Análisis de Componentes Principales (ACP)
|
|
- Víctor Parra Lucero
- hace 6 años
- Vistas:
Transcripción
1 Sistemas de Visión en Manufactura Maestría en MIC, UDB Análisis de Componentes Principales (ACP) Presenta: Sergio Miguel García Pérez Enero de 2015
2 Introducción Cuando se recoge información de una muestra de datos, lo más frecuente es tomar el mayor número posible de variables. Sin embargo, si se toman demasiadas variables sobre un conjunto, por ejemplo 20 variables, se tendrá que considerar 180 posibles coeficientes de correlación. Evidentemente, en este caso es difícil visualizar relaciones entre las variables.
3 Otro problema que se presenta es, la fuerte correlación que muchas veces se presenta entre las variables: si tomamos demasiadas variables, lo normal es que estén relacionadas o que midan lo mismo bajo distintos puntos de vista. Se hace necesario, reducir el número de variables. Es importante resaltar el hecho de que el concepto de mayor información se relaciona con el de mayor variabilidad o varianza. Cuanto mayor sea la variabilidad de los datos (varianza) se considera que existe mayor información, lo cual está relacionado con el concepto de entropía.
4 El (ACP) pertenece a un grupo de técnicas estadísticas multivariantes, eminentemente descriptivas. Concepto que ha sido muy difundido, especialmente en el tratamiento de grandes masas de datos. Estas técnicas fueron inicialmente desarrolladas por Pearson a finales del siglo XIX y posteriormente fueron estudiadas por Hotelling en los años 30 del siglo XX. Sin embargo, hasta la aparición de los ordenadores no se empezaron a popularizar.
5 En estadística, el, es una técnica utilizada para reducir la dimensionalidad de un conjunto de datos. Intuitivamente la técnica sirve para hallar las causas de la variabilidad de un conjunto de datos y ordenarlas por importancia. Técnicamente, el ACP busca la proyección según la cual los datos queden mejor representados en términos de mínimos cuadrados. El ACP se emplea sobre todo en análisis exploratorio de datos y para construir modelos predictivos. El ACP comporta el cálculo de la descomposición en autovalores de la matriz de covarianza, normalmente tras centrar los datos en la media de cada atributo.
6 Para estudiar las relaciones que se presentan entre p variables correlacionadas (que miden información común) se puede transformar el conjunto original de variables en otro conjunto de nuevas variables incorreladas entre sí (que no tenga repetición o redundancia en la información) llamado conjunto de componentes principales. Las nuevas variables son combinaciones lineales de las anteriores y se van construyendo según el orden de importancia en cuanto a la variabilidad total que recogen de la muestra.
7 De modo ideal, se buscan m < p variables que sean combinaciones lineales de las p originales y que estén incorreladas, recogiendo la mayor parte de la información o variabilidad de los datos. Si las variables originales están incorreladas de partida, entonces no tiene sentido realizar un análisis de componentes principales.
8 Las aplicaciones del ACP son numerosas y entre ellas podemos citar: (a) La clasificación de individuos; la comparación de poblaciones; la estratificación multivariada. (b) Como técnica de análisis exploratorio que permite descubrir interrelaciones entre los datos y de acuerdo con los resultados, proponer los análisis estadísticos más apropiados.
9 (c) Reducir la dimensionalidad de la matriz de datos con el fin de evitar redundancias y destacar relaciones. En la mayoría de los casos, tomando sólo los primeros componentes, se puede explicar la mayor parte de la variación total contenida en los datos originales. (d) Es de gran utilidad usar estos componentes incorrelacionados, como datos de entrada para otros análisis. Por ejemplo, en el caso de la regresión múltiple cuando las variables independientes presentan alta colinealidad es preferible hacer la regresión sobre los componentes principales en lugar de usar las variables originales.
10 (e) Construir variables no observables (componentes) a partir de variables observables. Por ejemplo, la inteligencia de una persona no es observable directamente, en cambio, se puede medir distintos aspectos de ésta mediante pruebas psicométricas. Las variables que miden los distintos aspectos de la inteligencia tienden a covariar; esto sugiere que expresan la mismas características pero de diferente forma y que sólo hay un pequeño número de rasgos no directamente medibles, que se denominan Indicadores sintéticos y que vienen estimados por los componentes.
11 Fundamentación Teórica Permite reducir la dimensionalidad de los datos, transformando el conjunto de p variables originales en otro conjunto de q variables no correlacionadas (q p) llamadas componentes principales. Las p variables son medidas sobre cada uno de los n individuos, obteniéndose una tabla de datos o matriz de datos de orden np (p < n).
12 La varianza de la primera componente mientras mayor sea, mayor será la cantidad de información en dicha componente. Por ello las sucesivas combinaciones o variantes de las componentes se ordenan en forma descendente de acuerdo a la proporción de la varianza total presente en el problema, que cada una de ellas explica.
13 La primer componente es por lo tanto, la combinación de máxima varianza; la segunda es otra combinación de variables originarias que obedece a la restricción de ser ortogonal a la primera y de máxima varianza, la tercer componente es aún otra combinación de máxima varianza, con la propiedad de ser ortogonal a las dos primeras; y así sucesivamente. Por sus propiedades de ortogonalidad, las sucesivas componentes después de la primera se pueden interpretar como las combinaciones lineales de las variables originarias que mayor varianza residual explican, después que el efecto de las precedentes ha sido ya removido y así sucesivamente hasta que el total de varianza ha sido explicado.
14 Cuando las variables están correlacionadas en mayor grado, las primeras componentes explican un alta proporción de la varianza total, por eso las componentes principales pueden sustituir a las múltiples variables originarias, esto permitiría resumir en unas pocas variantes o componentes no correlacionadas gran parte de la información.
15 Las Etapas en un ACP El análisis de componentes principales todas las variables surgen sobre un fundamento igual es apropiado, esto implica que: (1) Todas las variables deben estar medidas en las mismas unidades o, por lo menos, en unidades comparables, esto significa que si las variables de respuestas no miden en las mismas unidades, entonces cualquier cambio en la escala de medición en una o mas de las variables tendrá un efecto sobre las componentes principales. Ese cambio de escala podría invertir los papeles de las variables importantes y las no importantes.
16 (2) Las variables deben tener varianzas que tengan tamaños aproximadamente semejantes, por lo general las componentes principales se modifican por un cambio de escala de las variables; por lo que no son una característica única de los datos. Si una de las variables tiene una varianza mucho más grande que las demás, dominará la primera componente principal, sin importar la estructura de las covarianzas de las variables y, en este caso, tiene poco objeto la realización de un ACP.
17 Eigenvalores y Eigenvectores Cuando no parezca que las variables están ocurriendo sobre un fundamento igual, muchos investigadores aplican el ACP a la matriz de correlación de las respuestas, en lugar de la matriz de covarianzas. Esto es equivalente a aplicar el ACP a los datos estandarizados, en lugar de aplicarlo a los valores de los datos en bruto. En este caso, los componentes principales se definen por los eigenvalores y eigenvectores de R, la matriz de correlación, en lugar de por aquellos correspondientes a S, la matriz de covarianzas.
18 Los eigenvalores y eigenvectores de R son distintos a los de S y no existe simplificación sencilla para pasar de un conjunto de valores a otro. Los eigenvalores y eigenvectores de R se denotarán por λ λ... λ 1 2 p y a1, a2,.,ap, respectivamente.
19 Estandarización de datos de la matriz (Valores Z) Al estandarizar los datos, estamos haciendo que las variables se midan en unidades comparables. Se define: Z rj= x rj x j para r = 1, 2,, n y j = 1, 2,, p. s jj Donde xrj son los valores de las variables medidas en sus unidades originales. Las variables Zrj son los valores estandarizados de las variables x rj. Se les conoce como valores Z.
20 Estos datos pueden acomodarse en una matriz como sigue: [ ] z 11 z z 21 z Z=... z n1 z n2... z1 p z2 p... z np
21 Matriz de Varianza y Covarianza Una vez estandarizados los datos se utiliza la matriz de datos estandarizados procediendo a utilizar la matriz de varianzas y Covarianza S original. La matriz de Varianza y Covarianza consiste en un arreglo de p filas y p columnas, es decir, es una matriz cuadrada propiamente simétrica. Existen variaciones de las variables a lo largo de la diagonal principal y las covariaciones entre cada par de variables en las otras posiciones de la matriz.
22 La matriz de varianzas y covarianzas de una muestra se define: ^Σ=S= 1 n [ n r= 1 ( x r μ^ )( x r μ^ )' ] [ S 11 S 21 S=... S p1 S12 S22... Sp2... S1 p... S2 p S pp ] En donde la varianza muestral de la i-ésima característica están dadas por: n 1 S ii = ( x ri x i )2 n r= 1 i=1,2,...,p
23 y la Covarianza entre la característica i y la característica j en la n j= 1,2,......,p i j muestra es calculada por: S = 1 ( x x )( x x ) ij n r= 1 ri i rj j {} Por lo tanto, la Matriz de varianzas covarianzas S es igual a la Matriz de Correlaciones R pero con cada entrada estandarizada. Los elementos de la Matriz de Varianza y Covarianza de la muestra se puede estimar utilizando un esquema matricial calculado por: [( ) z 1 μ 1 z 2 μ 2 S=... z p μ p ( z 1 μ1 z 2 μ 2... z p μ p ) ]
24
25
26
27
28
29
30
31
32
33
34 Se podrá utilizar Matlab para este tema?
35 Se podrá utilizar Matlab para este tema?
36
37
38
39
40
41
42
43
44 Bibliografía [1] Delgado Alvarado, S. M. Una aplicación del Análisis de Componentes Principales Categóricas para determinar el posicionamiento de espol en el contexto de los Estudiantes de Tercer Año de Bachillerato. Tesis de Grado, Ingeniería en Estadística Informática. Escuela Superior Politécnica del Litoral. Guayaquil, Ecuador, [2] González Martín, P., Díaz de Pascual, A., Torres Lezama, E.,Garnica Olmos, E. Una aplicación del análisis de componentes principales en el área educativa. Instituto de Investigaciones Económicas y Sociales.
45 [3] Gorgas, J., Cardiel, N. Análisis de componentes principales (PCA). Facultad de Ciencias Físicas. Universidad Complutense de Madrid. Sitios Web:
TÉCNICAS ESTADÍSTICAS MULTIVARIADAS Y SUS APLICACIONES A INDICADORES E ÍNDICES ECONÓMICO FINANCIEROS DE LA ACTIVIDAD TURÍSTICA
TÉCNICAS ESTADÍSTICAS MULTIVARIADAS Y SUS APLICACIONES A INDICADORES E ÍNDICES ECONÓMICO FINANCIEROS DE LA ACTIVIDAD TURÍSTICA Rigoberto Fernández Padilla. Licenciado en Matemática. Especialidad Estadística
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 detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
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 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 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 detallesPuntuaciones de las observaciones en las componentes Gráfico de dispersión de las componentes Y1 e Y2:
Ejemplo 1 Objetivos: 1. Ayudar a comprender los conceptos relacionados con un análisis de componentes principales. Interpretación de resultados. 2. Aprender a ejecutar con R el ACP. Familiarizarse con
Más detallesCOMPONENTES PRINCIPALES
COMPONENTES PRINCIPALES Jorge Galbiati R. El método de Componentes Principales tiene por objeto reducir la dimensionalidad de un problema de múltiples variables, aplicando una sucesión de transformaciones
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 detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesRepaso 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 detallesEdgar Acuna/ ESMA 6665 Lecc La SVD y Componentes Principales
Edgar Acuna/ ESMA 6665 Lecc 7 75 6.2 La SVD y Componentes Principales El objetivo de componentes principales es hacer una reducción de la información disponible. Es decir, la información contenida en p
Más detallesAnálisis de Componentes Principales
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis de Componentes Principales Se han observado p variables X 1,X 2,...,X p sobre una muestra de n individuos. La matriz de datos muestrales
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 detalles2. ESTADÍSTICAS BIDIMENSIONALES
TEMA. ESTADÍSTICAS BIDIMENSIONALES.... Definición. Objetivos.... Coeficiente de Correlación. Lineal... 4 3. Rectas de regresión.... 7 . Definición. Objetivos En el tema anterior hemos estudiado las distribuciones
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesReducción de la Dimensionalidad en Análisis de Datos. Análisis de Componentes Principales.
Reducción de la Dimensionalidad en Análisis de. Análisis de Componentes Principales. A. Jiménez, A. Murillo, E. Piza, M. Villalobos, J. Trejos. April 27, 2010 Contenido 1 Objetivo. 2 Solución. 3. Calidad
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 detallesI. TÉCNICAS DE ANÁLISIS MULTIVARIANTE
ÍNDICE Presentación y justificación................................................... 9 I. TÉCNICAS DE ANÁLISIS MULTIVARIANTE................................... 13 1. Introducción.................................................................
Más detalles2. Análisis factorial
2 Análisis factorial Técnica estadística multivariante que tiene por objeto descubrir las relaciones entre un grupo de variables y expresarlas mediante un número mínimo de cantidades aleatorias no observables
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 detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
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 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 detallesTema 5. Introducción a los modelos de ecuaciones estructurales o modelos causales
Tema 5. Introducción a los modelos de ecuaciones estructurales o modelos causales 5.1 Introducción a los modelos de ecuaciones el planteamiento LISREL. 5.2. Fases en la elaboración de un modelo. 5.2.1.
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallestransformaciones globales lección 12 transformaciones globales Teledetección Dpto. de Ingeniería Cartográfica Carlos Pinilla Ruiz
transformaciones globales lección sumario Introducción. Análisis de componentes principales. Transformación tasseled cap. Índices de vegetación. introducción 3 Las generan nuevas imágenes a partir de la
Más detallesEl reconocimiento de patrones desde un punto de vista estadístico es la selección o extracción de características.
ANÁLISIS DE COMPONENTES PRINCIPALES El reconocimiento de patrones desde un punto de vista estadístico es la selección o extracción de características Esta selección se refiere a procesos donde el espacio
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 detallesEl análisis de correspondencias. Ana María López Jiménez Dept. Psicología Experimental (USE)
El análisis de correspondencias Ana María López Jiménez Dept. Psicología Experimental (USE) 4. El análisis de correspondencias 4.. Introducción 4.2. Tabla de correspondencias 4.3. Dependencia e independencia
Más detallesVARIABLES 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 detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detalles1. Algunos comandos de Estadística
Departamento de Matemática Aplicada MÉTODOS ESTADÍSTICOS. Ingeniería Química (Curso 2008-09) Estadística Descriptiva. Práctica. Algunos comandos de Estadística Describimos a continuacion algunos de los
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 detallesTÉCNICAS MULTIVARIANTES
Máster en Ordenación y Gestión del Desarrollo Territorial y Local Módulo I MÉTODO Y TÉCNICAS ESTADÍSTICAS PARA EL DESARROLLO TERRITORIAL Y LOCAL CURSO TÉCNICAS MULTIVARIANTES Prof. Dr. Rosa Jordá Borrell
Más detallesAnálisis Factorial: Análisis de componentes principales
Análisis Factorial: Análisis de componentes principales Abel Lucena Ferran Carrascosa Universitat Pompeu Fabra 22 de febrero de 2013 En qué consiste el análisis factorial? El análisis factorial agrupa
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURA: INGENIERÍA MECÁNICA ELÉCTRICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURA: INGENIERÍA MECÁNICA ELÉCTRICA PROGRAMA DE LA ASIGNATURA DE: Metodología de la Investigación IDENTIFICACIÓN
Más detallesSe trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
Más detallesTema 1: Estadística descriptiva. Probabilidad y Estadística (Ing. Informática). Tema 1: Estadística descriptiva 1
Tema 1: Estadística descriptiva Probabilidad y Estadística (Ing. Informática). Tema 1: Estadística descriptiva 1 Introducción Objetivo: estudiar una característica o variable en una población. Ejemplos:
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesTratamiento matricial de los datos multivariantes
Tratamiento matricial de los datos multivariantes Eliseo Martínez H Introducción Intentaremos conciliar el lenguaje matricial con el lenguaje coloquial de cuestionario en que se hacen p preguntas a n personas,
Más detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
Más detallesANALISIS MULTIVARIANTE DE LA PRODUCCION EN UNA EMPRESA PAPELERA RESUMEN
ANALISIS MULTIVARIANTE DE LA PRODUCCION EN UNA EMPRESA PAPELERA Carmen Gullqui Valarezo 1, John Ramírez 2 1 Ingeniero en Estadística e Informática 2001 2 Director de Tesis, RESUMEN El presente trabajo
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 detallesAnálisis de selección fenotípica
Análisis de selección fenotípica Curso Métodos en Ecología Evolutiva Universidad Nacional de Córdoba 2011 Mariano Ordano Fundación Miguel Lillo & CONICET mariano.ordano@gmail.com Selección natural, Herencia
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 detallesIDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS
IDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Introduccion La teoría de sistemas
Más detallesEstadística Descriptiva II: Relación entre variables
Estadística Descriptiva II: Relación entre variables Iniciación a la Investigación Ciencias de la Salud MUI Ciencias de la Salud, UEx 25 de octubre de 2010 De qué trata? Descripción conjunto concreto de
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesDescomposición Factorial de la In ación en Perú
Descomposición Factorial de la n ación en Perú Alberto Humala (BCRP) Gabriel Rodríguez (BCRP) XXV Encuentro de Economistas Banco Central de Reserva del Perú 26-28/11/2008 Humala-Rodríguez () n ación 26-28/11/2008
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES y ANÁLISIS DE FACTORES COMUNES
Facultad de Psicología y Ciencias Sociales ESTADÍSTICA II (Plan 2008) ANÁLISIS DE COMPONENTES PRINCIPALES y ANÁLISIS DE FACTORES COMUNES Prof. Titular Lic. Rubén José Rodríguez 4 de abril de 2011 1 ANTECEDENTES
Más detallesAnálisis descriptivo con SPSS. Favio Murillo García
Análisis descriptivo con SPSS Favio Murillo García Tablas de contingencia Cuando se trabaja con variables categóricas, los datos suelen organizarse en tablas de doble entrada en las que cada entrada representa
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesAnálisis de Capacidad Multivariada
Análisis de Capacidad Multivariada Resumen El procedimiento Análisis de Capacidad Multivariada determina la probabilidad de que los puntos caracterizados por dos o más variables se encuentren establecidos
Más detallesUNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CIENCIAS BIOLÓGICAS SUBDIRECCIÓN DE POSGRADO CONTENIDO DE CARTA DESCRIPTIVA 1.- IDENTIFICACIÓN Curso: Bioestadística Programa: Doctorado en Inmunobiología
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 detallesPROBLEMAS 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 detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Sexta clase: Programa Técnico en Riesgo, 2016 Agenda 1 2 de una vía 3 Pasos para realizar una prueba de hipótesis Prueba de hipotesis Enuncia la H 0 ylah 1,ademásdelniveldesignificancia(a).
Más detallesCAPITULO ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ En el presente capítulo se realiza el análisis estadístico multivariado de los
112 CAPITULO 5 5.- ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ 5.1. Introducción En el presente capítulo se realiza el análisis estadístico multivariado de los datos obtenidos en censo correspondientes a
Más detallesGráfico de Control T-Cuadrada Multivariada
Gráfico de Control T-Cuadrada Multivariada STATGRAPHICS Rev. 25/04/2007 Resumen El procedimiento Gráfico de Control T-Cuadrada Multivariada crea diagramas de control para dos o más variables numéricas.
Más detallesLección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Más detallesAnálisis de Componentes principales -PCA-
Análisis de Comonentes rinciales -PCA- PCA en Teledetección... 1 La idea general... 1 El método...2 La interretación...5 Que es? El PCA constituye un rocedimiento matemático que ermite transformar un número
Más detallesDiagnóstico. Dirección de Cómputo para la Docencia. UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Dirección General de Servicios de Cómputo Académico
TALLER DE APLICACIONES ESTADÍSTICAS CON EXCEL Diagnóstico Elaborado por Mónica Patricia Ballesteros Chávez 1. Es una expresión en Excel que puede incluir operadores, referencias a celdas, valores, funciones
Más detallesSILABO DEL CURSO ESTADÍSTICA DESCRIPTIVA 1. DATOS GENERALES
Facultad de Psicología SILABO DEL CURSO ESTADÍSTICA DESCRIPTIVA 1. DATOS GENERALES 1.1. Facultad : Psicología 1.2. Carrera Profesional : Psicología 1.3. Departamento : Ciencias 1.4. Tipo de Curso : Obligatorio
Más detallesTema 4: Sistemas de ecuaciones lineales.
Tema 4: Sistemas de ecuaciones lineales 1 Rango de una matriz Definición Sea A Mat n m (K) Se llama rango de filas de A, y se denota por rg f (A) la dimensión del subespacio vectorial generado por las
Más detallesSELECCIÓN DE CENTROS EDUCATIVOS CON MÉTODOS MULTIVARIADOS
SELECCIÓN DE CENTROS EDUCATIVOS CON MÉTODOS MULTIVARIADOS Introducción Ana Coimbra 1, Emiliano Pereiro 2, Cecilia Hughes 2, Juan José Goyeneche 1 RESUMEN Desde 2007 el Plan Ceibal y nuestra Facultad, en
Más detallesRENTABILIDAD Y RIESGO
RENTABILIDAD Y RIESGO 1. MEDICIONES 1. SITUACIÓN La rentabilidad que tienen que entregar las inversiones, no solo involucran el beneficio natural que debe otorgar al capital por su utilización, sino la
Más detallesSuperintendencia de Bancos y Seguros del Ecuador Dirección Nacional de Estudios e Información
1. INTRODUCCIÓN Superintendencia de Bancos y Seguros del Ecuador Dirección Nacional de Estudios e Información SUBDIRECCIÓN DE ESTUDIOS ESTUDIO DE VULNERABILIDAD FINANCIERA Elaborado por: Xiomara Arias
Más detallesEstadística Inga Patricia Juárez, 2017 MEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Las medidas de tendencia central nos proporcionan la descripción significativa de un conjunto de observaciones. Como su nombre lo indica, son datos de una variable que tienden
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 detallesINDICE Prefacio Como usar este libro Capitulo 1. Introducción Capitulo 2. Análisis exploratorio de los datos
INDICE Prefacio Como usar este libro Capitulo 1. Introducción 1 El comienzo de todo: determinación lo que se debe saber 2 Evaluación numérica de las unidades de observación con la ayuda de las escalas
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detalles1 Cómo introducir datos de archivos de Excel (.xls) en SPSS/PC?
Análisis de Datos Licenciatura en Biología Curso 2o10/2o11 Práctica 1 El fichero de datos necesario para realizar esta práctica, alligator.xls, se encuentra en la página web http://www.uam.es/daniel.faraco/ad11.
Más detallesSISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES Índice: 1.Introducción--------------------------------------------------------------------------------------- 2 2. Ecuaciones lineales------------------------------------------------------------------------------
Más detallesX Y
Capítulo 2 Distribuciones bivariantes Hasta ahora hemos estudiado herramientas que nos permiten describir las características de un único carácter Sin embargo, en muchos casos prácticos, es necesario estudiar
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detalles3 CAPÍTULO III TRABAJO EMPÍRICO. Para toda evaluación cuantitativa generalmente se tiene uno que basar en
3 CAPÍTULO III TRABAJO EMPÍRICO. 3.1 Modelo Econométrico Para toda evaluación cuantitativa generalmente se tiene uno que basar en experiencias anteriores (Allard, 1980, p. 1). Las experiencias anteriores
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesDiagonalización. Tema Valores y vectores propios Planteamiento del problema Valores y vectores propios
61 Matemáticas I : Álgebra Lineal Tema 6 Diagonalización 61 Valores y vectores propios 611 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesAnálisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática
Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento
Más detallesLucila Finkel Temario
Lucila Finkel Temario 1. Introducción: el análisis exploratorio de los datos. 2. Tablas de contingencia y asociación entre variables. 3. Correlación bivariada. 4. Contrastes sobre medias. 5. Regresión
Más detalles4 Descripción conjunta de varias variables. Ejemplos y ejercicios.
ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS 7 4 Descripción conjunta de varias variables. Ejemplos y ejercicios. 4.1 Ejemplos. Ejemplo 4.1 La siguiente tabla de frecuencias absolutas corresponde a 200
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 6 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesCLASIFICACIÓN PRUEBAS PSICOMÉTRICAS
CLASIFICACIÓN PRUEBAS PSICOMÉTRICAS CARACTERÍSTICAS DE LOS TEST Es el proceso que ha sido necesario realizar para la normalización de una prueba; es decir que ésta ha sido probada en una población
Más detallesCapítulo 6. Análisis de la covarianza ANÁLISIS DE LA COVARIANZA UNIFACTORIAL INTRODUCCIÓN
Capítulo 6 Análisis de la covarianza INTRODUCCIÓN Es una combinación de dos técnicas: Análisis de la Varianza y Análisis de Regresión. En el Análisis de la Covarianza: F La variable respuesta es cuantitativa
Más detallesModelos de regresión multinivel
Luis Guillermo Díaz Leonardo Trujillo Julio 2011 Estructura de datos multinivel Los investigadores de las ciencias sociales y naturales, se enfrentan al problema de modelar estructuras de datos complejas,
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 detalles2.1. DEFINICIÓN Y OBJETIVOS DE LA ESTADÍSTICA. Definición:
CAPITULO 2. LA ESTADISTICA 2.1. DEFINICIÓN Y OBJETIVOS DE LA ESTADÍSTICA Definición: La estadística es la ciencia que nos proporciona un conjunto de, métodos, técnicas o procedimientos, mediante los cuales
Más detallesANÁLISIS DE DATOS. L.A. y M.C.E. Emma Linda Diez Knoth
ANÁLISIS DE DATOS 1 Tipos de Análisis en función de la Naturaleza de los Datos Datos cuantitativos Datos cualitativos Análisis cuantitativos Análisis cuantitativos de datos cuantitativos (Estadística)
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE
PROBABILIDAD Y ESTADÍSTICA Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE 4.1 Regresión lineal simple y curvilínea 4.1.1 Variable dependiente e independiente 4.1.2 Ecuación de regresión 4.1.2.1 Aplicación
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 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 detallesRegresión con variables independientes categóricas
Regresión con variables independientes categóricas 1.- Introducción... 2 2.- Regresión y contrate de medias... 2 2.1.- Contrate de medias... 2 2.2.- Regresión... 3 3.- Regresión y análisis de la varianza...
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesINDICE. Introducción Capitulo uno. La idea nace un proyecto de investigación Como se originan las investigaciones? 2 Resumen Conceptos básicos
INDICE Introducción Capitulo uno. La idea nace un proyecto de investigación 1 1.1. Como se originan las investigaciones? 2 Resumen 6 Ejemplo 7 Capitulo dos. El planteamiento del problema objetivos, preguntas
Más detallesLA SATISFACCIÓN DE LOS ALUMNOS UNIVERSITARIOS RESPECTO A SUS ESTUDIOS
Un proyecto de mejora en la orientación universitaria: El Programa Tutor 407 Revista de Investigación Educativa, 1999, Vol. 17, n.º 2, págs. 407-412 LA SATISFACCIÓN DE LOS ALUMNOS UNIVERSITARIOS RESPECTO
Más detallesa ij x i x j = [x] t B A+At ) t = At +(A t ) t = At +A x i x j + a ij + a ji x j x i = s ij x i x j + s ji x j x i 2
68 Matemáticas I : Álgebra Lineal Tema 7 Formas cuadráticas Aunque, pueda parecernos que vamos a estudiar un nuevo concepto, un caso particular de las formas cudráticas ya ha sido estudiado, pues el cuadrado
Más detalles