El Anlisis multivariado es un conjunto de tcnicas y mtodos estadsticos y matematicos para

analizar simultneamente la relacin existente entre variables correlacionadas. (1).

Los tipos de estudios se clasifican segn el tipo de variable a analizar. Segn el Objetivo del
estudio existen mtodos de reduccin en los que se encuentran: el anlisis de componentes
principales, el anlisis factorial, correspondencia, escalamiento optimo, homogeneidad, anlisis de
conjunto, en el que se crean variables ficticias que describen la informacin real. Si el objetivo es
la agrupacin se utiliza anlisis de cluster, anlisis discriminante, arboles de decisiones. Si el
objetivo es la relacin o prediccin se utiliza la regresin lineal o no lineal, regresin logstica,
anlisis de varianza simple y mltiple, anlisis de series temporales. Y cuando se requiere de
establecer la dependencia de variables independientes, se cuenta con los mtodos de
interdependencia como las tcnicas multivariadas descriptivas y analticas (2) (3).
La clasificacin descrita por Uriel y Alds 2005 en el artculo de referencia es la mas apropiada
para enlazar el objetivo del presente trabajo con el tipo de anlisis a utilizar. Se dividen en dos
grupos: Las tcnicas explicativas o de dependencia y tcnicas descriptivas o de interdependencia
con el fin de evidenciar la relacin entre las variables o grupos de variables, segn su clasificacin
de variables dependientes o independientes (1).
En las tcnicas explicativas o de dependencia se requiere demostrar si el conjunto de variables
independientes afecta a las dependientes y de qu forma. Para encontrar el tipo de estudio se
debe definir el nmero de relaciones. Si existen varias relaciones se utilizan ecuaciones
estructurales, si existe una relacin se debe determinar el nmero de variables dependientes y si
son mtricas o no mtricas. En el caso en que se presente ms de una variable dependiente no
mtrica se utilizan la correlacin cannica. En las mtricas se utilizan: Manova o la correlacin
cannica.
Ecuaciones estructurales
Ecuaciones que se emplean en el anlisis de varias relaciones. El objeto es el estudio del conjunto
de las relaciones que anteceden representadas por sistemas de ecuaciones simultaneas, se mide
el error a partir de otras variables observables. conformado por el anlisis factorial confirmatorio y
los modelos de estructuras de covarianza.
Correlacion canonica
Manova
Analisis multivariante de la varianza.
Con solo una variable dependiente segn si es no mtrica se utiliza anlisis discriminante o
regresin de variable dependiente limitada, si es mtrica es til la regresin lineal mltiple. El tipo
de anlisis se determina por la definicin del tipo de variable, si est en escala mtrica o no
mtrica, el nmero de variables dependientes (1).
Anlisis discriminante
Regresin de variable dependiente limitada
Regresin lineal multiple

Las tcnicas descriptivas o de interdependencia estn determinadas por las variables

independientes, para reconocer su correlacin. Se requiere definir la relacin que se busca: entre
variables, entre casos o entre objetos. Si la relacin se establece entre variables y se especifican
como mtricas, en este caso se utilizan anlisis de correspondencias, si se define como mtrica se
utilizan los anlisis de componentes principales y el anlisis factorial. En la relacin entre casos se
requiere el anlisis de conglomerados, tema clave en esta investigacin. La relacin entre objetos
se analiza por escalonamiento multidimensional (1).
Anlisis de correspondencias
Anlisis de componenes principales
Anlisis factorial
Escalonamiento multidimensional
Anlisis de conglomerados
Tecnica estadstica de clasificacion de datos, a partir de casos, situando los casos en grupos
homogneos, con diferencias entre grupos. Para esta clasificaiocn se requierer definir la distancia
entre casos(asociacin) logrando los grupos ms homogneos y diferentes entre grupos. La
diferencia con el anlisis factorial se establece en qu es lo que se agrupa: en el anlisis factorial
agrupa variables cuantitativas. En el anlisis de cluster agrupa casos y determina si existerelacion
causal o no entre los grupos y las variables (2).
Se requiere previamente establecer los grupos objetivamente en funcin de los datos. Se debe
seleccionar las variables relevantes, la distancia entre individuos y los criterios de agrupacin de
acuerdo al objetivo del estudio.
La proximidad de los grupos se puede definir por la distancia y la similitud, en la similitud entre
mayor el nmero ms similares, los ms utilizados son la correlacin de Pearson y los coeficientes
de Spearman y Kendall (2). En este caso se utilizara el mtodo de algoritmo de las K-medias que
tiene como punto de partida la varianza residual, este valor mnimo determina la configuracin de
nuevos grupos con sus medias, el proceso se repite hasta que la varianza no pueda disminuir, o se
alcance el nmero de transferencias o que el valor sea menor que el fijado para la varianza. Este
mtodo de medicin se utiliza para grupos no jerrquicos, caracterstica de los datos de la
investigacin (2).
La determinacin de grupos no solo depende del mtodo de medicin, sino de los objetivos del
estudio, por lo que grupos muy especficos de pocos datos, y pequeos distorsionaran los
resultados, por lo que se debe considerar inicialmente el nmero establecido de grupos.
Algoritmo de K-medias
Mtodo iterativo de agrupacin que determina la formacin de grupos determinados por la distancia
entre los individuos o conjunto de variables, con unos centros multivariantes de los conglomerados,
que al analizar agrupa los datos a un closter de acuerdo con el centroide, actualizndose
permanentemente en el clculo del centroide. En el caso de no conocer el nmero de grupos se
debe realizar el proceso en repetidas ocasiones hasta encontrar el nmero de grupos que de valor
a la investigacin (4). Cada individuo pertenece solo a un grupo, el objetivo final es tener grupos
homogneos en lo posible, para cumplir el criterio de optimalidad se debe minimizar la media
ponderada de las varianza dentro de cada grupo para todas las variables (5). Los centroides se

seleccionan al azar para evitar sesgos. Posterior se describen dos pasos del procedimiento. El
paso de asignacin en la que cada dato pasa a pertenecer a un cluster con su centroide mas
prximo. Posteror en el paso de centralizacin se asigna nuevos centroides a cluster modificados.
Se alcanza el punto de convergencias cuando al asignar no hay cambio se detiene el algoritmo.
Tambin se define un nmero finito de iteraciones. El resultado de las agrupaciones depender de
los centroides iniciales, por lo que no se garantiza lograr la solucin ptima (5).

Bibliografa
1. Closas AH, Arriola EA, Kuc CI, Amarilla MR, Jovanovich EC. Anlisis multivariante, conceptos y
aplicaciones en Psicologa Educativa y Psicometra. Enfoques. 2013; XXV(1).
2. Lpez CP. Tecnicas de analisis Multivariante de Datos, aplicaciones con SPSS. 2nd ed. Capella
I, editor. Madrid: Pearson Educacin S.A.; 2004.
3. Cuadras CM. Nuevos mtodos de anlisis multivariante. Primera edicin ed. Madrid: CMC
Editions; 2014.
4. Varela Mallou J, Rial Boubeta A, Picn Prado. Analisis de Conglomerados. In Compostela UdSd.
Analisis Multivariante. Santiago de Compostela; 2015.
5. Justel A. Tecnicas de analisis multivariantes para agrupacin. [Online]. [cited 2015. Available
from: www.uam.es/personal_pdi/ciencias/ajustel/docencia/ad/AD10_11_Cluster.pdf.