Upload
joabe-cerqueira
View
213
Download
0
Embed Size (px)
DESCRIPTION
componentes principais
Citation preview
1
ANLISE DE DADOS APLICADA AGRONOMIA PS-GRADUAO
AGRONOMIA CINCIA DO SOLO
ANLISE DE COMPONENTES PRINCIPAIS
Carlos Alberto Alves Varella1
Introduo A anlise de componentes principais uma tcnica de anlise multivariada que consiste
em transformar um conjunto de variveis em outro conjunto, os componentes principais, de
mesma dimenso, porm com propriedades importantes: cada componente principal uma
combinao linear de todas as variveis originais, so independentes entre si e estimados com
o propsito de reter, em ordem de estimao, o mximo de informao, em termos da variao
total contida nos dados.
A anlise de componentes principais associada idia de reduo de massa de dados,
com menor perda possvel da informao. Procura-se redistribuir a variao observada nos
eixos originais de forma a se obter um conjunto de eixos ortogonais no correlacionados. Esta
tcnica tambm pode ser utilizada para o agrupamento de indivduos similares, mediante
exame visual em grficos de disperso no espao bi ou tridimensional. A anlise agrupa os
indivduos de acordo com sua variao, isto , os indivduos so agrupados segundo suas
varincias, ou seja, segundo seu comportamento dentro da populao, representado pela
variao do conjunto de caractersticas que define o indivduo, ou seja, a tcnica agrupa os
indivduos de uma populao segundo a variao de suas caractersticas.
Segundo REGAZZI (2000), apesar das tcnicas de anlise multivariada terem sido
desenvolvidas para resolver problemas especficos, principalmente de Biologia e Psicologia,
podem ser tambm utilizadas para resolver outros tipos de problemas em diversas reas do
conhecimento. A anlise de componentes principais a tcnica mais conhecida, contudo
importante ter uma viso conjunta de todas ou quase todas as tcnicas para resolver a maioria
dos problema prticos.
1 Professor. Universidade Federal Rural do Rio de Janeiro, IT-Departamento de Engenharia, BR 465 km 7 - CEP 23890-000 Seropdica RJ. E-mail: [email protected].
Matriz de dados Considere a situao em que observamos p caractersticas de n indivduos de uma
populao . As caractersticas observadas so representadas pelas variveis x1, x2, x3, ..., xp.
A matriz de dados de ordem n x p e normalmente denominada de matriz X.
=
np3n2n1n
p3333231
p2232221
p1131211
xxxx
xxxxxxxxxxxx
X
LMOMMM
LLL
A estrutura de interdependncia entre as caractersticas da matriz de dados representada
pela matriz de covarincia S ou pela matriz de correlao R. O entendimento dessa
estrutura atravs das variveis x1, x2, x3, ..., xp, pode ser na prtica uma coisa complicada.
Assim, o objetivo da anlise de componentes principais transformar essa estrutura
complicada, representada pelas variveis x1, x2, x3, ..., xp, em uma outra estrutura representada
pelas variveis y1, y2, y3, ..., yp no correlacionadas e com varincias ordenadas, para que seja
possvel comparar os indivduos usando apenas as variveis yis que apresentam maior
varincia. A soluo dada a partir da matriz de covarincia S ou da matriz de correlao R.
Matriz de covarincia S A partir da matriz X de dados de ordem n x p podemos fazer uma estimativa da matriz
de covarincia da populao que representaremos por S. A matriz S simtrica e de ordem
p x p.
=
)x(arV)xx(ovC)xx(ovC)xx(ovC
)xx(ovC)x(arV)xx(ovC)xx(ovC
)xx(ovC)xx(ovC)x(arV)xx(ovC
)xx(ovC)xx(ovC)xx(ovC)x(arV
S
p3p2p1p
p332313
p232212
p131211
LMOMMM
LLL
Normalmente as caractersticas so obervadas em unidades de medidas diferentes entre si,
e neste caso, segundo REGAZZI (2000) conveniente padronizar as variveis Xj (i=1, 2, 3,
3
..., p). A padronizao pode ser feita com mdia zero e varincia 1, ou com varincia 1 e
mdia qualquer.
Padronizao com mdia zero e varincia 1
p,,2,1jen,,2,1i,)x(sxx
zj
jijij LL ==
=
Padronizao com varincia 1e mdia qualquer
p,,2,1jen,,2,1i,)x(s
xz
j
ijij LL ===
em que, jX e )x(S j so, respectivamente, a estimativa da mdia e o desvio padro da caracterstica j:
n
xx
n
1iij
j
==
e p,2,1j,)x(arV)x(s jj L==
( )1n
n
xx
)x(arVou1n
xx)x(arV
n
1i
2n
1iij
2ij
j
2n
1ijij
j
=
= =
==
Aps a padronizao obtemos uma nova matriz de dados Z:
=
np3n2n1n
p3333231
p2232221
p1131211
zzzz
zzzzzzzz
zzzz
Z
LMOMMM
LLL
A matriz Z das variveis padronizadas zj igual a matriz de correlao da matriz de dados
X. Para determinar os componentes principais normalmente partimos da matriz de correlao
R. importante observar que o resultado encontrado para a anlise a partir da matriz S pode
ser diferente do resultado encontrado a partir da matriz R. A recomendao que a
4
padronizao s dever ser feita quando as unidades de medidas das caractersticas observadas
no forem as mesmas.
Determinao dos componentes principais Os componentes principais so determinados resolvendo-se a equao caracterstica da
matriz S ou R, isto :
[ ] 0IRou0IRdet ==
Se a matriz R for de posto completo igual a p, isto , no apresentar nenhuma coluna
que seja combinao linear de outra, a equao 0IR = ter p razes chamadas de autovalores ou razes caractersticas da matriz R. Na montagem da matriz de dados X
importante observar que o valor de n (indivduos, tratamentos, gentipos, etc.) dever ser pelo
menos igual a p+1, isto , se queremos montar um experimento para analisar o
comportamento de p caractersticas de indivduos de uma populao recomendado que o
delineamento estatstico apresente pelo menos p+1 tratamentos.
Sejam 1, 2, 3, ..., p as razes da equao caracterstica da matriz R ou S, ento:
p321 , >> L .
Para cada autovalor i existe um autovetor ia~ :
=
ip
2i
1i
i
a
aa
a~ M
Os autovetores ia~ so normalizados, isto , a soma dos quadrados dos coeficientes igual
a 1, e ainda so ortogonais entre si. Devido a isso apresentam as seguintes propriedades:
( )1a~a~1a i'ip1j
2ij ==
=
e ( )kipara0a~a~0aa k'ip1j
kjij ===
5
Sendo ia~ o autovetor correspondente ao autovalor i , ento o i-simo componente
principal dado por:
pip22i11ii XaXaXaY +++= L
Os componentes principais apresentam as seguintes propriedades:
1) A varincia do componente principal Yi igual ao valor do autovalor i.
( ) iiYarV =
2) O primeiro componente o que apresenta maior varincia e assim por diante:
)Y(arV)Y(arV)Y(arV p21 >>> L
3) O total de varincia das variveis originais igual ao somatrio dos autovalores que igual
ao total de varincia dos componentes principais:
== )Y(arV)X(arV iii
4) Os componentes principais no so correlacionados entre si: ( ) 0Y,YovC ji = Contribuio de cada componente principal
A contribuio Ci de cada componenete principal Yi expressa em porcentagem.
calculada dividindo-se a varincia de Yi pela varncia total. Representa a proporo de
varincia total explicada pelo componenete principal Yi.
( )( ) ( )
100Strao
100100YarV
YarVC ip
1ii
ip
1ii
ii =
====
A importncia de um componente principal avaliada por meio de sua contribuio, isto
, pela proporo de varincia total explicada pelo componente. A soma dos primeiros k
autovalores representa a proporo de informao retida na reduo de p para k dimenses.
Com essa informao podemos decidir quantos componente vamos usar na anlise, isto ,
quantos componentes sero utilizados para diferenciar os indivduos. No existe um modelo
estatstico que ajude nesta deciso. Segundo REGAZZI (2000) para aplicaes em diversas
6
reas do conhecimento o nmero de componentes utilizados tem sido aquele que acumula
70% ou mais de proporo da varincia total.
( ) ( )( )
pkonde%70100YarV
YarVYarVk
1ii
k1
7
utilizando-se os escores desses componentes. No Quadro 1 exemplificado a organizao de
um conjunto de dados composto por n tratamentos, p variveis e k componentes principais.
Quadro 1. Organizao de um conjunto de dados com n tratamentos, p variveis e k componentes Tratamentos
(Indivduos)
Variveis Escores dos componentes principais
X1 X2 ... Xp Y1 Y2 ... Yk
1 X11 X12 M X1p Y11 Y12 ... Y1k 2 X21 X22 M X2p Y21 Y22 ... Y2k M M M M M M M M M n Xn1 Xn2 ... Xnp Yn1 Yn2 ... Ynk
Assim temos que os escores do primeiro componente para os n tratamentos so:
Trat Primeiro conponente principal
1 p1p11212111111 XaXaXaY +++= L 2 p2p12212211121 XaXaXaY +++= L M M n npp12n121n111n XaXaXaY +++= L
Exemplo de aplicao No Quadro 2 esto os valores originais observados (X1 e X2) e padronizados (Z1 e Z2) de
duas variveis para cinco tratamentos (n=5).
Quadro 2. Valores originais e padronizados de duas variveis para cinco tratamentos
Tratamentos Variveis originais Variveis padronizadas
X1 X2 Z1 Z2
1 102 96 24,3827 6,9554
2 104 87 24,8608 6,3033
3 101 62 24,1436 4,4920
4 93 68 22,2313 4,9268
5 100 77 23,9046 5,5788
Varincia 17,50 190,50 1 1
Mdia 100,00 78,00 23,9046 5,6513
8
Os dados esto padronizados para varincia 1:
( ) 8608,245,17104ZXsX
Z 12j
ijij ===
A matriz de correlao :
=15456,0
5456,01R
A equao caracterstica : 0IR =
015456,05456,01 =
07023,022 =+
Os autovalores da matriz de correlao R so:
1 = 1,5456 e 2 = 0,4544
A soma de 1 e 2 igual ao trao da matriz R. O trao de uma matriz a soma dos
elementos de sua diagonal principal.
trao(R) = 1+1=2
Obteno dos componentes principais
O autovetor normalizado para o primeiro componente principal :
=
=
=7070,07071,0
11
21
aa
a~12
111
e o primeiro componente principal :
211 Z7071,0Z7071,0Y +=
Da mesma forma para o segundo componente principal temos:
=
=
=7070,07071,0
11
21
aa
a~22
2121
9
212 Z7071,0Z7071,0Y +=
Quadro 3. Informaes que podem ser obtidas com a anlise de componentes principais Componente principal
Varincia (Autovalor)
Coeficiente de ponderao
Correlao entre Zj eYi
Porcentagem da varincia total
Porcentagem acumulada de varincia dos Yi
Z1 Z2 Z1 Z2
Y1 1,5456 0,7071 0,7071 0,879 0,879 77,28 77,28
Y2 0,4544 -0,7071 0,7071 -0,476 0,476 22,72 100,00 Quadro 4. Escores dos dois componentes principais para os cinco tratamentos obtidos a partir da matriz de correlao R.
Tratamentos Escores dos componentes principais
Y1 Y2
1 22,16 -12,32
2 22,04 -13,12
3 20,25 -13,90
4 19,20 -12,24
5 20,85 -12,96
10
19
20
21
22
23
-14 -13.5 -13 -12.5 -12
Segundo componente (Y2)
Prim
eiro
com
pone
nte
(Y1)
Figura 2. Disperso dos tratamentos em funo dos escores dos componentes principais. Programa SAS para obteno dos componentes principais
BIBLIOGRAFIA REGAZZI, A.J. Anlise multivariada, notas de aula INF 766, Departamento de Informtica da
Universidade Federal de Viosa, v.2, 2000.
KHATTREE, R. & NAIK, D.N. Multivariate data reduction and discrimination with SAS software. Cary, NC, USA: SAS Institute Inc., 2000. 558 p.
JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 4th ed. Upper Saddle River, New Jersey: Prentice-Hall, 1999, 815 p.
12
3
4
5