Determinación del número de autovalores mayores que la unidad en el Análisis Imagen con el SPSS
|
|
- Domingo Lozano Salinas
- hace 7 años
- Vistas:
Transcripción
1 Determinación del número de autovalores mayores que la unidad en el Análisis Imagen con el SPSS Miguel A. Ruiz y Rafael San Martín Universidad Autónoma de Madrid En el modelo factorial de Análisis Imagen (Guttman, 953), es necesario conocer de antemano el número de factores mayores que la unidad de la matriz de componentes imagen para determinar el número de factores impuesto por el modelo. Cuando se trabaa con matrices muestrales hay que estimar la cuantía de los autovalores. Sin embargo, al trabaar con el SPSS, no se ofrecen los autovalores de la matriz muestral de componentes imagen. En este trabao se propone un procedimiento para estimar estos autovalores, basado en la suma de cuadrados de las saturaciones. El Análisis Imagen es uno de los pocos modelos factoriales en los que no existe una indeterminación de los parámetros. Esto es debido a que la comunalidad viene definida teóricamente a partir de la correlación múltiple. Tal como lo eecuta el SPSS (Norušis, 985) presenta una serie de problemas que se deben tener en cuenta si se desea respetar la teoría que da origen al modelo y si se pretende comparar con otro tipo de extracciones. Dada la especial disposición de los resultados en las salidas del programa mencionado, la información recogida en ellas es menos directa que en otras extracciones del mismo programa. Las comunalidades, definidas en el modelo como la componente de cada una de las variables que puede ser predicha por regresión múltiple a partir de las demás variables consideradas, vienen recogidas en la diagonal de la matriz de covarianzas imagen, la matriz G, que puede ser calculada por la fórmula G = R+ S R S S donde R es la matriz de correlaciones, y S es la matriz diagonal de estimaciones de las unicidades a partir del complementario de la correlación múltiple al cuadrado, y que puede ser calculada como S - = diag R Esta matriz G siempre se incluye en la salida del análisis, aunque no se especifique en los comandos de la extracción. En lugar de factorizar la matriz G del modelo original de Guttman (953), la matriz que analiza el programa es () () S RS (3) donde S es la matriz de unicidades y R es la matriz de correlaciones, como sugieren Harris (963) y Kaiser (963) a partir de sus desarrollos del Análisis Canónico. Como plantea Mulaik (97), es imprescindible conocer el número de autovalores mayores que la unidad de la matriz S - R S - para poder comparar Psicológica, 99, nº 3, pp. 07-
2 directamente los resultados de la autodescomposición de esta matriz y sustituirlos por la autodescomposición de la matriz G, que resulta computacionalmente mucho más costosa. Como sabemos, la relación existente entre los autovalores de ambas matrices puede expresarse como Λ = G ( Λ ) S Λ RS S RS (4) Pero ninguna de las matrices de autovalores, de cualquiera de estas dos matrices, puede ser conseguida en la salida del programa. En su lugar, aparecen las sumas de cuadrados de los vectores columna de la matriz de estructura F. Esta matriz F es la matriz de autovectores de la matriz G reescalada por los autovalores de misma matriz y las unicidades de cada variable, según la fórmula F= SAΛ (5) donde F es la matriz de estructura, que contiene las saturaciones de las variables en cada factor, S es la matriz diagonal con las raíces cuadradas de las unicidades, A es la matriz de autovectores de los factores retenidos, y Λ es la matriz de autovalores. Si calculamos la suma de cuadrados de cada una de las columnas de la matriz de estructura F mediante su producto interno, llegamos al desarrollo FF = Λ ASAΛ La matriz del término de la izquierda será una matriz diagonal, de dimensiones r x r, con las sumas de cuadrados correspondientes a cada factor en la diagonal. Llamemos a cada uno de estos elementos ss (Sum of Saquares) En los trabaos de simulación que venimos realizando, hemos podido comprobar que una buena estimación de la cuantía de los autovalores puede ser obtenida a partir de una simplificación de (6). Al desarrollar la operación de (6) por sus sumatorios obtenemos n n = λ i i iλ =λ i i i= ss a s a a s i= (7) Ahora bien, si las unidades de todas las variables no son muy desiguales, podemos sustituir los cuadrados de las unicidades individuales de cada variable i por el cuadrado de la unicidad media de todas las variables ( s ), con lo que ese valor puede ser considerado una constante para una muestra dada, y extraerlo del sumatorio. Es decir, n n n =λ i i λ i =λ i =λ i= i= i= ss a s a s s a s Puesto que el producto interno del autovector es la unidad. Con este desarrollo, podemos estimar cada uno de los autovalores de la matriz G a partir de las sumas de cuadrados de los vectores columna correspondientes de la matriz de estructura, y aplicar la aproximación (6) (8) Psicológica, 99, nº 3, pp. 07-
3 ss λ = s o bien, a partir del promedio de las unicidades estimar la suma de cuadrados correspondiente a los autovalores mayores que la unidad mediante la fórmula ss = λ que nos lleva a pensar que las sumas de cuadrados correspondientes a autovalores mayores que la unidad siempre serán mayores que la unicidad media. Por lo tanto, un límite suficientemente bueno para determinar el número r de autovalores mayores que la unidad, puede ser el número de factores con sumas de cuadrados superiores a la unicidad media. Para solucionar el problema de determinar el número de autovalores mayores que la unidad de la matriz G, el SPSS utiliza un procedimiento que es extensión del modelo de Factor Común. El SPSS utiliza como regla por defecto para la determinación del número de factores a retener la regla K (Kaiser, 960, 96). Esta regla tiende a sobreestimar dicho número de factores en diversas situaciones (Zwick y Velicer, 986; Hakstian, Rogers y Cattell, 98) mientras que, según el modelo teórico, sólo deben ser retenidos los autovalores mayores que la unidad de la matriz de covarianzas imagen. Por otra parte, el SPSS define la proporción de varianza explicada de las variables a partir de cada uno de los factores (Pct. of Var.) como el cociente entre la suma de cuadrados (ss) y el número de variables (n). Como las sumas de cuadrados son sistemáticamente inferiores a los autovalores correspondientes, la estimación de la varianza explicada que realiza el programa está sesgada hacia la infraestimación. s (9) (0) Sea la matriz de correlaciones EJEMPLO 0, , R = 0 0 0, , 64 La matriz de autovalores Λ correspondientes a la matriz S - R S - será, , Λ = 0 0 0, ,6 0 A partir de ella podemos calcular los autovalores de la matriz G mediante (4) y llegar a () () Psicológica, 99, nº 3, pp. 07-3
4 Λ G, , = 0 0 0, , 49 El resultado de analizar la matriz R mediante la extracción IMAGE del SPSS da lugar a la tabla bao el epígrafe final statistics. Tabla. Variable Communality Factor SS Loadings Pct of var Cum Pct X X X X Mediante la tabla no es posible saber qué número de factores retener, ya que no ofrece los autovalores. Aplicando la aproximación de (9) podemos construir la siguiente matriz. ˆ Λ G, , = 0 0 0, , 98 (3) 0, 674 Donde λ ˆ = =,378 0, Obsérvese la coincidencia con los autovalores en (3) Aplicando (0) en la tabla de nuestro eemplo, deberemos retener aquellos factores correspondientes a sumas de cuadrados (ss) mayores que el valor = Es decir, los dos primeros factores que explican el 33,66% de la varianza. En la práctica tendremos más variables que las del eemplo y el programa va a retener, siguiendo la regla K, menos factores que variables. Por lo tanto, la tabla final statistics no aparecerá completa y no presentará todas las sumas de cuadrados. En tal caso, se deben promediar las unicidades a partir de los elementos de la diagonal de la matriz G. ABSTRACT Knowing the eigenvalues greater than one of the image components matrix is necessary in order to determine the number of factors imposed by the Image Analysis factor model (Guttman, 953). When we work with sample matrixes the size of this eigenvalues must be estimated. Nevertheless it is not possible to get this estimates when using the SPSS. A procedure for estimating this eigenvalues from the sum of squares of the factor loadings is proposed. (4) REFERENCIAS Psicológica, 99, nº 3, pp. 07-4
5 Guttman, L. (953). Image Theory for structure of quantitative varieties. Psychometrika, 8, Hakstian, A. R., Rogers, W. T. y Cattell, R. B. (98). The behavior of number of factor rules with simulated data. Multivariate Behavioral Research, 7, Harris, C. W. (963). Canonical factor models for the description of change. En: C. W. Harris (ed). Problems in measuring change. Madison, Wis: University of Wisconsin Press, Kaiser, H. F. (960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 0, 4-5. Kaiser, H. F. (96). A note on Guttman s lower bound for the number of common factors. British Journal of Statistical Psychology. 4 (),. Kaiser, H. F. (963). Image Analysis. En: C. W. Harris (ed), Problems in measuring change. Madison, Wis: University of Wisconsin Press, Mulaik, S. A. (97). The Foundations of Factor Analysis. NY: McGraw-Hill. Norušis, M. A. (985). SPSS Statistical Algorithms. Chicago, IL: SPSS INC. Zwick, W. R. y Velicer, W. F. (986). Comparison of five rules for determining the number of components to retain. Psychological Bulletin, 3, (Revisión aceptada:: 7//9) Psicológica, 99, nº 3, pp. 07-5
Resumen. El análisis de componentes principales (PCA) es una técnica multivariada utilizada
Comparación de las aproximaciones χ 2 para la prueba de igualdad de los valores propios en el PCA Eduard Alexander Gañán Cárdenas a, Juan Carlos Correa Morales b Email: eaganan@unal.edu.co a. Estudiante
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 detalles6.8. Descomposición mediante valores singulares. v 2 =
68 Descomposición mediante valores singulares Los valores singulares de una matriz m n Supongamos que A es una matriz real cualquiera Los autovalores de A T A tienen la siguiente propiedad A T Ax = λx
Más detallesCaso 17. Análisis multivariante: reducción de datos por componentes principales.
Caso 17: reducción por componentes principales 115 Caso 17. Análisis multivariante: reducción de datos por componentes principales. (JESÚS LÓPEZ FIDALGO, UCLM) CASO PRÁCTICO Se dispone de 15 variables
Más detallesb. Universidad Nacional-Sede Medellín
Comparación de Intervalos de Confianza para el Coeficiente de Correlación Juan Carlos Correa a, Liliana Vanessa Pacheco b Email: jccorrea@unal.edu.co a. Universidad Nacional-Sede Medellín b. Universidad
Más detallesFiabilidad y variabilidad
Fiabilidad y variabilidad El coeficiente de fiabilidad de un test se ve afectado por la variabilidad de la muestra. Un test tiende a manifestar un coeficiente de fiabilidad mayor cuanto mayor sea su variabilidad.
Más detallesCómo observar el impacto del i-ésimo registro sobre el coeficiente de determinación al ajustar un modelo de regresión lineal múltiple
Comunicaciones en Estadística Junio 2013, Vol. 6, No. 1 Cómo observar el impacto del i-ésimo registro sobre el coeficiente de determinación al ajustar un modelo de regresión lineal múltiple How to observe
Más detallesAplicación de ANOVA Anidada en la Investigación Científica (Nested ANOVA Application in Scientific Research)
Aplicación de ANOVA Anidada en la Investigación Científica (Nested ANOVA Application in Scientific Research) Badii, M.H., A. Guillen & J.L. Abreu UANL, San Nicolás, N.L., México Abstract. Nested ANOVA
Más detallesAutovalores 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 detallesSesión 18: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K
Sesión 8: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K ) Calculamos los valores propios de A y sus multiplicidades algebraicas con: d A λ = det A λi nxn = Si d A
Más detallesDIMENSIONALIDAD Y FUNCIÓN DE INFORMACIÓN DE LOS TESTS
Psicothema, 1996. Vol. 8, nº 1, pp. 215-220 ISSN 0214-9915 CODEN PSOTEG DIMENSIONALIDAD Y FUNCIÓN DE INFORMACIÓN DE LOS TESTS Julia Martínez-Cardeñoso, Marcelino Cuesta y José Muñiz Universidad de Oviedo
Más detallesDiagonalización de matrices
7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,
Más detallesEsta 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 detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesUNIVERSIDADA NACIONAL DEL SANTA FACULTAD DE CIENCIAS DEPARTAMENTO DE MATEMÁTICAS
UNIVERSIDADA NACIONAL DEL SANTA FACULTAD DE CIENCIAS DEPARTAMENTO DE MATEMÁTICAS PINCIPALES FACTORES QUE INFLUYEN EN EL HOGAR, SEGÚN ENCUESTA ENAHO 2009. RESPONSABLE: LIC. LUIS ALFREDO PAJUELO GONZÁLES
Más detallesPrácticas Tema 2: El modelo lineal simple
Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesIN 540 Métodos Estadísticos para Economía y Gestión. Cap. VII. Análisis Factorial
IN 540 Métodos Estadísticos para Economía y Gestión Cap. VII Análisis Factorial 7.1 Introducción El Análisis Factorial es una técnica multivariada que nos permite reducir el tamaño'' de un problema sin
Más detallesWenceslao González Manteiga.
ANÁLISIS MULTIVARIANTE Wenceslao.gonzalez@usc.es ÍNDICE 0. MOTIVACIÓN HISTÓRICA 1. ANÁLISIS EXPLORATORIO DE DATOS 2. REVISIÓN DE LAS DISTRIBUCIONES NOTABLES MULTIDIMENSIONALES RELACIONADAS CON LA NORMAL
Más detallesAnálisis de la covarianza
Análisis de la covarianza Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: bioestadistica alceingenieria.net Artículo en formato PDF Enero 2002 El análisis de la covarianza es una técnica estadística
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesDiagonalización de matrices, Semejanza.
diagonalizacion.nb 1 Diagonalización de matrices, Semejanza. Practica 8, 28 de abril de 2004 En esta práctica aprenderemos/repasaremos los comandos: Eigenvalues[ matriz ] Calcula los autovalores de una
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 detallesFunciones de dos variables:extremos locales de funciones de dos variables. Condición necesaria. Teorema de los valores extremos.
Funciones de dos variables:extremos locales de funciones de dos variables. Condición necesaria.. 1 1 Departamento de Matemáticas. Universidad de Alcalá de Henares. Contenidos 1 Introducción 2 3 4 Índice
Más detallesComponentes principales (II)
Componentes principales (II) Eliseo Martínez Herrera 1. Propiedades de los componentes Los componentes principales tienen las siguientes propiedades: 1 La suma de las varianzas de los componentes es igual
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesTema 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 detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesAnálisis Factorial. Análisis de Datos Avanzados. Joaquín Aldás Manzano. Universitat de València. *
Análisis de Datos Avanzados Análisis Factorial Joaquín Aldás Manzano Universitat de València * joaquin.aldas@uv.es 1 Descripción Definición La finalidad del análisis factorial (estrictamente hablando del
Más detallesTema: Análisis de valores faltantes con SPSS
Tema: Análisis de valores faltantes con SPSS 1.- Introducción Hemos de comenzar advirtiendo que el Procedimiento Valores perdidos no se incluye en el sistema Base de SPSS, por lo que solo estará disponible
Más detallesClase 7 Herramientas de Álgebra Lineal
Clase 7 Herramientas de Álgebra Lineal 1 Formas cuadráticas La descomposición en valores singulares 3 Normas de matrices 4 Ejercicios Dada una matriz M R n n, la función escalar x T Mx, donde x R n, es
Más detallesLaboratorio de Componentes Principales.
Laboratorio de Componentes Principales. Este ejercicio consiste de la utilización del método de componentes principales como herramienta para la reducción de dimensionalidad de las variables independientes.
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 detallesANÁLISIS DE VALIDEZ DE CONSTRUCTO DE UN INSTRUMENTO DE MEDICIÓN UTILIZANDO ANÁLISIS FACTORIAL
ANÁLISIS DE VALIDEZ DE CONSTRUCTO DE UN INSTRUMENTO DE MEDICIÓN UTILIZANDO ANÁLISIS FACTORIAL Eusebio Olivo, Carmen Batanero eusebio.olivo@itesm.mx, batanero@ugr.es Instituto Tecnológico de Estudios Superiores
Más detallesPALISADE - Foro de Análisis de Riesgos y Toma de Decisiones (20/5/14) - MADRID Ricardo A. Queralt
PALISADE - Foro de Análisis de Riesgos y Toma de Decisiones (20/5/14) - MADRID 1 Estructura de costes empresariales y umbral de rentabilidad Prof. Dr. Ricardo A. Queralt PALISADE - Foro de Análisis de
Más detallesANÁLISIS MULTIVARIADO
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en matemáticas y computación, así como en sus diversas aplicaciones. ANÁLISIS MULTIVARIADO
Más detallesPROGRAMA DE LA ASIGNATURA. Curso académico
PROGRAMA DE LA ASIGNATURA Curso académico 2010-2011 IDENTIFICACIÓN Y CARACTERÍSTICAS DE LA ASIGNATURA Código Créditos ECTS 6 Denominación ESTADÍSTICA APLICADA Titulación/es Máster Universitario en Marketing
Más detallesdonde,, es controlable si y solo si la matriz de controlabilidad tiene rango,
TEORÍA DE CONTROL Tema 8. Controlabilidad y Observabilidad La controlabilidad y la observabilidad son dos conceptos desarrollados para la representación de sistemas en espacio de estado, estos permiten
Más detallesANÁLISIS 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 detallesEjercicios resueltos del capítulo 4
Ejercicios resueltos del capítulo 4 Ejercicios impares resueltos..a Calcular los autovalores y subespacios invariantes asociados a la matriz: A = Calculamos el polinomio característico y resolvemos: λ
Más detallesTratamiento de Riesgo Avanzado de Carteras
t Tratamiento de Riesgo Avanzado de Carteras Dossier Comercial Departamento Comercial Febrero 2012 2 T Edificio RD Sistemas TRAC Dossier Comercial Versión 2.0 Valencia, 560 4º 08026 BARCELONA Calle Margarita
Más detalles1. DIAGONALIZACIÓN Y FORMAS CANÓNICAS
1 1. DIAGONALIZACIÓN Y FORMAS CANÓNICAS Sea f : V V un endomorfismo de V, f End(V, con V un K-espacio vectorial de dimensión n, y sean B = {e 1,..., e n } B = {e 1,..., e n} bases de V. La matriz de f
Más detallesRESUMEN DE LOS ALGORITMOS.
RESUMEN DE LOS ALGORITMOS. 1.- REDUCCIONES DE ÓRDENES. Caso (1): () = (,, ) DEPENDE DE SOLO VARIABLE INDEPENDIENTE. = () = (). Caso (): (, ) = (,, ) DEPENDE DE DERIVADA DE y Y VARIABLE INDEPENDIENTE. CAMBIO
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 detallesCálculo de autovalores
Cálculo de autovalores Damián Ginestar Peiró Departamento de Matemática Aplicada Universidad Politécnica de Valencia Curso 2011-2012 (UPV) Cálculo de autovalores Curso 2011-2012 1 / 28 Índice 1 Preliminares
Más detallesRESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS
RESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS 1. Determinantes El determinante de una matriz cuadrada n n A = a 21 a 22 a 2n a n1 a n2 a nn es un número real, y se representa por: A = a 21 a 22 a 2n a
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 capítulo 11 Contribuciones a la inercia Primera edición: julio 2008
Más detallesAnálisis de correspondencias
Análisis de correspondencias utilizando el SPSS Vamos a realizar el Análisis de correspondencias sobre el mismo ejemplo (ejemplo 6.1 de los apuntes), sobre el que ya se obtuvo el análisis mediante el R,
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesTema 2. Aplicaciones lineales. Diagonalización de endomorfismos.
Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada
Más detallesFundamentos Matemáticos de la Ingeniería. Tema 4: Diagonalización de matrices. Curso
Fundamentos Matemáticos de la Ingeniería Tema 4 Hoja Escuela Técnica Superior de Ingeniería Civil e Industrial Esp en Hidrología Fundamentos Matemáticos de la Ingeniería Tema 4: Diagonaliación de matrices
Más detallesManejo del entorno windows y nociones básicas de estadística.
ANÁLISIS ESTADÍSTICO CON EL SPSS Profesor: J. Manuel Tejero González. METODOLOGÍA. Prensencial, en el aula de informática, utilizando un ordenador por alumno (Programa SPSS Versión 11.0, paquete básico,
Más detallesRelación lineal (densidad)
Relación lineal (densidad) Laboratorio de Física: 1210 Unidad 1 Temas de interés. 1. Relación lineal. 2. Relaciones directamente proporcionales. 3. Ajuste de tendencia lineal por el método de cuadrados
Más detallesUNIVERSIDAD DEL TURABO Informe de Hallazgos Psicométricos del Cuestionario de Fin de Curso del Programa AHORA
UNIVERSIDAD DEL TURABO Informe de Hallazgos Psicométricos del Cuestionario de Fin de Curso del Programa AHORA Preparado por: José R. Pérez Colón Marzo de 2011 1 Resumen El Cuestionario de Evaluación de
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesIntroducción Climatología y variabilidad climática (espacial y temporal). Datos climáticos. Revisión sobre el concepto de probabilidad.
Nombre de la Asignatura: Análisis Estadístico de Datos Climáticos Créditos: 10 Docentes responsables: Ciencias) Álvaro Díaz (F. Ingeniería) y Mario Bidegain (F. Objetivo de la asignatura: Desarrollar en
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 detallesDiagonalización 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 detalles6.7. Clasificación de formas cuadráticas
6.7 Clasificación de s s 1.1. Definición de s s en R n El concepto básico que sirve para definir una es el de polinomio homogéneo de segundo grado en varias variables. En toda esta sección sobreentenderemos
Más detallesc-inversa o inversa generalizada de Rao
c-inversa o inversa generalizada de Rao Definición.- Sea A m n. Se dice que una matriz A c de orden n m es una c-inversa o inversa generalizada en el sentido de Rao si y sólo si se verifica AA c A = A.
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesMétodos iterativos para sistemas de ecuaciones lineales
Métodos iterativos para sistemas de ecuaciones lineales Natalia Boal - Manuel Palacios - Sergio Serrano Departamento de Matemática Aplicada Obetivos Trabaar con los métodos iterativos habituales (Jacobi,
Más detallesCARACTERÍSTICAS GRALES.
Las técnicas estadísticas multivariadas permiten establecer, a partir de numerosos datos y variables, ciertas relaciones, investigar estructuras latentes y ensayar diversas maneras de organizar dichos
Más detallesProblemas y Ejercicios Resueltos. Tema 6: Diagonalizacion.
Problemas y Ejercicios Resueltos. Tema 6: Diagonalizacion. Ejercicios 1.- Sea f End V. Demostrar que la suma de subespacios f-invariantes es f-invariante. Solución. Sean U, W dos subespacios f-invariantes
Más detallesTécnicas de inteligencia artificial. Visión Artificial Reconocimiento de objetos
Técnicas de inteligencia artificial Visión Artificial Reconocimiento de objetos Indice Introducción Reconocimiento mediante características PCA Introducción El reconocimiento de objetos consiste en, dado
Más detallesEstadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB - 0408 4 0 8 2.- HISTORIA DEL PROGRAMA
Más detallesModelos de ecuaciones estructurales (SEM) para la investigación en Contabilidad y Auditoría
Iª REUNIÓN INTERNACIONAL DE INVESTIGACIÓN EN CONTABILIDAD Y AUDITORÍA (RIICA) Modelos de ecuaciones estructurales (SEM) para la investigación en Contabilidad y Auditoría Dr. D. Jesús Collado Agudo Departamento
Más detallesINTERPRETACIÓN 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 detallesb) y 1 = 10x x 2 y 2 = 25x x 2 d) y 1 = 4x 1 3x 2 y 2 = 2x 1 5x 2
Álgebra lineal Curso 2008-2009 Tema 2 Hoja 1 Tema 2 ÁLGEBRA SUPERIOR 1 Expresar los siguientes sistemas lineales en notación matricial a y 1 = 2x 1 + 3x 2 y 2 = 4x 1 + 2x 2 b y 1 = 10x 1 + 12x 2 y 2 =
Más detallesEigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
Más detallesf(x, y, z, t) = (x + y t, x + 2y z 3t, 3x + 5y 2z 7t).
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Álgebra Convocatoria de enero de 20 de enero de 20 (2.5 p.) ) Se considera la aplicación lineal f : R 4 R definida por: f(x y
Más detallesAplicaciones Lineales. Diagonalización de matrices.
Tema 2 Aplicaciones Lineales. Diagonalización de matrices. 2.1. Definiciones y propiedades Nota 2.1.1. En este tema trabajaremos con los Espacios Vectoriales R n y R m definidos sobre el cuerpo R. Definición
Más detalles2. Plantear hipótesis considerando que: Hipótesis: Siendo una prueba no direccionada, el planteamiento de hipótesis, señalará que:
Análisis de varianza El análisis de la varianza, conocida también como ANVAR o ANOVA, por sus siglas en inglés (ANalysis Of VAriance) es un método que permite comparar dos o más grupos de datos a través
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesCOLEGIO DE ESTADITICOS DEL PERÚ REGIÓN LAMBAYEQUE MSC. ACOSTA PISCOYA, JORGE
COLEGIO DE ESTADITICOS DEL PERÚ REGIÓN LAMBAYEQUE 1 TITULO: Actitudes hacia la Estadística en estudiantes de la Facultad de Ciencias Físicas y Matemáticas de la Universidad Nacional Pedro Ruiz Gallo. Un
Más detallesMatrices y sistemas de ecuaciones lineales. Autovalores y autovectores.
Tema 5 Matrices y sistemas de ecuaciones lineales Autovalores y autovectores 5 Introducción Una matriz es una disposición ordenada de elementos de la forma: a a a m a a a m a n a n a nm Sus filas son las
Más detalles6. Forma canónica de matrices
6. Forma canónica de matrices Manuel Palacios Departamento de Matemática Aplicada Centro Politécnico Superior Universidad de Zaragoza Otoño 2010 Contents 6 6. Forma canónica de matrices 7 6.1 Introducción....................................
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 detallesTEMA 4 Modelos discretos elementales. Ecuaciones en diferencias
TEMA 4 Modelos discretos elementales. Ecuaciones en diferencias Chelo Ferreira González Avicenna (980-1037) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y
Más detallesGeometría afín y proyectiva, 2016 SEMANA 4
Geometría afín y proyectiva, 2016 SEMANA 4 Sonia L. Rueda ETS Arquitectura. UPM September 30, 2016 Geometría afín y proyectiva 1. Álgebra Lineal 2. Geometría afín y eucĺıdea 3. Cónicas y cuádricas Álgebra
Más detallesMétodos directos para resolver sistemas de ecuaciones lineales
Métodos directos para resolver sistemas de ecuaciones lineales Problemas para examen Si en algún problema se pide calcular el número de flops (operaciones aritméticas con punto flotante), entonces en el
Más detallesINFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA
INFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA Juana María Vivo Molina Departamento de Métodos Cuantitativos para la Economía. Universidad de Murcia. jmvivomo@um.es RESUMEN En este trabajo se
Más detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesGráficos X-Bar y S. StatFolio de Muestra: xbarschart.sgp
Gráficos X-Bar y S Resumen El procedimiento Gráficos X-Bar y S crea gráficos de control para una simple variable numérica cuando los datos han sido recabados en subgrupos. Crea un Gráfico X-bar para monitorear
Más detallesSe usa para encontrar un numero relativamente pequeño de variables nuevas que contengan la mayor cantidad de info posible del conjunto de datos
Analisis Estadístico de Datos Climáticos Análisis de componentes principales Analisis de componentes principales Se usa para encontrar un numero relativamente pequeño de variables nuevas que contengan
Más detallesMétodos 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 detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesAlgunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices
Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2
Más detallesEjercicios de optimización sin restricciones
Ejercicios de optimización sin restricciones Programación Matemática Licenciatura en Ciencias y Técnicas Estadísticas Curso 5/6 Indica la dirección que el método de Newton (sin modificaciones calcularía
Más detalles74 Prime Time. conjetura Suposición acerca de un patrón o relación, basada en observaciones.
A abundant number A number for which the sum of all its proper factors is greater than the number itself. For example, 24 is an abundant number because its proper factors, 1, 2, 3, 4, 6, 8, and 12, add
Más detallesDepartamento Administrativo Nacional de Estadística Dirección de Metodología y Producción Estadística-DIMPE
Departamento Administrativo Nacional de Estadística Dirección de Metodología y Producción Estadística-DIMPE Especificaciones de Estimación y Varianza Encuesta Anual de Comercio EAC-2002 Julio 2004 COMERCIO
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
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 detallesFACULTAD DE CIENCIAS DE LA SALUD
FACULTAD DE CIENCIAS DE LA SALUD PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE ESTADÍSTICA INFERENCIAL 1. DATOS DE IDENTIFICACIÓN DE LA ASIGNATURA. Título: Facultad: Departamento/Instituto: Materia:
Más detallesLímite de funciones. Por otra parte se dice que una función es discontínua si para algún (os) valor (es) de x no existe valor de y.
Límite de funciones El concepto de límite se explica y define desde diferentes perspectivas en los libros de cálculo. Se habla por ejemplo del límite de una sucesión (como ya se explicó), o bien del límite
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detalles