LABORATORIO DE COMPONENTES PRINCIPALES EN MATLAB
|
|
- Jaime Alcaraz Carrasco
- hace 6 años
- Vistas:
Transcripción
1 LABORATORIO DE COMPONENTES PRINCIPALES EN MATLAB Este ejercicio consiste en aplicar el método de componentes principales como herramienta para la reducción de dimensionalidad de las variables independientes mediante funciones de MATLAB. De acuerdo a lo visto, un modelo de la forma y=f(x i ), i=1,n. Se obtuvo una muestra desde un conjunto de observaciones mediante el método de muestreo estratificado para la selección de muestras representativas de varios tamaños. El número de variables originales x i podría ser reducido a uno nuevo z i. De este modo, se puede tener un nuevo y reducido conjunto de variables z, totalmente independientes, de la forma y=f(z i ), i=1,n, siendo n<<n. En este sitio WEB hay disponible un conjunto de ejemplos (data250, data500, data800) en Excel que representa conjuntos de datos conformado por nueve variables (x 1 x 9 ) y una variable respuesta y. Desde este archivo se extraen las variables independientes x i para ser examinadas mediante el método de reducción. La variable y, también presente en estos conjuntos de datos, se separa para otras pruebas. Este archivo seleccionado en Excel debe ser convertido a un archivo tipo texto (ascii) previamente a ser utilizado en MATLAB. Supongamos que el nombre del archivo tipo texto se llamará data.txt. Desde MATLAB, se procede a realizar el análisis de componentes principales. A manera de ejemplo, solamente se incluyen el procedimiento general y es comparado con el método numérico de valores singulares (SVD), a los fines de conocer el método alternativo para hacer estos cálculos básicos. En esta guía sólo se incluyen los comandos. Los resultados deberían ser observados para realizar los análisis correspondientes. Se recomienda el uso del par de comandos diary on, al principio del ejercicio, y diary off, al terminar todo el trabajo, para que quede registrado todo el 1
2 laboratorio en un archivo y pueda ser editado y revisado en posteriores consultas. diary labacp load data.txt Trasladamos los datos a una matriz XY XY=data; Seleccionamos la matriz X con solo las variables independientes. Debe verificar con anticipación cuantas columnas corresponden a X. En este caso son 9 y están ubicadas entre la columna 2 y 10 X=XY(:,2:10); size(x) ans = Revise. El resultado La matriz que compone las variables independientes es de 9 variables independientes. X(1:1,1:9) ans = Luego la variable respuesta será 2
3 Y=XY(:,11) Esta muestra estratificada de acuerdo a la variable dependiente y, será explorada a los fines de determinar si se le puede aplicar una reducción de variables. Emplearemos los dos métodos que pueden determinar los componentes principales. Función en MATLAB para emplear el Método de los valores singulares. help SVD SVD Singular value decomposition. [U,S,V] = SVD(X) produces a diagonal matrix S, of the same dimension as X and with nonnegative diagonal elements in decreasing order, and unitary matrices U and V so that X = U*S*V'. S = SVD(X) returns a vector containing the singular values. [U,S,V] = SVD(X,0) produces the "economy size" decomposition. If X is m-by-n with m > n, then only the first n columns of U are computed and S is n-by-n. See also SVDS. De acuerdo a este método podemos obtener una matriz diagonal que incluye los valores propios de la matriz simétrica. Para nuestro caso la matriz simétrica es la matriz de correlación. 3
4 Determinamos la matriz de correlación R. R=corrcoef(X); R Observará una matriz 9x9. La suma de la diagonal representa el rango de la matriz A simple vista podemos observar en la matriz algunos elementos con valores cercanos a uno. Esto pareciera indicar una colinealidad entre variables. Se aplica SVD y de acuerdo a los valores singulares, tenemos: [u,lambda,v]=svd(r); donde: u lambda Observe la diagonal principal. Los valores propios, al multiplicarse por 100, representan el porcentaje equivalente a la contribución de la varianza de cada componente. Observe además que esta contribución es decreciente hasta completar el número de componentes principales. La suma de la diagonal (traza) representa el rango de la matriz. Por otro lado, los componentes principales quedan definidos por los 4
5 autovectores v. Es decir, v Observe que estos vectores (autovectores) son ortogonales y ortonormales. El producto indistintamente de dos de ellos será igual cero (ortoganiladad) y el producto de cada uno de ellos por si mismo es igual uno (ortonoprmalidad). Por ejemplo, el producto entre los dos primeros autovectores debería ser cero. v(1:1,:)*v(2:2,:)' ans = Estos autovectores definen el nuevo espacio dimensional ortonormal donde las variables originales podrían ser definidas en unas nuevas (variables latentes) mediante una rotación a estos nuevos ejes en los cuales quedarían proyectadas. Se puede observar que la traza tanto de la matriz de correlación R como el de la matriz de los autovalores lambda es la misma. trace(r) ans = 9 trace(lambda) 5
6 ans = 9 Por otro lado, igualmente y de manera simplificada, se puede obtener el conjunto de componentes principales al estimar en una misma función los autovalores, autovectores y el porcentaje explicado por cada uno de las nuevas variables cuando ellas son rotadas. El comando en MATLAB tiene la siguiente sintaxis: help pcacov PCACOV Principal Component Analysis using the covariance matrix. [PC, LATENT, EXPLAINED] = PCACOV(X) takes a the covariance matrix, X, and returns the principal components in PC, the eigenvalues of the covariance matrix of X in LATENT, and the percentage of the total variance in the observations explained by each eigenvector in EXPLAINED. De acuerdo a esta función y utilizando la matriz de correlación R como matriz de entrada, tenemos [cp,lambda,explicacion]=pcacov(r); donde: cp: matriz de componentes principales, lambda: matriz diagonal con los autovalores de R, explicacion: porcentaje explicado de la varianza por cada uno de los componentes. Los componentes principales (autovectores) son: 6
7 cp Los resultados en cp y v resultan los mismos por ambos métodos. Del mismo modo, los autovalores son: lambda' El porcentaje explicado por cada una de las variables al ser transformadas es: explicacion' De acuerdo a lo anterior y al criterio de Kayser (lambda >1), observe cuantas variables están en capacidad de explicar lo más cercano al 90% de la varianza total. Sin embargo, bajo el criterio de Jolliffe (lambda > 0.7), estas referencias deben revisarse al momento de decidir que tan eficiente se desea sea el nivel de predicción del modelo que se desea construir con las variables transformadas. Es decir, a este punto, hemos elegido los primeros k 1 componentes principales. Los restantes k 2 componentes serían determinados evaluando la correlación de la variable dependiente y con las variables transformadas z. Otra guía para la selección de los componenetes es si comparamos estos valores gráficamente mediante el scree plot (diagrama del codo); se retienen aquellos componentes que muestren un apreciado cambio de pendiente. Esta selección termina cuando se observa una tendencia uniforme o casi uniforme de la pendiente. Veamos por ejemplo plot(lambda) 7
8 En este caso, se puede retener hasta el componente cinco. Estandarización de la matriz de datos a los fines de poder rotarlos. Se estandariza variable por variable con media cero y varianza uno, a fin rotar las observaciones originales y contabilizar cada una de las variables originales en el vector x en su equivalente de variables latentes z (estos son los scores). Para este caso se dispone de 252 observaciones, entonces los comandos serían para cada una de las 9 variables estandarizadas sx1=(x(:,1:1)-ones(252,1).*mean(x(:,1:1)))./sqrt(var(x(:,1:1))); sx2=(x(:,2:2)-ones(252,1).*mean(x(:,2:2)))./sqrt(var(x(:,2:2))); sx3=(x(:,3:3)-ones(252,1).*mean(x(:,3:3)))./sqrt(var(x(:,3:3))); sx4=(x(:,4:4)-ones(252,1).*mean(x(:,4:4)))./sqrt(var(x(:,4:4))); sx5=(x(:,5:5)-ones(252,1).*mean(x(:,5:5)))./sqrt(var(x(:,5:5))); sx6=(x(:,6:6)-ones(252,1).*mean(x(:,6:6)))./sqrt(var(x(:,6:6))); sx7=(x(:,7:7)-ones(252,1).*mean(x(:,7:7)))./sqrt(var(x(:,7:7))); sx8=(x(:,8:8)-ones(252,1).*mean(x(:,8:8)))./sqrt(var(x(:,8:8))); sx9=(x(:,9:9)-ones(252,1).*mean(x(:,9:9)))./sqrt(var(x(:,9:9))); Compilamos en una matriz SX todos los vectores que contienen las variables originales estandarizadas SX=[sx1 sx2 sx3 sx4 sx5 sx6 sx7 sx8 sx9]; 8
9 Las variables latentes en Z1 o Z2 son los nuevos valores contabilizados de las variables originales en los nuevos ejes. Esto es, las variables z, mediante la rotación de sus ejes son definidas por los componentes principales cp o v. Z1=SX*cp; Z2=SX*v; Comprobación de que tanto cp como v son equivalentes: Z1 y Z2 tienen los mismos resultados Z1-Z2; El comando que sigue le permite observar que variables, vectores o matrices tiene residente en memoria hasta este punto de esta sesión de trabajo. Por ejemplo who Your variables are: R cp sx3 sx9 SX data250 sx4 u X explicacion sx5 v Z1 lambda sx6 Z2 sx1 sx7 ans sx2 sx8 En este momento debemos revisar si los últimos k 2 (criterio de Jolliffe que indica revisar correlaciones mayores a 0.7 en los componentes no retenidos y revisados por segunda vez para su posible retención) Estos componentes se 9
10 pueden incorporar revisando las correlación entre la variable dependiente y y las nuevas variables en Z. Para ello utilizamos el vector Y, previamente considerado. who Your variables are: R cp sx3 sx9 SX data250 sx4 u X explicacion sx5 v Z1 lambda sx6 xsyy_250 Z2 sx1 sx7 ans sx2 sx8 Y size(y) Y Y es entonces correlacionado con Z. En esta fase se hace la estimación de la matriz de correlación entre las variables latentes en Z (Z1 o Z2) y la variable respuesta Y. Para ello, en una matriz ZY todas las columnas para estimar la matriz de correlación Rzy y observar los valores de la variable y los componentes en Z no retenidos en la primera oportunidad. Y es un vector columna, luego debe ser transpuesto para hallar ZY. Sería ZY=[Z1 Y ]; 10
11 Ahora Rxy = corrcoef(zy) Simplifiquemos. Como en este ejercicio resultó en una matriz de correlación de orden 10x10, revisaremos la última columna que se corresponde con la variable y y las nuevas variables independientes z, a fin de seleccionar los k 2 restantes componentes que indicarán la incorporación de nuevas variables, para mejorar el nivel de estimación del modelo resultante y=f(z). Rxy(:,10) Revise.. que observa Podemos observar que a pesar de seleccionar algunos primeros componentes (en el caso de este ejemplo fueron los primeros cinco), se pueden agregar aquellos que tengan una buena correlación de las variables latentes z con y. De ahí que estos últimos componentes, mencionados como los k 2 componentes, pueden ser incorporados como parte de los componentes definitivamente seleccionados en el proceso de reducción. Por tanto, los componentes definitivos que se podrían incluir como variable independientes dados por la matriz de variables latentes Z son los k resultantes de la suma k=k 1 +k 2 La matriz definitiva de variables reducidas quedaría compuesta por los k componentes relacionados con cada columna de la matriz Z, sean los indicados por k 1 como los indicados por k 2. Por ejemplo, se agregaron los indicados como séptimo y noveno a los primeros cinco. Var_reducidas= [Z1(:,1:5) Z1(:,7) Z1(:,9)]; 11
12 Finalmente, estas variables reducidas más la variable y forman el nuevo conjunto de datos para un modelo de estimación. Por ejemplo, el entrenamiento de un modelo de redes neuronales. En efecto, el conjunto final de datos para entrenamiento sería una matriz compuesta por estas variables reducidas y la variable Y DatosZY = [Var_reducidas,Y]; size(datoszy) Para guardarlo como archivo tipo texto (txt) save DatosZY ascii Estos valores serán guardados en el área de trabajo asignado al principio de la sesión en un archivo texto que puede ser reutilizado por cualquier otra aplicación (Excel, SPSS, Minitab o el mismo MATLAB) 12
Laboratorio 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 detallesb) Otro ejemplo de mezcla de datos podría ser la definición de variables atributos a través de variables con valores continuos.
CAPITULO 5 PRE-PROCESAMIENTO DE DATOS Consiste en la preparación previa de los datos para ser usados por la construcción, entrenamiento y prueba de un modelo de red neuronal Alguno de los problemas más
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 detallesLABORATORIO 1 DE ANÁLISIS DE CORRESPONDENCIAS
LABORATORIO DE ANÁLISIS DE CORRESPONDENCIAS Con este ejemplo se va a practicar en MATLAB un par de variables categóricas, extraídas del texto Methods of Multivariate Analysis de Alvin C. Rencher, Second
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 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 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 detallesUso de LS. Esta matriz de 3x3 simétrica y definida positiva es un tensor de difusión de hidrógeno. , con gi en R 3. i S 0 exp bgt i Dg i i
Uso de LS MX 2 min S, con gi en R 3 i S 0 exp bgt i Dg i i Esta matriz de 3x3 simétrica y definida positiva es un tensor de difusión de hidrógeno. En cada posición del cerebro tenemos una matriz Tractografía
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 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 detallesLaboratorio de Procesamiento Digital de Voz Practica 1. INTRODUCCION DE MATLAB Y MANEJO DE ARCHIVOS DE VOZ
Laboratorio de Procesamiento Digital de Voz Practica 1. INTRODUCCION DE MATLAB Y MANEJO DE ARCHIVOS DE VOZ Objetivo: Conocer las formas principales de archivar información correspondiente a señales de
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesAnálisis de Componentes Principales (PCA) Jesús González y Eduardo Morales
Análisis de Componentes Principales (PCA) Jesús González y Eduardo Morales Introducción a PCA 2 PCA à herramienta estándar en análisis de datos Simple No paramétrico Extrae información relevante a partir
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 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 detallesPractica 2. Estructuras de Datos en MATLAB
Practica. Estructuras de Datos en MATLAB Informática Aplicada - Grado en Ingeniería Química, UAM, 009/010 1 Fecha limite de entrega de la practica Grupo A: de Marzo Grupo B: 1 de Marzo Objetivos Al finalizar
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 detallesGUIA BÁSICA DEL PROCEDIMIENTO MATRIX END MATRIX
GUIA BÁSICA DEL PROCEDIMIENTO MATRIX END MATRIX El SPSS permite realizar cálculos matriciales mediante el lenguaje de comandos que se resumen en los siguientes pasos: 1) Abrir una ventana de sintaxis Menú:
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 detallesEJERCICIOS DE ÁLGEBRA LINEAL TEMA 3 ESPACIOS EUCLÍDEOS
EJERCICIOS DE ÁLGEBRA LINEAL TEMA 3 ESPACIOS EUCLÍDEOS ESPACIOS EUCLÍDEOS ) a) Decir cuál de las siguientes aplicaciones de x de no definir un producto escalar comprobar el axioma que falla: a ) x' x,y,
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesPráctica 3: Matrices y vectores
Práctica 3: Matrices y vectores 1. Introducir los vectores (1 2 3 4 5) y (6 7 8 9 10) asignándoles las variables u y v respectivamente: a. Determinar 3u, u+v, u-v. b. Construir un vector cuyos elementos
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 detalles3. Selección y Extracción de características. Selección: Extracción: -PCA -NMF
3. Selección y Extracción de características Selección: - óptimos y subóptimos Extracción: -PCA - LDA - ICA -NMF 1 Selección de Características Objetivo: Seleccionar un conjunto de p variables a partir
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 detallesEstadística avanzada en medicina: el análisis de componentes principales
Desde el ICBME Argibay P. F. Estadística avanzada en medicina: el análisis de componentes principales 107 Estadística avanzada en medicina: el análisis de componentes principales Pablo F. Argibay En general,
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 detallesPRÁCTICA 1: Introducción a Matlab
1.1 PRÁCTICA 1: Introducción a Matlab 1.1 Introducción MATLAB es un paquete de software que proporciona un entorno potente y amigable para cálculo y simulación. El entorno de programación ofrece operaciones
Más detalles6.6. Diagonalización de matrices simétricas o hermitianas. Ejemplo de una diagonalización de una matriz simétrica
6.6 Diagonalización de matrices simétricas o hermitianas Ejemplo de una diagonalización de una matriz simétrica Matrices hermitianas Los autovalores de las matrices reales simétricas o complejas hermitianas
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 detalles2. Métodos de Descomposición Lineal de las Observaciones
2. Métodos de Descomposición Lineal de las Observaciones 2.1. Introducción El avance tecnológico en los mecanismos de obtención de datos en multitud de materias ha provocado que la base de datos disponible
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 detallesDeterminación Numérica de Eigenvalores y Eigenvectores.
Determinación Numérica de Eigenvalores y Eigenvectores José María Rico Martínez Departamento de Ingeniería Mecánica Universidad de Guanajuato, F I M E E Calle Tampico No 912, Col Bellavista CP 3673, Salamanca,
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 detallesTema 1: Simetría y teoría de grupos.
Propiedades y clasificación de los grupos. Todos los grupos matemáticos, dentro de los cuales se incluyen los grupos puntuales, tienen las siguientes propiedades: 1.- Cada grupo debe contener la operación
Más detallesSistema de Información de Compras y Contrataciones del Estado (SICE) Órdenes de compras
Sistema de Información de Compras y Contrataciones del Estado (SICE) Órdenes de compras INFORMACIÓN DE INTERÉS Última actualización: 08-07-2015 Nombre actual del archivo: Órdenes de compras.odt Tabla de
Más detallesDeterminación del número de autovalores mayores que la unidad en el Análisis Imagen con el SPSS
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
Más detallesCAPITULO IV ANÁLISIS DE RESULTADOS. una interpretación de los resultados. Este capítulo está conformado por la Medida de
CAPITULO IV ANÁLISIS DE RESULTADOS Este capítulo tiene la finalidad de presentar los resultados obtenidos de los análisis estadísticos que se aplicaron a los datos. A través de los análisis mencionados
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 detallesTema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2.
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Tema 1 Álgebra lineal 1. Vectores 2. Matrices 1 Álgebra lineal Aurea Grané
Más detallesSistema de Información de Compras y Contrataciones del Estado (SICE) Órdenes de compras
Sistema de Información de Compras y Contrataciones del Estado (SICE) Órdenes de compras INFORMACIÓN DE INTERÉS Última actualización: 8-12-2017 Nombre actual del archivo: Órdenes de compras.odt Tabla de
Más detallesMatrices y determinantes (Curso )
ÁLGEBRA Práctica 3 Matrices y determinantes (Curso 2008 2009) 1. En el conjunto de las matrices n n de elementos reales, demostrar que el producto de matrices triangulares inferiores es otra matriz triangular
Más detallesDepartamento de Matemática Aplicada CÁLCULO COMPUTACIONAL. Licenciatura en Química (Curso ) Matrices Práctica 1
Departamento de Matemática Aplicada CÁLCULO COMPUTACIONAL. Licenciatura en Química (Curso 2005-06) Matrices Práctica 1 1. Introducción En esta práctica vamos a profundizar un poco en las capacidades de
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 detallesAnálisis 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 detallesAnexo. Guía de uso de la herramienta Java de identificación.
Anexo. Guía de uso de la herramienta Java de identificación. En este apartado se va a explicar una aplicación ("ejsidentescalon") que se ha desarrollado en JAVA, mediante el paquete Easy Java Simulations
Más detallesseguimiento de mis pedidos
Manual de usuario: seguimiento de mis pedidos Documento de usuario para el manejo correcto de la solución Entrar Tabla de contenido 1. Introducción................ 3 2. Acceso al Portal de proveedores......
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 detallesDescomposición en Valores singulares(svd)
Descomposición en Valores singulares(svd) Año 200 Referencias [] R.L. Burden, J.Douglas Faires, Análisis Numérico, Grupo Editorial Iberoamericana, México, 985. [2] J. Demmel, Applied Numerical Linear Algebra,
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesCátedra de Diversidad Biológica III FCEFyN-UNC Tutorial para utilizar el programa de computo TNT
Cátedra de Diversidad Biológica III FCEFyN-UNC Tutorial para utilizar el programa de computo TNT Paso 1- Descargar el programa TNT (Tree analysis using New Technology): es un programa para realizar análisis
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Más detallesValores singulares. Producto escalar y ortogonalidad. Proposición. Curso < x, y >= si F = C. Si x C n x i=1
Valores singulares Curso 2017-18 1 Producto escalar y ortogonalidad < x, y >= n y i x i = y T x si F = R, n y i x i = y x Si x C n x x = n x i 2 = x 2 2. si F = C Si x, y C n x y = y x, pero si x, y R
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 detallesCoordenadas 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 detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: ALGEBRA LINEAL Código L2.07.1 PLAN DE ESTUDIOS: 2002 CARRERA: Licenciatura en Matemática DEPARTAMENTO:
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 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 detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
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 detallesPAIEP. Complemento Ortogonal
Programa de Acceso Inclusivo, Equidad y Permanencia PAIEP Universidad de Santiago de Chile Complemento Ortogonal Veamos ahora una aplicación de los vectores ortogonales a la caracterización de subespacios
Más detallesEstadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada
Estadística Descriptiva Bivariada En el aspecto conceptual, este estudio puede ser generalizado fácilmente para el caso de la información conjunta de L variables aunque las notaciones pueden resultar complicadas
Más detallesTema 1. Espacios Vectoriales. Sistemas de ecuaciones.
Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada Fortes)
Más detallesEl ejemplo: Una encuesta de opinión
El ejemplo: Una encuesta de opinión Objetivos Lo más importante a la hora de planificar una encuesta es fijar los objetivos que queremos lograr. Se tiene un cuestionario ya diseñado y se desean analizar
Más detallesAlgunos comandos para tener en cuenta en las operaciones son: who enumera todas las variables usadas hasta el momento.
MATLAB El software MatLab se desarrolló como un Laboratorio de matrices, pues su elemento básico es una matriz. Es un sistema interactivo y un lenguaje de programación de cómputos científico y técnico
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesBALANCE DE APERTURA. Cuáles son los aspectos a tener en cuenta para ingresar el balance de apertura?
BALANCE DE APERTURA Qué es el balance de apertura? El balance de apertura corresponde a los valores de cuentas contables y las cantidades de inventarios con los cuales inicia una compañía el balance general
Más detallesAnálisis 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 detallesReducción de Diagramas de Bloques con Matlab
Práctica No. 6.Reducción de Diagramas de Bloques con Matlab Práctica 6 Reducción de Diagramas de Bloques con Matlab Objetivo. El objetivo de esta práctica es aprender a utilizar y validar las herramientas
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 detallesLos datos siguientes contienen indicadores demográficos y criminales sobre 47
Los datos siguientes contienen indicadores demográficos y criminales sobre 47 estados de EEUU. Los datos fueron recogidos por la Uniform Crime Report del FBI y otras agencies del gobierno para determinar
Más detallesAnálisis de Componentes Principales (ACP)
Sistemas de Visión en Manufactura Maestría en MIC, UDB Análisis de Componentes Principales (ACP) Presenta: Sergio Miguel García Pérez Enero de 2015 Introducción Cuando se recoge información de una muestra
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 detallesMicrosoft Excel para la optimización del trabajo en la empresa
Microsoft Excel para la optimización del trabajo en la empresa Contenido Contenido... 2 Series personalizadas... 3 Protección de la hoja de cálculo... 8 Plantillas personalizadas... 15-2- Introducción
Más detallesAlgebra 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 detallesProyecciones Ortogonales y Proceso de Gram-Schmidt
Proyecciones Ortogonales y Proceso de Gram-Schmidt Departamento de Matemáticas, CCIR/ITESM 9 de febrero de Índice..Introducción.................................................Ortogonalidad a un espacio........................................proyección
Más detallesDoc. Juan Morales Romero
Análisis de Correlación y Regresión Lineal ANALISIS DE CORRELACION Conjunto de técnicas estadísticas empleadas para medir la intensidad de la asociación entre dos variables DIAGRAMA DE DISPERSION Gráfica
Más detallesAnálisis de Datos y Métodos Cuantitativos para la D.T. VI versión MGM
Universidad Católica del Norte Escuela de Negocios Mineros Magister en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la D.T. VI versión MGM Antofagasta, Junio de 2013 Profesor: Fernando
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 detallesCORRELACION Y REGRESION
CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple
Más detallesÁlgebra lineal y Geometría II. Métricas y formas cuadráticas. 1. La matriz de la métrica T 2 ((x, y, z), (x, y, z )) = xx + yy + 3zz 2xz 2zx es:
Álgebra lineal y Geometría II Gloria Serrano Sotelo Departamento de MATEMÁTICAS ÁLGEBRA LINEAL Y GEOMETRÍA. 0 FÍSICAS Métricas y formas cuadráticas.. La matriz de la métrica T ((x, y, z), (x, y, z )) =
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 detallesLaboratorio 1: Introducción a MatLab
Elementos de Matemática Aplicada 2012 1 Laboratorio 1: Introducción a MatLab Matlab (www.mathworks.com) es un lenguaje de programación y una herramienta de cálculo. Está diseñado para hacer cuentas con
Más detallesClase No. 13: Factorización QR MAT 251. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 16
Clase No 13: Factorización QR MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 03102011 1 / 16 Factorización QR Sea A R m n con m n La factorización QR de A es A = QR = [Q 1 Q 2 ] R1 = Q 0 1 R
Más detallesPROGRAMA INSTRUCCIONAL ÁLGEBRA LINEAL
UNIVERSIDAD FERMIN TORO VICE RECTORADO ACADEMICO UNIVERSIDAD FACULTAD DE INGENIERIA ESCUELA DE MANTENIMIENTO MECÁNICO ESCUELA DE TELECOMUNICACIONES ESCUELA DE ELÉCTRICA ESCUELA DE COMPUTACIÓN PROGRAMA
Más detalles1 Isometrías vectoriales.
Eugenia Rosado ETSM Curso 9-. Isometrías vectoriales. Sea E un espacio vectorial euclídeo. De nición Una aplicación f : E! E se dice transformación ortogonal o isometría vectorial si conserva el producto
Más detallesGráficos Ms Excel. Los datos deben encontrarse en una o más áreas rectangulares, no tiene porque se contiguas.
GRAFICOS Los gráficos son representaciones gráficas de datos numéricos, mediante los cuales se facilita la interpretación y comparación de éstos. Los gráficos estarán vinculados a los datos que contiene
Más detallesFacultad de Ingeniería. Escuela de Eléctrica. Asignatura Análisis de Sistemas de Potencia I.
Tema: Procesamiento Matricial en Sistemas de Potencia interconectados. I. OBJETIVOS. Facultad de Ingeniería. Escuela de Eléctrica. Asignatura Análisis de Sistemas de Potencia I. Comprobar las ventajas
Más detallesUNIVERSIDAD SIMON BOLIVAR MA1116 abril-julio de 2009 Departamento de Matemáticas Puras y Aplicadas. Ejercicios sugeridos para :
IX / 9 UNIVERSIDAD SIMON BOLIVAR MA6 abril-julio de 9 Ejercicios sugeridos para : los temas de las clases del 3 de junio y de julio de 9. Temas : Autovalores y autovectores. Matrices similares; diagonalización.
Más detallesCONTENIDO. 1. Objetivo Alcance Documentos de referencia Definiciones... 2
1 de 15 CONTENIDO 1. Objetivo... 2 2. Alcance... 2 3. Documentos de referencia... 2 4. Definiciones... 2 5. Especificaciones generales sobre la Matriz de evaluación gestión de TI.... 3 6. Estructura general
Más detallesEjemplos de análisis sísmico modal espectral y temporal
Ejemplos de análisis sísmico modal espectral y temporal (Ref: Three-Dimensional Static and Dynamic Analysis of Structures:A physical approach with emphasis in earthquake Engineering. Edward. L. Wilson.
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 detallesTema 6: Diagonalización de matrices
Tema 6: Diagonalización de matrices La intención en este tema es, dada una matriz cuadrada, ver si existe otra matriz semejante a ella que sea diagonal. Recordemos del Tema 4 que dos matrices cuadradas
Más detallesPadrón de Trabajadores Capacitados. Sistema de Registro de la Capacitación Empresarial. Guía para efectuar la carga masiva de información
Padrón de Trabajadores Capacitados Sistema de Registro de la Capacitación Empresarial Guía para efectuar la carga masiva de información Dirección General de Capacitación Contenido: Introducción... 3 1.
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 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 detallesPodemos pues formular los dos problemas anteriores en términos de matrices.
Tema 5 Diagonalización 51 Introducción Valores y vectores propios 511 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial V de dimensión
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesMODELOS DE VARIABLES LATENTES : ANALISIS FACTORIAL. José Luis Vicente Villardón Departamento de Estadística Universidad de Salamanca
MODELOS DE VARIABLES LATENTES : ANALISIS FACTORIAL José Luis Vicente Villardón Departamento de Estadística Universidad de Salamanca MODELOS DE VARIABLES LATENTES INtTRODUCCION: EL PROBLEMA ESTADÍSTICO
Más detalles