Se usa para encontrar un numero relativamente pequeño de variables nuevas que contengan la mayor cantidad de info posible del conjunto de datos

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Se usa para encontrar un numero relativamente pequeño de variables nuevas que contengan la mayor cantidad de info posible del conjunto de datos"

Transcripción

1 Analisis Estadístico de Datos Climáticos Análisis de componentes principales

2 Analisis de componentes principales Se usa para encontrar un numero relativamente pequeño de variables nuevas que contengan la mayor cantidad de info posible del conjunto de datos original sin redundancia. Puede ser usado para explorar la estructura de la variabilidad de un conjunto de datos en forma objetiva y analizar relaciones entre variables diferentes.

3 Que hace el ACP? En forma suscinta, el ACP encuentra un conjunto de funciones ortogonales empiricas para representar una serie de datos X(x,y,t) como M X x, y, t = m=1 PC m t. EOF m x, y los EOF(x,y) son los autovectores de la matriz de covarianza y son estructuras espaciales. Los EOF son ortogonales en el espacio. los PC(t) son los componentes principales que muestran como ha variado cada estructura espacial en el tiempo. Los PC son ortogonales en el tiempo.

4 Como se obtienen los componentes principales? Los PC(t) se obtienen proyectando la matriz original de datos X sobre las funciones empiricas ortogonales PC m = X EOF m m=1... M El autovalor asociado m es proporcional a la varianza explicada por ese componente principal.

5 Esquema del Analisis de Componentes principales aplicado a datos de TSM.

6 Ejemplo: ACP de precipitacion en Sudamerica Sea ANOM la matriz de anomalias de precip sobre Sudamerica desde enero de 1979 hasta diciembre de ANOM (336x28x24) ANOM=ANOM(:,:); (336x672) (matriz de anomalias) C=cov(ANOM); %Matriz de covarianza (672x672) [E,L]=eig(C); %Calcula autovectores y autovalores son 672. varianza=diag(l)/trace(l); % dims: 672x1 PC=anom*E; % Componentes ppales Dimensiones: PC (336 x 672), E (672 x 672)

7 plot(varianza,'*') 11% 8% 6%

8 (PC,EOF) más importantes PC1=PC(:,end); EOF1=E(:,end); PC2=PC(:,end-1); EOF2=E(:,end-1); PC3=PC(:,end-2); EOF3=E(:,end-2); Se verifica ortogonalidad en tiempo para las PC y espacio para EOF: PC1'*PC2 =0 EOF1'*EOF2=0 PC1'*PC3 =0 EOF1'*EOF3=0 PC2'*PC3 =0 EOF2'*EOF3=0

9 Se verifica que autovectores tienen modulo =1: EOF1'*EOF1=1 EOF2'*EOF2=1 EOF3'*EOF3=1 La varianza de los PC es el autovalor asociado a cada EOF. var(pc1)= L(end,end) var(pc2)= L(end-1,end-1) var(pc3)= L(end-2,end-2)

10 PC1 EOF1 11% de la varianza total

11 PC2 8% de la varianza total EOF2

12 PC3 6% de la varianza total EOF3

13 Interpretación Guarda con las interpretaciones! Los (PC,EOF) son calculados para maximizar varianza manteniendo ortogonalidad entre ellos y no para tener sentido físico. Muchas veces se denomina a los EOFs como modos de variabilidad dándoles un significado físico. Los (PC,EOFs) dependen de la región considerada.

14 ACP sobre la matriz de correlación A veces se realiza el ACP sobre la matriz de correlacion. Los (PC, EOF) obtenidos son diferentes que usando la matriz de covarianza. La decision de usar la matriz de correlacion o de covarianza depende de cómo queremos pesar las diferentes variables la matriz de covarianza da mas peso a aquellas variables que tienen mayor varianza en la matriz de correlacion todas las variables tienen igual peso, y solo la estructura importa.

15 La matriz de correlación debe usarse en los siguientes casos: la matriz de datos contiene variables con diferentes unidades. Por ejemplo: datos de temperatura, presion, humedad medidos en una estación. la diferencia entre varianza para distintas variables es muy grande y distorciona los EOFs encontrados.

16 Forma de presentar los (PC,EOF) La forma mas simple es graficar los EOFs tal cual fueron calculados. Este método no dice nada sobre que representa la amplitud Mapas de regresión: Normalizar el PC de tal forma que tenga desviacion estandard =1 y luego hacer la regresión lineal de los datos originales (anomalias) con respecto al PC. El mapa resultante tendra la estructura del EOF asociado al PC y la amplitud tendrá unidades de los datos originales. También podemos hacer la regresión de otras variables con respecto al PC, lo cual dará el patrón de anomalias asociado al (EOF,PC) Ej. Usar PC1 de SST y hacer mapas de SST, PSM.

17 Mapas de correlacion Hacer la correlacion entre la variable original y su PC en cada punto. El mapa resultante muestra el EOF como mapa de correlacion, el cual se puede usar para calcular significancias estadisticas. Este mapa no tiene unidades. La mejor forma es combinar los mapas de regresion con correlacion.

18 Truncamiento Recordemos que usando los (PC,EOF) es posible reconstruir la matrix de anomalias original. M X x, y, t = m=1 PC m t. EOF m x, y Si consideramos sólo P<M (PC,EOFs) reconstruimos parcialmente la matrix original P X x, y, t m=1 PC m t. EOF m x, y En clima sólo unos (PC,EOF) dan mucha informacion. Pero cuantos tomamos?

19 Cómo truncamos? No existe una forma única. La forma mas sencilla es tomar un numero de (PC,EOF) de tal forma que juntos represente un % de varianza a elección (>70%?) Métodos gráficos Separación cualitativa entre partes del plot (P=3)

20 Regla de North et al El error de muestreo de un autovalor es (2/N)1/2. Si este error es comparable o mayor que el espacio entre y su vecino, entonces el error de muestreo del EOF asociado a es comparable al EOF vecino. Por lo tanto los dos EOFs no se pueden separar y estos EOFs son combinacion lineal de los EOFs verdaderos. N es el número de grados de libertad.

21 De acuerdo a North et al sólo el 1er EOF está bien definido.

22 Rotación de EOFs Es deseable interpretar fisicamente los EOFs. No obstante la condicion de ortogonalidad de los EOFs lo hace problemático. A su vez, la ortogonalidad tambien induce a que los EOFs tengan amplitud diferente de cero en casi todo el dominio. La rotacion de EOFs relaja la condicion de ortogonalidad y permite tener estructuras mas localizadas en el espacio que son mas fáciles de interpretar.

23 Para hacer la rotación de EOFs es necesario primero calcular los EOFs. Luego: nos quedamos con algunos EOFs (P<M) rotamos estos EOFs para formar nuevos REOFs basados en algún criterio. el criterio para hacer la rotación se basa usualmente en medir la simplicidad de la estructura del nuevo REOF. una estructura es simple cuando es localizada, es decir cuando el REOF esta fromado por +-1s y 0s.

24 La rotación se escribe matemáticamente como la multiplicacion de un subconjunto de EOFs originales por una matriz T: [REOFs]KxP =[EOFs] KxP [T ]PxP La matriz [T] se elije de acuerdo al criterio de simplicidad. La rotación mas común es la varimax, en la cual [T] está determinada eligiendo sus elementos para maximizar la suma de las varianzas de los al cuadrado del vector rotado elementos e

25 Ejemplo: Variabilidad de TSM en el Atlantico tropical

26 Análisis de componentes principales de varios campos Es posible construir una matriz de datos X que incluya mas de 1 campo. Por ej: temperatura y presión en una grilla. Si tenemos L variables, la matriz de datos será de (nxkl). Dado que las variables tienen unidades diferentes se debe usar la matriz de correlación.

27 En este caso queda:

28 Usando descomposicion en valores singulares Si X' es la matriz de anomalías nxk, entonces 1 t X '=L R n 1 Las columnas de L son propocionales a los PC los elementos cumplen 2 k = k En Matlab: [L,O,R]=svd(X/(n-1)); Las columnas de R son los autovectores de la matriz de covarianza=eofs

Análisis de componentes principales. a.k.a.: PCA Principal components analysis

Análisis de componentes principales. a.k.a.: PCA Principal components analysis Análisis de componentes principales a.k.a.: PCA Principal components analysis 1 Outline Motivación Derivación Ejemplos 2 Motivación general Tenemos un dataset X con n datos y p dimensiones, centrado (medias

Más detalles

Repaso de conceptos de álgebra lineal

Repaso de conceptos de álgebra lineal MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso

Más detalles

El determinante de una matriz se escribe como. Para una matriz, el valor se calcula como:

El determinante de una matriz se escribe como. Para una matriz, el valor se calcula como: Materia: Matemática de 5to Tema: Definición de Determinantes Marco Teórico Un factor determinante es un número calculado a partir de las entradas de una matriz cuadrada. Tiene muchas propiedades e interpretaciones

Más detalles

Tema 2 Datos multivariantes

Tema 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 detalles

Procedimiento para usar la Tabla 1 (Tabla de Logaritmos)

Procedimiento para usar la Tabla 1 (Tabla de Logaritmos) Procedimiento para usar la Tabla 1 (Tabla de Logaritmos) Ejercicio: Escribe en el espacio correspondiente el nombre de cada una de las partes de un logaritmo (sugerencia, leer módulo 11 del libro de texto):

Más detalles

Un subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se cumplen las dos reglas de cerradura:

Un subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se cumplen las dos reglas de cerradura: 4 Subespacios 29 b) x 5 [25;5], 5 [;24], z 5 [4;4] Use a 5 2, a 5 / a 5 2 / 2 c) Su propia elección de x,, z /o a 2 a) Elija algunos valores para n m genere tres matrices aleatorias de n m, llamadas X,

Más detalles

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 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 detalles

Tema 2. Descripción Conjunta de Varias Variables

Tema 2. Descripción Conjunta de Varias Variables Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis

Más detalles

Estadística Espacial en Ecología del Paisaje

Estadística Espacial en Ecología del Paisaje Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas

Más detalles

Estadística Inferencial. Estadística Descriptiva

Estadística 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 detalles

VARIABLES ESTADÍSTICAS BIDIMENSIONALES

VARIABLES ESTADÍSTICAS BIDIMENSIONALES VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes

Más detalles

PROBLEMAS TEMA 3: ANÁLISIS DE COMPONENTES PRINCIPALES. LICENCIADO EN ECONOMÍA

PROBLEMAS TEMA 3: ANÁLISIS DE COMPONENTES PRINCIPALES. LICENCIADO EN ECONOMÍA 1 PROBLEMAS TEMA 3: ANÁLISIS DE COMPONENTES PRINCIPALES. LICENCIADO EN ECONOMÍA Problema 1 Calcular para la matriz de covarianzas ( ) 5 2 S Y =, 2 2 (a) Las componentes principales Z 1 y Z 2. (b) La proporción

Más detalles

Comparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre 2011)

Comparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre 2011) Comparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre 11) 1 Comparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

Formulación del problema de la ruta más corta en programación lineal

Formulación 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 detalles

Algebra lineal de dimensión finita

Algebra lineal de dimensión finita Algebra lineal de dimensión finita Métodos para calcular autovalores Pseudoinversa Algebra lineal númerica 1 Teorema:[Teorema 1.6] Sea A es una matriz real simétrica. Si Q(x) =< Ax, x > entonces: λ 1 =

Más detalles

Curso de Estadística Básica

Curso de Estadística Básica Curso de SESION 3 MEDIDAS DE TENDENCIA CENTRAL Y MEDIDAS DE DISPERSIÓN MCC. Manuel Uribe Saldaña MCC. José Gonzalo Lugo Pérez Objetivo Conocer y calcular las medidas de tendencia central y medidas de dispersión

Más detalles

Método de cuadrados mínimos

Método 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 detalles

Si A es una matriz cuadrada n x n, tal que A 2 = A, e I es la matriz unidad ( n x n ), qué matriz es B 2, si B = 2ª - I?

Si A es una matriz cuadrada n x n, tal que A 2 = A, e I es la matriz unidad ( n x n ), qué matriz es B 2, si B = 2ª - I? MATRICES Si A es una matriz cuadrada n x n, tal que A 2 = A, e I es la matriz unidad ( n x n ), qué matriz es B 2, si B = 2ª - I? La multiplicación de matrices cuadradas, tiene la propiedad conmutativa?

Más detalles

Modelización por medio de sistemas

Modelización por medio de sistemas SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES. Modelización por medio de sistemas d y dy Ecuaciones autónomas de segundo orden: = f ( y, ) Una variable independiente. Una variable dependiente. La variable

Más detalles

3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS

3. 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 detalles

UNIVERSIDAD AUTONOMA DE SANTO DOMINGO

UNIVERSIDAD AUTONOMA DE SANTO DOMINGO UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)

Más detalles

ANEXO 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. 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 detalles

Esta definición se puede ampliar a cualquier par de bases de los espacio inicial y final MATRIZ DE UNA APLICACIÓN LINEAL EN BASES ARBITRARIAS

Esta definición se puede ampliar a cualquier par de bases de los espacio inicial y final MATRIZ DE UNA APLICACIÓN LINEAL EN BASES ARBITRARIAS Cambios de base 3 3. CAMBIOS DE BASE Dada una aplicación lineal : y la base,,, se ha definido matriz en bases canónicas de la aplicación lineal a la matriz,, cuyas columnas son las coordenadas de en la

Más detalles

Espacios Vectoriales www.math.com.mx

Espacios Vectoriales www.math.com.mx Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................

Más detalles

Análisis de Componentes de la Varianza

Análisis de Componentes de la Varianza Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable

Más detalles

Estadística Univariada

Estadística Univariada Analisis Estadístico de Datos Climáticos Estadística Univariada Distribuciones empíricas y análisis exploratorio de datos Robustez y Resistencia Medidas numéricas de localizacion, dispersión y simetría

Más detalles

4.1 Análisis bivariado de asociaciones

4.1 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 detalles

1. Dado el siguiente volumen de ventas de una empresa y su gasto en I+D en miles. Prediga las ventas de este empresario para un gasto en I+D de 7.

1. Dado el siguiente volumen de ventas de una empresa y su gasto en I+D en miles. Prediga las ventas de este empresario para un gasto en I+D de 7. MODELO A Examen de Estadística Económica (2407) 20 de junio de 2009 En cada pregunta sólo existe UNA respuesta considerada más correcta. Si hay dos correctas deberá escoger aquella respuesta que tenga

Más detalles

Introducción a RClimDex. Sarah Perkins Centre of Excellence for Climate System Science UNSW, Australia

Introducción a RClimDex. Sarah Perkins Centre of Excellence for Climate System Science UNSW, Australia Introducción a RClimDex Sarah Perkins Centre of Excellence for Climate System Science UNSW, Australia Por qué usar R? R es un software estadístico http://www.r-project.org/ que se puede descargar e instalar

Más detalles

como el número real que resulta del producto matricial y se nota por:

como el número real que resulta del producto matricial y se nota por: Espacio euclídeo 2 2. ESPACIO EUCLÍDEO 2.. PRODUCTO ESCALAR En el espacio vectorial se define el producto escalar de dos vectores y como el número real que resulta del producto matricial y se nota por:,

Más detalles

El ejemplo: Una encuesta de opinión

El 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 detalles

CONCEPTOS BÁSICOS DE ESPACIOS VECTORIALES Alumno. Cristina Mª Méndez Suero

CONCEPTOS BÁSICOS DE ESPACIOS VECTORIALES Alumno. Cristina Mª Méndez Suero Fundamento Científico del Currículum de Matemáticas en Enseñanza Secundaria CONCEPTOS BÁSICOS DE ESPACIOS VECTORIALES Alumno. Cristina Mª Méndez Suero ESPACIOS VECTORIALES DEFINICIÓN... 1 PROPIEDADES DE

Más detalles

CAPÍTULO 11 ESTADÍSTICA DESCRIPTIVA BIDIMENSIONAL

CAPÍTULO 11 ESTADÍSTICA DESCRIPTIVA BIDIMENSIONAL CAPÍTULO 11 ESTADÍSTICA DESCRIPTIVA BIDIMENSIONAL 11.1 DISTRIBUCIONES MARGINALES Y CONDICIONALES Cuando sobre cada individuo de una población se observan dos características aleatorias de naturaleza cuantitativa

Más detalles

Objetivo. variables factores F Principios básicos. Parsimonia Interpretabilidad

Objetivo. 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 detalles

PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2

PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos

Más detalles

15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:

15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos: 15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo

Más detalles

Objetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes

Objetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico

Más detalles

Descomposición en forma canónica de Jordan (Segunda versión)

Descomposición en forma canónica de Jordan (Segunda versión) Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin

Más detalles

SOLUCIÓN A LOS EJERCICIOS DEL SPSS Bivariante

SOLUCIÓN A LOS EJERCICIOS DEL SPSS Bivariante SOLUCIÓ A LOS EJERCICIOS DEL SPSS Bivariante. a). La media y la varianza de las variables estatura y peso en la escala de medida norteamericana. Peso Peso: Transformar -> Calcular: Libras.4536 Peso libras

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

Estadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión

Estadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo

Más detalles

Métodos Estadísticos Multivariados

Métodos Estadísticos Multivariados Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre

Más detalles

Relación entre la altura y la distancia del suelo al ombligo

Relación entre la altura y la distancia del suelo al ombligo Relación entre la altura y la distancia del suelo al ombligo JULIA VIDAL PIÑEIRO Los 79 datos usados para realizar el estudio estadístico de la relación altura- distancia al ombligo, se tomaron a personas

Más detalles

Tema 11.- Autovalores y Autovectores.

Tema 11.- Autovalores y Autovectores. Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica

Más detalles

Tema 2: Determinantes

Tema 2: Determinantes Tema 2: Determinantes 1. Introducción En este tema vamos a asignar a cada matriz cuadrada de orden, un número real que llamaremos su determinante y escribiremos. Vamos a ver cómo se calcula. Consideremos

Más detalles

Tema 2.- Formas Cuadráticas.

Tema 2.- Formas Cuadráticas. Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas

Más detalles

2.- Tablas de frecuencias

2.- Tablas de frecuencias º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------

Más detalles

MATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.

MATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento

Más detalles

ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3

ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3 ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2. Transformaciones ortogonales (Curso 2010 2011) 1. Se considera el espacio vectorial euclídeo IR referido a una base ortonormal. Obtener la expresión

Más detalles

Álgebra y Geometría Analítica I - LF 2016 Práctica 1: Algunos elementos de la Geometría Analítica

Álgebra y Geometría Analítica I - LF 2016 Práctica 1: Algunos elementos de la Geometría Analítica Álgebra y Geometría Analítica I - LF 2016 Práctica 1: Algunos elementos de la Geometría Analítica 1. a) Marcar en un eje los puntos a(1);b( 2) y c(4). b) Hallar los puntos simétricos respecto al origen

Más detalles

Clase 8 Matrices Álgebra Lineal

Clase 8 Matrices Álgebra Lineal Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas

Más detalles

PATRONES DE DISTRIBUCIÓN ESPACIAL

PATRONES DE DISTRIBUCIÓN ESPACIAL PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de

Más detalles

Esta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )

Esta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n ) Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder

Más detalles

Estadística aplicada a la comunicación

Estadística aplicada a la comunicación Estadística aplicada a la comunicación Tema 5: Análisis de datos cuantitativos I: estadística descriptiva b. Análisis bivariante OpenCourseWare UPV/EHU Unai Martín Roncero Departamento de Sociología 2

Más detalles

un conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:

un conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades: CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse

Más detalles

La Recarga natural al acuífero libre y su vinculación con la Variabilidad Climática Regional RAFAELA ( ) PRECIPITACIÓN

La Recarga natural al acuífero libre y su vinculación con la Variabilidad Climática Regional RAFAELA ( ) PRECIPITACIÓN 6. RESULTADOS En este Capítulo se muestran los resultados arribados del análisis de la variabilidad en la precipitación y el nivel freático, de tal manera de vincular a la recarga natural al acuífero libre

Más detalles

La práctica del análisis de correspondencias

La 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 detalles

Autovalores y autovectores Diagonalización y formas canónicas

Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,

Más detalles

Correlación entre las lluvias y la TSM en el Pacífico occidental (Niño 4) para los meses de noviembre y febrero

Correlación entre las lluvias y la TSM en el Pacífico occidental (Niño 4) para los meses de noviembre y febrero Correlación entre las lluvias y la TSM en el Pacífico occidental (Niño 4) para los meses de noviembre y febrero 11 Noviembre 2014 Artículo de Divulgación La estacionalidad del impacto de El Niño en las

Más detalles

4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:

4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: 4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea

Más detalles

TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.

TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares

Más detalles

Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth

Puntuación 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 detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

GRÁFICOS DE CONTROL. Datos tipo atributo

GRÁFICOS DE CONTROL. Datos tipo atributo GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Los gráficos p, 100p y u difieren de los gráficos np y c en que los

Más detalles

UNIDAD II. VARIACION DIRECTAMENTE PROPORCIONAL Y FUNCIONES LINEALES

UNIDAD II. VARIACION DIRECTAMENTE PROPORCIONAL Y FUNCIONES LINEALES UNIDAD II. VARIACION DIRECTAMENTE PROPORCIONAL Y FUNCIONES LINEALES Al finalizar esta unidad: - Describirás verbalmente en que consiste el cambio y cuáles son los aspectos involucrados en él. - Identificarás

Más detalles

Física Cuántica Partículas idénticas.

Física Cuántica Partículas idénticas. Física Cuántica Partículas idénticas. José Manuel López y Luis Enrique González Universidad de Valladolid Curso 2004-2005 p. 1/18 Partículas idénticas Qué son varias partículas idénticas? Las que tienen

Más detalles

Curso modular de Introducción a las Neurociencias

Curso modular de Introducción a las Neurociencias Curso modular de Introducción a las Neurociencias Módulo 2: Análisis Computacional de Neuro-Imágenes (MRI y fmri) Enzo Tagliazucchi Temas del Curso Introducción a la resonancia magnética. Introducción

Más detalles

Dr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental

Dr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado

Más detalles

UNIDAD 7 Medidas de dispersión

UNIDAD 7 Medidas de dispersión UNIDAD 7 Medidas de dispersión UNIDAD 7 MEDIDAS DE DISPERSIÓN Al calcular un promedio, por ejemplo la media aritmética no sabemos su representatividad para ese conjunto de datos. La información suministrada

Más detalles

Universidad Nacional de Ingeniería Facultad de Ciencias. Física Computacional CC063. Algebra Lineal. Prof: J. Solano 2012-I

Universidad Nacional de Ingeniería Facultad de Ciencias. Física Computacional CC063. Algebra Lineal. Prof: J. Solano 2012-I Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Algebra Lineal Prof: J. Solano 2012-I Introduccion Aqui trabjaremos con operaciones basicas con matrices, tales como solucion

Más detalles

La relación entre x y y es lineal, y el participante debe analizar esta tendencia lineal, según lo muestran los datos que recopilará.

La relación entre x y y es lineal, y el participante debe analizar esta tendencia lineal, según lo muestran los datos que recopilará. Introducción: Pasar al experimento que permitirá la recolección de datos, para x: determinado número de liguillas, se mide la distancia que la figura recorrió (en cm.) Para cada valor de x, deben repetir

Más detalles

Algebra Lineal XIX: Rango de una Matriz y Matriz Inversa.

Algebra Lineal XIX: Rango de una Matriz y Matriz Inversa. Algebra Lineal XIX: Rango de una Matriz y Matriz Inversa José María Rico Martínez Departamento de Ingeniería Mecánica Facultad de Ingeniería Mecánica Eléctrica y Electrónica Universidad de Guanajuato email:

Más detalles

Poblaciones multietáneas

Poblaciones multietáneas : Estado biológico Dinámica de poblaciones: crecimiento de poblaciones multietáneas José Antonio Palazón Ferrando palazon@um.es http://fobos.bio.um.es/palazon Departamento de Ecología e Hidrología Universidad

Más detalles

Universidad Alonso de Ojeda. Facultad de Ingeniería GUIA DE ESTUDIO ALGEBRA LINEAL.

Universidad Alonso de Ojeda. Facultad de Ingeniería GUIA DE ESTUDIO ALGEBRA LINEAL. UNIDAD V: ESPACIOS VECTORIALES Estamos acostumbrados a representar un punto en la recta como un número real; un punto en el plano como un par ordenado y un punto en el espacio tridimensional como una terna

Más detalles

Coordenadas Principales de Matrices de Proximidad (Principal Coordinates of Neighbor Matrices) PCNM

Coordenadas Principales de Matrices de Proximidad (Principal Coordinates of Neighbor Matrices) PCNM Coordenadas Principales de Matrices de Proximidad (Principal Coordinates of Neighbor Matrices) PCNM Implementación de PCNM en QEco La rutina de Coordenadas Principales de Matrices de Proximidad (PCNM)

Más detalles

5 Continuidad y derivabilidad de funciones reales de varias variables reales.

5 Continuidad y derivabilidad de funciones reales de varias variables reales. 5 Continuidad y derivabilidad de funciones reales de varias variables reales. 5.1 Funciones reales de varias variables reales. Curvas de nivel. Continuidad. 5.1.1 Introducción al Análisis Matemático. El

Más detalles

Facultad de Ciencias Experimentales Universidad de Almería PRÁCTICA 1

Facultad de Ciencias Experimentales Universidad de Almería PRÁCTICA 1 PRÁCTICA 1 APLICACIONES INFORMÁTICAS I OBJETIVOS 1. Utilización de MATLAB para multiplicar matrices, encontrar la inversa de una matriz, obtener las raíces de una ecuación polinómica de orden tres o superior

Más detalles

PRÁCTICA No. 2 FORMA POLAR DE UN NUMERO COMPLEJO. Otra forma de expresar un número complejo es la forma polar o forma módulo-argumento,

PRÁCTICA No. 2 FORMA POLAR DE UN NUMERO COMPLEJO. Otra forma de expresar un número complejo es la forma polar o forma módulo-argumento, OBJETIVO EDUCACIONAL PRÁCTICA No. 2 FORMA POLAR DE UN NUMERO COMPLEJO Resolver problemas de aplicación e interpretar las soluciones utilizando matrices y sistemas de ecuaciones lineales para las diferentes

Más detalles

Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1

Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta

Más detalles

NORMALES. Computación Gráfica

NORMALES. Computación Gráfica NORMALES Computación Gráfica Normales Importantes en CG para determinar cómo debe colorearse un punto sobre una superficie. Nos importa saber cómo se transforman las normales cuando se transforman las

Más detalles

1 0 4/ 5 13/

1 0 4/ 5 13/ 1 1 1 7 1 0 4/ 5 13/ 5 R1 R 1+1/5R3 0 0 0 2 R2 R3 0 5 9 22 0 5 9 22 0 0 0 2 Como la matriz tiene un renglón (0, 0, 0, 2) indica que el sistema no tiene solución ya que no existe un número que sea 2 y al

Más detalles

Diagonalización de matrices.

Diagonalización de matrices. Diagonalización de matrices. 1. Diagonalización de matrices. Definición 1.1 Sea A una matriz cuadrada,, decimos que es un autovalor de A si existe un vector no nulo tal que En esta situación decimos que

Más detalles

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis

Matemáticas 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 detalles

10.4 Sistemas de ecuaciones lineales

10.4 Sistemas de ecuaciones lineales Programa Inmersión, Verano 2016 Notas escritas por Dr. M Notas del cursos. Basadas en los prontuarios de MATE 001 y MATE 02 Clase #11: martes, 14 de junio de 2016. 10.4 Sistemas de ecuaciones lineales

Más detalles

Diagonalización de matrices, Semejanza.

Diagonalización de matrices, Semejanza. para cada i de 1 a n. Cuando se encuentra un número real l y un vector no nulo x que verifican la relpractica6.nb 1 Diagonalización de matrices, Semejanza. Introducción Si A es una matriz real cuadrada

Más detalles

Tema 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso

Tema 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso Tema 4: Matrices y Determinantes Algunas Notas sobre Matrices y Determinantes Álgebra Lineal Curso 2004-2005 Prof. Manu Vega Índice 1. Determinantes 3 2. Regla de Sarrus 3 3. Propiedades de los determinantes

Más detalles

Distribuciones bidimensionales. Regresión.

Distribuciones bidimensionales. Regresión. Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos

Más detalles

GRÁFICOS DE CONTROL. Datos tipo atributo

GRÁFICOS DE CONTROL. Datos tipo atributo GRÁFICOS DE CONTROL Datos tipo atributo SELECCIÓN DE LOS GRÁFICOS DE CONTROL Total GRÁFICOS PARA ATRIBUTOS Se distinguen dos grandes grupos: Por unidad Los gráficos p, 100p y u difieren de los gráficos

Más detalles

Departamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.

Departamento 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 detalles

Algebra Lineal: Transformaciones Lineales. Departamento de Matemáticas. Intro. T. Matricial. T. Lineal. Rango

Algebra Lineal: Transformaciones Lineales. Departamento de Matemáticas. Intro. T. Matricial. T. Lineal. Rango Algebra ducción Des el punto vista l Algebra Lineal, las funciones más importantes son las que preservan las combinaciones lineales. Estas funciones se llamarán. Es esta presentación se tratan con los

Más detalles

Javier Junquera. Equilibrio estático

Javier Junquera. Equilibrio estático Javier Junquera Equilibrio estático Bibliografía Física, Volumen 1, 6 edición Raymod A. Serway y John W. Jewett, Jr. Ed. Thomson ISBN: 84-9732-168-5 Capítulo 12 Definición de equilibrio El término equilibrio

Más detalles

ESTADÍSTICA. Individuo. Es cada uno de los elementos que forman la población o muestra.

ESTADÍSTICA. Individuo. Es cada uno de los elementos que forman la población o muestra. ESTADÍSTICA La estadística tiene por objeto el desarrollo de técnicas para el conocimiento numérico de un conjunto de datos empíricos (recogidos mediante experimentos o encuestas). Según el colectivo a

Más detalles

1. Simplificar las siguientes expresiones. 2. Simplificar y escribir como un producto de potencias: 3. Escribir en forma exponencial

1. Simplificar las siguientes expresiones. 2. Simplificar y escribir como un producto de potencias: 3. Escribir en forma exponencial . Simplificar las siguientes epresiones. 7 ( ) ( 8) b. + + 79 ( ) ( ) c. ( )( )( ) d. ( ) ( ) e. + f. 8 + 8 + 7 6 g. y ( + y ) ( + y ) ( y ) 0 y 8 h.. Simplificar y escribir como un producto de potencias:

Más detalles

Proyecto PropULSA: Estadística y Probabilidad Breviario Académico

Proyecto PropULSA:  Estadística y Probabilidad Breviario Académico Estadística y Probabilidad Breviario Académico Estadística: Es la ciencia que tiene por objetivo recolectar, escribir e interpretar datos, con la finalidad de efectuar una adecuada toma de decisiones en

Más detalles

Resumen teórico de los principales conceptos estadísticos

Resumen teórico de los principales conceptos estadísticos Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio

Más detalles

Construcción de bases en la suma y la intersección de subespacios (ejemplo)

Construcción de bases en la suma y la intersección de subespacios (ejemplo) Construcción de bases en la suma y la intersección de subespacios (ejemplo) Objetivos Aprender a construir bases en S + S y S S, donde S y S están dados como subespacios generados por ciertos vectores

Más detalles

Horsepower (Caballos de Fuerza)

Horsepower (Caballos de Fuerza) Análisis de Factores Resumen El procedimiento Análisis de Factores esta diseñado para extraer factores comunes de un conjunto de p variables cuantitativas X. En muchas situaciones, un número pequeño de

Más detalles