Análisis Factorial / AF0 El AF (Análisis Factorial) 1 AF (Análisis Factorial) Dada una nube de puntos en Rp ... el AF trata de representarla en menor dimensión de la mejor forma posible. ÍNDICE página 1) Visión geométrica del AF 2 2) La nube en forma de matriz de Datos, X 4 3) El objetivo del AF 6 4) Cómo decido qué espacio es mejor? 7 4.1) Proyección de x sobre una dirección u de Rp 8 5) El mejor subespacio de dimensión k (k<p). 10 6) Ayudas a la interpretación 13 6.1) Contribuciones absolutas 13 6.2) Contribuciones relativas 14 6.3) Elementos Suplementarios o Ilustrativos 17 7) Formulario del AF. 18 8) Resumen del AF 19 Análisis Factorial / AF0 El AF (Análisis Factorial) 1) Visión geométrica del AF: 1.1) El problema de reducción de dimensión más sencillo: Representar n puntos del plano en una recta lo mejor posible. Aquí tenemos una nube de puntos en el plano (R2): Buscamos desde dentro del plano “el mejor punto de vista”. 2 Análisis Factorial / AF0 El AF (Análisis Factorial) Existen puntos de vista (direcciones u) mejores: ... y peores: Cuanto más se dispersen las proyecciones, mejor información tendremos de cómo es la nube original en R2, puesto que así, las distancias que veo entre los puntos proyectados se parecerán más a las distancias reales que existen entre ellos en R2. 3 Análisis Factorial / AF0 El AF (Análisis Factorial) El AF busca la mejor dirección: 1.2) En el problema general la idea es la misma: Los n puntos están en Rp (p coordenadas); el AF busca la mejor representación posible de la nube en R (eje) , R2 (plano), ... Rq (subespacio de dimensión q) (q<p) . 2) La nube en forma de matriz de Datos, X: Tengo n puntos de Rp: x1, x2, ... , xn. Cada punto de R tiene p coordenadas: xi = (xi1, xi2, ... , xip)t Con estas n filas formo la “matriz de datos” X : p X= 4 Análisis Factorial / AF0 El AF (Análisis Factorial) 5 Ejemplo de una pequeña matriz de Datos X (en amarillo); Puntos obtenidos por los atletas en cada prueba del decathlon ============================================================= 100 m. longitud peso altura 400 m. 110m.v. disco pertiga javal. 1500 m. -----------------------------------------------------------------------1 THOMPSON 935 1010 807 925 955 926 769 1028 767 585 2 HINGSEN 817 1004 844 950 905 901 781 957 738 632 3 DEGTJARJOV 768 893 759 900 825 859 868 981 732 662 4 NIKLAUS 869 867 802 874 915 856 804 884 857 448 5 WENTZ 787 871 781 874 878 880 782 884 807 592 6 KUELVET 738 814 700 950 848 850 870 957 764 569 7 STEEN 763 887 604 900 862 839 709 1005 753 658 8 BOREHAM 795 853 701 874 890 841 680 859 772 670 9 RUEFENACHT 903 818 700 849 877 919 718 884 716 460 10 KOLOWANON 761 846 728 900 765 881 781 981 714 485 11 BAGINSKI 747 796 682 849 792 800 746 932 767 564 12 MITRAKIEV 771 824 668 874 802 840 704 859 710 609 13 HADFIELD 785 911 728 680 878 805 709 884 747 527 14 GUGLER 657 810 698 849 773 820 746 909 771 612 15 ZENIOU 696 774 765 725 785 791 706 932 795 578 16 KUBISZEWSKI 724 746 763 849 785 870 724 807 760 509 17 LITHELLN 712 875 754 725 829 838 762 807 585 516 18 CLAVERIE 756 873 624 725 863 815 655 957 620 474 19 VLASIC 622 820 673 769 759 786 698 807 695 619 20 STERRER 668 834 601 849 753 751 655 807 642 551 Cada fila es un punto de R10. Resulta imposible dibujar estos 20 puntos en R10 para visualizar el comportamiento de cada atleta en las 10 pruebas simultáneamente, localizar atletas con todas las puntuaciones similares, atletas atípicos, grupos ... ... pero el AF me da la mejor representación posible de esta nube de puntos de R10 en un espacio de dimensión menor. Veamos por ejemplo la mejor representación en R2: AXE 1 * AXE 2 AXE 2 --------------------------------------------------------------------------KUEL--------DEGT------------------------| | | | GUGL | | | | | | | | | | | | | | | | STEE | + | | | BAGI | | | | | | | | | VLAS | | | ZENI | | | | WENT | | MITR | BOREKOLO | | | HING | | | +------------------------------------------KUBI-------------+-------------------------------------------------------| STER | | | | | | | | | | | | | | | | | | | THOM | | | | | NIKL | + | | | | | | | | | | | | | | | | | | | | | | | | LITH HADF | | | | | +-----------+---------------+------CLAV-----+---------------+--------------RUEF-------------+---------------+-------3 -2 -1 0 1 2 3 AXE 1 XZ 1 0 -1 -2 Las distancias entre atletas en este plano se parecen lo más posible a las distancias reales (computadas con los datos de las 10 pruebas) Análisis Factorial / AF0 El AF (Análisis Factorial) 3) 6 El objetivo del AF: Dada una nube de puntos de Rp (filas de X), el AF da la mejor representación posible en un espacio de dimensión menor. Input: Matriz de Datos Output: Salida gráfica Salida numérica ------------------------------------------------------------------------------------------------------------------------------COORDOONNEES, CONTRIBUTIONS ET COSINUS CARRES DES INDIVIDUS SUR LES AXES 1 A 5 ------------------------------------------------------------------------------------------------------------------------------+---------------------------------------+-------------------------------+--------------------------+--------------------------+ | INDIVIDUS | COORDONNEES | CONTRIBUTIONS | COSINUS CARRES | |---------------------------------------+-------------------------------+--------------------------+--------------------------| | IDENTIFICATEUR P.REL DISTO | 1 2 3 4 5 | 1 2 3 4 5 | 1 2 3 4 5 | +---------------------------------------+-------------------------------+--------------------------+--------------------------+ | THOMPSON 5.00 25.32 | 4.76 -.91 1.23 .12 .06 | 25.9 2.7 6.0 .1 .0 | .90 .03 .06 .00 .00 | | HINGSEN 5.00 16.44 | 3.50 .21 1.00 .66 -1.29 | 14.0 .1 3.9 2.6 10.6 | .74 .00 .06 .03 .10 | | DEGTJARJOV 5.00 9.25 | 1.69 1.86 .43 -.31 -1.35 | 3.3 11.2 .7 .6 11.6 | .31 .37 .02 .01 .20 | | NIKLAUS 5.00 13.79 | 2.38 -.91 -2.16 .54 .79 | 6.5 2.7 18.3 1.8 4.0 | .41 .06 .34 .02 .05 | | WENTZ 5.00 4.41 | 1.61 .41 -.75 .86 .00 | 3.0 .5 2.2 4.5 .0 | .59 .04 .13 .17 .00 | | KUELVET 5.00 8.05 | 1.08 1.79 -.68 -1.23 -.18 | 1.3 10.3 1.8 9.3 .2 | .14 .40 .06 .19 .00 | | STEEN 5.00 8.57 | .30 1.08 2.26 -.43 1.33 | .1 3.7 20.2 1.1 11.3 | .01 .14 .60 .02 .21 | | BOREHAM 5.00 5.71 | .17 .34 .91 1.33 1.09 | .0 .4 3.2 10.9 7.6 | .01 .02 .14 .31 .21 | | RUEFENACHT 5.00 10.16 | 1.06 -2.05 -.90 -1.25 1.04 | 1.3 13.6 3.2 9.6 6.9 | .11 .41 .08 .15 .11 | | KOLOWANON 5.00 6.14 | .45 .27 -.73 -1.96 -.42 | .2 .2 2.1 23.5 1.1 | .03 .01 .09 .62 .03 | | BAGINSKI 5.00 3.25 | -1.01 .90 -.33 -.30 .73 | 1.2 2.6 .4 .6 3.4 | .31 .25 .03 .03 .16 | | MITRAKIEV 5.00 2.93 | -1.01 .35 .41 -.23 .42 | 1.2 .4 .7 .3 1.1 | .35 .04 .06 .02 .06 | | HADFIELD 5.00 7.54 | -.54 -1.84 .24 1.47 -.01 | .3 10.9 .2 13.3 .0 | .04 .45 .01 .29 .00 | | GUGLER 5.00 4.94 | -1.33 1.65 -.23 .17 .03 | 2.0 8.8 .2 .2 .0 | .36 .55 .01 .01 .00 | | ZENIOU 5.00 9.10 | -1.67 .54 -.92 1.28 .39 | 3.2 .9 3.3 10.0 1.0 | .31 .03 .09 .18 .02 | | KUBISZEWSKI 5.00 8.03 | -1.10 .02 -2.28 -.04 .15 | 1.4 .0 20.5 .0 .1 | .15 .00 .65 .00 .00 | | LITHELLN 5.00 11.97 | -1.52 -1.81 -.21 -.02 -2.42 | 2.6 10.6 .2 .0 37.5 | .19 .27 .00 .00 .49 | | CLAVERIE 5.00 13.47 | -1.70 -2.44 1.50 -.98 .29 | 3.3 19.1 8.8 5.9 .6 | .21 .44 .17 .07 .01 | | VLASIC 5.00 12.65 | -3.29 .63 .25 .81 -.68 | 12.3 1.3 .2 4.1 2.9 | .85 .03 .00 .05 .04 | | STERRER 5.00 18.28 | -3.84 -.08 .95 -.51 .03 | 16.9 .0 3.6 1.6 .0 | .81 .00 .05 .01 .00 | +---------------------------------------+-------------------------------+--------------------------+--------------------------+ Análisis Factorial / AF0 El AF (Análisis Factorial) 4) 7 Cómo decido qué espacio es mejor? Al proyectar la nube de puntos sobre un subespacio S de dimensión k (recta, plano…) obtengo una representación de la nube (una “foto”). Según la orientación que tenga el subespacio la representación de la nube será mejor o peor. Para cada subespacio S necesito medir de alguna forma la “calidad de la representación” que se obtiene de la nube. Comparando estas medidas, encuentro el subespacio de más calidad. Criterio de buena representación en un subespacio: Gran separación entre los puntos proyectados en él. n IS = d2 (0,proyS xi) i 1 IS mide la dispersión respecto del origen 0 de la nube proyectada sobre el subespacio S. IS se denomina “Inercia recogida por el subespacio S”. El mejor subespacio S de dimensión k, será aquél que recoja más inercia (nube proyectada más dispersa): Busco S de dimensión k tal que IS sea máxima. Nota: Lógicamente, el subespacio óptimo de dimensión 2 será mejor que el óptimo de dimensión 1. … Análisis Factorial / AF0 El AF (Análisis Factorial) 8 4.1) Proyección de un punto x sobre una dirección u de Rp: proyu x = u con = xtu Al valor xtu se le denomina “coordenada del punto x en el eje u”: Las coordenadas originales de xi son xi1, xi2 , ... , xip y las de u son u1, u2, ... , up resulta: xitu = u1xi1+ u2xi2 + ... + up xip Es decir que la “coordenada del punto xi en el eje u” es una c.l. (combinación lineal) de los valores originales xi1, xi2 , ... , xip con coeficientes u1 , u2 , ... , up ; es el valor que toma para el individuo i esa c.l. de los valores originales. Esto nos permite realizar una... Interpretación estadística: A cada dirección u=( u1, u2, ... , up)t de Rp corresponde una variable artificial U que es combinación lineal de las p puntuaciones originales V1 V2 ... Vp: U= u1V1+ u2V2 + ... + up Vp La coordenada xtu del punto x en este eje u, es entonces el valor del punto x en esa variable artificial U. Los n puntos de la nube en Rp dan lugar a sus correspondientes n coordenadas en este eje u: x1tu, x2tu, ... xntu. Reúno estos n valores formando un vector Fu que denominamos “vector de factores calculados para el eje u”: x1t u x1t t t xu x Fu 2 2 u = Xu ... ... xt u xt n n Análisis Factorial / AF0 El AF (Análisis Factorial) 9 Ejemplo con p=2: V1: puntuación en 100m. V2: puntuación en salto de longitud. 0.8 0.6 Una dirección arbitraria de R2: Nueva variable U c.l. de V1 y V2: u= U= 0.8 V1 + 0.6 V2 La coordenada del punto x1 (THOMPSON) en el eje u será: x1tu = 0.8 935 + 0.6 1010 = 1354 1354 es el valor de la variable artificial U observada en THOMPSON. La coordenada del punto x2 (HINGSEN) en el eje u será: x2tu = 0.8 817 + 0.6 1014 = 1256 1256 es el valor de la variable artificial U observada en HINGSEN. ... ... La coordenada del punto x20 (STERRER) en el eje u será: x2tu = 0.8 668 + 0.6 834 = 1034.8 1034.8 es el valor de la variable artificial U observada en STERRER. 1 2 3 4 5 6 7 V1 V2 U =0.8V1 + 0.6V2 100 m. longitud v.artificial ------ ------------------THOMPSON 935 1010 1354,0 HINGSEN 817 1004 1256,0 DEGTJARJOV 768 893 1150,2 NIKLAUS 869 867 1215,4 WENTZ 787 871 1152,2 KUELVET 738 814 1078,8 STEEN 763 887 u=(0.8,0.6) 1142,6 8 9 10 11 12 13 14 15 16 17 18 19 20 BOREHAM RUEFENACHT KOLOWANON BAGINSKI MITRAKIEV HADFIELD GUGLER ZENIOU KUBISZEWSKI LITHELLN CLAVERIE VLASIC STERRER 795 903 761 747 771 785 657 696 724 712 756 622 668 853 818 846 796 824 911 810 774 746 875 873 820 834 1147,8 1213,2 1116,4 1075,2 1111,2 1174,6 1011,6 1021,2 1026,8 1094,6 1128,6 989,6 1034,8 Fu Análisis Factorial / AF0 El AF (Análisis Factorial) 5) 10 El mejor subespacio de dimensión k (k<p). 5.1) Resolvemos primero el problema para k=1 (mejor recta). Inercia recogida sobre la dirección u (dispersión) : n Iu = d2 (0,proyu xi) = || Xu ||2 =ut XtXu. i 1 Busco u / Iu= máx : Primer eje factorial. Solución: Iu máxima = mayor valor propio de XtX:1. u= u1 vector propio unitario de XtX asociado a1 . 5.2) Resolvemos luego el problema para k=2 (mejor plano). El mejor plano contiene a la mejor recta (u1). Para completar el mejor plano busco la mejor recta ortogonal a u 1 Busco u ortogonal a u1 / Iu= máx : Segundo eje factorial. Solución: Iu máxima = segundo mayor valor propio de XtX:2 . u= u2 vector propio unitario de XtX asociado a2 . 5.3) Resolvemos el problema para k=3 (mejor espacio dim3). El mejor espacio (dim3) contiene al mejor plano (u1 y u2). Para completar el mejor espacio dim3 busco la mejor recta ortogonal a u1 y u2: Busco u ortogonal a u1 y u2 / Iu= máx : Tercer eje factorial. Solución: Iu máxima = tercer mayor valor propio de XtX:3 . u= u3 vector propio unitario de XtX asociado a3 . ... y continuamos así sucesivamente hasta alcanzar p, dimensión del espacio original. Análisis Factorial / AF0 El AF (Análisis Factorial) 11 En resumen, el AF trabaja así: Problema analítico: Soluciones / Iu= máx u=u1 Iu11 paso 1 Busco u Primer eje factorial: u1 Inercia recogida por este eje: 1 paso 2 Busco u ortogonal a u1 / Iu= máx u=u2 Iu22 Segundo eje factorial: u2 u1 y u2 definen el primer plano factorial. Inercia recogida por este eje: 2 Inercia recogida por el primer plano factorial: 1 + 2. ... paso q Busco u ortogonal a u1 , .. uq-1 / Iu= máx u=uq Iuq q t (v. y v. p. de X X ) q-ésimo eje factorial: uq . u1, u2 ... uq definen el subespacio factorial q-dimensional. Inercia recogida por este eje: q . Inercia recogida por el s.e. factorial: 1 + 2 +...+ q. ... Hasta paso p Solución del AF: Direcciones: u1, u2, .. up vectores propios de XtX. Inercias: 1, 2, .. p valores propios de XtX. n I= d2 (0, xi) Así, la inercia total de la nube, i 1 se ha repartido entre los p ejes: El eje recoge una inercia: que supone una tasa I= 1+ 2+ .. + p . n n i 1 i 1 = d2(0,proyu xi)= Fi λα λα = (en tanto por 1) ó 100 (en % del total) I I Análisis Factorial / AF0 El AF (Análisis Factorial) 12 Recopilación de las ideas importantes del AF vistas hasta aquí: 1- La matriz a diagonalizar es XtX. 2- Cada dirección (factor principal) es una c.l. (combinación lineal) de las variables originales (con coeficientes dados por las componentes de u: La coordenada del punto i (xi) sobre el eje factorial es F= xit u = uxi1 uxi2upxip y esto es una c.l. de las p medidas originales de la fila i: xi1 xi2 ... xip con coeficientes u uup respectivamente. 3- El factor observado en los n individuos de la muestra da lugar a n valores que se denominan “Factores calculados” y se reúnen en el vector F: F= X u - La dispersión de estos n valores Fes la inercia recogida por el eje Iu =|| F||2 =|| Xu ||2 = utXt .Xu. 5- Subespacios factoriales La mejor dirección en Rp es la que contiene a u1. El mejor plano de Rp es el que contiene a u1 y u2. ... El mejor subespacio de dimensión q en Rp (q<p)es el que contiene a u1 , u2 .... uq. ---------------------------Para finalizar el tema, el apartado 6) introduce ciertos elementos (contribuciones y elementos ilustrativos) que ayudan a interpretar las salidas de un AF y son muy importantes desde el punto de vista práctico: Análisis Factorial / AF0 El AF (Análisis Factorial) 6) 13 Ayudas a la interpretación: 6.1) Contribuciones absolutas 6.2) Contribuciones relativas 6.3) Elementos Suplementarios o Ilustrativos 6.1) Contribuciones absolutas Hemos visto en 5) que la inercia del eje vale n n i 1 i 1 = d2(0,proyu xi)= Fi Cada punto i aporta a el sumando Fi 2. Esta aportación del punto i al eje (expresada en %) es del 100 Fi 2 / y se denomina “contribución absoluta” del punto i al eje : c.a. (i) = 100 Fi 2 / Estas c.a. se utilizan para identificar los puntos responsables de la aparición de cada eje, y por tanto la información más relevante contenida en los datos. Lo misma idea se utiliza para definir c.a. de un punto en un plano o en un subespacio de mayor dimensión. Ejemplo: Al lado vemos una nube de Rp proyectada sobre el plano factorial 1-2. La información más destacada en términos de dispersión de esta nube de puntos, es la posición de los puntos a, b y c. Los puntos a y b determinan la dirección del eje 1. Las c.a. al eje 1 serán mucho mayores para a y b que para los demás puntos. El eje 2 viene determinado por la posición de c, alejado del grupo en esa otra dirección. En este eje 2, la mayor c.a. será la del punto c. Análisis Factorial / AF0 El AF (Análisis Factorial) 14 6.2) Contribuciones relativas Dos puntos próximos en Rp, siempre aparecerán próximos al proyectarlos sobre cualquier subespacio (la proyección es siempre contractiva), y en particular al proyectarlos sobre los ejes y planos factoriales: ... pero dos puntos alejados en Rp, al ser proyectados sobre un subespacio, pueden aparecer próximos también: El AF dibuja la nube proyectada sobre planos factoriales. Entonces, dos puntos que veo próximos en un plano o espacio factorial, ¿estarán realmente próximos en Rp ? Para responder me ayudo de las “contribuciones relativas”. La idea: Cuando cos2() es grande (próximo a 1), el ángulo es pequeño y el cateto AB es pequeño comparado con 0A. Análisis Factorial / AF0 El AF (Análisis Factorial) 15 Aplico esta idea en Rp para: A= un punto xi B= la proyección de xi sobre un eje ; y defino la contribución relativa del punto i en el eje como el coseno2 del ángulo i , que forma el punto xi con el eje : 2 c.r.(xi) = cos (i) = d 2 (0, proy uα xi ) d 2 (0, xi ) F i 2 = 2 d (0, x i ) Cuando c.r.(xi) es grande (próximo a 1), decimos que el punto xi “está bien representado en el eje ". En ese caso, i es pequeño y por tanto, el cateto que no vemos (xi-proyu xi) es pequeño en comparación con el que vemos representado (0-proyu xi). El punto xi y su proyección se encuentran próximos en Rp. Aplicación práctica: Nos ayudaremos de estas c.r. para extraer conclusiones sobre la proximidad o lejanía real en Rp de puntos que veo próximos en un eje, en un plano o en un subespacio factorial. Cuando dos puntos A y B aparecen próximos en un eje plano o subespacio, si ambos están bien representados, estarán necesariamente próximos, puesto que: Estos puntos A y B, que están próximos en la dirección que vemos (eje, plano o subespacio factorial), si además están bien representados, estaremos seguros de que en la dirección que no vemos tampoco se alejan uno de otro (pues será pequeño ese cateto que no vemos y que va en Rp de xi a proyuxi ). Por lo tanto estarán también juntos en Rp (es decir, cada coordenada de A se parecerá a la coordenada correspondiente de B). Análisis Factorial / AF0 El AF (Análisis Factorial) Dos puntos A y B próximos en el eje a) Si están bien representados estarán próximos en Rp. b) Si sólo uno está bien representado, estarán alejados en Rp. c) Si ambos puntos están mal representados, pueden estar próximos o alejados en Rp. 16 Análisis Factorial / AF0 El AF (Análisis Factorial) 17 Decíamos antes que esta misma idea se aplica en un plano factorial o en cualquier otro subespacio factorial. Para calcular las c.r. utilizo esta propiedad: La c.r. de un punto en un subespacio factorial es la suma de las c.r. en los ejes factoriales que lo definen. Por ejemplo, para el plano factorial 1-2: d 2 (0, proy 1-2 x i ) F1i 2 F2 i 2 c.r.(xi) = cos (i) = = 2 = d 2 (0, xi ) d (0, x i ) 2 = c.r.(xi) + c.r.2 (xi) 6.3) Elementos Suplementarios o Ilustrativos Elementos activos : Utilizo los puntos que forman la nube para calcular la posición de los eje principales (por eso se denominan “elementos activos”); Luego los proyecto sobre estos ejes para obtener la mejor representación de la nube en menor dimensión. Elementos ilustrativos : Pero además de estos elementos activos, puedo también proyectar sobre los ejes factoriales otros puntos de Rp que yo considere interesantes y que me ayudan a interpretar la salida Análisis Factorial / AF0 El AF (Análisis Factorial) 7) 18 Formulario del AF. AF de n puntos x1 x2 ... xn en Rp (filas de X) Puntos a estudiar: Matriz de Datos: x1, x2 ... xn X ( fila i = xit ) Pesos: iguales para todos 11…1 (asociados a la matriz I) Métrica: Euclídea habitual d2(xi,xj)=(xi-xj)tI(xi-xj) (asociada a la matriz I) Proyección del punto x sobre una dirección u: Pu x= u (utx) Coordenada del punto x en la dirección u: utx = xtu = d(0, Pu x) Coordenadas de los n puntos en la dirección u: Fu= Xu Inercia recogida dirección u: (a maximizar en u) u i d2(0, Pu xi) = =i(utx)2 = Fut Fu = (Xu)t(Xu)= utXtXu Matriz a diagonalizar: Xt X Soluciones: Valores y vectores propios de Xt X: u1 ...p Dirección del eje : u Inercia del eje : Factor calculado : (valores de la nueva variable artificial U) F = Xu c.a.(i) 100 Fi2 / c.r.(i) 100 Fi2 / d2(0, xi) Análisis Factorial / AF0 El AF (Análisis Factorial) 19 8) Resumen del AF (Análisis Factorial) 1 Objetivo: Dada una nube de puntos de Rp (filas de X), el AF da la mejor representación posible en un espacio de dimensión menor. 2 Criterio de buena representación en un subespacio: Máxima separación (dispersión) entre las proyecciones. Utilizo como medida de calidad de una dirección la… Inercia recogida sobre esta dirección u (dispersión) : n Iu = d2 (0,proyu xi) = || Xu ||2 =utXtXu. i 1 3 Problema analítico: Soluciones / Iu= máx u=u1 Iu11 / Iu= máx u=u2 Iu22 paso 1 Busco u paso 2 Busco u ortogonal a u1 ... paso p Busco u ortogonal a u1 , .. up-1 / Iu= máx u=up Iu p p t v. y v. p. de X X. 4 Solución: Direcciones: u1, u2, .. up vectores propios de XtX. Inercias: 1, 2, .. p valores propios de XtX. 5 Notas: t En un ACP los datos se centran. XtX es la matriz de covarianzas muestrales. En un ACP Normado los datos se centran y escalan. XtX es la matriz de correlaciones muestrales. 1- La matriz a diagonalizar es X X: 2- Cada dirección (factor principal) es una c.l. de las variables originales (con coeficientes dados por las componentes de u. 3- Los n valores del factor observado en los n individuos de la muestra se denominan “Factores calculados”: F= X u La dispersión de estos valores Fes la inercia recogida por el eje Iu =|| F||2 =|| Xu ||2 = utXt .Xu. Análisis Factorial / AF0 El AF (Análisis Factorial) 20 Análisis Factorial / AF0 El AF (Análisis Factorial) 21 Análisis Factorial / AF0 El AF (Análisis Factorial) 22 Análisis Factorial / AF0 El AF (Análisis Factorial) 23