Análisis de Correspondencias Simple
|
|
- Silvia Plaza Márquez
- hace 6 años
- Vistas:
Transcripción
1 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 Variables categóricas: I {1, 2,, n}, J {1, 2,, p} Distribución conjunta: (I, J ) 1 2 p Total 1 π 11 π 12 π 1p π 1+ 2 π 21 π 22 π 2p π 2+ n π n1 π n2 π np π n+ Total π +1 π +2 π +p 1 Distribuciones condicionadas: J I 1 2 p Total 1 π 11 /π 1+ π 12 /π 1+ π 1p /π π 21 /π 2+ π 22 /π 2+ π 2p /π 2+ 1 n π n1 /π n+ π n2 /π n+ π np /π n+ 1 Total π +1 π +2 π +p 1
2 2 I J 1 2 p Total 1 π 11 /π +1 π 12 /π +2 π 1p /π +p π 1+ 2 π 21 /π +1 π 22 /π +2 π 2p /π +p π 2+ n π n1 /π +1 π n2 /π +2 π np /π +p π n+ Total Tabla de contingencia: Se toma una muestra aleatoria simple de m individuos y se apuntan sus valores de las variables I y J La tabla de contingencia se obtiene contando el número de individuos en cada combinación de categorías de I y de J (I, J ) 1 2 p Total 1 k 11 k 12 k 1p k 1+ 2 k 21 k 22 k 2p k 2+ n k n1 k n2 k np k n+ Total k +1 k +2 k +p k ++ = m k ij : Número de individuos con I = i y J = j
3 Tabla de frecuencias relativas: Representa la distribución conjunta muestral de las variables I y J, y las distribuciones marginales donde (I, J ) 1 2 p Total 1 f 11 f 12 f 1p f 1+ 2 f 21 f 22 f 2p f 2+ n f n1 f n2 f np f n+ Total f +1 f +2 f +p 1 f ij = k ij k ++, f i+ = k i+ k ++, f +j = k +j k ++ Ejemplo 41 Se dispone de datos sobre el consumo de cuatro marcas en tres segmentos de consumidores En la tabla siguiente tenemos el número de individuos que compran habitualmente la marca i y que pertenecen al segmento j Se desea estudiar qué relaciones hay entre las variables Marca y Segmento Tabla de contingencia: Segmento Marca Total A B C D Total
4 4 Tabla de frecuencias relativas: Total A B C D Total Tabla de perfiles fila: Representa las distribuciones muestrales de la variable J condicionadas a cada categoría de la variable I; es decir, las distribuciones de J I = i, i = 1,, n J I 1 2 p Total 1 f 11 /f 1+ f 12 /f 1+ f 1p /f f 21 /f 2+ f 22 /f 2+ f 2p /f 2+ 1 n f n1 /f n+ f n2 /f n+ f np /f n+ 1 f +1 f +2 f +p 1 Esta tabla se puede obtener a partir de la tabla de frecuencias relativas o de la tabla de contingencia inicial: f ij f i+ = k ij k ++ k i+ k ++ = k ij k i+
5 Tabla de perfiles columna: Representa las distribuciones muestrales de la variable I condicionadas a cada categoría de la variable J ; es decir, las distribuciones de I J = j, j = 1,, p I J 1 2 p Total 1 f 11 /f +1 f 12 /f +2 f 1p /f +p f 1+ 2 f 21 /f +1 f 22 /f +2 f 2p /f +p f 2+ n f n1 /f +1 f n2 /f +2 f np /f +p f n Ejemplo 42 Para la tabla de contingencia dada en el Ejemplo 41, contestar a las preguntas: De entre los individuos del Segmento 1, qué proporción compran la Marca A? De entre los individuos que compran la Marca A, qué proporción están en el Segmento 1? Para contestar necesitamos obtener las tablas de perfiles fila y de perfiles columna Tabla de perfiles fila: Total A B C D Total
6 6 Tabla de perfiles columna: Total A B C D Total TEST X 2 DE INDEPENDENCIA Supongamos que deseamos contrastar H 0 : I y J son independientes H 1 : I y J son dependientes Ejemplo 43 La variable I=Marca {A,B,C,D} es independiente de J =Segmento {1,2,3}, si: la proporción de personas que compra la marca A es la misma dentro de los tres segmentos Idem para las marcas B, C y D Es decir, debe ocurrir En general, la variable I es independiente de J si la proporción de individuos que pertenecen a una categoría i de I es la misma dentro de cualquier categoría j de J, es decir, si
7 En forma más resumida, I es independiente de J si π ij π +j = π i+, i {1, 2,, n}, j {1, 2,, p}, o lo que es lo mismo, π ij = π i+ π +j, i {1, 2,, n}, {1, 2,, p} Estadístico X 2 : El estadístico X 2 mide las distancias entre las frecuencias observadas f ij y las que deberíamos observar si las variables I y J fuesen independientes, f i+ f +j, X 2 = k ++ n i=1 p j=1 (f ij f i+ f +j ) 2 f i+ f +j En términos de las frecuencias absolutas, el estadístico X 2 es ( n p k ij k ) 2 i+k +j X 2 k ++ = k i+ k +j i=1 j=1 k ++ Teorema 41 (Distribución del estadístico X 2 de independencia) Si I y J son independientes, entonces X 2 X 2 (n 1)(p 1) 7 Por el Teorema anterior, podemos tomar un valor extremo de la distribución; es decir, un valor X(n 1)(p 1),α 2 que deja a su derecha una probabilidad α pequeña, y se rechaza la hipótesis de independencia al nivel de significación α si el valor obtenido del estadístico supera este valor X 2 > X 2 (n 1)(p 1),α p-valor = P ( Y > X 2) < α, donde Y es una variable aleatoria con distribución X 2 (n 1)(p 1) Normalmente se toma α = 0,05
8 Ejemplo 44 Considera la tabla de contingencia del Ejemplo 41 Contrastamos la hipótesis H 0 frente a H 1 : X 2 = H 0 : Marca y Segmento son independientes H 1 : Marca y Segmento son dependientes 8 Sea Y X El p-valor se puede calcular, por ejemplo, mediante Excel: p-valor = P (Y > 362,413) = 3, < 0,05 Se rechaza la hipótesis nula de independencia Esto significa que: - bien, existen al menos dos segmentos en los que las proporciones de consumidores de las marcas es diferente; - bien, existen al menos dos marcas en las que la proporción de individuos en los segmentos es diferente
9 9 43 NUBES DE PUNTOS FILA Y COLUMNA Puntos fila: Las filas de la tabla de perfiles fila son n puntos con p coordenadas, y los llamaremos puntos fila: ( ) R i = (r i1, r i2,, r ip ) =,,,, i = 1,, n Cada punto fila va a tener asociado un peso (llamado también ponderación), dado por su frecuencia relativa marginal Nube de puntos fila: La nube de puntos fila es el conjunto de puntos fila asociados a sus correspondientes pesos, es decir, N(I) = {(R i, f i+ ), i = 1, 2,, n} Centro de gravedad de la nube de puntos fila: El baricentro o centro de gravedad de los puntos fila es una media ponderada de los n puntos: R = (r 1,, r p ), donde r j = n f i+ r ij, j = 1,, p i=1 El centro de gravedad coincide con la última fila de la tabla de perfiles fila, es decir R = (f +1,, f +p ) Efectivamente, n r j = i=1 f i+ f ij f i+ = n f ij = f +j, j = 1, 2,, p i=1
10 Puntos columna: Cada perfil columna es un punto con n coordenadas y se denomina punto columna, ( ) C j = (c 1j, c 2j,, c nj ) =,,,, j = 1, 2,, p Nube de puntos columna: La nube de puntos columna es el conjunto de puntos columna con sus respectivos pesos, N(J ) = {(C j, f +j ), j = 1, 2,, p} Centro de gravedad de la nube de puntos columna: El baricentro o centro de gravedad de la nube de puntos columna es una media ponderada de los p puntos columna: donde c i = C = (c 1,, c n ), p f +j c ij, i = 1, 2,, n j=1 El centro de gravedad coincide con la última columna de la tabla de perfiles columna, es decir, C = (f 1+,, f n+ ) 10 Efectivamente, p c i = j=1 f +j f ij f +j = p f ij = f i+, i = 1, 2,, n j=1 44 INERCIA DE LAS NUBES DE PUNTOS Distancia X 2 entre dos puntos fila R i y R i : p 1 d X (R i, R i ) = (r ij r i f j) 2 = +j j=1
11 11 Distancia X 2 entre dos puntos columna C j y C j : d X (C j, C j ) = n i=1 1 f i+ (c ij c ij ) 2 = Ejemplo 45 Para la tabla de contingencia del Ejemplo 41, calcular la distancia X 2 entre los puntos fila R 1 y R 2, y entre los puntos columna C 1 y C 2 Distancia X 2 entre R 1 y R 2 : d X (R 1, R 2 ) = Distancia X 2 entre C 1 y C 2 : d X (C 1, C 2 ) = Inercia de un punto fila: La inercia del punto fila R i es el producto de su peso por la distancia X 2 de dicho punto al centro de gravedad, I(R i ) = f i+ d X (R i, R) Inercia de un punto columna: La inercia del punto columna C j es I(C j ) = f +j d X (C j, C) Ejemplo 46 Para la tabla de contingencia del Ejemplo 41, obtener las inercias de cada punto fila
12 12 Distancias al centro de gravedad: Inercias de los puntos fila: Inercia de la nube de puntos fila: La inercia de la nube de puntos fila N(I) es la suma de las inercias de los puntos fila, I [N(I)] = n I(R i ) = i=1 n f i+ d X (R i, R) = i=1 La inercia de los puntos fila es una medida de la variabilidad de los puntos fila Inercia de la nube de puntos columna: p p I [N(J )] = I(C j ) = f +j d X (C j, C) j=1 j=1
13 13 Proposición 41 Se verifica Prueba: I [N(I)] = I [N(J )] = X 2 k ++ La inercia total de la nube de puntos fila coincide con la inercia de la nube de puntos columna La cantidad de inercia o variabilidad de la nube de puntos fila (o de puntos columna) mide con el grado de dependencia entre las variables I y J Ejemplo 47 Calcular la inercia total de la nube de puntos fila para la tabla de contingencia del Ejemplo 41 Comprobar que coincide con X 2 /k ++ I[N(I)] = Por otro lado, X 2 k ++ =
14 14 45 ANÁLISIS DE LA NUBE DE PUNTOS FILA Se desea representar los puntos fila en un espacio de menor dimensión, con ejes ortogonales, y de manera que los puntos proyectados en los nuevos ejes tengan la máxima inercia (o máxima X 2, es decir, máxima dependencia entre las variables I y J ) Como podemos observar, el problema es similar al Análisis de Componentes Principales, reemplazando la varianza por la inercia de los puntos fila Sin embargo, en el Análisis de Componentes Principales la distancia natural entre puntos es la distancia euclídea, mientras que aquí es la distancia X TRANSFORMACIONES DE LA NUBE DE PUNTOS Nube de puntos transformada: La siguiente transformación de la nube de puntos fila permitirá utilizar la distancia euclídea al cuadrado d 2 e en lugar de la distancia d X donde N (I) = {(R i, f i+ ), i = 1, 2,, n}, ( ) ( Ri = (ri1,, rip) =,, =,, ) El centro de gravedad de N (I) es ( R = f+1,, ) f +p Ejemplo 48 Para la tabla de contingencia del Ejemplo 41, obtener la nube de puntos transformada, representando sus puntos fila en una tabla
15 A B C D Total Proposición 42 La distancia euclídea al cuadrado entre los puntos fila transformados R i e R i es igual a la distancia X 2 entre los puntos fila sin transformar R i y R i Prueba: Por tanto, la inercia de la nube de puntos fila se puede escribir utilizando la distancia euclídea al cuadrado, de la forma n ( I[N(I)] = f i+ d 2 e Ri, R ) i=1 Ejemplo 49 Para la tabla de contingencia dada en el Ejemplo 41, calcular la distancia euclídea al cuadrado entre los puntos fila transformados R 1 y R 2 Compara el resultado con el obtenido en el Ejemplo 45
16 Nube de puntos fila centrada: Se realiza una nueva transformación de la nube de puntos fila, restándoles su centro de gravedad, N (I) = {(X i, f i+ ), i = 1, 2,, n}, 16 donde los puntos son X i = R i R ; es decir, ( X i = (x i1,, x ip ) =,, ), i = 1,, p El centro de gravedad es ahora X = (0,, 0) = O La inercia total, en función de los puntos fila centrados, es: n I[N(I)] = f i+ d 2 e(x i, O) i=1 Llamaremos X a la matrix cuyas filas son los puntos fila centrados X 1,, X n Ejemplo 410 Para la tabla de contingencia del Ejemplo 41, obtener la matriz X = (x ij ) de puntos fila centrados 0,336 0,336 0,671 0,304 0,608 0,304 X = 0,412 0,206 0,206 0,628 0,126 0, DETERMINACIÓN DE LOS EJES PRINCIPALES La nube de puntos fila centrados consta de n puntos, X 1 = (x 11,, x 1p ) X n = (x n1,, x np )
17 Los puntos tienen p coordenadas, pero en realidad están en un espacio de dimensión p 1 Buscamos otros r < p 1 ejes en los que representar los puntos Sea a α = (a 1α,, a pα ) el vector director de un nuevo eje La coordenada de un punto X i en el eje determinado por a α es: g iα = x ia α = Inercia de un eje α: Es la suma de las inercias de los puntos proyectados en el eje α, n n I α = f i+ (g iα ) 2 = f i+ (x ia α ) 2 i=1 Matriz de inercia: Consideremos la matriz de puntos fila centrados X = (x ij ), y la matriz diagonal con los pesos de los puntos fila, D I = diag{f 1+,, f n+ } La matriz de inercia de los puntos fila es T = X D I X i=1 El elemento (j, k) de esta matriz es n t jk = f i+ x ij x ik i=1 La matriz de inercia T es análoga a una matriz de varianzascovarianzas de X, ponderando las filas de X por sus correspondientes pesos Ejemplo 411 Obtener la matriz de inercia T para la tabla de contingencia del Ejemplo 41 0,168 0,048 0,226 T = 0,048 0,155 0,022 0,226 0,022 0,226 17
18 La inercia del eje α se puede escribir en función de la matriz de inercia T de la forma I α = a αta α 18 Primer eje principal de correspondencias: El primer eje principal es el eje con máxima inercia; es decir, el eje con vector director a 1 que es solución del problema: Max I 1 = a 1Ta 1 sa a 1a 1 = 1 (41) Solución: La inercia máxima I 1 es el mayor valor propio λ 1 de la matriz de inercia T, y la dirección del primer eje principal a 1 es el vector propio unitario asociado a λ 1 Eje principal α-ésimo de correspondencias: Es el eje ortogonal a los ejes 1, 2,, α 1, con máxima inercia; es decir, es el eje cuyo vector director a α es solución del problema Max I α = a αta α sa a αa α = 1 a αa j = 0, j = 1,, α 1 Solución: Si λ α es el α-ésimo mayor valor propio de T, con vector propio a α, entonces el eje principal α-ésimo es la recta con vector director a α, y λ α es la inercia de dicho eje principal, es decir, la inercia máxima es I α = λ α
19 Coordenadas de los puntos fila en los ejes principales: Los vectores directores de los ejes principales son a 1 = (a 11,, a p1 ) a r = (a 1r,, a pr ) Llamamos x i al vector que va desde el origen hasta el punto X i Las coordenadas de X i en los ejes determinados por a 1,, a r son: g i1 = =, g ir = = Las coordenadas del punto fila X i = (x i1,, x ip ) en el nuevo sistema de coordenadas formado por los ejes principales son X i G i = (g i1,, g ir ), Coordenadas de los n puntos fila en los ejes principales: X 1 G 1 = (g 11,, g 1r ) X n G n = (g n1,, g nr ) Observemos que el centro de gravedad de las nuevas coordenadas G i, i = 1, 2,, n es G = (0,, 0) = O Ejemplo 412 Los valores y vectores propios de la matriz T obtenida en el Ejemplo 411 son λ 1 = 03405, a 1 = (04682, 03452, 08134) λ 2 = 02086, a 2 = ( 06689, 07399, 00710) λ 3 = 0, a 3 = (05773, 05773, 05773) 19
20 20 Hay r = 2 ejes principales, con vectores directores a 1 y a 2, Las inercias de dichos ejes son I 1 = e I 2 = Las coordenadas del punto fila Marca A en los ejes principales son G 1 = (g 11, g 12 ), donde g 11 = g 12 = Para el punto fila Marca B son G 2 = (g 21, g 22 ), donde g 21 = g 22 = Las coordenadas de Marca C son G 3 = (g 31, g 32 ), donde g 31 = g 32 = Por último, las coordenadas de Marca D son G 4 = (F 41, F 42 ), siendo g 41 = g 42 = Proposición 43 El vector R = ( f+1,, f +p ) es un vector propio de T asociado al valor propio 0 Esta proposición implica que hay como máximo p 1 ejes principales 46 ANÁLISIS DE LA NUBE DE PUNTOS COLUM- NA Nube de puntos columna: N(J ) = {(C j, f +j ), j = 1, 2,, p},
21 21 donde C j = (c 1j, c 2j,, c nj ) = (,,, ), j = 1, 2,, p Distancia X 2 entre dos puntos columna: d X (C j, C j ) = Nube de puntos columna transformada: La nube de puntos columna transformada va a permitir utilizar la distancia euclídea N (J ) = {(C j, f +j ), j = 1, 2,, p}, donde C j = (c 1j,, c nj) = Centro de gravedad de N (J ): ( C = f1+,, ) f n+ Nube de puntos centrada: donde N (J ) = {(Y j, f +j ), j = 1, 2,, p}, Y j = (y 1j,, y nj ) = Puntos columna centrados: Y 1 = (y 11,, y n1 ) Y p = (y 1p,, y np )
22 La coordenada de un punto Y j en el eje con vector director b β es h jβ = Inercia del eje β: I β = 22 Matriz de inercia de los puntos columna: Consideremos la matriz de puntos columna Y = (y ij ), y la matriz diagonal con los pesos de los puntos columna, D J = diag{f +1,, f +p } La matriz de inercia de los puntos columna es la matriz S = YD J Y El elemento (i, j) de esta matriz es p s ij = f +k y ik y jk Se verifica que k=1 I β = b β S b β Eje principal de la nube de puntos columna: Es el eje que maximiza la inercia de los puntos columna Se encuentra entonces resolviendo el problema Max I 1 = b 1 S b 1 sa b 1b 1 = 1 La inercia máxima es el mayor valor propio de la matriz S, llamémoslo λ 1, y b 1 es el vector propio unitario asociado a λ 1 Eje principal β-ésimo de la nube de puntos columna: Es el eje ortogonal a los ejes principales 1, 2,, β 1 con inercia máxima El eje principal β-ésimo es la recta cuyo vector director es b β, el vector propio asociado al β-ésimo mayor valor propio λ β de S
23 Además, λ β es la inercia del eje principal β-ésimo Coordenadas de los puntos columna en los ejes principales: Los vectores directores de los ejes principales son b 1,, b r Coordenadas de los p puntos columna en los r ejes principales: 23 Y 1 H 1 = (h 11,, h 1r ), Y p H p = (h p1,, h pr ), h 1β = y 1b β h pβ = y pb β Proposición 44 El vector C = ( f1+,, f p+ ) es un vector propio de S asociado al valor propio 0 Por tanto, hay como máximo n 1 ejes principales para la nube de puntos columna Proposición 45 Las matrices T y S tienen los mismos valores propios no nulos Para cada valor propio λ α positivo, tenemos asociado un vector propio a α de T, y un vector propio b α de S Tendremos r = mín{n 1, p 1} ejes principales Proposición 46 (Fórmulas de transición) Para cada uno de los ejes principales α, se verifica h jα = 1 n c ij g iα, g iα = 1 p r ij h jα λα λα i=1 j=1
24 Ejemplo 413 Para los datos del Ejemplo 41, obtener las coordenadas de los puntos columna en sus ejes principales Las coordenadas del primer punto columna, H 1 = (h 11, h 12 ), se obtienen como una media ponderada de las coordenas de los puntos fila, donde las ponderaciones son los elementos del primer perfil columna h 11 =, h 12 = Las coordenadas del segundo punto columna son H 2 = (h 21, h 22 ), donde h 21 =, h 22 = Por último, las coordenadas del tercer punto fila son H 3 = (h 31, h 32 ), donde h 31 =, h 32 = 47 INTERPRETACIÓN DE LOS RESULTADOS 471 SELECCIÓN DEL NÚMERO DE EJES PRINCIPALES Los criterios de selección del número de ejes principales son: Proporción de inercia explicada 75 %: Como la inercia del eje α es λ α, la inercia total es r I[N(I)] = λ α α=1 Por tanto, la proporción de inercia explicada por el eje α es λ α r α=1 λ α 24
25 La proporción de inercia explicada por los r 1 primeros ejes será r1 α=1 λ α r α=1 λ α Inercia superior a la inercia media Gráfico de sedimentación 472 CONTRIBUCIÓN ABSOLUTA Y RELATIVA La inercia de un eje α es la suma de las inercias de los puntos fila proyectados en dicho eje, λ α = o de los puntos columna proyectados en dicho eje, λ α = Contribución absoluta de un punto fila a un eje: La contribución absoluta del punto fila i-ésimo a la inercia del eje α es ca α (G i ) = f i+g 2 iα λ α La contribución absoluta del punto columna j-ésimo al eje α es ca α (H j ) = f +jh 2 jα λ α Las contribuciones absolutas miden la cantidad de inercia que aporta una categoría (un punto fila o columna) a la inercia de un eje Las categorías con contribuciones absolutas más altas son las protagonistas en la construcción del eje, y nos van a servir para interpretar el sentido de los ejes principales 25
26 Ejemplo 414 Calcular las contribuciones absolutas de los puntos fila y de los puntos columna a la inercia de los ejes principales obtenidos para el Ejemplo 41 Coordenadas Contrib absol Punto fila Peso Dim 1 Dim 2 Dim 1 Dim 2 A B C D Coordenadas Contrib absol Punto columna Peso Dim 1 Dim 2 Dim 1 Dim Ahora vamos a definir unas medidas de la cantidad de inercia que aporta un eje a un punto La inercia del punto fila G i en el nuevo sistema de coordenadas es r I(G i ) = f i+ d 2 e(g i, O), d 2 e(g i, O) = giα 2 Contribución relativa de un eje a la inercia de un punto: La contribución relativa del eje α a la inercia del punto fila G i es cr α (G i ) = g 2 iα d 2 e(g i, O) De la misma forma, la contribución relativa del eje α a la inercia del punto columna H j es cr α (H j ) = h 2 jα d 2 e(h j, O) α=1 26
27 Las contribuciones relativas nos indican si los puntos están bien representados en los nuevos ejes Ejemplo 415 Calcular las contribuciones relativas de los puntos fila para los datos del Ejemplo 41 Contrib rel Punto fila Dim 1 Dim 2 Total A B C D Un punto se considera aceptablemente representado por los nuevos ejes si la suma de las contribuciones relativas de los ejes seleccionados a la inercia de este punto es al menos 06, es decir, si r cr α (G i ) 0,6 α=1 Si existe algún punto fila o columna que no esté bien representado, entonces no se pueden extraer conclusiones sobre sus relaciones con el resto de puntos Un punto fila G i se considera representado por el eje α si cr α (G i ) 0,2 Se podrán extraer conclusiones acerca de dicho punto en relación al eje α sólo cuando su contribución relativa supere esta cantidad 27
28 REPRESENTACIONES GRÁFICAS Nube de puntos fila respecto a sus ejes principales Nube de puntos columna respecto a sus ejes principales Representación simultánea de puntos fila y columna en un espacio conjunto
El 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 detallesTema 4: Estructura vectorial de R n.
TEORÍA DE ÁLGEBRA I: Tema 4. DIPLOMATURA DE ESTADÍSTICA 1 Tema 4: Estructura vectorial de R n. 1 Definiciones y propiedades Definición. 1.1 Denotaremos por R n al conjunto de todas las n-tuplas de números
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 detalles6 Vectores. Dependencia e independencia lineal.
6 Vectores. Dependencia e independencia lineal. Introducción Hay fenómenos reales que se pueden representar adecuadamente mediante un número con su adecuada unidad de medida. Sin embargo para representar
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 detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesAnálisis de Correspondencias
Análisis de Correspondencias Introducción El análisis de correspondencias es una técnica descriptiva para representar tablas de contingencia. Los datos de partida para el análisis de correspondencias es
Más detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
Más detallesMatrices. Álgebra de matrices.
Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,
Más detalles2 Contraste de independencia
2 Contraste de independencia 2 Independencia entre variables cualitativas Consideremos dos variables cualitativas X e Y con I y J modalidades cada una respectivamente, y sea N IJ la tabla de contingencia
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 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 detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detallesLa práctica del análisis de correspondencias
La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del apéndice D Glosario de términos Primera edición: julio 2008 ISBN: 978-84-96515-71-0
Más detallesDistribuciones Bidimensionales.
Distribuciones Bidimensionales. 1.- Variables Estadísticas Bidimensionales. Las variables estadísticas bidimensionales se representan por el par (X, Y) donde, X es una variable unidimensional, e Y es otra
Más detallesMATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detalles3. Matrices. 1 Definiciones básicas. 2 Operaciones con matrices. 2.2 Producto de una matriz por un escalar. 2.1 Suma de matrices.
Tema I Capítulo 3 Matrices Álgebra Departamento de Métodos Matemáticos y de Representación UDC 3 Matrices 1 Definiciones básicas Definición 11 Una matriz A de dimensión m n es un conjunto de escalares
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 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 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 detallesEstos apuntes se han sacado de la página de internet de vitutor con pequeñas modificaciones.
TEMA 1: MATRICES Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones ordenados en filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesProducto Escalar. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31
Producto Escalar AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31 Objetivos Al finalizar este tema tendrás que: Saber usar el producto escalar. Calcular
Más detallesTema 8. Análisis de Correspondencias
Tema 8 Análisis de Correspondencias Análisis de Correspondencias 1963 Universidad de Renner (Francia), Benzecri Se trata de una técnica de interdependencia en la que no se distingue entre variables dependientes
Más detallesTema 3: Espacios vectoriales
Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación
Más detalles2 Espacios vectoriales
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 2 Espacios vectoriales 2.1 Espacio vectorial Un espacio vectorial sobre un cuerpo K (en general R o C) es un conjunto V sobre el que hay
Más detallesMATRICES Y SISTEMAS DE ECUACIONES
MATRICES Y SISTEMAS DE ECUACIONES Definición Una matriz real de orden m n es una tabla ordenada de m n números reales a 11 a 12 a 1n a A = 21 a 22 a 2n a m1 a m2 a mn en la cual las líneas horizontales
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 detallesMatrices, determinantes y sistemas de ecuaciones lineales
Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente
Más detallesÁlgebra Lineal. Tema 6. Transformaciones lineales y matrices
Álgebra Lineal Tema 6. Transformaciones lineales y matrices Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S.
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesTema 3: Espacios eucĺıdeos
Marisa Serrano, Zulima Fernández Universidad de Oviedo 25 de noviembre de 2009 email: mlserrano@uniovi.es Índice 1 2 3.1 V, R espacio vectorial, la aplicación : V V R ( v, u) v u a) v 1, v 2, u V α, β
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
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 detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
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 detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
CONCEPTO MATRICES Se llama matriz de orden (dimensión) m n a un conjunto de m n elementos dispuestos en m filas y n columnas Se representa por A = a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn j=1,2,,n
Más detallesVECTORES : Las Cantidades Vectoriales cantidades escalares
VECTORES En física hay dos tipos de cantidades: Las Cantidades Vectoriales son aquellas que tiene tanto magnitud como dirección y sentido sobre la dirección), mientras que las cantidades escalares son
Más detallesContenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices
elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas
Más detallesLas variedades lineales en un K-espacio vectorial V pueden definirse como sigue a partir de los subespacios de V.
Capítulo 9 Variedades lineales Al considerar los subespacios de R 2, vimos que éstos son el conjunto {(0, 0)}, el espacio R 2 y las rectas que pasan por el origen. Ahora, en algunos contextos, por ejemplo
Más detallesFACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES CRIVISQ
PRESENTACIÓN DEL MÉTODO DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES EDU DUARDO CRIVISQ RIVISQUI PRESENTACIÓN DE LOS MÉTODOS DE ANÁLISIS FACTORIAL DE CORRESPONDENCIAS SIMPLES Y MÚLTIPLES
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 detallesCLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA
1 CLASES DE ESTADÍSTICA II CLASE ) ESPERANZA ABSOLUTA. ESPERANZA CONDICIONAL. ESPERANZA ABSOLUTA El cálculo de valores esperados o esperanzas a nivel de dos variables aleatorias es una generalización matemática
Más detallesMatrices y determinantes. Sistemas de ecuaciones lineales
Tema 0 Matrices y determinantes Sistemas de ecuaciones lineales 01 Introducción Definición 011 Se llama matriz a un conjunto ordenado de números, dispuestos en filas y columnas, formando un rectángulo
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 detallesEl Análisis de Correspondencias tiene dos objetivos básicos:
Tema 8 Análisis de correspondencias El Análisis de Correspondencias es una técnica de reducción de dimensión y elaboración de mapas percentuales. Los mapas percentuales se basan en la asociación entre
Más detalles3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE
3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE ECUACIONES LINEALES Y MATRICES COMPLEMENTOS PARA LA FORMACIÓN DISCIPLINAR EN MATEMÁTICAS Curso 2011-2012 3.1.1. Resolución de sistemas de ecuaciones lineales. Método
Más detallesTEMA 8. GEOMETRÍA ANALÍTICA.
TEMA 8. GEOMETRÍA ANALÍTICA. 8..- El plano. Definimos el plano euclideo como el conjunto de puntos ( x, y) R. Así, cada punto del plano posee dos coordenadas. Para representar puntos del plano utilizaremos
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 detallesEspacios vectoriales reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detalles4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
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 7. Matrices y determinantes.
TEMA 7 Matrices y determinantes. 1. Matrices. Generalidades Definición 1 Sea E un conjunto cualquiera, m, n IN. Definimos matriz de orden m n sobre E a una expresión de la forma: a 11 a 12... a 1n a 21
Más detalles2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo.
2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo. 2.1 Formas cuadráticas. Expresión matricial y analítica. Expresiones diagonales. Definición 2.1 (Expresión matricial) Una
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 detalles7 Aplicaciones ortogonales
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 7 Aplicaciones ortogonales 7.1 Aplicación ortogonal Se llama aplicación ortogonal a un endomorfismo f : V V sobre un espacio vectorial
Más detallesIndependencia Lineal y Generación. (c) 2012 Leandro Marin
09.00 Independencia Lineal y Generación 3 48700 9000 (c) 0 Leandro Marin . Independencia Lineal Dada una familia de vectores v, v,, v k de un espacio vectorial V, llamaremos combinación lineal de estos
Más detallesSubspacios Vectoriales
Subspacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Subspacios Vectoriales 1 / 25 Objetivos Al finalizar este tema tendrás que: Saber si un subconjunto es
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesDefinición (matriz): Definición (dimensión de una matriz): Si una matriz tiene m renglones y n columnas se dice que es de dimensión m n.
Índice general 1. Álgebra de Matrices 1 1.1. Conceptos Fundamentales............................ 1 1.1.1. Vectores y Matrices........................... 1 1.1.2. Transpuesta................................
Más detallesCONJUNTO R n. = (5, 2, 10) de 3, son linealmente. = (2,1,3) y v 3. = (0,1, 1) y u 3. = (2,0,3, 1), u 3. = (1,1, 0,m), v 2
CONJUNTO R n.- Considerar los vectores u = (, -3, ) y v = (, -, ) de 3 : a) Escribir, si es posible, los vectores (, 7, -4) y (, -5, 4) como combinación lineal de u y v. b) Para qué valores de x es el
Más detallesÁlgebra lineal y matricial
Capítulo Álgebra lineal y matricial.. Vectores y álgebra lineal Unconjuntodennúmerosreales(a,,a n )sepuederepresentar: como un punto en el espacio n-dimensional; como un vector con punto inicial el origen
Más detallesCapítulo 2. Determinantes Introducción. Definiciones
Capítulo 2 Determinantes 2.1. Introducción. Definiciones Si nos centramos en la resolución de un sistema A x = b con A una matriz n n, podemos calcular A 1 y la resolución es inmendiata. El problema es
Más detallesTest χ 2 de Bondad de Ajuste y Test de Independencia
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Test χ 2 de Bondad de Ajuste y Test de Independencia Resumen Esta auxiliar está dedicada al test de ajuste de distribuciones,
Más detallesEJERCICIOS DE SELECTIVIDAD DE GEOMETRIA
EJERCICIOS DE SELECTIVIDAD DE GEOMETRIA 2003 (4) Ejercicio 1. Considera los vectores u = (1,1,1), v = (2,2,a) y w = (2,0,0), (a) [1'25 puntos] Halla los valores de a para que los vectores u, v y w sean
Más detallesDeterminantes Introducción a los determinantes. Recordemos la definición del determinante de una matriz A de 2 2 ( fórmula.
Capítulo 5 Determinantes 5.1. Introducción a los determinantes Recordemos la definición del determinante de una matriz A de 2 2 ( fórmula 2.4 ) [ ] a b det = ad bc c d La proposición 2.16 implica que el
Más detalles1. Matrices. Operaciones con matrices
REPASO MUY BÁSICO DE MATRICES. Matrices. Operaciones con matrices.. Introducción Las matrices aparecieron por primera vez hacia el año 850, introducidas por el inglés J. J. Sylvester. Su desarrollo se
Más detallesTema 2: Determinantes
Tema 2: Determinantes 1. Introducción En este tema vamos a asignar a cada matriz cuadrada de orden n, A M n un número real que llamaremos su determinante y escribiremos A. Vamos a ver cómo se calcula.
Más detallesMatrices. Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones ordenados en filas y columnas.
Matrices Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones ordenados en filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
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 detallesTema 4: Determinantes
Tema 4: Determinantes Curso 2016/2017 Ruzica Jevtic Universidad San Pablo CEU Madrid Índice de contenidos Introducción Propiedades de los determinantes Regla de Cramer Inversión de matrices Áreas y volúmenes
Más detallesAnálisis de Tablas Múltiples
Análisis de Tablas Múltiples Análisis Canónico Método Statis Análisis de Factorial Múltiple Diagrama del Analisis Canónico p q X Y n n V x R n : 0 θ Vy Situación del Análisis Canónico Situación: se tiene
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesTEMA 7: MATRICES. OPERACIONES.
TEMA 7: MATRICES. OPERACIONES. 1. MATRICES. TIPOS DE MATRICES. Se llama matriz de orden m x n (m filas y n columnas) a un conjunto de m n elementos, distribuidos en m filas y n columnas y encerrados entre
Más detallesConcepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
Matrices Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina
Más detallesTEMA 1: MATRICES Y DETERMINANTES
TEMA 1: MATRICES Y DETERMINANTES 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales de la forma a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Las líneas horizontales (verticales)
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 detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesEL ESPACIO AFÍN. se distinguen, además de su origen A y su extremo B, las siguientes
VECTOR FIJO Y VECTOR LIBRE. Sea E el espacio ordinario. EL ESPACIO AFÍN Llamaremos vector fijo a cualquier segmento orientado dado por dos puntos A y B del espacio E. Al punto A lo llamamos origen del
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Más detallesTema 2: Estadística Descriptiva Bivariante.
Estadística 24 Tema 2: Estadística Descriptiva Bivariante. Se va a estudiar la situación en la que los datos representan observaciones, correspondientes a dos variables o caracteres, efectuadas en los
Más detallesPrograma de Acceso Inclusivo, Equidad y Permanencia. PAIEP, Universidad de Santiago
Guía de vectores. Vectores En matemática, un vector es una herramienta geométrica utilizada para representar una magnitud física definida en un sistema de referencia que se caracteriza por tener módulo
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 detallesSe denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
TEMA 1.- MATRICES 1.-Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la
Más detallesA.M. Urbano, R. Cantó, B. Ricarte Institut de Matemàtica Multidisciplinar, Universitat Politècnica de València, E Valencia
Factorización de Cholesky de matrices singulares A.M. Urbano, R. Cantó, B. Ricarte Institut de Matemàtica Multidisciplinar, Universitat Politècnica de València, E-460 Valencia amurbano@mat.upv.es,rcanto@mat.upv.es,bearibe@mat.upv.es,
Más detallesMatrices y Sistemas de Ecuaciones lineales
Matrices y Sistemas de Ecuaciones lineales Llamaremos M m n (K) al conjunto de las matrices A = (a ij ) (i = 1, 2,..., m; j = 1, 2,..., n) donde los elementos a ij pertenecen a un cuerpo K. Las matrices,
Más detallesRango de una matriz. Objetivos. Definir el rango de renglones y el rango de columnas de una matriz. Mostrar que estos rangos coinciden.
Rango de una matriz Objetivos. Definir el rango de renglones y el rango de columnas de una matriz. Mostrar que estos rangos coinciden. Requisitos. Rango de una lista de vectores, operaciones elementales
Más detallesDeterminantes. = a 11a 22 a 12 a 21 = ( 3) ( 5) ( 4) 7 = 15 ( 28) = = 43
Determinante de una matriz cuadrada Toda matriz cuadrada A lleva asociado un número, llamado determinante de A, y que denotaremos mediante el símbolo. Este número, entre otras cosas, permite saber cuándo
Más detallesMatrices. En este capítulo: matrices, determinantes. matriz inversa
Matrices En este capítulo: matrices, determinantes matriz inversa 1 1.1 Matrices De manera informal una matriz es un rectángulo de números dentro de unos paréntesis. A = a 1,1 a 1,2 a 1,3 a 2,1 a 2,2 a
Más detallesUnidad 5: Geometría analítica del plano.
Geometría analítica del plano 1 Unidad 5: Geometría analítica del plano. 1.- Vectores. Operaciones con vectores. Un vector fijo es un segmento entre dos puntos, A y B del plano, al que se le da una orientación
Más detallesMatriz asociada a una transformación lineal respecto a un par de bases
Matriz asociada a una transformación lineal respecto a un par de bases Ejercicios Objetivos Comprender cómo se describe una transformación lineal (que actúa en espacios vectoriales de dimensiones finitas)
Más detallesESPACIOS VECTORIALES
ESPACIOS VECTORIALES Luisa Martín Horcajo U.P.M. Definición: Vector libre. Operaciones Un vector fijo es una segmento orientado, que queda caracterizado por su origen A y su extremo B y se representa por
Más detallesSe llama adjunto de un elemento de una matriz A, al número resultante de multiplicar por el determinante de la matriz complementaria
T.3: MATRICES Y DETERMINANTES 3.1 Determinantes de segundo orden Se llama determinante de a: 3.2 Determinantes de tercer orden Se llama determinante de a: Ejercicio 1: Halla los determinantes de las siguientes
Más detallesDiagonalización de matrices
Capítulo 6 Diagonalización de matrices 6.. Introducción 6... Un ejemplo preliminar Antes de plantearlo de manera general, estudiaremos un ejemplo que servirá para situar el problema. Supongamos que, en
Más detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detallesPROBLEMAS RESUELTOS del espacio vectorial curso
PROBLEMAS RESUELTOS del espacio vectorial curso - - Consideremos el conjunto R formado por todas las parejas () de números reales Se define en R la operación interna ()( )( ) una de las operaciones eternas
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 detallesPRUEBA CHI-CUADRADO. Para realizar un contraste Chi-cuadrado la secuencia es:
PRUEBA CHI-CUADRADO Esta prueba puede utilizarse incluso con datos medibles en una escala nominal. La hipótesis nula de la prueba Chi-cuadrado postula una distribución de probabilidad totalmente especificada
Más detalles