Análisis Discriminante

©Salvador Figueras, M (2000): "Análisis Discriminante", 5campus.com, Estadística ,

http://www.5campus.com/leccion/discri , 13/04/2004

1
6.1.- PLANTEAMIENTO DEL PROBLEMA

• Una población de n objetos, particionada en q grupos

q
• Cada grupo Gi tiene ni elementos, de modo que n = ∑ ni .
i =1

• Y = (Y1 ...Yp) una matriz de p variables numéricas observadas

sobre los objetos con el fin de utilizar dicha información para
discriminar entre los q grupos anteriores.

Objetivos del Análisis Discriminante:

1) Analizar si existen diferencias entre los grupos en cuanto a su

comportamiento con respecto a las variables consideradas y averiguar
en qué sentido se dan dichas diferencias.
Î Análisis Discriminante Descriptivo

2) Elaborar procedimientos de clasificación sistemática de individuos de

origen desconocido, en uno de los grupos analizados
Î Análisis Discriminante Predictivo

2
Ejemplo 1: Discriminación con dos grupos

Una empresa está interesada en analizar la opinión de sus clientes

con respecto a su labor comercial y de gestión. Para ello realiza una
encuesta a una muestra de 100 de ellos en las que le pide que valoren su
labor en los siguientes aspectos, haciendo una valoración entre 0 y 10:
Velocidad de Entrega (VENTREGA), Nivel de Precios (NIVPREC),
Flexibilidad de Precios (FLEXPREC), Imagen de la Empresa (IMGEMPR),
Servicio (SERVICIO), Imagen de Ventas (IMGVENTA) y Calidad de Producto
(CALIDAD).

Además, tiene clasificados a sus clientes en dos grupos de acuerdo

al tamaño de la empresa en la que trabajan: Empresas Pequeñas
(TAMAÑO=1) y Empresas Grandes (TAMAÑO=2). El número de clientes
pertenecientes a empresas pequeñas es igual a 60 y el de empresas
grandes es igual a 40.

El objetivo del estudio es analizar si existen diferencias en cuanto a

la percepción de su labor empresarial entre los clientes de un grupo y del
otro y, en caso de que existan, analizar en qué sentido se dan dichas
diferencias.

En este caso, por lo tanto, existen 7 variables clasificadoras (p=7) y

dos grupos a discriminar (q=2). El tamaño de la muestra es n=100 con n1 =
60 y n2 = 40.

3
Ejemplo 2 Discriminación con 6 grupos

Se tiene los datos socioeconómicos de 109 países del mundo del año
1995. Dichos países están clasificados de acuerdo a 6 regiones
económicas: OCDE, Europa Oriental, Asia/Pacífico, Africa, Oriente Medio
y América Latina. Las variables analizadas son el porcentaje de habitantes
en ciudades (URBANA), el aumento de la población (INCR_POB), la tasa de
natalidad (TASA_NAT), la tasa de mortalidad (TASA_MOR) y las
transformaciones logarítmicas de la población (LOGPOB), la densidad
(LOGDENS), la esperanza de vida femenina (LOGESPF) y masculina
(LOGESPM), de la tasa de alfabetización (LOGALF), de la tasa de
mortalidad infantil (LOGMINF), del cociente nacimientos/muertes
(LOGNACDE), de la tasa de fertilidad (LOGFERT) y del PIB percápita
(LOGPIBCA).

En este caso se tiene, por lo tanto, que q=6, p=13 y n=109. Además,
n1=21, n2=14, n3=17, n4=19, n5=17 y n6=21.

El objetivo del estudio es analizar si existen diferencias entre las

diversas regiones socio-económicas y, en caso afirmativo, en qué sentido.

4
6.2. CÁLCULO DE LAS FUNCIONES DISCRIMINANTES

• La discriminación entre los q grupos se realiza mediante el cálculo de

unas funciones matemáticas denominadas funciones discriminantes.

• Existen varios procedimientos para calcularlas. Veamos el

procedimiento de Fisher.

6.2.1 Procedimiento Discriminante de Fisher

• Considera como funciones discriminantes, combinaciones lineales de

las funciones clasificadoras, es decir:

D = u1Y1 + u2Y2 + ... + upYp = u’Y

• El vector u de coeficientes que define una variable discriminante se

calcula maximizando:

∑ n g (d g − d )
q
2

g =1

Variabilidad entre grupos q −1 u' Bu n − q

= =
q ng u' Wu q − 1
∑ ∑ (d gk − d g )
Variabilidad intra grupos 2

g =1 k =1

n−q
donde dik, k=1,…,ni; i=1,…,q denota el valor de D en la k-ésima
observación del i-ésimo grupo y

5
 nj

∑W
G G

∑ ∑ (y − y g )( y gk − y g )
'
• W= g
= gk =
g=1
g =1 k =1

 G ng G ng

∑ ∑ (y − y1g ) ∑∑ ( y1gk − y1g )( y Kgk − yKg )
2
 1gk ...
 g =1 k =1 g =1 k =1 
 ... ... ... 
 G ng G ng 

∑ ∑ (y − y Kg )( y1gk − y1g ) ... ∑∑ ( y Kgk − yKg ) 
2

 Kgk

 g =1 k =1 g =1 k =1

es la matriz de suma de cuadrados intra-grupos.


( ) ∑ n g (y1g − y1 )(y Kg − y K )

G G
∑
2
 n g y 1g − y 1 ...
G

∑
g =1' g =1

n g ( yg − y)(yg − y) 
• B= ... ... ... 
 ∑ n g (y Kg − y K )(y1g − y1 ) ... ∑ n g (y Kg − y K )
G G
=
g =1 2

g =1 g =1 

es la matriz de suma de cuadrados inter-grupos.

• Se impone, además, la condición de normalización u’Wu = 1

• La solución viene dada por el vector propio u1 de W-1B asociado al
mayor valor propio λ1 de esta matriz.

6
OBSERVACIONES:

- Si se quieren calcular r funciones discriminantes con varianza 1, y que

sean incorreladas entre sí, es decir, que verifiquen que ui’Wuj = Iij ;
i,j=1,…,r, se obtienen como soluciones los r vectores propios de W-1B
asociados a los r mayores valores propios de esta matriz λ1 ≥ … ≥ λ r >
0. A las funciones Di = ui’Y i=1,…,r se les llama funciones
discriminantes canónicas o funciones discriminantes de Fisher.

- Si r es el número de funciones discriminantes, se tiene que WD = Ir y BD

= diag(λ1,…,λr) donde WD y BD son las matrices W y B calculadas
utilizando las puntuaciones discriminantes.

- Los valores propios λi ; i=1,...,r miden el poder de discriminación de la

i-ésima variable discriminante de forma que si λi = 0, la variable
discriminante no tiene ningún poder discriminante. Dado que el rango
de la matriz W-1B es a lo más min {q-1,p}, el número máximo de
funciones discriminantes que se podrán calcular será igual a min {q-
1,p}.

7
6.2.2 Lambda de Wilks

• Es un estadístico que mide el poder discriminante de un conjunto de

variables. Viene dada por

W 1
Λ = W + B= min (q −1,p ) ) ,
∏ (1 + λ i )
i =1

y toma valores entre 0 y 1 de forma que, cuanto más cerca de 0

esté, mayor es el poder discriminante de las variables consideradas
y cuanto más cerca de 1, menor es dicho poder.

6.2.3 Correlación Canónica

• La i-ésima correlación canónica viene dada por:

λi
CRi = i = 1,...,r
1 + λi

• Mide, en términos relativos, el poder discriminante de la i-esima

variable discriminante ya que es el porcentaje de la variación total
en dicha variable que es explicada por las diferencias entre los
grupos.

• Toma valores entre 0 y 1 de forma que, cuanto más cerca de 1 esté

su valor, mayor es la potencia discriminante de la i-esima variable
discriminante.

8
6.2.4 Determinación del número de funciones discriminantes

• El número de funciones discriminantes significativas se determina

mediante un contraste de hipótesis secuencial.

• Si k es el número de funciones discriminantes significativas el

proceso comienza con k=0. En el (k+1)-ésimo paso del algoritmo la
hipótesis nula a contrastar es

Ho: λk+1 = … = λmin{G-1,p} = 0

y el estadístico de contraste viene dado por:

p + q min{q −1,p}
 ∑ log(1 + λ j )

n −1−
T=  2  j=k +1

el cual se distribuye como una Χ2(p-k)(q-k-1) bajo Ho.

Ejemplo1 (continuación)

Resumen de las funciones canónicas discriminantes

Autovalores

Correlación
Función Autovalor % de varianza % acumulado canónica
1 2,046a 100,0 100,0 ,820
a. Se han empleado las 1 primeras funciones discriminantes
canónicas en el análisis.

9
 Lambda de Wilks

Contraste de Lambda
las funciones de Wilks Chi-cuadrado gl Sig.
1 ,328 105,244 7 ,000

• En las tablas se muestra los valores de 1 = 2.046 y de la correlación

2.046
canónica 1 + 2.046 = 0.82 obtenidos mediante el programa SPSS.
Así mismo, se muestra el resultado obtenido al aplicar el test de
hipótesis secuencial utilizado para determinar el número de
funciones discriminantes significativas.

• En este caso el número máximo de funciones discriminantes

posibles es igual a min{2-1,7} = 1 por lo que sólo será necesario
llevar a cabo un test de hipótesis.

• La hipótesis nula será Ho: λ1 = 0 y el valor del estadístico T=105.244

correspondiente a una lambda de Wilks igual a 0.328. El p-valor es

[ ]
igual a P χ 7 ≥ 105.244 =0.000 por lo que la función obtenida es
2

significativa y su poder discriminante es alto dado el elevado valor

de la correlación canónica.

10
Ejemplo 2 (continuación)
Resumen de las funciones canónicas discriminantes
Autovalores

Correlación
Función Autovalor % de varianza % acumulado canónica
1 6,004a 65,7 65,7 ,926
2 1,182a 12,9 78,7 ,736
3 ,949a 10,4 89,1 ,698
4 ,610 a 6,7 95,7 ,616
5 ,390a 4,3 100,0 ,530
a. Se han empleado las 5 primeras funciones discriminantes
canónicas en el análisis.

Lambda de Wilks

Contraste de Lambda
las funciones de Wilks Chi-cuadrado gl Sig.
1 a la 5 ,015 396,850 65 ,000
2 a la 5 ,105 212,911 48 ,000
3 a la 5 ,229 139,173 33 ,000
4 a la 5 ,447 76,111 20 ,000
5 ,720 31,101 9 ,000

• En este caso el número de funciones discriminantes calculadas es

igual a min{6-1,13}=5. En las tablas subsiguientes se muestran los
valores propios, la correlación canónica y el porcentaje de varianza
de discriminación y el porcentaje acumulado explicados por cada
función discriminante, los cuales vienen dados por
i

λi ∑λj
100 5 y 100 j=1
respectivamente.
5
∑λj ∑λj
j=1 j=1

• Se observa, por ejemplo, que las 3 primeras funciones

discriminantes explican un 89.1% de la varianza de discriminación.
Así mismo, en la siguiente tabla se realiza el contraste para la

11
 determinación del número de funciones discriminantes
significativas. Así, por ejemplo, en el paso 3 se contrasta la
hipótesis nula:
Ho: λ3 = λ 4 = λ 5

[ ]
• En este caso Tobs = 139.173 y el p-valor P χ 33 ≥ 139.173 =0 y se
2

rechazaría la hipótesis nula. Se observa que todas las funciones

discriminantes son significativas.

6.3. INTERPRETACIÓN DE LOS RESULTADOS

• Significado de las dimensiones de discriminación entre los grupos

proporcionadas por las funciones discriminantes mediante el análisis
de la matriz de estructura y de la de los coeficientes estandarizados
de las funciones discriminantes.

• Análisis del sentido de la discriminación entre dichos grupos, es

decir, averiguar qué grupos separa cada función discriminante y en
qué sentido. Este análisis se lleva a cabo mediante representaciones
gráficas del espacio de discriminación así como de perfiles
multivariantes correspondientes a cada grupo.

12
6.3.1 Matriz de Estructura

Es una matriz pxr que contiene, por filas, los coeficientes de

correlación de las funciones discriminantes con las variables originales. De
esta forma es posible interpretar el significado de las mismas utilizando,
para cada una de ellas, aquéllas variables con las que está más
correlacionada. De cara a facilitar dicha interpretación se suelen realizar
rotaciones ortogonales del espacio de discriminación similares a las
utilizadas por el Análisis Factorial.

6.3.2 Coeficientes estandarizados de las funciones discriminantes

Vienen dados por la expresión:
u* = F-1u

donde F = diag (s 1/ 2
jj
) siendo sjj elemento de la diagonal de la matriz
S =W
n -G . A partir de ellos se puede deducir la expresión matemática de
las funciones discriminantes en términos de las variables originales
estandarizadas. Estos coeficientes son poco fiables si existen problemas
de multicolinealidad entre las variables clasificadoras.

13
Ejemplo 1 (continuación)

En las tablas subsiguientes se muestran los coeficientes

estandarizados de la función discriminante estimada así como la matriz de
estructura. La expresión mátemática de dicha función vendrá dada por:
D = 0.466Zventrega + 0.084Znivprec +0.538Zflexprec-0.068Zimgempr
-0.093Zservicio+0.295Zimgventa-0.6784Zcalidad

donde Zi indica la variable i-ésima estandarizada.

Coeficientes estandarizados de las

funciones discriminantes canónicas

Función
1
Velocidad de Entrega ,466
Nivel de Precios ,084
Flexibilidad de Precios ,538
Imagen de la Empresa -,068
Servicio -,093
Imagen de las Ventas ,295
Calidad del Producto -,684

Matriz de estructura

Función
1
Calidad del Producto -,656
Flexibilidad de Precios ,592
Velocidad de Entrega ,568
Nivel de Precios -,332
Servicio ,147
Imagen de las Ventas ,030
Imagen de la Empresa -,020
Correlaciones intra-grupo combinadas entre
las variables discriminantes y las funciones
discriminantes canónicas tipificadas
Variables ordenadas por el tamaño de la
correlación con la función.

14
Analizando la matriz de estructura de la función discriminante se observa
que dicha función realiza un contraste entre la Velocidad de Entrega y la
Flexibilidad de Precios, por un lado, y la Calidad del Producto y el Nivel
de Precios, por el otro, de forma que clientes con un valor de D positivo
serán clientes con una tendencia a valorar por encima de la media a la
labor de la empresa en aspectos más específicos como rapidez y
flexibilidad y a valorar por debajo aspectos más genéricos como son la
calidad del producto y el nivel de precios. Lo contrario ocurre con clientes
con valores de D negativos.

La siguiente tabla contiene las puntuaciones medias d i ; i=1,2 para

cada grupo.

Funciones en los centroides de los grupos

Función
Tamaño de la empresa 1
Pequeña 1,156
Grande -1,734
Funciones discriminantes canónicas no tipificadas
evaluadas en las medias de los grupos

y el gráfico subsiguiente los diagramas de caja de dichas puntuaciones

15
 6
Puntuaciones discriminantes de la función 1

4 97
98

-2

-4
N= 60 40

Pequeña Grande

Tamaño de la empresa

Se observa que, las empresas pequeñas, tienden a valorar mejor a la

empresa en aspectos más específicos como son la velocidad de entrega y
flexibilidad de precios y, por el contrario, las empresas grandes tienden a
valorar mejor los aspectos más generales como son el nivel de precios y la
calidad del producto ofrecido. Estos resultados se confirman al comparar
los diagramas de caja de cada una de las variables en los dos grupos como
se muestra en el gráfico siguiente

16
 12

10

6 53
99
57
100
82
99
4

Velocidad de Entrega
2
Nivel de Precios

0 74
Flex. de Precios

-2 Calidad del Producto

N= 60 60 60 60 40 40 40 40

Pequeña Grande

Tamaño de la empresa

Ejemplo 2 (continuación)

En la tabla subsiguiente se muestra la matriz de estructura de las

funciones discriminantes tras aplicar una rotación Varimax. Se observa
que la primera función discrimina en función del equilibrio demográfico
existente en cada país, la segunda tiene que ver con aspectos
relacionados con el crecimiento demográfico del mismo, la tercera con su
calidad de vida y la quinta con su tamaño demográfico. La cuarta función,
cuyo poder discriminante no es muy alto, no ofrece una interpretación tan
clara aunque parece estar relacionado con el nivel de desarrollo
económico-cultural del país debido a su mayor correlación con PIBPCA,
Habitantes en ciudades y tasa de alfabetización.

17
 Matriz de estructura rotada

Función
1 2 3 4 5
LOGNACDE ,644* ,410 -,088 -,035 -,030
Tasa de mortalidad
-,566* ,251 ,480 -,154 -,112
(por 1.000 habitantes)
Tasa de natalidad
-,084 ,745* ,454 -,197 -,137
(por 1.000 habitantes)
Aumento de la
,190 ,738* ,124 ,046 -,115
población (% anual)
LOGFERT -,038 ,733* ,473 -,012 -,230
LOGALF -,008 ,602* ,420 -,322 ,051
LOGESPF -,128 ,291 ,890* -,021 ,032
LOGESPM -,197 ,158 ,846* ,035 -,014
LOGMINF -,036 ,337 ,786* -,082 -,009
LOGPIBCA ,040 -,146 -,709* ,447 -,097
Habitantes en
,320 -,261 -,545* ,359 -,256
ciudades (%)
LOGDENS ,053 -,112 ,024 ,085 ,616*
LOGPOB -,040 -,049 ,014 -,113 ,554*
Correlaciones intra-grupo combinadas y rotadas entre las variables discriminantes y las
funciones canónicas discriminantes estandarizadas.
Variables ordenadas por el tamaño de la correlación con la función.
*.
Mayor correlación absoluta entre cada variable y cualquier función discriminante.

En el gráfico siguiente se muestra el diagrama de cajas de las

puntuaciones discriminantes estimadas para cada uno de los países
clasificados por región económica.

18
 6

4 Somalia
China Emiratos Árabes

Marruecos
2

0 Afganistán
Egipto
IslandiaZelanda
Nueva PuntuaciónD1
Países Bajos Bosnia Libia
-2 PuntuaciónD2
Israel

PuntuaciónD3
China
-4 Austria
Finlandia
Portugal Japón
PuntuaciónD4

-6 PuntuaciónD5
OCDE Asia / Pacífico Oriente Medio
Europa Oriental África América Latina

Región económica

Se observa que las dos primeras funciones discriminantes separan,

esencialmente, a los países de la OCDE y de la Europa Oriental del resto
debido al mayor equilibrio demográfico existente en las dos regiones
anteriores por su baja natalidad y su baja mortalidad. La tercera función
separa a los países de la OCDE debido a su mayor nivel de vida que se
traduce en una mayor esperanza de vida, un mayor PIB per cápita y un
mayor porcentaje de hombres y mujeres viviendo en ciudades. La cuarta
función discrimina, esencialmente a las regiones más pobres y menos
desarrolladas (Asia/Pacífico, Africa y América Latina) frente a las más
ricas y menos desarrolladas (OCDE, Europa Oriental y Oriente Medio).

19
 La quinta función separa a los países asiáticos del resto debido a su
mayor población y su mayor densidad. Respecto a la cuarta no se ve un
patrón claro de separación.

La siguiente figura muestra los perfiles multivariantes de cada

región los cuales corroboran las interpretaciones anteriores.
1,50

1,00

0,50

OCDE
Europa Oriental
Asia / Pacífico
0,00
África
ad

ad

A
bl

PM
a

PF

E
B

T
Oriente Medio
an

AL

IN

R
EN

BC
PO

D
Po

id

lid

ES

FE
AC
ES

M
rb

G
al
cr

PI
D
ta

América Latina
G
U

LO
G

G
at

N
In

G
LO
or

G
LO
LO

LO
N

G
LO

LO

LO
M

LO

-0,50

-1,00

-1,50

20
6.4.- SELECCIÓN DE VARIABLES CLASIFICADORAS

El problema de selección de variables intenta responder a la

pregunta ¿Son necesarias todas las variables clasificadoras para
discriminar?

Para responderla existen, esencialmente, tres tipos de algoritmos:

algoritmos de selección de variables hacia adelante, eliminación hacia atrás
y de regresión por pasos.

Los algoritmos de selección hacia adelante comienzan eligiendo la

variable que más discrimina entre los q grupos. A continuación seleccionan
la segunda más discriminante y así sucesivamente. Si de las variables que
quedan por elegir ninguna discrimina de forma significativa entre los grupos
analizados el algoritmo finaliza.

Los algoritmos de eliminación hacia detrás proceden de forma inversa

a los anteriores. Se comienza suponiendo que todas las variables son
necesarias para discriminar y se elimina la menos discriminante entre los
grupos analizados y así sucesivamente. Si las variables no eliminadas
discriminan significativamente entre los grupos analizados el algoritmo
finaliza.

Los algoritmos de regresión por pasos utilizan una combinación de los

dos algoritmos anteriores permitiendo la posibilidad de arrepentirse de
decisiones tomadas con precipitación bien sea eliminando del conjunto

21
seleccionado una variable introducida en el conjunto de discriminación en
un paso anterior del algoritmo, bien sea introduciendo en dicho conjunto
una variable eliminada con anterioridad.

Para determinar qué variables entran y salen en cada paso de este tipo
de algoritmos se utilizan diversos criterios de entrada y salida. Uno de los
más utilizados es el del Lambda de Wilks que es el que exponemos, a
continuación. Otros criterios pueden verse, por ejemplo, en el manual del
SPSS.

6.4.1 Criterio de la lambda de Wilks

Utiliza la lambda de Wilks para medir la potencia discriminante

ganada/perdida al introducir/sacar una variable del conjunto de
discriminación.

Sea Λq la lambda de Wilks basada en las q primeras variables.

Para ver si es necesario incluir la variable Yq+1 en el conjunto de

discriminación se utiliza el estadístico

 
n − G − q  Λ q − 1
F=   ∼ FG-1, n-G-q
G −1  Λ 
 q +1 

si la variable Yq+1 no aporta información relevante al proceso de

discriminación entre los grupos. Un valor alto/bajo de F indica una pérdida

22
significativa/no significativa de información si la variable Yq+1 no es
incluida/es incluida en el conjunto de discriminación.

Utilizando dicha variable es posible, por ejemplo, proporcionar un p-

valor de entrada y otro de salida de forma que si el p-valor obtenido al
introducir una variable en el conjunto de discriminación, no es inferior al p-
valor de entrada, la variable considerada no entra en dicho conjunto y si el
p-valor obtenido al eliminarla del conjunto de discriminación no es superior
al de salida, la variable considerada no sale de dicho conjunto.

Ejemplo 1 (continuación)

En las tablas subsiguientes se muestran los resultados obtenidos al

aplicar el algoritmo de selección de variables utilizado por SPSS tomando
como criterio de entrada un p-valor igual a 0.05 y como criterio de salida un
p-valor igual a 0.10. Las variables seleccionadas son (por orden de
selección) la calidad del producto, la flexibilidad de precios y la velocidad
de entrega no siendo eliminada del conjunto de discriminación, ninguna de
las variables seleccionadas.

23
 Estadísticos por pasos
Variables introducidas/eliminadasa,b,c,d

Lambda de Wilks
F exacta
Paso Introducidas Estadístico gl1 gl2 gl3 Estadístico gl1 gl2 Sig.
1 Calidad del
,532 1 1 98,000 86,200 1 98,000 ,000
Producto
2 Flexibilidad
,388 2 1 98,000 76,552 2 97,000 ,000
de Precios
3 Velocidad
,341 3 1 98,000 61,879 3 96,000 ,000
de Entrega
En cada paso se introduce la variable que minimiza la lambda de Wilks global.
a. El número máximo de pasos es 14.
b. La significación máxima de F para entrar es .05.
c. La significación mínima de F para salir es .10.
d. El nivel de F, la tolerancia o el VIN son insuficientes para continuar los cálculos.

24
 Variables en el análisis

Sig. de F Lambda
Paso Tolerancia que eliminar de Wilks
1 Calidad del Producto 1,000 ,000
2 Calidad del Producto 1,000 ,000 ,583
Flexibilidad de Precios 1,000 ,000 ,532
3 Calidad del Producto ,992 ,000 ,460
Flexibilidad de Precios ,970 ,000 ,414
Velocidad de Entrega ,963 ,000 ,388

Variables no incluidas en el análisis

Tolerancia Sig. de F que Lambda

Paso Tolerancia mín. introducir de Wilks
0 Velocidad de Entrega 1,000 1,000 ,000 ,602
Nivel de Precios 1,000 1,000 ,000 ,816
Flexibilidad de Precios 1,000 1,000 ,000 ,583
Imagen de la Empresa 1,000 1,000 ,779 ,999
Servicio 1,000 1,000 ,040 ,958
Imagen de las Ventas 1,000 1,000 ,674 ,998
Calidad del Producto 1,000 1,000 ,000 ,532
1 Velocidad de Entrega ,992 ,992 ,000 ,414
Nivel de Precios ,928 ,928 ,099 ,517
Flexibilidad de Precios 1,000 1,000 ,000 ,388
Imagen de la Empresa ,948 ,948 ,172 ,522
Servicio ,977 ,977 ,012 ,498
Imagen de las Ventas ,920 ,920 ,023 ,504
2 Velocidad de Entrega ,963 ,963 ,000 ,341
Nivel de Precios ,836 ,836 ,842 ,388
Imagen de la Empresa ,936 ,936 ,085 ,376
Servicio ,969 ,969 ,009 ,361
Imagen de las Ventas ,914 ,914 ,019 ,366
3 Nivel de Precios ,835 ,835 ,758 ,341
Imagen de la Empresa ,920 ,920 ,241 ,336
Servicio ,550 ,547 ,742 ,340
Imagen de las Ventas ,903 ,903 ,066 ,329

25
 Las tablas subsiguientes muestran los resultados obtenidos utilizando
las variables seleccionadas. Se observa que los resultados obtenidos son
esencialmente los mismos que los obtenidos utilizando todas las variables.

Resumen de las funciones canónicas discriminantes

Autovalores

Correlación
Función Autovalor % de varianza % acumulado canónica
1 1,934a 100,0 100,0 ,812
a. Se han empleado las 1 primeras funciones discriminantes
canónicas en el análisis.

Lambda de Wilks

Contraste de Lambda
las funciones de Wilks Chi-cuadrado gl Sig.
1 ,341 103,860 3 ,000

Coeficientes estandarizados de las

funciones discriminantes canónicas

Función
1
Velocidad de Entrega ,437
Flexibilidad de Precios ,526
Calidad del Producto -,629

Matriz de estructura

Función
1
Calidad del Producto -,674
Flexibilidad de Precios ,609
Velocidad de Entrega ,584
Nivel de Preciosa -,378
Imagen de las Ventasa -,193
Imagen de la Empresaa -,163
Servicioa ,120
Correlaciones intra-grupo combinadas entre las
variables discriminantes y las funciones
discriminantes canónicas tipificadas
Variables ordenadas por el tamaño de la
correlación con la función.
a. Esta variable no se emplea en el análisis.

26
6.4.2 Inconvenientes de los procedimientos de selección de variables

Conviene destacar los siguientes (ver Huberty -1989- para más

detalles):

1) No tienen por qué llegar a la solución óptima

2) Utilizan como criterios de selección, criterios de separación de grupos y
no de clasificación

3) El nivel de significación global es superior al establecido para entrar y

sacar variables debido a la realización simultánea de varios test de
hipótesis.

6.5. PROCEDIMIENTOS DE CLASIFICACIÓN

Existen varios métodos de clasificación dependiendo del número de

grupos a clasificar (dos o más grupos), de las hipótesis hechas acerca del
comportamiento de las variables en cada grupo (normalidad conjunta,
homocedasticidad) así como del criterio utilizado para llevar a cabo dicha
clasificación.
Uno de los criterios más utilizados es el criterio Bayes que es el que
expondremos, a continuación, distinguiendo entre el caso de dos y más de
dos grupos, si la discriminación se lleva a cabo bajo hipótesis de
normalidad o no normalidad y/o bajo hipótesis de homo y
heterocedasticidad.

27
6.5.1 Discriminación de dos poblaciones normales homocedásticas

Suponga que Y = Yi ∼ Np(µi, Σ), i=1,2 en cada uno de los grupos.

Sea y el valor de las variables de clasificación de una nueva
observación cuya pertenencia a uno de los dos grupos se desconoce.
El criterio Bayes utiliza el teorema de Bayes para determinar a qué
grupo pertenece.
Para ello considera {πi = P[Gi], i = 1,2} las probabilidades a priori de
que la observación considerada pertenezca a cada grupo. Se suelen tomar

πi = 0.5, i = 1,2 si no se dispone de información previa o πi = ni n , i=1,2 si

los tamaños muestrales de cada grupo reflejan la composición de la

población analizada.
Aplicando el teorema de Bayes se tiene que:

[ ]
PG y =
i
π f ( y)
i i
π f ( y) + π f ( y)
i=1,2

11 22

donde fi(y) ∝ exp[-0.5(y-µi)’Σ-1(y-µi)], i=1,2 son las funciones de densidad

de Y en cada uno de los grupos.

La observación y se asignará al grupo G1 si:

P[G1 | y] > P[G2 | y] ⇔ π1f1(y) > π2f2(y)
π2
⇔ (y-µ1)’Σ-1(y-µ1) < (y−µ2)’Σ-1(y-µ2) - log
π1

π2
⇔ y’Σ-1(µ2-µ1) < 0.5(µ1+µ2)’Σ-1(µ2-µ1) - log
π1

28
Observaciones

1) Si π1 = π2 el criterio Bayes asignará la observación y al grupo cuya

media, µi, esté a menor distancia de Mahalanobis, la cual viene dada
por d(y,µi) = (y-µi)’Σ-1(y-µi). Esta distancia también se utiliza para
examinar la existencia de atípicos.

2) Para evaluar si un punto es atípico, se calcula el p-valor dado por:

[
P χ 2k −1 ≥ D obs ]
donde se utiliza el hecho de que, bajo hipótesis de normalidad,

Dobs= (d − d i )' SD (d − d i ) ∼ χ k−1 donde d = (d1,...,dk)' son las

−1 2

puntuaciones en las k funciones discriminantes de cada individuo y SD

es su matriz de varianzas-covarianzas.

3) El criterio Bayes utiliza como función de clasificación, la función lineal

dada por
y’Σ-1(µ2-µ1) y establece como punto de corte entre los dos grupos
π2
0.5 (µ1+µ2)’Σ-1(µ2-µ1) - log
π1

4) Geométricamente, el espacio p-dimensional de los objetos queda

dividido en dos regiones separadas por el hiperplano y’Σ-1(µ2-µ1) =
π2
0.5(µ1+µ2)’Σ-1(µ2-µ1) - log
π1

29
5) Si existe un coste asociado diferente a la asignación incorrecta a cada
uno de los grupos, de forma que la matriz de pérdidas viene dada por:

Asignado\Verdadero G1 G2
G1 0 c12
G2 c21 0

se calculan las pérdidas esperadas medias a posteriori:

L(Asignar a G1/y) = c12P[G2| y]
L(Asignar a G2/y) = c21P[G1| y]
y se asigna la observación y al grupo G1 si:
L(Asignar a G1/y) < L(Asignar a G2/y)
c 21 π 2
⇔ y’Σ-1(µ2-µ1) < 0.5(µ1+µ2)’Σ-1(µ2-µ1) - log
c12 π 1

6.5.2 Discriminación de dos poblaciones normales heterocedásticas

Si Y=Yi ∼ Np(µi,Σi) i=1,2 en cada uno de los grupos con Σ1 ≠ Σ2

entonces las funciones de densidad de Y vendrán dadas por:

fi(y) ∝ |Σi|-1/2 exp[-0.5(y-µi)’Σi-1(y-µi)] i=1,2

y se tendrá que:
P[G1/y] > P[G2/y]
Σ 2 π1
-1 -1
⇔ (y-µ1)’Σ1 (y-µ1) - (y-µ2)’Σ2 (y-µ2) < log Σ1 π 2

La función discriminante será, por lo tanto, la forma cuadrática

(y-µ1)’Σ1-1(y-µ1) - (y-µ2)’Σ2-1(y-µ2)
en lugar de ser una función lineal como en el caso anterior.

30
Conviene hacer notar, sin embargo, que el criterio lineal especificado
anteriormente es más robusto que el criterio cuadrático a la hipótesis de
normalidad y es el que se suele utilizar habitualmente.

6.5.3 Discriminación de q grupos

Los criterios vistos con dos grupos se generalizan a más de dos

grupos de forma trivial. Así, por ejemplo, suponga que Y ∼ Np(µi,Σ)
i=1,…,q .

Las funciones de densidad de Y vendrán dadas por:

fi(y) ∝ exp[-0.5(y-µi)’Σ-1(y-µi)] i=1,…,q

El criterio Bayes clasifica la observación y en el grupo g si:

max
P[Gg/y] = k =1,...,q P[Gk/y]
max
-1 -1
⇔ y’Σ µg - 0.5µgΣ µg + log πg = k =1,...,q { y’Σ-1µk - 0.5µkΣ-1µk+ log πk}

Las funciones de clasificación son lineales y vienen dados por:

y’Σ-1µg - 0.5µgΣ-1µg + log πg g = 1,…,q

31
Ejemplo 1 (continuación)

La siguiente tabla contiene los resultados obtenidos, para 10

clientes de la empresa, en el proceso de clasificación aplicando el criterio
Bayes con probabilidades a priori iguales para cada grupo y bajo hipótesis
de homocedasticidad y normalidad. SPSS (como muchos otros programas)
calcula las probabilidades a posteriori de cada grupo para cada caso, así
como la distancia de Mahalanobis.

Así, por ejemplo, para el caso 1, perteneciente al grupo 1, el grupo

pronosticado utilizando todos los casos del análisis es el grupo 1 debido a
que P(G=1/D=d) = 0.934 frente a P(G=2/D=d) = 0.066.

La distancia de Mahalanobis al centroide de este grupo es igual a

[ 2
]
0.279 y el p-valor P χ1 ≥ 0.279 =0.597 por lo que dicho caso no es
sospechoso de ser atípico.

32
 Estadísticos de clasificación
Estadísticos por casos

Puntuacio
nes
discrimin
Grupo mayor Segundo grupo mayor antes

Distancia de Distancia de
Mahalanobis Mahalanobis
al cuadrado al cuadrado
Grupo P(D>d | G=g) hasta el hasta el
Número de casos Grupo real pronosticado p gl P(G=g | D=d) centroide Grupo P(G=g | D=d) centroide Función 1
Original 1 1 1 ,597 1 ,934 ,279 2 ,066 5,580 ,628
2 1 1 ,746 1 ,994 ,105 2 ,006 10,330 1,480
3 1 1 ,872 1 ,990 ,026 2 ,010 9,309 1,317
4 1 1 ,706 1 ,956 ,142 2 ,044 6,314 ,779
5 1 1 ,230 1 ,669 1,444 2 ,331 2,852 -,045
6 1 1 ,815 1 ,971 ,055 2 ,029 7,057 ,922
7 1 1 ,772 1 ,993 ,084 2 ,007 10,109 1,445
8 1 1 ,557 1 ,997 ,344 2 ,003 12,088 1,743
9 1 1 ,625 1 ,941 ,239 2 ,059 5,767 ,667
10 1 1 ,336 1 ,999 ,925 2 ,001 14,837 2,118
Validación cruzadaa 1 1 1 ,355 7 ,916 7,754 2 ,084 12,533
2 1 1 ,266 7 ,993 8,818 2 ,007 18,822
3 1 1 ,516 7 ,989 6,201 2 ,011 15,245
4 1 1 ,736 7 ,950 4,371 2 ,050 10,252
5 1 1 ,639 7 ,622 5,176 2 ,378 6,168
6 1 1 ,787 7 ,967 3,935 2 ,033 10,688
7 1 1 ,266 7 ,993 8,819 2 ,007 18,606
8 1 1 ,116 7 ,997 11,559 2 ,003 23,228
9 1 1 ,525 7 ,928 6,124 2 ,072 11,241
10 1 1 ,582 7 ,999 5,640 2 ,001 19,622
Para los datos originales, la distancia de Mahalanobis al cuadrado se basa en funciones canónicas.
Para los datos validados mediante validación cruzada, la distancia de Mahalanobis al cuadrado se basa en observaciones.
a. La validación cruzada sólo se aplica a los casos del análisis. En la validación cruzada, cada caso se clasifica mediante las funciones derivadas a partir del resto de los casos.

33
6.5.4 Homocedasticidad

La homocedasticidad es una hipótesis que se utiliza en algunas de

las técnicas multivariantes (ANOVA, MANOVA, Análisis Discriminante) y se
refiere a suponer la igualdad de las matrices de varianzas y covarianzas
de las variables analizadas en diversos grupos.

El propósito de los test de homocedasticidad es contrastar la

existencia de esta igualdad que, en muchas ocasiones, va ligada a una
falta de normalidad de las variables analizadas. Para ello se suele utilizar
el test M de Box. Este test toma como hipótesis nula la de
homocedasticidad y como alternativa la de heterocedasticidad, es decir:

Ho: Σ1 = … = ΣG vs. H1: No todas Σg son iguales

El estadístico del test está construido a partir del estadístico:

q n g −1

M=
∏S
g =1
g
2

n −q
S 2
q

Wg ∑W i
donde Sg = ;g = 1,…,q y S = i =1
ng −1 n−q

34
Observaciones

1) La hipótesis de normalidad es necesaria para los test de significación de

las funciones discriminantes. El efecto de la falta de normalidad sobre la
regla de clasificación es menor. Si no hay normalidad se aconseja utilizar
otros procedimientos como, por ejemplo, la regresión logística

2) La hipótesis de homocedasticidad afecta a la validez de los test de

significación y de la regla de clasificación. La violación de esta hipótesis
puede producir graves desajustes si hay diferencias grandes entre el
tamaño de los grupos y si el número de variables es elevado.
Si hay normalidad conviene utilizar la regla de clasificación cuadrática
especialmente si el tamaño muestral es grande

3) Una posible solución a los problemas de la falta de normalidad y

homocedasticidad es llevar a cabo transformaciones de las variables.
Las transformaciones más utilizadas son las de Box-Cox que vienen
dadas por (X+C)p con C, p constantes reales p≠0 o log(X+C) si p=0. En
general si la distribución es muy asimétrica hacia la derecha se pueden
intentar transformaciones del tipo anterior con p < 1 (las más utilizadas
son con p = 0.5 y la transformación logarítmica). Si lo es hacia la
izquierda se aplica la transformación a - X. Si la distribución de los
datos es muy leptocúrtica (curtosis muy grande) se suelen utilizar
valores de p< 0 (el más utilizado es p = -1). Si es platicúrtica entonces
conviene utilizar valores de p > 1.

35
4) Una forma empirica de determinar el valor de p más apropiado son los
gráficos nivel-dispersión (Spread-versus-level plot). Dichos gráficos
representan en abscisas un estimador robusto del logaritmo del nivel
medio por grupos (en SPSS el logaritmo de la mediana) y en ordenadas
un estimador robusto de la dispersión (en SPSS el logaritmo del rango
intercuartílico) y estiman el coeficiente de regresión β mediante
regresión lineal. A partir de β es posible deducir cuál es el valor de p
más apropiado.

6.5.5 Discriminación no paramétrica

Si no hay normalidad conjunta existen varias opciones posibles:

- Transformar las variables para conseguir normalidad

- Llevar a cabo el análisis con los rangos
- Utilizar estimadores no paramétricos de fi(y)

Si algunas de las variables clasificadoras no son cuantitativas, se

intenta transformarlas a cuantitativas. La forma de llevar a cabo este
paso depende del tipo de variable:

- Las variables binarias se transforman a 0-1

- Las variables ordinales se transforman en rangos
- Las variables nominales utilizan transformaciones basadas en sus
distribuciones de frecuencias como, por ejemplo, la de Lancaster-
Fisher descrita en Huberty (1994), Capítulo 10.

36
6.6.- EVALUACIÓN DEL PROCEDIMIENTO DE CLASIFICACIÓN

Se evalúan tres aspectos del mismo: su eficiencia, su significación

estadística y su significación práctica

6.6.1 Evaluación de la eficiencia

Para evaluar su eficiencia se construye la tabla de confusión que es

una tabla de frecuencias cruzadas que refleja los resultados de aplicar
dicho procedimiento a los casos observados. Así, en el caso de la
discriminación de dos grupos dicha tabla sería de la forma:
Grupo Predicho
1 2
Grupo 1 n11 n12
Real 2 n21 n22

donde nij es el número de casos pertenecientes al grupo i y para los cuales

el mecanismo de clasificación ha predicho que pertenecen al grupo j.
 n + n22 
La proporción de bien clasificados vendrá dada por 100 11 %
 n 
El proceso de evaluación se puede llevar a cabo de varias formas.
Tres de las más utilizadas son las siguientes:

- Con los casos utilizados en el análisis

- Dividiendo la muestra en dos partes: una para estimar las funciones
discriminantes y otra para evaluarla

37
- Utilizando, para cada caso, las funciones discriminantes estimadas
mediante el resto de los casos

El primer procedimiento no es muy aconsejable puesto que tiende a

sobrevalorar el proceso de clasificación. Suele funcionar bien si ming ng >
5p. El segundo procedimiento es aconsejable si n es suficientemente
grande y funciona bien si ming ng > 3p tomando en torno a un 35% de la
muestra para validar. En el resto de los casos se aconseja el tercer
procedimiento. Otros procedimientos para evaluar el mecanismo de
predicción pueden verse en Huberty (1994) capítulo 6.

6.6.2 Significación estadística

Se evalúa comparando los resultados obtenidos con los que se

obtendrían aplicando un mecanismo aleatorio.

Los dos mecanismos más utilizados son el criterio de aleatoriedad

ng
proporcional, que clasifica de acuerdo a la distribución g=1,...,q y el
n
de máxima aleatoriedad que clasifica todas las observaciones asignándolas
al grupo de mayor tamaño.

Para comparar los resultados se utilizan estadísticos con distribución

aproximadamente normal, bajo la hipótesis de que no existen diferencias.

38
Así, en el caso de que el criterio utilizado sea el del mecanismo aleatorio

(o g − e g ) n g
Zg =
e g (n g − e g )

para evaluar los resultados en cada grupo y

( o − e) n
Z= e ( n − e)

con para evaluar el proceso globalmente, siendo:

og = ngg número de clasificaciones correctas en el grupo g

n g2
eg = n el número esperado de dichas clasificaciones

o=
∑ o
g =1
g
número de clasificaciones correctas
G

e=
∑e
g =1
g
el número de clasificaciones correctas esperadas

39
6.6.3 Significación práctica

Aún cuando un procedimiento sea significativamente mejor que un

mecanismo aleatorio desde un punto estadístico, no tiene por qué ser
mucho mejor desde un punto de vista práctico. Debido a esto es necesario
medir el grado de mejoría de la regla propuesta con respecto a la
clasificación debida al azar.

Para ello se utiliza el índice I cuya expresión viene dada por

o e
−
I= n n x 100
e
1−
n

si se evalúa al proceso globalmente, o

og eg
Ig = − x 100
ng ng
e
1− g
ng

si se evalúa al proceso en el grupo g.

Este índice mide el porcentaje de reducción en el error que resultaría si

se utilizara la regla propuesta por el Análisis Discriminante.

40
Ejemplo 1 (continuación)

La tabla subsiguiente muestra la tabla de confusión obtenida

utilizando todos los casos del análisis y el procedimiento de validación
cruzada. Se observa, en particular, que el procedimiento de clasificación

51 + 38
100
ha funcionado correctamente en un 89% = 100 de los casos
50 + 37
100
originales y un 87%= 100 si el procedimiento seguido en la
evaluación de la eficiencia, ha sido el de validación cruzada.

Resultados de la clasificaciónb,c

Grupo de pertenencia
pronosticado
Tamaño de la empresa Pequeña Grande Total
Original Recuento Pequeña 51 9 60
Grande 2 38 40
% Pequeña 85,0 15,0 100,0
Grande 5,0 95,0 100,0
Validación cruzadaa Recuento Pequeña 50 10 60
Grande 3 37 40
% Pequeña 83,3 16,7 100,0
Grande 7,5 92,5 100,0
a. La validación cruzada sólo se aplica a los casos del análisis. En la validación cruzada,
cada caso se clasifica mediante las funciones derivadas a partir del resto de los casos.
b. Clasificados correctamente el 89,0% de los casos agrupados originales.
c. Clasificados correctamente el 87,0% de los casos agrupados validados mediante
validación cruzada.

41
 En la siguiente tabla se evalúa la significación estadística y la
significación práctica de los resultados obtenidos comparando el
procedimiento de clasificación con el mecanismo aleatorio proporcional.

Grupo eg Zg p-valor Ig
Pequeñas 36 3.69 0.00 41.67
Grandes 16 6.78 0.00 12.50
Global 52 7.01 0.00 27.08

60
60
Así, por ejemplo, e1 = 100 = 36 es el número esperado de éxitos
obtenidos en el grupo de empresas pequeñas mediante el mecanismo

(50 − 36) 60
aleatorio proporcional y Z1 = 36x 24 =3.69 y el p-valor es
60 − 50
100
P[Z≥3.69]=0.00. La significación práctica será igual a I1 = 60 − 36 =
41.67 por lo que nuestro mecanismo mejora al azar en un 41.67% en las
empresas pequeñas. Se observa que todos los resultados son significativos
aunque la mejora práctica, en cada uno de ellos no es excesivamente
alta.

42
Resumen

El Análisis Discriminante es una técnica estadística multivariada con una

finalidad doble:

1) Uno descriptivo consistente en analizar si existen diferencias entre una

serie de grupos en los que se divide una población, con respecto a un
conjunto de variables y, en caso afirmativo, averiguar a qué se deben.
2) Uno predictivo consistente en proporcionar procedimientos
sistemáticos de clasificación de nuevas observaciones de origen
desconocido en algunos de los grupos considerados.

Para llevar a cabo un análisis discriminante se debe seguir:

1) Plantear el problema a resolver
2) Analizar si existen diferencias significativas entre los grupos
3) Establecer el número y composición de las dimensiones de
discriminación entre los grupos analizados
4) Evaluar los resultados obtenidos desde un punto de vista predictivo
analizando la significación estadística y práctica del procedo de
discriminación

Finalmente, el Análisis Discriminante no es la única técnica

estadística implicada en el proceso de clasificación de observaciones en
grupos previamente fijados por el analista. Otra alternativa interesante
viene dada por los modelos de regresión con variable dependiente
cualitativa (de los que AD podría considerarse un caso particular) como
son, por ejemplo, los modelos de regresión logit y probit.

43
 Bibliografía

- Como libro de consulta dedicado al Análisis Discriminante:

HUBERTY, C.J. (1994). Applied Discriminant Analysis. Wiley.
Interscience
- Libros de Análisis Multivariantes que contienen buenos capítulos acerca
del Análisis Discriminante:
A) Desde un punto de vista más práctico,
AFIFI, A.A. and CLARK, V. (1996) Computer-Aided Multivariate
Analysis. Third Edition. Texts in Statistical Science. Chapman and Hall.
EVERITT, B. And GRAHAM, D. (1991). Applied Multivariate Data
Analysis. Arnold.
HAIR, J., ANDERSON, R., TATHAM, R. y BLACK, W. (1999). Análisis
Multivariante. 5ª Edición. Prentice Hall.
SHARMA, S. (1998). Applied Multivariate Techiques. John Wiley and
Sons.
URIEL, E. (1995). Análisis de Datos: Series temporales y Análisis
Multivariante. Colección Plan Nuevo. Editorial AC.

B) Desde un punto de vista más matemático:

JOBSON, J.D. (1992) Applied Multivariate Data Analysis. Volume II:
Categorical and Multivariate Methods. Springer-Verlag.
MARDIA, K.V., KENT, J.T. y BIBBY, J.M. (1994). Multivariate Analysis.
Academic Press.

- Enfocados hacia SPSS:

FERRAN, M.(1997). SPSS para WINDOWS. Programación y Análisis
Estadístico. Mc.Graw Hill.
VISAUTA, B. (1998) Análisis Estadístico con SPSS para WINDOWS (Vol II.
Análisis Multivariante). Mc-Graw Hill.

44