MUNIBE (Antropologa y Arqueologa) Suplemento N.

6 25-33 SAN SEBASTIAN 1988 ISSN 0027 - 3414

Mtodos estadsticos aplicables a la reconstruccin

prehistrica.

Statistical methods applicable to prehistoric reconstruction.

C. M. CUADRAS *

PALABRAS CLAVE: Comparacin de modelos de regresin, Regresin sobre variables cualitativas, Anlisis de coordenadas principales,
Datacin relativa, Estadstica en arqueologa.

RESUMEN

En este trabajo se exponen y discuten algunos problemas relacionados con la prediccin estadstica. Se aborda en especial la com-
paracin de modelos de regresin, la regresin mltiple sobre variables cualitativas y la asignacin de un individuo a un grupo cuando
hay otras causas de variacin. Las tcnicas utilizadas estn relacionadas con el anlisis de proximidades, el anlisis discriminante y
la taxonoma numrica. Se comentan adems algunos ejemplos sobre datos arqueolgicos.

SUMMARY

In this paper some problems related to statistical prediction are exposed and discussed. We especially deal with the comparison
of regression models, multiple qualitative variables regression, cronogical order of the data and the allocation of an individual to one
of different groups when other causes of variation are present. The techniques used are related to multidimensional scaling, discrimi-
nant analysis and numerical taxonomy. In addition, some archeological examples are included.

1. INTRODUCCION 2. REGRESION LINEAL MULTIPLE

Desde que a finales del siglo pasado F. GALTON La regresin lineal mltiple de una variable de-
introdujera los conceptos de correlacin y regresin, pendiente y sobre m variable independientes x1, ... ,
para ser aplicados en Antropologa, han aparecido xm es un problema bien conocido en Estadstica.
nuevos mtodos de regresin y anlisis multivarian- Dadas n observaciones independientes de las varia-
tes, que han tenido una enorme influencia en las bles, que indicamos en la forma.
ciencias biolgicas, especialmente Antropologa, Ge-
ntica, Ecologa, etc., y en las ciencias histricas,
como la Arqueologa y la Prehistoria. Tales mtodos Y = (y1 ... yn)'
han permitido resolver problemas de prediccin, cla-
sificacin, ordenacin, datacin y filogenia, propi-
ciando una forma moderna y objetiva de tratar los
datos procedentes de la observacin experimental,
en contraste con los mtodos ms tradicionales.
El presente trabajo es una contribucin al tema
de la prediccin, en el que se abordan los siguien- el modelo bsico es (SEBER, 1977; TROCNIZ, 1987).
tes aspectos: regresin mltiple entre variables
cuantitativas, regresin mltiple cuando las variables yi = + xi1 1 + ... + xim m e i i = 1, ..., n (1)
independientes son cualitativas, comparacin entre
modelos de regresin, datacin relativa de objetos,
identificacin de un individuo cuando hay mas de Introduciendo los vectores
una causa de variabilidad, etc., discutiendo algunas
aplicaciones. Las tcnicas propuestas estn relacio- = (1 ... m)' e = (e1 ... en) 1 = (1 ... 1)'
nadas con el Anlisis de Coordenadas Principales,
el Anlisis Discriminante y la Taxonoma Numrica.
la formulacin matricial del modelo es
* Universidad de Barcelona, Departamento de Estadstica
Diagonal, 645 08028 BARCELONA. SPAIN Y = 1 + X + e (2)
26
Como es bien conocido, indicando = (1,X), la
estimacin por mnimos cuadrados de los parme-
tros , es solucin de las llamadas ecuaciones
normales.
suponiendo rang X = m. Si rang X<m, entonces
utilizaremos una g-inversa en (3).
Sean x1, ..., xm las medias de las variables x. En-
tonces el modelo (1) puede expresarse como
siendo Podemos enton-
ces suponer que las variables x en (1) son centra-
das. Las soluciones de (3) son ahora
(4)
Tambin es posible transformar linealmente las
variables x. Consideramos la transformacin.
W = XA
donde A es matriz mxm, ran A = m . El modelo (2)
se convierte en
siendo
Algunos problemas importantes que interesa resol-
ver en regresin lineal mltiple son los siguientes:
1. Prediccin
El vector de valores predichos es
que no depende del modelo. En efecto, si el modelo
es (6) tendremos
pero como
vemos que
C.M. CUADRAS
Dada una nueva observacin de las variables in-
dependientes
x = (x1, ..., xm)'
(3) la prediccin de la variable dependiente es
(9)
2. Significacin de los coeficientes de regresin
Suponiendo que los trminos ei son indepen-
dientes con distribucin normal N la hipte-
sis nula
puede decidirse utilizando el estadstico
(10)
cuya distribucin es F de Snedecor con m y n-m-1
grados de libertad. R2 es el coeficiente de determi-
nacin, que puede calcularse utilizando la frmula.
(5)
(11)
Obsrvese que, dada la relacin (7), = 0 implica
(6)
3. Comparacin de dos modelos de regresin
(7)
Supongamos que tenemos otro modelo de regre-
sin, correspondiente a las mismas variables, pero
con datos sobre otra poblacin:
(12)
Son los modelos (1) y (12) el mismo? Es decir, es
la regresin mltiple idntica en ambas poblaciones?
En otras palabras, se trata de ver si puede aceptar-
se la hiptesis nula.
(8)
(13)
Sea (1) la suma de cuadrados residual para
el modelo (1)
Sea anlogamente (2) para el modelo (12),
para el modelo que resulta de juntar ambos con-
juntos de datos y suponer cierta (13). Suponiendo
normalidad e igualdad de varianzas, la decisin so-
 METODOS ESTADISTICOS APLICABLES A LA RECONSTRUCCION PREHISTORICA
bre (13) puede tomarse considerando el estadstico
(CUADRAS, 1979).
con distribucin F de Snedecor con m + 1 y
n + n' - 2 (m + 1) grados de libertad.
4. Ejemplo
La capacidad craneal (C) puede ser predicha co-
nociendo la longitud del crneo (L), la anchura pa-
rietal mxima (A), la altura basio bregma (h), utili-
zando la frmula (RAO, 1952):
Se llega a un modelo de regresin lineal tomando lo-
garitmos
siendo = log Obsrvese que a es un parmetro
relacionado con el tamao del crneo, y que las di-
ferencias entre 1, 2 y 3 influyen en la forma. Par-
tiendodo de una muestra, se puede contrastar la hi-
ptesis Ho : 1 = 2 = 3 = 0 utilizando (10).
Supongamos ahora que tenemos dos muestras
de crneos, una procedente de una primera pobla-
cin (ejemplo: Homo sapiens fossilis) y la otra de una
segunda poblacin (ejemplo: Homo sapiens nean-
derthalensis). Entonces, utilizando (14), podemos
contratar la hiptesis de que ambos grupos de cr-
neos tienen la misma forma y tamao.
3. PREDICCION SOBRE VARIABLES CENTRADAS
ORTOGONALES
Las consideraciones expuestas anteriormente
nos permiten suponer que en el modelo (2) se cum-
plen las condiciones siguientes:
1) Las columnas de X son centradas,
2) Las columnas de X son ortogonales.
En otras palabras, si X1, ..., Xm son las columnas,
entonces formulamos (3) como sigue
Y = 1 + 1 X1 + ... + m Xm +e (15)
con las restricciones
(16)
27
Para llegar a este modelo ortogonal, basta reali-
zar una adecuada transformacin lineal sobre X, lo
que no altera el objetivo de predecir y en funcin de
Cuando adems Xi son las componentes princi-
pales sobre la matriz original X, se puede abordar
el problema de la multicolinealidad (JOLLIFE, 1986),
tomando solamente las primeras componentes.
4. PREDICCIONES SOBRE
VARIABLESCUALITATIVAS
Supongamos ahora que las variables x son cua-
litativas. Nuestro deseo es predecir y dado x
C1, ..., Cm son cualitativas.
Un caso particular importante lo constituyen las va-
riables dicotmicas, es decir:
(17)
siendo :
= 1 si la caracterstica cj se presenta en la ob-
servacin i,
= 0 en caso contrario.
La regresin de una variable cuantitativa y so-
bre variables cualitativas, no puede plantearse (en
general) utilizando directamente el modelo (1) por ra-
zones obvias. En este trabajo se propone un proce-
dimiento basado en el Anlisis de Coordenadas Prin-
cipales sobre una matriz de similaridades o de
distancias (CUADRAS, 1981a), que puede ser til para
cualquier tipo de variables cualitativas.
Indiquemos las observaciones por 1, 2, ..., n, y
supongamos definida una matriz de distancias.
donde dij (dij = 0, dij = dji) es la distancia entre las
observaciones i,j. Existen numerosos procedimien-
tos para construir una distancia. Partiendo de un n-
dice de similaridad sij, podemos definir.
(18)
Por ejemplo, dada la informacin (17), podemos to-
mar el ndice
28 C.M. CUADRAS

o bien el ndice de SOKAL y MICHENER con la propiedad de que las coordenadas eucldeas
obtenidas (llamadas coordenadas principales) son
compatibles con dij en el sentido de que reflejan las
diferencias cualitativas entre i, j, medidas a travs
de dij.
Otro ndice (quizs ms recomendable) es el de
Jaccard Parece entonces razonable admitir el siguiente mo-
a delo de regresin lineal mltiple.
sij =
a + b + c
(21)
donde a es el nmero de dobles presencias, b es el
donde X = (xij) se obtiene de (20). Adems, por las
nmero de presencias/ausencias, d es el nmero de
propiedades que poseen las coordenadas principa-
dobles ausencias, etc.
les, estamos ante un modelo centrado ortogonal, es
decir, un modelo (15) con las restricciones (16).
Vamos a imponer la condicin de que la distan-
cia d, es Eucldea, es decir, que existen n puntos en
RP de coordenadas GOWER y LEGENDRE (1986) realizan un amplio es-
tudio sobre las propiedades mtricas y eucldeas de
Pi = (Xi1 ... Xip) las distancias, basadas en similaridades por aplica-
cin de las frmulas dij2 = 1 sij, dij = 1 sij. El
cuadro 1 nos puede orientar sobre la eleccin del
coeficiente de similaridad.
(19)
Es obvio que la utilizacin de es prefe-
rible sobre 1 sij.
La condicin necesaria y suficiente para que una dis-
tancia sea Eucldea es la siguiente (MARDIA et al., CUADRO 1
1979; SEBER, 1984):

Sea A = (aij) la matriz n x n cuyos elementos son

y H la matriz
1
H=In - J
n
donde In es la identidad, J = 1 1' es una matriz con
todos sus elementos iguales a 1. Obsrvese que
HH = H, H1 = 0, H J = 0. Considerando entonces
la matriz B = HAH, la distancia dij es Eucldea si B
es semidefinida positiva. La dimensin eucldea es
p = ran B y las coordenadas eucldeas son las filas
de la matriz X (n x p) tal que

(20)

donde A = diag es la matriz con los valo-

res propios (positivos) de B. Las columnas de X con-
tiene los vectores propios de B. La relacin de y con Aplicando (4), como la estimacin de
las variables cualitativas toma ahora una expresin los parmetros en el modelo (21) es
cuantitativa.
(22)

El vector de prediccin es, por lo tanto

 METODOS ESTADISTICOS APLICABLES A LA RECONSTRUCCION PREHISTORICA 29

Aplicando (11) el coeficiente de determinacin es

Indicando resulta
Indiquemos Entonces

luego B es una g-inversa de B. Indicando

(23)

obtenemos finalmente que la prediccin yn+1 = y

luego obtenemos la frmula que da el coeficiente de es
determinacin
(27)
(24)

Se verifica 0 R2 1. Cuanto ms prximo es R2

a 1 mayor es el grado de relacin lineal de Y con las 6. ESTUDIO DE UN CASO PARTICULAR
variables cualitativas.
Supongamos que las variables x son binarias.
Sea X la matriz de datos binarios: xij = 0,1 (ver
5. PREDICCION DE UNA NUEVA OBSERVACION
(17). El modelo de regresin es
Nos planteamos el problema de predecir el valor
yn+1 de la variable dependiente, conocidas las ca-
ractersticas cualitativas de una nueva observacin Tomando la matriz de datos centrados H X = x po-
que indicaremos por n + 1. Mediante el ndice de dis-
demos escribir
tancia que se haya elegido previamente ser posi-
ble calcular las distancias.
(28)
(25) Dada la informacin binaria x = (x1 ... x,.,,)' la pre-
diccin es
entre la nueva observacin y cada una de las obser-
vaciones previas. Para obtener yn+1 es necesario ha- (29)
llar el conjunto de coordenadas X = (x1 ... xp)' cu-
yas distancias eucldeas a las observaciones previas
coincidan con (25). Utilizando el modelo (21) y (22) Supongamos ahora que elegimos el coeficiente
la prediccin ser. de similaridad de SOKAL y MICHENER sii = (a+d) /
(a+b+c+d) = (a+d) /m, la matriz de similaridades
es entonces
(26)
S = (XX' + (K X)(K X)' / m
Suponiendo que pertenece tambin al espacio
Eucldeo RP, utilizaremos un resultado debido a GO-
WER (1968), que permite obtener las coordenadas donde K es una matriz n x m con todos los elemen-
de un punto aadido a un conjunto de puntos P1, tos iguales a 1. Es fcil ver que.
..., Pn, cuyas coordenadas X son conocidas y veri-
fican (20). La solucin es S = (2 XX' + KK' KX' XK') / m

Tomando la distancia tenemos que

siendo

donde bii es elemento diagonal de B. Sustituyendo Multiplicando por H, como HJ, HK y K'H se anulan,
en (26) resulta
30 C.M. CUADRAS

B = HAH = HXX'H / m

Es decir, prescindiendo del factor 1/m,

Sea ahora B = V V' donde V contiene las coorde-

nadas principales. Tomando el modelo (21) basado Los valores propios de la matriz B (ver (20)) son
en estas coordenadas, tendremos

(30)

donde para alguna matriz T de orden mxp,

siendo p = ran B. Relacionando (29) con (30) te-
nemos que Sea x=(x1...xm)' la informa-
cin binaria para una nueva observacin. Entonces
la informacin transformada para el modelo (30) es
Luego
es decir, los 6 objetos se localizan en un espacio
Eucldeo de dimensin 4.
Supongamos que es conocida una cierta carac-
terstica numrica asociada a las tumbas (por ejem-
plo, el orden cronolgico)

es decir

La informacin binaria para una nueva tumba es

En otras palabras, para la distancia definida a tra- g=(01001)

vs del ndice de SOKAL y MICHENER, la prediccin con
variables binarias utilizando el mtodo propuesto Y Las distancias entre g y las dems tumbas son
la prediccin utilizando el modelo clsico de regre-
sin, dan el mismo resultado. Sin embargo, la pre- a b c d e f
diccin es diferente si consideramos otros ndices (1 0.57 0.71 1 0.82 0.89)
de similaridad.
Aplicando (27) se obtiene
7. UN EJEMPLO DE PREDICCION CUALITATIVA
y (g) = 4.153
MARDIA et al. (1979) exponen una aplicacin en La tumba g podra estar cronolgicamente compren-
la cual describen unos datos acerca de la presencia
dida entre f y b.
(1) o ausencia (0) de unos objetos sobre 6 tumbas
a,b ,..., f.
8. DATACION RELATIVA

Supongamos que tenemos un conjunto de obje-

tos a1, a2, ..., an y que estamos interesados en or-
denarlos cronolgicamente. El problema se puede
plantear haciendo corresponder a cada objeto unas
coordenadas eucldeas en dimensin p

Utilizando el coeficiente de JACCARD a/(a+b+c)

y la distancia se obtienen las matrices donde ti significa el tiempo. Los objetos presentarn
una sucesin cronolgica

si se verifica
 METODOS ESTADISTICOS APLICABLES A LA RECONSTRUCCION PREHISTORICA 31

donde (i1, i2, ..., in) es una permutacin de (1, 2, ..., En otras palabras, permutando convenientemen-
n). te los objetos, se debe conseguir una matriz de si-
milaridades S tal que las similaridades sean altas
cuando estn prximas a la diagonal de S, y bajas
El problema tiene en s una considerable dificul-
para los elementos alejados de la diagonal.
tad conceptual y matemtica, existiendo diversos
criterios algebraicos, geomtricos y estadsticos,
Un ejemplo debido a SPAULDING (1971) (vase
dando lugar a una abundante literatura al respecto
tambin SEBER, 1984), puede aclararnos esta es-
(HODSON et al., 1971). Una va de solucin es la si-
tructura. Supongamos que 5 herramientas cortan-
guiente. Supongamos que podemos encontrar una
tes A, B, C, D, E han sido hechas utilizando piedra,
matriz de similaridades entre los objetos S = (sij).
bronce o hierro, de acuerdo con la siguiente matriz
Apliquemos entonces un Anlisis de Coordenadas
de incidencia:
Principales a la matriz de distancias D = (dij), don-
de d, es una distancia Eucldea obtenida por una
Piedra Bronce Hierro
transformacin de sij. Si la distancia no es eucldea,
entonces aplicaremos una transformacin monto- A 0 1 0
na a dij, sea a, = f (dij), y a continuacin ajustare- B 1 1 0
mos una distancia Eucldea a utilizando la tc- C 0 1 1
nica del Anlisis de Proximidades (Multidimensional D 0 0 1
Scaling), vase CUADRAS, 1981a). En ambos casos, E 1 0 0
el resultado ser una configuracin formada por n
puntos P1, P2, ..., P, en un espacio Eucldeo RP. Utilizando el coeficiente de Jaccard, la matriz de si-
milaridades es
Si tomamos los dos primeros ejes principales, o
A B C D E
las dos primeras dimensiones relevantes, obtendre-
mos una disposicin de los objetos que quedarn si- A 1/2 1/2 0 0 1
tuados aproximadamente a lo largo de una curva (Fi- B 1/2 1/3 0 1/2 1
gura 1). C 1/2 1/3 1/2 0 1
D 0 0 1/2 1 0
Para conseguir una representacin de este tipo E 0 1/2 0 0 1
es necesario que se verifique el llamado efecto ahor-
seshoe (KENDALL, 1971), es decir, que la similaridad
A continuacin, reordenando la matriz, obtenemos
entre los objetos ai, aj sea alta si estn cronolgi-
camente prximos, y sea baja en caso contrario.
D C A B E
D 1 1/2 0 0 0
C 1/2 1 1/2 1/3 0
A 0 1/2 1 1/2 0
B 0 1/3 1/2 1 1/2
E 0 0 0 1/2 1

La datacin relativa de los objetos sera entonces

E<B<A<C<D

Figura 1. Ordenacin cronolgica de n objetos mediante una re-

presentacin bidimensional por Multidimensional Scaling.
32 C.M. CUADRAS
en correspondencia con el orden cronolgico natu-
ral: piedra, piedra-bronce, bronce, bronce-hierro, hie-
rro. Pera esta datacin puede obtenerse directamen-
te aplicando anlisis de coordenadas principales,
resultando las siguientes coordenadas A (0, 0.48),
B (0.34, 0.13), C (0.34, 0.13), D (0.4,0.37),
E (0.47, 0.37) (ver Figura 2).
9. ARBOLES EVOLUTIVOS ADITIVOS
Una forma muy recurrida de clasificacin con-
siste en representar los objetos utilizando un den-
dograma, lo que significa aproximar la matriz de dis-
tancias entre los objetos D = (dij) a otra matriz
U = (uij) donde uij es una distancia que cumple la
llamada propiedad ultramtrica para toda terna i, j,
k (CUADRAS, 1981a).
Una aplicacin a la clasificacin de asentamientos
puede verse en COMAMALA y ARCAS (1984).
Sin embargo, una estructura ms realista o ms
aplicable al tipo de datos arqueolgicos, es el llama-
do rbol evolutivo aditivo (WATERMAN et al., 1977).
Se trata de una representacin de objetos median-
te los vrtices de un rbol conexo sin ciclos, utili-
zando como mtrica la distancia entre dos vrtices
igual a la suma de longitudes de los segmentos que
los unen. Matemticamente equivale a aproximar D
a una matriz de distancias verificando,
para toda cuaterna i,j,k,m, la llamada desigualdad
aditiva.
Figura 2. Ordenacin cronolgica de 5 herramientas, teniendo
en cuenta la presencia de diversos materiales (piedra, bronce,
hierro).
Existen diversos algoritmos para construir este
tipo de rbol partiendo de una matriz de distancias
o similaridades (ARCAS y CUADRAS, 1987). Una vez
obtenida una representacin en rbol aditivo, en la
que se supone la existencia de un vrtice raz, la da-
tacin de objetos arqueolgicos es una consecuen-
cia de la misma representacin (ver Figura 3).
La forma de representacin mediante rbol adi-
tivo puede aplicarse a la clasificacin de objetos en
general, permitiendo descubrir las relaciones entre
los mismos, como una alternativa al conocido den-
dograma, pues la desigualdad aditiva es menos res-
trictiva que la ultramtrica. Sobre las ventajas de una
representacin sobre la otra, vase CUADRAS et al.
(1985).
10. UNA GENERALIZACION DEL ANALISIS
DISCRIMINANTE
Se puede generalizar la asignacin de un indivi-
duo a uno de entre do o ms grupos, utilizando una
determinada informacin multivariante, en la lnea
del Anlisis Cannico Generalizado (CUADRAS, 1974,
1980, 1981a, 1981b). Por ejemplo, supongamos que
queremos decidir si ciertas mandbulas pertenecen
a hombres o a mujeres, pero las muestras son esca-
sas o proceden de diferentes yacimientos y no es
posible un anlisis para cada yacimiento por sepa-
rado (VAN VARK, 1985). Entonces se puede discrimi-
nar entre sexos, eliminando previamente la variabi-
lidad entre yacimientos, interpretando la
combinacin sexo x yacimiento, como un diseo de
dos factores. Se puede abordar incluso el caso de
observaciones faltantes o datos no balanceados
(CUADRAS, 1983). La funcin discriminante obtenida
podra clasificar el sexo independientemente del ya-
cimiento.
 METODOS ESTADISTICOS APLICABLES A LA RECONSTRUCCION PREHISTORICA
33

HODSON, F.R.; KENDALL, D.G. y TAUTU, P. (eds).

1971. Mathematics in the Archaelogical and Historical Scien-

ces. Edinburgh University Press, Edinburgh.

JOLLIFE, I.T.

1986. Principal Components Analysis. Springer-Verlag, New

York.

KENDALL, D.G.

1971. Seriation from abundance matrices. En: Mathematics in

the Archaelogical and Historical Sciences. (Hodson, F.R.;
Kendall, D.G. y Tautu, P., eds.). Edinburgh University Press
Edinburgh, 215-251.

MARDIA, K.V.; KENT, J.T. y BIBBY, J.M.

1979. Multivariate Analysis. Academic Press, London.

Figura 3. Representacin de objetos mediante un rbol aditivo
evolutivo. RAO, C.R.

1952. Advanced Statistical Methods in Biometric Research.

BIBLIOGRAFIA J. Wiley, New York.

ARCAS, A. y CUADRAS, C.M. SEBER, G.A.F.

1987. Mtodos geomtricos de representacin mediante mo- 1977. Linear Regression Analysis. J. Wiley, New York.
delos en rbol. Pub. Bioest. Biomat. 20, Univ. Barcelo-
na, 67 pp. Barcelona. 1984. Multivariate Observations. J. Wiley, New York.

COMAMALA, A. y ARCAS, A. SPAULDING, A.C.

1984. Clasificacin por mtodos estadsticos de unos asenta-
mientos epipaleolticos entre el Jcar y el Segura. Ar-
queologa Espacial 1, 135-147, Teruel.
CUADRAS, C.M.
1974. Anlisis discriminante de funciones paramtricas esti-
mables. Trab. Estad. Inv. Oper. 25 (3). 3-31.
1971. Some elements of quantitative archaelogy. En: Mathe-
matics in the Archaelogical and Historical Sciences.
(Hodson F.R.; Kendall, D.G. y Tautu, P., eds.). Edinburgh
University Press, Edinburgh, 3-13.
TROCONIZ, A.F. DE
1987. Modelos Lineales. Serv. Edit. Univ. Pas Vasco.

1979. Sobre la comparaci estadistica de corbes experimen- VAN VARK, G.N.

tals. Qesti 3 (1), 1-10.
1985. Multivariate Analysis in Physical Anthropology. En: Mul-
1980. Anlisis discriminante. Posibilidades de aplicacin a la tivariate Analysis VI (P.R. Krishnaiah, ed.), Elsevier Scien-
Prehistoria. Comun. II y III Col. Int. Prehistoria, Morella, ce Publishers, B.V., North-Holland, Amsterdam, 599-611.
1975, 1976 (Anna Mir, ed.). Morella, 108-117.
WATERMAN, M.S.; SMITH, T.F.; SINGH, M. y BEYER, W.A.
1981.a Mtodos de Anlisis Multivariante. Eunbar, Barcelona.
1977. Additive Evolutionary Trees. J. Theor. Biology 64,
1981.b Anlisis y representacin multidimensional de la varia- 199-213.
bilidad. Intern. Symp. Concept. Meth. Paleo. 287-297.
Barcelona.

1983. Diseos no balanceados y con observaciones faltantes

en MANOVA. Actas XIII Jorn. de Estad., I. Oper. Inform.,
Dep. Estadstica, Univ. de Valladolid, Vol. 2, secc. 2,
168-173.

CUADRAS, C.M.; OLLER, J.M.; RIOS, M. y ARCAS, A.

1985. Mtodos geomtricos de la Estadstica. Qesti 9 (4).

219-250.

GOWER, J.C.

1986. Adding a point to vector diagrams in multivariate analy-

sis. Biometrika 55, 582-585.

GOWER, J.C. y LEGENDRE, P.

1986. Metric and Euclidean Properties of Dissimilarity Coeffi-

cients. Journal of Classification 3, 5-48.