Manual abreviado de Análisis

Multivariante

Jesús Montanero Fernández

Introducción
El presente volumen pretende constituir una introducción a las técnicas clásicas del Análisis
Estadı́stico Multivariante, con breves incursiones en métodos más novedosos. Consta de un
capı́tulo inicial enfocado mayormente a la comprensión de los modelos lineales univariante y
multivariante, que se tratan en los dos capı́tulo siguientes. El estudio del modelo lineal es
interesante de por sı́ para cualquier estadı́stico, pero en nuestro contexto debe entenderse
mayormente como una herramienta teórica que nos permite comprender mejor el problema de
clasificación, que se afronta en el capı́tulo 4. Se trata del tema más interesante desde el punto
de vista práctico, junto con el capı́tulo 5, que aborda un problema genuinamente multivariante
como es el de simplificar observaciones multidimensionales con el fin último de entender datos
complejos. El último capı́tulo está dedicado el análisis de conglomerados, técnica que puede
estudiarse también desde el punto de vista de la Minerı́a de Datos.
La intención a la hora de de elaborar este manual ha sido exponer los contenidos de ma-
nera breve, pero indicando al lector referencias bibliográficas oportunas para profundizar en
el estudio del Análisis Multivariante. En particular, no se incluyen las demostraciones de los
resultados teóricos. Algunas son asequibles y se proponen como ejercicio; otras pueden encon-
trarse en la bibliografı́a recomendada, por ejemplo en los manuales 56 y 59 de la UEx, que
pueden considerarse versiones extendidas del presente volumen. Tampoco pretende ser exhaus-
tivo. De hecho, ciertas técnicas que podemos catalogar de multivariantes, como el análisis de
componentes principales no lineal o el escalamiento multidimensional, no se mencionan. El
lector interesado puede encontrar información sobre las mismas en Gifi (1990) y Uriel y Aldás
(2005). Debe mencionarse también que, de todas las referencias indicadas en la bibliografı́a,
la que ha tenido una influencia más patente en la redacción de este volumen ha sido Arnold
(1981).
Po último, hacemos constar que los diferentes gráficos y tablas de resultados que aparecen a
lo largo del volumen han sido obtenidos mediante la versión 19 del programa estadı́stico SPSS,
que nos permite aplicar la mayor parte de las técnicas aquı́ recogidas.

Enero de 2015
Índice general

1. Preliminares 7
1.1. Notación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Principales parámetros probabilı́sticos . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3. Regresión lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4. Nociones básicas de Álgebra Lineal . . . . . . . . . . . . . . . . . . . . . . . . . 13

2. Modelo lineal multivariante 17

2.1. Normal multivariante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2. Modelo lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1. Distribuciones asociadas al modelo . . . . . . . . . . . . . . . . . . . . . 20
2.2.2. El modelo y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.3. Estimación y contraste de hipótesis . . . . . . . . . . . . . . . . . . . . . 23
2.3. Modelo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1. Distribuciones asociadas al modelo . . . . . . . . . . . . . . . . . . . . . 27
2.3.2. El modelo y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.3. Estimación y contraste de hipótesis . . . . . . . . . . . . . . . . . . . . . 30

3. Aplicaciones del modelo 33

3.1. Inferencia para una media . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2. Inferencia para dos medias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3. Manova de una vı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.1. Ejes discriminantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4. Regresión multivariante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4.1. Contraste total: análisis de correlación canónica . . . . . . . . . . . . . . 40
3.4.2. Contrastes parciales: método Lambda de Wilks . . . . . . . . . . . . . . 42
3.5. Análisis de perfiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4. Problema de clasificación 47
4.1. Planteamiento general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2. Análisis Discriminate Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2.1. LDA y ejes discriminantes . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2.2. Estrategia cuadrática de Fisher . . . . . . . . . . . . . . . . . . . . . . . 53
4.3. Métodos alternativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3.1. Regresión logı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3.2. Vecino más próximo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3.3. Árbol de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5. Reducción dimensional 61
5.1. Una primera definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2. Justificación de las componentes principales . . . . . . . . . . . . . . . . . . . . 62
5.3. Análisis Factorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

5
6 ÍNDICE GENERAL

5.3.1. Representación de obervaciones . . . . . . . . . . . . . . . . . . . . . . . 66

5.3.2. Representación de variables . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3.3. Representación conjunta de observaciones y variables . . . . . . . . . . . 67
5.3.4. Concepto de factor y rotación de ejes . . . . . . . . . . . . . . . . . . . . 68
5.3.5. Modelos basados en factores latentes . . . . . . . . . . . . . . . . . . . . 69
5.4. Introducción al Análisis de Correspondencias . . . . . . . . . . . . . . . . . . . . 70
5.5. Multicolinealidad y PCA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

6. Análisis de conglomerados 75
6.1. Método de k-medias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.2. Método jerárquico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.3. Algoritmo EM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Capı́tulo 1

Preliminares

En este capı́tulo intentaremos fijar la notación, ası́ como definir e interpretar conceptos
fundamentales en el contexto de la Estadı́stica Multivariante, muchos de los cuales deben ser
conocidos. También llevaremos a cabo un breve repaso de Álgebra Lineal.

1.1. Notación
En general, solemos manejar en estadı́stica dos tipos de lenguajes: probabilı́stico y muestral.
El primero sirve para expresar las propiedades de la población objeto del estudio, entendiendo
población en un sentido amplio; el segundo se utiliza para expresar las propiedades de una
muestra de n datos extraı́dos, se supone que aleatoriamente, de dicha población.
El marco formal en el que se desarrolla el estudio poblacional es el espacio L2 de funciones
reales de cuadrado integrable, definidas sobre cierto espacio de probabilidad. Queremos decir
que las variables aleatorias que estudiemos se identificarán con elementos de L2 . El estudio
muestral tiene lugar en el espacio euclı́deo Rn , es decir que, dada una variable aleatoria X ∈ L2 ,
una muestra aleatoria de tamaño n de dicha variable se identificará con un vector X de Rn ,
cuyas componentes Xi serán las distintas mediciones de la misma. Obsérvese que hemos utilizado
distintas fuentes de letra para denotar ambos conceptos, norma que intentaremos seguir en la
medida de lo posible.
En el contexto del análisis multivariante, X puede denotar con frecuencia un vector aleatorio
p-dimensional de componentes X[1], . . . , X[p]. En tal caso, una muestra aleatoria de tamaño n
para dicho vector aleatorio se expresará mediante la matriz X ∈ Mn×p definida que descompone
ası́:    ′ 
X1 [1] . . . X1 [p] X1
 .. .
.   .. 
X = (X[1], . . . , X[p]) =  . . = .  (1.1)
′
Xn [1] . . . Xn [p] Xn
A tı́tulo de ejemplo, en el cuadro 1.1 de la página 16 se expone una muestra de tamaño n = 38
de un vector aleatorio de dimensión p = 8. Los datos corresponden a medidas de la motilidad de
espermatozoides en moruecos y fueron recogidos por J.A. Bravo en el CENSYRA de Badajoz.

L2 forma parte de una categorı́a de espacios que generalizan el concepto de espacio euclı́deo
por estar también dotados de un producto interior. Concretamente, dados f, g ∈ L2 , se define

hf, gi = EP [f · g] (1.2)

EP se entiende como el funcional que asigna a cada variable aleatoria su integral respecto a la
probabilidad P definida en el espacio de origen. El subı́ndice P suele omitirse. En Rn podemos

7
8 CAPÍTULO 1. PRELIMINARES

considerar el siguiente producto interior conocido como producto escalar:

n
X
ha, bi = ai bi (1.3)
i=1

En ambos espacios, los respectivos productos inducen sendas normas (al cuadrado), definidas
en general mediante kak2 = ha, ai y, en consecuencia, sendas métricas basadas en la norma al
cuadrado de las diferencias:

d2 (X, Y ) = E[(X − Y )2 ], X, Y ∈ L2 (1.4)

1X
d2n (X, Y) = (Xi − Yi )2 , X , Y ∈ Rn (1.5)
n i

La segunda es, salvo una homotecia, la distancia Euclı́dea al cuadrado en Rn . El uso de estas
distancias para cuantificar errores se asocia al denominado método de Mı́nimos Cuadrados. Por
otra parte, del producto interior se deriva a su vez una noción de ortogonalidad o perpendicu-
laridad. En Rn decimos que a y b son ortogonales entre sı́ cuando ha, bi = 0, en cuyo caso se
denota a ⊥ b. En L2 se define de manera análoga.

Proyección ortogonal: La noción de perpendicularidad se relacionará bajo ciertas condi-

ciones con los conceptos estadı́sticos de incorrelación y de independencia. Además, da pie a
considerar un tipo de función lineal denominada proyección ortogonal. Concretamente, si V es
un subespacio lineal cerrado del espacio E (E en nuestro caso puede tratarse de L2 o de Rn ),
se define PV como la aplicación que asigna a cada elemento e del espacio el único elemento de
V tal que e − PV e ⊥ V , en cuyo caso la distancia entre e y PV e es la mı́nima posible entre
e y un elemento de V . Si V1 y V2 son dos subespacios ortogonales de E, se verifica que que
PV1 ⊕V2 = PV1 + PV2 . Además, kPV1 ⊕V2 ek2 = kPV1 ek2 + kPV2 ek2 . Para V ⊂ Rn , dado que PV es
una aplicación lineal se identificará con una matriz n × n que se denotará de la misma forma.
Ejercicio 1. Dado V ⊂ Rm , probar que tr(PV ) = dim V , y que todos lo elementos de la
diagonal de PV pertenecen al intervalo [0, 1].

Figura 1.1: Proyección ortogonal

✁✕✻
✁
✁
E ✁
✁
✁
e ✁ e − PV e
✁
✁
✁
✁
✁ ✁✁
✁ ✏✏✶
✏ ✁
✁ ✏✏✏
✁t✏✏
✁
P e V ✁
0 ✁
✁
✁
V
1.2. PRINCIPALES PARÁMETROS PROBABILÍSTICOS 9

La colección de resultados teóricos conocida como Leyes de los Grandes Números establecen
una clara conexión entre los espacios Rn y L2 , si entendemos X ∈ Rn como una muestra aleato-
ria simple de una variable aleatoria X ∈ L2 . Lo más importante en esta sección es resaltar que
todos las definiciones en L2 expresadas en términos del producto interior pueden traducirse au-
tomáticamente al lenguaje muestral e interpretarse de manera completamente análoga. Por ello,
en este capı́tulo nos centraremos principalmente en el estudio de los parámetros probabilı́sticos
o poblacionales, dejando como ejercicio para el lector el estudio paralelo en términos muestra-
les. Por lo general seguiremos la costumbre habitual de expresar los parámetros probabilı́sticos
mediante letras griegas y sus homólogos muestrales con notación latina.
Si X es una familia de k elementos, bien sean de L2 o de Rn (en el segundo caso puede
identificarse con una matriz n × k), se denota por hX i su expansión lineal. En el espacio L2
se denotará por 1 la variable aleatoria con valor constante 1, siendo entonces h1i el subespacio
unidimensional de las funciones constantes en L2 ; se denotará por h1i⊥ su ortogonal, que es
un hiperplano de L2 . Análogamente, se denotará por 1n al vector de Rn cuyas componentes
son todas 1, siendo por tanto h1n i la recta de los vectores constantes y h1n i⊥ su ortogonal, de
dimensión (n − 1).

1.2. Principales parámetros probabilı́sticos

En esta sección definiremos los parámetros relacionados con los momentos de orden uno y
dos. Con ello estamos centrando indirectamente nuestro estudio en el ámbito de la distribución
normal y de las relaciones de tipo lineal.

Media: Primeramente definimos la media de una variable aleatoria X como su esperanza, es

decir, su integral respecto a la probabilidad considerada. Se denota por E[X] o por la letra µ,
acompañada si es necesario de un subı́ndice aclaratorio. Si X es un vector p-dimensional, su
media es el vector p-dimensional compuesto por las respectivas medias, y se denotará de forma
idéntica.

Varianza: Dada una variable aleatoria X ∈ L2 de media µ, se define su varianza mediante

var[X] = E[(X − µ)2 ] (1.6)
denotándose también por la letra σ 2 . La raı́z cuadrada positiva de la varianza se denomina
desviación tı́pica. Nótese que la varianza está bien definida al ser X de cuadrado integrable.
De hecho, puede expresarse mediate
var[X] = E[X 2 ] − E[X]2 (1.7)
Ejercicio 2. Probar (1.7).
Ejercicio 3. Probar que µ = Ph1i X.
Del ejercicio 3 se deduce que la media µ de una variable aleatoria X es la función constante
más próxima en términos de la distancia (1.4).
Ejercicio 4. Análogamente, probar que, dada una muestra X ∈ Rn , si pretendemos reempla-
zarla por otra cuyos datos sean todos constantes y de manera que la distancia Euclı́dea (1.5)
con la muestra original sea mı́nima, debemos tomar la media aritmética x.
Ası́ pues µ se interpreta como la constante más próxima a X. La diferencia X − µ ∈ h1i⊥
se denomina variabilidad total de X. La distancia respecto a esa constante más próxima es
precisamente la varianza:
var[X] = d2 (X, E[X]) (1.8)
Lo mismo puede afirmarse en términos muestrales acerca de la varianza muestral s2 .
10 CAPÍTULO 1. PRELIMINARES

Varianza total: Si X es un vector aleatorio p-dimensional de componentes X[1], . . . , X[p],

se define la varianza total de X mediante
p
X  
varT [X] = var X[j] (1.9)
j=1

Este parámetro puede interpretarse en términos de la distancia d2[p] definida en el espacio de

los p-vectores aleatorios con componentes en L2 mediante

d2[p] (X, Y ) = EP kX − Y k2Rp

 
(1.10)

Ejercicio 5. Probar que E[X] es el vector aleatorio constante que más se aproxima a X en
términos de la distancia (1.10) y que, además,

varT [X] = d2[p] (X, E[X]) (1.11)

Covarianza: Dado un vector aleatorio p-dimensional X, se define la covarianza entre dos

componentes cualesquiera X[i] y X[j] del mismo como el producto interior de sus respectivas
variabilidades totales, es decir,
 
cov X[i], X[j] = hX[i] − µi , X[j] − µj i (1.12)

denotándose también por σij . Se trata de una generalización de la varianza, pues σii = σi2 , que
describe, según veremos en la próxima sección, el grado de relación lineal existente entre las
variabilidades totales, es decir, el grado de relación afı́n existente entre las variables originales.
Se dice que dos variables son incorreladas cuando su covarianza es nula, es decir, cuando sus
variabilidades totales son ortogonales.
Ejercicio 6. Probar que −σi σj ≤ σij ≤ σi σj

Coeficiente de correlación: La desigualdad anterior invita a definir el denominado coefi-

ciente de correlación lineal
σij
ρij = (1.13)
σi σj
que tiene la virtud de ser adimensional y estar comprendido en todo caso entre -1 y 1. La
incorrelación se identifica con ρij = 0. Procuraremos utilizar los subı́ndices sólo cuando sea
estrictamente necesario.
Dado un vector aleatorio p-dimensional X, las posibles covarianzas componen una matriz
simétrica que puede definirse mediante

Cov[X] = E[(X − µ)(X − µ)′ ] (1.14)

cuya diagonal está compuesta por las diferentes varianzas. Suele denotarse por la letra Σ. Lo
mismo ocurre con los coeficientes de correlación, que componen una matriz de correlaciones
p × p simétrica cuya diagonal está compuesta por unos.
Ejercicio 7. ¿Por qué es simétrica Σ? ¿Por qué la diagonal de la matriz de correlaciones está
compuesta por unos?
Es muy frecuente contemplar transformaciones de un vector aleatorio del tipo X̃ = AX + b,
con A ∈ Mm×p y b ∈ Rm .
Ejercicio 8. Probar que, en ese caso, el vector m-dimensional X̃ verifica

E[X̃] = AE[X] + b, Cov[X̃] = ACov[X]A′ (1.15)

1.3. REGRESIÓN LINEAL 11

También es frecuente considerar una partición del vector aleatorio p-dimensional X en dos
vectores X1 y X2 de dimensiones p1 y p2 , respectivamente, lo cual da lugar a su vez a particiones
obvias de la media y la matriz de covarianzas:
     
X1 µ1 Σ11 Σ12
X= , µ= , Σ= (1.16)
X2 µ2 Σ21 Σ22

En el caso particular p1 = 1, es decir, cuando X1 es una variable aleatoria real y X2 un vector

aleatorio (p − 1)-dimesional, la descomposición de Σ será de la forma
 2 
σ1 Σ12
Σ= (1.17)
Σ21 Σ22

En tal caso cabe definir el coeficiente de correlación lineal múltiple (al cuadrado) entre X1 y
X2 mediante
2 Σ12 Σ−1
22 Σ21
ρ12 = (1.18)
σ12
Se trata de una generalización del coeficiente de correlación simple (al cuadrado) que interpre-
taremos en la siguiente sección.

1.3. Regresión lineal

Consideremos un vector aleatorio X descompuesto en X1 y X2 según (1.16) con p1 = 1, es
decir, tenemos una variable aleatoria real X1 y un vector X2 p2 -dimensional. Nuestra intención
es explicar la variabilidad total de X1 como función lineal de la variabilidad total de X2 , en la
medida de lo posible. Por lo tanto, buscamos el vector β ∈ Rp2 que alcance el siguiente mı́nimo,
en cuyo caso se denominará solución mı́nimo-cuadrática:

mı́n kX1 − E[X1 ] − b′ (X2 − E[X2 ])k2 : b ∈ Rp2


(1.19)

Ecuación de regresión lineal: La solución se obtiene proyectando ortogonalmente el vector

aleatorio X1 − E[X1 ] sobre el subespacio hX2 − E[X2 ]i, como indica la figura 1.2. Se trata pues
de buscar el vector β tal que

X1 − E[X1 ] − β ′ (X2 − E[X2 ]) ⊥ hX2 − E[X2 ]i (1.20)

Ejercicio 9. Probar que, si p2 = 1, la ortogonalidad en (1.20) se alcanza con β = σ12 /σ22 y

que, en general, se alcanza en
β = Σ−1
22 Σ21 (1.21)
Dado que kX1 − E[X1 ]k2 = σ12 y kβ ′ (X2 − E[X2 ])k2 = Σ12 Σ−1
22 Σ21 , la proporción de variabili-
dad total de X1 explicada linealmente por la variabilidad total de X2 es ρ212 , definido en (1.18).
Por otra parte, si se define
α = E[X1 ] − β ′ E[X2 ], (1.22)
se verifica que X1 = α + β ′ X2 + E, donde E[E] = 0 y

var[E] = σ12 − Σ12 Σ−1

22 Σ21 (1.23)
2 2
= σ1 (1 − ρ12 ) (1.24)
12 CAPÍTULO 1. PRELIMINARES

Figura 1.2: Ecuación de regresión lineal

✁✕✻
✁
✁
h1i⊥ ✁
✁
✁
X1 − E[X1 ] ✁ X1 − E[X1 ] − β ′ (X2 − E[X2 ])
✁
✁
✁
✁
✁ ✁✁
✁ ✶
✏
✏✏ ✁
✏
✁t✏✏ β ′ (X2 − E[X2 ]) ✁
✁ ✏✏ ✁
0 ✁
✁
✁
hX2 − E[X2 ]i

Figura 1.3: Descomposición de la varianza

X1 − E[X1 ]
h1i⊥ ✁
✁✕✻
✁
✁
✁
✁
σ12 ✁ σ12 (1 − ρ212 )
✁
✁
✁
✁
✁ ✁✁
✁ ✏✏ ✶
✏ ✁
✁ ✏✏✏
✁t✏✏ σ12 ρ212
✁
✁
0 ✁
✁
✁
hX2 − E[X2 ]i

Razonando de manera análoga en el caso general p1 ≥ 1, obtenemos que la matriz de

covarianzas de E, denominada matriz de covarianzas parciales, es la siguiente

Cov[E] = Σ11 − Σ12 Σ−1

22 Σ21 (1.25)

que se denota Σ11·2 . Si p1 > 1 podrı́amos generalizar el coeficiente de correlación múltiple

como la matriz Σ−1 −1
11 Σ12 Σ22 Σ21 , pero de dicha matriz sólo nos interesarán sus autovalores, que
denominaremos en el capı́tulo 3 coeficientes de correlación canónica.
Ejercicio 10. Probar que α + β ′ X2 es la función afı́n de X2 que minimiza la distancia respecto
a X1 .

Incorrelación e independencia: Se dice que X1 y X2 son incorreladas cuando Σ12 = 0, lo

cual equivale a β = 0 o, si p1 = 1, ρ12 = 0. Se traduce por tanto en la imposibilidad de explicar
parte alguna de la variabilidad total de X1 como función lineal de la variabilidad total de X2 .
1.4. NOCIONES BÁSICAS DE ÁLGEBRA LINEAL 13

Geométricamente puede definirse ası́:

X1 y X2 incorreladas ⇔ hX1 − E[X1 ]i ⊥ hX2 − E[X2 ]i (1.26)

La independencia supone sin embargo una propiedad estrictamente más fuerte que la incorre-
lación. Efectivamente, puede ocurrir que entre X1 y X2 no se dé relación afı́n alguna pero que,
sin embargo, exista entre ambas una relación de otro tipo, que podrı́a ser incluso funcional.
E[X1 |X2 ] ◦ X2 es la función medible de X2 que mejor se aproxima a X1 según la métrica (1.4) y
no podemos en general afirmar que se trate de una función afı́n. Eso sı́ ocurre bajo el supuesto
de (p1 + p2 )-normalidad, como veremos en el próximo capı́tulo. En ese caso, debe verificarse
entonces E[X1 |X2 ] ◦ X2 = α + βX2 , con α y β definidas como antes.
El concepto probabilı́stico de independencia lo suponemos conocido. Desde un punto de
vista geométrico, podrı́a definirse como sigue: primeramente, dado un vector k-dimensional
Y con componentes en L2 , denótese por M(Y ) el espacio de las variables en h1i⊥ que son
funciones medibles de Y . En tal caso, se verifica

X1 y X2 independientes ⇔ M(X1 ) ⊥ M(X2 ) (1.27)

Ejercicio 11. Probar (1.26) y (1.27). Deducir entonces que la independencia implica incorre-
lación.
En lo sucesivo S denotará la matriz de covarianzas definidas directamente a partir del
producto interior (1.3), es decir, que suma total se dividirá entre n. Ası́ mismo, R denotará la
matriz de correlaciones muestrales.
Ejercicio 12. Definir en lenguaje muestral todos los parámetros estudiados en la sección
2, interpretándolos según hemos visto en la sección 3. Tener presente que, de todos ellos, el
de mayor trascendencia estadı́stica es, posiblemente, el coeficiente de correlación múltiple (al
cuadrado), que en el contexto muestral se denotará por R2 y se define a partir de la matriz de
covarianzas muestral S mediante
−1
S12 S22 S21
R2 = 2
(1.28)
s1

1.4. Nociones básicas de Álgebra Lineal

Aparte de los conceptos introducidos en la primera sección debemos destacar algunas no-
ciones y resultados propios del Álgebra Lineal que se manejan con frecuencia en nuestra teorı́a.
Hemos de tener presente en todo momento tres observaciones: primero que, fijada una base
vectorial en Rm , las aplicaciones lineales de Rm en Rm se identifican con las matrices cuadradas
de orden m; segundo, que una vez fijado un orden de lectura, el conjunto Mn×p de matrices
de dimensión n × p se identifica con Rnp ; tercero, que dicha identificación permite definir un
producto interior en Mn×p mediante

hA, Bi = tr(A′ B) (1.29)

X
= aij bij (1.30)
i,j

Este producto interior permite generalizar la distancia (1.5) al conjunto Mn×p mediante:

d2n,p (A, B) = n−1 tr[(A − B)′ (A − B)] (1.31)

n
X
−1
= n kai − bi k2Rp (1.32)
i=1
14 CAPÍTULO 1. PRELIMINARES

donde a′i y b′i denotan las filas de A y B, respectivamente. Esta distancia generalizada puede
entenderse a su vez como una versión muestral de la distancia (1.10). Entre otras propiedades,
podemos destacar que tr(A′ B) = tr(B ′ A) y que, si A, B, C son matrices cuadradas de orden
m, se verifica que tr(ABC) = tr(CBA) = tr(ACB).
Ejercicio 13. Probar (1.30) y (1.32).
Ejercicio 14. Dada una matriz de datos X ∈ Mn×p y si se denota X = 1n · x′ , probar que la
varianza total muestral de X, definida de manera análoga a (1.9) como la suma de las varianzas
muestrales de sus p-componentes, verifica
s2T = d2n,p (X, X) (1.33)

Matriz positiva: En el conjunto de matrices cuadradas m × m, podemos definir el siguiente

preorden que generaliza el orden natural en R: decimos que A ≥ B cuando x′ Ax ≥ x′ Bx para
todo x ∈ Rm . Ası́ mismo, decimos que A > B cuando la desigualdad anterior es estricta si
x 6= 0. En consecuencia, A ≥ 0 cuando x′ Ax ≥ 0 para todo x ∈ Rm , en cuyo caso se dice que
A es semidefinida positiva. Si A > 0 se dice definida positiva.

Distancia de Mahalanobis: Dada una matriz A ∈ Mm×m simétrica y positiva podemos

definir en Rm la distancia de Mahalanobis DA
2
mediante
2
DA (x, y) = (x − y)′ A−1 (x − y), x, y ∈ Rm (1.34)
Se trata de una generalización de la métrica Euclı́dea, que se obtendrı́a en el caso A = Id.

Matriz ortogonal: Se dice que una matriz Γ ∈ Mm×m es ortogonal cuando sus columnas
constituyen una base ortonormal de Rm , es decir, cuando Γ′ = Γ−1 . El conjunto de matrices
ortogonales de orden m se denotará por Om .

Matriz idempotente: Se dice que una matriz A ∈ Mm×m es idempotente cuando A2 = A.

Puede probarse que, si V es un subespacio lineal de Rm y B ∈ Mm×dim V es una base de V
(entendemos con esto que las columnas de B constituyen una base de V , es decir, que V = hBi),
entonces la matriz PV que se identifica con la proyección ortogonal sobre V puede calcularse
mediante
PV = B(B ′ B)−1 B ′ (1.35)
Se trata pues de una matriz simétrica e idempotente.
Ejercicio 15. Probar (1.35). Es más, probar que una matriz A ∈ Mm×m simétrica e idempo-
tente se identifica con la proyección ortogonal sobre V = hAi.

Autovalores y autovectores: Dada una matriz A ∈ Mm×m , se dice que δ ∈ R es un

autovalor real de A y γ ∈ Rm un autovector asociado cuando se verifica que Ae = δ · γ. En
tal caso, δ debe ser necesariamente una raı́z del polinomio p(x) = |A − x · Id| y hγi debe estar
incluido en ker(A − δ · Id). Puede probarse que, si A es simétrica, las m raı́ces de p(x) son
reales, lo cual equivale a la existencia de m autovalores reales contados con su multiplicidad. El
siguiente resultado, conocido como teorema de diagonalización de una matriz simétrica, aclara
la estructura de la familia de autovectores asociados.
Teorema 1.4.1. Dada una matriz A ∈ Mm×m simétrica, si ∆ denota la matriz diagonal
compuesta por los autovalores δ1 , . . . , δm de A ordenados de mayor a menor y contados con su
multiplicidad, existe una matriz Γ ∈ Om , cuyos vectores columnas se denotan por γ1 , . . . , γm ,
tal que
A = Γ∆Γ′ (1.36)
1.4. NOCIONES BÁSICAS DE ÁLGEBRA LINEAL 15

Se verifica además que δ1 = máx{γ ′ Aγ : kγk = 1}, que se alcanza con γ = γ1 , y que, para
todo j = 2, . . . , m, δj = máx{γ ′ Aγ : kγk = 1, γ ⊥ hγ1 , . . . , γj−1 i}, alcanzándose con γ = γj .

Del teorema se sigue directamente que las columnas de Γ constituyen una base ortonormal
de autovectores asociados a los correspondientes autovalores. También podemos de deducir de
(1.36) que ∆ = Γ−1 AΓ. Por lo tanto, la aplicación lineal identificada con la matriz A para la
base vectorial original admite una expresión diagonal respecto a una base ortonormal canónica
de autovectores. Es decir, el cambio a la base de autovectores permite expresar la matriz de
forma sencilla. A modo de ejemplo, podemos utilizar ese procedimiento para demostrar las
siguientes propiedades;
Ejercicio 16. Dada una matriz simétrica A, probar:

(i) Si A es simétrica, su rango coincide con el número de autovalores no nulos.

(ii) Si A ≥ 0, sus autovalores son todos no negativos. Si A > 0, son todos estrictamente
positivos.

(iii) Si A ≥ 0, existe una matriz simétrica A1/2 tal que A = A1/2 A1/2 . Si A > 0, existe
también una matriz simétrica A−1/2 tal que A−1 = A−1/2 A−1/2 .

(iv) Si A ≥ 0, existe una matriz X con las mismas dimensiones tal que A = X ′ X.

(v) La traza de una matriz simétrica es la suma de sus autovalores y el determinante, el

producto de los mismos.

(vi) La inversa de una matriz simétrica positiva también es positiva.

A partir del teorema 1.4.1 y del ejercicio 1 podemos probar el siguiente resultado en el cual
se fundamenta el capı́tulo 5:

Lema 1.4.2. En las condiciones del teorema 1.4.1 y dado k ≤ m, si Γ1 es la matriz con los
autovectores asociados a los k primeros autovalores de A, se verifica que
k
X
′ ′
máx{tr(B AB) : B ∈ Mm×k , B B = Id} = δi (1.37)
i=1

y se alcanza en B = Γ1 .
16 CAPÍTULO 1. PRELIMINARES

Cuadro 1.1: Matriz de datos correspondiente a muestra tamaño n = 38 y dimensión p = 8

Capı́tulo 2

Modelo lineal multivariante

En este capı́tulo expondremos los aspectos más generales del modelo lineal normal multiva-
riante. Previamente, estudiaremos con brevedad las distribuciones de probabilidad relacionadas
con este modelo ası́ como el modelo lineal normal (univariante) que pretende generalizar.

2.1. Normal multivariante

La distribución normal multivariante p-dimensional o p-normal se trata de una generali-
zación natural de la distribución normal que servirá como hipótesis de partida en el modelo
estadı́stico objeto de estudio.
Dados µ ∈ Rp y Σ ∈ Mp×p simétrica y semidefinida positiva, se dice que un vector aleatorio
X p-dimensional sigue un modelo de distribución Np (µ, Σ) cuando admite la siguiente función
caracterı́stica:  
′ 1 ′
ϕX (t) = exp it µ − t Σt , t ∈ Rp (2.1)
2
En ese caso se denota X ∼ Np (µ, Σ) y puede comprobarse trivialmente que generaliza la distri-
bución normal unidimensional. Vamos a enunciar a continuación las propiedades fundamentales
de esta distribución. Las dos siguientes se siguen de las propiedades de la función caracterı́stica.
Proposición 2.1.1. Si X ∼ Np2 (µ, Σ), A ∈ Mp1 ×p2 y b ∈ Rp1 , entonces

AX + b ∼ Np1 (Aµ + b, AΣA′ ) (2.2)

Proposición 2.1.2. Si Z[1], . . . , Z[p] iid N(0,1), entonces Z = (Z[1], . . . , Z[p])′ ∼ Np (0, Id)
A partir de las dos propiedades anteriores podemos construir cualquier vector normal:
Proposición 2.1.3. Dados µ y Σ como en la definición, si consideramos el vector aleatorio Z
anterior, la descomposición Σ = Γ∆Γ′ y se denota A = Γ∆1/2 , se sigue que AZ + µ ∼ Np (µ, Σ).
En consecuencia, se sigue de (1.15) el siguiente resultado:
Proposición 2.1.4. Si X ∼ Np (µ, Σ), E[X] = µ y Cov[X] = Σ.
También es consecuencia de la proposición 2.1.1 que, si X ∼ N (µ, Σ), cada componente
X[i] de X sigue un modelo de distribución N (µi , σi2 ). Sin embargo, el recı́proco no es cierto.
Hemos de tener en cuenta que la componente X[i] puede obtenerse mediante e′i X, siendo ei el
vector unidad en el eje de coordenadas i-ésimo, y que la siguiente afirmación puede probarse
con relativa facilidad:
Proposición 2.1.5. Dado un vector aleatorio p-dimensional X, cualquiera de las condiciones
siguientes garantizan la p-normalidad del mismo:

17
18 CAPÍTULO 2. MODELO LINEAL MULTIVARIANTE

(i) a′ X es 1-normal, para todo a ∈ Rp .

(ii) Sus componentes son todas normales e independientes entre sı́.

El siguiente resultado puede probarse también a través de la función caracterı́stica y esta-

blece la equivalencia entre incorrelación e independencia bajo la hipótesis de normalidad.

Proposición 2.1.6. Si descomponemos un vector (p1 + p2 )-normal X con matriz de covarianzas

Σ en X1 de dimensión p1 y X2 de dimensión p2 , entonces X1 y X2 son independientes s, y sólo
si, Σ12 = 0.

Si la matriz de covarianzas es estrictamente positiva, la distribución p-normal es dominada

por la medida de Lebesgue en Rp . Teniendo en cuenta las proposiciones 2.1.1, 2.1.2 y el teorema
del cambio de variables, podemos obtener la densidad de dicha distribución:

Proposición 2.1.7. Si X ∼ Np (µ, Σ) con Σ > 0 admite la siguiente función de densidad:

 
1 1
f (x) = p exp − (x − µ) Σ (x − µ) , x ∈ Rn .
′ −1
(2.3)
p
(2π) |Σ| 2

Figura 2.1: Función de densidad distribución 2-normal

z

Ejercicio 17. Probar las siete proposiciones anteriores.

Nótese que en la función de verosimilitud determinada por (2.3) la observación x y los
parámetros (µ, Σ) que caracterizan la distribución de probabilidad se relacionan a través de la
distancia de Mahalanobis DΣ2 (x, µ). Concretamente, para cada k ∈ [0, [(2π)p |Σ|]−1/2 ], la región
de los puntos {x ∈ Rp : f (x) = k}, es decir, aquéllos cuya densidad es igual a k, es el elipsoide
siguiente:
{x ∈ Rp : DΣ2 (x, µ) = k̃} (2.4)
 p 
para k̃ = −2 log k (2π)p |Σ| .

En la figura 2.1 se aprecia la función de densidad de la distribución bidimensional

   
0 1 0.8
N2 , (2.5)
0 0.8 1
2.1. NORMAL MULTIVARIANTE 19

Figura 2.2: Contornos distribución 2-normal

2
1
0
y

-1
-2
-3

-3 -2 -1 0 1 2

mientras que en la figura 2.2 se podemos ver un diagrama de dispersión con una muestra
aleatoria simple de tamaño n = 150 de dicha distribución en la que aparecen marcados dos
contornos elı́pticos de la misma.
Consideremos un vector aleatorio X (p1 + p2 )-normal que descompone de la forma
     
X1 µ1 Σ11 Σ12
X= ∼ Np1 +p2 , (2.6)
X2 µ2 Σ21 Σ22
El siguiente resultado puede probarse teniendo en cuenta el hecho conocido de que la densidad
de la distribución condicional P X1 |X2 puede calcularse mediante
fX1 ,X2 (x1 , x2 )
fX1 |X2 =x2 (x1 ) = (2.7)
f X 2 ( x2 )
Proposición 2.1.8. Si Σ22 > 0, se verifica

X1 |X2 = x2 ∼ Np1 (α + β ′ x2 , Σ11·2 ) (2.8)

con α, β y Σ11·2 definidas según (1.22), (1.21) y (1.25), respectivamente.

Como consecuencia se deduce que, bajo el supuesto de normalidad, E[X1 |X2 ]◦X2 = α+β ′ X2 .
Es más, podemos garantizar que

X1 = α + β ′ X2 + E, E y X2 independientes, E[E] = 0, Cov[E] = Σ11·2 (2.9)

Esta afirmación puede probarse también teniendo en cuenta la proposición 2.1.6, (1.26) y (1.27).
En definitiva, establece una clara conexión entre los conceptos de normalidad y linealidad.
Ejercicio 18. Si X denota un vector 2-normal siguiendo un modelo de distribución (2.5),
razonar qué modelo de distribución sigue en cada caso el vector Y indicando, si procede, su
función de densidad:
(a) Y [1] = 1 + 2X[1] + 3X[2]; Y [2] = 4 − X[1] + X[2]
(b) Y [1] = 2 + 5X[1] − 4X[2]
(c) Y [1] = 1 + 2X[1] + 3X[2]; Y [2] = 4 − 4X[1] − 6X[2]
Ejercicio 19. Simular de manera aproximada una muestra de tamaño n = 200 de la distribu-
ción (2.5).
20 CAPÍTULO 2. MODELO LINEAL MULTIVARIANTE

Desde el punto de vista estadı́stico, podemos proponer tests para contrastar la hipótesis
inicial de normalidad multivariante. En Bilodeau y Brenner (1999) se recoge un test que se
basa en el hecho de que, para una muestra aleatoria simple de tamaño n de una distribución
p-normal, las distancias de Mahalanobis entre las observaciones y la media aritmética de la
misma dada la matriz de covarianzas muestral siguen una distribución de la familia Beta y
tienden a la incorrelación conforme aumenta el tamaño de muestra. Desde una perspectiva
eminentemente práctica, si realmente tenemos la intención de utilizar alguno de los procedi-
mientos de tipo paramétrico que expondremos a continuación, resulta más realista comprobar
que los diagramas de dispersión entre las diferentes componentes revelan al menos relaciones
de tipo lineal, estando muy pendiente de la presencia de sesgos, que pueden conducirnos a
transformar las variables originales, o fragmentaciones de los datos, que pueden conducirnos a
introducir factores cualitativos en el modelo.

Figura 2.3: Simulación muestra de tamaño n = 1000 de una distribución 6-normal

2 4 6 8 3 5 7 3 4 5 6 7

psico1

8
6
4
2
psico2
8
6
4
2

psico3
8
6
4
2

psico4
7
5
3

psico5
7
5
3

psico6
7
6
5
4
3

2 4 6 8 2 4 6 8 3 5 7

2.2. Modelo lineal

Antes de abordar el estudio del modelo lineal multivariante, repasaremos muy brevemente
el modelo lineal en dimensión 1, empezando por las distribuciones de probabilidad asociadas
al mismo.

2.2.1. Distribuciones asociadas al modelo

No pretendemos aquı́ describir con detalle las diferentes distribuciones pues se suponen cono-
cidas (ver por ejemplo Nogales (1998)), sino interpretarlas desde un punto de vista geométrico.
2.2. MODELO LINEAL 21

Distribución normal esférica: El punto de partida del modelo es la distribución normal

multivariante esférica, que se obtiene cuando la matriz de covarianzas del vector es de la forma
Σ = σ 2 Id, para algún σ 2 > 0. Efectivamente, puede comprobarse que, en ese caso, la distancia
de Mahalanobis DΣ2 es, salvo una homotecia, la distancia Euclı́dea, por lo que los elipsoides
(2.4) son en particular esferas cuyo centro es la media. En virtud de la proposición 2.1.5-(ii),
Y ∼ Nn (µ, σ 2 Id) si, y sólo si, sus componentes Y1 , . . . , Yn son independientes, normales y con
idéntica varianza (homocedásticos). Es decir, que esta distribución está asociada a una muestra
de tamaño n en sentido amplio, de ahı́ la notación utilizada.

Distribución χ2 : Cuando la media es 0, la distribución normal esférica tiene además la

particularidad de ser invariante ante cualquier transformación mediante una matriz ortogonal,
es decir, que la verosimilitud de cada observación Y depende exclusivamente de kYk2 . Eso
explica nuestro interés en estudiar la distribución de kYk2 bajo la hipótesis de normalidad
esférica. Efectivamente, si Y ∼ Nn (0, Id), se dice que kYk2 ∼ χ2n ; la anterior distribución
denominada χ2 central puede generalizarse si consideramos la norma Euclı́dea al cuadrado
de un vector Y ∼ Nn (µ, Id), que se distribuye según un modelo χ2n (δ), con δ = kµk2 . Si Y ∼
Nn (µ, σ 2 Id), entonces kYk2 /σ 2 ∼ χ2n (δ) con δ = kµk2 /σ 2 , lo cual se denota por kYk2 ∼ σ 2 χ2n (δ).
Ejercicio 20. En general, puede probarse que, si Y ∼ Nn (µ, σ 2 Id) y E ⊂ Rn ,

kPE Yk2 ∼ σ 2 χ2dim E (δ), δ = kPE µk2 /σ 2 (2.10)

Se verifica además que E [kPE Yk2 ] = (dim E)σ 2 (1 + δ). Como caso particular, si µ ∈ E ⊥ ,
entonces kPE Yk2 ∼ σ 2 χ2dim E .
Ejercicio 21. Probar que, dadosi E1 ⊥ E2 y X ∼ Nn (µ, σ 2 Id), se verifica que kPEi Yk2 ∼
σ 2 χ2dim Ei (kPEi µk2 /σ 2 ), para i = 1, 2, y son independientes.

Distribución F : Este modelo probabilı́stico de distribución surge de manera natural de la

aplicación del Principio de Invarianza en el problema estadı́stico de contraste de una hipóte-
sis lineal para la media que veremos más adelante. Efectivamente, en la resolución de dicho
problema nos vemos avocados a considerar, dado un vector Y ∼ Nn (µ, σ 2 Id), el cociente entre
kPE1 Yk2 y kPE2 Yk2 para ciertos subespacios E1 y E2 ortogonales entre sı́ y tales que µ ∈ E2⊥ .
No obstante, ambos términos se normalizan dividiéndolos por sus respectivas dimensiones, de
manera que la distribución F se obtiene mediante

kPE1 Yk2 / dim E1 kPE1 µk2

∼ Fdim E1 ,dim E2 (δ), δ= (2.11)
kPE2 Yk2 / dim E2 σ2

Nótese que el cociente entre las medias del numerador y el denominador es (1 + δ) y, por lo
tanto, 1 cuando δ = 0. La distribución m · Fm,n converge a χ2m cuando n tiende a infinito.

Distribución t: En esta sección interpretaremos la conocida distribución t-Student como un

caso particular de la distribución F . Concretamente, decimos que una variable real t sigue un
modelo de distribución tm (δ) cuando es simétrico respecto a 0 y tal que t2 ∼ F1,m (δ). De esta
forma, nos encontraremos con dicha distribución cuando operemos como en la figura 2.4 con
dim E1 = 1.

2.2.2. El modelo y ejemplos

El modelo lineal (normal) consiste en una estructura o experimento estadı́stico en Rn donde
la distribución de probabilidad es normal esférica Nn (µ, σ 2 Id). No se impone ninguna condición
22 CAPÍTULO 2. MODELO LINEAL MULTIVARIANTE

Figura 2.4: Interpretación geométrica de la distribución F

E2 ⊂ hµi⊥

PE 2 Y ✻ ✒PE1 ⊕E2 Y

✬✩
✉
0
✲
E1
✫✪
PE 1 Y

E 1 ⊕ E 2 ⊂ Rn

respecto al parámetro σ 2 pero si se impone una restricción de tipo lineal para el parámetro µ,
pues se supondrá por hipótesis que µ ∈ V para un cierto subespacio lineal conocido V ⊂ Rn .
Se denota mediante
Y ∼ Nn (µ, σ 2 ), µ ∈ V, σ 2 > 0 (2.12)

La restricción lineal µ ∈ V vendrá dada, bien por la presencia de factores cualitativos, bien por
la relación lineal respecto a otras variables numéricas con valores conocidos.
Si una matriz X ∈ Mn×dim V constituye una base de V , podemos parametrizar el mode-
lo (2.12) a través de las coordenadas β de µ respecto a X, es decir, Y ∼ Nn (Xβ, σ 2 Id), o
equivalentemente,

Y = Xβ + E, β ∈ Rdim V , E ∼ Nn (0, σ 2 Id), σ 2 > 0 (2.13)

Enunciaremos a continuación cuatro ejemplo de problemas estadı́sticos que se formalizan me-

diante el modelo lineal:

Ejemplo 1. [Muestra aleatoria simple de una distribución normal] Consideremos Y1 , . . . , Yn iid

N (ν, σ 2 ). En ese caso, el vector aleatorio Y = (Y1 , . . . , Yn )′ sigue una distribución Nn (µ, σ 2 Id)
con µ ∈ V = h1n i y σ 2 > 0.

Ejemplo 2. [Muestras independientes de distribuciones normales con idéntica varianza] Consi-

deremos ahora, para i = 1, 2, sendas muestras independientes entre sı́ Yi1 , . . . , Yini iid N (µi , σ 2 ).
Si se denota n = n1 + n2 e Y = (Y11 , . . . , Y2n2 )′ , se verifica que Y ∼ Nn (µ, σ 2 Id) con σ 2 > 0 y
µ ∈ V = hv1 , v2 i, donde v1 denota el vector de Rn cuyas n1 primeras componentes son 1 y el
resto 0. De manera análoga se define v2 .

Ejemplo 3. [Diseño completamente aleatorizado] Se trata de una generalización del problema

anterior para r ≥ 2 muestras independientes Yi1 , . . . , Yini iid N (µi , σ 2 ). En este caso, si n =
′ 2 2
i ni e Y = (Y11 , . . . , Yrnr ) , se verifica que Y ∼ Nn (µ, σ Id) con σ > 0 y µ ∈ V = hv1 , . . . , vr i.
P

Ejemplo 4. [Regresión lineal múltiple] Supongamos que se recogen n observaciones indepen-

dientes que pueden calcularse mediante una relación afı́n con los valores de otras q variables
2.2. MODELO LINEAL 23

numéricas controladas en el experimento, salvo errores independientes, normalmente distribui-

dos y homocedásticos. Es decir,

Y1 = β0 + β1 Z1 [1] + . . . + βq Z1 [q] +E1

.. .. .. .. .. .. (2.14)
. . . . . .
Yn = β0 + β1 Zn [1] + . . . + βq Zn [q] +En

donde E1 , . . . , En iid N (0, σ 2 ). Si se denota

       
Y1 1 Z1 [1] . . . Z1 [q] E1 β0
.   . .. ..  , E =  ...  , β =  ... 
Y=  ..  , X =  .. (2.15)
   
. . 
Yn 1 Zn [1] . . . Zn [q] En βq

el modelo puede expresase de la forma (2.13) con V = hXi. En lo sucesivo se denotará β =

(β1 , . . . , βq )′ ∈ Rq . Este vector expresa la influencia de los vectores explicativos Z[1], . . . , Z[q] en
la predicción de la respuesta Y. Ası́ mismo, se denota por Z la matriz que resulta al elimar de
X el término independiente 1n . De esta, forma, el modelo puede expresarse también mediante
Y = β0 · 1n + Zβ + E (2.16)

Regresión respecto a variables dummys: Cualquiera de los problemas considerados an-

teriormente puede entenderse como un problema de regresión lineal, es decir, pueden para-
metrizarse de la forma (2.13) para una base X con término independiente. Ası́, en el caso del
ejemplo 3, podemos considerar entre otras posibilidades la matriz X = (1n , v1 , . . . , vr−1 ). Con
esta parametrización particular, la relación entre µ y β es la siguiente:

β0 = µr , βj = µj − µr , j = 1, . . . , r − 1 (2.17)

Ejercicio 22. Probar (2.17). Indicar ası́ mismo cómo se relacionarı́a µ con β si consideráramos
la base natural X̃ = (1n , v1 − vr , . . . , vr−1 − vr ).
Los vectores Z[1], . . . , Z[r − 1] de X en la parametrización anterior recogen valores concretos
de unas variables denominadas dummys que indican la muestra o categorı́a a la que pertenece
cada dato. Que las medias µ1 , . . . , µr sean idénticas, es decir, que las muestras procedan de una
única distribución común, equivale a que β sea nulo, independientemente de la parametrización
particular considerada. En otras palabras, la ausencia de relación entre el factor cualitativo que
distingue las muestras con la variable numérica Y equivale a la ausencia de relación de ésta
con las variables numéricas dummys.
Ejercicio 23. Desarrollar con detalle los modelos asociados a los cuatro ejemplos anteriores.

2.2.3. Estimación y contraste de hipótesis

Dado que suponemos µ ∈ V y que, al seguir Y un modelo de distribución n-normal, es
más verosı́mil que la observación Y sea próxima a la media que lo contrario, parece razonable
estimar µ mediante un vector de V próximo a Y. De hecho, definimos el estimador

µ̂ = PV Y (2.18)

En tal caso, resulta también razonable estimar σ 2 mediante la distancia (1.5) entre Y y µ̂, es
2 −1 2
decir, σ̂M V = n kPV ⊥ Yk . Puede probarse que ambos estimadores son independientes y que
constituyen un estadı́stico suficiente y completo. Se sigue entonces del teorema de Lehmann-
Scheffe que µ̂ es el estimador insesgado de mı́nima varianza (EIMV) de µ. También puede
2
probarse a partir de (2.3) que (µ̂, σ̂M V ) constituyen un estimador de máxima verosimilitud
24 CAPÍTULO 2. MODELO LINEAL MULTIVARIANTE

(EMV) de (µ, σ 2 ). Sin embargo, σ̂M2

V no es insesgado, de ahı́ que se proponga el siguiente
estimador que es, según el teorema de Lehmann-Scheffe, EIMV:
1
σ̂ 2 = kP ⊥ Yk2 (2.19)
n − dim V V
Si el modelo está parametrizado de la forma (2.13), podemos estimar β como las coordenadas
del estimador de µ, es decir:
β̂ = (X′ X)−1 X′ Y (2.20)
En definitiva, los estimadores de µ y σ 2 pueden entenderse geométricamente según la figura
2.4 con E1 = V y E2 = V ⊥ .
Ejercicio 24. Obtener los estimadores µ̂ y σ̂ 2 para los ejemplos 1 y 2.
Ejercicio 25. Obtener µ̂ para el ejemplo 3. Probar que, en dicho ejemplo, el EIMV de σ 2 es
i r n
2 1 XX
σ̂ = (Yij − yi· )2 (2.21)
n − r i=1 j=1

Ejercicio 26. Probar que, en el ejemplo 4, podemos estimar β a partir de las medias aritméticas
del vector Y y la matriz Z, ası́ como de la matriz de covarianza muestral conjunta mediante
−1
β̂ = Szz Szy , β̂0 = y − z′ β̂ (2.22)

Relacionar (2.22) con (1.21) y (1.22).

2 1 2
Ejercicio 27. Probar que, en el ejemplo 4, σ̂M V puede relacionarse con la varianza sy del
2
vector Y y el coeficiente de correlación múltiple al cuadrado R de Y respecto a Z, definido en
(1.28), mediante
2 −1 2 2
σ̂M V = n (n − 1)sy (1 − R ) (2.23)
El problema de contraste de hipótesis relativas al parámetro σ 2 no será expuesto aquı́ debido
a que los tests que los resuelven son sensibles ante la violación del supuesto de normalidad.
No ocurre lo mismo con el test F o anova que resuelve el contraste de hipótesis de tipo lineal
sobre el parámetro µ pues, tal y como se prueba en Arnold (1981), es asintóticamente válido
aunque no se verifique el supuesto de normalidad. Además, es relativamente robusto ante la
heretocedasticidad. Lo mismo ocurre en el modelo multivariante.

Anova: Nos ocuparemos pues del contraste de hipótesis tipo H0 : µ ∈ W , para algún subes-
pacio lineal W ⊂ V . Veamos ejemplos de hipótesis de este tipo:
Ejercicio 28. En el ejemplo 1 podemos contrastar si la media ν de la distribución es nula.
Probar que se corresponde con W = 0.
Ejercicio 29. En los ejemplos 2 y 3 podemos contrastar si todas las muestras consideradas pro-
vienen de una misma distribución de probabilidad. Probar que en ambos casos se corresponde
con W = h1n i.
Ejercicio 30. En el ejemplo 4 podemos contrastar si los vectores explicativos Z[1], . . . , Z[q]
no intervienen en la explicación de Y, lo cual equivale a β = 0. Probar que se corresponde con
W = h1n i. Dicho contraste se denomina total.
Ejercicio 31. En las condiciones del ejemplo 4 podemos contrastar también hipótesis del
tipo βj = 0. Probar que se corresponde con W = h1n , Z[1], . . . , Z[q − 1]i. Dicho contraste se
denomina parcial.
Yi − y)2 .
1
Pn
Nos referimos al estimador insesgado de la varianza s2y = (n − 1)1 i=1 (
2.2. MODELO LINEAL 25

Si se denota V |W = W ⊥ ∩ V, la hipótesis inicial H0 : µ ∈ W equivale a PV |W µ = 0. Ello

invita a descomponer Rn en tres subespacios ortogonales: Rn = W ⊕ V |W ⊕ V ⊥ . De dicha
descomposición se deriva la siguiente descomposición ortogonal del vector de observaciones:

Y = PW Y + PV |W Y + PV ⊥ Y (2.24)

Si W = 0, como en el ejercicio 28, la descomposisión (2.24) se reduce a los dos últimos sumandos.
El caso de mayor interés práctico es W = h1n i (como en los ejercicios 29 y 30), en el cual
podemos descomponer kYk2 mediante

kYk2 = kPh1n i Yk2 + kPh1n i⊥ Yk2 (2.25)

2
= nY + kPV |h1n i Yk2 + kPV ⊥ Yk2 (2.26)

Si consideramos cualquier matriz Z tal que de h(1n |Z)i = V y R2 denota el coeficiente de

correlación múltiple entre Y y Z, como en (2.23), la igualdad (2.26) puede expresarse también
ası́
kYk2 = (n − 1)s2y + (n − 1)s2y R2 + (n − dim V )σ̂ 2 (2.27)
lo cual se ilustra mediante la figura 2.5, que es la versión muestral de la figura 1.3.

Figura 2.5: Descomposición de la varianza muestral

Y−Y
⊥
h1n i ✁✕✻
✁
✁
✁
✁
✁
s2y ✁ (n−dim V ) 2
σ̂
✁ n−1
✁
✁
✁
✁ ✁✁
✁ ✏✏ ✶
✏ ✁
✁ ✏✏✏
✁t ✏ R2 s2y
✁
✏ ✁
0 ✁
✁
✁
V |h1n i

En todo caso, del Principio de Invarianza y teniendo en cuenta que (µ̂, σ̂ 2 ) es suficiente,
se sigue que, en lo que respecta al contraste de H0 la decisión respecto debe depender de
la observación Y a través del cociente entre kPV |W Y k2 y kPV ⊥ Y k2 que, una vez normalizados
dividiendo por sus respectivos grados de libertad, nos conduce a la distribución F . En definitiva,
consideramos el estadı́stico de contraste
n − dim V kPV |W Yk2
F (Y) = · (2.28)
dim V |W kPV ⊥ Yk2

que, según (2.11), sigue en general un modelo de distribución Fdim V |W,n−dim V (δ), con δ =
kPV |W µk2 /σ 2 , y en particular, un modelo Fdim V |W,n−dim V bajo la hipótesis inicial. Siguiendo el
Principio de Máxima Verosimilitud, construimos el denominado test F o anova de manera que
se rechace la hipótesis inicial si el estadı́stico F toma valores extremos. Del lema fundamental
26 CAPÍTULO 2. MODELO LINEAL MULTIVARIANTE

de Neyman-Pearson se deduce que el test ası́ construido es UMP-invariante; además, es el test

de la razón de verosimilitudes (TRV). Desde el punto de vista geométrico puede entenderse
según la figura 2.4 con E1 = V |W y E2 = V ⊥ .

En el caso particular dim V |W = 1, es decir, cuando W es un hiperplano de V , el estadı́stico

de contrate se denota por t2 en lugar de F pues se confronta con la distribución t2n−dim V , dando
lugar a lo que conocemos como test de Student.

Ejercicio 32. Relacionar la descomposición (2.26) con los términso de la tabla 2.1.
Ejercicio 33. Resolver el contrate de la hipótesis inicial H0 : ν = 0 en el ejemplo 1; resolver
el contrate de la hipótesis inicial H0 : µ1 = µ2 en el ejemplo 2.
Ejercicio 34. Probar que el test anova que resuelve el contraste H0 : µ1 = . . . = µr en el
ejemplo 3 consiste en confrontar con la distribución Fr−1,n−r el estadı́stico de contraste
SCH/(r − 1)
F = , (2.29)
SCE/(n − r)
donde
X
SCH = ni (Yi· − y·· )2 , (2.30)
i
XX
SCE = (Yij − yi· )2 (2.31)
i j

Ejercicio 35. Probar que el test anova que resuelve el contrate H0 : β = 0 en el ejemplo 4
consiste en confrontar con la distribución Fq,n−(q+1) el estadı́stico de contraste
n − (q + 1) R2
F = . (2.32)
q 1 − R2
¿Qué sucede en el caso particular q = 1?
Ejercicio 36. En las condiciones del ejemplo 4, ¿qué distribución sigue bajo la hipótesis inicial
H0 : βq = 0 el estadı́stico de contraste?
Dado que, en las condiciones del ejemplo 3, la hipótesis inicial H0 : µ1 = . . . = µr equivale
a β = 0 para cualquier parametrización del modelo mediante variables dummys, se sigue de
(2.32) que la decisión al respecto depende de Y a través de su correlación múltiple R2 con
dichas variables dummys. Este hecho, que tendrá lugar igualmente en el modelo multivariante,
justifica el estudio de los coeficientes de correlación canónicos.
En la salida de SPSS recogida en el cuadro 2.1 podemos apreciar muchos de los ingredientes
estudiados en la sección.

Ejercicio 37. Construye mediante SPSS dos variables dummys para distinguir las tres especies
de flores de irisdata y comprueba que el coeficiente de correlación múltiple R2 entre sepleng y
dichas variables es el que aparece en la tabla 2.1.
Ejercicio 38. En el cuadro 2.2 aparece el resultado del anova para comparar los valores medios
de glucemia de cuatro categorı́as de recién nacidos (control, respiratoria, metabólica y mixta).
Relacionar los valores que aparecen en dicha tabla con las columnmas de la matriz de datos
del cuadro 2.3, donde a los datos originales se les ha añadido las proyecciones relacionadas con
la descomposición (2.24), las sumas de cuadrados correspondientes a las descomposición (2.26)
y las variables dummys asociadas a la parametrización del ejercicio 22.
2.3. MODELO GENERAL 27

Cuadro 2.1: Tabla anova; sepleng vs especies en irisdata.sav

Variable dependiente: sepleng

Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Significación
Modelo corregido 63,212a 2 31,606 119,265 ,000
Intersección 5121,682 1 5121,682 19326,505 ,000
species 63,212 2 31,606 119,265 ,000
Error 38,956 147 ,265
Total 5223,850 150
Total corregida 102,168 149
a. R cuadrado = ,619 (R cuadrado corregida = ,614)

Cuadro 2.2: Tabla anova; glucemia vs enfermedad en acidosis-SPSS.sav

Pruebas de los efectos inter-sujetos
Variable dependiente:Nivel de glucemia en el cordón umbilical
Suma de
cuadrados Media
Origen tipo III gl cuadrática F Sig.
a
Modelo corregido 643,930 3 214,643 4,557 ,009
Intersección 170156,250 1 170156,250 3612,563 ,000
Enfermedad 643,930 3 214,643 4,557 ,009
Error 1507,240 32 47,101
Total 172307,420 36
Total corregida 2151,170 35
a. R cuadrado = ,299 (R cuadrado corregida = ,234)

2.3. Modelo general

Una vez repasado el modelo lineal univariante estamos en condiciones de generalizarlo al
caso multivariante, en el cual no contamos con una sino con p variables respuesta. Previamente,
debemos introducir con brevedad las distribuciones de probabilidad asociadas al nuevo modelo.
Para un estudio más detallado, consultar Arnold (1981), Anderson (1958) y Mardia et al. (1979).
En lo que sigue supondremos en todo momento Σ > 0 y n ≥ p.

2.3.1. Distribuciones asociadas al modelo

Seguimos el mismo esquema que en el caso unidimensional, con la salvedad de que no existe
una distribución que generalice unı́vocamente la distribución F . Debemos tener en cuenta que,
en nuestro modelo estadı́stico, la observación es una matriz Y ∈ Mn×p de datos como la que
aparece en el cuadro 1.1, que se denotará como en (1.1).

Distribución normal matricial: Se trata de la distribución de partida del modelo, al igual

que la normal esférica lo era en el caso univariante. Dados µ ∈ Mn×p y Σ ∈ Mp×p simétrica
y definida positiva, se dice que Y ∼ Nn,p (µ, Id, Σ) cuando Yi ∼ Np (µi , Σ), i = 1, . . . , n, siendo
todas independientes. Esta distribución es un caso particular de otra más general que se trata
con detalle en Arnold (1981). La función de densidad se define, para cada matriz X ∈ Mn×p ,
28 CAPÍTULO 2. MODELO LINEAL MULTIVARIANTE

Cuadro 2.3: Proyecciones en acidosis-SPSS.sav

mediante  
1 1 −1 ′
f (x) = exp − tr[(X − µ)Σ (X − µ) ] (2.33)
(2π)np |Σ|n/2 2

Distribución de Wishart: Generaliza la distribución χ2 . Dado Y ∼ Nn,p (µ, Id, Σ), puede
probarse que la distribución de Y′ Y depende de µ a través de µ′ µ. Teniendo en cuenta eso y
dado E ⊂ Rn , se define la distribución de Wishart mediante Y ′ PE Y ∼ Wp (dim E, δ, Σ), con
δ = µ′ PE µ. Si δ = 0 se denota Wp (dim E, Σ). Las propiedades de la distribución de Wishart
son por completo análogas a la de la distribución χ2 y se estudian con detalle en Arnold (1981).
Ejercicio 39. Comprobar que W1 (m, δ, σ 2 ) = σ 2 χ2m (δ/σ 2 )

Distribución T 2 de Hotelling: Dados X ∼ Np (ν, Σ) y W ∼ Wp (m, Σ) independientes, se

define la distribución T 2 -Hotelling mediante

mX ′ W −1 X ∼ Tp,m
2
(δ), δ = ν ′ Σ−1 ν (2.34)
2
En el caso δ = 0 se denota Tp,m . En Arnold (1981) se prueba que esta distribución no es en
esencia nueva, sino que se identifica, salvo un factor escala, con un modelo tipo F , lo cual
garantiza que está bien definida. Concretamente
2 mp
Tp,m (δ) = Fp,m−p+1 (δ) (2.35)
m−p+1
2.3. MODELO GENERAL 29

2
En particular, se verifica que T1,m = t2m , por lo que debemos entender la distribución T 2 una
generalización en sentido estadı́stico de la distribución t2 . Es decir, que se utilizará en aquellos
problemas multivariantes cuyos análogos univariantes precisen de la distribución t-Student,
concretamente, en el contraste de hipótesis del tipo H0 : µ ∈ W con dim V |W = 1. Veremos
que en tales casos el estadı́stico de contraste puede entenderse geométricamente como una
2
distancia de Mahalanobis. Además, puede probarse que Tp,m converge en distribución a χ2p
conforme m tiende a infinito.

Distribuciones de Wilks, Lawley-Hotelling, Roy y Pillay: Pueden entenderse como

cuatro formas diferentes de generalizar la distribución F en el caso multivariante. Se estudian
con detalle en Arnold (1981). Al igual que ocurre con la distribución F , convergen en distribu-
ción a χ2p·dim V |W conforme aumenta el segundo grado de libertad, por lo cual omitiremos aquı́
su estudio.

2.3.2. El modelo y ejemplos

Dada una matriz A ∈ Mn×p y E ⊂ Rn , se denota A ∈ E cuando cada columna de A
pertenece al subespacio E. Dicho esto, el modelo lineal normal multivariante viene dado por
una matriz de datos Y ∼ Nn,p (µ, Id, Σ), con Σ > 0 y la restricción µ ∈ V para algún V ⊂ Rn
conocido. Por lo tanto, Y constituye una matriz como la que aparece en el cuadro 1.1 que
recoge una muestra (en sentido amplio) de n observaciones Yi ∼ Np (µi , Σ) independientes. Si
consideramos una base X de V , el modelo puede parametrizarse también de la forma

Y = Xβ + E, E ∼ Nn,p (0, Id, Σ), β ∈ Mdim V ×p , Σ > 0 (2.36)

Los cuatro problemas univariantes (ejemplos 1-4) considerados en el apartado 2.2.2 se genera-
lizan al caso multivariante dando lugar a los siguientes problemas estadı́sticos multivariantes
que se estudiarán con más detalle en el siguiente capı́tulo. Basta tener en cuenta que la variable
respuesta Y se convierte en este caso en un vector respuesta p-dimensional de componentes
Y [1], . . . , Y [p].
Ejemplo 5. [Muestra aleatoria simple de una distribución p-normal] Consideremos Y1 , . . . , Yn
iid Np (ν, Σ). En ese caso, la matriz aleatoria Y = (Y1 , . . . , Yn )′ sigue un modelo de distribución
Nn (µ, Id, Σ) con µ ∈ V = h1n i y Σ > 0. Efectivamente, se verifica que cada columna µ[j] de
µ, que corresponde a la componente Y [j] del vector Y , pertenece a V .
Ejemplo 6. [Muestras independientes de p-normales con idéntica matriz de covarianzas] Consi-
deremos, para i = 1, 2, sendas muestras independientes Yi1 , . . . , Yini iid Np (µi , Σ). Si se denota
n = n1 +n2 e Y = (Y11 , . . . , Y2n2 )′ , se verifica que Y ∼ Nn (µ, Id, Σ) con Σ > 0 y µ ∈ V = hv1 , v2 i.
Ejemplo 7. [Diseño completamente aleatorizado multivariante] Se generaliza el caso univariante
como en los ejemplos 5 y 6.
Ejemplo 8. [Regresión lineal multivariante] A diferencia del ejemplo 4 univariante, se pretende
explicar p variables respuesta, Y [1], . . . , Y [p], a partir de q variables explicativas, lo cual nos
lleva a un modelo tipo (2.36) donde Y es la matriz n × p de observaciones respuesta, expresada
como en (1.1), E la matriz n × p de errores, X es la misma matriz que aparece en (2.15) y β es
la matriz (q + 1) × p siguiente
   ′ 
β0 [1] . . . β0 [p] β0
 β1 [1] . . . β1 [p]   β ′ 
  1 
β =  .. ..  =  ..  (2.37)

 . ... .   . 
βq [1] . . . βq [p] βq′
30 CAPÍTULO 2. MODELO LINEAL MULTIVARIANTE

Para cada coeficiente βi [j], el subı́ndice i y el ı́ndice entre corchetes j indican, respectivamente,
a qué vector explicativo y a qué vector respuesta hace referencia. La primera fila, relativa al
término independiente, se denota por β0 , y el resto de la matriz por β.
Al igual que en el caso univariante, un problema como el del ejemplo 7 puede parametrizarse
de idéntica forma mediante variables dummys para convertirse en un problema de regresión
lineal multivariante, donde el contraste de la igualdad de las r medias equivale al contraste
total de la hipótesis β = 0.
Estos cuatro problemas se abordarán con más detalle en el siguiente capı́tulo. A continuación
estudiaremos brevemente la solución teórica a los problemas de estimación y contraste de
hipótesis.

2.3.3. Estimación y contraste de hipótesis

Los estimadores de µ y σ 2 en el modelo univariante pueden generalizarse de manera natural
mediante

µ̂ = PV Y, (2.38)
1
Σ̂ = Y ′ PV ⊥ Y (2.39)
n − dim V

Puede probarse que, ası́ definidos, µ̂ y Σ̂ son EIMV de µ y Σ y que, si reemplazamos en Σ̂

el denominador n − dim V por n, constituyen el EMV. El estimador µ consiste en estimar la
media de las distintas componentes por separado. Si el modelo está parametrizado de la forma
(2.36), el estimador de β será igualmente

β̂ = (X′ X)−1 X′ Y (2.40)

Ejercicio 40. Probar que (n − dim V )Σ̂ ∼ Wp (n − dim V, Σ)

En lo referente al contraste de hipótesis tipo H0 : µ ∈ W , las afirmaciones de los ejercicios
(28), (29) y (30) pueden extenderse trivialmente al caso multivariante. El test que resuelve el
contraste se denomina manova.

Manova: Consideraremos nuevamente la descomposición ortogonal Rn = W ⊕ V |W ⊕ V ⊥ ,

que da pie a definir las siguientes matrices p × p simétricas y semidefinidas positivas:

S 1 = Y ′ PW Y , S2 = Y′ PV |W Y, S 3 = Y ′ PV ⊥ Y (2.41)

En lo sucesivo prescindiremos de S1 por argumentos de invarianza. Es más, la aplicación del

Principio de Invarianza de manera análoga al caso univariante nos conduce a desechar todo
test cuyo estadı́stico de contraste no pueda expresarse en función de los autovalores de S−1
3 S2 ,
que se denotan de mayor a menor mediante t1 , . . . , tp . En lo sucesivo, se denotará

b = mı́n{p, dim V |W } (2.42)

Ejercicio 41. Probar que t1 , . . . tp ≥ 0, siendo necesariamente nulos los p − b últimos.

Ası́ pues, el Principio de Invarianza nos conduce a considerar sólo los tests que se construyan
a partir de (t1 , . . . , tb ). En el capı́tulo 3 se verá un interpretación precisa de estos autovalores.
Sólo en el caso b = 1 estaremos en condiciones de formular directamente un test basado en la
distribución de t1 . Se da tal situación cuando p = 1 o dim V |W = 1:
(i) Si p = 1 las matrices de (2.41) son números positivos y t1 es, salvo una constante, el
estadı́stico F . Se trata pues del propio anova.
2.3. MODELO GENERAL 31

(ii) Si dim V |W = 1 puede probarse que t1 sigue, salvo una constante, una distribución T 2 -
Hotelling, lo cual permite formular un test UMP-invariante y de razón de verosimilitudes.
Si, además, p = 1, estaremos hablando del test de Student.

Dado que en el caso b > 1 el Principio de Invarianza no propicia una simplificación completa
de la información, el problema se ha abordado históricamente acogiéndose a otros diferentes
principios estadı́sticos que conducen a respectivas soluciones razonables que pueden expresarse
a partir de los mencionados autovalores. De esta manera aparecen en la literatura estadı́stica
cuatro tests diferentes (Wilks, Lawley-Hotelling, Roy y Pillay), aunque nos centraremos aquı́
en el test de Wilks por dos razones: por ser el TRV y por que facilita el algoritmo de selección
de variables en regresión lineal, lo cual es especialmente interesante en el análisis discriminante
lineal. De (2.33) se sigue que el estadı́stico de contraste del test de Wilks, es decir, la razón de
verosimilitudes, es la siguiente:

|S3 |
λ(Y) = (2.43)
|S2 + S3 |
Ejercicio 42. Probar que λ(Y) puede expresarse a través de t1 , . . . , tb mediante
b
Y
λ(Y) = (1 + ti )−1 (2.44)
i=1

Se demuestra en Arnold (1981) que, bajo la hipótesis nula, −(n − dimV ) log λ converge en
distribución a χ2p·dim V |W cuando n tiende a infinito. Este resultado es incluso cierto aunque no
se respete el supuesto de normalidad, siempre y cuando el diseño de la muestra respete ciertas
condiciones razonables. En definitiva, para muestras de gran tamaño utilizaremos la distribu-
ción χ2 como referencia, aunque el programa SPSS puede trabajar con otras aproximaciones a
la distribución F .
También se recogen en Arnold (1981), Dillon y Goldstein (1984), Flury (1996) y Rencher
(1995), entre otras referencias, diversos tests para contrastes de hipótesis relativos a la matriz
de covarianzas implementados en los programas estadı́sticos, como el test M de Box, el de
esfericidad de Barlett y algunos otros, que no abordamos aquı́ por brevedad y dado que son
sensibles ante la violación del supuesto de normalidad.
32 CAPÍTULO 2. MODELO LINEAL MULTIVARIANTE
Capı́tulo 3

Aplicaciones del modelo

En este capı́tulo desarrollaremos los cuatro problemas estadı́sticos formulados en los ejem-
plos 5-8 de la página 29 del capı́tulo anterior, cuyo denominador común es que se formalizan
mediante el modelo lineal multivariante. Añadimos además un apartado dedicado al análisis de
correlación canónica, relacionado directamente con el problema de regresión lineal multivarian-
te, y una sección dedicada al análisis de perfiles, relacionado con los tres problemas restantes.
Por último, ilustraremos con un ejemplo algunas de las técnicas estudiadas. En los distintos
casos se aplicarán los métodos teóricos de estimación y contraste de hipótesis expuestos en el
capı́tulo anterior. Se da por supuesto que el lector conoce ya las técnicas univariante análo-
gas (test de Student para muestras independientes y relacionadas, anova de una vı́a y estudio
de regresión lineal múltiple), que puede consultar, por ejemplo, en Peña (2010). A lo largo
del capı́tulo se hará uso del siguiente resultado, comúnmente conocido como teorema de los
multiplicadores finitos de Langrange, que permite obtener valores extremos para una función
definida en Rp bajo una serie de restricciones.
Lema 3.0.1. Sean k < p enteros y φ y f funciones derivables de Rp en R y Rk , respectivamente,
tales que existe máx{φ(x) : f (x) = 0} alcanzándose en c ∈ Rp . Entonces, existe η ∈ Rk tal
que ▽(φ − η ′ f )(c) = 0.

3.1. Inferencia para una media

Desarrollamos aquı́ el ejemplo 5 de la página 29. Partimos pues de una muestra aleatoria
simple de una distribución p-normal, es decir,
Y1 , . . . , Yn iid Np (ν, Σ) (3.1)
de tal forma que la matriz de datos Y sigue un modelo de distribución Nn,p (µ, Id, Σ) con
µ ∈ V = h1n i y Σ > 0. Denótese por y el vector de medias (y[1], . . . , y[p])′ y por S la matriz
de covarianzas muestral. Podemos probar entonces los siguientes resultados.
n
Proposición 3.1.1. Los EIMV de µ y Σ son µ̂ = 1n · y′ y Σ̂ = n−1
S, respectivamente.
Proposición 3.1.2. n(y − ν)′ S −1 (y − µ) ∼ Tp,n−1
2

De la proposición 3.1.2 se sigue que el siguiente conjunto de Rp es una región de confianza

a nivel 1 − α para la media ν.
2,α
Eα (Y) = x ∈ Rp : n(y − x)′ S −1 (y − x) ≤ Tp,n−1

(3.2)
Esta región geométrica es un elipsoide cuyo centro es y y cuya forma viene dada por S. Si
pretendemos contrastar la hipótesis inicial H0 : ν = 0, que equivale a µ ∈ W = 0, la proposición
2
3.1.2 invita confrontar con la distribución Tp,n−1 el estadı́stico de contraste
T 2 (Y) = ny′ S −1 y (3.3)

33
34 CAPÍTULO 3. APLICACIONES DEL MODELO

Éste es precisamente el test UMP-invariante y de razón de verosimilitudes que se propone en el

capı́tulo anterior para este caso particular, donde se da la circunstancia de que dim V |W = 1.
Tanto el elipsoide (3.2) como el estadı́stico de contraste (3.3) pueden expresarse en términos
de la distancia de Mahalanobis DS2 definida en (1.34). Concretamente,

T 2 (Y) = nDS2 (y, 0) (3.4)

Ejercicio 43. Probar que S −1 > 0

Ejercicio 44. Probar que, en , p = 1, el test (3.3) es el de Student para una muestra.
Ejercicio 45. En el cuadro 3.2 se muestra el resultado de aplicar el test 3.3 con tres variables
y 36 individuos (se muestra el correspondiente cuadro de diálogo de SPSS). Interpretar la tabla
en función de los conocimientos teóricos.

Cuadro 3.1: Cuadro de diálogos Manova para una muestra

Cuadro 3.2: Tabla Manova una muestra

b
Contrastes multivariados
Gl de la
Efecto Valor F hipótesis Gl del error Sig.
a
Intersección Traza de Pillai ,802 44,582 3,000 33,000 ,000
a
Lambda de Wilks ,198 44,582 3,000 33,000 ,000
a
Traza de Hotelling 4,053 44,582 3,000 33,000 ,000
a
Raíz mayor de Roy 4,053 44,582 3,000 33,000 ,000
a. Estadístico exacto
b. Diseño: Intersección

Por otra parte, del Teorema Central el Lı́mite y la Ley Débil de los Grandes Números se
sigue:

Proposición 3.1.3. Si Y1 , . . . , Yn iid con media ν y componentes en L2 , entonces se verifica la

siguiente convergencia en distribución:

lı́m nDS2 (y, ν) = χ2p (3.5)

n→∞
3.2. INFERENCIA PARA DOS MEDIAS 35

Este resultado otorga validez asintótica al test propuesto aunque no se verifique el supuesto
de normalidad. Nótese también que podemos construir una región de confianza a nivel 1 − α sin
utilizar técnicas multivariantes, calculando para cada componente del vector respuesta Y un
intervalo de confianzas a nivel 1 − α∗ y componiendo entonces un rectángulo en dimensión p.
El valor de α∗ puede determinarse mediante de manera conservadora mediante la desigualdad
de Bonferroni: m m
\ X
P Aci



P Ai ≥ 1 − (3.6)
i=1 i=1

Figura 3.1: Rectángulo y elipse de confianza

y[2] y

y[1]

El elipsoide (3.2) delimita una región del espacio de menor tamaño que el del rectángulo,
siendo mayor su diferencia cuanto mayor sea la correlación entre las variables. Ello es debido a
que el método univariante no hace uso en ningún momento de las covarianzas y, por lo tanto,
emplea menos información que el multivariante.
Si las componentes del vector aleatorio Y fueran incorreladas (independientes bajo el su-
puesto de p-normalidad) el rectángulo anterior podrı́a construirse sin recurrir a la desigualdad
de Bonferroni (3.6) y tendrı́a un área similar al de la elipse, cuyos ejes coincidirı́an con los ejes
de coordenadas. En ese caso no procederı́a el uso de métodos multivariantes.

3.2. Inferencia para dos medias

En esta sección desarrollamos el ejemplo 6 de la página 29. Se trata pues de estudiar la
posible relación entre un vector respuesta p-dimensional Y y un factor cualitativo que distingue
dos categorı́as. Partimos de dos muestras independientes de sendas distribuciones p-normales
con matriz de covarianzas común

Y11 , . . . , Y1n1 iid Np (µ1 , Σ)
(3.7)
Y21 , . . . , Y2n2 iid Np (µ2 , Σ)
La matriz de datos Y sigue un modelo de distribución Nn1 +n2 ,p (µ, Id, Σ) con µ ∈ V = hv1 , v2 i
y Σ > 0.
Ejercicio 46. Construir los EIMV de µ y Σ a partir de las medias aritméticas y1 , y2 ∈ Rp de
ambas muestras.
36 CAPÍTULO 3. APLICACIONES DEL MODELO

Ejercicio 47. Probar que

n1 n2
· DΣ̂2 (y1 , y2 ) ∼ Tp,n
2
1 +n2 −2
(θ), θ = DΣ2 (µ1 , µ2 ) (3.8)
n1 + n2

Si pretendemos contrastar la hipótesis inicial H0 : µ1 = µ2 , (3.8) invita a confrontar con la

2
distribución Tp,n 1 +n2
el estadı́stico de contraste

n1 n2
T 2 (Y) = · DΣ̂2 (y1 , y2 ) (3.9)
n1 + n2

En eso consiste precisamente el test UMP-invariante y de razón de verosimilitudes que se

propone en el capı́tulo anterior para este caso particular, donde se da la circunstancia también
de que dim V |W = 1. Como en la sección anterior, estamos también en condiciones de garantizar
la validez asintótica del test aunque no se verifique el supuesto de p-normalidad si n1 , n2 →
∞; también podemos garantizarla aunque no se verifique el supuesto de homocedasticidad si,
además, n1 /n2 → 1. Si p = 1 el test propuesto es el conocido test de Student para dos muestras
independientes.
La hipótesis H0 : µ1 = µ2 podrı́a contrastarse prescindiendo de técnicas multivariantes
aplicando de manera independiente sendos tests de Student para cada una de las p componentes
del vector respuesta Y . En ese caso, los niveles de significación de cada test deberı́an calcularse
de manera conservadora mediante la desigualdad de Bonferroni. Además, no podemos descartar
que el método multivariante (3.9) aprecie diferencias significativas entre ambas medias mientras
que ninguno de los tests de Student univariantes logre diferenciar las componentes de las
mismas. Hemos de ser conscientes, nuevamente, de que el método multivariante hace uso de
la información que aportan las covarianzas, lo cual no se tiene en cuenta en ninguno de los p
tests de Student.
Ejercicio 48. Interprétese en los términos anteriores la tabla que aparece en el cuadro 3.4,
obtenida según se indica en el cuadro 3.3, que corresponde a un estudio comparativo efectuado
a 25 lobos en los se que relacionan de 9 variables numéricas con el sexo.

Cuadro 3.3: Cuadro de diálogos Manova para dos muestras

Nótese por otra parte que la j-ésima componente del vector respuesta, Y [j], es la proyec-
ción del vector Y sobre el j-ésimo eje de coordenadas. Si ej denota un vector unitario que lo
3.3. MANOVA DE UNA VÍA 37

Cuadro 3.4: Tabla Manova dos muestras

b
Contrastes multivariados
Gl de la
Efecto Valor F hipótesis Gl del error Sig.
a
Intersección Traza de Pillai 1,000 6886,561 9,000 15,000 ,000
a
Lambda de Wilks ,000 6886,561 9,000 15,000 ,000
a
Traza de Hotelling 4131,937 6886,561 9,000 15,000 ,000
a
Raíz mayor de Roy 4131,937 6886,561 9,000 15,000 ,000
a
Sex Traza de Pillai ,784 6,038 9,000 15,000 ,001
a
Lambda de Wilks ,216 6,038 9,000 15,000 ,001
a
Traza de Hotelling 3,623 6,038 9,000 15,000 ,001
a
Raíz mayor de Roy 3,623 6,038 9,000 15,000 ,001
a. Estadístico exacto
b. Diseño: Intersección + Sex

determina, podemos expresar Y [j] = e′j Y . En general, para cada eje hai con kak = 1, podemos
considerar la proyección a′ Y sobre hai que da lugar a dos muestras independientes
 ′
a Y11 , . . . , a′ Y1n1 iid N1 (a′ µ1 , a′ Σa)
(3.10)
a′ Y21 , . . . , a′ Y2n2 iid N1 (a′ µ2 , a′ Σa)

y a una hipótesis inicial H0a : a′ µ1 = a′ µ2 , que puede contrastarse a partir de los datos proyec-
tados mediante el test de Student. Concretamente, se confronta con la distribución tn1 +n2 −2 el
estadı́stico de contrate thai (Y) definido como t(Ya). Conocido Y, debe existir necesariamente un
eje ha1 i que aporte un valor máximo para thai (Y). Mediante el lema 3.0.1 obtenemos la solución
concreta
(n1 − 1)S1 + (n2 − 1)S2
ha1 i = Sc−1 (y1 − y2 ), Sc = (3.11)
n1 + n2 − 2
Es más, si se denota
Wij [1] = a′1 Yij , i = 1, 2, j = 1, . . . , ni (3.12)
se verifica entonces que t2 (W[1]) = T 2 (Y). En ese sentido podemos afirmar que distinguir las
dos muestras en dimensión p es equivalente a distinguirlas en dimensión 1 sobre el eje ha1 i,
que se denomina (primer) eje discriminante. El vector de proyecciones W[1] = Ya1 se denomina
vector de las (primeras) puntuaciones discriminantes. En la figura 3.2 el eje discriminante se
representa con lı́neas discontinuas:

3.3. Manova de una vı́a

En esta sección desarrollaremos el ejemplo 7 de la página 29 y ampliaremos el concepto de
eje discriminante. El problema supone una generalización del estudiado en la sección anterior,
puesto que trata la relación entre un vector respuesta p-dimensional Y y un factor cualitativo
que, en este caso, distingue entre r ≥ 2 categorı́as. Por lo tanto, partimos de un diseño,
denominado completamente aleatorizado, similar a (3.7) pero con r muestras independientes
de ni datos cada una. Mantendremos P aquı́ la notación habitual del diseño de experimentos.
En particular, n denotará la suma ri=1 ni . La matriz de datos Y sigue entonces un modelo de
distribución Nn (µ, Id, Σ) con µ ∈ V = hv1 , . . . , vr i y Σ > 0. La hipótesis inicial a contrastar
en este caso es H0 : µ1 = . . . = µr , que se corresponde con µ ∈ W = h1n i. Si r > 2 y p > 1 se
verifica, a diferencia de los dos estudios anteriores, que b, según se define en (2.42), es mayor
que 1.
A pesar de que, desde un punto de vista práctico, la comparación de 2 medias es un pro-
blema semejante a la comparaciones de r ≥ 3 medias, el último estudio comporta una mayor
38 CAPÍTULO 3. APLICACIONES DEL MODELO

Figura 3.2: Eje discriminante

complicación formal dado que no puede resolverse en términos de una distancia T 2 entre un
único par de elementos. Por eso nos limitamos a aplicar la solución general del contraste ex-
puesta en el capı́tulo anterior a este caso concreto: se obtienen t1 ≥ . . . ≥ tb > 0, los autovalores
positivos de S−1
3 S2 , donde S2 y S3 se calculan según (2.41) y, a partir de los mismos, obtene-
mos el valor del estadı́stico λ de Wilks definido según (2.44); por último, se confronta con la
distribución χ2p(r−1) el valor −(n − r) log λ(Y).
En el caso p = 1 el test obtenido es el anova de una vı́a; en el caso r = 2 es el test (3.9); en
general se denomina manova de una vı́a, que será asintóticamente válido aunque no se verifique
el supuesto de normalidad si n1 , . . . , nr tienden a infinito.
Desde este punto de vista, el problema de contrastar una hipótesis tipo H0 : µ ∈ W se
reduce a obtener las matrices S2 y S3 adecuadas. En este caso particular, pueden obtenerse
trivialmente de manera similar a SCE y SCH en (2.29).
Ejercicio 49. Probar que
   
SCH11 . . . SCH1p SCE11 . . . SCE1p
S2 =  .. .. .. ..
, S3 =  (3.13)
   
. . . . 
SCH1p . . . SCHpp SCE1p . . . SCEpp

donde, para h, k = 1, . . . , p,
r
X


SCHhk = ni yi· [h] − y·· [h] · yi· [k] − y·· [k] (3.14)
i=1
Xr Xni



SCEhk = Yij [h] − yi· [h] · Yij [k] − yi· [k] (3.15)
i=1 j=1

Aunque no vamos a estudiar aquı́ diseños de experimentos multivariantes con dos o más
factores, el lector debe percatarse de que, si es capaz de resolver el problema en el caso univa-
riante, basta con proceder de manera análoga a (3.14) y (3.15) para obtener la solución general
para el caso multivariante.
El interés de estas dos últimas secciones radica en la vinculación existente entre el manova
de una vı́a y test (3.9), entendido como caso particular, con el LDA (análisis discriminate lineal)
de Fisher. Por otra parte, el problema de comparación de medias en un diseño completamente
3.3. MANOVA DE UNA VÍA 39

aleatorizado puede entenderse como un problema de regresión lineal, multivariante en este caso,
respecto a r −1 variables dummys de asignación a categorı́as, lo cual justifica a su vez el estudio
del problema de regresión lineal multivariante que desarrollamos en la siguiente sección.

3.3.1. Ejes discriminantes

El concepto de eje discriminante introducido en la sección anterior puede ampliarse cuando
el número de muestras es mayor que 2. Dado un eje hai podemos considerar el estadı́stico de
contraste Fhai (Y) para la hipótesis inicial de igualdad de medias a partir de los datos proyectados
sobre dicho eje. Nuestro primer objetivo es encontrar el eje ha1 i que lo maximiza. En el caso
r = 2 la solución es (3.11).
Ejercicio 50. Probar que la solución general es el eje ha1 i con

a1 = arg máx{a′ S2 a : a′ S3 a = 1} (3.16)

Ejercicio 51. Utilizando el lema 3.0.1, probar que Fha1 i (Y) = n−r
r−1
· t1 , siendo t1 el primer
−1 ′
autovalor de S3 S2 y a1 un autovector asociado tal que a1 S3 a1 = 1.
De esta forma construimos el primer vector de puntuaciones discriminantes W[1] = Ya1 . El
proceso puede continuar en principio hasta completar p ejes discriminantes con sus respectivas
puntuaciones: el segundo eje discriminante ha2 i se define como aquél sobre el que debemos
proyectar Y para obtener un vector de puntuaciones W[2] = Ya2 incorrelado con W[1] y con
Fha2 i (Y) máximo, y ası́ sucesivamente hasta obtener ap y el vector de puntuaciones W[p] = Yap .
Los ejes discriminantes son los p autovectores de S−1 3 S2 y los valores máximos del estadı́stico
F son, salvo el escalar (n − r)/(r − 1), sus respectivos autovalores t1 , . . . , tp . Dado que los
p − b últimos son necesariamente nulos, sólo se contemplan en la práctica los b primeros, de
ahı́ que en el caso r = 2 consideremos un único eje discriminante. En definitiva, si A denota la
matriz p×p cuyas columnas son los vectores a1 , . . . , ap , podemos transformar la matriz de datos
originales Y en una matiz de idénticas dimensiones con todas las puntuaciones discriminantes

W=YA (3.17)

donde A verifica
t1 0 0 0
 
.. ..

 . 
 .
 0 tb 0 0 
 
A′ S3 A = Id, ′
A S2 A =  (3.18)
 0 0 0 0 

 .. .. 
 . . 
0 0 0 0

El siguiente resultado puede demostrarse a partir de (3.18) y (3.14) y es la clave definitiva

para entender los ejes discriminantes y el significado de los autovalores t1 , . . . , tb :
Ejercicio 52. Para todo k = 1, . . . , p, se verifica:
Pr  2
i=1 in W i· [k] − W ·· [k] = tk (3.19)

Por otra parte, los autovalores ti pueden entenderse respectivamente como estimadores
de os autovalores probabilı́sticos θ1 , . . . , θp de la matriz Σ−1 · µ′ PV |W µ. La hipótesis inicial
H0 (1) : θ1 = 0 equivale a H0 : µ1 = . . . = µr = 0, y se contrasta mediante el manova de una vı́a
a partir de t1 , . . . , tb , tomando como referencia la distribución χ2p(r−1) . Sin embargo, la veracidad
de la hipótesis inicial H0 (2) : θ2 = 0 equivale en términos intuitivos a que toda la discriminación
40 CAPÍTULO 3. APLICACIONES DEL MODELO

entre las medias recaiga exclusivamente en el primer eje discriminante. La hipótesis H0 (2) puede
contrastarse a partir de t2 , . . . , tp y tomando como referencia la distribución χ2(p−1)(r−2) . De esta
forma puede evaluarse la capacidad de discriminación de sucesivos ejes, aunque en la práctica
la valoraremos directamente en términos muestrales ponderando los autovalores t1 , . . . , tb .
Ejercicio 53. Interpretar en los términos de la teorı́a los cuadros 3.5 y 3.6, correspondientes
a la comparación multivariante de medias entre las tres especies de flores de irisdata.

Cuadro 3.5: Autovalores y correlaciones canónicas

Autovalores
Correlación
Función Autovalor % de varianza % acumulado canónica
a
1 32,192 99,1 99,1 ,985
a
2 ,285 ,9 100,0 ,471
a. Se han empleado las 2 primeras funciones discriminantes
canónicas en el análisis.

Cuadro 3.6: Test de Wilks

Lambda de Wilks
Lambda de
Contraste de las funciones Wilks Chi-cuadrado gl Sig.
1 a la 2 ,023 546,115 8 ,000
2 ,778 36,530 3 ,000

3.4. Regresión multivariante

Desarrollamos aquı́ el ejemplo 8, lo cual da pie al análisis de correlación canónica. El pro-
blema se expresa formalmente ası́: Y = Xβ + E, donde E ∼ Nn,p (0, Id, Σ) con Σ > 0 y siendo β
una matriz de dimensiones (q + 1) × p del tipo (2.37). El problema de estimación de β queda
resuelto en (2.40). En lo referente al problema de contraste de hipótesis, consideraremos dos
casos de especial interés.

3.4.1. Contraste total: análisis de correlación canónica

Estudiamos primeramente el contraste de la hipótesis inicial H0 : β = 0 que, en términos
de la media µ = Xβ, se expresa mediante H0 : µ ∈ W = h1n i. Por lo tanto, dim V |W = q y
b = mı́n{p, q}. Se denotará por λ(Y)(Z) el estadı́stico λ de Wilks para el contraste total.
Ejercicio 54. Probar que, en este caso, se verifica
−1
S2 = nSyz Szz Szy (3.20)
−1
S3 = n[Syy − Syz Szz Szy ] (3.21)
El test de Wilks consiste en confrontar −[n − (q + 1)] log λ(Y)(Z) con con la distribución χ2pq ,
donde
b
Y
λ(Y)(Z) = (1 + ti )−1 , t1 > . . . > tb > 0 autovalores positivos de S−1
3 S2 (3.22)
i=1
3.4. REGRESIÓN MULTIVARIANTE 41

Ejercicio 55. En el caso p = 1, que se corresponde con el problema de regresión múltiple,

tenemos un único número
R2
t1 = (3.23)
1 − R2
Es decir que, si p = 1, el test total puede expresarse en función del coeficiente de correlación
múltiple (al cuadrado) definido en (1.28), según (3.23). En el caso multivariante p ≥ 1 podemos
generalizar la relación anterior si definimos r12 > . . . > rb2 > 0 como los autovalores positivos
−1 −1
de Syy Syz Szz Szy .
Ejercicio 56. Probar que

ti ri2
ri2 = ti = , i = 1, . . . , b (3.24)
1 + ti 1 − ri2

Los autovalores r12 > . . . > rb2 > 0 se denominan coeficientes de correlación canónica
muestrales (al cuadrado) y, según hemos visto, contienen información relevante en el contraste
de la hipótesis H0 : β = 0. No obstante, podemos interpretarlos de manera más clara.
En lenguaje probabilı́stico, si Y y Z son vectores aleatorios de dimensiones p y q, respec-
tivamente, buscamos α1 ∈ Rp y β1 ∈ Rq tales que las variables U1 = α1′ Y y V1 = β1′ Z tengan
varianza 1 y su correlación sea máxima entre todas las proyecciones de Y y Z sobre sendos
ejes de Rp y Rq . En ese caso, los ejes obtenidos, hα1 i y hβ1 i, se denominan primer par de ejes
canónicos, y (U1 , V1 ), el primer par de variables canónicas. La correlación entre ambas se denota
por ρ1 y se denomina primer coeficiente de correlación canónica. El siguiente paso es determi-
nar otro par de ejes y, por lo tanto, otro par de proyecciones (U2 , V2 ), incorreladas con (U1 , V1 )
y con una correlación entre sı́ ρ2 máxima, y ası́ sucesivamente hasta llegar a b = mı́n{p, q}.
Consideremos las siguientes matrices de dimensiones p × p y q × q, ambas de rango b:

Σ−1 −1
yy Σyz Σzz Σzy (3.25)

Σ−1 −1
zz Σzy Σyy Σyz (3.26)
Ejercicio 57. Probar que los b primeros autovalores de las matrices (3.25) y (3.26) coinciden
(no ası́ sus respectivos autovectores).
La demostración del siguiente resultado, que se recoge en el manual 59 de la UEx, se basa
fundamentalmente en el lema 3.0.1:

Teorema 3.4.1. Con las notaciones precedentes se verifica:

(i) Los coeficientes de correlación canónicas ρ21 . . . , ρ2b son los b primeros autovalores de la
matriz (3.25).

(ii) Los vectores α1 , . . . , αb que determinan los ejes canónicos asociados a Y pueden obtenerse
como autovectores de la matriz (3.25) asociados a ρ21 . . . , ρ2b , respectivamente. Análoga-
mente, los vectores β1 , . . . , βb que determinan los ejes canónicos para Z pueden obtenerse
como autovectores de la matriz (3.26) asociados a ρ21 . . . , ρ2b , respectivamente.

En definitiva, los ejes canónicos permiten entender de manera más natural la correlación
lineal entre las variables respuestas y las explicativas.
    ρ    
Z1 V1 ←→
1
U1 Y1
 ..   .   ..   . 
 .  −→  ..   .  ←−  .. 
ρb
Zq Vb ←→ Ub Yp
Ejercicio 58. Expresar la definición y el teorema anteriores en términos muestrales.
42 CAPÍTULO 3. APLICACIONES DEL MODELO

Ejercicio 59. Probar que, dada una variable aleatoria real Y y un vector aleatorio Z de
dimensión q, la máxima correlación lineal simple entre Y y una combinación lineal de las
componentes de Z, β ′ Z, es el coeficiente (1.18), y se obtiene con β según (1.21).
Sabemos que la hipótesis inicial H0 : µ1 = . . . = µr en un diseño completamente aleatoriza-
do equivale a H0 : β = 0 si parametrizamos el modelo como una regresión lineal multivariante
respecto a r − 1 variables dummys. En ese caso, los autovalores t1 , . . . , tb correspondientes al
manova de una vı́a, que expresan la capacidad de discriminación de los ejes discriminantes,
pueden calcularse a partir de S2 y S3 definidas según (3.20) y (3.21), siendo Z el vector de
variables dummys. No obstante, dichos autovalores se relacionan con los coeficientes de co-
rrelación canónicos según (3.24). Por lo tanto, el propio manova de una vı́a puede expresarse
en términos de los coeficientes de correlación canónicos, calculados a partir de las variables
dummys, de la misma forma que el anova de una vı́a se expresa en términos del coeficiente de
correlación múltiple R2 . Además, ri expresa al igual que ti el poder de discriminación del eje
hai i, con la ventaja a la hora de interpretarlo de que está acotado entre 0 y 1.
Ejercicio 60. Probar que los ejes discriminantes son los propios ejes canónicos que se obtienen
considerando como Z el vector de variables dummys (ver figura 4.2).
Ejercicio 61. Interpretar en los términos de la teorı́a los coeficientes de correlación canónica
que aparecen en el cuadro 3.5.

3.4.2. Contrastes parciales: método Lambda de Wilks

El otro tipo de contraste de interés está relacionado con la depuración del modelo mediante
los algoritmos de selección de variables. Se trata en esta ocasión de contrastar hipótesis iniciales
del tipo H0 : βj1 = . . . = βjk = 0 para k < q y j1 , . . . , jk ∈ {1, . . . , q}. La veracidad de esa
hipótesis conllevarı́a suprimir del modelo un parte de la matriz Z que se denota por ZD y está
compuesta por las columnas j1 , . . . , jk , dando lugar a un modelo reducido con un nueva matriz
ZR ∈ Mn×(q−k) .
Ejercicio 62. Probar que, si k = 1, el problema puede resolverse haciendo uso de la distribución
2
Tp,n−(q+1) que, salvo una constante, coincide con Fp,n−p−q .
En todo caso, se denota por λ(Y )(ZR |ZD ) el estadı́stico de Wilks que resuelve este contraste.
El método de Wilks oferece una ventaja a la hora de elaborar un algoritmo de selección de
variables, pues los estadı́sticos de contraste para los tests parciales pueden obtenerse a partir
de los correspondientes a los test totales para los diferentes modelos reducidos.
Ejercicio 63. Probar que
λ(Y)(Z)
λ(Y)(ZR |ZD ) = (3.27)
λ(Y)(ZR )

Figura 3.3: Test de Wilks parcial

h1n ZR i
✯
✟
✟✟
λ(Y )(ZR |ZD )

✟✟
h1n ZR ZD i ✟
❍ λ(Y )(ZR )
❍❍
λ(Y )(Z) ❍❍ ❄
❥
❍
h1n i
3.4. REGRESIÓN MULTIVARIANTE 43

En el caso de la regresión lineal multivariante, pomos considerar, además de los conocidos

algoritmos de selección de variables explicativas (hacia adelante, hacia atrás, pasos sucesivos),
otros para la selección de variables respuesta: dado cualquier j = 1, . . . , p, entendemos que el
vector Y[j] es prescindible en el modelo cuando, si consideramos un modelo de regresión lineal
múltiple con Y[j] como variable respuesta y Z, YR como explicativas, Z deberı́a ser eliminada
según el test parcial. Este criterio a la hora de seleccionar variables se relaciona con el concepto
probabilı́stico de independencia condicional.
Ejercicio 64. Probar que el contraste para Y[j] puede resolverse haciendo uso de la distribución
Fq,n−(p+q) .
Se denota no obstante mediante λ(YR |Y[j])(Z) el estadı́stico de Wilks que resuelve este
contraste .
Ejercicio 65. Teniendo en cuenta (3.27), probar que

λ(Y)(Z)
λ(YR |Y[j])(Z) = (3.28)
λ(YR )(Z)

Si estamos relacionando un vector numérico Y con un factor cualitativo que distingue r

categorı́as y parametrizamos el modelo mediante r − 1 variables dummys recogidas en una ma-
triz Z, podemos aplicar una selección de variables respuesta para determinar qué componentes
de Y guardan una relación esencial con el factor. El método Lambda de Wilks se define como
el algoritmo de selección hacia adelante de variables respuestas según el test (3.28), y será de
utilidad en el capı́tulo 4.
Ejercicio 66. Probar que, en la fase j-ésima del algoritmo Lambda de Wilks, se introduce
la variable que, añadida a las j − 1 ya incluidas anteriormente, aporta una resultado más
significativo en el manova de una vı́a, es decir, un valor mı́nimo en el estadı́stico lambda de
Wilks, siempre y cuando resulte significativo el test parcial que se resuelve según el ejercicio
mediante la distribución del ejercicio 64.
El cuadro 3.7 refleja en qué orden se van introduciendo las variables numéricas (todas)
de irisdata según el algoritmo Lambda de Wilks para la discriminación entre especies. En el
cuadro de diálogo de SPSS 3.8 se indica cómo ejecutar el análisis discriminate.

Cuadro 3.7: Método Lambda de Wilks para irisdata

Variables no incluidas en el análisis
Lambda de
Paso F para entrar Wilks
0 sepleng 119,265 ,381
sepwidt 49,160 ,599
petleng 1180,161 ,059
petwidt 960,007 ,071
1 sepleng 34,323 ,040
sepwidt 43,035 ,037
petwidt 24,766 ,044
2 sepleng 12,268 ,032
petwidt 34,569 ,025
3 sepleng 4,721 ,023
44 CAPÍTULO 3. APLICACIONES DEL MODELO

Cuadro 3.8: Cuadro de diálogos Lambda de Wilks

3.5. Análisis de perfiles

Se trata de una técnica que generaliza el test de Student para muestras relacionadas y da
sentido al contraste H0 : ν = 0 estudiado en la primera sección del capı́tulo. Este método puede
considerarse una alternativa más robusta al análisis de medidas repetidas (ver Arnold (1981)
y Hair et al. (1999)).
En ocasiones resulta interesante estudiar la evolución de una carácter numérico a lo largo
de una secuencia temporal con p mediciones. En ese caso, contaremos con un vector Y p-
dimensional, de manera que la hipótesis inicial H0 : µ[1] = . . . = µ[p] se interpreta como una
ausencia de evolución, al menos por término medio. También puede ser interesante comparar
las evoluciones en distintas categorı́as de un factor cualitativo, como en el ejemplo que se recoge
en la figura 3.4, que corresponde del dolor durante seis meses distinguiendo tres tratamientos1

Figura 3.4: Perfiles dolor por tratamientos

En este caso, que los tres tratamientos tengan efectos idénticos por término medio equivale
a la hipótesis inicial H0 : µ1 = µ2 = µ3 del diseño completamente aleatorizado, que se contrasta
1
J. Rodrı́guez Mansilla et al. Clinical Rehabilitation (2014).
3.5. ANÁLISIS DE PERFILES 45

mediante el manova de una vı́a. No obstante, también puede resultar de interés contrastar, por
ejemplo, el paralelismo de los perfiles, que se interpreta como una evolución similar desde la
fase inicial. Si contamos con sólo p = 2 mediciones, una inicial y otra final, estaremos ante un
diseño conocido como de muestras relacionadas. Se resuelve calculando la diferencia D, con
media ν, entre las dos fases. De esta forma, la hipótesis inicial H0 : µ[1] = µ[2] equivale a ν = 0
y se contrasta mediante el test de Student para una muestra aplicado a D. La hipótesis inicial
de paralelismo entre los r perfiles equivale a ν1 = . . . = νr y se contrasta mediante el anova de
una vı́a.
Sin embargo, cuando consideramos más de 2 fases debemos calcular la diferencia entre cada
variable y la anterior, dando lugar a un vector D en dimensión p − 1. La hipótesis inicial
H0 : µ[1] = . . . = µ[p] se contrasta mediante el test (3.3) aplicado a D, y la de paralelismo
entre los r perfiles, mediante el manova de una vı́a.
Abordar un análisis de perfiles mediante un manova es sólo una de las posibles opciones
y, seguramente, no la más popular. Los supuestos es los que basa son la normalidad multiva-
riante y la igualdad de matrices de covarianzas (en el caso de incluir un factor intersujeto en
el modelo, como es el tratamiento en el estudio del dolor). Del primero sabemos que puede
obviarse asintóticamente, lo cual justifica la robustez del modelo. Como principal alternativa
podemos destacar2 el modelo de medidas repetidas que, en principio, supone además dos con-
diciones adicionales sobre la matriz o matrices de covarianzas: la igualdad de las varianzas de
las componentes, por un lado, y la igualdad de las covarianzas por otro. Un caso particular de
esta hipótesis es el supuesto de esfericidad (homocedasticidad y covarianzas nulas), que con-
ducirı́a a aplicar un test F , pudiendo aplicarse correcciones en los grados de libertad tanto del
numerador como del denominador en dichos test en función del grado de desviación respecto
al modelo esférico. En eso consiste en la práctica el análisis de medidas repetidas. Si no existe
un factor intergrupo y no estamos dispuestos a asumir hipótesis relativas a la distribución del
vector (salvo la continuidad del mismo) contamos con la alternativa de Friedman basada en
rangos.

2
Rencher (1996), sección 6.9.
46 CAPÍTULO 3. APLICACIONES DEL MODELO
Capı́tulo 4

Problema de clasificación

En este capı́tulo vamos a abordar el problema de clasificación de una unidad experimental

respecto a r categorı́as posibles a partir de la medición de p variables numéricas. Por ejemplo,
mediante los datos recogidos en el archivo irisdata podemos elaborar una estrategia para deter-
minar a qué especie (setosa, virgı́nica o vesicolor) pertenece un lirio a partir de la observación de
sus cuatro medidas morfológicas (petlength, petwidth, seplength y sepwidth). Desde el punto
de vista formal y al igual que sucede en el diseño completamente aleatorizado, contamos con un
vector numérico Y p-dimensional y un factor cualitativo con r categorı́as que deberı́an guardar
una fuerte relación, es decir, el vector Y debe ser válido para discriminar entre las categorı́as.
En ese sentido, el problema de clasificación puede entenderse como el reverso de una moneda
cuyo anverso es el manova de una vı́a. La diferencia entre ambos problemas estriba en los roles
que desempeñan el vector numérico y el factor cualitativo en cada caso, como se ilustra en la
figura 4.1.

Figura 4.1: Manova y clasificación

Manova

Factor cualitativo Variables numéricas

Clasificación

4.1. Planteamiento general

El problema de clasificación se enmarca en el contexto teórico de la Teorı́a de la Decisión,
pues buscamos una estrategia adecuada para decidir a qué categorı́a pertenece una observación
en Rp . Nuestro propósito es entender cómo se afronta este problema en el caso sencillo de que
existan sólo dos categorı́as para extenderlo después de manera natural al caso general de r
categorı́as. No consideraremos aquı́ ninguna función de pérdida o costes para nuestro problema
de decisión y supondremos inicialmente que las distribuciones de probabilidad del modelo son
continuas. En general, los elementos básicos de la Teorı́a de la Decisión pueden encontrarse
en Nogales (1998). Para un desarrollo más detallado de este problema concreto remitimos al
lector a Anderson (1958).
Si tenemos que decidir si una observación y ∈ Rp proviene de un modelo de distribución P1 ,
con densidad p1 o, por el contrario, se explica por un modelo P2 , con densidad p2 , cualquier
estrategia no aleatoria S se identificará con una bipartición medible del espacio Rp . Los riesgos
RS (1) y RS (2) asociados a dicha estrategia se pueden calcular entonces a partir de p1 y p2 de
forma trivial.

47
48 CAPÍTULO 4. PROBLEMA DE CLASIFICACIÓN

Podemos considerar un preorden  en la familia de las estrategias de manera que S1  S2

cuando RS1 (i) ≤ RS2 (i), para i = 1, 2. Se dice S1 ≻ S2 cuando alguna de las desigualdades es
estricta. Nuestro objetivo no es encontrar un elemento maximal si no una subfamilia completa
maximal, es decir, tal que cualquier estrategia fuera de la clase sea mejorada estrictamente por
alguna de dentro y no exista ninguna de dentro mejorada estrictamente por alguna otra. Se
puede probar que dicha subfamilia está constituida por las estrategias de Bayes {Sq : q ∈ [0, 1]}.
Cada q ∈ [0, 1] se identifica con la probabilidad a priori que asigna probabilidad q a P1 . Por otra
parte, Sq denota la estrategia que minimiza el riesgo RSq de Bayes, definido como combinación
convexa entre los riesgos mediante

RSq = qRS (1) + (1 − q)RS (2) (4.1)

En esta ocasión podemos hablar de un orden y estamos en condiciones de encontrar un elemento

q-maximal Sq , que consiste en asignar y ∈ Rp a P1 cuando

p1 (y) 1−q
≥ (4.2)
p2 (y) q
Ası́ pues, debemos seleccionar una estrategia de este tipo, dependiendo del valor de q que
queramos considerar. Si no estamos en condiciones de proponer una distribución a priori,
podemos optar por escoger la estrategia minimax, que es el elemento maximal para el orden
definido a partir del máximo de los riesgos. Puede probarse que se trata de la estrategia Bayes
S0.5 , es decir, la que corresponde a una probabilidad a priori uniforme, y que RS0.5 (1) = RS0.5 (2).
Es ésta la que adoptaremos por defecto, teniendo en cuenta que cualquier otra estrategia
Bayes no es sino un corrección trivial de la misma en función de las probabilidades a priori
consideradas. Según (4.2), la estrategia minimax consiste en asignar y a P1 cuando se verifica

p1 (y) ≥ p2 (y) (4.3)

es decir, se asigna la observación a la distribución que la hace más verosı́mil. Se trata pues de
una aplicación directa del Principio de Máxima Verosimilitud y ésta es la idea fundamental
que debe prevalecer. En el caso general de r categorı́as se procede de forma idéntica, asignando
y a Pi cuando
pi (y) ≥ pj (y), ∀j 6= i (4.4)

Método núcleo de estimación de densidades: Teniendo en cuenta (4.4), es obvio cómo

deberı́amos resolver el problema si dispusiéramos de adecuadas estimaciones de las funciones
de densidad: asignando y a Pi cuando

p̂i (y) ≥ p̂j (y) ∀j 6= i (4.5)

Describiremos aquı́ heurı́sticamente el denominado método del núcleo de estimación de densi-

dades, empezando por el caso univariante. Para un estudio más detallado remitimos al lector
a Silverman (1986).
Supongamos que contamos con una muestra aleatoria y1 , . . . , yn , correspondiente a una
determinada distribución continua con función de densidad p y queremos estimar el valor de p
en y, que se denota p̂(y). Para ello escogemos un número δ > 0, que denominaremos ancho de
banda, y consideramos el intervalo [y − δ, y + δ], de amplitud 2δ. Si N (y) denota la cantidad de
datos de la muestra en el anterior intervalo y n es
suficientemente grande, se sigue de la Ley
Débil de los Grandes Números que P [y − δ, y + δ] ≃ N (y)/n. Por otra parte,

si δ es pequeño
se verifica por el Teorema Fundamental del Cálculo que P [y − δ, y + δ] ≃ p(y) · 2δ, lo cual
nos induce a definir para cada y ∈ Rp el estimador p̂(y) = N (y)/(2nδ). Si queremos expresar
p̂ en función de los datos de la muestra, hemos de tener en cuenta que un dato yi pertenece
4.2. ANÁLISIS DISCRIMINATE LINEAL 49

al intervalo anterior si, y sólo si, δ −1 |yi − y| ≤ 1. Definimos entonces la función (denominada
núcleo)  1
2
si |u| ≤ 1
K(u) = , u ∈ R. (4.6)
0 si |u| > 1
De esta forma,
n  
1 X y − yi
p̂(y) = K , x∈R (4.7)
nδ i=1 δ
En el caso multivariante (dimensión p) no consideramos intervalos de amplitud 2δ centrados
en y sino cubos de volumen 2p δ p , y el núcleo K p asigna el valor 2−p a un punto u cuando
kuk∞ ≤ 1. De esta forma, la función de densidad se estima reemplazando en (4.7) K por
K p y δ por δ p . No obstante, la función de densidad estimada será de tipo escalonado. Un
procedimiento comúnmente utilizado para suavizarla es considerar, en vez del núcleo anterior,
el siguiente:  
1 1 ′ −1
K̃(u) = p/2
exp − u S u , u ∈ Rp , (4.8)
(2πS) 2
donde S es la matriz de covarianzas muestral. Ası́, la función de densidad se estima mediante
n  
1 X 1 ′ −1
p̂(y) = exp − 2 (y − yi ) S (y − yi ) (4.9)
nδ p (2πS)p/2 i=1
2δ

Podemos comprobar que la función anterior se trata, efectivamente, de una densidad. Una vez
estimadas las densidades de las distintas categorı́as procederemos a establecer las regiones de
clasificación según (4.5). En la literatura estadı́stica encontramos núcleos diferentes a (4.8),
denominado gaussiano, como el triangular, el del coseno o de Epanechnikov, entre otros. Hay
que tener en cuenta que la estimación de las densidades, y por tanto la estrategia de clasifi-
cación, depende de la elección del núcleo K y del ancho de banda δ. Diversos trabajos vienen
a convencernos de que la elección del núcleo es poco determinante. Sin embargo, la elección
del ancho de banda sı́ lo es. No podemos hablar, desde luego, de un ancho de banda universal,
sino que debe depender del problema considerado. La selección de un ancho de banda excesiva-
mente grande tenderá a estimar la densidad demasiado plana, mientras que uno excesivamente
pequeño la estimará de manera excisivamente abrupta.
Otro inconveniente a tener en cuenta es la denominada “maldición de la dimensión”, que
consiste en que el número de datos requerido para lograr una estimación satisfactoria de la
densidad crece exponencialmente en relación con la dimensión considerada. Por lo tanto, cuan-
do tengamos un amplio número de variables precisaremos de una cantidad ingente de datos
para obtener una estimación fiable de la densidad. Eso explica el hecho de que sigamos hacien-
do hincapié aquı́ en el método tradicional para clasificar observaciones, denominado Análisis
Discriminante Lineal (LDA), debido a Fisher.

4.2. Análisis Discriminate Lineal

En la Estadı́stica Paramétrica es muy frecuente partir del supuesto de normalidad a la
hora de formular un modelo cuyos estimadores y tests de hipótesis podrán tener distintos
comportamiento ante casos reales en los que este supuesto no se cumpla. En el contexto del
modelo lineal normal, al supuesto de normalidad se le añade el de igualdad de varianzas o de
matrices de covarianzas. Eso es precisamente lo que vamos a hacer ahora, al menos en primera
instancia. Para aplicar la estrategia (4.5) precisamos conocer aproximadamente las distintas
funciones de densidad. Si no somos capaces de aportar una estimación con garantı́as de las
mismas, podemos suponer que las r distribuciones en juego siguen modelos p-normales con
50 CAPÍTULO 4. PROBLEMA DE CLASIFICACIÓN

idéntica matriz de covarianzas, es decir, Pi = Np (µi , Σ), para i = 1, . . . , r. Sabemos que el

parámetro (µi , Σ) se relaciona con la observación y a través de la distancia DΣ2 (y, µ), definida
en (1.34), de manera que la estrategia (4.4) consiste en asignar y a la media (distribución) más
cercana según dicha métrica. Es decir, se asigna a la distribución Pi cuando

DΣ2 (y, µi ) ≤ DΣ2 (y, µj ), ∀j 6= i (4.10)

Ejercicio 67. Probar (4.10).

Desde un punto de vista Bayesiano y dada una probabilidad a priori concreta, la estrategia
Bayes correspondiente consistirı́a en corregir la anterior mediante una serie de sumandos que
dependen de la distribución a priori y que valen 0 en el caso de la distribución a priori uniforme.
Pero, desde una perspectiva práctica, (4.10) no es viable pues, a los sumo, estaremos en las
condiciones del ejemplo 7 y contaremos simplementeP con r conjuntos de observaciones en Rp ,
Yi1 , . . . , Yini , i = 1, . . . , r, que suman un total de n = i ni datos, y que supondremos muestras
aleatorias simples e independientes de sendas distribuciones Np (µi , Σ). El método de sustitución
nos sugiere diseñar la estrategia reemplazando en (4.10) los parámetros probabilı́sticos por
estimadores de los mismos. Dado que estamos en las condiciones del modelo lineal normal
multivariante y teniendo en cuenta (2.38), consideraremos como estimador dePµi a la media
muestral Yi· de la categorı́a i-ésima; como estimador de Σ tomaremos (n − r)−1 i ni Si , siendo
Si la matriz de covarianzas muestral de la i-ésima categorı́a.
En ese caso, dada una observación aleatoria Y ∈ Rp , la estrategia LDA de Fisher la asig-
nará a la distribución cuya media muestral minimice la distancia DΣ̂2 , es decir, se asigna la
observación a la categorı́a i-ésima cuando

(Y − yi· )′ Σ̂−1 (Y − yi· ) ≤ (Y − yj· )′ Σ̂−1 (Y − yj· ), ∀j 6= i (4.11)

Cada desigualdad en (4.11) da lugar a la división del Rp en dos semiespacios cuya frontera
es una subvariedad afı́n (p − 1)-dimensional, de ahı́ que esta estrategia se denomine lineal (de
Fisher) para diferenciarse de la cuadrática (de Fisher también), que veremos más adelante, en
la cual Rp estará fragmentado por cuádricas.
Como ejemplo, utilizaremos el archivo irisdata de Fisher para intentar clasificar una flor
entre las tres especies consideradas en función de sus cuatro medidas morfológicas. El programa
SPSS diseña la estrategia LDA a partir de los datos ya asignados a categorı́as y es capaz de
clasificar en función de la misma cualquier otro dato que aparezca desagrupado. También recla-
sifica según la estrategia los propios datos agrupados, como el caso que vemos a continuación.
La reclasificación aporta una estimación de los riesgos de la estrategia, que son, según el cuadro
4.2, del 0 % para setosa, del 2 % para virginica y 4 % para vesicolor.

Cuadro 4.1: Reclasificación según LDA

Grupo mayor

Número Grupo P(G=g | Distancia de

de caso Grupo real pronosticado p D=d) Mahalanobis
1 3 3 ,503 1,000 1,376

Según se indica en el cuadro 4.1, el dato uno se ha clasificado en el grupo 3 porque

P la media de
éste minimiza la distancia de Mahalanobis. Tanto es ası́ que el cociente p̂3 (y)/ i p̂i (y) ≃ 1, con
las densidades estimadas sustituyendo las medias y matrices de covarianzas por sus estimadores.
Por lo tanto, podemos considerarla una clasificación clara. De hecho, sabemos que es correcta.
4.2. ANÁLISIS DISCRIMINATE LINEAL 51

Cuadro 4.2: Estimaciones de los riesgos LDA

Resultados de la clasificacióna

Grupo de pertenencia pronosticado

species setosa vesicolor virginica Total
Original Recuento setosa 50 0 0 50
vesicolor 0 48 2 50
virginica 0 1 49 50
% setosa 100,0 ,0 ,0 100,0
vesicolor ,0 96,0 4,0 100,0
virginica ,0 2,0 98,0 100,0
a. Clasificados correctamente el 98,0% de los casos agrupados originales.

La estrategia lineal de Fisher, definida en (4.11), posee buenas propiedades asintóticas.

Concretamente, puede probarse que, en el caso r = 2, los riesgos de la misma convergen
asintóticamente al valor Z ∞
f (x) dx (4.12)
1
2
θ

siendo f la densidad de la distribución N (0, 1), y θ = DΣ2 (µ1 , µ2 ). Se trata del parámetro θ que
aparece en (3.8) en relación con el contraste de la hipótesis inicial H0 : µ1 = µ2 , que se identifica
con θ = 0. Por lo tanto, si µ1 = µ2 , la estrategia de Fisher se comportarı́a asintóticamente como
un sorteo a cara o cruz. Sin embargo, a medida que las medias se alejan según la métrica de
Mahalanobis, los riesgos asintóticos tienden a 0. En la práctica, que las distribuciones estén bien
diferenciadas suele ser mucho más importante que el cumplimiento de los supuestos del modelo
de cara a lograr una estrategia con riesgos bajos, que es lo que a la postre nos interesa. Eso es
lo que ocurre con irisdata: no estamos en condiciones de asumir la normalidad ni la igualdad
de matrices de covarianzas, pero las tres especies consideradas se diferencian claramente según
sus medidas morfológicas, de ahı́ el éxito de la estrategia de Fisher, que queda patente en el
cuadro 4.2.
En definitiva, como afirmábamos en la introducción, el manova de una vı́a y la estrategia de
clasificación lineal de Fisher comparten el mismo modelo, aunque en el primer caso es el factor
el que desempeña la función explicativa, mientras que en el segundo es el vector numérico. Un
resultado poco significativo a la hora de comparar las medias no ofrece expectativas de éxito en
la clasificación, justo al contrario que un resultado significativo. Por eso decimos que el manova
y clasificación son el anverso y el reverso de una misma moneda. De hecho, es el problema
de clasificación el que da pleno sentido al estudio del manova y, dado que este último puede
entenderse como una regresión multivariante respecto a las variables dummys, da sentido al
estudio de los coeficientes de correlación canónicos, pues el contraste de igualdad de medias
puede expresarse en términos de los mismos según (3.24).

Figura 4.2: Esquema general

Problema Estrategia Regresión Correlación

Manova
Clasificación Fisher Multivariante Canónica

Una vez hemos entendido el problema de clasificación como un problema de relación entre
un vector aleatorio p-dimensional y un factor con r categorı́as, cobra especial interés el método
de selección de variables Lambda de Wilks, estudiado en el capı́tulo 3, pues permite desechar
aquellas componentes del vector que no aportan información particular en el problema de
clasificación.
52 CAPÍTULO 4. PROBLEMA DE CLASIFICACIÓN

4.2.1. LDA y ejes discriminantes

Ejercicio 68. Como caso particular probar que, si r = 2, la estrategia (4.11) consiste en
asignar Y a y1 cuando
 ′
1
Y − (y1 + y2 ) Sc−1 (y1 − y2 ) > 0 (4.13)
2
lo cual sugiere una partición del espacio en función del eje discriminante definido en (3.11) y
que se representa en la figura 3.2.
Este resultado establece una primera conexión entre los ejes discriminantes y el problema
de clasificación, que desarrollaremos en el caso general r ≥ 2. Las observaciones originales com-
ponen en principio un matriz Y ∈ Mn×p , pero pueden expresarse también a través de la matriz
W, definida en (3.17) mediante W = YA, cuyas columnas recogen las diferentes puntuaciones
obtenidas al proyectar sobre los ejes discriminantes, determinados por las correspondientes co-
lumnas de A. Proyectar sobre los ejes discriminantes puede entenderse como un cambio de
coordenadas. Podemos obrar de igual forma con cualquier vector aleatorio Y proyectándolo
sobre los ejes discriminantes para obtener W = A′ Y . Dado que la proyección es una aplicación
lineal, la media aritmética de los datos proyectados coincide con la proyección de la media
aritmética de los datos originales. De esta forma, la estrategia (4.11), expresada en términos
de las puntuaciones discriminantes, asigna W a W i· cuando, para todo j 6= i,
 ′ −1 ′ ′
(A ) (W − Wi· ) Σ̂−1 (A′ )−1 (W − Wi· ) ≤ (A′ )−1 (W − Wj· ) Σ̂−1 (A′ )−1( W − Wj· ) (4.14)
    

Dado que Σ̂ = (n − r)S3 y en virtud (3.18), la estrategia de Fisher asigna W a la categorı́a de

Wi· cuando, para todo j 6= i, kW − Wi· k2 ≤ kW − Wj· k2 . Es decir, cuando expresamos los datos
en términos de las puntuaciones discriminantes se trata de minimizar la distancia Euclı́dea.
Para cada categorı́a i, la distancia Euclı́dea a Wi· descompone en la siguiente suma:
p
X
2
kW − Wi· k = (W [k] − Wi· [k])2 (4.15)
k=1

Se sigue entonces de (3.19) que, si k > b, dado que tk = 0, la puntuación discriminante

k-ésima no tendrá influencia alguna en el problema de minimización planteado. Luego, pode-
mos ignorar las puntuaciones discriminantes asociadas a autovalores nulos, de manera que el
problema queda reducido a minimizar distancias Euclı́deas en dimensión b.
Si el valor de b es bajo podemos pues visualizar el problema de clasificación mediante un
gráfico b-dimensional. Por ejemplo, en el caso de irisdata, tenemos el diagrama de dispersión
de la figura 4.3. Para valores altos de b podemos visualizar igualmente el problema desechando
las puntuaciones discriminantes asociadas a autovalores pequeños pues, según (3.19), tendrán
escasa influencia en el problema de minimización. Por ejemplo, en la figura 4.4 representamos
las tres primera puntuaciones discriminantes en un problema de clasificación respecto a 7
categorı́as, desechando pues la información aportada por los tres últimos ejes discriminantes.
Para determinar si el eje discriminante i-ésimo puede ser despreciado podrı́amos en principio
resolver un contraste de hipótesis del tipo H0 (i) : θi = 0, según se ve en el apartado 3.3.1. No
obstante, este método requiere de supuestos teóricos relativos a la distribución de los datos
y, además, es muy conservador. Lo habitual es ponderar desde un punto de vista puramente
muestral los autovalores t1 , . . . , tb .

En el caso de irisdata (figura 4.3), podemos apreciar que el peso de la discriminación recae
casi exclusivamente en la primera puntuación discriminante, según sabı́amos ya por el cuadro
3.5. En la figura 4.4 (izquierda) se aprecia cierta confusión entre algunas de las variedades de
4.2. ANÁLISIS DISCRIMINATE LINEAL 53

Figura 4.3: LDA en irisdata

aceituna a partir de 17 variables numéricas medidas1 al representar las dos primeras puntua-
ciones discriminantes. Sin embargo, la confusión se resuelve en parte al introducir la tercera
puntuación, como se aprecia en la figura de la derecha.

4.2.2. Estrategia cuadrática de Fisher

Se trata de una generalización inmediata de la estrategia lineal. Se asume igualmente la
hipótesis de p-normalidad pero no se asume la igualdad de las r matrices de covarianzas. En
consecuencia, la estrategia consiste en modificar (4.11) reemplazando la estimación conjunta
de la matriz Σ por las diferentes estimaciones Si de cada una de las matrices Σi . Ası́ pues, la
estrategia consiste en asignar Y a la media yi· cuando, para j 6= i, se verifica

(Y − yi· )′ Si−1 (Y − yi· ) ≤ (Y − yj· )′ Sj−1 (Y − yj· ) (4.16)

Al contrario de lo que sucedı́a en la estrategia lineal, los términos cuadráticos no se anulan en la

inecuación, de ahı́ el nombre. Para una mejor comprensión de la estrategia, podemos proyectar
los datos sobre los primeros ejes discriminantes, aunque el gráfico no podrá interpretarse en los
términos anteriores.
En el caso de la clasificación de aceitunas según sus variedades, la estrategia cuadrática
de Fisher disminuye ligeramente los riesgos de la lineal, al menos según es estima mediante la
reclasificación. No obstante, precisamos de métodos alternativos de clasificación que presenten
diferencias más radicales respecto al LDA. Estudiaremos muy brevemente algunos de ellos en
la siguiente sección. Las diferentes variantes del método de Fisher se ejecutan en SPSS a través
del cuadro de diálogos 3.8.
1
Datos recogidos en el INTAEX de Badajoz.
54 CAPÍTULO 4. PROBLEMA DE CLASIFICACIÓN

Figura 4.4: Variedades de aceituna: puntuaciones discriminantes 1, 2 y 3

nvar nvar
6,00000
CARRASQUEÑA CARRASQUEÑA
CACEREÑA CACEREÑA
5,00000
CORNICHE CORNICHE
CORNEZUELO CORNEZUELO
MORISCA
Segunda puntuación discriminante

MORISCA

Tercera puntuación discriminante

PICUAL 4,00000
PICUAL
VERDIAL BADAJOZ VERDIAL BADAJOZ
2,50000

2,00000

0,00000

0,00000

-2,50000

-2,00000

-5,00000

-4,00000
-5,00000 -2,50000 0,00000 2,50000 5,00000 -5,00000 -2,50000 0,00000 2,50000 5,00000

Primera puntuación discriminante Primera puntuación discriminante

4.3. Métodos alternativos

En esta sección expondremos esquemáticamente los tres métodos de clasificación alternati-
vos al LDA más populares, posiblemente, al margen de aquéllos relacionados con la estimación
de densidades.

4.3.1. Regresión logı́stica

Empezaremos describiendo lo más esencial del modelo básico binario, que corresponde a una
clasificación respecto a un factor cualitativo dicotómico, para extenderlo después brevemente
al caso general o multinomial. Los detalles del modelo podemos encontrarlos en Dobson (1990).
Aunque exponemos el método como una alternativa al LDA, los supuestos teóricos de partida
que lo justifican son los mismos, con la salvedad de que, en este caso, el factor cualitativo debe
ser, en principio, aleatorio. Es decir, contamos con un vector aleatorio Y con valores en Rp y
una variable discreta I con valores 0 ó 1, definidas sobre un mismo espacio de probabilidad.
Supondremos que la distribución marginal de I es tipo Bernoulli con parámetro q ∈ (0, 1) y
que la distribución condicional de Y dado I = i es Np (µi , Σ), para i = 0, 1.
Ejercicio 69. Aplicando la regla de Bayes (2.7) probar que

P (I = 1|Y = y) = L − (β0 + y ′ β)


(4.17)

donde
1−q
β0 = log + µ′1 Σ−1 µ1 − µ′0 Σ−1 µ0 , (4.18)
q
β = Σ−1 (µ0 − µ1 ) (4.19)

Se denota por L la denomina función Logit, representada en la figura 4.5, que se define
mediante
ex
L(x) = , x∈R (4.20)
1 + ex
Al condicionar a partir de una muestra aleatoria simple de tamaño n de (I, Y ) obtendremos
por lo tanto de un modelo lineal generalizado. En tal caso, el estimador de máxima verosimilitud
del parámetro (β0 , β) se obtiene de manera iterativa en función de la muestra. Una estimación
4.3. MÉTODOS ALTERNATIVOS 55

Figura 4.5: Función Logit

1.0
0.8
0.6
logit(x)

0.4
0.2
0.0

-5 0 5

adecuada permite conocer de manera aproximada qué categorı́a es más probable para una
observación concreta del vector Y .
Si el factor cualitativo distingue r > 2 categorı́as podemos aplicar el método de regre-
sión logı́stica multinomial. A grandes rasgos, consiste en una composición de r − 1 regresiones
logı́sticas tomando una categorı́a como referencia. Cada una de estas regresiones permite esti-
mar la probabilidad de que un dato concreto pertenezca a una categorı́a dada, dividida por la
probabilidad de que pertenezca a la categorı́a de referencia. Si los r − 1 cocientes resultan ser
inferiores a 1, el dato se asigna a la categorı́a de referencia; en caso contrario, se asigna a la
que aporte un cociente máximo.
Ası́ pues, el método de regresión logı́stica requiere en principio supuestos muy similares al
LDA, de ahı́ que, en la práctica, suele aportar resultados muy similares. En su contra podemos
afirmar que es más complejo desde un punto de vista formal y computacional. Efectivamente,
mientras que el método LDA puede considerarse el reveso del modelo lineal, cuyas parámetros
se estiman mediante soluciones a sistemas de ecuaciones lineales, los de la regresión logı́stica
se obtienen como aproximaciones a soluciones de sistemas de ecuaciones no lineales, con las
dificultades que ello conlleva. Dichas dificultades se ven incrementadas cuando el factor cuali-
tativo posee más de dos categorı́as. Sin embargo, podemos aducir a su favor que la regresión
logı́stica proporciona en todo caso, exista o no correlación entre las variables predictoras y la
respuesta, una estimación de la distribución condicional (4.17) cuya veracidad puede contras-
tarse mediante el test de Hosmer-Lemeshov. Un resultado significativo en este test se traduce
como una ineptitud del modelo de regresión logı́stica para estimar la distribución condicional
de la variable categórica y, en particular, para llevar a cabo la clasificación. En tal caso cabrı́a
esperar lo mismo de la estrategia LDA, lo cual nos conducirı́a a ensayar con estrategias alter-
nativas de diferente naturaleza, como las que enunciaremos a continuación. Otra circunstancia
a favor de la regresión logı́stica es que facilita directamente los Odds Ratios, parámetros muy
valorados en Epidemiologı́a.

4.3.2. Vecino más próximo

Dado un valor k = 1, 2 . . ., el método del vecino más próximo para k (K-NN) es un proce-
dimiento de clasificación no paramétrico pues no impone supuesto alguno sobre la distribución
de los datos, salvo que las variables medidas deben ser numéricas. El método se estudia con
detalle en Hastie et al. (2008). Resumidamente, se trata de asignar una observación Y ∈ Rp a la
categorı́a que tenga mayor presencia en el entorno de Y constituido por las k observaciones de
56 CAPÍTULO 4. PROBLEMA DE CLASIFICACIÓN

Figura 4.6: Regresión logı́stica múltiple para irisdata

la muestra más próximas. La cercanı́a se evalúa en principio en función de la métrica Euclı́dea

en Rp , aunque pueden considerarse alternativas. La estrategia depende en gran medida del
valor de k seleccionado, de ahı́ que, como mı́nimo, se precise tantear con diferentes valores y
seleccionar aquél cuya estrategia ofrezca menores riesgos estimados.

Figura 4.7: K-NN 94 %

Grupo
A
B

14,00

12,00
x1

10,00

8,00
5,00 6,00 7,00 8,00 9,00 10,00

x2

En la figura 4.7 persentamos el diagrama de dispersión relativo a un vector con p = 2

variables en el cual distinguimos 2 categorı́as. Si pretendemos determinar una estrategia de
asignación a categorı́as, los riesgos estimados por reclasificación de la muestra son del 43 %
para LDA, 24 % para la alternativa cuadrática, 45 % para la regresión logı́stica binaria y 6 %
para K-NN con k = 3. En casos como éste se precisa pues una alternativa radicalmente diferente
a LDA.
Ejercicio 70. ¿Cómo se explica que la alternativa cuadrática de Fisher mejore sustancialmente
la estrategia lineal en el ejemplo de la figura 4.7?
4.3. MÉTODOS ALTERNATIVOS 57

Ejercicio 71. ¿Influye la escala en que se miden las componentes de Y en la clasificación

según el método LDA? ¿Influye en la regresión logı́stica? ¿Influye en el método K-NN? Caso
de influir, ¿cómo podrı́amos compensar ese hecho?

Figura 4.8: Vécino más próximio y árbol de decisión para irisdata

4.3.3. Árbol de decisión

Se trata de otro método no paramétrico con una motivación muy intuitiva pero con cierta
complejidad desde el punto de vista computacional. Se estudia con detalle en Hastie et al.
(2008). Se basa la propia definición de integral de Riemann. Más concretamente, en el hecho
de que cualquier función en L2 puede aproximarse según la métrica (1.4) mediante una suma
de funciones constantes sobre intervalos, si el espacio origen es R o, en general, sobre rectángu-
los medibles, si es Rp . La constante sobre cada intervalo que minimiza dicha distancia es la
esperanza, de manera que el error atribuible al mismo es su varianza. Ası́ pues, el problema se
traduce a buscar puntos de cortes en las diferentes variables explicativas para obtener la máxi-
ma reducción en la varianza. Las sucesivas aproximaciones están asociadas a subdivisiones o
ramificaciones de las particiones anteriores. La estructura de árbol resultante puede entenderse
como un protocolo o regla de decisión que permita aproximar un valor particular de Y a partir
de los valores de las variables explicativas. Dada una partición (ramificación) cualquiera, se
denominan nodos terminales a los conjuntos elementales que la componen, es decir, las ramas
que no se subdividen en fases posteriores. Dado que en la práctica no contamos con una variable
Y ∈ L2 sino con una muestra de tamaño n de la misma, basta considerar un árbol en el que
cada elemento de la muestra constituya un nodo terminal, o incluso un árbol más simple si hay
repeticiones en la variable Y , para anular el error del pronóstico. Pero ello supondrı́a lo que
se denomina un sobreajuste de la muestra, de manera que, si la regla de decisión asociada se
aplicara a otra muestra diferente, los resultados podrı́an ser muy malos. Para compensar este
efecto hay que limitar la cantidad mı́nima de datos por nodo o aplicar mecanismos automáticos
de “poda” a partir de un árbol con error 0. La intensidad de dicha poda puede modularse a
partir de cierto parámetro α cuyo valor mı́nimo es 0.
Esta idea puede extenderse sin problemas al caso de una variable respuesta Y categórica,
con la salvedad de que, en estos casos, las ramificaciones no tienen por objeto minimizar la
varianza mediante la media del rectángulo sino asignar a cada rectángulo la categorı́a más
numerosa en el mismo de manera que se minimice el ı́ndice de Gini 2 , relacionado con los
2
Hastie et al. (2008), pag. 309
58 CAPÍTULO 4. PROBLEMA DE CLASIFICACIÓN

riesgos de clasificación errónea. El resultado constituye un árbol de decisión que determina un

protocolo muy similar a los utilizados en el ámbito biomédico.
En la figura 4.10 podemos apreciar el árbol de decisión que ofrece el programa SPSS para
determinar la especie a la que pertenece un lirio a partir de sus medidas de pétalo y sépalo. Se
han seleccionado aleatoriamente 71 lirios de la muestra y se ha establecido un algoritmo cuyos
riesgos de clasificación errónea son del 0 % para setosa y vesicolor y del 9 % para virgı́nica. En
la figura 4.9 se expresa el peso acumulado por cada variable a lo largo de los diferentes pasos
en la reducción del ı́ndice de Gini variable

Figura 4.9: Función de importancia para iris data

Importancia normalizada
0 25 50 75 100

petleng
Variable independiente

petwidt

sepleng

sepwidt

0,0% 0,2% 0,4% 0,6%

Importancia

Validación de la estrategia: Estimar los riesgos inherentes a una estrategia reclasificando

las observaciones que hemos utilizado para diseñarla no es adecuado, y menos en métodos
como K-NN y el árbol de decisión, que no se basan en suposiciones sobre las distribuciones
de los datos, sino que elaboran una explicación ad hoc de la clasificación observada en la
propia muestra. Resulta más apropiado estimar los riesgos a partir de datos cuya categorı́a de
procedencia se conoce pero que no se han utilizado para diseñar la estrategia. Por ejemplo,
en el caso de la figura 4.10 se ha dividido la muestra en dos partes aproximadamente iguales:
una para diseñar la estrategia y otra para validarla. Si se estiman los riesgos de clasificación
incorrecta a partir de la segunda muestra, se obtiene 0 % para setosa, 9 % para vesicolor y 15 %
para virgı́nica. Igualmente, si en el ejemplo de la figura 4.7 se aplica el método KNN, elaborado
con la mitad de la muestra, a la otra mitad de la misma, se estima un riesgo del 10 %.
Hemos de recalcar que, en este tipo de métodos (K-NN, árbol de decisión), si refinamos en
exceso el algoritmo para explicar perfectamente la muestra, podemos estar perdiendo capacidad
de extrapolar los resultados a una muestra diferente. Es lo que se denomina sobreajuste. En el
caso del método K-NN el sobreajuste máximo se darı́a con K=1. Para el árbol de decisión, el
sobreajuste máximo corresponde a un α de poda 0.
El árbol de decisión 4.10 se ejecuta en SPSS a través del cuadro de diálogos 4.8. Existen
otros métodos más sofisticados basados en los mismos principios, como el de Bosque Aleatorio,
ejecutable en R mediante la librerı́a randomForest.
Ejercicio 72. Describe el método K-NN con k = 1 e indica los riesgos de clasificación errónea.
4.3. MÉTODOS ALTERNATIVOS 59

Figura 4.10: Árbol de decisión para irisdata

species

Nodo 0
Categoría % n
setosa 28,2 20
setosa vesicolor 39,4 28
vesicolor virginica 32,4 23
virginica Total 100,0 71

petleng
Mejora=0,304

<= 2,600 > 2,600

Nodo 1 Nodo 2
Categoría % n Categoría % n
setosa 100,0 20 setosa 0,0 0
vesicolor 0,0 0 vesicolor 54,9 28
virginica 0,0 0 virginica 45,1 23
Total 28,2 20 Total 71,8 51

petleng
Mejora=0,303

<= 4,950 > 4,950

Nodo 3 Nodo 4
Categoría % n Categoría % n
setosa 0,0 0 setosa 0,0 0
vesicolor 93,3 28 vesicolor 0,0 0
virginica 6,7 2 virginica 100,0 21
Total 42,3 30 Total 29,6 21
60 CAPÍTULO 4. PROBLEMA DE CLASIFICACIÓN
Capı́tulo 5

Reducción dimensional

En este capı́tulo, el único exclusivamente multivariante, se recogen una serie de técnicas

que tienen por objetivo simplificar un conjunto de datos multidimensional, aunque centraremos
mayormente nuestro interés en el análisis de componentes principales. El denominador común
de estas técnicas es que, en última instancia, se fundamentan en el teorema 1.4.1. Hay que
destacar que un estudio de este tipo se enmarca en una fase inductiva, pues el producto final
no es la aplicación de un test de hipótesis sino un gráfico en dimensiones reducidas que permita
una primera visión global de nuestra muestra, a partir de la cual podamos formular distintas
hipótesis. Por ello se ha optado por una redacción de la mayor parte del capı́tulo en lenguaje
muestral.
Ya hemos comentado que el núcleo del capı́tulo lo constituye el análisis de componentes
principales, aunque esta técnica puede considerarse un opción particular del denominado análi-
sis factorial. No parece existir unanimidad de criterios a la hora de catalogar y distinguir los
diferentes métodos. En este volumen se ha optado por presentarlos como un única técnica de
reducción dimensional de carácter dual, que se denomina análisis de componentes principales
desde el punto de vista de la observaciones (filas) y análisis factorial desde el punto de vista de la
variables (columnas). Aunque existen variedades del análisis factorial al margen del análisis de
componentes principales, nos hemos limitado a introducirlas brevemente. Ası́ mismo, el análisis
de correspondencias, que en cierta forma puede entenderse como una extensión del análisis de
componentes principales, se presenta de forma muy escueta, y más aún su generalización, que
es el análisis de correspondencias múltiple. Por último, se ha incluido una sección en la que se
ilustra brevemente la utilidad del uso de componentes principales en un problema de regresión
lineal múltiple.
Desde el punto de vista teórico, debemos entender en esencia que el teorema 1.4.1 viene
a proponer un cambio de la base vectorial inicial, dada por las variables medidas, a una base
ortonormal constituida por los autovectores de la matriz de covarianzas. De esta transformación
obtenemos nuevas variables incorreladas entre sı́ que se denominarán componentes principales,
lo cual puede permitir una comprensión más fácil de nuestros datos.

5.1. Una primera definición

Antes de abordar un estudio de carácter muestral y con un propósito meramente didáctico,
empezaremos con una definición probabilı́stica de las componentes principales.
Consideremos un vector aleatorio p-dimensional X de media nula y matriz de covarianzas Σ,
la cual descompone según el teorema 1.4.1 en Γ∆Γ′ , con Γ = (γ1 . . . γp ) y ∆ = diag(δ1 , . . . , δp ).
Para cada j = 1, . . . , p se define la j-ésima componente principal mediante

Uj = γj′ X (5.1)

61
62 CAPÍTULO 5. REDUCCIÓN DIMENSIONAL

De esta forma, las p componentes princiaples ordenadas componen un vector aleatorio p-

dimensional U que se obtiene como transformación lineal (rotación en sentido amplio) del
vector original X, concretamente mediante U = Γ′ X, y que verifica, por lo tanto, Cov(U ) = ∆.
De ello se deduce que las componentes principales son incorreladas entre sı́. También se deduce
del teorema 1.4.1 que, de todas las posibles proyecciones de X sobre algún eje de Rp , U1 es la
que presenta una máxima varianza. U1 es concretamente la proyección sobre el eje hγ1 i y su
varianza es δ1 .
Ejercicio 73. Probar que, dada una proyección de U sobre un determinado eje hγi, se verifica
que es incorrelada con U1 si, y sólo si, γ ⊥ γ1 .
Ejercicio 74. Probar que, de todas las posibles proyecciones de X sobre algún eje de Rp
incorreladas con U1 , la que presenta una varianza máxima es U2 .
Ası́ se van obteniendo sucesivamente las componentes principales hasta Up . Ası́ pues, “pa-
sar a componentes principales” se entiende como considerar, en lugar del vector original X,
otro vector transformado o “rotado” U cuyas componentes son incorreladas y están ordena-
das en función de sus varianzas. ¿Qué ventajas comportan ambas cualidades? Por el momento
nos limitaremos a una explicación intuitiva, si bien el el resto del capı́tulo presentaremos un
razonamiento más formal:
Que las componentes principales sean incorreladas (lo cual bajo el supuesto de p-normalidad
equivaldrı́a a independencia) comporta, desde un punto de vista vectorial, las mismas ventajas
que se derivan del uso de una base ortogonal. Desde un punto de vista meramente estadı́stico
nos proporciona una clara descomposición de la varianza total, lo cual permite conocer con
precisión que porcentaje de la misma perdemos si eliminamos alguna de ellas.
Segundo, y en lo que respecta a la eliminación de componentes principales, serán las últimas,
es decir, las de menor varianza, las candidatas a ser suprimidas. Estamos afirmando pues que
la importancia de las diferentes componentes principales viene dada por la magnitud de su
varianza y que, por lo tanto, el orden en el que se obtienen establece una jerarquı́a real desde
el punto de vista de la reducción dimensional. Intentaremos justificar tal afirmación desde un
punto de vista geométrico en la siguiente sección.

5.2. Justificación de las componentes principales

En esta sección se trata el problema de simplificar la dimensión de un conjunto de datos, pero
desde el punto de vista de las observaciones, es decir, de las filas de la matriz (1.1). Debemos
tener presente la notación introducida en el capı́tulo preliminar y, en especial, la distancia
(1.32) definida en el conjunto de las matrices de dimensión n × p. Por otra parte, dado k ≤ p,
se denota por Hk el conjunto de las subvariedades afines de dimensión k en Rp . Dada una
matriz X ∈ Mn×p , con matriz de covarianzas muestral S, consideraremos su descomposición
tipo (1.36) en función de sus autovalores d1 , . . . , dp y sus respectivos autovectores, g1 , . . . , gp ,
pero distinguiendo entre los k primeros y los p − k restantes mediante
  ′ 
D1 0 G1
S = (G1 |G2 ) (5.2)
0 D2 G′2
El análisis de componentes principales (PCA) se basa en el siguiente resultado, que es conse-
cuencia del lema 1.4.2:
Teorema 5.2.1. Dados 0 ≤ k ≤ p y X ∈ Mn×p con matriz de covarianzas S que descompone
según (5.2), se verifica
mı́n d2n,p X, Xk : Xki ∈ H ∀i ≤ n para algún H ∈ Hk = tr(D2 ),


(5.3)

y se alcanza con Xki = x + PhG1 i (Xi − x).

5.2. JUSTIFICACIÓN DE LAS COMPONENTES PRINCIPALES 63

La figura 5.1 ilustra el teorema anterior para un problema bidimensional.

Figura 5.1: Proyección de observaciones

✻X[2]
r r ✒
r❅
❅
r❅❅ r ❅r
❅
❅ ❅❅❅r
❅r
❅r
❅ X✲[1]

En el caso trivial k = 0, el teorema afirma que el vector de Rp constante por el que debemos
reemplazar las observaciones Xi con el menor error cuadrático posible es la media aritmética
x, siendo la varianza total muestral, definida en (1.33), la medida de dicho error.
Ejercicio 75. Probar que s2T = pj=1 dj
P

A medida que aumenta el valor de k, la distancia respecto a la simplificación Xk disminuye

en parte. Expresándolo
Pk de manera inversa dirı́amos que se explica una parte de la varianza
total, concretamente j=1 di . Salvo traslaciones, esta explicación óptima para una subvariedad
afı́n k-dimensional se alcanza proyectando sobre el subespacio generado por los k primeros
autovectores. La proporción de varianza total explicada por los mismos es pues
Pk
j=1 di
(5.4)
tr(S)
Que esta proporción sea próxima a 1 para un valor de k pequeño se traduce en que las n
observaciones reales se encuentran muy próximas a una subvariedad afı́n de baja dimensión, lo
cual equivale a un fuerte grado de correlación lineal (afı́n) entre las variables medidas para los
datos observados. Ésa es la cualidad que permite obtener una reducción dimensional profunda
mediante la técnica PCA, cosa que parece más factible bajo el supuesto de p-normalidad.
En lo que resta supondremos sin pérdida de generalidad (ya veremos por qué) que x = 0.
En ese caso y para cada j = 1, . . . , p, se denota U[j] = X · gj , es decir, el vector de Rn que
recoge las proyecciones de cada observación Xi , i = 1, . . . , n, sobre el eje hgj i determinado por
el j-ésimo autovector de S. Dicho eje se denomina j-ésimo eje principal y U[j] se denomina
j-ésima componente principal. Las p componentes principales ordenadas constituyen una nueva
matriz U ∈ Mn×p definida mediante
U = XG (5.5)
que expresa las coordenadas de X respecto de la base ortonormal canónica de autovectores G.
Dado k ≤ p, se denota por U la matriz n × k compuesta por las k componentes principales,
cuyas filas y columnas se denotarán con el mismo criterio que en (1.1). Por otra parte, se denota
E = (U[k + 1], . . . , U[p])G′2 ∈ Mn×p . En ese caso, se sigue de (5.5) que

X = U G′1 + E (5.6)

siendo U G′1 la matriz en Mn×k que permite alcanzar las distancia mı́nima a X en el teorema
5.2.1.
Ejercicio 76. Probar que las componentes principales son incorreladas entre sı́. Probar que
el primer eje principal es aquél sobre el que hay que proyectar las observaciones para obtener
una máxima varianza, que vale d1 .
64 CAPÍTULO 5. REDUCCIÓN DIMENSIONAL

Ejercicio 77. Probar que el segundo eje principal es aquél sobre el que hay que proyectar
las observaciones para obtener la máxima varianza de entre todas la variables incorreladas con
la primera componente principal, que vale d2 , y ası́ sucesivamente. Probar que el último eje
principal es aquél sobre el que hay que proyectar para obtener una mı́nima varianza.
Ejercicio 78. ¿Cómo se interpreta dp = 0? ¿Cómo se interpreta |Σ| = 0 para un vector
aleatorio con distribución Np (µ, Σ)?
Ası́ pues, los ejes principales resuelven el problema de maximización de la varianza, mien-
tras que los ejes discriminantes, estudiados en los capı́tulos 3 y 4, solucionan el problema de
maximización relativo a la discriminación entre categorı́as, que a su vez puede entenderse como
una maximización de correlaciones lineales.

Figura 5.2: Ejes principales y discriminantes

Al contrario que en el caso de los ejes discriminantes, el problema de maximización de la

varianza es sensible ante cambios de escala en las variables medidas. En la figura 5.3 se ilustra
el efecto sobre el cálculo de los ejes principales de un cambio de escala en la variable del eje OY.
Sin embargo, podemos lograr artificialmente un método de reducción dimensional invariante
ante cambios de escala si trabajamos con las variables tipificadas, que es lo que consideraremos
por defecto. Ello equivale a trabajar en todo momento con la matriz de correlaciones muestral
R en lugar de la matriz de covarianzas original S. Dado que tr(R) = p, (5.4) es igual a
Pk
j=1 di
(5.7)
p
Al trabajar con variables tipificadas podemos suponer que la media es nula, como indicábamos
antes.

5.3. Análisis Factorial

Dado que estamos trabajando con los datos tipificados se verifica que
1 ′
R= XX (5.8)
n
−1/2
Definimos la matriz F = U D1 de dimensiones n × k donde, para cada i, la trasposición de
k
su fila i-ésima, Fi ∈ R , se denomina vector de puntuaciones factoriales de la observación Xi .
5.3. ANÁLISIS FACTORIAL 65

Figura 5.3: Efecto de un cambio de escala en los ejes principales

Esta normalización tiene por objeto fijar una base no sólo ortogonal sino también ortonormal
1/2
en Rn . Por otra parte, transformamos de manera inversa G1 definiendo Λ = G1 D1 ∈ Mp×k .
La matriz Λ, denominada de componentes, se expresará ası́
   
λ1 [1] . . . λk [1] λ[1]′
Λ =  ... ..  =  ..  (5.9)

.   . 
′
λ1 [p] . . . λk [p] λ[p]

La ecuación (5.6) se expresa en estos nuevos términos mediante

X = FΛ′ + E (5.10)

Ejercicio 79. Probar que la matriz de covarianzas de U es SU = D1 . Probar que n−1 F′ F = Id

y F′ E = 0.
Si definimos H = ΛΛ′ ∈ Mp×p y Ψ = SE ∈ Mp×p , se sigue de (5.6) y (5.8)

R=H +Ψ (5.11)

Dado j entre 1 y p, los elementos hjj y ψjj de las diagonales de H y Ψ, que se denotarán por
h2j y ψj2 , se denominan respectivamente comunalidad y varianza especı́fica de la componente
j-ésima. En ese caso, se verifica que ψj2 = n−1 kE[j]k2Rn y, por lo tanto, en virtud del teorema
5.2.1,
n
1X
tr(Ψ) = kEi k2Rp (5.12)
n i=1
= d2n,p (X, U G′1 ) (5.13)
p
X
= dj (5.14)
j=k+1

Aplicando la igualdad (5.11) a las diagonales, obtenemos que 1 = h2j + ψj2 , para todo j. Es
decir, la proximidad a 1 de las comunalidades se traduce en una buena aproximación de U G′1
a X.
Ejercicio 80. Probar que Pk
p
1X 2 j=1 dj
h = (5.15)
p j=1 j p
66 CAPÍTULO 5. REDUCCIÓN DIMENSIONAL

Dicho parámetro se denota por h2 y expresa por tanto la proporción de varianza total explicada
por las k primeras componentes principales.
Ejercicio 81. Probar que, para todo i = 1, . . . , n, se verifica
n p
1 X 2
X
kEi − Ei′ k = 2 dj (5.16)
n2 i,i′ =1 j=k+1

5.3.1. Representación de obervaciones

Supongamos que existe un k pequeño para el cual (5.14) es próximo a 0 o, equivalentemente,
h2 ≃ 1. Veremos que ello nos permite representar de manera aproximada las n observaciones de
Rp que componen X en Rk si identificamos cada Xi con Ui , para i = 1, . . . , n. Efectivamente,en
virtud de (5.6), se verifica para cada par i, i′

kXi − Xi′ k2 = kUi − Ui′ k2 + kEi − Ei′ k2 (5.17)

Por lo tanto, se sigue de (5.16) que, en lo que respecta a la métrica Euclı́dea, el hecho de
reemplazar los datos originales por sus k primeras componentes principales conlleva un error
que puede valorarse en función de (5.14). Si en lugar de Ui y Ui′ utizamos las puntuaciones
factoriales Fi y Fi′ obtendremos la misma representación salvo cambios de escala en los k
ejes de coordenadas en función de los respectivos autovalores d1 , . . . , dk , pues las puntuaciones
factoriales pueden entenderse como componentes principales normalizadas. Concretamente, la
observación Xi ∈ Rp puede aproximarse mediante el vector Fi de Rk de la forma:
→ Pk → →
Xi = j=1 Fi [j] · λj + Ei
(5.18)

5.3.2. Representación de variables

Por otra parte, se sigue de (5.10) que, para todo l = 1, . . . , p,
→ Pk → →
X[l] = j=1 λj [l] · F[j] + E[l]
(5.19)

donde kE[l]k2 = n(1 − hl )2 . Se verifica entonces que, por la desigualdad de Cauchy-Schwarz y

teniendo en cuenta el ejercicio 79, para cada par 1 ≤ l, s ≤ p
q
−1 −1 −1
n hX[l], X[s]i = hλ[l], λ[s]i + n hE[l], E[s]i, n hE[l], E[s]i ≤ (1 − h2l )(1 − h2s ) (5.20)

Ello nos permite identificar las columnas X[l], X[s] ∈ Rn , que constituyen mediciones de sendas
variables aleatorias X[l] y X[s] sobre n individuos, con los vectores de la matriz de componentes
λ[l], λ[s] ∈ Rk , respectivamente, en el sentido de que

rls ≃ hλ[l], λ[s]i (5.21)

siempre que las comunalidades h2l y h2s sean próximas a 1, lo cual se relaciona con la cir-
cunstancia h2 ≃ 1. Luego, en tal caso, el hecho de que los vectores de Rk λ[l] y λ[s] sean
aproximadamente perpendiculares se interpreta como incorrelación aproximada entre X[l] y
X[s]; que estén en la misma dirección, aproximadamente, se interpreta como fuerte correlación
lineal entre ambas, que es directa si tienen el mismo sentido e inversa si tienen sentido opuesto.
Ejercicio 82. Probar que λj [l] es el coeficiente de correlación lineal entre X[l] y F[j].
Ejercicio 83. Probar que, para cada l = 1, . . . , p, h2l = kλ[l]k2 .
5.3. ANÁLISIS FACTORIAL 67

5.3.3. Representación conjunta de observaciones y variables

Dado que tanto las observaciones como las variables pueden identificarse de manera apro-
ximada con vectores de Rk , según (5.18) y (5.19), podemos representarlas conjuntamente me-
diante un gráfico k-dimensional que debemos interpretar según la siguiente igualdad, que se
deduce de (5.10) y se verifica para cada i = 1, . . . , n y para cada l = 1, . . . , p:
→ →
Xi [l] = hFi , λ[l]i + Ei [l] (5.22)

Figura 5.4: Relación observaciones-variables

�⃗[j]

B C

En la figura 5.4 se representan conjuntamente en dimensión k = 2 una variable aleatoria X[j]

medida en n individuos, identificada con el vector λ[j], y tres observaciones multidimensionales
A, B y C. En este caso, la observación A se caracteriza por un valor de X[j] por encima de la
media, la observación B, por un valor por debajo de la media y la C, por un valor en torno a
la media.
Por ejemplo, en un estudio realizado en el CENSYRA de Badajoz sobre p = 8 variables
que caracterizan la motilidad de los espermatozoides en carneros, a partir de una muestra de
n = 383 observaciones (ver tabla 1.1), se obtuvieron los resultados que se muestran en los
cuadros 5.1 y 5.2. Del cuadro 5.1 se deduce que podemos explicar un h2 = 82 % de la varianza
total proyectando sobre los dos primeros ejes principales, es decir, calculando F[1] y F[2]. Según
el cuadro 5.2, hay variables como vcl o vap que quedan explicadas casi perfectamente de esta
forma, mientras que bcf queda deficientemente representada. En la parte derecha se recoge la
matriz de componentes que se representará en la figura 5.5 junto con las puntuaciones factoriales
y que permite simplificar la matriz de correlaciones R.
En la figura 5.5 se aprecia claramente cómo las variables vcl, vsl y vap correlacionan fuerte
y positivamente entre sı́, y correlacionan débilmente con el resto; por otra parte, las variables
wob, lin y str correlacionan fuerte y positivamente entre sı́ y negativamente con alh y bcf, si
bien bcf no queda satisfactoriamente representada por este gráfico. Además, podemos apreciar
qué espermatozoides presentan valores altos, medios o bajos para las distintas variables. Se
ha superpuesto en el gráfico la circunferencia unidad para que podamos apreciar qué variables
presentan una comunalidad próxima a 1.
68 CAPÍTULO 5. REDUCCIÓN DIMENSIONAL

Cuadro 5.1: Autovalores de R

Varianza total explicada

Sumas de las saturaciones al cuadrado

Autovalores iniciales de la extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 3,834 47,929 47,929 3,834 47,929 47,929
2 2,743 34,283 82,213 2,743 34,283 82,213
3 ,860 10,747 92,960
4 ,366 4,578 97,538
5 ,161 2,014 99,552
6 ,033 ,410 99,962
7 ,002 ,030 99,992
8 ,001 ,008 100,000
Método de extracción: Análisis de Componentes principales.

Cuadro 5.2: Comunalidades y matriz de componentes

Componente
Inicial Extracción 1 2
vcl 1,000 ,991 vcl -,010 ,995
vsl 1,000 ,971 vsl ,632 ,756
vap 1,000 ,993 vap ,455 ,887
LIN% 1,000 ,943
LIN% ,956 -,169
STR% 1,000 ,654
STR% ,678 -,441
WOB% 1,000 ,704
WOB% ,839 ,029
alh 1,000 ,881
alh -,862 ,372
bcf 1,000 ,440
bcf -,639 ,180
Método de extracción: Análisis de Componentes principales.
Método de extracción: Análisis de componentes principales.

Podemos apreciar en las ecuaciones (5.18) y (5.19) que los papeles que desempeñan las
matrices F y Λ se permutan tal y como se indica en el cuadro 5.3 según representemos las
observaciones o las variables. Esta simetrı́a es lo que justifica en última instancia el uso de
puntuaciones factoriales F en lugar de la componentes principales originales U .

Cuadro 5.3: Dualidad observaciones-variables

k ejes k coordenadas
n observaciones Λ F
p variables F Λ

5.3.4. Concepto de factor y rotación de ejes

De la figura 5.5 se desprende la existencia de dos conglomerados de variables si utilizamos
como criterio de afinidad la correlación lineal: por un lado tenemos vcl, vsp y vap y por otro el
resto, aunque en el segundo grupo distinguimos lin, str y wob que correlacionan positivamen-
te de alh y bcf, que correlacionan negativamente con las anteriores. Desde un punto de vista
formal podrı́amos definir factor como una clase de equivalencia en el conjunto de variables si
consideramos una relación basada en la correlación lineal. Desde un punto de vista práctico,
es tarea del investigador experimental dar sentido a dichos factores. En el ejemplo que nos
ocupa el primer factor se identificarı́a aproximadamente con el concepto biológico de velocidad
espermática, mientras que el segundo se identificarı́a de manera aproximada con el de progre-
sividad. Queremos decir a grandes rasgos que esos son en esencia los dos factores a tener en
cuenta en un espermatozoide de este tipo.
Dado que nuestra interpretación de un gráfico como el de la figura 5.5 viene dada exclusiva-
mente en términos del producto escalar en Rk , permanecerá invariante ante cualquier rotación
que apliquemos a los ejes de coordenadas. Si X queda satisfactoriamente representada en di-
mensión k = 2 cualquier rotación se antoja innecesaria. Sin embargo, a partir de k = 3 una
5.3. ANÁLISIS FACTORIAL 69

Figura 5.5: Puntuaciones factoriales y matriz de componentes

rotación que identifique los posibles conglomerados de variables con los ejes de coordenadas
puede resulta muy útil para determinar los posibles factores. Para conseguir tal propósito exis-
ten diversos métodos iterativos como varimax o equamax, que se describen con mayor detalle
en Rencher (1995).
El denominado coeficiente de Kaiser-Meyer-Olkin, definido en (5.23), es un parámetro mera-
mente descriptivo de cierta utilidad para pronosticar el éxito o fracaso de un posterior análisis
factorial. Entendemos que el análisis factorial tiene éxito cuando logramos agrupar un gran
número de variables en pocos factores. En tal caso, la suma de coeficientes de correlación sim-
ple al cuadrado entre cada posible par de variables diferentes debe ser grande en relación con
la suma de los coeficientes de correlación parcial al cuadrado entre cada par, conocidas el resto,
2
P
que se denota por i6=j aij en (5.23). En la práctica, valores de KMO inferiores a 0.6 suelen
considerase un mal indicio de cara a una clara simplificación del problema de correlación.
2
P
i6=j rij
KM O = P 2
P 2
(5.23)
i6=j rij + i6=j aij

Ejercicio 84. Razonar por qué un valor de KMO próximo a 1 se asocia a una reducción
profunda en el análisis factorial.
En el cuadro de diálogos 5.6 se indica a grandes rasgos cómo ejecutar un PCA con SPSS.

5.3.5. Modelos basados en factores latentes

Existen otros conocidos métodos de análisis factorial que nos estudiaremos aquı́, como
pueden ser el de Máxima Verosimilitud o el del Eje Principal, basados en la presencia de una
serie de variables no observadas que se denominan factores latentes, a partir de las cuales
nuestras variables observadas pueden explicarse mediante un modelo de regresión lineal. Es
decir, se supone que el p-vector aleatorio respuesta Y es función afı́n de otro vector latente no
observado k-dimensional F de componentes incorreladas, con media nula y varianza 1, salvo
un error E de media nula y componentes independientes:
Y − E[Y ] = ΛF + E (5.24)
70 CAPÍTULO 5. REDUCCIÓN DIMENSIONAL

En ese caso, si Ψ denota la matriz diagonal de las varianzas de E, se deduce la siguiente

descomposición de Σ
Σ = ΛΛ′ + Ψ (5.25)
Al tomar n datos (tipificados) se obtiene, como en (5.10), la igualdad
Y = FΛ′ + E (5.26)
Por lo tanto, las puntuaciones factoriales pueden desempeñar el papel de F y la matriz de
componentes el de Λ, y en eso consiste el método PCA estudiado anterioremente. Sin embargo,
este nuevo modelo introduce la hipótesis de que las componentes de E son incorreladas, cosa
que no se justifica desde el punto de vista de las componentes principales. Para más detalle
consultar Rencher (1995).

Figura 5.6: Cuadro de diálogos PCA

5.4. Introducción al Análisis de Correspondencias

Mientras el objetivo del PCA es representar en un espacio de baja dimensión problemas
con varias variables numéricas, el del análisis de correspondencias es, ası́ mismo, representar en
un espacio sencillo un problema con varias variables categóricas. Cuando contamos únicamente
con dos variables categóricas, se trata de representar en Rk la tabla de contingencia, de manera
que quede explicada, no la distancia d2n,p entre la matriz de datos X y la matriz constante X, sino
una variante de la distancia anterior, denominada distancia χ2 , entre la tabla de contingencia
observada y aquélla que cabrı́a esperar en caso de ausencia de asociación entre las categorı́as
de ambas variables. Este método, que se estudia con detalle en Greenacre (1984), se basa pues
en una generalización del teorema 5.2.1, y tiene como producto final un gráfico denominado
biplot, como el de la figura 5.7, que se interpreta de manera parecida al caso numérico.
Cuando tenemos más de dos variables categóricas podemos optar, entre otros métodos, por
una generalización de la técnica anterior denominada análisis de correspondencias múltiples.
Esta técnica, que también se estudia con detalle en Greenacre (1984), se basa en la aplicación
del análisis simple a la denominada matriz de ı́ndices. Su mayor inconveniente radica en la
gran pérdida de información que suele conllevar en estos casos la representación gráfica en baja
dimensión. Otra alternativa que puede resultar interesante es agrupar las variables categóricas
con la intención de aplicar un análisis de correspondencias simple. Por ejemplo, en la figura
5.7 se ilustra la relación existente entre la especie de germinado (se distinguen 11 categorı́as de
leguminosas) y tres variables que caracterizan las condiciones del terreno, con 3, 5 y 2 categorı́as
respectivamente1 . Se ha optado por agrupar las tres variables del terreno en una única variable
1
Corresponde a datos recogidos por M.A. Pérez-Fernández y E. Calvo, del Área de Ecologı́a de la UEx.
5.5. MULTICOLINEALIDAD Y PCA 71

cualitativa denominada grupo que distingue entre 28 categorı́as diferentes. El biplot 5.7, que
recoge el 63 % de la distancia χ2 (correlación), ilustra las asociaciones entre las especies y las
diferentes condiciones del terreno. El cuadro de diálogos 5.9 ilustra cómo se ejecuta esta técnica
con SPSS.

Figura 5.7: Biplot especies vs terreno

1,0
T. villosa
O-4

O-3
D. glomerata O-1
0,5 O-2
Ax4
especie
Ax1 Axx2
grupo
Bxx3
Axx1 Axx4 C. cristatus
Dimensión 2

Bx3 Bx4 Ax3 Cxx4

0,0 D. carota Cx4
Ax2 Bxx4 F. vulgare Cx3
E. hirsutum M. arabica Cxx1
Cxx2
Bx2 Cxx3
Bxx2 Bxx1
Bx1
Axx3
-0,5
Cx1

-1,0 Cx2

R. crispus

-1,5
-1,5 -1,0 -0,5 0,0 0,5 1,0

Dimensión 1

5.5. Multicolinealidad y PCA

La técnica PCA se utiliza en ocasiones para resolver el problema de multicolinealidad en
una regresión lineal múltiple. Esta afirmación hay que matizarla porque la multicolinealidad
no tiene por qué constituir un problema ni el PCA llega jamás a resolverlo. En todo caso, nos
situamos en el contexto del ejemplo 4 en la página 29, suponiendo que las variables explicativas
Z[1] . . . , Z[q] estén tipificadas. En tal caso, se dice que hay multicolinealidad cuando existe un
alto grado de correlación lineal entre las variables explicativas, lo cual no supondrá perjuicio
alguno a la hora de efectuar predicciones. La multicolinealidad da lugar a un incremento en la
la varianza de los estimadores de la ecuación. Concretamente, se verifica para todo j = 1, . . . , q:
1 1 1
var β̂ j = σ 2 · · 2 ·
 
(5.27)
n sz[j] 1 − Rj2

donde Rj denota el coeficiente de correlación múltiple de Z[j] respecto al resto de variables

explicativas. Como podemos observar, dado que las variables explicativas están tipificadas, la
varianza del estimador depende de la varianza del modelo σ 2 , del tamaño de la muestra n y
de la correlación entre las variables explicativas. El término (1 − Rj2 )−1 se denomina factor de
inflación de la varianza (FIV).
En la figura 5.8 se ilustran los efectos de la multicolinealidad (derecha) sobre la varianza
de los estimadores de regresión a partir de variables tipificadas, en contraposición con una
situación en las que las variables explicativas son incorreladas (izquierda). En ambos casos se
calculan los coeficientes de regresión para dos muestras diferentes, Y 1 e Y 2 .
72 CAPÍTULO 5. REDUCCIÓN DIMENSIONAL

Figura 5.8: Interpretación geométrica de la multicolinealidad

Z[2] ✻ Z[2]
r ✉ hz i
2
2 P Y ✁✕
✁
✉
β̂ 2 Phz i Y 2
✁
r ✉ hz i r✟
P Y 1
✁ ✟ ✟
1 2 ✟ ✁
✉ hz i
β̂ 2 β̂ 2 ✁ P Y1
✁ ✁
✟✟
✁
✁ ✟ ✁ ✟✟
✟ ✯
✟✁r
✁ ✟
✟ ✟ ✟ Z[1]
✁ ✟ ✟
1 r✁✟
✁
✟ ✟✟ 1
β̂ 2 ✁ ✁ ✟✟
r r ✁✟✟r
✲ ✟ β̂ 1
2 1 Z[1] ✁✟ 2
β̂ 1 β̂ 1 β̂ 1

Ejercicio 85. Probar (5.27).

Ejercicio 86. Simular una muestra de tamaño n = 50 de una par de variables Z[1] y Z[2],
ambas con media 0 y desviación tı́pica 1, y con coeficiente de correlación ρ = 0.9. A continua-
ción, simular una variable Y que se obtenga mediante la ecuación Y = 2Z[1] − Z[2] + E, con
E ∼ N (0, σ 2 ) y σ 2 = 1. Proceder a estimar los coeficientes de regresión β1 y β2 mediante una
regresión lineal. Simular de nuevo Y en las mismas condiciones y estimar de nuevo los coeficien-
tes, comparando los resultados. Repetir el procedimiento para n = 100; repetirlo igualmente
para σ 2 = 0.5.
Que los estimadores de los coeficientes de regresión estén sometidos a una fuerte variabi-
lidad sólo tiene trascendencia a la hora de optimizar el modelo, pues da lugar a resultados
no significativos en los tests parciales. El hecho de que una variable permanezca o salga del
modelo en función del resultado del test parcial es pues muy cuestionable por el efecto de la
multicolinealidad. Para compensarlo se han ideado los diferentes algoritmos de selección de
variables que permiten introducir algunas variables en detrimento de otras fuertemente corre-
lacionadas con las primeras. No obstante, la selección puede depender de pequeños detalles de
la muestra que podrı́an llegar a ser arbitrarios desde un punto de vista estadı́stico. Esta posible
arbitrariedad no supone un problema si nuestra intención es predecir con la mayor precisión
posible la variable respuesta y mediante la menor cantidad posible de variables explicativas.
Tan sólo puede tener trascendencia si nuestro objetivo es determinar la influencia real de cada
una de las variables explicativas en la respuesta.
En tal caso, podemos optar por ejecutar la regresión respecto a las componentes principales
de las variables explicativas porque, al ser éstas incorreladas, los tests parciales no pueden verse
contaminados por la multicolinealidad.
Ejercicio 87. Probar que el coeficiente de correlación múltiple R2 de Y respecto a las varia-
bles explicativas Z permanece invariante si reemplazamos estas últimas por sus componentes
principales U.
Ejercicio 88. ¿Por qué una fuerte variabilidad de los estimadores se asocia a resultados no
significativos en los tests parciales?
Una vez estimado el vector η̂ con los coeficientes de regresión respecto de U, debemos
deshacer el cambio teniendo en cuenta (5.5), obteniendo ası́ la estimación

ˆ
β̂ = Gη̂
5.5. MULTICOLINEALIDAD Y PCA 73

Si hemos eliminado las últimas componentes principales en los tests parciales, esta nueva es-
timación de β estará sometida a tantas restricciones lineales como componentes eliminadas,
y será sesgada pero con menor varianza que el EIMV β̂. En las condiciones de la simulación
propuesta en el ejercicio 86, el primer eje principal es h(1, 1)′ i. Luego, si se desecha la segunda
componente principal, la ecuación estimada consistirá en multiplicar Z[1] y Z[2] por un mismo
coeficiente.
Desde un punto de vista práctico, distinguimos pues dos posibles circunstancias: que se
eliminen componentes principales en la regresión lineal, lo cual conduce a considerar una ecua-
ción más estable que puede entenderse como una especie compromiso entre las distintas varia-
bles correlacionadas, como en el ejemplo comentado anteriormente; o bien que no se eliminen
componentes principales, lo cual debe entenderse como que la muestra consta de información
suficiente para determinar qué variables poseen influencia real en la respuesta, en cuyo caso
debemos acatar el resultado que aporten los tests parciales.

Figura 5.9: Cuadro de diálogos Análisis de Correspondencias

74 CAPÍTULO 5. REDUCCIÓN DIMENSIONAL
Capı́tulo 6

Análisis de conglomerados

Recibe el nombre de análisis de conglomerados o análisis clúster un conjunto de técni-

cas destinadas a agrupar observaciones por afinidad. Cada observación consistirá en p valores
numéricos correspondientes a la medición de sendas variables y, por lo tanto, constituirán pun-
tos de Rp . Ésa es la razón por la que esta técnica haya sido considerada tradicionalmente como
parte de la Estadı́stica Multivariante, aunque actualmente tiende a catalogarse como Minerı́a
de Datos, de ahı́ que le dediquemos poco espacio. Para obtener una información más detallada
se consultar Hastie et al. (2008), Mardia et al. (1979) y Hair et al. (1999).

Figura 6.1: Datos geyser Old Faithful

90
80
waiting

70
60
50

1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0

eruption

En las dos primeras secciones abordaremos un breve estudio de los dos métodos tradicionales
del análisis de conglomerados: el de k-medias y el jerárquico. En la tercera sección introducire-
mos escuetamente el algoritmo de agrupación EM, basado en un modelo de mezclas. Este tipo
de técnica va más allá de la mera agrupación de observaciones pues tiene el ambicioso objeto
de determinar de manera sencilla y precisa la distribución probabilı́stica que las explica.
En todo caso, para hablar de afinidad entre observaciones es preciso definir previamente
una métrica en el espacio Rp . La opción más utilizada es la distancia Euclı́dea. Si optamos por

75
76 CAPÍTULO 6. ANÁLISIS DE CONGLOMERADOS

ella debemos tener presente que no es invariante ante un cambio de escala en cualquiera de las
variables medidas, lo cual afecta de manera decisiva a la agrupación, de ahı́ que la elección de
la distancia Euclı́dea vaya acompañada frecuentemente de la tipificación de los datos. Entre
otra alternativas a la distancia Euclı́dea podemos mencionar la de Mahalanobis, dada la matriz
de covarianzas muestral, que es sı́ invariante.

6.1. Método de k-medias

También conocido como quick-cluster, se utiliza para agrupar los datos en un número k de
conglomerados determinado a priori. La elección de k puede basarse en argumentos formales,
como los que se mencionan en la tercera sección, o bien en argumentos gráficos y, por lo
tanto, intuitivos, como los que se desprenden de la figura 6.1, correspondientes a datos del
geyser Olf Fatithful, de Yellowstone, donde parecen apreciarse con cierta claridad dos grandes
conglomerados.
La técnica consiste en aglomerar todos los datos en torno a k puntos (que se denominan
semillas) en función de la proximidad a éstos, según la distancia considerada. En ocasiones,
estas semillas son establecidas de antemano en función de conocimientos previos, en cuyo caso
el método es trivial. Si queremos formar k conglomerados pero no contamos con semillas,
puede procederse de la siguiente forma: se seleccionan k datos, bien aleatoriamente o bien los
k primeros, que serán las semillas iniciales. Los datos restantes se irán aglomerando en torno
a ellos. No obstante, si la semilla más cercana a un dato dista del mismo más que que la
semilla más cercana a ésta, dicho dato reemplaza como semilla a la más cercana y usurpa en
lo sucesivo, por ası́ decirlo, su conglomerado. Al final del proceso, se reconstruyen las semillas
como centroides de los conglomerados finales y el procedimiento se repite sucesivamente hasta
conseguir suficiente estabilidad en los centroides finales.

Figura 6.2: Cluster k-medias para Faithful y jerarquizado para irisdata

6.2. Método jerárquico

Este método está ideado para aglomerar un número pequeño o moderado de observaciones.
Su resultado final es una gráfico denominado dendrograma que deberá interpretarse subjetiva-
mente. Inicialmente, se considera cada dato como un conglomerado unitario. Partiendo de esa
situación, cada paso que se dé consistirá en unir los dos conglomerados más próximos entre sı́
para formar un único conglomerado más grande. El procedimiento se repite, en principio, hasta
que quede un único conglomerado constituido por todos los datos. El proceso de formación de
6.3. ALGORITMO EM 77

los conglomerados queda registrado, de manera que se puede analizar el estado más intere-
sante, que será aquél en el que queden patentes grandes diferencias entre los conglomerados
y pequeñas diferencias dentro de los conglomerados. Eso querrá decir que en todos los pasos
anteriores se unieron conglomerados próximos, pero en el inmediatamente posterior se unen
dos conglomerados distantes, lo cual puede detectarse gráficamente mediante el dendrograma.
El denominado diagrama de témpanos aporta una información similar. Mediante el análisis de
los gráficos debemos pues determinar el número de conglomerados en la solución final. Hemos
dicho anteriormente que cada paso consistirá en la fusión de los dos conglomerados más próxi-
mos entre sı́. Obviamente, la proximidad se determinará en virtud de la medida de afinidad que
hayamos escogido. No obstante, ésta se aplica a cada par de puntos, mientras que los conglo-
merados son conjuntos (unitarios o no). Por ello, queda aún pendiente determinar una medida
de proximidad entre conjuntos partiendo de la medida d de proximidad entre puntos seleccio-
nada. En ese sentido, contamos con varias opciones. El SPSS utiliza por defecto la vinculación
inter-grupos, que consiste en definir la distancia entre dos conglomerados A y B mediante
X
d̃(A, B) = [card(A × B)]−1 d(a, b) (6.1)
a∈A, b∈B

En la figura 6.3 presentamos el dendrogama correspondiente a 25 flores de irisdata aglome-

radas en función de sus cuatro medidas morfológicas. Se han utilizados las opciones que SPSS
ofrece por defecto: distancia Euclı́dea y vinculación intergrupos.
En un análisis de este tipo hay que tener muy presente que los datos extremos constituyen
conglomerados unitarios hasta fases muy avanzadas del análisis, como es el caso de la flor 66.
Haciendo caso omiso de la misma, se perfilan, de manera subjetiva, entre dos y tres conglo-
merados de datos. Si nos decidimos por dos, podremos comprobar que el más pequeño está
compuesto exclusivamente por flores tipo setosa mientras que el más grande está compuesto
por flores tipo vesicolor y virgı́nica.
La ventaja del método de k-medias respecto al jerárquico radica en que su algoritmo es
mucho más rápido (especialmente con muestras de gran tamaño). Su desventaja estriba en lo
polémico de la elección de k. No obstante, podemos optar por diferentes combinaciones entre
ambas técnicas: por ejemplo, podemos seleccionar a partir de la muestra original una pequeña
muestra piloto y determinar k a partir del dendrograma de la segunda. También puede invertirse
el orden agrupando primeramente respecto a un número elevado m de semillas, que da lugar
a m centroides finales. Éstos se someten entonces a un análisis jerárquico, de manera que los
grupos correspondientes a centroides próximos se unirán dando lugar a un número menor de
conglomerados homogéneos.

6.3. Algoritmo EM
En la sección anterior destacamos lo conflictivo que resulta determinar el número k de
conglomerados a configurar a partir de la observación de la muestra. Existen diversos procedi-
mientos semiautomáticos para tal fin basados en principios bastante intuitivos, como el méto-
do gráfico del codo y el de Calinsky-Harabasz. El método bayesiano denominado EM-cluster
(esperaza-maximización) está basado en un modelo de mezclas: desde el punto de vista formal
se fundamenta en la aproximación de cualquier distribución de probabilidad p-dimensional a
una cierta mezcla de r distribuciones p-normales. Las condiciones de partidas son muy simi-
lares a las del modelo de regresión logı́stica, con la salvedad de que la variable cualitativa I
no tiene que ser necesariamente binaria y, además, es latente, es decir, no está especificada.
En ese sentido guarda también relación con el Análisis Factorial. En definitiva, sobre un cierto
espacio de probabilidad contamos con una variable aleatoria I con valores en {1, . . . , k} y un
78 CAPÍTULO 6. ANÁLISIS DE CONGLOMERADOS

Figura 6.3: Dendrograma para irisdata

40
30
Height

20
10
0

17

9
33

3
22

16
24

29
32
12

13
18

19
25
23
27

20
30

15
26
4
31
10

1
34

2
35
8
14

21
28
5
11

Observation Number in Data Set Z

Method=ward; Distance=euclidian

vector aleatorio Y con valores en Rp . De la primera suponemos que sigue una distribución
multinomial con probabilidades a priori {q1 , . . . , qk } y suponemos, además, que la distribución
condicional de Y conocido que I = j es p-normal con media µj y matriz de covarianzas Σj ,
para j = 1, . . . , k. Se denotará por pj la correspondiente función de densidad.
Obviamente, cuanto mayor sea el número de componentes k que integren la mezcla y menos
restricciones impongamos a las respectivas matrices de covarianzas, mayor será la verosimilitud
L obtenida para la muestra observada. De ahı́ que, para evitar sobreajustes, se utilice el criterio
de información bayesiano (BIC) a la hora de valorar la aptitud del modelo a seleccionar. Es
decir, se ensayarán con diferentes valores de k y diversos grados de restricción para la matriz
de covarianzas y se elegirá el modelo que maximice el valor del BIC 1 .

d
BIC = log L − log n (6.2)
2

El método para estimar los diferentes parámetros del modelo es complicado en el caso ge-
neral (ver Hastie et al. (2008), sección 8.5). Consiste en comenzar con una estimación inicial
que se va mejorando iterativamente en dos fases: maximización y esperanza. Concretamente, se
estiman por máxima verosimilitud los parámetros (qj , µj , Σj ), j = 1, . . . , k, que caracterizan el
modelo a partir de un algoritmo tipo k-medias, considerando como valores de la variable I los
obtenidos mediante dicho método. Es decir, se estimarı́an de manera natural calculando respec-
tivamente las proporciones, medias y matrices de covarianza por categorı́as. Entonces, podemos
aprovechar esas estimaciones para calcular la esperanzas condicionales de los verdaderos valores
de I, es decir, las probabilidades a posteriori, mediante la Regla de Bayes:

qj · pj (yi )
P̂ (I = j|X = xi ) = Pk (6.3)
l=1 ql · pl (yi )

reemplazando los parámetros desconocidos por estimadores de los mismos. Asimismo, supues-
to conocidas las probabilidades a posteriori, podemos reculcular la estimación por máxima
1
d denota el número de parámetros del modelo.
6.3. ALGORITMO EM 79

verosimilitud de los parámetros buscados mediante:

n
1X
q̂j = P̂ (I = j|Y = yi ) (6.4)
n i=1
n
1 X
µ̂j = P̂ (I = j|Y = yi ) · yi (6.5)
nq̂j i=1
n
1 X
Σ̂j = P̂ (I = j|Y = yi ) · (yi − µ̂j )(yi − µ̂j )′ (6.6)
nq̂j i=1

Y ası́ sucesivamente hasta alcanzar un cierto grado de estabilidad en los parámetros o bien
hasta completar un número establecido de iteraciones. Al modelo de mezclas ası́ obtenido
le corresponderá un BIC que se comparará con el de los modelos obtenidos bajo diferentes
restricciones.
Este método puede ejecutase haciendo uso del paquete mclust del programa R. Si, por
ejemplo, lo aplicamos a los datos de Old Faithful, el método proporciona un valor máximo del
BIC para k = 3 componentes, con matrices de covarianzas asociadas a elipses con el mismo
volumen, excentricidad y orientación (EEE). En la figura 6.4 se muestran la coparativa entre los
diferentes modelos considerados y los diferentes clústers con las correspondientes distribuciones
2-normales superpuestas.
En ocasiones como ésta y a la vista del gráfico, puede procederse a agrupar clusters (verde y
azul) cuya separación no resulte natural. Es decir, que este método aparentemente automático
también puede precisar en última instancia de decisiones subjetivas, por lo que, en definitiva,
no difiere tanto de los comentados en la sección anterior.

Figura 6.4: EM-cluster para Old Faithful

Classification
-2500

90
80
-3000

waiting

70
BIC

-3500

60

EII EVE
VII VEE
EEI VVE
VEI EEV
50

EVI VEV
VVI EVV
-4000

EEE VVV

1 2 3 4 5 6 7 8 9
1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Number of components
eruption
80 CAPÍTULO 6. ANÁLISIS DE CONGLOMERADOS
Bibliografı́a

Arnold, S.F. (1981), “The Theory of Linear Models and Multivariate Analysis”, Wiley.
Anderson, T.W. (1958), “An Introduction to Multivariate Statistical Analysis”, Wiley.
Bilodeau, M. y Brenner, D. (1999), “Theory of Multivariate Statistics”, Springer.
Dillon, W.R. y Goldstein, M. (1984), “Multivariate Analysis. Methods and Aplications”, Wiley.
Dobson, A.J. (1990), “An Introduction to Generalized Linear Models”, Chapman & Hall.
Flury, B. (1997), “A First Course in Multivariate Statistics”, Springer.
Gifi, A. (1990), “Nonlinear Multivariante Analysis”, Wiley.
Greenacre, M.J. (1984), “Theory and Applications of Correspondence Analysis”, Academic
Press.
Hair, J.F., Anderson, R.E., Tatham, R.L., y Black, C.B. (1999), “Análisis Multivariante”,
Prentice Hall.
Hastie, T., Tibshirani, R. y Friedman, J. (2008), “ The Elements of Statistical Learning”,
Springer.
Mardia, K.V., Kent, J.T. y Bibby, J.M. (1979), “ Multivariate Analysis”, Academic Press.
Montanero, J. (2008), “Manual 56: Modelos Lineales”, Servicio de Publicaciones UEx.
http://hdl.handle.net/10662/2443
Montanero, J. (2008), “Manual 59: Análisis Multivariante”, Servicio de Publicaciones UEx.
http://hdl.handle.net/10662/2444
Nogales, A.G. (1998), “Estadı́stica Matemática”, Servicio de publicaciones UEx.
Peña, D. (2010), “Regresión y Diseño de Experimentos”, Alianza editorial.
Rencher, A.C. (1995), “Methods of Multivariate Analysis”, Wiley.
Silverman, B. W. (1986), “Density Estimation for Statistics and Data Analysis”, Chapman &
Hall.
Uriel, E. y Aldás, J. (2005), “Análisis Multivariante Aplicado”, Thomson.

81