UNIVERSIDAD GALILEO

Maestría en Administración con Especialización en Mercadeo

Análisis multi variable

TEMA:
ANÁLISIS DISCRIMINANTE

WILFREDO FLORIAN
14007688

CHIQUIMULA, 09 JUNIO 2018

ANÁLISIS DISCRIMINANTE
Tomado del trabajo de Laura de la fuentes (fuente)
El Análisis Discriminante es una técnica estadística que se utiliza para
clasificar a distintos individuos en grupos, o poblaciones, alternativos a partir
de los valores de un conjunto de variables sobre los individuos a los que se
pretende clasificar. Cada individuo puede pertenecer a un solo grupo.
La pertenencia de un individuo a uno u otro grupo se introduce en el análisis
mediante una variable categórica que toma tantos valores como grupos
existentes. En el análisis discriminante esta variable categórica juega el papel
de variable dependiente.
Las variables que se utilizan para realizar la clasificación de los individuos se
denominan variables clasificadoras, También se emplean las
denominaciones de variables criterio o variables predictoras, o la
denominación genérica de variables explicativas.
La información de las variables clasificadoras se sintetiza en unas funciones,
denominadas funciones discriminantes, que son las que finalmente se utilizan
en el proceso de clasificación.
El análisis discriminante persigue explicar la pertenencia de cada individuo
original a uno u otro grupo preestablecido, en función de las variables de su
perfil, y a la vez que cuantificar el peso de cada una de ellas en la
discriminación. De otra parte, el análisis discriminante persigue predecir a qué
grupo más probable habrá de pertenecer un nuevo individuo del que
únicamente se conoce su perfil de variables. La variable categórica grupo es lo
que se explica y lo que predice.
El análisis discriminante está muy relacionado con el análisis multivariante
de la varianza con un factor, aunque el papel que juegan los distintos tipos
de variables está invertido en uno y otro método. Así, en el análisis de la
varianza la variable categórica (el factor) es la variable explicativa, mientras
que en el análisis discriminante la variable categórica es precisamente la
variable dependiente.
ANÁLISIS: El análisis parte de una tabla de datos de n individuos en que se han
medido p variables cuantitativas independientes o explicativas, como perfil de
cada uno de ellos.
Una variable cualitativa adicional (dependiente o clasificadora) con dos (o
más) categorías, ha definido por otros medios el grupo a que cada individuo
pertenece.
A partir de la variable cualitativa se obtendrá un modelo matemático
discriminante contra el cual será construido el perfil de un nuevo individuo
cuyo grupo se desconoce par, en función de un resultado numérico, ser
asignado al grupo más probable.
En la clasificación discriminante hay dos enfoques:
 Basado en la obtención de funciones discriminantes de cálculo,
similar a las ecuaciones de regresión lineal múltiple.
 Empleando técnicas de correlación canónica y de
componentes principales, denominado análisis
discriminante canónico.
El primer enfoque es el más común y su fundamento matemático está en
conseguir, a partir de las variables explicativas, unas funciones lineales de
éstas con capacidad para clasificar otros individuos. A cada nuevo caso se
aplican dichas ecuaciones, y la función de mayor valor define el grupo al que
pertenece.

Ecuación de pronostico

Regresión lineal tomado de (ingenioempresa, s.f.)

El análisis de regresión es pertinente cuando se evidencia una tendencia en los

datos históricos del pronóstico

¿Cómo es la relación entre la demanda y el tiempo? Para responder esta

pregunta, haremos uso del coeficiente de correlación (r).
Este coeficiente, te permitirá entender qué tanta correlación existe entre la
demanda y el tiempo.

 Correlación perfecta: Cuando el resultado de coeficiente es igual a 1 o -

1. En este caso existe una relación directamente proporcional entre la
demanda y el tiempo.
 Correlación fuerte: Cuando el resultado es mayor a 0.5 y menor que 1
(correlación positiva) o menor a -0.5 y mayor que -1(correlación
negativa).
 Correlación débil: Valores que están entre -0.5 y 0.5.

Entre más cercano se encuentre el coeficiente de correlación a +1 o -1 más

fuerte será la tendencia y más apropiado será aplicar un modelo de regresión
lineal. Por ejemplo si la correlación es igual a 1, observaremos que la relación
entre las variables es directamente proporcional, en el sentido que si uno
aumenta, la otra también lo hará.

Bien vale aclarar que este método es más útil cuando se enfoca en periodos
de largo plazo. Esto aunado a su utilidad para estimar la demanda en función
de variables independientes.

Veamos entonces de que va el análisis de regresión.

El análisis de regresión en el pronóstico de demanda
Esta es la ecuación de la recta. En ella:

 La b es la inclinación de la recta.
 La a es la secante o la altura en la que la recta corta al eje y.
 La X es nuestra variable independiente.
 La Y es nuestra variable dependiente, nuestro pronóstico calculado para
un periodo.
Como hacer una regresión lineal
Un ejemplo de regresión lineal para pronosticar la demanda:
Las ventas de la empresa IngE durante los últimos 10 trimestres son las
siguientes:

¿Cómo pronosticar la demanda de los trimestres 13, 14 y 15 a través de

un análisis de regresión lineal?
Lo primero es estimar los parámetros. Lo podemos lograr con el método de
mínimos cuadrados, que nos permite encontrar la recta que mejor se ajusta a
un conjunto de datos dados. En nuestro caso, este conjunto está dado por las
ventas trimestrales (variable dependiente). La variable independiente es el
tiempo. Vamos entonces a la siguiente fórmula para determinar a y b:

 La y “minúscula” es el valor y de cada punto de datos.

 La n es el número de punto de datos.

Conocidas las ecuaciones y el papel de las variables, vamos a calcular el

pronóstico con regresión lineal:
En la siguiente se encuentran los cálculos realizados para los 12 trimestres
según lo requerido por las ecuaciones:
Con los valores de la última fila de la tabla, podemos calcular a y b, con los
cuales logramos calcular los valores de la última columna (Y) que es la recta
que más se ajusta a la demanda y.

Veamos entonces:

Fíjate que el valor de “b” varía de 63,64 a 63,657 siendo este último el
resultado si se toman todos los decimales de las variables que participan en su
calculo. Para tener resultados más fiables usamos el valor de “b” calculado con
todos los decimales, tal como lo aprecias cuando hallamos “a”. Fíjate además
que pasa lo mismo con el valor calculado de “a” y el valor que se obtiene
cuando en la operación están todos los decimales.
Con esta aclaración, puedes ver cómo se realiza el pronóstico de producción
del trimestre 13. Procedemos igual para los demás trimestres.

Y=63,657(14)+72,894=964.09
Y=63,657(15)+72,894=1027.75
Eso tiene el siguiente aspecto:

Cuando pronosticamos, siempre queremos saber qué tan exacto es el método

que estamos utilizando, igual que una medida de error de pronóstico.
Para eso hay diferentes medidas que nos dan el grado de error en un
pronóstico.

Una medida apropiada para medir el error en regresión lineal es el error

estándar de estimación(Sy,x), que nos permite determinar la variabilidad en
torno a la recta de regresión.

Con los datos obtenidos en nuestra tabla, reemplazamos en la formula y

obtenemos:

Error estándar del estimado Sy,x: 54,79

Esto lo interpretamos como una medida de la variabilidad o dispersión de los
valores observados alrededor de nuestra línea de regresión.
Otro análisis que si o si debemos realizar cuando trabajamos con un análisis de
regresión, no importa si es con un fin de pronóstico, es el cálculo del
coeficiente de correlación.

Como lo dijimos anteriormente, el coeficiente de correlación dará una medida

de asociación entre las variables X y Y.

Dicho de otra forma, el coeficiente correlación en la división entre la

covarianza y el producto de las desviaciones estándar de ambas variables.

El resultado de este ejercicio es r=0,975. Esto indica que la correlación es muy

fuerte y positiva porque está cercana a 1.
En otras palabras, nos conviene seguir usando este método de pronóstico
para futuros períodos.

Referencias
fuente, l. d. (s.f.). http://www.estadistica.net. Obtenido de http://www.estadistica.net/Master-
Econometria/Analisis_Discriminante.pdf

ingenioempresa. (s.f.). https://ingenioempresa.com. Obtenido de

https://ingenioempresa.com/regresion-lineal/