MODELADO CALIBRACIÓN MULTIVARIADA
|
|
- Asunción Maldonado Caballero
- hace 5 años
- Vistas:
Transcripción
1 MODELADO CALIBRACIÓN MULTIVARIADA
2 Calibración multivariada aproximaciones multivariadas para crear una curva de calibración: regresión clásica u ordinaria (classical/ordinary least squares, CLS) regresión de componentes principales (principal component regression, PCR) regresión de cuadrados mínimos parciales (partial least squares regression, PLS) optimizan el ajuste de los datos de manera diferente método de evaluación y resultados similares
3 Regresión por componentes principales (PCR) objetivo: reducir el número de variables predictoras usando los primeros componentes principales en lugar de las variables originales el método funciona bien si hay un alto grado de correlación entre variables predictoras, lo cual suele ocurrir en casos de calibración inversa
4 Regresión por componentes principales (PCR) emplea una calibración inversa no correlaciona las concentraciones directamente con las respuestas instrumentales correlaciona las concentraciones con la matriz de puntuaciones (scores) scores o variables latentes: deben condensar de un modo eficiente la información espectral completa (las variables manifiestas) en una matriz de tamaño adecuado
5 aspecto fundamental: estimación del número de PC (por scree plot, PRESS, variación explicada) si se emplean menos PC que los necesarios se obtiene una situación poco deseable llamada subajuste de los datos demasiados PC no aportan información relevante sino esencialmente ruido: sobreajuste en general, no es aconsejable utilizar un número de PC superior a la mitad del número de mezclas de calibración
6 Ejemplo regresión PCR C 1 C 2 C 3 A 1 A 2 A 3 A 4 A 5 A 6 A 0,89 0,02 0,01 18,7 26,8 42,1 56,6 70,0 83,2 B 0,46 0,09 0,24 31,3 33,4 45,7 49,3 53,8 55,3 C 0,45 0,16 0,23 30,0 35,1 48,3 53,5 59,2 57,7 D 0,56 0,09 0,09 20,0 25,7 39,3 46,6 56,5 57,8 E 0,41 0,02 0,28 31,5 34,8 46,5 46,7 48,5 51,1 F 0,44 0,17 0,14 22,0 28,0 38,5 46,7 54,1 53,6 G 0,34 0,23 0,20 25,7 31,4 41,1 50,6 53,5 49,3 H 0,74 0,11 0,01 18,7 26,8 37,8 50,6 65,0 72,3 I 0,75 0,01 0,15 27,3 34,6 47,8 55,9 67,9 75,2 J 0,48 0,15 0,06 18,3 22,8 32,8 43,4 49,6 51,1
7 Empleando Minitab debe realizarse primero un PCA para los datos de la tabla anterior Principal Component Analysis: A 1.A 2.A 3.A 4.A 5.A 6 Eigenanalysis of the Covariance Matrix Eigenvalue 210,01 73,86 4,62 0,93 0,79 0,28 Proportion 0,723 0,254 0,016 0,003 0,003 0,001 Cumulative 0,723 0,977 0,993 0,996 0,999 1,000
8 Empleando Minitab Principal Component Analysis: A 1.A 2.A 3.A 4.A 5.A 6 Variable PC1 PC2 PC3 A 1-0,124-0,592-0,253 A 2-0,017-0,513 0,048 A 3 0,066-0,571-0,102 A 4 0,244-0,239 0,575 A 5 0,510-0,042 0,545 A 6 0,813 0,043-0,544 los primeros PCs explican más del 99 % de la variación en las absorbancias se pueden seleccionar solo estas dos absorbancias (sin sentido cuando son tan pocas variables predictoras)
9 Empleando Minitab obtener las puntuaciones (scores) de los PC seleccionados, en este caso 3, pero se pueden calcular más Muestra Z 1 Z 2 Z 3 A 117,126-61, ,7148 B 82,975-73, ,6156 C 89,007-76, ,8135 D 86,833-58, ,3197 E 76,229-74, ,4500 F 81,880-60, ,0386 G 78,686-66, ,2530 H 103,970-58, ,9048 I 108,561-74, ,1318 J 76,919-51, ,3175
10 Empleando Minitab obtener la ecuación de regresión Regression Analysis: c 1 versus z 1. z 2. z 3 The regression equation is c 1 = 0, ,0119 z 1 + 0,00419 z 2-0,0171 z 3 Predictor Coef SE Coef T P Constant 0, , ,04 0,337 z 1 0, , ,05 0,000 z 2 0, , ,14 0,000 z 3-0, , ,27 0,000 S = 0, R-Sq = 99,5% R-Sq(adj) = 99,3% PRESS = 0, R-Sq(pred) = 98,96%
11 PCR: PRESS = 0, CLS: PRESS = 0, Empleando Minitab en este caso PRESS PCR < PRESS CLS cuál modelo es mejor?
12 Empleando Minitab para obtener una expresión en función de la concentración reemplazar z en términos de A empleando las puntuaciones (loadings) z 1 z 2 z 3-0, , , , , , , , , , , , , , , , , ,543617
13 Empleando Minitab para obtener una expresión en función de la concentración reemplazar z en términos de A empleando las puntuaciones (loadings) z 1 = - 0,124A 1-0,017A 2 + 0,066A 3 + 0,244A 4 +0,510A 5 +0,813A 6 c 1 = 0, ,00037 A 1 0,00317 A 2 + 0,00014 A 3 0,00792 A 4 0,00343 A 5 + 0,0190 A 6 repetir para las otras concentraciones
14 Empleando Minitab para obtener la concentración de una muestra incógnita: A 1 32,6 A 2 29,8 A 3 37,9 A 4 48,5 A 5 60,3 A 6 63,9 c 1 = 0,61 repetir para las otras concentraciones
15 Empleando Matlab 1. Estudio óptimo de factores presentes en la matriz de calibrado: Método: validación cruzada empleando rutina: pcr_cv.m 2. Calibración del modelo PCR empleando rutina: pcr_cal.m 3. Predicción de muestras incógnita > rutina pcr-pred.m
16 Empleando Matlab 1- Validación cruzada: usar la rutina pcr_cv.m % COMO EJECUTAR LA RUTINA 'pcr_cv.m' % *************************************************** % 1) Guardar los datos en archivos ASCII: % Los datos de señal se guardan en un archivo con I columnas (I es el numero de muestras de calibrado) % y J filas (J es el numero de longitudes de onda), o sea, una columna para cada espectro. % Los datos de concentracion se guardan en un archivo con una columna e I filas. % 2) Ejecutar 'pcr_cv.m'. % 3) Introudcir el numero maximo de factores a probar. % 4) Introducir los nombres de los archivos ASCII entre comillas simples. Ejemplo: 'resp_cal.txt'
17 Empleando Matlab 1- Validación cruzada: usar la rutina pcr_cv.m
18 Empleando Matlab 1- Validación cruzada: usar la rutina pcr_cv.m
19 Empleando Matlab 1- Validación cruzada: usar la rutina pcr_cv.m
20 Empleando Matlab 2- Calibración: usar la rutina pcr_cal.m % *************************************************** % COMO EJECUTAR LA RUTINA 'pcr_cal.m' % *************************************************** % 1) Guardar los datos en archivos ASCII: % Los datos de señal se guardan en un archivo con I columnas (I es el numero de muestras de calibrado) % y J filas (J es el numero de longitudes de onda), o sea, una columna para cada espectro. % Los datos de concentracion se guardan en un archivo con una columna e I filas. % 2) Ejecutar 'pcr_cal.m'. % 3) Introducir el numero de factores para la calibracion. % 4) Introducir los nombres de los archivos ASCII entre comillas simples. Ejemplo: 'resp_cal.txt' se calibra un analito a la vez
21 Empleando Matlab 2- Calibración: usar la rutina pcr_cal.m Absorbancia Espectros de calibracion Longitud de onda / nm
22 Empleando Matlab 3- Predicción: usar la rutina pcr_pred.m COMO EJECUTAR LA RUTINA 'pcr_pred.m' % *************************************************** % 1) Guardar los datos en archivos ASCII: % Los datos de señal se guardan en un archivo con tantas columnas como muestras incognita % y J filas (J es el numero de longitudes de onda), o sea, una columna para cada muestra. % 2) Ejecutar 'pcr_pred.m'. % 4) Introducir el nombre del archivo ASCII entre comillas simples. Ejemplo: 'resp_test.txt'
23 Empleando Matlab 3- Predicción: usar la rutina pcr_pred.m PCR: c1= 0,61 (r. esp.= 5,35) CLS: c1 = 0,61 (r. esp.= 5,45)
24 Ventajas de la PCR PCR combina las ventajas de la regresión multivariada CLS es posible la calibración directa, que permite ignorar las concentraciones de compuestos químicos desconocidos durante el calibrado el uso de espectros abstractos (scores) elimina los problemas asociados con la colinealidad espectral
25 Ventajas de la PCR PCR combina las ventajas de la regresión multivariada CLS es posible la calibración directa, que permite ignorar las concentraciones de compuestos químicos desconocidos durante el calibrado el uso de espectros abstractos (scores) elimina los problemas asociados con la colinealidad espectral
26 Desventajas de la PCR interferencias no modeladas: si aparece en una muestra incógnita un compuesto no contenido en la calibración, el análisis no será exacto los modelos son capaces de detectar interferencias, aunque no de corregirla PCR sólo utiliza factores calculados en base a información espectral del calibrado únicamente, sin referencia a las concentraciones de calibrado
27 Regresión por cuadrados mínimos parciales (PLS) PLS (partial least-squares) emplea combinaciones lineales para predecir diferencia con PCR es la forma de elegir estas combinaciones: PCR: describen la máxima variación de las variables predictoras PLS: las variables que tienen mayor correlación con la respuesta tienen un peso extra por ser más efectivas para la predicción
28 Regresión por PLS PLS opera de manera similar a PCR weigth loading factors: contenidos en una matriz usualmente llamada W loadings: contenidos en una matriz llamada P las columnas de W son ortogonales, mientras que las de P no necesariamente lo son, a diferencia de PCR
29 Regresión por PLS las columnas de W no son autovectores propiamente dichos, sino factores obtenidos mediante una técnica diferente a la de PCR, cuyos elementos dependen de las concentraciones de calibración del analito de interés la obtención de estos factores se lleva a cabo mediante un algoritmo iterativo cíclico, muy similar a PCR diferencia fundamental: en PLS los factores describen la máxima correlación posible entre la matriz de datos y el vector de concentraciones del analito de interés
30 Regresión por PLS Formas de llevar a cabo PLS: PLS1: cada variable respuesta se trata separadamente (más común) PLS2: las variables respuesta se tratan colectivamente, se suele usar solamente cuando las variables respuesta están correlacionadas entre sí
31 Regresión por PLS empleando Minitab PLS Regression: c1 versus A 1, A 2, A 3, A 4, A 5, A 6 Number of components selected by cross-validation: 4 Number of observations left out per group: 1 Number of components cross-validated: 6 Analysis of Variance for c 1 Source DF SS MS F P Regression 4 0, , ,84 0,000 Residual Error 5 0, , Total 9 0,290560
32 Regresión por PLS Model Selection and Validation for c 1 Components X Variance Error SS R-Sq PRESS R-Sq (pred) 1 0, , , , , , , , , , , , , , , , , , , , , , , , , , , ,905498
33 Regresión por PLS c 1 c 1 standardized Constant 0, ,00000 A 1 0, ,11981 A 2-0, ,27695 A 3 0, ,10753 A 4-0, ,22261 A 5-0, ,01425 A 6 0, ,16114
34 Regresión por PLS
35 Regresión por PLS evaluación de los resultados: método leave-one-out usando validación cruzada el número de componentes necesario para modelar c 1 = 4 se elige a partir del valor de PRESS es menor para el modelo de 4 componentes (PRESS=0, ) la capacidad predictiva del modelo disminuye si se agregan más componentes
36 Regresión por PLS la ecuación de regresión es: c 1 = 0, ,0040 A 1 0,0112 A 2 +0,0038 A 3-0,0092 A 4 0,0003 A 5 + 0,0176 A 6 obtener ecuaciones para predecir c 2 y c 3 de manera similar
37 Comparación de resultados empleando Minitab ecuación de regresión para c 1 empleando los distintos métodos multivariados: CLS c 1 = 0, ,000252A 1 0,00939A 2 + 0,00375A 3 0,00920A 4 0,00106A 5 + 0,0179A 6 PCR c 1 = 0, ,00037A 1 0,00317A 2 + 0,00014A 3 0,00792 A 4 0,00343 A 5 + 0,0190 A 6 PLS c 1 = 0, ,0040A 1 0,0112A 2 +0,0038A 3-0,0092 A 4 0,0003 A 5 + 0,0176 A 6
38 Empleando Matlab 1. Estudio óptimo de factores presentes en la matriz de calibrado: Método: validación cruzada empleando rutina: pls_cv.m 2. Calibración del modelo PLS empleando rutina: pls_cal.m 3. Predicción de muestras incógnita > rutina pls_pred.m
39 Empleando Matlab PLS: PCR: CLS: c 1 = 0,61 (r. esp. = 5,36) c 1 = 0,61 (r. esp. = 5,35) c 1 = 0,61 (r. esp.= 5,45)
40 Ventajas de la regresión por PLS es el método de calibración multivariada más empleado cuando la información instrumental proveniente de cada muestra es de tipo vectorial incorpora información útil referida a concentraciones de calibrado durante la etapa de cálculo de las variables latentes
41 Desventajas de la regresión por PLS interfencias no modeladas: desventaja de los métodos multivariados métodos para calibración multivariada: se basan en el procesamiento de datos del tipo vectorial (espectros, voltamperogramas u otro tipo similar de datos instrumentales)
42 Tipos de calibraciones calibración de orden cero: calibración univariada se clasificaría como de orden cero calibración de primer orden: basada en vectores para cada muestra se llama calibración (un vector se considera, en lenguaje tensorial, como un tensor de primer orden)
43 Tipos de calibraciones calibración de segundo orden: empleando datos matriciales para cada muestras (EEM, obtenidas fácilmente en un espectrofluorómetro convencional), matrices de absorbancia-tiempo (obtenidas a través de una reacción química en un espectrofotómetro de arreglo de diodos), etc.
44 Ventajas de las calibraciones de orden superior ventaja de segundo orden: se pueden cuantificar analitos calibrados en presencia de interferencias no calibradas propiedad ausente en los datos de primer orden presenta inmensas posibilidades en el análisis de mezclas complejas, en particular las de origen biológico, alimentos métodos: PARAFAC,...
Quimiometría CALIBRACIÓN MULTIVARIADA
CALIBRACIÓN MULTIVARIADA Calibración multivariada un método multivariado implica que: existe una dependencia múltiple de la variable x (independiente) y múltiples variables y (dependiente) el número de
Más detallesMODELADO CALIBRACIÓN MULTIVARIADA
MODELADO CALIBRACIÓN MULTIVARIADA Calibración multivariada un método multivariado implica que: existe una dependencia múltiple de la variable x (independiente) y múltiples variables y (dependiente) el
Más detallesDavid R. González Barreto Universidad de Puerto Rico
Diccionario de Términos Multivariados David R. González Barreto Universidad de Puerto Rico Pagina 2 MVDA (Multivariate Data Analysis) Principal Component Analysis (PCA) Hotelling T 2 técnicas gráficas
Más detallesCalibración multivariante en análisis cuantitativo. El modelo directo
Calibración multivariante en análisis cuantitativo. El modelo directo Joan Ferré Grupo de Quimiometría y Cualimetría Universidad Rovira i Virgili C. Marcel lí Domingo s/n 43007-Tarragona En este artículo
Más detallesCalibración multivariante en análisis cuantitativo. El modelo inverso
Calibración multivariante en análisis cuantitativo. El modelo inverso Joan Ferré Grupo de Quimiometría, Cualimetría y Nanosensores Universidad Rovira i Virgili C. Marcel lí Domingo s/n 43007-Tarragona
Más detallesUniversidad Nacional de la Patagonia San Juan Bosco
Profesor Responsable: Rosmari M. López Régimen de cursado cuatrimestral Carga Horaria: Total Sem. Teóricos Total Teóricos Sem. Prácticos Total Prácticos Sem. Teórico/Práct. Total Teórico/Práct. 90 15 45
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 detallesDiseño de experimentos
Diseño de experimentos Quimiometría Por qué diseñar experimentos? Exploración: cuáles factores son importantes para realizar exitosamente un proceso Optimización: cómo mejorar un proceso Ahorro de tiempo:
Más detallesCapítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Más detallesMATRICES FACTORIALES
MATRICES FACTORIALES Quimiometría Estudio cuantitativo de factores: efectos principales (b j ) interacciones (b ji ) si cada variable puede tener un valor mayor o uno menor: diseño factorial de dos niveles
Más detallesCaso 201 : Recta de calibrado para análisis de fosfato (Regresión lineal sin pesos estadísticos) (F. J. Burguillo, USAL)
Caso 201: Recta de Calibrado para fosfato 1 Caso 201 : Recta de calibrado para análisis de fosfato (Regresión lineal sin pesos estadísticos) (F. J. Burguillo, USAL) CASO PRÁCTICO Uno de los procedimientos
Más detallesRECONOCIMIENTO DE PAUTAS
RECONOCIMIENTO DE PAUTAS ANÁLISIS DISCRIMINANTE (Discriminant analysis) Reconocimiento de pautas supervisado si se cuenta con objetos cuya pertenencia a un grupo es conocida métodos: análisis de discriminantes
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 detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 19 Partial Least Squares Regression Victor Muñiz (ITESM) Métodos
Más detallesMínimos Cuadrados Parciales
Mínimos Cuadrados Parciales Resumen El procedimiento Mínimos Cuadrados Parciales (PLS Partial Least Squares) está diseñado para construir un modelo estadístico que relaciona múltiples variables independientes
Más detallesUTILIZACIÓN DE LA TECNOLOGÍA NIRS EN EL SECTOR AGROALIMENTARIO
UTILIZACIÓN DE LA TECNOLOGÍA NIRS EN EL SECTOR AGROALIMENTARIO Alberto Arnau y Juanjo Pascual Unidad de Alimentación Animal Departamento de Ciencia Animal Unidad de Alimentación Animal UPV Introducción
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesPor: Dr. J. L. Urrutia Galicia Instituto De Ingeniería, UNAM
UNA FORMA TENSORIAL DE LA MATRIZ INVERSA GENERAL (EN EL ESPACIO CONTRAVARIANTE) A -1 DE MATRICES DE ORDEN M N CON M N Y LA SOLUCIÓN CERRADA DE ESTE PROBLEMA Por: Dr. J. L. Urrutia Galicia Instituto De
Más detallesLABORATORIO DE COMPONENTES PRINCIPALES EN MATLAB
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
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 detallesUniversidad de Antioquia F.Q.F. Ingeniería de Alimentos Lab. Análisis Instrumental
Universidad de Antioquia F.Q.F. Ingeniería de Alimentos Lab. Análisis Instrumental 2. CONCENTRACIÓN Y CALIBRACIÓN: LEY DE BEER Profesor: Lucas Blandón Deymer Gómez Emilson León Florian PRÁCTICA 2: Concentración
Más detallesb)no es posible hacer modelo debido a que el tipo de vidrio es una variable categorica
a) Analysis of Variance for Light output, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F P Glass type 5865 5865 753 6.37. Temperature 97335 97335 98567 695.6. Glass type*temperature 955 955
Más detallesAPLICACIÓN DE TÉCNICAS QUIMIOMÉTRICAS PARA EL DESARROLLO DE NUEVOS MÉTODOS CINÉTICO-ESPECTROFOTOMÉTRICOS DE ANÁLISIS
APLICACIÓN DE TÉCNICAS QUIMIOMÉTRICAS PARA EL DESARROLLO DE NUEVOS MÉTODOS CINÉTICO-ESPECTROFOTOMÉTRICOS DE ANÁLISIS MARTA PORCEL APLICACIÓN DE TÉCNICAS QUIMIOMÉTRICAS PARA EL DESARROLLO DE NUEVOS MÉTODOS
Más detallesANEXO A. PROCEDIMIENTOS 3 ANEXO B. RECTAS DE CALIBRADO 5 ANEXO C. RESULTADOS: OPTIMIZACIÓN DEL MÉTODO DE EXTRACCIÓN 9
Estudio y cuantificación de la actividad antioxidante de flores comestibles Pág. 1 ÍNDICE ANEXO A. PROCEDIMIENTOS 3 A.1. Preparación de las soluciones amortiguadores...3 ANEXO B. RECTAS DE CALIBRADO 5
Más detallesAnálisis Estadístico de Datos Climáticos. Análisis de correlación canónica. Facultad de Ciencias Facultad de Ingeniería 2013
Análisis Estadístico de Datos Climáticos Análisis de correlación canónica Facultad de Ciencias Facultad de Ingeniería 2013 Motivación Si se tienen dos conjuntos de datos (A y B) que, por ejemplo, varían
Más detalles3. Determinación de Colorantes en Bebidas Profesor: Lucas Blandón
Universidad de Antioquia F.Q.F. Ingeniería de Alimentos Lab. Análisis Instrumental 3. Determinación de Colorantes en Bebidas Profesor: Lucas Blandón Deymer Gómez Emilson León Florian PRÁCTICA 3: Determinación
Más detallesDavid R. González Barreto Universidad de Puerto Rico
David R. González Barreto Universidad de Puerto Rico La habilidad de capturar datos hace tiempo le viene ganando la carrera a la habilidad de obtener información significativa de estos datos. Es necesario
Más detallesTabla de contenido. Lista de figuras
Tabla de contenido 1. Introducción.................................................................... 1 2. Regresión....................................................................... 2 2.1. Regresión
Más detallesSistemas de Ecuaciones. Lineales I
Sistemas de Ecuaciones Lineales I Preliminares: Expresión matricial. Dificultades numéricas. 521230-1 - DIM Universidad de Concepción Expresión matricial Todo sistema de ecuaciones lineales puede escribirse
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 detallesBioestadística. Curso Práctica: La recta de regresión
Bioestadística. Curso 2012-2013 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. El diagrama de dispersión 2 3. Covarianza 4 4. Coeciente de correlación
Más detallesSemana 11 Matrices y vectores - Sistemas de EDOs - Modelica. Elizabeth Villota Facultad de Ingeniería Mecánica Universidad Nacional de Ingeniería
Matemáticas Aplicadas MA101 Semana 11 Matrices y vectores - Sistemas de EDOs - Modelica Elizabeth Villota Facultad de Ingeniería Mecánica Universidad Nacional de Ingeniería Matrices y vectores Sean dos
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
CAPÍTULO 4 ANÁLISIS DE COMPONENTES PRINCIPALES 4.1 Introducción Al investigar un fenómeno desconocido se pretende abordarlo con muestras de diferentes variables, en las cuales muchas veces existe una fuerte
Más detallesCAPÍTULO IV. DESARROLLO DE LA INVESTIGACIÓN. presente capítulo. A continuación se procederá a escribir la metodología y a describir el
CAPÍTULO IV. DESARROLLO DE LA INVESTIGACIÓN La información recabada en los capítulos anteriores servirá de base para la realización del presente capítulo. A continuación se procederá a escribir la metodología
Más detallesClase. 1. Resolución de sistemas de ecuaciones lineales: preliminares
Clase 1. Resolución de sistemas de ecuaciones lineales: preliminares 2. Método directo y exacto: Gauss 3. Método directo y exacto (II): descomposición LU 4. Métodos indirectos: Jacobi, Gauss-Seidel 2 Sistemas
Más detallesRegresión múltiple. Efecto de varias variables ambientales sobre una especie de ganso migratorio. Luz
Nombre: AGRO 6600 LAB 12 Regresión múltiple Los datos adjuntos se tomaron para estudiar el efecto de varias variables ambientales sobre el tiempo en el que una especie de ganso migratorio deja su nido
Más detallesSelección del número de factores latentes apropiados en PLSR con capacidad predictiva
XXVI Simposio Internacional de Estadística 2016 Sincelejo, Sucre, Colombia, 8 al 12 de Agosto de 2016 Selección del número de factores latentes apropiados en PLSR con capacidad predictiva Selecting the
Más detallesRevista Mexicana de Ciencias Farmacéuticas ISSN: Asociación Farmacéutica Mexicana, A.C. México
Revista Mexicana de Ciencias Farmacéuticas ISSN: 1870-0195 rmcf@afmac.org.mx Asociación Farmacéutica Mexicana, A.C. México Hernández Baltazar, Efrén Qué sabe usted acerca de...espectroscopía de infrarrojo
Más detallesAUTOVALORES Y AUTOVECTORES
12 de Julio de 2011 AUTOVALORES Y AUTOVECTORES (Clase 01) Departamento de Matemática Aplicada Facultad de Ingeniería Universidad Central de Venezuela 1 Puntos a tratar 1. Valores y vectores propios 2.
Más detallesMODELADO CALIBRACIÓN
MODELADO CALIBRACIÓN Jamás se deberá fiar a ciegas del resultado de un cálculo: la determinación de algunas regresiones o correlaciones suministran innumerables ejemplos de cálculos irreprochables que
Más detallesAnálisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
Más detallesB.1 ANÁLISIS FACTORIAL COMÚN. cuyo propósito es reducir los datos en cantidad. Es también una técnica en la cual todas las
B. NOTAS TEÓRICAS B.1 ANÁLISIS FACTORIAL COMÚN El análisis factorial es un nombre dado a una clase de métodos estadísticos multivariados cuyo propósito es reducir los datos en cantidad. Es también una
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesProgramación: Sistemas unitriangulares inferiores
Programación: Sistemas unitriangulares inferiores Objetivos. Programar en el lenguaje de MATLAB el método de la sustitución hacia adelante para resolver sistemas de ecuaciones lineales con matrices unitriangulares
Más detalles1. Metodología de respuesta
1. Metodología de respuesta En las secciones anteriores se ha estudiado el comportamiento de la variable respuesta cuando se ve afectada por diferentes factores, sin embargo no se ha tocado el tema a cerca
Más detallesSemana 10 Matrices y vectores - Sistemas de EDOs
Matemáticas Aplicadas MA101 Semana 10 Matrices y vectores - Sistemas de EDOs Elizabeth Villota Facultad de Ingeniería Mecánica Universidad Nacional de Ingeniería Matrices y vectores Sean dos EDOs lineales
Más detallesFigura 1. Estructuras químicas del paracetamol (izquierda) y naproxeno (derecha).
TÉCNICAS MULTIVARIANTES EN LA ESTIMACIÓN DE CONSTANTES DE EQUILIBRIO ÁCIDO-BASE DE FÁRMACOS Pablo Eusebio Hernández Mendoza, Iliana Margarita de la Garza Rodríguez, Edith Madaí Colunga Urbina, Judith Amador-Hernández*
Más detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
Más detallesPráctica 2: Matrices. Sistemas de ecuaciones lineales.
Práctica 2: Matrices. Sistemas de ecuaciones lineales. 1 Matrices en MATLAB. El nombre MATLAB es una contracción de matrix laboratory, y como su nombre indica, este paquete es especialmente útil para efectuar
Más detallesSelección de variables y análisis de clasicación en datos de alta dimensión
Selección de variables y análisis de clasicación en datos de alta dimensión Tejeda, Y.E. 1, Valenzuela, C. 2, Nazabal, M. 2, Fernández, J.R. 2,Guerra, V. 3,Sánchez, J.E. 3 1 Departamento de Bioinformática
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 detallesLaboratorio de Componentes Principales.
Laboratorio de Componentes Principales. Este ejercicio consiste de la utilización del método de componentes principales como herramienta para la reducción de dimensionalidad de las variables independientes.
Más 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 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 detallesv = n 1 V max(i)[s] K m (i) + [S]
Caso 8: Cálculo de V max y K M en una mezcla de isoenzimas 55 Caso 8. Cálculo de V max y K m en una mezcla de isoenzimas (REGRESIÓN NO LINEAL Y DISCRIMINACIÓN ENTRE MODELOS)(F.J. BURGUILLO, USAL) CASO
Más detallesAnálisis de Regresión
Análisis de Regresión Diplomado en Lean Six Sigma Objetivo 1.Identificar problemas que incluyan una Y continua y una X continua 2. Entender la diferencia entre regresión lineal y no lineal 3. Ajustar modelos
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 detallesEspacios euclídeos. Transformaciones ortogonales
Espacios euclídeos. Transformaciones ortogonales Álgebra con MATLAB: Práctica 3 Curso 2006-2007 Una ortogonalización Empezaremos esta práctica utilizando MATLAB para resolver el siguiente problema: En
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesLABORATORIO ANÁLISIS INSTRUMENTAL PRACTICA #7 ULTRAVIOLETA PRESENTADO POR: EMIL SON LEÓN FLORIÁN DEYMER GOMEZ PRESENTADO A: LUCAS BLANDÓN
LABORATORIO ANÁLISIS INSTRUMENTAL PRACTICA #7 ULTRAVIOLETA PRESENTADO POR: EMIL SON LEÓN FLORIÁN DEYMER GOMEZ PRESENTADO A: LUCAS BLANDÓN UNIVERSIDAD DE ANTIOQUIA FACULTAD DE QUÍMICA FARMACÉUTICA INGENIERÍA
Más detallesDiseños para estimar la superficie de respuesta
Diseños para estimar la superficie de respuesta estrategia experimental y de análisis que permite resolver el problema de encontrar las condiciones de operación óptimas de un proceso optimización ventaja:
Más detallesMétodos actuales en machine learning
Métodos actuales en machine learning Gracias a los organizadores! Pablo M. Granitto Dr. en Física Docente FCEIA UN Rosario Investigadador en CIFASIS (CONICET) Lucas C. Uzal Dr. en Física Docente FCEIA
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 detallesPráctica 2: Representación de datos y ajuste de curvas
Modelado matemático de los sistemas ecológicos Facultad de Biología Universidad de Oviedo Curso 2007-2008 Práctica 2: Representación de datos y ajuste de curvas 1. Lectura de datos externos Es posible
Más detallesDiagrames de dispersió i regressió lineal. Ús de MINITAB. Víctor Mañosa Dept. Matemàtica Aplicada III Universitat Politècnica de Catalunya
Diagrames de dispersió i regressió lineal. Ús de MINITAB Víctor Mañosa Dept. Matemàtica Aplicada III Universitat Politècnica de Catalunya 1. Objectius Donada una col lecció de dades aparellades {(xi,yi),
Más detallesANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II
ANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II Introducción: Este curso está orientado a formar una base en el análisis de las series temporales que brindará las bases para desenvolverse con gran calidad
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesPráctica 4: Sistemas de ecuaciones no lineales.
Práctica 4: Sistemas de ecuaciones no lineales. 1 Introducción. Sea un conjunto de ecuaciones de la forma: f i (x 1, x 2,..., x N ) = 0, i = 1, 2,...N (1) o en notación matricial: f(x) = 0 (2) cuya solución
Más detallesMódulo Minería de Datos Diplomado. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS
Módulo Minería de Datos Diplomado Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Error de clasificación Algoritmo de aprendizaje h Entrenamiento DATOS Evaluación
Más detallesAnálisis de la evolución y tendencia de las tasas de hepatitis A en Chile desde a 2002
Rev Chil Salud Pública CIFRAS DE HOY Análisis de la evolución y tendencia de las tasas de hepatitis A en Chile desde 197 5 a 2002 GABRIEL CA V ADAOJ, ROSA MONT AÑOOJ, SERGIO AL V ARADOOl, MARÍA TERESA
Más detallesTareas de matrices especiales
Tareas de matrices especiales Objetivos. Estudiar una clase especial de matrices. Para matrices de esta clase realizar un algoritmo rápido de multiplicación por vectores. Aplicar este algoritmo para resolver
Más detallesAnálisis de Gradiente Ambiental: Ordenación sin contrastar
Análisis de Gradiente Ambiental: Ordenación sin contrastar Ordenación sin contrastar Características importantes de las técnicas ordenación no contrastantes Una familia de técnicas con objetivos similares.
Más detallesQuímica Biológica TP 1: ESPECTROFOTOMETRIA.
TP 1: ESPECTROFOTOMETRIA. Introducción Al observar una solución acuosa de un colorante a trasluz, observamos una leve coloración, la cual se debe a la interacción entre las moléculas del colorante y la
Más detallesMinisterio de Cultura y Educación
Ministerio de Cultura y Educación (Programa del año 2014) Universidad Nacional de San Luis Facultad de Ciencias Físico Matemáticas y Naturales Departamento: Matematicas Area: Matematicas I - Oferta Académica
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesDEPARTAMENTO DE QUÍMICA ANALÍTICA Y TECNOLOGÍA DE ALIMENTOS ANALISIS INSTRUMENTAl I
PRIMERA RELACIÓN DE PROBLEMAS. CALIBRACIÓN EN QUÍMICA ANALÍTICA 1.- En la determinación de una especie X por un método instrumental en el que la señal analítica se define como P = kc x, se obtuvieron los
Más detallesEstimación PLS de modelos SEM, UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares)
Estimación PLS de modelos SEM, 2015. UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares) 5 de febrero de 2015 José Mondéjar Jiménez Área de Estadística Económica y Empresarial Universidad
Más detallesAnálisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Más detallesREGRESIÓN LINEAL Y CORRELACIÓN
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO ESCUELA SUPERIOR DE HUEJUTLA LICENCIATURA EN ADMINISTRACIÓN REGRESIÓN LINEAL Y CORRELACIÓN MTRA. ROXANA SIFUENTES CARRILLO JULIO-DICIEMBRE 017 LINEAR REGRESSION
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 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 detallesPARTE IV: RESULTADOS CAPÍTULO 13:
PARTE IV: RESULTADOS CAPÍTULO 13: CONTRASTACIÓN DE HIPÓTESIS Y DISCUSIÓN DE RESULTADOS 251 13. Contrastación de hipótesis y discusión de resultados La contrastación de las hipótesis se ha llevado a cabo
Más detallesRESPUESTAS BREVES A LA PRÁCTICA 7
RESPUESTAS BREVES A LA PRÁCTICA 7 EJERCICIO 1 Las salidas que proporciona el programa son: Unweighted Least Squares Linear Regression of X Puntaje en Inteligencia Predictor Variables Coefficient Std Error
Más detallesGRADO: Ingeniería en Tecnologías Industriales CURSO: 1º CUATRIMESTRE: 1º
SESIÓN SEMANA DENOMINACIÓN ASIGNATURA: Álgebra Lineal GRADO: Ingeniería en Tecnologías Industriales CURSO: 1º CUATRIMESTRE: 1º La asignatura tiene 28 sesiones que se distribuyen a lo largo de 14 semanas
Más detalles11 Número de publicación: Int. Cl. 7 : A61B 5/ Agente: Zuazo Araluze, Alexander
19 OFICINA ESPAÑOLA DE PATENTES Y MARCAS ESPAÑA 11 Número de publicación: 2 206 6 1 Int. Cl. 7 : A61B /00 12 TRADUCCIÓN DE PATENTE EUROPEA T3 86 Número de solicitud: 96941397.0 86 Fecha de presentación:
Más detallesSISTEMAS DE ECUACIONES
1 SISTEMAS DE ECUACIONES OBJETIVO: RESOLVER SISTEMAS DE ECUACIONES LINEALES UTILIZANDO DIVERSOS MÉTODOS DE SOLUCIÓN CONTENIDO: Representación matricial de un sistema de ecuaciones. Transformaciones elementales.
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más 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 detallesCap 3: Álgebra lineal
Universidad Nacional de Ingeniería Facultad de Ciencias Cálculo Numérico 1 IF321 Cap 3: Álgebra lineal Prof: J. Solano 2018-I INTRODUCCION Aqui trabjaremos con operaciones basicas con matrices, tales como
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 detallesIdentificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Más detallesIdentificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Más detallesConsidere la tasa de nacimiento (B) como la variable respuesta y la actividad económica de las mujeres (W) como variable regresora.
ESTADISTICA (Q) - Ejercicio de regresión - Junio 2010 El archivo tasa_nacimiento.sx contiene datos de tasas de nacimiento y otras variables para 26 naciones. Fuente: Statistical Abstract of the United
Más detallesFenómenos físicos empleados para medir. Principios de medidas químicas
Fenómenos físicos empleados para medir Principios de medidas químicas Objetivo Establecer una relación entre las medidas físicas y químicas. Objetivo de una medidas química Determinar la concentración
Más detalles