Curso de Postgrado en Herramientas Estadísticas Avanzadas: AGROPECUARIOS. Prof. Dr. José Perea Dpto. Producción Animal
|
|
- Martín Martin Maestre
- hace 7 años
- Vistas:
Transcripción
1 Curso de Postgrado en Herramientas Estadísticas Avanzadas: ANÁLISIS MULTIVARIANTE PARA INVESTIGACIÓN EN SISTEMAS AGROPECUARIOS ANÁLISIS CLUSTER Prof. Dr. José Perea Dpto. Producción Animal
2 ANÁLISIS DE CONGLOMERADOS 1. Introducción 2. Medidas de similaridad 3. Análisis jerárquico 4. Análisis no jerárquico. Elección entre los distintos tipos de análisis 6. Caso práctico
3 Análisis de interdependencias clasificación Relación entre variables Relación entre casos Relación entre objetos Métricas No métricas componentes principales análisis factorial análisis correspondencias análisis cluster escalamiento multidimensional
4 introducción Técnica para clasificar observaciones en grupos: - Cada grupo sea homogéneo respecto a las variables utilizadas para su formación - Que los grupos sean lo más distintos posible unos de otros respectos a las variables consideradas - La composición de los grupos es desconocida apriori(en el análisis discriminante o en la regresión logística se conocen los grupos)
5 introducción - Por ejemplo: - Clasificar los animales de un rebaño según sus características productivas y aptitudes para la explotación ecológica (producción de leche, producción de carne, edad, enfermedades, rusticidad, prolificidad, fertilidad, aplomos, raza, etc.) - Clasificar explotaciones ganaderas según su implicación en funciones no productivas
6 introducción Pasos del análisis i cluster: - Se tiene información de n casos y k variables - Se establece un indicador que nos diga en qué medida cada par de observaciones se parece entre sí (distancia o similaridad) - Se crean los grupos de acuerdo a la medida de similaridad o distancia anterior. Hay dos tipos de creación de grupos y varios métodos de agrupación - Se describen los grupos obtenidos y se comparan unos con otros - Validación del análisis
7 medidas de similaridad Medidas de similaridad Ejemplo Se tiene información de la producción de leche y del rendimiento quesero de 8 cabras Cabra Producción leche Rendimiento quesero
8 medidas de similaridad
9 medidas de similaridad
10 medidas de similaridad Medidas de similaridad il id d para variables métricas - Distancia euclídea (D) entre dos casos: D = Σ (X ip X jp ) 2 - En el ejemplo: - D 12 = (22 22) 2 + (1 1) 2 = - D 13 = (21 22) 2 + (3 1) 2 = 196 Cabra Producción leche Rendimiento quesero
11 medidas de similaridad - Distancia i euclídea al cuadrado d (D 2 ) entre dos casos: - Menos exigente que el anterior - D = Σ (X ip X jp ) 2 - En el ejemplo: - D 12 = (22 22) 2 + (1 1) 2 =2 - D 13 = (21 22) 2 + (3 1) 2 = 3842 Cabra Producción leche Rendimiento quesero
12 medidas de similaridad - Distancia i de Minkowski: ki - M = [Σ (X ip X jp ) 2 ] 1/n - Los dos casos anteriores son un caso particular (n=2) de la distancia de Minkowski - Distancia city block o Manhatan : - M = Σ (X ip X jp )
13 medidas de similaridad c 3 b a
14 medidas de similaridad Estandarización de los datos: - Las distancias de similaridad son muy sensibles a las unidades en que estén medidas las variables. - En el ejemplo (distancia D 2 ): - D 12 = (22 22) 2 + (1 1) 2 = 2 - D 13 = (21 22) 2 + (3 1) 2 = Si la producción de leche la medimos en centilitros: - D 12 = (22 22) 2 + (1 1) 2 =2 - D = (21 22) + (3 1) = Lo más común en restar la media a cada observación y dividir - Lo más común en restar la media a cada observación y dividir por la desviación típica (variables de media cero y d.t. 1)
15 medidas de similaridad Medidas de similaridad il id dpara datos binariosi - Se utilizan con variables ficticias o con variables dicotómicas (p.e. no =; si =1) - Se utiliza una tabla de doble entrada: Ganadero Ecológico ATP Soltero Et Estudios
16 medidas de similaridad Ganadero Ecológico ATP Soltero Et Estudios
17 medidas de similaridad Ganadero Ecológico ATP Soltero Et Estudios a 2 1 c b d
18 medidas de similaridad Medidas: - D 2 =b+c - D = b+c - Diferencia de tamaño = (b c) 2 /(a+b+c+d) 2 - Diferencia de configuración = (b*c)/(a+b+c+d) 2 - Diferencia de forma = [(a+b+c+d)*(b+c) (b+c)-(b c) 2 ]/(a+b+c+d) 2
19 análisis jerárquico Formación de grupos: - Análisis jerárquico: Inicialmente cada caso es un grupo en sí mismo y sucesivamente se van fusionando grupos cercanos hasta que todos los individuos confluyen en un solo grupo. - Análisis no jerárquico: Inicialmente se establece el número de grupos y cada caso se asigna a uno de ellos. Nótese que si elegimos p.e. 3 grupos, en el método jerárquico los grupos proceden de fusionar dos grupos de la anterior combinación de 4 y en el método no jerárquico los 3 grupos se habrán confeccionado para maximizar la heterogeneidad entre grupos y la homogeneidad dentro de grupos.
20 análisis jerárquico Ejemplo: - 12 casos (explotaciones ecológicas de vacuno lechero) - Agrupar según las siguientes variables: - NHT (superficie dedicada a la actividad en ha) - NHT_NHP (superficie en propiedad %) - NVAC (número de vacas) - TREP (tasa de reposición) - TMORT (tasa de mortalidad) - CARGA (carga ganadera UGM/ha) - ITC (índice terneros comerciales) - ILC (índice de litros comerciales)
21 análisis jerárquico - Utilizando el análisis i jerárquico con la distancia i euclídea y el método de Ward: 1 Dendrogram Ward's Method,Squared Euclidean 8 Dist tance
22 análisis jerárquico - Utilizando el análisis i jerárquico con la distancia i euclídea y el método de Ward: 1 Dendrogram Ward's Method,Squared Euclidean 8 Dist tance
23 análisis jerárquico - Utilizando el análisis i jerárquico con la distancia i euclídea y el método de Ward: - Grupo I: 1, 3,, 6, 7, 1 - Grupo II: 4, 8, 9, 11 - Grupo III: 12 - Utilizando el análisis no jerárquico con la distancia euclídea: - Grupo I: 1, 7, 12 - Grupo II: 4, 8, 9, 1 - Grupo III: 2, 3,, 6, 11
24 análisis jerárquico Métodos de agrupación jerárquica: - Método del centroide - Método del vecino más cercano - Método del vecino más lejano - Método de la vinculación promedio - Método de Ward
25 análisis jerárquico Métodos del centroide: - Comienza uniendo las dos observaciones más cercanas. - A continuación, el grupo se sustituye por una observación que lo representa (centroide) y en el que todas las variables toman un valor medio. - Se vuelven a calcular la matriz de distancias (D, D 2, etc.), se unen otro par de observaciones y se recalcula la matriz. - Así hasta que todas las observaciones quedan en un solo grupo.
26 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
27 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
28 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
29 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
30 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
31 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
32 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
33 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
34 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
35 Métodos del vecino más cercano: análisis jerárquico - Igual que el método del centroide pero varía el cálculo de la distancia. - Las distancias entre los grupos a fusionar se calculan tomando las observaciones más cercanas de cada grupo (en vez del valor medio)
36 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
37 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
38 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
39 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
40 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
41 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
42 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
43 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
44 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
45 análisis jerárquico Métodos del vecino más lejano: - Igual que el método anterior pero utiliza las observaciones más lejanas de cada grupo para calcular l las distancias. i
46 análisis jerárquico Métodos de lavinculación ió promedio: - La distancia entre los grupos se obtiene calculando la distancia i promedio entre todos los pares de observaciones que pueden formarse entre los dos grupos fusionar
47 análisis jerárquico Métodos de lavinculación ió promedio: - La distancia entre los grupos se obtiene calculando la distancia i promedio entre todos los pares de observaciones que pueden formarse entre los dos grupos fusionar
48 análisis jerárquico Métodos de lavinculación ió promedio:
49 análisis jerárquico Métodos de Ward: - El método de Ward es el más utilizado (maximiza la homogeneidad d dentro de los grupos). - Para ello, plantea todas las posibles fusiones en cada etapa concreta y elige la que maximiza la homogeneidad: - Calcula los centroides de los grupos resultantes de las posibles fusiones - A continuación calcula la distancia al centroide de todas las observaciones del grupo (suma de cuadrados total) La solución con menor suma de cuadrados total es la - La solución con menor suma de cuadrados total es la elegida
50 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico 3 3 Cabra Producción leche Rendimiento quesero
51 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Posibles fusiones: (1,2,3,4),, y (,6) Cabra Producción leche Rendimiento quesero
52 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Posibles fusiones: (,6) y (7,8) Cabra Producción leche Rendimiento quesero
53 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Posibles fusiones: (1,2,3,4) y (7,8) Cabra Producción leche Rendimiento quesero
54 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Posibles fusiones: (1,2,3,4),, y (,6) (,6) y (7,8) (1,2,3,4) y (7,8) Cabra Producción leche Rendimiento quesero
55 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Grupos Producción leche Rendimiento quesero (1,2,3,4) (,6) 26, 22, (,6) (7,8) 412, 3, (1,2,3,4) (7,8) 31,7 27,
56 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Grupos Producción leche Rendimiento quesero (1,2,3,4) (,6) 26, 22, (,6) (7,8) 412, 3, (1,2,3,4) (7,8) 31,7 27,
57 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Grupos Producción leche Rendimiento quesero (1,2,3,4) (,6) 26, 22, (,6) (7,8) 412, 3, (1,2,3,4) (7,8) 31,7 27,
58 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Grupos Producción leche Rendimiento quesero (1,2,3,4) (,6) 26, 22, (,6) (7,8) 412, 3, (1,2,3,4) (7,8) 31,7 27,
59 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Grupos Producción leche Rendimiento quesero (1,2,3,4) (,6) 26, 22, (,6) (7,8) 412, 3, (1,2,3,4) (7,8) 31,7 27,
60 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Grupos Producción leche Rendimiento quesero (1,2,3,4) (,6) 26, 22, (,6) (7,8) 412, 3, (1,2,3,4) (7,8) 31,7 27,
61 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Grupos Producción leche Rendimiento i quesero (1,2,3,4) (,6) 26, 22, (,6) (7,8) 412, 3, (1,2,3,4) (7,8) 31,7 27, Cabra Producción leche Rendimiento quesero D = ,2,3,4,,6 - D 1,2,3,4,7,8 = D,6,7,8 = 13137
62 Ejemplo método de Ward (distancia D 2 ): análisis jerárquico Grupos Producción leche Rendimiento i quesero (1,2,3,4) (,6) 26, 22, (,6) (7,8) 412, 3, (1,2,3,4) (7,8) 31,7 27, Cabra Producción leche Rendimiento quesero D 1,2,3,4,,6 = 26437,,,,, - D 1,2,3,4,7,8 = D = 13137,6,7,8
63 análisis jerárquico Elección del método de agrupación jerárquica: - Sigue planteando interrogantes a resolver - Probar varios métodos y comparar los resultados - Método del vecino más cercano: Tiende a crear pocos grupos, aunque es muy sensible a outliers - Método del vecino más lejano: Grupos muy homogéneos - Método de Ward: Tiende a grupos muy compactos de tamaño similar
64 análisis jerárquico Selección del número de conglomerados: - Problema que aún plantea dudas. - Dos criterios: - Debe detenerse la fusión cuando los grupos a unir están a una distancia significativamente mayor de los que previamente se han fusionado. - El investigador debe interpretar adecuadamente cada grupo de la solución final.
65 análisis jerárquico Selección del número de conglomerados: - Distancia de los conglomerados (DC) - Tasa de variación del coeficiente de conglomeración - Raíz cuadrada de la media de las D.T. del nuevo cluster (RC) - R 2 semiparcial (R2S) - R cuadrado (R2)
66 análisis jerárquico Distancia i de los conglomerados (DC): - Indica la homogeneidad dentro del nuevo conglomerado. - Responde a la distancia utilizada. - El valor debe ser pequeño. Num. Cluster DC 7 3,6 6,38 6,6 4 7,7 3 11, , 1 3,3
67 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Agglomeration Distance Plot Ward's Method,Squared Euclidean 8 Dista ance Stage
68 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Agglomeration Distance Plot Ward's Method,Squared Euclidean 8 Dista ance Stage
69 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
70 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
71 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
72 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
73 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
74 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
75 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
76 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
77 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
78 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
79 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa 1 Dendrogram Ward's Method,Squared Euclidean 8 Distan nce
80 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa Agglomeration Schedule Clustering Method: Ward's Distance Metric: Squared Euclidean Clusters Combined Stage First Appears Next Stage Cluster 1 Cluster 2 Coefficient Cluster 1 Cluster 2 Stage , , , , , , , , , , ,
81 análisis jerárquico Tasa de variación ió del coeficiente i de conglomeración: - El coeficiente de conglomeración refleja la distancia a la que estaban los grupos fusionados en la etapa Agglomeration Schedule Clustering Method: Ward's Distance Metric: Squared Euclidean Clusters Combined Stage First Appears Next Stage Cluster 1 Cluster 2 Coefficient Cluster 1 Cluster 2 Stage , , , , , , , , , , ,
82 análisis jerárquico Raíz cuadrada d de la media de las D.T. del nuevo cluster (RC): - Indica la homogeneidad del nuevo conglomerado. - La suma de todas las desviaciones típicas de todas las observaciones del nuevo conglomerado respecto al centroide. - El valor debe ser pequeño. Num. Cluster DC RC 7 3,6 1,8 6,38 2,69,6 2,82 4 7,7 3,3 3 11,88, , 6,7 1 3,3 14,24
83 análisis jerárquico R 2 semiparcial i (R2S): - Indica la pérdida de homogeneidad que se produce en la fusión. - Su cálculo se basa en el ratio entre la pérdida de homogeneidad en cada fusión (suma de cuadrados tras la fusión menos la suma de cuadrados de los grupos que se unen) y la homogeneidad máxima (cada observación es un grupo). - El valor debe ser pequeño. Num. Cluster DC RC R2S 7 3,6 1,8 6,38 2,69,6 2,82 4 7,7 3,3 3 11,88,22,4 2 13, 6,7,6 1 3,3 14,24,86
84 análisis jerárquico R 2 : - Indica la heterogeneidad entre conglomerados en cada fusión. - Ratio entre la heterogeneidad entre conglomerados y la total. - El valor debe ser alto. Num. Cluster DC RC R2S R2 7 3,6 1,8,99 6,38 2,69,99,6 2,82,98 4 7,7 3,3, ,88,22,4, , 6,7,6,86 1 3,3 14,24,86
85 análisis jerárquico DC: homogeneidad d clusters fusionados Pequeño T. Var. CC: pérdida homogeneidad en la fusión Pequeño RC: homogeneidad del nuevo cluster Pequeño R2S: pérdida homogeneidad en la fusión Pequeño R 2 : heterogeneidad entre clusters Grande Num. Cluster DC RC R2S R2 7 3,6 1,8,99 6,38 2,69,99,6 2,82,98 4 7,7 3,3, ,88,22,4, , 6,7,6,86 1 3,3 14,24,86
86 análisis jerárquico DC: homogeneidad d clusters fusionados Pequeño T. Var. CC: pérdida homogeneidad en la fusión Pequeño RC: homogeneidad del nuevo cluster Pequeño R2S: pérdida homogeneidad en la fusión Pequeño R 2 : heterogeneidad entre clusters Grande Num. Cluster DC RC R2S R2 7 3,6 1,8,99 6,38 2,69,99,6 2,82,98 4 7,7 3,3, ,88,22,4, , 6,7,6,86 1 3,3 14,24,86
87 4 análisis jerárquico DC RC ,9,8,7,6,,4,3,2,1 R2S R2
88 análisis jerárquico Analizar e interpretar t los resultados: - ANOVA entre clusters con las variables utilizadas en el análisis. i - ANOVA con las demás variables. - Tabla de contingencia entre clusters para variables categóricas. - Interpretar los resultados con las agrupaciones sucesivas.
89 análisis no jerárquico Análisis i nojerárquico: - Se conoce a priori el número de k grupos - Cada observación es asignada a un grupo - Maximiza la homogeneidad dentro de los grupos - Maximiza la heterogeneidad entre grupos - Etapas: 1. Determinar los centroides iniciales de los k grupos 2. Formación de los grupos 3. Recalcular los centroides y formar grupos hasta la estabilidad
90 análisis no jerárquico 1. Determinar los centroides inicialesi i de los k grupos: - Se utilizan las k primeras observaciones del fichero como centroides de partida. - Se calculan las distancias entre las k observaciones y se retiene la correspondiente a las 2 observaciones más cercanas (O1-O2).
91 análisis no jerárquico 1. Determinar los centroides inicialesi i de los k grupos: - A continuación se determina si alguna de las 2 observaciones puede ser sustituida id enel centroide por la observación Ok+1. - Si la distancia de Ok+1 a la observación más cercana perteneciente a las k observaciones centroides es mayor que la distancia entre las dos observaciones más cercanas, Ok+1 sustituye a O1 o a O2 (la más cercana). - Si la distancia de Ok+1 a cualquiera de las k observaciones centroides (exceptuando la más cercana) es más grande que la menor distancia de la más cercana a todas las que integran el centroide, Ok+1 sustituye a Ok
92 análisis no jerárquico - A continuación ió se determina si alguna de las 2 observaciones puede ser sustituida en el centroide por la observación Ok+1. - Si la distancia de Ok+1 a la observación más cercana perteneciente a las k observaciones centroides es mayor que la distancia entre las dos observaciones más cercanas, Ok+1 sustituye a O1 o a O2 (la más cercana). O1 O2 Ok Ok+1
93 análisis no jerárquico - A continuación ió se determina si alguna de las 2 observaciones puede ser sustituida en el centroide por la observación Ok+1. - Si la distancia de Ok+1 a la observación más cercana perteneciente a las k observaciones centroides es mayor que la distancia entre las dos observaciones más cercanas, Ok+1 sustituye a O1 o a O2 (la más cercana). O1 Ok Ok+1
94 análisis no jerárquico - A continuación ió se determina si alguna de las 2 observaciones puede ser sustituida por en el centroide por la observación Ok+1. - Si la distancia de Ok+1 a cualquiera de las k observaciones centroides (exceptuando la más cercana) es más grande que la menor distancia de la más cercana a todas las que integran el centroide, Ok+1 sustituye a Ok O1 O2 Ok Ok+1
95 análisis no jerárquico - A continuación ió se determina si alguna de las 2 observaciones puede ser sustituida por en el centroide por la observación Ok+1. - Si la distancia de Ok+1 a cualquiera de las k observaciones centroides (exceptuando la más cercana) es más grande que la menor distancia de la más cercana a todas las que integran el centroide, Ok+1 sustituye a Ok O1 O2 Ok+1 - El proceso se repite hasta que los k centroides se estabilizan.
96 análisis no jerárquico 2. Formación de los nuevos grupos: - Se calcula distancia de cada observación a los k centroides y se asigna al más cercano. - Se recalculan los centroides (etapa 1) y se vuelven a asignar las observaciones. - El proceso finaliza cuando las observaciones no cambian de grupo o cuando se alcanza un determinado número de iteraciones (marcadas por el investigador)
97 elección Elección entre conglomerado jerárquico ono jerárquico: - Sigue planteando dudas. - Depende de los objetivos del estudio y de las propiedades de los distintos métodos. - Lo ideal sería un enfoque jerárquico inicial y complementario a un enfoque no jerárquico final: - El análisis jerárquico inicial determinaría cuál es el número de grupos y los centroides iniciales del posterior análisis no jerárquico. - El posterior análisis no jerárquico maximiza la homogeneidad dentro de grupos y la heterogeneidad entre grupos.
ANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES COMPONENTES PRINCIPALES 1. Introducción 2. Componentes principales de dos variables 3. Obtención de los componentes principales 4. Caso práctico Análisis de interdependencias
Más detallesANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA
ANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA ANALISIS DE CLUSTER EN SPSS Opción: Analizar Clasificar ANALISIS DE CLUSTER EN SPSS Tres posibles OPCIONES 1.- Cluster en dos etapas 2.- K-means 3.- Jerárquicos
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: ANÁLISIS DEL RIESGO ACTUARIAL Y FINANCIERO
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: ESTADÍSTICA ACTUARIAL III: ANÁLISIS MULTIVARIANTE DE DATOS Código: 603377 Materia: ESTADÍSTICA ACTUARIAL Módulo: ANÁLISIS DEL
Más detallesAnálisis Cluster en SPSS
Análisis Cluster en SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas 1. Hair, J.F., Anderson, R.E., Tatham, R.L. y Black,
Más detallesFacultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado
Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado Materia: Estadística Aplicada a la Investigación Profesora: Dra. Hebe Goldenhersh Octubre del 2002 1 Determinación de
Más detallesLas medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución.
CONTENIDO: MEDIDAS DE DISPERSIÓN INDICADOR DE LOGRO: Determinarás y aplicarás, con perseverancia las medidas de dispersión para datos no agrupados y agrupados Guía de trabajo: Las medidas de dispersión
Más detallesANÁLISIS DISCRIMINANTE
DEFINICIÓN: Cómo técnica de análisis de dependencia: Pone en marcha un modelo de causalidad en el que la variable endógena es una variable NO MÉTRICA y las independientes métricas. Cómo técnica de análisis
Más detallesU.D.1: Análisis estadístico de una variable Consideraciones iniciales: Propuesta: 1.1 Distribución de frecuencias. Variables Cualitativas: Ejemplo
U.D.1: Análisis estadístico de una variable Consideraciones iniciales: - Población: Es el conjunto de todos los elementos que cumplen una determinada característica. Ej.: Alumnos del colegio. - Individuo:
Más detallesObjetivo: Universo de estudio:
Resumen de la metodología y resultados de la clasificación de hospitales públicos españoles mediante el uso del análisis cluster realizado por el Departamento de Métodos Cuantitativos en Economía y Gestión
Más detallesObjetivo. variables factores F Principios básicos. Parsimonia Interpretabilidad
ANÁLISIS FACTORIAL 1. Introducción 2. Examen de la matriz de correlación 3. Extracción de los factores 4. Rotación de los factores 5. Puntuaciones factoriales 6. Caso práctico Introducció Objetivo. Resumir
Más detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesEjemplos de análisis cluster
Ejemplos de análisis cluster Objetivos: 1. Una aproximación a la terminología del análisis cluster o de conglomerados 2. Uso de las funciones oportunas de R para realizar el análisis 3. Interpretación
Más detallesEstadística. Análisis de datos.
Estadística Definición de Estadística La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un
Más detallesCaracterización morfológica y productiva.
Caracterización morfológica y productiva. Índice: Introducción. Muestreos. Métodos de recogida de la información. Análisis estadísticos: Descriptivo Comparación entre grupos Análisis multivariante Proposición
Más detallesNota técnica Estratificación multivariada
Instituto Nacional de Estadística y Geografía Nota técnica Estratificación multivariada Censo de Población y Vivienda 2010 NOTA TÉCNICA ESTRATIFICACIÓN MULTIVARIADA Con la finalidad de que el usuario pueda
Más detallesUn estudio estadístico consta de las siguientes fases: Recogida de datos. Organización y representación de datos. Análisis de datos.
La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta de las siguientes
Más detallesEcuaciones cuadráticas Resolver ecuaciones cuadráticas casos especiales
Ecuaciones cuadráticas Resolver ecuaciones cuadráticas casos especiales Departamento de Matemáticas Universidad de Puerto Rico - Arecibo Ecuación cuadrática en forma general Una ecuación cuadrática tiene
Más detallesFLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- BLOQUE ESTADÍSTICA: ESTADÍSTICA VARIABLE UNIDIMENSIONAL. Estadística variable unidimensional
FLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- Estadística variable unidimensional 1. Conceptos de Estadística 2. Distribución de frecuencias 2.1. Tablas de valores con variables continuas 3. Parámetros
Más detalles3. Clasificación no supervisada
3. El presente capítulo y el siguiente tratan de clasificación, es por ello que antes de abordar el tema específico de este capítulo, previamente se hará una introducción al tema de clasificación. 3.1
Más detallesUniversidad de Sonora Departamento de Matemáticas Área Económico Administrativa
Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa Materia: Estadística I Maestro: Dr. Francisco Javier Tapia Moreno Semestre: 015- Hermosillo, Sonora, a 14 de septiembre de
Más detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesSantiago de la Fuente Fernández. Análisis Conglomerados
Santiago de la Fuente Fernández Análisis Conglomerados Santiago de la Fuente Fernández Análisis Conglomerados ANÁLISIS DE CONGLOMERADOS Análisis de Conglomerados El Análisis Cluster, conocido como Análisis
Más detallesAnálisis Multivariante de Datos en Psicología. Ana María López Curso
Análisis Multivariante de Datos en Psicología Ana María López Curso 2006-2007 2007 Análisis Multivariante de Datos en Psicología Créditos teóricos: 2.5 Créditos prácticos: 2 PROGRAMA DE CONTENIDOS TEÓRICOS
Más detallesESTADÍSTICA CON EXCEL
ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesINTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo
Más detallesEJERCICIOS Tema 5 La información que recibimos
EJERCICIOS Tema 5 La información que recibimos 1.- Califica las siguientes preguntas como abiertas o cerradas: a) Elige un lugar para tomar un baño: Playa - Piscina b) Indica que color o colores del arco
Más detallesPuntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth
1 Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I Qué es la Puntuación Z? 2 Los puntajes Z son transformaciones que se pueden hacer a los valores o puntuaciones de una distribución normal, con el propósito
Más detallesLa práctica del análisis de correspondencias
La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del apéndice D Glosario de términos Primera edición: julio 2008 ISBN: 978-84-96515-71-0
Más detallesTEMA 3: CINÉTICA HOMOGÉNEA. REACCIONES SIMPLES CQA-3/1
TEMA 3: CINÉTICA HOMOGÉNEA. REACCIONES SIMPLES CQA-3/1 CARACTERÍSTICAS DE LAS REACCIONES HOMOGÉNEAS Todas las sustancias reaccionantes se encuentran en una sola fase Velocidad de reacción: Objetivo principal
Más detallesDepartamento de Métodos Cuantitativos para la Economía y la Empresa
Departamento de Métodos Cuantitativos para la Economía y la Empresa Técnicas para el Análisis de Mercado NOMBRE: DNI: GRUPO: 1 (3 puntos) La empresa de productos de informática Watermellon quiere analizar
Más detallesJosé Antonio Palazón Palazón Ferrando y José Francisco Calvo Sendín. Depto. Ecología e Hidrología palazon@um.es jfcalvo@um.es
José Antonio Palazón Palazón Ferrando y José Francisco Calvo Sendín Depto. Ecología e Hidrología palazon@um.es jfcalvo@um.es Universidad de Murcia Taller Caldum, 22 de Julio de 2004 1 Observaciones, objetividad
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesTema 11. Clustering. X 1... X i... X n O 1 x x 1 i... x 1 n... O j x j 1... x j i... x j n... O N x N 1... x N i... x N n
Tema 11. Clustering Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea 1 Introducción
Más detallesESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA Definición de Estadística: La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer
Más detallesRuth Vilà, María-José Rubio, Vanesa Berlanga, Mercedes Torrado. Cómo aplicar un cluster jerárquico en SPSS.
Universitat de Barcelona. Institut de Ciències de l Educació Cómo aplicar un cluster jerárquico en SPSS Ruth Vilà-Baños, María-José Rubio-Hurtado, Vanesa Berlanga-Silvente, Mercedes Torrado-
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesMedidas de tendencia central y dispersión
Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 3, Marzo 2011. Open Access, Creative Commons. Medidas de tendencia central y dispersión Autor: Fernando Quevedo Ricardi (1) Filiación:
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesEstimación de Precios de piensos:
Estimación de Precios de piensos: Enero 2015 (Semanas 1 a 5) 1.- evolución del precio de materias primas y piensos en el último mes. 2.- evolución del precio de materias primas y piensos a lo largo de
Más detallesEstimación de Precios de piensos:
Estimación de Precios de piensos: Mayo 2016 (Semanas 18 a 21) 1.- evolución del precio de materias primas y piensos en el último mes. 2.- evolución del precio de materias primas y piensos a lo largo de
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesSistemas de ecuaciones lineales
Ecuación lineal con n incógnitas Sistemas de ecuaciones lineales Es cualquier expresión del tipo: a 1 x 1 + a 2 x 2 + a 3 x 3 +... + a n x n = b, donde a i, b. Los valores a i se denominan coeficientes,
Más detallesTransformaciones de variables
Transformaciones de variables Introducción La tipificación de variables resulta muy útil para eliminar su dependencia respecto a las unidades de medida empleadas. En realidad, una tipificación equivale
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detalles5.3. Análisis discriminante Cuándo tenemos que utilizar el análisis discriminante
FUOC P01/71039/00748 119 Investigación descriptiva: análisis de información 5.3. Análisis discriminante 5.3.1. Cuándo tenemos que utilizar el análisis discriminante Para resolver muchos problemas de marketing,
Más detallesMedidas de Tendencia Central. Dra. Noemí L. Ruiz Limardo Derechos de Autor Reservados Revisado 2010
Medidas de Tendencia Central Dra. Noemí L. Ruiz Limardo Derechos de Autor Reservados Revisado 2010 Objetivos de Lección Conocer cuáles son las medidas de tendencia central más comunes y cómo se calculan
Más detallesAnálisis de los Municipios Turísticos de Andalucía
Análisis de los Municipios Turísticos de Andalucía UNIVERSIDAD DE MÁLAGA DPTO. ECONOMÍA APLICADA-POLÍTICA ECONÓMICA Febrero, 2004 EQUIPO DE TRABAJO: Pedro Raya Mellado. Profesor Titular de Economía Aplicada.
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesAjustes de datos: transformación de datos. Capítulo 9 de McCune y Grace 2002
Ajustes de datos: transformación de datos. Capítulo 9 de McCune y Grace 2002 Razones estadísticas para transformar datos Mejorar las suposiciones de algunas técnicas estadísticas: normalidad, linealidad,
Más detallesLa desviación típica y otras medidas de dispersión
La desviación típica y otras medidas de dispersión DISPERSIÓN O VARIACIÓN La dispersión o variación de los datos intenta dar una idea de cuan esparcidos se encuentran éstos. Hay varias medidas de tal dispersión,
Más detallesTema: Medidas de Asociación con SPSS
Tema: Medidas de Asociación con SPSS 1.- Introducción Una de las tareas habituales en el análisis de encuestas es la generación y análisis de tablas de contingencia, para las variables y categorías objetivo
Más detallesEstimación de Precios de piensos:
Estimación de Precios de piensos: Marzo 2015 (Semanas 10 a 13) 1.- evolución del precio de materias primas y piensos en el último mes. 2.- evolución del precio de materias primas y piensos a lo largo de
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesEstimación de Precios de piensos:
Estimación de Precios de piensos: Febrero 2015 (Semanas 6 a 9) 1.- evolución del precio de materias primas y piensos en el último mes. 2.- evolución del precio de materias primas y piensos a lo largo de
Más detallesEstimación de Precios de piensos:
Estimación de Precios de piensos: Abril 2015 (Semanas 14 a 18) 1.- evolución del precio de materias primas y piensos en el último mes. 2.- evolución del precio de materias primas y piensos a lo largo de
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesAnálisis multivariable
Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesEstimación de Precios de piensos:
Estimación de Precios de piensos: Octubre 2014 (Semanas 40 a 44) 1.- evolución del precio de materias primas y piensos en el último mes. 2.- evolución del precio de materias primas y piensos a lo largo
Más detallesANEXO 1. CALIBRADO DE LOS SENSORES.
ANEXO 1. CALIBRADO DE LOS SENSORES. Las resistencias dependientes de la luz (LDR) varían su resistencia en función de la luz que reciben. Un incremento de la luz que reciben produce una disminución de
Más detallesUNIDAD 1: DIVISIBILIDAD Y NÚMEROS ENTEROS
UNIDAD 1: DIVISIBILIDAD Y NÚMEROS ENTEROS 1. *Representar números enteros sobre la recta numérica, compararlos y ordenarlos. 2. *Sumar y restar números enteros teniendo en cuenta el signo que presentan.
Más detallesAnálisis Multivariante son Stata
Análisis Multivariante con Stata Diploma Avanzado en Metodología de Investigación en Ciencias de la Salud EVES. Valencia, Oct 2013 fgarcia@cipf.es Indice 1 Introducción 2 3 4 Análisis Multivariante Análisis
Más detallesDeterminantes. Concepto de determinante A cada matriz cuadrada A se le asigna un número denominado determinante de A, denotado por A o por det (A).
Determinantes Concepto de determinante A cada matriz cuadrada A se le asigna un número denominado determinante de A, denotado por A o por det (A). A = Determinante de orden uno a 11 = a 11 5 = 5 Determinante
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesTécnicas de análisis multivariante para agrupación
TEMA 2: TÉCNICAS DE ANÁLISIS MULTIVARIANTE PARA AGRUPACIÓN Métodos cluster Técnicas de segmentación Clasificación no supervisada Ana Justel 1 Técnicas de análisis multivariante para agrupación Motivación
Más detallesMedidas descriptivas I. Medidas de tendencia central A. La moda
Medidas descriptivas I. Medidas de tendencia central A. La moda Preparado por: Roberto O. Rivera Rodríguez Coaching de matemática Escuela Eduardo Neuman Gandía 1 Introducción En muchas ocasiones el conjunto
Más detallesDETERMINANTES Profesor: Fernando Ureña Portero
: CONCEPTO, CÁLCULO DE. Definición: A cada matriz cuadrada A=a ij, de orden n, se le asigna un número real, denominado determinante de A, denotado por A o por det (A). A =det (A)= 1.-Determinante de orden
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS CC SOCIALES CAPÍTULO 2 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesUNA INTERPRETACION ESTADISTICA SOBRE LAS CIFRAS DEL IPC José Luis Lupo INTRODUCCION
INTRODUCCION UNA INTERPRETACION ESTADISTICA SOBRE LAS CIFRAS DEL IPC José Luis Lupo La inflación en Bolivia, medida a través del Indice de Precios al Consumidor (IPC), en la década del 70 experimentó un
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesUna población es el conjunto de todos los elementos a los que se somete a un estudio estadístico.
Estadística Definición de Estadística La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesEl ejemplo: Una encuesta de opinión
El ejemplo: Una encuesta de opinión Objetivos Lo más importante a la hora de planificar una encuesta es fijar los objetivos que queremos lograr. Se tiene un cuestionario ya diseñado y se desean analizar
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesProbabilidad y Estadística Descripción de Datos
Descripción de Datos Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 28 Contenido 1 Probabilidad
Más detallesMedidas de tendencia central
Medidas de tendencia central Medidas de tendencia central Medidas de Posición: son aquellos valores numéricos que nos permiten o bien dar alguna medida de tendencia central, dividiendo el recorrido de
Más detallesEjercicios de estadística.
Ejercicios de estadística..- Los siguientes números son el número de horas que intervienen alumnos en hacer deporte durante un mes:, 7,,, 5, 6, 7, 9,,, 5, 6, 6, 6, 7, 8,,, 5, 8 a) Calcula las tablas de
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:
Más detallesEcuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones
Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Herramientas 6 1.1. Factorización
Más detallesANÁLISIS DE LA SEPARABILIDAD LINEAL DE UNA BASE DE DATOS Data base linear separability analysis
Scientia et Technica Año XIII, No 37, Diciembre de 2007. Universidad Tecnológica de Pereira. ISSN 022-70 527 ANÁLISIS DE LA SEPARABILIDAD LINEAL DE UNA BASE DE DATOS Data base linear separability analysis
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesEstimación de Precios de piensos:
Estimación de Precios de piensos: Enero 2014 (Semanas 1 a 5) 1.- evolución del precio de materias primas y piensos en el último mes. 2.- evolución del precio de materias primas y piensos a lo largo de
Más detallesDeterminantes. Determinante de orden uno. a 11 = a 11 5 = 5
DETERMINANTES Determinantes Concepto de determinante A cada matriz cuadrada A se le asigna un escalar particular denominado determinante de A, denotado por A o por det (A). A = Determinante de orden uno
Más detallesMatemáticas B 4º E.S.O. Polinomios y fracciones algebraicas. 1. x 5x 2 6 5
Matemáticas B 4º E.S.O. Polinomios y fracciones algebraicas. 1 POLINOMIOS Y FRACCIONES ALGEBRAICAS.1 COCIENTE DE POLINOMIOS COCIENTE DE MONOMIOS El cociente de un monomio entre otro monomio de grado igual
Más detallesEstadística Asistencial I. Prof. Rafael Rey
Estadística Asistencial I Prof. Rafael Rey Contenidos del curso INTRODUCCIÓN A LA ESTADÍSTICA: origen como disciplina (institucionalización de la generación de Estadísticas y complejidades instrumentales
Más detalles6.1. Condición de magnitud y ángulo
Capítulo 6 Lugar de las raíces La respuesta transitoria de un sistema en lazo cerrado, está ligada con la ubicación de los polos de lazo cerrado en el plano complejo S. Si el sistema tiene una ganancia
Más detalles15. LUGAR DE LAS RAICES - CONSTRUCCION
15. LUGAR DE LAS RAICES - CONSTRUCCION 15.1 INTRODUCCION El lugar de las raíces es una construcción gráfica, en el plano imaginario, de las raíces de la ecuación característica de un lazo de control para
Más detalles