ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción...
Transcript of ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción...
![Page 1: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/1.jpg)
ANÁLISIS DE COMPONENTES PRINCIPALES
![Page 2: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/2.jpg)
COMPONENTES PRINCIPALES
1. Introducción
2 Componentes principales de dos variables2. Componentes principales de dos variables
3. Obtención de los componentes principales
4. Caso práctico
![Page 3: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/3.jpg)
Análisis de interdependenciasintroducción
Relaciónentre
variables
Relaciónentrecasos
Relaciónentre
objetosj
Métricas No métricas
componentesprincipales
análisisfactorial
análisiscorrespondencias
análisiscluster
escalamientomultidimensional
![Page 4: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/4.jpg)
Obj ti T f j t d i bl ( i bl
Introducción
Objetivo. Transformar un conjunto de variables (variablesoriginales) en un nuevo conjunto de variables(componentes principales) incorrelacionadas entre sí(componentes principales), incorrelacionadas entre sí.
![Page 5: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/5.jpg)
Obj ti T f j t d i bl ( i bl
Introducción
Objetivo. Transformar un conjunto de variables (variablesoriginales) en un nuevo conjunto de variables(componentes principales) incorrelacionadas entre sí(componentes principales), incorrelacionadas entre sí.
Interés.
- Para explicar fenómenos cuya información se cifra enPara explicar fenómenos cuya información se cifra enmuchas variables más o menos correlacionadas.
- Reducir la dimensión del número de variables- Reducir la dimensión del número de variablesinicialmente consideradas en el análisis.
Las nuevas variables pueden ordenarse según la- Las nuevas variables pueden ordenarse según lainformación que llevan.
![Page 6: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/6.jpg)
Principios básicos.Introducción
- Sólo con datos cuantitativos y no es necesarioestablecer jerarquías ni comprobar la normalidad.
![Page 7: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/7.jpg)
Principios básicos.Introducción
- Sólo con datos cuantitativos y no es necesarioestablecer jerarquías ni comprobar la normalidad.
- Si las variables originales no están correlacionadas el- Si las variables originales no están correlacionadas, elanálisis no tiene sentido.
![Page 8: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/8.jpg)
Principios básicos.Introducción
- Sólo con datos cuantitativos y no es necesarioestablecer jerarquías ni comprobar la normalidad.
- Si las variables originales no están correlacionadas el- Si las variables originales no están correlacionadas, elanálisis no tiene sentido.
- Como medida de la cantidad de informacióni d l t tili l i (incorporada en el componente se utiliza la varianza (б).
![Page 9: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/9.jpg)
Principios básicos.Introducción
- Sólo con datos cuantitativos y no es necesarioestablecer jerarquías ni comprobar la normalidad.
- Si las variables originales no están correlacionadas el- Si las variables originales no están correlacionadas, elanálisis no tiene sentido.
- Como medida de la cantidad de informacióni d l t tili l i (incorporada en el componente se utiliza la varianza (б).
- Por tanto se ordenan según la varianza de mayor amenor.
![Page 10: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/10.jpg)
Principios básicos.Introducción
- Se trabaja con variables tipificadas o con variablesexpresadas en desviaciones respecto a la media para
it bl d i d d l levitar problemas derivados de la escala.
![Page 11: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/11.jpg)
Principios básicos.Introducción
- Se trabaja con variables tipificadas o con variablesexpresadas en desviaciones respecto a la media para
it bl d i d d l levitar problemas derivados de la escala.
- El nuevo conjunto de variables (componentesprincipales) es igual al número de variables originales.p p ) g g
![Page 12: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/12.jpg)
Principios básicos.Introducción
- Se trabaja con variables tipificadas o con variablesexpresadas en desviaciones respecto a la media para
it bl d i d d l levitar problemas derivados de la escala.
- El nuevo conjunto de variables (componentesprincipales) es igual al número de variables originales.p p ) g g
L t i i l- Los componentes principales se expresan como unacombinación lineal de las variables originales.
![Page 13: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/13.jpg)
Utilid d Si l i bl li f ó
Introducción
Utilidad. Si las variables que explican un fenómeno sonmuchas y están correlacionadas, es posible explicar elfenómeno con muy pocos componentes principalesfenómeno con muy pocos componentes principales.
• Análisis de mercados.
• Determinación del proceso de compra.Determinación del proceso de compra.
• Caracterización de explotaciones.
• etc.
![Page 14: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/14.jpg)
Componentes principales de 2 variables
Ejemplo: Estudiar el beneficio y la dimensión de 9explotaciones bovinas ecológicasp g
Q é i bl tili ?¿Qué variables vamos a utilizar?
![Page 15: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/15.jpg)
Componentes principales de 2 variables
Ejemplo: Estudiar el beneficio y la dimensión de 9explotaciones bovinas ecológicasp g
Q é i bl tili ?¿Qué variables vamos a utilizar?
Beneficio: € por explotación
Dimensión: inversión € por explotaciónDimensión: inversión € por explotación
![Page 16: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/16.jpg)
Componentes principales de 2 variables
i bl i i lexplotación inversión (€) beneficios (€)
1 775.104 23.795
variables originales
1 775.104 23.7952 775.218 58.7783 700.963 1.5314 674 063 12 7564 674.063 -12.756 5 631.003 14.7296 537.744 9.0597 489 155 12 5417 489.155 12.5418 448.465 13.4959 445.853 -34.828
![Page 17: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/17.jpg)
Componentes principales de 2 variables
i bl i i lexplotación inversión (€) beneficios (€)
1 775.104 23.795
variables originales
1 775.104 23.7952 775.218 58.7783 700.963 1.5314 674 063 12 7564 674.063 -12.756 5 631.003 14.7296 537.744 9.0597 489 155 12 5417 489.155 12.5418 448.465 13.4959 445.853 -34.828
Primer paso:
¿Hay correlación entre ambas variables?
![Page 18: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/18.jpg)
Componentes principales de 2 variables
Correlations
n_vacas beneficio --------------------------------------------------------------------------------n_vacas 0,5460 ( 9) 0,1283
beneficio 0,5460 ( 9) 0,1283 --------------------------------------------------------------------------------
Primer paso:
¿Hay correlación entre ambas variables?
![Page 19: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/19.jpg)
Componentes principales de 2 variables
80 000
60.000
80.000
20.000
40.000
efic
io (€
)
-20.000
0Ben
-40.000 400.000 500.000 600.000 700.000 800.000
Inversión (€)explotación inversión (€) beneficios (€)
1 775.104 23.7952 775 218 58 778
variables originales
2 775.218 58.7783 700.963 1.5314 674.063 -12.756 5 631.003 14.7296 537 744 9 0596 537.744 9.0597 489.155 12.5418 448.465 13.4959 445.853 -34.828
![Page 20: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/20.jpg)
Componentes principales de 2 variables
i bl i i lexplotación inversión (€) beneficios (€)
1 775.104 23.795
variables originales
1 775.104 23.7952 775.218 58.7783 700.963 1.5314 674 063 12 7564 674.063 -12.756 5 631.003 14.7296 537.744 9.0597 489 155 12 5417 489.155 12.5418 448.465 13.4959 445.853 -34.828
Segundo paso:
Eli i l bl d l lEliminar el problema de la escala
![Page 21: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/21.jpg)
Componentes principales de 2 variables
variables originales variables tipificadasexplotación inversión (€) beneficios (€) inversión beneficios
1 775.104 23.795 1,257 0,556
variables originales variables tipificadas
2 775.218 58.778 1,258 1,9273 700.963 1.531 0,697 -0,316 4 674.063 -12.756 0,494 -0,875 , ,5 631.003 14.729 0,169 0,2016 537.744 9.059 -0,535 -0,020 7 489.155 12.541 -0,902 0,1157 489.155 12.541 0,902 0,1158 448.465 13.495 -1,209 0,1529 445.853 -34.828 -1,229 -1,749
Tipificar las variables• La matriz de correlación es igual a la matriz de covarianzasg
• Σ бcomponentes principales = Σ бvariables = Σ variables tipificadas (2 en este caso)
![Page 22: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/22.jpg)
Componentes principales de 2 variables
80 000
60.000
80.000
20.000
40.000
efic
io (€
)
-20.000
0Ben
-40.000 400.000 500.000 600.000 700.000 800.000
Inversión (€)
explotación inversión (€) beneficios (€) inversión beneficios1 775.104 23.795 1,257 0,556
variables originales variables tipificadas
, ,2 775.218 58.778 1,258 1,9273 700.963 1.531 0,697 -0,316 4 674.063 -12.756 0,494 -0,875 5 631.003 14.729 0,169 0,2016 537.744 9.059 -0,535 -0,020 7 489.155 12.541 -0,902 0,1158 448.465 13.495 -1,209 0,1529 445.853 -34.828 -1,229 -1,749
![Page 23: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/23.jpg)
3,0
Componentes principales de 2 variables
1 0
2,0
0,0
1,0
enef
icio
-2,0
-1,0 Be
-3,0
,
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
Inversiónexplotación inversión (€) beneficios (€) inversión beneficios
1 775.104 23.795 1,257 0,556
variables originales variables tipificadas
, ,2 775.218 58.778 1,258 1,9273 700.963 1.531 0,697 -0,316 4 674.063 -12.756 0,494 -0,875 5 631.003 14.729 0,169 0,2016 537.744 9.059 -0,535 -0,020 7 489.155 12.541 -0,902 0,1158 448.465 13.495 -1,209 0,1529 445.853 -34.828 -1,229 -1,749
![Page 24: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/24.jpg)
Componentes principales de 2 variables
3,0
1,0
2,0
0,0
,
enef
icio
2 0
-1,0 Be
-3,0
-2,0
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
Inversión
![Page 25: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/25.jpg)
Componentes principales de 2 variables
3,0
1,0
2,0
0,0
,
enef
icio
2 0
-1,0 Be
-3,0
-2,0
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
Inversión
![Page 26: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/26.jpg)
Componentes principales de 2 variables
3,0
1,0
2,0
0,0
,
enef
icio
2 0
-1,0 Be
-3,0
-2,0
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
Inversión
Elipse de concentración
![Page 27: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/27.jpg)
Componentes principales de 2 variables
45º
Elipse de concentración en una distribución normal bivariante
![Page 28: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/28.jpg)
Componentes principales de 2 variables
i bl i i lexplotación inversión (€) beneficios (€)
1 775.104 23.795
variables originales
1 775.104 23.7952 775.218 58.7783 700.963 1.5314 674 063 12 7564 674.063 -12.756 5 631.003 14.7296 537.744 9.0597 489 155 12 5417 489.155 12.5418 448.465 13.4959 445.853 -34.828
Tercer paso:
Obt l t i i lObtener los componentes principales
![Page 29: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/29.jpg)
Componentes principales de 2 variables1. Calcular las raíces de la matriz de covarianzas:
![Page 30: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/30.jpg)
Componentes principales de 2 variables1. Calcular las raíces de la matriz de covarianzas:
λ1 = 1,54603 λ2 = 0,45397
![Page 31: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/31.jpg)
Componentes principales de 2 variables1. Calcular las raíces de la matriz de covarianzas:
λ1 = 1,54603 λ2 = 0,45397
- La б de cada CP es igual al valor de la raíz característica.
![Page 32: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/32.jpg)
Componentes principales de 2 variables1. Calcular las raíces de la matriz de covarianzas:
λ1 = 1,54603 λ2 = 0,45397
- La б de cada CP es igual al valor de la raíz característica.
- La primera CP se obtiene de forma que maximice б.
En general tiene una б mayor que cualquier variable original- En general tiene una б mayor que cualquier variable original.
- Si la variable está tipificada, la б CP1 > 1.
![Page 33: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/33.jpg)
Componentes principales de 2 variables1. Calcular las raíces de la matriz de covarianzas:
λ1 = 1,54603 λ2 = 0,45397
- La б de cada CP es igual al valor de la raíz característica.
- La primera CP se obtiene de forma que maximice б.
En general tiene una б mayor que cualquier variable original- En general tiene una б mayor que cualquier variable original.
- Si la variable está tipificada, la б CP1 > 1.
- Si las variables originales están incorrelacionadas, las CPcoincidirán exactamente con las variables originalescoincidirán exactamente con las variables originales.
![Page 34: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/34.jpg)
Componentes principales de 2 variables- En el caso de 2 variables, б de CP1 = б de una de las variables
tipificadas + coeficiente de correlación:
![Page 35: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/35.jpg)
Componentes principales de 2 variables- En el caso de 2 variables, б de CP1 = б de una de las variables
tipificadas + coeficiente de correlación: 1 + 0,54603 = 1,54603
λ1 = 1,54603 λ2 = 0,45397
![Page 36: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/36.jpg)
Componentes principales de 2 variables- En el caso de 2 variables, б de CP1 = б de una de las variables
tipificadas + coeficiente de correlación: 1 + 0,54603 = 1,54603
λ1 = 1,54603 λ2 = 0,45397
- б de CP2 = 2 - б de CP1
![Page 37: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/37.jpg)
Componentes principales de 2 variables- En el caso de 2 variables, б de CP1 = б de una de las variables
tipificadas + coeficiente de correlación: 1 + 0,54603 = 1,54603
λ1 = 1,54603 λ2 = 0,45397
- б de CP2 = 2 - б de CP1
Σ бcomponentes principales = Σ бvariables = Σ variables tipificadas
![Page 38: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/38.jpg)
Componentes principales de 2 variablesCon el Statgrafics:g
Analysis Summary
Data variables: inversion
beneficio beneficio
Data input: observationsNumber of complete cases: 9i i l li iMissing value treatment: listwiseStandardized: yes
Number of components extracted: 2
Principal Components Analysis-----------------------------------------------Component Percent of CumulativeComponent Percent of Cumulative Number Eigenvalue Variance Percentage 1 1,54604 77,302 77,302 2 0,453963 22,698 100,000-----------------------------------------------
![Page 39: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/39.jpg)
Componentes principales de 2 variables2. Cada raíz tiene asociado un vector característico, que con dos
variables:
u11 u21
u1 = u12 y u2 = u22
![Page 40: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/40.jpg)
Componentes principales de 2 variables2. Cada raíz tiene asociado un vector característico, que con dos
variables:
u11 u21
u1 = u12 y u2 = u22
- Deben cumplir: u211 + u2
12 = 1
u221 + u2
22 = 121 22
![Page 41: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/41.jpg)
Componentes principales de 2 variables2. Cada raíz tiene asociado un vector característico, que con dos
variables:
u11 u21
u1 = u12 y u2 = u22
- Deben cumplir: u211 + u2
12 = 1
u221 + u2
22 = 121 22
- Si los datos están tipificados, siempre con 2 variables se obtienenSi los datos están tipificados, siempre con 2 variables se obtienenlos siguientes vectores:
0,7071 0,7071
u1 = 0,7071 y u2 = -0,7071
![Page 42: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/42.jpg)
Componentes principales de 2 variables- Los coeficientes de los vectores son los coeficientes que hay quey
aplicar a las variables tipificadas para obtener los CP:
CP1 = u11 * X1 + u12 * X2
CP2 = u21 * X1 + u22 * X2
![Page 43: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/43.jpg)
Componentes principales de 2 variables- Los coeficientes de los vectores son los coeficientes que hay quey
aplicar a las variables tipificadas para obtener los CP:
CP1 = u11 * X1 + u12 * X2
CP2 = u21 * X1 + u22 * X2
- En nuestro caso:
0,7071 0,7071, ,
u1 = 0,7071 y u2 = -0,7071
![Page 44: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/44.jpg)
Componentes principales de 2 variables- Los coeficientes de los vectores son los coeficientes que hay quey
aplicar a las variables tipificadas para obtener los CP:
CP1 = u11 * X1 + u12 * X2
CP2 = u21 * X1 + u22 * X2
- En nuestro caso:
0,7071 0,7071, ,
u1 = 0,7071 y u2 = -0,7071
CP1 = 0,7071 * inversión + 0,7071 * beneficio
CP2 = 0 7071 * inversión 0 7071 * beneficioCP2 = 0,7071 inversión – 0,7071 beneficio
![Page 45: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/45.jpg)
Componentes principales de 2 variablesCon el Statgrafics:g
Table of Component Weights
Component Component 1 2 1 2
------------ ------------ inversion 0,707107 0,707107 beneficio 0,707107 -0,707107
Th St tAd iThe StatAdvisor--------------- This table shows the equations of the principal components. Forexample, the first principal component has the equation
0,707107*inversion + 0,707107*beneficio
![Page 46: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/46.jpg)
Componentes principales de 2 variables
CP1 = 0,7071 * inversión + 0,7071 * beneficio
CP2 = 0,7071 * inversión – 0,7071 * beneficioCP2 0,7071 inversión 0,7071 beneficio
¿Qué significado tienen los coeficientes?
![Page 47: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/47.jpg)
Componentes principales de 2 variables
CP1 = 0,7071 * inversión + 0,7071 * beneficio
CP2 = 0,7071 * inversión – 0,7071 * beneficioCP2 0,7071 inversión 0,7071 beneficio
¿Qué significado tienen los coeficientes?
Son los senos y los cosenos del ángulo de rotación entre los y gejes de los CP y los ejes de las variables tipificadas
![Page 48: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/48.jpg)
Componentes principales de 2 variables
CP1 = 0,7071 * inversión + 0,7071 * beneficio
CP2 = 0,7071 * inversión – 0,7071 * beneficio
![Page 49: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/49.jpg)
Componentes principales de 2 variables
CP1 = 0,7071 * inversión + 0,7071 * beneficio
Primer eje: cos 45º = 0 7071 sen 45º = 0 7071Primer eje: cos 45 = 0,7071 sen 45 = 0,7071
CP2 = 0,7071 * inversión – 0,7071 * beneficio
![Page 50: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/50.jpg)
Componentes principales de 2 variables
CP1 = 0,7071 * inversión + 0,7071 * beneficio
Primer eje: cos 45º = 0 7071 sen 45º = 0 7071Primer eje: cos 45 = 0,7071 sen 45 = 0,7071
CP2 = 0,7071 * inversión – 0,7071 * beneficio
Segundo eje: cos 135º = 0,7071 sen 135º = -0,7071
![Page 51: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/51.jpg)
Componentes principales de 2 variables
3,0
1,0
2,0
0,0
,
enef
icio
2 0
-1,0 Be
-3,0
-2,0
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
Inversión
![Page 52: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/52.jpg)
Componentes principales de 2 variables
3,0
45º
1,0
2,0 45º
0,0
,
enef
icio
2 0
-1,0 Be
-3,0
-2,0
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
Inversión
![Page 53: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/53.jpg)
Componentes principales de 2 variables
3,0
1,0
2,0
0,0
,
enef
icio
45º (135º)
2 0
-1,0 Be 45 (135 )
-3,0
-2,0
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
Inversión
![Page 54: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/54.jpg)
Componentes principales de 2 variables
3,0
1,0
2,0
0,0
,
enef
icio
2 0
-1,0 Be
-3,0
-2,0
-3 -2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5 3
Inversión
![Page 55: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/55.jpg)
Componentes principales de 2 variables
3
1
2
0
1
CP2
-1
C
-3
-2
3-3 -2 -1 0 1 2 3
CP1
![Page 56: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/56.jpg)
Componentes principales de 2 variables3. Determinar las cargas factoriales:g
![Page 57: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/57.jpg)
Componentes principales de 2 variables3. Determinar las cargas factoriales:g
- Correlación de cada variables con cada CP
![Page 58: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/58.jpg)
Componentes principales de 2 variables3. Determinar las cargas factoriales:g
- Correlación de cada variables con cada CP
- Coeficiente de correlación rhj entre el componente h y la variable j:Coeficiente de correlación rhj entre el componente h y la variable j:
rhj = uhj * √λh
![Page 59: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/59.jpg)
Componentes principales de 2 variables3. Determinar las cargas factoriales:g
- Correlación de cada variables con cada CP
- Coeficiente de correlación rhj entre el componente h y la variable j:Coeficiente de correlación rhj entre el componente h y la variable j:
rhj = uhj * √λh
- En nuestro caso (matriz factorial o matriz de componentes):
CP1 con inversión: 0,7071 * √1,54603 = 0,87821
√CP1 con beneficio: 0,7071 * √1,54603 = 0,87821
CP2 con inversión: 0 7071 * √0 43397 = 0 47643CP2 con inversión: 0,7071 √0,43397 0,47643
CP1 con beneficio: -0,7071 * √0,43397 = -0,47643
![Page 60: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/60.jpg)
Componentes principales de 2 variablesCon el Statgrafics:g
Correlations
inversion beneficio PCOMP_1 --------------------------------------------------------------------------------i i 0 5460 0 8792inversion 0,5460 0,8792 ( 9) ( 9) 0,1283 0,0018
beneficio 0,5460 0,8792 ( 9) ( 9) ( 9) ( 9)
0,1283 0,0018
PCOMP_1 0,8792 0,8792 ( 9) ( 9) 0,0018 0,0018
PCOMP_2 0,4764 -0,4764 0,0000 ( 9) ( 9) ( 9) 0,1948 0,1948 1,0000 --------------------------------------------------------------------------------
PCOMP_2 --------------------------------------------------------------------------------inversion 0,4764 ( 9) 0,1948
beneficio -0,4764 ( 9) 0,1948
PCOMP_1 0,0000 ( 9) 1,0000
![Page 61: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/61.jpg)
Componentes principales de 2 variables4. Determinar las puntuaciones tipificadas de cada componente:
CP1 = 0,7071 * inversión + 0,7071 * beneficio
CP2 = 0 7071 * inversión – 0 7071 * beneficioCP2 = 0,7071 inversión – 0,7071 beneficio
teniendo en cuenta que inversión y beneficio estántipificados (- X / D.E.)
![Page 62: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/62.jpg)
Componentes principales de 2 variablesCon el Statgrafics:g
Table of Principal ComponentsTable of Principal Components
Component Component R 1 2Row 1 2------ ------------ ------------ 1 1,28273 0,495675 2 2,25274 -0,473118 3 0,269787 0,716637 4 -0,269788 0,9688664 0,269788 0,968866 5 0,261855 -0,0227454 6 -0,393362 -0,363724 7 0 556388 0 7197277 -0,556388 -0,719727 8 -0,747277 -0,963488 9 -2,10029 0,361623
![Page 63: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/63.jpg)
Componentes principales de 2 variables
explotación inversión (€) beneficios (€) inversión beneficios CP1 CP21 775.104 23.795 1,257 0,556 1,283 -0,496
variables originales variables tipificadas componentes principales
2 775.218 58.778 1,258 1,927 2,253 0,4733 700.963 1.531 0,697 -0,316 0,270 -0,7174 674.063 -12.756 0,494 -0,875 -0,270 -0,9695 631 003 14 729 0 169 0 201 0 262 0 0235 631.003 14.729 0,169 0,201 0,262 0,0236 537.744 9.059 -0,535 -0,020 -0,393 0,3647 489.155 12.541 -0,902 0,115 -0,556 0,7208 448.465 13.495 -1,209 0,152 -0,747 0,9639 445.853 -34.828 -1,229 -1,749 -2,100 -0,362
Tercer paso:
Obt l t i i lObtener los componentes principales
![Page 64: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/64.jpg)
E tí i d ál l d í t t i
Obtención de los componentes principales
- Es un caso típico de cálculo de raíces y vectores en matricessimétricas.
![Page 65: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/65.jpg)
E tí i d ál l d í t t i
Obtención de los componentes principales
- Es un caso típico de cálculo de raíces y vectores en matricessimétricas.
- Los CP sin combinaciones lineales de las variables originales:- Los CP sin combinaciones lineales de las variables originales:
CP1 = 0 7071 * inversión + 0 7071 * beneficioCP1 = 0,7071 * inversión + 0,7071 * beneficio
CP2 = 0,7071 * inversión – 0,7071 * beneficio
![Page 66: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/66.jpg)
E tí i d ál l d í t t i
Obtención de los componentes principales
- Es un caso típico de cálculo de raíces y vectores en matricessimétricas.
- Los CP sin combinaciones lineales de las variables originales- Los CP sin combinaciones lineales de las variables originales.
- Los coeficientes de las combinaciones lineales son los elementoscaracterísticos asociados a la matriz de covarianzas de las variablesoriginales.
CP1 = u11 * inversión + u12 * beneficio
CP2 = u21 * inversión + u22 * beneficio
![Page 67: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/67.jpg)
E tí i d ál l d í t t i
Obtención de los componentes principales
- Es un caso típico de cálculo de raíces y vectores en matricessimétricas.
- Los CP sin combinaciones lineales de las variables originales- Los CP sin combinaciones lineales de las variables originales.
- Los coeficientes de las combinaciones lineales son los elementoscaracterísticos asociados a la matriz de covarianzas de las variablesoriginales.
- La б de cada CP es igual a la raíz característica a que va asociada.
λ1 = 1,54603 λ2 = 0,45397
![Page 68: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/68.jpg)
E tí i d ál l d í t t i
Obtención de los componentes principales
- Es un caso típico de cálculo de raíces y vectores en matricessimétricas.
- Los CP sin combinaciones lineales de las variables originales- Los CP sin combinaciones lineales de las variables originales.
- Los coeficientes de las combinaciones lineales son los elementoscaracterísticos asociados a la matriz de covarianzas de las variablesoriginales.
- La б de cada CP es igual a la raíz característica a que va asociada.
- Si las variables están tipificadas, la proporción de variabilidadoriginal captada por un CP es igual a su raíz característica divididapor el número de variables originalespor el número de variables originales.
-----------------------------------------------C f C l iComponent Percent of Cumulative Number Eigenvalue Variance Percentage 1 1,54604 77,302 77,302 2 0,453963 22,698 100,000-----------------------------------------------
![Page 69: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/69.jpg)
E tí i d ál l d í t t i
Obtención de los componentes principales
- Es un caso típico de cálculo de raíces y vectores en matricessimétricas.
- Los CP sin combinaciones lineales de las variables originales- Los CP sin combinaciones lineales de las variables originales.
- Los coeficientes de las combinaciones lineales son los elementoscaracterísticos asociados a la matriz de covarianzas de las variablesoriginales.
- La б de cada CP es igual a la raíz característica a que va asociada.
- Si las variables están tipificadas, la proporción de variabilidadoriginal captada por un CP es igual a su raíz característica divididapor el número de variables originalespor el número de variables originales.
- Si las variables están tipificadas, la correlación entre cada CP concada variable se determina con la raíz característica de la CP y elyelemento del del vector característico asociado.
r = u * √λrhj = uhj √λh
![Page 70: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/70.jpg)
1. Obtención de la primera componente.
Obtención de los componentes principales
1. Obtención de la primera componente.- Muestra de tamaño n sobre las siguientes variables. X1, X2, ... Xp.
![Page 71: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/71.jpg)
1. Obtención de la primera componente.
Obtención de los componentes principales
1. Obtención de la primera componente.- Muestra de tamaño n sobre las siguientes variables. X1, X2, ... Xp.
- Las observaciones están tipificadas.Las observaciones están tipificadas.
![Page 72: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/72.jpg)
1. Obtención de la primera componente.
Obtención de los componentes principales
1. Obtención de la primera componente.- Muestra de tamaño n sobre las siguientes variables. X1, X2, ... Xp.
- Las observaciones están tipificadas.Las observaciones están tipificadas.
- La primera componente sería:
CP = u *X + u *X + + u *XCP1i = u11 X1i + u12 X1i + ... + u1p Xpi
![Page 73: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/73.jpg)
1. Obtención de la primera componente.
Obtención de los componentes principales
1. Obtención de la primera componente.- Muestra de tamaño n sobre las siguientes variables. X1, X2, ... Xp.
- Las observaciones están tipificadas.Las observaciones están tipificadas.
- La primera componente sería:
CP = u *X + u *X + + u *XCP1i = u11 X1i + u12 X1i + ... + u1p Xpi
- Para el conjunto de las n observaciones:
CP11 X11 X21 X31 ... Xp1 u11
CP X X X XCP12 X12 X22 X32 ... Xp2 u12
... = ... ... ... ... ... ...
CP1n X1n X2n X3n ... Xpn u1p
![Page 74: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/74.jpg)
1. Obtención de la primera componente.
Obtención de los componentes principales
1. Obtención de la primera componente.- Se busca que la primera componente tenga varianza máxima,
considerando que la suma de los pesos (u1j) al cuadrado sea igual al id dla unidad.
![Page 75: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/75.jpg)
1. Obtención de la primera componente.
Obtención de los componentes principales
1. Obtención de la primera componente.- Se busca que la primera componente tenga varianza máxima,
considerando que la suma de los pesos (u1j) al cuadrado sea igual al id dla unidad.
- La varianza a maximizar sería u´1Vu1 (siendo V la matriz decorrelaciones)correlaciones).
![Page 76: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/76.jpg)
1. Obtención de la primera componente.
Obtención de los componentes principales
1. Obtención de la primera componente.- Se busca que la primera componente tenga varianza máxima,
considerando que la suma de los pesos (u1j) al cuadrado sea igual al id dla unidad.
- La varianza a maximizar sería u´1Vu1 (siendo V la matriz decorrelaciones)correlaciones).
- Al resolver la ecuación (primera derivada de u1 e igualar a 0): (V –λI)u1 = 0, se obtienen p raíces características y se toma la mayor) 1 , p y y(λ1).
- Con la mayor λ1 se obtiene el vector asociado u1 que corresponde alí i i d l í í i d lvector característico asociado a la raíz característica mayor de la
matriz V.
![Page 77: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/77.jpg)
2. Obtención de los restantes componentes.
Obtención de los componentes principales
2. Obtención de los restantes componentes.
- Se repite el mismo proceso aunque se impone la restricción de quep p q p qcada nuevo vector sea ortogonal a los anteriores:
u`hu1 = u`hu2 = ... = u`huh-1 = 0
![Page 78: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/78.jpg)
2. Obtención de los restantes componentes.
Obtención de los componentes principales
2. Obtención de los restantes componentes.
- Se repite el mismo proceso aunque se impone la restricción de quep p q p qcada nuevo vector sea ortogonal a los anteriores:
u`hu1 = u`hu2 = ... = u`huh-1 = 0
- Por tanto, las p CP que se pueden calcular siempre soncombinación lineal de las variables originales y los coeficientes deponderación son los correspondientes vectores característicosasociados a la matriz V (matriz de covarianzas).( )
![Page 79: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/79.jpg)
3. Número de componentes a retener.
Obtención de los componentes principales
3. Número de componentes a retener.
![Page 80: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/80.jpg)
3. Número de componentes a retener.
Obtención de los componentes principales
3. Número de componentes a retener.
- Criterio de la media aritmética. Se seleccionan aquellas CP cuyaq yraíz característica (λ) supere la media de las raíces características.
- Si tenemos variables tipificadas, todas aquellas que superenl l 1el valor 1.
-----------------------------------------------Component Percent of CumulativeComponent Percent of Cumulative Number Eigenvalue Variance Percentage 1 1,54604 77,302 77,302 2 0,453963 22,698 100,000-----------------------------------------------
![Page 81: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/81.jpg)
3. Número de componentes a retener.
Obtención de los componentes principales
3. Número de componentes a retener.
- Criterio de la media aritmética. Se seleccionan aquellas CP cuyaq yraíz característica (λ) supere la media de las raíces características.
- Si tenemos variables tipificadas, todas aquellas que superenl l 1el valor 1.Data variables:
inversion beneficio vacas hectareas
Data input: observationsNumber of complete cases: 9Missing value treatment: listwiseMissing value treatment: listwiseStandardized: yes
Number of components extracted: 4
Principal Components Analysis-----------------------------------------------Component Percent of Cumulative Number Eigenvalue Variance Percentage
1 3 07658 76 914 76 914 1 3,07658 76,914 76,914 2 0,70589 17,647 94,562 3 0,13252 3,313 97,875 4 0,0850134 2,125 100,000-----------------------------------------------
![Page 82: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/82.jpg)
3. Número de componentes a retener.
Obtención de los componentes principales
3. Número de componentes a retener.
- Criterio de la media aritmética. Se seleccionan aquellas CP cuyaq yraíz característica (λ) supere la media de las raíces características.
- Si tenemos variables tipificadas, todas aquellas que superenl l 1el valor 1.
- Contraste sobre raíces no retenidas. (suponer que las variablesoriginales siguen una distribución normal)originales siguen una distribución normal)
- El gráfico de sedimentación.
![Page 83: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/83.jpg)
3. Número de componentes a retener.
Obtención de los componentes principales
3. Número de componentes a retener.
Scree Plote 3
4
nval
ue
2
3
Eige
n
1
0 1 2 3 40
Component0 1 2 3 4
![Page 84: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/84.jpg)
3. Número de componentes a retener.
Obtención de los componentes principales
3. Número de componentes a retener.
Scree Plote 3
4
nval
ue
2
3
Eige
n
1
0 1 2 3 40
Component0 1 2 3 4
![Page 85: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/85.jpg)
3. Número de componentes a retener.
Obtención de los componentes principales
3. Número de componentes a retener.
Scree Plote 3
4
nval
ue
2
3
Eige
n
1
0 1 2 3 40
Component0 1 2 3 4
![Page 86: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/86.jpg)
4. Retención de variables.
Obtención de los componentes principales
4. Retención de variables.
- Si alguna de las variables presenta correlaciones muy débiles cong p ylos componentes retenidos, lo ideal es eliminarla del estudio (noestá representada en ningún CP).
![Page 87: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/87.jpg)
4. Retención de variables.
Obtención de los componentes principales
4. Retención de variables.
- Si alguna de las variables presenta correlaciones muy débiles cong p ylos componentes retenidos, lo ideal es eliminarla del estudio (noestá representada en ningún CP).
- Si es una variable importante a juicio del investigador, habría queretener CP hasta que dicha variable estuviese representadaretener CP hasta que dicha variable estuviese representada.
![Page 88: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/88.jpg)
5. Interpretación de los componentes.
Obtención de los componentes principales
5. Interpretación de los componentes.
- El investigador debe conocer el tema en profundidad parag p pinterpretar qué parte de la variabilidad explica el CP.
![Page 89: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/89.jpg)
5. Interpretación de los componentes.
Obtención de los componentes principales
5. Interpretación de los componentes.
- El investigador debe conocer el tema en profundidad parag p pinterpretar qué parte de la variabilidad explica el CP.
- Para que un CP sea fácilmente interpretable:
- Los coeficientes deben ser próximos a 1
- Una variable debe tener un coeficiente elevado con sólo un CP
- No deben existir CP con coeficientes similares
![Page 90: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/90.jpg)
Obj ti C t i ió té i d l l t i
Caso práctico
Objetivo: Caracterización técnica de las explotacionesecológicas de vacuno lechero.
Se recoge la información mediante encuestas directas algganadero, con muestreo aleatorio estratificado segúnlocalización geográfica (12 explotaciones en total, 55%d l bl ió )de la población).
![Page 91: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/91.jpg)
D t i l i bl li
Caso práctico
Determinar las variables a analizar
1. Los casos deben superar al conjunto de variables
![Page 92: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/92.jpg)
D t i l i bl li
Caso práctico
Determinar las variables a analizar
1. Los casos deben superar al conjunto de variables
2. Las variables deben:
Ser métricas aunque también ficticias- Ser métricas, aunque también ficticias
![Page 93: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/93.jpg)
D t i l i bl li
Caso práctico
Determinar las variables a analizar
1. Los casos deben superar al conjunto de variables
2. Las variables deben:
Ser métricas aunque también ficticias- Ser métricas, aunque también ficticias
- Alta variabilidad
![Page 94: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/94.jpg)
D t i l i bl li
Caso práctico
Determinar las variables a analizar
1. Los casos deben superar al conjunto de variables
2. Las variables deben:
Ser métricas aunque también ficticias- Ser métricas, aunque también ficticias
- Alta variabilidad
- Altas correlaciones
- Sin dependencia lineal- Sin dependencia lineal
- Sin variables incorrelacionadas
![Page 95: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/95.jpg)
D t i l i bl li
Caso práctico
Determinar las variables a analizar
1. Los casos deben superar al conjunto de variables
2. Las variables deben:
Ser métricas aunque también ficticias- Ser métricas, aunque también ficticias
- Alta variabilidad
- Altas correlaciones
- Sin dependencia lineal- Sin dependencia lineal
- Sin variables incorrelacionadas
- Principio de parsimonia (mínimas variables)
![Page 96: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/96.jpg)
D t i l i bl li
Caso práctico
Determinar las variables a analizar
1. Los casos deben superar al conjunto de variables
2. Las variables deben:
Ser métricas aunque también ficticias- Ser métricas, aunque también ficticias
- Alta variabilidad
- Altas correlaciones
- Sin dependencia lineal- Sin dependencia lineal
- Sin variables incorrelacionadas
- Principio de parsimonia (mínimas variables)
- Usar ratios en vez de absolutosUsar ratios en vez de absolutos
![Page 97: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/97.jpg)
V i bl i i l
Caso práctico
Variables originales:- Dimensión: superficie (ha), número de vacas, número de
empleados (UTH)empleados (UTH)
- Estructura patrimonial: superficie en propiedad (ha)
I ifi ió d d (k )- Intensificación: consumo de concentrado (kg)
- Productivas: leche producida (kg) y terneros producidos
- Gestión: Número de terneros muertos, número de terneras dereposición, gasto sanitario
![Page 98: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/98.jpg)
C l i
Caso práctico
CorrelacionesNHT NHT_NHP nhp NVAC TREP TMORT CARGA ITC ntc ILC NLC ccon CCON_NVAC UTHT NVAC_UTHT GASANIT_NVAC
NHT - 0,13 0,87 0,49 0,01 -0,11 -0,29 0,02 0,35 -0,22 0,46 0,45 -0,2 0,23 0,41 0,29NHT NHP 0,13 - 0,55 0,12 0,07 0,43 -0,05 -0,49 -0,02 0,72 0,32 0,09 -0,08 0,26 0,07 -0,04NHT_NHP 0,13 0,55 0,12 0,07 0,43 0,05 0,49 0,02 0,72 0,32 0,09 0,08 0,26 0,07 0,04
nhp 0,87 0,55 - 0,54 0,12 0,07 -0,18 -0,16 0,36 0,18 0,6 0,42 -0,06 0,37 0,41 0,31NVAC 0,49 0,12 0,54 - 0,48 -0,32 0,65 0,39 0,96 -0,02 0,96 0,52 -0,23 0,43 0,91 0,89TREP 0,01 0,07 0,12 0,48 - -0,47 0,62 0,45 0,58 -0,07 0,42 -0,42 -0,79 0,39 0,29 0,69
TMORT -0,11 0,43 0,07 -0,32 -0,47 - -0,37 -0,78 -0,47 0,53 -0,14 0,09 0,2 0,01 -0,28 -0,49CARGA -0,29 -0,05 -0,18 0,65 0,62 -0,37 - 0,53 0,77 0,06 0,62 0,04 -0,36 0,21 0,64 0,79
ITC 0 02 0 49 0 16 0 39 0 45 0 78 0 53 0 59 0 33 0 25 0 15 0 27 0 03 0 37 0 66ITC 0,02 -0,49 -0,16 0,39 0,45 -0,78 0,53 - 0,59 -0,33 0,25 -0,15 -0,27 -0,03 0,37 0,66ntc 0,35 -0,02 0,36 0,96 0,58 -0,47 0,77 0,59 - -0,08 0,9 0,37 -0,31 0,38 0,88 0,96ILC -0,22 0,72 0,18 -0,02 -0,07 0,53 0,68 -0,33 -0,08 - 0,21 -0,01 0,07 -0,02 0 -0,05NLC 0,46 0,32 0,6 0,96 0,42 -0,14 0,62 0,25 0,9 0,21 - 0,52 -0,22 0,39 0,9 0,84ccon 0,45 0,09 0,42 0,52 -0,42 0,09 0,04 -0,15 0,37 -0,01 0,52 - 0,59 0,23 0,55 0,15
CCON_NVAC -0,02 -0,08 -0,06 -0,23 -0,79 0,2 -0,36 -0,27 -0,31 0,07 -0,22 0,59 - -0,01 -0,21 -0,43UTHT 0,23 0,26 0,37 0,43 0,39 0,01 0,21 -0,03 0,38 -0,2 0,39 0,23 -0,01 - 0,07 0,34
NVAC_UTHT 0,41 0,075 0,41 0,91 0,29 -0,28 0,64 0,37 0,88 0 0,9 0,55 -0,21 0,07 - 0,79GASANIT_NVAC 0,29 -0,44 0,31 0,89 0,69 -0,49 0,79 0,66 0,96 -0,05 0,84 0,15 -0,43 0,34 0,79 -
![Page 99: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/99.jpg)
C l i
Caso práctico
CorrelacionesNHT NHT_NHP nhp NVAC TREP TMORT CARGA ITC ntc ILC NLC ccon CCON_NVAC UTHT NVAC_UTHT GASANIT_NVAC
NHT - 0,13 0,87 0,49 0,01 -0,11 -0,29 0,02 0,35 -0,22 0,46 0,45 -0,2 0,23 0,41 0,29NHT NHP 0,13 - 0,55 0,12 0,07 0,43 -0,05 -0,49 -0,02 0,72 0,32 0,09 -0,08 0,26 0,07 -0,04NHT_NHP 0,13 0,55 0,12 0,07 0,43 0,05 0,49 0,02 0,72 0,32 0,09 0,08 0,26 0,07 0,04
nhp 0,87 0,55 - 0,54 0,12 0,07 -0,18 -0,16 0,36 0,18 0,6 0,42 -0,06 0,37 0,41 0,31NVAC 0,49 0,12 0,54 - 0,48 -0,32 0,65 0,39 0,96 -0,02 0,96 0,52 -0,23 0,43 0,91 0,89TREP 0,01 0,07 0,12 0,48 - -0,47 0,62 0,45 0,58 -0,07 0,42 -0,42 -0,79 0,39 0,29 0,69
TMORT -0,11 0,43 0,07 -0,32 -0,47 - -0,37 -0,78 -0,47 0,53 -0,14 0,09 0,2 0,01 -0,28 -0,49CARGA -0,29 -0,05 -0,18 0,65 0,62 -0,37 - 0,53 0,77 0,06 0,62 0,04 -0,36 0,21 0,64 0,79
ITC 0 02 0 49 0 16 0 39 0 45 0 78 0 53 0 59 0 33 0 25 0 15 0 27 0 03 0 37 0 66ITC 0,02 -0,49 -0,16 0,39 0,45 -0,78 0,53 - 0,59 -0,33 0,25 -0,15 -0,27 -0,03 0,37 0,66ntc 0,35 -0,02 0,36 0,96 0,58 -0,47 0,77 0,59 - -0,08 0,9 0,37 -0,31 0,38 0,88 0,96ILC -0,22 0,72 0,18 -0,02 -0,07 0,53 0,68 -0,33 -0,08 - 0,21 -0,01 0,07 -0,02 0 -0,05NLC 0,46 0,32 0,6 0,96 0,42 -0,14 0,62 0,25 0,9 0,21 - 0,52 -0,22 0,39 0,9 0,84ccon 0,45 0,09 0,42 0,52 -0,42 0,09 0,04 -0,15 0,37 -0,01 0,52 - 0,59 0,23 0,55 0,15
CCON_NVAC -0,02 -0,08 -0,06 -0,23 -0,79 0,2 -0,36 -0,27 -0,31 0,07 -0,22 0,59 - -0,01 -0,21 -0,43UTHT 0,23 0,26 0,37 0,43 0,39 0,01 0,21 -0,03 0,38 -0,2 0,39 0,23 -0,01 - 0,07 0,34
NVAC_UTHT 0,41 0,075 0,41 0,91 0,29 -0,28 0,64 0,37 0,88 0 0,9 0,55 -0,21 0,07 - 0,79GASANIT_NVAC 0,29 -0,44 0,31 0,89 0,69 -0,49 0,79 0,66 0,96 -0,05 0,84 0,15 -0,43 0,34 0,79 -
Alta correlación : NHT con nhp NVAC con ntc
NVAC con NLC NVAC_UTH con NVAC
NVAC con GASANIT_VAC NLC con ntc
ntc con GASANIT_VAC
Ninguna incorrelacionada o con coeficientes muy bajos
![Page 100: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/100.jpg)
D i ió t dí ti
Caso práctico
Descripción estadísticaSummary Statistics
NHT NHT NHP NVAC NHT NHT_NHP NVAC --------------------------------------------------------------------------------Count 12 12 12 Average 42,8108 0,592407 52,8333 Median 37,5 0,54 42,0 , , ,Variance 1003,82 0,110589 1322,52 Standard error 9,14615 0,0959989 10,4981 Minimum 18,0 0,0555556 14,0 Maximum 136,0 1,0 128,0
il 24 5 0 341667 29 0Lower quartile 24,5 0,341667 29,0 Upper quartile 48,0 0,899451 62,5 Coeff. of variation 74,0074% 56,1354% 68,8323% --------------------------------------------------------------------------------
NREP NTM TREP --------------------------------------------------------------------------------Count 12 12 12 Average 25,0833 3,25 20,1842 Median 15,5 3,0 22,16 Variance 1020,08 4,56818 122,09 Standard error 9,21992 0,616994 3,18969 Minimum 1,0 0,0 0,76 Maximum 109,0 6,0 42,58Maximum 109,0 6,0 42,58 Lower quartile 6,5 1,5 14,105 Upper quartile 21,0 5,5 24,29 Coeff. of variation 127,331% 65,764% 54,743% --------------------------------------------------------------------------------
![Page 101: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/101.jpg)
D i ió t dí ti
Caso práctico
Descripción estadística NTP TMORT CARGA --------------------------------------------------------------------------------Count 12 12 12 Average 48,5833 8,28083 1,57167 Median 35,0 8,535 1,22 Variance 1636,81 23,2112 2,54731 Standard error 11,6791 1,39078 0,460734 , , ,Minimum 14,0 0,0 0,37 Maximum 148,0 15,15 6,49 Lower quartile 25,0 5,335 0,945 Upper quartile 51,0 11,655 1,47 Coeff. of variation 83,2745% 58,1801% 101,55% --------------------------------------------------------------------------------
ITC ILC NLC --------------------------------------------------------------------------------Count 12 12 12 Average 0,820833 5351,34 281543,0 Median 0,86 5704,68 228850,0 Variance 0,0234811 2,15118E6 3,8528E10 Standard error 0,0442352 423,397 56662,7 Minimum 0,57 2500,0 50000,0 Maximum 1,14 7571,43 650000,0 Lower quartile 0,69 4836,54 152200,0 Upper quartile 0,89 6325,4 353209,0 Coeff. of variation 18,6683% 27,4079% 69,7177% --------------------------------------------------------------------------------
![Page 102: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/102.jpg)
D i ió t dí ti
Caso práctico
Descripción estadística CCON_NVAC CCON_NVAC*NVAC UTHT --------------------------------------------------------------------------------Count 12 12 12Count 12 12 12 Average 1899,78 92601,7 2,28 Median 1525,0 65575,0 2,0 Variance 1,01814E6 4,52938E9 0,6222 Standard error 291,282 19428,0 0,227706Standard error 291,282 19428,0 0,227706 Minimum 698,48 21000,0 1,16 Maximum 3406,62 221430,0 4,0 Lower quartile 1143,75 47427,4 2,0 Upper quartile 2998,81 137000,0 2,895 Uppe qua t e 998,8 3 000,0 ,895Coeff. of variation 53,113% 72,6776% 34,5963% --------------------------------------------------------------------------------
GASANIT NVAC GASANIT NVAC*NVAC _ _--------------------------------------------------------------------------------Count 12 12 Average 6558,33 719057,0 Median 1650,0 49500,0 Variance 1,56612E8 2,62893E12 Standard error 3612,62 468057,0 Minimum 0,0 0,0 Maximum 40200,0 5,1456E6 Lower quartile 1000,0 26900,0 Upper quartile 2640,0 144240,0 Coeff. of variation 190,818% 225,49% --------------------------------------------------------------------------------
![Page 103: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/103.jpg)
D i ió t dí ti
Caso práctico
Descripción estadísticaSummary Statistics
NHT NHT NHP NVAC NHT NHT_NHP NVAC --------------------------------------------------------------------------------Count 12 12 12 Average 42,8108 0,592407 52,8333 Median 37,5 0,54 42,0 , , ,Variance 1003,82 0,110589 1322,52 Standard error 9,14615 0,0959989 10,4981 Minimum 18,0 0,0555556 14,0 Maximum 136,0 1,0 128,0
il 24 5 0 341667 29 0Lower quartile 24,5 0,341667 29,0 Upper quartile 48,0 0,899451 62,5 Coeff. of variation 74,0074% 56,1354% 68,8323% --------------------------------------------------------------------------------
NREP NTM TREP --------------------------------------------------------------------------------Count 12 12 12 Average 25,0833 3,25 20,1842 Median 15,5 3,0 22,16 Variance 1020,08 4,56818 122,09 Standard error 9,21992 0,616994 3,18969 Minimum 1,0 0,0 0,76 Maximum 109,0 6,0 42,58Maximum 109,0 6,0 42,58 Lower quartile 6,5 1,5 14,105 Upper quartile 21,0 5,5 24,29 Coeff. of variation 127,331% 65,764% 54,743% --------------------------------------------------------------------------------
![Page 104: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/104.jpg)
D i ió t dí ti
Caso práctico
Descripción estadística NTP TMORT CARGA --------------------------------------------------------------------------------Count 12 12 12 Average 48,5833 8,28083 1,57167 Median 35,0 8,535 1,22 Variance 1636,81 23,2112 2,54731 Standard error 11,6791 1,39078 0,460734 , , ,Minimum 14,0 0,0 0,37 Maximum 148,0 15,15 6,49 Lower quartile 25,0 5,335 0,945 Upper quartile 51,0 11,655 1,47 Coeff. of variation 83,2745% 58,1801% 101,55% --------------------------------------------------------------------------------
ITC ILC NLC --------------------------------------------------------------------------------Count 12 12 12 Average 0,820833 5351,34 281543,0 Median 0,86 5704,68 228850,0 Variance 0,0234811 2,15118E6 3,8528E10 Standard error 0,0442352 423,397 56662,7 Minimum 0,57 2500,0 50000,0 Maximum 1,14 7571,43 650000,0 Lower quartile 0,69 4836,54 152200,0 Upper quartile 0,89 6325,4 353209,0 Coeff. of variation 18,6683% 27,4079% 69,7177% --------------------------------------------------------------------------------
![Page 105: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/105.jpg)
D i ió t dí ti
Caso práctico
Descripción estadística CCON_NVAC CCON_NVAC*NVAC UTHT --------------------------------------------------------------------------------Count 12 12 12Count 12 12 12 Average 1899,78 92601,7 2,28 Median 1525,0 65575,0 2,0 Variance 1,01814E6 4,52938E9 0,6222 Standard error 291,282 19428,0 0,227706Standard error 291,282 19428,0 0,227706 Minimum 698,48 21000,0 1,16 Maximum 3406,62 221430,0 4,0 Lower quartile 1143,75 47427,4 2,0 Upper quartile 2998,81 137000,0 2,895 Uppe qua t e 998,8 3 000,0 ,895Coeff. of variation 53,113% 72,6776% 34,5963% --------------------------------------------------------------------------------
GASANIT NVAC GASANIT NVAC*NVAC _ _--------------------------------------------------------------------------------Count 12 12 Average 6558,33 719057,0 Median 1650,0 49500,0 Variance 1,56612E8 2,62893E12 Standard error 3612,62 468057,0 Minimum 0,0 0,0 Maximum 40200,0 5,1456E6 Lower quartile 1000,0 26900,0 Upper quartile 2640,0 144240,0 Coeff. of variation 190,818% 225,49% --------------------------------------------------------------------------------
![Page 106: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/106.jpg)
V i bl l i d
Caso práctico
Variables seleccionadas:- Dimensión: superficie (ha), número de vacas, número de
empleados (UTH)empleados (UTH)
- Estructura patrimonial: superficie en propiedad (ha)
I ifi ió d d (k )- Intensificación: consumo de concentrado (kg)
- Productivas: leche producida (kg) y terneros producidos
- Gestión: Número de terneros muertos, número de terneras dereposición, gasto sanitario
![Page 107: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/107.jpg)
Caso práctico
Principal Components Analysis Principal Components Analysis-----------------------------------------------Component Percent of Cumulative Number Eigenvalue Variance Percentage 1 5,79804 57,980 57,980 2 2,07674 20,767 78,748, , , 3 0,844575 8,446 87,194 4 0,786216 7,862 95,056
5 0 356381 3 564 98 620 5 0,356381 3,564 98,620 6 0,112722 1,127 99,747 7 0,0159819 0,160 99,907 8 0,00609229 0,061 99,967 9 0,00301224 0,030 99,998
10 0,000239632 0,002 100,000 10 0,000239632 0,002 100,000-----------------------------------------------
![Page 108: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/108.jpg)
Caso práctico
Scree Plote 5
6
nval
ue
3
4
Eige
n
1
2
0 2 4 6 8 100
1
Component0 2 4 6 8 10
![Page 109: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/109.jpg)
Caso práctico
Matriz factorial
CP1 CP2NHT 0,61 -0,54NHP 0,68 -0,53
NVAC 0,97 0,13UTH 0,51 -0,03
CCON 0,54 0,55GASAN 0,84 0,51GASAN 0,84 0,51
NTP 0,92 0,31NLC 0,96 0,05
NREP 0 82 0 54NREP 0,82 0,54NTM 0,49 -0,7
![Page 110: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/110.jpg)
V i bl l i d
Caso práctico
Variables seleccionadas:- Dimensión: superficie (ha), número de vacas, número de
empleados (UTH)empleados (UTH)
- Estructura patrimonial: superficie en propiedad (%)
I ifi ió d d (k )- Intensificación: consumo de concentrado por vaca (kg), cargaganadera, UTH/número de vacas
Productivas: leche producida por vaca (kg) y terneros producidos- Productivas: leche producida por vaca (kg) y terneros producidospor vaca
- Gestión: Tasa de mortalidad, Tasa de reposición, Gasto sanitario, p ,por vaca
![Page 111: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/111.jpg)
Caso práctico
Principal Components Analysis-----------------------------------------------Component Percent of Cumulative Number Eigenvalue Variance Percentage 1 4,89584 40,799 40,799,8958 0, 99 0, 99 2 2,3935 19,946 60,744 3 1,61807 13,484 74,228
4 1 18132 9 844 84 073 4 1,18132 9,844 84,073 5 0,916237 7,635 91,708 6 0,546603 4,555 96,263 7 0,292176 2,435 98,698 8 0,109103 0,909 99,607 9 0,037093 0,309 99,916, , , 10 0,00903205 0,075 99,991 11 0,00102991 0,009 100,000
12 0 0 0 000 100 000 12 0,0 0,000 100,000-----------------------------------------------
![Page 112: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/112.jpg)
Caso práctico
Scree Plote 4
5
nval
ue
3
Eige
n
1
2
0 2 4 6 8 10 120
1
Component0 2 4 6 8 10 12
![Page 113: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/113.jpg)
Caso práctico
Matriz factorial
CP1 CP2 CP3 CP4 CP5NHT 0,25 0,18 -0,83 -0,28 -0,31
NHT/NHP 0 12 0 89 0 08 0 1 0 12NHT/NHP -0,12 0,89 0,08 -0,1 -0,12NVAC 0,85 0,35 -0,33 0,14 0,05UTHT 0,31 0,4 -0,18 -0,47 0,67TREP 0 76 0 09 0 41 0 44 0 2TREP 0,76 0,09 0,41 -0,44 -0,2
TMORT -0,64 0,58 0,04 0,05 0ITC 0,72 -0,5 0,08 0,15 0
CARGA 0 79 0 1 0 39 0 33 0 23CARGA 0,79 0,1 0,39 0,33 0,23ILC -0,21 0,75 0,35 0,33 -0,07
CCON/NVAC -0,52 -0,06 -0,46 0,46 0,48NVAC/UTHNVAC/UTH 0,76 0,27 -0,3 0,4 -0,19
GASAN/NVAC 0,96 0,14 -0,03 0,09 0,02
![Page 114: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/114.jpg)
V i bl l i d
Caso práctico
Variables seleccionadas:- Dimensión: superficie (ha), número de vacas, número de
empleados (UTH)empleados (UTH)
- Estructura patrimonial: superficie en propiedad (%)
I ifi ió d d (k )- Intensificación: consumo de concentrado por vaca (kg), cargaganadera, UTH/número de vacas
Productivas: leche producida por vaca (kg) y terneros producidos- Productivas: leche producida por vaca (kg) y terneros producidospor vaca
- Gestión: Tasa de mortalidad, Tasa de reposición, Gasto sanitario, p ,por vaca
![Page 115: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/115.jpg)
Caso práctico
Principal Components Analysis Principal Components Analysis-----------------------------------------------Component Percent of Cumulative Number Eigenvalue Variance Percentage 1 4,20154 42,015 42,015
2 2,1611 21,611 63,626 2 2,1611 21,611 63,626 3 1,41165 14,116 77,743 4 1,08163 10,816 88,559
5 0 535232 5 352 93 912 5 0,535232 5,352 93,912 6 0,311971 3,120 97,031 7 0,19467 1,947 98,978 8 0,0899084 0,899 99,877 9 0,0118104 0,118 99,995
10 0 000486311 0 005 100 000 10 0,000486311 0,005 100,000-----------------------------------------------
![Page 116: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/116.jpg)
Caso práctico
Scree Plot
4
5
e
3
nval
ue
1
2
Eige
n
0 2 4 6 8 100
1
0 2 4 6 8 10
Component
![Page 117: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/117.jpg)
Caso práctico
Matriz factorial
CP1 CP2 CP3 CP4 CP5NHT 0 14 0 0 94 0 27 0 06NHT -0,14 0 0,94 -0,27 0,06
NHT/NHP 0,26 0,85 0,15 -0,12 0,27TREP -0,78 0,29 -0,24 -0,42 0,06
OTMORT 0,73 0,46 0 0,02 -0,4ITC -0,81 -0,33 -0,08 0,16 0,28
CARGA -0,78 0,3 -0,3 0,38 -0,17ILC 0,3 0,81 -0,15 0,25 0,27
CCON/NVAC 0,57 -0,3 0,22 0,64 0,19NVAC/UTH -0,66 0,31 0,47 0,35 -0,24
GASAN/NVAC -0,91 0,25 0,19 0,15 -0,02
![Page 118: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/118.jpg)
Caso práctico
Matriz factorial
CP1 CP2 CP3 CP4 CP5NHT 0 14 0 0 94 0 27 0 06NHT -0,14 0 0,94 -0,27 0,06
NHT/NHP 0,26 0,85 0,15 -0,12 0,27TREP -0,78 0,29 -0,24 -0,42 0,06
OTMORT 0,73 0,46 0 0,02 -0,4ITC -0,81 -0,33 -0,08 0,16 0,28
CARGA -0,78 0,3 -0,3 0,38 -0,17ILC 0,3 0,81 -0,15 0,25 0,27
CCON/NVAC 0,57 -0,3 0,22 0,64 0,19NVAC/UTH -0,66 0,31 0,47 0,35 -0,24
GASAN/NVAC -0,91 0,25 0,19 0,15 -0,02
![Page 119: ANÁLISIS DE COMPONENTES PRINCIPALES - uco.es · Análisis de interdependencias introducción Relación entre variables Relación entre casos Relación entre objetos Métricas No](https://reader031.fdocuments.co/reader031/viewer/2022021821/5b066b047f8b9a5c308cf206/html5/thumbnails/119.jpg)
C á ti
caso práctico
Caso práctico.
1. Caracterizar y tipificar a los alumnos del master.
- Aplicar CPp
- Interpretar
Aplicar Cluster- Aplicar Cluster
- Interpretar