Primeraclase Maestria Diapositivas

Mtodos Multivariados - Clase 1
Sindy Daz Hernndez

U.T.B
Departamento de Ciencias Bsicas
II semestre,2017
Cartagena - Bolivar
Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 1 / 79

Outline
1 Estructura y notacin de datos multivariados

Forma de los datos
2 Algunos conjuntos de datos
3 Medidas estadstica
Vector de medias
Matriz de Covarianza
Correlacin
4 Grficas para datos multivariados

Anlisis exploratorio de datos
Grficas de una dimension

Estructura y notacin de datos multivariados Forma de los datos
Matriz de Datos
Inputs
Una matriz de datos M.
Las filas de la matriz son los individuos.
Las columnas de la matriz son las variables.
Matriz de Datos
A B C D E
x1 2 2 2 2 2
G : x2 0 1 2 1 0
x3 1 0 0 1 2
x4 0 2 2 0 0
Observacin: Al utilizar un texto verificar como estn considerados
los datos

Matriz de datos
Supongase que se han observado p variables numricas en un

conjunto de datos de n elementos. Definamos la matriz X de
dimension n p como la matriz de datos: Donde

x11 x12 x13 . . . x1p
x21 x22 x23 . . . x2p
X = {xij } = .

. .. .. .. ..
. . . . .
xn1 xn2 xn3 . . . xnp
Donde i = 1, . . . , n representa los individuos

j = 1, . . . , p representan las variables

La matriz de datos, X , puede representarse de dos formas distintas.

Por filas, como:

x1,1 x1,2 x1,p x1
x2,1 x2,2 x2,p x
2
X= . .. = ..

.. ..
.. . . . .
xn,1 xn,2 xn,p xn
donde cada variable xi es un vector fila, p 1,
xi = (xi,1 , xi,2 , , xi,p )

que representa los valores de las p variables sobre el individuo i.

Matriz de datos
Alternativamente, podemos representar la matriz X por columnas:

x1,1 x1,2 x1,p
x2,1 x2,2 x2,p
X= . .. = x(1) x(2) x(p)

. .. . .
. . . .
xn,1 xn,2 xn,p
donde ahora cada variable x(j) es un vector columna, n 1,

x1,j
x2,j
x(j) = .

.
.
xn,j
Llamaremos x = (x1 , , xp ) a la variable multivariante formada por
las p variables escalares donde x1 , , xn , son los n elementos
observados.
Medidas para datos univariante
Recordemos algunas definiciones para datos univariante:

Media:
n
1X
xj = xij (1)
n
i=1


Media:
n
1X
xj = xij (1)
n
i=1
Desviacin estndar:
s
Pn
i=1 (xij xj )2
Sj = (2)
n


Media:
n
1X
xj = xij (1)
n
i=1
Desviacin estndar:
s
Pn
i=1 (xij xj )2
Sj = (2)
n
Varianza:
n
X dij2
Sj2 = (3)
n
i=1
donde dij = xij xj


Media:
n
1X
xj = xij (1)
n
i=1
Desviacin estndar:
s
Pn
i=1 (xij xj )2
Sj = (2)
n
Varianza:
n
X dij2
Sj2 = (3)
n
i=1
donde dij = xij xj


Coeficiente de Variacin:
v
u 2
u sj

CVj = t (4)
x2 j
xj 6= 0


v
u 2
u sj

CVj = t (4)
x2 j
xj 6= 0
Simetra de los datos con respecto al centro:
Pn
1 i=1 (xij xj )3
Aj = (5)
n sj3


v
u 2
u sj

CVj = t (4)
x2 j
xj 6= 0
Simetra de los datos con respecto al centro:
Pn
1 i=1 (xij xj )3
Aj = (5)
n sj3

Software a utilizar es R Studio
Ventajas:
Es gratuita
Es el software de mayor uso en estadstica actualmente
R studio hace mas fcil el poder utilizar R.

Algunos conjuntos de datos
Base de datos USair pollution
La primera base de datos que vamos a utilizar esta en la base de

datos USairpollution, el cual se refiere a un estudio de 41 ciudades
de USA de la polucin del aire. Son 7 variables las cuales significan:
S20: Contenido de SO2 del aire en microgramos por metros
cbico
temp: Temperatura promedio anual en grado Fahrenheith
manu: Tamao de la poblacin de 1970 en miles
wind: Velocidad anual del viento en miles por horas
precip: Promedio de precipitacin anual en pulgadas
predays: nmero promedio de dias con precipitaciones por aos

Utilizando comando en R studio
data("USairpollution", package = "HSAUR2")

USairpollution
Segn los datos:
Table: USairpollution
SO2 temp manu popul wind precip predays
Albany 46 47.60 44 116 8.80 33.36 135
Albuquerque 11 56.80 46 244 8.90 7.77 58
Atlanta 24 61.50 368 497 9.10 48.34 115
Baltimore 47 55.00 625 905 9.60 41.31 111
Buffalo 11 47.10 391 463 12.40 36.11 166
Charleston 31 55.20 35 71 6.50 40.75 148
Chicago 110 50.60 3344 3369 10.40 34.44 122
Cincinnati 23 54.00 462 453 7.10 39.04 132
Cleveland 65 49.70 1007 751 10.90 34.99 155
Columbus 26 51.50 266 540 8.60 37.01 134
Dallas 9 66.20 641 844 10.90 35.94 78
Denver 17 51.90 454 515 9.00 12.95 86
Des Moines 17 49.00 104 201 11.20 30.85 103
Detroit 35 49.90 1064 1513 10.10 30.96 129
Hartford 56 49.10 412 158 9.00 43.37 127
Houston 10 68.90 721 1233 10.80 48.19 103
Indianapolis 28 52.3 361 746 9.7 38.74 121
Jacksonville 14 68.4 136 529 8.8 54.47 116
Kansas City 14 54.5 381 507 10.0 37.00 99
Little Rock 13 61.0 91 132 8.2 48.52 100

Continuacin
Continuando con los datos anteriores
Louisville 30 55.6 291 593 8.3 43.11 123
Memphis 10 61.6 337 624 9.2 49.10 105
Miami 10 75.5 207 335 9.0 59.80 128
Milwaukee 16 45.7 569 717 11.8 29.07 123
Minneapolis 29 43.5 699 744 10.6 25.94 137
Nashville 18 59.4 275 448 7.9 46.00 119
New Orleans 9 68.3 204 361 8.4 56.77 113
Norfolk 31 59.3 96 308 10.6 44.68 116
Omaha 14 51.5 181 347 10.9 30.18 98
Philadelphia 69 54.6 1692 1950 9.6 39.93 115
Phoenix 10 70.3 213 582 6.0 7.05 36
Pittsburgh 61 50.4 347 520 9.4 36.22 147
Providence 94 50.0 343 179 10.6 42.75 125
Richmond 26 57.8 197 299 7.6 42.59 115
Salt Lake City 28 51.0 137 176 8.7 15.17 89
San Francisco 12 56.7 453 716 8.7 20.66 67
Seattle 29 51.1 379 531 9.4 38.79 164
St. Louis 56 55.9 775 622 9.5 35.89 105
Washington 29 57.3 434 757 9.3 38.89 111
Wichita 8 56.6 125 277 12.7 30.58 82
Wilmington 36 54.0 80 80 9.0 40.25 114

DATA EXAM
En este conjunto de datos se presentan los resultados de 5 individuos

en examen que miden distintas reas.
Table: exam
subject maths english history geography chemistry physics
1 60 70 75 58 53 42
2 80 65 66 75 70 76
3 53 60 50 48 45 43
4 85 79 71 77 68 79
5 45 80 80 84 44 46

exam <-
structure(list(subject = 1:5, math = c(60L, 80L, 53L, 85L, 45L
), english = c(70L, 65L, 60L, 79L, 80L), history = c(75L, 66L,
50L, 71L, 80L), geography = c(58L, 75L, 48L, 77L, 84L), chemistry = c(53L,
70L, 45L, 68L, 44L), physics = c(42L, 76L, 43L, 79L, 46L)), .Names = c("subject",
"maths", "english", "history", "geography", "chemistry", "physics"
), class = "data.frame", row.names = c(NA, -5L))

Data:Pottery
Consiste en el resultado de anlisis qumico sobre las cermicas

Romano-britnica hecho en tres diferentes regiones, pero teniendo en
cuenta los tipos de hornos.
Region 1: contiene un horno 1
Region 2: contiene los hornos 2 y 3
Region 3: contiene los hornos 4 y 5

Llamando el conjunto de datos Pottery
data("pottery", package = "HSAUR2")

Data:pottery
Los datos de cermica vienen dados por:
Table: pottery
Al2O3 Fe2O3 MgO CaO Na2O K2O TiO2 MnO BaO kiln
18.8 9.52 2.00 0.79 0.40 3.20 1.01 0.077 0.015 1
16.9 7.33 1.65 0.84 0.40 3.05 0.99 0.067 0.018 1
18.2 7.64 1.82 0.77 0.40 3.07 0.98 0.087 0.014 1
16.9 7.29 1.56 0.76 0.40 3.05 1.00 0.063 0.019 1
17.8 7.24 1.83 0.92 0.43 3.12 0.93 0.061 0.019 1
18.8 7.45 2.06 0.87 0.25 3.26 0.98 0.072 0.017 1
16.5 7.05 1.81 1.73 0.33 3.20 0.95 0.066 0.019 1
18.0 7.42 2.06 1.00 0.28 3.37 0.96 0.072 0.017 1
15.8 7.15 1.62 0.71 0.38 3.25 0.93 0.062 0.017 1
14.6 6.87 1.67 0.76 0.33 3.06 0.91 0.055 0.012 1
13.7 5.83 1.50 0.66 0.13 2.25 0.75 0.034 0.012 1
14.6 6.76 1.63 1.48 0.20 3.02 0.87 0.055 0.016 1
14.8 7.07 1.62 1.44 0.24 3.03 0.86 0.080 0.016 1
17.1 7.79 1.99 0.83 0.46 3.13 0.93 0.090 0.020 1
16.8 7.86 1.86 0.84 0.46 2.93 0.94 0.094 0.020 1
15.8 7.65 1.94 0.81 0.83 3.33 0.96 0.112 0.019 1
18.6 7.85 2.33 0.87 0.38 3.17 0.98 0.081 0.018 1
16.9 7.87 1.83 1.31 0.53 3.09 0.95 0.092 0.023 1
18.9 7.58 2.05 0.83 0.13 3.29 0.98 0.072 0.015 1
18.0 7.50 1.94 0.69 0.12 3.14 0.93 0.035 0.017 1

continuacin
Continuando con los datos de cermica
Table: pottery
Al2O3 Fe2O3 MgO CaO Na2O K2O TiO2 MnO BaO kiln
17.8 7.28 1.92 0.81 0.18 3.15 0.90 0.067 0.017 1
14.4 7.00 4.30 0.15 0.51 4.25 0.79 0.160 0.019 2
13.8 7.08 3.43 0.12 0.17 4.14 0.77 0.144 0.020 2
14.6 7.09 3.88 0.13 0.20 4.36 0.81 0.124 0.019 2
11.5 6.37 5.64 0.16 0.14 3.89 0.69 0.087 0.009 2
13.8 7.06 5.34 0.20 0.20 4.31 0.71 0.101 0.021 2
10.9 6.26 3.47 0.17 0.22 3.40 0.66 0.109 0.010 2
10.1 4.26 4.26 0.20 0.18 3.32 0.59 0.149 0.017 2
11.6 5.78 5.91 0.18 0.16 3.70 0.65 0.082 0.015 2
11.1 5.49 4.52 0.29 0.30 4.03 0.63 0.080 0.016 2
13.4 6.92 7.23 0.28 0.20 4.54 0.69 0.163 0.017 2
12.4 6.13 5.69 0.22 0.54 4.65 0.70 0.159 0.015 2
13.1 6.64 5.51 0.31 0.24 4.89 0.72 0.094 0.017 2
11.6 5.39 3.77 0.29 0.06 4.51 0.56 0.110 0.015 3
11.8 5.44 3.94 0.30 0.04 4.64 0.59 0.085 0.013 3
18.3 1.28 0.67 0.03 0.03 1.96 0.65 0.001 0.014 4
15.8 2.39 0.63 0.01 0.04 1.94 1.29 0.001 0.014 4
18.0 1.50 0.67 0.01 0.06 2.11 0.92 0.001 0.016 4
18.0 1.88 0.68 0.01 0.04 2.00 1.11 0.006 0.022 4
20.8 1.51 0.72 0.07 0.10 2.37 1.26 0.002 0.016 4
17.7 1.12 0.56 0.06 0.06 2.06 0.79 0.001 0.013 5
18.3 1.14 0.67 0.06 0.05 2.11 0.89 0.006 0.019 5
16.7 0.92 0.53 0.01 0.05 1.76 0.91 0.004 0.013 5
14.8 2.74 0.67 0.03 0.05 2.15 1.34 0.003 0.015 5
19.1 1.64 0.60 0.10 0.03 1.75 1.04 0.007 0.018 5
Data:hypo
Un conjunto de datos con valores faltantes, que normalmente se usa

de ejemplo
Table: hypo
individual sex age IQ depression health weight
1 Male 21 120 Yes Very good 150
2 Male 43 NA No Very good 160
3 Male 22 135 No Average 135
4 Male 86 150 No Very poor 140
5 Male 60 92 Yes Good 110
6 Female 16 130 Yes Good 110
7 Female NA 150 Yes Very good 120
8 Female 43 NA Yes Average 120
9 Female 22 84 No Average 105
10 Female 80 70 No Good 100

hypo <-
structure(list(individual = 1:10, sex = structure(c(2L, 2L, 2L,
2L, 2L, 1L, 1L, 1L, 1L, 1L), .Label = c("Female", "Male"), class = "factor"),
age = c(21L, 43L, 22L, 86L, 60L, 16L, NA, 43L, 22L, 80L),
IQ = c(120L, NA, 135L, 150L, 92L, 130L, 150L, NA, 84L, 70L
), depression = structure(c(2L, 1L, 1L, 1L, 2L, 2L, 2L, 2L,
1L, 1L), .Label = c("No", "Yes"), class = "factor"), health = structure(c(3L,
3L, 1L, 4L, 2L, 2L, 3L, 1L, 1L, 2L), .Label = c("Average",
"Good", "Very good", "Very poor"), class = "factor"), weight = c(150L,
160L, 135L, 140L, 110L, 110L, 120L, 120L, 105L, 100L)), .Names = c("individual",
"sex", "age", "IQ", "depression", "health", "weight"),
class = "data.frame", row.names = c(NA, -10L))

Data: measure
Este conjunto de datos consiste en medidas de hombres y mujeres
Table: measure
chest waist hips gender chest waist hips gender
34 30 32 male 36 24 35 female
37 32 37 male 36 25 37 female
38 30 36 male 34 24 37 female
36 33 39 male 33 22 34 female
38 29 33 male 36 26 38 female
43 32 38 male 37 26 37 female
40 33 42 male 34 25 38 female
38 30 40 male 36 26 37 female
40 30 37 male 38 28 40 female
41 32 39 male 35 23 35 female

measure <-
structure(list(V1 = 1:20, V2 = c(34L, 37L, 38L, 36L, 38L, 43L,
40L, 38L, 40L, 41L, 36L, 36L, 34L, 33L, 36L, 37L, 34L, 36L, 38L,
35L), V3 = c(30L, 32L, 30L, 33L, 29L, 32L, 33L, 30L, 30L, 32L,
24L, 25L, 24L, 22L, 26L, 26L, 25L, 26L, 28L, 23L), V4 = c(32L,
37L, 36L, 39L, 33L, 38L, 42L, 40L, 37L, 39L, 35L, 37L, 37L, 34L,
38L, 37L, 38L, 37L, 40L, 35L)), .Names = c("V1", "V2", "V3",
"V4"), class = "data.frame", row.names = c(NA, -20L))
measure <- measure[,-1]
names(measure) <- c("chest", "waist", "hips")
measure$gender <- gl(2, 10)
levels(measure$gender) <- c("male", "female")

Para pensar....
Que le llamaria la atencion de cada uno de los conjuntos de datos?

Que relacionaria usted?

Medidas estadstica Vector de medias
Vector de medias
Cuando hablamos de datos multivariados, la medida que

frecuentemente se utiliza como medida de centralizacin es el vector
de media. Imagine que usted esta midiendo las estatura, el peso, el
largo del brazo, el largo del pie , de las personas que desean
pertenecer a la polica nacional. Imagnese que son 20 individuos, con
cuatro variables. Que tiene mejor razonamiento estadstico? tomar la
media de cada individuo o tomar la media de cada variable?

Vector de medias
Definimos el vector de medias para un conjunto de datos de n

individuos y de p variables como el vector de dimension px1 tal que
cada componente de ese vector es la media de cada variable:

x1
x = (6)
xp
Es fcil probar que:
1
X1 X =
n
Donde 1 representa un vector de 1s de la dimension adecuada
(probar)

Ejemplo vector de medias
Hagamos un ejemplo: diga su edad,la cantidad de aos de estudio

hasta ahora, genero.

Ejemplo sobre el vector de medias

Podemos hallar el vector de medias, de hecho lo podemos hacer
usando una de las bases de datos, que antes habamos hablado, por
ejemplo si consideramos el conjunto de datos measure
summary(measure)
Y el resultado queda de la siguiente forma:
chest waist hips gender

1 Min. :33.00 Min. :22.0 Min. :32.00 male :10
2 1st Qu.:35.75 1st Qu.:25.0 1st Qu.:35.75 female:10
3 Median :36.50 Median :28.5 Median :37.00
4 Mean :37.00 Mean :28.0 Mean :37.05
5 3rd Qu.:38.00 3rd Qu.:30.5 3rd Qu.:38.25
6 Max. :43.00 Max. :33.0 Max. :42.00
vm=c(mean(measure$chest),mean(measure$waist),mean(measure$hips))

Medidas estadstica Matriz de Covarianza
Covarianza entre dos variables
Si queremos medir la variabilidad de los datos y las relaciones lineales

entre las variables se utiliza la matriz de varianzas-covarianzas.
En particular, si hablamos de la covarianza entre dos variables es la
medida de su dependencia lineal. Si consideramos la covarianza de
dos variables Xi ,Xj entonces:
Cov(Xi , Xj ) = E [(Xi )(Xj )] (7)

donde en la ecuacin 9 se refiere al valor esperado E (Xi ) = i y
E (Xj ) = j . Adicionalmente podemos notar que si i = j que sucede?

Observaciones sobre la covarianza
Dado lo anterior no es necesario definir varianza y covarianza por

separados en el caso multivariado
si Xi ,Xj son independientes, entonces su covarianza es cero. Pero
el recproco no es necesariamente cierto (prubelo)
La covarianza de Xi ,Xj es denotada por ij es claro que ij = ji y
que la varianza de XI es i2
Valores grandes de la covarianza implican un mayor grado de
dependencia entre dos variables
La covarianza depende de la escala de la variables, es decir si
usamos kilos en lugar de libra puede que el valor disminuya,
entonces erradamente, podemos concluir erroneamente.

Covarianza de dos variable
La covarianza muestral esta definida como:

Pn
(xi x)(yi y )
sxy = i=1 (8)
n1
Se puede demostrar que
Pn
nx y
i=1 xi yi
sxy = (9)
n1

Ntese que (9) mide la relacin lineal entre las dos variables . Para ver
que sxy mide la relacin lineal , ntese que la pendiente de la linea de
una regresin lineal simple es:
Pn
(x x)(yi y ) sxy
1 = i=1 Pn i 2
= 2
i=1 (xi x) sx
Esto es sxy es proporcional a la pendiente, esto muestra solo la
relacin lineal entre y y x.

Usando R
Por lo tanto podemos usar lo siguiente para hallar la covarianza de

dos variables en R
cov(measure$chest,measure$waist)
measure$chest
measure$waist
Tenemos que la covarianza es positiva, significa que cuando el pecho

aumenta , la cintura tambien. Pero no necesariamente sabemos que
esto es cierto, por eso la relacin no es tan fuerte.

Si X es un vector aleatorio tomado de todos los posibles valores en

una poblacin multivariado matriz de covarianza poblacional est
definido como:
2
1 12 1p
21 2 2p
2
= cov(X) .

.. .. ..
.. . . .
p1 p2 2
pp
Tenemos que la matriz de covarianza es ampliamente usada,
algunos autores coinciden como la varianza de los datos
multivariados.

Matriz de covarianza(subconjunto de variables)
La matriz de covarianza entre un subconjunto de variables viene dada

por:
2
s1 s12 s1k
s21 s2 s2k
2
S= .

. .. . . ..
. . . .
2
sk 1 sk 2 skk
Siempre que k p
1 Pn
Esta matriz la podemos redefinir como: S = n1 i=1 (xi x)(xi x)
n
Donde xiT = (xi1 , xi12 , . . . , xip ) y x = n1 i=1 xi
P
El cual es el vector de medias de las observaciones

Interpretacin de la covarianza
Si la covarianza es negativa, significa que si una variable aumenta

la otra disminuye, es decir que hay una dependencia inversa
Si la covarianza es cero significa que no existe relacin entre las
dos variables
Si la covarianza es positiva, significa que si la variable disminuye
la otra disminuye o si aumenta la otra aumenta, esto es
dependencia directa.

Calculando la matriz de covarianza
Si usamos el conjunto de datos measure, calculamos la matriz de

covarianza de las primeras tres variables, ya que la ultima es nominal
cov(measure[,c("chest","waist","hips")])
chest waist hips

chest 6.63 6.37 3.00
waist 6.37 12.53 3.58
hips 3.00 3.58 5.94
Recuerde que la diagonal es la varianza. Mientras que como la

covarianza es positiva, en todo caso, la asociacin es directa.Pero las
magnitudes no nos dice nada he all para que usaramos la correlacin

Covarianza de un subconjunto de variables
Si queremos hallar la matriz de covarianza de un subconjunto de los

datos, por ejemplo en nuestro caso en especifico obtendremos el
subconjunto con respecto al genero:
cov(subset(measure,gender=="female")[,c("chest","waist","hips")])
chest waist hips

chest 2.28 2.17 1.56
waist 2.17 2.99 2.76
hips 1.56 2.76 3.07
Hgalo con respecto a el genero hombre.

Covarianza de forma manual
Hallar de forma manual la matriz de covarianza del siguiente conjunto

de datos:
X1 X2
6 3
10 4
12 7
12 6
E (X1 ) = 10, E (X2 ) = 5

(6 10)(3 5) + (10 10)(4 5)
s12 =
4
(12 10)(7 5) + (12 10)(6 5)
+ = 3.5
4

Medidas estadstica Correlacin
Correlacin de dos variables
La covarianza depende de la escala de medida de las variables, pero

sabemos que podemos cambiar la escala, por ejemplo de cm a m o
del pulg a cm, esto implicara obtener valores mayores o menores, con
eso podramos cambiar la interpretacin. Ahora el objetivo es hallar
una medida de la relacin lineal entre las variables pero que no
dependa de las unidades de medidas

Correlacin de dos variables
jk
jk =
j k
Podemos estimar la correlacin sustituyendo los anteriores valores por
la desviacin estndar y la covarianza muestral:
sjk
rjk =
sj sk

Tenemos que la correlacin esta entre -1 y 1. Lo podemos interpretar

de la siguiente manera:
jk = 0 : Indica que las dos variables no estan correlacionadas

jk = 1 : (o cerca)indica una dependencia positiva fuerte
jk = 1 : (o cerca)indica que la dependencia negativa fuerte

Matriz de correlacin
Dada las correlaciones entre variables, podemos definir la siguiente

matriz usando las correlaciones entre variables

1 12 1p
21 1 2p
= cor (X) .

. .. . . ..
. . . .
p1 p2 1
La matriz de correlacin de un subconjunto de variables se denota con

la letra: R

Usamos en R para el mismo conjunto con el que hemos estado

trabajando de esta forma:
cor(measure[,c("chest","waist","hips")])

ejemplo con measure
chest waist hips

chest 1.00 0.70 0.48
waist 0.70 1.00 0.41
hips 0.48 0.41 1.00

Pruebe
Si tenemos la matriz D a la matriz diagonal de orden p, en cuya

diagonal van las desviaciones estndar de cada una de las variables,
pruebe que:
= D 1 D 1
Lo cual equivale a probar (realcelo)
= DD

Observacin
La medida de la correlacin siempre debe ir acompaada de una

grfica de una variable contra la otra. Ya que la grafica puede mostrar
que tipo de relacin tenga aunque no sea lineal. Por ejemplo,
podemos obtener la correlacin cercana a cero, pero la relacin entre
las variables puede ser cuadrtica.

Grficas para datos multivariados Anlisis exploratorio de datos
Algunas frases sobre las grficas multivariadas
De acuerdo a Chambers, Cleveland,Kleiner y Turkey (1995)
There is no statistical tool that is powerful as a well-chosen graph
Tuffe 1993
Data graphics visually display measured quantities by means of the
combined use of points, lines, a coordinate system, numbers, symbols,
words, shading and color

Popularidad de las grficas
Normalmente en un ao se imprimen 900 billones y 2 trillones de

grficas estadstica.
Algunas razones por las cuales son populares las grficas:
Para descubrir modelos que no son esperados( El sistema visual
humano es muy poderoso para hallar modelos)
Atraen al lector, mas que las tablas
Relacin entre variables son mas fciles de encontrar
Es mas fcil recordar la relacin entre las variables

Objetivos que podemos obtener al hacer una grfica
Para proveer una vision general

Para contar una historia
Sugiere una hiptesis
Para criticar un modelo

Intentando hacer grficas
Lo primero que debemos hacer al querer hacer una grfica y de

hecho, estudiar un conjunto de datos es usar el comando: str(data)
Por ejemplo si usamos los datos de
data("USairpollution")
#Usamos el sgte comando para saber la estructura
interna de un objeto
str(USairpollution)
Nos dice que es un data frame de 41 observaciones y de 7 variables,

nos enumera la de tipo entero (int) y la real(num)

Usando mfrow
Cuando queremos hacer varias grficas en un mismo grfico, el

comando que debemos usar, para utilizarlo es el siguiente:
par(mfrow=c(2,2))
Significa que la pantalla de las grficas se va a partir de 2 en 2 (

Pueden aparecer 4 grficos en una pantalla). Adems row es que se
acomoden las grficas por filas. Mientras que si usamos
par(mfcol=c(3,2))
significa que una sola pantalla de las grficas la vamos a partir en 6

pedazos 3 filas dos columnas, pero al tener col, ella van
acomodndose por columnas.

Uso de mfrow
Realicemos lo siguiente en nuestra consola de R:
str(USairpollution)
par(mfrow=c(2,2))
plot(USairpollution$SO2,USairpollution$temp)
plot(USairpollution$SO2,USairpollution$manu,
col="red")
plot(USairpollution$SO2,USairpollution$popul,
col="blue")
plot(USairpollution$SO2,USairpollution$wind,
col="yellow")

USairpollution$manu
USairpollution$temp
75
2000
60
45
0
20 40 60 80 100 20 40 60 80 100
USairpollution$SO2 USairpollution$SO2
USairpollution$popul
USairpollution$wind
11
2000
6 8
0
20 40 60 80 100 20 40 60 80 100

Uso de mfcol
Ordenar las grficas por columnas:
str(USairpollution)
par(mfrow=c(2,2))
plot(USairpollution$SO2,USairpollution$temp)
plot(USairpollution$SO2,USairpollution$manu,
col="red")
plot(USairpollution$SO2,USairpollution$popul,
col="blue")
plot(USairpollution$SO2,USairpollution$wind,
col="yellow")

USairpollution$popul
USairpollution$temp
75
2000
60
45
0
20 40 60 80 100 20 40 60 80 100
USairpollution$manu
USairpollution$wind
11
2000
6 8
0
20 40 60 80 100 20 40 60 80 100

Grficas para datos multivariados Grficas de una dimension
Diagrama de dispersion
En este diagrama lo que podemos observar es que tan

correlacionadas estn ambas variables, organizamos una en el eje X y
otra variables en el eje Y. Mientras mas lineal se vea la tendencia, se
podra pensar que la correlacin entre las dos variables es alta, pero
siempre debemos tener presente como se relacionan las otras
variables con ella. Si se aplica al crear el anlisis, el grfico de
dispersion puede mostrar informacin adicional en lneas de
referencia o varios tipos distintos de curvas.

Anlisis de manu y popul de Usairpollution
win.graph()
plot(USairpollution$manu,USairpollution$popul,
main="Grafico de dispersion manu vs popul",xlab="manu",ylab="popul")
abline(lm(USairpollution$popul~USairpollution$manu),col=3)

Ejemplo de manu vs popul

Matriz de dispersion
Estas lneas o curvas podran, por ejemplo, mostrar si los puntos de

los datos se adaptan bien a un ajuste de curva polinmica
determinado, o resumir un conjunto de puntos de datos de muestra
ajustndolos a un modelo que describir los datos y mostrar una
curva o una lnea recta sobre la visualizacin. La curva normalmente
cambia su aspecto en funcin de los valores que se hayan filtrado del
anlisis. Al pasar por encima el ratn, una sugerencia sobre
herramienta mostrar la forma en que se calcula la curva. Si tenemos
p variables, entonces el numero de graficos de variables que podemos
esperar es p(p1)
2

Dispersion de polucion en USA

45 60 75 0 1500 3500 10 30 50
SO2
20
45 70
temp
3000
manu
0
3000
popul
0
11
wind
6
10 50
precip
160
predays
40
20 60 100 0 1500 6 8 10 40 100 160

Comandos en R
Para obtener el grfico de dispersion utilizamos el siguiente comando
plot(USairpollution,main="Dispersion polucin en USA")

Interpretacin
Podemos ayudarnos, adems del grfico con la matriz de correlacin,

para observar la relacin lineal, entre las variables. Por lo tanto:
SO2 1 -0.4336 0.6448 0.4938 0.0947 0.0543 0.3696
temp -0.4336 1 -0.19 -0.0627 -0.3497 0.3863 -0.4302
manu 0.6448 -0.19 1 0.9553 0.2379 -0.0324 0.1318
popul 0.4938 -0.0627 0.9553 1 0.2126 -0.0261 0.0421
wind 0.0947 -0.3497 0.2379 0.2126 1 -0.013 0.1641
precip 0.0543 0.3863 -0.0324 -0.0261 -0.013 1 0.4961
predays 0.3696 -0.4302 0.1318 0.0421 0.1641 0.4961 1
Tenemos que uno los valores que mas se resaltan son las
correlaciones entre manu y popul. Podemos observar la grfica de
dispersion en la matriz, pero tambin podemos hacerlo en particular el
grfico de dispersion entre manu y popul

Otros tipos de matriz de dispersion
# Usando histogramas
scatterplotMatrix(~manu+popul+precip+predays+SO2+temp, reg.line=FALSE,
smooth=FALSE, spread=FALSE, span=0.5, ellipse=FALSE, levels=c(.5, .9),
id.n=0, diagonal = histogram, data=USairpollution)
#boxplot
scatterplotMatrix(~manu+popul+precip+predays+SO2+temp, reg.line=FALSE,
smooth=FALSE, spread=FALSE, span=0.5, ellipse=FALSE, levels=c(.5, .9),
id.n=0, diagonal = boxplot, data=USairpollution)

Multiples boxplot
Podramos comparar las medidas mas usadas o comnmente usadas

en estadstica para comparar cada una de las variables. Para ello
vamos hacer una figura que contenga los boxplot de cada uno de las
variables:
boxplot(USairpollution,col=c(2,3,4,5,6,7,8),
main="Boxplot de Usairpollution")

Boxplot para Usairpollution

3500
2500
1500
500
0
variable

Logaritmo de los datos
los diagramas de caja y bigotes anteriores llaman la atencin, ya que

en ellos podemos observar que estan condensados y algunos tienen
outliers, una forma de saber si estan en la misma escala, es
realizando un resumen de los datos:
summary(USairpollution)
Dado los resultados, anteriores observamos que el poder transformar

los datos obtenemos el logaritmo de los datos, hacemos esto en R
summary(log(USairpollution))

log de Boxplot de Usairpollution

8
7
6
5
4
3
2

Identificar los valores atpicos( boxplot)
Boxplot para manu
3000
2000 Chicago
manu
Philadelphia
500 1000
Detroit
Cleveland
0

Las caras de Chernoff
Investadas por Herman Chernoff

Visualizan datos en forma de rostro
Cada parte del rostro representa una variable
La idea principal es que los seres humanos estamos
acostumbrados a observar las diferencias en los rostros
Se pueden observar hasta 18 variables


Desventajas en las caras de Chernoff
Cantidad limitada de variables que se pueden representar

La lectura es muy subjetiva
As como hay una boca sonriente puede haber una ceja fruncida
en el mismo rostro
Es necesario hacer otros grficos para validar

Caras de Chernoff para USairpollution
library(aplpack)
faces(USairpollution,main="Caras de chernoff para USairpollution")
#Obtenemos lo siguiente en R
effect of variables:
modified item Var
"height of face " "SO2"
"width of face " "temp"
"structure of face" "manu"
"height of mouth " "popul"
"width of mouth " "wind"
"smiling " "precip"
"height of eyes " "predays"
"width of eyes " "SO2"
"height of hair " "temp"
"width of hair " "manu"
"style of hair " "popul"
"height of nose " "wind"
"width of nose " "precip"
"width of ear " "predays"
"height of ear " "SO2"

Grafica Caras de chernoff
Caras de chernoff para USairpolltion
Albany Albuquerque Atlanta Baltimore Buffalo Charleston Chicago
Cincinnati Cleveland Columbus Dallas Denver Des Moines Detroit
Hartford Houston IndianapolisJacksonvilleKansas City Little Rock Louisville
Memphis Miami Milwaukee Minneapolis Nashville New Orleans Norfolk
Omaha Philadelphia Phoenix Pittsburgh Providence RichmondSalt Lake City
San Francisco Seattle St. Louis Washington Wichita Wilmington

Diagramas estrellas
Se construyen los rayos, donde cada longitud de estos es

proporcional al valor de la variable que representa
Se unen los rayos en un punto central
Se van formando los rayos en el sentido de las manecillas del reloj

Grfico estrella para USairpollution
stars(USairpollution, len = 0.6, key.loc = c(16,1),

main = "Grfico estrella USairpollution", draw.segments = FALSE,
frame.plot = TRUE, nrow = 6, cex = .7)
palette(rainbow(12, s = 0.6, v = 0.75))
stars(USairpollution, len = 0.6, key.loc = c(16,1),
main = "Grfico estrella USairpollution", draw.segments = TRUE,
frame.plot = TRUE, nrow = 6, cex = .7)

Grafica Estrella para USairpollution
Grafico estrella USairpollution
Albuquerque Baltimore Charleston

Albany Atlanta Buffalo Chicago
Cincinnati Columbus Denver Detroit

Cleveland Dallas Des Moines
Houston Jacksonville Little Rock

Hartford Indianapolis Kansas City Louisville
Memphis Milwaukee Nashville Norfolk

Miami Minneapolis New Orleans
Philadelphia Pittsburgh Richmond

Omaha Phoenix Providence Salt Lake City
San Francisco St. Louis Wichita manu temp

Seattle Washington popul
Wilmington
SO2
wind
Sindy Daz Hernndez (UTB) Mtodos Multivariados precip predays
Noviembre, 2017 77 / 79
Grafica Estrella para USairpollution
Grafico estrella USairpollution
Albuquerque Baltimore Charleston

Albany Atlanta Buffalo Chicago
Cincinnati Columbus Denver Detroit

Cleveland Dallas Des Moines
Houston Jacksonville Little Rock

Hartford Indianapolis Kansas City Louisville
Memphis Milwaukee Nashville Norfolk

Miami Minneapolis New Orleans
Philadelphia Pittsburgh Richmond

Omaha Phoenix Providence Salt Lake City
San Francisco St. Louis Wichita manu temp

Seattle Washington Wilmington SO2
popul
predays
Sindy Daz Hernndez (UTB) Mtodos Multivariados wind Noviembre,
precip 2017 78 / 79
Otros tipos de graficos multivariados
Existen otro tipo de graficos para datos multivariados, por ejemplo:

Grficas de Andrew
Investigue
Investigue

Primeraclase Maestria Diapositivas

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Primeraclase Maestria Diapositivas

Enviado por

Direitos autorais:

Formatos disponíveis

Mtodos Multivariados - Clase 1

Sindy Daz Hernndez

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 1 / 79

1 Estructura y notacin de datos multivariados

2 Algunos conjuntos de datos

4 Grficas para datos multivariados

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 2 / 79

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 3 / 79

Supongase que se han observado p variables numricas en un

Donde i = 1, . . . , n representa los individuos

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 4 / 79

La matriz de datos, X , puede representarse de dos formas distintas.

donde cada variable xi es un vector fila, p 1,

xi = (xi,1 , xi,2 , , xi,p )

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 5 / 79

Alternativamente, podemos representar la matriz X por columnas:

Medidas para datos univariante

Recordemos algunas definiciones para datos univariante:

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 7 / 79

Medidas para datos univariante

Recordemos algunas definiciones para datos univariante:

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 7 / 79

Medidas para datos univariante

Recordemos algunas definiciones para datos univariante:

donde dij = xij xj

Medidas para datos univariante

Recordemos algunas definiciones para datos univariante:

donde dij = xij xj

Medidas para datos univariante

Recordemos algunas definiciones para datos univariante:

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 8 / 79

Medidas para datos univariante

Recordemos algunas definiciones para datos univariante:

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 8 / 79

Medidas para datos univariante

Recordemos algunas definiciones para datos univariante:

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 8 / 79

Software a utilizar es R Studio

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 9 / 79

Base de datos USair pollution

La primera base de datos que vamos a utilizar esta en la base de

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 10 / 79

Utilizando comando en R studio

data("USairpollution", package = "HSAUR2")

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 11 / 79

Segn los datos:

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 12 / 79

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 13 / 79

En este conjunto de datos se presentan los resultados de 5 individuos

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 14 / 79

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 15 / 79

Consiste en el resultado de anlisis qumico sobre las cermicas

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 16 / 79

Llamando el conjunto de datos Pottery

data("pottery", package = "HSAUR2")

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 17 / 79

Los datos de cermica vienen dados por:

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 18 / 79

Un conjunto de datos con valores faltantes, que normalmente se usa

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 20 / 79

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 21 / 79

Este conjunto de datos consiste en medidas de hombres y mujeres

Sindy Daz Hernndez (UTB) Mtodos Multivariados Noviembre, 2017 22 / 79