s4 - PPT - Analisis Discriminante - Practica - Sistemas Inteligentes

1
SISTEMAS INTELIGENTES
ANALISIS DISCRIMINANTE
PRACTICA
UPAO INGENIERÍA DE COMPUTACIÓN Y SISTEMAS

2
SISTEMAS INTELIGENTES
PRACTICA
1. Ejecutar la lectura adjunta acerca del Análisis
Discriminante y hacer uma síntesis del tema en
diapositivas ppt.
2. Usando MATLAB, ejecutar el guión propuesto de

Analisis discriminante com MATLAB y presentar los
resultados hallados.
Análisis Discriminante
ANÁLISIS DISCRIMINANTE
El Análisis Discriminante es una técnica estadística multivariante cuya finalidad es analizar si existen
diferencias significativas entre grupos de objetos respecto a un conjunto de variables medidas sobre
los mismos para, en el caso de que existan, explicar en qué sentido se dan y facilitar procedimientos
de clasificación sistemática de nuevas observaciones de origen desconocido en uno de los grupos
analizados.
¿Se puede predecir si una empresa va a entrar en bancarrota?

¿Es posible predecir con antelación si un cliente que solicita un préstamo a un banco va a ser un
cliente moroso?
¿Existe discriminación por razones de sexo o de raza en una empresa o en un colegio?
El Análisis Discriminante se puede considerar como un análisis de regresión donde la variable

dependiente es categórica y tiene como categorías la etiqueta de cada uno de los grupos, mientras
que las variables independientes son continuas y determinan a qué grupos pertenecen los objetos.
• Se pretende encontrar relaciones lineales entre las variables continuas que mejor discriminen en
los grupos dados a los objetos.
• Construir una regla de decisión que asigne un objeto nuevo con un cierto grado de riesgo, cuya
clasificación previa se desconoce, a uno de los grupos prefijados.
Para efectuar el análisis es necesario considerar una serie de supuestos:
(a) Se tiene una variable categórica y el resto de variables son de intervalo o de razón y son
independientes respecto de ella.
(b) Se necesitan al menos dos grupos, y para cada grupo se necesitan dos o más casos.
(c) El número de variables discriminantes debe ser menor que el número de objetos menos 2, es
decir, (x 1 , x 2 ,", x p ) donde p < (n − 2) siendo n ≡ número de objetos.
(d) Ninguna variable discriminante puede ser combinación lineal de otras variables discriminantes.
(e) El número máximo de funciones discriminantes es el mínimo [número de variables, número de

grupos menos 1] – con q grupos, (q − 1) funciones discriminantes ‐.
(f) Las matrices de covarianzas dentro de cada grupo deben de ser aproximadamente iguales.
(g) Las variables continuas deben seguir una distribución normal multivariante.
Santiago de la Fuente Fernández 1

MODELO MATEMÁTICO
Partiendo de q grupos donde se asignan a una serie de objetos y de p variables medidas sobre
ellos (x 1 , x 2 ,", x p ) , se trata de obtener para cada objeto una serie de puntuaciones que indican el
grupo al que pertenecen (y 1 , y 2 ,", y m ) , de modo que sean funciones lineales de (x 1 , x 2 ,", x p ) :
⎧ y1 = w11 x1 + w12 x 2 + " + w1p xp + w10

⎪
⎨ """"""""""""" m = mín[ q − 1, p ]
⎪y = w x + w x + " + w x + w
⎩ m m1 1 m2 2 mp p 10
tales que discriminen o separen lo máximo posible a los q grupos.
Estas combinaciones lineales de las p variables deben maximizar la varianza entre los grupos y
minimizar la varianza dentro de los grupos.
DESCOMPOSICIÓN DE LA VARIANZA: La variabilidad total de la muestra se puede descomponer en

variabilidad dentro de los grupos y entre los grupos. Para ello, se parte:
1 n
Cov(x j , x j' ) = ∑ (x ij − x j ) (x ij' − x j' )
n i=1
se puede considerar la media de la variable x j en cada uno de los grupos (I1 , I2 ,", Iq ) , es decir,
1
xk j =
nk
∑x
i∈Ik
ij para k = 1,", q .
De esta forma, la media total de la variable x j se puede expresar como función de las medias dentro
de cada grupo: nk x k j = ∑ x ij
i∈Ik
1 n 1 q 1 q q
nk
con lo cual, x j = ∑
n i=1
x ij = ∑∑
n k=1 i∈I
x ij = ∑
n k=1
n x
k kj = ∑
k =1 n
xk j
k
1 q
Así, Cov(x j , x j' ) = ∑∑ (x ij − x j ) (x ij' − x j' )
n k=1 i∈I k
⎧(x ij − x j ) = (x ij − xk j ) + (xk j − x j )
⎪
Poniendo en cada uno de los términos: ⎨ se obtiene,
⎪(x i j' − x j' ) = (x i j' − xk j' ) + (xk j' − x j' )
⎩
1 q 1 q q
nk
Cov(x j , x j' ) = ∑∑
n k=1 i∈I
(x ij − x j ) (x ij'
− x j'
) = ∑∑
n k=1 i∈I
(x ij − x kj ) (x i j' − x k j' ) + ∑
k =1 n
(x k j − x j ) (x k j' − x j' ) =
k k

cov arianza total

cov arianza dentro grupos

cov arianza entre grupos

MATRICIALMENTE
= v (x j , x j' ) + f (x j , x j' ) 6 t (x j , x j' ) = v (x j , x j' ) + f (x j , x j' ) ⇒ T = V +F
La covarianza total es igual a la covarianza dentro de los grupos más la covarianza entre grupos.

EXTRACCIÓN FUNCIONES DISCRIMINANTES
La idea básica del Análisis Discriminante consiste en extraer a partir de (x 1 , x 2 ,", x p ) variables
observadas en k grupos, m funciones (y 1 , y 2 ,", y m ) de forma que:
yi = wi1 x1 + wi2 x2 + " + wip xp + wi0 donde m = mín( q − 1, p ) , tales que corre(y i , y j ) = 0 ∀i ≠ j
Si las variables (x 1 , x 2 ,", x p ) están tipificadas, las funciones ( yi = wi1 x1 + wi2 x 2 + " + wip xp ) para
(i = 1,", m) se denominan discriminantes canónicas.
Las funciones (y 1 , y 2 ,", y m ) se extraen de modo que:
• y 1 sea la combinación lineal de (x 1 , x 2 ,", x p ) que proporciona la mayor discriminación

posible entre los grupos.
• y 2 sea la combinación lineal de (x 1 , x 2 ,", x p ) que proporciona la mayor discriminación

posible entre los grupos, después de y 1 , tal que corre(y 1 , y 2 ) = 0
• En general, y i es la combinación lineal de (x 1 , x 2 ,", x p ) que proporciona la mayor

discriminación posible entre los grupos, después de y i−1 , tal que corre(y i , y j ) = 0 para
j = 1,", (i − 1)
MATRICIALMENTE: Se busca una función lineal de (x 1 , x 2 ,", x p ) : Y = w' X
Se sabe que La covarianza total es igual a la covarianza dentro de los grupos más la covarianza entre

MATRICIALM ENTE
grupos: T = F + V .
De modo que, Var(y) = w' T w = w'F w + w' V w
) Se maximiza la variabilidad entre los grupos para discriminarlos mejor, es decir, se maximiza la
⎡ w'F w ⎤
varianza entre grupos en relación con el total de la varianza: máx ⎢ ⎥
⎣ w' T w ⎦
w'F w
Considerando la función f(w) = se observa que es una función homogénea, es decir,
w' T w
⎡ w'F w ⎤
f(w) = f(μ w) ∀μ∈R . El hecho de que sea homogénea implica que calcular máx ⎢ ⎥ equivale
⎣ w' T w ⎦
a calcular máx [w'F w] tal que w' T w = 1
Como es el esquema habitual de los multiplicadores de Lagrange, se define:
ϑL
L = w'F w − λ (w' T w − 1) ⇒ = 2F w − 2 λ T w = 0 ⇒ F w = λ T w ⇒ (T −1F) w = λ w
ϑw
En consecuencia, el autovector asociado a la primera función discriminante lo es de la matriz (T −1F) ,

que en general no es simétrica.
Como F w = λ T w , se tiene w'F w = λ w' T w = λ
Por tanto, tomando el vector asociado al máximo autovalor se obtendrá la función que recoge el
máximo poder discriminante.
El autovalor asociado a la función discriminante indica la proporción de varianza total explicada por
las m funciones discriminantes que recoge la variable y i
Para obtener más funciones discriminantes se siguen sacando los autovectores de la matriz
⎧ w'2 ⇒ w'2X = Y2
⎪
(T −1F) asociados a los autovalores elegidos en orden decreciente: ⎨ """""""
⎪ w' ⇒ w' X = Y
⎩ m m m
m = mín(q − 1, p ) . Estos vectores son linealmente independientes y dan lugar a funciones

incorreladas entre sí.
m
La suma de todos los autovalores ∑λ
i=1
i es la proporción de varianza total que queda explicada, o se
conserva, al considerar sólo los ejes o funciones discriminantes.
Como consecuencia, el porcentaje explicado por la variable y i del total de varianza explicada por las
funciones (y 1 , y 2 ,", y m ) es:
λi
m
100%
∑λ
i=1
i
ANÁLISIS DISCRIMINANTE: OBJETO
Clasificar las observaciones de la muestra en grupos, a partir de la información

suministrada por un conjunto de variables.
Un conjunto de variables Una variable categórica

explicativas o criterio señalando los grupos
Variables clasificadoras Variable dependiente

ANÁLISIS DISCRIMINANTE (A.D.): CRITERIO DE CLASIFICACIÓN
Hipótesis: Las distribuciones sólo se diferencian por su localización (igual forma y varianza)
Se trata de minimizar los errores de clasificación

Si xi < C se clasifica en el grupo I
Si xi > C se clasifica en el grupo II
XI + XII
El punto C se denomina punto de corte discriminante: C =
2


ENFOQUES DE ANÁLISIS
Basado en la obtención de funciones discriminantes de cálculo similar a las ecuaciones de

regresión lineal múltiple. Consiste en conseguir, a partir de las variables explicativas, unas
funciones lineales de éstas con capacidad para clasificar a otros individuos. A cada nuevo caso se
aplican dichas ecuaciones y la función de mayor valor define el grupo al que pertenece.
Basado en técnicas de correlación canónica y de componentes principales (Análisis Factorial)

denominado Análisis Discriminante Canónico.
CLASIFICACIÓN EN DOS GRUPOS
Se estudia la aplicación del Análisis Discriminante (AD) a la clasificación de individuos en el caso

de que se puedan asignar solamente a dos grupos a partir de k variables discriminadoras.
Fisher resuelve el problema mediante su función discriminante: D = w1 X1 + w2 X2 + " + wk Xk
Las puntuaciones discriminantes son los valores que se obtienen al dar valores a
(X1 , X2 ," , Xk ) en la ecuación anterior.
Se trata de obtener los coeficientes de ponderación w j
Si se consideran N observaciones → La función discriminante Di = w1 X1i + w2 X2i + " + wk Xki para

∀ i = 1," , N .
(Di ) es la puntuación discriminante correspondiente a la observación i‐ésima.
⎛ D1 ⎞ ⎛ X11 X21 " Xk1 ⎞ ⎛ w1 ⎞

⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜ D2 ⎟ ⎜ X12 X22 " Xk 2 ⎟ ⎜ w2 ⎟
La función discriminante en forma matricial: ⎜ ⎟ = ⎜ ⎟⎜ # ⎟
# # #
⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜D ⎟ ⎜ X X " X ⎟⎜ ⎟
⎝ N ⎠ ⎝ 1N 2N kN ⎠ ⎝ wk ⎠
Expresando el modelo en función de las desviaciones a la media, resulta:
⎛ D1 − d1 ⎞ ⎛ X11 X21 " Xk1 ⎞ ⎛ w1 ⎞

⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜ D2 − d2 ⎟ ⎜ X12 X22 " Xk2 ⎟ ⎜ w2 ⎟
⎜ # ⎟=⎜ # # ⎟⎜ # ⎟ es decir,
⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜ DN − dN ⎟ ⎜ X1N X2N " XkN ⎟ ⎜ wk ⎟
⎝ ⎠ ⎝ ⎠⎝ ⎠
d = X w (función discriminante en diferencias)
La variabilidad de la función discriminante (suma de cuadrados de las desviaciones de las

variables discriminantes con respecto a su media) se expresa:
Suma de cuadrados explicada por esta función: d' d = w' X' X w
X' X es una matriz simétrica que expresa las desviaciones cuadráticas con respecto a la media de
las variables (suma de cuadrados total).

Se puede descomponer en suma de cuadrados entre grupos F y suma de cuadrados dentro de los
grupos V:
T = X' X (matriz de suma de cuadrados y productos

cruzados (varianzas‐covarianzas) para el conjunto de T = X' X = F + V
observaciones.
con lo cual, d' d = w' X' X w = w' (F + V) w = w' F w + w' V w
Los ejes discriminantes vienen dados por los vectores propios asociados a los valores propios de
la matriz (V −1 F) ordenados de mayor a menor.
Las puntuaciones discriminantes se corresponden con los valores obtenidos al proyectar cada
punto del espacio k‐dimensional de las variables originales sobre el eje discriminante.
w' F w separación entre grupos

Los coeficientes w se obtienen: Máx λ = =
w' V w separación dentro grupos
CLASIFICACIÓN
Se obtienen las puntuaciones discriminantes di para cada observación, introduciendo los

correspondientes valores de las k variables en la función discriminante.
Se aplica el criterio de clasificación:
di < C (di ‐ C < 0) → pertenece al grupo I

di > C (di ‐ C > 0) → pertenece al grupo II
Otro camino: funciones discriminantes para cada grupo → se clasifica la observación en

el grupo en que la función correspondiente arroja mayor valor.
HIPÓTESIS
Las variables son independientes y se distribuyen normalmente → problemas en la

estimación.
Las matrices de las varianzas y covarianzas son iguales en todos los grupos → afecta a la
clasificación.
No multicolinealidad entre las variables clasificadoras.
Las relaciones son lineales.
No existen valores anómalos (outliers).

CENTROIDES PARA CADA GRUPO (GRUPO I, GRUPO II)
⎛ X1 I ⎞ ⎛ X1II ⎞
⎜ ⎟ ⎜ ⎟
⎜ X2 I ⎟ ⎜ X2 II ⎟
XI = ⎜ ⎟ XII = ⎜ ⎟ Los subíndices I y II indican a qué grupo pertenece la variable.
# #
⎜ ⎟ ⎜ ⎟
⎜ Xk I ⎟ ⎜ Xk II ⎟
⎝ ⎠ ⎝ ⎠
⎧ DI = w1 X1 I + w2 X2 I + " + wk Xk I
⎪
PARA CADA GRUPO ⎨
⎪ D = w X + w X +"+ w X
⎩ II 1 1 II 2 2 II k k II
⎧ • Si Di < C se clasifica al individuo i en el grupo I

CRITERIO PARA CLASIFICAR ⎪
⎨
A UN INDIVIDUO ⎪ • Si D > C se clasifica al individuo i en el grupo II
⎩ i
DI + DII
C: punto de corte discriminante C =
2
EN GENERAL:
{D−C = w 1 X1 + w2 X2 + " + wk XK − C } se clasifica dependiendo si (D − C) es positivo o negativo.
INFERENCIAS Y CÁLCULO DE PROBABILIDADES
La obtención de la función discriminante la realizó Fisher aplicando un enfoque puramente

descriptivo. Cuando en el análisis discriminante se desean abordar cuestiones de carácter inferencial
y otros relativos al modelo poblacional se requiere la formulación previa de hipótesis estadísticas.
Las cuestiones de tipo inferencial se refieren a diversos contrastes de significación sobre el modelo,
así como contrastes utilizados en el proceso de selección de variables cuando el número de éstas es
muy grande y no se conoce a priori las variables que son relevantes en el análisis.
Por otra parte, el cálculo de probabilidad de pertenencia a un grupo requiere que previamente se
haya postulado algún modelo probabilístico de la población.
Las hipótesis estadísticas que se adoptan, análogas a las postuladas en el análisis multivariante de la
varianza, se refieren tanto a la población como al proceso de obtención de la muestra.
) Las hipótesis estadísticas sobre la población:
(a) La matriz de covarianzas de todos los grupos es igual a Σ (hipótesis de homocedasticidad).
(b) Cada uno de los grupos tiene una distribución normal multivariante.
Las hipótesis implican que x g ≈ N(μg , ∑ )

) Las hipótesis sobre el proceso de obtención de la muestra: Facilitan la realización del proceso de
inferencia a partir de la información disponible: <<Se supone que se ha extraído una muestra
aleatoria multivariante independiente en cada uno de los G grupos>>.
Bajo las hipótesis citadas, la función discriminante obtenida por Fisher es óptima. La hipótesis
x g ≈ N(μg , ∑ ) exige que las variables clasificadoras sigan una distribución normal. Sin embargo, no
sería razonable postular est hipótesis respecto a variables categóricas, utilizadas frecuentemente en
el análisis discriminante como variables clasificadoras. Señalar que, cuando se utilizan variables de
este tipo, la función discriminante lineal de Fisher no tiene el carácter de óptima.
Contrastes de significación y evaluación de la bondad de ajuste
Con los contrastes de significación que se realizan en el análisis discriminante con dos grupos se trata
de dar respuesta a tres tipos de cuestiones diferentes:
(a) ¿Se cumple la hipótesis de homocedasticidad del modelo?

(b) ¿Se cumplen las hipótesis de normalidad?
(c) ¿Difieren significativamente las medias poblacionales de los dos grupos?
Para el contraste de homocedasticidad (si la matriz de covarianzas es la misma para los distintos
grupos) se utiliza el estadístico de Barlett‐Box:
K
(ng −1) / 2 • En el numerador aparecen los determinantes de las estimaciones
∏S
g =1
g
de la matriz de covarianzas para cada grupo.
M= (n − K) / 2 • En el denominador, el determinante de la estimación global de la
S
matriz de covarianzas.
Cuando el numerador sea muy superior al denominador, será indicativo de que existe
heteroscedasticidad (no existe homogeneidad entre las matrices de covarianzas de cada grupo).
G G
Vg ∑ Vg
g =1
∑ (n
g =1
g − 1) Sg
donde: Sg = S= = K ≡ variables
ng − 1 n−G n−G
La matriz Sg es una estimación de la matriz de covarianzas correspondiente a la celda g‐ésima Σg,

S es una estimación de la matriz de covarianzas global Σ.
) La respuesta a la pregunta ¿Difieren significativamente las medias poblacionales de los dos

grupos? es decisiva para la realización del análisis discriminante. En caso de que la respuesta
fuera negativa carecería de interés continuar con el análisis, ya que significaría que las variables
introducidas no tienen capacidad discriminante significativa.
⎧H0 : μ1 = μ2
Las hipótesis nula y alternativa para dar respuesta a la cuestión, en el caso de dos grupos ⎨
⎩H1: μ1 ≠ μ2
El contraste de la hipótesis se puede realizar específicamente mediante el estadístico T2 de Hotelling:
⎛ nn ⎞ V +V
T2 = (y1 − y2 )' S −1 (y1 − y2 ) ⎜⎜ 1 2 ⎟⎟ donde S = 1 2
⎝ n1 + n2 ⎠ n1 + n2 − 2

La matriz S es un estimador insesgado de la matriz de covarianzas poblacional Σ, obtenido bajo el
supuesto de que la matriz de covarianzas poblacional es la misma en los dos grupos.
Bajo la hipótesis nula, el estadístico T2 de Hotelling se distribuye:
⎛ n1 + n2 − K − 1 ⎞ T2
⎜ ⎟ ≈ FK , n1 +n2 −K−1
⎝ K ⎠ n1 + n2 − 2
Existen otros estadísticos para realizar el contraste, diseñados para el caso general de G grupos, tales
como el estadístico de Rao o el estadístico V de Barlett (estos dos últimos estadísticos están
construidos a partir de la Λ de Wilks).
En el caso de que se rechace la hipótesis nula H0 : μ1 = μ2 , se puede aplicar el análisis univariante de

la varianza para contrastar la hipótesis de igualdad de medias para cada una de las variables
clasificadoras por separado.
Como medida de evaluación de la bondad de ajuste se utiliza el coeficiente eta cuadrado (η2 ) , que
es el coeficiente de determinación obtenido al realizar la regresión entre la variable dicotómica, que
indica la pertenencia al grupo, y las puntuaciones discriminantes. A la raíz cuadrado de este
coeficiente se le denomina correlación canónica.
λ
η= (correlación canónica)
1+ λ
w1' F w1 separación entre grupos

λ ≡ ratio que se obtiene al maximizar Máx λ = '
=
w1 V w1 separación dentro grupos
Cálculo de probabilidades de pertenencia a una población
⎧ D = w 1 X 1 + w 2 X 2 + " + wk X k ⎫
Las funciones discriminantes del tipo ⎨ ⎬ clasifican a los diferentes
⎩ D − C = w1 X 1 + w 2 X 2 + " + wk X k − C ⎭
individuos en uno u otro grupo, pero no ofrecen más información acerca de los individuos
investigados.
En muchas ocasiones es conveniente tener información complementaria a las puntuaciones

discriminantes. Si bien con estas puntuaciones se puede clasificar a cada individuo, también es
interesante disponer de información sobre la probabilidad de su pertenencia a cada grupo, pues con
este dato se puede realizar análisis más matizados, e incluir otras informaciones tales como la
información a priori o los costes que implica una información errónea.
Para realizar este tipo de cálculos se suelen asumir las hipótesis estadísticas sobre la población:
(c) La matriz de covarianzas de todos los grupos es igual a Σ (hipótesis de homocedasticidad).
(d) Cada uno de los grupos tiene una distribución normal multivariante.
Las hipótesis implican que x g ≈ N(μg , ∑ ) , considerando además que se conocen los parámetros
poblacionales.

El cálculo de probabilidades se realiza en el contexto de la teoría de la decisión, que permite tener en
cuenta la probabilidad de pertenencia a un grupo, como los costes de una clasificación errónea.
La clasificación de los individuos se realiza utilizando el teorema de Bayes. La aplicación del teorema
de Bayes permite el cálculo de las probabilidades a posteriori a partir de estas probabilidades a priori
y de la información muestral contenida en las puntuaciones discriminantes.
En el caso general de G grupos, el teorema de Bayes establece que la probabilidad a posteriori de

pertenencia a un grupo g con una puntuación discriminante D, con probabilidades a priori πg es:
πg Prob (D / g)
Prob (g / D) = G
∑ π Prob (D / i)
i=1
i
La probabilidad condicionada Prob (D / g) se obtiene calculando la probabilidad de la puntuación

observada suponiendo la pertenencia a un grupo g.
G
Dado que el denominador ∑ π Prob (D / i) es una constante, se utiliza también la forma equivalente:
i=1
i
Prob (g / D) ∝ πg Prob (D / g) ∝ ≡ proporcionalidad
La clasificación de cada individuo se puede realizar mediante la comparación de las probabilidades a

posteriori. Así, se asignará un individuo al grupo para el cual sea mayor su probabilidad a posteriori.
Se presenta el cálculo de probabilidades en el caso de dos grupos, de forma que sea fácilmente
generalizable al caso de G grupos.
El cálculo de probabilidades se realiza bajo tres supuestos diferentes: (a) Cálculo de probabilidades
sin información a priori. (b) Cálculo de probabilidades con información a priori. (c) Cálculo de
probabilidades con información a priori considerando los costes.
) Cálculo de probabilidades a posteriori sin información a priori
En el cálculo de estas probabilidades se considera que no existe conocimiento previo de las

probabilidades de pertenencia a cada grupo. Cuando no existe dicha información, se adopta el
supuesto de que la probabilidad de pertenencia a ambos grupos es la misma, es decir, se adopta el
supuesto de que πI = πII . Esto implica que estas probabilidades a priori no afectan a los cálculos de
las probabilidades a posteriori.
Bajo las hipótesis estadísticas sobre la población, la probabilidad de pertenencia a cada grupo, dada
la puntuación discriminante obtenida, viene dada por la expresión:
F
eg
Prob (g / D) = g = I,II FI y FII son las funciones definidas.
eFI + eFII
Un individuo se clasifica en el grupo para el que la probabilidad sea mayor. Este criterio implica que
un individuo se clasificará en el grupo I si FI > FII
Aplicando la fórmula de probabilidad a posteriori se llega a los mismos resultados que aplicando la
D +D
fórmula discriminante de Fisher. Esto implica que el punto de corte C es el mismo: C = I II .
2
) Cálculo de probabilidades a posteriori con información a priori
En ocasiones se dispone de información de la probabilidad a priori sobre pertenencia de un individuo

a cada uno de los grupos. Por ejemplo, se puede tener información de que los préstamos fallidos
suponen un 10% del total de los préstamos concedidos a lo largo de cinco años. Para tener en cuenta
este tipo de información se introducen probabilidades a priori en el análisis.
Cuando se utilizan probabilidades a priori los individuos se clasifican en el grupo para el que la
probabilidad a posteriori sea mayor.
F
πI e g
Prob (g / D) = g = I,II FI y FII son las funciones definidas.
πI eFI + πII eFII
Con este criterio, un individuo se clasifica en el grupo I si: FI ln πI > FII ln πII .
La aplicación implica que el punto de corte discriminante C vendrá dado por la expresión:
DI + DII π
Cp = − ln II
2 πI
La ratio de probabilidades a priori debe establecerse de forma que el punto de corte se desplace
hacia el grupo con menor probabilidad a priori. Al desplazarse el punto de corte de esta forma, se
tenderá a clasificar una proporción menor de individuos en el grupo con menor probabilidad a priori.
) Cálculo de probabilidades a posteriori con información a priori y considerando costes
Hasta ahora no se ha considerado el coste que una clasificación errónea puede tener. En muchas
ocasiones el coste de clasificación errónea puede diferir para cada uno de los grupos. Por ejemplo,
en la concesión de préstamos, clasificar como fallido a un cliente cumplidor y clasificar como
cumplidor a un fallido, no es lo mismo para la entidad bancaria. En la primera de las posibilidades, el
coste para el banco es dejar de percibir los intereses del préstamo y la posible pérdida de un cliente
que en realidad es cumplidor. Por el contrario, en la segunda posibilidad el coste para el banco es la
pérdida de la cantidad prestada, ya que el cliente clasificado como cumplidor es realmente fallido. En
principio, y bajo el criterio de una prudente administración financiera, parece que el segundo tipo de
coste es superior al primero.
Cuando se introducen costes de clasificación no puede hablarse ya de cálculo de probabilidades a

posteriori. No obstante se puede obtener un criterio para clasificar minimizando el coste total de
clasificación errónea. Este total viene dado por la expresión:
πI Prob (II / I) Coste (II / I) + πII Prob (I / II) Coste (I / II)
Cada probabilidad se encuentra multiplicada por el coste en que se incurre. Al minimizar la

expresión, bajo las hipótesis estadísticas sobre la población, el punto de corte discriminante Cp , c se
obtiene con la expresión:
DI + DII π Coste(I / II)

Cp , c = − ln II
2 πI Coste(II / I)

En los desarrollos anteriores se ha supuesto que las probabilidades son conocidas. En la práctica, se
utilizan estadísticos muestrales en su lugar. El empleo de estadísticos muestrales tiene como
consecuencia que se subestime la probabilidad de clasificación errónea, cometiéndose por lo tanto
sesgos sistemáticos en la clasificación. Para disminuir estos sesgos se han propuesto, entre otros, dos
procedimientos alternativos.
• Un procedimiento consiste en dividir la muestra total en dos submuestras, utilizando la primera

muestra para estimar la función discriminante, mientras que la segunda se utiliza para su
validación. Así, la potencia discriminante de la función vendrá determinada por el porcentaje de
individuos clasificados en esta segunda muestra.
• El segundo procedimiento consiste en excluir un individuo del grupo I, calcular la función

discriminante, y clasificar después al individuo que se ha excluido. Haciendo lo mismo con el
resto de individuos del grupo I, se estima la Prob(II/I) con el porcentaje de individuos que han
sido clasificados en el grupo II. Procediendo análogamente con los individuos del grupo II, se
estima la Prob(I/II). A este segundo procedimiento se le conoce con la denominación jacknife.
Se adjunta una tabla resumen del Ejercicio 1, donde se acompaña las puntuaciones
discriminantes para los 16 clientes.
Grupo Patrimonio Deuda Puntuación Grupo

Cliente
pertenencia Neto Pendiente discriminante clasificado
1 I 1,3 4,1 ‐5,9957 I
2 I 3,7 6,9 ‐6,1213 I
3 I 5 3 ‐1,141 I
4 I 5,9 6,5 ‐3,4715 I
5 I 7,1 5,4 ‐1,2043 I
6 I 4 2,7 ‐1,8964 I
7 I 7,9 7,6 ‐2,4267 I
8 I 5,1 3,8 ‐1,7831 I
9 II 5,2 1 0,93 II
10 II 9,8 4,2 2,7086 II
11 II 9 4,8 1,3214 II
12 II 12 2 7,036 II
13 II 6,3 5,2 ‐1,8459 I
14 II 8,7 1,1 4,4593 II
15 II 11,1 4,1 4,1473 II
16 II 9,9 1,6 5,2353 II
En la tabla siguiente (resultados de la clasificación) se refleja el resumen de la clasificación de la tabla

de arriba. A veces se utiliza en el análisis discriminante la expresión de matriz de confusión para
referirse a la tabla siguiente:

En la tabla que sigue se han calculado las probabilidades a posteriori (sin incorporar información
a priori ni considerar gastos) de pertenencia a cada grupo utilizando la fórmula:
F
eg
Prob (g / D) = FI FII g = I,II
e +e
Como puede observarse, las probabilidades de pertenencia al propio grupo son elevadas, excepto en
el cliente cumplidor 13 que se clasifica erróneamente en el grupo de fallidos y que por añadidura
tiene una probabilidad muy baja (0,1367) de pertenencia al grupo de los cumplidores.
Fallidos No Fallidos
Cliente Prob(I/D) Prob(II/D) Cliente Prob(I/D) Prob(II/D)
1 0,9975 0,0025 9 0,2826 0,7174
2 0,9978 0,0022 10 0,0622 0,9378
3 0,7575 0,2425 11 0,2100 0,7900
4 0,9698 0,0302 12 0,0009 0,9991
5 0,7687 0,2313 13 0,1367 0,8633
6 0,8693 0,1307 14 0,0114 0,9886
7 0,9185 0,0815 15 0,0155 0,9845
8 0,8558 0,1442 16 0,0053 0,9947
Como segunda aplicación, se realiza la clasificación incorporando información a priori.
DI + DII π
Para clasificar a los clientes se va a utilizar el punto de corte Cp = − ln II
2 πI
Si se establece que π1 = 0,10 y π2 = 0,90 , el valor que se obtiene:
0,518 + 6,522 0,9

Cp = − ln = 3,520 − 2,1972 = 1,323
2 0,1
con lo que la función discriminante de Fisher será:

D − C = 1,035.Patrimonio _ Neto − 0,932.Deuda _ Pendiente − 1,323
resultando:
Cliente
1 I 1,3 4,1 ‐3,7987 I
2 I 3,7 6,9 ‐3,9243 I
3 I 5 3 1,056 I
4 I 5,9 6,5 ‐1,2745 I
5 I 7,1 5,4 0,9927 I
6 I 4 2,7 0,3006 I
7 I 7,9 7,6 ‐0,2297 I
8 I 5,1 3,8 0,4139 I
9 II 5,2 1 3,127 II
10 II 9,8 4,2 4,9056 II
11 II 9 4,8 3,5184 II
12 II 12 2 9,233 II
13 II 6,3 5,2 0,3511 I
14 II 8,7 1,1 6,6563 II
15 II 11,1 4,1 6,3443 II
16 II 9,9 1,6 7,4323 II

Los clientes 3, 5, 6 y 8, que antes estaban clasificados como fallidos, se clasifican ahora como
cumplidores, ya que su puntuación discriminante ha pasado de negativa a positiva. Lo mismo ocurre
con el cliente 13 que anteriormente estaba clasificado erróneamente como fallido cuando era
cumplidor.
Ahora se calcula el punto de corte teniendo en cuenta la información a priori e incorporando

también los costes de la clasificación errónea. Como respecto al coste, se adopta el criterio de
clasificar como cumplidor a un cliente fallido es 20 veces superior al coste de clasificar como fallido a
Coste (II / I)
un cliente cumplidor. Es decir, se establece que, la ratio: = 20
Coste (I / II)
El punto de corte discriminante será:
DI + DII π Coste(I / II) 0,518 + 6,522 0,9

Cp , c = − ln II = − ln = 4 ,319
2 πI Coste(II / I) 2 0,1.20
La incorporación de los costes ha determinado que el nuevo punto de corte discriminante Cp , c esté
situado a la derecha del punto C, a diferencia de lo que ocurría cuando solamente se tenían en
cuenta las probabilidades a priori.
con lo que la función discriminante de Fisher será:

D − C = 1,035.Patrimonio _ Neto − 0,932.Deuda _ Pendiente − 4 ,319
resultando:
Cliente
1 I 1,3 4,1 ‐6,7947 I
2 I 3,7 6,9 ‐6,9203 I
3 I 5 3 ‐1,94 I
4 I 5,9 6,5 ‐4,2705 I
5 I 7,1 5,4 ‐2,0033 I
6 I 4 2,7 ‐2,6954 I
7 I 7,9 7,6 ‐3,2257 I
8 I 5,1 3,8 ‐2,5821 I
9 II 5,2 1 0,131 II
10 II 9,8 4,2 1,9096 II
11 II 9 4,8 0,5224 II
12 II 12 2 6,237 II
13 II 6,3 5,2 ‐2,6449 I
14 II 8,7 1,1 3,6603 II
15 II 11,1 4,1 3,3483 II
16 II 9,9 1,6 4,4363 II
Se comprueba que no altera la clasificación de ningún cliente respecto a la utilización del punto de
corte inicial C. Es decir, la incorporación de los costes de clasificación errónea ha compensado, más o
menos, la menor probabilidad a priori de ser un cliente fallido.

CLASIFICACIÓN EN MÁS DE DOS GRUPOS: ANÁLISIS DISCRIMINANTE MÚLTIPLE
Número máximo de ejes discriminantes mín(G − 1, k) , donde G es el número de categorías. Se

obtienen (G − 1) ejes discriminantes si el número de variables explicativas es mayor o igual que
(G − 1) ‐ generalmente, este hecho suele ser cierto ‐.
Cada una de las funciones discriminantes Di se obtiene como función lineal de las k variables
explicativas: Di = wi1 X1 + wi2 X2 + " + wik Xk i = 1," , G − 1
Los (G − 1) ejes vienen definidos respectivamente por los vectores (w1 , w2 ," , wG−1 )
⎛ w11 ⎞ ⎛ w21 ⎞ ⎛ wG−1, 1 ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ w12 ⎟ ⎜ w22 ⎟ ⎜ wG−1, 2 ⎟
w1 = ⎜ , w2 = ⎜ , "" , wG−1 = ⎜
# ⎟ # ⎟ # ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜w ⎟ ⎜w ⎟ ⎜ wG−1, k ⎟
⎝ 1k ⎠ ⎝ 2k ⎠ ⎝ ⎠
Para la obtención del primer eje discriminante se maximiza la ratio variabilidad entre grupos entre
variabilidad dentro grupos, es decir:
w1' F w1 separación entre grupos

Máx λ1 = '
= (criterio obtención del primer eje discriminante)
w1 V w1 separación dentro grupos
ϑ λ1
Derivando la ratio e igualando a cero: = 0 , con lo cual:
ϑ w1
ϑ λ1 2F w1 (w1' V w1 ) − 2 V w1 (w1' F w1 )
= =0 ⇒ 2F w1 (w1' V w1 ) − 2 V w1 (w'1 F w1 ) = 0
ϑ w1 (w1' V w1 ) 2
2 F w1 (w'1 F w1 )
operando con la expresión, resulta: =1 = λ1 6 F w1 = V w1 λ 1
2 V w1 (w1' V w1 )
siendo, por tanto, λ1 w1 = V −1 F w1
La obtención del vector w1 resulta un problema de cálculo de un vector característico asociado a la

matriz no simétrica (V −1 F) . De las raíces características que se obtienen al resolver la ecuación
[λ w 1 ]
= V −1 F w1 se retiene la mayor, ya que λ1 es la ratio que se pretende maximizar y w1 es el
1
vector característico asociado a dicha raíz característica.
⎡ w1' F w1 ⎤
Como λ1 es la ratio ⎢ ' ⎥ medirá el poder discriminante del primer eje discriminante. El resto
⎣ w1 V w1 ⎦
de los ejes discriminantes son otros vectores característicos de la matriz (V −1 F) , ordenados según el
orden decreciente de las raíces características. Así, el segundo eje discriminante tendrá menor poder
discriminante que el primero, pero más que cualquiera de los restantes.
Puesto que la matriz (V −1 F) no es simétrica, en general, esto implicará que los ejes discriminantes no
serán ortogonales, es decir, no serán perpendiculares entre sí.

Contrastes de significación
En el análisis discriminante múltiple se plantean contrastes específicos para determinar si cada uno
de los valores λi es estadísticamente significativo, es decir, para determinar si cada uno de los
valores λi contribuye o no a la discriminación entre los diferentes grupos.
Este tipo de contrastes se realiza a partir del estadístico V de Barlett. El estadístico V es una función
de la Λ de Wilks y se aproxima a una chi‐cuadrado, tiene interés en el análisis discriminante por su
descomponibilidad.
⎡ K + G⎤ ⎧ K ≡ var iables categóricas

Estadístico V de Barlett: V = ⎢n − 1 − (ln Λ) V ≈ χK2 (G−1) ⎨
⎣ 2 ⎥⎦ ⎩ G ≡ grupos
Este estadístico se utiliza en el análisis ⎧ H0 : μ1 = μ2 = " = μG

⎨
multivariante para contrastar las hipótesis ⎩ H1 : No todas las μg son iguales
) En el análisis multivariante de la varianza con un factor se contrasta esta hipótesis para

determinar si el factor (variable categórica con G grupos) explica la variabilidad del vector de
variables dependientes de forma significativa.
) En el análisis discriminante múltiple la hipótesis a contrastar sigue siendo la misma, aunque los
papeles se han invertido. Ahora se realiza el contraste para tratar de dar respuesta a la pregunta:
¿Las K variables clasificadoras contribuyen significativamente a discriminar entre los G grupos?
Si no se rechaza la hipótesis nula citada, no se debería continuar el análisis, puesto que las variables
clasificadoras utilizadas en la investigación no tienen ningún poder discriminante significativo.
• Para examinar el poder discriminante de cada uno de los ejes que se construyen en el análisis
discriminante, se descompone el estadístico V en productos a partir de la descomposición de la Λ
de Wilks. De acuerdo con su definición, el recíproco de Λ se puede descomponer:
1 T −1
= = V T = V −1 T = V −1 T = V −1 (F + V) = I + V −1 F
Λ V
teniendo en cuenta que el determinante de una matriz es igual al producto de sus raíces
características, se obtiene que:
1
= I + V −1 F = (1 + λ1 ) (1 + λ2 ) " (1 + λ G−1 )
Λ
sustituyendo en el estadístico V de Barlett, se obtiene la expresión alternativa del estadístico:
⎡ K + G⎤ G−1
Estadístico V de Barlett: V = ⎢n − 1 −
⎣ 2 ⎥⎦
∑ln(1 + λ )
g=1
g
Si se rechaza la hipótesis nula, significa que al menor uno de los ejes discriminantes es
estadísticamente significativo. Esto implica a su vez que el primer eje discriminante es
estadísticamente significativo, debido a que es precisamente el que tiene mayor poder
discriminante.
En caso de que se acepte la hipótesis de que el primer eje discriminante es significativo, se pasa a
contrastar la significación conjunta del resto de los ejes discriminantes, utilizando el estadístico:

⎡ K + G⎤ G−1
V = ⎢n − 1 −
⎣ 2 ⎥⎦
∑ln(1 + λ )
g =2
g
De forma general, se puede establecer la expresión de contrastación secuencial mediante el

estadístico:
⎡ K + G⎤ G−1
Estadístico V de Barlett: Vj = ⎢n − 1 −
⎣ 2 ⎥⎦
∑ln(1 + λ )
g = j+1
g donde j = 0, 1, 2," , G − 2
Así, en el proceso secuencial se van eliminando del estadístico V las raíces características que van
resultando significativas, deteniendo el proceso cuando se acepte la hipótesis nula de no
significatividad de los ejes discriminantes que queden por contrastar.

PRÉSTAMOS‐RIESGO
Cuando una entidad financiera concede un préstamo personal a un cliente se enfrenta a la doble
posibilidad de que sea reintegrado o de que no lo sea. En este último caso el préstamo será
finalmente clasificado como fallido. Obviamente, si la entidad financiera conociera de antemano que
una persona va a resultar fallida no le concedería el préstamo en ningún caso. En esta línea, puede
utilizar la información existente en la entidad sobre préstamos concedidos en el pasado para la
concesión de préstamos futuros de forma que se evite, o al menos, se reduzca la posibilidad de
conceder préstamos que después fueran fallidos.
En los archivos de la entidad financiera existe información de las características de las personas a las
que se les ha concedido un préstamo, ya que el cliente en el momento de solicitar el préstamo ha
facilitado datos acerca de cuestiones tales como ingresos, edad, sexo, situación familiar, antigüedad
en el puesto de trabajo, régimen de tenencia de la vivienda, etc. Es muy posible que los clientes
cumplidores tengan unas características distintas a los clientes fallidos.
Utilizando estas características se trata de establecer unas funciones que clasifiquen lo más
correctamente posible a los clientes a los que se les ha concedido un préstamo en cumplidores y
fallidos (finalidad explicativa). Posteriormente, estas funciones se emplearán, en el caso de que se
haya realizado adecuadamente dicha clasificación, para determinar si se conceden o no los
préstamos futuros a futuros solicitantes (finalidad predictiva).
ANÁLISIS DISCRIMINANTE CON SPSS
La tabla adjunta contiene información de 16 clientes de una entidad financiera a los que se les
concedió un préstamo. Pasados 3 años desde la concesión del préstamo, de los 16 clientes, había 8
que fueron clasificados como fallidos (grupo 1) mientras que los otros 8 clientes fueron cumplidores
(grupo 2), ya que reintegraron el préstamo.
Para cada uno de los 16 clientes se dispone de información sobre X1 = 'su patrimonio neto' y
X2 ='sus deudas pendientes', en el momento de la solicitud. Con esta información se pretende
construir una función discriminante que separe/diferencie lo más posible a los dos grupos y que
permita clasificar, con los menores errores posibles, a los distintos clientes en los dos grupos.
Cliente Préstamo Patrimonio Neto Deuda Pendiente

1 1 1,3 4,1
2 1 3,7 6,9
3 1 5,0 3,0
4 1 5,9 6,5
5 1 7,1 5,4
6 1 4,0 2,7
7 1 7,9 7,6
8 1 5,1 3,8
9 2 5,2 1,0
10 2 9,8 4,2
11 2 9,0 4,8
12 2 12,0 2,0
13 2 6,3 5,2
14 2 8,7 1,1
15 2 11,1 4,1
16 2 9,9 1,6

El director de la entidad financiera tiene dos nuevas solicitudes de un préstamo instantáneo. El
primer solicitante dispone de un patrimonio neto de 10,1, con unas deudas pendientes de 6,8. Para
el segundo solicitante los valores de estas variables son 9,7 y 2,2 respectivamente. ¿Qué decisión
debe tomar?
(Nota.‐ Las unidades monetarias se expresan en 100.000 euros)
• Para hacer un Análisis Discriminante, se selecciona sucesivamente del menú principal:

Analizar → Clasificar → Discriminante
En primer lugar, hay que elegir cuál es la Variable de Agrupación, es decir, qué variable juega el
papel de variable categórica dependiente cuyas categorías definen los posibles grupos de
pertenencia de los individuos. En este caso, la variable es Préstamo. Además, en el botón con el
nombre Definir Rango, es necesario especificar cuáles son los valores Mínimo y Máximo de esta
variable. Se introducen los valores correspondientes: Mínimo: 1 y Máximo: 2.
Las otras dos variables, X1 = 'Patrimonio_ Neto' y X2 ='Deuda_Pendiente', se eligen como variables
independientes, cuyos valores se utilizan para construir la función discriminante. Estas variables
pueden introducirse en el modelo simultáneamente o por etapas
SPSS ofrece en los distintos botones activados del cuadro de diálogo: 'Seleccionar', 'Estadísticos',
'Clasificar', 'Guardar'. El botón 'Método' sólo se activa si previamente se ha elegido Introducir las
variables con un Método por pasos.
Seleccionar: Permite reducir el análisis a un subgrupo de la muestra total, subgrupo que vendrá
definido por una variable de selección. Este no es el caso, no se elige esta opción.
ESTADÍSTICOS UTILIZADOS:
F de Snedecor: Se compara para cada variable las desviaciones de las medias de cada uno de los
grupos a la media total, entre las desviaciones a la media dentro de cada grupo.
‐ Si F es grande para cada variable, entonces las medias de cada grupo están muy separadas y
la variable discrimina bien.
‐ Si F es pequeña para cada variable, la variable discrimina poco, ya que habrá poca
homogeneidad en los grupos y éstos estarán muy próximos.

λ de Wilks: Se consideran las variables de modo individual, la λ es el cociente entre la suma de
cuadrados dentro de los grupos y la suma de cuadrados total (sin distinguir grupos). Esto
equivale a las desviaciones a la media dentro de cada grupo, entre las desviaciones a la media
total sin distinguir grupos.
‐ Si λ es pequeño la variable discrimina mucho: la variabilidad total se debe a las diferencias

entre grupos, no a las diferencias dentro de grupos.
VARIABLES ORIGINALES QUE SE CONSIDERAN: La idea del análisis discriminante es construir

funciones lineales de las variables originales que discriminen entre los distintos grupos. Sin embargo,
no todas las variables discriminan de la misma forma o tienen los mismos valores de la F de
Snedecor o de la λ de Wilks. Por ello, a la hora de construir las funciones lineales, no es necesario
incluir a todas las variables iniciales en la función.
Como criterio general para seleccionar una variable se emplea la selección del valor de la λ de Wilks
o, de modo equivalente, del valor de su F asociada.
Se utilizan fundamentalmente dos métodos de selección de variables: el método directo (Introducir

independientes juntas) y el método stepwise (Usar método de selección por pasos). En el método
directo se consideran todas las variables originales que verifiquen un criterio de selección.
El método stepwise funciona con varios pasos:
(a) Se incluye en el análisis la variable que tenga el mayor valor real aceptable para el criterio de
selección o de entrada.
(b) Se evalúa el criterio de selección para las variables no seleccionadas. La variable que presenta el
valor más alto para el criterio se selecciona (siempre que se encuentre dentro de un límite).
(c) Se examinan las variables seleccionadas según un criterio de salida y se examinan también las
variables no seleccionadas, para ver si cumplen el criterio de entrada. Se excluyen o se incluyen
variables según cumplan los criterios de entrada y salida.
(d) Se repite el proceso © hasta que ninguna variable más pueda ser seleccionada o eliminada.
Además de todo lo expuesto, en el SPSS se considera un número máximo de pasos, dado que una
variable puede ser incluida y eliminada en más de una ocasión. Se toma el doble del número de
variables originales como número máximo de pasos del método stepwise.
En SPSS se considera también para cada variable la tolerancia asociada: Se define para un conjunto
de p variables, Ri ≡ coeficiente de correlación múltiple, que expresa el porcentaje de variabilidad de
la variable (x i i = 1," ,p) recogida por el resto de (p − 1) variables. R2i ≡ coeficiente de determinación.
La tolerancia se define como (1 − R2i ) . Cuanto mayor sea la tolerancia de una variable, más
información independiente del resto de variables recogerá.
De este modo, si en una iteración dada del procedimiento stepwise la variable seleccionada verifica
que su tolerancia con respecto a las variables ya incluidas en la función discriminante es muy
pequeña entonces la variable no se incluye en dicha etapa. Así, se evita la redundancia de
información.

La opción [Estadísticos] se encuentra dividida en tres

grandes áreas: Descriptivos, Coeficientes de la función y
Matrices.
DESCRIPTIVOS:
Medias: Proporciona el vector de medias (los centroides) y desviaciones típicas de cada variable
para cada grupo.
Univariante ANOVA: Contrasta igualdad de medias entre los grupos para cada variable.
M de Box: Contrasta la hipótesis nula de que las matrices de varianzas‐covarianzas poblacionales

son iguales en los distintos grupos.
COEFICIENTES DE LA FUNCIÓN:
De Fisher: Coeficientes de la función de clasificación bajo Normalidad
No tipificados: Coeficientes de la función discriminante canónica de Fisher 'centrados'
MATRICES:
Covarianza de grupos separados: Proporciona la matriz de varianzas y covarianzas de cada grupo, es

decir, las matrices S1 y S2 , donde:
⎡ ⎤
(X(i1k) − X1(k) )2 ∑ (X − X1(k ) )(X(i2k) − X2(k ) )⎥
nk nk
⎢ ∑ (k )
i1
Sk = ⎢ nk i=1 i=1 ⎥ k = 1,2
⎢ (X(k ) − X (k) )(X(k) − X (k) ) (Xi2 − X2 ) ⎥⎥
nk
⎢⎣∑ ∑ (k ) (k ) 2
i1 1 i2 2
i=1 i=1 ⎦
Covarianza intra‐grupos: Proporciona la matriz de varianzas y covarianzas 'combinada', obtenida

como media ponderada de las dos anteriores, es decir:
(n1 − 1) S1 + (n2 − 1) S2
S=
n1 + n2 − 2
Covarianza Total: Proporciona la matriz de varianzas y covarianzas de (X1, X2) para todos los
n1+ n2 = 16 individuos de la población, sin distinción de grupo.
COMPROBACIÓN SUPUESTOS PARAMÉTRICOS: La función discriminante minimiza la probabilidad de

equivocarse al clasificar a los individuos en cada grupo. Para ello, las variables originales se deben
distribuir como una normal multivariante y las matrices de covarianzas deben de ser iguales en todos
los grupos. En la práctica es una técnica robusta y funciona bien aunque las dos restricciones
anteriores no se verifiquen.

Si un conjunto de variables se distribuye como una normal multivariante, entonces cualquier
combinación lineal de ellas se distribuye como una normal multivariante. Por ello, si alguna de
las variables originales no se distribuye como una normal, entonces es seguro que todas las
variables conjuntamente no se distribuirán como una normal multivariante.
La segunda restricción se ocupa de la igualdad entre las matrices de covarianzas de los grupos.
Para comprobar esto, se puede utilizar la Prueba M de Box, que tiene como hipótesis nula que
las matrices de covarianzas son iguales. Se basa en el cálculo de los determinantes de las
matrices de covarianzas de cada grupo. El valor obtenido se aproxima por una F de Snedecor. Si
el p_valor < 0,05 se rechaza la igualdad entre las matrices de covarianzas.
El test de M de Box es sensible a la falta de normalidad multivariante, es decir, matrices iguales

pueden aparecer como significativamente diferentes si no existe normalidad. Por otra parte, si
las muestras son grandes, pierde efectividad (es más fácil rechazar la hipótesis nula).
En este caso, se dejan las opciones que vienen

por defecto en SPSS.
Lambda de Wilks: Estadístico que mide el poder discriminante de un conjunto de variables
V V 1
Λ= = = min(q−1, p) (0 ≤ Λ ≤1)
T V +F
∏ (1 + λI)
i=1
Cuanto más cerca de 0 mayor es el poder discriminante de las variables consideradas, y cuanto
más cerca de 1 menor es el poder discriminante.
Estadísticos asociados: F de Rao; χ2 de Barlett (tests sobre las diferencias de medias en ambos
grupos)
λi
La i‐ésima correlación canónica viene dada por: CRi =
1 + λi
Mide, en términos relativos, el poder discriminante de la i‐ésima función discriminante, ya que

es el porcentaje de la variación total en dicha función que es explicada por la diferencia entre
los grupos, 0 ≤ CRi ≤ 1 , cuanto más cerca de 1 esté su valor, mayor es la potencia discriminante
de la i‐ésima función discriminante.

Una opción interesante en la opción

[Clasificación] es la de 'Reemplazar los
valores perdidos con la media'. En más de
una investigación, por algún motivo en la
base de datos hay valores perdidos, y para
que estos no afecten los resultados finales,
existe ésta opción de reemplazo, que se
recomienda utilizar.
PROBABILIDADES PREVIAS:
Son las probabilidades a priori para cada grupo. En este caso serían p1 = p(pertenecer al grupo 1),
p2 = p(pertenecer al grupo 2). Estos valores se utilizan, por ejemplo, en la regla de clasificación de la
máxima verosimilitud bajo el supuesto de normalidad.
Todos los grupos iguales: p1 = p(pertenecer al grupo 1) = p2 = p(pertenecer al grupo 2) = ½
USAR MATRIZ DE COVARIANZA:
Intra‐grupos: De esta manera se especifica que cuando se obtengan los autovectores de la matriz
(V −1 F) , que son precisamente los coeficientes de las distintas funciones discriminantes, se utilice la
restricción a’Sa=1, utilizando la matriz de varianzas entre grupos 'combinada' S.
MOSTRAR:
Resultados para cada caso: Muestra el proceso de clasificación paso a paso para cada uno de los 16
individuos de la población, con las probabilidades a posteriori para cada uno de ellos, calculadas a
partir de las puntuaciones discriminantes.
Tabla de resumen: Proporciona la matriz de confusión, es decir la matriz de clasificación para los
propios 16 individuos de la muestra para los que conocemos de antemano su adscripción.
Clasificación dejando uno fuera: Proporciona la matriz de clasificación pero obtenida con el método
Jacknife, que obtiene, en general una estimación de la proporción de clasificaciones erróneas más
fiable.
GRÁFICOS:
Grupos combinados: Representa las puntuaciones discriminantes o valores de la(s) funcion(es)

discriminante(s), para los 16 individuos de la muestra (8 de cada grupo) todos juntos en un gráfico,
junto con sus centroides.
Como sólo hay una función discriminante este gráfico no se hace (si se selecciona, luego no aparece).
Grupos separados: Representa un gráfico como el anterior pero para cada grupo.
En este caso, representaría en el primer gráfico únicamente los 8 individuos del grupo 1 y en el
segundo sólo los 8 del grupo 2.
Mapa territorial: Con una única función discriminante no lo hace.

Si se desea que el análisis sea 'Guardado' se

procede a dar un clic en el botón de la opción
[Análisis discriminante].
El Visor de resultados de SPSS muestra:
Se muestran los estadísticos descriptivos: media y desviación típica total de (X1, X2) sobre los
n = n1 + n2 = 16 individuos y para los dos grupos: Media y desviación típica de (X1, X2) para los n1= 8
clientes del grupo 1, y media y desviación típica de (X1, X2) para los n2 = 8 clientes del grupo 2.
Se observa que el punto de corte discriminante de los dos grupos para la variable
X1 = 'Patrimonio_Neto' se encuentra en el valor 7:
X1 , I + X1, II 5+9
X1, I = 5 X1, II = 9 C1 = = =7
2 2
El punto de corte se toma como referencia para clasificar a un individuo en uno u otro grupo (fallido,
cumplidores): Si el Patrimonio_Neto es menor que 7 se clasifica al cliente como fallido (grupo 1),
mientras que se clasifica como cumplidor (grupo 2) si el Patrimonio_Neto es mayor que esa cifra.
Por otra parte, el punto de corte discriminante de los dos grupos para la variable X2 =
'Deuda_Pendiente' de los dos grupos será:
X2 , I + X2 , II 5+3
X2 , I = 5 X2 , II = 3 C1 = = =4
2 2
Si las deudas pendientes son mayores que 4 se clasifica al cliente como fallido (grupo 1), mientras
que se clasifica como cumplidor (grupo 2) si las deudas pendientes son menores que esa cifra.
Los contrastes de igualdad de medias

entre los dos grupos para cada variable
(en ambos casos se rechaza la hipótesis
nula, p_valor < 0,05, es decir, los dos
grupos, en media son diferentes).

La información de esta tabla de ANOVAs univariados suele utilizarse como prueba preliminar para
detectar si los grupos difieren en las variables de clasificación seleccionadas; sin embargo, hay que
considerar que una variable no significativa a nivel univariante podría aportar información
discriminativa a nivel multivariante.
La salida de la matriz de covarianzas proporciona:
⎡4 ,289 1,824 ⎤ ⎡5,240 0,177⎤ ⎡ 8,713 − 1,199⎤

S1 = ⎢ ⎥ , S2 = ⎢ ⎥ , S total = ⎢ ⎥
⎣1,824 3,474⎦ ⎣0,177 3,043⎦ ⎣− 1,199 4 ,108 ⎦
Por otra parte, la media ponderada de S1 y S2 debe de coincidir con la matriz 'intra‐grupos
combinada', denominada S. Es decir, debe verificarse que:
⎡4 ,764 1,001⎤ (n1 − 1) S1 + (n2 − 1) S2 7 ⎡4 ,289 1,824 ⎤ 7 ⎡5,240 0,177⎤

S=⎢ ⎥= = ⎢1,824 3,474⎥ + 14 ⎢0,177 3,043⎥
⎣1,001 3,259⎦ n1 + n2 − 2 14 ⎣ ⎦ ⎣ ⎦
Aparece después la Prueba de Box para el contraste de la hipótesis nula de igualdad de las matrices
de varianzas‐covarianzas poblacionales. Uno de los supuestos del análisis discriminante es que todos
los grupos proceden de la misma población y, más concretamente, que las matrices de varianzas‐
covarianzas poblacionales correspondientes a cada grupo son iguales entre sí.
g
El estadístico M de Box toma la forma: M = (n − g) log S − ∑ (nj − 1) log S j
j=1
Donde S es la matriz de varianzas‐covarianzas combinada, S j es la matriz de varianzas‐covarianzas

del grupo j‐ésimo, n es el número total de casos y g el número de grupos. El estadístico M carece de
distribución muestral conocida, pero puede transformarse en un estadístico F e interpretarse como
tal (muchos investigadores critican este estadístico por ser demasiado sensible a pequeñas
desviaciones de la normalidad multivariante y a tamaños muestrales grandes, tendiendo a ser
conservador).

Se observa que la primera tabla ofrece los logaritmos de los determinantes de todas las matrices
utilizadas en el cálculo del estadístico M. Dado que el estadístico es multivariante, la tabla permite
comprobar qué grupos (cuando hay más de dos) difieren más.
La tabla (Resultados de la prueba) ofrece la prueba M de Box y su transformación en un estadístico F.

El resultado de la prueba hace que no se rechace la igualdad de matrices de varianzas‐covarianzas
(Sig=0,849 > 0,05), concluyendo que los dos grupos tienen la misma matriz de varianzas‐covarianzas
(no hay un grupo más variable que otro).
A continuación aparecen los resultados del análisis discriminante (estadísticos por pasos):
Las variables son introducidas/eliminadas del modelo en la medida en que tengan asociado un
menor valor del estadístico Λ de Wilks.
Como hay g=2 grupos y p=2 variables, sólo hay q=min (k, g‐1)=1 función discriminante, o
equivalentemente, la matriz (V −1 F) tiene rango q=min (k, g‐1)=1 y sólo hay un autovalor distinto de
cero, λ1=1,716, que es el que aparece en la tabla.
El autovalor de una función se interpreta como la parte de variabilidad total de la nube de puntos
proyectada sobre el conjunto de todas las funciones atribuible a la función. Si su valor es grande, la
función discriminará mucho.

λ1 1,716
Además, se refleja el coeficiente eta o correlación canónica: η = = = 0,795
1 + λ1 1 + 1,716
Las correlaciones canónicas, miden las desviaciones de las puntuaciones discriminantes entre grupos
respecto a las desviaciones totales sin distinguir grupos. Si su valor es grande (próximo a 1) la
dispersión será debida a las diferencias entre grupos, y en consecuencia, la función discriminará
mucho.
1 1
El estadístico del contraste de significación global Lambda de Wilks: Λ = = = 0,368
1 + λ1 1 + 1,716
que conduce a rechazar la hipótesis nula de igualdad de medias [p‐valor = 0,02 < 0,05], lo que indica
la conveniencia de extraer una (la única posible) función discriminante, o lo que es lo mismo, que
dicha función sea significativa.
Interpretación de las funciones discriminantes: a la vista de los valores de ρ(X1,y), y ρ(X2,y), parece
que la variable que más contribuye a la discriminación es X1 ='Patrimonio_Neto'
COEFICIENTES ESTANDARIZADOS: Aparecen los coeficientes de la función discriminante canónica

estandarizados, estos coeficientes aparecen cuando se tipifican o estandarizan cada una de las
variables clasificadoras para que tengan media 0 y desviación típica 1. De esta forma se evitan los
problemas de escala que pudieran existir entre las variables y, consecuentemente, la magnitud de
los coeficientes estandarizados son un indicador de la importancia que tiene cada variable en el
cálculo de la función discriminante. En esta línea, se observa que la variable Patrimonio_Neto (X1)
tiene una influencia que es casi un 50% superior a la ejercida por la variable Deuda_Pendiente (X2).
MATRIZ DE ESTRUCTURA: Es conveniente conocer cuáles son las variables que tienen mayor poder
discriminante en orden a clasificar a un individuo en uno de los grupos (fallidos, cumplidores). Una
forma de medir ese poder discriminante es calculando el coeficiente de correlación entre cada una
de las variables y la función discriminante. Esta es precisamente la información que se da en la tabla
(Matriz de estructura), en este caso, la correlación de la función discriminante con la variable
Patrimonio_Neto (0,748) es mayor en valor absoluto que con la variable Deuda_Pendiente (0,452).
Las comparaciones deben hacerse siempre en valor absoluto. En el programa SPSS las variables
aparecen ordenadas de acuerdo con el valor absoluto de los coeficientes de correlación.

Los Coeficientes de las funciones discriminantes canónicas de Fisher son:
En la tabla aparece información de los coeficientes de la función discriminante canónica no

estandarizados. Los coeficientes de esta función son estrictamente proporcionales a los coeficientes
de la función discriminante de Fisher (D − C) . En este caso, el factor de proporcionalidad es 0,408;
esto es, cada coeficiente es igual a 0,408 multiplicado por el coeficiente de la función discriminante
de Fisher. Estos coeficientes no estandarizados se obtienen utilizando la regla de normalización de
w' V w = 1 , así pues, se toma como norma el denominador de la variación dentro de los grupos:
w' F w var iación entre grupos

Los coeficientes w se obtienen: Máx λ = =
w' V w var iación dentro grupos
Centroides de cada grupo (media de la función discriminante en cada grupo):
Con los resultados obtenidos, el punto de corte

discriminante será el punto medio de las funciones en los
D + D − 1,225 + 1,225
centroides de los grupos: C = 1 2 = =0
2 2
Estadísticos de clasificación:
Probabilidades a priori de pertenencia a los

grupos (se supone p1 = p2 = 1/2)
Coeficientes de la función de clasificación: Aquí se muestran los coeficientes de las funciones de

clasificación que se obtendrían bajo el supuesto de Normalidad bivariante para (X1, X2) en ambas
poblaciones, utilizando el criterio de la máxima verosimilitud y probabilidades (p1 = p2 = 1/2) a priori
iguales.
Las funciones de clasificación son:
⎧FI = 0,777.Patrimonio _ Neto + 1,296.Deuda _ Pendiente − 5,876

⎪
⎨
⎪F = 1,813.Patrimonio _ Neto + 0,364 .Deuda _ Pendiente − 9,396
⎩ II

1 ' −1
Para el grupo 1, la función de clasificación es de la forma: d̂I (x) = x1' S −1 x − x1 S x1 + ln(p1 )
2
Los centros de gravedad o centroides de los Matriz intra‐grupo

dos grupos serán: combinada:
⎡ X1, I ⎤ ⎡5⎤ ⎡ X1, II ⎤ ⎡9⎤ ⎡4 ,764 1,001⎤

xI = ⎢ ⎥ = ⎢ ⎥ xII = ⎢ ⎥ = ⎢ ⎥ S=⎢ ⎥
⎣ X2 , I ⎦ ⎣5⎦ ⎣X2 , II ⎦ ⎣3⎦ ⎣1,001 3,259⎦
−1 −1
⎡4 ,764 1,001⎤ ⎡X 1 ⎤ 1 ⎡4 ,764 1,001⎤ ⎡5⎤
d̂I (x) = [5 5] ⎢ ⎥ ⎢X ⎥ − 2 [5 5] ⎢1,001 3,259⎥ ⎢5⎥ + ln(0,5) =
⎣1,001 3,259⎦ ⎣ 2⎦ ⎣ ⎦ ⎣ ⎦
X X2
1
= 0,777.Patrimonio _ Neto + 1,296.Deuda _ Pendiente − 5,876
1 ' −1
Para el grupo 2, la función de clasificación es de la forma: d̂II (x) = x2' S −1 x − x2 S x2 + ln (p2 )
2
−1 −1
⎡4 ,764 1,001⎤ ⎡X1 ⎤ 1 ⎡4 ,764 1,001⎤ ⎡9⎤
d̂II (x) = [9 3] ⎢ ⎥ ⎢X ⎥ − 2 [9 3] ⎢1,001 3,259⎥ ⎢3⎥ + ln(0,5) =
⎣1,001 3,259⎦ ⎣ 2⎦ ⎣ ⎦ ⎣ ⎦
X X2
1
= 1,813.Patrimonio _ Neto + 0,364 .Deuda _ Pendiente − 9,396
Cada sujeto será asignado al grupo en el que obtenga un mayor valor de estas funciones.
La función discriminante de Fisher [D − C = FII − FI ]:
El programa SPSS no ofrece la función discriminante de Fisher.

Estadísticos por casos: Para cada caso, se muestran las puntuaciones discriminantes, las
distancias de Mahalanobis de dichas puntuaciones al centroide de cada grupo y las probabilidades a
posteriori obtenidas a partir de esas distancias.
En este caso solo se ha encontrado un caso mal clasificado según la función lineal discriminante, se
trata del grupo 2 (caso 13 en la tabla de estadísticos de clasificación) que ha sido incluido
erróneamente dentro del grupo 1.
Como puede verse los

dos centros de gravedad
equidistan de la recta
delimitadora.
El director de la entidad financiera clasifica a las dos solicitudes de préstamos. Para ello, basta
sustituir, en la función discriminante de Fisher, los valores de Patrimonio_Neto y
Deuda_Pendiente:
Primer solicitante: D − C = 1,035.(10,1) − 0,932.(6,8) − 3,520 = 0,5959

Segundo solicitante: D − C = 1,035.(9,7) − 0,932. (2,2) − 3,520 = 4 ,469

Como la puntuación es positiva en ambos casos, se clasifican a los dos solicitantes en el grupo de los
cumplidores, si bien hay que hacer notar que el segundo solicitante tiene una puntuación
discriminante mucho más elevada.
CRITERIOS ALTERNATIVOS DE CLASIFICACIÓN: Existen otros muchos criterios de clasificación.

Entre ellos, destacar el análisis de regresión y la aplicación de la distancia de Mahalanobis. A
continuación se indican sus rasgos básicos, así como su relación con el análisis discriminante de
Fisher.
ANÁLISIS DE REGRESIÓN: La relación entre el análisis discriminante y el análisis de regresión es

muy estrecha. Si se realiza una ajuste por mínimos cuadrados, tomando como variable
dependiente la variable dicotómica que define la pertenencia a uno u otro grupo y como
variables explicativas a las variables clasificadoras, se obtienen unos coeficientes que tienen una
estricta proporcionalidad con los coeficientes de la función discriminante de Fisher,
A partir del coeficiente de determinación, que se calcula en el análisis de regresión, se puede

pasar con facilidad a la distancia de Mahalanobis entre los dos centroides de los dos grupos.
DISTANCIA DE MAHALANOBIS (1936): Es una generalización de la distancia euclídea, que tiene

en cuenta la matriz de covarianzas intra‐grupos. El cuadrado de la distancia de Mahalanobis
(DM2ij ) entre los grupos i y j en un espacio de p dimensiones, siendo (Vw ) la matriz de covarianzas
intra‐grupos, viene definida de forma: DM2ij = (x i − x j )' Vw−1 (x i − x j )
donde los vectores x i y x j representan dos puntos en el espacio p dimensional. En la

terminología usual para designar esta distancia se prescinde de la M (introducida para evitar
confusiones con las puntuaciones discriminantes a las que se ha designado por D).
El cuadrado de la distancia euclídea d2ij entre los puntos (i, j) viene dado por la expresión:
p
d2ij = (xi − x j ) (x i − x j ) = ∑ (Xih − X jh ) 2
h=1
La distancia euclídea es el caso particular de la distancia de Mahalanobis en la que (Vw = I) . Es

decir, la distancia euclídea no tiene en cuenta la dispersión de las variables y las relaciones
existentes entre ellas, mientras que en la distancia de Mahalanobis sí que se descuentan estos
factores al introducir en la expresión DM2ij = (x i − x j )' Vw−1 (x i − x j ) la inversa de la matriz de
covarianzas intra‐grupos.
Con el criterio de Mahalanobis, aplicando DM2ij = (x i − x j )' Vw−1 (x i − x j ) , se calcula la distancia entre
cada punto y los dos centroides.
⎧ DMi2, I = (x i − xI )' Vw−1 (x i − xI )
⎪
Así, para el punto i‐ésimo se obtienen estas dos distancias: ⎨
⎪ DM2 = (x − x )' V −1 (x − x )
⎩ i , II i II w i II
La aplicación de este criterio consiste en asignar cada individuo al grupo para el que la distancia
de Mahalanobis es menor.
La distancia de Mahalanobis clasifica a los individuos exactamente igual que lo hace la función
discriminante de Fisher. La diferencia entre uno y otro tipo de procedimiento es que, mientras la
distancia de Mahalanobis se calcula en el espacio de las variables originales, en el criterio de

Fisher se sintetizan todas las variables en la función discriminante, que es la utilizada para
realizar la clasificación.
En el fichero (prestamo‐riesgo.sav) se han guardado las columnas: Dis_1 (Grupo pronosticado

para el análisis 1), Dis1_1 (Puntuación discriminante de la función 1 para el análisis 1), Dis1_2
(Probabilidades de pertenencia al grupo 1 para el análisis 1) y Dis2_2 (Probabilidades de
pertenencia al grupo 2 para el análisis 1)

CONCESIÓN PRÉSTAMOS ‐ RIESGO
Un banco realiza un estudio con el objetivo de identificar con la mayor precisión posible aquellas
solicitudes de préstamos que probablemente puedan llegar a convertirse en morosos o fallidos en el
caso que se concedieran. Para ello, dispone de la información reflejada en la tabla adjunta, relativa a
25 clientes y a las variables que se analizan:
) Cumplimiento: Grado de cumplimiento del cliente en el reintegro del préstamo. Toma el valor 1
si el cliente es cumplidor, 2 si es moroso y 3 si es fallido.
) Ingresos: Ingresos anuales del cliente, en miles de euros.
) Patrimonio Neto: Patrimonio neto del cliente en miles de euros.
) Vivienda: Variable dicotómica que toma el valor 1 si el cliente es propietario; 0 en caso contrario.
) Casado: Variable dicotómica que toma el valor 1 si está casado; 0 en otro caso.
) Contrato Trabajo: Variable dicotómica que toma el valor 1 si el cliente es asalariado con contrato
fijo; 0 en otro caso.
Cliente Cumplimiento Ingresos Patrimonio neto Vivienda Casado Contrato trabajo

1 1 32,7 336 1 1 0
2 1 18,6 204 1 0 1
3 1 24,6 138 0 1 1
4 1 37,2 270 1 0 1
5 1 23,7 114 1 1 1
6 1 7,5 132 1 1 1
7 1 29,4 90 0 1 1
8 1 53,4 228 1 1 1
9 1 20,1 324 0 1 1
10 1 31,2 480 1 1 0
11 1 17,1 108 1 1 1
12 1 39 132 1 1 1
13 1 45,6 216 1 1 1
14 2 26,1 234 1 1 0
15 2 8,1 48 0 1 1
16 2 12,6 114 0 0 1
17 2 8,7 150 1 0 1
18 2 38,4 24 0 1 1
19 2 22,8 114 1 1 0
20 2 14,7 60 0 1 1
21 3 19,8 42 0 1 0
22 3 5,1 72 0 1 0
23 3 7,2 30 1 1 1
24 3 11,1 36 1 0 0
25 3 15,9 150 0 0 0
Se trata de un Análisis discriminante múltiple, ya que el banco ha clasificado a los clientes en tres
grandes grupos, habrá que construir funciones discriminantes que permitan clasificar, con los
menores errores posibles, a los clientes en los diferentes grupos. Si se obtienen buenos resultados,
estas funciones discriminantes se podrán utilizar para analizar si se concede un préstamo o no a un
futuro cliente peticionario.

Se selecciona Cumplimiento como variable de

agrupación (cuyo rango es 1 y 3) y las otras cinco
variables como independientes.
El método de inclusión por pasos.

El Visor de resultados de SPSS muestra:
Las medias de las cinco

variables introducidas como
independientes en el análisis
son mayores en la categoría de
cumplidores que en las otras
categorías.
Así, los clientes cumplidores, en
relación con los otros dos
grupos (morosos, fallidos),
tienen mayores ingresos, un
mayor patrimonio, son
propietarios de la vivienda que
habitan están casados y son
asalariados con contrato fijo.
Las ANOVAs indican que no se observan

diferencias significativas entre los cumplidores,
morosos y fallidos, en cuanto al hecho de ser
propietario o no de la vivienda (Vivienda) y el
estar casado o no (Casado).
En consecuencia, las variables (Vivienda) y (Casado) no deberían tener una gran influencia a la hora
de clasificar a los clientes en uno u otro grupo. Obsérvese que en ambos casos, p_valor > 0,05, se
acepta la hipótesis nula, es decir, los grupos en media son iguales.
En la siguiente tabla se observa el contraste de la Prueba de Box para determinar si es aceptable o no

la hipótesis de homocedasticidad. Primero aparece el logaritmo del determinante de las matrices de
V
covarianzas de los residuos de cada celda, calculadas según la expresión Sg = g (la matriz Sg es
ng − 1
una estimación de la matriz de covarianzas correspondiente a la celda g‐ésima Σg), y la matriz de

G G
∑ V ∑ (n
g =1
g
g =1
g − 1) Sg
covarianzas global, calculada según la expresión S = = (donde S es una estimación
n−G n−G
de la matriz de covarianzas global Σ), así como el rango de cada una de estas matrices.
Las matrices son de orden 5x5, ya que existen cinco variables clasificadoras.
Si las matrices son no singulares (tienen inversa) su rango debe de ser 5. Se observa, en este caso,
que la matriz correspondiente al grupo 3 (cliente fallido) no se calcula porque existen muy pocos
casos para ser no singular, en efecto se puede observar que el número de individuos que pertenecen
al grupo 3 (clientes fallidos) es justamente 5 y con este tamaño la matriz de covarianzas de los
residuos es necesariamente singular.
Debido a que la matriz del grupo 3 (fallidos) es singular, SPSS contrasta la igualdad de las matrices de
covarianzas poblacionales en los grupos 1 y 2, respectivamente, cliente cumplidores y morosos,
estimando la matriz de covarianzas global con los datos de estos dos grupos. El nivel de significación
crítico que se obtiene en este contraste es 0,048, con lo que se acepta la hipótesis nula para un nivel
de significación del 1% (0,048 > 0,01), pero no para un nivel del 5% (0,048 < 0,05, rechazándose la
hipótesis nula).
En la tabla de Lambda de Wilks se aplica el contraste de significación para el conjunto de los dos ejes
discriminantes. El contraste V de Barlett que se aplica es:
⎡ K + G⎤ G−1
Vj = ⎢n − 1 −
⎣ 2 ⎥⎦
∑ln(1 + λ )
g= j+1
g donde j = 0, 1
K + G⎤
⎡
V0 = ⎢n − 1 − ⎥ [ln(1 + λ1 ) + ln(1 + λ2 )] = ⎡⎢25 − 1 − 2 + 3 ⎤⎥ [ln(1 + 2,264) + ln(1 + 0,043)] = 26,343
⎣ 2 ⎦ ⎣ 2 ⎦
Los grados de libertad de la chi‐cuadrado son K (G − 1) = 2 (3 − 1) = 4 y el nivel de significación crítico es

0,000 < 0,05 rechazando, por tanto, la hipótesis nula, lo que significa que al menos uno de los ejes
discriminantes es significativo, es decir, el primer eje discriminante es significativo (es el que tiene
mayor poder discriminante). Adviértase que si no se rechaza la hipótesis nula no debería continuar el
análisis.
Obsérvese que se cumple la relación entre la landa de Wilks y las raíces características (autovalores):
1 1
Λ= = = 0,294
(1 + λ1 ) (1 + λ2 ) (1 + 2,264) (1 + 0,043)
Una vez determinada la significatividad del primer eje discriminante, se contrasta la significatividad
de los restantes, en este caso, del segundo eje discriminante. El contraste a aplicar es el siguiente:
K + G⎤
⎡
V1 = ⎢n − 1 − ⎥ [ln(1 + λ2 )] = ⎡⎢25 − 1 − 2 + 3 ⎤⎥ [ln(1 + 0,043)] = 0,909
⎣ 2 ⎦ ⎣ 2 ⎦
Los grados de libertad de la chi‐cuadrado son (K − 1)(G − 1 − 1) = (2 − 1)(3 − 1 − 1) = 1 (en el análisis no

entran 3 variables clasificadoras) y el nivel de significación crítico es 0,340 > 0,05, aceptando la
hipótesis nula, lo que significa que el segundo eje discriminante no es significativamente distinto de
0 para cualquiera de los niveles de significación usuales.
La relación entre la landa de Wilks (obtenida después de excluir la primera función discriminante) y
la segunda raíz característica (segundo autovalor) es la siguiente:
1 1
Λ1 = = = 0,959
(1 + λ2 ) (1 + 0,043)
Como información complementaria, se calcula la correlación canónica de cada función discriminante

con la variable categórica que define los grupos, obteniéndose:
λ1 2,264 λ1 0,043
η1 = = = 0,833 η2 = = = 0,203
1 + λ1 1 + 2,264 1 + λ1 1 + 0,043
Los resultados obtenidos confirman que la capacidad explicativa de la segunda función discriminante
es muy inferior a la primera. Una confirmación final de esta conclusión es que el porcentaje de
varianza explicada con la primera función discriminante es del 98,1%, mientras que la varianza
explicada con la segunda función discriminante es del 1,9%. Con lo que a efectos prácticos se podría
prescindir de la segunda función discriminante, sin que afectase de forma importante a los
resultados de la clasificación.

COEFICIENTES ESTANDARIZADOS: Aparecen los coeficientes de la función discriminante canónica
estandarizados (media 0 y desviación típica 1), de esta forma se evitan los problemas de escala que
pudieran existir entre las variables y, en consecuencia, la magnitud de los coeficientes
estandarizados son un indicador de la importancia que tiene esta variable en el cálculo de la función
discriminante.
MATRIZ DE ESTRUCTURA: Conviene conocer cuáles son las variables que tienen mayor poder
discriminante en orden a clasificar a un individuo en uno de los grupos (cumplidor, moroso, fallido).
Una forma de medir ese poder discriminante es calculando el coeficiente de correlación entre cada
una de las variables y la función discriminante. Con un asterisco se indica el coeficiente más grande
(en valor absoluto) que tiene cada variable.
Así, la variable Casado tienen su mayor coeficiente con la función discriminante 1, mientras que las
variables Contrato_Trabajo e Ingresos lo tienen con la función discriminante 2.
Aparecen las puntuaciones de los centroides de los grupos (Patrimonio_Neto, Contrato_Trabajo) con
respecto a las funciones discriminantes (conviene darse cuenta que en este caso no hay un punto de
corte discriminante, pues el conjunto de datos se encuentra separado en tres grupos).
Ahora falta calcular el valor de tres funciones de clasificación, y se clasificará a cada individuo en
aquél grupo cuya función discriminante resulte tomar el mayor valor.
De esta forma, las funciones de clasificación son:
⎧ FI = 0,063.Patrimonio _ Neto + 13,721. Contrato _ Trabajo − 13,590 (cliente cumplidor)

⎪
⎨ FII = 0,039 .Patrimonio _ Neto + 9,604 . Contrato _ Trabajo − 6,607 (cliente moroso)
⎪ F = 0,018 .Patrimonio _ Neto + 3,662. Contrato _ Trabajo − 2,051 (cliente fallido)
⎩ III
Para su aplicación, se calcula la puntuación de cada individuo en cada uno de los grupos, utilizando
las funciones clasificadoras. Finalmente, un individuo se clasifica en el grupo en el que ha alcanzado
la puntuación más elevada.
El mapa territorial sirve para ver cómo quedan la clasificación en función de las dos funciones
lineales discriminantes:

El mapa territorial delimita, en el plano de las dos funciones discriminantes (no estandarizadas), las
áreas que se asignan a cada grupo. El área situada en la parte derecha de la función discriminante 1
es la correspondiente al grupo 1, mientras que el área de la izquierda corresponde al grupo 3. Se
clasifican en el grupo 2 los individuos con puntuaciones discriminantes canónicas situadas en el
triángulo de la parte central.
La salida de SPSS recoge el cálculo de probabilidades a posteriori, puntuaciones discriminantes y
resultados de la clasificación. En este caso, no aparece la columna etiquetada con (valores faltantes)
donde se refleja casos o individuos para los que no se dispone de información completa. Aparece la
columna Grupo real de pertenencia y Grupo pronosticado, que cuando aparece con un asterisco
refleja que el individuo a que corresponda se le clasifica de forma errónea.
Las columnas siguientes son relativas al cálculo de probabilidades. Las probabilidades a posteriori
P(G/D) se calculan para cada grupo con la fórmula:
⎧ g ≡ grupo
F
πI e g
Prob (g / D) = g = I, II ⎨ (extendida a tres variables)
πI e + πII e ⎩ πi ≡ probabilid ad a priori
FI FII

Con este criterio se clasifica a un individuo en el grupo I si: FI ln πI > FII ln πII .
La aplicación de este criterio implica que el punto de corte discriminante Cp viene definido por:
DI + DII π
Punto de corte con información a priori: Cp = − ln II
2 πI
En la salida del SPSS se indica la probabilidad a posteriori más alta con indicación al grupo a que
corresponde y la segunda probabilidad más alta con indicación del grupo. Junto a la probabilidad
más alta aparece la probabilidad de la puntuación discriminante P(D/G), que no tiene interés
especial en el análisis.
Las dos últimas columnas se refieren a las puntuaciones discriminantes. Cada una de ellas
corresponde a una función discriminante. En SPSS estas puntuaciones se calculan utilizando los
coeficientes de las funciones discriminantes canónicas no estandarizadas.
Estadísticos por caso: Para cada caso, se muestran las puntuaciones discriminantes, las distancias de
Mahalanobis de dichas puntuaciones al centroide de cada grupo y las probabilidades a posteriori
obtenidas a partir de esas distancias.
Se observa que hay seis casos mal clasificados, comprobándose como las probabilidades de
pertenencia son mayores para la pertenencia al grupo mayor, y también que las puntuaciones
discriminantes son las que sitúan a cada caso en el mapa territorial.
Los resultados de la investigación son satisfactorios, ya que contiene un porcentaje elevado de

clientes clasificados satisfactoriamente (76%), si bien preocupa el caso de un cliente moroso (cliente
17) que ha sido calificado como cumplidor. Este tipo de error de clasificación tiene mucha
importancia, el banco se preocupa sobre todo que un cliente moroso o fallido pueda ser considerado
como cumplidor, pues el coste de una clasificación errónea de este tipo es elevado para la entidad.


s4 - PPT - Analisis Discriminante - Practica - Sistemas Inteligentes

Cargado por

Copyright:

Formatos disponibles

s4 - PPT - Analisis Discriminante - Practica - Sistemas Inteligentes

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

s4 - PPT - Analisis Discriminante - Practica - Sistemas Inteligentes

Cargado por

Copyright:

Formatos disponibles

1

UPAO INGENIERÍA DE COMPUTACIÓN Y SISTEMAS

2. Usando MATLAB, ejecutar el guión propuesto de

 ¿Se puede predecir si una empresa va a entrar en bancarrota?

El Análisis Discriminante se puede considerar como un análisis de regresión donde la variable

Para efectuar el análisis es necesario considerar una serie de supuestos:

(e) El número máximo de funciones discriminantes es el mínimo [número de variables, número de

Santiago de la Fuente Fernández 1

⎧ y1 = w11 x1 + w12 x 2 + " + w1p xp + w10

tales que discriminen o separen lo máximo posible a los q grupos.

DESCOMPOSICIÓN DE LA VARIANZA: La variabilidad total de la muestra se puede descomponer en

= v (x j , x j' ) + f (x j , x j' ) 6 t (x j , x j' ) = v (x j , x j' ) + f (x j , x j' ) ⇒ T = V +F

Santiago de la Fuente Fernández 2

Las funciones (y 1 , y 2 ,", y m ) se extraen de modo que:

• y 1 sea la combinación lineal de (x 1 , x 2 ,", x p ) que proporciona la mayor discriminación

• y 2 sea la combinación lineal de (x 1 , x 2 ,", x p ) que proporciona la mayor discriminación

• En general, y i es la combinación lineal de (x 1 , x 2 ,", x p ) que proporciona la mayor

MATRICIALMENTE: Se busca una función lineal de (x 1 , x 2 ,", x p ) : Y = w' X

De modo que, Var(y) = w' T w = w'F w + w' V w

Como es el esquema habitual de los multiplicadores de Lagrange, se define:

En consecuencia, el autovector asociado a la primera función discriminante lo es de la matriz (T −1F) ,

Como F w = λ T w , se tiene w'F w = λ w' T w = λ

m = mín(q − 1, p ) . Estos vectores son linealmente independientes y dan lugar a funciones

conserva, al considerar sólo los ejes o funciones discriminantes.

ANÁLISIS DISCRIMINANTE: OBJETO

Clasificar las observaciones de la muestra en grupos, a partir de la información

Un conjunto de variables Una variable categórica

Variables clasificadoras Variable dependiente

Santiago de la Fuente Fernández 4

ANÁLISIS DISCRIMINANTE (A.D.): CRITERIO DE CLASIFICACIÓN

 Se trata de minimizar los errores de clasificación

Santiago de la Fuente Fernández 5

Santiago de la Fuente Fernández 6

 Basado en la obtención de funciones discriminantes de cálculo similar a las ecuaciones de

 Basado en técnicas de correlación canónica y de componentes principales (Análisis Factorial)

CLASIFICACIÓN EN DOS GRUPOS

 Se estudia la aplicación del Análisis Discriminante (AD) a la clasificación de individuos en el caso

 Fisher resuelve el problema mediante su función discriminante: D = w1 X1 + w2 X2 + " + wk Xk

 Se trata de obtener los coeficientes de ponderación w j

 Si se consideran N observaciones → La función discriminante Di = w1 X1i + w2 X2i + " + wk Xki para

⎛ D1 ⎞ ⎛ X11 X21 " Xk1 ⎞ ⎛ w1 ⎞

 Expresando el modelo en función de las desviaciones a la media, resulta:

⎛ D1 − d1 ⎞ ⎛ X11 X21 " Xk1 ⎞ ⎛ w1 ⎞

d = X w (función discriminante en diferencias)

 La variabilidad de la función discriminante (suma de cuadrados de las desviaciones de las

Suma de cuadrados explicada por esta función: d' d = w' X' X w

Santiago de la Fuente Fernández 7

T = X' X (matriz de suma de cuadrados y productos

con lo cual, d' d = w' X' X w = w' (F + V) w = w' F w + w' V w

w' F w separación entre grupos

 Se obtienen las puntuaciones discriminantes di para cada observación, introduciendo los

 Se aplica el criterio de clasificación:

di < C (di ‐ C < 0) → pertenece al grupo I

 Otro camino: funciones discriminantes para cada grupo → se clasifica la observación en

 Las variables son independientes y se distribuyen normalmente → problemas en la

 No multicolinealidad entre las variables clasificadoras.

 Las relaciones son lineales.

 No existen valores anómalos (outliers).

¿Se puede predecir si una empresa va a entrar en bancarrota?

Se trata de minimizar los errores de clasificación

Basado en la obtención de funciones discriminantes de cálculo similar a las ecuaciones de

Basado en técnicas de correlación canónica y de componentes principales (Análisis Factorial)

Se estudia la aplicación del Análisis Discriminante (AD) a la clasificación de individuos en el caso

Fisher resuelve el problema mediante su función discriminante: D = w1 X1 + w2 X2 + " + wk Xk

Se trata de obtener los coeficientes de ponderación w j

Si se consideran N observaciones → La función discriminante Di = w1 X1i + w2 X2i + " + wk Xki para

Expresando el modelo en función de las desviaciones a la media, resulta:

La variabilidad de la función discriminante (suma de cuadrados de las desviaciones de las

Se obtienen las puntuaciones discriminantes di para cada observación, introduciendo los

Se aplica el criterio de clasificación:

Otro camino: funciones discriminantes para cada grupo → se clasifica la observación en

Las variables son independientes y se distribuyen normalmente → problemas en la

No multicolinealidad entre las variables clasificadoras.

Las relaciones son lineales.

No existen valores anómalos (outliers).

Como segunda aplicación, se realiza la clasificación incorporando información a priori.

Ahora se calcula el punto de corte teniendo en cuenta la información a priori e incorporando

Número máximo de ejes discriminantes mín(G − 1, k) , donde G es el número de categorías. Se