Excelente explicación solo una acotación, si mal no recuerdo no sería A por el eigenvalor = al eigenvalor por el eigenvector, sino seria A por el eigenvector = al eigenvalor por el eigenvector (A*v=lambda*v)
Muchas gracias por la información. ¿Qué bibliografía me recomendaría si estoy iniciando con este tipo de análisis multivariado y multivariante? Ya tengo conocimiento básico de la estadística, hasta ANOVA de dos vías.
Hola, tengo algunas dudas: 1- Cuando explica el PCA Score plot (55:08), cual es el dataset que utiliza? Y cual es el tamaño? Creo que son 15 parametros, pero no mencional el numero de muestas. 2- Cuando muestra el bi-plot (1:00:51), es el mismo data set que mostró para el PCA score plot? porque el rango de los ejes es distintos.
Excelente video, el mejor que he encontrado sobre el tema hasta el momento, gracias! una pegunta Omar; Estoy usando PCA en Stata para variables de calidad del agua (pH, Fitoplancton total, clorofila a, temperatura, solidos disueltos, nitrratos, etc.), igual debo estandarizar los datos antes de correr pca verdad? y puedo usarlo aunque tenga 22 variables (k) y solo 12 observaciones (meses) o debería aumentar el no de observaciones (meses(12) *estaciones (2) = 24 numero de observaciones ? Muchas gracias profe por subir el material, realmente me sirve mucho para mi tesis.
Ha Luis, muchas gracias por tus comentarios. Si es indispensable estandarizar los datos antes de analizar para que el eje de varianza no se afecte por la escala de medición. PCA te va a ser útil especialmente en casos con pocas observaciones y muchas variables, dónde seguro tendrás problemas de multidimensionalidad. Saludos!
Saludos Omar, favor facilitarme su correo, necesito plantearle una situación referente a ACP que me encuentro realizando. De casualidad tiene un video explicando ACP en el software R?
Buen día Dr. Omar una pregunta, tomando el ejemplo que puso de la reducción de dimensiones del eje de Máxima varianza al cual nombro canasta básica (Eje "x" precio del huevo, eje "y" precio del aceite, eje "z" precio de las tortillas) si consideramos que lo hace con la unidad de medida en dólares y yo tomó los mismos datos pero los transformo primero a pesos mexicanos. Si ambos proyectamos los datos en la dirección de máxima varianza ¿obtendríamos los mismos resultados?
La transformación aritmética (de dólares a pesos) no modificaría los resultados pues al estandarizarlos con media cero y desviación estándar 1 la media y la varianza quedarían iguales. De ahí la importancia de que las variables queden en ese formato previo a la reducción de dimensiones. Saludos!
genial la presentación, tan claro incluso en los conceptos complejos
Muy bien explicado muchas gracias
Es la mejor clase de PCA que he visto. ¿La parte práctica en R la tiene en el canal? Le agradezco infinitamente su labor de difusión por este medio.
Ojalá y mi profesor de estadística me lo hubiera explicado así 🤯
Excelente explicación solo una acotación, si mal no recuerdo no sería A por el eigenvalor = al eigenvalor por el eigenvector, sino seria A por el eigenvector = al eigenvalor por el eigenvector (A*v=lambda*v)
Excelente información, te felicito por la claridad en tu explicación. Gracias por compartir 👍🏼👍🏼
Maravillosa explicación!
El mejor video que he visto de este tema, muy bien explicado.
por fin entendí el PCA, Omar te felicito por la didactica
Muchas gracias, te veo desde españa, explicas excelente un saludo!
Excelente clase
Muy buena su explicación. Le agradezco
Hola excelente vídeo, quisiera preguntar si la parte práctica fue cargada
Gran video carnal
Excelente clase. Gracias, doctor. ¿Puedo ver la siguiente clase?
avisen cuando hay a nuevos cursos con el APC, esta entendible en curso!
Muchas gracias por la información. ¿Qué bibliografía me recomendaría si estoy iniciando con este tipo de análisis multivariado y multivariante? Ya tengo conocimiento básico de la estadística, hasta ANOVA de dos vías.
Hola, tengo algunas dudas:
1- Cuando explica el PCA Score plot (55:08), cual es el dataset que utiliza? Y cual es el tamaño? Creo que son 15 parametros, pero no mencional el numero de muestas.
2- Cuando muestra el bi-plot (1:00:51), es el mismo data set que mostró para el PCA score plot? porque el rango de los ejes es distintos.
Excelente video, el mejor que he encontrado sobre el tema hasta el momento, gracias! una pegunta Omar;
Estoy usando PCA en Stata para variables de calidad del agua (pH, Fitoplancton total, clorofila a, temperatura, solidos disueltos, nitrratos, etc.), igual debo estandarizar los datos antes de correr pca verdad?
y puedo usarlo aunque tenga 22 variables (k) y solo 12 observaciones (meses) o debería aumentar el no de observaciones (meses(12) *estaciones (2) = 24 numero de observaciones ?
Muchas gracias profe por subir el material, realmente me sirve mucho para mi tesis.
Ha Luis, muchas gracias por tus comentarios. Si es indispensable estandarizar los datos antes de analizar para que el eje de varianza no se afecte por la escala de medición. PCA te va a ser útil especialmente en casos con pocas observaciones y muchas variables, dónde seguro tendrás problemas de multidimensionalidad. Saludos!
@@OmarBelloMD Gracias 🙂
Cómo puedo un análisis de varianza con medidas repetidas en infostat?
Saludos Omar, favor facilitarme su correo, necesito plantearle una situación referente a ACP que me encuentro realizando. De casualidad tiene un video explicando ACP en el software R?
Excelente video se entiende muy bien todo, sin embargo en todos los grupos como se cual es la ¿máxima varianza de cada grupo?
Tendrías que hacer el PCA separado por grupo, pero siempre es posible
Qué profe tan genial, ni punto de comparación con mi profesor de Bioestadística
Muchas gracias, ojalá te sea de utilidad el material :)
esta teoria me sirviria para machine learning?
como acceder al curso completo...?🙄
una pregunta Dr: si el PCA es exploratorio, que analisis adicionales sugeriria?
Puedes hacer un análisis de regresión con los componentes principales identificados, un análisis de clustering o un análisis factorial confirmatorio
Buen día Dr. Omar una pregunta, tomando el ejemplo que puso de la reducción de dimensiones del eje de Máxima varianza al cual nombro canasta básica (Eje "x" precio del huevo, eje "y" precio del aceite, eje "z" precio de las tortillas) si consideramos que lo hace con la unidad de medida en dólares y yo tomó los mismos datos pero los transformo primero a pesos mexicanos. Si ambos proyectamos los datos en la dirección de máxima varianza ¿obtendríamos los mismos resultados?
La transformación aritmética (de dólares a pesos) no modificaría los resultados pues al estandarizarlos con media cero y desviación estándar 1 la media y la varianza quedarían iguales. De ahí la importancia de que las variables queden en ese formato previo a la reducción de dimensiones.
Saludos!
@@OmarBelloMD muchísimas gracias Dr. Omar.