clasificación de las técnicas estadísticas multivariantes
TRANSCRIPT
Disponible en: http://www.redalyc.org/src/inicio/ArtPdfRed.jsp?iCve=99323311009
RedalycSistema de Información Científica
Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Quero Virla, Milton; Inciarte Pirela, Karla
Clasificación de las Técnicas Estadísticas Multivariantes
Telos, vol. 14, núm. 2, mayo-agosto, 2012, pp. 275-286
Universidad Rafael Belloso Chacín
Maracaibo, Venezuela
¿Cómo citar? Número completo Más información del artículo Página de la revista
Telos
ISSN (Versión impresa): 1317-0570
Universidad Rafael Belloso Chacín
Venezuela
www.redalyc.orgProyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
TELOS. Revista de Estudios Interdisciplinarios en Ciencias SocialesUNIVERSIDAD Rafael Belloso Chacín
ISSN 1317-0570 ~ Depósito legal pp: 199702ZU31Vol. 14 (2): 275 - 286, 2012
Clasificación de las Técnicas EstadísticasMultivariantes
Milton Quero Virla* y Karla Inciarte Pirela**
Introducción
En esta nota se presenta una clasificación de algunas técnicas de análisis es-tadístico multivariante. En sintonía con una realidad socio-económica-empresa-rial compleja actual, las técnicas multivariantes encuentran un oportuno y conve-niente campo de aplicación, no obstante los orígenes de dichas técnicas se remon-tan a fines del siglo XIX y primeras décadas del siglo XX con estudios en áreascomo psicología y antropología (Peña, 2002, p. 10) (Landero y González, 2006,p. 391-393).
No siendo un término fácil de definir, en su sentido amplio, el análisis mul-tivariante se refiere a todos los métodos estadísticos que analizan simultáneamen-te medidas múltiples de cada individuo u objeto sometido a investigación; y enotras, palabras, cualquier análisis simultáneo de más de dos variables puede serconsiderado aproximadamente como un análisis multivariante (Hair y Taham,2008, p.4). Coincidiendo con este criterio de “simultaneidad”, también puededefinirse como el conjunto de técnicas estadísticas que de forma simultánea mi-den, explican y predicen todas las relaciones existentes entre los elementos queconforman una tabla de datos, proporcionando un resultado que debe ser inter-pretado minuciosamente por el analista (Lévy y Varela, 2005, p.6).
Clasificación de las Técnicas Multivariantes
Para la clasificación de las técnicas recopiladas en esta Nota se han conside-rado dos criterios no excluyentes: el primero, que atiende al objetivo científicoprincipal de una investigación: extracción de información (enfoque descriptivo)
275
* Licenciado en Educación Mención Matemática y Física. MSc Estadística Aplicada.Estudios Doctorales en Ciencias de la Educación. Profesor de Educación IntegralEspecialidad Matemática. Profesor Agregado del Departamento de Matemáticas dela Facultad Experimental de Ciencias, LUZ. Maracaibo, Venezuela. Correo electró-nico: [email protected]
** Técnico Superior Universitario en Diseño Gráfico del Colegio Universitario Dr.Rafael Belloso Chacín, CUNIBE. Estudios de Pregrado en la Licenciatura enMatemáticas de la Universidad del Zulia, LUZ. Maracaibo, Venezuela. Correoelectrónico: [email protected]
por una parte, y generación de conocimiento (enfoque inferencial), por la otra.Ambos enfoques pueden vincularse a objetivos específicos de reducción de la in-formación y obtención de indicadores; clasificación y construcción de grupos; y,relación-predicción de variables (Peña, 2002, p.7) (Pérez, 2004, p. 1).
Un segundo criterio, considera la naturaleza o tipo de variables involucradas ylas relaciones entre estas: técnicas de análisis de la dependencia (D), con variables de-pendientes, criterios o explicadas (VD) y variables independientes, predictoras o ex-plicativas (VI); y las técnicas de análisis de la interdependencia (I), que no discrimi-nan entre VD y VI. Los resultados se muestran en los cuadros siguientes.
Cuadro 1Clasificación de los Métodos Multivariantes
según enfoque y objetivos
Objetivos Enfoque descriptivo(Información)
Métodos de exploraciónde datos
Objetivo: Extraerinformación
Enfoque Inferencial(Conocimiento)
Métodos de InferenciaObjetivo: Generar
conocimiento
Obtener Indicadores • ComponentesPrincipales (I)
• Correspondencias (I)
• Factorial (I)
Clasificar • Conglomerados (I) • Discriminante (D)• Elección Discreta (D)
Construir grupos • Conglomerados (I)
Relacionar variables • Regresión Múltiple (D) • Correlación Canónica (D)• MANOVA (D)• Ecuaciones Estructurales (D)
Fuente: Elaboración propia a partir de la original de Peña (2002, p. 7).
276
Milton Quero Virla y Karla Inciarte PirelaTelos Vol. 14, No. 2 (2012) 275 - 286
277
Clasificación de las Técnicas Estadísticas Multivariantes
Cu
adro
2T
écn
icas
de
An
ális
isd
ela
Dep
end
enci
a
Nom
bre
(S)
yO
bje
tivo
(S)
Su
pu
esto
sy
nat
ura
leza
de
las
vari
able
sC
om
enta
rios
Ad
icio
nal
es
An
ális
isM
ult
ivar
iable
de
laV
aria
nza
(Man
ova
).
Ana
lizar
una
rela
ción
dede
pend
enci
are
pre-
sent
ada
com
ola
sdi
fere
ncia
sen
unco
njun
tode
med
idas
depe
ndie
ntes
atr
avés
deun
ase
rie
degr
upos
form
ados
por
una
om
ásm
edid
asin
depe
ndie
ntes
cate
góri
cas
(Hai
ry
Tah
am,
2008
,p.3
55).
Con
tras
tar
silo
sva
lore
sno
mét
rico
sde
VI
dete
rmin
arán
laig
uald
adde
vect
ores
dem
e-di
asde
una
seri
ede
grup
osde
term
inad
ospo
rel
los
enla
sV
D(P
érez
,200
4,p.
8).
VD
:Mét
rica
sV
I:N
om
étri
cas.
YY
YX
XX
mn
12
12
��
��
��
�..
...
.Su
pues
tos:
1.In
depe
nden
cia
dela
sob
serv
acio
nes.
2.H
omog
enei
dad
dela
sm
atri
ces
deva
rian
-za
s-co
vari
anza
s(h
omoc
edas
ticid
ad).
3.N
orm
alid
adm
ultiv
aria
nte
delc
onju
nto
deV
D.
4.L
inea
lidad
-mul
ticol
inea
lidad
delv
alor
teó-
rico
dela
sV
I.5.
Sens
ibili
dad
aca
sos
atíp
icos
(Hai
ry
Ta-
ham
,200
8,pp
.355
y36
2).
Adi
cion
alm
ente
(ent
reot
ras
cosa
s),c
onsid
era-
cion
esre
ferid
asal
tam
año
mue
stra
ldeb
ento
-m
arse
encu
enta
(Hai
ry
Taha
m,
2008
,pp
.35
6-35
7).
Com
oco
nstr
ucci
ónte
óric
afu
ein
trod
ucid
oha
ceva
rias
déca
dass
egún
lafo
rmul
ació
nor
i-gi
nald
eWilk
s(H
airy
Tah
am,2
008,
p.34
5).
Laté
cnic
adel
Man
ovae
suna
gene
raliz
ació
nde
lA
nova
(uni
varia
nte)
para
unve
ctor
deva
riabl
esde
pend
ient
es(L
évy
yV
arel
a,20
05,p
.217
).
Más
aún,
elM
anov
aes
laex
tens
ión
mul
tiva-
riant
ede
las
técn
icas
univ
aria
ntes
para
valo
rar
lasd
ifere
ncia
sent
rela
smed
iasd
elo
sgru
pos:
elco
ntra
ste
tpar
asit
uaci
ones
dedo
sgru
pos,
yel
Ano
vaen
situa
cion
esco
ntr
eso
más
grup
osde
-fin
idos
pord
oso
más
VI.
Tant
oel
Ano
vaco
mo
elM
anov
aso
npa
rtic
ular
men
teút
ilesc
uand
ose
utili
zan
conj
unta
men
teco
ndi
seño
sde
expe
ri-m
ento
s(H
airy
Taha
m,2
008,
p.34
6).
278
Milton Quero Virla y Karla Inciarte PirelaTelos Vol. 14, No. 2 (2012) 275 - 286
Nom
bre
(S)
yO
bje
tivo
(S)
Su
pu
esto
sy
nat
ura
leza
de
las
vari
able
sC
om
enta
rios
Ad
icio
nal
es
Reg
resi
ón
Lin
ealM
últ
iple
Pred
ecir
los
cam
bios
(can
tidad
om
agni
tud)
enla
VD
enre
spue
sta
aca
mbi
osen
vari
asde
las
VI
(Hai
ry
Tah
am,2
008,
p.11
).
Ana
lizar
lare
laci
ónen
tre
una
VD
(end
óge-
na)
mét
rica
yva
rias
VI
(exó
gena
s)ta
mbi
énm
étri
cas
(Pér
ez,2
004,
p.5)
.
VD
:mét
rica
VI:
mét
rica
s.Y
XX
Xn
11
2�
��
�..
.Su
pues
tos:
1.L
inea
lidad
delf
enóm
eno
med
ido.
2.H
omoc
edas
ticid
adde
ltér
min
ode
lerr
or.
3.In
depe
nden
cia
delo
sté
rmin
osde
erro
r.4.
Nor
mal
idad
dela
dist
ribu
ción
delt
érm
ino
dele
rror
(Hai
ry
Tah
am,2
008,
p.16
6).
Ade
más
,ci
erta
sco
ndic
ione
sde
lta
mañ
om
uest
rald
eben
cons
ider
arse
(Hai
ry
Tah
am,
2008
,p.1
59).
Es
laté
cnic
ade
depe
nden
cia
más
vers
átil
yam
plia
men
teut
iliza
da(H
airy
Tah
am,2
008,
p.14
3).
Adm
itela
posib
ilida
dde
traba
jarco
nva
riabl
esin
depe
ndie
ntes
nom
étric
assi
seem
plea
nva
ria-
bles
fictic
iasp
arat
rans
form
arlas
enm
étric
as(P
é-re
z,20
04,p
.5)(
Hai
ryTa
ham
,200
8,p.
159)
.
Las
crec
ient
esap
licac
ione
sde
lare
gres
ión
múl
tiple
seag
rupa
nen
dos
ampl
ias
clas
esde
prob
lem
asde
inve
stig
ació
n(n
om
utua
men
teex
cluy
ente
s):
pred
icci
óny
expl
icac
ión
(Hai
ry
Tah
am,2
008,
p.15
5).
Corr
elac
ión
Can
ón
ica,
An
ális
isC
anón
ico
.
Ana
lizar
lare
laci
ónen
tre
múl
tiple
sV
D(e
n-dó
gena
s)m
étri
cas
yva
rias
VI
(exó
gena
s)ta
mbi
énm
étri
cas
(Pér
ez,2
004,
p.5)
.
Elo
bjet
ivo
esco
rrel
acio
nars
imul
táne
amen
teva
rias
VD
mét
rica
syva
rias
VIm
étri
cas(
Hai
ry
Tah
am,2
008,
p.12
).
Tam
bién
pued
eex
tend
erse
alca
sode
VD
nom
étric
asy
deV
Ino
mét
ricas
(Pér
ez,2
004,
p.5)
.
VD
:mét
rica
sy
nom
étri
cas
VI:
mét
rica
sy
nom
étri
cas
YY
YX
XX
mn
12
12
��
��
��
�..
...
.Su
pues
tos:
1.L
inea
lidad
deco
rrel
acio
nes
entr
ecu
ales
-qu
iera
dos
vari
able
s.2.
Lin
ealid
adde
lare
laci
ón.
3.N
orm
alid
adm
ultiv
aria
nte.
4.H
omoc
edas
ticid
ad.
5.N
om
ultic
olin
ealid
aden
tre
vari
able
s(H
air
yT
aham
,200
8,p.
474)
.
Sucr
eaci
ónse
atri
buye
aH
otel
ling
en19
36,
com
oun
aex
tens
ión
dela
idea
deco
mpo
nen-
tes
prin
cipa
les
(Peñ
a,20
02,p
.486
).
Est
udia
lasi
nter
rela
cion
esen
tre
múl
tiple
sva-
riab
lesc
rite
rio
(dep
endi
ente
s)y
múl
tiple
sva-
riab
les
pred
icto
ras
(ind
epen
dien
tes)
.M
ien-
tras
lare
gres
ión
múl
tiple
pred
ice
una
únic
aV
D,l
aco
rrel
ació
nca
nóni
capr
edic
esi
mul
tá-
neam
ente
múl
tiple
sV
D(p
.470
).A
unqu
ees
elm
étod
om
ásex
tend
ido
está
rest
ring
ido
ala
iden
tific
ació
nde
rela
cion
eslin
eale
s(H
air
yT
aham
,200
8,p.
474)
.
Cu
adro
2(C
onti
nu
aci
ón)
279
Clasificación de las Técnicas Estadísticas Multivariantes
Nom
bre
(S)
yO
bje
tivo
(S)
Su
pu
esto
sy
nat
ura
leza
de
las
vari
able
sC
om
enta
rios
Ad
icio
nal
es
An
ális
isD
iscr
imin
ante
Mú
ltip
le
Pret
ende
dos
posi
bles
fines
:uno
desc
ript
ivo
yot
ropr
edic
tivo
(Lév
yy
Var
ela,
2005
,p.
19).
Pers
igue
loso
bjet
ivos
prim
ario
sde
ente
nder
las
dife
renc
ias
delo
sgr
upos
ypr
edec
irla
ve-
rosi
mili
tud
dequ
eun
aen
tidad
(per
sona
uob
jeto
)pe
rten
ezca
aun
acl
ase
ogr
upo
part
i-cu
larb
asán
dose
enva
rias
VIm
étri
cas(
Hai
ryT
aham
,200
8,p.
11).
Ana
lizar
lare
laci
ónen
tre
una
VD
(end
óge-
na)
nom
étri
cay
vari
asV
I(e
xóge
nas)
mét
ri-
cas
(Pér
ez,2
004,
p.5)
.
VD
:No
mét
rica
VI:
Mét
rica
s
YX
XX
n1
12
��
��
...
Supu
esto
s:1.
Nor
mal
idad
mul
tivar
iant
ede
las
VI.
2.L
inea
lidad
dela
sre
laci
ones
.3.
No
mul
ticol
inea
lidad
entr
ela
sV
I.4.
Igua
ldad
enla
sm
atri
ces
deco
vari
anza
sde
los
grup
os.
Ade
más
,con
side
raci
ones
resp
ecto
ata
mañ
osm
uest
rale
sy
valo
res
atíp
icos
,tam
bién
debe
nse
rtom
ados
encu
enta
(Hai
ryT
aham
,200
8,p.
260
y26
4).
Sucr
eaci
ónse
atri
buye
aFi
sher
enla
déca
dade
1930
,cu
ando
reso
lvió
unpr
oble
ma
dedi
scri
min
ació
nen
antr
opol
ogía
basa
doen
Ano
va(P
eña,
2002
,p.1
0).
Esu
naté
cnic
ade
anál
isis
mul
tivar
iant
ede
lade
pend
enci
a,y
tam
bién
seco
nsid
era
com
oun
até
cnic
ade
clas
ifica
ción
(Pér
ez,2
004,
pp.
4y
6).
Tie
nela
capa
cida
dde
trat
arta
nto
dosg
rupo
sco
mo
grup
osm
últip
les
(tre
so
más
)(H
air
yT
aham
,200
8,p.
250)
.
Cu
adro
2(C
onti
nu
aci
ón)
280
Milton Quero Virla y Karla Inciarte PirelaTelos Vol. 14, No. 2 (2012) 275 - 286
Nom
bre
(S)
yO
bje
tivo
(S)
Nat
ura
leza
de
las
vari
able
sy
supu
esto
sC
om
enta
rios
Ad
icio
nal
es
An
ális
isC
on
jun
to:
Ana
lizar
lare
laci
ónlin
eal–
nolin
eale
ntre
una
VD
(end
ógen
a)ge
nera
lmen
teor
dina
l(au
n-qu
eta
mbi
énm
étri
ca)
yva
rias
VI
(exó
gena
s)no
mét
rica
s(P
érez
,200
4,p.
9).
Ent
ende
rcó
mo
los
encu
esta
dos
desa
rrol
lan
pref
eren
cias
acer
cade
los
prod
ucto
so
serv
i-ci
os,b
asán
dose
enla
sim
ple
prem
isa
dequ
elo
scon
sum
idor
esev
alúa
nel
valo
rdel
prod
uc-
to/s
ervi
cio/
idea
(rea
lohi
poté
tica)
com
bina
n-do
cant
idad
esse
para
dasd
eva
lorq
uepr
opor
-ci
ona
cada
atri
buto
(Hai
ry
Tah
am,2
008,
p.40
8).
VD
:No
mét
rica
om
étri
caV
I:N
om
étri
cas
YX
XX
n1
12
��
��
...
Supu
esto
s:1.
Prop
ieda
des
delm
odel
o.2.
Rep
rese
ntat
ivid
adde
lam
uest
ra(H
air
yT
aham
,200
8,p.
418)
.
Tie
nepo
cos
supu
esto
ses
tadí
stic
os.E
stá
de-
term
inad
opo
rla
teor
íaen
sudi
seño
,est
ima-
ción
ein
terp
reta
ción
.Los
supu
esto
sco
ncep
-tu
ales
son
quiz
ám
ayor
esqu
eco
ncu
alqu
ier
otra
técn
ica
mul
tivar
iant
e.E
sto
hace
inne
ce-
sari
osla
may
oría
delo
ste
stre
aliz
ados
enot
ros
mét
odos
dede
pend
enci
a:no
rmal
idad
,ho
moc
edas
ticid
ade
inde
pend
enci
a(H
air
yT
aham
,200
8,p.
433)
.
Des
delo
saño
s70
hasu
scita
doun
aat
enci
ónco
nsid
erab
le,
aum
enta
ndo
suut
ilida
dha
sta
10ve
ces
enlo
sañ
os80
.Dur
ante
los
90au
-m
entó
aún
más
,ex
tend
iénd
ose
aam
plio
sca
mpo
sde
estu
dio
(Hai
ry
Tah
am,2
008,
p.40
7).
Esu
naté
cnic
ade
scom
posi
cion
al(d
esco
mpo
-ne
las
pref
eren
cias
),m
ient
ras
que
elA
nális
isD
iscr
imin
ante
yel
Aná
lisis
deR
egre
sión
son
técn
icas
com
posi
cion
ales
(Pér
ez,2
004,
p.9)
.
Est
ám
uyre
laci
onad
oco
nla
expe
rim
enta
ción
trad
icio
nal
(dis
eño
yan
ális
isde
expe
rim
en-
tos)
(Hai
ry
Tah
am,2
008,
p.40
8).
Sude
sarr
ollo
loha
expe
rim
enta
doen
else
node
lmar
ketin
g(
Lév
yy
Var
ela,
2005
,p.2
1).
Cu
adro
2(C
onti
nu
aci
ón)
281
Clasificación de las Técnicas Estadísticas Multivariantes
Ecu
acio
nes
Est
ruct
ural
es(M
odel
ode
oA
ná-
lisis
con)
,Aná
lisis
dees
truc
tura
sde
cova
rian
-za
s,L
isre
l.
Pote
nte
técn
ica
que
perm
itean
aliz
arva
rias
rela
cion
esde
depe
nden
cia
que
sepr
esen
tan
sim
ultá
neam
ente
(Lév
yy
Var
ela,
2005
,p.
23).
Perm
itese
para
rla
sre
laci
ones
para
conj
unto
sde
VD
(Hai
ry
Tah
am,2
008,
p.14
).
Tod
asla
sté
cnic
asas
ocia
das
aes
tem
odel
ose
dist
ingu
enpo
r:1.
La
estim
ació
nde
rela
cio-
nes
dede
pend
enci
am
últip
les
ycr
uzad
as.
2.C
apac
idad
dere
pres
enta
rco
ncep
tos
noob
-se
rvad
osen
esta
srel
acio
nesy
tene
ren
cuen
tael
erro
rde
med
ida
enel
proc
eso
dees
tima-
ción
(Hai
ry
Tah
am,2
008,
p.61
2).
VD
:Mét
rica
sV
I:M
étri
cas
yno
mét
rica
s
YX
XX
YX
XX
YX
X
n n
mm
m
111
121
221
222
12
��
��
��
��
��
�...
... ...�
Xm
n
Supu
esto
s:C
ompa
rte
3su
pues
tos
con
los
otro
sm
éto-
dos:
obse
rvac
ione
sin
depe
ndie
ntes
,m
uest
raal
eato
ria
delo
senc
uest
ados
ylin
ealid
adde
las
rela
cion
es.A
dici
onal
aes
to,e
smás
sens
ible
alin
cum
plim
ient
ode
lano
rmal
idad
mul
tiva-
rian
teo
una
fuer
tecu
rtos
is.
Com
oco
mpl
e-m
ento
,ade
más
dela
ause
ncia
deda
tos
yta
-m
año
mue
stra
l,as
unto
sco
mo
cova
rian
zas
vers
usco
rrel
acio
nesy
lost
ipos
deco
rrel
acio
-ne
so
cova
rian
zas
utili
zada
sde
ben
tom
arse
muy
encu
enta
(Hai
ry
Tah
am,
2008
,p.
630-
631)
.
Sus
ante
cede
ntes
sere
mon
tan
desd
efin
ales
delo
sañ
os60
yla
déca
dade
los
70(L
évy
yV
arel
a,20
05,
p.76
9).
Es
cons
ider
ada
una
técn
ica
avan
zada
emer
gent
e(H
air
yT
aham
,20
08,p
.609
).
Aba
rca
una
fam
ilia
ente
rade
mod
elos
cono
ci-
dos
con
muc
hos
nom
bres
:an
ális
isde
vari
a-bl
esla
tent
es,a
nális
isde
fact
orco
nfir
mat
orio
,ad
emás
delo
sya
men
cion
ados
.Se
haut
iliza
-do
enca
sito
dosl
osca
mpo
sde
estu
dio
conc
e-bi
bles
(Hai
ry
Tah
am,2
008,
p.61
2).
Esc
arac
terí
stic
oel
empl
eode
vari
able
sno
ob-
serv
able
sdi
rect
amen
te(v
aria
bles
late
ntes
,fa
ctor
iale
so
cons
truc
tos)
que
resu
men
lain
-fo
rmac
ión
cont
enid
aen
lasv
aria
bles
obse
rva-
das
(man
ifies
tos
oin
dica
dore
s)(
Lév
yy
Va-
rela
,200
5,p.
23).
Cu
adro
2(C
onti
nu
aci
ón)
282
Milton Quero Virla y Karla Inciarte PirelaTelos Vol. 14, No. 2 (2012) 275 - 286
Mod
elos
deE
lecc
ión
Dis
cret
a,M
odel
osde
Prob
abili
dad
Lin
eal,
Reg
resi
ónL
ogís
tica.
Ana
lizar
lare
laci
ónen
treu
naV
D(e
ndóg
ena)
nom
étri
ca,
yva
rias
VI
(exó
gena
s)m
étri
cas
(Pér
ez,2
004,
p.6)
.
Ana
liza
lare
laci
ónca
usal
exis
tent
een
tre
una
VD
dico
tóm
ica
yva
rias
VIm
étri
caso
nom
é-tr
icas
,est
imar
lapr
obab
ilida
dde
que
sepr
o-du
zca
elsu
ceso
defin
ido
por
laV
D,s
ilas
VI
tom
ande
term
inad
ova
lor
(Lév
yy
Var
ela,
2005
,p.2
0).
VD
:No
mét
rica
.V
I:M
étri
cas
Supu
esto
s:M
ucha
sde
cisi
ones
dela
nális
isdi
scri
min
ante
son
idén
ticas
alde
lare
gres
ión
logí
stic
a.A
sí,
los
supu
esto
sco
nsid
erad
ospa
raaq
uel,
son
tam
bién
aplic
able
sacá
.Sin
emba
rgo,
setie
neun
aro
bust
ezde
lmod
elo
dere
gres
ión
logí
sti-
care
spec
toal
incu
mpl
imie
nto
del
supu
esto
deig
uald
adde
lasm
atri
cesd
eva
rian
zas-
cova
-ri
anza
sen
tre
grup
os,l
ocu
alha
cequ
ela
re-
gres
ión
logí
stic
are
sulte
bast
ante
adec
uada
enes
tasi
tuac
ión
(Hai
ryT
aham
,200
8,p.
316)
.
Esu
ntip
oes
peci
alde
regr
esio
nqu
ese
utili
zapa
rapr
edec
iry
expl
icar
una
vari
able
cate
gori
-ca
bina
ria
(Hai
ry
Tah
am,
2008
,p.
251)
.C
onsi
ste
enun
aco
mbi
naci
onde
regr
esio
nm
ultip
ley
anal
isis
disc
rim
inan
tem
ultip
le(H
air
yT
aham
,200
8,p.
14).
Tie
nela
mis
ma
natu
rale
zaqu
eel
anál
isis
dis-
crim
inan
tepe
rolo
que
pred
ice
esla
prob
abi-
lidad
depe
rten
enci
aa
una
cate
gori
a(c
lase
)pa
ralo
sval
ores
dado
sde
lasV
I(Pé
rez,
2004
,p.
6).
La
expr
esio
nan
aliti
cade
lapr
obab
ilida
des
ti-m
ada
reci
beel
nom
bre
dem
odel
olo
gitc
uan-
dodi
cha
estim
acio
nse
hace
com
oun
afu
n-ci
ónlo
gist
ica.
Sise
plan
tea
com
ofu
ncio
nno
rmal
está
ndar
setie
neel
mod
elo
prob
it(L
évy
yV
arel
a,20
05,p
.20-
21).
Fu
ente
:E
labo
raci
ónpr
opia
,apa
rtir
delo
sau
tore
sci
tado
s.
Cu
adro
2(C
onti
nu
aci
ón)
283
Clasificación de las Técnicas Estadísticas Multivariantes
Nom
bre
(S)
yO
bje
tivo
(S)
Nat
ura
leza
de
las
Var
iable
sy
Su
pu
esto
sC
om
enta
rios
Ad
icio
nal
es
An
ális
isF
acto
rial
(Com
ún
).Pe
rsig
uere
duci
rla
dim
ensi
ónde
una
tabl
ade
dato
sexc
esiv
amen
tegr
ande
pore
lnúm
ero
deva
riab
les
que
cont
iene
yqu
edar
seco
nun
ascu
anta
sva
riab
les
fictic
ias
que,
aunq
ueno
ob-
serv
adas
,sea
nco
mbi
naci
ónde
las
real
es(P
é-re
z,20
04,p
.12)
.Id
entif
icar
fact
ores
suby
acen
tes
ola
sdi
men
-si
ones
que
refle
jan
qué
eslo
que
las
vari
able
sco
mpa
rten
enco
mún
(Hai
ry
Tah
am,2
008,
p.89
).
Var
iabl
es:m
étri
cas.
Supu
esto
s:L
ossu
pues
tosb
ásic
ossu
byac
ente
sso
nm
ásde
tipo
conc
eptu
alqu
ees
tadí
stic
o.D
esde
este
segu
ndo
punt
ode
vist
apu
eden
obvi
arse
algu
nos,
pero
con
lapr
evis
ión
dela
sim
plic
acio
nesq
ueca
daun
aen
espe
cífic
opu
e-de
tene
r.L
ossu
pues
tos
conc
eptu
ales
sere
la-
cion
anco
nla
seri
ede
vari
able
ssel
ecci
onad
asy
lam
uest
rael
egid
a.E
linv
estig
ador
debe
ase-
gura
rse
dequ
ela
spau
taso
bser
vada
ssea
nvá
li-da
syco
ncep
tual
men
teap
ropi
adas
para
usar
laté
cnic
a(H
air
yT
aham
,200
8,pp
.88,
89y
p.10
8).
Los
ante
cede
ntes
sere
mon
tan
afin
ales
dels
i-gl
oX
IXco
nG
alto
ny
sus
estu
dios
dem
edid
ade
lain
telig
enci
ahu
man
a.Pe
arso
nen
1901
crea
elpr
imer
proc
edim
ient
ode
cálc
ulo
para
este
anál
isis
,ySp
earm
an(1
904)
fue
elpr
ime-
roen
aplic
arel
anál
isis
,tie
mpo
sen
losq
uepo
rla
com
plej
idad
solía
extr
aers
eun
solo
fact
or.
Ya
para
los
años
50se
habí
ara
cion
aliz
ado
yex
tend
ido
suus
opo
rla
apar
ició
nde
las
com
-pu
tado
ras
ylo
spr
ogra
mas
esta
díst
icos
(Lan
-de
roy
Gon
zále
z,20
06,p
p.39
1-39
3).
Son
vari
asla
srel
acio
nesy
com
para
cion
esqu
epu
eden
esta
blec
erse
entr
ees
taté
cnic
ay
otra
s(P
érez
,20
04,
pp.
12-1
3).
(Hai
ry
Tah
am,
2008
,p.8
0)(L
évy
yV
arel
a,20
05,p
.25)
.E
stat
écni
capu
edel
ogra
rsus
prop
ósito
sdes
deun
ape
rspe
ctiv
aex
plor
ator
iao
conf
irm
ator
ia.
(Hai
ry
Tah
am,2
008,
p.81
).
Cu
adro
3T
écn
icas
de
An
ális
isd
ela
Inte
rdep
end
enci
a
284
Milton Quero Virla y Karla Inciarte PirelaTelos Vol. 14, No. 2 (2012) 275 - 286
Nom
bre
(S)
yO
bje
tivo
(S)
Nat
ura
leza
de
las
Var
iable
sy
Su
pu
esto
sC
om
enta
rios
Ad
icio
nal
es
An
ális
isd
eC
om
pon
ente
sP
rin
cipal
esR
esum
irla
may
oría
dela
info
rmac
ión
orig
inal
(var
ianz
a)en
una
cant
idad
mín
ima
defa
ctor
esco
npr
opós
itosd
epr
edic
ción
.(H
airy
Tah
am,
2008
,p.8
9)R
educ
irla
dim
ensi
ónde
una
tabl
ade
dato
sex
cesi
vam
ente
gran
depo
rel
elev
ado
núm
ero
deva
riab
lesq
ueco
ntie
neX
1,X
2,…
,Xn
yqu
e-da
rse
con
unas
cuan
tas
vari
able
sC
1,C
2,…
,C
p,co
mbi
naci
ones
dela
sin
icia
les
(com
po-
nent
espr
inci
pale
s)pe
rfec
tam
ente
calc
ulab
les
(Pér
ez,2
004,
12).
Var
iabl
es:m
étri
cas.
Supu
esto
s:In
terd
epen
denc
ia:
fuer
teco
rrel
ació
nlin
eal
entr
ela
sva
riab
les.
Mul
ticol
inea
lidad
:que
unas
vari
able
spu
edan
expr
esar
seco
mo
com
bina
ción
linea
lde
lasd
e-m
ás.
Nor
mal
idad
Mul
tivar
iada
:aju
ste
deca
daun
ade
lasv
aria
bles
aun
adi
stri
buci
ónno
rmal
oal
men
osla
com
bina
ción
linea
lpor
pare
sde
las
mis
mas
.(L
ande
roy
Gon
zále
z,20
06,p
.394
)
Fue
crea
dopo
rH
otel
ling
(193
3)(L
yG
,p.
389)
,au
nque
sus
oríg
enes
seen
cuen
tran
enlo
saj
uste
sor
togo
nale
spo
rm
ínim
oscu
adro
sin
trod
ucid
ospo
rPe
arso
nen
1901
(Pér
ez,
2004
,p.1
34)
La
prin
cipa
ldife
renc
iaen
tre
elan
ális
isfa
ctor
ialc
omún
yes
tean
ális
isra
dica
enel
mét
odo
deex
trac
ción
defa
ctor
es.(
Lév
yy
Var
ela,
2005
,p.2
5).A
dem
ás,e
nel
fact
oria
lse
trat
ade
enco
ntra
rvar
iabl
essi
ntét
icas
,lat
en-
tes,
inob
serv
able
s,aú
nno
med
idas
,y
cuya
exis
tenc
iase
sosp
echa
enla
svar
iabl
esor
igin
a-le
s,m
ient
ras
que
acá
las
vari
able
ssi
ntét
icas
son
com
bina
ción
dela
sor
igin
ales
(Pér
ez,
2004
,p.1
2).
An
ális
isd
eC
orr
espon
den
cias
Est
able
cerr
elac
ione
sent
reva
riab
lesn
om
étri
-ca
s.E
stud
iala
asoc
iaci
ónen
tre
las
cate
gorí
asde
múl
tiple
sva
riab
les
nom
étri
cas
pudi
endo
obte
ner
unm
apa
perc
eptu
alqu
epo
nga
dem
anifi
esto
esta
asoc
iaci
ónen
mod
ogr
áfic
o.(P
érez
,200
4,p.
14)
Pers
igue
doso
bjet
ivos
bási
cos:
asoc
iaci
ónen
-tr
eca
tego
rías
dela
colu
mna
ofil
a,y
asoc
ia-
ción
entr
eca
tego
rías
defil
asy
colu
mna
s(H
air
yT
aham
,200
8,p.
250)
Var
iabl
es:n
om
étri
cas.
Supu
esto
s:C
ompa
rte
con
otra
sté
cnic
asde
anál
isis
mul
tidim
ensi
onal
una
rela
tiva
liber
tad
resp
ecto
asu
ssup
uest
osbá
sico
s.Su
sdat
osno
mét
rico
srep
rese
ntan
igua
lmen
tebi
enre
laci
o-ne
slin
eale
sy
nolin
eale
s.A
dem
ásde
cier
tos
prin
cipi
osre
lativ
osa
lape
rcep
ción
,eli
nves
ti-ga
dor
debe
esfo
rzar
sepo
rco
nseg
uir
laco
m-
para
bilid
adde
los
obje
tos
yla
gene
ralid
adde
losa
trib
utos
utili
zado
s(H
airy
Tah
am,2
008,
pp.5
53,5
61y
576)
Cre
ado
por
Ben
zecr
i(19
73)
yex
tend
ido
por
suse
stud
iant
esco
mo
Leb
arty
Gre
enac
re,e
n-tr
eot
ros(
Pére
z,20
04,p
.195
).Si
nem
barg
o,el
ante
cede
nte
más
leja
nose
rem
onta
aK
uder
yR
icha
rdso
n(1
933)
(Lév
yy
Var
ela,
2005
,p.
363)
.D
ifier
ede
otra
sté
cnic
asde
inte
rdep
ende
ncia
ensu
capa
cida
dpa
raac
omod
arta
ntos
dato
sno
mét
rico
scom
ore
laci
ones
nolin
eale
s(H
air
yT
aham
,200
8,p.
13)
Cu
adro
3(C
onti
nu
aci
ón)
285
Clasificación de las Técnicas Estadísticas Multivariantes
Nom
bre
(S)
yO
bje
tivo
(S)
Nat
ura
leza
de
las
Var
iable
sy
Su
pu
esto
sC
om
enta
rios
Ad
icio
nal
es
Aná
lisis
deC
ongl
omer
ados
(Clu
ster
s),C
lasi
-fic
ació
nau
tom
átic
ao
nosu
perv
isad
a,y
dere
-co
noci
mie
nto
depa
tron
essi
nsu
perv
isió
n(P
érez
,200
4,p.
220)
;Aná
lisis
Q,C
onst
ruc-
ción
deT
ipol
ogía
,Aná
lisis
deC
lasi
ficac
ión
yT
axon
omía
Num
éric
a.(H
airy
Tah
am,2
008,
p.49
2)C
uant
ifica
lasc
arac
terí
stic
ases
truc
tu-
rale
sde
unco
njun
tode
obse
rvac
ione
s(H
airy
Tah
am,2
008,
p.50
7).C
lari
ficar
obje
tos–
suje
-to
sen
func
ión
deci
erta
sca
ract
erís
ticas
(Lév
yy
Var
ela,
2005
,p.2
6)
Var
iabl
es:m
étri
cas
yno
mét
rica
s.Su
pues
tos:
Por
sude
finic
ión,
tiene
fuer
tes
prop
ieda
des
mat
emát
icas
más
nofu
ndam
en-
tos
esta
díst
icos
.Tie
nen
poco
peso
acá
las
exi-
genc
ias
deno
rmal
idad
,lin
ealid
ady
hom
oce-
dast
icid
ad.S
inem
barg
o,e
inve
stig
ador
debe
cent
rars
een
dos
asun
tos
críti
cos:
lare
pres
en-
tativ
idad
dela
mue
stra
yla
mul
ticol
inea
lidad
.(H
air
yT
aham
,200
8,p.
508)
Es
una
técn
ica
que
clas
ifica
una
mue
stra
deca
ntid
ades
(per
sona
suob
jeto
s)en
unnú
mer
ope
queñ
ode
grup
osde
mut
uam
ente
excl
uyen
-te
sba
sado
sen
sim
ilitu
des
entr
ela
sen
tidad
es.
Adi
fere
ncia
del
anál
isis
disc
rim
inan
te,
los
grup
osno
está
npr
edef
inid
os.(
Hai
ryT
aham
,20
08,p
.13)
.Ess
imila
rela
nális
isfa
ctor
ial,
sin
emba
rgo
éste
solo
seem
plea
para
agru
parv
a-ri
able
s,m
ient
ras
que
elcl
uste
rfu
ndam
enta
l-m
ente
agru
paob
jeto
s,au
nque
tam
bién
vari
a-bl
es(L
évy
yV
arel
a,20
05,p
.26)
Fu
ente
:E
labo
raci
ónpr
opia
,apa
rtir
delo
sau
tore
sci
tado
s.
Cu
adro
3(C
onti
nu
aci
ón)
Comentarios finales
Tal como se mencionó al inicio, no se clasificaron acá obviamente todas lastécnicas existentes, aunque quizás si una buena parte de ellas. Por ejemplo, no semencionaron algunas calificadas como nuevas técnicas o técnicas emergentes:búsqueda y extracción o minería de datos, redes neuronales, muestra repetida oremuestreo, entre otras.
El estudioso podrá conseguir seguramente similitudes y discrepancias de lasclasificaciones aquí presentadas con las de otras fuentes; lo cual es natural, y debe-ría servir para contrastar con buena disposición otros criterios y puntos de vista,ampliando así su espectro dentro del análisis multivariante. Esta Nota pudieraconstituir, con todo, una modesta pero significativa referencia.
Referencias bibliográficas
Hair, Anderson y Taham; Black. (2008). Análisis Multivariante. 5ta edición.Pearson Prentice Hall. España.
Landero, René y González, Mónica. (2006). Estadística con SPSS y Metodo-logía de la Investigación. Editorial Trillas. México.
Lévy, Jean Pierre y Varela, Jesús. (2005). Análisis Multivariable para las Cien-cias Sociales. Pearson Prentice Hall. Madrid.
Peña, Daniel. (2002). Análisis de Datos Multivariante. Mc Graw-Hill. España.Pérez, César .(2004). Técnicas de Análisis Multivariante de Datos. Aplicacio-
nes con SPSS. Pearson Prentice Hall. Madrid.
286
Milton Quero Virla y Karla Inciarte PirelaTelos Vol. 14, No. 2 (2012) 275 - 286