Algunos puntos parecen lejos del centro solo porque las variables se miden en escalas distintas, y otros parecen cercanos aun siendo extraños dada la forma en que las variables varían juntas. La calculadora de la distancia de Mahalanobis toma el punto, las medias, las desviaciones típicas y la correlación de dos variables, y da la distancia de Mahalanobis, su cuadrado, la distancia estandarizada sin la correlación, la parte de la población más alejada y la distancia simple.
Cómo se hace el cálculo
- Introduce el punto que se va a contrastar, mediante sus valores en dos variables X e Y, por ejemplo las notas de un estudiante en dos exámenes.
- Introduce la media y la desviación típica de cada variable en el grupo, y la correlación entre ellas.
- Cada diferencia se estandariza primero: zx = (x − media) ÷ desviación típica. La distancia al cuadrado es D² = (zx² − 2 × r × zx × zy + zy²) ÷ (1 − r²).
- En un grupo normal, el 95 % de los puntos están a D = 2,448 o menos y el 99 % a D = 3,035 o menos. Para dos variables, la parte más alejada vale e^(−D²/2).
Ejemplo
Un estudiante obtiene 85 en matemáticas (media 70, desviación típica 10) y 90 en física (media 65, desviación típica 12), y los dos exámenes tienen una correlación de 0,6. Las diferencias estandarizadas son 1,5 y 2,083. Sin la correlación, la distancia sería de 2,567. Con la correlación, D² = (2,25 − 2 × 0,6 × 1,5 × 2,083 + 4,340) ÷ 0,64 = 4,438, así que D = 2,107. Alrededor del 10,9 % de los estudiantes están más alejados del centro. El estudiante está dentro de la elipse del 95 %, porque una nota buena en matemáticas suele ir con una nota buena en física.
Por qué es útil
La detección de valores atípicos, el control de calidad, la detección de fraudes y la clasificación necesitan una distancia que respete los datos. La distancia de Mahalanobis es la respuesta clásica, y calcularla para dos variables muestra exactamente lo que hace antes de usarla con decenas de variables en un programa.
Conviene saber
La calculadora vale para dos variables y supone una distribución normal bidimensional, lo que hace exactos los umbrales. Los datos reales pueden tener colas pesadas, y la media y la covarianza pueden verse a su vez arrastradas por los valores atípicos. Para más variables, hace falta una matriz de covarianzas y los umbrales de la distribución chi cuadrado con más grados de libertad.
Herramientas relacionadas
La calculadora de la puntuación z estandariza una variable, la de distribución normal da probabilidades para una variable, la de covarianza da el vínculo entre dos, y la de distancia de Manhattan mide otro tipo de distancia.