Escolar Documentos
Profissional Documentos
Cultura Documentos
professorjfmp@hotmail.com
Anlise de
Componentes
Principais
Componentes principais
Descrevem a estrutura de varincia e covarincia de variveis
correlacionadas x1,x2,...,xp em termos de um conjunto de novas variveis
y1, y2, ..., yp no correlacionadas.
Cada yi uma combinao linear das variveis x1,x2,...,xp
yi ai1 x1 ai 2 x2 aip x p
Novas variveis yi ordenadas em ordem decrescente de importncia:
y1 (1 componente principal) concentra a maior parte da variao dos
dados originais entre todas as combinaes lineares de x1,x2,...,xp.
y2 (2 componente principal) no correlacionada com y1 e concentra a
maior parte da variao restante
y3 (3 componente principal) no correlacionada com y1 e y2 e concentra
uma parcela ainda menor da variao
e assim sucessivamente.
Finalidades da ACP
Reduo da dimensionalidade dos dados
Descrio e visualizao de dados
Transformar
as
descorrelacionadas.
variveis
em
novas
variveis
Definies
Considere um vetor aleatrio XT=(x1,x2,...,xp) com matriz de
covarincia (matriz pxp).
A matriz de covarincia tem p autovalores (i, i=1,p) e p
autovetores ( ei = (ei1,ei2,...,eip) i=1,p), ordenados na ordem
decrescente dos autovalores.
Os coeficientes da i-sima
componente so definidos pelo
A i-sima componente principal :
autovetor do i-simo maior
yi ei1 x1 ei 2 x2 eip x p autovalor
E yi ei11 ei 2 2 eip p
V yi i
cov yi , y j 0
Notas em microeconomia
Notas em macroeconomia
Aluno 1
Motivao
n =30 alunos
p =2 variveis (notas)
Matriz de
Dados X
X i1
X i
X i2
i = 1 at 30
Aluno 30
Nota em macroeconomia X2
Diagrama de disperso
Cada ponto representa um aluno
Nota em microeconomia X1
alunos
alunos
Nota em microeconomia X1
Mdia = 6,9149
Varincia = 0,9579
Desvio-padro = 0,9787
Nota em macroeconomia X2
Nota em macroeconomia X2
Diagrama de disperso
Covarincia = 0,8155
Correlao = 0,8153
5 ,8339
X
6 ,9149
Matriz de covarincia amostral
Var(X1)
1,0446 0 ,8155
S
0 ,8155 0 ,9579
Cov(X1,X2)
Var(X2)
1,0446 0 ,8155
Matriz de covarincias = S
0
,
8155
0
,
9579
Varincia
total
Autovetores de S
Autovalores de S
Direes de maior
variabilidade dos dados
(componentes principais)
0 ,7256
e1
0 ,6881
Varincia das
projees
0 ,6881
e2
0 ,7256
1 1,8179
Var(y1) = 1,8179
2 0 ,1846
Var(y2) = 0,1846
Var x1 Var x2
Nota em macroeconomia X2
Autovetores
da matriz S
Y2
0 ,7256
e1
0 ,6881
0 ,6881
e2
0 ,7256
Y1
Direes dos
autovetores
e1
e2
Mdia
5 ,84
X
6
,
91
0
Nota em microeconomia X1
Nota em macroeconomia X2
0 ,7256 X i1 0 ,6881 X i 2
i-simo aluno
X i1
X i
X i2
Direo da 1
componente principal
e1
0
0 ,7256
e1
0 ,6881
Nota em microeconomia X1
Nota em macroeconomia X2
0 ,7256 X i1 0 ,6881 X i 2
Nota em microeconomia X1
X i1
Aluno 1
X i2
0 ,7256 X i1 0 ,6881 X i 2
0 ,7256 6 ,0247 0 ,6881 7 ,0914 9 ,2512
Aluno 30
Projees na
direo de
maior
variabilidade
das notas ou
escores dos
alunos na
primeira
componente
principal
Nota em macroeconomia X2
Nota em microeconomia X1
Nota em macroeconomia X2
0,6881 X i1 0,7256 X i 2
Nota em microeconomia X1
X i1
Aluno 1
X i2
0,6881 X i1 0,7256 X i 2
0,6881 6,0247 0,7256 7,0914 0,9999
Aluno 30
Projees na
direo da
segunda
componente
principal
Autovetores
0 ,7256
e1
0 ,6881
0 ,6881
e2
0 ,7256
1 componente
define as projees dos alunos na direo de
maior variabilidade
Yi 2 0 ,6881 X i1 0 ,7256 X i 2
Var Yi 1 1 1,8179
Var Yi 2 2 0 ,1846
Nota em macroeconomia X2
Var X 2 0 ,9579
Var Y1 1
Var Y1 1,8179
Var Y2 2
Var Y2 0 ,1846
Y2
Y1
Var X 1 1,0446
0
Nota em microeconomia X
1,0446 0 ,8155
Matriz de covarincias = S
0
,
8155
0
,
9579
Varincia total =
1 componente
Var Y1 1 1,8179
1,8179
100% 90 ,78%
2 ,0024
1 componente principal concentra 91% da variabilidade total dos dados, logo resume
boa parte da informao contida nas duas variveis
2 componente
Var Y2 2 0 ,1846
0 ,1846
100% 9 ,22%
2 ,0024
Resumindo
A anlise de componentes principais substitui um conjunto de variveis
correlacionadas (X) por um conjunto de novas variveis nocorrelacionadas (Y), sendo essas combinaes lineares das variveis
iniciais e colocadas em ordem decrescente por suas varincias.
Resumindo
X1
X2
X3
...
Xp
Variveis
originais
Matriz
ou
r
Y1
Calcular
Calcular
Selecionar
Y2
os
os
as
Y3
autovalores
autovetores
componentes
...
e
principais
Yp
Componentes
principais
e
e
1p
pp
e1 p
e21 e p1 1
e11 e12
e
e22 e p 2
2
21 e22
e2 p e pp
p e p1 e p 2
e1 p
e2 p
e pp
X PPT
e
2 21 22
2 p 2
y e
p p1 e p 2 e pp x p
Y PT X
Y PT X P
Pela decomposio espectral tem-se que
Logo
X PPT
Y PT PPT P
Como os autovetores so
ortonormais PTP=I ou PPT=I
1
Matriz diagonal formada
pelos autovalores em
Y
ordem decrescente
As componentes principais
p so no correlacionadas
Y PT X P
Varincia total o trao da matriz de covarincia
TraoY Trao PT X P
Trao Y Trao X PP
TraoY Trao X
11 12 1 p
21
2
22
2p
Trao
Trao
p
p2
pp
p1
1 2 p 11 22 pp
1>2>...> p
1 2 11 22
Nuvem de observaes
X1
Como 1>2>...> p
As componentes principais
oferecem uma nova base
vetorial para expressar as
variveis.
Ou seja, mudam apenas o
sistema de referncia e no a
nuvem de pontos.
i 1
p
i 1
100% 80%
Scree-plot
1 ou 2 componentes
principais concentram a
maior parte da variao
total
zi
xi X i
Si2
Var zi 1
Exemplos
EXEMPLO 1
Exemplo (Johnson & Wichern, 2002): Em um estudo sobre o
tamanho e a forma da carapaa de tartarugas, Jolicoeur &
Mosimann mediram o comprimento (mm), a largura (mm) e a altura
(mm) de 24 tartarugas machos (dados em tartarugas.xls ou em
http://life.bio.sunysb.edu/morph/data/JolicoeurMosimannPaintedTur
tles.html).
comprimento
93
94
96
101
102
103
104
106
107
112
113
114
116
117
117
119
120
120
121
125
127
128
131
135
largura
74
78
80
84
85
81
83
83
82
89
88
86
90
90
91
93
89
93
95
93
96
95
95
106
altura
37
35
35
39
38
37
39
39
38
40
40
40
43
41
41
41
40
44
42
45
45
45
46
47
A transformao
varincias.
logartmica
faz
homogeneizao
4,3041
4,3567
4,3820
4,4308
4,4427
4,3944
4,4188
4,4188
4,4067
4,4886
4,4773
4,4543
4,4998
4,4998
4,5109
4,5326
4,4886
4,5326
4,5539
4,5326
4,5643
4,5539
4,5539
4,6634
3,6109
3,5553
3,5553
3,6636
3,6376
3,6109
3,6636
3,6636
3,6376
3,6889
3,6889
3,6889
3,7612
3,7136
3,7136
3,7136
3,6889
3,7842
3,7377
3,8067
3,8067
3,8067
3,8286
3,8501
das
3.95
3.9
Ln altura
3.85
3.8
3.75
3.7
3.65
3.6
3.55
4.7
4.6
4.5
4.4
4.3
4.2
Ln largura
4.5
4.55
4.6
4.65
4.7
4.75
4.8
4.85
4.9
Ln comprimento
4.95
Matriz de covarincias
S=
Autovetores e autovalores de S
e1
e2
e3
autovalores
0,223
0,0006
0,0004
96,04
2,47
1,65
% acumulado
96,04
98,51
100
autovetores
e1
X Ln _ l arg urai
Ln _ alturai
projeoi Ln _ comprimentoi
0 ,6831
Ln _ l arg urai
projeoi Ln _ comprimentoi
0 ,6831
l arg urai
0 ,5102
0 ,5102
Ln _ alturai
alturai
0 ,5225
0 ,5225
Programa R
# faz boxplot
boxplot(dados)
# aplica transformao logartmica
dados<-log(dados)
# calcula matriz de correlaes
R<-cor(dados)
# faz ACP
acp<-princomp(dados,cor=FALSE,score=TRUE)
# mostra resultados da acp
summary(acp,loading=TRUE)
# faz grfico screeplot para ajudar na definio do nmero de componentes principais
screeplot(acp)
# scores das tartarugas nas componentes principais
acp$scores
Autovetor
associado ao
primeiro
autovalor
Parcela da varincia
concentrada na primeira
componente
Seleciona escores na
primeira componente
acp$scores[,1]
EXEMPLO 2
Oito marcas de coxinha de galinha foram avaliadas por 5 juzes
em relao a 4 atributos: sabor (x1), aroma (x2), qualidade da
massa (x3) e qualidade do recheio (x4).
Cada jurado atribuiu uma nota numa escala ordinal de 1 a 5
sendo que notas maiores indicam melhor qualidade.
(dados em coxinha.xls).
Dados: as notas para cada coxinha
em cada atributo so as mdias dos
cinco avaliadores
Matriz de dados
Matriz de covarincias
Autovetores e autovalores
Primeira componente
concentra a maior parte
da varincia total
94%
3,5%
1,5%
1%
Matriz de dados
EXEMPLO 3
Exemplo (Lattin, Carrol & Green, 2011): Aplicao da anlise de
componentes principais aos valores do produto estadual bruto (GSP
Gross State Product) de cada uma das 13 reas de atividade
econmica em 1996 (arquivos gsp_rwa.xls e gsp_share.xls):
Agricultura, silvicultura e pesca
Minerao
Construo civil
Servios urbanos (Eletricidade, gs e saneamento)
Indstria (bens durveis)
Indstria (bens de consumo)
Transporte
Comunicaes
Comrcio atacadista
Comrcio varejista
Fiducirio, seguros e setor imobilirio
Servios
Governo
diretorio<-paste('f:/aulas multivariada/')
setwd(diretorio)
# leitura da planilha Excel com os dados
PRECISA INSTALAR O PACOTE XLSREADWRITE E EXECUTAR xls.getshlib() UMA VEZ
dados<-read.xls(gsp_raw.xls')
Matriz de correlaes
No R usar o comando cor(dados)
As duas primeiras
componentes
concentram 92%
da varincia total
autovetor1<-acp$loadings[,1]
autovetor2<-acp$loadings[,2]
Screeplot
No R usar o comando screeplot(acp)
A primeira componente principal a mais importante
As demais podem ser descartadas
Biplot
No R usar o comando biplot(acp)
Texas
Louisiana
Minerao
A primeira
componente
principal est
associada ao
nvel de
desenvolvimento
econmico do
estado
New York
California
Desenvolvimento econmico
Cross-section dos 50 Estados dos EUA em 1996 (participao dos setores no PIB total)
cada linha soma 100% (o tamanho do estado foi removido)
AL
AK
AZ
AR
CA
CO
CT
DE
FL
GA
HI
ID
IL
IN
IA
KS
KY
LA
ME
MD
MA
MI
MN
MS
MO
MT
NE
NV
NH
NJ
NM
NY
NC
ND
OH
OK
OR
PA
RI
SC
SD
TN
TX
UT
VT
VA
WA
WV
WI
WY
Agricultura Minerao Const_ Civil Ind_bens_durveis Ind_bens_consumo Transporte Comunicaes Serv_Urbanos Com_Atacadista Com_Varejista Fiduciria Servios Governos
2.00
1.50
4.20
10.50
11.80
2.90
2.90
3.60
6.30
9.90
12.80
16.10
15.50
1.50
22.40
4.10
1.10
3.70
12.10
2.00
1.50
2.90
6.50
10.70
11.90
19.60
1.70
1.30
5.80
11.50
3.00
2.80
2.20
2.70
6.30
10.50
18.90
20.20
13.00
5.10
1.00
4.00
12.80
11.80
4.40
2.40
4.20
6.10
10.20
11.40
14.80
11.80
2.10
0.60
3.30
9.00
5.00
2.60
2.50
1.80
6.80
8.90
22.70
23.10
11.50
1.80
1.70
5.40
7.70
4.50
3.30
5.70
2.20
6.30
9.70
17.00
21.60
13.10
0.70
0.00
3.30
11.00
5.70
1.80
2.30
2.20
6.60
7.40
28.20
21.80
9.00
1.00
0.00
3.40
4.50
16.60
1.60
1.30
2.40
4.00
6.00
35.40
14.30
9.40
1.80
0.20
4.70
4.60
3.50
3.10
3.00
2.80
7.30
11.20
21.80
23.40
12.40
1.80
0.40
3.90
7.40
10.70
4.00
4.50
2.70
8.80
8.90
16.40
18.00
12.50
1.20
0.10
4.80
0.80
2.30
4.50
3.10
2.70
4.00
11.50
21.40
22.20
21.30
6.30
0.60
5.90
15.00
5.60
3.50
1.60
3.70
6.10
9.90
12.30
16.30
13.20
1.40
0.30
4.20
11.30
7.90
3.80
2.30
3.10
7.70
8.10
19.20
20.70
10.00
1.80
0.50
4.60
21.40
10.30
3.50
1.40
3.10
6.00
9.10
13.10
15.30
9.80
7.60
0.20
4.10
13.20
10.80
3.30
2.00
2.80
6.80
8.30
14.30
15.30
11.40
4.40
1.40
4.20
10.40
7.90
3.90
3.60
3.40
7.80
9.60
12.70
16.70
14.10
2.60
2.60
3.90
14.90
13.20
3.90
1.50
2.90
5.80
8.90
11.20
15.00
13.60
1.20
14.80
4.20
3.70
15.30
3.30
1.90
3.60
5.30
7.80
12.10
15.70
10.90
1.80
0.10
4.50
7.90
10.60
2.30
2.00
3.10
6.00
11.10
18.50
18.70
13.50
0.90
0.10
5.00
4.10
4.50
2.10
2.90
2.90
6.30
8.70
21.40
23.20
17.80
0.60
0.10
3.20
10.50
4.90
2.00
1.90
2.50
7.10
7.80
24.40
25.80
9.20
1.00
0.40
3.80
20.00
7.20
2.40
1.60
2.70
7.20
8.90
15.80
18.50
10.50
2.90
0.60
4.40
11.00
8.20
3.70
1.90
2.10
8.30
8.70
17.90
19.50
10.90
3.20
0.90
3.90
13.00
10.50
3.20
2.40
5.10
5.60
10.00
11.50
16.00
14.90
1.80
0.40
4.60
11.30
10.10
4.00
3.50
2.80
7.30
9.10
14.70
19.10
11.20
5.10
4.90
4.80
4.40
3.30
5.40
2.10
5.00
6.40
9.90
13.40
19.20
15.90
9.20
0.20
4.40
7.00
7.10
6.80
2.10
1.40
7.40
8.30
14.80
17.10
14.10
0.80
3.70
8.40
3.10
1.70
2.90
1.80
3.00
4.60
9.40
18.40
32.30
9.90
0.70
0.10
3.50
16.40
5.70
1.50
1.70
4.40
6.20
9.10
22.20
19.40
9.10
0.60
0.00
3.50
4.30
9.40
3.20
4.10
2.70
9.10
7.30
23.20
21.80
10.80
1.90
7.10
4.60
14.40
2.10
2.50
1.70
3.50
4.30
8.90
13.90
17.50
17.70
0.50
0.10
2.90
5.90
5.90
2.10
3.60
2.40
6.20
6.90
29.70
22.90
11.10
2.30
0.10
4.20
10.20
16.70
2.80
2.00
3.00
6.40
8.90
14.60
15.40
13.20
10.60
3.10
4.90
4.60
2.90
4.90
1.90
4.00
8.80
9.10
12.70
17.50
15.10
1.10
0.40
3.90
17.90
9.30
2.90
1.90
3.00
7.10
9.20
15.30
17.70
10.50
2.10
5.30
3.20
10.20
7.10
3.70
2.80
3.50
6.10
10.00
12.50
17.40
16.20
3.00
0.10
5.40
16.00
4.50
3.40
1.90
2.50
8.00
8.70
16.30
18.30
11.90
1.00
0.50
3.80
11.30
9.40
3.00
2.20
3.60
5.90
8.60
19.00
21.20
10.50
0.80
0.10
3.50
11.10
5.60
1.50
2.50
3.10
5.60
8.70
22.60
22.70
12.10
1.40
0.20
4.70
10.40
16.10
2.40
2.00
3.60
5.80
10.30
13.30
15.10
14.80
9.90
1.20
3.70
11.10
3.40
3.10
1.60
3.10
6.10
8.80
20.60
15.60
11.70
1.20
0.30
3.90
12.40
10.50
4.80
2.00
1.00
7.40
10.90
13.80
19.60
12.10
1.30
7.50
4.40
8.60
7.70
3.70
3.20
3.70
7.30
8.70
14.30
18.00
11.70
1.20
3.20
5.70
9.10
4.90
4.10
2.00
2.60
6.10
10.30
16.50
19.60
14.70
2.30
0.30
4.30
12.30
5.80
2.20
2.60
3.60
6.10
9.70
17.80
20.80
12.10
1.00
0.50
4.40
6.00
9.20
2.80
3.40
2.40
5.60
8.20
17.80
19.90
18.90
2.90
0.20
4.80
8.80
4.40
3.20
3.20
1.60
7.40
9.70
18.30
20.70
14.90
0.60
8.00
4.60
7.20
10.90
3.30
2.30
7.50
5.30
8.70
11.20
16.50
13.80
2.20
0.30
4.30
16.50
11.30
3.20
1.50
2.40
6.30
8.60
16.10
16.60
10.90
2.10
31.60
3.70
1.40
4.30
6.40
1.40
6.40
3.20
6.50
10.40
9.60
12.90
diretorio<-paste('f:/aulas multivariada/')
setwd(diretorio)
# leitura da planilha Excel com os dados
PRECISA INSTALAR O PACOTE XLSREADWRITE E EXECUTAR xls.getshlib() UMA VEZ
dados<-read.xls(gsp_share.xls')
Matriz de correlaes
As duas primeiras
componentes
concentram apenas
42% da varincia
total
autovetor1<-acp$loadings[,1]
autovetor2<-acp$loadings[,2]
Screeplot
No R usar o comando screeplot(acp)
A maior parte da covariao no explicada
por um reduzido nmero de componentes
principais.
Biplot
O biplot reflete as
especializaes das
economias
estaduais
score_cp1< acp$scores[,1]
score_cp2< acp$scores[,2]
EXEMPLO 4
Exemplo (Sousa & Oliveira, 2014):Ranking dos atacantes do
Campeonato Brasileiro Srie A 2013
Dados: Cartola FC http://globoesporte.globo.com/cartola-fc
cor(X)
Matriz de correlaes
Execuo da ACP
# faz a ACP
resultado=princomp(X,cor=T,score=T)
summary(resultado)
# scree plot
plot(resultado)
Resultados
names(resultado)
Resultados
# grfico dos coeficientes das duas primeiras componentes
plot(resultado$loadings)
text(resultado$loadings,names(X))
Mehor desempenho
Mais
penalties
perdidos
Resultados
# scores dos jogadores nas componentes principais
resultado$scores
Resultados
# jogadores nas duas primeiras componentes principais
plot(resultado$scores)
text(resultado$scores,rownames(X))
William (Ponte Preta)
Comp.2
Fred (Fluminense)
Dinei (Vitoria)
Andr? (Vasco)
Elias
(Botafogo)
Borges
(Cruzeiro)
Alexandre
Pato
(Corintihians)
Rafael
Moura (Internacional)
Gilberto
(Portuguesa)
Alosio
(Sao
Paulo)
Alecsandro
(Atletico
MG)
Welliton
(Sao
Paulo)
Luis
Fabiano
(Sao
Paulo)
Bruno
Mendes
(Botafogo)
Wellington
Paulista
(Criciuma)
Bruno
Moraes
(Portuguesa)
Bill
(Coritiba)
Denilson
Romao
Bruno
Pedro
Lopes
(Fluminense)
Keirrison
Oldoni
(Criciuma)
Anselmo
(Vitoria)
(Coritiba)
Ramon
Carlos
(Cruzeiro)
Tenorio
(Vasco)
Flecha
Michel
Arraya
Maiquinho
Robinho
Rafael
(Portuguesa)
(Portuguesa)
Ratao
(Coritiba)
(Vasco)
(Ponte
Preta)
Marcelinho
Andr?
Yuri
Paulinho
Mamute
Lima
(Fluminense)
(Vitoria)
(Gremio)
(Gremio)
Araujo
(Goias)
Fernandao (Bahia)
Elder
Victor
Carlos
Zizao
Nelson
Weldon
Mike
Saullo
Santana
Ciro
Romulo
Andrade
(Corintihians)
(Internacional)
(Atletico
(Atletico
Reginaldo
(Portuguesa)
(Nautico)
(Criciuma)
(Atletico
(Vitoria)
(Santos)
Henrique
PR)
MG)
(Vasco)
MG)
(Botafogo)
Willian
Jos?
(Sao
Paulo)
Paulo
Lucas
Sass
Victor
Coelho
Alex
(Botafogo)
(Corintihians)
Thalles
(Botafogo)
Leonardo
(Vasco)
(Ponte
Preta)
Scocco
(Internacional)
Vincius
Araujo
(Cruzeiro)
Silvinho
Douglas
Cassiano
(Sao
(Criciuma)
Joao
Bergson
Paulo)
Paulo
(Criciuma)
(Portuguesa)
(Nautico)
Samuel
Willie
(Fluminense)
(Vasco)
Olivera
(Nautico)
Edmlson
(Vasco)
Negueba
Bruninho
Erik
Paulo
(Flamengo)
(Goias)
(Flamengo)
(Goias)
Neilton
(Santos)
Maxi
Biancucchi
(Vitoria)
Douglas
(Atletico
Adailton
PR)
(Ponte
William
Preta)
Henrique
(Vitoria)
Obina
(Bahia)
Welinton
Junior
Giva
(Goias)
(Santos)
Henrique
(Portuguesa)
Caio
(Internacional)
Forlan
(Internacional)
L?o
Neto
Bonatini
Berola
(Goias)
(Atletico
MG)
Luan
Deivid
(Cruzeiro)
(Coritiba)
Vargas
(Gremio)
Maikon
Leite
(Nautico)
Marcos
(Fluminense)
Rhayner
(Fluminense)
Hugo
(Nautico)
Hernane (Flamengo)
Everton
Fabinho
Costa
(Goias)
(Santos)
Junior
Vicosa
(Goias)
Jones Carioca
(Nautico)
Alemao
(Vitoria)
Geraldo
(Coritiba)
Lucca
Kenedy
(Cruzeiro)
(Fluminense)
Rog?rio
(Nautico)
Biro
(Fluminense)
Lins (Criciuma)
Roger
(Atletico
Osvaldo
PR)
(Sao
Paulo)
Hyuri
(Botafogo)
Jo
(Atletico
MG)
Nixon
(Flamengo)
MartinuccioSouza
(Cruzeiro)
WiliamMG)
Barbio
(Bahia)
Guilherme
(Atletico
Julio Cesar
(Coritiba)
Rildo
(Ponte
Preta)
Thiago
Ribeiro
(Santos)
Jorge(Flamengo)
Henrique
(Internacional)
Barcos (Gremio)
Rafinha
(Bahia)
Ademilson
(Sao
Paulo)
Damiao
(Internacional)
Diego
Tardelli
(Atletico
MG)
Emerson
(Corintihians)
Dellatorre
(Atletico
PR)
Kleber
(Gremio)Leandro
Romarinho
(Corintihians)
Fernandinho
Marquinhos
(Atletico
Gabriel
MG)
(Bahia)
Diogo
(Portuguesa)
Dagoberto (Cruzeiro) PaulinhoChiquinho
(Ponte
Preta) PR)
Marcelo
(Atletico
(Flamengo)
Wallyson (Bahia) Luan
(Atletico
MG)
Marquinhos (Vitoria)
Willian
(Cruzeiro)
-2
4
Comp.1
Walter (Goias)
Rafael Marques (Botafogo)
6
Resultados
# 10 melhores atacantes no ranking por ACP
sort(resultado$scores[,1],decreasing=T)[1:10]
Referncias bibliogrficas
EVERITT, B. An R and S-Plus companion to multivariate analysis, Springer-Verlag,
London, 2007.
FVERO, L.P.; BELFIORE, P.; SILVA, F.L.; CHAN, B.L. Anlise de dados: modelagem
multivariada para tomada de decises, Campus, Rio de Janeiro, 2009.
JOHNSON, R.A. & WICHERN, D.W. Applied Multivariate Statistical Analysis, 5th edition,
Prentice Hall, New Jersey, 2002.
LATTIN, J.; CARROLL, J.D.; GREEN, P.E. Anlise de dados multivariados,
Cengage learning, So Paulo, 2011.
LEBART, L.; MORINEAU, A.; PIRON, M. Statistique Exploratoire Multidimensionelle , 3e
dition, Dunod, Paris, 2000.
MINGOTI, S.A. Anlise de dados atravs de mtodos de estatstica multivariada: uma
abordagem aplicada, Editora UFMG, Belo Horizonte, 2005.
SOUSA, V.D.; OLIVEIRA, V.N. Anlise do desempenho dos atacantes do campeonato
brasileiro 2013 por meio da anlise de componentes principais, Projeto Final, UERJ, 2014.