| Trabajo presentado por |
| “CAROLINA TOBARIA CAICEDO” |
| “ANDRES FELIPE BRAVO PIÑEROS” |
| “ANGELICA LEON JAIME” |
| “EDUARDO ALBERTO BARRIOS MURILLO” |
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)
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
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:
library(FactoMineR)
library(factoextra)
acpc <- PCA(Y, scale.unit = F)
## Warning: ggrepel: 20 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
get_eigenvalue(acpc)
## eigenvalue variance.percent cumulative.variance.percent
## Dim.1 953.238889 84.4467052 84.44671
## Dim.2 169.350357 15.0026188 99.44932
## Dim.3 4.980882 0.4412525 99.89058
## Dim.4 1.235178 0.1094234 100.00000
fviz_eig(acpc, addlabels=T)
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?
En el ACP no normado, no se recomienda realizar el análisis ya que las variables (columnas) no se encuentran en la misma escala, lo que puede ocasionar sesgos en la interpretación.Para el caso del Whisky, las variables “price” y “malt” muestran una varianza acumulada del 99.4%, dejando de lado “aging” y “taste”; que podrían estar afectando en alguna medida la variabilidad, solo que al tener una frecuencia bajita podrían no estar tomandose en cuenta.
Realice el ACP normado, justifique por qué es el que conviene para los objetivos de este taller.
# media y desviación estándar por cada variable
medias <- apply(Y, 2, mean)
desviaciones <- apply(Y, 2, sd)
# Estandarizacion de las variables
datos_estandarizados <- scale(Y, center = medias, scale = desviaciones)
# PCA con los datos estandarizados
pca_resultado_normado <- prcomp(datos_estandarizados)
# PCA
summary(pca_resultado_normado)
## Importance of components:
## PC1 PC2 PC3 PC4
## Standard deviation 1.4944 0.8980 0.7934 0.57510
## Proportion of Variance 0.5583 0.2016 0.1574 0.08268
## Cumulative Proportion 0.5583 0.7599 0.9173 1.00000
#como se puede observar las medias se encuentran en 0 y las desviación estandar #en 1 con esto nos aseguramos que todas las variables tengan la misma escala antes de realizar un pca.
¿Cuántos ejes retiene para el análisis? ¿Por qué?
get_eigenvalue(acpc)
## eigenvalue variance.percent cumulative.variance.percent
## Dim.1 953.238889 84.4467052 84.44671
## Dim.2 169.350357 15.0026188 99.44932
## Dim.3 4.980882 0.4412525 99.89058
## Dim.4 1.235178 0.1094234 100.00000
fviz_eig(acpc,addlabels = T)
¿Cuál es la variable que más contribuye al primer eje? ¿Cuál es la que menos? (indique los porcentajes).
get_pca_var(acpc)$contrib[,1]
## price malt aging taste
## 27.4806116 72.3644119 0.1411796 0.0137969
fviz_contrib(acpc, choice = "var", axes = 1)
##La variable que mas contribuye al 1ª eje es el price con el 32.98% aproximadamente, y la que menos contribuye es taste con el 14.34% aproxidamente.
Según el círculo de correlaciones, ¿cuáles son las variables más correlacionadas? ¿Cuánto es la correlación? ¿Si corresponden a lo que se observa en la matriz de correlaciones?
columns_num <- Whisky[, c("price", "malt", "aging", "taste")]
library(psych)
##
## Attaching package: 'psych'
## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha
corPlot(columns_num, cex = 1.2, main = "Matriz de correlación")
Whisky_pca=PCA(columns_num, graph = F)
fviz_pca_var(Whisky_pca,repel = T, colvar="cos2", col.var = "contrib", alpha.var = "contrib", gradient.cols=c("#FF0000","#FFFF00","#00FF00"))
Según la gráfica, las variables que presentan una alta correlación con 66% son “malt” y “price” y corresponden al valor que se puede evidenciar en la matriz.
¿Cuál es la variable mejor representada en el primer plano factorial? ¿Cuál la peor? (escriba los porcentajes).
fviz_pca_var(pca_resultado_normado,repel = T, colvar="cos2", col.var = "contrib", alpha.var = "contrib", gradient.cols=c("#FF0000","#FFFF00","#00FF00"))
#podemos notar que la variable mejor representada es taste con 28% y la
peor es aging con un 20%.
¿Qué representa el primer eje? ¿Qué nombre le asignaría? ¿Qué representa el segundo eje?
fviz_pca_biplot(acpc)
fviz_pca_biplot(acpc, col.ind = Whisky$type, addEllipses = T, repel = T, legend.title="Tipo")
El primer eje representa el nivel de pureza del wisky por contenido de malta, lo llamaria. Nivel de pureza.
El segundo eje los clasifica de abajo hacia arriba por su apreciación.
¿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).
fviz_pca_biplot(acpc)
acpc$ind$contrib[,1]
## 1 2 3 4 5 6
## 3.01333715 4.09470333 3.51523434 1.88919428 2.21603601 1.40660460
## 7 8 9 10 11 12
## 1.60258300 2.89446665 1.14527675 0.35713631 0.83178062 1.08692731
## 13 14 15 16 17 18
## 1.83300105 0.39458664 0.63691863 0.49899318 0.09609883 0.26101518
## 19 20 21 22 23 24
## 0.13347372 0.09530309 0.25891750 0.17925329 0.04651377 0.12812052
## 25 26 27 28 29 30
## 0.09996306 0.45906463 0.03572253 0.04528070 13.20316585 21.04299973
## 31 32 33 34 35
## 6.65085240 6.06557829 8.18626548 8.19804100 7.39759058
El individuo mejor representado en el primer plano factorial es el 30 con un 19.81% porque es el que mas se encuentra a la derecha. El individuo peor representado en el primer plano factorial es el 11 con un 0.41% porque es el que mas cercano está al cero (origen).
¿Qué características tienen las marcas de Whisky según sus ubicaciones en el plano? (a la derecha, a la izquierda, arriba, abajo).
fviz_pca_var(Whisky_pca,repel = T, colvar="cos2", col.var = "contrib", alpha.var = "contrib", gradient.cols=c("#FF0000","#FFFF00","#00FF00"))
fviz_pca_biplot(Whisky_pca,repel = T, col.ind = Whisky$type)
get_pca_var(Whisky_pca)$coord[,1:4]
## Dim.1 Dim.2 Dim.3 Dim.4
## price 0.8582506 -0.23485571 -0.1393575 -0.43454368
## malt 0.8060015 -0.33043371 -0.3291630 0.36445429
## aging 0.7257302 0.01995561 0.6813660 0.09304762
## taste 0.5659967 0.80108723 -0.1936025 0.02061710
Según las gráficas y los valores se pueden realizar las siguientes interpretaciones:
Derecha: Las marcas de Whisky que se encuentran en esta región, probablemente tengan un mayor valor, un alto contenido de malta y un tiempo de añejamiento más largo. Dada la cercanía entre “price”, “malt” y “aging” a la derecha de la Dim 1.
Izquierda: Dada la interpretación anterior, las marcas que se encuentren en esta región, Dim 1 negativa, tienden a tener un precio en francos más bajo, menor proporción de malta y menor tiempo de añejamiento.
Arriba: Dim 2 positiva, las marcas de Whisky situadas en esta región, tienen mayor apreciación por los catadores.
Abajo: En esta sección se encuentran las marcas de Whisky que probablemente tienen una menor apreciación por parte de los catadores, por lo que podríamos deducir según la gráfica y los valores obtenidos, que existe una correlación negativa entre “taste” y “malt” - “price”, por lo que las marcas de Whisky con mayor porcentaje de malta, fueron calificadas con puntajes menores.
A partir de la posición en el plano deduzca las características de las tres categorías de whisky (lujo, estándar y pura malta).
ggplot(data=Whisky, aes(x=type, y=taste, fill=type))+
geom_boxplot()
#El tipo de whysky de lujo ha sido mayor probado que el whisky estandar
y pura malta
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?
order(acpc$ind$coord[,2],decreasing = T)
## [1] 30 24 26 10 27 14 23 29 11 20 17 25 19 4 22 9 1 15 21 18 5 28 6 3 12
## [26] 7 16 2 13 34 33 8 35 31 32
head(Whisky[order(acpc$ind$coord[,2],decreasing = T),],10)
## price malt type aging taste
## 30 160 100 pure 12.0 3
## 24 110 40 med 12.0 3
## 26 113 45 med 12.0 4
## 10 93 30 low 12.0 0
## 27 96 45 med 12.0 3
## 14 87 33 med 12.0 3
## 23 90 40 med 12.5 2
## 29 127 100 pure 8.5 4
## 11 82 30 low 12.0 2
## 20 87 40 med 8.5 4
summary(Whisky)
## price malt type aging taste
## Min. : 55.00 Min. : 20.0 low :11 Min. : 5.000 Min. :0.000
## 1st Qu.: 73.00 1st Qu.: 30.0 med :17 1st Qu.: 8.000 1st Qu.:2.000
## Median : 83.00 Median : 40.0 pure: 7 Median :10.000 Median :2.000
## Mean : 85.71 Mean : 47.4 Mean : 9.529 Mean :2.229
## 3rd Qu.: 91.50 3rd Qu.: 45.0 3rd Qu.:12.000 3rd Qu.:3.000
## Max. :160.00 Max. :100.0 Max. :12.500 Max. :4.000
fviz_pca_biplot(acpc,repel = T, col.ind = Whisky$type)
Escogeria la 16 y 20 teniendo en cuenta que estan en la parte de arriba y mas pegadas al eje principal. tienen buen añejamiento y precio.
Seleccione dos marcas que definitivamente no compraría. ¿Por qué? ¿Qué características tienen?
Respuesta: No compraria las marcas 30 y 31 ya que son costosas y tienen baja apreciación por estar en el cuadrante opuesto al de la variable taste.