Representaciones Graficas I ndicadores para Datos

Multivariados
Autor(es) :
1
Vctor Snchez Cceres,
2
Luis A. Alcntara Zrate, ,
3
Jos Werner Silva Cubas,
4
Miguel Angel
Macetas Hernndez.
1
Profesor Principal de la Facultad de Ingeniera de la Universidad Nacional de Cajamarca. Jr. Yahuar Huaca #
656 Cajamarca-Per.
2
Profesor Principal de la Facultad de Ingeniera de la Universidad Nacional de Cajamarca. Psje. Los
Diamantes # 170, Cajamarca-Per.
3
Profesor Principal de la Facultad de Ingeniera de la Universidad Nacional de Cajamarca. Jr. Los Diamantes #
170 Cajamarca-Per.
4
Profesor Asociado de la Facultad de Ingeniera de la Universidad Nacional de Cajamarca. Manzana B # 4 Urb.
UNC Cajamarca-Per.

Resumen:
Los datos de variables mltiples se presentan en todas las ramas de la ciencia, por ejemplo un
investigador en educacin podra estar interesado en descubrir los factores predominantes en un sistema
docente estudiante y medios tecnolgicos para catalogar la calidad de servicio educativo; de aqu la
propuesta de implementar un laboratorio de grficas indicadores multivariados.
El estudio llega a probar significacin asociada al costo del software, aplicabilidad en diversas plataformas,
nuevos mtodos estadsticos, generacin de grficos potentes multivariados. No hay significacin en el
conocer software estadstico sin licencia.
Tambin hay significacin en cuanto a la definicin de la estructura de datos multivariados cualitativos y
cuantitativos, manejo de archivos, migracin de datos a otras plataformas, lectura de datos y procesos
bsicos e la presentacin de indicadores. As mismo tenemos significacin en la formulacin de alternativas
de solucin, comunicacin de resultados, validacin de las respuestas otorgadas a los casos presentados;
Significado y comprensin de algoritmos, smbolos y grficos multivariados, mtodos de dependencia e
interdependencia multivariados.
El sistema implementacin de la prctica de laboratorio: Representaciones grficas e indicadores para
datos multivariantes (global 78.36%), se compone de:
1 Anlisis de las posibles soluciones, validacin y algoritmos, con una importancia del 30.56%
2 Concepto, anlisis grficos, procesos estadsticos avanzados, con una participacin del 18%.
3 Estructura, archivos y migracin de datos con 13.64%.
4 Lectura de datos y flexibilidad en diversas plataformas de manera sencilla con un 9.47%
5 Conocer software estadstico sin costo de licencia, con el 6.68%.

Abstract:

Multivariate data are presented in all branches of science, as a researcher in education may be interested in
discovering the predominant factors in a student's educational system and technological means to classify
the quality of educational service , hence the proposal implement a graphics lab multivariate indicators.
The study comes to prove the significance associated software cost , applicability to different platforms ,
new statistical methods , multivariate powerful graphing . No statistical significance in knowing unlicensed
software .
There are also significant in terms of the structure of multivariate qualitative and quantitative data , file
management , data migration to other platforms, data reading and basic processes and the presentation of
indicators. Also we have significance in the development of alternative solutions, communication of results
, validation of the answers given to the cases presented , Meaning and understanding of algorithms ,
symbols and graphics multivariate methods multivariate dependence and interdependence.
The implementation of the system lab , " Graph Representations for multivariate data and indicators " (
78.36 % overall ) , is composed of:
1 Analysis of possible solutions , validation and algorithms, with a significance of 30.56 %
2

2 Concept , graphical analysis , advanced statistical processes , with a share of 18%.
3 Structure , files and data migration with 13.64 %.
4 Reading data and flexibility in different platforms in a simple way with 9.47 %
5 Meet statistical software license at no cost , with 6.68 %..



Introduccin

Existen software diferentes y variados para realizar corridas de REPRESENTACIONES GRAFICAS E
INDICADORES DE DATOS MULTIVARIADO y su utilizacin la pueden ejercer todos los estudiantes e
investigadores que deseen incorporase a este mundo de la programacin ya que es un software gratuito, no
necesitamos pagar altos costos para su utilizacin u obtener licencias para su utilizacin. Investigaremos las
principales rutinas y cdigos para realizar las REPRESENTACIONES GRAFICAS E INDICADORES DE
DATOS MULTIVARIADO, las mismas que sern comparadas con las salidas del software comerciales
tales como SAS SPSS, Minitab, Stat Graphics, etc, para sistematizarlos y poder utilizarlos en situaciones
que requieren de estos anlisis. As mismo estos procedimientos sern evaluados por estudiantes tesistas
quienes nos daran va encuesta informacin sobre la confiabilidad, satisfaccin de uso y calidad de estos
procedimientos.

Se trata de aprovechar al mximo la informacin experimental, ya que los recursos son escasos y no
estamos en condiciones de desperdiciar tiempo, dinero y esfuerzos, es por ello una grfica de control se
inicia con las mediciones considerando, sin embargo que las mediciones dependen tanto de los
instrumentos, como de las personas que miden y de las circunstancias del medio ambiente , es conveniente
anotar que con las grficas e indicadores de anlisis multivariado damos inicio a un anlisis exploratorio
holstico.
La representacin e indicadores multivariados nos ayudara a tomar decisiones y facilita el proceso de
anlisis exploratorio aportando un nuevo conocimiento de los datos integrados. Se trata de un lenguaje
matemtico con el cual los administradores y operadores pueden entender lo que las maquinas dicen.
Objetivos de la Investigacin
- Difundir las tcnicas de anlisis de datos multivariados a los profesionales que manejan gran cantidad
de variables en el quehacer cotidiano, investigacin cientfica o empresarial.
- Elaboracin, diseo y aplicacin de la gua de laboratorio: Anlisis de Datos Multivariados,
representaciones graficas e indicadores.
- Interpretacin, discusin y anlisis de los indicadores que describen las componentes del sistema en
estudio.
Hiptesis

Si tenemos un conjunto de herramientas informticas sistematizadas, en un manual de
procedimientos podemos resolver problemas de REPRESENTACIONES GRAFICAS E
INDICADORES PARA DATOS MULTIVARIADOS, con calidad y claridad en la interpretacin de
los resultados.
3


VARIABLES

Variable Independiente.
El desarrollo y utilizacin de una gua de laboratorio REPRESENTACIONES GRAFICAS E
INDICADORES PARA DATOS MULTIVARIADOS

Variable dependiente.-
Soporte necesario y oportuno en el proceso de enseanza y aprendizaje de anlisis de datos
multivariados

La hiptesis propone que el material o mdulo de laboratorio desarrollado para apoyar el proceso de
enseanza y aprendizaje

USO DEL SOFTWARE ESTADSTICO EN EL ANALISIS DE DATOS MULTIVARIADOS.

El uso del Software en la Estadstica es muy importante; ya que en la mayora de los casos nos
facilita los clculos Matemticos y la elaboracin de grficos y muchas otras cosas.

Existen muchos software que se pueden utilizar como herramienta para el Anlisis
Estadstico Multivariante, desde los ms sencillos hasta los ms complicados, entre los cuales se
pueden mencionar el SPSS, STATIST, MINITAD, STATGRAPHICS, EPI-INFO, INFOSTAT y
otros

Estos software contienen en su mayora todas las aplicaciones Estadsticas Multivariantes que se
necesitan para hacer trabajos de Investigacin Estadstica.
Tambin existen software para reas especficas de la Estadstica, que son creados por
especialistas de esas reas, tal es el caso del rea de Diseo de Experimentos; los cuales contienen
aplicaciones especficas para el estudios del anlisis multivariante
.
Herramientas estadsticas.-
La Estadstica es la ciencia donde se aprende acerca de la poblacin a partir de la informacin recolectada
de una muestra extrada de ella. La Estadstica comprende los mtodos usados para recolectar la muestra,
la organizacin y presentacin de los datos recolectados y la extraccin de conclusiones mediante la
aplicacin de tcnicas adecuadas a los datos de la muestra.
Estadstica Descriptiva: Conjunto de tcnicas y mtodos que son usados para recolectar, organizar, y
presentar en forma de tablas y grficas informacin numrica. Tambin se incluyen aqu el clculo de
medidas estadsticas de centralidad y de variabilidad.
Estadstica Inferencial: Conjunto de tcnicas y mtodos que son usados para sacar conclusiones generales
acerca de una poblacin usando datos de una muestra tomada de ella.

4

Ciclo del Anlisis Estadstico

Fuente: http. Pgina Web del Dr. Edgar Acua Fernndez.
El ciclo del anlisis estadstico comienza con el diseo y seleccin de la muestra, el proseo de sntesis de
los datos junto a la teora de inferencia estadstica estima los parmetros de la poblacin que es validado
por otro ciclo similar.
Anlisis Multivariante en Investigacin
1
.-
Definicin: Tcnicas estadsticas para el anlisis descriptivo o inferencial de observaciones multivariantes.
Objetivos de las tcnicas estadsticas multivariantes:
- Describir
- Estructurarla poblacin creando grupos o clases.
- Explicarlas relaciones observadas entre caracteres

Clasificacin
- Factoriales:
- Anlisis de Componentes Principales. Para tablas de medidas o de escalas mtricas.
- Anlisis de Correspondencias Simple y Mltiple. Para tablas de contingencia o de frecuencias
- Anlisis Cluster
- Anlisis Discriminante
Anlisis Cluster.-
Conjunto de tcnicas multivariantes de clasificacin que ante un conjunto de datos derivados de una
muestra de entidades, tratan de reorganizarlas en clases, tipos o grupos, internamente los ms homogneos
posible y heterogneos entre s.
Etapas:
I. Eleccin de las entidades (objetos, variables, individuos, etc.) que se van a clasificar.
II. Eleccin de las caractersticas que permiten la definicin de las entidades y sobre las que se basar la
clasificacin final.
III. Eleccin de una medida que defina la proximidad entre entidades.

1
Ezequiel Uriel, Joaqun Alds. Anlisis Multivariante Aplicado. Aplicaciones al Marketing, Investigacin de
Mercados, Economa, Direccin de Empresas y Turismo. Editorial Thomsom Espaa. Espaa 2005.
Capitulo I. seccin 1.3
5

IV. Seleccin de un mtodo de clasificacin.
V. Interpretacin de los grupos resultantes.
Objetivo: condiciona en buena medida los criterios empleados en la agrupacin, por lo que no existe una
metodologa cluster nica. Describiremos aqu la clasificacin jerrquica que es la ms utilizada.

Clasificacin jerrquica.-
- Procedimiento de clasificacin: Anlisis cluster jerrquico.
- Identifica grupos relativamente homogneos de casos (o de variables) basndose en las
caractersticas seleccionadas, mediante un algoritmo que comienza con cada caso (o variable) en
un conglomerado diferente y combina los conglomerados hasta que slo queda uno. Es posible
analizar las variables brutas o elegir de entre una variedad de transformaciones de
estandarizacin.
- Medidas de distancia o similitud: Proximidades. Los estadsticos se muestran en cada etapa para
ayudar a seleccionar la mejor solucin.
- Propsito: Unir los objetos (nacionalidades) en clusters sucesivamente ms grandes, usando una
cierta medida de semejanza o de distancia. Un resultado tpico de este tipo de agrupacin es el
rbol jerrquico.
Mtodo:
- Transformacin de matriz de datos originales en matriz de distancias.
- Agrupar los elementos con distancias ms pequeas.
- A continuacin, atender a la menor de las distancias entre cada elemento agrupado con
anterioridad y los que quedan en conglomerados individuales.
- El procedimiento continuar hasta llegar a alcanzar el nmero de conglomerados que se hayan
fijado con anterioridad.
Al discutir las numerosas tcnicas multivariantes a disposicin del investigador y la gran cantidad de
supuestos que implica su aplicacin, se hace evidente que finalizar con xito un anlisis multivariante
implica algo ms que la seleccin del modelo correcto. Deben resolverse problemas que van desde la
definicin del problema hasta el diagnstico crtico de los resultados. Sin intentar proporcionar un conjunto
rgido de procedimientos a seguir, utilizaremos una aproximacin al anlisis multivariante en seis pasos,
donde los tres primeros se refieren al anlisis previo de los datos, el cuarto se refiere al anlisis propiamente
dicho y los dos ltimos se refieren a la interpretacin y posible generalizacin de los resultados obtenidos.
Ellos son:
I. Definicin del problema de investigacin, objetivos y tcnica multivariante conveniente,
II. Desarrollo del plan de anlisis (tamaos de muestra mnimos, tipos de variables permitidas y
mtodos de estimacin),
III. Evaluacin de los supuestos bsicos de la tcnica propuesta,
IV. Estimacin del modelo multivariante y valoracin del ajuste del modelo,
V. Interpretacin del valor terico, y
VI. Validacin del modelo multivariante.
El presente trabajo se realiz con el objetivo de organizar el trabajo a seguir para la aplicacin de una
tcnica multivariante; contar con una clasificacin previa de las tcnicas y algunas consideraciones sobre
las dos etapas olvidadas de la aplicacin de una tcnica multivariante: el anlisis previo de los datos y la
validacin de los resultados para conocer su posible generalizacin.
Examen grfico de los datos.
Como paso previo se hace necesario realizar un examen de cada una de las variables individualmente. Las
tcnicas de la Estadstica Clsica; distribuciones de frecuencia, histogramas, diagramas de tallo y hojas,
diagramas de caja y bigotes y el clculo de estadgrafos e intervalos de confianza, as como grficos de
dispersin entre variables (para dos y tres dimensiones), nos permitirn tener una idea ms clara y simple
de los datos, sus distribuciones y sus relaciones.
6

Para el caso de ms de tres variables se utilicen las representaciones grficas multivariantes (Johnson,
2000) entre las que se encuentran: los perfiles multivariantes, que representa un diagrama de barras de
todas las variables para cada observacin; los grficos de rayos o estrellas, que representan la distancia a la
que se encuentra cada variable de cero sobre rayos o ejes que irradian de un punto central generndose un
rayo para cada variable; las representaciones icnicas, siendo las ms utilizada las caras (Chernof, 1973) y
en la cual cada cara corresponde a un individuo y cada rasgo de la cara se corresponde con una variable; y
por ltimo, las curvas de Andrews, (Andrews, 1972) donde los diferentes parmetros de las curvas son las
variables y que conlleva una transformacin matemtica de los datos originales en una relacin que puede
ser representada grficamente. Aunque estas comparaciones para un valor nico son ms difciles, esta
forma de representacin grfica nos presenta en un solo grfico una comparacin generalizada y la
agrupacin de observaciones.
TIPOS DE TECNICAS MULTIVARIANTES.
Se pueden clasificar en tres grandes grupos (ver esquema adjunto):
1) Mtodos de dependencia.-
Suponen que las variables analizadas estn divididas en dos grupos: las variables dependientes y
las variables independientes. El objetivo de los mtodos de dependencia consiste en determinar si
el conjunto de variables independientes afecta al conjunto de variables dependientes y de qu
forma.
2) Mtodos de interdependencia.-
Estos mtodos no distinguen entre variables dependientes e independientes y su objetivo consiste
en identificar qu variables estn relacionadas, cmo lo estn y por qu.
3) Mtodos estructurales.-
Suponen que las variables estn divididas en dos grupos: el de las variables dependientes y el de
las independientes. El objetivo de estos mtodos es analizar, no slo como las variables
independientes afectan a las variables dependientes, sino tambin cmo estn relacionadas las
variables de los dos grupos entre s.


Gua de laboratorio
1 Introduccin
En este captulo se realiza el Anlisis Multivariado para los datos correspondientes a las
variables consideradas de manera simultnea. En la primera seccin se presenta el Marco
Terico, seguido del Anlisis Descriptivo Multivariado en la Seccin 3, Luego el Anlisis de
Correlacin Lineal presentado en la Seccin 4, a continuacin el Anlisis Bivariado descrito en la
Seccin 5, donde se analizan probabilidades conjuntas y probabilidades condicionales entre
pares de variables. En la Seccin 6 se presentan las Tablas de Contingencia, con el fin de
establecer si existe relacin lineal o no entre pares de variables o factores estudiados y en qu
grado. La siguiente Seccin corresponde al Anlisis de Componentes Principales, con el que se
busca reducir el nmero de variables con las que se trabaja, as como agrupar en
conglomerados las unidades investigadas. Este captulo contiene adems una seccin donde se
estudian las relaciones lineales entre grupos de variables, mediante la tcnica multivariada
denominada Correlacin Cannica; y, en la siguiente seccin se realiza el Anlisis de
conglomerados. Los anlisis de este captulo se basan en la informacin obtenida de los
entrevistados.

2 Marco Terico
2.1 Matriz de Datos
Se investigan p caractersticas a n individuos de la Poblacin Objetivo, sea X una matriz de n
filas y p columnas, donde cada celda en la interseccin de la i-sima fila con la j-sima columna
7

(i s n, j s p) contiene el valor de la j-sima observacin del i-simo individuo, en Estadstica se la
denomina Matriz de Datos.
La Matriz de Datos que es utilizada en el presente estudio consta de 190 filas o individuos y 23
caractersticas investigadas.
La Matriz de Datos ser representada de la siguiente manera:

p n
np n n
p
p

e
(
(
(
(
(

X X X
X X X
X X X
= M X

2 1
1 2 , 2 1 , 2
1 12 11



2.2 Matriz de Varianzas y Covarianzas
Sean X
1
, X
2
, , X
p
, p variables aleatorias que determinan el vector aleatorio p-variado
| |
p
T
X X X = , , ,
2 1
X , y
| |
( )
( )
( )
| | ( ) ( ) ( ) | |
p p
T
p p
X E X E X E
X E
X E
X E
E


2 1 2 1
2
1
2
1
= =
(
(
(
(
(

=
(
(
(
(
(

= =

X

La matriz E de varianzas y covarianzas est dada por:
| ( )( ) |
T
E X X =
Donde resulta que es una matriz cuadrada simtrica por lo tanto, diagonalizable
ortogonalmente.
(
(
(
(
(

= E
pp p p
p
p
o o o
o o o
o o o

2 1
2 22 21
1 12 11

El valor
ij
o es la covarianza entre X
i
y X
j
. Para el caso en que i sea igual a j,
ij
o es la varianza
de la i-sima variable X
i
,
2
i
o , esto es
2
i ii
o o = .

3 Anlisis Descriptivo Multivariado
Utilizando mtodos grficos, se busca representar las caractersticas de cada uno de los
individuos de la muestra estudiada.
3.1 Caras de Chernoff
La elaboracin de las Caras de Chernoff es uno de los mtodos utilizados representar, en el
caso de muestras multivariadas con un mximo de 7 variables, tendencias en datos mediante la
ilustracin de las facciones. Para facilitar la observacin de las caras se ha separado la muestra
tomada en varios grupos segn el gnero y la edad al desertar. Para todos los casos anteriores
se utilizaran las siguientes variables seleccionadas segn el inters en la investigacin:
8

Normal multivariante R

R version 3.0.1 (2013-05-16) -- "Good Sport"
Copyright (C) 2013 The R Foundation for Statistical Computing
Platform: i386-w64-mingw32/i386 (32-bit)

R es un software libre y viene sin GARANTIA ALGUNA.
Usted puede redistribuirlo bajo ciertas circunstancias.
Escriba 'license()' o 'licence()' para detalles de distribucion.

R es un proyecto colaborativo con muchos contribuyentes.
Escriba 'contributors()' para obtener ms informacin y
'citation()' para saber cmo citar R o paquetes de R en publicaciones.

Escriba 'demo()' para demostraciones, 'help()' para el sistema on-line de ayuda,
o 'help.start()' para abrir el sistema de ayuda HTML con su navegador.
Escriba 'q()' para salir de R.

###############################################
# #
# REPRESENTACIN GRFICA NORMAL BIDIMENSIONAL #
# #
###############################################

# Valor de la media de X1
mu1<-0
# Valor de la media de X2
mu2<-0
# Valor de la varianza de X1
s11<-10
# Valor de la varianza de X2
s22<-10
# Valor de la covarianza de X1 y X2
s12<- 1

# Alternativamente se puede introducir el valor del coeficiente de
correlacin
rho<- 0.1
# o calcularlo
rho<- s12/sqrt(s11*s22)


# Funcin que evala la densidad de la normal bivariante

Evalua.Normal.Bivariante<- function(x1,x2){
term1<-1/(2*pi*sqrt(s11*s22*(1-rho^2)))
term2<--1/(2*(1-rho^2))
term3<-(x1-mu1)^2/s11
term4<-(x2-mu2)^2/s22
term5<--2*rho*((x1-mu1)*(x2-mu2))/(sqrt(s11)*sqrt(s22))
term1*exp(term2*(term3+term4-term5))
}

# Construccin de los vectores con valores de X1 y X2

x1<-seq(mu1-4*sqrt(s11),mu1+4*sqrt(s11), length=16*sqrt(s11))
9

x2<-seq(mu2-4*sqrt(s22),mu2+4*sqrt(s22), length=16*sqrt(s22))

# Clculo de los valores de la densidad
z<-outer(x1,x2,Evalua.Normal.Bivariante)

# Grfico en perspectiva de la densidad
par(pty="s")
persp(x1, x2, z,
main= "Densidad normal bivariante",
sub=expression(italic(f)~(list(x[1],x[2]))==frac(1,2~pi~sigma[1]~
sigma[2]~sqrt((1-rho^2)))~phantom(0)^bold(.)~exp~bgroup("{",
list(-frac(1,2(1-rho^2)),
bgroup("[", frac((x[1]~-~mu[1])^2, sigma[1]^2)~+~
frac((x[2]~-~mu[2])^2, sigma[2]^2)~-~2~rho~frac(x[1]~-~mu[1],
sigma[1])~ frac(x[2]~-~mu[2],sigma[2]),"]")),"}")),
col="lightgreen",
theta=30, phi=20,
r=50,
d=0.1,
expand=0.5,
ltheta=90, lphi=180,
shade=0.75,
ticktype="detailed",
nticks=5,cex.sub=0.9)
mtext(substitute(paste("(", mu[1],"=",v1,", ", mu[2],"=",v2,", ",
sigma[11],"=",v3,", ", sigma[12],"=",v4,", ",sigma[22],"=",v5,", ",
rho,"=",v6, ")"),
list(v1=mu1,v2=mu2,v3=s11,v4=s12,v5=s22,v6=rho)),side=3)

# Grfico de contorno de la densidad
win.graph()
par(pty="s") #Para que el grfico grande sea cuadrado y no deforme
contour(x1,x2,z,nlevels=10,main="Contorno de la densidad normal
bivariante")
mtext(substitute(paste("(", mu[1],"=",v1,", ", mu[2],"=",v2,", ",
sigma[11],"=",v3,", ", sigma[12],"=",v4,", ",sigma[22],"=",v5,", ",
rho,"=",v6, ")"),
list(v1=mu1,v2=mu2,v3=s11,v4=s12,v5=s22,v6=rho)),side=3)

# Grfico de imagen de la densidad
win.graph()
par(pty="s") #Para que el grfico grande sea cuadrado y no deforme
image(x1,x2,z,zlim=range(z),main="Imagen de la densidad normal
bivariante")
mtext(substitute(paste("(", mu[1],"=",v1,", ", mu[2],"=",v2,", ",
sigma[11],"=",v3,", ", sigma[12],"=",v4,", ",sigma[22],"=",v5,", ",
rho,"=",v6, ")"),
list(v1=mu1,v2=mu2,v3=s11,v4=s12,v5=s22,v6=rho)),side=3)



10



11

RESULTADOS
Cuadro N 01

SIGNIFICACIN DE LOS ITEMS ASOCIADOS A LA PREOCUPACIN POR EL COSTO Y
MANEJO DEL SOFTWARE ESTADISTICO


Valor de prueba = 5
Estadsticos para una muestra
t gl Sig. Item n Media
Desviacin
tp.
1 Ud. se preocupa por el costo del software
45 6.04 2.078 3.372 44 .004
2 Ud. se preocupa por conocer software
estadstico sin licencia 45 5.36 2.586 .922 44 .361
3 Es ejecutable en una variedad de
plataformas incluyendo Windows, Unix y
MacOS.
45 6.58 2.137 4.952 44 .000
4 Provee una plataforma para la
programacin de nuevos mtodos
estadsticos de un amanera sencilla.
45 6.73 2.071 5.613 44 .000
5 Contiene rutinas estadsticas avanzadas
que an no estn disponibles en otros
paquetes.
45 6.89 1.418 8.937 44 .000
6 Genera potentes grficos multivariados
actualizados con el estado del arte.
45 7.80 1.618 11.608 44 .000
Fuente: Encuesta: IMPLEMENTACIN DE LA PRCTICA DE LABORATORIO REPRESENTACIONES
GRAFICAS E INDICADORES PARA DATOS MULTIVARIADOS
El cuadro anterior muestra la significacin en cuanto al costo del software, aplicabilidad en diversas
plataformas, nuevos mtodos estadsticos, generacin de grficos potentes multivariados. No hay
significacin en el conocer software estadstico sin licencia.

12

Cuadro N 02
SIGNIFICACIN DE LOS ITEMS ASOCIADOS AL MANEJO DE DATOS, PROCESO ENSEANZA APRENDIZAJE,
IGNIFICADO Y COMPRENSION DEL ANALISIS MULTIVARIADOD
Fuente: Encuesta: IMPLEMENTACIN DE LA PRCTICA DE LABORATORIO REPRESENTACIONES
GRAFICAS E INDICADORES PARA DATOS MULTIVARIADOS
El cuadro presentado anteriormente, muestra una relevante significacin en cuanto a la definicin de la
estructura de datos multivariados cualitativos y cuantitativos, manejo de archivos, migracin de datos a
otras plataformas, lectura de datos y procesos bsicos e la presentacin de indicadores. Tambin
significacin en la formulacin de alternativas de solucin, comunicacin de resultados, validacin de las
respuestas otorgadas a los casos presentados. Significado y comprensin de algoritmos, smbolos y grficos
multivariados, mtodos de dependencia e interdependencia multivariados.

Valor de prueba = 4
Estadsticos para una muestra
t gl Sig. Item n Media
Desviacin
tp.
7 Definicin de la estructura de datos
multivariados cualitativos y cuantitativos
45 5.58 1.158 9.142 44 .000
8 Manejo de archivos de datos del software 45 5.60 1.074 9.989 44 .000
9 Migracin de datos a otras plataformas 45 5.27 1.587 5.355 44 .000
10 Lectura de datos multivariados 45 5.53 1.290 7.975 44 .000
11 Procesos bsicos ( vectores de medias,
matrices varianzas y covarianzas)
45 5.31 1.019 8.635 44 .000
12 Situacin de accin, donde se indagan
posibles soluciones para el problema
planteado.
45 5.29 1.121 7.716 44 .000
13 Situaciones de
formulacin/comunicacin: en las que el
alumno debe explicar oralmente o por
escrito para otra persona la solucin hallada
45 4.82 1.353 4.076 44 .000
14 Situaciones de validacin: donde se pide
a los alumnos las pruebas de que su
solucin es la correcta.
45 5.31 1.083 8.118 44 .000
15 Los algoritmos y estrategias empleados
en la solucin de problemas, como sumar
una serie de valores y dividir por el nmero
de sumandos, encontrar el valor ms
frecuente en una tabla, calcular las
frecuencias acumuladas y hallar graficas e
indicadores
45 5.31 1.125 7.821 44 .000
16 Representaciones: Las palabras
smbolos, grficos, que sirven para referirse
al objeto abstracto; como los trminos
"media multivariada", "valor medio",
"promedio"
45 5.36 1.246 7.298 44 .000
17 Elementos conceptuales: Las
definiciones y propiedades caractersticas y
sus relaciones con otros conceptos. Por
ejemplo, tcnicas de anlisis factorial,
cluster, correspondencias, etc.
45 4.98 1.011 6.487 44 .000
13

INTERPRETACIN DE LOS RESULTADOS DEL ANALISIS FACTORIAL PARA EL INSTRUMENTO DE MEDICIN:
IMPLEMENTACIN DE LA PRCTICA DE LABORATORIO REPRESENTACIONES GRAFICAS E INDICADORES
PARA DATOS MULTIVARIADOS


12 Situacin de accin, donde se indagan
posibles soluciones para el problema planteado.
Anlisis de las posibles soluciones, validacin y
algoritmos
30.56%
13 Situaciones de formulacin/comunicacin:
en las que el alumno debe explicar oralmente o
por escrito para otra persona la solucin hallada
14 Situaciones de validacin: donde se pide a
los alumnos las pruebas de que su solucin es
la correcta.
15 Los algoritmos y estrategias empleados en la
solucin de problemas, como sumar una serie
de valores y dividir por el nmero de sumandos,
encontrar el valor ms frecuente en una tabla,
calcular las frecuencias acumuladas y hallar
graficas e indicadores
16 Representaciones: Las palabras smbolos,
grficos, que sirven para referirse al objeto
abstracto; como los trminos "media
multivariada", "valor medio", "promedio", E(X),
xipi , xf(x)dx;
5 Contiene rutinas estadsticas avanzadas que
an no estn disponibles en otros paquetes.
Conceptos, anlisis grficos, procesos estadsticos
avanzados
18.00%
6 Genera potentes grficos multivariados
actualizados con el estado del arte.
11 Procesos bsicos ( vectores de medias,
matrices varianzas y covarianzas)
17 Elementos conceptuales: Las definiciones y
propiedades caractersticas y sus relaciones
con otros conceptos. Por ejemplo, tcnicas de
anlisis factorial, cluster, correspondencias, etc.
7 Definicin de la estructura de datos
multivariados cualitativos y cuantitativos
Estructura, archivos y migracin de datos 13.64%
8 Manejo de archivos de datos del software
9 Migracin de datos a otras plataformas
3 Es ejecutable en una variedad de plataformas
incluyendo Windows, Unix y MacOS.
Lectura de datos y flexibilidad en diversas plataformas
de manera sencilla
9.47% 4 Provee una plataforma para la programacin
de nuevos mtodos estadsticos de un amanera
sencilla.
10 Lectura de datos multivariados
1 Ud. se preocupa por el costo del software
Conocer software sin costo de licencia 6.68%
2 Ud. se preocupa por conocer software
estadstico sin licencia
Total de explicacin
IMPLEMENTACIN DE LA PRCTICA DE
LABORATORIO REPRESENTACIONES
GRAFICAS E INDICADORES PARA DATOS
MULTIVARIADOS 78.36%
14


CONCLUSIONES.-
Existe significacin asociada al costo del software, aplicabilidad en diversas plataformas, nuevos mtodos
estadsticos, generacin de grficos potentes multivariados. No hay significacin en el conocer software
estadstico sin licencia.
Tambin hay significacin en cuanto a la definicin de la estructura de datos multivariados cualitativos y
cuantitativos, manejo de archivos, migracin de datos a otras plataformas, lectura de datos y procesos
bsicos e la presentacin de indicadores. As mismo tenemos significacin en la formulacin de alternativas
de solucin, comunicacin de resultados, validacin de las respuestas otorgadas a los casos presentados;
Significado y comprensin de algoritmos, smbolos y grficos multivariados, mtodos de dependencia e
interdependencia multivariados.
El sistema implementacin de la prctica de laboratorio: representaciones grficas e indicadores para datos
multivariantes, representa el 78.36% y se se compone en:
1 Anlisis de las posibles soluciones, validacin y algoritmos, con una importancia del 30.56%
2 Concepto, anlisis grficos, procesos estadsticos avanzados, con una participacin del 18%.
3 Estructura, archivos y migracin de datos con 13.64%.
4 Lectura de datos y flexibilidad en diversas plataformas de manera sencilla con un 9.47%
5 Conocer software estadstico sin costo de licencia, con el 6.68%

RECOMENDACIONES.-
Hacer uso en las asignaturas estadsticas del laboratorio Representaciones grficas e indicadores para
datos multivariados puesto que de un global de de 100% el 78.36% presenta caractersticas apropiadas
para su implementacin, en beneficio de los estudiantes.
Implementar las nuevas tecnologas emergentes, que llevan a realizar y desarrollar anlisis de datos
multivariados, relevantes en trabajos de investigacin, y su difusin a los investigadores, estudiantes de
ante grado y post grado en general, as mismo en procesos de datos de las instituciones pblicas y privadas.


15


VI.- BIBLIOGRAFA.-
1. EZEQUIEL URIEL, JOAQUIN ALDAS (2005) Anlisis Multivariante Aplicado. Aplicaciones al
Marketing, Investigacin de Mercados, Economa, Direccin de Empresas y Turismo. .
Internacional-Thomson. Madrid- Espaa.
2. ABASCAL, E. Y GRANDE, I, (2004)Fundamentos y Tcnicas de Investigacin Comercial,
Esic,.
3. JOHNSON, R. Y WICHERN, DEAN, (1982) Applied Multivariate Statistical Anlisis Prentice-
Hall International, Inc,.
4. ANDERSON, T. W. (1984). An introduction to multivariate statistical analysis (2nd ed.). New
York: Wiley.
5. HAIR, J., ANDERSON, R., and Tatham, R. (1992). Multivariate data analysis, Third edition.
Englewood Cliff, NJ: Prentice-Hall.
6. DILLON, W. R., GOLDSTEIN, M. (1984). Multivariate analisys: Methods and applications. New
York. Wiley.
7. JOHNSON, R. A. WICHERRN, D. A. (1998). Applied Multivariate statistical analysis (4th
ed.).Englewood Cliffs, NJ: Prentice Hall.
8.-URIEL, E. (1995). Anlisis de Datos: Series temporales y Anlisis Multivariante. Coleccin Plan
Nuevo. Editorial AC.

Pginas Web:
http://analisismultivariado.com/
http://math.upr.clu.edu/~edgar/teaching.htm. Pgina Web del Dr. Edgar Acua Fernndez

Manual MINITAB 16 (software especializado). 2012
Manual Systat 12
Manual R