Tema 3: Análisis multivariante para la agrupación. Objetivo: Encontrar los grupos naturales en los que se divide la población.
|
|
- Natalia Santos Páez
- hace 6 años
- Vistas:
Transcripción
1 Tema 3: Análisis multivariante para la agrupación Objetivo: Encontrar los grupos naturales en los que se divide la población.
2 Ejemplo canónico en Biologia: Taxonomía Rosa doméstica Reino: Plantae (Plantas) Grupo: Tracteophyta (planta vascular) Subgrupo: Pteropsida (planta de helechos y semillas) Clase: Dicotyledoneae Orden: Rosales Familia: Rosaceae (Cerezas, ciruelo, espino, rosas y relativos Género: Rosa Especia: Galliea (Rosa domestica) La clasificicación procede de lo mas nátural a lo mas particular Demografía, Medio ambiente (vulnerabilidad de los acuíferos)
3 La técnica de subdividir una población en distintos grupos se llama Cluster Analysis (Análisis de conglomerados) Malas noticias! El análisis de conglomerados es altamente empírico. Hay distintos métodos que pueden dar lugar a muy diferentes grupos. Además, como los grupos Son desconocidos a priori es difícil juzgar los resultados
4 Problema de clasificación Dada una matriz de datos X correspondiente a n individuos, el problema consiste en asignar los n individuos a k grupos siguiendo dos reglas Regla I: Cada elemento se asigna a un único grupo Regla II: Cada grupo es homogeneo internamente Cómo medimos la homogeneidad de un grupo? (similitudes) Regla III: Distintos grupos son heterogeneos (distancias)
5 Similitudes y distancias Nota: Para este problema se utiliza la noción de distancia Euclidea. La distancia de Mahalanobis nos añadiría mas información pero como no sabemos los grupos no conocemos las correspondientes matrices de varianzas covarianzas. Matriz de distancias
6 Nota II: Dependiendo del problema nos interesa trabajar con las variables estandarizadas o no (A veces interesa dar mas peso a las variables con magnitudes mas grandes). En un Problema real puede ser conveniente hacer ambas Nota III: No siempre lo mas conveniente es usar la distancia Euclidea (Distancia de Manhattan, Minkowski..) Nota IV: Si las variables toman valores en los que las unidades son ficticias (Variables cualitativas) nos interesa cambiar el concepto de distancia por El de
7 Similitudes Variables binarias (o dicotómicas) X 1 0 hombre 1 mujer X 2 0 fumador 1 No fumador X 3 0 sobrepeso 1 Sin sobrepeso
8 Similitudes Supongamos dos observaciones de p-variables binarias x [1,0,0,1,0,1] [1,0,1,0,0,1] i x j Definiciones a=número de veces que ambas observaciones tienen 1 b= Número de veces que la observación i tiene 1 y la j 0 c=número de veces que la observación j tiene 0 y la i 1 d=numero de veces que ambas tienen 0
9
10 Proporción de apariciones Proporción de coincidencias
11
12
13 Matriz de similitudes
14
15 Métodos de agrupación Métodos jerárquicos: Los grupos van creciendo de mas a menos homogéneos Métodos no jerárquicos: Se forman grupos homogéneos, pero no se establecen relaciones dentro de los grupos Jerarquicos Los que estudiaremos De Aglomeración; Parten de elementos individuales y (usando similitudes o distancias ) las van agregando a grupos De división ; Parten del total como un único grupo y lo van dividiendo sucesivamente hasta llegar a los elementos individuales
16 Descripción del metodo jerárquico de aglomeración Punto de Partida: La matriz de similitudes o matriz de distancias.
17 La matriz de similitudes N=5 1- Comenzamos con n clusters con un solo elemento 2- Buscamos en la matriz de similitudes (distancias) el par con mayor similitud (menor distancia) e.g U V A (Agrostis tenuis) y F(Festuca Rubra) 3- Unimos los cluster es U y V formando uno nuevo UV. Y actualizamos la Matriz ahora con N-1 clusteres. 4- Repetimos los pasos 2 y 3 hasta quedarnos con un único cluster
18 ????
19 Se comparan Los mas cerca nos Se comparan Los Mas lejanos Se comparan Los centroides Distintos métodos dan lugar a distintos clusteres!
20 Park Grass con Encadenamiento simple o vecino mas próximo = AF y D son los mas cercanos!
21 Calculamos la nueva matriz de similitudes Solo nos quedan 3 clusteres, AFD, B y C AFD y B son los mas cercanos!
22 Calculamos la nueva matriz de similitudes
23 Representanciones del algoritmo jerárquico I: Historial de Conglomeración Parte Importante
24 II: Dendograma
25 Ejemplos tipos de maiz en venezuela
26 Variables demográficas
27 Otros métodos Vecino mas lejano Paso I: empezamos con la misma matriz que nos da el mismo cluster AF
28 Paso II: Ahora el cálculo de la distancia entre clusters es diferente! Paso III: y asi seguimos --
29 Resultado
30 Método de centroides (distancias) La respuesta es diferente!
31 Problema: Como decidir cuantos grupos significativos hay? Respuesta: Anova, A. Discriminante SENTIDO COMÚN (INFORMACIÓN EXTERNA), SCDG Respuesta: Se corta el dendograma en un lugar sensato de manera que los Clusteres seleccionados tengan alguna significación.
32
33 Ejemplos tipos de maiz en venezuela
34 Métodos no jerarquicos (K-medias) Paso I: Decidimos cuantos grupos queremos (K) (despues veremos un criterio) Paso II: Asignamos aleatoriamente n/k elementos a cada grupo. Tenemos K grupos 1 K i Paso III: Hallamos el centro de cada grupo. Obtenemos K centros x i
35 Paso IV: Para cada elemento x_i hallamos su distancia (Euclidea) a cada x k y le reasignamos al grupo que la minimiza. Obtenemos K nuevos grupos posiblemente distintos K 2 i Paso V=Paso III: Repetimos el proceso obteniendo nuevo grupo 3 K i Paso V=Paso III: Repetimos el proceso hasta llegar a una etapa j tal que K j K j 1 i i
36 Criterio de homogeneidad : Suma del cuadrado de la distancia entre los Grupos (SCDG) Mide la homogeneidad entre los grupos (los grupos finales minimizan SCDG). Metodo jerarquico de Ward. Criterio para decidir cuantos grupos Es un viejo conocido disfrazado
37 Cuántos grupos? F>10 F<10 K+1 grupos seran mas homogeneos No interesa hacer grupos mas pequeños
38 Tortugas I
39 Tortugas II
40 Cocodrilos Qué clusters tienen interpretación?
INTRODUCCION AL ANALISIS DE CLUSTER
-1- INTRODUCCION AL ANALISIS DE CLUSTER José Luis Vicente Villardón Departamento de Estadística Universidad de Salamanca -- DEFINICION E INTRODUCCION El Análisis de Clusters (o Análisis de conglomerados)
Más detallesTema 2: Análisis Discriminante
Tema 2: Análisis Discriminante P 1 P 2 Problema de clasificación: Ténemos observaciones que corresponden a 2 grupos P_1, P_2. Si nos dan uno nuevo x_0 a que grupo pertenece? Guión 1. Motivación 2. Clasificación
Más detallesMáster en Ordenación y Gestión del Desarrollo Territorial y Local. Módulo I MÉTODO Y TÉCNICAS ESTADÍSTICAS PARA EL DESARROLLO TERRITORIAL Y LOCAL
ANÁLISIS CLUSTERS C U R S O TÉCNICAS MULTIVARIANTES Prof. Dr. Ángel Luís LUCENDO MONEDERO 1 http://www.geografia.us.es/ Tema 2. INTRODUCCIÓN N AL ANÁLISIS CLUSTER 2.1 Consideraciones generales. Clasificación
Más detallesANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS)
ANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS) AGRUPAMIENTOS Cuál agrupamiento es mejor? MÉTODOS DE AGRUPACIÓN Métodos jerárquicos: Los objetos se agrupan (dividen) i por partes hasta clasificar todos los
Más detallesCurso de Postgrado en Herramientas Estadísticas Avanzadas: AGROPECUARIOS. Prof. Dr. José Perea Dpto. Producción Animal
Curso de Postgrado en Herramientas Estadísticas Avanzadas: ANÁLISIS MULTIVARIANTE PARA INVESTIGACIÓN EN SISTEMAS AGROPECUARIOS ANÁLISIS CLUSTER Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE
Más detallesCapítulo 4. Medidas de Proximidad. Proximidades Similaridades: s(a, B) Similitudes: s(a, B) 4.1. VARIABLES CUANTITATIVAS
Capítulo 4 Medidas de Proximidad X 1,..., X p variables A = (a 1,..., a p ) valores de X 1,..., X p para el individuo A B = (b 1,..., b p ) valores de X 1,..., X p para el individuo B { Disimilaridades:
Más detallesANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA
ANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA ANALISIS DE CLUSTER EN SPSS Opción: Analizar Clasificar ANALISIS DE CLUSTER EN SPSS Tres posibles OPCIONES 1.- Cluster en dos etapas 2.- K-means 3.- Jerárquicos
Más detallesCLASIFICACIÓN PROBLEMA SOLUCIÓN
Capítulo 7 Análisis Cluster CLASIFICACIÓN Asignar objetos en su lugar correspondiente dentro de un conjunto de categorías establecidas o no. PROBLEMA Dado un conjunto de m objetos (animales, plantas, minerales...),
Más detallesPráctica 3. Para comenzar esta práctica abrimos el programa SPSS.
Análisis de Datos Licenciatura en Biología Curso oo9/o0 Práctica 3 El fichero de datos necesario para realizar esta práctica, turtlefmxls, se encuentra en la página web http//wwwuames/danielfaraco La ruta
Más detallesAnálisis Cluster. Metodología de las CC del Comp-Universitat de València. Abril Pedro Valero
Análisis Cluster Pedro Valero Mora-valerop@uv.es Metodología de las CC del Comp-Universitat de València Abril 2011 Pedro Valero Mora-valerop@uv.es Metodología de las CC del Comp-Universitat de València
Más detallesClasificación Clasific NO SUPERV SUPER ISAD IS A AD AGRUPAMIENTO
Clasificación NO SUPERVISADA AGRUPAMIENTO Clasificación No Supervisada Se trata de construir clasificadores sin información a priori, o sea, a partir de conjuntos de patrones no etiquetados Objetivo: Descubrir
Más detallesAnálisis de Conglomerados
Análisis de Conglomerados Resumen El procedimiento Análisis de Conglomerados esta diseñado para agrupar observaciones o variables en conglomerados basados en similaridades entre ellos. Los renglones de
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 detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: ANÁLISIS DEL RIESGO ACTUARIAL Y FINANCIERO
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: ESTADÍSTICA ACTUARIAL III: ANÁLISIS MULTIVARIANTE DE DATOS Código: 603377 Materia: ESTADÍSTICA ACTUARIAL Módulo: ANÁLISIS DEL
Más detallesAnálisis de Conglomerados
Análisis de Datos Avanzados Análisis de Conglomerados Joaquín Aldás Manzano Universitat de València * joaquin.aldas@uv.es Descripción Definición Cuando tenemos un conjunto de variables que caracterizan
Más detallesAnálisis Cluster en SPSS
Análisis Cluster en SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas 1. Hair, J.F., Anderson, R.E., Tatham, R.L. y Black,
Más detallesAnálisis de Conglomerados
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis de Conglomerados (Cluster analysis) Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Antecedente histórico Las
Más detallesRESUMEN ANÁLISIS CLUSTER
RESUMEN ANÁLISIS CLUSTER 1. Introducción 2. Los datos 2.1. Transformación de los datos 3. Medidas de distancias 4. Métodos: aspectos generales 5. El método jerárquico aglomerativo 5.1 Algoritmos más usados
Más detallesTécnicas de clusterización
PFC Ingeniería Industrial 09/2014 Tutor: Jesús Muñuzuri Sanz Alumno: Juan de Dios Lara Albín Técnicas de Clusterización PFC ÍNDICE Pag. 1 Clasificar.... 2 2 El análisis clúster.. 5 3 Clúster por individuos
Más detallesAnálisis Multivariante de Datos en Psicología. Ana María López Curso
Análisis Multivariante de Datos en Psicología Ana María López Curso 2006-2007 2007 Análisis Multivariante de Datos en Psicología Créditos teóricos: 2.5 Créditos prácticos: 2 PROGRAMA DE CONTENIDOS TEÓRICOS
Más detallesClasificación. Aurea Grané. Análisis Discriminante
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis discriminante Análisis Discriminante y Clasificación Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Supongamos
Más detalles5. Análisis de cúmulos
5. Análisis de cúmulos OBJETIVO: Dividir a los individuos de una base de datos en grupos, llamados cúmulos (clusters), de tal manera que los individuos de un mismo cúmulo tengan características semejantes
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 detallesIntroducción alas técnicas de muestreo
Introducción alas técnicas de muestreo 1. Introducción. 2. Análisis de poblaciones por muestreo. 3. Sesgos del muestreo. 4. Muestreo aleatorio simple. 5. Muestreo sistemático. 6. Muestreo estratificado.
Más detallesClasificación Jerárquica Ascendente Presentación #1. [ U n a i n t r o d u c c i ó n ]
Clasificación Jerárquica Ascendente Presentación #1 [ U n a i n t r o d u c c i ó n ] Clasificación Jerárquica Clasificación Automática La clasificación automática tiene por objetivo reconocer grupos de
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 detallesClustering. Departamento de Ingeniería Informática y de Sistemas Universidad de La Laguna
Clustering Christopher Expósito Izquierdo Airam Expósito Márquez Israel López Plata Belén Melián Batista J. Marcos Moreno Vega {cexposit, aexposim, ilopezpl, mbmelian, jmmoreno}@ull.edu.es Departamento
Más detallesSistemas Inteligentes. Tema B2T4: Aprendizaje no supervisado: algoritmo k-medias.
Sistemas Inteligentes Escuela Técnica Superior de Informática Universitat Politècnica de València Tema B2T4: Aprendizaje no supervisado: algoritmo k-medias. Índice 1 Introducción 1 2 Agrupamientos particionales
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detallesGrafos. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Grafos 1 / 30
Grafos AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Grafos / 0 Objetivos Al finalizar este tema tendréis que: Conocer la terminología básica de la teoría de grafos. Pasar
Más detallesMedidas de tendencia central
Medidas de tendencia central Medidas de tendencia central Medidas de Posición: son aquellos valores numéricos que nos permiten o bien dar alguna medida de tendencia central, dividiendo el recorrido de
Más detallesCapítulo 21. Análisis de conglomerados (I): El procedimiento Conglomerados de K medias. Introducción
Capítulo 21 Análisis de conglomerados (I): El procedimiento Conglomerados de K medias Introducción El análisis de conglomerados (en inglés, cluster analisys) es una técnica multivariante que permite agrupar
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 detallesCONTRASTES DE HIPÓTESES
CONTRASTES DE IPÓTESES 1. Contraste de hipótesis 2. Contrastes de tipo paramétrico 2.1 Contraste T para una muestra 2.2 Contraste T para dos muestras independientes 2.3 Análisis de la varianza 3. Contrastes
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 detallesClasificación Jerárquica Ascendente Presentación #1. [ U n a i n t r o d u c c i ó n ]
Clasificación Jerárquica Ascendente Presentación #1 [ U n a i n t r o d u c c i ó n ] Clasificación Jerárquica Clasificación Automática La clasificación automática tiene por objetivo reconocer grupos de
Más detalles1. Introducción. 2. Los métodos proporcionales
1. Introducción Una asignación consiste en repartir una cierta cantidad de objetos entre un determinado número de conjuntos. Las asignaciones que nos interesan son aquellas en que los objetos no se pueden
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesIntroducción a la Teoría de Números
Introducción a la Teoría de Números Elaborado por: Jeff Maynard Guillén Eliminatoria II Julio, 2011 Introducción a la Teoría de Números A manera de repaso vamos a recordar algunos conjuntos N = {1, 2,
Más detallesANÁLISIS DE CONGLOMERADOS
ANÁLISIS DE CONGLOMERADOS Análisis de conglomerados Autor: Manuel Terrádez Gurrea (mterradez@uoc.edu). ESQUEMA DE CONTENIDOS Análisis de conglomerados (cluster) Interpretación de dendogramas INTRODUCCIÓN
Más detallesCAPÍTULO IV MEDIDAS DE TENDENCIA CENTRAL Y DE POSICION
Notas de clase: Rénember Niño C. CAPÍTULO IV MEDIDAS DE TENDENCIA CENTRAL Y DE POSICION 4.1 MEDIDAS DE TENDENCIA CENTRAL Hemos analizado como a partir de tablas y gráficos puede presentarse la información
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 detallesTEMA 8: ESTADÍSTICA DESCRIPTIVA.
I.E.S. Salvador Serrano de Alcaudete Departamento de Matemáticas º ESO 0 / TEMA 8: ESTADÍSTICA DESCRIPTIVA. 8. Introducción. La palabra ESTADÍSTICA procede del vocablo Estado, pues era función principal
Más detallesECUACIÓN GENERAL DE LA CIRCUNFERENCIA
ECUACIÓN GENERAL DE LA CIRCUNFERENCIA CONVERSIÓN DE FORMA ORDINARIA A FORMA GENERAL. La ecuación ordinaria de la circunferencia con centro en el origen y radio r, tiene la forma: Para representar esta
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
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 detallesAnálisis de los Municipios Turísticos de Andalucía
Análisis de los Municipios Turísticos de Andalucía UNIVERSIDAD DE MÁLAGA DPTO. ECONOMÍA APLICADA-POLÍTICA ECONÓMICA Febrero, 2004 EQUIPO DE TRABAJO: Pedro Raya Mellado. Profesor Titular de Economía Aplicada.
Más detallesÍndice La División Entera El Máximo Común Divisor Algoritmo de Euclides Ecuaciones Diofánticas Factorización. Aritmética I.
Leandro Marín Septiembre 2010 Índice La División Entera El Máximo Común Divisor Algoritmo de Euclides Ecuaciones Diofánticas Factorización Los Números Enteros Llamaremos números enteros al conjunto infinito
Más detallesN 11. Documentos FCE - CID. Documento Escuela de Administración y Contaduría Pública. Nelcy Rocío Escobar Moreno
Documentos FCE - CID Documento Escuela de Administración y Contaduría Pública N 11 ISSN 2011-6306 Mayo 2012 Análisis de conglomerados para la segmentación de mercados Cluster Analysis for Market Segmentation
Más detallesC/ Fernando Poo 5 Madrid (Metro Delicias o Embajadores).
UNIVERSIDAD REY JUAN CARLOS, MADRID PRUEBA DE ACCESO PARA MAYORES DE 25 AÑOS MATEMÁTICAS II AÑO 2014 OPCIÓN A Ejercicio 1 a) (1 punto) Determinar el valor del parámetro para que los puntos A(1,2,0), B(5,-4,0)
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 detallesDefinición de grupos: clasificación. Capítulos 10 y 11 de McCune y Grace 2002
Definición de grupos: clasificación Capítulos 10 y 11 de McCune y Grace 2002 Clasificar Proceso natural humano para interpretar el mundo Pero estamos acostumbrados a sólo observar pocas dimensiones Más
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 5 Representación gráfica de distancias ji-cuadrado Primera
Más detallesRepaso de integración
TABLA DE INTEGRALES INMEDIATAS Repaso de integración. Tabla de integrales inmediatas n d = n+ + C, si n n + f() n f () d = f()n+ n + + C, si n d = ln + C f() f () d = ln f() + C e d = e + C e f() f ()
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 detallesEspacios vectoriales.
Unidad docente de Matemáticas Matemáticas (CC. Químicas) Espacios vectoriales. Si detectas cualquier error o errata por favor, comunicaselo al profesor de la asignatura. El subíndice can significa canónica/o..
Más detallesEJERCICIOS. 7.3 Valor de un polinomio para x = a. Por lo tanto: para determinar expresiones
or lo tanto: para determinar epresiones a que sean divisores de un polinomio con coeficientes enteros, se deben asignar valores al número a que dividan al término independiente. Apliquemos este resultado
Más detallesAsimetría Coeficiente de Asimetría de Fisher
Asimetría Si los valores de la serie de datos presenta la misma forma a izquierda y derecha de un valor central (media aritmética) se dice que es simétrica de lo contrario será asimétrica. Para medir el
Más detallesDETERMINANTES. 2. Resuelve el siguiente determinante aplicando la regla de Sarrus:
DETERMINNTES. Calcula el determinante de la siguiente matriz: 3 4 3 0..(3.0 2.0).0 0 0 3 4 0 0 3 Hemos sumado a la segunda fila la primera cambiada de signo. continuación hemos sumado a la tercera fila
Más detallesManejo del entorno windows y nociones básicas de estadística.
ANÁLISIS ESTADÍSTICO CON EL SPSS Profesor: J. Manuel Tejero González. METODOLOGÍA. Prensencial, en el aula de informática, utilizando un ordenador por alumno (Programa SPSS Versión 11.0, paquete básico,
Más 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 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 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 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 detallesPROGRAMA DE LA ASIGNATURA. Curso académico
PROGRAMA DE LA ASIGNATURA Curso académico 2010-2011 IDENTIFICACIÓN Y CARACTERÍSTICAS DE LA ASIGNATURA Código Créditos ECTS 6 Denominación ESTADÍSTICA APLICADA Titulación/es Máster Universitario en Marketing
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación
Más detalles6. Aportación y propuesta para al estudio de noticias en prensa con técnicas estadísticas multivariantes: Análisis cluster
6. Aportación y propuesta para al estudio de noticias en prensa con técnicas estadísticas multivariantes: Análisis cluster En este estudio sobre discapacidad queremos realizar una propuesta de aplicación
Más detallesMétodos estadísticos de clasificación
Métodos estadísticos de clasificación Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: bioestadistica alceingenieria.net Artículo en formato PDF Diciembre 2002 www.seh lelha.org/stat1.htm El problema
Más detallesAnova unifactorial Grados de Biología y Biología sanitaria
Anova unifactorial Grados de Biología y Biología sanitaria M. Marvá e-mail: marcos.marva@uah.es Unidad docente de Matemáticas, Universidad de Alcalá 29 de noviembre de 2015 El problema Analizaremos la
Más detallesESTRATEGIAS DE COMPORTAMIENTO Y VALORACIÓN DE LA FORMACIÓN DE LOS ESTUDIANTES: UN ANÁLISIS APLICADO 1
Estrategias de comportamiento y valoración de la formación de los estudiantes: un análisis aplicado ESTRATEGIAS DE COMPORTAMIENTO Y VALORACIÓN DE LA FORMACIÓN DE LOS ESTUDIANTES: UN ANÁLISIS APLICADO 1
Más detallesTema 11. Clustering. X 1... X i... X n O 1 x x 1 i... x 1 n... O j x j 1... x j i... x j n... O N x N 1... x N i... x N n
Tema 11. Clustering Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea 1 Introducción
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesEspacios vectoriales. Ortogonalizacioón de Gram Schmidt
Espacios_Vectoriales.nb Espacios vectoriales. Ortogonalizacioón de Gram Schmidt Práctica de Álgebra Lineal, E.U.A.T., Curso 00 00 En esta práctica se explica cómo resolver con Mathematica algunos problemas
Más detallesAnálisis Multivariante son Stata
Análisis Multivariante con Stata Diploma Avanzado en Metodología de Investigación en Ciencias de la Salud EVES. Valencia, Oct 2013 fgarcia@cipf.es Indice 1 Introducción 2 3 4 Análisis Multivariante Análisis
Más detallesGuía Docente EMPRESARIALES
Guía Docente ASIGNATURA ESTUDIOS DE MERCADO EN MARKETING II CURSO 4º SEMESTRE 1º GRADO EN MARKETING Y GESTIÓN COMERCIAL MODALIDAD: PRESENCIAL CURSO 2015-16 FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES
Más detalles1. Realice la prueba de homogeneidad de variancias e interprete los resultados.
1ª PRÁCTICA DE ORDENADOR (FEEDBACK) Un investigador pretende evaluar la eficacia de dos programas para mejorar las habilidades lectoras en escolares de sexto curso. Para ello asigna aleatoriamente seis
Más detallesExperimentos factoriales con factores aleatorios
Experimentos factoriales con factores aleatorios Hasta el momento hemos presumido que los factores en nuestros experimentos eran de naturaleza fija; esto es los niveles en que los factores fueron evaluados
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
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 Teoría
Más detallesObjetivo: Universo de estudio:
Resumen de la metodología y resultados de la clasificación de hospitales públicos españoles mediante el uso del análisis cluster realizado por el Departamento de Métodos Cuantitativos en Economía y Gestión
Más detallesEjemplos de análisis cluster
Ejemplos de análisis cluster Objetivos: 1. Una aproximación a la terminología del análisis cluster o de conglomerados 2. Uso de las funciones oportunas de R para realizar el análisis 3. Interpretación
Más detallesEsquema (1) Análisis de la Varianza y de la Covarianza. ANOVA y ANCOVA. ANOVA y ANCOVA 1. Análisis de la Varianza de 1 Factor
Esquema (1) Análisis de la arianza y de la Covarianza ANOA y ANCOA 1. (Muestras independientes). () 3. Análisis de la arianza de Factores 4. Análisis de la Covarianza 5. Análisis con más de Factores J.F.
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica Óptica y Electrónica ariel@inaoep.mx Contenido Introducción Enfoques Problemas Selección de Variables Clasificación
Más detallesFACTORIZACIÓN DE POLINOMIOS en Q (racionales)
FACTORIZACIÓN DE OLINOMIOS en Q racionales FAQ Qué es factorizar un polinomio? Es expresarlo como un producto por eso lo de "factorizar" de otros polinomios de grado igual o menor a él ara qué factorizar
Más detallesTema: Validación de Cuestionarios con SPSS
Tema: Validación de Cuestionarios con SPSS 1.- Análisis de fiabilidad 1.1.- Introducción El análisis de fiabilidad permite estudiar las propiedades de las escalas de medición y de los elementos que las
Más detallesFUNDACIÓN UNIVERSITARIA LOS LIBERTADORES DEPARTAMENTO DE CIENCIAS BÁSICAS ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
UNA SEGMENTACIÓN DE CLIENTES QUE ADQUIRIERON CRÉDITOS DE LIBRE INVERSIÓN EN UNA ENTIDAD FINANCIERA COLOMBIANA I SEMESTRE 2015 OSCAR TUMBIA JAIRO MARTINEZ OMAR BELTRAN FUNDACIÓN UNIVERSITARIA LOS LIBERTADORES
Más detallesTécnicas de análisis multivariante para agrupación
TEMA 2: TÉCNICAS DE ANÁLISIS MULTIVARIANTE PARA AGRUPACIÓN Métodos cluster Técnicas de segmentación Clasificación no supervisada Ana Justel 1 Técnicas de análisis multivariante para agrupación Motivación
Más detallesLas demás fracciones se expresaban como suma de unitarias, por ejemplo
Concepto de Fracción Definición: Las fracciones son porciones de la unidad.es decir, la unidad se divide en partes y se toman algunas de ellas. Anécdota histórica Los egipcios, como los babilonios, también
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
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 detallesPREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2
PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos
Más detallesLlamamos ángulo a la región comprendida entre dos semirrectas que tienen el mismo origen.
LOS ÁNGULOS Llamamos ángulo a la región comprendida entre dos semirrectas que tienen el mismo origen. Ángulo p r Semirrecta o Semirrecta Vértice Para nombrar un ángulo, generalmente, se utilizan las letras
Más detallesPrimero se inicializan dos puntos (tantos como clusters queremos) al azar. Estos puntos se denominan centroides del cluster.
K-Means Introducción El algoritmo k-means es el algoritmo de clustering más popular y ampliamente utilizado. Algoritmo Supongamos que queremos agrupar los siguientes datos en dos clusters Primero se inicializan
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesIntroducción Climatología y variabilidad climática (espacial y temporal). Datos climáticos. Revisión sobre el concepto de probabilidad.
Nombre de la Asignatura: Análisis Estadístico de Datos Climáticos Créditos: 10 Docentes responsables: Ciencias) Álvaro Díaz (F. Ingeniería) y Mario Bidegain (F. Objetivo de la asignatura: Desarrollar en
Más detallesRuth Vilà, María-José Rubio, Vanesa Berlanga, Mercedes Torrado. Cómo aplicar un cluster jerárquico en SPSS.
Universitat de Barcelona. Institut de Ciències de l Educació Cómo aplicar un cluster jerárquico en SPSS Ruth Vilà-Baños, María-José Rubio-Hurtado, Vanesa Berlanga-Silvente, Mercedes Torrado-
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 8 Simetría entre el análisis de filas y el de columnas Primera
Más detallesEl Cluster Analysis* su aplicación en el estudio de la validez de un instrumento psicodiagnóstico
REVISTA CUBANA DE PSICOLOGÍA Vol. IV, No. 3, 1987 El Cluster Analysis* su aplicación en el estudio de la validez de un instrumento psicodiagnóstico Martha Vázquez Villazón y María Eugenia de Bernard Cerezo
Más detalles