Escolar Documentos
Profissional Documentos
Cultura Documentos
puede orientarnos para plantear los modelos formales para reducir la dimensin. Las
variables pueden clasificarse en grupos o estructurarse en una jerarqua.
Los mtodos de particin utilizan la matriz de datos, pero los algoritmos jerrquicos
utilizan la matriz de distancias o similitudes entre elementos. Para agrupar variables se
parte de la matriz de relacin entre variables: para variables continuas suele ser la matriz
de correlacin, y para variables discretas, se construye, a partir de la distancia jicuadrado.
Figura 1.
El ndice
de
Competitividad
Competitiveness
Index,
siglas GCI), es desarrollado y publicado anualmente desde 1979 por el Foro Econmico
Mundial. El informe de 2009-2010 evalu 133 economas de pases desarrollados y en
desarrollo, un pas menos que el informe 2008-2009 debido a que Moldavia fue
excluida por falta de informacin. En la clasificacin 2010-2011 Suiza lidera la
clasificacin como la economa ms competitiva del mundo, Estados Unidos que por
varios aos ocup el primer lugar ahora ocupa el cuarto debido a la debilidad de sus
instituciones financieras y su inestabilidad macroeconmica.
El ndice de competitividad mide la habilidad de los pases de proveer altos niveles de
prosperidad a sus ciudadanos. A su vez, esta habilidad depende de cun
productivamente un pas utiliza sus recursos disponibles. En consecuencia, el ndice
mide un conjunto de instituciones, polticas y factores que definen los niveles de
prosperidad econmica sostenible hoy y a medio plazo. Este ndice es ampliamente
utilizado y citado en artculos acadmicos.
A travs de los siguientes subndices de competitividad publicado por el Foro
Econmico Mundial se pretende jerarquizar y agrupar segn la similitud de capacidad
competitiva de estos pases latinoamericanos.
Subndices
ndice de estabilidad
macroeconmica
ndice de gasto del
gobierno
ndice de calificacin
de riesgo crediticio
ndice de propiedad y
ley
ndice de corrupcin
ndice de innovacin
ndice de TCI
ndice de
transferencia
tecnolgica
2.02
1.63
2.03
2.54
2.60
1.89
3.07
2.26
1.88
2.33
1.26
2.90
2.81
2.41
2.80
2.29
2.77
2.27
2.28
3.16
3.19
2.93
3.92
3.73
1.65
2.87
3.52
4.18
1.94
2.97
4.11
4.15
2.34
3.51
4.78
4.15
2.94
3.96
5.00
5.10
2.28
3.63
4.42
5.34
2.30
3.36
4.75
4.10
2.31
2.82
3.63
4.62
2.25
4.23
5.44
ANLISIS
CLUSTER
En el grfico, los 100 hexgonos azules ms pequeos estn entrelazados por una lnea
de par en par, estos representan las distancias entre las neuronas vecinas. Los colores
ms brillantes determinan que los grupos son ms homogneos y en este sentido, los
ms oscuros mayor diferencia. En este caso se pueden distinguir 3 fronteras con
tonalidades oscuras en las que ningn pas cay, en trminos absolutos 7 cluster estn
separados pero se podra sospechar que se pueden reclasificar a 4 grupos pues existen
fronteras con tonalidades bajas que separan los hexgonos grandes.
El grfico muestra los grupos de pesos de cada ndice para las 100 neuronas, mediante
ste grfico a travs de la posicin de los pesos, se sospecha la dependencia que podra
haber en la relacin inter-caractersticas intra-unidades, as el ndice 1 y 2 y 7 y 8 son
parecidos, y hacen referencia al ndice de estabilidad macroeconmica e ndice de gasto
del gobierno y al ndice TCI e ndice de transferencia tecnolgica.
El grfico de dispersin muestra los pases como puntos verdes en sus dos primeras
caractersticas o pesos, estos ltimos son representados por los puntos de color azul
oscuro, son conectados a travs de lneas rojas con las neuronas futuras, en este
entrenamiento con la entrada neta ms positiva dar salida a un 1, es decir existe
seleccin continua de los pesos a travs de su competencia en distancias eucldea y de
Manhattan, el peso ganador se desplaza al centro de los pesos con que compiti
anteriormente y nuevamente se produce la verificacin.
SCRIPT
SIMPLE SCRIPT
%
%
%
%
%
%
%
x = sub_indc;
% Create a Self-Organizing Map
dimension1 = 10;
dimension2 = 10;
net = selforgmap([dimension1 dimension2]);
% Train the Network
[net,tr] = train(net,x);
% Test the Network
y = net(x);
% View the Network
view(net)
% Plots
% Uncomment these lines to enable various plots.
%figure, plotsomtop(net)
%figure, plotsomnc(net)
%figure, plotsomnd(net)
%figure, plotsomplanes(net)
%figure, plotsomhits(net,x)
%figure, plotsompos(net,x)
ADVANCED SCRIPT
%
%
%
%
%
BIBLIOGRAFA Y LINKOGRAFA
ANEXOS
6:Per
7:Bolivia
8:Brasil
1:Paraguay
,000
1,148
2,671
6,394
5,914
8,136
1,174
11,491
2:Ecuador
1,148
,000
1,584
3,406
3,159
4,475
,749
6,930
3:Venezuel
2,671
1,584
,000
2,053
3,528
5,175
2,514
6,229
4:Argentin
6,394
3,406
2,053
,000
5,637
6,687
5,347
7,146
5:Colombia
5,914
3,159
3,528
5,637
,000
,589
3,075
2,814
6:Per
8,136
4,475
5,175
6,687
,589
,000
4,555
3,807
7:Bolivia
1,174
,749
2,514
5,347
3,075
4,555
,000
8,141
8:Brasil
11,491
6,930
6,229
7,146
2,814
3,807
8,141
,000
Historial de conglomeracin
Primera aparicin del clster de
Clster combinado
Etapa
Clster 1
etapa
Clster 2
Coeficientes
Clster 1
Clster 2
Etapa siguiente
,589
,749
1,161
2,053
3,311
3,653
6,019
Si trazamos una lnea que divida de lado a lado el dendrograma en la distancia 10,
podremos reconocer la existencia de 4 cluster, conformados por Per y Colombia, otro
por Brasil, otro por Ecuador, Bolivia y Paraguay, y otro por Venezuela y Argentina.