---
title: "ANALISIS DE CORRESPONDENCIA MULTIPLE"
output: 
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
    theme: journal
    social: [ "twitter", "facebook" ]
    source_code: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
datosActuarios <- data.frame(readxl::read_excel("C:/Users/0303u/Google Drive/Universidad/8 semestre/Estadistica Multivariante/DATOS_ACTUARIOS.xlsx"), row.names = TRUE)
datosActuarios <- datosActuarios[c(7,9,10,14,16,17,18)]

ACM <- FactoMineR::MCA(datosActuarios, graph = FALSE)

eigenValores <- factoextra::get_eigenvalue(ACM)

Acumulado <- cumsum((ACM$svd$vs^2/sum(ACM$svd$vs^2))*100)
Acumulado <- Acumulado[1:12]
Dimension <- c(1:12)
datos <- data.frame(cbind(Dimension, Acumulado))
```

Varianza Explicada
======================================================================

Rows {data-width=650}
-----------------------------------------------------------------------

### Varianza Explicada

```{r}

factoextra::fviz_eig(ACM, addlabels = TRUE, ylim = c(0, 25), barcolor="red4", barfill="red4", linecolor="black")+
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(), 
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Varianza Explicada", 
                subtitle = "Por cada Dimensión")+
  ggplot2::ylab('% Variación Explicada') +
  ggplot2::xlab("Dimensiones") +
  ggplot2::geom_hline(yintercept = (100/13), size=1) +
  ggplot2::geom_hline(yintercept = (100/12), size=1, colour="gray") 

```


Rows {data-width=400}
-----------------------------------------------------------------------

### EigenValores y Varianza

```{r}

DT::datatable(data =round(eigenValores[,1:2],4), 
              extensions = 'Scroller',
              options = list(dom='tp',  
                             class = 'stripe compact hover cell-border'))

```

### Interpretación


 * En la grafica podemos ver la varianza explicada de cada dimension de las 10 dimensiones que mas aportan del total de 13 dimensiones.
* En la linea horizontal de color negro se muestra el valor de la varianza explicada que tomaria cada dimension si las 13 aportaran lo mismo.
* En la de color gris se muestra el valor de la varianza explicada que tomaria cada dimension si de las 12 dimensiones que aportan mas de 0 aportaran lo mismo.
* Esto criterios nos dice que con 5 u 6 dimensiones es suficiente para el analisis de los datos.




Varianza  Acumulada 
======================================================================

Rows {data-width=650}
-----------------------------------------------------------------------

### Varianza Acumulada Explicada

```{r}

ggplot2::ggplot(data = datos, ggplot2::aes(x=Dimension, y=Acumulado))+
  ggplot2::geom_bar(stat = "identity", fill="red4", color="red4") +
  ggplot2::geom_line(color="black")+
  ggplot2::geom_point(color="black") +
  ggplot2::geom_hline(yintercept = 80, size=1) +
  ggplot2::geom_text(label= paste(round(Acumulado,1),"%"), color="black", size=3, vjust = 1.4) +
  ggthemes::theme_fivethirtyeight(base_size =17, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(), 
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Varianza Acumulada Explicada", 
                subtitle = "Por cada Dimensión")+
  ggplot2::ylab('% Variación Explicada') +
  ggplot2::xlab("Dimensiones") +
  ggplot2::scale_x_continuous(breaks = c(1:12)) 

```

Rows {data-width=400}
-----------------------------------------------------------------------

### EigenValores y Varianza Acumulada

```{r}

DT::datatable(data =round(datos[,1:2],4), 
              extensions = 'Scroller',
              options = list(dom='tp',  
                             class = 'stripe compact hover cell-border'))

```

### Interpretación

 * En esta grafica de barras podemos observar la varianza explicada pero acumulada de las 12  dimensiones que aportan algo.
* En la linea horizontal nos muestra hasta que dimensiones obtenemos cerca del 80% de la varianza explicada de los datos.
* Ademas apartir de de la 5ta dimension el crecimiento es muy poco.
* Con estos criterios podemos decir que con 5 dimensiones es sufiente para el analisis de los datos.





Variables
======================================================================

Rows {data-width=650}
-----------------------------------------------------------------------

### Variables

```{r}

factoextra::fviz_mca_var(ACM, choice = "var", repel = TRUE, col.var = "red4")+
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(), 
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::ylab('Dimension 2') +
  ggplot2::xlab("Dimension 1") +
  ggplot2::scale_x_continuous(limits = c(0,1)) +
  ggplot2::scale_y_continuous(limits = c(0,1))

```

Rows {data-width=400}
-----------------------------------------------------------------------

### Aportación de variables

```{r}

corrplot::corrplot(ACM$var$eta2, is.corr=FALSE,  method=c("color"),addCoef.col = "black")

```

### Interpretación

 * En la grafica de arriba podemos observar que tanto pesa cada una de las 7 variables en las primeras 5 dimensiones.
    * La variable __sexo__  es el que mas pesa en la dimension 1.
    * La variable __lado_cama__ es el que menos pesa en la dimension 1.
    * Las variables __temor__ y __aborto__ son las que mas aporta a la dimesion 2.
    * La variable __madre_padre__ no aporta nada a la dimension 2.
* El grafico de la izquierda mapea las coordenadas de los pesos de cada variable respecto a la dimension 1 y 2


Categorias Variables {data-navmenu="Categorias"}
======================================================================

Rows {data-width=650, .tabset}
-----------------------------------------------------------------------

### Dimensión 1

```{r}

factoextra::fviz_contrib(ACM, choice = "var", axes = 1, fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(), 
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Categorias", subtitle = "A la Dimensión 1")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Categorias")

```


### Dimensión 2

```{r}

factoextra::fviz_contrib(ACM, choice = "var", axes = 2, fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(), 
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Categorias", subtitle = "A la Dimensión 2")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Categorias") 

```


### Dimensión 3

```{r}

factoextra::fviz_contrib(ACM, choice = "var", axes = 3, fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(), 
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Categorias", subtitle = "A la Dimensión 3")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Categorias") 

```


### Dimensión 1 y 2

```{r}

factoextra::fviz_contrib(ACM, choice = "var", axes = (1:2), fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(), 
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Categorias", subtitle = "A la Dimensión 1 y 2")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Categorias")  

```

### Dimensión 1, 2 y 3 

```{r}

factoextra::fviz_contrib(ACM, choice = "var", axes = (1:3), fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(), 
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Categorias", subtitle = "A la Dimensión 1, 2 y 3")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Categorias") 
    

```

Rows {data-width=400, .tabset}
-----------------------------------------------------------------------

### Aportación de cada Categorias

```{r}

corrplot::corrplot(round(ACM$var$contrib,0), is.corr=FALSE,  method=c("color"),addCoef.col = "black")

```

### Interpretación

 * Las graficas muestran la contribucion de las 20 diferentes categorias a la respectiva dimension, la linea roja representa el valor de la contribucion de las categorias si todas aportaran lo mismo.
* La  __Dimension 1__
    * La categoria __Padre__ es la que mas aporta a la dimension 1 con el 16%  seguido de __Masculino__ y __Pepsi__ con 15%.
    * Las categorias __Otros__, __Totalmente a favor__ y __A favor__ no contribuyen nada a la dimension 1.
* La __Dimension 2__
    * La categoria __Otros__ es la que mas aporta a la dimension 2 con 25%.
    * Hay 6 categorias que no aportan nada a la dimension 2.
* La __Dimension 3__
    * La Categoria __Nublado__ es la que mas aporta con 22% a la dimension 3.
* La __Dimension 1 y 2__ 
    * La categoria __Otros__ aporta el 11% a la combinacion de las dimensiones 1 y 2.
    * La categoria __Nublado__ es el que contribuye menos a las dimensiones 1 y 2 con cerca del 1%.
* La __Dimension 1, 2 y 3__ 
    * La categoria __En contra__ es la que mas aporta a la combinacion de las dimensiones 1, 2 y 3 con cerca del 10%.
    * La categoria __Madre__ es la categoria que menos aporta a esta combinacion con cerca del 1%.


Biplot Categorias {data-navmenu="Categorias"}
======================================================================

Rows {data-width=650}
-----------------------------------------------------------------------

### Biplot Categorias

```{r}

factoextra::fviz_mca_var(ACM, col.var = "cos2", gradient.cols = c("gray", "red4"), repel = TRUE)+
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(legend.position = 'none',
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::ylab('Dimensión 2') +
  ggplot2::xlab("Dimensión 1") +
  ggplot2::labs(title = "Biplot - ACM", subtitle = "De las Variables Categorias")
  

```

Rows {data-width=400}
-----------------------------------------------------------------------

### Aportación de cada Categorias

* El biplot de la izquierda muestra a las diferentes categorias en las 2 primeras dimensiones.
* Mientras las categorias esten mas alejadas del eje y es porque mas aporta a la dimension 1
* Mientras las categorias esten mas alejadas del eje x es porque mas aporta a la dimension 2
    * Por ejemplo las categorias __Masculino, Derecho, Madre, Femenino, etc__ son las que casi no aportan nada a la dimension 2.
    * Por otro lado las categorias __Otros, Indiferente y De frente __ son las que menos aportan a la dimension 1.
    * Por ejemplo la categoria __En contra__ es una categoria que tiene un aporte mas parejo en las dos dimensiones.
* Mientras el color de la categoria sea mas fuerte es porque esta mejor representada esta categoria, miestras que el color sea mas debil es porque esta categoria no esta bien representada
    * Las categorias __Otros, Coca Cola y Masculino__ son categorias que estan bien representadas ern estas dos dimensiones.
    * Las categorias __Nublado, Izquierdo y Soledad __ son categorias que no estan bien representadas en estas dos categorias


Individuos Aportación {data-navmenu="Individuos"}
======================================================================

Rows {data-width=650, .tabset}
-----------------------------------------------------------------------

### Dimensión 1

```{r}

factoextra::fviz_contrib(ACM, choice = "ind", axes = 1, fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =16, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(),
                 legend.position = 'none',
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Individuos", subtitle = "A la Dimensión 1")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Individuos") 



```


### Dimensión 2

```{r}

factoextra::fviz_contrib(ACM, choice = "ind", axes = 2, fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =16, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(),
                 legend.position = 'none',
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Individuos", subtitle = "A la Dimensión 2")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Individuos")  

```


### Dimensión 3

```{r}

factoextra::fviz_contrib(ACM, choice = "ind", axes = 3, fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =16, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(),
                 legend.position = 'none',
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Individuos", subtitle = "A la Dimensión 3")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Individuos") 

```


### Dimensión 1 y 2

```{r}

factoextra::fviz_contrib(ACM, choice = "ind", axes = (1:2), fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =16, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(),
                 legend.position = 'none',
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Individuos", subtitle = "A la Dimensión 1 y 2")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Individuos")   

```

### Dimensión 1, 2 y 3 

```{r}

factoextra::fviz_contrib(ACM, choice = "ind", axes = (1:3), fill = "red4", color = "red4") +
  ggthemes::theme_fivethirtyeight(base_size =16, base_family = "serif") +
  ggplot2::theme(panel.grid.major = ggplot2::element_blank(),
                 panel.grid.minor = ggplot2::element_blank(),
                 legend.position = 'none',
                 axis.text.x = ggplot2::element_text(angle=40, hjust=1),
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::labs(title = "Contribución de Individuos", subtitle = "A la Dimensión 1, 2 y 3")+
  ggplot2::ylab('% Contribución') +
  ggplot2::xlab("Individuos")  
    

```

Rows {data-width=400, .tabset}
-----------------------------------------------------------------------

### Aportación de cada Categorias

```{r}

corrplot::corrplot(round(ACM$ind$contrib,0), is.corr=FALSE,  method=c("color"),addCoef.col = "black")


```

### Interpretación


 * Las graficas muestran la contribucion de los 17 diferentes individuos a la respectiva dimension, la linea roja representa el valor de la contribucion de los individuos  si todos aportaran lo mismo.
* La  __Dimension 1__
    *  __EDGAR__ es la persona que mas contribuye a la dimension 1 con mas del 50% para ser especificos con el 51%  seguido de __JACQ__ con 7%.
    * __PAU A__ y __ESME__ no contribuyen nada a la dimension 1.
* La __Dimension 2__
    * __ITZEL__ es la que mas aporta a la dimension 2 con 46%.
    * __MARIEL__ y __ISELA__ no aportan nada a la dimension 2.
* La __Dimension 3__
    * __SAUL__ es el que mas aporta con 22% a la dimension 3.
* La __Dimension 1 y 2__ 
    *  __EDGAR__  es quien aporta mas a la combinacion de las dimensiones 1 y 2 con cerca del 30%
    * __MARIEL__ es la que contribuye menos a las dimensiones 1 y 2 con cerca del 1%.
* La __Dimension 1, 2 y 3__ 
    * Otra vez __EDGAR__ es la persona que mas aporta a la combinacion de las dimensiones 1, 2 y 3 con cerca del 22%.
    * __MARIEL __ es la que menos aporta a esta combinacion con poco menos del 2%.


Biplot Individuos {data-navmenu="Individuos"}
======================================================================

Rows {data-width=650}
-----------------------------------------------------------------------

### Biplot Individuos

```{r}

factoextra::fviz_mca_ind(ACM, col.ind  = "cos2", gradient.cols = c("gray", "red4"), repel = TRUE)+
  ggthemes::theme_fivethirtyeight(base_size =20, base_family = "serif") +
  ggplot2::theme(legend.position = 'none',
                 plot.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 panel.background = ggplot2::element_rect(fill = 'white', colour = 'white'), 
                 axis.title.y  = ggplot2::element_text(), 
                 axis.title.x = ggplot2::element_text()) +
  ggplot2::ylab('Dimensión 2') +
  ggplot2::xlab("Dimensión 1") +
  ggplot2::labs(title = "Biplot - ACM", subtitle = "De los Individuos")


```

Rows {data-width=400}
-----------------------------------------------------------------------

### Aportación de cada Categorias

* El biplot de la izquierda muestra a los diferentes individuos en las 2 primeras dimensiones.
* Mientras los individuos esten mas alejadas del eje y es porque mas aporta a la dimension 1
* Mientras los individuos esten mas alejadas del eje x es porque mas aporta a la dimension 2
    * Por ejemplo los individuos  __MARIEL, ISELA, ALVARO, ETC__ son los que casi no aportan nada a la dimension 2.
    * Por otro lado los individuos  __ITZEL, ESME__ son las que menos aportan a la dimension 1.
    * Por ejemplo el individuo __SAUL__ es el que tiene un aporte mas parejo en las dos dimensiones.
* Mientras el color de la categoria sea mas fuerte es porque esta mejor representada esta categoria, miestras que el color sea mas debil es porque esta categoria no esta bien representada
    * Los individuos __EDGAR, ITZEL Y MAJO__ son los individuos que estan bien representadas er estas dos dimensiones.
    * Los individuos __ALVARO, ISELA Y MARIEL__ son los individuos que no estan bien representadas en estas dos categorias




Biplots
======================================================================

Rows {data-width=550}
-----------------------------------------------------------------------

### Factores

```{r}

factoextra::fviz_ellipses(pointsize = 2, ACM, 1:6, geom = "point", addEllipses = TRUE, repel=TRUE) +
  ggthemes::theme_solarized_2(light = FALSE, base_family = "serif", base_size = 13)+
  ggplot2::theme(legend.position = 'none', axis.title.y  = ggplot2::element_text(), axis.title.x = ggplot2::element_text()) +
  ggplot2::ylab('Dimension 2') +
  ggplot2::xlab("Dimension 1") +
  ggplot2::labs(title = "Biplot - ACM", subtitle = "Por Factores")

```

Rows {data-width=500}
-----------------------------------------------------------------------

### Aportación de cada Categorias

* El grafico de la izquierda muestra diferentes biplot separados por las variables que tenemos.
* En el primero obtenemos el biplot solo con lo datos de la variable __Aborto__ con sus 4 diferentes categorias, agrupando de acuerdo al tipo de respuesta de los indivuos
* En el primero obtenemos el biplot solo con lo datos de la variable __Clima__ con sus 3 diferentes categorias, agrupando de acuerdo al tipo de respuesta de los indivuos
* En el primero obtenemos el biplot solo con lo datos de la variable __Madre_Padre__ con sus 2 diferentes categorias, agrupando de acuerdo al tipo de respuesta de los indivuos
* En el primero obtenemos el biplot solo con lo datos de la variable __Refresco__ con sus 2 diferentes categorias, agrupando de acuerdo al tipo de respuesta de los indivuos
* En el primero obtenemos el biplot solo con lo datos de la variable __Sexo__ con sus 2 diferentes categorias, agrupando de acuerdo al tipo de respuesta de los indivuos
* En el primero obtenemos el biplot solo con lo datos de la variable __Temor__ con sus 4 diferentes categorias, agrupando de acuerdo al tipo de respuesta de los indivuos