Вы находитесь на странице: 1из 18

ANLISIS DISCRIMINANTE

1.- Introduccin..............................................................................................................2
2.- Supuestos del modelo...............................................................................................2
3.- Procedimiento...........................................................................................................2
4.- Aplicacin prctica ..................................................................................................3
4.1.- Comprobacin de los supuestos del modelo..........................................................4
4.1.1.- Normalidad ........................................................................................................5
4.1.2.- Medias diferentes ...............................................................................................7
4.1.3.- Igualdad de matrices de varianzas-covarianzas .................................................9
4.2.- Clculo de las funciones discriminantes .............................................................10
4.3.- Clasificacin .......................................................................................................13
Bibliografa .................................................................................................................16

ANLISIS DISCRIMINANTE

1.- Introduccin
El anlisis discriminante es una tcnica que permite asignar a distintos grupos (definidos
previamente) a un conjunto de individuos en funcin de un conjunto de variables de estos
sujetos medidas cuantitativamente (se admiten dicotmicas con codificacin dummy). Es
pues una tcnica de clasificacin. Por ejemplo, si disponemos de los resultados de una
cierta encuesta donde conocemos las personas que han votados al candidato A, B o C, nos
puede interesar conocer qu rasgos de estas personas ayudan a conocer los resultados en
su opcin poltica. Tiene inters por cuanto una vez realizadas las relaciones y efectuada la
generalizacin correspondiente a nivel poblacional, podemos trabajar con muestras
distintas de sujetos (a los que no se les pas la encuesta) para poder realizar los
pronsticos oportunos.
En trminos puramente estadsticos tenemos una variable dependiente de agrupacin, que
ser cualitativa con dos o ms categoras, y un conjunto de variables independientes o
explicativas, de carecer cuantitativo, que ser aquellas variables, cuyos valores nos
permitan predecir a qu grupo ser asignado el sujeto correspondiente.
El anlisis discriminante persigue un doble objetivo. Por un lado, determinar aquellas
variables independientes que mejor discriminan a los sujetos a los distintos grupos. Y por
otro lado, en base a esta informacin clasificar a los sujetos en tales grupos.
2.- Supuestos del modelo
Como todo modelo estadstico se exige unos ciertos supuestos para su aplicacin.
Destaquemos lo siguientes:
.- Las variables que definen los grupos han de ser categricas, mientras que las
independientes (aqu discriminantes) han de ser medidas al menos en una escala de
intervalo (o categricas codificadas en dummy).
.- Las variables han de seguir distribuciones normales y sus medias han de ser
estadsticamente diferentes para los distintos grupos.
.- Las matrices de varianzas-covarianzas de los distintos grupos han de ser
estadsticamente equivalentes.

3.- Procedimiento
En primer lugar comprobaremos los supuestos del modelo, para ello recurrimos como es
habitual, a la descripcin estadstica de las distintas variables. Se analizan el tema de la
normalidad de las distintas variables independientes junto a la igualdad de las matrices de
varianzas covarianzas. Igualmente se comprueba si los promedios entre los grupos para
las distintas variables difieren entre s, lo que sera indicativo de que los valores en tales
variables son discriminantes en el sentido de permiten diferenciar unos grupos de otros.
El siguiente punto consiste en obtener las funciones discriminantes sobre la base de las
variables anteriores que mostraban un comportamiento diferente entre los distintos grupos.
Las funciones discriminantes tiene cierto parecido con el anlisis factorial y consiste en
determinar un conjunto de variables latentes o factores, combinacin lineal de las variables
independientes consideradas, que reflejan las dimensiones bsicas subyacentes de
variabilidad de las variables originales. La idea es operar, no con el conjunto de variables
discriminantes, lo que sera bastante engorroso, sino con lo substancial de la misma.
Por ltimo, y sobre la base de las funciones discriminantes se procede a clasificar al
conjunto de individuos en los distintos grupos especificados en la variable dependiente.
Para ello se determina la probabilidad de pertenencia que otorga la funcin discriminante,
y esta probabilidad ser indicativo de la bondad de nuestro procedimiento de
clasificacin.
4.- Aplicacin prctica
Vamos a operar con el trabajo original de Fisher (1936), que supuso la introduccin de este
tipo de tcnicas. Se trata de distinguir tres tipos de lirios (Setosa, Versicolor y Virginica) a
partir de las medidas de diferentes partes de tales flores; en concreto, de la longitud y
anchura que presentan los ptalos y spalos (en milmetros). Para ello disponemos de una
muestra de 150 flores distribuidas en partes iguales en los tres tipos de lirios.
Se trata, como se ha comentado, de comprobar inicialmente de la eficacia discriminante de
las variables estudiadas, para acto seguido, extraer de las mismas la dimensin relevante
(funcin discriminante) que permita diferenciar tales variables en los distintos grupos. Y
por ltimo, proceder a clasificar los lirios segn los valores de la funcin discriminante.
Tengamos para ello el fichero lirios.sav donde se contemplan las variables mencionadas:

4.1.- Comprobacin de los supuestos del modelo


Como se recordar, tres son los supuestos bsicos a considerar: normalidad de las
variables, las medias han de ser estadsticamente diferentes para los distintos grupos, e
igualdad de las matrices de varianzas covarianzas en dichos grupos. Para lo primero
disponemos de grficos y la prueba de Kolmogorov, para lo segundo, del anlisis de la
varianza, y en concreto de la Lambda de Wilks, y para lo ltimo, de la prueba de Box. Hay
que decir que tales supuestos no son muy restrictivos en sentido de invalidar el anlisis
discriminante, aunque si no se cumplen hay que tomar los resultados con cierta
precaucin, especialmente en la clasificacin de los casos, cuyos porcentajes no seran
muy exactos.
4.1.1.- Normalidad
Comencemos por la normalidad. Como la prueba de normalidad se refiere a cada una de
las muestras por separado, hemos de seleccionar uno por uno los distintos grupos. Por
ejemplo, para el primer grupo hemos de ir a Datos/Seleccionar casos y all:

Luego vayamos a Analizar/Pruebas no parmetricas/K-S de 1 muestra:

Obtendremos para lirios=1, o sea setosa:

Prueba de Kolmogorov-Smirnov para una muestra

N
Parmetros
a,b
normales

Media
Desviacin tpica

Diferencias ms
extremas

Absoluta
Positiva
Negativa
Z de Kolmogorov-Smirnov
Sig. asintt. (bilateral)

Longitud
del spalo
50
5,0060

Anchura
del spalo
50
3,4280

Longitud
del ptalo
50
1,4620

Anchura
del ptalo
50
,2460

,35249

,37906

,17366

,10539

,115
,115
-,093

,105
,105
-,091

,153
,153
-,141

,349
,349
-,231

,812

,740

1,085

2,466

,524

,644

,190

,000

a. La distribucin de contraste es la Normal.


b. Se han calculado a partir de los datos.

Para lirios=2 (Versicolor):

Prueba de Kolmogorov-Smirnov para una muestra

N
Parmetros
a,b
normales

Media
Desviacin tpica

Diferencias ms
extremas

Absoluta
Positiva
Negativa
Z de Kolmogorov-Smirnov
Sig. asintt. (bilateral)

Longitud
del spalo
50
5,9360

Anchura
del spalo
50
2,7700

Longitud
del ptalo
50
4,2600

Anchura
del ptalo
50
1,3260

,51617

,31380

,46991

,19775

,096
,096
-,079

,121
,072
-,121

,117
,055
-,117

,148
,112
-,148

,681

,853

,828

1,044

,743

,460

,499

,225

a. La distribucin de contraste es la Normal.


b. Se han calculado a partir de los datos.

Para lirio=3 (Virginica):

Prueba de Kolmogorov-Smirnov para una muestra

N
Parmetros
a,b
normales

Media
Desviacin tpica

Diferencias ms
extremas

Absoluta
Positiva
Negativa
Z de Kolmogorov-Smirnov
Sig. asintt. (bilateral)

Longitud
del spalo
50
6,5880

Anchura
del spalo
50
2,9740

Longitud
del ptalo
50
5,5520

Anchura
del ptalo
50
2,0260

,63588

,32250

,55189

,27465

,115
,115
-,065

,128
,128
-,112

,114
,114
-,067

,121
,115
-,121

,813

,904

,803

,854

,522

,387

,539

,459

a. La distribucin de contraste es la Normal.


b. Se han calculado a partir de los datos.

Se observa que a excepcin de la anchura del ptalo se cumple la condicin de


normalidad. Podemos suponer que en trminos generales se cumple tal supuesto.
4.1.2.- Medias diferentes
La exigencia de que las variables han de diferir en los grupos es razonable. Si se
comportase igual en todos lo grupos no habra nada en ellas que discriminara de un grupo
cualquiera respecto a otro. A este respecto recurrimos a Analizar/Comparar
medias/Anova de un factor:

Y obtendremos:
ANOVA

Longitud del spalo

Anchura del spalo

Longitud del ptalo

Anchura del ptalo

Inter-grupos
Intra-grupos
Total
Inter-grupos
Intra-grupos
Total
Inter-grupos
Intra-grupos
Total
Inter-grupos
Intra-grupos
Total

Suma de
cuadrados
63,212
38,956
102,168
11,345
16,962
28,307
437,103
27,223
464,325
80,413
6,157
86,570

gl
2
147
149
2
147
149
2
147
149
2
147
149

Media
cuadrtica
31,606
,265

F
119,265

Sig.
,000

5,672
,115

49,160

,000

218,551
,185

1180,161

,000

40,207
,042

960,007

,000

Si recurrimos a la Lambda de Wilks obtendremos los mismos resultados. Para ello hay que
entrar ya en el anlisis discriminante propiamente dicho y marcar en Analizar/
Clasificar/Discriminante:

Y a continuacin presionar Estadsticos y marcar lo siguiente:

Los resultados:
Pruebas de igualdad de las medias de los grupos

Longitud del spalo


Anchura del spalo
Longitud del ptalo
Anchura del ptalo

Lambda
de Wilks
,381
,599
,059
,071

F
119,265
49,160
1180,161
960,007

gl1
2
2
2
2

gl2
147
147
147
147

Sig.
,000
,000
,000
,000

Obsrvese que el valor de F es el mismo as como su probabilidad asociada. Todas las


medias son diferentes. La nica diferencia radica en la Lambda de Wilks, que aqu se
interpreta como la proporcin de variabilidad no explicada. Por ejemplo, para la Longitud
de spalo, si recurrimos a la tabla del anlisis de la varianza, su proporcin explicada ser

63.212/102.168=0.619, en consecuencia, la no explicada 1-0.619=0.381, valor coincidente


con la Lambda de Wilks.
Obviamente, tambin se nos ofrece tanto aqu como en el anlisis de la varianza los
descriptivos por grupo de estas variables:
Descriptivos

Longitud del spalo

Anchura del spalo

Longitud del ptalo

Anchura del ptalo

Setosa
Versicolor
Virginica
Total
Setosa
Versicolor
Virginica
Total
Setosa
Versicolor
Virginica
Total
Setosa
Versicolor
Virginica
Total

N
50
50
50
150
50
50
50
150
50
50
50
150
50
50
50
150

Media
5,0060
5,9360
6,5880
5,8433
3,4280
2,7700
2,9740
3,0573
1,4620
4,2600
5,5520
3,7580
,2460
1,3260
2,0260
1,1993

Desviacin
tpica
,35249
,51617
,63588
,82807
,37906
,31380
,32250
,43587
,17366
,46991
,55189
1,76530
,10539
,19775
,27465
,76224

Error tpico
,04985
,07300
,08993
,06761
,05361
,04438
,04561
,03559
,02456
,06646
,07805
,14414
,01490
,02797
,03884
,06224

Intervalo de confianza para


la media al 95%
Lmite
Lmite inferior
superior
4,9058
5,1062
5,7893
6,0827
6,4073
6,7687
5,7097
5,9769
3,3203
3,5357
2,6808
2,8592
2,8823
3,0657
2,9870
3,1277
1,4126
1,5114
4,1265
4,3935
5,3952
5,7088
3,4732
4,0428
,2160
,2760
1,2698
1,3822
1,9479
2,1041
1,0764
1,3223

4.1.3.- Igualdad de matrices de varianzas-covarianzas


En relacin a la igualdad de las matrices de varianzas covarianzas de las variables para las
distintas muestras, disponemos de la prueba M de Box, basada en los determinantes de las
distintas matrices. La distribucin de este estadstico puede transformarse en la conocida
distribucin F de Snedecor, con lo que la interpretacin es sencilla. Para ello, dentro del
discriminante, marcamos Estadsticos y all M de Box:

Los resultados:
9

Resultados de la prueba
M de Box
F

146,663
Aprox.
7,045
gl1
20
gl2
77566,75
Sig.
,000
Contrasta la hiptesis nula de que las matrices
de covarianza poblacionales son iguales.

El valor de F es significativo, lo que tampoco ha de asustarnos demasiado dado lo sensible


que es esta prueba a lo tamaos muestrales y la ausencia de normalidad. Es una prueba
bastante criticada por ser excesivamente conservadora.

4.2.- Clculo de las funciones discriminantes


Las funciones discriminantes pueden considerarse como nuevas variables generadas a
partir de las variables independientes, como combinacin lineal de las mismas. Su
expresin es equivalente a la de la regresin mltiple:
Di b0 b1 X 1 b2 X 2 bp X p

Los coeficientes b1 , b2 bp hacen referencia a las ponderaciones de las variables


independientes de tal forma que los grupos difieran lo ms posible en D, o dicho en
trminos matemticos, que el cociente entre la suma de cuadrados intergrupo e intragrupo
sea mxima. En este sentido, obtendremos los siguientes resultados:
Autovalores
Funcin
1
2

Autovalor
% de varianza
32,192 a
99,1
,285 a
,9

% acumulado
99,1
100,0

Correlacin
cannica
,985
,471

a. Se han empleado las 2 primeras funciones discriminantes


cannicas en el anlisis.

Hay dos funciones discriminantes que explican el 100% de la varianza. El primero mucho
ms importante que el segundo. Por otro lado, las puntuaciones medias logradas al aplicar
estas funciones discriminantes en los distintos grupos son muy diferentes entre s como
atestigua la Lambda de Wilks:

10

Lambda de Wilks
Contraste de
las funciones
1 a la 2
2

Lambda
de Wilks
,023
,778

Chi-cuadrado
546,115
36,530

gl
8
3

Sig.
,000
,000

En relacin a los coeficientes:


Coeficientes de las funciones cannicas discriminantes
Funcin
1
Longitud del spalo
-,829
Anchura del spalo
-1,534
Longitud del ptalo
2,201
Anchura del ptalo
2,810
(Constante)
-2,105
Coeficientes no tipificados

2
,024
2,165
-,932
2,839
-6,661

Si los deseamos en estandarizados y as los hacemos comparables:


Coeficientes estandarizados de las
funciones discriminantes cannicas

Longitud del spalo


Anchura del spalo
Longitud del ptalo
Anchura del ptalo

Funcin
1
2
-,427
,012
-,521
,735
,947
-,401
,575
,581

Si queremos saber a qu puntuaciones medias nos lleva aplicar las funciones


discriminantes:
Funciones en los centroides de los grupos
Funcin
1
2
-7,608
,215
1,825
-,728
5,783
,513
Funciones discriminantes cannicas no tipificadas
evaluadas en las medias de los grupos
Tipo de lirio
Setosa
Versicolor
Virginica

Valores medios muy diferentes, tal como ya qued sealado en la Lambda de Wilks.

11

Si nos interesa conocer las funciones discriminantes para cada uno de las observaciones
podemos recurrir a la opcin de guardar. As:

Obteniendo los siguientes resultados:

Efectivamente, si realizramos un anlisis de la varianza con la primera funcin:

12

Descriptivos
Puntuaciones discriminantes de la funcin 1 para el anlisis 1

N
Setosa
Versicolor
Virginica
Total

50
50
50
150

Media
-7,60760
1,825049
5,782550
,0000000

Desviacin
tpica
,84746079
1,03617013
1,09916408
5,72244702

Error tpico
,11984905
,14653659
,15544527
,46723584

Intervalo de confianza para


la media al 95%
Lmite
Lmite inferior
superior
-7,8484456
-7,36675
1,5305732
2,119526
5,4701715 6,094929
-,9232642 ,9232642

Valores coincidentes con los obtenidos anteriormente.


Igualmente resulta esclarecedora la matriz de estructura donde se recoge las correlaciones
de las distintas variables con las funciones discriminantes:
M atriz de estructura
Funcin
1
2
Longitud del ptalo
,706*
,168
Anchura del spalo
-,119
,864*
Anchura del ptalo
,633
,737*
Longitud del spalo
,223
,311*
Correlaciones intra-grupo combinadas entre las
variables discriminantes y las f unciones
discriminantes cannicas tipif icadas
Variables ordenadas por el tamao de la
correlacin con la funcin.
*. Mayor correlacin absoluta entre cada
variable y cualquier funcin discriminante.

Se observa que es la longitud del ptalo la variable que ms contribuye en la


discriminacin de la primera funcin discriminante (la ms importante), mientras que es la
anchura del spalo la que lo hace para la segunda funcin.

4.3.- Clasificacin
Por ltimo nos interesa saber cmo de bien lo han hecho las funciones discriminantes para
distinguir los distintos grupos. Nos ofrecen una informacin global grfica, otra numrica,
y por ltimo, individualizada para cada uno de los lirios. A tal respecto, marcamos
clasificar:

13

f2
u
n
c
i
o
n
e
s
d
i
s
c
r
i
m
n
a
t
e
s
c
a
n

i
c
a
s
T
i
p
o
d
e
l
i
r
o
3
S
e
t
o
s
a
V
r
i
c
l
o
r
g
n
C
e
t
d
e
1
d
u
p
V
i
r
g
n
i
c
a
S
e
t
o
s
a
0

Funci2

En relacin a la grfica, nos muestra la que ya hemos conocido previamente mediante el


grfico de dispersin. Aqu tenemos tambin sus valores medio o centroides:

V
e
r
s
i
c
o
l
r
--1
2
3
-1
0
-5
0
5
1
0
F
u
n
c
i
n
1

Se observa que los grupos estn bastante discriminados. Tan slo algunos lirios del tipo
versicolor (verde) se entremezclan con los lirios viginica (gris).
Tambin, en trminos generales, cuntos han sido clasificados correctamente:

14

Resultados de la clasificacin a

Original

Recuento

Tipo de lirio
Setosa
Versicolor
Virginica
Setosa
Versicolor
Virginica

Grupo de pertenencia pronosticado


Setosa
Versicolor
Virginica
50
0
0
0
48
2
0
1
49
100,0
,0
,0
,0
96,0
4,0
,0
2,0
98,0

Total
50
50
50
100,0
100,0
100,0

a. Clasificados correctamente el 98,0% de los casos agrupados originales.

Reobserva en la variedad setosa no ha habido ni un fallo, tan slo 2 versicolores se han


diagnosticado errneamente como virginica, y una virginica como versicolor.
Para ver qu tal lo ha hecho lirio por lirio:

15

Estadsticos por casos

Grupo mayor

N
me
ro
de
cas
os
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71

Gru
po
real
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

Gr
up
o
pr
on
os
tic
ad
o
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

P(D>d | G=g)
p
gl
,594
2
,271
2
,522
2
,830
2
,015
2
,493
2
,775
2
,916
2
,451
2
,885
2
,553
2
,419
2
,541
2
,434
2
,880
2
,481
2
,540
2
,491
2
,586
2
,770
2
,349
2
,875
2
,939
2
,975
2
,713
2
,857
2
,288
2
,833
2
,389
2
,972
2
,899
2
,920
2
,611
2
,598
2
,769
2
,533
2
,921
2
,951
2
,190
2
,710
2
,915
2
,916
2
,667
2
,168
2
,458
2
,592
2
,049
2
,674
2
,012
2
,032
2
,192
2
,133
2
,174
2
,071
2
,923
2
,407
2
,628
2
,227
2
,457
2
,905
2
,582
2
,510
2
,968
2
,252
2
,752
2
,480
2
,086
2
,954
2
,809
2
,946
2
,798
2

P(G=g |
D=d)
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
,964
1,000
1,000
1,000
1,000
,999
1,000
1,000
1,000
1,000
,981
1,000
1,000
,999
1,000
1,000

Segundo grupo mayor

Distancia
de
Mahalano
bis al
cuadrado
hasta el
centroide
1,043
2,610
1,301
,372
8,406
1,416
,509
,176
1,591
,245
1,183
1,738
1,229
1,669
,256
1,465
1,233
1,421
1,069
,523
2,105
,268
,127
,051
,677
,308
2,489
,365
1,890
,057
,214
,166
,986
1,027
,526
1,260
,164
,101
3,325
,684
,177
,175
,811
3,573
1,563
1,048
6,052
,789
8,767
6,907
3,302
4,033
3,493
5,300
,159
1,800
,930
2,964
1,565
,199
1,084
1,347
,064
2,756
,569
1,467
4,897
,094
,423
,110
,450

Gru
po
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3

P(G=g
| D=d)
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,000
,036
,000
,000
,000
,000
,001
,000
,000
,000
,000
,019
,000
,000
,001
,000
,000

Distancia
de
Mahalan
obis al
cuadrad
o hasta
el
centroid
e
88,319
70,401
76,724
82,401
57,510
74,623
81,347
82,854
112,956
86,981
74,934
83,875
73,833
73,686
82,182
70,406
80,173
84,102
78,984
104,048
73,958
96,040
90,545
89,444
76,208
96,894
71,791
100,692
66,592
91,019
98,807
93,993
92,325
100,435
100,372
78,587
97,024
95,935
123,745
104,694
86,314
87,188
106,390
114,881
95,558
110,246
134,044
100,956
132,642
141,657
35,312
30,962
35,476
40,892
15,371
8,350
16,801
32,832
26,994
17,425
15,872
26,593
16,274
29,387
20,322
9,318
40,443
19,142
13,427
18,325
22,271

Puntuaciones
discriminantes

Funcin 1
-7,572
-6,561
-6,934
-7,241
-5,662
-6,813
-7,187
-7,213
-8,681
-7,490
-6,829
-7,327
-6,765
-6,759
-7,219
-6,559
-7,129
-7,343
-7,062
-8,330
-6,771
-7,959
-7,672
-7,605
-6,823
-7,918
-6,414
-8,132
-6,251
-7,688
-8,062
-7,781
-7,586
-8,021
-8,082
-6,859
-7,991
-7,925
-9,126
-8,314
-7,375
-7,497
-8,397
-8,582
-7,702
-8,614
-9,468
-8,078
-9,158
-9,850
,223
1,194
,293
-,476
1,958
2,934
2,262
,606
1,107
1,956
2,402
1,090
2,006
,378
1,326
2,768
-,307
1,549
2,430
1,616
1,182

Funcin 2
-,805
-1,015
-,706
-,273
-1,934
-,671
-,361
,356
,878
-,265
-,545
-1,073
-,505
-,759
-,110
-,389
-,787
-,947
-,663
,228
-,971
-,165
-,135
-,012
,463
,675
1,247
,514
,440
-,009
,300
,584
1,208
1,141
,763
1,052
,086
,210
1,224
,645
,566
-,188
,647
1,834
1,462
,403
1,825
,969
2,738
1,586
-1,585
-2,634
-1,799
-,800
-,352
,027
-1,587
-1,943
-1,752
-1,154
-1,595
-1,627
-,905
,087
-,163
,032
-1,319
-,593
-,966
-,470
-,538

16

Se observa, hasta donde es visible, que el grupo real y pronosticado coinciden. Luego
entre los restantes valores destaca P(G=g | D=d) que indica la pertenencia a un
determinado grupo dada una cierta puntuacin discriminante. La probabilidad en estos
casos es de 1 ya que no habido error posible. La distancia Mahalanobis puede considerarse
una distancia eucldea ponderada por sus varianzas-covarianzas, y tiene inters para saber
cun lejos se encuentra de la media de su grupo de pertenencia. Precisamente sobre los
que estn ms lejos pueden estar incorrectamente clasificados.

17

BIBLIOGRAFA

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.
Ferran, M. (1997). SPSS para WINDOWS. Programacin y Anlisis Estadstico. Mc.Graw
Hill.
Gil Flores, J., Garca Jimnez, E., Rodrguez Gmez, G (2001). Anlisis discriminante.
Madrid. La Muralla.
Hair, J., Anderson, R., Tatham, R. Y Black, W. (1999). Anlisis Multivariante. 5 Edicin.
Prentice Hall.
Huberty, Carl J. (1994). Applied discriminant analysis . NY: Wiley-Interscience. (Wiley
Series in Probability and Statistics).
Jobson, J.D. (1992) Applied Multivariate Data Analysis. Volume II: Categorical and
Multivariate Methods. Springer-Verlag.
Klecka, William R. (1980). Discriminant analysis. Quantitative Applications in the Social
Sciences Series, No. 19. Thousand Oaks, CA: Sage Publications.
Lachenbruch, P. A. (1975). Discriminant analysis. NY: Hafner.
Mardia, K.V., Kent, J.T. Y Bibby, J.M. (1994). Multivariate Analysis. Academic Press.
McLachlan, Geoffrey J. (2004). Discriminant analysis and statistical pattern recognition.
NY: Wiley-Interscience. (Wiley Series in Probability and Statistics).
Sharma, S. (1998). Applied Multivariate Techiques. John Wiley and Sons.
SPSS (1999). SPSS Advanced Models 10.0. Chicago: SPSS Inc.

Uriel, E. (1995). Anlisis de Datos: Series temporales y Anlisis Multivariante. Coleccin


Plan Nuevo. Editorial AC.
Visauta, B. (1998) Anlisis Estadstico con SPSS para WINDOWS (Vol II. Anlisis
Multivariante). Mc-Graw Hill.

18