4 Castaño - Análisis de Datos Multivariados PDF

______________________________________________________Elkin Castao V.
XII SEMINARIO DE ESTADSTICA APLICADA

III ESCUELA DE VERANO
VII COLOQUIO REGIONAL DE ESTADSTICA
INTRODUCCIN AL ANLISIS DE DATOS

MULTIVARIADOS EN CIENCIAS SOCIALES
Profesor
ELKIN CASTAO V.
Facultad de Ciencias, Universidad Nacional de Colombia,
Medelln
Facultad de Ciencias Econmicas, Universidad de
Antioquia
______________________________________________________Elkin Castao V.
CONTENIDO
Captulo 1. Aspectos Bsicos del Anlisis Multivariado
Captulo 2. Vectores y Matrices Aleatorias
Captulo 3. La Distribucin Normal Multivariada
Captulo 4. Anlisis de Componentes Principales
Captulo 5. Anlisis de Factor
______________________________________________________Elkin Castao V.
CAPTULO 1.
ASPECTOS BSICOS DEL ANLISIS MULTIVARIADO
1. INTRODUCCIN
La investigacin cientfica es un proceso iterativo aprendizaje

Los objetivos relacionados con la explicacin de un
fenmeno fsico o social deben ser especificados y probados
por medio de la consecucin y el anlisis de los datos.
A su vez, el anlisis de los datos generalmente sugerir
modificaciones a la explicacin del fenmeno: se agregarn
o suprimirn variables.
La complejidad de la mayora de los fenmenos exigen que el
investigador recoja informacin sobre muchas variables
diferentes.
El Anlisis de datos multivariados proporciona al investigador
mtodos para analizar esta clase de datos:
______________________________________________________Elkin Castao V.
Mtodos de reduccin de datos

Tratan de obtener representaciones de los datos en forma tan
simple como sea posible, sin sacrificar informacin.
Mtodos de Ordenamiento y agrupacin
Tratan de crear grupos de objetos o de variables que sean
similares.
Alternativamente, tratan de generar reglas para clasificar
objetos dentro de grupos bien definidos.
Mtodos para investigar las relaciones de dependencia entre
las variables, pues generalmente las relaciones entre las
variables son de inters.
Mtodos de prediccin
Establecidas las relaciones de las variables, se trata de
predecir los valores de una o ms variables sobre las base de
las observaciones de as dems variables.
Construccin y pruebas de hiptesis
Tratan de validar supuestos o reforzar convicciones a priori.
______________________________________________________Elkin Castao V.
2. LOS DATOS Y SU ORGANIZACIN
Tipos de datos: Los datos recolectados pueden ser generados

por:
Experimentacin: a travs del diseo experimental
Observacin: se recoge la informacin existente
Presentacin de los datos: su objetivo es facilitar el anlisis
Tablas
Arreglos matriciales
Medidas resmenes o descriptivas
Grficos
Tablas
Sea xjk el valor que toma la k-sima variable sobre el j-simo
objeto (o individuo o unidad experimental). Si se toman n
mediciones sobre p variables de inters, el conjunto de datos
puede ser presentado como
______________________________________________________Elkin Castao V.
Objeto
1
2
var 1
x11
x 21
Var 2
x12
x 22
x j1
x j2
x n1
x n2
Var k
x1k
x2k
Var p
x1p
x2p
xjk
xnk
xjp
xnp
Arreglos matriciales
Los datos tambin pueden ser presentados usando arreglos
matriciales:
x11
x 21

X=
x j1

x
n1
x12 x1k x1p
x 22 x 2k x 2p
x j2 x jk x jp

x n2 x nk x np
Estadsticas descriptivas:
Los conjuntos de datos generalmente son voluminosos.
Esto es un serio obstculo para extraer informacin
relevante visualmente.
Mucha de la informacin contenida en X puede ser evaluada
por medio de medidas que describen cuantitativamente
______________________________________________________Elkin Castao V.
ciertas caractersticas de los datos: localizacin, dispersin,

correlacin, simetra, curtosis.
La media aritmtica o media muestral: es una medida de
localizacin. Para los datos de la i-sima variable se define
como
xi =
1 n
x ji
n j =1
La varianza muestral: Es una medida de dispersin. Para

los datos de la i-sima variable se define como
si2 =
1 n
2
( x ji xi )
n j=
Observacin: Algunos autores definen la varianza

muestral usando n-1 en lugar de n en el denominador.
Existen razones tericas para hacerlo, especialmente
cuando n es pequeo.
La desviacin estndar muestral: Es otra medida de
dispersin. Tiene la ventaja de que posee las mismas
unidades de medicin de los datos. Para los datos de la isima variable se define como
______________________________________________________Elkin Castao V.
si = + si2
Covarianza muestral: es una medida de asociacin lineal

entre los datos de dos variables. Para los datos de la i-sima
y k-sima variable se define como
sik =
1 n
( x ji xi )( x jk xk )
n j =1
Interpretacin:
sik>0 indica una asociacin lineal positiva entre los datos de
las variables
sik<0 indica una asociacin lineal negativa entre los datos de
las variables
sik=0 indica que no hay una asociacin lineal entre los datos
de las variables
Observacin: como la varianza muestral es la
covarianza muestral entre los datos de la i-sima
variable con ella misma, algunas veces se denotar
como sii
______________________________________________________Elkin Castao V.
Correlacin muestral: Es otra medida de asociacin lineal.

Para los datos de la i-sima y k-sima variable se define
como
rik =
sik
sii skk
A diferencia de la covarianza muestral, que no indica cul es

la fortaleza de la relacin lineal, la correlacin est acotada
entre -1 y 1.
Propiedades de rik:
1) | rik| 1
rik=1 indica que hay una asociacin lineal positiva y perfecta
entre los datos de las variables. Los datos caen sobre una
lnea recta de pendiente positiva.
0<rik<1 indica que hay una asociacin lineal positiva
imperfecta entre los datos de las variables. Los datos caen
alrededor de una lnea recta de pendiente positiva.
rik=-1 indica que hay una asociacin lineal negativa y
perfecta entre los datos de las variables. Los datos caen
sobre una lnea recta de pendiente negativa.
______________________________________________________Elkin Castao V. 10
-1<rik<0 indica que hay una asociacin lineal negativa

imperfecta entre los datos de las variables. Los datos caen
alrededor de una lnea recta de pendiente negativa.
rik=0 indica que no hay una asociacin lineal entre los datos
de las variables.
2) Considere las versiones estandarizadas de las variables xi
y xk
z ji =
x ji xi
sii
z jk =
x jk xk
skk
Entonces rik es la covarianza muestral entre zji y zjk.

3) Considere las transformaciones
y ji = ax ji + b
y jk = cx jk + d
Entonces la correlacin muestral entre xji y xjk es la misma

que la que hay entre yji y yjk, dado que a y c tengan el
mismo signo.
4) sik y rik solamente informan sobre la existencia o no de
una asociacin lineal.
______________________________________________________Elkin Castao V. 11
5) sik y rik son muy sensibles a la existencia de

atpicos
(outliers).
Cuando
existen
datos
observaciones
sospechosas, es recomendable calcularlas con y sin dichas

observaciones.
Coeficiente de asimetra muestral: es una medida que
describe la asimetra de la distribucin de los datos con
respecto a la media muestral. Se define como:
n ( x ji xi )3
sk ( xi ) =
j =1
n
2
( x ji xi )
j =1
3/ 2
Cuando los datos proceden de una distribucin simtrica,

como la distribucin normal, sk ( xi ) 0
Coeficiente de curtosis muestral: es una medida que
describe el comportamiento en las colas de la distribucin de
los datos. Se define como
n
n ( x ji xi ) 4
k ( xi ) =
j =1
n
2
( x ji xi )
j =1
______________________________________________________Elkin Castao V. 12
Cuando los datos proceden de una distribucin como la

normal, k ( xi ) 3.
ARREGLOS BASADOS EN ESTADSTICAS DESCRIPTIVAS
Para las medias muestrales: El vector de media muestral se

define como
x1
x
2
x=

x p
Para las varianzas y covarianzas muestrales: La matriz de

varianza y covarianza
muestral, o matriz de covarianza
muestral, se define como

s11
s12
S=
s1p
s12 ... s1p
s22 ... s2p
s2p ... spp
S es una matriz simtrica.

Para
las
correlaciones
muestrales:
correlaciones muestral se define como
La
matriz
de
______________________________________________________Elkin Castao V. 13
r12
R=
r1p
r12 ... r1p
1 ... r2p
r2p ... 1
R es una matriz simtrica.

Ejemplo: Lectura de datos en R y clculo de arreglos muestrales.
Datos sobre 8 variables para 22 compaas de servicio pblico.
X1: Cargo fijo
X2: Tasa de retorno del capital
X3: Costo por kilovatio
X4: Factor anual de carga
X5: Crecimiento del pico de la demanda desde 1964.
X6: Ventas
X7: Porcentaje de generacin nuclear
X8: Costo total de combustible
Empleo del programa R
# lectura de los datos desde un archivo de texto con nombres de las variables
publ_util<-read.table("c:/unal/datos/j-wdata/t12-5_sin.dat", header = TRUE)
# visualizacin de los datos ledos
publ_util
# asignacin de nombres a las variables: X1, X2, ....
attach(publ_util)
# obtencin del vector de media muestral
______________________________________________________Elkin Castao V. 14
medias<-mean(publ_util)
medias
# obtencin de la matriz de covarianza muestral
mat_cov<-cov(publ_util)
mat_cov
# obtencin de la matriz de correlacin muestral
mat_cor<-cor(publ_util)
mat_cor
# obtencin del coeficiente de asimetra muestral
skewness=function(x) {
m3=mean((x-mean(x))^3)
skew=m3/(sd(x)^3)
skew}
skewness(X1)
# obtencin del coeficiente de curtosis muestral
kurtosis=function(x) {
m4=mean((x-mean(x))^4)
kurt=m4/(sd(x)^4)
kurt}
kurtosis(X1)
Observacin: Los coeficientes de asimetra y curtosis muestrales

tambin se pueden calcular usando libreras como moments,
e1071 y fEcofin.
RESULTADOS:
TABLA DE DATOS
1
2
3
4
5
6
7
8
9
10
11
12
13
14
X1
1.06
0.89
1.43
1.02
1.49
1.32
1.22
1.10
1.34
1.12
0.75
1.13
1.15
1.09
X2
9.2
10.3
15.4
11.2
8.8
13.5
12.2
9.2
13.0
12.4
7.5
10.9
12.7
12.0
X3
151
202
113
168
192
111
175
245
168
197
173
178
199
96
X4
X5
X6
X7
X8
54.4 1.6 9077 0.0 0.628
57.9 2.2 5088 25.3 1.555
53.0 3.4 9212 0.0 1.058
56.0 0.3 6423 34.3 0.700
51.2 1.0 3300 15.6 2.044
60.0 -2.2 11127 22.5 1.241
67.6 2.2 7642 0.0 1.652
57.0 3.3 13082 0.0 0.309
60.4 7.2 8406 0.0 0.862
53.0 2.7 6455 39.2 0.623
51.5 6.5 17441 0.0 0.768
62.0 3.7 6154 0.0 1.897
53.7 6.4 7179 50.2 0.527
49.8 1.4 9673 0.0 0.588
______________________________________________________Elkin Castao V. 15
15
16
17
18
19
20
21
22
0.96 7.6 164 62.2 -0.1 6468 0.9 1.400

1.16 9.9 252 56.0 9.2 15991 0.0 0.620
0.76 6.4 136 61.9 9.0 5714 8.3 1.920
1.05 12.6 150 56.7 2.7 10140 0.0 1.108
1.16 11.7 104 54.0 -2.1 13507 0.0 0.636
1.20 11.8 148 59.9 3.5 7287 41.1 0.702
1.04 8.6 204 61.0 3.5 6650 0.0 2.116
1.07 9.3 174 54.3 5.9 10093 26.6 1.306
MEDIAS MUESTRALES
X1
1.114091
X2
10.736364
X3
168.181818
X4
56.977273
X5
X6
3.240909 8914.045455
X7
12.000000
X8
1.102727
MATRIZ DE COVARIANZA MUESTRAL

X1
X2
X3
X4
X1
0.034044372
0.2661299
-0.7812554 -6.752165e-02
X2
0.266129870
5.0357576 -32.1259740 -8.643723e-01
X3 -0.781255411 -32.1259740 1696.7272727 1.843290e+01
X4 -0.067521645 -0.8643723
18.4329004 1.990184e+01
X5 -0.149080087 -1.8201299
55.9207792 4.657359e-01
X6 -99.346385281 -76.6160173 4092.5151515 -4.560037e+03
X7
0.138809524
7.9676190
79.3095238 -1.229762e+01
X8 -0.001372165 -0.4088848
0.1195758 1.204446e+00
X5
X6
X7
X1
-0.14908009 -9.934639e+01 1.388095e-01
X2
-1.82012987 -7.661602e+01 7.967619e+00
X3
55.92077922 4.092515e+03 7.930952e+01
X4
0.46573593 -4.560037e+03 -1.229762e+01
X5
9.72348485 1.952874e+03 -1.001429e+00
X6 1952.87424242 1.260239e+07 -2.227602e+04
X7
-1.00142857 -2.227602e+04 2.819686e+02
X8
-0.01236926 -1.106557e+03 -1.728324e+00
X8
-1.372165e-03
-4.088848e-01
1.195758e-01
1.204446e+00
-1.236926e-02
-1.106557e+03
-1.728324e+00
3.092451e-01
MATRIZ DE CORRELACIN MUESTRAL

X1
X2
X3
X4
X1 1.00000000 0.642744766 -0.102793192 -0.08203019
X2 0.64274477 1.000000000 -0.347550467 -0.08634194
X3 -0.10279319 -0.347550467 1.000000000 0.10030926
______________________________________________________Elkin Castao V. 16
X4
X5
X6
X7
X8
X1
X2
X3
X4
X5
X6
X7
X8
-0.08203019 -0.086341943
-0.25911109 -0.260111168
-0.15167116 -0.009617468
0.04480188 0.211444212
-0.01337310 -0.327655318
X5
X6
-0.259111089 -0.151671159
-0.260111168 -0.009617468
0.435367718 0.027987098
0.033479746 -0.287935594
1.000000000 0.176415568
0.176415568 1.000000000
-0.019125318 -0.373689523
-0.007133152 -0.560526327
0.100309264
0.435367718
0.027987098
0.114661857
0.005220183
X7
0.04480188
0.21144421
0.11466186
-0.16416254
-0.01912532
-0.37368952
1.00000000
-0.18508592
1.00000000
0.03347975
-0.28793559
-0.16416254
0.48550006
X8
-0.013373101
-0.327655318
0.005220183
0.485500063
-0.007133152
-0.560526327
-0.185085916
1.000000000
COEFICIENTE DE ASIMETRA MUESTRAL DE x1

-0.01711117
COEFICIENTE DE CURTOSIS MUESTRAL DE x1

2.785947
Grficos
Los grficos son ayudas importantes en el anlisis de los datos.
Aunque es imposible graficar simultneamente los valores de
todas las variables en el anlisis y estudiar su configuracin,
los grficos de las variables individuales y de pares de
variables son muy informativos.
Grficos para variables individuales:

Sirven para conocer las distribuciones marginales de los
datos para cada variable. Entre ellos se encuentran:
______________________________________________________Elkin Castao V. 17
Grficos
de
puntos:
recomendados
para
muestras
1.
5
1.
4
1.
3
1.
2
1.
1
1.
0
0.
9
0.
8
0.
7
pequeas.
X1
Grficos de cajas: recomendados para muestras moderadas

o grandes. Sean Q1 y Q3 los cuartiles inferior y superior de
la distribucin de una variable aleatoria, y sea IQR= Q3 - Q1
el rango intercuartil. El grfico de cajas es un grfico
esquemtico de la distribucin de la variable aleatoria, como
se ilustra a continuacin. Se compara con el caso de que la
distribucin terica sea una normal.
______________________________________________________Elkin Castao V. 18
1.
5
1.
4
1.
3
1.
2
1.
1
1.
0
0.
9
0.
8
0.
7
Para los datos de la variable X1 del ejemplo,
X1
Los datos que caen ms a la izquierda de Q1-1.5*IQR y ms

a la derecha de Q3+1.5*IQR son considerados datos atpicos
o inusuales.
Histogramas: recomendados para muestras moderadas o
grandes.
12
0.5
10
Proportion per Bar
0.4
0.3
6
0.2
X1
1.
5
1.
4
1.
3
1.
2
1.
1
0.0
1.
0
0
0.
9
0.1
0.
8
0.
7
Count
______________________________________________________Elkin Castao V. 19
Grficos para cada par de variables:

Son utilizados para estudiar distribucin de los datos para 2
variables. Dan indicaciones sobre la orientacin de los datos
en el plano cartesiano y la asociacin que hay entre ellos.
Son llamados diagramas de dispersin.
Hay varias clases diagramas de dispersin, por ejemplo:
a) Simple
1.5
1.4
1.3
1.1
1.0
0.9
0.8
X2
16
15
14
13
12
11
10
0.7
6
X1
1.2
______________________________________________________Elkin Castao V. 20
b) Con marginales como diagramas de puntos

1.5
1.4
1.3
X1
1.2
1.1
1.0
0.9
0.8
16
15
14
13
12
11
10
0.7
X2
c) Con marginales como grficos de cajas

1.5
1.4
1.3
1.1
1.0
0.9
0.8
X2
16
15
14
13
12
11
10
0.7
6
X1
1.2
______________________________________________________Elkin Castao V. 21
El efecto de observaciones inusuales sobre la correlacin

muestral
Frecuentemente algunas observaciones de la muestra tienen un
efecto considerable en el clculo de la correlacin muestral.
Considere el grfico de dispersin para las variables X1 y X2.
El coeficiente de correlacin muestral es r12=0.643

Ahora considere el grfico de dispersin en el cual el tamao
del punto est relacionado con el cambio que tiene el
coeficiente de correlacin muestral cuando la observacin
correspondiente a ese punto es eliminada.
______________________________________________________Elkin Castao V. 22
Los resultados muestran que al eliminar la observacin

denominada consolid, el coeficiente de correlacin muestral
tiene un cambio mayor de 0.10.
El coeficiente calculado sin esta observacin es 0.836.
Entonces su eliminacin produce un cambio positivo de 0.193,
el cual corresponde a una variacin porcentual del 30%!
Grficos para tres variables: Diagramas de dispersin

tridimensionales
Son utilizados para estudiar los aspectos tridimensionales de
los datos. Generalmente estos grficos permiten rotacin.
______________________________________________________Elkin Castao V. 23
El siguiente ejemplo presenta el diagrama de dispersin

tridimensional para X1, X2 y X3 con tres rotaciones.
300
X3
200
X11.1
1.2
1.3
1.4
1.5
16
14
15
12
X2
13
11
10
1.0
0.9
0.8
0.7
100
300
0.7
0.8
8
1.5
16
15
14
1.4
13
12
1.3
11
10
1.2
X2
X11.1
1.0
0.9
100
X3
200
1.0
1.2
1.5
16
15
14
1.4
13
12
1.3
11
10
X3
X2
X11.1
7
8
300
200
1006
0.9
0.8
0.7
______________________________________________________Elkin Castao V. 24
Matrices de dispersin o mltiples diagramas de

dispersin:
Presentan conjuntamente todos los diagramas de dispersin de
los datos para cada par variables. Se pueden construir varias
clases de matrices de dispersin, dependiendo del contenido
en su diagonal. Por ejemplo:
______________________________________________________Elkin Castao V. 25
a) con diagramas de puntos en la diagonal

X2
X3
X4
X5
X1
X2
X3
X4
X5
X5
X5
X4
X4
X3
X3
X2
X2
X1
X1
X1
a) con grficos de cajas en la diagonal
______________________________________________________Elkin Castao V. 26
c) con histogramas en la diagonal
d) con histogramas suavizados (curvas Kernel) en la diagonal
______________________________________________________Elkin Castao V. 27
Representaciones pictricas de datos multivariados:

Son imgenes que representan los valores de tres o ms
variables medidas para cada individuo, objeto o unidad
experimental. A diferencia de los grficos anteriores, no estn
diseadas para transmitir informacin numrica absoluta. En
general, su objetivo es ayudar a reconocer o observaciones
similares.
Cuando se usan estos grficos, se recomienda que todas las
variables estn medidas en la misma escala. Si no es as, se
deben emplear los datos estandarizados.
Grficos de estrellas:
Suponga que los datos consisten de observaciones sobre p 2
variables.
Se obtienen de la siguiente manera. En dos
dimensiones se construyen crculos de radio fijo con p rayos

igualmente espaciados emanando del centro del crculo. Las
longitudes de los rayos
variables.
representan los valores de las
______________________________________________________Elkin Castao V. 28
Arizona
Boston
Central
Common
Consolid
Florida
Hawaiian
Idaho
Kentucky
Madison
Nevada
NewEngla
Northern
Oklahoma
Pacific
Puget
SanDiego
Southern
Texas
X4
Wisconsi
X3
X2
X5
X1
United
Virginia
X6
X7
X9
X8
Curvas de Andrews:
Es un mtodo potente para identificar agrupamientos de
observaciones. Las curvas de Andrews son las componentes de
Fourier de los datos y el resultado para cada observacin es
una onda formada por funciones seno y coseno de sus
componentes. Se construyen de la siguiente forma:
______________________________________________________Elkin Castao V. 29
f x j (t ) =
x j1
2
+ x j 2 sen(t ) + x j 3cos (t ) + x j 4 sen(2t ) + x j 5cos (2t ) +
donde < t < .
Fourier Components
4
3
2
1
0
-1
-2
-180
-90
Degrees
90
180
______________________________________________________Elkin Castao V. 30
Caras de Chernoff:
Es otra forma efectiva de agrupar datos multivariados,
particularmente para un procesamiento de la memoria de largo
plazo. Fueron introducidas por Chernoff (1973), quien usa
varias caractersticas de la cara para representar los datos de las
variables. Algunos paquetes estadsticos permiten representar
hasta 20 variables (SYSTAT), mientras que R permite asignar
18 variables. Las caractersticas que SYSTAT permite asignar
son:
1 Curvatura de la boca
2 ngulo de la ceja
3 Amplitud de la nariz
4 Longitud de la nariz
5 Longitud de la boca
6 Altura del centro de la boca
7 Separacin de los ojos
8 Altura del centro de los ojos
9 Inclinacin de los ojos
10 Excentricidad de los ojos
11 Longitud media de los ojos
12 Posicin de las pupilas
13 Altura de la ceja
14 Longitud de la ceja
15 Altura de la cara
16 Excentricidad de la elipse superior de la cara
17 Excentricidad de la elipse inferior de la cara
18 Nivel de las orejas
19 Radio de las orejas
20 Longitud del cabello
______________________________________________________Elkin Castao V. 31
Arizona
Boston
Central
Common
Consolid
Florida
Hawaiian
Idaho
Kentucky
Madison
Nevada
NewEngla
Northern
Oklahoma
Pacific
Puget
SanDiego
Southern
Texas
Wisconsi
United
Virginia
Identificacin de casos similares (grupos)
Arizona
Boston
Central
Common
Consolid
Florida
Hawaiian
Idaho
Kentucky
Madison
Nevada
NewEngla
Northern
Oklahoma
Pacific
Puget
SanDiego
Southern
Texas
Wisconsi
United
Virginia
X10
8
7
6
5
4
3
2
1
0
______________________________________________________Elkin Castao V. 32
Caras Asimtricas: Flury y Riedwyl (1981) proponen una nueva

cara en la cual los parmetros del lado derecho de la cara pueden
variar independientemente de los parmetros del lado izquierdo.
Esta cara puede ser aplicada de la misma manera que las caras de
Chernoff y permite representar hasta 36 variables, en lugar de las
18 variables originales de Chernoff. Para dibujar estas caras se
puede emplear el programa de uso libre FACEPLOT.
Lecturas recomendadas:
Jacob, R. J. K. (1983). Investigating the space of Chernoff faces.
Recent advances in statistics: A festschrift in honor of Herman
Chernoffs sixtieth birthday. M. H. Rzvi, J.
______________________________________________________Elkin Castao V. 33
Wang, P. C., ed. (1978). Graphical representation of multivariate

data. New York: Academic Press.
Wilkinson, L (2007) Cognitive Science and Graphic Design,
SYSTAT 12 Graphics, SYSTAT Software, Inc.
Wilkinson, L. (1982). An experimental evaluation of multivariate
graphical point representations. Human Factors in Computer
Systems: Proceedings. Gaithersburg, Md. 202209.
# lectura de los datos desde un archivo de texto
publ_util<-read.table("c:/unal/datos/j-wdata/t12-5.dat", header = TRUE)
# visualizacin de los datos ledos
publ_util
# asinacin de nombres a las variables: V1, V2, ....
attach(publ_util)
# grfico de puntos
stripchart(X1, method="stack")
# histograma
hist(X1)
# grfico de caja
boxplot(X1)
# matriz de dispersin
# pegado de las variables en la matriz X
X<-as.matrix(cbind(X1, X2, X3, X4, X5, X6, X7,X8))
pairs(X)
# grfico de estrellas
# estandarizacin de las variables
X1s=(X1-mean(X1))/sd(X1)
______________________________________________________Elkin Castao V. 34
# pegado de las variables estandarizadas en la matriz Xs

Xs<-as.matrix(cbind(X1s, X2s, X3s, X4s, X5s, X6s, X7s,X8s))
# los nombres de las observaciones son colocadas en el vector obs
obs=as.vector(X9)
stars(Xs, labels = obs, key.loc=c(10,1.8))
# invocar la librera aplpack para los grficos de caras
library(aplpack)
# grficos de caras
faces(Xs, labels = obs)
3. EL CONCEPTO DE DISTANCIA ESTADSTICA
Casi todas las tcnicas del anlisis multivariado estn

basadas en el concepto de distancia.
Distancia Euclidiana: considere el punto P=(x1, x2) en el
plano. La distancia Euclidiana del origen (0, 0) a P es
d (0, P) = x12 + x22 (Teorema de Pitgoras)
______________________________________________________Elkin Castao V. 35
El conjunto de todos los puntos P cuya distancia

cuadrtica a O es la misma, satisface
x12 + x22 = c 2 , con c>o
El lugar geomtrico corresponde a la circunferencia.

En general, si P=(x1, x2, , xp), su distancia euclidiana
al origen O es
d (0, P) = x12 + x22 + ... + x 2p
y el conjunto de todos los puntos P cuya distancia

cuadrtica a O es la misma, satisface
x12 + x22 + ... + x 2p = c 2 , con c>o
El lugar geomtrico de estos puntos corresponde a una

hiper-esfera.
La distancia euclidiana generalmente no es satisfactoria en
la mayora de las aplicaciones estadstica. El problema es
que cada coordenada contribuye igualmente en su clculo.
Esto supone:
______________________________________________________Elkin Castao V. 36
Que todos los puntos pueden ocurrir igualmente

Que no existen relaciones entre ellos.
Sin embargo, los datos generados por diferentes variables
aleatorias pueden tener diferente variabilidad y estar
relacionados.
Debemos desarrollar una distancia que tenga en cuenta estas
caractersticas.
Supongamos que tenemos n pares de medidas para dos
variables x1 y x2.
Caso 1: Las mediciones varan independientemente, pero la
variabilidad de x1 es mayor que la de x2.
______________________________________________________Elkin Castao V. 37
Una manera de proceder a calcular la distancia es

estandarizar las coordenadas, es decir, se obtienen
x1* =
x1
x
y x*2 = 2
s11
s22
Las nuevas coordenadas tienen la misma variabilidad y para

calcular la distancia se puede usar la distancia Euclidiana.
Entonces, la distancia estadstica de un punto P=( x1, x2) al
origen (0, 0) es
d (0, P) =
( ) ( )
x1*
+ x2*
x12 x22
+
s11 s22
El conjunto de todos los puntos P cuya distancia cuadrtica

a O es la misma, satisface
x12
x22
+
= c 2 con c>o
s 11 s 22
El lugar geomtrico corresponde a una elipse centrada en el

origen y cuyos ejes mayor y menor coinciden con los ejes de
coordenadas.
______________________________________________________Elkin Castao V. 38
La distancia anterior puede ser generalizada para calcular la

distancia de un punto cualquiera P=(x1, x2) a un punto fijo
Q=(y1, y2). Si las coordenadas varan independientemente
unas de otras, la distancia estadstica de P a Q esta dada por,
d ( P, Q ) ==
( x1 y1 )2 + ( x2 y2 )2
s11
s22
La extensin a ms de dos dimensiones es directa. Si P=(x1,

x2, , xp) y Q=(y1, y2, , yp). Si las coordenadas varan
independientemente unas de otras, la distancia estadstica de
P a Q fijo, est dada por
______________________________________________________Elkin Castao V. 39
d ( P, Q ) =
( x1 y1 )2 + ( x2 y2 )2 + + ( x p y p )
s11
s22
s pp
El lugar geomtrico corresponde a una hiperelipsoide

centrada en Q y cuyos ejes mayor y menor son paralelos a
los ejes de coordenadas.
Observaciones:
1. La distancia de P al origen O se obtiene haciendo y1=y2=
= yp= 0.
2. Si s11= s22= =spp, la frmula de la distancia Euclidiana es
apropiada.
Caso 2.
Las variabilidades de las mediciones sobre las
variables x1 y x2 son diferentes y estn correlacionadas.

Considere el siguiente grfico
______________________________________________________Elkin Castao V. 40
Se observa que si rotamos el sistema original de coordenadas a

travs del ngulo , mantenido los puntos fijos y denominando
los nuevos ejes como x1 y x2 , la dispersin en trminos de los
nuevos ejes es similar al caso 1. Esto sugiere, que para calcular
la distancia estadstica del punto P=( x1, x2 ) a origen O=(0, 0)
se puede usar
d (0, P ) =
x12 x22
+
s11 s22
donde las sii son varianzas muestrales de los datos x1 y x2 .

La relacin entre las coordenadas originales y las rotadas es
______________________________________________________Elkin Castao V. 41
x1 = x1 cos( ) + x2 sen ( )
x2 = x1sen( ) + x2 cos( )
Dadas estas relaciones, podemos expresar la distancia de P al

origen O en trminos de las coordenadas originales como,
d (0, P ) = a11x12 + a22 x22 + 2a12 x1x2
donde a11 ,
a22 y a12 son constantes tales que la distancia es
no negativa para todos los posibles valores de x1 y x2.

En general, la distancia estadstica de un punto P=(x1, x2) a un
punto fijo Q=(y1, y2), es
d (0, P ) = a11 ( x1 y1 ) 2 + a22 ( x2 y2 ) 2 + 2a12 ( x1 y1)( x2 y2 )
El conjunto de puntos P=(x1, x2) que tienen la misma distancia

cuadrtica al punto fijo Q=(y1, y2) satisfacen que
a11 ( x1 y1) 2 + a22 ( x2 y2 ) 2 + 2a12 ( x1 y1 )( x2 y2 ) =c2
El lugar geomtrico de estos puntos corresponde a una elipse

centrada en Q y cuyos ejes mayor y menor son paralelos a los
ejes rotados.
______________________________________________________Elkin Castao V. 42
La generalizacin de las frmulas a p dimensiones es directa.

Sea P=(x1, x2, , xp) un punto cuyas coordenadas representan
variables que estn correlacionadas y sujetas a diferente
variabilidad, y sea Q=(y1, y2, , yp) un punto. Entonces la
distancia estadstica de P a Q est dada por
a11( x1 y1) 2 + a22 ( x2 y2 ) 2 + + a22 ( x p y p ) 2

d (0, P) = +2a12 ( x1 y1 )( x2 y2 ) + 2a13 ( x1 y1 )( x3 y3 )
+ + 2a p 1, p ( x p 1 y p 1 )( x p y p )
donde las constantes aik son tales que las distancias son
siempre no negativas.
______________________________________________________Elkin Castao V. 43
El lugar geomtrico de todos los puntos P cuya distancia

cuadrtica a Q es la misma es una hiperelipsoide.
Observaciones:
1. Si las constantes aik son llevadas a una matriz simtrica de
pxp de la forma
a11
a12
A=
a1p
a12 ... a1p
a22 ... a2p
a2p ... app
Entonces la distancia estadstica de P a Q, se puede escribir

como,
d ( P, Q) = ( x y) ' A( x y )
donde
x1 y1
x y
2
2
x y=
.

x p y p
2. Para que la distancia estadstica sea no negativa, la matriz A

debe ser definida positiva.
3. Cuando A=S-1, la distancia estadstica definida como
______________________________________________________Elkin Castao V. 44
d ( P, Q ) = ( x y ) ' S 1 ( x y )
Es llamada la distancia muestral de Mahalanobis y juega un

papel central en el anlisis multivariado.
La necesidad de usar la distancia estadstica en lugar de la
Euclidiana se ilustra heursicamente a continuacin. El
siguiente grfico presenta un grupo (cluster) de observaciones
cuyo centro de gravedad (el vector de media muestrales) est
sealado por el punto Q.
La distancia Euclidiana del punto Q al punto P es mayor que la

distancia de Q a O. Sin embargo, P es ms parecido a los
puntos en el grupo que O. Si tomamos la distancia estadstica
______________________________________________________Elkin Castao V. 45
de Q a P, entonces Q estar ms cerca de P que de O, lo cual

parece razonable dada la naturaleza de grfico de dispersin.
CAPTULO 2.
VECTORES Y MATRICES ALEATORIAS
Vector aleatorio: es un vector cuyas componentes son

variables aleatorias.
Matriz aleatoria: es una matriz cuyas componentes son
variables aleatorias.
Notacin: Si X es una matriz de n x p cuyos elementos son
Xij, se denota como
X=[ Xij]
Valor esperado de una matriz aleatoria:
E ( X11 ), E ( X12 ),..., E ( X1 p )
(
),
(
),...,
(
)
E
X
E
X
E
X
21
22
2
p
E(X)=
E ( X n1), E ( X n 2 ),..., E ( X np )
donde, para cada elemento de la matriz
______________________________________________________Elkin Castao V. 46
R xij fij ( xij ) dxij para X ij continua

E(Xij)= xij pij ( xij )
para X ij discreta
todos
xij
Vectores de media
X1
X
Suponga que X= 2 es un vector aleatorio de px1.

X p
Entonces,
Cada variable aleatoria Xi tiene su propia distribucin de
probabilidades marginal la cual permite estudiar su
comportamiento.
Media marginal de Xi:
R xi fi ( xi ) dxi para X i continua
i = E ( X i ) = xi pi ( xi ) para X i discreta
todos
xi
A i se le llama la media poblacional marginal de Xi.

Varianza marginal de Xi:
______________________________________________________Elkin Castao V. 47
R ( xi i ) 2 fi ( xi )dxi para X i continua
i2 = E ( X i i ) 2 = ( x ) 2 p ( x ) para X discreta
i
i i
i
todos i
x
i
A i2 se le llama la varianza poblacional marginal de Xi.

El comportamiento conjunto de cada par de variables
aleatorias Xi y Xk est descrito por su funcin de
distribucin conjunta.
Una medida de asociacin lineal: la covarianza poblacional
ik = E ( X i i )( X k k )
donde
R R ( xi i )( xk k ) f ik ( xi , xk ) dxi dxk
ik = ( xi i )( xk k ) pik ( xi , xk )
todos
todos
xi x
para X i y X k continuas
para X i y X k discretas
A ik se le llama la covarianza poblacional de Xi y Xk.

Interpretacin
ik >0 indica una asociacin lineal positiva entre Xi y Xk.
ik <0 indica una asociacin lineal negativa entre Xi y Xk.
ik =0 indica que no hay una asociacin lineal entre Xi y Xk.
______________________________________________________Elkin Castao V. 48
Debido a que la varianza poblacional de Xi es la covarianza

poblacional entre Xi y Xi, a veces se denota i2 como ii .
Otra medida de asociacin lineal: la correlacin
ik =
ik
ii kk
Interpretacin:
ik =1 indica una asociacin lineal positiva perfecta entre Xi
y Xk.
0< ik <1 indica una asociacin lineal positiva imperfecta
entre Xi y Xk. Mientras ms cerca de 1 se encuentre, ms
fuerte es la relacin.
ik =-1 indica una asociacin lineal negativa perfecta entre
Xi y Xk.
-1< ik <0 indica una asociacin lineal negativa entre Xi y
Xk. Mientras ms cerca de -1 se encuentre, ms fuerte es la
relacin.
ik =0 indica que no hay una asociacin lineal entre Xi y Xk.
______________________________________________________Elkin Castao V. 49
El comportamiento conjunto de las p variables aleatorias X1,

X2, , Xp, est descrita por la funcin de distribucin
conjunta o por su funcin de densidad de probabilidad
conjunta f(x1, x2, , xp), si todas las variables aleatorias son
continuas.
Las
variables
aleatorias
continuas
son
llamadas
mutuamente estadsticamente independientes si

f(x1, x2, , xp)= f1(x1) f2(x2) fn(xn)
Si Xi, Xk son estadsticamente independientes, entonces
Cov(Xi, Xk)=0. Lo contrario no es necesariamente cierto.
Vector de medias poblacional: El vector de p x 1,
1

2
= E( X ) =

p
es llamado el vector de medias poblacional.

La matriz de varianza y covarianza poblacional: La
matriz de p x p
______________________________________________________Elkin Castao V. 50
11, 12 ,, 1p
,
,
,
21
22
2p
= E ( X )( X )' =

1p , 2p ,, pp
Es llamada la matriz de varianza y covarianza (o de

covarianza) poblacional.
La matriz de correlacin poblacional: La matriz de p x p
1,
12 ,
=
1p ,
12 ,, 1p
1, , 2p
2p ,, 1
Es llamada la matriz de correlacin poblacional.

Relacin entre y :
Sea
V1/2=
Entonces
11
0
22 0

0 pp
0 0
______________________________________________________Elkin Castao V. 51
= V 1/ 2 V 1/ 2
= (V 1/ 2 )1(V 1/ 2 )1
Vector de Media y la matriz
de Covarianza de
Combinaciones Lineales
1. Una sola combinacin lineal de las variables del vector
aleatorio X. Sea
c1
c
2
c=

c p
y sea
Z1=c1X1+ c2X2++ cpXp= c '
Entonces,
Z1 = E (Z1 ) = c11 + c2 2 + ... + c p p = c '
Var(Z1)= ci2 ii + ci ck ik = c ' c

i =1
i =1 k =1
2. q combinaciones lineales de las variables del vector

aleatorio X. Sea
______________________________________________________Elkin Castao V. 52
Z1=c11X1+ c12X2++ c1pXp

Z2=c21X1+ c22X2++ c2pXp
Zq=cq1X1+ cq2X2++ cqpXp

o,
Z1 c11, c11, , c1p X1
Z c , c , , c X
2
2p 2
21 21
Z = =
= CX

Z q cq1, cq1, , cqp X p
Entonces,
Z = E (Z ) = C
Z = E ( Z Z )( Z Z )' = CVC '
Ejemplo. Suponga que X=[X1, X2] es un vector aleatorio con

vector
de

= 11 12 .
12 22
medias
'X = [1, 2 ] y
matriz
de
covarianza
Encuentre el vector de medias y la matriz de

X X
2
covarianza del vector Z = 1
.
X
+
X
1
2
X X
1 1 X1
= CX
1 X 2
2
Observe que Z = 1
= 1
X
+
X
1
2
______________________________________________________Elkin Castao V. 53
Entonces,
1 1 1 1 2
=
1 2 1 + 2
Z = E (Z ) = C X =
1
y,
1 1 11 12 1
Z = Cov( Z ) = C X C ' =
1 1 12 22 1
1
1
11 22
11 2 12 + 22
11 22
11 + 2 12 + 22
CAPTULO 3.
1. MUESTRAS ALEATORIAS
Una observacin multivariada consiste de las p mediciones

tomadas a una unidad experimental. Para la j-sima unidad
experimental,
x j1

x j2
X j = , j=1,2,..,n

x jp
es la j-sima observacin multivariada.
______________________________________________________Elkin Castao V. 54
Si se eligen n unidades experimentales, antes de observarlas

sus valores son aleatorios, y el conjunto completo de ellas
puede ser colocado en una matriz aleatoria X de n x p,
X11, X12 , , X1p X1'
'
X
,
X
,
,
X
11
12
1p
X2
=
X=

X n1, X n 2 , , X np X '
n
donde,
X j1
X j2
X j=
, j=1,2,..,n

X jp
es la j-sima observacin multivariada.

Muestra aleatoria: si los vectores X1, X2, , Xn, son
observaciones independientes de una misma distribucin
conjunta f(x)=f(x1, x2, , xp), entonces X1, X2, , Xn es
llamada una muestra aleatoria de tamao n de la poblacin
f(x).
Observaciones:
______________________________________________________Elkin Castao V. 55
1) Las mediciones de las p variables en una sola unidad

experimental
(o
correlacionadas.
ensayo),
Sin
embargo,
generalmente
las
estarn
mediciones
para
diferentes unidades deben ser independientes.

2) La independencia entre unidades experimentales puede
no cumplirse cuando las variables son observadas en el
tiempo. Por ejemplo, en un conjunto de precios de acciones
o de indicadores econmicos. La violacin del supuesto de
independencia puede tener un serio impacto sobre la calidad
de la inferencia estadstica.
Si X1, X2, , Xn es una muestra aleatoria de una
distribucin conjunta con vector de medias
y matriz de
covarianzas , entonces
a) E( X )=
es decir
es un estimador insesgado para .
b) Cov( X )= 1
n
c) E(Sn)= n 1 , es decir Sn no es un estimador insesgado

n
para .
d) S=
n
Sn
n 1
insesgado para .
1 n
( X j X )( X j X )
n 1 j =1
es un estimador
______________________________________________________Elkin Castao V. 56
2. VARIANZA GENERALIZADA
Para una sola variable, la varianza muestral generalmente se

usa para describir la variacin de las mediciones de la
variable.
Cuando se observan p variables, una manera de describir su
variacin es usar la matriz de covarianzas muestral, S.
S contiene p varianzas y p(p-1)/2 covarianzas, las cuales
describen la variabilidad de los datos de cada variable y la
asociacin lineal para los datos de cada par de variables.
Otra generalizacin de la varianza muestral es llamada la
Varianza Generalizada muestral definida como,
Varianza generalizada muestral=|S|
A diferencia de S, |S| es un solo nmero.
Interpretacin geomtrica:
Considere el vector que contiene los datos para la i-sima
variable
______________________________________________________Elkin Castao V. 57
y1i
y
yi = 2i

y ni
y el vector de desviaciones con respecto a la media

y1i x i
y x
i
d i = 2i

y ni x i
Para i=1,2, sean Ld1 y Ld2 sus longitudes.
El rea del trapezoide es |Ld1sen( )|Ld2

Dado que
Ldi= (x ji x i )2 = (n 1)sii , i=1,2

j=1
______________________________________________________Elkin Castao V. 58
y
r12 =
s12
s11 s 22
= cos( )
Entonces
(rea)2=(n-1)2|S|
o,
Varianza Generalizada muestral, |S|=(n-1)-2(rea)2
Por tanto, la VGM es proporcional al cuadrado del rea generada
por los vectores de desviaciones.
En general, para p vectores de desviaciones,
|S|=(n-1)-p(volumen)2
Es decir, para un conjunto fijo de datos, la VGM es proporcional
al cuadrado del volumen generado por los p vectores de
desviaciones.
Observaciones:
1) Para una muestra de tamao fijo, |S| aumenta cuando:
a) La longitud de cualquier di aumenta (o cuando sii
aumenta.
______________________________________________________Elkin Castao V. 59
b) Los vectores de desviaciones de longitud fija son

movidos hasta que formen ngulos rectos con los dems.
2) Para una muestra de tamao fijo |S| ser pequea cuando:
a)Uno de los sii son pequeos
b)uno de los vectores cae cerca del hiperplano formado por
los otros.
c) Se dan los dos casos anteriores.
La VGM tambin tiene interpretacin en el grfico de dispersin

p dimensional que representa los datos. Se puede probar que el
volumen de la hiper-elipsoide dada por
{x R p : (x x) 'S1 (x x) c 2}
______________________________________________________Elkin Castao V. 60
Es tal que
Volumen ({x R p : (x x) 'S1 (x x) c2}) = k p | S |1/ 2 cp
Es decir,
(Volumen(hiper-elipsoide))2 = cons tan te | S |
Por tanto, un volumen grande (datos muy dispersos) corresponde
a una VGM grande.
Observacin:
Aunque la VGM tiene interpretaciones intuitivas importantes,
sufre de debilidades.
Ejemplo. Interpretacin de la varianza generalizada
Suponga
se
tienen
datos
para
tres
vectores
aleatorios
bidimensionales tales que tienen el mismo vector de media

muestral x'=[1, 2] y sus matrices de covarianza muestrales son
5 4
S=
4 5
3 0
S =
0 3
5 4
5
y S=
4
Los diagramas de dispersin correspondientes son los siguientes:
______________________________________________________Elkin Castao V. 61
Estos grficos muestran patrones de correlacin muy diferentes.

Cada matriz de covarianza muestral contiene la informacin sobre
la variabilidad de las variables y la informacin requerida para
calcular el coeficiente de correlacin muestral correspondiente.
En este caso S captura la orientacin y el tamao del patrn de
dispersin.
______________________________________________________Elkin Castao V. 62
Sin embargo, la varianza generalizada muestral, |S| da el mismo

valor, |S|=9 para los tres casos y no proporciona informacin
sobre la orientacin del patrn de dispersin. Solamente nos
informa
que
los
tres
patrones
de
dispersin
tienen
aproximadamente la misma rea. Por tanto, la varianza

generalizada es ms fcil de interpretar cuando las muestras que
se comparan tienen aproximadamente la misma orientacin.
Se puede probar que S contiene la informacin sobre la
orientacin y el tamao del patrn de dispersin a travs de sus
valores propios y vectores propios:
La direccin de los vectores propios determinan la direcciones de
mayor variabilidad del patrn de dispersin de
los datos, y
valores propios proporcionan informacin sobre la variabilidad en

cada una de estas direcciones.
La siguiente grfica muestra, para cada patrn de dispersin, las
direcciones de mayor variabilidad y el tamao de ella.
______________________________________________________Elkin Castao V. 63
3. LA VGM DETERMINADA POR R.
La VGM, |S|, est afectada por las unidades de medicin de cada

variable.
Por ejemplo, suponga que una sii es grande o muy pequea.
Entonces, geomtricamente, el correspondiente vector de
______________________________________________________Elkin Castao V. 64
desviaciones di es muy largo o muy corto, y por tanto ser un

factor determinante en el clculo del volumen.
En consecuencia, algunas veces es til escalar todos los vectores
de desviaciones de manera que todos tengan a misma longitud.
Esto se puede hacer reemplazando las observaciones xjk por su
valor estandarizado (x jk -x k )/ s kk . La matriz de covarianza
muestral de las variables estandarizadas es R, que es la matriz de
correlacin muestral de las variables originales.
Se define,
Varianza Generalizada
muestral de las
=|R|
variablesestandarizadas
Puesto que los vectores estandarizados

(x1k -x k )/ s kk
(x j2 -x k )/ s kk
(x nk -x k )/ s kk
para k=1, 2, , p, tienen todos a misma longitud
n 1 , la
varianza generalizada muestral de las variables estandarizadas
______________________________________________________Elkin Castao V. 65
ser grande cuando estos vectores sean aproximadamente

perpendiculares y ser pequea cuando dos o ms vectores estn
casi en la misma direccin.
Como para el caso de S, el volumen generado por los vectores de

desviaciones de las variables estandarizadas est relacionado con
la varianza generalizada como,
Varianza Generalizada
muestral de las
= | R | = (n 1) p (volumen) 2
variablesestandarizadas
Las varianzas generalizadas |S| y |R| estn conectadas por medio

de la relacin
|S|= (s11s 22 ...s pp )|R|
Entonces,
______________________________________________________Elkin Castao V. 66
(n-1) p |S|=(n-1) p (s11s 22 ...s pp )|R|
Lo que implica que el cuadrado del volumen al cuadrado (n-1)p |S|

es proporcional al volumen al cuadrado (n-1)p |R| .
La constante de proporcionalidad es el producto de las varianzas,
la cual a su vez es proporcional al producto de las longitudes
cuadrticas de las (n-1)sii de las di.
4. OTRA GENERALIZACIN DE LA VARIANZA
La varianza total muestral se define como

varianza total muestral = s11+ s22 ++ spp
Geomtricamente, la varianza total muestral es la suma de los
cuadrados de las longitudes de p vectores de desviaciones,
dividido por n-1. Este criterio no tiene en cuenta la estructura de
correlacin de los vectores de desviaciones.
______________________________________________________Elkin Castao V. 67
CAPTULO 4.
LA DISTRIBUCIN NORMAL MULTIVARIADA
1. INTRODUCCIN
La generalizacin a varias dimensional de la densidad

normal univariada juega un papel fundamental en el anlisis
multivariado.
La importancia de la distribucin normal multivariada se
basa en su papel dual:
Muchos de los fenmenos naturales del mundo real
pueden ser estudiados por medio de la distribucin
normal multivariada.
Aunque el fenmeno estudiado no siga este modelo de
distribucin, las distribuciones de muchos de los
estadsticos usados en el anlisis multivariado tiene
una
distribucin
multivariada.
aproximadamente
normal
______________________________________________________Elkin Castao V. 68
2. LA DENSIDAD NORMAL MULTIVARIADA Y SUS

PROPIEDADES
Recuerde que la distribucin normal univariada con media

2 tiene una funcin de densidad de
y varianza
probabilidad dada por:
f ( x) =
1
2
1 x

e 2
< x<
Si X es una variable aleatoria que sigue esta distribucin, se

denota como X ~ N( , 2 ).
En la grfica, estn representadas las reas bajo la curva dentro

del los intervalos
2 . Estas reas son
probabilidades y en la normal
P( X + ) = 0.68
______________________________________________________Elkin Castao V. 69
P ( 2 X + 2 ) = 0.95
El trmino en el exponente
2
x
2 1
= ( x )( ) ( x )

Es la distancia cuadrtica de x a medida en unidades de

desviacin estndar. Esta cantidad puede ser generalizada para
un vector p-dimensional x de observaciones sobre p variables,
como
(x-)' -1(x-)
donde E(X)=
y Cov(X)= , con simtrica y definida

positiva. La expresin (x-)' -1 (x-) es el cuadrado de la
distancia generalizada de x a .
La distribucin normal multivariada puede ser obtenida

reemplazando la distancia univariada por la distancia
generalizada en la densidad de la normal univariada.
Cuando se hace este reemplazo es necesario cambiar la

constante (2 ) 1/ 2 ( 2 ) 1/ 2 de la normal univariada por una
constante ms general de forma tal que el volumen bajo la
______________________________________________________Elkin Castao V. 70
superficie de la normal multivariada sea 1. La nueva

constante es (2 ) p / 2 | |1/ 2 .
La funcin de densidad de probabilidad normal multivariada

para un vector aleatorio X es
f (x) =
donde
1
(2 ) p / 2 | |1/ 2
1 (x- )'1 (x- )

e 2
< xi < , i=1, 2, , p.
La distribucin normal multivariada se denota como

X ~ N( , ).
Ejemplo. La distribucin normal bivariada

Para p=2, la distribucin normal bivariada tiene vector de medias
1

y matriz de covarianza = 11 12 .
2
12 22
La matriz inversa de es
______________________________________________________Elkin Castao V. 71
1 =
22 12
2
11 22 12
12 11
1
Reemplazando en la densidad multivariada general y haciendo

operaciones, se obtiene que la densidad de la normal bivariada es
f ( x1, x2 ) =
1
2
2 11 22 (1 12
)
x 2 x
1
1 1 + 2 2
2(1 122 ) 11 22
x x
2 12 1 1 2 2

11
22
______________________________________________________Elkin Castao V. 72
Contornos de densidad de probabilidad constantes:
La densidad de la normal multivariada es constante sobre

(x-)' -1(x-) es
superficies donde la distancia cuadrtica
constante. Estos conjuntos de puntos son llamados contornos.

Contorno de densidad
probabilidad constante
{ x : (x )'
(x ) = c 2
Un contorno corresponde a la superficie de una elipsoide

centrada en . Los ejes estn en la direccin de los vectores
propios de y sus ejes son proporcionales a las races
cuadradas de sus vectores propios.
Si 1 2 ... p son los valores propios de y e1, e2, , ep,
son los correspondientes vectores propios, donde ei = i ei ,
entonces el contorno dado por
{ x : (x )'
(x ) = c 2
es
una elipsoide centrada en y cuyo eje mayor es c 1 e1 , el
segundo eje mayor es c 2 e2 , etc.
Ejemplo: Contornos de una normal bivariada

Considere la normal bivariada donde 11 = 22 . Los ejes de los
contornos estn dados por los valores y vectores propios de .
______________________________________________________Elkin Castao V. 73
Los valores
propios se obtienen como solucin a la
ecuacin | I |= 0 , o
0=
11 12
2
= (11 )2 12
= ( 11 12 )( 11 + 12 )
12 11
Por tanto los valores propios son
1 = 11 + 12
2 = 11 12
El primer vector propio se determina como solucin a
e1 = 1e1 , es decir,
11 12 e11
e11
=
(
+
)
11
12
e
12 11 21
e21
o,
11e11 + 12e21 = ( 11 + 12 )e11
12e11 + 11e21 = ( 11 + 12 )e21
Estas ecuaciones implican que
e11 = e21. Despus de
normalizacin, el primer par valor propio-vector propio es
______________________________________________________Elkin Castao V. 74
1 = 11 + 12
, e1 =
1
2
1
2
De manera similar se determina el segundo vector propio

como solucin a e2 = 2e1 , resultando el segundo par valor
propio-vector propio
2 = 11 12
, e2 =
1
2
1
2
Si la covarianza 12 ( o la correlacin 12 ) es positiva:
1 = 11 + 12 es el mayor valor propio y su vector propio
asociado e1 =
1
2
cae sobre una recta de 45o a travs de
1
2
punto = 1 . El eje mayor est determinado por

2
c 11 + 12
1
2
1
2
______________________________________________________Elkin Castao V. 75
2 = 11 12 es el menor valor propio y su vector propio
asociado e2 =
1
2
cae sobre una recta perpendicular a la
1
2
recta de 45o a travs de punto = 1 . El eje menor est

2
determinado por
c 11 12
1
2
1
2
Si la covarianza 12 ( o la correlacin 12 ) es negativa:
______________________________________________________Elkin Castao V. 76
2 = 11 12 es el mayor valor propio y su vector propio
asociado e2 =
1
2
cae sobre una recta perpendicular a la
1
2
recta de 45o a travs de punto = 1 . El eje mayor est

2
determinado por
c 11 12
1
2
1
2
1 = 11 + 12 es el menor valor propio y su vector propio
asociado e1 =
1
2
cae sobre una recta de 45o a travs de
1
2
punto = 1 . El eje menor est determinado por

2
c 11 + 12
1
2
1
2
______________________________________________________Elkin Castao V. 77
La densidad normal multivariada tiene un mximo valor

cuando la distancia cuadrtica (x-)' -1 (x-) es igual a cero, es
decir, cuando x= .
Por tanto el punto es el punto de
mxima densidad, o la moda, y tambin es la media.

Contornos para las distribuciones normales bivariadas graficadas
3. OTRAS PROPIEDADES DE LA DISTRIBUCIN NORMAL

MULTIVARIADA
1.
Si un vector aleatorio X ~ N( , ),
combinacin
lineal
de
las
entonces toda
variables
en
X,
a ' X = a1 X1 + a2 X 2 + ... + a p X p tiene una distribucin N( a ' , a ' a ).
2. Si a ' X tiene una distribucin N( a ' , a ' a ) para todo vector de

constantes a = a1, a2 ,..., a p , entonces X ~ N( , ).
______________________________________________________Elkin Castao V. 78
3. Si un vector aleatorio X ~ N( , ), entonces el vector de q

combinaciones lineales de X,
a11 X1 + a12 X 2 + + a1 p X p
a21 X1 + a22 X 2 + + a2 p X p
AX =
aq1 X1 + aq 2 X 2 + + aqp X p
tienen una distribucin N( A , A A ' ).
Ejemplo.
Suponga que X ~ N3( , )
y considere el vector de
combinaciones lineales
X1
X1 X 2 1 1 0
X X = 0 1 1 X 2 = AX

2
3
X3
Entonces AX ~ N2( A , A A ' ), donde
1
1 1 0 1 2
A =
2 =
0 1 1 2 3
3
______________________________________________________Elkin Castao V. 79
11 12 13 1 0
1 1 0
A A ' =
12 22 23 1 1
0 1 1
13 23 33 0 1
12 + 23 22 13
+ 22 212
A A ' = 11
12 + 23 22 13 22 + 33 2 23
4. Si un vector aleatorio X ~ Np( , ), entonces todos los

subconjuntos de variables de X tienen distribucin normal
multivariada.
Ejemplo.
Suponga que X ~ N5( , ). Encuentre la distribucin del
X
subvector 1 .
X2
X1

X 2 X
X
Sea X= X 3 = 1 , donde X1 = 1 .
X2
X2
X
4

X
5
Entonces, por el resultado anterior

X1 ~ N2 1 , 11 12
2 12 22
______________________________________________________Elkin Castao V. 80
5. Si X= 1 ~ N q + q
X2
1
1 11 12
,
, donde X1 es de q1x1,
2
21
22
X2 es de q2x1, 1 es el vector de medias de X1,
2 es el vector
de medias de X2, 11 es la matriz de covarianza de X1, 22 es la

matriz de covarianza de X2 y 12 es la matriz de covarianza entre
las variables X1 y X2, entonces X1 y X2 son independientes
estadsticamente si y slo si 12 =0.
Ejemplo.
4 1 0
Suponga que X ~ N3( , ), con = 1 3 0 .
0 0 2
Son X1 y X2 independientes? No porque 12 0 .

X
Son 1 y X3 independientes?
X2
X
Observe que la matriz de covarianza entre 1 y X3 es

X2
X1
13 0
,
X3
= =
23 0
cov
Por tanto, 1 y X3 son independientes.

X2
______________________________________________________Elkin Castao V. 81
Adems cada componente de 1 es independiente de X3.

X2
1 11 12
X1
~
N
q1 + q2
,
, donde X1 es de q1x1, X2
X2
2 21 22
6. Si X=
es de q2x1. Entonces la distribucin condicional de X1 dado X2 =

x2 es normal multivariada con vector de media
1
1.2 = 1 + 12 22
21
y matriz de covarianza
1
1.2 = 11 1222
21
Ejemplo.
Suponga que X ~ N2( , ). Encuentre la distribucin condicional
de X1 dado X2=x2.
Por resultado anterior, la distribucin condicional de
X1 / X2=x2 ~ N ( 1.2 , 1.2 )

donde
1
1.2 = 11 + 12 221 (x 2 2 ) = 11 + 12 22
( x2 2 )
______________________________________________________Elkin Castao V. 82
1
1.2 = 11 12 22
21
1
= 11 12 22
12
2
12
= 11
22
Observaciones.
i)
En la regresin multivariada, la media condicional

1.2 = E ( X1 / X 2 ) es llamada la curva de regresin.
1, q +1 1,q + 2 1, p
2, p
1 2, q +1 2, q + 2
.
Sea 12 22 =
q, q +1 q ,q + 2 q , p
Entonces la curva de regresin en la normal multivariada,

1.2 = E ( X1 / X 2 ) , se puede escribir como
E ( X1 / X q +1, X q + 2 ,, X p , )
E ( X 2 / X q +1, X q + 2 ,, X p , ) = + 1 (x )
E ( X1 / X 2 ) =
12 22 2
2
1
E ( X q / X q +1, X q + 2 ,, X p , )
1 + 1, q +1 ( xq +1 q +1) + 1,q + 2 ( xq + 2 q + 2 ) + + 1, p ( x p p )
2 + 2,q +1( xq +1 q +1 ) + 2,q + 2 ( xq + 2 q + 2 ) + + 2, p ( x p p )

=
q + q, q +1 ( xq +1 q +1) + q, q + 2 ( xq + 2 q + 2 ) + + q, p ( x p p )
______________________________________________________Elkin Castao V. 83
Es decir,
E ( X1 / X q +1, X q + 2 ,, X p , ) 01 + 1, q +1xq +1 + 1, q + 2 xq + 2 + + 1, p x p
E
(
X
/
X
,
X
,
,
X
,
)
x
+
x
+
x
2
q
+
1
q
+
2
p
02
2,
q
+
1
q
+
1
2,
q
+
2
q
+
2
2,
p
p
E ( X q / X q +1, X q + 2 ,, X p , ) 0 q + q , q +1xq +1 + q, q + 2 xq + 2 + + q , p x p
Esto implica que, cuando la distribucin conjunta de las

variables en una regresin (dependientes e independientes)
es normal multivariada, todas las curvas de regresin son
lineales.
1
ii) La matriz de covarianza condicional 1.2 = 11 1222
21
es constante pues no depende de los valores de las variables

condicionantes.
Por tanto, la curva de regresin es
homocedstica.
7. Si un vector aleatorio X ~ N( , ), entonces
(x-)' -1(x-) ~ 2p
______________________________________________________Elkin Castao V. 84
4. MUESTREO EN LA DISTRIBUCIN NORMAL MULTIVARIADA

Y ESTIMACIN DE MXIMA VEROSIMILITUD
Suponga que X1, X 2 ,..., X n , es una muestra aleatoria de una

poblacin N( , ).
Entonces, la funcin de densidad de probabilidad conjunta
de X1, X 2 ,..., X n es
1
( x j ) ' 1 ( x j )
1
f (x1, x 2 ,..., x n ) =
e 2
1/ 2
p/2
||
j =1 (2 )
f (x1, x 2 ,..., x n ) =
(2 )
1
np / 2
n/2
||
1 n
x ' 1 x j
2 j =1 j
Cuando se observan los valores de la muestra y son sustituidos la

funcin anterior, la ecuacin es considerada como una funcin de
y dadas las observaciones x1, x2, , xn y es llamada la
funcin de verosimilitud. Se denotar como L( , ) .
Una manera de obtener los estimadores para

seleccionarlos como aquellos que maximicen a
es
L( , ) . Este
procedimiento proporciona los estimadores mximo verosmiles

para y , dados por
______________________________________________________Elkin Castao V. 85
= X
1 n
n 1
= ( X j X )( X j X )' =
S
n j =1
n
Los valores observados de y son llamadas estimaciones
mximo verosmiles (EMV) de y .
Propiedades.
Los estimadores mximo verosmiles poseen la propiedad de
invarianza.
Sea el EMV para , y sea h( ) una funcin
continua de . Entonces el EMV para h( ) est dado por h() .

Es decir h
( ) = h() .
Por ejemplo, el EMV para la funcin ' es ' .
El EMV para ii
es
ii , donde
ii =
es el EMV para ii = Var ( X i )
1 n
2
( X ji X i )
n j =1
______________________________________________________Elkin Castao V. 86
5. DISTRIBUCIONES MUESTRALES DE X y S
Suponga que X1, X 2 ,..., X n , es una muestra aleatoria de una

poblacin Np( , ). Entonces,
1
n
1. X ~ Np( , ).
2. (n-1)S tiene una distribucin Wishart con n-1 grados de

libertad, la cual es una generalizacin de la distribucin chicuadrado.
3. X y S son independientes estadsticamente.
6. COMPORTAMIENTO DE X y S EN MUESTRAS GRANDES
La ley de los grandes nmeros.
Sean Y1, Y2, , Yn
observaciones independientes de una poblacin univariada con

media
E(Yi)= .
Entonces,
1n
Y = Y j
n =1
converge en
probabilidad a la verdadera media , a medida que n crece sin

cota. Es decir, que para todo > 0 ,
lim n P | Y |< = 1
______________________________________________________Elkin Castao V. 87
Empleando este resultado fcilmente se puede probar que, en

el caso multivariado,
El vector X converge en probabilidad al vector

S o convergen en probabilidad a .
La interpretacin prctica de estos resultados es que:
No se requiere de normalidad multivariada para que se de la

convergencia. Solamente se necesita que exista el vector de
medias poblacional.
Con alta probabilidad X
estar cerca al vector
y S
estar cerca a cuando el tamao muestral es grande.

Teorema Central del Lmite. Suponga que X1, X 2 ,..., X n , son
observaciones independientes de una poblacin con vector de
medias y matriz de covarianza . Entonces,
n ( X ) tiene aproximadamente una distribucin Np( 0, ).
o,
X tiene aproximadamente una distribucin Np( ,
1
)
n
______________________________________________________Elkin Castao V. 88
cuando n-p es grande.
Observe la diferencia con el caso en el cual la muestra es

tomada de una poblacin Np( , ) donde
tiene
1
n
exactamente una distribucin Np( , ).
Suponga que X1, X 2 ,..., X n , son observaciones independientes

de una poblacin con vector de medias
matriz de
covarianza . Entonces,
n( X ) ' S 1 ( X ) tiene aproximadamente una distribucin 2p
cuando n-p es grande.
7.
VERIFICACIN
DEL
SUPUESTO
DE
NORMALIDAD
MULTIVARIADA
La mayora de las tcnicas del anlisis multivariado supone

que las observaciones proceden de una poblacin normal
multivariada.
Sin embargo, si la muestra es grande, y las tcnicas empleadas
solamente depende del comportamiento de X o de distancias
______________________________________________________Elkin Castao V. 89
relacionadas con
X de la forma n( X ) ' S 1 ( X ) ,
el
supuesto de normalidad es menos crucial, debido a los

resultados lmites antes vistos. Sin embargo, la calidad de la
inferencia obtenida por estos mtodos depende de qu tan
cercana est la verdadera poblacin de la distribucin normal
multivariada.
Por tanto es necesario desarrollar procedimientos que permitan
detectar desviaciones de la poblacin patrn con respecto a la
Basados en las propiedades de la distribucin normal
multivariada, sabemos que todas las combinaciones lineales de
las variables de vector son normales y que los contornos de la
distribucin normal multivariada son elipsoides. Por tanto, en
la verificacin de la normalidad multivariada se debera
responder a:
Las marginales de las variables en el vector X parecen ser

normales?
Algunas combinaciones lineales de las variables en X

parecen ser normales?
Los diagramas de dispersin de los pares de variables de X

presentan una apariencia elptica?
______________________________________________________Elkin Castao V. 90
Existen
observaciones
inusuales
que
deberan
ser
confirmadas?
Evaluacin de la normalidad univariada

Las ayudas grficas siempre importantes en el anlisis. Por
ejemplo:
Para n pequeos se usan los diagramas de puntos.

Para moderados y grandes se usan el grfico de cajas y los
histogramas
Estos
grficos
permiten
detectar asimetras,
es
decir
situaciones donde una cola es ms grande que la otra.

Si los grficos para Xi parecen razonablemente simtricos, se
procede a chequear el nmero de observaciones en ciertos
intervalos. La distribucin normal asigna probabilidad de 0.683
al intervalo
( i i , i + i ) y
de 0.954 al intervalo
( i 2 i , i + 2 i ) . Por tanto, para n grande se esperara que:
La proporcin p i1 de observaciones que caen en el intervalo

( xi sii , xi + sii ) est alrededor de 0.683.
______________________________________________________Elkin Castao V. 91
Similarmente, la proporcin p i 2 de observaciones que caen

en el intervalo ( xi 2 sii , xi + 2 sii ) est alrededor de 0.954.
Usando la aproximacin normal para las proporciones
muestrales,
es
decir,
que
para
grande
p (1 pik )
dist
N pik , ik
p ik
, k=1,2. Entonces si,
n
| p i1 0.683 |> 3
(0.683)(0.317) 1.396
=
n
n
| p i 2 0.954 |> 3
(0.954)(0.046) 0.628
=
n
n
o si,
Sera indicativo de alejamientos de la distribucin normal.

El grfico cuantil-cuantil o grfico Q-Q.
Son grficos
especiales que pueden se usados para evaluar la normalidad de

cada variable.
En ellos se grafican los cuantiles muestrales contra los

cuantiles que se esperara observar si las observaciones
realmente provienen de una distribucin normal.
______________________________________________________Elkin Castao V. 92
Los pasos para construir un grfico Q-Q son:

i)
Ordene las observaciones originales de menor a

mayor. Sean x(1), x(2), , x(n). Las probabilidades
correspondientes a ellos son
(1- )/n, (2- )/n, ,
(n- )/n.
2
ii)
Calcule los cuantiles de la normal estndar q(1), q(2),

, q(n), correspondientes a dichas probabilidades.
iii)
Grafique
los pares de observaciones
(q(1), x(1)),
(q(2),x(2)), , (q(n), x(n)).

Si los datos proceden de una distribucin normal, estos pares
estarn aproximadamente relacionados
por la relacin lineal
x(j) + q(j). Por tanto, cuando los puntos caen muy prximos a
una lnea recta, la normalidad es sostenible.
Ejemplo.
Considere una muestra de n=10 observaciones, las cuales fueron
ordenadas de menor a mayor en la siguiente tabla.
______________________________________________________Elkin Castao V. 93
Por ejemplo, el clculo del cuantil de la N(0,1), para una

probabilidad de 0.65 busca el cuantil que satisface
P[ Z q (7) ] = 0.65
Para esta distribucin, el cuantil es q(7)=0.385, puesto que
0.385
P[ Z 0.385] =
1 z2 / 2
e
dz =0.65
2
La construccin del grfico Q-Q se basa en el diagrama de

dispersin de los puntos (q(j), x(j)), j=1, 2, , 10.
______________________________________________________Elkin Castao V. 94
los cuales caen muy cerca de una recta, lo que conduce a no

rechazar que estos datos provengan de una distribucin normal.
Ejemplo.
El departamento de control de calidad de una empresa que
produce hornos micro-ondas requiere monitorear la cantidad de
radiacin emitida por ellos cuando tienen la puerta cerrada.
Aleatoriamente se eligieron n=42 hornos
cantidad.
y se observ dicha
______________________________________________________Elkin Castao V. 95
El grfico Q-Q para estos datos es
La apariencia del grfico indica que los datos no parecen provenir

de una distribucin normal. Los puntos sealados con un crculo
______________________________________________________Elkin Castao V. 96
son observaciones atpicas, pues estn muy lejos del resto de los
datos.
Observacin.
Para
esta
muestra,
varias
(observaciones empatadas).
observaciones
son
iguales
Cuando esto ocurre, a las
observaciones con valores iguales se les asigna un mismo cuantil,

el cual se obtiene usando el promedio de los cuantiles que ellas
hubieran tenido si hubieran sido ligeramente distintas.
La linealidad de un grfico Q-Q puede ser medida calculando
el coeficiente de correlacin para los puntos del grfico,
( x( j ) x )( q( j ) q )
j =1
rQ =
n
( x( j ) x )
j =1
( q( j ) q )
j =1
Basados en l, se puede construir una prueba potente de

normalidad (Filliben, 1975; Looney y Gulledge, 1985; Shapiro y
Wilk,
1965).
Formalmente, se rechaza la hiptesis de
normalidad a un nivel de significancia si rQ < rQ( ,n) donde

los valores crticos rQ( ,n) se encuentran en la siguiente tabla.
______________________________________________________Elkin Castao V. 97
Valores crticos para el coeficiente de correlacin

del grfico Q-Q para probar normalidad
Ejemplo.
Para el primer ejemplo donde n=10, el clculo del coeficiente de
correlacin entre los puntos (q(j), x(j)), j=1, 2, , 10, del grfico
Q-Q, es
rQ =
8.584
= 0.994
8.472 8.795
Para un nivel de significancia =0.10,
el valor crtico es
rQ (0.10, 10) = 0.9351 . Como rQ > rQ (0.10, 10) , no rechazamos la
hiptesis de normalidad.
______________________________________________________Elkin Castao V. 98
Observacin.
Para muestras grandes, las pruebas basadas en rQ y la de Shapiro
Wilk, una potente prueba de normalidad, son aproximadamente
las mismas.
Anlisis de combinaciones lineales de las variables en X

Considere los valores propios de S, 1 2 ... p y sus
correspondientes vectores propios
e 1 , e 2 , ..., e p .
Se sugiere
verificar normalidad para las combinaciones lineales
e 1' X j y e 'p X j
donde
e 1 y e p son
los vectores propios correspondientes al
mayor y menor valor propio de S, respectivamente.
Evaluacin de la Normalidad Bivariada

Si las observaciones fueran generadas por un distribucin normal
multivariada, todas las distribuciones bivariadas seran ser
normales y los contornos de densidad constante deberan se
elipses. Observe el siguiente diagrama de dispersin generado por
una muestra simulada de una normal bivariada.
______________________________________________________Elkin Castao V. 99
Adems, por resultado anterior, el conjunto de puntos bivariados
x tal que
(x-)' -1 (x-) 22 ( )
tendr un probabilidad .
Por ejemplo, si =0.5, para muestras grandes se esperara que
alrededor del 50% de las observaciones caigan dentro de la elipse
dada por
{ x : (x x)' S
(x x) 22 (0.5)
Si no es as, la normalidad es sospechosa.
______________________________________________________Elkin Castao V. 100
Ejemplo.
Considere los pares de datos para las variables x1 = ventas y
x2=ganancias para las 10 mayores corporaciones industriales de
E.U. Observe que este conjunto de datos no forman una muestra
aleatoria.
Para estos datos

63.309
x=
,
2927
10005.20 255.76
S=
x105
255.76 14.30
y
0.000184 0.003293
S 1 =
x105
0.128831
.003293
Para =0.5, de la distribucin chi-cuadrado en dos grados de

libertad, 22 (0.5) =1.39. Entonces, cualquier observacin x=(x1, x2)
______________________________________________________Elkin Castao V. 101
que satisface
x1 62.309
x 2927
2
'
0.000184 0.003293
5 x1 62.309
x10
1.39
0.128831
.003293
x2 2927
Debe estar sobre o dentro del contorno estimado del 50% de

probabilidad.
Para las 10 observaciones sus distancias generalizadas son 4.34,
1.20, 0.59, 0.83, 1.88, 1.01, 1.02, 5.33, 0.81 y 0.97. Si los datos
proceden de una distribucin normal, se esperara que
aproximadamente el 50% de las observaciones caiga dentro o
sobre el contorno estimado anterior, o dicho de otro modo, el 50%
de las distancias calculadas deberan ser menores o iguales que
1.39. Se observa que 7 de estas distancias son menores que 1.39,
lo que implica que la proporcin estimada es de 0.70. La gran
diferencia entre de esta proporcin con 0.50 proporciona
evidencia para rechazar normalidad bivariada en estos datos. Sin
embargo, la muestra es muy pequea para permitir obtener esta
conclusin.
______________________________________________________Elkin Castao V. 102
El procedimiento anterior es til, pero bastante burdo. Un

mtodo ms formal para evaluar la normalidad conjunta est
basado en las distancias cuadrticas generalizadas,
d 2j = (x j x) ' S 1(x j x) , j=1, 2, ,n
El siguiente procedimiento, el cual no est limitado al caso

divariado, y puede ser usado par p 2. Para n-p grande, las
distancias d 2j , j=1, 2, , n, deberan comportarse como una
variable chi-cuadrado. Aunque estas distancia no son
independientes, o exactamente chi-cuadrado, es til graficarlas
como si lo fueran. El grfico resultante es llamado grfico chicuadrado, y se construye de la siguiente manera:
i)
Ordene las distancias de menor a mayor como

2
2
d (1)
d (2)
d (2n) .
ii)
Grafique los pares (qc,p((j-1/2)/n), d 2j ), para j=1, 2, , n,

donde qc,p((j-1/2)/n) es el cuantil qc,p((j-1/2)/n) de la
distribucin chi-cuadrado con p grados de libertad.
Bajo normalidad, el grfico debera mostrar un patrn lineal a

travs del origen y con pendiente 1. Un patrn sistemticamente
curvo sugiere falta de normalidad.
______________________________________________________Elkin Castao V. 103
Ejemplo.
Grfico chi-cuadrado para el ejemplo anterior. Las distancias
ordenadas y los correspondientes percentiles chi-cuadrado
aparecen en la siguiente tabla.
A continuacin se presenta el grfico chi-cuadrado para esos

datos.
______________________________________________________Elkin Castao V. 104
Se observa que los puntos no caen en una lnea recta de pendiente

1.
Las distancias pequeas parecen demasiado grandes y las
distancias del medio parecen ser demasiado pequeas con

respecto a las distancias esperadas en una normal bivariada.
Debido a que la muestra es pequea no se puede obtener una
conclusin definitiva.
8. DETECCIN DE OBSERVACIONES INUSUALES O ATPICAS
La mayora de los conjuntos de datos contienen unas pocas

observaciones inusuales que no parecen pertenecer al patrn de
variabilidad seguido por las otras observaciones.
Estas observaciones son denominadas observaciones atpicas y
antes de proceder a identificarlas se debe enfatizar que no todas
las observaciones atpicas son nmeros equivocados. Ellas
pueden formar parte del grupo y pueden conducir a
comprender mejor el fenmeno que se est estudiando.
La deteccin de observaciones atpicas puede ser mejor
realizada visualmente, es decir por medio de grficos.
______________________________________________________Elkin Castao V. 105
El caso de una variable: Se deben buscar observaciones que

estn lejos de las dems. Para visualizarlas podemos usar, por
ejemplo, diagramas de puntos (muestras pequeas) o grficos
de cajas esquemticas.
Ejemplo.
Considere el siguiente diagrama de puntos para una variable
El diagrama de puntos revela una sola observacin grande.
El caso de dos variables: En el caso bivariado la situacin es

ms complicada.
Considere el siguiente diagrama de
dispersin con diagramas de puntos marginales, en el cal

parecen existir dos observaciones inusuales.
______________________________________________________Elkin Castao V. 106
El dato sealado con un crculo arriba a la derecha est lejos del

patrn de los datos. Su segunda coordenada es grande con
relacin al resto de mediciones para la variable x2, como lo
muestra el diagrama de puntos vertical.
El segundo dato atpico, tambin sealado con un crculo, est
lejos del patrn elptico del resto de puntos, pero separadamente
cada una de sus componentes tiene un valor tpico. Esta
observacin atpica no puede ser detectada por medio de
diagramas de puntos marginales.
______________________________________________________Elkin Castao V. 107
Para el caso bivariado el diagrama de dispersin proporciona la

informacin visual requerida para detectar datos atpicos. Sin
embargo, en altas dimensiones, los datos atpicos pueden no ser
detectados por grficos univariados o an diagramas de
dispersin.
En estas situaciones se recomienda usar grficos
multivariados vistos anteriormente, tales como las curvas de

Andrews, las grficas de caras y de estrellas. Estos grficos son
muy potentes para detectar casos atpicos multivariados.
Adems, en altas dimensiones un valor grande de
d 2j = (x j x) ' S 1(x j x) , j=1, 2, ,n,
sugerir una observacin inusual, aunque no la hallamos

visualizado grficamente.
Pasos para la deteccin de observaciones atpicas

1) Haga un diagrama de puntos o un grfico de cajas para cada
variable.
2) Haga un diagrama de dispersin para cada par de variables.
______________________________________________________Elkin Castao V. 108
3) Calcule los valores estandarizados z jk = ( x jk xk ) / skk , para

j=1, 2, , n y k=1, 2, , p. Examine estos nk valores
conjuntamente para detectar observaciones muy grandes o
muy pequeas.
4) Calcule las distancias estandarizadas d 2j = (x j x) ' S 1(x j x) ,
j=1, 2, ,n. Examine aquellas distancia inusualmente grandes.
Observaciones.
i)
En el paso 3, grande debe ser interpretado con respecto

al tamao de la muestra y al nmero de variables. Por
ejemplo, cuando n=100 y p=5, hay 500 valores. Puesto que,
para una normal estndar P[|Z|>3]=0.0026, entonces
esperaramos que 1 o 2 excedan el valor de 3 o sean
menores que -3, puesto nx P[|Z|>3]=500x0.0026=1.3.
Como una gua se puede usar 3.5 como un valor grande en
muestras moderadas.
ii)
En el paso 4., grande est medido por el percentil de la

distribucin chi-cuadrado con p grados de libertad. Por
ejemplo, si n=100, se debera esperar que 5 observaciones
excedan el percentil 0.05-superior de la distribucin chicuadrado. Un percentil ms extremo debe servir para
______________________________________________________Elkin Castao V. 109
determinar las observaciones que no se ajustan al patrn del

resto de datos.
Ejemplo.
La siguiente tabla presenta los datos para 4 variables que indican
la rigidez de tablas de madera. Tambin se presentan los datos
estandarizados y sus distancias generalizadas cuadrticas.
______________________________________________________Elkin Castao V. 110
La ltima columna revela que la observacin 16 es una

observacin atpica multivariada, puesto que 42 (0.005) = 14.86 . La
observacin 9 tambin tiene una gran distancia d 2j .
Estas dos observaciones son claramente diferentes de las dems
observaciones y le dan apariencia de curvo al patrn que exhibe
el correspondiente grfico chi-cuadrado
Una vez han sido removidas, el patrn que queda se ajusta a una
recta.
El siguiente grfico presenta la matriz de diagramas de dispersin
para estos datos.
______________________________________________________Elkin Castao V. 111
Los puntos slidos corresponden a las observaciones 9 y 16.

Aunque la observacin 16 cae siempre lejos en todos los
grficos, la observacin 9 se esconde en el diagrama de
dispersin de x3 contra x4, y casi se esconde en el de x1 contra x3.
8. TRANSFORMACIONES PARA ACERCAR A LA NORMALIDAD
Si la normalidad no es un supuesto viable, cul es el siguiente

paso a seguir?
______________________________________________________Elkin Castao V. 112
Ignorar la no normalidad y proceder como si los datos fueron

normalmente distribuidos. Esta prctica no es recomendada,
puesto que, en muchos casos, conducira a conclusiones
incorrectas.
Hacer que los datos no normales parezcan ms normales

haciendo transformaciones sobre los datos originales. A
continuacin se pueden realizar los anlisis basados en la teora
normal sobre los datos transformados.
Las transformaciones son solamente reexpresiones de los datos
en diferentes unidades. Por ejemplo, cuando un histograma de
observaciones positivas muestra una gran cola derecha, una
transformacin de ellos tomando el logaritmo o la raz
cuadrada generalmente mejora la simetra con respecto a la
media y aproxima la distribucin a la normalidad.
Las
transformaciones
pueden
ser
sugeridas
por
consideraciones tericas o por los datos mismos.
Consideraciones tericas: Por ejemplo, los datos de conteos

pueden ser ms normales si se les toma la raz cuadrada.
Similarmente, para datos de proporciones la transformacin
logit y la transformacin de Fisher para coeficientes de
______________________________________________________Elkin Castao V. 113
correlacin,
proporcionan
cantidades
que
estn
aproximadamente normalmente distribuidas.

Escala original
1. Conteos, y
Escala transformada
y
1
2
p
)
1 p
2. Proporciones, p
logit( p )= log(
3. Correlaciones, r
La transf. de Fisher z(r)= log(
1
2
1+ r
)
1 r
Transformaciones sugeridas por los mismos datos: en algunos

casos la transformacin para mejorar la aproximacin a
normalidad no es obvia. En esta situacin es conveniente dejar
que los datos sugieran una transformacin.
Una familia de transformaciones til para este propsito es la
familia de transformaciones potenciales. Existe un mtodo
analtico conveniente para
escoger una
transformacin
potencial dentro de dicha familia.

Box y Cox (1964) consideran la familia de transformaciones
potenciales
______________________________________________________Elkin Castao V. 114
x ( )
x 1
, 0
=
ln( x), = 0
La cual es continua en para x>0.
Dadas las observaciones x1, x2, , xn, la solucin de Box y

Cox para escoger la transformacin adecuada, es aquella
que maximiza la expresin
n 1 n
l ( ) = ln x(j ) x ( )
2 n j =1
donde
x ( ) =
1 n ( )
xj ,
n j =1
) + ( 1) ln x
n
j =1
es la media aritmtica de las
observaciones transformadas.
La expresin l ( ) es, aparte de una constante, el logaritmo de
la funcin de verosimilitud de una normal, despus de haberla
maximizado con respecto a los parmetros de media y
varianza.
El proceso de maximizacin es fcil de realizar por medio de
un computador, seleccionando muchos diferentes valores para
y calculando el respectivo valor de l ( ) . Es til hacer un
______________________________________________________Elkin Castao V. 115
grfico de l ( ) versus para estudiar el comportamiento en

el valor de mximo .
Algunos autores, recomiendan un procedimiento equivalente

para encontrar , creando una nueva variable
y (j )
xj 1
1/ n 1
x j
j =1
, j=1, 2, , n
y calculando su varianza muestral. El mnimo de la varianza

ocurre en el mismo valor que maximiza l ( ) .
Ejemplo.
Para los n=42 datos de la radiacin de hornos micro-ondas con la
puerta cerrada, el grfico Q-Q indica que las observaciones se
desvan de lo que esperaramos si fueran normalmente
distribuidas. Puesto que todas las observaciones son positivas, se
puede utilizar una transformacin potencial de los datos con la
esperanza de acercarlos a la normalidad.
Los pares ( , l ( ) ), en el proceso de bsqueda se encuentran en la
siguiente tabla.
______________________________________________________Elkin Castao V. 116
El grfico de l ( ) contra , nos permite determinar el mximo

con ms precisin, el cual se alcanza en =0.28. Por
conveniencia elegimos =0.28=1/4.
Los datos son transformados como
______________________________________________________Elkin Castao V. 117
4)
x(1/
j
x1/j 4 1
(1/ 4)
, j=1, 2, , 42.
Para verificar si los datos transformados son ms normales, a

continuacin se presenta su grfico cuantil-cuantil.
Los pares de cuantiles caen muy cerca de una recta, lo que

4)
permite concluir que x(1/
es aproximadamente normal.
j
Transformacin de las Observaciones Multivariadas

Para las observaciones multivariadas se debe seleccionar una
transformacin para cada una de las variables.
1, 2 ,, p
Sean
las transformaciones potenciales para las p
variables. Las transformaciones pueden ser obtenidas:
______________________________________________________Elkin Castao V. 118
Individualmente. Para cada una de las variables se escoge la

transformacin usando el procedimiento anterior. La jsima observacin transformada es
x (j)
donde
x ( 1 ) 1
j1
x (j22 ) 1
= 2

x ( p ) 1
jp
1, 2 ,, p son los valores que individualmente
maximizan a l ( k ) , k=1, 2, , p.
Este procedimiento es equivalente a hacer cada distribucin
aproximadamente normal. Aunque la normalidad marginal
de cada componente no es suficiente para garantizar que
todas la distribucin conjunta sea normal multivariada,
frecuentemente esta condicin es suficiente.
Si no lo es, se pueden usar estos valores 1, 2 ,, p como

valores iniciales para obtener un conjunto de valores
______________________________________________________Elkin Castao V. 119
' = 1, 2 ,, p los cuales conjuntamente maximizan la
funcin
n
n
l 1, 2 ,, p = ln | S ( ) | + (1 1) ln x j1
2
j =1
j =1
j =1
+ (2 1) ln x j 2 + + ( p 1) ln x jp
Donde S ( ) es la matriz de covarianza muestral calculada

usando las observaciones multivariadas transformadas
x ()
j
l 1, 2 ,, p
x (j11 ) 1
1
( 2 )
x j2 1
= 2 , j=1, 2, , n
(p )
x jp 1

es (parte de la constante) la funcin de
verosimilitud de la normal multivariada despus de

maximizarla con respecto a y a .
La maximizacin de la funcin anterior l ( 1, 2 ,, p ) no es

solamente ms difcil que la maximizacin de las funciones
______________________________________________________Elkin Castao V. 120
individuales l ( k ) , sino que puede no proporcionar mejores

resultados (Hernndez y Johnson (1980).
Ejemplo.
Las mediciones de la radiacin tambin fueron recogidas para los
mismos n=42 hornos del ejemplo anterior, pero con las puertas
abiertas. El siguiente es el grfico Q-Q para los nuevos datos,
cuyo patrn curvo, se aleja de la normalidad.
La seleccin de una transformacin para normalizar los datos

produce un =0.30, la cual se aproxim a 0.25 por conveniencia.
El siguiente es el grfico Q-Q para los datos transformados.
______________________________________________________Elkin Castao V. 121
Se observa que los datos transformados estn ms cerca de la

normalidad que los datos sin transformar. Sin embargo, la
aproximacin no es tan buena como en el caso de los datos para
las puertas cerradas.
Consideremos ahora la distribucin conjunta de las dos variables
y determinemos simultneamente el par de potencias ( 1, 2 ) que
aproximan la distribucin a una normal bivariada.
La
maximizacin de l( 1, 2 ) produce el par de transformaciones

potenciales ( 1, 2 )=(0.16,
0.16), las cuales no difieren
sustancialmente de las obtenidas en forma univariada.
______________________________________________________Elkin Castao V. 122

radiac<-read.table("c:/unal/datos/j-wdata/radiac_cerr_abier.dat", header = TRUE)
list(radiac)
attach(radiac)
# obtencin de los grficos Q-Q para evaluar normalidad univariada
par(mfrow=c(1,2))
qqnorm(cerrada); qqline(cerrada)
qqnorm(abierta); qqline(abierta)
#obtencin del grfico chi-cuadrado para evaluar normalidad bivariada
library(mvoutlier)
chisq.plot(radiac)
# obtencin de las transformaciones potenciales para cada variable individual
# llamar la librera car
library(car)
box.cox.powers(abierta)
box.cox.powers(cerrada)
# obtencin de las transformaciones potenciales simultneas
box.cox.powers(radiac)
# transformacin de los datos: se usan transformaciones de 0.25 para cada variable
cerr_t=cerrada^0.25
abie_t=abierta^0.25
# obtencin de los grficos Q-Q individuales para las dos variables transformadas
par(mfrow=c(1,2))
qqnorm(cerr_t); qqline(cerr_t)
qqnorm(abie_t); qqline(abie_t)
______________________________________________________Elkin Castao V. 123
CAPTULO 5.
ANLISIS DE COMPONENTES PRINCIPALES
1. INTRODUCCIN
El objetivo del anlisis de componentes principales es explicar la

estructura de la matriz de covarianza de un conjunto de variables
por medio de unas pocas combinaciones lineales de las variables
originales. Su propsito general es proporcionar una reduccin de
datos y facilitar la interpretacin.
Aunque se necesitan las p componentes principales para

reproducir toda la variabilidad del sistema, generalmente la
mayor parte de esa variabilidad es explicada por un nmero
pequeo k de componentes principales. En estos casos las k
primeras componentes principales reemplazan las p variables
originales, logrando una reduccin del sistema original.
Con frecuencia, el anlisis de componentes principales revela

relaciones de las que no se sospechaba inicialmente, y por
tanto este anlisis permite interpretaciones de los datos que no
podran ser derivadas directamente de las variables originales.
______________________________________________________Elkin Castao V. 124
2. COMPONENTES PRINCIPALES POBLACIONALES
Algebraicamente,
las
componentes
principales
son
combinaciones lineales especiales de las p variables aleatorias

X1, X2, , Xp de un vector p-dimensional X.
Geomtricamente, estas combinaciones lineales representan la
seleccin de un nuevo sistema de coordenadas que se obtiene
al rotar el sistema original donde X1, X2, , Xp son los ejes de
coordenadas.
Los nuevos ejes representan las direcciones ortogonales con
variabilidad mxima
y proporciona una descripcin ms
simple y ms parsimoniosa de la estructura de covarianza.

El desarrollo del procedimiento de componentes principales no
requiere del supuesto de la normalidad multivariada. Sin
embargo,
las
componentes
principales
derivadas
de
poblaciones normales multivariadas tienen interpretaciones

muy tiles en trminos de elipsoides de densidad constante.
Adems, en este caso se puede hacer inferencia basada en las
componentes principales muestrales.
______________________________________________________Elkin Castao V. 125
Suponga que
X1
X
X= 2

X p
es un vector aleatorio que tiene una matriz de covarianza con

valores propios 1 2 p 0 .
Considere las siguientes combinaciones lineales
Y1 = a1' X = a11 X1 + a12 X 2 + + a1 p X p
Y2 = a2' X = a21 X1 + a22 X 2 + + a2 p X p
Yp = a 'p X = a p1 X1 + a p 2 X 2 + + a pp X p
Entonces,
Var (Yi ) = ai'ai , para i=1, 2, , p
Cov(Yi , Yk ) = ai'ak , para i, k= i=1, 2, , p
Las componentes principales son aquellas combinaciones

lineales Y1, Y2, , Yp, que no estn correlacionadas y cuyas
varianzas son tan grandes como sea posible.
______________________________________________________Elkin Castao V. 126
La primera componente principal es la combinacin lineal con

varianza
mayor.
Var (Y1 ) = a1' a1 .
Es
decir
es
aquella
Puesto
que
dicha
que
varianza
maximiza
puede
ser
incrementada multiplicando a a1 por una constante, se debe

eliminar esta indeterminacin eligiendo el vector a1 de forma
que tenga longitud 1.
Se define:
Primera componente principal=la combinacin

Y1 = a1' X
que maximiza Var (Y1 ) = a1' a1 , sujeta a a1' a1 = 1
Segunda componente principal=la combinacin

Y2 = a2' X
lineal
lineal
que maximiza Var (Y2 ) = a2' a2 , sujeta a a2' a2 = 1
Cov(a1' X , a2' X ) = 0
i-sima componente principal=la combinacin lineal Yi = ai' X

que maximiza Var (Yi ) = ai'ai , sujeta a ai' ai = 1 y Cov(ai' X , ak' X ) = 0 ,
para k<i
Determinacin de las componentes principales. Sea la
matriz de covarianza asociada al vector aleatorio p-
______________________________________________________Elkin Castao V. 127
dimensional X. Suponga que

vectores propios
( 1, e1 ),
posee pares de valores-
( 2 , e2 ),
, ( p , e p ) donde
1 2 p 0 . Entonces la i-sima componente principal
est
dada
por
la
combinacin
lineal
Yi = ei' X = ei1 X1 + ei 2 X 2 + + eip X p , i=1, 2, , p, donde
Var (Yi ) = ei'ei = i
i=1, 2, , p
Cov(ei' X , ek' X ) = ei'ek = 0
Si algunos
i k
son iguales, las elecciones de sus
correspondientes vectores propios, y por tanto las Yi, no son

nicas.
Suponga que es la matriz de covarianza asociada al vector
aleatorio p-dimensional X que posee pares de valores-vectores
propios ( 1, e1 ), ( 2 , e2 ), , ( p , e p ) donde 1 2 p 0 .
Sean
Yi = ei' X = ei1 X1 + ei 2 X 2 + + eip X p , i=1, 2, , p,
componentes principales. Entonces
i =1
i =1
Var ( X i ) = 11 + 22 + + pp = 1 + 2 + + p = Var (Yi )
las
______________________________________________________Elkin Castao V. 128
Observaciones:
1) Del resultado anterior
Varianza Total=11 + 22 + + pp = 1 + 2 + + p
Prop. de la varianza
total debido a la
=
, k=1, 2, , p.
2)
k-esima componente 1 + 2 + + p
principal
3) Si ms del 80% o 90% de la varianza total poblacional,

cunado p es grande, puede ser atribuido a la primera, a las dos
primeras o a las tres primeras componentes principales, entonces
estas componentes pueden reemplazar las variables originales sin
mucha prdida de informacin.
4) La k-sima componente del vector propio
ei = ei1 ,..., eik ,..., eip
Mide la importancia de la k-sima variable sobre la i-sima

componente
variables.
principal,
independientemente
de
las
dems
______________________________________________________Elkin Castao V. 129
5) Si Yi = ei' X = ei1 X1 + ei 2 X 2 + + eip X p , i=1, 2, , p son
las
componentes principales obtenidas de la matriz de covarianza

, entonces
Yi , X k =
eik i
kk
, i,k=1, 2, , p
es el coeficiente de correlacin entre la i-sima componente

principal y la variable Xk.
Ejemplo.
Obtencin
de
las
Componentes
Principales
Poblacionales
Suponga que tres variables aleatorias X1, X2 y X3 tienen matriz de
covarianza
1 2 0
= 2 5 0
0 0 2
Los pares de valores-vectores propios de son:

1 =5.83
0.383
e1 = 0.924
2 =2.00
0
e2 = 0

1
______________________________________________________Elkin Castao V. 130
3 =0.17
0.924
e3 = 0.383
Por tanto las componentes principales son:

Y1 = e1' X = 0.383X1-0.924X2
Y2 = e'2 X = X3
Y3 = e3' X = 0.924X1+0.383X2
Debido a que X3
no est correlacionada con X1
ni X2,
entonces X3 es una de las componentes principales, pues su

informacin no es llevada al nuevo sistema por ninguna de las
otras componentes.
La proporcin de la varianza total explicada por la primera

componente principal es
1
=5.83/8=0.73
1 + 2 + 3
Esto significa que el 73% de la varianza total es explicada por

la primera componente principal.
______________________________________________________Elkin Castao V. 131
La proporcin de la varianza total explicada por las dos

primeras componentes principales es
1 + 2
=(5.83+ 2)/8=0.98
1 + 2 + 3
Esto significa que el 98% de la varianza total es explicada por

la primera componente principal.
e11 1
Y , X =
1
11
Y1 , X 2 =
e21 1
22
=0.925
=-0.998
En la primera componente principal, la variable X2 tiene la

mayor ponderacin y ella tambin tiene la mayor correlacin
con Y1.
La correlacin de X1 con Y1 es casi tan grande, en magnitud,

como la de X2 con Y1, lo que indica que las dos variables son
casi igualmente importantes para la primera componente
principal.
Los tamaos relativos de los coeficientes de X1 y X2 sugieren

que X2 contribuye ms a la determinacin de Y1 que X1.
______________________________________________________Elkin Castao V. 132
Y , X = Y , X = 0 y Y , X =
2
2
2
=
=1
2
33
Las dems correlaciones puede ser despreciadas puesto que la

tercera componente principal no es importante.
Componentes Principales Derivadas de una Normal
Multivariada
Suponga que X ~ Np( , ). Las componentes principales
Y1 = e1' X, Y2 = e'2 X, , Yp = e'p X
caen en la direccin de los ejes de la elipsoide de densidad
constante (x )' 1 (x ) = c 2 .
______________________________________________________Elkin Castao V. 133
Componentes principales usando variables estandarizadas

Las componentes principales tambin pueden ser obtenidas
usando las variables estandarizadas
Z1 =
Z2 =
X1 1
11
X 2 2
22
Zp =
X p p
pp
o, en notacin matricial,
Z = V 1/ 2
(X )
donde V 1/ 2 =diagonal ( 11 , 22 ,, pp definida antes.
En este caso, E(Z)=0 y Cov(Z)= (V 1/ 2 ) (V 1/ 2 ) =
Las componentes principales se obtienen usando los

vectores propios de la matriz de correlacin
______________________________________________________Elkin Castao V. 134
Todos los resultados anteriores son vlidos, con algunas

simplificaciones ya que Var(Zi)=1.
En general, los pares valores-vectores propios derivados

de no son iguales a los de
Obtencin de las componentes principales usando variables

estandarizadas.
La i-sima componente principal de las
variables estandarizadas
Z1
Z
2
Z =

Z p
con Cov(Z)=
, est dada por
Yi = ei' Z = ei' V 1/ 2
( X ) , i=1, 2, , p
Adems,
p
i =1
i =1
Var (Yi ) = Var ( Zi ) = p
y,
Yi , Z k = eik i , i, k=1, 2, , p
______________________________________________________Elkin Castao V. 135
En este caso, ( 1, e1 ), ( 2 , e2 ), , ( p , e p ) son los pares

valores-vectores propio de
, donde 1 2 p 0 .
Observacin:
Prop. de la varianza
total debido a la
= k , k=1, 2, , p.
k-esima componente p
principal
Ejemplo.
Considere un vector bivariado cuya matriz de covarianza es
1 4
=
. Entonces su matriz de correlacin es
4
100
1 0.4
.
0.4
1
a) Las componentes principales derivadas de .

Valores y vectores propios de .
1 =100.16
0.040
e1 =
0.999
2 =0.840
0.999
e2 =
0.040
Entonces la componentes principales basadas en son
______________________________________________________Elkin Castao V. 136
Y1 = e1' X = 0.040X1+0.999X2
Y2 = e'2 X = 0.999X1-0.040X2
Debido a que X2 tiene una gran varianza, ella domina
completamente la primera componente
principal.
componente explica una proporcin de

1
1 + 2
=100.16/101=0.992
de la varianza total.
b) Las componentes principales derivadas de
Valores y vectores propios de
1 =1.4
0.707
e1 =
0.707
2 =0.6
0.707
e2 =
0.707
Entonces la componentes principales basadas en son

Y1 = e1' Z = 0.707Z1+0.707Z2
Y2 = e'2 Z = 0.707Z1 -0.707Z2
Esta
______________________________________________________Elkin Castao V. 137
Cuando las variables
estn
estandarizadas, las
variables
contribuyen igualmente a la primera componente principal.

Adems, como
Y1 , Z1 = e11 1 = 0.707 1.4 = 0.837
Y1 , Z2 = e21 1 = 0.707 1.4 = 0.837
entonces las variables estandarizadas tienen la misma correlacin

con la primera componente principal.
La primera componente principal explica una proporcin de
1
p
=1.4/2=0.70
de la varianza total.
Conclusin: Comparando los resultados en los dos casos, se

observa que la estandarizacin afecta bastante los resultados, y
que las componentes principales derivadas de son diferentes
de las derivadas de .
Cuando usar la estandarizacin?
______________________________________________________Elkin Castao V. 138
Cuando las variables estn medidas en escalas con rangos

muy diferentes.
Cuando las unidades de medida no son conmensurables.

Por ejemplo, si X1 es una variable aleatoria que representa las
ventas anuales en el rango $20000000 y $750000000, y X2 es
el cociente dado por (ingreso neto anual)/(Total de activos) que
cae entre 0.01 y 0.60, entonces la variacin total ser debida
casi exclusivamente a
X1 y esta variable tendr una gran
ponderacin en la primera componente principal, que sera la

nica importante.
Alternativamente si las variables son
estandarizadas, sus magnitudes sern del mismo orden y en

consecuencia X2 o (Z2) jugar un papel ms importante en la
construccin de las componentes principales.
3. COMPONENTES PRINCIPALES MUESTRALES
Suponga que x1, x2, , xn, representan una muestra aleatoria

de una poblacin multivariada con vector de medias y
matriz de covarianza . Sean x , S y R el vector de media
muestral, y las matrices de covarianza y correlacin muestral,
respectivamente.
______________________________________________________Elkin Castao V. 139
Las componentes principales muestrales estn definidas como

aquellas combinaciones lineales no correlacionadas con
mxima varianza que explican la mayor parte de la variacin
muestral . Especficamnte,
Primera componente principal=la combinacin

y1 = a1' xj
que
lineal
maximiza la varianza muestral, sujeta a
a1' a1 = 1
Segunda componente principal=la combinacin

y 2 = a2' xj
lineal
que maximiza la varianza muestral, sujeta a
a2' a2 = 1 y la covarianza muestral entre a1' xj y a2' xj es cero.
i-sima componente principal=la combinacin
lineal
y i = ai' xj que maximiza la varianza muestral, sujeta a ai' ai = 1
y la covarianza muestral entre ai' xj y ak' xj es cero, para k<i

Determinacin de las componentes principales muestrales.
Sea S la matriz de covarianza muestral de los datos de un
vector aleatorio p-dimensional X. Suponga que S posee pares
de valores-vectores propios
( 1, e1 ),
( 2 , e2 ),
, ( p , e p )
______________________________________________________Elkin Castao V. 140
donde 1 2 p 0
y x es una observacin de las
variables X1, X2, , Xp. Entonces la i-sima componente

principal muestral est dada por la combinacin
lineal
y i = ei' x = ei1x1 + ei 2 x2 + + eip x p , i=1, 2, , p, donde
Varianza muestral ( y i ) = ei' Sei = i
i=1, 2, , p
Cova r ianza muestral ( yi , y k ) = 0
ik
Adems, la varianza total muestral
sii = 1 + 2 + + p
i =1
y
ryi ', xk =
eik i
skk
, i,k=1 ,2, , p
Observaciones:
1) No se har diferencia en la notacin para las componentes
principales derivadas de S o de R.
2) Las componentes principales derivadas de S no son iguales
a las derivadas de R.
______________________________________________________Elkin Castao V. 141
3) A veces las observaciones xj son centradas restando el

vector x .
Esto no afecta la matriz S y la isima
componente principal muestral es

yi = e i' (x-x) , i=1, 2, , p.
para cualquier observacin x.

4) Los valores de la i-sima componente principal son
y ji = e i' (x j -x) , j=1, 2, , n.
En este caso, la media muestral de la i-sima componente

principal es
y i =
1 '
1 n
1 n '
1 ' n
y ji = e i (x j -x) = e i (x j -x) = e i 0=0
n j =1
n j =1
n j =1
n
y su varianza muestral es i , es decir, no cambia.
Ejemplo.
Un censo proporcion informacin sobre las siguientes
variables socioeconmicas para 14 reas de una regin:
X1=Poblacin total (en miles)
______________________________________________________Elkin Castao V. 142
X2=Mediana de los aos de escolaridad

X3=Empleo total (en miles)
X4=Empleo en servicios de salud (en cientos)
X5=Mediana del valor de la casa (en diez miles)
Observe que los datos para reas censales adyacentes pueden

estar correlacionados y por lo tanto las observaciones pueden
no constituir una muestra aleatoria.
Estos datos producen
x =[4.32, 14.01, 1.95, 2.17, 2.45]
______________________________________________________Elkin Castao V. 143
4.308
1.683
S= 1.803
2.155
0.253
1.683
1.768
1.803
0.588
2.155 0.253
0.177 0.176
0.588 0.801 1.065 0.158
1.177 1.065 1.970 0.357

0.176 0.158 0.357 0.504
Se puede resumir la variacin muestral por medio de una o dos

componente principales?
Var
e1 (ry1 , xk )
e2 ( ry 2 , xk )
e3
e4
e5
X1
0.781(0.99)
-0.071(-.04)
0.004
0.542
-0.302
X2
0.306(0.61)
-0.764(-.76)
-0.162
-0.545
-0.010
X3
0.334(0.98)
0.083(0.12)
0.015
0.050
0.937
X4
0.426(0.80)
0.579(0.55)
0.220
-0.636
-0.173
X5
-0.054(-0.20) -0.262(-0.49) 0.962
-0.051
0.024
Var
( i )
6.931
1.786
0.390
0.230
0.014
93.2
97.4
99.9
100.0
Prop
Acu 74.1
La primera componente principal explica el 74.1% de la

varianza total muestral.
Las dos primeras componentes principales juntas explican el

93.2% de la varianza total muestral.
______________________________________________________Elkin Castao V. 144
Por tanto, la variacin muestral puede ser resumida

adecuadamente por medio de las dos primeras componentes
principales.
Dados los coeficientes de las componentes, la primera

componente principal parece ser esencialmente un promedio
ponderado de las primeras cuatro variables. La segunda
componente principal parece contrastar los servicios de
empleo en salud con un promedio ponderado de la mediana
de los aos de escolaridad y la mediana del valor de la casa.
En la interpretacin de las componentes principales se deben

tener en cuenta los coeficientes eik de las componentes y las
correlaciones ry , x . Las correlaciones permiten analizar la
1
importancia de las variables aunque tengan diferentes

varianzas. Sin embargo, miden solamente la importancia de
una sola Xj sin tener en cuentas las otras variables presentes
en la componente.
4. EL NMERO DE COMPONENTES PRINCIPALES
Siempre est presente la pregunta de cuntas componentes

principales debemos retener. No existe una respuesta definitiva
a esta pregunta.
______________________________________________________Elkin Castao V. 145
Para responderla debemos considerar la cantidad de la varianza

total muestral explicada, los tamaos relativos de los valores
propios, y las interpretaciones de las componentes. Adems,
como se discutir ms adelante, una componente asociada a un
valor propio cercano a cero, y por tanto claramente no
importante,
puede
indicar una
dependencia
lineal no
sospechada en los datos.

Una ayuda visual til para determinar el nmero de
componentes es el grfico scree, el cual presenta un grfico de
i contra i, las magnitudes de los valores propios contra su
nmero.
Para
determinar
el
nmero
apropiado
de
componentes, buscamos un codo en el grfico. El nmero de

componentes que se toman es el determinado por aquel punto
para el cual es resto de los valores propios son relativamente
pequeos y aproximadamente del mismo tamao.
Ejemplo.
El grfico scree para el ejemplo anterior es
______________________________________________________Elkin Castao V. 146
El codo ocurre alrededor de i=3, es decir, los valores propios

despus de 2 son relativamente pequeos y aproximadamente
del mismo tamao. En este caso parece que dos (o quiz 3)
componentes principales resumen apropiadamente la varianza
total muestral.
Ejemplo.
En un estudio del tamao y la forma de las tortugas pintadas,
Jolicoeur y Mosimann (1963) midieron la longitud de la
caparazn (X1), su amplitud(X2) y su altura(X3). Los datos
sugirieron que el anlisis en trminos de los logaritmos de las
variables. (Jolicoeur, generalmente sugiere el empleo de los
logaritmos en los estudios de tamao y forma)
______________________________________________________Elkin Castao V. 147
El logaritmo natural de las dimensiones de las 24 tortugas machos

produce
x =[4.725, 4.478, 3.703]
y
11.072 8.019 8.160
S= 8.019 6.417 6.005
8160 6.005 6.773
El anlisis de componentes principales proporciona el siguiente

resumen.
______________________________________________________Elkin Castao V. 148
Var
e1 ( ry1 , xk )
e2
e3
ln(longitud)
0.683(0.99)
-0.159
-0.713
ln(amplitud)
0.510(0.97)
-0.594
0.622
ln(altura)
0.523(0.97)
0.788
0.324
Var ( i )
23.30 x 10-3 0.60 x 10-3 0.36 x 10-3
Prop acum.
96.1
98.5
100
El grfico scree es el siguiente
La primera componente principal explica el 96.1% de la

varianza total muestral.
La primera componente principal

y1 =0.683ln(longitud)+ 0.510ln(amplitud)+0.523ln(altura)
______________________________________________________Elkin Castao V. 149
0.683
y1 =ln[(longitud)
(amplitud)0.510 (altura)0.523]
tiene una interpretacin interesante, pues puede ser

considerada como el volumen de una caja con dimensiones
ajustadas. Por ejemplo, la altura ajustada es (altura)0.523, la
cual influye en la forma redondeada de la caparazn.
5. INTERPRETACIN DE LAS COMPONENTES PRINCIPALES
MUESTRALES
Las
componentes
principales
muestrales
tienen
varias
interpretaciones.
Suponga que X ~ Np( , ). Entonces, las componentes

principales muestrales yi = ei' (x-x) , son realizaciones de las
componentes principales Yi = ei' (x- ) , las cuales tienen una
ditribucin Np(0, ), donde =diag( 1, 2 ,, p ) y ( i , ei )
son los pares valores-vectores propios de la matriz . Las
componentes principales muestrales son los ejes de las
hiper-elipsoides estimadas generadas por todos los puntos x
que satisfacen
( x x ) ' S 1 ( x x ) = c 2
______________________________________________________Elkin Castao V. 150
cuando S es definida positiva. En este caso, la hiptesis de

normalidad es til para hacer inferencias, como se ver ms
adelante.
An si la normalidad es sospechosa, y el patrn de

dispersin se aleja algo del patrn elptico, se pueden extraer
los valores propios de S y obtener las componentes
principales muestrales.
Las componentes principales pueden ser consideradas como el
resultado de trasladar el origen del sistema de coordenadas
original a x y luego rotar el sistema de ejes de coordenadas
hasta que los nuevos ejes pasen a travs de las direcciones de
mxima varianza del patrn de dispersin.
Interpretacin geomtrica: Suponga que p=2 y considere el

siguiente grfico que muestra una elipse de distancia
constante, centrada en x , con 1 > 2 .
______________________________________________________Elkin Castao V. 151
Las componentes principales estn bien determinadas: caen a

lo largo de los ejes de la elipse en direcciones perpendiculares
en las direcciones de mxima varianza.
Ahora considere la elipse centrada en x y con 1 = 2 .
En este caso, los ejes de la elipse (crculo) de distancia

constante no estn determinados de manera nica y caen en
______________________________________________________Elkin Castao V. 152
cualquier par de direcciones perpendiculares, incluyendo las

direcciones de los ejes del sistema original de coordenadas.
Cuando los contornos de la elipse de distancia constante son
aproximadamente circulares, o equivalentemente, los valores
propios de S son casi iguales, la variacin es homognea en
todas las direcciones. En este caso, no es posible representar
bien los datos en menos de p dimensiones.
Si los ltimos valores propios son muy pequeos, de forma tal
que la variacin en las direcciones de los correspondientes
vectores propios sea despreciable, las ltimas componentes
principales pueden ser ignoradas, y los datos pueden ser
adecuadamente aproximados en el espacio de las componentes
retenidas.
6. ESTANDARIZACIN DE LAS COMPONENTES PRINCIPALES

MUESTRALES
Las componentes principales muestrales no son, en general,

invariantes con respecto a cambios en escala.
______________________________________________________Elkin Castao V. 153
Si z1, z2, , zn, son las observaciones estandarizadas y su

matriz de covarianza es R, la i-sima componente principal
muestral est dada por la combinacin lineal
y i = ei'z = ei1z1 + ei 2 z2 + + eip z p , i=1, 2, , p
donde ( i , ei ) es el i-simo par valor-vector propio de la matriz

R con 1 2 p 0 . Adems,
Varianza muestral ( yi ) = i
i=1, 2, , p
Cova r ianza muestral ( yi , y k ) = 0
ik
va r ianza total muestral = sii = 1 + 2 + + p

i =1
ryi ', xk = eik i , i,k=1 ,2, , p
prop. dela varianza
total muestral(estandarizada)

explicada por la i-esima
= i , i=1, 2, , p
p
componente principal
muestral
Como regla general, se sugiere retener solamente aquellas

componentes principales cuyas varianzas i sean mayores que
la
unidad,
equivalentemente,
aquellas
componentes
______________________________________________________Elkin Castao V. 154
principales que, individualmente, expliquen al menos una

proporcin 1/p de la varianza total muestral.
Ejemplo.
Para el perodo de Enero de 1975 a Diciembre de 1976, se
determinaron los rendimientos semanales de las acciones de 5
compaas.
Las observaciones de estos 5 rendimientos parecen ser

independientes, pero entre ellos parecen estar correlacionados.
Estos datos producen
______________________________________________________Elkin Castao V. 155
x =[0.0054, 0.0048, 0.0057, 0.0063, 0.0037]
y
1.000
0.577
R= 0.509
0.387
0.462
0.577
1.000
0.509 0.387 0.462

0.599 0.389 0.322
0.599 1.000 0.436 0.426
0.389 0.436 1.000 0.523

0.322 0.426 0.523 1.000
Valores y vectores propios de R.
1 =2.857
0.464
0.457
e1 = 0.470
0.421
0.421
3 =0.540
0.612
0.178
e 3 = 0.335
0.541
0.435
5 =0.343
0.451
0.676
e 5 = 0.400
0.176
0.385
2 =0.802
4 =0.452
0.240
0.509
e2 = 0.260
0.526
0.582
0.387
0.206
e 4 = 0.662
0.472
0.382
______________________________________________________Elkin Castao V. 156
Las dos primeras componentes principales muestrales

estandarizadas son
y1 = e1' z = 0.464 z1 + 0.457 z2 + 0.470 z3 + 0.421z4 + 0.421z5
y 2 = e '2z = 0.240 z1 + 0.509 z2 + 0.260 z3 0.526 z4 0.582 z5
Estas dos componentes explican el

1 + 2
2.857 + 0.809
x100%=
x100%=73%
p
5
de la varianza total muestral estandarizada.
La
primera
componente
principal
es
una
suma
equiponderada o un ndice de las cinco acciones. Esta

componente podra llamarse componente de mercado.
La segunda componente representa un contraste entre

acciones qumicas (Allied Chemical, du Pont y Union
Carbide) y las de petrleo (Exxon y Texaco). Esta
componente podra ser llamada componente de industria.
______________________________________________________Elkin Castao V. 157
La mayora de la variacin muestral de los rendimientos de

estas acciones se debe a la actividad del mercado y a la no
correlacionada actividad industrial.
Las componentes restantes no son fciles de interpretar y,

conjuntamente, representan la variacin que probablemente
es especfica a cada accin. De todas formas, estas
componentes no explican mucho de la varianza total
muestral.
Este ejemplo presenta un caso donde parece ser razonable

retener una componente asociada con un valor propio menor
que la unidad.
7.
GRFICOS
DE
LAS
COMPONENTES
PRINCIPALES
MUESTRALES
Los grficos de las componentes principales pueden ayudar a:
Verificar la hiptesis de normalidad: Dado que las

componentes principales son combinaciones lineales de las
variables
originales,
se
puede
esperar
que
sean
aproximadamente normales. Se recomienda verificar que

las primeras componentes
principales estn distribuidas
______________________________________________________Elkin Castao V. 158
normalmente cuando vayan a ser empleadas como insumos

en otros anlisis.
Revelar
observaciones
componentes
sospechosas:
principales
pueden
Las
ayudar
ltimas
detectar
observaciones sospechosas.
Cada
observacin
combinacin
lineal
puede
de
ser
todos
expresada
los
como
vectores
una
propios
e1, e2 ,, e p como
x j = (x 'je1 )e1' +(x 'je 2 )e '2 +...+(x 'je p )e 'p

= y j1e1' + y j 2e 2' + + y jp e 'p
Esto significa que las magnitudes de las componentes

principales
determinan
como de
bien
las
primeras
componentes principales ajustan a las observaciones.

Es decir,
'
difiere de xj en la
y j1e1' + y j 2e '2 + + y j ,q 1e q-1
cantidad
'
y jq e 'q + y j ,q +1e q+1
+ + y j , p e 'p , cuya longitud al
cuadrado es
y 2j ,q + y 2j , q +1 + + y 2j , p .
Frecuentemente
observaciones sospechosas son tales que al menos una de las
______________________________________________________Elkin Castao V. 159
coordenadas
y j , q , y j ,q +1,, y j , p
que contribuye a esta
longitud cuadrtica es grande.
Ejemplo.
Para los datos de las tortugas pintadas, las tres componentes
principales son
y1 =0.683(x1-4.725)+ 0.510(x2-4.478)+0.523(x3-3.703)
y 2 =-0.159(x1-4.725)- 0.594(x2-4.478)+0.788(x3-3.703)
y 3 =-0.713(x1-4.725)+ 0.622(x2-4.478)+0.324(x3-3.703)
donde x1=ln(longitud), x2=ln(amplitud), x3=ln(altura).

El siguiente grfico muestra el grfico Q-Q para la segunda
componente principal.
______________________________________________________Elkin Castao V. 160
La observacin para la primera tortuga encerrada en un crculo,

cae lejos de las dems y parece sospechosa. Este punto debe ser
verificado si fue producido por error de registro, o la tortuga
puede tener anomalas estructurales. El siguiente es el diagrama
de dispersin para las dos primeras componentes principales, el
cual aparte del dato de la primera tortuga parece razonablemente
elptico. El anlisis de los grficos de las otras componentes
principales no indica desviaciones sustanciales de la normalidad.
El grfico biplot. Un biplot es un grfico de la informacin de

una matriz de n x p. En l estn representadas dos clases de
informacin contenidas en la matriz de datos. La informacin
de las filas, que corresponden a las unidades muestrales, y la de
las columnas que corresponden a las variables.
______________________________________________________Elkin Castao V. 161
Cuando solamente hay dos variables, el diagrama de

dispersin
puede
ser
usado
para
representar
simultneamente la informacin sobre ambas, las unidades

muestrales y las variables.
Este grfico permite visualizar la posicin de una unidad

muestral con respecto a otra, y la importancia relativa de
cada una de las dos variables en la posicin de la unidad
muestral.
Cuando hay varias variables, se puede construir una matriz

de dispersin, pero no existe un solo grfico de las unidades
muestrales. Sin embargo, un grfico de dispersin de las
unidades muestrales se puede obtener graficando las dos
primeras componentes principales. La idea del biplot es
agregar informacin sobre las variables al grfico de las dos
componentes principales.
El siguiente es el biplot para las empresas de servicio

pblico
______________________________________________________Elkin Castao V. 162
Se puede observar cmo se agrupan las compaas y cules

variables contribuyen a su posicin dentro de la representacin.
Por ejemplo, X4=factor de carga y X8=costo total de combustible
son las responsables de la agrupacin de la mayora de compaas
costeras al lado inferior derecho. Las variables X1=cociente de
cargo fijo y X2=tasa de retorno de capital juntan las compaas de
la Florida y Louisiana.
______________________________________________________Elkin Castao V. 163
8. INFERENCIAS PARA MUESTRAS GRANDES

En la prctica, las decisiones sobre la calidad
de la
aproximacin de las componentes principales debe ser

realizada sobre la base de los pares valores-vectores propios
de S o de R. Debido a la variacin muestral, estos pares
diferirn de sus contrapartes poblacionales.
Propiedades de i y ei en muestras grandes. Se pueden
obtener resultados para muestras grandes para i y ei cuando:
La muestra aleatoria procede de una poblacin normal

multivariada.
Los valores propios (desconocidos) de son distintos y

positivos, es decir 1 > 2 > > p > 0 . La nica excepcin es
el caso donde el nmero de valores propios iguales es
conocido.
An cuando la hiptesis de normalidad sea violada, los

intervalos obtenidos bajo normalidad todava son capaces de
proporcionar alguna indicacin de la incertidumbre de i y
e i .
______________________________________________________Elkin Castao V. 164
Anderson (1963) y Girshick(1939) establecieron las siguientes

propiedades para la distribucin en muestra grandes de los
valores propios ' = [1, 2 ,, p ] y los vectores propios e i , i=1,
2, ,p.
1) Sea la matriz diagonal de los valores propios 1, 2 ,, p
de
n ( )
Entonces,
es aproximadamente
Np(0,2 2).
2)
n ( e i -ei ) es aproximadamente Np(0, Ei), donde
i
e e'
2 k i
k =1 (k i )
p
Ei = i
k i
3) Cada i est independientemente
distribuida de los
elementos de vector propio asociado e i .
Por el resultado 1), los i estn independientemente

distribuidas aproximadamente como N( i , 2i2 / n ). Por tanto,
un intervalo aproximado de (1- )% de confianza para i
est dado por
______________________________________________________Elkin Castao V. 165
i
i
i
(1 + z ( / 2) 2 / n )
(1 z ( / 2) 2 / n )
donde z ( / 2) es el percentil ( / 2 )-superior de la N(0,1).
El resultado 2 implica que para muestras grandes, los e i

estn normalmente distribuidos con respecto al verdadero
ei .
Los elementos de e i estn correlacionados, y sus
correlaciones dependen de que tan distantes estn los

valores propios 1, 2 ,, p , y del tamao muestral n. En la
prctica se reemplaza
Ei por E i la cual se obtiene
reemplazando los i por i y los ei por e i .
Ejemplo.
Considere el ejemplo de los rendimientos de las acciones.
Suponiendo que ellos proceden de una normal multivariada donde
es tal que sus valores propios 1 > 2 > > 5 > 0 . Puesto que
n=100 es grande, y el primer valor propio 1 =0.0036, el intervalo

aproximado del 95% de confianza para 1 es
0.0036
0.0036
1
(1 + 1.96 2 /100)
(1 1.96 2 /100)
o,
______________________________________________________Elkin Castao V. 166
0.0028 1 .0050
En general, los intervalos son amplios a la misma tasa que los i

sean grandes. Por tanto, se debe tener cuidado en eliminar o
retener componentes principales basados solamente en el examen
de las i .

censo<-read.table("c:/unal/datos/j-wdata/censo.dat", header = TRUE)
list(censo)
attach(censo)
# obtencin de matriz de covarianza
covar=cov(censo)
covar
# obtencin de la componentes principales de la matriz de covarianza
summary(cp_censo <- princomp(censo, cor = FALSE))
loadings(cp_censo) # observe que las cantidades en blanco son pequeas pero no cero
plot(cp_censo)
# presenta el grfico scree
biplot(cp_censo)
cp_censo$score
# presenta los valores de las componentes principales
# obtencin de la componentes principales de la matriz de correlacin
summary(cp_censo_cor <- princomp(censo, cor = TRUE))
loadings(cp_censo_cor) #observe que las cantidades en blanco son pequeas pero no cero
plot(cp_censo_cor) # presenta el grfico scree
biplot(cp_censo_cor)
cp_censo_cor$scores # presenta los valores de las componentes principales
______________________________________________________Elkin Castao V. 167
CAPTULO 6.
ANLISIS DE FACTOR
1. INTRODUCCIN
El anlisis de factor ha provocado bastante controversia a

travs de su historia. Sus inicios modernos datan de comienzos
del siglo 20 con los
intentos de Karl Pearson, Charles
Spearman y otros por definir y medir la inteligencia. Debido a

su temprana asociacin con construcciones tales como la
inteligencia, el anlisis de factor fue nutrido y desarrollado
principalmente por cientficos interesados en la sicometra.
Las controversias sobre las interpretaciones sicolgicas en
varios
estudios
iniciales,
la
falta
de
facilidades
computacionales potentes, impidieron su desarrollo como un

mtodo estadstico.
La llegada de computadores de alta velocidad ha generado un
inters renovado en los aspectos tanto tericos como
computacionales del anlisis de factor. Como consecuencia de
los desarrollos recientes, la mayora de las tcnicas originales
han sido abandonadas y se han resuelto las controversias
iniciales. Sin embargo, todava es cierto que cada aplicacin de
la tcnica debe ser examinada sobre sus propios mritos para
determinar su xito.
______________________________________________________Elkin Castao V. 168
El propsito del Anlisis de Factor es describir, si es posible,

las relaciones de covarianza que existen en un grupo grande
variables en trminos de unas pocas, pero no observables,
variables aleatorias llamadas factores.
El Anlisis de Factor es motivado por el siguiente argumento.
Suponga que las variables pueden ser agrupadas por medio de
sus correlaciones. Es decir, suponga que las variables dentro de
un grupo estn altamente correlacionadas entre ellas mismas,
pero que tienen correlaciones pequeas con las variables de
otros grupos. Entonces es concebible pensar que cada grupo de
variables representa un solo trmino subyacente, o factor, que
es responsable de las correlaciones observadas dentro del
grupo.
Por ejemplo, las correlaciones dentro de un grupo de notas
sobre pruebas en historia, Francs, Ingls, matemticas y
msica recogidas por Spearman, sugieren un factor subyacente
de inteligencia que las explica.
______________________________________________________Elkin Castao V. 169
2. EL MODELO DE FACTOR ORTOGONAL

Sea X vector aleatorio observable de p componentes que tiene
media
y matriz de covarianza . El modelo de factor
ortogonal considera que X es linealmente dependiente de:
Un grupo pequeo de variables aleatorias no observables F1,

F2, , Fm, llamadas factores comunes
De p fuentes adicionales de variacin 1, 2 ,..., p , llamadas

errores, o factores especficos.
En particular el modelo de factor es:

X1 1 = l11F1 + l12 F2 + ... + l1m Fm + 1
X 2 2 = l21F1 + l22 F2 + ... + l2 m Fm + 2
X p p = l p1F1 + l p 2 F2 + ... + l pm Fm + p
o, en notacin matricial,
X = LF +
donde lij es la ponderacin de la i-sima variable sobre el jsimo factor.
______________________________________________________Elkin Castao V. 170
La matriz L es llamada la matriz de las ponderaciones de los

factores.
El i-simo factor especfico est asociado nicamente con la
i-sima respuesta Xi.
Las p desviaciones X i i , para i=1,2,..,p, son expresadas en
trminos de m+p variables aleatorias no observables.
Esta es la diferencia del modelo de factor con el modelo de
regresin multivariado, en el cual las variables explicativas o
independientes (las F) son observadas.
Supuestos
E(F)=0, Cov(F)=E(FF)=I
1 0 ... 0
0 ... 0
2
E( )=0, Cov( )=E( )= =

0 0 ... p
F y son independientes, por lo que

Cov(F, )=E( F)=0
______________________________________________________Elkin Castao V. 171
El modelo ortogonal de factores implica que
= LL '+
donde Cov(X, F)=E(X- )F=L
La estructura de covarianza para el modelo de factor
ortogonal
1) Cov(X)=LL+
Por lo que
2
Var(Xi)= li21 + li22 + ... + lim
+ i
Cov(Xi, Xk)= li1lk1 + li 2lk 2 + ... + limlkm

2) Cov(X, F)=L
Por lo que
Cov(Xi, Fj)= lij
La porcin de la varianza de la i-sima variable explicada

por los m factores comunes es llamada conmunalidad, y
se denota por hi2 .
______________________________________________________Elkin Castao V. 172
La porcin de la varianza de la i-sima variable debida al

factor especfico es llamada unicidad o varianza
especfica.
De los resultados anteriores,

2
Var(Xi)= li21 + li22 + ... + lim
+ i
o,
2
ii = li21 + li22 + ... + lim
+ i
o,
ii = hi2 + i
donde,
2
hi2 = li21 + li22 + ... + lim
Ejemplo. Verificacin de la relacin = LL '+ para dos factores

Considere la matriz de covarianza
19 30 2 12
30 57 5 23
=
2 5 38 47
12 23 47 68
Entonces puede ser reproducida como
______________________________________________________Elkin Castao V. 173
19 30 2 12 4 1
2
30 57 5 23 7 2 4 7 1 1
=
=
+
2 5 38 47 1 6 1 2 6 8 0
12 23 47 68 1 8
0
0 0 0
4 0 0
0 1 0
0 0 3
donde,
l11
l
L = 21
l31
l41
1 0
0
2
=
0 0
0 0
l12 4 1
l22 7 2
=
l32 1 6

l42 1 8
0 0 2
0 0 0
=
3 0 0

0 4 0
0 0 0
4 0 0
0 1 0
0 0 3
Por tanto, tiene una estructura producida por un modelo de

m=2 factores ortogonales.
La conmunalidad de X1 es
2
2
h12 = l11
+ l12
= 42 + 12 = 17
y la varianza de X1 puede ser descompuesta como
______________________________________________________Elkin Castao V. 174
2
2
11 = (l11
+ l12
) + 1 = h12 + 1 = 19
De manera similar se puede encontrar la descomposicin para las

otras variables.
El modelo de factor asume que los p+p(p-1)/2=p(p+1)/2
elementos de pueden ser reproducidos usando las mp
ponderaciones lij de los factores, y las p varianzas
especficas i .
Cuando m=p, se puede probar que cualquier matriz de
covarianza puede ser reproducida exactamente como LL,
de forma que la matriz =0.
Sin embargo, cuando m es pequeo con respecto a p, el
anlisis de factor es muy til. En este caso, el modelo de
factor proporciona una explicacin simple de la covariacin
en X con menos parmetros que los p(p+1)/2 parmetros de
.
Por ejemplo, si X contiene p=12 variables y un modelo de

factor con m=2 factores ortogonales es apropiado, entonces
los p(p+1)/2=78 elementos de pueden ser descritos en
______________________________________________________Elkin Castao V. 175
trminos de mp+p =36 parmetros lij y i del modelo de

factor.
Desafortunadamente, la mayora de las
covarianza no pueden ser factorizadas como
matrices d
= LL '+ ,
cuando el nmero de factores m es mucho ms pequeo que

p.
Ejemplo. No unicidad de una solucin propia

Suponga que p=3 y m=1 y que
1 0.9 0.7
= 0.9 1 0.4
0.7 0.4 1
Usando el modelo de factor ortogonal

X 1 1 = l11F1 + 1
X 2 2 = l21F1 + 2
X 3 3 = l31F1 + 3
La estructura de covarianza implica que = LL '+

De donde se obtiene
______________________________________________________Elkin Castao V. 176
2
1 = l11
+1
0.9 = l11l21
0.7 = l11l31
2
1 = l21
+ 2 0.4 = l21l31
2
1 = l31
+ 3
El par de ecuaciones
0.7 = l11l31
0.4 = l21l31
Implican que
0.4
l21 =
l11
0.7
Sustituyendo este resultado en la ecuacin

0.9 = l11l21
Se obtiene que
2
l11
= 1.575
o l11 = 1.255
Puesto que Var(F1)=1 por hiptesis del modelo, y Var(X1)=1,

entonces
l11 = Cov( X1, F1) = Corr ( X1, F1 )
______________________________________________________Elkin Castao V. 177
cuya magnitud no puede ser mayor que 1. Sin embargo, la

solucin no satisface esta restriccin.
Adems de la ecuacin
2
1 = l11
+ 1 o
2
1 = 1 l11
,
se obtiene que
1 = 1 1.575 = 0.575
la cual no es adecuada puesto que Var (1 ) = 1 .

Conclusin: Para este ejemplo con m=1, es posible obtener una
solucin numrica nica a la ecuacin = LL '+ . Sin embargo la
solucin no es consistente con la interpretacin estadstica de los
coeficientes, y por tanto no es una solucin propia.
Cuando m>1 siempre hay una ambigedad asociada al modelo
de factor.
Considere una matriz ortogonal T de m x m. Entonces,
TT=TT=I.
______________________________________________________Elkin Castao V. 178
Con esta matriz, el modelo de factor ortogonal puede ser escrito

como
X = LF + = LTT ' F + = L * F * +
donde,
L* = LT
F* = T ' F
y puesto que
E(F*)=0
y Cov(F*)=TCov(F)T=TT=I
es imposible distinguir entre las ponderaciones L y las

ponderaciones L* basados en las observaciones del vector X. Es
decir,
los factores L y L* tienen las mismas propiedades
estadsticas, y aunque en general, L es diferente de L* ellas

generan la misma matriz de covarianza , puesto que
= LL '+ = LTT ' L '+ = L * L * '+
Esta ambigedad es la base de la rotacin de factores, puesto

que las matrices ortogonales equivalen a la rotacin del sistema
de coordenadas para X.
______________________________________________________Elkin Castao V. 179
En conclusin, las ponderaciones L y L*=LT proporcionan la

misma representacin. Las conmunalidades, dadas por los
elementos de la diagonal de LL=( L*)(L*), no se afectan por
la eleccin de T.
El anlisis de factor:
Se inicia imponiendo condiciones que permitan estimar de

manera nica a L y a
A continuacin se rota la matriz de ponderaciones (se

multiplica por una matriz ortogonal), donde la rotacin est
determinada por algn criterio de fcil interpretacin.
Una vez se hayan obtenido las ponderaciones y las varianzas

especficas, se identifican los factores y los valores estimados
para los factores mismos (llamados scores de los factores).
3. MTODOS DE ESTIMACIN
Sea X1, X2, ,Xn una muestra aleatoria de una distribucin

multivariada con vector de medias
y matriz de covarianza .
La matriz de covarianza muestral S es un estimador de
Si
los elementos fuera de la diagonal de S son pequeos, o los
______________________________________________________Elkin Castao V. 180
elementos de la matriz de correlaciones R son prcticamente

cero, las variables no estarn relacionadas linealmente y el
anlisis de factor no es til.
Si S parece desviarse significativamente de una matriz
diagonal, entonces, el modelo de factor puede ser probado y el
problema inicial es estimar las ponderaciones
lij
de los factores
y las varianzas especficas i .
El Mtodo de la Componente Principal. La descomposicin

espectral proporciona una factorizacin de la matriz de
covarianza
Suponga el par ( i , ei ) es el par valor-vector
propio de , donde 1 2 p .
Entonces
1
0
= PP= e1 e2 ... e p
'
0 0 0 e1

2 0 0 e2'

0 0 0 e'p
= 1e1e1' + 2 e2 e2' + + p e p e'p
______________________________________________________Elkin Castao V. 181
= 1 e1
1 e1'
2 e2'
2 e2 p e p

e'
p p
Este ajuste supone que la estructura de covarianza para el

modelo de anlisis de factor tiene tantos factores como
variables (m=p) y las varianzas especficas
El vector
j ej
i =0.
es la j-sima columna de la matriz de
ponderaciones. Es decir,
=LL
Fuera del factor de escala
+0=LL
, el vector de ponderaciones del
j-simo factor son los coeficientes de la j-sima componente

principal de la poblacin.
Aunque la representacin de
por el anlisis de factor es
exacta, no es til, pues emplea tantos factores comunes

como variables y no permite variaciones en los factores
especficos .
Se prefieren modelos que expliquen la estructura de la

covarianza en trminos de unos pocos factores comunes.
______________________________________________________Elkin Castao V. 182
Cuando los ltimos p-m valores propios son pequeos, una

aproximacin
es
eliminar
m+1em+1em' +1 + m+ 2em+ 2em' + 2 + + p e p e'p
la
contribucin
de
en .
Eliminando esta contribucin,
1 e1
1 e1'
2 e2'
2 e2 m em
=LL

e'
m m
Esta representacin asume que los factores especficos son

de menor importancia y pueden eliminados en la
representacin de
Si se incluyen los factores especficos en el modelo, sus

varianzas pueden ser asignadas como los elementos de la
diagonal de la matriz -LL.
En este caso, la aproximacin es
LL+
Donde el i-simo elemento en la diagonal de es
______________________________________________________Elkin Castao V. 183
i = ii lij2 , para i=1, 2,.., p.

j =1
Solucin de la Componente Principal para el Modelo de
Factor. El anlisis de factor de la componente principal para

la matriz de covarianza muestral S est especificada en
trminos de los pares valor-vector propio ( i , ei ), i=1, 2,.., p,
donde 1 2 p .
Sea m<p el nmero de factores comunes. Entonces, la matriz
estimada de ponderaciones de los factores est dada por
L = 1 e1
2 e2 m em
Las varianzas especficas estimadas estn dadas por los

elementos de la diagonal de la matriz S- L L , es decir,
1 0 ... 0
0 ... 0
m
2
donde = s
=
lij2 , para i=1, 2,.., p
i
ii

j =1
0 0 ... p
Las conmunalidades son estimadas como
______________________________________________________Elkin Castao V. 184
hi2 = li12 + li 22 + ... + lim2
Observaciones.
1) En la aplicacin del modelo de factor al conjunto de datos
multivariados x1, x2, , xn, se acostumbra centrar las
observaciones con respecto al vector de medias muestral x .
Las observaciones centradas,
x j1 x1
x j 2 x2
xj- x =
, j=1, 2, , n

x jp x p
tienen la misma matriz de covarianzas S que las

observaciones originales.
2) Cuando
las
unidades
conmensurables,
de
generalmente
observaciones estandarizadas
las
se
variables
no
son
trabaja
con
las
______________________________________________________Elkin Castao V. 185
x j1 x1
s11
x x
2
j2
zj= s22 , j=1, 2, , n
x jp x p
s pp
cuya matriz de covarianza es la matriz de correlacin

muestral R. Esto evita que variables con grandes varianzas
afecten indebidamente las ponderaciones de los factores.
3) En la solucin de componente principal, las ponderaciones
estimadas para un factor no cambian a medida que se
incrementa el nmero de factores.
4) Seleccin del nmero de factores. El nmero de factores
puede ser determinado por consideraciones a priori, tales
como la teora o el trabajo de los investigadores.
Si no existen consideraciones a priori, la escogencia de m

puede estar basada en los valores propios estimados, en
forma similar a la de las componentes principales.
Considere la matriz residual
______________________________________________________Elkin Castao V. 186
'
S LL
resultante de la aproximacin de S por medio de la solucin

de la componente principal. Los elementos de la diagonal
son cero, y si los dems elementos tambin son pequeos, se
puede considerar subjetivamente que el modelo de m
factores es apropiado.
Se puede probar que que si SC es Suma de cuadrados los

'
), entonces
elementos ( S LL
'
) 2 + 2 + + 2
SC( S LL
m +1
m+2
p
Esto significa que un valor pequeo para la suma de

cuadrados de los valores propios eliminados implica un
valor pequeo para la suma de cuadrados de los errores de
aproximacin.
Idealmente, las contribuciones de los primeros pocos

factores a las varianzas muestrales deberan ser grandes. La
contribucin del primer factor comn a la varianza muestral
sii es li12 . La contribucin a la varianza total s11+ s22++
spp=traza(S) es
______________________________________________________Elkin Castao V. 187
l112 + l212 + ... + lp21 =
1e1
'
)(
1e1 = 1
En general,
j
Prop. de la

si se usa S
varianza total
s
+
s
+
+
s
pp
= 11 22
muestral debida
j

si se usa R
alfactor j

p
Este criterio se usa generalmente como una herramienta

heurstica para determinar el nmero apropiado de factores.
El nmero de factores es incrementado hasta que
unproporcin adecuada de la varianza total muestral es
apropiada.
Una convencin frecuentemente empleada por los paquetes

de cmputo, es hacer m igual al nmero de valores propios
de R mayores que 1, si se usa la matriz R en el anlisis, o
igual al nmero de valores propios positivos, si se usa la
matriz S. El uso indiscriminado de estas reglas generales
podran no ser apropiado. Por ejemplo, si se usa la regla
para S, entonces m=p, puesto que se espera que todos los
valores propios de S sean positivos para grandes tamaos
muestrales. La mejor regla es la de retener pocos en lugar de
______________________________________________________Elkin Castao V. 188
muchos factores, suponiendo que esos factores proporcionen

una interpretacin adecuada de los datos y proporcionen una
ajuste satisfactorio para S o R.
Ejemplo. Datos de preferencia para los consumidores

En un estudio sobre la preferencia de los consumidores, a una
muestra aleatoria de consumidores se les pidi que evaluaran
varios atributos de un nuevo producto. Los atributos sleccionados
fueron:
X1=Gusto
X2= Buena compra por el dinero pagado
X3=Sabor
X4=Adecuado como pasaboca
X5=Proporciona gran energa
Sus respuestas, dadas sobre una escala semntica de 7 puntos,
fueron tabuladas y se construy la matriz de correlacin de los
atributos, la cual produjo.
1.00
0.02
R= 0.96
0.42
0.01
0.02 0.96 0.42 0.01

1.00 0.13 0.71 0.85
0.13 1.00 0.50 0.11
0.71 0.50 1.00 0.79

0.85 0.11 0.79 1.00
______________________________________________________Elkin Castao V. 189
De la matriz anterior es claro que las variables 1 y 3 y las

variables 2 y 5 forman grupos. La variable 4 est ms
cerca al grupo (2,5) que al grupo (1,3).
Dados estos resultados y el pequeo nmero de variables, se

esperara que las relaciones aparentes anteriores entre las
variables, sean explicadas en trminos de, a lo ms, dos o a
tres factores.
Los dos primeros valores propios de R, 1 =2.85 y 2 =1.81,

son los nicos valores propios de R mayores que 1.
Para m=2 factores, se acumula una proporcin de

1 + 2
p
2.85 + 1.81
= 0.93
5
de la varianza total muestral estandarizada.
La siguiente tabla contiene las estimaciones de las

ponderaciones de los factores, las conmunalidades y
varianzas especficas.
______________________________________________________Elkin Castao V. 190
Ponderac. estimadas
Varianzas
Variable
F1
F2
Conmunalidades Especficas
X1
0.56
0.82
0.98
0.02
X2
0.78
-0.53
0.88
0.12
X3
0.65
0.75
0.98
0.02
X4
0.94
-0.11
0.89
0.11
X5
0.80
0.93
0.93
0.07
2.85
1.81
0.571
0.932
Valores
propios
Prop.
Acum
Chequeo. Observe que la matriz

0.56 0.82
0.78 0.53
LL'
+
= 0.65 0.75 0.56 0.78 0.65 0.94 0.80
0.82 0.53 0.75 0.10 .054

0.94
0.10
0.80 0.54
0.02
0
+ 0
0
0
0
0
0.12 0
0
0
0
0
0
0
0
0.02 0
0
0
0.11 0
0
0
0.07
______________________________________________________Elkin Castao V. 191
1.00
0.10
= 0.97
0.44
0.00
0.10 0.97 0.44 0.00

1.00 0.11 0.79 0.91
0.11 1.00 0.53 0.11
0.79 0.53 1.00 0.81

0.91 0.11 0.81 1.00
reproduce aproximadamente la matriz de correlacin R.
Por tanto, desde una base puramente descriptiva, el modelo

de dos factores anteriores ajusta bien los datos. Las
conmunalidades de 0.98, 0.88, 0.98, 0.89 y 0.93 indican que
los dos factores explican un gran porcentaje de la varianza
muestral de cada variable.
La interpretacin de los factores est sujeta a buscar una

rotacin que simplifique la estructura.
Ejemplo. Datos de los rendimientos de las acciones

Considere los n=100 datos de los rendimientos semanales de p=5
acciones, dados anteriormente.
En
ese
ejemplo
se
encontraron
las
dos
primeras
componentes principales de la matriz R. Tomando m=1 o

m=2, se puede obtener fcilmente soluciones al modelo de
factor ortogonal.
______________________________________________________Elkin Castao V. 192
Para m=1, m=2, las siguiente tablas presentan las

estimaciones de las ponderaciones, varianzas especficas y
proporcin de la varianza total muestral explicada por cada
solucin.
Solucin para m=1
Ponderac. Estimadas
Varianzas
Variable
F1
Especficas
X1
0.783
0.39
X2
0.773
0.40
X3
0.794
0.37
X4
0.713
0.49
X5
0.712
0.49
Prop.
Acum
0.571
Solucin para m=2
Ponderac. Estimadas
Varianzas
Variable
F1
F2
Especficas
X1
0.783
-0.217
0.34
X2
0.773
-0.458
0.19
X3
0.794
-0.234
0.31
X4
0.713
0.472
0.27
X4
0.712
0.524
0.22
0.571
0.733
Prop.
Acum
______________________________________________________Elkin Castao V. 193
Conmunalidades: por ejemplo, para m=2,

h12 = l112 + l122 = (0.783)2 + (0.217)2 = 0.66
Chequeo. La matriz residual correspondiente a la solucin

m=2 es
0.127
0
0.127 0

= 0.164 0.122
R LL'
0.069 0.055
0.017 0.012
0.164 0.069 0.017

0.122
0.055 0.012
0.019 0.017
0
0.019
0.232
0
0.017 0.232
La proporcin de la varianza total explicada por la solucin

m=2 es mucho mayor que la explicada por la solucin m=1.
produce nmeros que, son en
Sin embargo, para m=2, LL'
general, mayores que las correlaciones muestrales (observe

r45).
El primer factor representa las condiciones econmicas

generales del mercado y puede ser llamado como el factor
del mercado. Todas las acciones tienen ponderaciones altas
sobre este factor y son aproximadamente iguales.
______________________________________________________Elkin Castao V. 194
El segundo factor, contrasta las acciones qumicas (con

ponderaciones grandes y negativas) con las del petrleo (con
ponderaciones grandes y positivas). Como este factor parece
diferenciar las acciones de las diferentes industrias, el
segundo factor puede ser llamado el factor industria.
Una Aproximacin Modificada La Solucin del Factor
Principal. El procedimiento ser descrito en trminos de R,

pero tambin es apropiado para S.
Si el modelo de factor
= LL '+
est correctamente especificado, los m factores comunes deberan
explicar los elementos fuera de la diagonal de , as como
tambin las porciones de conmunalidad de los elementos de la
diagonal,
ii = 1 = hi2 + i
Si la contribucin del factor especfico i se remueve de la

diagonal, o equivalentemente
ii = hi2
la matriz resultante es
______________________________________________________Elkin Castao V. 195
= LL '
Suponga que se encuentran disponibles valores iniciales i* para
los factores especficos. Entonces, reemplazando el i-simo
elemento de la diagonal de R por
hi*2 = 1 i*
se obtiene una matriz de correlacin muestral reducida

h1*2
r
Rr= 12

r1 p
r12 r1 p
*2
h2 r2 p
r2 p h*2
Ahora, aparte de la variacin muestral, todos los elementos de Rr,

deberan ser explicados por los m factores comunes. En particular,
Rr es factorizada como
Rr L*r L*r '
donde L*r = [lij* ] son las ponderaciones estimadas.
El mtodo del factor principal del anlisis de factor usa las
estimaciones
______________________________________________________Elkin Castao V. 196
L*r = 1* e1*
1* e2* m* em*
i* = 1 lij*2
j =1
donde ( i* , ei* ), i=1, 2, , m, son los pares mayores de valoresvectores propios de Rr.
La re- estimacin de las conmunalidades estn dadas por
*2
*2
hi*2 = li*2
1 + li 2 + ... + lim
La solucin del factor principal puede ser obtenida iterativamente,

usando las estimaciones anteriores como valores iniciales para la
prxima etapa.
En la solucin del factor principal, los valores propios estimados
1* , 2* ,, *p ayudan a terminar el nmero de factores a ser
retenidos.
Aparece una nueva complicacin y es que ahora algunos de los
valores propios pueden ser negativos debido al uso inicial de las
conmunalidades estimadas. Idealmente, el nmero de factores
comunes debera ser tomado igual al rango de la matriz
poblacional reducida.
Desafortunadamente, este rango no
______________________________________________________Elkin Castao V. 197
siempre est bien determinado usando Rr, y se necesitan juicios

adicionales.
Aunque hay muchas elecciones para los valores iniciales de las
varianzas especficas, la ms popular es i* = 1/ r ii , donde r ii es el
i-simo elemento de la diagonal de R-1.
Con este valor, la
conmunalidad estimada es
hi*2 = 1 i* = 1
1
r ii
Este valor es igual al cuadrado del coeficiente de correlacin

mltiple entre Xi y las dems p-1 variables. Esto significa que
hi*2 puede ser calculada aunque R no sea de rango completo.
En la factorizacin de S, para los valores iniciales de las varianzas

especficas se usa sii, los elementos de la diagonal de S-1. Para
otros valores iniciales ver Harmon (1967).
Aunque el mtodo de la componente principal para R puede ser
considerado como un mtodo de factor principal con estimaciones
iniciales de conmunalidad de la unidad, o varianzas especficas
iguales a cero, los dos mtodos son diferentes filosficamente y
geomtricamente.
En la prctica, si el nmero de variables es
grande y el nmero de factores es pequeo, los dos mtodos

producen ponderaciones comparables para los factores.
______________________________________________________Elkin Castao V. 198
El Mtodo de la Mxima Verosimilitud. Si los factores

comunes F y los factores especficos siguen una distribucin
normal multivariada,
entonces
se
pueden
obtener los
estimadores de mxima verosimilitud para las ponderaciones

de los factores comunes y para las varianzas especficas.
Cuando F y son conjuntamente normales, las observaciones
X j = LF j + j tambin tienen una distribucin normal y la
funcin de verosimilitud es
L( , ) =
1
tr 1
(2 ) np / 2 | | n / 2 e 2
L( , ) = (2 )
( n 1) p
2
x (2 )
p
2
||
||
( n 1)
2
1
2
j =1
(x j -x)(x j -x) '+ n (x- )(x- )'
1
tr 1
e 2
j =1
(x j -x)(x j -x) '
n
(x- ) -1 (x- ) '
e 2
La cual depende de L y a travs de = LL '+ . Este

modelo tampoco est bien definido debido a las mltiples
elecciones
para
por
medio
de
transformaciones
ortogonales. Para que L est bien definida, se impone la

restriccin de unicidad
______________________________________________________Elkin Castao V. 199
L -1L=
donde es una matriz diagonal.
Los estimadores mximo verosmiles L y deben ser
obtenidos por medio de maximizacin numrica de la
funcin de verosimilitud.
Solucin de Mxima Verosimilitud al Modelo de Factor. Sea
X1, X2, , Xn, es una muestra aleatoria de una N p ( , ) , donde

= LL '+ es la matriz de covarianza para el modelo de m
factores comunes. Los estimadores mximo verosmiles

y = X maximizan la funcin de verosimilitud anterior
L,
-1L sea una matriz diagonal.
sujeta a que L'
Los estimadores mximo verosmiles de las conmunalidades

son
2
hi2 = li12 + li22 + ... + lim
, para i=1, 2, , p
______________________________________________________Elkin Castao V. 200
Prop. de la
varianza total l 2 + l 2 + + l 2
pj
= 1j 2 j
muestral debida s11 + s22 + + s pp
alfactor j
Solucin de Mxima Verosimilitud al Modelo de Factor con
variables estandarizadas.
Si las variables estn estandarizadas como Z=V 1/ 2 ( X ) ,
entonces a matriz de covarianza de Z se puede representar por
= V 1/ 2V 1/ 2 = (V 1/ 2 L)(V 1/ 2 L)'+ V 1/ 2V 1/ 2
Por tanto, tiene una representacin anloga al caso anterior,
donde la matriz de las ponderaciones es
LZ = V-1/2L
y la matriz de varianzas especficas es
= V 1/ 2 V 1/ 2
Por la propiedad de invarianza de los estimadores mximo

verosmiles, el estimador mximo verosmil de
es
______________________________________________________Elkin Castao V. 201
= (V 1/ 2 L )(V 1/ 2 L ) '+ V 1/ 2 V 1/ 2
= LZ LZ' + Z
donde V 1/ 2 , L son los estimadores mximo verosmiles de
V-1/2 y L, respectivamente.
Como consecuencia de la descomposicin LZ LZ' + Z , si el

anlisis de mxima verosimilitud pertenece a la matriz de
correlacin,
hi2 = li12 + li22 + + lim2 , i=1, 2, ,p
Son
los
estimadores
mximo
verosmiles
de
las
conmunalidades, donde los elementos lij son los elementos de

LZ .
La importancia de los factores se evalan de acuerdo a

Prop. de la
varianza total l 2 + l 2 + + l 2
pj
= 1j 2 j
muestral debida
p
alfactor j
______________________________________________________Elkin Castao V. 202
Ejemplo.
Anlisis de los rendimientos de las acciones usando el mtodo de
mxima verosimilitud, suponiendo m=2.
La siguiente tabla contiene las estimaciones de las ponderaciones,
conmunalidades, varianzas especficas y proporciones de la
varianza total muestral explicada porcada factor, y los resultados
vistos antes para estas mismas cantidades, usando el mtodo de la
componente principal.
La matriz residual es
______________________________________________________Elkin Castao V. 203
Los elementos de la matriz residual anterior son mucho

menores que los de la matriz residual del mtodo de la
componente principal. Sobre esta base, se prefiere la solucin
de mxima verosimilitud.
La proporcin de la varianza total muestral explicada por el

mtodo de la componente principal es mayor que la obtenida
por
la solucin de mxima verosimilitud. Esto no es
sorprendente puesto que las ponderaciones obtenidas por ese

mtodo estn relacionadas con las componentes principales, las
cuales tienen, por construccin, una propiedad de varianza
ptima.
Para la solucin de mxima verosimilitud, todas las variables

tienen grandes ponderaciones positivas sobre el primer factor
F1. Como en el caso del mtodo de la componente principal,
este factor es llamado el factor de mercado. Sin embargo, la
interpretacin del segundo factor no es clara como en el caso
de la solucin de la componente principal. Los signos de las
ponderaciones son consistentes con un contraste, o factor
industria, pero sus magnitudes son pequeas en algunos casos,
este factor podra ser identificado como una comparacin entre
Du Pont y Texaco.
______________________________________________________Elkin Castao V. 204
Los patrones de las ponderaciones iniciales para la solucin de

mxima verosimilitud estn restringidas por la condicin de
unicidad de que L -1L= , donde es una matriz diagonal.
Por tanto, los patrones tiles de los factores no son revelados
hasta que los factores sean rotados.
Prueba para el Nmero de Factores. Si la poblacin es
normal, se puede construir una prueba sobre la especificacin
correcta del modelo.
Suponga que el modelo de m factores es correcto. En este caso
= LL '+ y probar si el modelo de m factores es adecuado es
equivalente a probar
H 0: pxp =Lpxm L'mxp + pxp
contra H1 : es cualquier otra matriz definida positiva
Cuando no tiene una forma especial, es decir bajo H1, el

n 1
estimador de mxima verosimilitud de es =
S.
n
La funcin de verosimilitud maximizada es, aparte de la

constante)
| S n | n / 2 e np / 2
______________________________________________________Elkin Castao V. 205
Cuando Ho es cierto, es decir bajo Ho: = LL '+ ,
el
'+
y el
estimador restringido tiene la forma = LL
mximo de la funcin de verosimilitud es

1 1 n
(x j -x)(x j -x) '

tr

j =1
n / 2 2
||
e
1
'+
) 1 S
n tr ( LL
n
n / 2 2
= | LL '+ |
e
El estadstico del cociente de verosimilitud para la prueba

es
2ln = 2ln
max.Func.verosimilitud bajo H0
max.Func.verosimilitud bajo H1
| |
= n ln
| Sn |
Bajo H0,
el estadstico
2ln tiene una distribucin
aproximadamente r2 , donde los grados de libertad
r=
1
( p m) 2 p m
______________________________________________________Elkin Castao V. 206
Bartlett (1954) mostr que la aproximacin a la

distribucin chi-cuadrado del estadstico 2ln puede ser
mejorada reemplazando n por (n-1-(2p+4m+5)/6).
Usando estos resultados el estadstico del cociente de

verosimilitud para probar Ho es
NF = (n 1 (2 p + 4m + 5) / 6)ln
'+
|
| LL
| Sn |
Bajo Ho, y cuando n es grande, NF tiene una distribucin

aproximadamente [(2 p m )
Regla de decisin:
p m] / 2
Para n grande y para un nivel de
significancia aproximado de tamao , rechace Ho si el

valor observado de NF es tal que
NF> [(2 p m )
donde
p m] / 2
( )
[(2 p m )2 p m ] / 2 ( ) es el percentil -superior de la
distribucin [(2 p m )
p m] / 2
______________________________________________________Elkin Castao V. 207
Ejemplo.
La solucin de mxima verosimilitud de los datos sobre los
rendimientos de las acciones,
sugiere, al observar la matriz
residual, que una solucin de dos factores puede ser adecuada. Se

quiere probar la hiptesis H0: = LL '+ con m=2 y un nivel de
significancia =0.05.
El estadstico de la prueba est basado en
'+
| | L L ' +
|
| | | LL
Z
=
= Z Z
| Sn |
| Sn |
|R|
Empleando los resultados obtenidos antes,
Usando la aproximacin de Bartlett,
NF = ( n 1 (2 p + 4m + 5) / 6) ln
'+
|
| LL
| Sn |
______________________________________________________Elkin Castao V. 208
=[100-1-(10+8+5)/6]ln(1.0065)=0.62
Puesto que los grados de libertad de la chi-cuadrado son
r=
1
2
( p m) 2 p m = (1/2)[(5-2) -5-2] = 1
el percentil 0.05-superior de una chi-cuadrado con 1 grado de

libertad es 12 (0.05) =3.84.
Como NF=0.62 < 3.84= 12 (0.05) , no podemos rechazar H0, y se
concluye que los datos no contradicen modelo de dos factores.
4. ROTACIN DE FACTORES
Como se mencion antes, todas la ponderaciones obtenidas a

partir de la solucin inicial de las ponderaciones por medio de
una transformacin ortogonal tienen la misma habilidad para
reproducir la matriz de covarianza (o de correlacin).
Del algebra, se sabe que toda transformacin ortogonal
corresponde a una rotacin rgida de los ejes de coordenadas.
Por esta razn, toda transformacin ortogonal de las
ponderaciones de los factores, que igualmente implica una
______________________________________________________Elkin Castao V. 209
rotacin ortogonal de los factores, es llamada una rotacin de

los factores.
Si L es la estimacin de matriz de ponderaciones de los
factores obtenida por cualquier mtodo, entonces
donde TT'=T'T=I
L* =LT,
es una matriz de p x m de las ponderaciones rotadas.

Adems, la matriz estimada de covarianza (correlacin)
permanece inalterada, puesto que,
'+
= LTT
' L '+
= L* L* '+
LL
Esto implica que la matriz residual,

=S -L*L*'-
no
Sn -LL'n
cambia.
Adems, las varianzas especficas i y hi2 las conmunalidades,
tambin permanecen iguales.
Puesto que la ponderaciones iniciales pueden no ser fcilmente
interpretables, es una prctica usual rotarlas hasta que se logre
una estructura ms simple.
______________________________________________________Elkin Castao V. 210
Idealmente, se pretende obtener un patrn de ponderaciones

tales que cada una de las variables tenga una alta ponderacin
en un solo factor y tenga ponderaciones pequenas o moderadas
sobre los dems factores. Sin embargo, esto no siempre es
posible obtener.
Ejemplo.
Lawley y Maxwell (1971) presentan la matriz de correlacin de
las notas en p=6 materias para n=220 estudiantes hombres.
La siguiente tabla presenta la solucin mximo verosmil para

m=2 de factores.
______________________________________________________Elkin Castao V. 211
Todas las variables tienen ponderaciones positivas en el

primer factor. Lawley y Maxwell que este factor refleja la
respuesta global de los estudiantes a la instruccin, y podra
ser llamado el factor de inteligencia general.
Para el segundo factor, la mitad de las ponderaciones son

positivas y la otra mitad negativas. Un factor con este patrn
de ponderaciones es llamado un factor bipolar (la
asignacin de polo positivo y negativo es arbitraria puesto
que los signos de las ponderaciones sobre el factor pueden
ser reversados sin que se afecte el anlisis.
La identificacin de este factor no es fcil, pero es tal que
los individuos que obtienen promedio altos en pruebas
verbales tambin obtiene promedio altos en los scores de
______________________________________________________Elkin Castao V. 212
este factor.
Individuos con promedios altos en pruebas
matemticas obtiene promedios bajos sobre este factor.

Este
factor podr
ser clasificado como un
factor
matemtica-no matemtica.
El siguiente grfico presenta los pares de ponderaciones

( li1, li 2 ) sobre los dos factores.
Los puntos tienen los nmeros de las respectivas variables.

El grfico tambin presenta una rotacin en el sentido de las
agujas del reloj de los ejes de coordenadas usando un ngulo
20o.
______________________________________________________Elkin Castao V. 213
El ngulo fue escogido de forma tal que pasara por el punto

( l41, l42 ). Cuando se hace esta rotacin, observe todos los
puntos caen en el primer cuadrante (todas las ponderaciones
de los factores son positivas), y se revelan ms claramente
dos diferentes grupos de variables.
Las variables matemticas tienen altas ponderaciones

sobre F1* , pero sus ponderaciones sobre F2* son
despreciables. Este factor podra ser llamado factor de
habilidad matemtica.
Las variables verbales tienen altas ponderaciones en

F2*
y ponderaciones moderadas en el factor F1* . El
segundo factor podra ser llamado factor de habilidad

verbal.
El
factor
de
inteligencia
general
identificado
inicialmente, queda sumergido en los factores F1* y F2* .
La
siguiente
tabla
presenta
las
estimaciones
de
ponderaciones y las conmunalidades para los factores

rotados con 20o.
______________________________________________________Elkin Castao V. 214
Las magnitudes de las ponderaciones rotadas refuerza las

interpretaciones sugeridas anteriormente.
Las estimaciones de las conmunalidades no cambian con la
rotacin,
puesto
que
' = LT
T ' L ' = L* L* ' .
LL
Las
conmunalidades son los elementos en la diagonal de estas

matrices.
Johnson y Wichern (1998) sugieren una rotacin oblicua de

las coordenadas.
Un nuevo eje pasara a travs del grupo (1, 2, 3) y el

otro eje a travs del grupo (4, 5, 6).
______________________________________________________Elkin Castao V. 215
Para este ejemplo, la interpretacin de los factores

oblicuos sera muy parecida a la dada para los factores
ortogonales.
Kaiser (1958) sugiere una medida analtica de estructura
simple conocida como el criterio varimax. Sean lij* = lij* / hi los
coeficientes rotados y escalados usando las races cuadradas de
las conmunalidades. Entonces, el procedimiento de rotacin
varimax selecciona una transformacin T maximiza a
2
1 m p *4 p *2
V = lij lij / p
p j =1 i =1
i =1
Despus de que se determina la transformacin T, las

ponderaciones lij* son multiplicadas por hi , lo que preserva las
conmunalidades originales.
Aunque
parece
bastante
complicado,
tiene
una
interpretacin simple. En palabras V se puede describir como

m var ianza delos cuadrados delas
V es proporcional
i =1 ponderaciones escaladas del factor
______________________________________________________Elkin Castao V. 216
Maximizar a V equivale a dispersar los cuadrados de las

ponderaciones sobre cada factor tanto como sea posible. Por
tanto, se espera encontrar grupos con ponderaciones grandes y
otros con ponderaciones insignificantes, en cualquier columna
de la matriz de ponderaciones rotadas L* .
Ejemplo.
Considere los datos de mercadeo sobre las preferencias del
consumidor. La siguiente tabla presenta las estimaciones de las
ponderaciones, conmunalidades
y proporcin
explicada,
usando el mtodo de la componente principal. Tambin se

presentan las ponderaciones rotadas usando el procedimiento
varimax.
Es claro que las variables
2, 4 y 5 definen un factor
(ponderaciones altas sobre el factor 1 y pequeas o
______________________________________________________Elkin Castao V. 217
despreciables en el factor 2). Este factor podra llamarse el

factor nutricional.
Las variables 1 y 3 definen el factor 2 (ponderaciones altas

sobre el factor 2 y pequeas o despreciables en el factor 1).
Este factor podra llamarse el factor del gusto.
El siguiente grfico presenta las ponderaciones de los

factores con respecto a los ejes de coordenadas originales y
a los ejes rotados.
La rotacin de las ponderaciones es recomendada para el

caso de estimacin de mxima verosimilitud, puesto que las
ponderaciones originales estn sujetas a la restriccin de
______________________________________________________Elkin Castao V. 218
unicidad de que L ' 1L sea una matriz diagonal. Esta

condicin es conveniente computacionalmente, pero puede
producir ponderaciones que no sean fciles de interpretar.
Ejemplo.
Considere los datos sobre los rendimientos de las acciones de 5
compaas. Suponga un modelo con m=2 factores. La siguiente
tabla presenta las estimaciones de ponderaciones iniciales y
rotadas, as como las estimaciones de las varianzas especficas
y las proporciones de varianza total muestral explicada por los
factores.
______________________________________________________Elkin Castao V. 219
Anteriormente, usando las ponderaciones no rotadas se

identificaron los dos factores como el factor de mercado y
el factor de industria.
Las ponderaciones rotadas indican que las acciones

qumicas tienen ponderaciones altas sobre el primer factor,
mientras que las acciones petroleras tienen ponderaciones
altas sobre el segundo factor.
Los dos factores rotados, diferencian las industrias. El factor

1 representa aquellas fuerzas nicas de la economa que
causan que las acciones qumicas se muevan juntas. El
factor 2 parece representar las condiciones econmicas que
afectan las acciones petroleras.
Rotaciones
Oblicuas.
Las
rotaciones
ortogonales
son
apropiadas para un modelo de factor en el cual se asume

independencia
entre
los
factores
comunes.
Muchos
investigadores en ciencias sociales consideran tanto rotaciones

oblicuas (no ortogonales) como ortogonales. Las primeras son
sugeridas despus de que se observan las ponderaciones y no
siguen un modelo postulado. Sin embargo, frecuentemente una
rotacin oblicua es una ayuda til en el anlisis de factor.
______________________________________________________Elkin Castao V. 220
Si consideramos los m factores como los ejes de coordenadas,

el punto con las m coordenadas li1, li 2 ,, lim
representa la
posicin de la i-sima variable en el espacio de los factores.

Suponiendo que las variables estn agrupadas en clusters que
no se traslapan, una rotacin ortogonal hacia una estructura
simple, corresponde a una rotacin rgida de los ejes de
coordenadas, tales que dichos ejes, despus de la rotacin,
pasan tan cerca como sea posible a los clusters.
Una rotacin oblicua hacia una estructura simple corresponde a
una rotacin no rgida del sistema de coordenadas tal que los
ejes rotados (ya no perpendiculares) pasan (cercanamente) a
travs de los clusters. Una rotacin oblicua busca expresar cada
variable en trminos de un nmero mnimo de factores,
preferiblemente un solo factor. Ver Lawley y Maxwell (1971),
Harmon (1967).
5. SCORES DE LOS FACTORES
En el anlisis de factor, el inters generalmente se centra en los

parmetros del modelo. Sin embargo, los valores estimados de
los factores comunes, llamados scores de los factores, tambin
pueden ser de utilidad.
Estas cantidades son usadas
______________________________________________________Elkin Castao V. 221
frecuentemente para propsitos de diagnstico del modelo y

como insumos para anlisis posteriores.
Los scores de los factores no son estimaciones de parmetros
desconocidos en el sentido usual.
En realidad, son
estimaciones de los valores para los vectores aleatorios no

observables de los factores Fj, j=1, 2, , m. Es decir,
f j = estimaciones de los valores fj tomados por Fj
A continuacin se presentarn dos aproximaciones, que tienen

dos elementos en comn:
1) Tratan las ponderaciones estimadas lj y las varianzas
especficas estimadas i , como si fueran las verdaderas.
2) Usan transformaciones lineales de los datos originales, ya
sea centrados o estandarizados. Generalmente, se usan las
ponderaciones
estimadas
rotadas
en
lugar
de
las
ponderaciones estimadas originales. Las frmulas dadas a

continuacin no cambian cuando las ponderaciones no
rotadas son sustituidas por las no rotadas.
______________________________________________________Elkin Castao V. 222
Mtodo de los Mnimos Cuadrados Ponderados. Suponga

que el vector , las ponderaciones de los factores L y las
varianzas especficas son conocidas en el modelo de factor
X px1 px1 = L pxm Fmx1 + px1
El modelo anterior puede ser considerado como un modelo de

regresin donde los factores especficos son considerados
como los errores. Como la Var( i )= i , i=1, 2, , p, Bartlett
(1937), sugiri usar mnimos cuadrados ponderados para
estimar los valores de los factores comunes.
La solucin es
f = (L' -1L)-1L' -1 (X- )
Usando las estimaciones L , y = x , como los verdaderos

valores, los scores para el j-simo factor son

-1L)
-1L'

-1 (x -x)
f j = (L'
j
Cuando L ,
son determinados por mxima verosimilitud,

-1L=

satisfacen la condicin de unicidad L'
______________________________________________________Elkin Castao V. 223
Scores de los factores obtenidos por Mnimos Cuadrados
Ponderados usando estimaciones de Mxima Verosimilitud.

De lo anterior:

-1L)
-1L'

-1 (x -x)
f j = (L'
j

-1 (x -x) , j=1, 2, , m
f j = -1L'
j
Si se usa la matriz de correlacin

-1L )-1L '
-1
f j = (L 'z
z z
z z zj
' -1
f j = -1
z L z z z j , , j=1, 2, , m
donde z j = D-1/2 (x j -x) y = L z L 'z + z

Los scores de los factores as generados, tienen media muestral
cero y covarianzas muestrales cero.
Observacin.
Si las ponderaciones de los factores son calculadas por medio del
mtodo de componente principal, se acostumbra generar los
______________________________________________________Elkin Castao V. 224
scores de los factores usando el procedimiento de mnimos

cuadrados ordinarios (no ponderados). Implcitamente se supone
que los i son iguales o aproximadamente iguales. Los scores de
los factores son
-1L'(x
f j = (L'L)
j -x)
o,
f j = (L 'z L z ) -1L 'z z j
Los scores de los factores as generados, tienen media muestral

cero y matriz de covarianza I.
Comparando con el anlisis de Componentes Principales, los
scores no son ms que las m componentes principales evaluadas
en xj.
El mtodo de la regresin. Considerando el modelo de factor
original X- =LF+ ,
inicialmente tratamos a la matriz de
ponderaciones L y a la matriz de varianza especfica como

se fueran conocidas.
Cuando los factores comunes F y los factores especficos (o
errores) tienen una distribucin conjunta normal multivariada
con vectores de media y matrices de covarianza dadas por
______________________________________________________Elkin Castao V. 225
E(F)=0, Cov(F)=E(FF)=I
1 0 ... 0
0 ... 0
2
E( )=0, Cov( )=E( )= =

0 0 ... p
Las combinaciones lineales X- =LF+ tienen una distribucin

Np(0, LL+ ).
Adems la distribucin conjunta de X- y F es Np+m(0, * ),
donde
=LL'+
*=
L'
L
I
y 0 es un vector de (m+p) x 1 ceros.

Usando estos resultados, la distribucin condicional de F|x es
normal multivariada con
E(F|x)=L 1 ( x- )=L(LL+ )( x- )
y matriz de covarianza
Cov((F|x)= I- L 1 L= I- L(LL+ )-1L
______________________________________________________Elkin Castao V. 226
L(LL+ )-1
Las cantidades
son los coeficientes de una
regresin multivariada de los factores sobre las variables. La

estimacin de estos coeficientes producen scores para los factores
que son anlogos a las estimaciones de las medias condicionales
en el anlisis de regresin multivariada.
Por tanto, dado cualquier vector de observaciones xj, tomando las
estimaciones mximo verosmiles L y como los verdaderos
valores de L y , el j-simo valor del vector de factores est dado
por
1 ( xj- x ) = L'
( L L'
+
)( xj- x ), j=1, 2, , n
f j = L'
Observaciones.
1) El clculo de f j se puede simplificar usando la siguiente
identidad matricial
( L L'
+
) = (I+ L'

-1 L )-1 L'

-1
L'
Esta identidad nos permite comparar los scores anteriores con los
generados por mnimos cuadrados ponderados.
Sea f jR los scores generados por el mtodo de la regresin y f jLS
los generados por mnimos cuadrados ponderados. Entonces,
usando la identidad anterior,
______________________________________________________Elkin Castao V. 227

-1 L )-1 (I+ L'

-1 L )-1 f R = (I+( L'

-1 L )-1) f R
f jLS =( L'
j
j

-1 L )-1= 1 . Por
Para los estimadores mximo verosmiles, ( L'
tanto, si los elementos de esta matriz diagonal son cercanos a

cero, el mtodo de la regresin y el de mnimos cuadrados
generalizados sern iguales.
2) En un intento por tratar de reducir los efectos de una (posible)
determinacin incorrecta del nmero de factores, algunos calculan
+
por S (la
los scores de los factores reemplazando = LL'
matriz de covarianza muestral original).

3)
Si se usan los factores rotados L* =LT

en lugar de las
ponderaciones originales, los scores de los factores
f j* estn
relacionados con f j por medio de

f j* = T f j
4) Una medida de conciliacin entre los dos diferentes

procedimientos para calcular los scores est dada por el
coeficiente de correlacin muestral entre los scores de un mismo
______________________________________________________Elkin Castao V. 228
factor. De los mtodos presentados, ninguno es uniformemente

superior.
Ejemplo.
Considere los datos sobre los rendimientos de las acciones de 5
compaas. Anteriormente, el mtodo de la componente principal
produjo las siguientes ponderaciones estimadas.
0.784 0.216
0.773 0.458
L = 0.795 0.234
0.712 0.473
0.712 0.524
0.746
0.889
= 0.766
L * = LT
0.258
0.226
0.323
0.128
0.316
0.815
0.854
Para cada factor, tomando las mayores ponderaciones en L

y eliminando las ponderaciones ms pequeas, se crean las
siguientes combinaciones lineales
f1 = x1 + x2 + x3 + x4 + x5
f2 = x4 + x5 x2
Como un resumen de los factores. En la prctica estas

variables se estandarizan.
Si en lugar de usar L , se usan las ponderaciones rotadas con

el criterio varimax, los scores de los factores seran
______________________________________________________Elkin Castao V. 229
f1 = x1 + x2 + x3
f2 = x4 + x5
La identificacin de ponderaciones grandes y pequeas es

en
realidad
bastante
subjetiva.
Se
prefieren
las
combinaciones lineales que tengan sentido en el rea de

investigacin
Observaciones.
1) Aunque con frecuenta se supone normalidad multivariada
para las variables en un anlisis de factor, en realidad es
muy difcil justificar este supuesto cuando el nmero de
variables
es
muy
grande.
Algunas
veces,
las
transformaciones sobre las variables vistas anteriormente

pueden ayudar a aproximar a la normalidad.
2) Se deben examinar los grficos de los scores de los factores
antes de usarlos en otros anlisis. Los scores de los factores
pueden producir toda clase de formas no elpticas, que
pueden revelar valores atpicos y la desviacin de la no
normalidad.
______________________________________________________Elkin Castao V. 230
6. PERSPECTIVAS Y ESTRATEGIAS PARA EL ANLISIS DE

FACTOR
Hay muchas decisiones que hay que tomar en cualquier estudio de

anlisis de factor.
Probablemente la ms importante tiene que ver con el

nmero de factores, m.
Aunque una prueba para muestras grandes de la adecuacin
del modelo est disponible para un valor m dado, esta es
adecuada solamente cuando los datos tienen distribucin
Adems la prueba casi seguramente rechazar el modelo
para m pequeo si el nmero de observaciones es grande.
Sin embargo, esta es la situacin en la que el anlisis de
factor proporciona una aproximacin til.
Frecuentemente, la eleccin final de m est basada en la
combinacin de:
La proporcin de la varianza total muestral explicada.

Conocimiento de la disciplina.
______________________________________________________Elkin Castao V. 231
La racionalidad de los resultados.

La eleccin del mtodo de solucin y el tipo de rotacin es
una decisin menos crucial. En efecto, los anlisis de factor
ms satisfactorios son aquellos en los cuales se realizan
rotaciones con ms de un mtodo y todos los resultados
confirman sustancialmente la misma estructura de factores.
Aunque hasta el presente no existe una estrategia sencilla para
la solucin del anlisis de factor, Jonson y Wichern (1998)
sugieren la siguiente:
Realice un anlisis de factor usando el mtodo de la

componente principal. Este
mtodo es
particularmente
adecuado para un primer anlisis de los datos y no requiere que

R o S sean no singulares.
Busque observaciones sospechosas inspeccionando los

grficos de los scores de los factores. Calcule tambin los
scores estandarizados para cada observacin, y calcule las
distancias
cuadrticas
generalizadas
para
normalidad y detectar observaciones sospechosas.
Use la rotacin varimax.
evaluar
______________________________________________________Elkin Castao V. 232
Realice un anlisis de factor usando el mtodo de la mxima

verosimilitud, incluyendo la rotacin varimax.
Compare las soluciones obtenidas por los dos anlisis.
Las ponderaciones se agrupan de la misma manera?

Grafique los scores obtenidos por medio del mtodo de la
componente principal con los scores obtenidos por medio
del mtodo de mxima verosimilitud.
Repita los tres pasos anteriores para otros nmeros de

factores comunes m.
Los factores extra contribuyen al entendimiento e

interpretacin de los datos?
Para grandes conjuntos de datos, divdalos a la mitad y

realice un anlisis de factor sobre cada parte. Compare los
resultados de los dos anlisis y con el resultado obtenido
con los datos completos para verificar la estabilidad de la
solucin (los datos podran ser divididos aleatoriamente, o
colocando la primera mitad en un grupo, y la segunda mitad
en el otro).
______________________________________________________Elkin Castao V. 233
Ejemplo.
Considere las siguientes variables que indican las dimensiones de
algunos de los huesos de los pollos. Los n=276 datos fueron las
mediciones realizadas sobre:
Cabeza: X1 = longitud del crneo

X2 = amplitud del crneo
Pierna: X3 = longitud del fmur
X4 = longitud de la tibia
Ala:
X5 = longitud del hmero

X6 = longitud del cbito
La matriz de correlacin es
Se emplearon m=3 factores y se usaron los mtodos de la

componente principal y el mtodo de mxima verosimilitud en el
anlisis. En la siguiente tabla se presentan los resultados.
______________________________________________________Elkin Castao V. 234
Despus de realizar la rotacin, los dos mtodos parecen dar

resultados algo diferentes.
En el mtodo de la componente principal, la

proporcin de varianza de la varianza total muestral
explicada
indica
que
el
tercer
factor
parece
significante. El primer factor parece ser el tamao del

cuerpo, dominando por las dimensiones de las alas y
______________________________________________________Elkin Castao V. 235
las piernas. El segundo y tercer factor, conjuntamente,

representan la dimensin del crneo, y podran ser
denominados, como las variables, longitud del crneo
y amplitud del crneo.
Las ponderaciones rotadas producidas por el mtodo

de mxima verosimilitud para el primer factor, son
consistentes con las generadas por el mtodo de la
componente principal, pero no para los factores 2 y 3.
Para el mtodo de mxima verosimilitud, el segundo
factor parece representar el tamao de la cabeza. L
significado del tercer factor no est claro, parece que
no se necesita.
Otro soporte para retener tres o menos factores est dado por
la matriz residual obtenida por los estimaciones mximo
verosmiles:
______________________________________________________Elkin Castao V. 236
Todos los elementos en la matriz son muy pequeos. Para

el ejemplo, continuamos con este modelo con m=3.
El siguiente grfico presenta los scores para los factores 1 y

2 producidas por el mtodo de la regresin
con las
estimaciones mximo verosmiles: ste grafico nos permite

detectar las observaciones que, por diferentes razones, no
son consistentes con las dems. Las observaciones atpicas
potenciales aparecen encerradas en crculos.
Tambin es importante graficar los pares de los scores

factores usando los mtodos de la componente principal y
de mxima verosimilitud.
______________________________________________________Elkin Castao V. 237
Si las ponderaciones sobre un factor concuerdan, los

scores deberan agruparse estrechamente alrededor de
una recta de 45o que pasa por el origen.
Si no concuerdan, los scores de los factores producirn

patrones que se desvan de este patrn. En este caso,
generalmente ocurre que el nmero de factores es muy
grande, es decir, los ltimos factores no son significantes.
Los siguientes grficos de dispersin presentan los pares de

scores para los tres factores usando
los mtodos de la
componente principal y de mxima verosimilitud.
______________________________________________________Elkin Castao V. 238
Observe que el grfico (c) se desva del patrn lineal,

sugiriendo que el ltimo factor no parece ser significante.
______________________________________________________Elkin Castao V. 239
Los grficos de los pares de scores usando los dos mtodos

tambin es til para detectar observaciones atpicas.
Si los conjuntos de ponderaciones para un factor tienden

a concordar, las observaciones atpicas aparecern como
puntos en las vecindades de la recta de 45o, pero lejos del
origen y del grupo de las otras observaciones. El grfico
(b) anterior muestra que una de las 276 observaciones no
es consistente con las otras. Es un score inusualmente
grande para F2. Cuando esta observacin es removida, el
anlisis con los datos restantes muestra que las
ponderaciones no se alteran apreciablemente.
Cuando el conjunto de datos es grande, se puede dividir

en dos grupos con el mismo nmero (aproximado) de
observaciones y realizar el anlisis en cada uno de ellos.
Para el ejemplo, los datos fueron divididos en dos
conjuntos con n1=137 y n2=139 observaciones.
matrices de correlacin resultantes son,
Las
______________________________________________________Elkin Castao V. 240
La siguiente tabla presenta la solucin de la componente

principal para cada subconjunto y m=3.
Los resultados para los dos grupos son muy similares.
Los factores F2* y F3* se intercambian con respecto a

sus nombres, longitud del crneo y amplitud del crneo,
pero colectivamente parecen representar el tamao de la
cabeza.
______________________________________________________Elkin Castao V. 241
El primer factor F1* , de nuevo parece ser el tamao del

cuerpo, dominado por las dimensiones de las piernas y de
las alas. Estas son las mismas interpretaciones obtenidas
antes por el mtodo de la componente principal para los
datos completos.
La solucin es notablemente estable, y podemos tener

bastante confianza de que
las ponderaciones grandes
sean reales.
Para estos datos, seguramente es mejor un modelo de un

factor o de dos factores.
El anlisis de factor tiene un gran atractivo para las ciencias del
comportamiento y sociales. En estas reas, es natural considerar
las observaciones multivariadas sobre los procesos animales y
humanos como manifestaciones de atributos subyacentes no
observables. El anlisis de factor proporciona una manera de
explicar la variabilidad observada en el comportamiento, en
trminos de estos atributos.
______________________________________________________Elkin Castao V. 242

stock<-read.table("c:/unal/datos/j-wdata/t8_3.txt", header = TRUE)
list(stock)
attach(stock )
# obtencin de matriz de correlacin
cormat=cor(stock)
cormat
# obtencin del anlisis de factores por el mtodo de la componente principal
# usando la matriz de correlacin
pcfactor<-function (xmat, factors=NULL, cor=TRUE) {
prc <- princomp ( covmat = xmat ,cor = cor )
eig <- prc$sdev^2
if (is.null(factors)) factors <- sum ( eig >= 1 )
loadings <- prc$loadings [ , 1:factors ]
coefficients <- loadings [ , 1:factors ] %*% diag ( prc$sdev[1:factors] )
rotated <- varimax ( coefficients ) $ loadings
fct.ss <- apply( rotated, 2 , function (x) sum (x^2) )
pct.ss <- fct.ss / sum (eig)
cum.ss <- cumsum ( pct.ss )
ss <- t ( cbind ( fct.ss , pct.ss, cum.ss ) )
return ( coefficients , rotated , ss )
}
factor_out <- pcfactor(cormat, 2, TRUE); factor_out
# obtencin del anlisis de factores por el mtodo de mxima verosimilitud
# usando la matriz de correlacin
mvfactor<-factanal(cormat, factors=2, rotation="none",
scores = c("regression"))
print(mvfactor, digits=2, cutoff=.3, sort=TRUE)
mvfactor<-factanal(stock, factors=2, rotation="varimax",
scores = c("regression"),)
print(mvfactor, digits=2, cutoff=.3, sort=TRUE)
load <- mvfactor$loadings
______________________________________________________Elkin Castao V. 243
plot(load,type="n") # plot factor 1 by 2

text(load,labels=names(stock),cex=.7) # add variable names

4 Castaño - Análisis de Datos Multivariados PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

4 Castaño - Análisis de Datos Multivariados PDF

Uploaded by

Copyright:

Available Formats

______________________________________________________Elkin Castao V.

XII SEMINARIO DE ESTADSTICA APLICADA

INTRODUCCIN AL ANLISIS DE DATOS

La investigacin cientfica es un proceso iterativo aprendizaje

Mtodos de reduccin de datos

2. LOS DATOS Y SU ORGANIZACIN

Tipos de datos: Los datos recolectados pueden ser generados

x12 x1k x1p

ciertas caractersticas de los datos: localizacin, dispersin,

La varianza muestral: Es una medida de dispersin. Para

Observacin: Algunos autores definen la varianza

Covarianza muestral: es una medida de asociacin lineal

Correlacin muestral: Es otra medida de asociacin lineal.

A diferencia de la covarianza muestral, que no indica cul es

-1<rik<0 indica que hay una asociacin lineal negativa

Entonces rik es la covarianza muestral entre zji y zjk.

Entonces la correlacin muestral entre xji y xjk es la misma

5) sik y rik son muy sensibles a la existencia de

sospechosas, es recomendable calcularlas con y sin dichas

Cuando los datos proceden de una distribucin simtrica,

Cuando los datos proceden de una distribucin como la

Para las medias muestrales: El vector de media muestral se

Para las varianzas y covarianzas muestrales: La matriz de

muestral, o matriz de covarianza

muestral, se define como

s12 ... s1p

s22 ... s2p

s2p ... spp

S es una matriz simtrica.

correlaciones muestral se define como

r12 ... r1p

R es una matriz simtrica.

Observacin: Los coeficientes de asimetra y curtosis muestrales

0.96 7.6 164 62.2 -0.1 6468 0.9 1.400

MATRIZ DE COVARIANZA MUESTRAL

MATRIZ DE CORRELACIN MUESTRAL

COEFICIENTE DE ASIMETRA MUESTRAL DE x1

COEFICIENTE DE CURTOSIS MUESTRAL DE x1

Grficos para variables individuales:

Grficos de cajas: recomendados para muestras moderadas

Para los datos de la variable X1 del ejemplo,

Los datos que caen ms a la izquierda de Q1-1.5*IQR y ms

Proportion per Bar

Grficos para cada par de variables:

b) Con marginales como diagramas de puntos

c) Con marginales como grficos de cajas

El efecto de observaciones inusuales sobre la correlacin

El coeficiente de correlacin muestral es r12=0.643

Los resultados muestran que al eliminar la observacin

Grficos para tres variables: Diagramas de dispersin

El siguiente ejemplo presenta el diagrama de dispersin

Matrices de dispersin o mltiples diagramas de

a) con diagramas de puntos en la diagonal

a) con grficos de cajas en la diagonal

c) con histogramas en la diagonal

d) con histogramas suavizados (curvas Kernel) en la diagonal

Representaciones pictricas de datos multivariados:

Se obtienen de la siguiente manera. En dos

dimensiones se construyen crculos de radio fijo con p rayos

representan los valores de las

+ x j 2 sen(t ) + x j 3cos (t ) + x j 4 sen(2t ) + x j 5cos (2t ) +

donde < t < .

Identificacin de casos similares (grupos)