14/03/2018 Tutorial 1 - Tutorial de Análises Estatísticas

Tutorial de Análises Pesquisar o site

Estatísticas
Introdução Tópicos  >  Estatística Multivariada  >  Análise de Componentes Principais
Tópicos (PCA)  >  
Análise Bayesiana
de Decisão
Tutorial 1
Download do Tinn­R
Download no R
Estatística Para exemplificar a construção de uma PCA irei usar os dados
Experimental
Estatística de variáveis químicas de sedimento amostradas em 24 locais. O
Multivariada
conjunto de dados1 se encontra no arquivo sedimento.txt
Material sobre o R
Modelos Aditivos (sedimento).
Generalizados  
Modelos Lineares
Generalizados  1Os dados aqui apresentados foram simulados.
Probabilidade e  
Estatística  
1  ­  Os  dados  acima  encontram­se  no  arquivo  sedimento.txt
Responsável (sedimento),  assim  a  entrada  dos  dados  no  R  pode  ocorrer  da
seguinte maneira:
Paul G. Kinas  
  dados<­read.table("sedimento.txt",header=T)
(IMEF­FURG)
  dados  
 
2 ­ Para construir a PCA será utilizado o pacote vegan
 
library(vegan)
 
3  ­    Em  geral,  dois  tipos  de  PCA  são  feitas:  a  PCA  de
covariância  e  a  PCA  de  correlação.  Primeiramente,  será
demonstrado a PCA de covariância.
 
resultado<­prcomp(dados)  #  prcomp  é  a  função  para
construir a PCA
 
4  ­  Para  mostrar  os  desvios  dos  componentes  principais  e  os
loadings
 
resultado
 

https://sites.google.com/site/tutorialdeanalisesestatisticas/topicos/estatistica-multivariada/analise-de-componentes-principais-pca/tutorial-1-1 1/6
14/03/2018 Tutorial 1 - Tutorial de Análises Estatísticas

 
5 ­ Para mostrar a porcentagem de variância capturada por cada
eixo
   
summary(resultado)
 
 

https://sites.google.com/site/tutorialdeanalisesestatisticas/topicos/estatistica-multivariada/analise-de-componentes-principais-pca/tutorial-1-1 2/6
14/03/2018 Tutorial 1 - Tutorial de Análises Estatísticas

 
 
6 ­ Para salvar os scores da PCA (eixos)
 
resultado$x
 
7 ­ Para salvar os loadings
 
resultado$loadings
 
8 ­ Para plotar 
 
biplot(resultado)

https://sites.google.com/site/tutorialdeanalisesestatisticas/topicos/estatistica-multivariada/analise-de-componentes-principais-pca/tutorial-1-1 3/6
14/03/2018 Tutorial 1 - Tutorial de Análises Estatísticas

 
screeplot(resultado)  
 
 

https://sites.google.com/site/tutorialdeanalisesestatisticas/topicos/estatistica-multivariada/analise-de-componentes-principais-pca/tutorial-1-1 4/6
14/03/2018 Tutorial 1 - Tutorial de Análises Estatísticas

 
9 ­ Agora, PCA de correlação. A PCA de correlação é construida
usando  os  dados  que  foram  padronizados  para  ter  média  0  e
desvio padrão 1. A PCA de correlação é adequada quando para
quando  as  variáveis  foram  medidas  em  unidades  diferentes  ou
quando a variância de cada variável é muito diferente umas das
outras.  Para  ver  os  dados  de  variáveis  químicas  do  arquivo
sedimento.
 
round(apply(sedimento,2,var),4) 
 

# veja que a variância de cada variável é muito diferente. Então,
temos que usar uma PCA de correlação para que a variável com
maior variância não "domine" a análise.

 
 
10  ­  A  PCA  de  correlação  pode  ser  realizada  de  duas
maneiras:  i)  padronizando  as  variáveis  ou  ii)  mudando  o
argumento scale da função prcomp para scale=TRUE. 
 
10.1 ­ Para padronizar os dados

https://sites.google.com/site/tutorialdeanalisesestatisticas/topicos/estatistica-multivariada/analise-de-componentes-principais-pca/tutorial-1-1 5/6
14/03/2018 Tutorial 1 - Tutorial de Análises Estatísticas

 
sedimentopadronizado<­scale(sedimento)
 
10.1.1  ­  Agora  basta  refazer  a  PCA  usando  os  dados
padronizados 
 
prcomp(sedimentopadronizado)
 
10.2 ­ Ou apenas mudar o argumento scale=T
 
prcomp(sedimento, scale=T)
 
 
 
 
 
 
 
 
 

Subpáginas (1):  sedimento

Comentários

Você não tem permissão para adicionar comentários.

Fazer login | Atividade recente no site | Denunciar abuso | Imprimir página | Tecnologia  Google Sites

https://sites.google.com/site/tutorialdeanalisesestatisticas/topicos/estatistica-multivariada/analise-de-componentes-principais-pca/tutorial-1-1 6/6