Vous êtes sur la page 1sur 35

MDULO 6:

ANLISIS MULTIVARIADO

PROFESOR: LUIS E. NIETO BARAJAS


EMAIL: lnieto@itam.mx
URL: http://allman.rhon.itam.mx/~lnieto

Diplomado en Estadstica Aplicada

PROFESOR: LUIS E. NIETO BARAJAS

Mdulo 6: Anlisis Multivariado

OBJETIVO: Proporcionar al alumno los aspectos bsicos de la teora y de la


aplicacin con computadora de las principales tcnicas del anlisis
estadstico de varias variables (multivariado).

PLAN DE ESTUDIOS:
1. Introduccin.
2. Anlisis exploratorio multivariado.
3. La distribucin normal multivariada.
4. Anlisis de componentes principales.
5. Anlisis de cmulos.
6. Escalamiento multidimensional.
7. Anlisis de factores.
8. Anlisis discriminante.
9. Solucin de problemas prcticos.

REFERENCIA BSICA:
Johnson, D. E. (2000). Mtodos multivariados aplicados. ITP International
Thomson Editores: Mxico.

2
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

REFERENCIAS ADICIONALES:

Hair, J. F., Anderson, R. E., Tatham, R. L. & Black, W. (1998).


Multivariate data analysis. Prentice Hall College Division.

Johnson, R. A. & Wichern, D. W. (2002). Applied multivariate statistical


analysis. Prentice Hall: London.

Kachigan, S. K. (1991). Multivariate statistical analysis. Radius Press.

PAQUETES ESTADSTICOS: En el curso habr un paquete estadstico bsico,


en el cual se ejemplificarn las tcnicas presentadas. Este paquete bsico
no es exclusivo, si el alumno as lo desea, puede auxiliarse de cualquier
otro paquete estadstico.
Paquete bsico: R (http://www.r-project.org/)

Paquetes auxiliares: Splus, SPSS, Statgraphics, Minitab, Matlab

EVALUACIN: El alumno realizar un anlisis estadstico de una base de


datos multivariada. El trabajo debe contener un anlisis exhaustivo usando
al menos una de las tcnicas multivariadas vistas en clase. Al finalizar el
mdulo, el alumno deber exponer y entregar su trabajo conteniendo los
siguientes puntos:
1) Descripcin de la base de datos.
2) Anlisis de los datos (exploratorio y descriptivo).
3) Conclusiones, en el contexto de los datos, sobre los anlisis realizados.
4) Fuente de los datos y bibliografa usada.

3
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

1. Introduccin
Los datos multivariados surgen en distintas reas o ramas de la ciencia.
Ejemplos:
1) Investigacin de mercados: Identificar caractersticas de los individuos
para determinar qu tipo de personas compran determinado producto.
2) Agricultura: Resistencia de determinado tipo de cosechas a daos por
plagas y sequas.
3) Psicologa: Relacin entre el comportamiento de adolescentes y
actitudes de los padres.
En qu situaciones surgen los datos multivariados?
Cuando a un mismo individuo se le mide ms de una caracterstica de
inters.
Un individuo puede ser un objeto o concepto que se puede medir. Ms
generalmente, los individuos son llamados unidades experimentales.
Ejemplos de objetos: personas, animales, terrenos, compaas, pases, etc.
Ejemplos de conceptos: amor, amistad, noviazgo, etc.

Caractersticas de los individuos: Los individuos deben de ser


independientes entre s.

Una variable es una caracterstica o atributo que se le mide a un individuo.

4
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Tipos de variables

Numricas

Continuas

Categricas

Discretas

Ordenadas

No ordenadas

OBJETIVOS de los mtodos multivariados:


1) Simplificacin: Los mtodos multivariados son un conjunto de tcnicas
que permiten al investigador interpretar y visualizar conjuntos grandes
de datos (tanto en individuos como en variables).
2) Relacin: Encontrar relaciones entre variables, entre individuos y entre
ambos.
2.1) Relacin entre variables: Existe relacin entre variables cuando las
variables miden una caracterstica comn. Ejemplo: Suponga que
se realizan exmenes de lectura, ortografa, aritmtica y lgebra a
estudiantes de 6o de primaria. Si cada uno de los estudiantes
obtiene calificaciones altas, regulares o bajas en los cuatro
exmenes, entonces los exmenes estaran relacionados entre s. En
este caso, la caracterstica comn que estos exmenes pueden estar
midiendo podra ser la "inteligencia global".
2.2) Relacin entre individuos: Existe relacin entre individuos si
alguno de ellos son semejantes entre s. Ejemplo: Suponga que se
evalan cereales (para el desayudo) respecto a su contenido
nutricional y se miden, por ejemplo, los gramos de grasa, protenas,

5
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

carbohidratos y sodio a cada uno de ellos. Se podra esperar que los


cereales de fibra estn relacionados entre s, o que los cereales
endulzados tengan cierta relacin entre s, adems se podra esperar
que ambos grupos fueran diferentes de uno a otro.
Uso de los mtodos multivariados: Mineras de datos (data mining).
Los mtodos multivariados son realmente un conjunto de tcnicas que en
su gran mayora tienen un carcter exploratorio y no tanto inferencial.
CLASIFICACIN de los mtodos multivariados:
1) Dirigidas o motivadas por las variables: se enfocan en las relaciones
entre variables. Ejemplos: matrices de correlacin, anlisis de
componentes principales, anlisis de factores, anlisis de regresin y
anlisis de correlacin cannica.
2) Dirigidas o motivadas por los individuos: se enfocan en las relaciones
entre individuos. Ejemplos: anlisis discriminante, anlisis de cmulos
y anlisis multivariado de varianza.

EJEMPLOS de datos multivariados.

Ejemplo 1. (Johnson, 2000). Caractersticas de candidatos a ingresar a la


polica.

6
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Variables (medidas en centmetros).


EST: Estatura
ESTSEN: Estatura sentados
BRAZO: Longitud del brazo
ANTEB: Longitud del antebrazo
MANO: Ancho de la mano
MUSLO: Longitud del muslo
PIERNA: Longitud de la parte inferior de la pierna
PIE: Longitud del pie
Variables adicionales:
BRACH: Razn de la longitud del antebrazo y de la del brazo 100
TIBIO: Razn de la parte inferior de la pierna y la del muslo 100

Ejemplo 2. (Johnson, 2000). Consumo de caucho y otras variables desde


1948 hasta 1963.
Variables.
CTC: Consumo total de caucho
CCN: Consumo de caucho para neumticos
PA: Produccin de automviles
PNB: Producto nacional bruto
IPD: Ingreso personal disponible
CCM: Consumo de combustible por motor

Ejemplo 3. (SIMM90, CONAPO). Sistema automatizado de informacin


sobre la marginacin en Mxico 1990.

7
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Variables.
NOMBRE: Nombre
POB: Poblacin total
SUPERF: Superficie
DENSP: Densidad
ANALF: Porcentaje de poblacin mayor de 15 aos analfabeta
S/PRI: Porcentaje de poblacin mayor de 15 aos sin primaria completa
S/EXC: Porcentaje de ocupantes en viviendas sin drenaje ni excusado
S/ELE: Porcentaje de ocupantes en viviendas sin energa elctrica
S/AGU: Porcentaje de ocupantes en viviendas sin agua entubada
HACIN: Porcentaje de viviendas con hacinamiento
PISOT: Porcentaje de ocupantes en viviendas con piso de tierra
L5000: Porcentaje de poblacin en localidades con menos de 5,000
habitantes
INGRE: Porcentaje de poblacin ocupada con ingreso menor de 2 salarios
mnimos
INDICE: Indice de marginacin
GRADO: Grado de marginacin

Ejemplo 4. (Jonson & Wichern, 2002). Tasas de retorno semanales de 5


acciones de la bolsa de Nueva York.
Variables.
A.Chem: Tasa de retorno de Allied Chemical
Dupont: Tasa de retorno de Du Pont
U.Carbide: Tasa de retorno de Union Carbide

8
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Exxon: Tasa de retorno de Exxon


Texaco: Tasa de retorno de Texaco

Ejemplo 5. (Jonson & Wichern, 2002). Informacin sobre 22 compaas de


servicio pblico en E.U.A. en 1975.
Variables.
X1: Razn de cobertura (Ingreso/Pasivo)
X2: Tasa de retorno sobre capital
X3: Costo por capacidad de KW (en sitio)
X4: Factor anual de carga
X5: Crecimiento pico en la demanda entre 1974 y 1975 (kWh)
X6: Ventas anuales en kWh
X7: Porciento nuclear
X8: Costo total de energa (centavos por kWh)

Ejemplo 6. (Internet). Informacin sobre crditos a personas fsicas.


Variables.
CLASS: Clasificacin de crdito, 1 otorgado, 0 no otorgado.
GENDER: Gnero del solicitante, 1 hombre, 0 mujer
AGE: Edad del solicitante (en aos)
JOBYRS: Antigedad en el trabajo (en aos)
MSTATUS: Estado civil, 1 casado, 0 soltero
TOTINC: Ingreso total mensual (en dlares)
TOTBAL: Deuda total (excluyendo deuda hipotecaria)
TOTPAY: Pagos mesuales totales que el aplicante realiza de TOTBAL

9
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

NOTACIN de matrices y vectores:


p = nmero de variables
n = nmero de individuos
Xij = j-sima variable del i-simo individuo
xij = valor observado de la j-sima variable del i-simo individuo
i=1,...,n y j=1,....,p

Matriz de datos:

x11

x 21
x

x
n1

x12
x 22

x n2

x1p

x 2p

x np

xij = elemento en el i-simo rengln y j-sima columna


Renglones = individuos
Columnas = variables

Vectores de datos:

Los renglones de la matriz de datos se pueden expresar como vectores de la


siguiente forma: El i-simo rengln de X se escribe como
x i' x i1 , x i 2 ,..., x ip
Nota: Todos los vectores son vectores columna, i.e.,

x i1

x i2
xi


x
ip

10
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

ESPERANZAS y VARIANZAS de vectores aleatorios

X1

X2
X


X
p

Media:

E (X1 ) 1

E
(
X
)

2 2

E (X)

E (X )
p p

es un vector de medias de dimensin p1.

Varianzas-Covarianzas:

Var(X) Cov(X, X) E X X

'

Escribiendo el vector completo,


X1 1

X 2 2

E
X
,
X
,...,
X

1
1
2
2
p
p

X p p

1
1

X 2 X1 1
E 2

X X
p
1
1
p

X1 1 X 2 2
X 2 2 2

X p p X 2 2

X1 1 X p p
X 2 2 X p p

X p p 2

11
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Finalmente, los elementos de se denotan como:


11 12

21 22

p1 p 2

donde,

1p

2p

pp

jj Cov(X j , X j ) Var (X j ) E (X j j ) 2 , para j=1,2,...,p, y


kj Cov(X k , X j ) E(X k k )(X j j ), para kj=1,2,...,p

es una matriz de varianzas y covarianzas dimensin pp.

Correlaciones:

1 12

21 1
Corr (X)

p1 p 2
donde, kj Corr (X k , X j )

kj
kk jj

1p

2p

, para kj=1,2,...,p

Cometarios:

1) El coeficiente de correlacin kj es una medida de la relacin lineal


entre las variables Xk y Xj.
2) -1 kj 1
3) Si Xk y Xj son v.a. independientes kj 0 .

12
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

4) kj 0 Independencia entre Xk y Xj nicamente en el caso Normal.


5) Para apreciar la relacin (en general) entre dos variables es
recomendable, adems de calcular en coeficiente de correlacin, hacer
una grfica de dispersin de ellas.

13
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

2. Anlisis exploratorio multivariado


2.1. Estadsticas multivariadas descriptivas
Las estadsticas descriptivas (multivariadas), como su nombre lo indica,

sirven para describir el comportamiento de un conjunto de datos.


Formalmente, un conjunto de datos es una realizacin de una muestra

aleatoria X1 , X 2 ,..., X n de una distribucin multivariada. Es decir, para

i=1,...,n,
X i1

X
i2
.
Xi

X
ip

En otras palabras, cada Xi es una variable aleatoria multivariada de


dimensin p.

Por lo tanto, un conjunto de datos esta formado por n realizaciones de p


variables aleatorias.
X11

X 21
X

X
n1

X12
X 22

Xn2

X1p

X 2p
.

X np

14
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

MEDIA MUESTRAL:

1 n
Xi ,
n i1

que en realidad, escribiendo el vector completo, se puede expresar como:


X11
1
X n1

2 1 X12
X n 2


.


X
X

p
np
1p
Esto implica que, para j=1,...,p
j

1 n
X ij .
n i1

Propiedades: E .

Splus: mean
VARIANZA MUESTRAL:
n

1 X i X i ' ,
n 1 i1

cuyos elementos se denotan como:


11 12

21 22


p1 p 2
donde,

1p

2 p

pp

1 n
X ij j 2 , para j=1,2,...,p, y
jj

n 1 i1
kj

1 n
X ik k X ij j , para kj=1,2,...,p.
n 1 i1
15
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Propiedades: E .

R: var
CORRELACIN MUESTRAL:

r21
R

r
p1
donde, rkj

kj
kk jj

r12
1

rp 2

r1p

r2 p

, para kj=1,2,...,p.

Propiedades:

1) -1 rkj 1
2) ER .
R: cor
CUARTILES MUESTRALES: Estas estadsticas de orden se obtienen como en

el caso univariado para cada una de las variables.


R: summary

16
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

2.2. Anlisis grfico de datos multivariados


DIAGRAMAS DE DISPERSIN (bidimensional).

Este tipo de diagrama consiste en graficar simultneamente en dos


dimensiones diagramas de dispersin entre todas las posibles parejas de
variables.
R: plot, pairs
DIAGRAMAS DE DISPERSIN (tridimensional)

Este tipo de diagrama consiste en graficar en tres dimensiones tres


variables simultneamente.
R:
DIAGRAMA DE BURBUJAS (tridimensional)

Este tipo de diagrama consiste en graficar en dos dimensiones tres


variables en forma de burbujas de la siguiente manera: El eje de las X's
corresponde a una de las variables, el eje de las Y's corresponde a otra de
las variables, y la tercer variable quedar representada por el tamao de la
burbuja.
R: symbols
CARAS DE CHERNOFF (multidimensional)

Este tipo de diagrama consiste en graficar un conjunto multivariado de


variables en forma de caras, asociando caractersticas faciales diferentes a
variables diferentes. Por ejemplo, una variable se podra asociar con el

17
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

ancho vertical del ojo, la segunda con el ancho horizontal, la tercera con el
tamao del iris, y las otras se podran asociar con el espaciamiento de los
ojos, la altura de los ojos, la longitud de la nariz, en ancho de la nariz, la
longitud de las cejas, el ancho de las cejas. La inclinacin de las cejas, el
ancho de las orejas, la longitud de las orejas, la abertura de la boca, la
sonrisa, etc.

Estos diagramas son tiles para detectar datos extremos (outliers).

R: faces, faces2
DIAGRAMA DE ESTRELLAS (multidimensional)

Este tipo de diagrama se aplica cuando todas las variables toman valores
positivos y consisten en graficar rayos o ejes que parten de un punto
central. La longitud del rayo corresponde al valor de la variable y se tiene
un rayo para cada variable. Por ejemplo, vectores de datos con 5 variables
requerirn 5 rayos separados entre s por un ngulo de 72 grados.
La primera variable generalmente corresponde con el rayo que apunta
hacia el norte y las otras variables se representan sobre los otros rayos en el
orden del sentido del movimiento de las manecillas del reloj.
R: stars
DIAGRAMA DE ANDREWS (multidimensional)

Este tipo de diagrama consiste en representar a la observacin i-sima de


un vector aleatorio p-variado x i' x i1 , x i 2 ,..., x ip de la siguiente forma:

f i (t )

x i1
x i 2 sen ( t ) x i 3 cos( t ) x i 4sen (2 t ) x i 5 cos(2 t )
2

18
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

para t . De esta forma, las observaciones para el individuo i dan


lugar a una nica funcin fi(t). El diagrama de Andrews se construye
graficando las funciones f1(t), f2(t),... fn(t) para t .

Estos diagramas son tiles para encontrar agrupamientos en los datos.


Tambin son tiles para localizar datos extremos.

Es recomendable que las variables estn medidas en unidades semejantes


(estandarizacin).

El orden de las variables afecta la interpretacin.

19
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

3. La distribucin normal multivariada.


3.1. Introduccin y definiciones.
La mayora de los mtodos multivariados tradicionales cuando son usados

para realizar inferencias, mas que para un carcter exploratorio, suponen


que los vectores de datos son muestras de v.a. normales multivariadas.
Un vector aleatorio X es normal multivariado si su distribucin conjunta es

normal multivariada.
Existen varias

DEFINICIONES

equivalentes de una distribucin normal

multivariada:

Definicin

(Simple):

Se

dice

que

un

vector

aleatorio

X ' X1 , X 2 ,..., X p tiene una distribucin normal multivariada si


X1

X2 p
a ' X a 1 , a 2 ,..., a p a j X j

j1
X
p
tiene una distribucin normal univariada para todos los posibles valores del
vector a.

Definicin 2 (Formal): Se dice que un vector aleatorio X ' X1 , X 2 ,..., X p

tiene una distribucin normal multivariada con vector de medias y matriz


de varianzas-covarianzas , si su funcin de densidad est dada por

20
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

f X x; ,

1
( 2 ) p / 2

1/ 2

1
'
exp x 1 x , para x p

Notacin: X Np(, )

PROPIEDADES de la distribucin normal multivariada:

Si X Np(, ), es decir, el vector X ' X1 , X 2 ,..., X p tiene una


distribucin normal multivariada, entonces
1) E(X) = y Var(X) = .
2) Cada Xj, para j=1,...,p, tiene un distribucin normal univariada. Es decir,
Xj N(j, jj) y por lo tanto, E(Xj) = j y Var(Xj) = jj.
3) Si jk 0 ( jk 0 ) para jk=1,...,p entonces X1,X2,...,Xp son v.a.
independientes.

Nota: Si cada Xj, j=1,..,p tiene una distribucin normal univariada, no

necesariamente el vector X ' X1 , X 2 ,..., X p tendr una distribucin


normal multivariada. En general s se cumple, pero existen algunos casos
atpicos en donde no.

3.2. Distribucin normal bivariada


Un caso particular de la distribucin normal multivariada es cuando el

nmero de variables p=2. En este caso, si X ' X1 , X 2 N2(, ) se dice


que X tiene una distribucin normal multivariada de dimensin 2 o que X
tiene una distribucin normal bivariada, donde
21
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

12

.
1 y 11

2
21
22

Recuerda que 12

12
11 22

La distribucin normal bivariada es de importancia porque es posible

visualizar su comportamiento en una grfica en tres dimensiones.


Caractersticas de la funcin de densidad normal bivariada.

1) Tiene forma acampanada,


2) Las curvas de nivel forman crculos (si 11=22, 12=0), o elipses.
R: dmvnorm, pmvnorm, rmvnorm.

3.3. Inferencia estadstica


El problema de inferencia estadstica consiste en aproximar el valor de

ciertas caractersticas poblacionales (llamadas parmetros) por medio de


resmenes (llamados estadsticas) generados a partir de la informacin
contenida en una muestra obtenida de la poblacin.
ESTIMACIN

PUNTUAL:

El problema de estimacin puntual consiste en

proporcionar un valor puntual que aproxime al parmetro de inters. Los


mtodos clsicos de estimacin puntual de parmetros son: mtodo de
momentos y mtodo de mxima verosimilitud.

22
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

De los dos mtodos antes mencionados, el que produce estimadores con

mejores propiedades (insesgamiento, eficiencia, consistencia, etc.), es el


mtodo de mxima verosimilitud.
El mtodo de mxima verosimilitud consiste en encontrar el valor de los

parmetros que hacen que la muestra observada tenga probabilidad


mxima de haberse observado.

Los estimadores puntuales para el vector de medias , la matriz de


varianzas-covarianzas y la matriz de correlaciones de una distribucin
normal multivariada son la media muestral , la varianza muestral y la
correlacin muestral R, cuyas expresiones son:

X11
1
X n1

2 1 X12
X n 2
1 n

X i
,


n
n i1


X
X

p
np
1p
11 12

1 n
21 22
'

X
X


i
i

n 1 i1


p1 p 2
1

r21
R

r
p1

r12
1

rp 2

1p

2 p
,

pp

r1p

r2 p
,

23
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

donde,

jj

1 n
X ij j 2 , para j=1,2,...,p,

n 1 i1

1 n
kj
X ik k X ij j , para kj=1,2,...,p, y
n 1 i1
rkj

kj
kk jj

, para kj=1,2,...,p.

Nota: El estimador es el EMV de .

n 1
El estimador no es el EMV , sino
.
n

Propiedades: E , E y ER .

Splus: mean, var, cor.


PRUEBAS DE HIPTESIS: El problema de contraste de hiptesis en estadstica

consiste en decidir cul de dos hiptesis es correcta. La decisin se toma de


acuerdo con la informacin de la muestra.
La prueba de hiptesis de mayor importancia en datos multivariados es

probar si la correlacin entre dos variables es significativamente distinta de


cero.
Prueba de hiptesis para jk: Formalmente, se quiere probar

H 0 : jk 0 vs. H1 : jk 0
La estadstica de prueba es:
T

rjk n 2
1

rjk2

24
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

y la regin de rechazo es:

t : t t

/2
( n 2 )

donde t (n/22) es el punto de una distribucin t-Student con (n-2) grados de


libertad que acumula /2 de probabilidad a la derecha.
R: cor.test

INTERVALOS

DE CONFIANZA:

El calcular un intervalo de confianza es un

problema de estimacin por intervalo, en donde lo que se proporciona es


un conjunto de valores ltamente posibles como aproximaciones al
parmetro.
Al igual que en el caso de pruebas de hiptesis, el intervalo de confianza de

mayor inters es el de la correlacin entre dos variables.


Intervalos de confianza para jk: Existen varias propuestas, pero una de

ellas es la propuesta por Fisher. El intervalo de confianza en este caso


sera,
z
z

tanh tanh 1 rjk / 2 jk tanh tanh 1 rjk / 2 ,


n 3
n 3

donde z / 2 es el punto de una distribucin normal estndar que acumula


/2 de probabilidad a la derecha.

25
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Uso de correlaciones para agrupar variables. Es posible que cuando se

tiene un conjunto grande de variables, exista cierta relacin entre algunas


de las variables. El coeficiente de correlacin entre parejas de variables
permite agrupar variables de tal manera que variables en el mismo grupo
tengan correlaciones altas y variables en grupos diferentes tengan
correlaciones bajas.

26
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

4. Anlisis de componentes principales.


4.1. Breve repaso de matrices
Sea una matriz cuadrada de pp tal que

11 12

21 22

p1 p 2

1p

2p
.

pp

Se dice que una matriz es simtrica si jk kj para todo j,k=1,2,...,p.

Las matrices de varianzas-covarianzas siempre son simtricas.

Traza de una matriz: tr jj .


j1

Determinante de una matriz (cuadrada): det 1 j1 j , en donde


j1

1 j (1)1 j 1 j y 1 j es la matriz obtenida a partir de al eliminar su


primer rengln y su j-sima columna.

El determinante de una matriz de 11 es igual al valor del nico elemento.


Ej: Si 11 entonces 11 .

El de terminante de una matriz de 22 se calcula como:

27
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

12

entonces 11 22 12 21 .
Si 11

21
22

Ejemplo numrico:

6 2
.
Sea
2
3

Entonces, tr()=6+3=9, y 6(1)11 3 2(1)1 2 2 18 4 14 .


R: det
Eigenvalores y eigenvectores: Los eigenvalores (o valores caractersticos)

y los eigenvectores (o vectores caractersticos) son valores y vectores que


caracterizan una matriz (cuadrada) y satisfacen
w w ,

(4.1)

donde es un eigenvalor y w es un eigenvector.

Los eigenvalores se obtienen como solucin a la ecuacin:


I 0 ,
donde I es la matriz identidad. Esta expresin toma la forma de una
ecuacin polinomial en de grado p:
c1p c 2 p1 c p c p1 0 .
Las races de esta ecuacin son los eigenvalores de . En general,
' 1 , 2 ,..., p .

Si es una matriz simtrica, sus eigenvalores son nmero reales y por lo


tanto se pueden ordenar de forma descendente 1 2 p .

Para cada eigenvalor j, existe un eigenvector wj que satisface la ecuacin


(4.1).
28
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Propiedades:
p

tr j ,
j1

j .
j1

Ejemplo numrico:
6 2
.
Sea
2
3

Los eigenvalores de deben satisfacer I 0 , es decir,


2
6

0 .
2
3

Esto implica que (6-)(3-)-4=0, por lo que 2 9 14 0 . Resolviendo


la ecuacin obtenemos que 1=7 y 2=2.
Para calcular el eigenvector correspondiente a 1=7 hacemos, w 1 1w 1 ,
es decir,
6 w 11 2 w 21 7 w 11
6 2 w 11 w 11

7

w 11 2w 21 .
2 w 11 3w 21 7 w 21
2 3 w 21 w 21
Existen muchos vectores que satisfacen la condicin w 11 2w 21 , pero el

nico vector normalizado w 1' w 1 1 es: w 1' 2

5 ,1 5 .

Similarmente, resolviendo w 2 2 w 2 para 2=2 se puede demostrar que

w '2 1 5 , 2

5 .

29
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Una matriz es definida positiva si todos sus eigenvalores son positivos.


Una matriz es semi-definida positiva si todos sus eigenvalores son no

negativos.
NOTA: Las matrices de varianzas-covarianzas y de correlaciones tanto

poblacionales como muestrales son semidefinidas positivas.

4.2. Componentes principales


El anlisis de componentes principales es un procedimiento matemtico

que transforma un conjunto de variables posiblemente correlacionadas en


un conjunto menor de variables no correlacionadas llamadas componentes
principales.
Dadas n observaciones de p variables, el objetivo del anlisis de

componentes

principales

es

determinar

nuevas

variables

no

correlacionadas llamadas componentes principales que representen la


mayor variabilidad posible de las variables originales.
El uso de esta tcnica es principalmente exploratoria y en general como un

paso intermedio para anlisis posteriores.

30
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

Los OBJETIVOS principales son:

1) Reducir la dimensionalidad de un conjunto de datos,


2) Interpretar un conjunto de datos.
CARACTERSTICAS: Las nuevas variables (componentes principales) son

creadas de tal manera que:


1) No estn correlacionadas.
2) La 1a componente principal explique la mayor variabilidad posible de
los datos.
3) Cada componente subsecuente explique la mayor variabilidad posible
restante no explicada por las componentes anteriores.
Formalmente, sea X ' X1 , X 2 ,..., X p un vector aleatorio de p variables

con

matriz

de

varianzas-covarianzas

con

eigenvalores

1 2 p 0 . Sean Y ' Y1 , Y2 ,..., Yp nuevas variables formadas


como combinaciones lineales de las Xi's, i.e.,

Y1 a 1' X a 11X1 a 12 X 2 a 1p X p
Y2 a '2 X a 21X1 a 22 X 2 a 2 p X p

Yp a 'p X a p1X1 a p 2 X 2 a pp X p
Las componentes principales son aquellas combinaciones lineales
Y1,Y2,...,Yp no correlacionadas, cuyas varianzas son tan grandes como sea
posible.

31
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

COMPONENTES:

1a componente principal: Y1 a 1' X , donde a1 maximiza Var a 1' X sujeto a


a 1' a 1 1

2a componente principal: Y2 a '2 X , donde a2 maximiza Var a '2 X sujeto a

a '2 a 2 1 y Cov a 1' X, a '2 X 0

ka componente principal: Yk a 'k X , donde ak maximiza Var a 'k X sujeto a

a 'k a k 1 y Cov a 'k X, a 'j X 0 para j<k

Se puede demostrar que el mximo de la varianza de a 1' X entre todos los


vectores a1 que satisfacen a 1' a 1 1 es igual a 1 y por lo tanto, a1 es el
eigenvector de correspondiente al eigenvalor 1.

Tambin, se puede demostrar que el valor mximo de la varianza de a '2 X


entre todas las combinaciones lineales que satisfacen a '2 a 2 1 y que no
estn correlacionadas con Y1 es igual a 2. Por lo tanto, a2 es el eigenvector
de correspondiente al eigenvalor 2.

En general, se puede demostrar que el valor mximo de la varianza de a 'k X


entre todas las combinaciones lineales que satisfacen a 'k a k 1 y que no
estn correlacionadas con Y1,Y2,...,Yk-1 es igual a k. Por lo tanto, ak es el
eigenvector de correspondiente al eigenvalor k.

32
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

INTERPRETACIN de k :

Recuerde que tr 11 22 pp es una medida de la variabilidad

total de las variables originales. Por otro lado, VarYk Var a 'k X k ,
k=1,...,p. Por lo tanto, la variabilidad total de las variables componentes
principales tr 1 2 p es igual a la variabilidad total de las
variables originales.

Proporcin de la variabilidad

total explicada por la k - sima


componente principal

k
,

1
2
p

k=1,2,...,p

INTERPRETACIN del vector de pesos a 'k a k1 , a k 2 ,..., a kp :

Los elementos akj del eigenvector ak son llamados pesos y miden la


importancia de la j-sima variable en el k-simo componente principal.

La interpretacin se hace relativa a los dems pesos de las variables de la


misma componente, o

Se puede interpretar normalizando los coeficientes y definiendo las


correlaciones de cada variable con cada componente como:

Corr Yk , X j

k
a kj
jj

para j,k=1,,p
CUNTOS componentes principales son suficientes?

El nmero de componentes principales que de alguna manera pudieran


reemplazar a las variables originales, sin mucha prdida de informacin,

33
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

depende del problema en particular. En general, se desea que el porcentaje


de la variabilidad explicada por los r primeros componentes sea de al
menos el 80%.

Una forma alternativa de decidir el nmero de componentes significativos


es graficando k vs. k. Cuando los puntos de la grfica tienden a nivelarse,
estos eigenvalores suelen estar suficientemente cercanos a cero como para
que puedan ignorarse.

NOTA: Si no se tiene la matriz de varianzas-covarianzas poblacional , se

realiza todo el anlisis anterior sobre la matriz de varianzas-covarianzas


muestral . En este caso, los componentes obtenidos seran estimaciones
de los componentes poblacionales.
VALORES

O MARCADORES

(scores) de los componentes principales: Para

poder visualizar las componentes principales es necesario calcular el valor


de cada componente para cada individuo en un conjunto de datos.
Sea xi el vector de variables medidas para cada individuo. Entonces el
valor de la k-sima componente principal para el i-simo individuo es

y ik a 'k x i , para i=1,...,n y k=1,...,p.

4.3. Componentes principales sobre variables estandarizadas


Si la escala en que estn medidas las variables no es uniforme (similar), es

34
Mdulo 6: Anlisis Multivariado

PROFESOR: LUIS E. NIETO BARAJAS

recomendable realizar un anlisis de componentes principales sobre las


variables estandrizadas, i.e.,

Z1

X1 1 ,
11

Z2

X 2 2 , ... ,
22

Zp

X p p
pp

En notacin matricial, Z 1/ 2 X .

Propiedades: EZ 0 y Var( Z) Cov( Z) , donde es la matriz de


correlaciones de los datos originales X.

Los componentes principales Y *' Y1* , Y2* ,..., Yp*

variables

estandarizadas

Z ' Z1 , Z 2 ,..., Z p

se

del conjunto de
obtienen

de

los

eigenvectores de la matriz de correlacin de X.


Vectores de correlaciones de componentes:

Si *k y a *k son los eigenvalores y eigenvectores de la matriz , las


correlaciones entre las variables estandarizadas y la k-sima componente
principal son,

Corr Yk* , Z j *k

1/ 2 *
a kj ,

para j,k=1,...,p.
NOTA: Los componentes principales obtenidos a partir de la matriz son,

en general, diferentes a los obtenidos de la matriz .


R: princomp, print, summary

35
Mdulo 6: Anlisis Multivariado