análisis de datos multidimensionales

En muchas ocasiones interesa estudiar el comportamiento de más de una característica (2 o más) en una población.Es evidente que siempre se podrá estudiar cada característica por separado, a través de su correspondiente distribución de frecuencias y analizar su comportamiento a través de los indicadores ya estudiados de posición, dispersión, forma y concentración.Pero puede resultar necesario analizar, también el comportamiento conjunto de 2 o más de las características observadas, con el fin de dilucidar la influencia de una en otra u otras, determinar las relaciones existentes entre ellas,etc.Para ello es imprescindible estudiar conjuntamente las observaciones de todas las características (variables o atributos), a través de la distribución de frecuencias multidimensional.

Dada una población de N individuos, de la que se disponen observaciones de varias características (supongamos cuantitativas, variables) éstas pueden, en principio representarse a través de un listado (matricial) similar a una base de datos en el que en cada fila aparecerá uno de los N individuos seguido de los valores que cada variable toma para cada individuo, lo que constituye un registro.(Cada variable es lo que en la terminología de las bases de datos se llama campo):

Otra forma de representar los datos multidimensionales , especialmente útil en el caso bidimensional, es agrupando los datos por frecuencias.

En el caso bidimensional, consideraríamos una tabla de doble entrada para cada una de las variables,cada fila corresponde a un valor de la primera variable(x1i o bien xi) ,cada columna a un valor de la segunda variable(x_2j o bien y_j), y en cada celda aparecería la frecuencia de cada par de valores (n_ij).

Y(aprobadas) X(matricul.)	Y₁ 5	Y₂ 6	Y₃ 7	n_i_.
X₁ 7	n₁₁ 0	n₁₂ 1	n₁₃ 0	n₁_. 1
X₂ 8	n₂₁ 0	n₂₂ 0	n₂₃ 1	n₂_. 1
X₃ 9	n₃₁ 2	n₃₂ 1	n₃₃ 0	n₃_. 3

Una tabla de este tipo recibe el nombre de tabla de correlación. Si, en lugar de estar representadas las observaciones de dos variables (cuantitativas), se tratara de dos atributos, con distintos niveles, hablaríamos de tabla de contingencia.

Cada una de las frecuencias nij que nos informa del número de individuos que toman el valor x_i para la variable x, e y_j para la variable y,recibe el nombre de frecuencia conjunta.

Si sumamos las frecuencias conjuntas a lo largo de una fila (i) se obtiene el número total de observaciones del valor de x, x_i , con independencia del valor que tome la otra variable:

Análogamente,si sumamos las frecuencias conjuntas a lo largo de una columna (j) se obtiene el número total de observaciones del valor de y, y_j , con independencia del valor que tome la otra variable: n._j= S _i n_ij = nº de observaciones de y_j

Las distribuciones marginales son las distribuciones unidimensionales que nos informan del número de observaciones para cada valor de una de las variables,(prescindiendo de la información sobre los valores de las demás variables).

En el caso bidimensional hay dos (una para la x y otra para la y), en el caso multidimensional hay tantas como variables.

A partir de la tabla de correlación pueden construirse las distribuciones marginales, asignando a cada valor de la variable considerada su frecuencia marginal.

En el caso de dimensión mayor de dos, y supuestos los datos en forma de base datos matricial, habrá que considerar únicamente una de las variables (una columna) y a partir del listado de observaciones, se podrá construir la tabla de frecuencias de la distribución marginal.

Las distribuciones marginales son distribuciones de frecuencias unidimensionales como las ya estudiadas y pueden analizarse de la manera habitual (media, varianza, asimetría, curtosis, etc.).

En el caso bidimensional,se pueden considerar además otras distribuciones que nos especifiquen las observaciones que hay de cada valor de una de las variables cuando imponemos la condición de que la otra toma un valor determinado.Esto supone considerar únicamente una columna de la tabla de correlación (distribución de x condicionada a un valor de y) o una fila de la tabla (distribución de y condicionada a un valor de x).

En el caso multidimensional, con una representación de base de datos, establecer una condición supone realizar una selección parcial de los datos, el resultado de esta selección sería la distribución condicionada, que en este caso puede ser uni o multidimensional, dependiendo de la condición (selección).

Dos variables estadísticas son estadísticamente independientes cuando el comportamiento estadístico de una de ellas no se ve afectado por los valores que toma la otra; esto es cuando las relativas de las distribuciones condicionadas no se ven afectadas por la condición, y coinciden en todos los casos con las frecuencias relativas marginales.

Esta definición puede hacerse más operativa, a través de la caracterización siguiente:Dos variables son estadísticamente independientes cuando para todos los pares de valores se cumple que la frecuencia relativa conjunta es igual al producto de las frecuencias relativas marginales.:

Y X	1	2	3	n_i.
5	1	10	5	16
10	2	20	10	32
15	4	40	20	64
n._j	7	70	35	112

para el último par 3,3, tendríamos

que cumple ,

por tanto X e Y son estadísticamente INDEPENDIENTES

Estudio analítico de distribuciones multidimensionales: Vector de Medias, matriz de Varianzas-Covarianzas

Aunque si la distribución multidimensional estudiada tiene una dimensión superior a 2 es posible definir indicadores (basados en los momentos) que consideren a la totalidad de las variables, en la práctica basta con analizar la totalidad de las variables por parejas para poder contar con toda la información indispensable para manejarse adecuadamente con una distribución multidimensional.

De esta forma, dada una distribución de frecuencias multidimensional ( de cualquier dimensión) nos interesará, por un lado conservar los indicadores univariantes de cada distribución marginal (medias, varianzas, etc.,-- de cada variable por separado) y considerar además algunos indicadores (bivariantes), de cada pareja de variables posible.

en el caso de disponer de la distribución agregada por frecuencias en una tabla de correlación

.

en el caso de disponer de la distribución sin agregar por frecuencias (en un listado matricial de datos donde cada registro es una observación y nº de registros= N)

1. La covarianza es el momento central de orden 1,1 de la distribución bidimensional.

3. Sin embargo depende de los cambios de unidad .Si se cambia de unidad de medida en ambas variables la covarianza se modifica proporcionalmente a ambos cambios:

5. Si dos variables son independientes su covarianza es cero (el resultado recíproco no es necesariamente cierto).

6. La covarianza nos mide la covariación conjunta de dos variables: Si es positiva nos dará la información de que a valores altos de una de las variable hay una mayor tendencia a encontrar valores altos de la otra variable y a valores bajos de una de las variable ,correspondientemente valores bajos.En cambio si la covarianza es negativa, la covariación de ambas variables será en sentido inverso: a valores altos le corresponderán bajos, y a valores bajos, altos.Si la covarianza es cero no hay una covariación clara en ninguno de los dos sentidos.Sin embargo el hecho de que la covarianza dependa de las medidas de las variables no permite establecer comparaciones entre unos casos y otros.

Dada una variable estadística n-dimensional (X₁,X₂,X₃,...,X_n), llamaremos vector de medias al vector columna formado por las medias de las distribuciones marginales de cada variable por separado.

Dada una variable estadística n-dimensional (X₁,X₂,X₃,...,X_n), llamaremos matriz de varianzas-covarianzas (matriz de varianzas) (matriz de covarianzas), a la matriz cuadrada, n´ n, que disponga en su diagonal principal de las varianzas de cada una de las distribuciones marginales unidimensionales, y en los elementos no-diagonales (i,j) de las correspondientes covarianzas entre cada dos variables S_ij

1. La matriz de varianzas-covarianzas es simétrica respecto a su diagonal principal

3. El determinante de la matriz de varianzas-covarianzas (también llamado determinante de momentos) es siempre no negativo L mayor o igual a 0

Para poder contar con un indicador que nos permita, por un lado establecer la covariación conjunta de dos variables , y por otro, que tenga la universalidad suficiente para poder establecer comparaciones entre distintos casos, se utiliza el coeficiente de correlación (lineal, de Pearson).La correlación es, pues una medida de covariación conjunta que nos informa del sentido de esta y de su relevancia, que está acotada y permite la comparación entre distintos casos.

El coeficiente de correlación entre dos variables puede definirse como la covarianza existente entre sus dos variables tipificadas y tiene por expresión de cálculo:

**Si r < 0 Hay correlación negativa : las dos variables se correlacionan en sentido inverso.A valores altos de una de ellas le suelen corresponder valor bajos de la otra y viceversa.Cuánto más próximo a -1 esté el coeficiente de correlación más patente será esta covariación extrema.Si r= -1 hablaremos de correlación negativa perfecta lo que supone una determinación absoluta entre las dos variables ( en sentido inverso): Existe una relación funcional perfecta entre ambas(una relación lineal de pendiente negativa).

** Si r > 0 Hay correlación positiva: las dos variables se correlacionan en sentido directo.A valores altos de una le corresponden valores altos de la otra e igualmente con los valores bajos.Cuánto más próximo a +1 esté el coeficiente de correlación más patente será esta covariación.Si r = 1 hablaremos de correlación positiva perfecta lo que supone una determinación absoluta entre las dos variables (en sentido directo):Existe una relación lineal perfecta ( con pendiente positiva).

** Si r = 0 se dice que las variables están incorrelacionadas: no puede establecerse ningún sentido de covariación.

Propiedad importante: Si dos variables son independientes estarán incorrelacionadas aunque el resultado recíproco no es necesariamente cierto.

En el caso de estar analizando una distribución n-dimensional con n > 2, podemos construir la llamada matriz de correlación:

La matriz de correlación R es una matriz cuadrada n ´ n cosntituida por los coeficientes de correlación de cada pareja de variables; de manera que tendrá unos en su diagonal principal, y en los elementos no diagonales (i,j) los correspondientes coeficientes de correlación rij La matriz de correlación será, obviamente, simétrica, y conservará las propiedades de ser definida-positiva y tener un determinante no negativo, ( además el determinante será siempre menor o igual que 1). Puede considerarse como la matriz de varianzas entre las variables tipificadas.

1º JUAN	X₁₁	8	X₂₁	21	X₃₁	7
2º PEDRO	X₁₂	7	X₂₂	22	X₃₂	6
3º MARÍA	X₁₃	9	X₂₃	24	X₃₃	6
4º ANA	X₁₄	9	X₂₄	20	X₃₄	5
5º LUIS	X₁₅	9	X₂₅	19	X₃₅	5