El objetivo es estudiar la relación calidad precio de 35 marcas de whisky, utilizando las variables
Se dispone además de una variable categórica “categorías”, que clasifica las marcas según su contenido de malta (1=Bajo, 2=Estándar, 3=Puro malta).
Para obtener los datos use:
library(FactoClass)
## Warning: package 'FactoClass' was built under R version 4.3.2
## Warning: package 'ade4' was built under R version 4.3.2
## Warning: package 'ggplot2' was built under R version 4.3.2
## Warning: package 'ggrepel' was built under R version 4.3.2
## Warning: package 'scatterplot3d' was built under R version 4.3.1
library(factoextra)
## Warning: package 'factoextra' was built under R version 4.3.2
library(FactoMineR)
## Warning: package 'FactoMineR' was built under R version 4.3.2
library(gplots)
## Warning: package 'gplots' was built under R version 4.3.2
library(dplyr)
data("Whisky")
head(Whisky)
## price malt type aging taste
## 1 70 20 low 5.0 3
## 2 60 20 low 5.0 2
## 3 65 20 low 7.5 2
## 4 74 25 low 12.0 2
## 5 70 25 low 12.0 3
## 6 73 30 low 5.0 0
Whisky
## price malt type aging taste
## 1 70 20 low 5.0 3
## 2 60 20 low 5.0 2
## 3 65 20 low 7.5 2
## 4 74 25 low 12.0 2
## 5 70 25 low 12.0 3
## 6 73 30 low 5.0 0
## 7 70 30 low 8.0 0
## 8 55 30 low 5.0 2
## 9 77 30 low 5.5 0
## 10 93 30 low 12.0 0
## 11 82 30 low 12.0 2
## 12 73 33 med 6.5 1
## 13 62 33 med 8.0 3
## 14 87 33 med 12.0 3
## 15 78 35 med 10.0 2
## 16 73 40 med 10.5 4
## 17 87 40 med 8.5 2
## 18 80 40 med 8.5 2
## 19 85 40 med 9.5 2
## 20 87 40 med 8.5 4
## 21 80 40 med 9.5 2
## 22 83 40 med 9.5 1
## 23 90 40 med 12.5 2
## 24 110 40 med 12.0 3
## 25 87 40 med 5.5 2
## 26 113 45 med 12.0 4
## 27 96 45 med 12.0 3
## 28 82 45 med 12.0 3
## 29 127 100 pure 8.5 4
## 30 160 100 pure 12.0 3
## 31 90 100 pure 12.0 4
## 32 86 100 pure 12.0 2
## 33 100 100 pure 10.0 3
## 34 100 100 pure 11.0 3
## 35 95 100 pure 12.0 0
Y=Whisky[,-3]
Trabajo
Realice primero un ACP no normado y luego un ACP normado utilizando el software R y responda a las preguntas.
Para el ACP no normado utilice:
res_pca_non_norm <- PCA(Whisky[,-3], scale.unit = FALSE)
## Warning: ggrepel: 5 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
summary(res_pca_non_norm)
##
## Call:
## PCA(X = Whisky[, -3], scale.unit = FALSE)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4
## Variance 953.239 169.350 4.981 1.235
## % of var. 84.447 15.003 0.441 0.109
## Cumulative % of var. 84.447 99.449 99.891 100.000
##
## Individuals (the 10 first)
## Dist Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3
## 1 | 31.919 | -31.707 3.013 0.987 | 0.877 0.013 0.001 | -3.228
## 2 | 37.849 | -36.961 4.095 0.954 | -7.632 0.983 0.041 | -2.793
## 3 | 34.409 | -34.246 3.515 0.991 | -3.285 0.182 0.009 | -0.586
## 4 | 25.400 | -25.106 1.889 0.977 | 1.913 0.062 0.006 | 3.329
## 5 | 27.485 | -27.191 2.216 0.979 | -1.475 0.037 0.003 | 3.659
## 6 | 22.133 | -21.663 1.407 0.958 | -1.863 0.059 0.007 | -3.844
## 7 | 23.601 | -23.123 1.603 0.960 | -4.294 0.311 0.033 | -0.703
## 8 | 35.591 | -31.076 2.894 0.762 | -17.136 4.954 0.232 | -2.636
## 9 | 19.997 | -19.547 1.145 0.956 | 1.556 0.041 0.006 | -3.566
## 10 | 19.155 | -10.916 0.357 0.325 | 15.409 4.006 0.647 | 2.008
## ctr cos2
## 1 5.977 0.010 |
## 2 4.474 0.005 |
## 3 0.197 0.000 |
## 4 6.355 0.017 |
## 5 7.679 0.018 |
## 6 8.474 0.030 |
## 7 0.284 0.001 |
## 8 3.986 0.005 |
## 9 7.295 0.032 |
## 10 2.313 0.011 |
##
## Variables
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr cos2
## price | 16.185 27.481 0.682 | 11.058 72.211 0.318 | -0.122 0.299 0.000 |
## malt | 26.264 72.364 0.936 | -6.839 27.621 0.064 | -0.026 0.014 0.000 |
## aging | 1.160 0.141 0.206 | 0.513 0.155 0.040 | 2.214 98.442 0.751 |
## taste | 0.363 0.014 0.092 | 0.143 0.012 0.014 | 0.249 1.246 0.043 |
fviz_eig(res_pca_non_norm, addlabels = TRUE)
fviz_pca_var(res_pca_non_norm,repel = T, colvar="cos2", col.var = "contrib", alpha.var = "contrib", gradient.cols=c("#FF0000","#FFFF00","#00FF00"))
acpc <- PCA(Y, scale.unit = F)
## Warning: ggrepel: 5 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
En el ACP no normado, analice la contribución de las variables a la inercia(varianza). ¿Realmente se puede considerar un análisis de las cuatro variables?
summary(res_pca_non_norm)
##
## Call:
## PCA(X = Whisky[, -3], scale.unit = FALSE)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4
## Variance 953.239 169.350 4.981 1.235
## % of var. 84.447 15.003 0.441 0.109
## Cumulative % of var. 84.447 99.449 99.891 100.000
##
## Individuals (the 10 first)
## Dist Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3
## 1 | 31.919 | -31.707 3.013 0.987 | 0.877 0.013 0.001 | -3.228
## 2 | 37.849 | -36.961 4.095 0.954 | -7.632 0.983 0.041 | -2.793
## 3 | 34.409 | -34.246 3.515 0.991 | -3.285 0.182 0.009 | -0.586
## 4 | 25.400 | -25.106 1.889 0.977 | 1.913 0.062 0.006 | 3.329
## 5 | 27.485 | -27.191 2.216 0.979 | -1.475 0.037 0.003 | 3.659
## 6 | 22.133 | -21.663 1.407 0.958 | -1.863 0.059 0.007 | -3.844
## 7 | 23.601 | -23.123 1.603 0.960 | -4.294 0.311 0.033 | -0.703
## 8 | 35.591 | -31.076 2.894 0.762 | -17.136 4.954 0.232 | -2.636
## 9 | 19.997 | -19.547 1.145 0.956 | 1.556 0.041 0.006 | -3.566
## 10 | 19.155 | -10.916 0.357 0.325 | 15.409 4.006 0.647 | 2.008
## ctr cos2
## 1 5.977 0.010 |
## 2 4.474 0.005 |
## 3 0.197 0.000 |
## 4 6.355 0.017 |
## 5 7.679 0.018 |
## 6 8.474 0.030 |
## 7 0.284 0.001 |
## 8 3.986 0.005 |
## 9 7.295 0.032 |
## 10 2.313 0.011 |
##
## Variables
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr cos2
## price | 16.185 27.481 0.682 | 11.058 72.211 0.318 | -0.122 0.299 0.000 |
## malt | 26.264 72.364 0.936 | -6.839 27.621 0.064 | -0.026 0.014 0.000 |
## aging | 1.160 0.141 0.206 | 0.513 0.155 0.040 | 2.214 98.442 0.751 |
## taste | 0.363 0.014 0.092 | 0.143 0.012 0.014 | 0.249 1.246 0.043 |
Variables Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr cos2
price | 16.185 27.481 0.682 | 11.058 72.211 0.318 | -0.122 0.299 0.000 |
malt | 26.264 72.364 0.936 | -6.839 27.621 0.064 | -0.026 0.014 0.000 |
aging | 1.160 0.141 0.206 | 0.513 0.155 0.040 | 2.214 98.442 0.751 |
taste | 0.363 0.014 0.092 | 0.143 0.012 0.014 | 0.249 1.246 0.043 |
Analizando las variables y el resutaldo por cada dimensión, vemos que las variables “malt” y “price” son las que más contribuyen a la varianza en la dimensión 1, donde “malt” contribuye con más del 70% y “price” con más del 20%. En la dimension 2, vemos que “price” está en con el 72.2% y en la dimensión 3 la variable “aging”, la cual contribuye 98.4%; y el variable “taste” tiene contribuciones muy pequeñas en todas las dimensiones.: es decir, que no es posible consideran un análsisi en las 4 variables, ya que el ACP no está considerando de forma equitativa las variables.
Realice el ACP normado, justifique por qué es el que conviene para los objetivos de este taller.
# ACP normalizado
res_pca_norm <- PCA(Whisky[,-3], scale.unit = TRUE)
summary(res_pca_norm)
##
## Call:
## PCA(X = Whisky[, -3], scale.unit = TRUE)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4
## Variance 2.233 0.806 0.630 0.331
## % of var. 55.832 20.162 15.738 8.268
## Cumulative % of var. 55.832 75.994 91.732 100.000
##
## Individuals (the 10 first)
## Dist Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr
## 1 | 2.284 | -1.622 3.364 0.504 | 1.116 4.416 0.239 | -1.120 5.691
## 2 | 2.433 | -2.231 6.367 0.841 | 0.505 0.903 0.043 | -0.826 3.099
## 3 | 1.674 | -1.609 3.313 0.924 | 0.460 0.749 0.075 | -0.031 0.004
## 4 | 1.418 | -0.391 0.195 0.076 | 0.311 0.343 0.048 | 1.325 7.964
## 5 | 1.635 | -0.192 0.047 0.014 | 1.110 4.362 0.460 | 1.157 6.072
## 6 | 2.727 | -2.284 6.674 0.701 | -1.294 5.935 0.225 | -0.688 2.149
## 7 | 2.208 | -1.802 4.153 0.666 | -1.228 5.344 0.309 | 0.347 0.547
## 8 | 2.458 | -2.179 6.073 0.785 | 0.436 0.673 0.031 | -0.934 3.963
## 9 | 2.561 | -2.072 5.491 0.654 | -1.343 6.393 0.275 | -0.556 1.402
## 10 | 2.225 | -0.368 0.173 0.027 | -1.500 7.973 0.455 | 1.486 10.017
## cos2
## 1 0.240 |
## 2 0.115 |
## 3 0.000 |
## 4 0.873 |
## 5 0.500 |
## 6 0.064 |
## 7 0.025 |
## 8 0.144 |
## 9 0.047 |
## 10 0.446 |
##
## Variables
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr cos2
## price | 0.858 32.983 0.737 | -0.235 6.839 0.055 | -0.139 3.085 0.019 |
## malt | 0.806 29.089 0.650 | -0.330 13.539 0.109 | -0.329 17.212 0.108 |
## aging | 0.726 23.584 0.527 | 0.020 0.049 0.000 | 0.681 73.749 0.464 |
## taste | 0.566 14.345 0.320 | 0.801 79.573 0.642 | -0.194 5.954 0.037 |
fviz_eig(res_pca_norm, addlabels = TRUE)
fviz_pca_var(res_pca_norm,repel = T, colvar="cos2", col.var = "contrib", alpha.var = "contrib", gradient.cols=c("#FF0000","#FFFF00","#00FF00"))
Dado que al normalizar las variables se observa que se requieren 2 dimensiones para explicar aproximadamente el 76% de la variabilidad total del modelo, es conveniente realizar el análisis de componentes principales utilizando el ACP normado. Además, vemos que las contribuciones de las variables están más balanceadas en la Dimensión 1. Las 4 variables contribuyen de manera similar explicando el % de varianza.En general, las 4 variables están contribuyendo de forma más equitativa en las distintas dimensiones al aplicar la normalización, que en el ACP no normalizado donde teníamos contribuciones muy grandes de distintas variables en diferentes dimensiones.
¿Cuántos ejes retiene para el análisis? ¿Por qué?
Los dos primeros ejes explican la mayor proporción de varianza (76,3% entre los dos). Esto significa que están capturando la mayoría de los patrones en los datos, lo que indica que explican suficiente información.Además, dos primeros ejes facilita la visualización e interpretación de los resultados del PCA.
¿Cuál es la variable que más contribuye al primer eje? ¿Cuál es la que menos? (indique los porcentajes).
contribuciones <- get_pca_var(res_pca_norm)$contrib
contribuciones
## Dim.1 Dim.2 Dim.3 Dim.4
## price 32.98278 6.83923015 3.085017 57.0929775
## malt 29.08912 13.53859727 17.211516 40.1607634
## aging 23.58356 0.04937816 73.749324 2.6177390
## taste 14.34454 79.57279442 5.954142 0.1285201
Variable que más contribuye al primer eje: price con un 32.9%
Variable que menos contribuye al primer eje: taste con un 14.3%
Según el círculo de correlaciones, ¿cuáles son las variables más correlacionadas? ¿Cuánto es la correlación? ¿Si corresponden a lo que se observa en la matriz de correlaciones?
fviz_pca_var(res_pca_norm, col.var = "black")
correlaciones_variables <- cor(Whisky[,-3])
max_corr <- max(correlaciones_variables[lower.tri(correlaciones_variables)], na.rm = TRUE)
which(correlaciones_variables == max_corr, arr.ind = TRUE)
## row col
## malt 2 1
## price 1 2
print(correlaciones_variables)
## price malt aging taste
## price 1.0000000 0.6568555 0.4827850 0.3156480
## malt 0.6568555 1.0000000 0.3879767 0.2627287
## aging 0.4827850 0.3879767 1.0000000 0.2967513
## taste 0.3156480 0.2627287 0.2967513 1.0000000
Las variables con mayor correlación son: Price y malt: 0.6568555 Price y aging: 0.4827850 Las variables con menor correlación son: Taste y price: 0.3156480 Taste y malt: 0.2627287 La información observada en la gráfica corresponde a la matriz generadas en la consola.
¿Cuál es la variable mejor representada en el primer plano factorial? ¿Cuál la peor? (escriba los porcentajes).
contribuciones_plano_factorial <- get_pca_var(res_pca_norm)$contrib[,1:2]
suma_contribuciones <- rowSums(contribuciones_plano_factorial)
mejor_representada <- names(suma_contribuciones)[which.max(suma_contribuciones)]
peor_representada <- names(suma_contribuciones)[which.min(suma_contribuciones)]
paste("Mejor representada:", round(max(suma_contribuciones), 2), "% -", mejor_representada)
## [1] "Mejor representada: 93.92 % - taste"
paste("Peor representada:", round(min(suma_contribuciones), 2), "% -", peor_representada)
## [1] "Peor representada: 23.63 % - aging"
¿Qué representa el primer eje? ¿Qué nombre le asignaría? ¿Qué representa el segundo eje?
fviz_pca_var(res_pca_norm, col.var = "black")
el primer eje reprecentaria lo nombraria “la calidad x precio del whiskey” ya que vemos que las variables que mayor se ven representadas son el precio y la malta que estarian relacionados. el segundo eje lo llamaria como “precepción del sabor” que corresponderia a aquello que influye en la calidad pero el precio no son tan determinantes.
¿Cuál es el individuo mejor representado en el primer plano factorial? Ubique sobre el gráfico de individuos al peor representado sobre el primer plano factorial (indique los porcentajes).
contribuciones_individuos <- get_pca_ind(res_pca_norm)$contrib[,1:2]
suma_contribuciones_individuos <- rowSums(contribuciones_individuos)
mejor_representado <- names(suma_contribuciones_individuos)[which.max(suma_contribuciones_individuos)]
peor_representado <- names(suma_contribuciones_individuos)[which.min(suma_contribuciones_individuos)]
paste("Mejor representado:", round(max(suma_contribuciones_individuos), 2), "% -", mejor_representado)
## [1] "Mejor representado: 24.16 % - 30"
paste("Peor representado:", round(min(suma_contribuciones_individuos), 2), "% -", peor_representado)
## [1] "Peor representado: 0.07 % - 11"
¿Qué características tienen las marcas de Whisky según sus ubicaciones en el plano? (a la derecha, a la izquierda, arriba, abajo).
fviz_pca_var(res_pca_norm, col.var = "black")
Derecha: Whiskies con alto precio y calidad de malta (según eje de
calidad x precio)
Izquierda: Whiskies más económicos y de malta inferior (baja calidad y precio)
Arriba: Whiskies con sabor más intensos (eje del sabor)
Abajo: Whiskies con sabores más suaves y simples (eje del sabor)
Centro: Whiskies con características intermedias o equilidas en cuanto a precio, malta y sabor.
A partir de la posición en el plano deduzca las características de las tres categorías de whisky (lujo, estándar y pura malta).
fviz_pca_var(res_pca_norm, col.var = "black")
Whisky de lujo: Estoas estáon ubicados en el plano hacia la derecha,se
caracterizan por ser un precio alto, y bena calidad en la malta; además
por encima del eje x, se puede decir que tiene una mejor percepción de
sabor.
Whisky estándar: Estos los podemos identificar en el centro y parte izquierda del plano factorial. se caracterizan por un precio regular (no tan alto), y una malta equilibrada, con un sabor intermedio.
Whisky de pura malta: Los ubicamos en la parte inferior derecha en el plano, el precio es alto y el sabor es más equilibrado en el eje y del plano factorial.
Supongamos que usted desea comprar una botella de Whisky con buena apreciación y que no sea tan cara. Dé dos números de marcas que compraría. ¿Por qué? ?Cuáles son las características de las dos marcas?
# Filtramos whiskies con price < 80
economic <- Whisky[Whisky$price < 80,]
# Analizamos resumen del PCA
res_pca_norm <- PCA(economic[,-3], scale.unit = TRUE)
summary(res_pca_norm)
##
## Call:
## PCA(X = economic[, -3], scale.unit = TRUE)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4
## Variance 1.668 1.321 0.728 0.283
## % of var. 41.698 33.030 18.202 7.070
## Cumulative % of var. 41.698 74.728 92.930 100.000
##
## Individuals (the 10 first)
## Dist Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr
## 1 | 2.007 | -1.115 5.731 0.308 | 0.684 2.721 0.116 | -0.755 6.027
## 2 | 2.263 | -2.106 20.455 0.866 | 0.801 3.737 0.125 | -0.209 0.460
## 3 | 1.572 | -1.083 5.409 0.474 | 0.718 3.004 0.209 | -0.872 8.037
## 4 | 1.925 | 1.183 6.458 0.378 | 0.379 0.837 0.039 | -1.374 19.947
## 5 | 2.014 | 1.054 5.119 0.274 | 1.316 10.082 0.427 | -1.028 11.168
## 6 | 1.933 | -0.596 1.639 0.095 | -1.829 19.478 0.895 | 0.166 0.289
## 7 | 1.529 | -0.089 0.037 0.003 | -1.251 9.108 0.669 | -0.057 0.034
## 8 | 2.420 | -1.657 12.657 0.469 | 0.798 3.705 0.109 | 1.495 23.607
## 9 | 2.106 | -0.151 0.106 0.005 | -2.072 24.986 0.968 | -0.158 0.265
## 12 | 1.254 | 0.223 0.229 0.032 | -1.131 7.451 0.814 | 0.465 2.285
## cos2
## 1 0.142 |
## 2 0.009 |
## 3 0.308 |
## 4 0.510 |
## 5 0.261 |
## 6 0.007 |
## 7 0.001 |
## 8 0.382 |
## 9 0.006 |
## 12 0.138 |
##
## Variables
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr cos2
## price | 0.680 27.739 0.463 | -0.569 24.530 0.324 | -0.358 17.576 0.128 |
## malt | 0.657 25.844 0.431 | -0.261 5.167 0.068 | 0.707 68.627 0.500 |
## aging | 0.826 40.921 0.683 | 0.347 9.104 0.120 | -0.302 12.545 0.091 |
## taste | 0.303 5.496 0.092 | 0.899 61.198 0.809 | 0.095 1.252 0.009 |
Realizando un filtro de los precios menores de 80 que es un valor no tan alto en relación a los precios, las marca que elegiría por su buen sabor con las número 13 y 5; las caracteríticas que las destacan es que son que están precio de 70 hacia abajo y son las que mejor tiene valoración en sabor.Como se obsrva en la gráfica del PCA, los puntos se ubican en la parte superior y en la direcha donde se tiene mejor calidad.
Seleccione dos marcas que definitivamente no compraría. ¿Por qué? ¿Qué características tienen?
# Filtramos whiskies con price > 90 y taste < 3
economic <- subset(Whisky, price > 90 & taste < 4)
# Analizamos resumen del PCA
res_pca_norm <- PCA(economic[,-3], scale.unit = TRUE)
summary(res_pca_norm)
##
## Call:
## PCA(X = economic[, -3], scale.unit = TRUE)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4
## Variance 1.813 1.226 0.801 0.160
## % of var. 45.326 30.661 20.015 3.997
## Cumulative % of var. 45.326 75.987 96.003 100.000
##
## Individuals
## Dist Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr
## 10 | 2.302 | -2.193 37.895 0.908 | -0.305 1.082 0.018 | 0.144 0.369
## 24 | 1.395 | -0.552 2.404 0.157 | 0.705 5.795 0.256 | -1.069 20.376
## 27 | 1.376 | -0.688 3.726 0.250 | 0.206 0.494 0.022 | -1.086 21.048
## 30 | 2.675 | 1.384 15.082 0.267 | 2.180 55.363 0.664 | 0.661 7.806
## 33 | 2.432 | 1.801 25.564 0.549 | -1.556 28.217 0.410 | -0.250 1.116
## 34 | 1.370 | 1.103 9.578 0.648 | -0.716 5.970 0.273 | -0.061 0.067
## 35 | 1.979 | -0.854 5.751 0.186 | -0.514 3.079 0.067 | 1.661 49.219
## cos2
## 10 0.004 |
## 24 0.587 |
## 27 0.623 |
## 30 0.061 |
## 33 0.011 |
## 34 0.002 |
## 35 0.704 |
##
## Variables
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr cos2
## price | 0.483 12.847 0.233 | 0.833 56.563 0.694 | 0.175 3.816 0.031 |
## malt | 0.774 33.000 0.598 | -0.135 1.494 0.018 | 0.590 43.487 0.348 |
## aging | -0.685 25.902 0.470 | 0.678 37.484 0.460 | 0.123 1.891 0.015 |
## taste | 0.716 28.251 0.512 | 0.234 4.459 0.055 | -0.638 50.806 0.407 |
Las dos marcas que definitivamente no comparía son las número 30 y 24; porque nos de las más costosas y no están con la mejor calificación en cuento a sabor. Como podemos observar en la gráfica del PCA filtrado con precio >90 y taste < 4, están ubicadas en la parte superior, el eje y representa el precio; y el eje x define el sabor, para el caso de la marca 30 está arriba y vemos que en cuanto a sabor es mejor la marca 33; respecto a la marca 24 es la segunda con mayor precio y está a la izquierda lo que significa que no es bien valorada en sabor.