientales
(Gittings, 1985).
La distribución de las correlaciones canónicas es bastante complicada.
Solamente se conocen resultados asintóticos (Muirhead, 1982).
72 CAPÍTULO 4. ANÁLISIS DE CORRELACIÓN CANÓNICA
En ciertas aplicaciones tiene interés considerar medidas globales de aso-
ciación entre dos matrices de datos X. ¥. de órdenes : j y : ¡ respecti-
vamente, observadas sobre el mismo conjunto de : individuos. Una medida
interesante resulta de considerar la razón de verosimilitud de Wilks y viene
dada por
¹
W
= 1 ÷
c

i=1
(1 ÷:
2
i
).
siendo : = mn(j. ¡) el número de correlaciones canónicas. Otra medida,
propuesta por Escou…er (1973), es la correlación vectorial
1\ = tr(S
12
S
21
),
_
tr(S
2
11
)
_
tr(S
2
22
) =
c

i=1
:
2
i
.
También es una medida de asociación global
1
2
AY
= (
c

i=1
:
i
)
2
,:
2
. (4.5)
que coincide con el coe…ciente procrustes (1.8) cuando las variables A están
incorrelacionadas y tienen varianza 1 (y análogamente las 1 ). Véase Cramer
y Nicewander (1979) y Cuadras (2011). En Cuadras et al. (2012) se propone
una generalización a la comparación (mediante distancias) de dos conjun-
tos de datos en general, con una aplicación a la comparación de imágenes
hiperespectrales.
Si ,(r. ¸) es la densidad de dos v.a. A. 1 , tiene interés en estadística el
concepto de máxima correlación (propuesto por H. Gabelein) que se de…ne
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 correlación
canónica, c
1
(A). ,
1
(1 ) como las primeras variables canónicas y de…nir las
sucesivas correlaciones canónicas. Sin embargo el cálculo 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 canónicas. Diversos autores han estudiado la estimación de
las primeras funciones canónicas, como una forma de predecir una variable en
función de la otra (Hastie y Tibshirani, 1990). Finalmente cabe destacar que
las correlaciones canónicas pueden constituir un conjunto contínuo (Cuadras,
2005).
Capítulo 5
ANÁLISIS DE
COMPONENTES
PRINCIPALES
5.1. De…nición y obtención de las componentes
principales
Sea X =[A
1
. . . . . A
j
] una matriz de datos multivariantes. Lo que sigue
también 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.
De…nición 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 máxima 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 máxima condicionado a t
t
2
t
2
= 1.
3. 1
3
es una variable incorrelacionada con 1
1
. 1
2
con varianza máxima.
Análogamente de…nimos las demás componentes principales.
73
74 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
Si T = [t
1
. t
2
. . . . . t
j
] es la matriz j j cuyas columnas son los vectores
que de…nen las componentes principales, entonces la transformación lineal
X ÷¥
¥ = XT (5.1)
se llama transformación 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,
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 ,= ,.
Además:
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 PRINCIPALES75
que prueba que 1
1
tiene varianza máxima.
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
está incorrelacionada con 1
1
y tiene varianza máxima. Si j _
3. la demostración de que 1
3
. . . . . 1
j
son también componentes principales es
análoga.
5.2. Variabilidad explicada por las componentes
principales
La varianza de la componente principal 1
i
es var(1
i
) = `
i
y la variación
total es tr(S) =

j
i=1
`
i
. Por lo tanto:
1. 1
i
contribuye con la cantidad `
i
a la variación total tr(S).
2. Si ¡ < j. 1
1
. . . . . 1
q
contribuyen con la cantidad

q
i=1
`
i
a la variación
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 interpretación experimental.
76 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
5.3. Representación de una matriz de datos
Sea X =[A
1
. . . . . A
j
] una matriz :j de datos multivariantes. Queremos
representar, en un espacio de dimensión reducida : (por ejemplo, : = 2), las
…las x
t
1
. x
t
2
. . . . . x
t
a
de X. Necesitamos introducir una distancia (ver Sección
1.9).
De…nición 5.3.1 La distancia euclídea (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 métrica o
i)
. Pero si j es grande, esta repre-
sentación no se puede visualizar. Necesitamos reducir la dimensión.
De…nición 5.3.2 La variabilidad geométrica 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 transformación 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 euclídea entre dos …las de ¥. La variabilidad geométrica en
dimensión ¡ _ j es
\
c
(¥)
q
=
1
2:
2
a

i,)=1
o
2
i)
(¡).
5.3. REPRESENTACIÓN DE UNA MATRIZ DE DATOS 77
Teorema 5.3.1 La variabilidad geométrica de la distancia euclídea 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 representación en dimensión reducida ¡ (por ejemplo, ¡ = 2)
será aquella que tenga máxima variabilidad geométrica , a …n de que los
puntos estén lo más separados posible.
Teorema 5.3.2 La transformación lineal T que maximiza la variabilidad
geométrica en dimensión ¡ es la transformación 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 geométrica de ¥ = XT. donde T
es cualquiera, es
\
c
(¥)
q
=
j

)=1
:
2
(1
)
) =
j

)=1
t
t
)
St
)
.
78 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
siendo :
2
(1
)
) = t
t
)
St
)
la varianza de la variable compuesta 1
)
. Alcanzamos la
máxima varianza cuando 1
)
es una componente principal: :
2
(1
)
) _ `
)
. Así:
max \
c
(¥)
q
=
j

)=1
`
)
.
El porcentaje de variabilidad geométrica explicada por ¥ es
1
q
= 100
\
c
(¥)
q
\
c
(X)
j
= 100
`
1
+ +`
q
`
1
+ +`
j
.
Supongamos ahora ¡ = 2. Si aplicamos la transformación (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 representación óptima en dimensión 2 de las …las de X.
5.4. Inferencia
Hemos planteado el ACP sobre la matriz S. pero lo podemos también
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-
tribución `
j
(j. ). Recordemos que:
1. x es `
j
(j. ,:).
2. l =:S es Wishart \
j
(. : ÷1).
3. x y S son estocásticamente independientes.
5.4. INFERENCIA 79
Sea =
t
la diagonalización 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
diagonalización 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. Estimación y distribución asintótica
Teorema 5.4.1 Se veri…ca:.
1. Si los valores propios son diferentes, los valores y vectores propios
obtenidos a partir de S son estimadores máximo-verosímiles de los
obtenidos a partir de
´
`
i
= |
i
. ´ _
i
= g
i
. i = 1. . . . . j.
2. Cuando / 1 valores propios son iguales a `
`
1
`
j÷I
= `
j÷I+1
= = `
j
= `.
el estimador máximo verosímil de ` es la media de los correspondientes
valores propios de S
´
` = (|
j÷I+1
+ +|
j
),/
Demost.: Los valores y vectores propios están biunívocamente relacionados
con y por lo tanto 1) es consecuencia de la propiedad de invariancia de la
estimación máximo verosímil. La demostración 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
]
veri…can asintóticamente:
80 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
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
con…anza asintótico con coe…ciente de con…anza 1 ÷c
|
i
(1 +c.
c¸2
)
1¸2
< `
i
<
|
i
(1 ÷c.
c¸2
)
1¸2
siendo c
2
= 2,(: ÷1) y 1([2[ .
c¸2
) = c,2. donde 2 es `(0. 1).
Se obtiene otro intervalo de con…anza como consecuencia de que log |
i
es
`(log `
i
. 2,(: ÷1))
|
i
c
÷o:
=2
< `
i
< |
i
c
+o:
=2
.
5.4.2. Contraste de hipótesis
Determinados contrastes de hipótesis relativos a las componentes prin-
cipales 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 máximo de log 1 bajo H
c
es
log 1
0
= ÷
:
2
log [2:
0
[ ÷
:
2
t:(
÷1
0
S).
5.4. INFERENCIA 81
El máximo no restringido es
log 1 = ÷
:
2
log [2:S[ ÷
:
2
j.
El estadístico basado en la razón 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 aritmética
y geométrica
c = (1
1
+ +1
j
),j. q = (1
1
1
j
)
1¸j
. (5.5)
entonces, asintóticamente
÷2 log `
1
= :j(c ÷log q ÷1) ~ ¸
2
q
. (5.6)
siendo ¡ = j(j + 1),2÷par(
0
) el número de parámetros libres de menos
el número de parámetros libres de
0
.
B. Test de independencia completa.
Si la hipótesis nula a…rma que las j variables son estocásticamente inde-
pendientes, el test se formula como
H
0
: =
o
= diag(o
11
. . o
jj
) (j desconocida).
Bajo H
0
la estimación 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 estadístico ÷:log [H[ no es sig-
ni…cativo, entonces podemos aceptar que las variables son incorrelacionadas
y por lo tanto, como hay normalidad multivariante, independientes.
C. Test de igualdad de valores propios.
Es éste un test importante en ACP. La hipótesis nula es
H
0
: `
1
`
j÷I
= `
j÷I+1
= = `
j
= `.
Indicamos los valores propios de S y de S
0
(estimación de si H
0
es cierta)
S ~ (|
1
. . . . . |
I
. |
I+1
. . . . . |
j
). S
0
~ (|
1
. . . . . |
I
. c
0
. . . . . c
0
).
82 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
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
).
las medias (5.5) son c = 1 y q = (|
I+1
|
j
)
1¸j
c
(I÷j)¸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. Número de componentes principales
En esta sección presentamos algunos criterios para determinar el número
: < j de componentes principales.
5.5.1. Criterio del porcentaje
El número : de componentes principales se toma de modo que 1
n
sea
próximo a un valor especi…cado por el usuario, por ejemplo el 80 %. Por otra
parte, si la representación de 1
1
. 1
2
. . . . . 1
I
. . . . con respecto de / práctica-
mente se estabiliza a partir de un cierto :, entonces aumentar la dimensión
apenas aporta más variabilidad explicada.
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 también son las
varianzas de las componentes. Estudios de Montecarlo prueban que es más
correcto el punto de corte `
+
= 0.7. que es más pequeño que 1.
Este criterio se puede extender a la matriz de covarianzas. Por ejemplo,
: podría ser tal que `
n
_ ·. donde · =tra(S),j es la media de las varianzas.
También es aconsejable considerar el punto de corte 0.7 ·.
5.5. NÚMERO DE COMPONENTES PRINCIPALES 83
0 1 2 3 4 5 6
0
10
20
30
40
50
60
k
lam
Figura 5.1: Ejemplo de representación de los valores propios, que indicaría 3
componentes principales.
5.5.3. Test de esfericidad
Supongamos que la matriz de datos proviene de una población normal
multivariante `
j
(j. ). Si la hipótesis
H
(n)
0
: `
1
`
n
`
n+1
= = `
j
es cierta, no tiene sentido considerar más de : componentes principales. En
efecto, no hay direcciones de máxima variabilidad a partir de :. es decir,
la distribución de los datos es esférica. El test para decidir sobre H
(n)
0
es-
tá basado en el estadístico 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 así sucesivamente. Por ejem-
plo, si j = 4. tendríamos que : = 2 si rechazamos H
(0)
0
. H
(1)
0
y aceptamos
H
(2)
0
: `
1
`
2
`
3
= `
4
.
5.5.4. Criterio del bastón roto
La suma de los valores propios es \
t
=tr(S). que es la variabilidad total.
Imaginemos un bastón de longitud \
t
. que rompemos en j trozos al azar
(asignando j ÷ 1 puntos uniformemente sobre el intervalo (0. \
t
)) y que los
84 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
trozos ordenados 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 signi…cativas 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 sólo dos componentes.
5.6. Biplot
Un biplot es una representación, en un mismo grá…co, de las …las (indi-
viduos) y las columnas (variables) de una matriz de datos X(: j).
Suponiendo X matriz centrada, el biplot clásico se lleva a cabo mediante
la descomposición 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 transformación en componentes principales, luego las coor-
denadas de las …las están 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 grá…co, como en la Figura 5.2.
Podemos plantear el biplot de una manera alternativa. La transformación
por componentes principales ¥ = XT permite representar las …las. Para rep-
resentar también las columnas, podemos entender una variable A
)
como el
conjunto de puntos de coordenadas
x
)
(c
)
) = (0. . . . . c
)
. . . . . 0) :
)
_ c
)
_ `
)
.
5.7. EJEMPLOS 85
donde c
)
es un parámetro que varía entre el mínimo valor :
)
y el máximo
valor `
)
de A
).
Entonces la representación de A
)
es simplemente el eje
x
)
(c)T.
Siguiendo este procedimiento, es fácil ver que mediante la transforma-
ción ¥ = XT. la representación de las variables se identi…ca con el haz de
segmentos
(c
1
t
1
. . . . . c
j
t
j
)
donde t
1
. . . . . t
j
son las …las de T. Véase Greenacre (2010) para una moderna
versión práctica de esta interesante técnica.
5.7. Ejemplos
Ejemplo 5.7.1
Sobre una muestra de : = 100 estudiantes mujeres de Bioestadística, 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
0. 8328 0. 5095 .0. 1882 0. 1063
0. 5029 ÷0. 8552 0. 0202 .0. 1232
.0. 1362 ÷0. 05 88 0. 1114 ÷0. 9826
0. 1867 0. 0738 ÷0. 9755 ÷0. 0892
Val. prop. ` 58.49 15.47 2.54 2.24
Porc. acum. 74.27 93.92 97.15 100
86 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
4. Número 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 bastón 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
= 0. 8328A
1
+ 0. 5029A
2
+ 0. 1362A
3
+ 0. 1867A
4
.
1
2
= 0. 5095A
1
÷0. 8552A
2
÷0. 05 88A
3
+ 0. 0738A
4
.
6. Interpretación: la primera componente es la variable con máxima var-
ianza y tiene todos sus coe…cientes positivos. La interpretamos como
una componente de tamaño. La segunda componente tiene coe…cientes
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 según su tamaño, de la más pequeña
a la más grande, y la segunda según la forma, el tipo pícnico en con-
traste con el tipo atlético. Las dimensiones de tamaño y forma están
incorrelacionadas.
Ejemplo 5.7.2
Mediante ACP podemos representar una matriz de datos en dimensión
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 kilómetros. El corredor más rápido es el 5, el más lento
es el 12.
5.7. EJEMPLOS 87
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 0. 9483 0. 4953 0. 5268
1 0. 4484 0. 4494
1 0. 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
Val. prop. ` 12.26 4.098 .4273 .1910
% 72.22 24.13 2.52 1.15
Porc. 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
88 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
Figura 5.2: Representación por análisis de componentes principales y medi-
ante biplot de los tiempos parciales de 12 corredores.
4. La transformación 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. Interpretación:
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 coe…cientes positivos en
A
1
. A
2
y coe…cientes negativos en A
3
. A
4
. Un corredor con valores
altos en 1
2
signi…ca que ha sido lento al principio y más rápido
al …nal de la carrera. Un corredor con valores bajos en 1
2
signi…-
ca que ha sido rápido al principio y más 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 correlación es cero.
5.8. COMPLEMENTOS 89
Para más ejemplos con datos reales, consúltese Aluja y Morineau (1999),
Baillo y Grané (2008), Greenacre (2010).
5.8. Complementos
El Análisis de Componentes Principales (ACP) fué iniciado por K. Pear-
son en 1901 y desarrollado por H. Hotelling en 1933. Es un método referente
a una población, pero W. Krzanowski y B. Flury han investigado las compo-
nentes principales comunes a varias poblaciones.
El ACP tiene muchas aplicaciones. Una aplicación clásica es el estudio
de P. Jolicoeur y J. E. Mosimann sobre tamaño y forma de animales (como
los caparazones de tortugas machos y hembras), en términos de la primera,
segunda y siguientes componentes principales. La primera componente per-
mite ordenar los animales de más pequeños a más grandes, y la segunda
permite estudiar su variabilidad en cuanto a la forma. Nótese que “tamaño”
y “forma” son conceptos “independientes” en sentido lineal.
EL ACP Común (Common Principal Component Analysis) es el estu-
dio de las componentes principales comunes en varios conjuntos de datos.
Supongamos que unas mismas variables tienen matrices de covarianzas
1
. . . . .

I
en / poblaciones distintas y que las descomposiciones espectrales son

i
= TA
i
T
t
. i = 1. . . . . /. es decir, los vectores propios (columnas de T) son
los mismos. Entonces las componentes principales son las mismas, aunque las
varianzas sean distintas. Por ejemplo, los caparazones de tortugas machos y
hembras, aunque de distinta magnitud, pueden tener la misma estructura de
tamaño y forma. Véase Krzanowski (1988) y Flury (1997).
El AFM (Análisis Factorial Múltiple) permite visualizar varios conjuntos
de datos observados con distintas variables, a …n de encontrar una estructura
común. El AFM se realiza en dos pasos. Primero se aplica un PCA a cada
matriz (centrada) de datos, que se normaliza dividiendo por la raíz cuadrada
del primer valor propio. Las matrices transformadas se juntan en una sola, a
la que se aplica un PCA global. Véase Escou…er y Pagès (1990).
El biplot, técnica introducida por Gabriel (1971), permite la representación
en un mismo grá…co de las …las y columnas de una matriz de datos X (Figu-
ra 5.2). Véase Gower y Hand (1996), Galindo-Villardón (1986), Cárdenas y
Galindo-Villardón (2009), Greenacre (2010) y Gower et al. (2011).
El ACP puede servir para estudiar la capacidad de un cráneo o de una
caparazón. Supongamos que la caparazón de una tortuga tiene longitud 1,
90 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
anchura ¹. y altura H. La capacidad sería C = 1
c
¹
o
H
¸
. donde c. ,. ¸ son
parámetros. Aplicando logaritmos, obtenemos
log C = clog 1 +, log ¹ +¸ log H = log(1
c
¹
o
H
¸
).
que podemos interpretar como la primera componente principal 1
1
de las
variables log 1. log ¹. log H, y por tanto c. ,. ¸ serían los coe…cientes de 1
1
.
Por medio del ACP es posible efectuar una regresión múltiple de 1 sobre
A
1
. . . . . A
j
, considerando las primeras componentes principales 1
1
. 1
2
. . . . co-
mo variables explicativas, y realizar regresión de 1 sobre 1
1
. 1
2
. . . . . evitando
así efectos de colinealidad. Sin embargo las últimas componentes principales
también pueden in‡uir en 1. Tal anomalía se presenta cuando se cumple la
desigualdad (llamada realce en regresión múltiple),
1
2
:
2
1
+ +:
2
j
. (5.8)
donde 1 es la correlación múltiple de 1 sobre A
1
. . . . . A
j
. y :
i
la correlación
simple de 1 con A
i
. .i = 1. . . . . j. Cuadras (1993) prueba que (5.8) equivale
a
j

i=1
:
2
Y
i
(1 ÷`
i
) 0.
siendo `
i
. i = 1. . . . . j. los valores propios de la matriz de correlaciones H
de las variables A
i
y :
Y
i
las correlaciones simples entre 1 y las componentes
1
i
. Vemos pues que se veri…ca (5.8) si 1 está muy correlacionada con una
componente 1
i
tal que `
i
< 1 (por ejemplo, la última componente principal).
Cuadras (1995) y Waller (2011) analizan las condiciones bajo las cuales la
desigualdad (5.8) es más acusada.
La regresión 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 coe…cientes ,
1
. . . . . ,
j
tales que ,
1
A
1
+ + ,
j
A
j
~
= 0. Se
puede plantear el problema como var(,
1
A
1
+ + ,
j
A
j
) =mínima, condi-
cionado a ,
2
1
+ +,
2
j
= 1. Es fácil ver que la solución es la última componente
principal 1
j
.
Se pueden también de…nir las componentes principales de un proceso es-
tocástico y de una variable aleatoria. Cuadras y Fortiana (1995), Cuadras y
Lahlou (2000), y Cuadras et al. (2006), han estudiado los desarrollos ortog-
onales del tipo
A =
o

a=1
/
a
A
a
.
5.8. COMPLEMENTOS 91
donde A
a
son componentes principales. Se han encontrado las componentes
y los desarrollos ortogonales para las variables con distribución uniforme,
exponencial, logística y Pareto. Por ejemplo, en el caso de A uniforme en
(0. 1) se tiene A
a
= (
_
2,(::))(1 ÷cos ::A).
92 CAPÍTULO 5. ANÁLISIS DE COMPONENTES PRINCIPALES
Capítulo 6
ANÁLISIS FACTORIAL
6.1. Introducción
El Análisis Factorial (AF) es un método multivariante que pretende ex-
presar j variables observables como una combinación lineal de : variables
hipotéticas o latentes, denominadas factores. Tiene una formulación parecida
al Análisis 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 también existen, mientras que el modelo factorial
podría ser aceptado o no mediante un test estadístico.
Ejemplos en los que la variabilidad de las variables observables se puede
resumir mediante unas variables latentes, que el AF identi…ca como “fac-
tores”, son:
1. La teoria clásica de la inteligencia suponía que los test de inteligen-
cia estaban relacionados por un factor general, llamado factor “g” de
Spearman.
2. La estructura de la personalidad, también medida a partir de test y
escalas, está dominada por dos dimensiones: el factor neuroticismo-
estabilidad y el factor introversión-extroversión.
3. Las diferentes características políticas de ciertos países están in‡uidas
por dos dimensiones: izquierda-derecha y centralismo-nacionalismo.
El AF obtiene e interpreta los factores comunes a partir de la matriz de
93
94 CAPÍTULO 6. ANÁLISIS 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 población.
El modelo más simple de AF sólo contempla un factor común 1. que recoge
la covariabilidad de todas las variables, y j factores únicos 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 común1
y de un factor único l
i
. El modelo supone que:
a) las variables y los factores están estandarizados (media 0 y varianza
1).
b) Los j + 1 factores están incorrelacionados.
De este modo 1 contiene la parte de la variabilidad común a todas las
variables, y cada A
i
está además in‡uida por un factor único l
i
. que aporta
la parte de la variabilidad que no podemos explicar a partir del factor común.
El coe…ciente c
i
es la saturación 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 saturación c
i
es el coe…ciente de correlación entre A
i
y el factor
común. Por otra parte c
2
i
. cantidad que recibe el nombre de comunalidad,
indicada por /
2
i
. es la proporción de variabilidad que se explica por 1 y la
correlación entre A
i
. A
)
sólo depende de las saturaciones c
i
. c
)
.
Una caracterización del modelo unifactorial es
:
i)
:
i
0
)
=
:
i)
0
:
i
0
)
0
=
c
i
c
i
0
. (6.2)
6.2. EL MODELO UNIFACTORIAL 95
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 nulo:
¸
¸
¸
¸
:
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 tetrádicas , que necesariamente se deben
cumplir para que sea válido el modelo unifactorial.
La matriz de correlaciones reducida H
+
es la que resulta de substituir los
unos de la diagonal de Hpor las comunalidades /
2
i
(véase (6.7)). Es inmediato
probar que H
+
tiene rango 1, que todos los menores de orden dos se anulan y
que las comunalidades se obtienen a partir de las correlaciones. Por ejemplo,
la primera comunalidad es
/
2
1
=
:
12
:
13
:
23
=
:
12
:
14
:
24
= =
:
1j÷1
:
1j
:
jj÷1
. (6.4)
En las aplicaciones reales, tanto estas relaciones como las tetrádicas, sólo
se veri…can aproximadamente. Así, la estimación de la primera comunalidad
podría 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 cali…caciones en C (clásicas), F (francés), I (inglés), M(matemáti-
cas), D (discriminación de tonos) y Mu (música) obtenidas por los alumnos
de una escuela. Esta matriz veri…ca, 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 cali…caciones dependen esencial-
mente de un factor común.
96 CAPÍTULO 6. ANÁLISIS FACTORIAL
6.3. El modelo multifactorial
6.3.1. El modelo
El modelo del análisis 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 únicos 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 hipótesis del modelo son:
1. Los factores comunes y los factores únicos están incorrelacionados dos
a dos
cor(1
i
. 1
)
) = 0. i ,= , = 1. . . . . :.
cor(l
i
. l
)
) = 0. i ,= , = 1. . . . . j.
2. Los factores comunes están incorrelacionados con los factores únicos
cor(1
i
. l
)
) = 0. i = 1. . . . . :. , = 1. . . . . j.
3. Tanto los factores comunes como los factores únicos son variables re-
ducidas (media 0 y varianza 1).
En el modelo factorial (6.5) se admite que las variables, en conjunto,
dependen de los factores comunes, salvo una parte de su variabilidad, sólo
explicada por el correspondiente factor especí…co. Los factores comunes rep-
resentan dimensiones independentes en el sentido lineal, y dado que tanto
los factores comunes como los únicos son variables convencionales, podemos
suponer que tienen media 0 y varianza 1.
6.3. EL MODELO MULTIFACTORIAL 97
6.3.2. La matriz factorial
Los coe…cientes c
i)
son las saturaciones entre cada variable A
i
y el factor
1
)
. La matriz j : que contiene estos coe…cientes 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 análogamente F = (1
1
. . . . . 1
n
)
t
. l =(l
1
. . . . . l
j
)
t
. el modelo factorial en
expresión 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 únicos. 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 veri…ca
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 común 1
)
. mientras que d
2
i
es la parte de la variabilidad explicada
exclusivamente por el factor único 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 sólo explicada
por los factores comunes.
Si supoemos que las variables observables son también reducidas, entonces
tenemos que
1 = /
2
i
+d
2
i
. (6.8)
98 CAPÍTULO 6. ANÁLISIS FACTORIAL
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 veri…ca
H = H
+
+O
2
. (6.9)
6.3.4. Número máximo de factores comunes
El número : de factores comunes está limitado por un valor máximo :
o
,
que podemos determinar teniendo en cuenta que hay j(j÷1),2 correlaciones
diferentes y j : saturaciones. Pero si A es matriz factorial también lo es
AT. donde T es matriz ortogonal, por tanto introduciremos :(: ÷ 1),2
restricciones y el número de parámetros libres de A será j :÷:(:÷1),2.
El número de correlaciones menos el número de parámetros libres es
d = j(j ÷1),2 ÷(j :÷:(:÷1),2) =
1
2
[(j ÷:)
2
÷j ÷:]. (6.10)
Si igualamos d a 0 obtenemos una ecuación 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 más 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 estadístico, el caso más interesante es : < :
o
.
ya que entonces podemos plantear la estimación estadística de A. donde
d 0 juega el papel de número de grados de libertad del modelo. El número
máximo :
+
de factores comunes en función 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 fracciona-
ria.
6.3. EL MODELO MULTIFACTORIAL 99
6.3.5. El caso de Heywood
Una limitación del modelo factorial es que alguna comunalidad puede al-
canzar (algebraicamente) un valor superior a 1, contradiciendo (6.8). Cuan-
do esto ocurre, la solución se ha de interpretar con precaución. En algunos
métodos, como el de la máxima verosimilitud, se resuelve este inconveniente
(primeramente observado por H.B. Heywood) imponiendo la condición /
2
i
_
1 en la estimación de las comunalidades.
6.3.6. Un ejemplo
Las asignaturas clásicas de la enseñanza media, se dividen, en líneas gen-
erales, en asignaturas de Ciencias y de Letras, las primeras con contenido más
racional y empírico, las segundas con contenido más humanístico y artístico.
Consideremos las siguientes 5 asignaturas:
Ciencias Naturales (CNa), Matemáticas (Mat), Francés (Fra), Latín (Lat),
Literatura (Lit). Supongamos que están in‡uidas 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 in‡uyen
sobre las cinco asignaturas. Las cali…caciones 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 están más in‡uidas por el factor C, y las
tres últimas por el factor L. Por ejemplo, Matemáticas tiene una correlación
de 0.9 con Ciencias y sólo 0.1 con Letras.
La cali…cación del primer alumno en CNa es 7, debida a 7 puntos en
Ciencias y 5 puntos en Letras. Según el modelo factorial:
7 = 0.8 7 + 0.2 5 + 0.4
100 CAPÍTULO 6. ANÁLISIS FACTORIAL
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: Cali…caciones 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 cali…caciones en 5 asignaturas.
6.4. TEOREMAS FUNDAMENTALES 101
De los 7 puntos, 5.6 se explican por el factor común C, 1 punto por el factor
común L y 0.4 puntos por el factor único. Este factor único 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
Matemáticas 81 1 82
Francés 1 81 82
Latín 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 más exactamente,
con la matriz de correlaciones reducida. El segundo teorema permite de-
terminar, teóricamente, el número de factores comunes y los valores de las
comunalidades.
Teorema 6.4.1 Bajo las hipótesis del modelo factorial lineal se veri…ca
:
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 notación 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 incorrelación entre factores tenemos que 1(FF
t
) = I
n
.
1(ll
t
) = I
j
. 1(Fl
t
) = 0. lo que prueba (6.11).
102 CAPÍTULO 6. ANÁLISIS FACTORIAL
De (6.9) vemos inmediatamente que
H
+
= AA
t
. (6.12)
Una solución factorial viene dada por cualquier matriz A que cumpla la
relación (6.12). Así pues, si : 1. existen in…nitas soluciones, pues si A es
solución, también 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 obtención de las comunalidades está
muy ligada al número de factores comunes.
Teorema 6.4.2 Se veri…ca:
1. El modelo factorial existe si H es la suma de una matriz semide…nida
positiva y una matriz diagonal con elementos no negativos.
2. El número : de factores comunes es el rango de la matriz H
+
. Por
lo tanto : es el orden del más 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-de…nida positiva (tiene : valores propios positivos).
Demost.: Es una consecuencia de la relación (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 solución no
es única. El principio de parsimonia en AF dice que entre varias soluciones
admisibles, escogeremos la que sea más simple. El modelo factorial será pues
aquel que implique un número mínimo : de factores comunes. Fijado :, las
comunalidades se pueden encontrar, algebraicamente, a partir de la matriz
de correlaciones H. En la práctica, las comunalidades se hallan aplicando
métodos estadísticos.
Finalmente, podemos probar de manera análoga, que si el análisis fac-
torial lo planteamos a partir de la matriz de covarianzas X. sin suponer las
variables reducidas, aunque sí los factores, entonces obtenemos la estructura
X = AA
t
+O
2
. (6.13)
6.5. MÉTODO DEL FACTOR PRINCIPAL 103
6.5. Método del factor principal
Es un método de obtención de la matriz factorial con la propiedad de que
los factores expliquen máxima 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 máximo. Consideremos pues
el problema de maximizar \
1
con la restricción H
+
= AA
t
. Utilizando el
método de los multiplicadores de Lagrange debemos considerar la función
\
1
+
j

),)
0
=1
¡
))
0 (:
))
0 ÷
n

I=1
c
)I
c
)
0
I
).
donde ¡
))
0 = ¡
)
0
)
son los multiplicadores. Igualando las derivadas a cero se
obtiene que las saturaciones a
1
= (c
11
. . . . . c
j1
)
t
del primer factor principal
veri…can
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 máximo 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 máxima, corresponende al segundo vector propio de H
+
con valor propio
`
2
. que es precisamente el valor máximo de \
2
.
En general, si H
+
= lAl
t
es la descomposición espectral de H
+
. la
solución del factor principal es
A = lA
1¸2
.
104 CAPÍTULO 6. ANÁLISIS FACTORIAL
Fijado un valor compatible de :, un algoritmo iterativo de obtención 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 vectores propios)
Paso i H
i
= l
(i)
n
A
(i)
n
l
(i)t
n
.
A
i
= l
(i)
n
(A
(i)
n
)
1¸2
Paso i+1 H
i+1
=diag(A
i
A
t
i
) +H÷I (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
). prácticamente no varían. Esta refactorización 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 solución por el
método del factor principal encuentra dos factores que explican el 74.6 % de
la varianza:
1
1
1
2
C. Naturales .621 -.543
Matemáticas .596 -.682
Francés .796 .432
Latín .828 .210
Literatura .771 .292
Valor propio 2.654 1.076
Porcentaje 53.08 21.52
6.6. Método de la máxima verosimilitud
6.6.1. Estimación de la matriz factorial
Podemos plantear la obtención de la matriz factorial como un problema
de estimación de la matriz de covarianzas . con la restricción que se
descompone en la forma
= AA
t
+Y.
donde Y = O
2
es una matriz diagonal (véase (6.13)). Si suponemos que las
: observaciones de las j variables provienen de una distribución normal con
6.6. MÉTODO DE LA MÁXIMA VEROSIMILITUD 105
µ = 0. el logaritmo de la función de verosimilitud es
log 1(X.j. ) = ÷
:
2
(log [2:[ ÷t:(
÷1
S)).
Cambiando de signo y modi…cando 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 mínimo, siendo S la matriz de covarianzas muestrales. Las derivadas
respecto de A y Y son
J1
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 última condición es sólo una restricción para concretar una solución,
puesto que si A es solución, también lo es AT, siendo T matriz ortogonal.
Debe tenerse en cuenta que se trata de encontrar el espacio de los factores co-
munes. La solución …nal será, en la práctica, una rotación de la solución que
veri…que ciertos criterios de simplicidad. Las ecuaciones (6.15) no proporcio-
nan una solución explícita, pero es posible encontrar una solución utilizando
un método numérico iterativo.
6.6.2. Hipótesis sobre el número de factores
Una ventaja del método de la máxima verosimilitud es que permite for-
mular un test de hipótesis sobre la estructura factorial de y el número :
de factores comunes.
Planteemos el test
H
0
: = AA
t
+Y vs H
1
: es de…nida positiva,
donde A es de rango :.
106 CAPÍTULO 6. ANÁLISIS FACTORIAL
Si
´
=
´
A
´
A
t
+
´
Y. siendo
´
Ay
´
Ylas estimaciones, los máximos del logaritmo
de la razón de verosimilitud son (Sección 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 estadístico
C
I
= :(log [
´
[ ÷log [S[ + tr(
´

÷1
S)÷j) = :1
j
(
´
A.
´
Y)
sigue asintóticamente la distribución 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 mínimo de
la función (6.14) y que / coincide con (6.10).
6.7. Rotaciones de factores
La obtención de la matriz factorial, por aplicación de los dos métodos
que hemos expuesto, no es más que el primer paso del AF. Normalmente
la matriz obtenida no de…ne unos factores interpretables. En el ejemplo de
las asignaturas, la solución por el método del factor principal es en principio
válida, pero de…ne dos factores comunes 1
1
. 1
2
que no son fácilmente identi-
…cables. Se hace necesario “rotar” estos dos factores hacia unos factores más
fáciles 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
serán bajas, para así destacar la in‡uencia 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 de…na unos factores que tengan
una estructura más simple. Un criterio analítico considera la función
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 107
donde ¸ es un parámetro 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 : coe…cientes de saturación. Si cada saturación c
2
i)
se
divide por la comunalidad, es decir, se considera c
2
i)
,/
2
i
. la rotación se llama
quartimax normalizada.
Varimax: Si ¸ = 1 minimizar G equivale a maximizar la suma de las
varianzas de los cuadrados de los coe…cientes de saturación de cada columna
de A. Análogamente si consideramos c
2
i)
,/
2
i
. la rotación se llama varimax
normalizada.
6.7.2. Factores oblicuos
Los factores comunes pueden estar también correlacionados, y entonces
se habla del modelo factorial oblicuo. Este modelo postula que las variables
observables dependen de unos factores correlacionados 1
t
1
. . . . . 1
t
n
y de j
factores únicos. Así 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 solución factorial oblicua consistirá en hallar las siguientes matrices:
1. Matriz del modelo factorial oblicuo
I =(j
i)
)
siendo j
i)
la saturación de la variable A
i
en el factor 1
t
)
.
2. Matriz de correlaciones entre factores oblicuos
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.
108 CAPÍTULO 6. ANÁLISIS FACTORIAL
fácilmente probamos la relación entre las tres matrices I. d y Q
Q = Id.
y la versión 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. Rotación oblicua
Ya se ha dicho que hallar una matriz factorial A constituye el primer paso
de la factorización. Queremos encontrar una matriz L tal que la nueva matriz
factorial I = AL de…na unos factores oblicuos que tengan una estructura
más simple. Un criterio analítico sobre la matriz de estructura factorial Q
considera la función
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 parámetro tal que 0 _ ¸ _ 1. Hay tres criterios especial-
mente interesantes, que tienen una interpretación parecida al caso ortogonal
y que también se pueden formular, más adecuadamente, dividiendo por las
comunalidades.
Quartimin: Si ¸ = 0 hay máxima oblicuidad entre los factores comunes.
Bi-quartimin: Si ¸ = 1,2 el criterio es intermedio entre quartimin y co-
varimin.
Covarimin: Si ¸ = 1 hay mínima oblicuidad entre los factores comunes.
Conviene tener en cuenta que las rotaciones ortogonales y oblícuas in-
tentan simpli…car la estructura factorial A y la estructura de referencia Q.
respectivamente.
Un criterio directo de rotación oblícua es el promax. Sea A la matriz fac-
torial obtenida por el método varimax. Queremos destacar unas saturaciones
sobre otras, por tanto de…nimos I
+
= (j
+
i)
) tal que
j
+
i)
= [c
I+1
i)
[,c
i)
. / 1.
6.7. ROTACIONES DE FACTORES 109
siendo / un número entero.
Cada elemento de Aqueda elevado a una potencia / conservando el signo.
Seguidamente ajustamos I
+
a AL en el sentido de los mínimos cuadrados
(véase (13.4)):
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 módulo 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 estimación
máximo verosímil y la matriz factorial rotada son:
Máxim 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 hipótesis de que hay : = 2 factores comunes da ¸
2
1
= 1.22.
no signi…cativo. Podemos aceptar : = 2. La rotación varimax pone de man-
i…esto la existencia de dos factores C. 1, que podemos interpretar como di-
mensiones latentes de Ciencias y Letras.
La rotación 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 oblicuos C y L. Las variables
tienen una longitud proporcional a la raíz cuadrada de sus comunalidades.
110 CAPÍTULO 6. ANÁLISIS FACTORIAL
Figura 6.1: Proyección de las variables sobre los factors comunes ortogonals, y
factores rotados (rotación promax), interpretados como factores de Ciencias
y Letras.
6.7.4. Factores de segundo orden
Un vez hemos obtenido los factores oblicuos con matriz de correlaciones
d. podemos suponer que estos : factores primarios dependen de :
t
factores
secundarios de acuerdo con una matriz factorial H que veri…ca
d = HH
t
+E
2
.
siendo E la matriz :: diagonal.
Si los factores secundarios son también oblicuos, el proceso de factor-
ización puede continuar hasta llegar a un único factor común de orden supe-
rior.
Un ejemplo de aplicación nos lo proporciona la teoria clásica de la estruc-
tura factorial de la inteligencia. Los test de aptitud dependen de un conjunto
elevado de factores primarios, que dependen de un conjunto de 7 factores
secundarios (verbal, numérico, espacial, razonamiento, memoria, percepción,
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
están correlacionadas.
6.8. MEDICIÓN DE FACTORES 111
6.8. Medición de factores
Sea x = (r
1
. . . . . r
j
)
t
los valores de las j variables observables obtenidos
sobre un individuo .. Nos planteamos ahora “medir los factores”, es decir,
encontrar los valores f = (,
1
. . . . . ,
n
)
t
de los factores comunes sobre .. Se
veri…ca
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 diseño, f es el vector de parámetros y o = Ou
es el término de errror, el criterio de los mínimos cuadrados (véase (13.4))
nos da
f = (A
t
A)
÷1
A
t
x.
Un método más elaborado (propuesto por M. S. Bartlett) considera que
f es función lineal de x y que los valores de los factores únicos
u = O
÷1
(x ÷Af )
son términos 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 fácil ver que
f = (A
t
O
÷2
A)
÷1
A
t
O
÷2
x.
Una modi…cación de este método (propuesta por T. W. Anderson y H.
Rubin) consiste en añadir la condición de que los factores comunes estimados
estén incorrelacionados. La solución 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 cali…ca-
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 rotación
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
112 CAPÍTULO 6. ANÁLISIS FACTORIAL
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. Análisis factorial con…rmatorio
Los métodos del factor principal y de la máxima verosimilitud son ex-
ploratorios, en el sentido de que exploran las dimensiones latentes de las
variables. El AF también se puede plantear en sentido con…rmatorio, es-
tableciendo una estructura factorial de acuerdo con el problema objeto de
estudio, y seguidamente aceptando o rechazando esta estructura mediante
un test de hipótesis. 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 sólo dependen del factor Ciencias y las
otras tres del factor Letras. Entonces podemos realizar una transformación
de la matriz factorial inicial para ajustarnos a la matriz anterior.
Si la solución 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 mínimos
cuadrados
tr[(H÷AT)
t
(H÷AT)] = mínimo,
entonces la solución es T = lY
t
. siendo A
t
H = lO
c
Y
t
la descomposición
singular de A
t
H. Es decir AT es la transformación procrustes de A. Véase (
1.7).
Si T no es ortogonal y por lo tanto se admite una estructura oblicua,
entonces T se obtiene siguiendo un procedimiento parecido a la rotación
promax
T = (A
t
A)
÷1
A
t
H.
pero normalizando a módulo 1 los vectores columna de T.
6.9. ANÁLISIS FACTORIAL CONFIRMATORIO 113
Más generalmente, en AF con…rmatorio se especi…ca el número de factores
comunes, el tipo ortogonal u oblicuo de la solución, y los valores libres o …jos
de las saturaciones.
Ejemplo: Un AF con…rmatorio sobre 9 test (estudiado por K. Joreskog)
obtiene siete soluciones con…rmatorias. De los 9 test considerados, los test
1,2,3 miden relaciones espaciales, los test 4,5,6 inteligencia verbal y los test
7,8,9 velocidad de percepción. 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
Sólo comentaremos tres soluciones. La primera solución es oblicua no
restringida, y se puede aceptar, puesto que la ji-cuadrado del ajuste no es
signi…cativa.
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 solución es oblicua restringida. Se impone la condición de que
los tres primeros test correlacionen sólo con el primer factor, los tres siguientes
sólo con el segundo y los tres últimos sólo con el tercero. No obstante, el valor
ji-cuadrado es signi…cativo y esta solución no debería aceptarse.
114 CAPÍTULO 6. ANÁLISIS FACTORIAL
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 solución es ortogonal no restringida, con un factor general y
tres factores especí…cos, 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 solución 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 Análisis 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 teoría
de la inteligencia alrededor de un factor común, el factor “g”. Esta teoría,
6.10. COMPLEMENTOS 115
que ordenaba la inteligencia de los individuos a lo largo de una sola dimen-
sión, fue defendida por C. Burt, con consecuencias sociológicas importantes,
pues proporcionó una base cientí…ca para …nanciar las escuelas privadas en
detrimento de otras.
El Análisis Factorial moderno se inicia con la obra “Multiple Factor
Analysis” de L.L. Thurstone, que postulaba más de un factor común, intro-
ducía la estructura simple y las rotaciones de factores. A partir de Thurstone
la medida de la inteligencia era más “democrática”, ya que poseía varias
dimensiones latentes, quedando sin sentido una ordenación clasista de los
individuos, pues si en una dimensión sería posible ordenarlos, en varias di-
mensiones es imposible. Hubo una polémica similar sobre la personalidad. La
teoria psicoanalítica defendía una continuidad entre la personalidad neurótica
y la psicótica, mientras que el AF revela que neurosis y psicosis son dimen-
siones independientes.
Los modelos y métodos de Spearman, Burt, Thurstone y otros (Holzinger,
Harman y Horst), son ya historia. Los métodos actuales para obtener la
matriz factorial son: factor principal, análisis factorial canónico (C.R. Rao),
método Alfa (H.F. Kaiser, J. Ca¤rey) y el método de la máxima verosimilitud
(D.N. Lawley, K.G. Joreskog). Véase Joreskog (1967).
El método varimax de rotación ortogonal de Kaiser es uno de los más
recomendados. J.B. Carroll introdujo la rotación 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-
tadísticos del tema. Véase Harman (1976), Torrens-Ibern (1972).
El estudio de las dimensiones latentes es un tema presente en la ciencia
y siempre ha despertado interés. C. R. Rao demostró que si conocemos la
distribución de / combinaciones lineales de j variables independientes, siendo
/(/ ÷ 1),2 < j _ /(/ + 1),2. entonces la distribución de cada una de las
j variables queda determinada (salvo la media o parámetro de localización).
Por ejemplo, si tenemos j = 210 variables independientes bastaría conocer
la distribución de / = 20 combinaciones lineales adecuadas para determinar
la distribución de las 210 variables. Este resultado proporciona una cierta
justi…cación teórica acerca del hecho que la información multivariante posee
una dimensionalidad latente mucho más pequeña.
La etapa inicial del AF (hasta 1966), era exploratoria, como una her-
ramienta para explorar la dimensionalidad latente de las variables. Más tarde,
el análisis factorial se ha entendido en sentido con…rmatorio (Joreskog, Law-
ley, Maxwell, Mulaik), estableciendo una estructura factorial de acuerdo con
116 CAPÍTULO 6. ANÁLISIS FACTORIAL
el problema, y seguidamente aceptando o rechazando esta estructura medi-
ante un test de hipótesis (Joreskog, 1969, 1970). Consúltese Cuadras (1981).
Se han llevado a cabo muchas aplicaciones del AF. Citaremos tres, las
dos primeras sobre AF exploratorio y la tercera sobre AF con…rmatorio.
Rummel (1963) estudia 22 medidas de los con‡ictos de 77 naciones y en-
cuentra tres dimensiones latentes, que identi…ca como: agitación, revolución
y subversión, y ordena las naciones según las puntuaciones en los factores
comunes.
Sánchez-Turet y Cuadras (1972) adaptan el cuestionario E.P.I. de person-
alidad (Eysenck Personality Inventory) y sobre un test de 69 ítems (algunos
ítems detectan mentiras) encuentran tres factores: Introversión-Extroversión,
Estabilidad-Inestabilidad, Escala de mentiras.
Joreskog (1969) explica un ejemplo de AF con…rmatorio sobre 9 test,
previamente estudiado por Anderson y Rubin. Véase la Sección 6.9.
Finalmente, el Análisis de Estructuras Covariantes es una generalización
del AF, que uni…ca este método con otras técnicas multivariantes (MANOVA,
análisis de componentes de la varianza, análisis 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 generalización 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 través de un modelo de medida. Las variables latentes están
relacionadas por un modelo de ecuaciones estructurales. LISREL (Joreskog
y Sorbom, 1999) es muy ‡exible y tiene muchas aplicaciones (sociología, psi-
cología, economía). Véase Satorra (1989), Batista y Coenders (2000).
Capítulo 7
ANÁLISIS CANÓNICO DE
POBLACIONES
7.1. Introducción
Con el Análisis de Componentes Principales podemos representar los indi-
viduos de una población, es decir, representar una única 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 técnica adecuada es el Análisis Canónico de Poblaciones (CANP).
Supongamos que de la observación 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 población i. Sean x
t
1
.x
t
2
. . . . .x
t
j
los vectores
(…la) de las medias de cada población. 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
_
_
_
_
_
117
118 CAPÍTULO 7. ANÁLISIS CANÓNICO DE POBLACIONES
la matriz q j con las medias de las q poblaciones. Tenemos dos maneras de
cuanti…car matricialmente la dispersión entre las poblaciones:
La matriz de dispersión no ponderada entre grupos
A =X
t
X =
j

i=1
(x
i
÷x)(x
i
÷x)
t
.
La matriz de dispersión 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 sólo las medias de las poblaciones. La matriz H participa, juntamente
con V (matriz de dispersión dentro de grupos) en el test de comparación
de medias de q poblaciones. Aquí trabajaremos con la matriz A, si bien los
resultados serían parecidos si utilizáramos la matriz H. También haremos uso
de la matriz de covarianzas (véase (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 canónicas
De…nición 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 según
v
t
i
S
i
v
i
= 1.
Los vectores v
1
. . . . . v
j
son los vectores canónicos y las variables canónicas
son las variables compuestas
1
i
= Xv
i
.
7.2. VARIABLES CANÓNICAS 119
Si v
i
= (·
1i
. . . . . ·
ji
)
t
y X = [A
1
. . . . . A
j
]. la variable canónica 1
i
es la
variable compuesta
1
i
= Xv
i
= ·
1i
A
1
+ +·
ji
A
j
que tiene o-varianza 1 y ¹÷varianza `
i
. es decir:
var
¹
(1
i
) = v
t
i
Av
i
= `
i
. var
S
(1
i
) = v
t
i
S
i
v
i
= 1.
Trabajaremos con j variables canónicas, pero de hecho el número efectivo es
/ = mn¦j. q ÷1¦. ver Sección 7.5.3.
Teorema 7.2.1 Las variables canónicas veri…can:
1. Son incorrelacionadas dos a dos respecto a A y también respecto a S
cov
¹
(1
i
. 1
)
) = cov
S
(1
i
. 1
)
) = 0 :i i ,= ,.
2. Las ¹-varianzas son respectivamente máximas:
var
¹
(1
1
) = `
1
var
¹
(1
j
) = `
j
.
en el sentido de que 1
1
es la variable con máxima varianza entre grupos,
condicionada a varianza 1 dentro grupos, 1
2
es la variable con máxima
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. están incorrelacionadas:
cov
¹
(1
i
. 1
)
) = t
t
i
At
)
= t
t
i
S`
)
t
)
= `
)
t
t
i
St
)
.
cov
¹
(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
(1
i
. 1
)
) = `
)
t
t
i
St
)
=
cov
¹
(1
i
. 1
)
) = 0. si i ,= ,. Además, de t
t
i
St
)
= 1:
var
¹
(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
(1 ) = var
¹
(
j

i=1
c
i
1
i
) =
j

i=1
c
2
i
var
¹
(1
i
) =
j

i=1
c
2
i
`
i
_ (
j

i=1
c
2
i
)`
1
= var
¹
(1
1
).
120 CAPÍTULO 7. ANÁLISIS CANÓNICO DE POBLACIONES
que prueba que 1
1
tiene máxima varianza entre grupos.
Consideremos a continuación 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
(1 ) = var
¹
(
j

i=2
,
i
1
i
) =
j

i=2
,
2
i
var
¹
(1
i
) =
j

i=2
,
2
i
`
i
_ (
j

i=2
,
2
i
)`
2
= var
¹
(1
2
).
y por lo tanto 1
2
está incorrelacionada con 1
1
y tiene varianza máxima. La
demostración para 1
3
. . . . . 1
j
es análoga.
7.3. Distancia de Mahalanobis y transforma-
ción canónica
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 Sección 1.9 hemos introducido la distancia entre los
individuos de una misma población. Ahora de…nimos la distancia entre dos
poblaciones cuando hay más de dos poblaciones.
De…nición 7.3.1 Consideremos muestras multivariantes de q poblaciones
con vectores de medias x
1
.x
2
. . . . .x
j
y matriz de covarianzas (común) 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 canónicos (vectores propios de A =X
t
Xrespecto
de S). la transformación canónica es
¥ =XY.
La matriz ¥ de orden q j contiene las coordenadas canónicas de las q
poblaciones.
7.4. REPRESENTACIÓN CANÓNICA 121
Teorema 7.3.1 La distancia de Mahalanobis entre cada par de poblaciones
i. , coincide con la distancia Euclídea entre las …las i. , de la matriz de co-
ordenadas canónicas ¥. 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
. (7.2)
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 transformación canónica 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
descomposición espectral
XS
÷1
X
t
= ¥¥
t
suponiendo ¥ ortogonal. Tomando ¥
1¸2
que indicamos también por ¥.
obenemos …nalmente XS
÷1
X
t
= ¥¥
t
.
7.4. Representación canónica
La representación de las q poblaciones mediante las …las de X con la
métrica de Mahalanobis es bastante complicada: la dimensión puede ser
grande y los ejes son oblicuos. En cambio, la representación mediante las
coordenadas canónicas ¥ con la métrica Euclídea se realiza a lo largo de
ejes ortogonales. Si además, tomamos las ¡ primeras coordenadas canónicas
(usualmente ¡ = 2), la representación es totalmente factible y es óptima en
dimensión reducida, en el sentido de que maximiza la variabilidad geométrica
.
122 CAPÍTULO 7. ANÁLISIS CANÓNICO DE POBLACIONES
Teorema 7.4.1 La variabilidad geométrica 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
. (7.3)
Si ¥ =XY. donde Y, de orden j ¡ es la matriz de la transformación
canónica en dimensión ¡ y
o
2
i)
(¡) = (y
i
÷y
)
)(y
i
÷y
)
)
t
=
q

I=1

iI
÷¸
)I
)
2
es la distancia Euclídea (al cuadrado) entre dos …las de ¥. la variabilidad
geométrica en dimensión ¡ _ j es
\
c
(¥)
q
=
1
2q
2
j

i,)=1
o
2
i)
(¡) =
1
q
q

i=1
`
i
.
y esta cantidad es máxima entre todas las transformaciones lineales en di-
mensión ¡.
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 (7.3).
Sea ahora
¯
¥=XT otra transformación de Xtal que T
t
ST = I. Indicando
T = [t
1
. . . . . t
j
],.la ¹-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 máxima para 1
1
= Xv
1
. primera columna de ¥. Análogamente se denues-
tra para las demás columnas (segunda, tercera, etc., coordenadas canónicas).
Tenemos pues:
\
c
(
¯
¥)
q
=
q

I=1
:
2
(
¯
1
I
) =
1
q
q

I=1
var
¹
(
¯
1
I
) _ \
c
(¥)
q
=
1
q
q

I=1
`
I
.
7.5. ASPECTOS INFERENCIALES 123
El porcentaje de variabilidad geométrica explicada por las ¡ primeras
coordenadas canónicas 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 análisis canónico de poblaciones conviene que los vectores de
medias sean diferentes y que las matrices de covarianzas sean iguales.
7.5.1. Comparación de medias
El test
H
0
: j
1
= j
2
= = j
j
(7.4)
ha sido estudiado en la Sección 3.3.3 y se decide calculando el estadístico
= [V[,[H+V[ con distribución lambda de Wilks. Si aceptamos H
0
las
medias de las poblaciones son teóricamente iguales y el análisis canónico,
técnica destinada a representar las medias de las poblaciones a lo largo de
ejes canónicos, no tiene razón de ser. Por lo tanto, conviene rechazar H
0
.
7.5.2. Comparación de covarianzas
El test
H
t
0
:
1
=
2
= =
j
se resuelve mediante el test de razón de verosimilitud
`
1
=
[S
1
[
a
1
¸2
[S
j
[
ag¸2
[S[
a¸2
.
donde S
i
es la matriz de covarianzas de las datos de la población i. estimación
máximo verosímil de
i
y
S = (:
1
S
1
+ +:
j
S
j
),: = V,:
124 CAPÍTULO 7. ANÁLISIS CANÓNICO DE POBLACIONES
es la estimación máximo verosímil de . matriz de covarianzas común bajo
H
t
0
. Rechazaremos H
t
0
si el estadístico
÷2 log `
1
= :log [S[ ÷(:
1
log [S
1
[ + +:
j
log [S
j
[) ~ ¸
2
q
es signi…cativo, donde ¡ = qj(j+1),2÷j(j+1),2 = (q÷1)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 orientación de los ejes viene determinada por la matriz de covarianzas),
y el análisis canónico es teóricamente 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-
rección 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 dimensión j ni q ÷1.
es obvio que el número efectivo de valores propios es
/ = mn¦j. q ÷1¦.
Si los vectores de medias poblacionales están en un espacio 1
n
de dimen-
sión : < /. entonces el espacio canónico tiene dimensión : y por lo tanto
debemos aceptar la hipótesis
H
(n)
0
: `
1
`
n
`
n+1
= = `
I
.
donde `
1
`
n
son los valores propios de ^^
t
(la versión poblacional
de A) respecto de . Si
|
1
|
I
son los valores propios de H respecto de V (ver Sección 3.3.3), es decir,
soluciones de
[H÷|V[ = 0.
7.5. ASPECTOS INFERENCIALES 125
entonces un test para decidir H
(n)
0
está basado en el estadístico
/
n
= [: ÷1 ÷
1
2
(j +q)]
I

i=n+1
log(1 +|
i
) ~ ¸
2
q
.
donde ¡ = (j÷:)(q ÷:÷1). Este test asintótico, propuesto por Bartlett, se
aplica secuencialmente: si /
0
es signi…cativo, estudiaremos /
1
; si /
1
es también
signi…cativo, estudiaremos /
2
, etc. Si /
0
. . . . . /
n÷1
son signi…cativos pero /
n
no, aceptaremos que la dimensión es :. Obsérvese que aceptar H
(0)
0
equivale a
la hipótesis nula de igualdad de vectores de medias (que entonces coincidirían
en un punto), es decir, equivale a aceptar (7.4).
Otros autores utilizan este test independientemente para cada dimensión.
Así, el test H
0
: `
)
= 0 está basado en el estadístico
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
signi…cativo.
7.5.4. Regiones con…denciales
Sean y
t
i
= x
t
i
Y.i = 1. . . . . q las proyecciones canónicas de los vectores de
medias muestrales de las poblaciones. Podemos entender y
i
como una esti-
mación de j
+
i
= j
i
\. la proyección canónica del vector de medias poblacional
j
i
. Queremos encontrar regiones con…denciales para j
+
i
. i = 1. . . . . q.
Teorema 7.5.1 Sea 1 ÷ c el coe…ciente de con…anza, 1
c
tal que 1(1
1
c
) = c. donde 1 sigue la distribución F con j y (: ÷ q ÷ j + 1) q.|. y
consideremos:
1
2
c
= 1
c
(: ÷q)j
(: ÷q ÷j + 1)
.
Entonces las proyecciones canónicas j
+
i
de los vectores de medias pobla-
cionales pertenecen a regiones con…denciales que son hiperesferas (esferas
en dimensión 3, círculos en dimensión 2) de centros y radios
(y
i
. 1
c
,
_
:
i
).
donde :
i
es el tamaño muestral de la población i.
126 CAPÍTULO 7. ANÁLISIS CANÓNICO DE POBLACIONES
Demost.: x
i
÷j
i
es `
j
(0. ,:
i
) independiente de Vque sigue la distribución
\
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 distribución 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
a÷j÷j+1
.
Así pues
1[(x
i
÷j
i
)
t
S
÷1
(x
i
÷j
i
) _
1
2
c
:
i
] = 1 ÷c.
que de…ne una región con…dencial hiperelíptica para j
i
con coe…ciente de
con…anza 1 ÷ c. Pero la transformación canónica 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 transformación convierte además hiperelipses en hiperesferas (elipses
en círculos si la dimensión es 2), ya que las variables canónicas son incorrela-
cionadas, lo que también es válido si reducimos la dimensión (tomamos las
: primeras coordenadas canónicas).
Por ejemplo, si elegimos 1 ÷c = 0.95 y una representación en dimensión
reducida 2, cada población vendrá representada por un círculo de centro y
i
y radio 1
0,05
,
_
:
i
. de manera que el vector de medias proyectado pertenece
al círculo con coe…ciente de con…anza 0.95. La separación entre los centros
indicará diferencias, mientras que si dos círculos se solapan, será indicio de
que las dos poblaciones son posiblemente iguales.
Ejemplo 7.5.1
Se tienen medidas de 5 variables biométricas sobre coleópteros del género
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.
7.5. ASPECTOS INFERENCIALES 127
Figura 7.1: Proyeción canónica de cuatro poblaciones.
5. T. monserratensis (Collfsuspina, Barcelona) :
5
= 40.
6. T. catalaunensis (La Garriga, Barcelona) :
6
= 40.
7. T. balearica (Mahón, Baleares) :
7
= 15
8. T. pimeliodes (Palermo, Sicilia) :
8
= 40
Las medidas (en mm.) son:
A
1
= long. prognoto, A
2
=diam. máximo prognoto, A
3
= base prognoto,
A
4
= long. élitros, A
5
= diam. máximo élitros.
Se quiere estudiar si existen diferencias entre las 8 especies y representar-
las mediante la distancia de Mahalanobis. Los resultados del análisis canónico
son:
Matriz de covarianzas común:
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. Signi…cativo al 5 %.
Matriz de dispersión entre grupos:
128 CAPÍTULO 7. ANÁLISIS CANÓNICO DE POBLACIONES
H =
_
_
_
_
_
_
6268 11386 8039 22924 17419
21249 15370 42795 32502
11528 31009 23475
86629 65626
49890
_
_
_
_
_
_
~ \
4
(7. )
Matriz de dispersión 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 dispersión total:
T =
_
_
_
_
_
_
7143 12253 8804 24407 18562
23164 17047 45254 34472
13186 33220 25260
92049 69189
53432
_
_
_
_
_
_
Test de comparación de medias:
= [V[ , [H+V[ = 0.0102 ~ (5. 267. 7) ÷1 = 62.5 (35 y 1108 g.l.)
Existen diferencias muy signi…cativas.
Transformación canónica, 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, así como la 4 y 5. Las poblaciones 3 y 6 son especies
próximas, mientras que las 7 y 8 se diferencian mucho de las otras especies.
7.6. COMPLEMENTOS 129
Figura 7.2: Representación canónica de 8 especies de coleópteros.
7.6. Complementos
El Análisis Canónico de Poblaciones (CANP) fue planteado por M.S.
Bartlett en términos de correlación canónica entre las poblaciones y las vari-
ables observables. C. R. Rao lo relacionó con la distancia de Mahalanobis
y lo estudió como una técnica para representar poblaciones. Su difusión es
debida a Seal (1964).
Existen diferentes criterios para obtener la región con…dencial para las
medias de las poblaciones. Aquí hemos seguido un criterio propuesto por
Cuadras (1974). Una formulación que no supone normalidad es debido a
Krzanowski y Radley (1989). A menudo los datos no cumplen la condición
de igualdad de las matrices de covarianzas, aunque el CANP es válido si las
matrices muestrales son relativamente semejantes.
En el CANP, y más adelante en el Análisis Discriminante, interviene la
descomposición 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).
130 CAPÍTULO 7. ANÁLISIS CANÓNICO DE POBLACIONES
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 descomposición de es la versión poblacional de T = H+V. y la
versión multivariante de
var(1 ) = 1[var[1 [A]] + var[1[1 [A]].
donde 1 [A representa la distribución de una variable 1 dada A. Véase Flury
(1997). Para una versión más general de partición de la variabilidad en pres-
encia de mixturas, véase Cuadras y Cuadras (2011).
Se llama falacia ecológica a las conclusiones equivocadas (sobre todo
correlacionando dos variables) que resultan de agregar indebidamente varias
poblaciones. Los resultados para las poblaciones agregadas (por ejemplo,
varios paises), son distintos a los resultados para cada población por sep-
arado (individuos de un mismo país). Dadas dos poblaciones`
j
(j
1
. ) y
`
j
(j
2
. ). .Cuadras y Fortiana (2001) prueban que se produce la falacia
ecológica si la dirección principal de los datos es distinta de la dirección
del segmento que une j
1
y j
2
. Se veri…ca entonces .
(j
1
÷j
2
)
t

÷1
(j
1
÷j
2
) (j
1
÷j
2
)
t
[diag()]
÷1
(j
1
÷j
2
).
es decir, si la distancia de Mahalanobis es mayor que la distancia de Pearson
. La desigualdad anterior re‡eja la in‡uencia de las componentes principales
de menor varianza y es parecida a la desigualdad (5.8).
Capítulo 8
ESCALADO
MULTIDIMENSIONAL
(MDS)
8.1. Introducción
Representar un conjunto …nito cuando disponemos de una distancia entre
los elementos del conjunto, consiste en encontrar unos puntos en un espacio de
dimensión reducida, cuyas distancias euclídeas 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 (métrica) 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 sólo se cumplen las dos primeras condiciones, diremos que o(i. ,) es
una disimilaridad.
131
132 CAPÍTULO 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.
De…nición 8.1.1 Diremos que = (o
i)
) es una matriz de distancias Eu-
clídeas 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 escalado multidimensional es encontrar la X más adecuada a
partir de la matriz de distancias .
8.2. ¿Cuándo una distancia es euclídea?
Sea
(2)
= (o
2
i)
) la matriz de cuadrados de las distancias. Si la distancia
es euclídea 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. ¿CUÁNDO UNA DISTANCIA ES EUCLÍDEA? 133
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 Hla
matriz de centrado (Capítulo 1) y consideremos las matrices A = ÷
1
2

(2)
=
÷
1
2
(o
2
i)
) y H = HAH.
Teorema 8.2.1 La matriz de distancias = (o
i)
) es euclídea si y sólo si
H _0. es decir, los valores propios de H son no negativos.
Demost.: La relación 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 euclídea. 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 = 0 y 1
t
H = 0
t
. ten-
emos que
H = HAH = HGH = HXX
t
H = XX
t
_ 0.
lo que prueba que H es semide…nida 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- ésima 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 euclídeas.
134 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
8.3. El análisis 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 descomposición 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)
Obsérvese que H1 = 0. y por lo tanto `
j+1
= 0 es también valor propio de
H de vector propio el vector 1 de unos. Entonces es evidente que la matriz
: j
X = lA
1¸2
(8.5)
también veri…ca H = XX
t
.
De…nición 8.3.1 La solución 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-ésima de X. Reciben el nombre de coordenadas principales
y cumplen (8.1).
La solución por coordenadas principales goza de importantes propiedades.
En las aplicaciones prácticas, 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 representación 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 ANÁLISIS DE COORDENADAS PRINCIPALES 135
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 euclídeas 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 transformación
en componentes principales. Entonces:
Z
t
Z = :TOT
t
.
ZZ
t
Z = :ZTOT.
t
HZT = ZT:O.
136 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
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
transformación por componentes principales de Z.
5. La variabilidad geométrica de es
\
c
(X) =
1
2:
2
a

i,)=1
o
2
i)
=
1
:
j

I=1
`
I
. (8.6)
6. La variabilidad geométrica en dimensión ¡ es máxima 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 máximo.
Prueba: Sea r
1
. .... r
a
una muestra con media r = 0 y varianza :
2
. Se
veri…ca
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
geométrica. 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 máximas.
El porcentaje de variabilidad explicada por los ¡ primeros ejes principales
es la proporción de variabilidad geométrica
1
q
= 100
\
c
(X)
q
\
c
(X)
= 100

q
I=1
`
I

j
I=1
`
I
8.4. SIMILARIDADES 137
La representación es óptima, pues al ser H = XX
t
. si tomamos las ¡
primeras coordenadas principales X
q
, entonces estamos aproximando H por
H
+
= X
q
X
t
q
. en el sentido que tr(H÷H
+
) =mínimo. Véase (1.6).
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 euclídeas y se puede representar en un
espacio de dimensión 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 Biología y Psicología, 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 aplicación de
en 1 tal que:
:(i. i) _ :(i. ,) = :(,. i) _ 0.
138 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
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 ó 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 coe…ciente de similaridad debería ser función de
c. /. c. d. Son conocidos los coe…cientes de similaridad:
:
i)
=
c +d
j
(Sokal-Michener)
:
i)
=
c
c +/ +c
(Jaccard)
(8.7)
que veri…can: :
ii
= 1 _ :
i)
= :
)i
_ 0.
Podemos transformar una similaridad en distancia aplicando la fórmula
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)de…nida positiva, la distancia d
i)
es euclídea.
2. rang(HSH) = rang(S) ÷1.
3. Las coordenadas principales se obtienen diagonalizando HSH.
8.5. NOCIONES DE MDS NO MÉTRICO 139
8.5. Nociones de MDS no métrico
Supongamos que la matriz de distancias es no euclídea. Entonces la
matriz H (Teorema 8.2.1) tiene valores propios negativos:
`
1
_ _ `
j
0 `
j+1
_ _ `
j
0 .
El fundamento del MDS no métrico es transformar las distancias o
i)
para
convertirlas en euclídeas, pero conservando las relaciones de proximidad entre
los elementos del conjunto .
De…nición 8.5.1 La preordenación asociada a la matriz de distancias es
la ordenación de las : = :(: ÷1),2 distancias:
o
i
1
)
1
_ o
i
2
)
2
_ _ o
im)m
. (8.9)
La preordenación 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 preordenación. 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 ó 3 dimensiones (Fig. 8.1),
respectivamente.
Si transformamos la distancia o
i)
en
´
o
i)
= ,(o
i)
), donde , es una función
positiva creciente, es evidente que
´
o
i)
tiene la misma preordenación (8.9), y
por lo tanto, individuos próximos (alejados) según o
i)
estarán también próx-
imos (alejados) con respecto a
´
o
i)
. Si además
´
o
i)
es euclídea, tendremos la
140 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
Figura 8.1: Representación de 4 objetos conservando las preordenaciones rela-
cionadas a tres matrices de distancias.
posibilidad de representar . aplicando, por ejemplo, un análisis de coorde-
nadas principales sobre la distancia transformada, pero conservando (aprox-
imadamente) la preordenación. En general, la función , no es lineal, y se
obtiene por regresión monótona. Hay dos casos especialmente simples.
De…nición 8.5.2 La transformación q-aditiva de o
i)
se de…ne como
´
o
2
i)
=
_
o
2
i)
÷2c si i ,= ,
0 si i = ,
donde c < 0 es una constante. La transformación aditiva se de…ne 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 preordenación de la distancia. Probemos ahora que la primera puede dar
lugar a una distancia euclídea.
Teorema 8.5.1 Sea una matriz de distancias no euclídeas y sea `
j
0 < 0 el
menor valor propio de H. Entonces la transformación q-aditiva proporciona
una distancia euclídea 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) veri…can
´
A= A÷c(I ÷J).
´
H = H÷cH.
8.5. NOCIONES DE MDS NO MÉTRICO 141
Sea v vector propio de H de valor propio ` ,= 0. Entonces Hv = v y por lo
tanto
´
Hv = (H÷cH)v = (` ÷c)v.
Así
´
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 semide…nida positiva.
La mejor transformación 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 más complicadas y las de-
jamos para otro dia. De hecho, los programas de MDS operan con trans-
formaciones no lineales, siguiendo criterios de minimización de una función
que mide la discrepancia entre la distancia original y la transformada. Por
ejemplo, el método de Kruskal consiste en:
1. Fijar una dimensión Euclídea j.
2. Transformar la distancia o
i)
en la “disparidad”
´
o
i)
= ,(o
i)
). donde
, es una función monótona creciente. Las disparidades conservan la
preordenación de las distancias.
3. Ajustar una distancia euclídea 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 con…guración euclídea j-dimensional, y
representar los : objetos a partir de las coordenadas de la con…guración.
Para saber si la representación obtenida re‡eja bien las distancias entre
los objetos, se calcula la cantidad
o =
¸
¸
¸
_

i<)
(d
i)
÷
´
o
i)
)
2

i<)
d
2
i)
. (8.10)
denominada “stress”, que veri…ca 0 _ o _ 1. pero se expresa en forma de
porcentaje. La representación es considerada buena si o no supera el 5 %.
142 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
También 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 representación es buena, porque entonces se puede decir que
conserva bien la preordenación (Fig. 8.4).
8.6. Distancias estadísticas
En esta sección discutiremos algunos modelos de distancias estadísticas.
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 de…ne como
d
q
(x. y) = (
j

i=1
[r
i
÷¸
i
[
q
)
1¸q
.
Casos particulares de la distancia d
q
son:
1. Distancia “ciudad”:
d
1
(x. y) =
j

i=1
[r
i
÷¸
i
[
2. Distancia Euclídea:
d
2
(x. y) =
¸
¸
¸
_
j

i=1
(r
i
÷¸
i
)
2
3. Distancia “dominante”:
d
o
(x. y) = max
1¸i¸j
¦[r
i
÷¸
i

Tienen también interés en las aplicaciones, la distancia normalizada por
el rango 1
i
de la variable i
d
G
(x. y) =
1
j
j

i=1
[r
i
÷¸
i
[
1
i
.
8.6. DISTANCIAS ESTADÍSTICAS 143
y, cuando los valores de las variables son positivos, la métrica 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 correlación entre las variables. Además, si `
j
. `
q
. `
j+q
indican las distancias basada en j. ¡. j +¡ variables, respectivamente, se ver-
i…ca:
a) `
j
_ `
j+q
.
b) `
2
j+q
= `
2
j
+`
2
q
si los dos grupos de j y ¡ variables son independientes.
No es fácil dar una de…nición de distancia cuando
1
,=
2
. Una de…nición
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 de…nir un coe…ciente de similaridad (Sección 8.4) y
aplicar (8.8) para obtener una distancia. Existen muchas maneras de de…nir
una similaridad :
i)
en función 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)
(8.11)
Las similaridades de…nidas en (8.7) y (8.11) proporcionan distancias eu-
clídeas.
144 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
8.6.3. Variables categóricas
Supongamos que las observaciones pueden ser clasi…cadas en / cate-
gorías excluyentes ¹
1
. . . . . ¹
I
, con probabilidades µ = (j
1
. . . . . j
I
). donde

I
I=1
j
I
= 1. Podemos de…nir distancias entre individuos y entre pobla-
ciones.
1. Entre individuos. Si dos individuos i. , tienen las categorías ¹
I
. ¹
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
.
Teniendo en cuenta la g-inversa C
÷
j
=diag(j
÷1
1
. . . . . j
÷1
I
) de la matriz de
covarianzas, es fácil ver que d(i. ,)
2
es una distancia tipo Mahalanobis.
Si hay varios conjuntos de variables categóricas, con un total de 1
categorías o estados, una similaridad es c,1 (“matching coe¢cient”),
donde c es el número de coincidencias.
2. Entre poblaciones. Si tenemos dos poblaciones representadas por µ =
(j
1
. . . . . j
I
). q = (¡
1
. . . . . ¡
I
). dos distancias entre poblaciones son
d
o
(µ. q) = 2

I
i=1
(j
i
÷¡
i
)
2
,(j
i

i
).
d
b
(µ. q) = arc cos(

I
i=1
_
j
i
¡
i
).
La primera es la distancia de Bhattachariyya, y se justi…ca considerando µ
y q como los vectores de medias entre dos poblaciones multinomiales con : =
1 (Sección 2.7). Las g-inversas (Sección 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
(µ. q).
La distancia d
b
(µ. q) se justi…ca situando los puntos (
_
j
1
. . . . .
_
j
)
) y
(
_
¡
1
. . . . .
_
¡
I
) sobre una hiperesfera de radio unidad y hallando la distancia
geodésica. Véase la distancia de Rao.
8.6. DISTANCIAS ESTADÍSTICAS 145
8.6.4. Variables mixtas
En las aplicaciones a menudo los datos provienen de las observaciones
de j
1
variables cuantitativas, j
2
variables dicotómicas (dos estados: presente,
ausente) y j
3
variables categóricas o cualitativas (más de dos estados). Un
coe…ciente 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
. (8.12)
donde 1
I
es el rango de la variable cuantitativa A
I
. c y d son el número
de dobles presencias y dobles ausencias de las variables dicotómicas, y c es
el número de coincidencias entre las variables categóricas. Si solamente hay
variables dicotómicas o variables categóricas, :
i)
reduce la similaridad nor-
malizada por el rango, al coe…ciente de Jaccard o al “matching coe¢cient”,
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 coe…ciente veri…ca 0 _ :
i)
_ 1. y aplicando (8.8) se obtiene una distancia
euclídea que además admite la posibilidad de datos faltantes.
8.6.5. Otras distancias
Existen muchos procedimientos para de…nir distancias, en función de los
datos y el problema experimental. Veamos dos.
Modelo de Thurstone
Supongamos que queremos ordenar : estímulos .
1
. . . . . .
a
(por ejemplo,
: productos comerciales)
.
i
1
_ _ .
in
según una escala de preferencias o
i
1
_ _ o
in
. donde los o
i
son parámetros.
Sea j
i)
la proporción de individuos de la población que pre…eren .
)
sobre .
i
.
Un modelo es
j
i)
=
1
_
2:
_
0
j
÷0
i
÷o
c
÷t
2
¸2
dt.
146 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
Si más de la mitad de los individuos pre…eren .
)
sobre .
i
. entonces o
i
< o
)
.
Así:
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 estimación de los parámetros a partir de las proporciones j
i)
es com-
plicada. Alternativamente, teniendo en cuenta que j
i)
+ j
)i
= 1 podemos
de…nir la distancia entre estímulos
d(.
i
. .
)
) = [j
i)
÷0.5[
y aplicar un MDS sobre la matriz (d(.
i
. .
)
)). La representación de los estí-
mulos a lo largo de la primera dimensión nos proporciona una solución a la
ordenación de los estímulos.
Distancia de Rao
Sea o
0
= ¦,(r. o). o ¸ ¦ un modelo estadístico y .(o) =
0
00
log ,(r. o)
un vector columna. La matriz de información de Fisher 1(o) es la matriz
de covarianzas de los .
t
s. Siendo o
o
. o
b
dos valores de los parámetros. Una
distancia tipo Mahalanobis sería el valor esperado de
(.(o
o
) ÷.(o
b
))
t
1(o)
÷1
(.(o
o
) ÷.(o
b
)).
Pero . depende de r y o varía entre o
o
. o
b
. Consideremos entonces a 1(o)
como un tensor métrico sobre la variedad diferenciable o
0
. La distancia de
Rao entre o
o
. o
b
es la distancia geodésica entre los puntos correspondientes de
o
0
. La distancia de Rao es invariante por transformaciones de las variables y
de los parámetros, generaliza la distancia de Mahalanobis y tiene aplicaciones
en estadística matemática. Veamos tres ejemplos.
1. Distribución 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
[.
8.7. EJEMPLOS 147
2. Distribución multinomial. La distancia entre µ = (j
1
. . . . . j
I
) y q =

1
. . . . . ¡
I
) es:
(µ. q) =arc cos(
I

i=1
_
j
i
¡
i
).
3. Distribución 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 de…nir 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. Ejemplos
Ejemplo 8.7.1
Un arqueólogo encontró 5 herramientas cortantes A,B,C,D,E y una vez
examinadas, comprobó 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
148 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
Figura 8.2: Representación por análisis de coordenadas principales de 5 her-
ramientas prehistóricas. Se aprecia una ordenación temporal.
Los resultados del análisis 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
La representación (Fig. 8.2) explica el 80 % de la variabilidad geométrica.
Las herramientas quedan ordenadas según su antigüedad: E es la más antigua
(sólo contiene piedra) y D la más moderna (sólo contiene hierro).
Ejemplo 8.7.2
Una distancia genética es una medida que cuanti…ca las proximidades
entre dos poblaciones a partir de las proporciones génicas. Por ejemplo, si
existen / ordenaciones cromosómicas que se presentan en las proporciones
(j
1
. . . . . j
I
). (¡
1
. . . . . ¡
I
). Si hay : cromosomas, una distancia adecuada es
1
2:
I

i=1
[j
i
÷¡
i
[.
8.7. EJEMPLOS 149
Dro Dal Gro Fon Vie Zur HueBar For For Etn Fru TheSil Tra ChaOra AgaLas
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 genéticas respecto a las ordenaciones cromosómicas
entre 19 poblaciones de D. Suboscura.
Esta distancia genética fue propuesta por A. Prevosti. La Tabla 8.1 con-
tiene la s distancias entre : = 19 poblaciones de Drosophila Suboscura que
provienen de Droback, Dalkeith, Groningen, Fontaineblau, Viena, Zurich,
Huelva, Barcelona, Fornia, Foresta, Etna, Fruska-Gora, Thessaloniki, Silifke,
Trabzon, Chalus, Orangerie, Agadir y Las Mercedes. Aplicando un MDS
no métrico, se obtiene la representación de las 19 poblaciones (Fig. 8.3), con
un “stress” de 2.84, que indica que la representación es buena. La Fig. 8.4
representa las distancias versus las disparidades, indicando una buena preor-
denación.
150 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
Figura 8.3: Representación MDS de 19 poblaciones de D. Subobscura respecto
a las distancias genéticas entre ordenaciones cromosómicas.
Figura 8.4: Representación de las distancias genéticas vs las disparidades.
8.7. EJEMPLOS 151
Ba j Cor Dim Men Peq Eno Inm Vou Alt Deg Ele Fin Lar Anc Ang Est Gra Gru Pro Hue Den Pes Lig
Ba jo 0 2.30 2.32 2.32 1.52 3.50 3.43 3.38 3.71 3.33 3.57 3.31 3.31 3.17 2.87 3.14 3.38 2.88 3.07 3.41 3.43 3.35 3.27
Corto 60 0 1.94 2.06 1.46 3.54 3.64 3.46 3.53 2.98 3.51 2.87 3.51 3.24 2.85 2.62 3.46 3.23 3.37 3.24 3.14 3.25 2.93
Diminuto 74 70 0 1.10 0.93 3.67 3.72 3.54 3.60 2.38 3.48 1.86 3.44 3.41 2.44 2.13 3.56 3.53 3.50 3.34 3.23 3.56 2.34
Menudo 29 76 42 0 1.01 3.73 3.56 3.58 3.37 1.83 3.42 1.71 3.24 3.40 2.80 2.26 3.50 3.34 3.47 3.36 3.30 3.24 1.85
Pequeno 70 62 16 39 0 3.74 3.72 3.56 3.61 2.71 3.37 2.23 3.44 3.26 2.20 2.08 3.72 3.34 3.41 3.36 3.20 3.40 2.25
Enorme 90 90 87 89 87 0 0.37 0.97 1.91 3.43 1.96 3.47 1.92 2.47 3.43 3.41 0.90 2.72 2.64 3.43 2.94 2.31 3.43
Inmenso 90 90 88 90 88 22 0 1.60 2.02 3.43 2.10 3.40 2.28 2.18 3.56 3.46 1.14 2.70 2.41 3.25 3.05 2.65 3.48
Voluminoso 89 89 89 87 89 66 63 0 2.72 3.61 2.45 3.60 2.94 2.35 3.48 3.52 1.30 1.82 3.02 3.42 2.55 2.27 3.47
Alto 80 84 88 89 87 85 83 87 0 3.04 0.82 3.15 2.63 3.23 3.36 3.21 1.83 3.18 2.96 3.48 3.22 2.98 3.41
Delgado 83 80 80 64 80 90 90 89 83 0 2.97 1.15 2.76 3.48 1.62 1.38 3.32 3.63 3.32 3.38 3.36 3.51 2.47
Elevado 84 87 88 89 88 84 84 86 17 85 0 3.12 2.60 3.20 3.36 3.25 2.00 3.27 3.13 3.46 3.34 3.24 3.27
Fino 84 81 74 53 75 90 90 89 83 21 86 0 2.83 3.40 1.96 2.01 3.35 3.62 3.41 3.38 3.26 3.45 2.02
Largo 84 80 89 89 88 87 85 85 74 79 75 87 0 3.24 3.04 3.08 2.46 3.37 2.80 3.42 3.28 3.32 3.41
Ancho 85 83 89 89 88 86 84 76 82 83 84 87 73 0 3.48 3.53 1.03 2.76 2.82 3.27 2.97 3.18 3.32
Angosto 82 74 77 78 79 90 89 88 85 53 86 58 82 84 0 0.68 3.33 3.55 3.37 3.34 3.21 3.38 2.91
Estrecho 81 74 82 81 84 89 90 89 85 54 85 63 81 83 23 0 1.95 1.94 3.26 3.44 2.80 2.35 3.31
Grande 87 88 84 86 82 37 49 62 77 87 78 88 83 80 89 89 0 2.85 2.81 3.46 3.11 3.10 3.40
Grueso 87 86 89 86 87 81 86 64 85 82 86 86 84 63 87 86 72 0 3.23 3.36 2.44 2.35 3.47
Profundo 82 86 89 88 89 86 86 83 87 88 86 89 87 85 85 86 87 85 0 2.57 2.77 3.23 3.43
Hueco 82 83 88 89 88 90 90 88 87 85 84 87 85 86 84 84 88 87 66 0 3.33 3.41 2.84
Denso 89 89 89 87 89 87 86 77 88 87 89 88 87 82 89 88 85 72 79 87 0 3.35 3.48
Pesado 90 90 90 89 90 88 88 75 87 89 89 89 88 84 90 90 85 58 89 90 56 0 3.51
Ligero 86 87 83 69 83 90 90 90 89 72 89 71 90 90 83 80 90 89 90 87 84 81 0
Tabla 8.2: Distancias entre 23 adjetivos del idioma castellano.
Ejemplo 8.7.3
La Tabla 8.2 proporciona las distancias entre 23 adjetivos del castellano:
Bajo, Corto, Diminuto, Menudo, Pequeño, Enorme, Inmenso, Volumi-
noso, Alto, Delgado, Elevado, Fino, Largo, Ancho, Angosto, Estrecho, Grande,
Grueso, Profundo, Hueco, Denso, Pesado, Ligero.
Las distancias se obtienen de dos maneras:
a) Cada distancia d
i)
es la media sobre 90 individuos que puntuaron la
disimilaridad entre cada par de adjetivos i. ,. desde 0 (muy parecido) hasta
4 (totalmente diferente). Se indica en la mitad superior derecha de la tabla.
b) Los 90 individuos agrupaban los adjetivos en grupos. Cada similaridad
:
i)
es el número de veces que los adjetivos i. , estaban en el mismo grupo y
la distancia es 90 ÷:
i)
. Se indica en la mitad inferior izquierda de la tabla.
Aplicamos MDS no métrico sobre la matriz de distancias (mitad superior)
con el …n de encontrar las dimensiones semánticas que ordenen los adjetivos.
Los pasos del método son:
a) La distancia original o
i)
se ajusta a una disparidad
´
d
i)
por regresión
monótona.
b) Fijada una dimensión, se aproxima
´
d
i)
a una distancia Euclídea d
i)
.
c) Se calcula la medida de “stress” (8.10).
152 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
d) Se representan las :(: ÷1),2 distancias d
i)
vs las
´
d
i)
. para visualizar
las relaciones de monotonía.
La con…guración en 2 dimensiones (Figura 8.5) es la mejor aproximación
en dimensión 2 a las distancias originales, (transformadas monotónicamente)
en el sentido de que minimiza el “stress”. En este caso el “stress” es del 19 %.
En cuanto a la interpretación, se aprecian diversos gradientes de valo-
ración de los adjetivos:
1. Diminuto÷÷Enorme
2. Bajo-Corto÷÷Alto-Largo
3. Delgado÷÷Grueso
4. Ligero÷÷Pesado.
5. Hueco (constituye un adjetivo diferenciado).
La representación en el estudio original (Manzno y Costermans, 1976)
considera 6 dimensiones, que se representan separadamente, con un stress
del 5 %, pero la interpretación no es diferente. Para esta representación se
obtiene el grá…co de la Figura 8.5. Como indica la Figura 8.6, la preordenación
de las distancias queda bastante bien preservada.
Para otros ejemplos, consúltese Baillo y Grané (2008).
8.7. EJEMPLOS 153
Figura 8.5: Representación MDS de 23 adjetivos teniendo en cuenta sus dife-
rencias semánticas.
Figura 8.6: Relación entre las distancias originales y las disparidades, indi-
cando que se conserva bien la preordenación de las distancias.
154 CAPÍTULO 8. ESCALADO MULTIDIMENSIONAL (MDS)
8.8. Complementos
En un plano teórico, 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 psicología, y Gower (1966), que prueba su relación
con el Análisis de Componentes Principales y el Canónico de Poblaciones,
abriendo un fructífero campo de aplicación en la biología.
El MDS no métrico es debido a R. N. Shepard, que en 1962 introdujo el
concepto de preordenación, y J. B. Kruskal, que en 1964 propuso algoritmos
efectivos que permitían encontrar soluciones. La transformación q-aditiva fue
estudiada por J. C. Lingoes y K. V. Mardia. Diversos autores estudiaron la
transformación aditiva, hasta que Cailliez (1983) encontró la solución de…n-
itiva. Véase Cox y Cox (1994).
Existen diferentes modelos para tratar el problema de la representación
cuando actúan 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 regresión sobre componentes princi-
pales, se puede hacer también regresión de una variable dependiente 1 sobre
las dimensiones principales obtenidas aplicando MDS sobre una matriz de
distancias entre las observaciones. Este modelo de regresión basado en dis-
tancias permite plantear la regresión con variables mixtas. Consultar Cuadras
y Arenas (1990), Cuadras et al. (1996).
Una versión 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, Dawid, Mitchell,
Oller y otros estudiaron la distancia de Rao. Consultar Oller (1987), Oller y
Cuadras (1985), Cuadras (1988).
Capítulo 9
ANÁLISIS DE
CORRESPONDENCIAS
9.1. Introducción
El Análisis de Correspondencias (AC) es una técnica multivariante que
permite representar las categorías de las …las y columnas de una tabla de
contingencia.
Supongamos que tenemos dos variables categóricas A y B con 1 y J cate-
gorías respectivamente, y que han sido observadas cruzando las 1 categorías
A con las J categorías B, obteniendo : =

i)
,
i)
observaciones, donde ,
i)
es el número de veces en que aparece la interseccón A
i
¨B
)
. dando lugar a la
tabla de contingencia 1 J :
B
1
B
2
B
J
A
1
,
11
,
12
,
1J
,

A
2
,
21
,
22
,
2J
,

.
.
.
.
.
.
.
.
.
A
1
,
11
,
12
,
1J
,

,
·1
,
·2
,
·J
:
(9.1)
donde ,

=

)
,
i)
es la frecuencia marginal de A
i
. ,
·)
=

i
,
i)
es la fre-
cuencia marginal de B
)
. Debemos tener en cuenta que, en realidad, la tabla
155
156 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
(9.1) resume la matriz de datos inicial, que típicamente 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 característica y 0 cuando
no se presenta. Así, el individuo \1" presentaría las características A
1
y B
1
.
el individuo \i" presentaría las características A
1
y B
2
. y el individuo \:" las
características 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 además
O
v
= diag(r). O
c
= diag(c).
las matrices diagonales que contienen los valores marginales de …las y colum-
nas de I. Se veri…ca
X
t
X = :O
v
. ¥
t
¥ = :O
c
. X
t
¥ = :I = N.
9.2. CUANTIFICACIÓN DE LAS VARIABLES CATEGÓRICAS 157
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
= I÷rc
t
.
Puesto que la suma de las variables es igual a 1, las matrices S
11
y S
22
son
singulares.
9.2. Cuanti…cación de las variables categóri-
cas
El problema de las variables categóricas, para que puedan ser manejadas
en términos de AM clásico, es que no son cuantitativas. La cuanti…cación 0
ó 1 anterior es convencional. Asignemos pues a las categorías A
1
. . . . .A
1
de
la variable …la, los valores numéricos c
1
. . . . . c
1
. y a las categorías B
1
. . . . .B
J
de la variable columna, los valores numéricos /
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 categorías 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
máximas. Claramente, estamos ante un problema de correlación canónica,
salvo que ahora las matrices S
11
y S
22
son singulares. Una g-inversa (Sección
1.10) de S
11
es la matriz S
÷
11
= O
÷1
v
que veri…ca
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
.
158 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
Análogamente S
÷
22
= O
÷1
c
. Aplicando la teoría de la correlación canónica
(Sección 4.3), podemos considerar la descomposición singular
O
÷1¸2
v
(I÷rc
t
)O
÷1¸2
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 canónicos, tendremos entonces
a = S
÷1¸2
11
u
1
. I = S
÷1¸2
22
v
1
. : = `
1
.
es decir, el primer valor singular es la máxima correlación entre las variables
l y \. Pero pueden haber más vectores y correlaciones canónicas, y por lo
tanto la solución general es
a
i
= O
÷1¸2
v
u
i
. I
i
= O
÷1¸2
c
v
i
. :
i
= `
i
. i = 1. . . . . mn¦1. J¦.
En notación matricial, los vectores que cuanti…can las categorías de las …las
y de las columnas de N, son las columnas de las matrices
A
0
= O
÷1¸2
v
l. H
0
= O
÷1¸2
c
Y.
También obtenemos correlaciones máximas considerando las matrices
A = O
÷1¸2
v
lO
A
. H = O
÷1¸2
c
YO
A
. (9.3)
pues el producto por una constante (en este caso un valor singular), no altera
las correlaciones.
9.3. Representación de …las y columnas
Los per…les 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 per…les de las …las es
Q = O
÷1
v
I.
9.3. REPRESENTACIÓN DE FILAS Y COLUMNAS 159
De…nición 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 relación 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 solución MDS ponderada de las …las de N (Sección 9.9) se obtiene
calculando la diagonalización
O
1¸2
v
(I ÷1r
t
)G(I ÷r1
t
)O
1¸2
v
= lO
2
A
l
t
.
y seguidamente obteniendo las coordenadas principales
A = O
÷1¸2
v
lO
A
. (9.4)
Las distancias euclídeas entre las …las de A coinciden con la distancia ji-
cuadrado.
Relacionemos ahora estas coordenadas con las cuanti…caciones anteriores.
De (9.2) tenemos
O
÷1¸2
v
(I÷rc
t
)O
÷1
c
(I
t
÷cr
t
)O
÷1¸2
v
= lO
2
A
l
t
.
y de
O
1¸2
v
(O
÷1
v
I÷1c
t
)O
÷1
c
(I
t
O
÷1
v
÷c1
t
)O
1¸2
v
= O
1¸2
v
(Q÷1r
t
Q)O
÷1
c
(Q
t
÷Q
t
r1
t
)O
1¸2
v
.
deducimos que
O
1¸2
v
(I ÷1r
t
)QO
÷1
c
Q
t
(I ÷r1
t
)O
1¸2
v
= lO
2
A
l
t
.
Esta última expresión demuestra que las matrices A obtenidas en (9.3) y
(9.4) son la misma.
160 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
Nótese que la distancia ji-cuadrado o
2
ii
0 es una distancia tipo Mahalanobis,
pues si interpretamos las 1 …las de Q = O
÷1
v
I (per…les de las …las), como
vectores de observaciones de dimensión J que provienen de una multinomial
con vector de probabilidades c. la matriz de covarianzas es O
c
÷ cc
t
y una
g-inversa es O
÷1
c
.véase (2.12). Centrando los per…les tenemos Q=(I ÷1r
t
)Q,
siendo entonces QO
÷1
c
Q
t
la matriz de productos internos en el espacio de
Mahalanobis, que convertimos en un espacio euclídeo mediante QO
÷1
c
Q
t
=
AA
t
. Compárese con (7.2).
Análogamente podemos de…nir 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 euclídeas entre las …las de la matriz H obtenidas
en (9.3), coinciden con esta distancia ji-cuadrado. Es decir, si centramos los
per…les de las columnas C= (I ÷1c
t
)O
÷1
c
I
t
. entonces CO
÷1
v
C
t
= HH
t
.
Así pues, considerando 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 representación de las …las y columnas de la matriz de fre-
cuencias N. Esta representación es óptima en el sentido de que aproximamos
una matriz por otra de rango inferior, véase (1.5).
9.4. Representación conjunta de …las y colum-
nas
Las coordenadas A y las coordenadas H, que representan las …las y las
columnas, están relacionadas. Premultiplicando (9.2) por O
÷1¸2
v
y postmul-
tiplicando por Y obtenemos
O
÷1
v
(I÷rc
t
)O
÷1¸2
c
Y = O
÷1¸2
v
l.
9.4. REPRESENTACIÓN CONJUNTA DE FILAS Y COLUMNAS 161
luego
O
÷1
v
(I÷rc
t
)HO
÷1
A
= A.
Análogamente 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
(I÷rc
t
)HO
÷1
A
= r
t
A.
Como además 1
t
I = c
t
. 1
t
r = 1. vemos fácilmente que
(c
t
÷c
t
)HO
÷1
A
= r
t
A = 0.
Análogamente, 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 per…les de las …las, y O
÷1
c
I
t
son los per…les
de las columnas. Así pues tenemos que, salvo el factor dilatador O
÷1
A
. (pues
los elementos diagonales de O
A
son menores que 1), se veri…ca:
1. Las coordenadas de las …las son las medias, ponderadas por los per…les
de las …las, de las coordenadas de las columnas.
2. Las coordenadas de las columnas son las medias, ponderadas por los
per…les de las columnas, de las coordenadas de las …las.
Por ejemplo, la primera coordenada principal de las …las veri…ca:
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 veri…ca
/
)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 arti…ciales, que clasi…can 400 clientes
según la edad (joven, mediana, mayor) y los productos que compran en un
supermercado.
162 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
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: Clasi…cación de 400 clientes según edades y productos adquiridos
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 per…les 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
_
_
_
_
_
_
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
_
_
9.5. SOLUCIONES SIMÉTRICA Y ASIMÉTRICA 163
Figura 9.1: Representación asimétrica (izquierda) y simétrica (derecha) de
las …las (productos) y columnas (edades) de la Tabla 9.1.
Los valores singulares son: `
1
= 0.6847. `
2
= 0.3311. La primera coordena-
da principal de las …las A
1
. . . . .A
5
veri…ca:
1.0990 = 0. 6847
÷1
(0. 7525 1 + 0 + 0)
0.0551 = 0. 6847
÷1
(0. 7525 0. 5 ÷0. 677 0. 5 + 0)
÷0.1834 = 0. 6847
÷1
(0. 7525 0. 33 ÷0. 677 0. 33 ÷0. 4522 0. 33)
÷0.9231 = 0. 6847
÷1
(0 ÷0. 677 0. 8 ÷0. 4522 0. 2)
0.5384 = 0. 6847
÷1
(0. 7525 0. 7 ÷0. 677 0. 1 ÷0. 4522 0. 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 simétrica y asimétrica
La representación de …las y columnas utilizando las coordenadas princi-
pales A. H es la solución simétrica. La representación conjunta es posible
gracias a las fórmulas (9.5). La representación utilizando las matrices
A = O
÷1¸2
v
lO
A
. H
0
= O
÷1¸2
c
Y.
164 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
Color cabellos
Color ojos Rubio Rojo Castaño Oscuro Negro Total
CLARO 688 116 584 188 4 1,580
AZUL 326 38 241 110 3 718
CASTAÑO 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: Clasi…cación de 5383 individuos según el color de los ojos y del
cabello.
es decir, coordenadas principales para las …las y coordenadas estándar para
las columnas, es la llamada solución asimétrica. Esta solución veri…ca
I÷rc
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.
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
simétrica y asimétrica.
9.6. Variabilidad geométrica (inercia)
Vamos a probar que
¸
2
= :
1

I=1
`
2
I
.
9.6. VARIABILIDAD GEOMÉTRICA (INERCIA) 165
Figura 9.2: Representación asimétrica (izquierda) y simétrica (derecha) de
los datos de los colores de ojos y cabellos.
siendo 1 = mn¦1. J¦ y
¸
2
= :
1

i=1
J

)=1
(,
i)
÷,

,
·)
,:)
2
,

,
·)
el estadístico 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 coe…ciente c
2
de Pearson se de…ne como
c
2
=
1

i=1
J

)=1
(j
i)
÷:
i
c
)
)
2
:
i
c
)
=
¸
2
:
.
Es fácil probar que también podemos expresar
c
2
=
1

i=1
J

)=1
j
2
i)
:
i
c
)
÷1.
La variabilidad geométrica 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 .
166 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
Proposición 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
.
Proposición 9.6.2 c
2
=

1
I=1
`
2
I
.
Prueba: Sea
V = O
÷1¸2
v
(I÷rc
t
)O
÷1¸2
c
= lO
A
Y
t
.
Entonces
c
2
= tr(VV
t
) = tr(lO
2
A
l
t
) = tr(O
2
A
).
Proposición 9.6.3 La variabilidad geométrica utilizando sólo las primeras
: coordenadas principales es
\
c
(:) =
n

I=1
`
2
I
.
9.7. ANALISIS DE CORRESPONDENCIAS MÚLTIPLES 167
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
1¸2
v
AA
t
O
1¸2
v
) = tr(lO
2
A
l
t
) = tr(O
2
A
).
Lo hemos probado para : = 1. pero fácilmente vemos que la fórmula tam-
bién vale para : < 1.
Así pues, en la representación por AC de las …las y columnas de N en
dimensión :. el porcentaje de variabilidad geométrica 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 Múltiples
El AC combina y representa dos variables categóricas. Pero se puede adap-
tar para estudiar más de dos variables. Presentemos primero el procedimiento
para dos variables, que después 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 continuación podemos realizar tres análisis
de correspondencias diferentes sobre las siguientes matrices:
168 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
a) N. b) [Z
1
. Z
2
]. c) H
&
.
El análisis a) lo hemos visto en las secciones anteriores. El resultado es
una representación de …las y columnas de N.
El análisis b) es sobre [Z
1
. Z
2
]. considerada una matriz binaria con :
…las y J
1
+ J
2
columnas. AC nos daría una representación de las J
1
+ J
2
columnas, que es la interesante, y también de los : individuos, pero esta
segunda representación es innecesaria.
El análisis c) es sobre H
&
que es la matriz simétrica de orden (J
1
+J
2
)
(J
1
+J
2
). Tendremos una representación idéntica 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 análisis son equivalentes en el sentido de
que proporcionan la misma representación, variando sólo los valores propios.
Todo esto se describe en el cuadro que sigue.
Tabla Dimensión 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 continuación Q variables categòricas 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 combinación 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
)
son diagonales.
9.8. EJEMPLOS 169
El Análisis de Correspondencias Múltiples intenta representar los J =
J
1
+ +J
Q
estados de las Q variables categóricas. 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 simétrica
y podemos representar las …las (=columnas) aplicando AC simple. Los dos
procedimientos son equivalentes, salvo que se cumple la relación
`
1
I
= (`
Z
I
)
2
entre los valores propios `
1
I
obtenidos a partir de la matriz de Burt y los `
Z
I
que surgen del análisis 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)
. véase Sección 9.6. Así pues podemos
constatar que AC puede servir también para representar más de dos variables
categóricas.
9.8. Ejemplos
Ejemplo 9.8.1
La Tabla 9.3 contiene las frecuencias con la clasi…cación cruzada de 1257
individuos segun Edad (E), Sexo (S), intención 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:
170 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
Edad Votación Clase Sexo
73 51-73 41-50 26-40 <26 Izq Der Alt Med Obr H M
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 9.3 también contiene la tabla de Burt. Obsérvese que es simétrica. El
AC simple sobre esta tabla nos permite representar las 4 variables categóricas
sobre el mismo grá…co, véase la Figura 9.3.
Figura 9.3: Representación por análisis de correspondencias múltiples de los
datos de la Tabla 9.3.
9.8. EJEMPLOS 171
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
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
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 9.3: Tabla de frecuencias combinando 1257 individuos según edad, sexo,
clase social y voto (arriba) y correspondiente tabla de Burt (abajo).
172 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
Figura 9.4: Representación por análisis de correspondencias múltiples de los
datos de supervivencia del "Titanic".
Ejemplo 9.8.2
La Tabla 14.1 (Capítulo 14), contiene las frecuencias de supervivencia
(SÍ, NO), clasi…cadas por género (G), supervivencia (S), edad (E) y clase (C,
primera 1, segunda 2, tercera 3 y tripulación 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 combinación de datos categóricos. Los hombres adultos, la
tripulación y la tercera clase están más cerca de NO, mientras que mujeres,
niños y primera clase están más cerca de SÍ. Véase también el Ejemplo 14.5.1.
9.9. MDS PONDERADO 173
9.9. MDS ponderado
En esta sección introducimos una variante del Análisis de Coordenadas
Principales.
De…nición 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 solución MDS ponderada
de
j
es la matriz
X = O
÷1¸2
&
lA.
siendo
O
1¸2
&
(I
j
÷1v
t
)(÷
1
2
D
(2)
j
)(I
j
÷v1
t
)O
1¸2
&
= lA
2
l
t
. (9.7)
una descomposición espectral, donde
2
= dicq(`
2
1
. . . . . `
2
j
) contiene los val-
ores propios y
(2)
j
= (o
2
i)
).
De…nición 9.9.2 La variabilidad geométrica ponderada de
j
es
\
c
=
1
2
j

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
veri…ca
(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.
174 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
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
1¸2
&
X
I
X
t
I
O
1¸2
&
= (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) están 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
1¸2
&
X
t
I
X
I
0 O
1¸2
&
= `
2
I
l
t
I
l
I
0 = 0.
ya que los vectores propios son ortogonales.
4. La variabilidad geométrica 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
v÷v
t
XX
t
v = d
t
v.
Por otra parte
d
t
v =tr(O
1¸2
&
XX
t
O
1¸2
&
) =tr(lA
2
l
t
) =tr(
2
).
5. Si tomamos las ¡ primeras coordenadas principales de X. la variabilidad
geométrica ponderada es:
\
c
(¡)=
q

I=1
`
2
I
.
9.9. MDS PONDERADO 175
Estudiemos ahora la relación entre el Análisis de Coordenadas Principales
ordinario (Capítulo 8) y el ponderado. Supongamos que podemos expresar
el vector de pesos como
v =
1
:
(:
1
. :
2
. . . . . :
j
). : =
j

i=1
:
i
.
donde :
i
son enteros positivos y el peso n
i
es igual (o muy próximo
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 está repetido :
1
veces, el segundo objeto :
2
veces, etc.,
entonces la matriz de distancias es

a
= ^
j
^
t
. (9.9)
y el análisis 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 solución no ponderada
es
¥ =
¯
lO
A
.
Teorema 9.9.1 La solución no ponderada ¥ sobre
a
coincide con la solu-
ción ponderada X sobre
j
. en el sentido de que obtenemos ¥ repitiendo
:
1
. . . . . :
j
veces las …las de X.
1
Tomando n su…cientemente grande, podemos aproximarlo tanto como queramos.
176 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
Prueba: De (9.9) podemos expresar la solución no ponderada (9.10) como
(I
a
÷
1
:
11
t
)^(÷
1
2

(2)
j
)^
t
(I
a
÷
1
:
11
t
) = ¥¥
t
.
Se veri…ca
(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 relación 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 Análisis 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 Benzécri (1973) y Greenacre (1984).
Utilizando coordenadas estándar A
0
= (c
0
iI
). H
0
= (/
0
)I
). podemos expre-
sar 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

. . . . . j

)
t
. c = (j
·1
. . . . . j
·J
)
t
los vectores marginales de …las
y columnas de I, la expresión escalar es
j
i)
= j

j
·)
(1 +
1

I=1
`
I
c
0
iI
/
0
)I
).
9.10. COMPLEMENTOS 177
Si el término entre paréntesis c =

1
I=1
`
I
c
0
iI
/
0
)I
. es su…cientemente pequeño
para que log(1 +c) - c. entonces
log j
i)
= log j

+ log j
·)
+
1

I=1
`
I
c
0
iI
/
0
)I
.
que se adapta a un modelo log-lineal (Sección 11.5), donde c cuanti…caría
el término de interacción. El AC sería pues una manera de visualizar los
términos de interacción (van der Heijden y de Leeuw, 1985).
CA veri…ca el “principio de equivalencia distribucional”: si dos per…les de
columnas son idénticos, 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 per…les de
las columnas. Sin embargo los resultados pueden ser muy similares (Cuadras
et al, 2004), y el método basado en esta distancia resulta más apropiado
cuando las …las se ajustan a poblaciones multinomiales distintas. Véase una
aplicación en Cuadras et al. (2012).
Una forma alternativa de presentar el AC es el “reciprocal averaging”
(RA). Supongamos que queremos encontrar las coordenadas (c
1
. . . . . c
1
) de
178 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
las …las como medias ponderadas de las coordenadas de las columnas y recíp-
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 veri…car simultáneamente (por razones
geométricas obvias), así 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 objetivo del RA es encontrar las coordenadas veri…cando (9.11) tal que ,
sea mínimo. 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 cálculos del RA se efectúan
iterativamente, y es útil (especialmente en ecología), cuando la matriz de
frecuencias N tiene dimensión grande y contiene muchos ceros (Hill, 1973).
Por otra parte se conoce a (9.11) como la mejor representación ,÷baricéntrica
sobre un eje (Lebart et al., 1977).
Una extensión interesante del AC es el “Canonical Correspondence Analy-
sis” (Ter Braak, 1986), que tiene en cuenta, para la representación, que
los ejes sean combinación lineal de variables externas. Tiene aplicaciones
en ecología, dado que permite relacionar las comunidades biológicas con las
variables ambientales. Véase Gra¤elman (2001).
El análisis de correspondencias múltiples (ACM) presupone sólo inter-
acciones de segundo orden, por lo que podría ser un modelo inadecuado
para expresar las de orden superior. Se pueden también representar tablas
de contingencia múltiples mediante “mosaicos”, que permiten visualizar in-
teracciones de orden superior. La Figura 9.5 contiene la representación en
“mosaico” de los datos del ´´Titanic”, Tabla 14.1. Véase el análisis log-lineal
del ejemplo 14.5.1. Consúltese Friendly (1994, 1999).
El ACM de tablas concatenadas es una aplicación del ACM, similar al
AFM (véase Sección 5.8), que permite visualizar la estructura común de
diversas tablas de datos. Supongamos 1 tablas con J = J
1
+ +J
Q
estados
de las Q variables categóricas, para cada una de las tablas. Obtenemos los
9.10. COMPLEMENTOS 179
Figura 9.5: Representación en “mosaico” de los datos de supervivencia del
“Titanic”, Tabla 14.1. El "mosaico"puede revelar interacciones de orden su-
perior.
totales marginales de los J estados para cada tabla y formamos la matriz de
frecuencias 1 J. El AC simple sobre esta matriz permite visualizar los J
estados conjuntamente con las 1 tablas . Véase Greenacre (2008).
Una extensión continua del AC considera una densidad bivariante /(r. ¸)
con densidades marginales ,(r). q(¸). y la descomposición singular
,(r)
÷1¸2
/(r. ¸)q(¸)
÷1¸2
=
o

I=1
j
I
n
I
(r)·
I
(¸). (9.12)
donde ¦j
I
. / _ 1¦ son correlaciones canónicas y ¦n
I
. / _ 1¦. ¦·
I
. / _ 1¦ son
sistemas de funciones ortonormales (Lancaster, 1969). Hay una interesante
semejanza entre (9.12) y el AC, pues muchas propiedades se conservan. Véase
una comparación sistemática en Cuadras et al. (2000) y Cuadras (2002b). El
AC ha sido también comparado con otros métodos de representación de tablas
de contingencia (Cuadras et al., 2006), propiciando una versión paramétrica
que los engloba a todos (Cuadras y Cuadras, 2006, 2011). Para una am-
plia visión del Análisis de Correspondencias y sus variantes, véase Greenacre
(2008).
180 CAPÍTULO 9. ANÁLISIS DE CORRESPONDENCIAS
Capítulo 10
CLASIFICACIÓN
10.1. Introducción
Clasi…car los elementos de un conjunto …nito consiste en realizar una par-
tición del conjunto en subconjuntos homogéneos, siguiendo un determinado
criterio de clasi…cación. Cada elemento pertenece a un único subconjunto,
que a menudo tiene un nombre que lo caracteriza. Así clasi…camos:
Las personas en hombres y mujeres.
Los trabajadores en actividades profesionales: servicios, industria, agri-
cultura.
Los animales en especies, géneros, familias y órdenes.
Los libros de una biblioteca en arte, literatura, ciencia, informática y
viajes.
Sea = ¦.
1
. .
2
. . . . . .
a
¦ un conjunto …nito con : elementos diferentes,
que abreviadamente indicaremos
= ¦1. 2. .... :¦.
Clasi…car es también de…nir una relación de equivalencia ¹ sobre . Esta
relación de…ne una partición sobre en : clases de equivalencia:
= c
1
+c
2
+ +c
n
.
donde + signi…ca reunión disjunta. A la partición la llamaremos clustering y
a las clases de equivalencia clusters (conglomerados).
181
182 CAPÍTULO 10. CLASIFICACIÓN
10.2. Jerarquía indexada
Las clasi…caciones pueden ser jerárquicas o no jerárquicas . Una clasi-
…cación jerárquica es una sucesión de clusterings tal que cada clustering se
obtiene agrupando clusters. Por ejemplo, si : = 5, una clasi…cación jerárquica
es:
= ¦1¦ +¦2¦ +¦3¦ +¦4¦ +¦5¦
= ¦1. 2¦ +¦3. 4¦ +¦5¦
= ¦1. 2¦ +¦3. 4. 5¦
=
De…nición 10.2.1 Una jerarquía indexada (C. c) sobre está formada por
una colección de clusters C ¸ ¸() y un índice c tal que:
Axioma de la intersección: Si c. c
t
¸ C entonces c ¨ c
t
¸ ¦c. c
t
. O¦.
Axioma de la reunión: Si c ¸ C entonces c = '¦c
t
[ c
t
¸ C. c
t
¸ c¦.
La reunión de todos los clusters es el conjunto total: = '¦c [ c ¸ C¦.
El índice c es una aplicación de C sobre el conjunto de números reales posi-
tivos tal que:
c(i) = 0. \i ¸ . c(c) _ c(c
t
) si c ¸ c
t
.
Diremos que una jerarquía es total si:
\i ¸ . ¦i¦ ¸ C.
¸ C.
Comentarios:
1. El primer axioma signi…ca que si tenemos dos clusters, uno está incluido
en el otro o ambos son disjuntos, es decir, c ¸ c
t
. ó c
t
¸ c. ó c ¨ c
t
= O.
Se trata de evitar que un elemento de pertenezca a dos clusters
excluyentes a la vez, ya que entonces estaría mal clasi…cado.
2. El segundo axioma signi…ca que cada cluster es reunión de los clusters
que contiene. Es decir, reuniendo clusters obtenemos clusters más am-
plios. Por ejemplo, en el reino animal, un género es reunión de especies,
una familia es reunión de géneros, etc.
10.2. JERARQUÍA INDEXADA 183
3. El índice c mide el grado de heterogeneidad de cada cluster. Cuanto
más grande es el cluster más heterogéneo es.
Teorema 10.2.1 Para todo r _ 0 la relación binaria ¹
a
sobre los elementos
de

a
, :i i. , ¸ c. :ic:do c(c) _ r. (10.1)
es de equivalencia.
Demost.: La relación ¹
a
es:
Re‡exiva: i¹
a
i ya que i ¸ ¦i¦, siendo c(¦i¦) = 0 _ r.
Simétrica: Evidente.
Transitiva: Sea c
i)
el mínimo cluster que contiene i. ,, y análogamente c
)I
.
Entonces :

a
, =i. , ¸ c
i),
c(c
i)
) _ r. ,¹
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),
=i¹
a
/.
La relación (10.1) de…ne, para cada r _ 0, una partición de en clases
de equivalencia. La partición se llama clustering al nivel r.
Ejemplo 10.2.1
Consideremos : = 5 partidos políticos: CU (Conveniencia y Unión), PP
(Partido Pragmático), PSC (Partido Social Catalán), IC (Iniciativa Cata-
lana) y ER (Entente Republicana). Un ejemplo (hipotético) de jerarquía
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 índice c está indicado como un subíndice: 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 representación de esta clasi…cación se encuentra en la Figura 10.1, que
justi…camos en la sección siguiente.
184 CAPÍTULO 10. CLASIFICACIÓN
10.3. Geometría ultramétrica
Para presentar una clasi…cación utilizamos llaves. Por ejemplo, la clasi…-
cación divisiva de Nación, Comunidades Autónomas y Provincias (sólo vamos
a considerar 8) es:
Nación Autonomías Provincias
Espa~ na
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
_
Aragon
_
_
_
Huesca
Teruel
Zaragoza
Catalu~ na
_
¸
¸
_
¸
¸
_
Barcelona
Gerona
Lerida
Tarragona
Madrid Madrid
Una generalización de las llaves es el árbol ultramétrico. Como veremos
más adelante, una jerarquía indexada puede ser visualizada mediante un
grá…co sencillo e intuitivo, llamado dendograma.
De…nición 10.3.1 Un espacio ultramétrico (. n) es una estructura forma-
da por un conjunto …nito y una función distancia n sobre veri…cando,
para todo i. ,. / de :
No negatividad: n(i. ,) _ n(i. i) = 0.
Simetría: n(i. ,) = n(,. i).
Propiedad ultramétrica:
n(i. ,) _ sup¦n(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 ultramétricas .
10.3. GEOMETRÍA ULTRAMÉTRICA 185
Proposición 10.3.1 Una distancia ultramétrica veri…ca la desigualdad tri-
angular y por lo tanto es métrica.
Demost.:
n(i. ,) _ sup¦n(i. /). n(,. /)¦ _ n(i. /) +n(,. /).
De…nición 10.3.2 Un triángulo ¦i. ,. /¦ formado por tres elementos de
es ultramétrico si es isósceles y su base es el lado más pequeño. Es decir, si
n(i. ,) es la base, entonces
n(i. ,) _ n(i. /) = n(,. /).
Teorema 10.3.2 En un espacio ultramétrico todo triángulo es ultramétrico.
Demost.: Sea ¦i. ,. /¦ un triángulo. Sea n(i. ,) es el lado más pequeño, en-
tonces:
n(i. /) _ sup¦n(i. ,). n(,. /)¦ = n(,. /)
n(,. /) _ sup¦n(i. ,). n(i. /)¦ = n(i. /)
==n(i. /) = n(,. /).
De…nición 10.3.3 Un árbol ultramétrico (también llamado dendograma) es
un grafo conexo, sin ciclos con un punto llamado raíz y : puntos extremos
equidistantes de la raiz.
Una propiedad importante es que todo espacio ultramétrico (. n) se
puede “dibujar” mediante un dendograma, como muestra la Figura 10.2.
Teorema 10.3.3 Sea (. n) un espacio ultramétrico. Entonces podemos rep-
resentarlo mediante un árbol ultramétrico con extremos los elementos de .
Demost.: Supongamos el árbol en posición vertical. Sea n(i. ,) la distancia
entre los extremos i. , medida como la mitad de la mínima longitud de las
aristas verticales que unen i con ,, es decir, la distancia vertical hasta el
nudo ¸ que liga i con ,. Consideremos un triángulo ¦i. ,. /¦ y supongamos
que ¦i. ,¦ es el lado más pequeño. Entonces / se relaciona con i. , en un
nudo ¸
t
por encima de ¸. Así n(/. i) = n(/. ,) = n(i. ,) + ,. donde , _ 0
es la distancia vertical entre ¸ y ¸
t
. Esto demuestra que ¦i. ,. /¦ es un arbol
ultramétrico.
Hay una versión del Teorema 10.2.1 para distancias ultramétricas.
186 CAPÍTULO 10. CLASIFICACIÓN
Figura 10.1: Representación en árbol ultramétrico (dendograma) de cinco
partidos políticos.
Teorema 10.3.4 Sea (. n) un espacio métrico. Si n es distancia ultramétri-
ca, entonces la relación binaria ¹
a
sobre los elementos de

a
, :i n(i. ,) _ r. (10.2)
es de equivalencia para todo r _ 0. Recíprocamente, si la relación (10.2) es
de equivalencia para todo r _ 0, entonces n es distancia ultramétrica.
Demost.: Supongamos que n es ultramétrica. Entonces la relación ¹
a
es:
Re‡exiva: n(i. i) = 0 _ r.
Simétrica: n(i. ,) = n(,. i) _ r.
Transitiva: Sea ¦i. ,. /¦ un triángulo ultramétrico con base ¦i. ,¦. entonces
tenemos
n(i. ,) _ n(,. /) = n(i. /) _ r.
que nos demuestra la transitividad.
Supongamos ahora que ¹
a
es de equivalencia y que el triángulo ¦i. ,. /¦
veri…ca:
n(i. ,) _ n(,. /) _ n(i. /).
Sea r = n(,. /). Entonces n(i. ,) _ r. n(,. /) _ r =n(i. /) _ r = n(,. /)
por la transitividad de ¹
a
. Esto demuestra que n(,. /) = n(i. /) y por lo
tanto el triángulo ¦i. ,. /¦ es ultramétrico.
La Figura 10.1 contiene el dendograma correspondiente a la jerarquía
indexada del ejemplo 10.2.1.
10.3. GEOMETRÍA ULTRAMÉTRICA 187
Otra propiedad importante es que juntando elementos próximos de
seguimos manteniendo la propiedad ultramétrica, y esto vale para cualquier
clustering.
Teorema 10.3.5 Supongamos que sobre los : clusters del clustering
= c
1
+c
2
+ +c
n
hay de…nida una distancia ultramétrica n. Sean c
i
. c
)
los dos clusters más
próximos: n(c
i
. c
)
) = mínimo. Entonces uniendo c
i
con c
)
, se puede de…nir
una distancia ultramétrica n
t
sobre los :÷1 clusters del clustering
= c
1
+ +c
i
' c
)
+ +c
n
.
Demost.: Si / ,= i. ,. por la propiedad ultramétrica tenemos que n(c
I
. c
i
) =
n(c
I
. c
)
). De…nimos:
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 triángulo ¦c
o
. c
b
. c
i
' c
)
¦. Entonces:
n
t
(c
o
. c
b
) = n(c
o
. c
b
)
_ sup¦n(c
o
. c
i
). n(c
b
. c
i
)¦ = sup¦n
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
)
_ sup¦n(c
o
. c
b
). n(c
b
. c
i
)¦ = sup¦n
t
(c
o
. c
b
). n
t
(c
b
. c
i
' c
)
)¦.
Finalmente, la propiedad ultramétrica es invariante por transformaciones
monótonas.
Proposición 10.3.6 Si n es distancia ultramétrica y n
t
= ,(n) es una trans-
formación de n donde , es una función positiva monótona (creciente o de-
creciente), entonces n
t
es también distancia ultramétrica.
Demost.: Si ¦i. ,. /¦ es un triángulo ultramétrico con base ¦i. ,¦ y , es monó-
tona, tendremos que
n(i. ,) _ n(i. /) = n(,. /) =n
t
(i. ,) _ n
t
(i. /) = n
t
(,. /).
188 CAPÍTULO 10. CLASIFICACIÓN
10.4. Algoritmo fundamental de clasi…cación
A partir de un espacio ultramétrico podemos construir una jerarquia in-
dexada. Nos lo permite el siguiente
Algoritmo fundamental de clasi…cación
Sea (. n) un espacio ultramétrico. El fundamento de este algoritmo con-
siste en el hecho de que, en virtud del Teorema 10.3.5, juntando elementos o
clusters más próximos, conservamos la propiedad ultramétrica.
1. Comencemos con la partición:
= ¦1¦ + +¦:¦.
2. Sean i. , los dos elementos más próximos: n(i. ,) = mínimo. Los unimos
¦i¦ ' ¦,¦ = ¦i. ,¦
y de…nimos la nueva distancia ultramétrica n
t
n
t
(/. ¦i. ,¦) = n(i. /) = n(,. /). / ,= i. ,.
(ver Teorema 10.3.5).
3. Consideremos la nueva partición:
= ¦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
)
) = mínimo, de…nimos el índice
c(c
i
' c
)
) = n(c
i
. c
)
). (10.4)
El resultado de este proceso es una jerarquía indexada (C. c).
10.5. Equivalencia entre jerarquía indexada y
ultramétrica
Una jerarquía indexada es una estructura conjuntista. Un espacio ultra-
métrico es una estructura geométrica. Ambas estructuras son equivalentes.
10.6. ALGORITMOS DE CLASIFICACIÓN JERÁRQUICA 189
Teorema 10.5.1 Sea (C. c) una jerarquía indexada total sobre un conjunto
. Entonces podemos de…nir una distancia ultramétrica n sobre . Recíproca-
mente, todo espacio ultramétrico (. n) de…ne una jerarquía indexada (C. c).
Demost.: A partir de (C. c) de…nimos la siguiente distancia
n(i. ,) = c(c
i)
).
donde c
i)
es el mínimo cluster (respecto a la relación de inclusión) que con-
tiene i. ,. Sea ¦i. ,. /¦ un triángulo y sean también c
iI
. c
)I
los mínimos clusters
que contienen ¦i. /¦. ¦,. /¦ respectivamente. Tenemos que
c
iI
¨ c
)I
,= O
y por tanto (axioma de la intersección) 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
)
Así pues: n(i. ,) _ sup¦n(i. /). n(,. /)¦.
La posibilidad de construir una jerarquía indexada a partir de una dis-
tancia ultramétrica es una consecuencia del algoritmo fundamental de clasi-
…cación. El índice de la jerarquía viene dado por (10.4).
Comentarios:
1. Obsérvese la analogía entre el Teorema 10.3.5 y el algoritmo funda-
mental de clasi…cación.
2. Obsérvese además que (10.3) permite de…nir de manera inequívoca una
distancia entre un cluster y la unión de los dos clusters más próximos.
Esta propiedad es la que otorga importancia a la distancia ultramétrica.
10.6. Algoritmos de clasi…cación jerárquica
Supongamos que, en relación 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.
190 CAPÍTULO 10. CLASIFICACIÓN
Si la distancia o es ultramétrica, entonces no hay ningún problema para
llevar a cabo una clasi…cación construyendo una jerarquía indexada. Basta
con aplicar el algoritmo fundamental de clasi…cación (Sección 10.4). Pero
en general o no cumple la propiedad ultramétrica y por lo tanto hemos de
modi…car adecuadamente este algoritmo.
Algoritmo de clasi…cación
Sea (. o) un espacio métrico. El algoritmo de clasi…cación se basa en el
Teorema 10.3.5, en el sentido de que juntaremos los elementos o clusters más
próximos, y procuraremos obtener triángulos ultramétricos.
1. Comencemos con la partición:
= ¦1¦ + +¦:¦.
2. Sean i. , los dos elementos más próximos: o(i. ,) = mínimo. Los unimos
¦i¦ ' ¦,¦ = ¦i. ,¦
y de…nimos la distancia de un elemento / al cluster ¦i. ,¦
o
t
(/. ¦i. ,¦) = ,(o(i. /). o(,. /)). / ,= i. ,. (10.5)
donde , es una función adecuada.
3. Consideremos la nueva partición:
= ¦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
)
) = mínimo, de…nimos el índice
c(c
i
' c
)
) = o
t
(c
i
. c
)
). (10.6)
La función , en (10.5) se de…ne adecuadamente a …n de que se cumpla la
propiedad ultramétrica. El resultado de este proceso es una jerarquía index-
ada (C. c).
10.6. ALGORITMOS DE CLASIFICACIÓN JERÁRQUICA 191
10.6.1. Método del mínimo
Los diferentes métodos de clasi…cación jerárquica dependen de la elección
de , en (10.5). Una primera elección conveniente de , consiste simplemente
en tomar el valor más pequeño de los dos lados ¦i. /¦. ¦,. /¦ del triángulo
¦i. ,. /¦ con base ¦i. ,¦, es decir:
o
t
(/. ¦i. ,¦) = mn¦o(i. /). o(,. /)¦. / ,= i. ,. (10.7)
En otras palabras, hacemos que el triángulo
o(i. ,¦ _ o(i. /) = c _ o(,. /).
se transforme en ultramétrico
o
t
(i. ,¦ _ o
t
(i. /) = o
t
(,. /) = c.
Ejemplo. Sea una matriz de distancias sobre = ¦1. 2. 3. 4. 5¦. El
método del mínimo proporciona una jerarquía indexada (C. c) asociada a
una matriz ultramétrica 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 método del mínimo produce una distancia ultramétrica n que goza de
la siguiente propiedad.
192 CAPÍTULO 10. CLASIFICACIÓN
Teorema 10.6.1 Sea
l = ¦n [ n es ultrametrica. n(i. ,) _ o(i. ,)¦
el conjunto de distancias ultramétricas más pequeñas que o. Entonces la dis-
tancia ultramétrica n resultante de aplicar el método del mínimo es el ele-
mento máximo de l
n(i. ,) _ n(i. ,). n ¸ l. \i. , ¸ .
Demost.: Sean ¦i. ,¦ los elementos más próximos. Entonces n(i. ,) = o(i. ,).
La columna / (,= i. ,) tendrá términos repetidos iguales a una distancia o
t
construida tomando un mínimo. Si n _ o es otra distancia ultramétrica,
entonces: a) si es estrictamente más pequeña es evidente que n n. b) si
n(/
t
. /
tt
) es más grande que n(/
t
. /
tt
) pero es igual a alguna o, entonces la
columna / tendrá elementos repetidos, y al menos uno será superior a o
t
.
Contradicción.
El razonamiento es parecido si consideramos un cluster c y un elemento
/ , ¸ c. Compárese con l en el ejemplo anterior. Véase también el Teorema
10.7.3.
A la vista de este resultado, podemos decir que n es la mejor aproximación
a o por defecto.
10.6.2. Método del máximo
Una segunda elección razonable de , consiste en tomar el valor más grande
de los dos lados ¦i. /¦. ¦,. /¦ del triángulo ¦i. ,. /¦ con base ¦i. ,¦, es decir:
o
t
(/. ¦i. ,¦) = max¦o(i. /). o(,. /)¦. / ,= i. ,. (10.8)
En otras palabras, hacemos que el triángulo
o(i. ,¦ _ o(i. /) _ o(,. /) = /.
se convierta en ultramétrico
o
t
(i. ,¦ _ o
t
(i. /) = o
t
(,. /) = /.
El método del máximo produce una distancia ultramétrica n que goza de
la siguiente propiedad.
10.6. ALGORITMOS DE CLASIFICACIÓN JERÁRQUICA 193
Teorema 10.6.2 Sea
l = ¦n [ n es ultrametrica. n(i. ,) _ o(i. ,)¦
el conjunto de distancias ultramétricas más grandes que o. Entonces la distan-
cia ultramétrica n resultante de aplicar el método del máximo es un elemento
minimal de l
n(i. ,) _ n(i. ,). n ¸ l. \i. , ¸ .
Así n es la mejor aproximación a o por exceso.
Comentarios:
1. Las distancias n. n. y o veri…can:
n(i. ,) _ o(i. ,) _ n(i. ,).
Hay igualdad n = o = n si y sólo si o es ultramétrica.
2. n es elemento máximo y es único. El método del mínimo sólo tiene una
solución.
3. n es elemento minimal y no es único. El método del máximo puede
tener varias soluciones.
4. Si todos los elementos fuera de la diagonal de la matriz de distancias
son diferentes, entonces la solución obtenida aplicando el método del
máximo es única y por tanto n es elemento mínimo .
Finalmente, una notable propiedad de los métodos del mínimo (también
conocido como single linkage) y del máximo (complete linkage) es que con-
servan la ordenación de la distancia o. en el sentido de la Proposición 10.3.6.
Teorema 10.6.3 Los métodos del mínimo y del máximo son invariantes por
transformaciones monótonas de la distancia o :
o
t
= ,(o) =n
t
= ,(n)
donde n. n
t
son las ultramétricas asociadas a o. o
t
y , es una función monó-
tona positiva.
Demost.: En el proceso de encontrar la ultramétrica sólo intervienen los ran-
gos de los valores de o. que son los mismos que los rangos de los valores de
o
t
.
194 CAPÍTULO 10. CLASIFICACIÓN
10.7. Otras propiedades del método del mín-
imo
Una propiedad de la distancia ultramétrica dice que todo elemento de
una bola es también centro de la propia bola.
Proposición 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 demostración es inmediata. También se veri…ca:
Proposición 10.7.2 Sea ¦i
1
. . . . . i
n
¦. Se cumple la desigualdad
n(i
1
. i
n
) _ sup¦n(i
c
. i
c+1
)[c = 1. . . . . :÷1¦.
Demost.: Por recurrencia sobre :. Para : = 2 es la desigualdad ultramétrica.
Supongamos cierto para :÷1. Tenemos:
n(i
1
. i
n
) _ sup¦n(i
1
. i
n÷1
). n(i
n÷1
. i
n

_ sup¦sup¦n(i
c
. i
c+1
)[c = 1. . . . . :÷2¦. n(i
n÷1
. i
n

_ sup¦n(i
c
. i
c+1
)[c = 1. . . . . :÷1¦.
Sea ahora = ¦1. 2. . . . . :¦ y o una distancia sobre .
De…nición 10.7.1 Una cadena [i. ,]
n
es el conjunto ¦i = i
1
. i
2
. . . . . , = i
n
¦.
De…nición 10.7.2 Indiquemos
sup[i. ,]
n
= sup
1¸c¸n
o(i
c
. i
c+1
)
el máximo salto de la cadena [i. ,]
n
. De…nimos la distancia sobre
n(i. ,) =nf
n
sup[i. ,]
n
Teorema 10.7.3 Se veri…ca:
10.7. OTRAS PROPIEDADES DEL MÉTODO DEL MÍNIMO 195
1. n es una ultramétrica tal que n _ o.
2. Si n es otra ultramétrica tal que n _ o entonces n _ n.
3. n es la ultramétrica que se obtiene por el método del mínimo.
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. ,. /] está 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. /. ,] = sup¦sup[i. ,]. sup[,. /]¦
Teniendo en cuenta (10.9) deducimos que
n(i. ,) _ sup¦n(i. /). n(,. /)¦
Sea ahora n _ o. Aplicando la Proposición 10.7.2
n(i. ,) _ sup
1¸c¸n
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.
196 CAPÍTULO 10. CLASIFICACIÓN
Figura 10.2: Representación mediante un dendograma que agrupa 11 profe-
sores según los artículos publicados conjuntamente.
10.8. Ejemplos
Profesores. Un grupo de : = 11 profesores de probabilidades y estadística
de la Universidad de Barcelona han publicado, entre 1994 y 2000, unos 150
artículos internacionales, algunos en colaboración. Con la …nalidad de agru-
par los profesores según los artículos que publicaron juntos, consideramos el
coe…ciente de similaridad
:(i. ,) = número de artículos que i. , han publicado juntos.
De…nimos 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 197
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 análisis cluster, método del mínimo (single linkage), a esta
matriz de disimilaridades, obtenemos el dendograma de la Figura 10.2. Este
grá…co pone de mani…esto que hay tres grupos principales con 4, 2 y 5 pro-
fesores, que trabajan en análisis multivariante (AM), estadística matemática
(EM) y análisis estocástico (AE), respectivamente.
Idiomas. Los idiomas tienen semejanzas y diferencias entre sus palabras.
Midiendo objetivamente sus diferencias en relación a las letras que describen
los números 1 a 10, se pretende agrupar jerárquicamente 14 idiomas europeos:
Alemán, Inglés, Vasco, Catalán, Castellano, Danés, Filandés, Francés,
Gallego, Holandés, Húngaro, Italiano, Noruego y Polaco.
La disimilaridad entre cada par de idiomas se calcula sumando el número
de letras que cambian (por supresión, duplicación, añadido, etc.) al escribir
cada uno de los números 1, 2, ..., 10.
Por ejemplo, entre Inglés y Noruego hay 27 diferencias (sumando las que
hay para cada uno de los números del 1 al 10), y entre Español (Castellano)
e Italiano sólo hay 17.
Véase Oliva et al. (1993) para más detalles.
198 CAPÍTULO 10. CLASIFICACIÓN
Figura 10.3: Representación mediante un dendograma (método del mínimo)
de 14 idiomas europeos. Las disimilaridades iniciales se obtiene a partir de
las diferencias al escribir los números del 1 al 10.
La matriz de disimilaridades es:
Ale Ing Vas Cat Cas Dan Fil Fra Gal Hol Hun Ita Nor Pol
Alemán 0
Inglés 29 0
Vasco 45 44 0
Catalán 34 28 45 0
Castellano 32 29 46 17 0
Danés 30 26 43 27 31 0
Filandés 58 55 59 57 55 59 0
Francés 33 32 46 13 24 33 59 0
Gallego 32 27 44 13 7 26 55 23 0
Holandés 19 25 43 43 32 29 56 33 33 0
Húngaro 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
10.8. EJEMPLOS 199
Sobre esta matriz de disimilaridades se lleva a cabo un análisis cluster
jerárquico, método del mínimo (single linkage). El resultado es el dendograma
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 también se agrupan. El Polaco y el Húngaro, aunque son dos idiomas
bastante distintos, forman un cluster. El Vasco y el Filandés se mantienen
separados de las otras lenguas.
Adjetivos. Continuando con el ejemplo 8.7.3, aplicamos ahora un análisis
cluster sobre la matriz de distancias de la Tabla 8.2 (mitad inferior derecha)
por el método del máximo (complete linkage), véase Figura 10.4. Los resul-
tados con el método del mínimo son bastante parecidos, indicando que hay
una buena estructura jerárquica. Se percibe una división principal, que agru-
pa los adjetivos de peso y extensión espacial, siguiendo la dicotomia “gran
cantidad” vs “pequeña cantidad”.
Figura 10.4: Representación mediante un dendograma de 23 adjetivos por el
método del máximo.
200 CAPÍTULO 10. CLASIFICACIÓN
10.9. Clasi…cación no jerárquica
Una clasi…cación no jerárquica de : objetos en relación a una matriz de
datos cuantitativos X, consiste en obtener q grupos homogéneos y excluyentes
(clusters). Si tenemos q clusters, estamos en la misma situación contemplada
en el Cap. 7, y podemos considerar la descomposición de la variabilidad total
T = H+V
Una partición en q clusters que hace máxima H o mínima V. en relación
a algún criterio, dará una solución al problema, puesto que tendremos una
máxima dispersión entre clusters. Algunos criterios, justi…cados por el análisis
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!. número muy grande incluso para valores moderados de
: y q. Por ejemplo, necesitaríamos formar más de 10
23
clusters si : = 50. q =
3. Por tanto, es necesario seguir algún algoritmo de agrupación.
El método de las medias móviles 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 euclídea) a los q puntos
iniciales.
2. Calcular los centroides de los q clusters obtenidos y reasignar los objetos
según su proximidad al centroide de cada cluster.
3. Repetir el paso anterior, calculando cada vez la cantidad [V[ (o el
criterio de optimización escogido). Parar cuando [V[ ya no disminuye.
Es posible probar que la suma de cuadrados de las distancias euclídeas
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. NÚMERO DE CLUSTERS 201
10.10. Número de clusters
Diversos autores (Calinski, Harabasz, Hartigan, Krzanowski, Lai) han
propuesto métodos para estimar el número de clusters (conglomerados) de
una clasi…cación. Es éste un tema abordado desde muchas perspectivas (véase
Gordon, 1999).
Normalmente el usuario determina el número / 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)
2¸j
V(/ ÷1) ÷/
2¸j
V(/)
y elige / tal que maximiza
c|
2
(/) = di,(/),di,(/ + 1).
Pero c|
1
i c|
2
no estan de…nidos para / = 1. Un tercer criterio propone el
estadístico
H(/) = (
V(/)
V(/ + 1)
÷1),(: ÷/ ÷1).
empieza con / = 1 y aumenta / si H(/) crece signi…cativamente de acuerdo
con una aproximación a la distribución F.
Tibshirani et al. (2001) proponen un método que contempla también el
caso / = 1. Partiendo del resultado de cualquier clasi…cación, jerárquica
o no, comparan el cambio de V(/) respecto al cambio esperado para una
distribución apropiada de referencia
1(log [V(/)[) ÷log [V(/)[.
10.11. Complementos
La historia de la clasi…cación comienza con la sistemática de Carl von Lin-
né, que permitía clasi…car animales y plantas según género y especie. La clasi-
…cación moderna (denominada taxonomía numérica) se inicia en 1957 con
202 CAPÍTULO 10. CLASIFICACIÓN
la necesidad de proponer criterios objetivos de clasi…cación (Sokal, Sneath,
Michener). Posteriormente, diversos autores relacionaron las clasi…caciones
jerárquicas con los espacios ultramétricos (Benzecri, Jardine, Sibson, John-
son), dado que la propiedad ultramétrica ya era conocida en otros campos
de la matemática. Hartigan (1967) y Johnson (1967) son dos referencias im-
portantes para representar matrices de similaridades (o disimilaridades) me-
diante dendogramas y relacionarlos con las clasi…caciones jerárquicas. Véase
Gordon (1999).
Una crítica que se ha hecho al análisis cluster es el excesivo repertorio
de distancias y métodos de clasi…cación. Incluso se han realizado clasi…ca-
ciones de las propias maneras de clasi…car, y clasi…caciones jerárquicas de las
distancias. También se ha argumentado (Flury, 1997) que el planteamiento
correcto del análisis cluster consiste en encontrar mixturas
,(x) =j
1
,
1
(x) + +j
j
,
j
(x).
donde cada densidad ,
i
representaría 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 clasi…caciones objetivas
aplicando análisis cluster jerárquico. Por ejemplo, en el año 1999 se realizó la
clasi…cación jerárquica del reino vegetal a partir de distancias entre secuen-
cias de DNA, obteniendo una concordancia de un 60 % con la clasi…cación
tradicional basada en la similitud morfológica de las plantas.
J. C. Gower conjeturó en 1971 que toda distancia ultramétrica era eu-
clídea con dimensión : ÷ 1. un resultado que sería probado por Holman
(1972). Interesó entonces estudiar la relación entre representaciones en ár-
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 ultramétrico con una sola dimensión utilizando una métrica ade-
cuada. Un estudio de los vectores propios y las dimensiones principales de
una matriz de distancias ultramétricas es debido a Cuadras y Oller (1987).
Véase también Cuadras y Carmona (1983) y Cuadras et al. (1996).
N. Jardine y R. Simpson propusieron el método de clasi…cación denomi-
nado ‡exible, que consiste en de…nir la distancia de un cluster a la unión de
dos clusters en función de unos parámetros, por ejemplo, inicialmente
o
t
(/. ¦i. ,¦) = c
i
o(i. /) +c
)
o(,. /) +,o(i. ,) +¸[o(i. /) ÷o(,. /)[.
y análogamente en los siguientes pasos. Dando valores a los parámetros se
10.11. COMPLEMENTOS 203
obtienen los métodos siguientes (se incluye denominación estándar):
Criterio de agrupación c
i
c
)
, ¸
Mínimo (single linkage) 1/2 1/2 0 ÷1,2
Máximo (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
método recomendable porque proporciona una clasi…cación que se ajusta bien
a la distancia inicial en el sentido de los mínimos cuadrados.
G.H. Ball, D.J. Hall, E. Diday y otros propusieron algoritmos e…cientes
de agrupación no jerárquica. Consúltese Everitt (1993).
204 CAPÍTULO 10. CLASIFICACIÓN
Capítulo 11
ANÁLISIS DISCRIMINANTE
11.1. Introducción
Sean
1
.
2
dos poblaciones, A
1
. ....A
j
variables observables, x =(r
1
. .... r
j
)
las observaciones de las variables sobre un individuo .. Se trata de asignar .
a una de las dos poblaciones. Este problema aparece en muchas situaciones:
decidir si se puede conceder un crédito; determinar si un tumor es benigno o
maligno; identi…car la especie a que pertenece una planta, etc.
Una regla discriminante es un criterio que permite asignar . conocido
(r
1
. .... r
j
), y que a menudo es planteado mediante una función discriminante
1(r
1
. .... r
j
). Entonces la regla de clasi…cación 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 decisión de identi…car ., nos equivocaremos si asignamos . a una
población a la que no pertenece. La probabilidad de clasi…cación errónea
(pce)es
pce = 1(1
2
,
1
)1(
1
) +1(1
1
,
2
)1(
2
). (11.1)
205
206 CAPÍTULO 11. ANÁLISIS DISCRIMINANTE
11.2. Clasi…cación en dos poblaciones
11.2.1. Discriminador lineal
Sean j
1
. j
2
los vectores de medias de las variables en
1
.
2
. respectiva-
mente, y supongamos que la matriz de covarianzas es común. Las distancias
de Mahalanobis de las observaciones x =(r
1
. . . . . r
j
)
t
de un individuo . a las
poblaciones son
`
2
(x.j
i
) = (x÷j
i
)
t

÷1
(x÷j
i
). i = 1. 2.
Un primer criterio de clasi…cación consiste en asignar . a la población más
próxima:
Si `
2
(x.j
1
) < `
2
(x.j
2
) asignamos . a
1
.
en caso contrario asignamos . a
2
.
(11.2)
Expresando esta regla como una función 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
x÷j
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
)
De…nimos la función discriminante
1(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
.
en caso contrario asignamos . a
2
.
La función lineal (11.3) es el discriminador lineal de Fisher.
11.2. CLASIFICACIÓN EN DOS POBLACIONES 207
11.2.2. Regla de la máxima verosimilitud
Supongamos que ,
1
(x) . ,
2
(x) son las densidades de x en
1
.
2
. Una regla
de clasi…cación consiste en asignar . a la población donde la verosimilitud
de las observaciones x es más grande:
Si ,
1
(x) ,
2
(x) asignamos . a
1
.
en caso contrario asignamos . a
2
.
La función 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 clasi…cación de Bayes es
Si 1(
1
,x) 1(
2
,x) asignamos . a
1
.
en caso contrario asignamos . a
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 óptimo
.
Teorema 11.2.1 La regla de Bayes minimiza la probabilidad de clasi…cación
errónea.
208 CAPÍTULO 11. ANÁLISIS DISCRIMINANTE
Demost.: Supongamos que se dispone de otra regla que clasi…ca 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 clasi…cación errónea
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 última integral es mínima 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 mínima
si 1
+
2
= 1
2
. donde 1
2
= ¦x[1(x) <0¦.
11.3. Clasi…cación en poblaciones normales
Supongamos ahora que la distribución 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:)
÷j¸2
¸
¸
X
÷1
i
¸
¸
1¸2
exp¦÷
1
2
(x ÷µ
i
)
t
X
÷1
i
(x ÷µ
i
)¦.
11.3.1. Discriminador lineal
Si suponemos j
1
,= j
2
.
1
=
2
= . entonces
\ (x) = ÷
1
2
(x÷j
1
)
t

÷1
(x÷j
1
) +
1
2
(x÷j
2
)
t

÷1
(x÷j
2
)
= 1(x)
y por tanto los discriminadores máximo verosímil y lineal, el segundo basado
en el criterio de la mínima 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 x÷j
1
= x÷j
2
+j
2
÷j
1
. y de
1(x÷j
2
)(x÷j
2
)
t
= . (x÷j
2
)
t

÷1
(x÷j
2
) ~ ¸
2
j
, tenemos que la esperanza
de l = (x÷j
1
)
t

÷1
(x÷j
1
) es
1(l) =1[(x÷j
2
)
t

÷1
(x÷j
2
) +c + 2(x÷j
2
)
t

÷1
(j
2
÷j
1
)] = j +c.
11.3. CLASIFICACIÓN EN POBLACIONES NORMALES 209
y la varianza de \ = (x÷j
2
)
t

÷1
(x÷j
2
) es la misma que la de 1(x) y es
var(\ ) = 1((j
2
÷j
1
)
t

÷1
(x÷j
2
)(x÷j
2
)
t

÷1
(j
2
÷j
1
)) = c.
Entonces encontramos fácilmente la distribución de la función discriminante
1(x) :
1(x) es `(+
1
2
c. c) si x proviene de `
j
(j
1
. ).
1(x) es `(÷
1
2
c. c) si x proviene de `
j
(j
2
. ).
(11.4)
11.3.2. Regla de Bayes
Si suponemos j
1
,= j
2
.
1
=
2
= . y conocemos las probabilidades a
priori ¡
1
= 1 (
1
) . ¡
2
= 1 (
2
) . entonces es fácil ver que
1(x) =1(x)+log(¡
1

2
).
y la función discriminante de Bayes es el discriminador lineal más la constante
log(¡
1

2
).
11.3.3. Probabilidad de clasi…cación errónea
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 función de distribución `(0. 1). La probabilidad de clasi…-
cación errónea es
jcc = ¡
1
1(1(x) <0[
1
) +¡
2
1(1(x) 0[
2
) = (÷
1
2
_
c).
Por tanto jcc es una función decreciente de la distancia de Mahalanobis c
entre las dos poblaciones.
11.3.4. Discriminador cuadrático
Supongamos j
1
,= j
2
.
1
,=
2
. Entonces el criterio de la máxima 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
[
210 CAPÍTULO 11. ANÁLISIS DISCRIMINANTE
Q(x) es el discriminador cuadrático. Análogamente podemos obtener el dis-
criminador cuadrático de Bayes
1(x) =Q(x) + log(¡
1

2
).
11.3.5. Clasi…cación cuando los parámetros son esti-
mados
En las aplicaciones prácticas, j
1
. j
2
.
1
.
2
son desconocidos y se deberán
estimar a partir de muestras de tamaños :
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 estimación
de será
S =(:
1
S
1
+:
2
S
2
),(:
1
+:
2
)
y la versión muestral del discriminador lineal es
´
1(x) = [x÷
1
2
(x
1
+x
2
)]
t
S
÷1
(x
1
÷x
2
) .
La distribución muestral de
´
1(x) es bastante complicada, pero la distribución
asintótica es normal:
´
1(x) es `(+
1
2
c. c) si x proviene de `
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 copépodo parásito del mejillón, que en estado
larval presenta diferentes estadios de crecimiento. El primer estadio (Nauplis)
y el segundo estadio (Metanauplius) son difíciles de distinguir.
Sobre una muestra de :
1
= 76 y :
2
= 91 copépodos que se pudieron iden-
ti…car al microscopio como del primero y segundo estadio respectivamente,
se midieron las variables
| = longitud, c = anchura,
11.3. CLASIFICACIÓN EN POBLACIONES NORMALES 211
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 estimación de la matriz de covarianzas común 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 clasi…caciones es:
Estadio asignado
1 2
Estadio 1 61 15
original 2 21 70
Discriminador de Bayes
Una larva, desde que eclosiona está 4 horas en el estadio 1 y 8 horas
en el estadio 2. Al cabo de 12 horas, la larva pasa a un estadio fácilmente
identi…cable. 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. Así ¡
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
212 CAPÍTULO 11. ANÁLISIS DISCRIMINANTE
Figura 11.1: Discriminadores lineal y cuadrático en la clasi…cación de copépo-
dos en Estadios 1 y 2. La línea recta es el conjunto de puntos tales que 1 = 0.
La parábola es el conjunto de puntos tales que Q = 0.
Probabilidad de clasi…cación errónea
Una estimación 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.
11.4. DISCRIMINACIÓN EN EL CASO DE K POBLACIONES 213
Discriminador cuadrático
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 signi…cati-
vas. Por tanto, el discriminador cuadrático puede resultar más apropiado.
Efectuando cálculos se obtiene:
Q(long. anch) = 0.0014long
2
+ 0.002anch
2
÷0.002long anch
÷0.445long ÷0.141anch + 72.36
Con el clasi…cador cuadrático se han clasi…cado bien 2 individuos más (Fig.
11.1):
Estadio asignado
1 2
Estadio 1 59 17
original 2 17 74
11.4. Discriminación 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 común. Si consideramos las distancias de Mahalanobis de .
a las poblaciones
`
2
(x.j
i
) = (x÷j
i
)
t

÷1
(x÷j
i
). i = 1. . /.
un criterio de clasi…cación consiste en asignar . a la población más próxima:
Si `
2
(x.j
i
) = mn¦`
2
(x.j
1
). . `
2
(x.j
I
)¦. asignamos . a
i
. (11.5)
214 CAPÍTULO 11. ANÁLISIS DISCRIMINANTE
Introduciendo las funciones discriminantes lineales
1
i)
(x) =
_
j
i
÷j
)
_
t

÷1

1
2
_
j
i
÷j
)
_
t

÷1
_
j
i
+j
)
_
es fácil probar que (11.5) equivale a
Si 1
i)
(x) 0 para todo , ,= i. asignamos . a
i
.
Además las funciones 1
i)
(x) veri…can:
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, sólo necesitamos conocer / ÷1 funciones discriminantes.
11.4.2. Regla de la máxima verosimilitud
Sea ,
i
(x) la función de densidad de x en la población
i
. Podemos obtener
una regla de clasi…cación asignando . a la población donde la verosimilitud
es más grande:
Si ,
i
(x) = max¦,
1
(x). . . . . ,
I
(x)¦. asignamos . a
i
.
Este criterio es más general que el geométrico y está asociado a las funciones
discriminantes
\
i)
(x) = log ,
i
(x) ÷log ,
)
(x).
En el caso de normalidad multivariante y matriz de covarianzas común, se
veri…ca \
i)
(x) = 1
i)
(x). y los discriminadores máximo verosímiles coinciden
con los lineales. Pero si las matrices de covarianzas son diferentes
1
. . . . .
I
.
entonces este criterio dará lugar a los discriminadores cuadráticos
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
[ .
11.4. DISCRIMINACIÓN EN EL CASO DE K POBLACIONES 215
11.4.3. Regla de Bayes
Si además 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 población tal que la probabilidad a
posteriori es máxima
Si ¡
i
,
i
(x) = max¦¡
1
,
1
(x). . . . . ¡
I
,
I
(x)¦. asignamos . a
i
.
está 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 clasi…cación errónea es
jcc =
I

i=1
¡
i
(
I

),=i
1(,,i)).
y se demuestra que la regla de Bayes minimiza esta pce.
11.4.4. Un ejemplo clásico
Continuando con el ejemplo 3.6.2, queremos clasi…car 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 común 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
216 CAPÍTULO 11. ANÁLISIS DISCRIMINANTE
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 decisión consiste en asignar el individuo r a la población i si
1
i)
(r) 0 \, ,= i.
Se obtiene:
Individuo 1
12
1
13
1
21
1
23
1
31
1
32
Población
r -51.107 -44.759 51.107 6.3484 44.759 -6.3484 2
Por lo tanto clasi…camos la ‡or a la especie I. Versicolor.
Para estimar la probabilidad de clasi…cación errónea pce podemos omitir
una vez cada individuo, clasi…carlo a partir de los demás y observar si sale
bien clasi…cado (método leaving-one-out). El resultado de este proceso da:
Población asignada
1 2 3
Población 1 50 0 0
original 2 0 48 2
3 0 1 49
Sólo hay 3 individuos mal clasi…cados y la pce estimada es 3,150 = 0.02.
Capítulo 12
DISCRIMINACIÓN
LOGÍSTICA
Y BASADA EN
DISTANCIAS
12.1. Análisis discriminante logístico
12.1.1. Introducción
El modelo de regresión logística permite estimar la probabilidad de un
suceso que depende de los valores de ciertas covariables.
Supongamos que un suceso (o evento) de interés ¹ puede presentarse o
no en cada uno de los individuos de una cierta población. Consideremos una
variable binaria ¸ que toma los valores:
¸ = 1 si ¹ se presenta, ¸ = 0 si ¹ no se presenta.
Si la probabilidad de ¹ no depende de otras variables, indicando 1(¹) = j.
la verosimilitud de una única observación ¸ es
1 = j
j
(1 ÷j)
1÷j
.
pues 1 = j si ¸ = 1. 1 = 1 ÷j si ¸ = 0.
217
218CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
Si realizamos : pruebas independientes y observamos ¸
1
. . . . . ¸
a
, la verosimil-
itud es
1 =
a

i=1
j
j
i
(1 ÷j)
1÷j
i
= j
I
(1 ÷j)
a÷I
siendo / =

¸
i
la frecuencia absoluta de ¹ en las : pruebas. Para estimar
j resolvemos la ecuación de verosimilitud
J
Jj
ln 1 = 0
cuya solución es ´ j = /,:. la frecuencia relativa del suceso ¹. La distribución
asintótica de ´ j es normal `(j. j(1 ÷j),:).
Muy distinta es la estimación cuando esta probabilidad depende de otras
variables. La probabilidad de ¹ debe entonces modelarse adecuadamente.
12.1.2. Modelo de regresión logística
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 ¹ dado x es j(¸ = 1[x). Indicaremos esta probabilidad por j(x). La
probabilidad contraria de que ¹ no suceda dado x será j(¸ = 0[x) = 1÷j(x).
Es fácil darse cuenta que pretender que j(x) sea una función lineal de x no
puede funcionar correctamente, pues j(x) está comprendido entre 0 y 1.
Por diversas razones, es muy conveniente suponer un modelo lineal para
la llamada transformación logística 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
parámetros de regresión. El modelo (12.1) equivale a
suponer las siguientes probabilidades para ¹ y su contrario, ambas en función
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 comparación con el modelo lineal. El mdelo de
regresión lineal (véase Capítulo 13) es
¸ = ,
0
+,
1
r
1
+ +,
j
r
j
+c.
12.1. ANÁLISIS DISCRIMINANTE LOGÍSTICO 219
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 terminología, podemos
entender el modelo logístico en el sentido de que
¸ = j(x) +c.
donde ahora ¸ sólo toma los valores 0 ó 1. Si ¸ = 1 entonces c = 1÷j(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 discriminación logística (suponiendo
los parámteros conocidos o estimados) simplemente decide que . posee la
característica ¹ si j(x) 0.5. y no la posee si j(x) _ 0.5 Introduciendo la
función discrimnante
1
j
(x) = ln(
j(x)
1 ÷j(x)
)
la regla de decisión logística es
Si 1
j
(x) 0 entonces ¸ = 1. si 1
j
(x) _ 0 entonces ¸ = 0.
12.1.3. Estimación de los parámetros
La verosimilitud de una observación ¸ es 1 = j(x)
j
(1 ÷ j(x))
1÷j
. La
obtención de : observaciones independientes

i
. x
i
) = (¸
i
. r
i1
. . . . . r
ij
)
se puede tabular matricialmente como
y =
_
_
_
_
_
¸
1
¸
2
.
.
.
¸
a
_
_
_
_
_
. X =
_
_
_
_
_
1 r
11
r
12
r
1j
1 r
21
r
22
r
2j
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 r
a1
r
a2
r
aj
_
_
_
_
_
.
Nótese que, para poder tener en cuenta el término 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
))
1÷j
i
220CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
Tomando logaritmos
ln 1 =
a

i=1
¸
i
ln j(x
i
)(1 ÷j(x))
1÷j
i
A …n de hallar los estimadores máximo verosímiles de los parámetros , 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
))
Análogamente derivaríamos ln(1 ÷ j(x
i
)) = ÷ln(1 + c
o
0
+o
1
x
i
). Se obtienen
entonces las ecuaciones de verosimilitud para estimar los parámetros ,.

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 (Capítulo 13) X
t
X, = X
t
¥.
para estimar los parámetros , 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 explícitamente, debiéndose recurrir a procedimientos
numéricos iterativos. Véase Peña (2002).
12.1.4. Distribución asintótica y test de Wald
Indiquemos por
´
d = (
´
,
0
.
´
,
1
. . . . .
´
,
j
)
t
la estimación de los parámetros.
Aplicando la teoría asintótica de los estimadores máximo verosímiles, la ma-
triz de informaciión 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
))
_
_
12.1. ANÁLISIS DISCRIMINANTE LOGÍSTICO 221
La distribución asintótica de
´
d es entonces normal multivariante `
j+1
(d .
I
÷1
o
)..En particular, la distribución asintótica del parámetro
´
,
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 signi…cación de ,
i
utiliza el estadístico
. =
´
,
i
,
_
var(
´
,
i
)
con distribución asintótica `(0. 1). o bien .
2
con distribución ji-cuadrado
con 1 g. l.
. Si se desea estudiar la signi…cación de todos los parámetros de regresión,
el test de Wald calcula
n =
´
d
t
I
o
´
d.
con distribución asintótica ji-cuadrado con j + 1 g. l. bajo la hipótesis nula
d = 0.
12.1.5. Ajuste del modelo
En regresión logística se obtiene el ajuste del modelo calculando la verosimil-
itud 1 del modelo (estimando los parámetros por máxima verosimilitud) y
utilizando el llamado estadístico de desviación:
1 = ÷2 ln 1(modelo de regresión).
Se puede interpretar 1 como menos dos veces la razón de verosimilitudes del
modelo ajustado y el modelo saturado
1 = ÷2 ln
1(modelo de regresión)
1(modelo saturado)
El modelo saturado es el que posee tantos parámetros como observaciones.
En nuestro caso
1(modelo saturado) =
a

i=1
¸
i
j
i
(1 ÷¸
i
)
1÷j
i
)
= 1.
Supongamos ahora que deseamos estudiar la signi…cación de una o varias
covariables. En particular, la signi…cación de un coe…ciente de regresión: H
0
:
222CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
,
i
= 0. Utilizando la desviación 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 signi…cación de / variables, entonces la distribución
asintótica de G es ji-cuadrado con / g. l. . En particular / = 1 si sólo
estudiamos la signi…cación de una variable.
12.1.6. Curva ROC
Supongamos que la población consiste en individuos que poseen un tumor,
el cual puede ser maligno (suceso ¹), o benigno (contrario de ¹). La regla
de discriminación logística
Si j(x) 0.5 decidimos que ¸ = 1
puede resultar insu…ciente en este caso, pues bastantes individuos podrían
ser clasi…cados 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 proporción de individuos a los que se
detecta tumor maligno. Para t = 0 todos los individuos resultarían malignos,
y para t = 1 todos resultarían benignos.
Se llama especi…cidad a la curva
1:(t) = 1(j(x) < t[¸ = 0). 0 _ t _ 1.
Variando t. la curva 1: va dando la proporción de individuos a los que se
detecta tumor benigno. Para t = 0 todos los individuos resultarían benignos,
y para t = 1 todos resultarían malignos. Es un problema importante en
diagnosis médica determinar el valor de corte t tal que detecte el mayor
número 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 especi…cidad. Es la curva que resulta de representar los
puntos
(1 ÷1:(t). oc(t)) 0 _ t _ 1.
12.1. ANÁLISIS DISCRIMINANTE LOGÍSTICO 223
es decir, 1-Especi…cidad en el eje OX, y la Sensibilidad en el eje OY. La curva
ROC está por encima de la diagonal, y cuanto más se aparta de la diagonal,
mejor es la discriminación.
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 función discriminant logística 1
j
(x) = ln[j(x),(1 ÷ j(x))] tiene
exactamente la misma distribución tanto si ¸ = 1 como si ¸ = 0.
El área bajo la curva ROC es siempre mayor o igual que 0.5. Un valor
a partir de 0.8 se considera como que la discriminación es buena. Un valor
a partir de 0.9 se consideraría como muy bueno. La discriminación sería
perfecta si el área vale 1. Véase Hosmer y Lemeshow (2000).
Ejemplo 12.1.1
En un estudio epidemiológico sobre : = 189 mujeres que han tenido un
bebé, se intentó estudiar las causas (edad, peso antes embarazo, fumar, etc.)
que provocan el nacimiento de un bebé prematuro. Se considera que un bebé
es prematuro si su peso está por debajo de los 2500 gramos. Visitando la
página 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 parámetros ,
0
. ,
1
. . . ., sus desviaciones típicas y el
estadístico de Wald se dan en el siguiente cuadro. La variable race (categórica
224CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
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 término constante y 5 variables (age,
weight, race, smoke, visits) obtenemos 1 = ÷2 ln(modelo) = 214.575. Con-
siderando el término 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 signi…cativo. Luego
no hay ventaja en incluir las variables Edad y Número de visitas.
La regla estándar de decisión en regresión logística es:
Si j(r) 0. 5 el bebé tiene el peso bajo, en caso contrario es normal.
El valor de corte 0. 5 se puede alterar para mejorar la Sensibilidad (detectar
un bebé con peso bajo) o la Especi…cidad (detectar un bebé con peso normal).
En la siguiente tabla vemos que si disminuye el punto de corte, detectamos
más bebés 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 grá…co conjunto de la Sensibilidad (eje vertical) y 1-
Especi…cidad (eje horizontal), variando la probabilidad de corte. La diagonal
indicaría empate (no se distingue entre bebé de bajo peso y bebé normal).
El área 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 área vale 0. 684.
indicando que el modelo posee una capacidad de predicción moderada.
12.1. ANÁLISIS DISCRIMINANTE LOGÍSTICO 225
Figura 12.1: Curva ROC que representa las curvas de Sensibilidad y 1-
Especi…cidad para los datos de bebés con bajo peso.
12.1.7. Comparación entre discriminador lineal y logís-
tico
En el modelo logístico 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
decir, de la población `
j
(j
1
. )) dado x es
1(¸ = 1[x) =
,
1
(x)
,
1
(x) +,
0
(x)
=
c
÷
1
2
(x÷j
1
)
0

1
(x÷j
1
)
c
÷
1
2
(x÷j
1
)
0

1
(x÷j
1
)
+c
÷
1
2
(x÷j
0
)
0

1
(x÷j
0
)
.
Multiplicando numerador y denominador por c
1
2
(x÷j
0
)
0

1
(x÷j
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) =
_

1
2
(j
0
+j
1
)
_
t

÷1
(j
0
÷j
1
)
226CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
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 logístico a partir del discriminador lineal. Sin
embargo, el modelo normal es más e…ciente. En realidad el modelo logístico
sirve para la clase de distribuciones pertenecientes a la familia exponencial,
que incluye la normal. Al ser el logístico un modelo más amplio y robusto,
pierde en e…ciencia.
Efron (1975) calculó analíticamente la e…ciencia relativa (cociente entre
las probabilidades de clasi…cación errónea) del modelo logístico respecto al
lineal normal. La e…ciencia relativa asintótica es una función 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 más favorable para el discriminante logístico),
la e…ciencia es la misma (vale 1), para valores muy pequeños de c. y decrece
hasta 0.343 para c = 16 (la probabilidad de error en el caso logístico 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
E…ciencia 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 e…ciencia del discrimnador logís-
tico con respecto al lineal normal es del orden de 0.98.
Aplicando el modelo logístico, 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
12.2. ANÁLISIS DISCRIMINANTE BASADO EN DISTANCIAS 227
Figura 12.2: Curvas ROC para el discriminador lineal y el logístico (izquier-
da). Ambas curvas son indistinguibles (derecha), indicando la misma e…cien-
cia para discriminar entre los dos estadios. El área bajo la curva ROC es
0,838.
Las probabilidades de que un copépodo 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 copépodo sería asignado al estadio 2. Los resultados prácticamente
coinciden con el discriminador lineal (Figura 12.2).
12.2. Análisis discriminante basado en dis-
tancias
Los métodos que hemos descrito funcionan bien con variables cuantitati-
vas o cuando se conoce la densidad. Pero a menudo las variables son binarias,
categóricas o mixtas. Aceptando y aplicando el principio de que siempre es
posible de…nir una distancia entre observaciones, es posible dar una versión
del análisis discriminante utilizando solamente distancias.
228CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
12.2.1. La función de proximidad
Sea una población, X un vector aleatorio con valores en 1 ¸ 1
j
y
densidad , (r
1
. .... r
j
) . Sea o una función de distancia entre las observaciones
de X. De…nimos la variabilidad geométrica 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
.. De…nimos la función de proximidad de . a en relación con X como la
función
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 varía aleatori-
amente, menos la variabilidad geométrica.
Teorema 12.2.1 Supongamos que existe una representación de (1. o) en un
espacio 1 (Euclídeo 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 imágenes de x. y. Se veri…ca:
\
c
(X) = 1(|· (X)|
2
) ÷|1(· (X))|
2
.
c
2
c
(x) = |· (x) ÷1(· (X))|
2
.
En consecuencia, podemos a…rmar que la variabilidad geométrica es una
varianza generalizada, y que la función de proximidad mide la distancia de
un individuo a la población.
12.2. ANÁLISIS DISCRIMINANTE BASADO EN DISTANCIAS 229
12.2.2. La regla discriminante DB
Sean
1
.
2
dos poblaciones, o una función distancia. o es formalmente la
misma en cada población, 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 único que cambia es la matriz . Debe quedar claro que o depende del
vector aleatorio X, que en general tendrá diferente distribución 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
clasi…car, con valores x = X(.).
La regla de clasi…cación basada en distancias (DB, distance-based) es:
Si c
2
1
(x) _ c
2
2
(x) asignamos . a
1
.
en caso contrario asignamos . a
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 población más próxima. La regla DB
solamente depende de las distancias entre individuos.
12.2.3. La regla DB comparada con otras
Los discriminadores lineal y cuadrático 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 ÷µ
i
)
t
X
÷1
(x ÷µ
i
)
y el discriminador lineal es
1(x) =
1
2
_
c
2
2
(x) ÷c
2
1
(x)
¸
.
230CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
2. Si las poblaciones son `
j

1
. X
1
) . `
j

2
. X
2
) y o
2
i
es la distancia de
Mahalanobis más 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 cuadrático es
Q(x) =
1
2
_
c
2
2
(x) ÷c
2
1
(x)
¸
.
3. Si o es la distancia euclídea ordinaria entre observaciones, la regla DB
equivale a utilizar el discriminador
1 (x) = [x ÷
1
2

1

2
)]
t

1
÷µ
2
) . (12.4)
conocido como discriminador Euclídeo. 1 (x) es útil en determinadas
circunstancias, por ejemplo, cuando la cantidad de variables es grande
en relación al número 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 prácticas, no se dispone de las densidades ,
1
(x). ,
2
(x).
sino de dos muestras de tamaños :
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 población, y
2
= (o
i)
(2)) la matriz :
2
:
2
de distancias entre las muestras de la segunda población. Indicamos (las
representaciones Euclídeas 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 geométricas 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
12.2. ANÁLISIS DISCRIMINANTE BASADO EN DISTANCIAS 231
las coordenadas (convencionales) de . cuando suponemos que es de
1
. y
análogamente 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
.
en caso contrario asignamos . a
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 clasi…ca
. a la población más próxima:
Teorema 12.2.2 Supongamos que podemos representar . y las dos muestras
en dos espacios euclídeos (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 Euclídeas 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
x÷2x
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
x÷2x
t
x =d
2
1
(x.x) .
232CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
Ejemplo 12.2.1
Krzanowski (1975) ilustra el llamado “location model” para llevar a cabo
análisis discriminante con variables mixtas (cuantitativas, binarias, categóri-
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 categóricas (con tres estados cada una). Véase Krzanowski (1980) para
una descripción de los datos.
Tomando los 137 casos, se calcula el número de individuos mal clasi…ca-
dos utilizando el discriminador lineal LDF (11.2), el discriminador euclídeo
(12.4), el “location model” LM (que consiste en ajustar un discriminador
lineal para cada combinación de las variables categóricas) y el discriminador
basado en distancias DB, utilizando la similaridad de Gower (8.12) para vari-
ables mixtas y transformándola en distancia mediante (8.8). Los resultados
están contenidos en la siguiente tabla. Con el método DB se clasi…can equiv-
ocadamente sólo 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 categóricos o mixtos, véase Cuadras (1992b).
12.3. Complementos
El Análisis Discriminante se inicia en 1936 con el trabajo de R.A. Fisher
sobre clasi…cación de ‡ores del género Iris. A. Wald y T.W. Anderson estu-
diaron las propiedades del discriminador lineal. L. Cavalli y C.A.B. Smith
introdujeron el discriminador cuadrático.
J. A. Anderson, en diversos trabajos, estudió el modelo de discriminación
logístico. Si de…nimos
¸(.. x) = 1(
1
,x) = ¡
1
,
1
(x),(¡
1
,
1
(x) +¡
2
,
2
(x)).
la regla de clasi…cación es
. es de
1
si ¸(.. x) 1,2. de
2
en caso contrario.
12.3. COMPLEMENTOS 233
Entonces el modelo logístico (modelo logit) supone
¸(.. x) =
1
1 +c
c+
0
x
= 1(÷c ÷,
t
x),
donde 1(.) = 1,(1+c
÷:
) es la llamada función de distribución logística. Este
modelo se estudia en este mismo capítulo. Se pueden obtener otros modelos
cambiando 1. Por ejemplo, si escogemos la función de distribución normal
estándar, entonces obtenemos el llamado modelo probit.
Albert y Anderson (1984) probaron que en el modelo logístico, los esti-
madores máximo verosímiles de los parámetros no existen si hay completa
separación de las muestras de las dos poblaciones. Además, si las muestras es-
tán muy diferenciadas, las estimaciones de los parámetros no funcionan. Por
ejemplo, en el caso de los datos de ‡ores del género Iris, véase Tabla 3.2),
las estimaciones resultan demasiado grandes y no son correctas. Longford
(1994) estudió la función de verosimilitud en el modelo de regresión logística
con coe…cientes de regresión aleatorios.
Existen otros métodos de análisis discriminante, algunos no-paramétricos,
otros para variables mixtas, como el método del núcleo, del vecino mas próx-
imo, el basado en el “location model” de Krzanowski (1975), etc. Consúltese
McLachlan (1992).
Los métodos de análisis discriminante basados en distancias pueden abor-
dar todo tipo de datos y han sido estudiados por Cuadras (1989, 1992b,
2008), Cuadras et al. (1997). Permiten mejorar la ordenación y formación de
clusters, véase Anderson y Willis (2003) y De Cáceres et al. (2006).
Dadas dos poblaciones `
j
(j
1
. ) y `
j
(j
2
. ). el problema de la tipi-
calidad consiste en decidir si una observación x proviene de la mixtura
`
j
(cj
1
+ (1 ÷ c)j
2
. ). 0 _ c _ 1. o de una tercera población `
j
(j
3
. ).
Por ejemplo, en una prospección arqueológica puede interesar averiguar si
un cráneo pertenece a un mismo grupo humano (en el que hay hombres y
mujeres), o bien a otro grupo disinto. Este problema ha sido estudiado por
Rao (1973) y Bar-Hen y Daudin (1997) para datos normales. Para datos en
general se puede abordar también mediante distancias, véase Cuadras y For-
tiana (2000). El caso de varias poblaciones ha sido estudiado por Bar-Hen
(2001) y Irigoien y Arenas (2008). En Jauregui et al. (2011) se lleva a cabo
una interesante aplicación a la robótica.
234CAPÍTULO12. DISCRIMINACIÓNLOGÍSTICAYBASADAEN DISTANCIAS
Capítulo 13
EL MODELO LINEAL
13.1. El modelo lineal
Supongamos que una variable observable 1 depende de varias variables
explicativas (caso de la regresión múltiple), o que ha sido observada en difer-
entes situaciones experimentales (caso del análisis 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 notación matricial es
_
_
_
_
_
¸
1
¸
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 parámetros
d = (,
1
. ,
2
. . . . . ,
n
)
t
.
235
236 CAPÍTULO 13. EL MODELO LINEAL
3. La matriz de diseño
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 notación matricial compacta del modelo es:
y = Xd +o.
Solamente y y X son conocidas. En los modelos de regresión, X contiene
las observaciones de : variables explicativas. En los modelos de análisis de
la varianza, X contiene los valores 0. 1 ó ÷1. según el tipo de diseño experi-
mental.
13.2. Suposiciones básicas 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 común 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 estocásticamente in-
dependientes, entonces estamos ante un modelo lineal normal
y ~`
a
(Xd.o
2
I
j
).
La cantidad : = rang(X) es el rango del diseño. Se veri…ca : _ : y
cuando : = : se dice que es un modelo de rango máximo.
13.3. ESTIMACIÓN DE PARÁMETROS 237
13.3. Estimación de parámetros
13.3.1. Parámetros de regresión
La estimación de los parámetros d = (,
1
. . . . . ,
n
)
t
en función de las
observaciones y = (¸
1
. . . . . ¸
a
)
t
. se plantea mediante el criterio de los mínimos
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 mínimo.
Teorema 13.3.1 Toda estimación LS de d es solución 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
y÷2d
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 según el rango del diseño.
a) : = :. Entonces la estimación de d es única:
´
d = (X
t
X)
÷1
X
t
y. (13.4)
b) : < :. Cuando el diseño no es de rango máximo una solución 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 estimación 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
.
238 CAPÍTULO 13. EL MODELO LINEAL
13.3.2. Varianza
La varianza común de los términos de error, o
2
=var(c
i
). es el otro
parámetro que hemos de estimar en función de las observaciones y = (¸
1
. . . . . ¸
a
)
t
y de X. En esta estimación interviene de manera destacada la suma de
cuadrados residual.
Lema 13.3.2 Sea C
v
(X) el subespacio de 1
a
de dimensión : 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 básicas del modelo (Sección 13.2). Entonces el estadístico
´ 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). De…nimos z = T
t
y. Entonces z =(.
1
. . . . . .
a
)
t
veri…ca
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 también 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 239
La matriz de covarianzas de y es o
2
I
a
. y por ser T ortogonal, la de z es
también o
2
I
a
. Así
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 estimación de d es estocásticamente
independiente de la estimación de o
2
, que sigue la distribución ji-cuadrado.
Teorema 13.3.4 Sea y ~`
a
(Xd.o
2
I
j
) el modelo lineal normal de rango
máximo : = rang(X). Se veri…ca:
1. La estimación LS de d es también la estimación máximo verosímil de
d. Esta estimación es además insesgada y de varianza mínima.
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 estocásticamente independiente de 1
2
0
.
5. 1
2
0
,o
2
~ ¸
2
a÷v
.
13.4. Algunos modelos lineales
13.4.1. Regresión múltiple
El modelo de regresión múltiple 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-ésima observación de 1. y r
i1
. . . . . r
in
son las i-ésimas obser-
vaciones de las variables explicativas. La matriz de diseño es
X =
_
_
_
_
_
1 r
11
r
1n
1 r
21
r
2n
.
.
.
.
.
.
.
.
.
.
.
.
1 r
a1
r
an
_
_
_
_
_
.
240 CAPÍTULO 13. EL MODELO LINEAL
13.4.2. Diseño de un factor
Supongamos que una variable observable 1 ha sido observada en / condi-
ciones experimentales diferentes, y que disponemos de :
i
réplicas (observa-
ciones independentes de 1 ) ¸
i1
. . . . . ¸
ia
i
bajo la condición 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 condición i. Las
desviaciones aleatorias c
iI
se suponen normales independientes. En el modelo
(13.6), se supone la restricción lineal
c
1
+ +c
I
= 0.
y por tanto cabe considerar solamente los parámetros j. c
1
. . . . .c
I÷1
. Por
ejemplo, si / = 3. :
1
= :
2
= 2. :
3
= 3. la matriz de diseño 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. Diseño 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, producción 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. HIPÓTESIS LINEALES 241
Por ejemplo, si c = / = 3 la matriz de diseño 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. Hipótesis lineales
Consideremos el modelo lineal normal y = Xd +o. Una hipótesis lineal
es una restricción lineal sobre los parámetros d del modelo.
De…nición 13.5.1 Una hipótesis lineal de rango t sobre los parámetros d es
una restricción lineal
/
i1
,
1
+ +/
in
,
n
= 0. i = 1. . . . . t.
Indicando la matriz t :. con t < : …las linealmente independientes,
H =
_
_
/
11
/
1n

/
t1
/
tn
_
_
la notación matricial de una hipótesis lineal es
H
0
: Hd = 0. (13.9)
De…nición 13.5.2 Una hipótesis lineal es demostrable si las …las de H son
combinación lineal de las …las de X. Dicho de otra manera, si existe una
matriz A de orden t : tal que
H = AX.
242 CAPÍTULO 13. EL MODELO LINEAL
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 hipótesis lineal si esta hipótesis es “demostrable”.
c) Es evidente que si el modelo es de rango máximo, : = rang(X) = :.
cualquier hipótesis lineal es demostrable.
Cuando una hipótesis (13.9) es cierta, los parámetros d se convierten en
0 y la matriz de diseño X en
¯
X. Así 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 de…nimos los parámetros
0 = (o
1
. . . . . o
v÷t
)
t
tales que
d = C0.
entonces Hd = HCd = 0 y el modelo y = Xd +o. bajo la restricción Hd = 0.
se transforma en (13.10), siendo
¯
X = XC.
La estimación LS de 0 es
´
0= (
¯
X
t
¯
X)
÷1
¯
Xy
y la suma de cuadrados residual es
1
2
1
= (y÷
¯
X
´
0)
t
(y÷
¯
X
´
0).
También se puede probar que la estimación LS de los parámetros d. bajo
la restricción (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 Análisis
de la Varianza.
13.5. HIPÓTESIS LINEALES 243
Teorema 13.5.1 Sea y ~`
a
(Xd.o
2
I
j
) el modelo lineal normal y H
0
: Hd = 0
una hipótesis lineal demostrable de rango t. Consideremos los estadísticos
1
2
0
= (y ÷X
´
d)
t
(y ÷X
´
d). 1
2
1
= (y ÷X
´
d
1
)
t
(y ÷X
´
d
1
).
Se veri…ca:
1. 1
2
0
,o
2
~ ¸
2
a÷v
.
2. Si H
0
es cierta
1
2
1
o
2
~ ¸
2
a÷v
0 .
1
2
1
÷1
2
0
o
2
~ ¸
2
t
.
siendo :
t
= : ÷t.
3. Si H
0
es cierta, los estadísticos (1
2
1
÷ 1
2
0
) y 1
2
0
son estocásticamente
independientes.
Demost.: Observemos primero que bajo el modelo lineal normal, ¸
1
. . . . . ¸
a
son normales independientes, y .
1
. . . . . .
a
(véase Teorema 13.3.3) son también
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 hipótesis lineal es cierta, la matriz de diseño X se transforma en
¯
X= XC. es decir, las columnas de XC son combinación 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 distribución ¸
2
a÷v
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 distribución ¸
2
t
. donde t = : ÷:
t
.
244 CAPÍTULO 13. EL MODELO LINEAL
3. Las sumas de cuadrados que intervienen en 1
2
0
y en 1
2
1
÷1
2
0
no tienen
términos en común, por tanto son independientes.
Consecuencia inmediata y muy importante de este resultado es que, si H
0
es cierta, entonces el estadístico
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
a÷v
. (13.11)
Es decir, 1 sigue la distribución F con t y : ÷ : grados de libertad y no
depende de la varianza (desconocida) del modelo.
13.6. Inferencia en regresión múltiple
Consideremos el modelo de regresión múltiple (13.5). El rango del modelo
es rang(X) = :+ 1. La hipótesis más 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 hipótesis 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 parámetro ,
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
a÷n÷1
.
13.7. COMPLEMENTOS 245
El test F se suele expresar en términos de la correlación múltiple. 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 coe…ciente de correlación múltiple muestral entre 1 y A
1
. . . . . A
n
(Teorema 4.2.2). Por tanto, si H
0
es cierta, es decir, si la correlación múltiple
poblacional es cero, entonces
1 =
1
2
1 ÷1
2
: ÷:÷1
:
~ 1
n
a÷n÷1
.
Rechazaremos H
0
si 1 es signi…cativa.
13.7. Complementos
Hemos visto los aspectos fundamentales del modelo lineal. Un estudio
más completo incluiría:
a) análisis grá…co de los residuos, b) efectos de la colinealidad, c) mín-
imos cuadrados ponderados, d) errores correlacionados, e) selección de las
variables, etc. Ver Peña (1989), Chatterjee y Price (1991), Carmona (2005).
Para tratar variables explicativas mixtas, podemos de…nir un modelo lin-
eal considerando las dimensiones principales obtenidas aplicando análisis de
coordenadas principales sobre una matriz de distancias entre las observa-
ciones. Consultar Cuadras y Arenas (1990), Cuadras et al. (1996).
246 CAPÍTULO 13. EL MODELO LINEAL
Capítulo 14
ANÁLISIS DE LA VARIANZA
(ANOVA)
El análisis de la varianza comprende un conjunto de técnicas estadísticas
que permiten analizar cómo operan diversos factores, estudiados simultánea-
mente en un diseño factorial, sobre una variable respuesta.
14.1. Diseño 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 : ¸

= (1,:
i
)

I
¸
iI
Media general: ¸ = (1,:)

i

I
¸
iI
No. total de observaciones: : = :
1
+ +:
I
247
248 CAPÍTULO 14. ANÁLISIS DE LA VARIANZA (ANOVA)
También indiquemos:
Suma de cuadrados entre grupos: Q
1
=

i
:
i


÷¸)
2
Suma de cuadrados dentro de grupos: Q
1
=

i

I

iI
÷¸

)
2
Suma de cuadrados total: Q
T
=

i

I

iI
÷¸)
2
Se veri…ca la relación fundamental:
Q
T
= Q
1
+Q
1
.
Las estimaciones LS de las medias j
i
son
´ j
i
= ¸

. i = 1. . . . . /.
y la suma de cuadrados residual es 1
2
0
= Q
1
.
La hipótesis nula de principal interés 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 estimación es
´ j = ¸. Entonces la suma de cuadrados residual es 1
2
1
= Q
T
y además se
veri…ca
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
a÷I
.
2. Si H
0
es cierta, Q
1
,(/ ÷1) es también estimador centrado de o
2
y
Q
T
o
2
~ ¸
2
a÷1
.
Q
1
o
2
~ ¸
2
I÷1
.
3. Si H
0
es cierta, los estadísticos Q
1
y Q
1
son estocásticamente inde-
pendientes.
Consecuencia inmediata es que, si H
0
es cierta, entonces el estadístico
1 =
Q
1
,(/ ÷1)
Q
1
,(: ÷/)
~ 1
I÷1
a÷I
.
14.2. DISEÑO DE DOS FACTORES 249
14.2. Diseño 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 observación para cada combinación
de los niveles de los factores:
B
1
B
2
B
b
A
1
¸
11
¸
12
¸
1b
¸

A
2
¸
21
¸
22
¸
2b
¸

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A
o
¸
o1
¸
o2
¸
ob
¸

¸
·1
¸
·2
¸
·b
¸
··
siendo
¸

=
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 diseño y los g.l. del residuo son
: = 1 +(c÷1) +(/ ÷1) = c+/ ÷1. :÷: = c/ ÷(c+/ ÷1) = (c÷1)(/ ÷1).
Las estimaciones de los parámetros son
´ j = ¸. ´ c
i
= ¸

÷¸.
´
,
)
= ¸
·)
÷¸.
y la expresión de la desviación 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
.
250 CAPÍTULO 14. ANÁLISIS DE LA VARIANZA (ANOVA)
También consideramos las cantidades:
Suma de cuadrados entre …las: Q
¹
= /

i


÷¸)
2
Suma de cuadrados entre columnas: Q
1
= c

)

·)
÷¸)
2
Suma de cuadrados residual: Q
1
=

i,)

i)
÷¸

÷¸
·)
+¸)
2
Suma de cuadrados total: Q
T
=

i,)

i)
÷¸)
2
Se veri…ca la siguiente identidad:
Q
T
= Q
¹
+Q
1
+Q
1
.
En el modelo de dos factores, las hipótesis de interés son:
H
¹
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, actúa solamente un factor, y por tanto
1
2
1
=
o

i=1
b

)=1

i)
÷¸

)
2
.
Ahora bien, desarrollando (¸
i)
÷¸

)
2
= ((¸
·)
÷¸)+(¸
i)
÷¸

÷¸
·)
+¸))
2
resulta
que
1
2
1
= Q
1
+Q
1
.
Análogamente, si H
1
0
es cierta, obtendríamos 1
2
1
= Q
¹
+Q
1
. Por el Teorema
13.5.1 se veri…ca:
1. Q
1
,(c÷1)(/÷1) es un estimador centrado de o
2
y Q
1
,o
2
~ ¸
2
(o÷1)(b÷1)
.
2. Si H
¹
0
es cierta, Q
¹
,(c ÷ 1) es también estimador centrado de o
2
,
Q
¹
,o
2
~ ¸
2
(o÷1)
y los estadísticos Q
¹
y Q
1
son estocásticamente inde-
pendientes.
3. Si H
1
0
es cierta, Q
1
,(/ ÷ 1) es también estimador centrado de o
2
.
Q
1
,o
2
~ ¸
2
(b÷1)
y los estadísticos Q
1
y Q
1
son estocásticamente inde-
pendientes.
14.3. DISEÑO DE DOS FACTORES CON INTERACCIÓN 251
Por lo tanto tenemos que para decidir H
¹
0
utilizaremos el estadístico
1
¹
=
Q
¹
Q
1
(c ÷1)(/ ÷1)
(c ÷1)
~ 1
o÷1
(o÷1)(b÷1)
.
y para decidir H
1
0
utilizaremos
1
1
=
Q
1
Q
1
(c ÷1)(/ ÷1)
(/ ÷1)
~ 1
b÷1
(o÷1)(b÷1)
.
14.3. Diseño de dos factores con interacción
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 (réplicas) para cada com-
binación 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 diseño de dos factores con interacción 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 interacción entre los niveles A
i
.B
)
. El
252 CAPÍTULO 14. ANÁLISIS DE LA VARIANZA (ANOVA)
parámetro ¸
i)
mide la desviación del modelo aditivo 1(¸
i)I
) = j +c
i
+,
)
y
solamente es posible estimar si hay c 1 réplicas. Se suponen las restricciones
o

i=1
c
i
=
b

)=1
,
)
=
o

i=1
¸
i)
=
b

)=1
¸
i)
= 0.
Así el número de parámetros 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 parámetros son
´ j = ¸. ´ c
i
= ¸
i··
÷¸.
´
,
)
= ¸
·)·
÷¸. ´ ¸
i)
= ¸
i)·
÷¸
i··
÷¸
·)·
+¸.
y la expresión de la desviación 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
.
También debemos considerar las cantidades:
Suma de cuadrados entre …las: Q
¹
= /c

i

i··
÷¸)
2
Suma de cuadrados entre columnas: Q
1
= cc

)

·)·
÷¸)
2
Suma de cuadrados de la interacción: Q
¹1
= c

i,)

i)·
÷¸
i··
÷¸
·)·
+¸)
2
Suma de cuadrados residual: Q
1
=

i,)I

i)I
÷¸
i··
)
2
Suma de cuadrados total: Q
T
=

i,)

i)I
÷¸)
2
Se veri…ca la siguiente identidad
Q
T
= Q
¹
+Q
1
+Q
¹1
+Q
1
.
Las hipótesis de interés son:
H
¹
0
: c
1
= = c
o
= 0 (no hay efecto …la)
H
1
0
: ,
1
= = ,
b
= 0 (no hay efecto columna)
H
¹1
0
: ¸
11
= = ¸
ob
= 0 (no hay interacción)
14.4. DISEÑOS MULTIFACTORIALES 253
Como en los casos anteriores, podemos ver que la aceptación o rechazo de
las hipótesis se decide mediante el test F:
1
¹
=
Q
¹
Q
1
c/(c ÷1)
c ÷1
~ 1
o÷1
ob(c÷1)
1
1
=
Q
1
Q
1
c/(c ÷1)
/ ÷1
~ 1
b÷1
ob(c÷1)
1
¹1
=
Q
¹1
Q
1
c/(c ÷1)
(c ÷1)(/ ÷1)
~ 1
(o÷1)(b÷1)
ob(c÷1)
14.4. Diseños multifactoriales
Los diseños de dos factores se generalizan a un número mayor de factores.
Cada factor representa una causa de variabilidad que actúa sobre la variable
observable. Si por ejemplo, hay 3 factores A, B, C, las observaciones son ¸
i)II
.
donde i indica el nivel i-ésimo de A, , indica el nivel j-ésimo de B, / indica
el nivel k-ésimo de C, y / indica la réplica / para la combinación i,/ de los
tres factores, que pueden interactuar. Un modelo típico es
¸
i)II
= j +c
¹
i
+c
1
)
+c
C
I
+c
¹1
i)
+c
¹C
iI
+c
1C
)I
+c
¹1C
i)I
+c
i)II
.
siendo:
j = media general,
c
¹
i
. c
1
)
. c
C
I
= efectos principales de A,B,C,
c
¹1
i)
. c
¹C
iI
. c
1C
)I
= interacciones entre A y B, A y C, B y C,
c
¹1C
i)I
= interacción entre A,B y C,
c
i)II
= desviación aleatoria `(0. o
2
).
Son hipótesis de interés: H
¹
0
: c
¹
i
= 0 (el efecto principal de A no es signi-
…cativo), H
¹1
0
: c
¹1
i
= 0 (la interacción entre A y B no es signi…cativa), etc.
Los contrastes para aceptar o no estas hipótesis se obtienen descomponiendo
la variabilidad total en sumas de cuadrados

i,),I,I

iI)I
÷¸)
2
= ¹ +1 +C +¹1 +¹C +1C +¹1C +1.
donde 1 es el residuo. Si los factores tienen c. /. c niveles, respectivamente, y
hay d réplicas para cada combinación de los niveles, entonces ¹ tiene (c ÷1)
254 CAPÍTULO 14. ANÁLISIS DE LA VARIANZA (ANOVA)
g.l., ¹1 tiene (c ÷1)(/ ÷1) g.l. Si interpretamos las réplicas como un factor
1. el residuo es
1 = 1 +¹1 +11 +C1 +¹11 +¹C1 +1C1 +¹1C1
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 =
¹,(c ÷1)
1,¡
. 1 =
¹1,(c ÷1)(/ ÷1)
1,¡
.
que sirven para aceptar o rechazar H
¹
0
y H
¹1
0
, respectivamente.
En determinadas situaciones experimentales puede suceder que algunos
factoros no interactúen. Entonces las sumas de cuadrados correspondientes
se suman al residuo. Por ejemplo, si C no interactúa con A,B, el modelo es
¸
i)II
= j +c
¹
i
+c
1
)
+c
C
I
+c
¹1
i)
+c
i)II
y la descomposición de la suma de cuadrados es

i,),I,I

iI)I
÷¸)
2
= ¹ +1 +C +¹1 +1
t
.
donde 1
t
= ¹C +1C +¹1C +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 hipótesis anteriores son ahora
1 =
¹,(c ÷1)
1
t

t
. 1 =
¹1,(c ÷1)(/ ÷1)
1
t

t
.
14.5. Modelos log-lineales
Supongamos que tenemos dos variables categóricas A,B con c. / categorías
respectivamente, y hemos observado las c/ categorias : =

i)
,
i)
veces,
14.5. MODELOS LOG-LINEALES 255
donde ,
i)
es el número de veces que se observó la intersección A
i
¨B
)
. es
decir, tenemos la tabla de contingencia c / :
B
1
B
2
B
b
A
1
,
11
,
12
,
1b
,

A
2
,
21
,
22
,
2b
,

.
.
.
.
.
.
A
o
,
o1
,
o2
,
ob
,

,
·1
,
·2
,
·b
:
donde ,

=

)
,
i)
. ,
·)
=

i
,
i)
son las frecuencias marginales de A
i
.B
)
respectivamente. Indiquemos las probabilidades
j
i)
= 1(A
i
¨ B
)
). j

= 1(A
i
). j
·)
= 1(B
)
).
Existe independencia estocástica entre A
i
y B
)
si j
i)
= j

j
·)
. es decir, si
ln j
i)
= ln j

+ ln j
·)
.
Si introducimos las frecuencias teóricas
1
i)
= :j
i)
. 1

= :j

. 1
·)
= :j
·)
.
la condición de independencia es
ln 1
i)
= ln 1

+ ln 1
·)
÷ln :.
que podemos escribir como
ln 1
i)
= ` +`
¹
i
+`
1
)
. (14.1)
siendo
` = (

o
i=1

b
)=1
ln 1
i)
),c/.
`
¹
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 estocástica. Por tan-
to, hemos de añadir un término `
¹1
i)
a (14.1) y escribir
ln 1
i)
= ` +`
¹
i
+`
1
)
+`
¹1
i)
.
256 CAPÍTULO 14. ANÁLISIS DE LA VARIANZA (ANOVA)
donde `
¹1
i)
= ln 1
i)
÷ ` ÷ `
¹
i
÷ `
1
)
es la desviación 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 estimación de los parámetros es muy
semejante al modelo anova, pero los contrastes de hipótesis se resuelven me-
diante ji-cuadrados.
La hipótesis de interés es la independencia entre A,B
H
0
: `
¹1
i)
= 0.
que equivale a decir que los datos se ajustan al modelo (14.1). Sean
´
1
i)
= :,

,
·)
las estimaciones máximo-verosímiles de las frecuencias esperadas. El test ji-
cuadrado clásico consiste en calcular

i,)
(,
i)
÷
´
1
i)
)
2
,
´
1
i)
y el test de la razón de verosimilitud se basa en
2

i,)
,
i)
log(,
i)
,
´
1
i)
).
que también sigue la distribución ji-cuadrado con (c ÷1)(/ ÷1) g.l.
El tratamiento de 3 variables categóricas A, B, C es semejante. Partiendo
de una tabla de contingencia c / c. puede interesarnos saber si:
a) A, B, C son mútuamente independientes, en cuyo caso el modelo es
ln 1
i)I
= ` +`
¹
i
+`
1
)
+`
C
I
.
b) Hay dependencia entre A y B, entre A y C, entre B y C
ln 1
i)I
= ` +`
¹
i
+`
1
)
+`
C
I
+`
¹1
i)
+`
¹C
iI
+`
1C
)I
.
c) Hay además dependencia entre A, B, C
ln 1
i)I
= ` +`
¹
i
+`
1
)
+`
C
I
+`
¹1
i)
+`
¹C
iI
+`
1C
)I
+`
¹1C
i)I
.
d) A es independiente de B, C, que son dependientes, siendo el modelo
ln 1
i)I
= ` +`
¹
i
+`
1
)
+`
C
I
+`
1C
)I
.
En cada caso, el test ji-cuadrado o el de razón de verosimilitud nos permiten
decidir si los datos se ajustan al modelo. Conviene observar que obtendríamos
¸
2
= 0 en el tercer modelo, ya que los datos se ajustan perfectamente al
modelo.
14.5. MODELOS LOG-LINEALES 257
Género Edad Supervivencia 1 2 3 T
Hombre Adulto NO 118 154 387 670
Mujer 4 13 89 3
Hombre Niño 0 0 35 0
Mujer 0 0 17 0
Hombre Adulto SÍ 57 14 75 192
Mujer 140 80 76 20
Hombre Niño 5 11 13 0
Mujer 1 13 14 0
Tabla 14.1: Tabla de frecuencias combinando género, edad, supervivencia y
clase, de los datos del "Titanic".
14.5.1. Ejemplo
Ejemplo 14.5.1
Analicemos los datos de supervivencia del "Titanic"(véase el Ejemplo
9.8.2), Tabla 14.1.
Indicamos por c la parte del modelo que contiene los efectos principales
y las interacciones de orden inferior a la máxima propuesta. Por ejemplo, en
el caso del modelo [GESC], tendríamos
c = ` +`
G
i
+`
1
)
+`
S
I
+`
C
|
+`
G1
i)
+`
GS
iI
+`
GC
i|
+`
1S
)I
+`
1C
)|
+`
SC
I|
Entonces los modelos analizados son:
Modelo para ln 1
i)I|
Símbolo ¸
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] 112.33 13 0.000
c +`
G1S
i)I
+ +`
1SC
)I|
[GES][GEC][GSC][ESC] 5.3 3 0.151
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
258 CAPÍTULO 14. ANÁLISIS DE LA VARIANZA (ANOVA)
El modelo [G][E][S][C] debe rechazarse, pues ¸
2
es muy signi…cativo. El
modelo [GE][GS][GC][ES][EC][SC] con sólo las interacciones de segundo or-
den se ajusta mejor pero también debe rechazarse. El modelo con todas las
interacciones de tercer orden [GES][GEC][GSC][ESC] puede aceptarse, indi-
cando que todas las variables interaccionan. El modelo [GEC][S], signi…caría
suponer (caso de aceptarse) que el combinado de género, edad y clase es in-
dependiente de la supervivencia, pero también debe rechazarse. El modelo
[GESC] es el modelo de dependencia completa, que incluye todas las inter-
acciones, se ajusta perfectament a las frecuencias observadas, pero carece de
interés (hay tantos parámetros como datos).
Un modelo razonable que podría aceptarse es el [GEC][GSC][ESC], ¸
2
=
9.2 con 4 g.l. Se concluye que debemos aceptar que la supervivencia dependía
del género, edad y clase. El salvamento de los pasajeros se produjo en los
términos siguientes: “mujeres y niños primero (según la clase) y después
hombres de primera clase”.
14.6. Complementos
El Análisis de la Varianza fue introducido por R. A. Fisher en 1938, para
resolver problemas de diseño experimental en agricultura. Hemos visto que
es una aplicación del modelo lineal. Existen muchos diseños diferentes, cuyo
estudio dejamos para otro momento.
Los primeros estudios y aplicaciones consideraban factores de efectos …-
jos. En 1947, C. Eisenhart consideró que algunos efectos podían ser aleato-
rios. Ciertamente, los efectos que actúan sobre los modelos pueden ser …jos,
aleatorios o mixtos, y cuando hay interacciones el cálculo de los cocientes F
es diferente. Ver Cuadras (2000), Peña (1989).
Capítulo 15
ANÁLISIS DE LA VARIANZA
(MANOVA)
15.1. Modelo
El análisis multivariante de la varianza (MANOVA) es una generalización
en j 1 variables del análisis 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)
259
260 CAPÍTULO 15. ANÁLISIS DE LA VARIANZA (MANOVA)
siendo X la matriz de diseño
X =
_
_
_
_
_
r
11
r
12
r
1n
r
21
r
22
r
2n
.
.
.
.
.
.
.
.
.
.
.
.
r
a1
r
a2
r
an
_
_
_
_
_
.
H la matriz de parámetros de regresión
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. Estimación de parámetros
En el modelo MANOVA debemos estimar los :j parámetros de regre-
sión contenidos en H. así como la matriz de covarianzas .
En el modelo univariante y = Xd +o. la estimación 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. ESTIMACIÓN DE PARÁMETROS 261
Teorema 15.2.1 Consideremos el modelo de regresión 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 parámetros de regresión H veri…can las
ecuaciones normales
X
t
X
´
H = X
t
¥. (15.2)
y vienen dados por
´
H = (X
t
X)
÷1
X
t
¥.
cuando el diseño es de rango máximo : = rang(X) =:. y por
´
H = (X
t
X)
÷
X
t
¥
cuando : < :. El estimador
´
H minimiza la traza tr(
´
E
t
´
E) así como el
determinante det(
´
E
t
´
E). Además
´
H es un estimador insesgado de H.
Demost.: Sea H
0
otro estimador de H. Entonces:
(¥÷XH
0
)
t
(¥÷XH
0
) = (¥÷X
´
H+X
´
H÷XH
0
)
t
(¥÷X
´
H+X
´
H÷XH
0
)
= H
0
+ (X
´
H÷XH
0
)
t
(X
´
H÷XH
0
)+
(¥÷X
´
H)
t
(X
´
H÷XH
0
)+(X
´
H÷XH
0
)
t
(¥÷X
´
H)
= H
0
+ (X
´
H÷XH
0
)
t
(X
´
H÷XH
0
).
pues (¥÷X
´
H)
t
(X
´
H÷XH
0
) =(¥÷X
´
H)
t
X(
´
H÷H
0
) = 0 por veri…car
´
H
las ecuaciones normales (15.2). Luego (¥÷XH
0
)
t
(¥÷XH
0
) = H
0
+ ^.
siendo ^ una matriz j j de…nida positiva. Entonces la traza y el determi-
nante de (¥÷XH
0
)
t
(¥÷XH
0
) alcanzan el valor mínimo 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.
262 CAPÍTULO 15. ANÁLISIS DE LA VARIANZA (MANOVA)
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 estimación centrada de la matriz de covarianzas es
´
= H
0
,(: ÷:).
Demost.:
(¥÷X
´
H)
t
(¥÷X
´
H) = ¥
t
¥÷¥
t
X
´

´
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 serán 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 =
_
µ
0
_
: primeras …las
: ÷: últimas …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
a÷v
_
: primeras …las
: ÷: últimas …las
donde Z
a÷v
es matriz (: ÷:) j. Pero
T
t
´
E = T
t
¥÷T
t
X
´
H = Z ÷
_
+
0
_
=
_
0
Z
a÷v
_
.
15.3. CONTRASTE DE HIPÓTESIS LINEALES 263
es decir, las últimas : ÷ : …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
a÷v
¸
_
0
Z
a÷v
_
= Z
t
a÷v
Z
a÷v
.
Indiquemos Z
t
a÷v
= [z
1
. . . . . z
a÷v
] donde z
t
1
. . . . . z
t
a÷v
son las …las (inde-
pendientes) de Z
a÷v
. Entonces cada z
i
es un vector de media cero y matriz
de covarianzas . Luego 1(z
i
z
t
i
) = y Z
t
a÷v
Z
a÷v
= z
1
z
t
1
+ + z
a÷v
z
t
a÷v
.
Por lo tanto
1(H
0
) = 1(z
1
z
t
1
+ +z
a÷v
z
t
a÷v
) = (: ÷:).
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 veri…ca entonces que la distribución de H
0
es Wishart \
j
(. : ÷:).
Demost.: Hemos visto en el teorema anterior que 1(Z
a÷v
) = 0. Así las : ÷
: …las de Z
a÷v
son todas `
j
(0.) independientes. Luego H
0
= Z
t
a÷v
Z
a÷v
cumple las condiciones de una matriz j j que sigue la distribución de
Wishart.
15.3. Contraste de hipótesis lineales
Una hipótesis lineal demostrable de rango t y matriz H es
H
0
: HH = 0
donde las …las de H son combinación lineal de las …las de X.
Como en el caso univariante (Sección 13.5), si H
0
es cierta, el modelo se
transforma en
¥ =
¯
X+E.
la estimación de los parámetros 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
).
264 CAPÍTULO 15. ANÁLISIS DE LA VARIANZA (MANOVA)
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 hipótesis lineal demostrable y H
1
la matriz de residuos bajo H
0
.
Se veri…ca:
1. H
0
~ \
j
(. : ÷:).
2. Si H
0
es cierta, las matrices H
0
y H
1
÷ H
0
siguen la distribución 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
son estocásticamente inde-
pendientes.
Demost.: Si la hipótesis H
0
es cierta, el subespacio generado por las …las de
H está 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..Así la matriz de diseño
X se transforma en
¯
X = XC. donde las columnas de XC son combinación
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
a÷v
0
_
.
15.4. MANOVA DE UN FACTOR 265
donde las : ÷:
t
…las de Z
a÷v
0 son `
j
(0.) independientes. Por tanto
H
1
= (¥÷
¯
X
´
)
t
(¥÷
¯
X
´
) = Z
t
a÷v
0 Z
a÷v
0
es Wishart \
j
(. : ÷:
t
). Por otro lado podemos escribir
T
t
(¥÷
¯
X
´
) =
_
0
Z
a÷v
0
_
=
_
_
0
Z
t
Z
a÷v
_
_
.
donde las t = : ÷:
t
…las de Z
t
son independientes de las : ÷: …las de Z
a÷v
.
Entonces H
1
= Z
t
t
Z
t
+Z
t
a÷v
Z
a÷v
. 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 más 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).
Así 0 _ _ 1 sigue la distribución de Wilks. Aceptaremos H
0
si no es
signi…cativo y rechazaremos H
0
si es pequeño y signi…cativo.
Tabla general MANOVA
g. l. matriz Wishart lambda de Wilks
Desviación hipótesis t H
1
÷H
0
= [H
0
[,[H
1
[
Residuo : ÷: H
0
Criterio decisión: Si <
c
se rechaza H
0
. donde 1((j. : ÷:. t) <
c
) = c.
15.4. Manova de un factor
El modelo del diseño de un único factor o causa de variabilidad es
y
iI
= µ +o
i
+o
iI
. i = 1. . . . ./; / = 1. . . . .:
i
.
donde µ es un vector de medias general, o
i
es el efecto del nivel i del fac-
tor, y
iI
es la observación multivariante / en la situación (o población) i.
266 CAPÍTULO 15. ANÁLISIS DE LA VARIANZA (MANOVA)
correspondiendo a la misma situación experimental del análisis canónico de
poblaciones (Capítulo 7), con : = :
1
+ +:
I
. Por tanto
V = H
0
. H = H
1
÷H
0
. T = H
1
= H+V.
son las matrices de dispersión “dentro grupos”, “entre grupos” y “total”,
respectivamente (Sección 3.3.3).
MANOVA de un factor
g. l. matriz Wishart lambda de Wilks
Entre grupos / ÷1 H = [V[,[T[
Dentro grupos : ÷/ V ~ (j. : ÷/. / ÷1)
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)
= µ +o
i
+d
)
+o
i)
. i = 1. . . . . c; , = 1. . . . . /.
donde µ 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 generalización 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)·
÷¸
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 veri…ca
T = A+H+H
0
.
Indicando ¡ = (c ÷1)(/ ÷1). obtenemos la tabla
15.6. MANOVA DE DOS FACTORES CON INTERACCIÓN 267
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 interacción
En el diseño de dos factores con interacción suponemos que las : = c/c
observaciones multivariantes dependen de dos factores …la y columna, con c
y / niveles respectivamente, y que hay c observaciones (réplicas) para cada
una de las c / combinaciones de los niveles. El modelo lineal es
y
i)I
= µ +o
i
+d
)
+_
i)
+o
i)I
. i = 1. . . . . c; , = 1. . . . . /; / = 1. . . . . c.
donde µ 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 interacción,
parámetro que mide la desviación de la aditividad del efecto de los factores,
e y
i)I
= (¸
i)I1
. . . . . ¸
i)Ij
)
t
es la réplica multivariante / de las variables ob-
servables. También, 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·
÷¸
i···
)
t

=

i,)

i)&
÷¸
&
)(¸
i)&
÷¸
&
). n. · = 1. . . . . j.
que veri…can
T = A+H+AH+H
0
.
( AH no es un producto matricial). Obtenemos la tabla:
268 CAPÍTULO 15. ANÁLISIS DE LA VARIANZA (MANOVA)
MANOVA de dos factores con interacción
matriz lambda
g. l. Wishart de Wilks
Filas c ÷1 A [A[,[T[ ~ (j. :. c ÷1)
Columnas / ÷1 H [H[,[T[ ~ (j. :. / ÷1)
Interacción (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 269
Figura 15.1: Representación canónica de los datos de las ratas hembras
(izquierda) y machos (derecha).
g. l. matriz dispersión 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 signi…cativos los efectos S y T, pero la interacción no es signi…cativa.
Una representación canónica de los 3 2 = 6 grupos (Figura 15.1) ayuda
a visualizar las diferencias. Podemos ver que la pequeña diferencia entre las
representaciones de las tres temperaturas de los machos y de las hembras,
indican una cierta interacción, aunque no signi…cativa.
270 CAPÍTULO 15. ANÁLISIS DE LA VARIANZA (MANOVA)
Ejemplo 15.7.2 Coleópteros.
Continuando con el ejemplo 7.5.1, vamos a estudiar 8 especies (factor E)
de coleópteros del género Timarcha, pero teniendo en cuenta el sexo, machos
y hembras (factor S), en relación a 5 variables biométricas.
Las matrices de dispersión entre especies, entre sexos, debidas a la inter-
acción, residual y los estadísticos 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
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
Sean `
1
_ _ `
j
los valores propios de H
0
respecto de H
1
. es decir,
las raices de la ecuación det(H
0
÷`H
1
) = 0. 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
razón de verosimilitud en el test de hipótesis, entonces ` =
a¸2
.
15.8. OTROS CRITERIOS 271
Es fácil ver que 0 _ `
i
_ 1. Se llaman correlaciones canónicas general-
izadas (al cuadrado) a :
2
i
= 1 ÷`
i
. i = 1. . . . . j. Entonces el criterio de Wilks
en términos de correlaciones es
=
j

i=1
(1 ÷:
2
i
).
Se demuestra que cualquier estadístico que sea invariante por cambios de
origen y de escala de los datos, debe ser necesariamente función de los valores
propios `
1
_ _ `
j
(Anderson, 1958). Así, otros estadísticos propuestos
son:
1. Traza de Hotelling:
tr[H
÷1
0
(H
1
÷H
0
)] =
j

i=1
1 ÷`
i
`
i
=
j

i=1
:
2
i
1 ÷:
2
i
.
2. Traza de Pillai:
tr[H
÷1
1
(H
1
÷H
0
)] =
j

i=1
(1 ÷`
i
) =
j

i=1
:
2
i
.
3. Raíz mayor de Roy:
o = 1 ÷`
j
= :
2
1
.
Este último estadístico está basado en el principio de unión intersección
(véase Sección 3.5.2) y se obtiene maximizando la 1 de Fisher-Snedecor para
todas las combinaciones lineales de las variables:
max
o
1(c) = max
o
a
t
(H
1
÷H
0
)a
a
t
H
0
a
: ÷:
t
= `
t
1
: ÷:
t
.
siendo `
t
1
el primer valor propio de (H
1
÷H
0
) respecto de H
0
. Se cumple la
relación `
t
1
= (1 ÷`
j
),`
j
y se toma como estadístico de contraste
o =
`
t
1
1 +`
t
1
= 1 ÷`
j
= :
2
1
.
En el ejemplo 15.7.2, para contrastar las diferencias entre localidades,
obtenemos los siguientes valores de los estadísticos 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
272 CAPÍTULO 15. ANÁLISIS DE LA VARIANZA (MANOVA)
Figura 15.2: Representación HE plot (combinada con la representación
canónica) de los datos de las ‡ores Iris, con los elipsoides de concentración
de las matrices H = H
1
÷H
0
(línea gruesa) y E = H
0
(línea discontínua).
15.9. Complementos
El Análisis Multivariante de la Varianza es muy similar al Análisis de
la Varianza, salvo que interviene más de una variable cuantitativa observ-
able. Esta extensión multivariante se inicia en 1930 con los trabajos de H.
Hotelling, J. Wishart y S. S. Wilks. Posteriormente S. N. Roy propuso un
planteamiento basado en el principio de unión-intersección.
Los cuatro criterios que hemos visto son equivalentes para j = 1. y difer-
entes para j 1. No está claro cual es el mejor criterio, depende de la
hipótesis alternativa. Por ejemplo, en el diseño de un factor, si los vectores
de medias están prácticamente alineados, entonces el criterio de Roy es el
más potente. Ver Rencher (1998).
Tales criterios miden el tamaño de H = H
1
÷H
0
respecto de E = H
0
. ma-
trices que se pueden visualizar mediante elipsoides de concentración. Friendly
(2007) propone representar ambos elipsoides en el llamado HE plot (Figura
15.2).
Se puede plantear un análisis tipo ANOVA para datos categóricos, dando
lugar al método 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 continuación aplicando el modelo de regresión multivariante. Véase Cuadras
(2008), Cuadras y Cuadras (2011).
Capítulo 16
FUNCIONES ESTIMABLES
MULTIVARIANTES
16.1. Funciones estimables
En el modelo lineal univariante y = Xd +o, además de la estimación de
los parámetros de regresión d. tiene también interés la estimación de ciertas
combinaciones lineales de los parámetros d.
De…nición 16.1.1 Una función paramétrica · es una combinación lineal de
los parámetros d = (,
1
. . . . . ,
n
)
t
· = j
1
,
1
+ +j
n
,
n
= µ
t
d.
donde µ = (j
1
. . . . . j
n
)
t
. Una función paramétrica · es estimable si existe
una combinación 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 caracterización de que una función paramétrica · es estimable es la
siguiente
Proposición 16.1.1 Una función paramétrica · = µ
t
d es estimable si y
sólo si el vector …la µ
t
es combinación lineal de las …las de la matriz de
diseño X.
273
274 CAPÍTULO 16. FUNCIONES ESTIMABLES MULTIVARIANTES
Demost.: 1(
´
·) = 1(a
t
y) = a
t
1(y) = a
t
Xd = µ
t
d, que vale para todo d. Por
lo tanto a
t
X = µ
t
. es decir, µ
t
es combinación lineal de las …las de X.
16.2. Teorema de Gauss-Markov
La estimación óptima de una función paramétrica estimable · = µ
t
d se
obtiene sustituyendo d por la estimación LS
´
d. Esto es el famoso teorema
de Gauss-Markov.
Teorema 16.2.1 Sea · = µ
t
d una función paramétrica estimable. Se ver-
i…ca:
1. Si
´
d es estimador LS de d, entonces
´
· = µ
t
´
d es único.
2.
´
· = µ
t
´
d es estimador lineal insesgado de · y, dentro de los estimadores
lineales insesgados de ·, tiene varianza mínima.
Demost.: Existe un estimador insesgado
´
· = a
t
y de · = µ
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 único.
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 = µ
t
´
d. Así
´
· = ¯a
t
y = µ
t
´
d es único 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
´
· = µ
t
´
d tiene varianza mínima.
Un criterio para saber si µ
t
d es función paramétrica estimable es
µ
t
(X
t
X)
÷
X
t
X = µ
t
.
16.3. FUNCIONES ESTIMABLES MULTIVARIANTES 275
16.3. Funciones estimables multivariantes
En el modelo lineal multivariante (15.1), también tiene interés la esti-
mación de ciertas combinaciones lineales de los parámetros 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
_
¸
_
.
De…nición 16.3.1 Una función paramétrica multivariante ) es una combi-
nación lineal de las …las de H,
)
t
= j
1
d
1
+ +j
n
d
n
= µ
t
H.
donde µ = (j
1
. . . . . j
n
)
t
. Una función paramétrica multivariante ) es es-
timable (fpem) si existe una combinación 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 caracterización de que una función paramétrica · es fpem es la sigu-
iente:
Proposición 16.3.1 Una función paramétrica )
t
= µ
t
H es estimable si y
sólo si el vector …la µ
t
es combinación lineal de las …las de la matriz de diseño
X.
La demostración es similar al caso univariante. La estimación óptima de
una fpem )
t
= µ
t
H viene dada por
´
)
t
= µ
t
´
H.
Sólo hay que sustituir H por sus estimaciones LS
´
H.
Teorema 16.3.2 Sea )
t
= (·
1
. . . . . ·
j
) = µ
t
H una función paramétrica
estimable. Se veri…ca:
276 CAPÍTULO 16. FUNCIONES ESTIMABLES MULTIVARIANTES
1. Si
´
H es estimador LS de H, entonces
´
)
t
= (
´
·
1
. . . . .
´
·
j
) = µ
t
´
H es único.
2. Cada
´
·
)
es estimador lineal insesgado de ·
)
y de varianza mínima
entre los estimadores lineales insesgados de ·
)
.
Observemos que este teorema vale sin necesidad de una hipótesis de nor-
malidad. El estimador LS de ) es
´
)
t
= µ
t
´
H = µ
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 único, y podemos de…nir la dispersión de
´
). que es mínima, como la can-
tidad
o
2
ç
= q
2
1
+ +q
2
a
. (16.1)
La versión del Teorema 15.3.1 para fpem es:
Teorema 16.3.3 En el modelo MANOVA normal, si
´
) = µ
t
´
H es la esti-
mación LS de ). entonces:
1. La distribución de
´
) es la de una combinación lineal de variables nor-
males independientes.
2. La distribución de H
0
es \
j
(. : ÷:).
3.
´
) y H
0
son estocásticamente independientes.
16.4. Análisis canónico de fpem
Supongamos que )
t
1
= µ
t
1
H. . . . . )
t
c
= µ
t
c
H es un sistema de : fpem.
Podemos plantear la representación canónica del sistema como una general-
ización del análisis canónico de poblaciones.
16.4.1. Distancia de Mahalanobis
Sean
´
)
1
. . . . .
´
)
c
las estimaciones LS de los fpem,
´
= H
0
,(: ÷ :) la
estimación de la matriz de covarianzas. Podemos de…nir la distancia de Ma-
halanobis (estimada) entre las funciones )
i
. )
)
como
`(i. ,)
2
= (
´
)
i
÷
´
)
)
)
t
´

÷1
(
´
)
i
÷
´
)
)
).
16.4. ANÁLISIS CANÓNICO DE FPEM 277
Observemos que si
´
)
t
i
= g
t
i
¥ es independiente de
´
)
t
)
= g
t
)
¥ y se veri…ca
la hipótesis 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
a÷v÷j+1
.
Análogamente vemos que la distribución de
: ÷: ÷j + 1
(: ÷:)j
1
o
2
ç
(
´
)
i
÷)
i
)
t
´

÷1
(
´
)
i
÷)
i
)
es también 1
j
a÷v÷j+1
. donde o
2
ç
es la dispersión mínima (16.1).
16.4.2. Coordenadas canónicas
Si
´
)
i
= (
´
·
i1
. . . . .
´
·
ij
)
t
. i = 1. . . . . :. consideremos las medias
·
)
=
1
:
c

i=1
´
·
i)
. , = 1. . . . . :.
y la matriz
l =
_
_
_
´
·
11
÷·
1

´
·
1j
÷·
j
.
.
.
.
.
.
.
.
.
´
·
c1
÷·
1

´
·
cj
÷·
j
_
_
_
.
Sea Y = [v
1
. . . . . v
j
] la matriz de vectores propios de l
t
l respecto de
´
. con
la normalización 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 canónicas de
´
)
1
. . . . .
´
)
c
son las …las v
t
1
. . . . . v
t
c
de la matriz
V = lY.
La distancia euclídea entre las …las coincide con la distancia de Mahalanobis
entre las fpem
(v
i
÷v
)
)
t
(v
i
÷v
)
) = (
´
)
i
÷
´
)
)
)
t
´

÷1
(
´
)
i
÷
´
)
)
).
278 CAPÍTULO 16. FUNCIONES ESTIMABLES MULTIVARIANTES
De manera análoga podemos de…nir la variabilidad geométrica de las fpem,
probando que es
\
ç
=
1
2:
2
c

i,)=1
`(i. ,)
2
=
1
:
j

i=1
`
i
.
y que es máxima en dimensión reducida ¡. El porcentaje de variabilidad
explicada por las ¡ primeras coordenadas canónicas es
1
q
= 100
\ (¥)
q
\
ç
= 100
`
1
+ +`
q
`
1
+ +`
j
.
16.4.3. Regiones con…denciales
Sean v
t
i
=
´
)
t
i
Y. i = 1. . . . . :. las proyecciones canónicas de las estima-
ciones de las fpem. Podemos entender v
t
i
como una estimación de )
+t
i
= )
t
i
Y.
la proyección canónica de )
i
. Podemos también encontrar regiones con…den-
ciales para las )
+
i
. i = 1. . . . . q.
Sea 1 ÷ c el coe…ciente de con…anza, 1
c
tal que 1(1 1
c
) = c. donde
1 sigue la distribución F con j y (: ÷q ÷j + 1) g.l., y consideremos:
1
2
c
= 1
c
(: ÷:)j
(: ÷: ÷j + 1)
.
Luego las proyecciones canónicas )
+
i
de las fpem pertenecen a regiones con…-
denciales que son hiperesferas (esferas en dimensión 3, círculos en dimensión
2) de centros y radios
(v
i
. o
i
1
c
)
donde o
i
es la dispersión mínima (16.1) de la estimación LS de )
i
.
16.5. Ejemplos
Ejemplo 1. Se quiere hacer una comparación de dos fármacos ansiolíticos
(Diazepan y Clobazan) con un placebo, que indicaremos D, C, P. Las vari-
ables observables son efectos secundarios en la conducción de automóviles:
1
1
=tiempo de reacción (segundos) a la puesta en rojo de un semáforo,
1
2
=distancia mínima (cm.) entre dos puntos que el conductor necesitaba
16.5. EJEMPLOS 279
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 diseño de dos factores sin interacción:
y
i)
= µ +o
i
+d
)
+o
i)
.
Interesa estudiar si hay diferencias signi…cativas entre los fármacos, y si las
hay, representarlos y compararlos. Es decir, queremos hacer un test sobre la
hipótesis H
0
: o
1
= o
2
= o
3
y representar las funciones estimables
)
1
= µ +o
1
. )
2
= µ +o
2
. )
3
= µ +o
3
.
La tabla MANOVA es:
g. l. matriz dispersión lambda F g.l.
Fármacos 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 fármacos y entre individuos son signi…cativas
Las estimaciones LS son:
´
)
1
= (.659. 180.8)
t
.
´
)
2
= (.672. 175.3)
t
.
´
)
3
= (.737. 184.0)
t
.
con dispersión (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
280 CAPÍTULO 16. FUNCIONES ESTIMABLES MULTIVARIANTES
Figura 16.1: Representación canonica de tres fármacos en un diseño de dos
factores.
geométrica en dimensión 2. Las coordenadas y los radios de la representación
canónica (izquierda) y las correlaciones entre variables observables 1
1
. 1
2
. 1
3
y canónicas \
1
. \
2
(derecha) son:
Fármaco 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 representación canónica indica que no hay diferencias entre P y C. En
cambio D se diferencia signi…cativamente de P. Puesto que las variables miden
efectos secundarios, resulta que C no los tiene, pero D sí (Fig. 16.1).
Ejemplo 2. Continuando con el ejemplo 15.7.1, vamos a realizar la repre-
sentación canónica 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 geométrica (Fig. 16.2). Las coordenadas y los radios de la representación
canónica (izquierda) y las correlaciones entre variables observables 1
1
. 1
2
. 1
3
y canónicas \
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
16.5. EJEMPLOS 281
Figura 16.2: Representación canónica de los efectos principales de las tem-
peraturas.
Ejemplo 3. Continuando con el ejemplo 15.7.2, podemos hacer la rep-
resentación canónica de las ocho especies, eliminando el efecto del sexo y
de la interacción. Los dos primeros valores propios de l
t
l respecto de
´

son 201.67, 28.054, que explican el 98.2 % de la variabilidad geométrica (Fig.
16.3). Las coordenadas y los radios de la representación canónica (izquierda)
y las correlaciones entre variables observables y canónicas (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 representación permite visualizar las diferencias entre las especies, sin
la in‡uencia del dimor…smo sexual y de la interacción especiesexo.
282 CAPÍTULO 16. FUNCIONES ESTIMABLES MULTIVARIANTES
Figura 16.3: Representación canonica de 8 especies de coleópteros, eliminando
el efecto del dimor…smo sexual y de la interacción.
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 representación de funciones paramétricas 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).
Bibliografía
[1] Albert, A. and J. A. Anderson (1984) On the existence of maximum
likelihood estimates in logistic regression models. Biometrika, 71, 1-19.
[2] Aluja, T., Morineau, A. (1999) Aprender de los datos: el análisis de
componentes principales, una aproximación desde el data mining. EUB,
Barcelona.
[3] Anderson, T. W. (1958) An Introduction to Multivariate Analysis. Wi-
ley, N. York.
[4] Anderson, M. J. and T.J. Willis (2003) Canonical analysis of princi-
pal coordinates: a useful method of constrained ordination for ecology.
Ecology, 84, 511-525.
[5] 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.
[6] Arenas, C. and C. M. Cuadras (2004) Comparing two methods for
joint representation of multivariate data. Comm. Stat. Comp. Simul.,
33, 415-430.
[7] Baillo, A. and A. Grané (2008) 100 Problemas Resueltos de Estadística
Multivariante. Delta, Madrid.
[8] Bar-Hen, A. and J.-J. Daudin (1997) A test of a special case of typi-
cality in linear discriminant analysis. Biometrics, 53, 39-48.
[9] Bar-Hen, A. (2001) Preliminary tests in linear discriminat analysis.
Statistica, 4, 585–593.
283
284 BIBLIOGRAFÍA
[10] Batista, J.M. and G. Coenders (2000) Modelos de Ecuaciones Estruc-
turales. La Muralla, Madrid.
[11] Benzecri, J. P. (1976) L’Analyse des Données. I. La Taxinomie. II.
L’Analyse des Correspondances. Dunod, Paris.
[12] Cailliez, F. (1983) The analytical solution of the additive constant prob-
lem. Psychometrika, 48, 305-308.
[13] Cárdenas C. and M. P. Galindo Villardón. (2001) Biplot con informa-
ción externa basado en modelos bilineales generalizados. Universidad
Central de Venezuela, Caracas.
[14] Carmona, F. (2005) Modelos Lineales. Pub. Univ. de Barcelona,
Barcelona.
[15] Cooley, W. W. and P. R. Lohnes (1971) Multivariate Data Analysis.
Wiley, N. York.
[16] Cox, T. F. and M. A. A. Cox (1964) Multidimensional Scaling. Chap-
man and Hall, London.
[17] Cramer, E. M. and W. A. Nicewander (1979) Some symmetric, invari-
ant measures of multivariate association. Psychometrika, 44, 43-54.
[18] Critchley, F. and W. Heiser (1988) Hierarchical trees can be scaled
perfectly in one dimension. J. of Classi…cation, 5, 5-20.
[19] Cuadras, C. M. (1974) Análisis discriminante de funciones paramétricas
estimables. Trab. Esta. Inv. Oper., 25, 3-31.
[20] Cuadras, C. M. (1981) Métodos de Análisis Multivariante. Eunibar,
Barcelona. 3a Ed. EUB, Barcelona, 1996.
[21] Cuadras, C. M. (1988) Distancias estadísticas (con discusión) . Estadís-
tica Española, 30, 295-378.
[22] 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. 459–473. Elsevier
Science Publishers B. V. (North–Holland), Amsterdam.
BIBLIOGRAFÍA 285
[23] Cuadras, C. M. (1991) Ejemplos y aplicaciones insólitas en regresión y
correlación. Qüestiió, 15, 367-382.
[24] Cuadras, C. M. (1992a) Probability distributions with given multivari-
ate marginals and given dependence structure. J. Multivariate Analy-
sis, 42, 51-66.
[25] Cuadras, C. M (1992b) Some examples of distance based discrimina-
tion. Biometrical Letters, 29, 3-20.
[26] Cuadras, C. M. (1993) Interpreting an inequality in multiple regression.
The American Statistician, 47, 256-258.
[27] Cuadras, C. M. (1995) Increasing the correlations with the response
variable may not increase the coe¢cient of determination: a PCA in-
terpretation. In: E.Tiit, T. Kollo and H. Niemi (Eds), New Trends in
Probability and Statistics. Vol 3. Multivariate Statistics and Matrices
in Statistics, pp.75-83, VSP/TEV, The Netherlands.
[28] Cuadras, C. M. (1998) Multidimensional dependencies in ordination
and classi…cation. In: K. Fernández and E. Morinneau (Eds.), Analy-
ses Multidimensionnelles des Données, pp.15-26, CISIA-Ceresta, Saint
Mandé (France).
[29] Cuadras, C. M. (2000) Problemas de Probabilidades y Estadística. Vol.
2. EUB, Barcelona.
[30] Cuadras, C. M. (2002a) On the covariance between functions. J. of
Multivariate Analysis, 81, 19-27.
[31] Cuadras, C. M. (2002b) Correspondence analysis and diagonal expan-
sions in terms of distribution functions. J. of Statistical Planning and
Inference, 103, 137-150.
[32] Cuadras, C. M. (2005) Continuous canonical correlation analysis. Re-
search Letters in Information and Mathematical Sciences, 8, 97-103.
[33] Cuadras, C. M. (2006) The importance of being the upper bound in
the bivariate family. SORT, 30, 55-84.
286 BIBLIOGRAFÍA
[34] Cuadras, C. M. (2008) Distance-based multisample tests for multivari-
ate data. In: Arnold, B. C., Balakrishnan, N., Sarabia, J. M., Mínguez,
R. (Eds.), Advances in Mathematical and Statistical Modeling, pp. 61-
71. Birkhauser, Boston.
[35] Cuadras, C. M. (2009) Constructing copula functions with weighted
geometric means. J. of Statistical Planning and Inference, 139, 3766-
3772.
[36] Cuadras, C. M. (2010) On the covariance between functions (correc-
tion). J. of Multivariate Analysis, 101, 1317-1318.
[37] Cuadras, C. M. (2011) Distance-based approach in multivariate associ-
ation. In: S. Ingrassia, R. Rocci, M. Vichi, (Eds.), New Perspectives in
Statistical Modeling and Data Analysis, pp. 535-542., Springer, Berlin.
[38] Cuadras, C. M. and C. Arenas (1990) A distance based regression
model for prediction with mixed data. Comm. Stat.-Theor. Meth., 19,
2261-2279.
[39] Cuadras, C. M., Atkinson, R. A. and J. Fortiana (1997) Probabili-
ty densities from distances and discriminant analysis. Statistics and
Probability Letters, 33, 405-411.
[40] Cuadras, C. M. and J. Augé (1981) A continuous general multivariate
distribution and its properties. Commun. Stat.-Theor. Meth, A10, 339-
353.
[41] 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.
[42] Cuadras, C. M. and F. Carmona (1983) Euclidean dimensionality of
ultrametric distances. Qüestiio, 7, 353-358.
[43] Cuadras. C. M. and D. Cuadras (2006) A parametric approach to cor-
respondence analysis. Linear Algebra and its Applications, 417, 64-74.
[44] Cuadras, C. M. and D. Cuadras (2011) Partitioning the geometric vari-
ability in multivariate analysis and contingency tables. In: B. Fichet,
D. Piccolo, R. Verde, M. Vichi, (Eds.), Classi…cation and Multivariate
Analysis for Complex Data Structures, pp. 237-244. Springer, Berlin.
BIBLIOGRAFÍA 287
[45] Cuadras, C. M, Cuadras, D. and Y. Lahlou (2006) Principal directions
of the general Pareto distribution with applications. J. of Statistical
Planning and Inference, 136, 2572-2583.
[46] 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. 47–66. Elsevier Science Publishers B. V.
(North–Holland), Amsterdam.
[47] Cuadras, C. M. and J. Fortiana (1993b) Aplicación de las distancias
en estadística. Qüestiió, 17, 39-74.
[48] 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-Scienti…c,
Singapore.
[49] Cuadras, C. M. and J. Fortiana (1995) A continuous metric scaling
solution for a random variable. J. of Multivariate Analysis, 52, 1–14.
[50] 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. 27–40. VSP,
Zeist, The Netherlands.
[51] 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.
[52] 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.
[53] Cuadras, C. M. and J. Fortiana (2004) Distance-based multivariate
two sample tests. In: M. S. Nikulin, N. Balakrishnan, M. Mesbah, N.
Limnios (Eds.), Parametric and Semiparametric Models with Applica-
tions to Reliability, Survival Analysis, and Quality of Life, pp. 273-290.
Birkhauser, Boston.
288 BIBLIOGRAFÍA
[54] 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
Statistical Analysis, pp. 101-116. Kluwer Ac. Publ., Dordrecht.
[55] Cuadras, C. M., Cuadras, D. and M. Greenacre (2006) Comparison
of di¤erent methods for representing categorical data. Comm. Stat.-
Simul. and Comp., 35 (2), 447-459.
[56] Cuadras, C. M., Fortiana, J. and F. Oliva (1996) Representation of sta-
tistical structures, classi…cation and prediction using multidimensional
scaling. In: W. Gaul, D. Pfeifer (Eds.), From Data to Knowledge, pp.
20-31. Springer, Berlin.
[57] Cuadras, C. M., Fortiana, J. and F. Oliva (1997) The proximity of an
individual to a population with applications in discriminant analysis.
J. of Classi…cation, 14, 117-136.
[58] Cuadras, C. M. and Y. Lahlou (2000) Some orthogonal expansions for
the logistic distribution. Comm. Stat.-Theor. Meth., 29, 2643-2663.
[59] Cuadras, C. M. and J. M. Oller (1987) Eigenanalysis and metric mul-
tidimensional scaling on hierarchical structures. Qüestiió, 11, 37-57.
[60] Cuadras, C. M. and M. Sánchez-Turet (1975) Aplicaciones del análisis
multivariante canónico en la investigación psicológica. Rev. Psicol. Gen.
Aplic., 30, 371-382.
[61] Cuadras, C. M., Valero, S., Cuadras, D., Salembier, P. and J. Chanus-
sot (2012) Distance-based measures of association with applications in
relating hyperspectral images. Comm. Stat., Theor.- Meth., 41, 2342–
2355.
[62] Chatterjee, S. and B. Price (1991) Regression Analysis by Example.
Wiley, N. York.
[63] De Cáceres, M., Oliva, F. and X. Font (2006) On relational possibilistic
clustering. Pattern Recognition, 39, 2010-2024.
BIBLIOGRAFÍA 289
[64] Eckart, C. and G. Young (1936) The approximation of one matrix for
another of lower rank. Psychometrika, 1, 211-218.
[65] Efron, B. (1975) The e…cency of logistic regression compared to normal
discriminant analysis. J. of the American Statistical Association, 70,
892-898.
[66] Esco…er, B. and J. Pagès (1990) Analyses Factorielles Simples et Mul-
tiples. Dunod, Paris.
[67] Escou…er, Y. (1973) Le traitement des variables vectorielles. Biomet-
rics, 29, 751-760.
[68] Everitt, B.S. (1993) Cluster Analysis. Edward Arnold, London.
[69] Flury, B. (1997) A First Course in Multivariate Statistics. Springer, N.
York.
[70] 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.
[71] Friendly, M. (1994) Mosaic displays for multi-way contingency tables.
J. of the American Statistical Association, 89, 190–200.
[72] Friendly, M. (1999) Extending mosaic displays: Marginal, conditional,
and partial views of categorical data. J. of Computational and Graph-
ical Statistics, 8, 373–395.
[73] Friendly, M. (2007) HE plots for multivariate linear models. J. of Com-
putational and Graphical Statistics, 16, 421-444.
[74] Gabriel, K. R. (1971) The biplot graphic display of matrices with ap-
plication to principal component analysis. Biometrika, 58, 453-467.
[75] Galindo Villardon, M. P. (1986) Una alternativa de representación si-
multánea: HJ-Biplot. Qüestiió, 10, 13-23.
[76] Gittings, R. (1985) Canonical Analysis. A Review with Applications in
Ecology. Springer-Verlag, Berlin.
290 BIBLIOGRAFÍA
[77] Golub, G. H. and C. Reinsch (1970) Singular value decomposition and
least squares solutions. Numerische Mathematik, 14 (5), 403–420.
[78] Gordon, A. D. (1999) Classi…cation. Chapman and Hall, London.
[79] Gower, J. C. (1966) Some distance properties of latent roots and vector
methods in multivariate analysis. Biometrika, 53, 315-328.
[80] Gower, J. C. (1971a) A general coe¢cient of similarity and some of
its properties. Biometrics, 27, 857-871.
[81] Gower, J. C. (1971b) Statistical methods of comparing di¤erent mul-
tivariate analyses of the same data. In: F.R. Hodson, D.G. Kendall,
P. Tautu (Eds.), Mathematics in the Archaeological and Historical Sci-
ences, pp. 138-149. Edinburgh University Press, Edinburgh.
[82] Gower, J. C. and D. J. Hand (1996) Biplots. Chapman and Hall, Lon-
don.
[83] Gower, J. C., Lubbe, S. and le Roux, N. (2011) Understanding Biplots.
Wiley, N. York.
[84] Gra¤elman, J. (2001) Quality statistics in canonical correspondence
analysis. Environmetrics, 12, 485-97.
[85] Greenacre, M. J. (1984) Theory and Applications of Correspondence
Analysis. Academic Press, London.
[86] Greenacre, M. J. (2008) La Práctica del Análisis de Correspondencias.
Fundación BBVA - Rubes Ed., Barcelona.
[87] Greenacre, M. J. (2010) Biplots in Practice. Fundación BBVA - Rubes
Ed., Barcelona.
[88] Harman, H. H. (1976) Modern Factor Analysis. The Univ. Chicago
Press, Chicago, 3a ed.
[89] Hartigan, J. A. (1967) Representation of similarity matrices by trees.
J. of the American Statistical Association, 62, 1140-1158.
[90] Hastie, T. and R. J. Tibshirani (1990) Generalized Additive Models.
Chapman and Hall, London.
BIBLIOGRAFÍA 291
[91] Hill, M. O. (1973) Reciprocal averaging: an eigenvector method of or-
dination. J. of Ecology, 61, 237-249.
[92] Holman, E. W. (1972) The relation between Hierarchical and Euclidean
models for psychological distances. Psychometrika, 37, 417-423.
[93] Hosmer, D. W. and S. Lemeshow (2000) Applied Logistic Regression,
2nd Edition. Wiley, N. York.
[94] Hutchinson, T. P. and C. D. Lai (1991) The Engineering Statistician’s
Guide to Continuous Bivariate Distributions. Rumsby Scienti…c Pub.,
Adelaide.
[95] Irigoien, I. and C. Arenas (2008) INCA: New statistic for estimating the
number of clusters and identifying atypical units. Statistics in Medicine,
27, 2948-2973.
[96] Jauregui, E., Irigoien, I., Sierra, B., Lazkano, E. and C. Arenas (2011)
Loop-closing: A typicality approach. Robotics and Autonomous Sys-
tems 59, 218-227.
[97] Joe, H. (1997) Multivariate Models and Dependence Concepts. Chap-
man and Hall, London.
[98] Johnson, S. C. (1967) Hierarchical clustering schemes. Psychometrika,
32, 241-254.
[99] Joreskog, K. (1967) Some contributions to maximum likelihood factor
analysis. Psychometrika, 32, 443-482.
[100] Joreskog, K. (1969) A general approach to con…rmatory maximum like-
lihood factor analysis. Psychometrika, 34, 183-202.
[101] Joreskog, K. (1970) A general method for analysis of covarianvce struc-
tures. Biometrika, 57, 239-251.
[102] Joreskog, K, Sorbom, D. (1999) LISREL 8: A Guide to the Program
and Applications. Scienti…c Software International, Inc., Chicago.
[103] Krzanowski, W. J. (1975) Discrimination and classi…cation using both
binary and continuous variables. J. of the American Statistical Associ-
ation, 70, 782-790.
292 BIBLIOGRAFÍA
[104] Krzanowski, W. J. (1980) Mixtures of continuous and categorical vari-
ables in discriminant analysis. Biometrics, 36, 493-499.
[105] Krzanowski, W. J. (1988) Principles of Multivariate Analysis: A user’s
perspective. Oxford Clarendon Press, Oxford.
[106] Krzanowski, W. J. and D. Radley (1989) Nonparametric con…dence and
tolerance regions in canonical variate analysis. Biometrics, 45, 1163-
1173.
[107] Lancaster, H. O. (1969) The Chi-Squared Distribution. J. Wiley, N.
York.
[108] Lawley, D. N. and A. E. Maxwell. (1971) Factor Analysis as a Statistical
Method. Butterworth, London.
[109] Lebart, L., Morineau, A. and N. Tabard (1977) Techniques de la De-
scription Statistique. Dunod, Paris.
[110] Leujene, M. and T. Calinski (2000) Canonical analysis applied to mul-
tivariate analysis of variance. J. of Multivariate Analysis, 72, 100-119.
[111] Light, R. J. and B. H. Margolin (1971) An analysis of variance for
categorical data. J. of the American Statistical Association, 66, 534-
544.
[112] Longford, N. T. (1994) Logistic regression with random coe¢cients.
Computational Statistics and Data Analysis, 17, 1-15.
[113] Manzano, M. and J. Costermans (1976) Dos métodos para el estudio
psicológico del léxico: su aplicación a algunos adjetivos de la lengua
española. Revista Latinoamericana de Psicología, 8, 171-191.
[114] Mardia, K. V., Kent, J. T. and J. M. Bibby (1979) Multivariate Analy-
sis. Academic Press, London
[115] McLachlan, G. J. (1992) Discriminant Analysis and Statistical Pattern
Recognition. Wiley, N. York.
[116] Muirhead, R. J. (1982) Aspects of Multivariate Statistical Theory. Wi-
ley, N. York.
BIBLIOGRAFÍA 293
[117] Nelsen, R. B. (2006) An Introduction to Copulas. Springer, N. York,
Second Edition.
[118] Oliva, F., Bolance, C. and L. Diaz (1993) Aplicació de l’anàlisi multi-
variante a un estudi sobre les llengües europees. Qüestiió, 17, 139-161.
[119] Oller, J. M. (1987) Information metric for extreme values and logistic
distributions. Sankhya, 49 A, 17-23.
[120] Oller, J. M. and C. M. Cuadras (1985) Rao’s distance for negative
multinomial distributions. Sankhya, 47 A, 75-83.
[121] Peña, D. (1989) Estadística Modelos y Métodos 2. Modelos Lineales y
Series Temporales. Alianza Universidad Textos, 2a Ed., Madrid.
[122] Peña, D. (2002) Análisis de Datos Multivariantes. McGraw Hill Inter-
americana, Madrid.
[123] Quesada-Molina, J. J. (1992) A generalization of an identity of Hoe¤d-
ing and some applications. J of the Italian Stat. Society, 3, 405-411.
[124] Rao, C. R. (1952) Advanced Statistical Methods in Biometric Research.
Wiley, N. York.
[125] Rao, C. R. (1973) Linear Statistical Inference and their Applications.
Wiley, N. York.
[126] Rao, C. R. (1995) A review of canonical coordinates and an alternative
to correspondence analysis using Hellinger distance. Qüestiió, 19, 23-
63.
[127] Rencher, A. C. (1995) Methods of Multivariate Analysis. Wiley, N.
York.
[128] Rencher, A. C. (1998) Multivariate Statistical Inference and Applica-
tions. Wiley, N. York,.
[129] Rummel, R. J. (1963) The dimensions of con‡ict behavior within and
between nations. General Systems Yearbook, 8, 1-50.
[130] Sánchez-Turet, M. and C. M. Cuadras (1972) Adaptación española del
cuestionario E.P.I. de Eysenck. Anuario de Psicología, 6, 31-59.
294 BIBLIOGRAFÍA
[131] Satorra, A. (1989) Alternative test criteria in covariance structure
analysis: A uni…ed approach. Psychometrika, 54, 131-151.
[132] Seal, H. L. (1964) Multivariate Statistical Analysis for Biologists.
Methuen and Co. Ltd., London.
[133] Seber, G. A. F. (1977) Linear Regression Analysis. Wiley, N. York.
[134] Seber, G. A. F. (1984) Multivariate Observations. Wiley, N. York.
[135] Spearman, Ch. (1904) General intelligence objetively determined and
measured. American J. of Psychology, 15, 201-293.
[136] 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.
[137] Torrens-Ibern, J. (1972) Modéles et Méthodes de l’Analyse Factorielle.
Dunod, Paris.
[138] van der Heijden, P. G. M. and J. de Leuw (1985) Correspondence analy-
sis used complementary to loglinear analysis. Psychometrika, 50, 429-
447.
[139] Waller, N. G. (2011) The geometry of enhancement in multiple regres-
sion. Psychometrika, 76, 634-649.
Índice alfabético
Análisis factorial
múltiple, 83
simple, 87
aproximación
a una distribución F, 28
de Eckart-Young, 14
biplot, 78, 83
coe…ciente
de Pearson, 159
procrustes, 16, 66
componentes principales
comunes, 83
de…nición, 67
distribución, 73
comunalidad, 88, 91
coordenadas
canónicas, 115, 271
principales, 128, 153
corrección de Box, 118
correlación
canónica, 59
canónica generalizada, 265
múltiple, 56
simple, 7
vectorial, 66
correspondencias
múltiples, 161
simples, 154
curva
especi…cidad, 216
ROC, 216
sensibilidad, 216
dendograma, 179
descomposición
espectral, 13
singular, 13
desigualdad
de Cramér-Rao, 35
triangular, 125, 179
ultramétrica, 178
discriminador
Bayes, 203
cuadrático, 204
distancia, 11
ciudad, 136
de Bhattachariyya, 138
de Mahalanobis, 11, 114, 124, 154,
203, 270
de Pearson, 11, 124
de Prevosti, 143
de Rao, 140
dominante, 136
Euclídea, 11, 70, 136
ji-cuadrado, 153
distribución
de Hotelling, 26, 44
de Wilks, 27, 259
de Wishart, 25
295
296 ÍNDICE ALFABÉTICO
elíptica, 33
F de Fisher-Snedecor, 26, 33
multinomial, 30
normal bivariante, 24
normal multivariante, 22
ecuaciones
de verosimilitud, 99
normales, 231, 254
espacio ultramétrico, 178
factor
único, 88, 90
común, 88, 90
en diseños factoriales, 241, 243,
245
falacia ecológica, 124
función
de verosimilitud, 35, 36, 42, 99
estimable multivariante, 269
estimable univariante, 267
score, 35
HE plot, 266
Heywood, caso de, 93, 98
hipótesis lineal, 235, 257
interacción, 245
inversa generalizada, 13, 30, 138, 151
jerarquía indexada, 176
matriz, 259
centrada, 7
de Burt, 161, 163
de correlaciones, 7, 88
de covarianzas, 7
de dispersión dentro grupos, 39,
260
de dispersión entre grupos, 39, 260
de distancias Euclídeas, 126
de información de Fisher, 36
medición de factores
de Anderson-Rubin, 105
de Bartlett, 105
por mínimos cuadrados, 105
medidas de variabilidad
variación total, 10, 69
varianza generalizada, 10
método
de las medias móviles, 194
del factor principal, 97
del mínimo, 185
del máximo, 186
‡exible, 196
modelo
de regresión logística, 212
de regresión múltiple, 233
lineal, 229
log-lineal, 249
logístico, 212
multifactorial, 90
Thurstone, 139
unifactorial, 88
mosaicos, 172
número
de clusters (conglomerados), 195
de componentes principales, 76
de correlaciones canónicas, 61
de factores comunes, 99
de variables canónicas, 118
paradoja
de Rao, 49
de Stein, 52
preordenación, 133
ÍNDICE ALFABÉTICO 297
principio
de equivalencia distribucional, 171
de parsimonia, 96
de unión-intersección, 44, 53, 62,
266
probabilidad de clasi…cación errónea,
199, 201, 203
razón de verosimilitud, 43
realce en regresión múltiple, 84
regla
basada en distancias, 223
de Bayes, 201, 209
discriminación logística, 213
discriminante, 199
máxima verosimilitud, 201, 208
relaciones tetrádicas, 89
rotación
biquartimin, 102
covarimin, 102
oblicua, 102
ortogonal, 100
promax, 102
quartimax, 101
quartimin, 102
varimax, 101
similaridad, coe…ciente de
de…nición, 131
Dice, 137
Gower, 139, 226
Jaccard, 132
Sokal y Michener, 132
Sokal-Sneath, 137
tablas concatenadas, 173
teorema
de Cochran, 39
de Craig, 40
de Fisher, 41
de Gauss-Markov, 268
de la dimensión, 9
de Thurstone , 95
de Wilks, 43
test
comparación de dos medias, 38
comparación de / medias, 44
de Bartlett, 53, 118
de Bartlett-Lawley, 61
de esfericidad, 77
de razón de verosimilitud, 43
de Wald, 215
independencia, 43, 61, 75
sobre la covarianza, 74
sobre la media, 37
tipicalidad, 227
transformación
canónica, 114
componentes principales, 68, 71
lineal, 8
procrustes, 16, 106
unicidad, 91
valores singulares, 13, 60, 78, 152
variabilidad geométrica (inercia), 70,
71, 115, 130, 159
variable
canónica, 59
compuesta, 8, 68