Parte 1 PCA de wine

Los archivos RMD tienen varios beneficios para la visualización de datos. Permiten combinar código, texto, tablas y gráficos en un mismo documento, lo que facilita mucho la creación de reportes que sean claros y fáciles de entender. Además, son muy útiles porque garantizan que los análisis sean reproducibles. Al estar todo en un solo archivo, cualquier cambio en los datos o el código actualiza automáticamente los resultados.

Otra ventaja es que estos archivos permiten generar reportes en diferentes formatos, como PDF, Word o HTML, de manera automática. También ofrecen la posibilidad de incluir gráficos interactivos en las presentaciones, lo que hace más fácil explorar y comprender la información.

Por último, su estructura ayuda a mantener todo bien organizado, ya que permite explicar el análisis junto con los resultados, lo que hace que sean útiles tanto para documentar como para compartir el trabajo con otras personas.

## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
## Loading required package: viridisLite

Proceda a cargar los datos de wine.csv _El URL es https://www.jaredlander.com/data/wine.csv_

##   Cultivar Alcohol Malic.acid  Ash Alcalinity.of.ash Magnesium Total.phenols
## 1        1   14.23       1.71 2.43              15.6       127          2.80
## 2        1   13.20       1.78 2.14              11.2       100          2.65
## 3        1   13.16       2.36 2.67              18.6       101          2.80
## 4        1   14.37       1.95 2.50              16.8       113          3.85
## 5        1   13.24       2.59 2.87              21.0       118          2.80
## 6        1   14.20       1.76 2.45              15.2       112          3.27
##   Flavanoids Nonflavanoid.phenols Proanthocyanins Color.intensity  Hue
## 1       3.06                 0.28            2.29            5.64 1.04
## 2       2.76                 0.26            1.28            4.38 1.05
## 3       3.24                 0.30            2.81            5.68 1.03
## 4       3.49                 0.24            2.18            7.80 0.86
## 5       2.69                 0.39            1.82            4.32 1.04
## 6       3.39                 0.34            1.97            6.75 1.05
##   OD280.OD315.of.diluted.wines Proline
## 1                         3.92    1065
## 2                         3.40    1050
## 3                         3.17    1185
## 4                         3.45    1480
## 5                         2.93     735
## 6                         2.85    1450

Indique aqu? de que se trata el dataset que acaba de cargar y los tipos de cada

variable. Nos interesa especialmente aquellas que no sean num?ricas

El dataset consta de 178 observaciones y 13 variables predictoras, todas ellas numéricas. Esta base contiene los resultados de análisis químicos de vinos cultivados. El objetivo es clasificar los vinos de acuerdo con sus características químicas.

## [1] "integer"
## [1] "numeric"
## [1] "numeric"
## [1] "numeric"
## [1] "numeric"
## [1] "integer"
## [1] "numeric"
## [1] "numeric"
## [1] "numeric"
## [1] "numeric"
## [1] "numeric"
## [1] "numeric"
## [1] "numeric"
## [1] "integer"

Aplicaci?n de PCA

_Indique que beneficios obtenemos de PCA,

El análisis de componentes principales (PCA) nos ofrece varios beneficios importantes. Primero, nos ayuda a reducir la dimensionalidad de los datos, lo que facilita el trabajo con conjuntos de datos grandes y complejos. Además, al mantener la mayor parte de la variabilidad en un menor número de componentes, se mejora la eficiencia en los análisis sin perder demasiada información relevante.

Otro beneficio es que permite identificar patrones ocultos en los datos y destaca las variables que más contribuyen a la variabilidad. Esto es especialmente útil para eliminar ruido y concentrarse en las características más importantes. Por último, al simplificar los datos, también mejora la visualización, lo que ayuda a entender relaciones y estructuras que no son evidentes a simple vista.

A continuaci?n proceda a revisar la data para asegurarse que no tiene variables con valor 0 o negativos

## [1] FALSE

Indique en este lugar cual es el prop?sito de la funci?n prcomp

La función prcomp en R tiene como propósito realizar el Análisis de Componentes Principales (PCA). Sirve para descomponer un conjunto de datos en componentes principales que resumen la mayor parte de la variabilidad de las variables originales. Esto es útil para reducir la dimensionalidad, identificar patrones y facilitar la visualización de los datos. Además, prcomp permite trabajar con datos escalados y centrados para obtener resultados más precisos y consistentes.

Aplicando PRCOMP

##  [1] 5.53594804 2.49707625 1.44607422 0.92791783 0.87750252 0.67277834
##  [7] 0.55379896 0.35003417 0.29454194 0.26230610 0.22584842 0.16879672
## [13] 0.12956418 0.05781232
##               [,1]         [,2]         [,3]        [,4]        [,5]
##  [1,]  0.393669533 -0.005690412 -0.001217953  0.12246373  0.15758395
##  [2,] -0.136325011 -0.484160868  0.207400812 -0.08191848 -0.25089415
##  [3,]  0.222676383 -0.223590947 -0.088796064  0.46988824 -0.18860015
##  [4,] -0.002257932 -0.315855884 -0.626102363 -0.24984122 -0.09352360
##  [5,]  0.224298489  0.011615737 -0.611989600  0.07199322  0.04656750
##  [6,] -0.124630159 -0.300551432 -0.130984580 -0.16321412  0.77833048
##  [7,] -0.359264042 -0.067119829 -0.146507749  0.19098521 -0.14466563
##  [8,] -0.390711715  0.001313454 -0.150962746  0.14461667 -0.11200553
##  [9,]  0.267001203 -0.026988703 -0.169975512 -0.32801272 -0.43257916
## [10,] -0.279062504 -0.041222563 -0.149879586  0.46275771  0.09158820
## [11,]  0.089318293 -0.529782740  0.137266298  0.07211248 -0.04626960
## [12,] -0.276822650  0.277907354 -0.085328539 -0.43466618 -0.02986657
## [13,] -0.350526181  0.162776250 -0.166204360  0.15672341 -0.14419358
## [14,] -0.269515252 -0.366058862  0.126686846 -0.25579490 -0.08440794
##              [,6]        [,7]        [,8]         [,9]       [,10]       [,11]
##  [1,]  0.20033864 -0.05938234  0.07179553  0.162368819 -0.19899373  0.01444169
##  [2,] -0.13517139 -0.09269887  0.42154435  0.450190708  0.31127983 -0.22154641
##  [3,] -0.59841948  0.37436980  0.08757556  0.006025687 -0.32592413  0.06839251
##  [4,] -0.10799983 -0.16708856 -0.17208034 -0.262494455 -0.12452347 -0.49452428
##  [5,]  0.08811224 -0.26872469  0.41324857  0.118633417  0.15716811  0.47461722
##  [6,] -0.14483831  0.32957951 -0.14881189  0.252536278  0.12773363  0.07119731
##  [7,]  0.14809748 -0.03789829 -0.36343884  0.406373544 -0.30772263  0.29740957
##  [8,]  0.06247252 -0.06773223 -0.17540500  0.090919334 -0.14044000 -0.03219187
##  [9,]  0.25868639  0.61111195 -0.23075135  0.159122818  0.24054263  0.12200984
## [10,]  0.46627764  0.42292282  0.34373920 -0.265786794  0.10869629 -0.23292405
## [11,]  0.42525454 -0.18613617 -0.04069617  0.075264592 -0.21704255  0.01972448
## [12,] -0.01565089  0.19204101  0.48362564  0.212416815 -0.50966073 -0.06140493
## [13,] -0.21770365 -0.07850980 -0.06865116  0.084264837  0.45570504  0.06646166
## [14,] -0.06656550  0.05420370  0.11146671 -0.544905394 -0.04620802  0.55130818
##             [,12]       [,13]        [,14]
##  [1,] -0.01575769  0.49224318  0.669045280
##  [2,]  0.26411262  0.05610645  0.090626055
##  [3,] -0.11921210 -0.06675544 -0.025225306
##  [4,]  0.04502305  0.19201787 -0.001635816
##  [5,]  0.06131271 -0.20007784 -0.095361066
##  [6,] -0.06116074 -0.05829909  0.022300745
##  [7,]  0.30087591  0.35952714 -0.253037788
##  [8,]  0.05001396 -0.59834288  0.601909165
##  [9,] -0.04266558 -0.06403952  0.082230935
## [10,]  0.09334264  0.11013538 -0.058641979
## [11,] -0.59795428 -0.15917751 -0.178821145
## [12,] -0.25774292  0.04923091 -0.022582562
## [13,] -0.61109218  0.32941979  0.135092159
## [14,]  0.07268036  0.17322892  0.216043617
##           [,1]       [,2]       [,3]        [,4]       [,5]       [,6]
## [1,] -3.513024 -1.4490110  0.1643319 -0.01323549  0.7352712 -0.2998703
## [2,] -2.521745  0.3290909  2.0210056 -0.41597096 -0.2824171 -0.8818219
## [3,] -2.777195 -1.0340191 -0.9804719  0.66236396 -0.3864748  0.4675228
## [4,] -3.911554 -2.7604234  0.1744760  0.56349826 -0.3234473  0.2618777
## [5,] -1.403552 -0.8653321 -2.0201309 -0.43966556  0.2273080 -0.5920919
## [6,] -3.278880 -2.1241831  0.6272230 -0.60366902 -0.4084742  0.2575494
##             [,7]        [,8]        [,9]       [,10]      [,11]        [,12]
## [1,]  0.57226129 -0.05548077  0.45747458  1.06257216 -0.4193111 -0.551372411
## [2,] -0.02963289 -1.00752977 -0.21819060 -0.02012526 -0.1296539 -0.393860128
## [3,]  0.48693182  0.26820049 -1.21932990 -0.10595025 -0.2782891 -0.001892654
## [4,] -0.39724354 -0.61710292  0.11433580  0.10736825  0.7716890  0.230279641
## [5,]  0.44661570 -0.43371385  0.26081202  0.11211805 -0.5364180  0.226048523
## [6,]  0.37751103 -0.36579361 -0.04478595 -0.21735308  0.4066383  0.375655765
##            [,13]       [,14]
## [1,]  0.30212591  0.20029245
## [2,]  0.14623280  0.12604679
## [3,] -0.02121816 -0.05559469
## [4,]  0.49986674  0.01984687
## [5,] -0.27333786 -0.51604220
## [6,]  0.01739357  0.23888844

Indique aqu? cu?l es el concepto que se utiliza para la selecci?n de componentes principales

El concepto utilizado para la selección de componentes principales en un análisis PCA se basa principalmente en los valores propios (eigenvalues), que indican la cantidad de varianza explicada por cada componente.

##  [1] 0.395424860 0.178362589 0.103291016 0.066279845 0.062678751 0.048055596
##  [7] 0.039557068 0.025002441 0.021038710 0.018736150 0.016132030 0.012056908
## [13] 0.009254584 0.004129451
##  [1] 0.3954249 0.5737874 0.6770785 0.7433583 0.8060371 0.8540927 0.8936497
##  [8] 0.9186522 0.9396909 0.9584270 0.9745591 0.9866160 0.9958705 1.0000000

Realice un an?lisis de la visualizaci?n anterior, que indica

Los valores en el primer conjunto representan la varianza explicada por cada componente principal (CP) El primer componente (CP1) explica aproximadamente el 39.54% de la varianza total. El segundo componente (CP2) explica el 17.83%. Los componentes posteriores explican porcentajes menores de varianza, decreciendo gradualmente, lo que indica que estos componentes no aportan significativamente a la explicación de la variabilidad de los datos.

El segundo conjunto de valores muestra la acumulación de la varianza, que suma los componentes: Los primeros dos componentes principales (CP1 y CP2) acumulan aproximadamente el 57.37% de la varianza total. Los primeros tres componentes (CP1, CP2 y CP3) acumulan el 67.70%. Los primeros cinco componentes explican más del 80% de la varianza total, lo que suele puede ser suficiente para reducir dimensionalidad sin perder demasiada información.

Relaci?n entre las variables originales y las Componentes Principales

Realice un an?lisis de la visualizaci?n anterior, que indica

El gráfico biplot muestra la relación entre las variables originales del dataset y las dos primeras componentes principales (PC1 y PC2), que explican la mayor parte de la varianza en los datos.Dentro del dataset estan las variables originales y la longitud de las flechas indican que tan reveltantes son. Variables como Alcohol, Proline y Color.intensity tienen flechas largas, lo que significa que tienen una fuerte contribución a la variabilidad capturada por las componentes principales, especialmente en la dirección de PC1.

Indique cual es el concepto de la calidad de la representaci?n cos2

El cos2 mide qué tan bien una variable o una observación está representada por las componentes principales en un análisis PCA. Es como un indicador de calidad: si el cos2 es cercano a 1, significa que la variable o la observación está bien explicada por las componentes principales seleccionadas. Si el cos² es cercano a 0, significa que no tiene mucha importancia en esas componentes. Es una forma de saber qué tan relevantes son las variables u observaciones en el análisis.

Realice un an?lisis de la visualizaci?n anterior, que indica

El gráfico muestra cómo las observaciones del dataset están representadas en el espacio de las dos primeras componentes principales (PC1 y PC2). La calidad de representación cos2 de cada observación se indica mediante una escala de colores de púrpura a amarillo, donde podemos analizar lo siguiente:

Púrpura: Indica baja calidad de representación. Amarillo: Indica alta calidad de representación. Estas observaciones están bien explicadas por las dos primeras componentes principales y tienen una fuerte contribución.

Parte 2 MDS de wine

En sus propias palabras indique cuales son los beneficios de hacer un an?lisis de conglomerados, en que nos ayuda en la visualizaci?n de los datos

El análisis de conglomerados es una técnica que nos permite agrupar datos en conjuntos basados en sus similitudes. Su principal beneficio es que nos ayuda a identificar patrones dentro de los datos, permitiendo agrupar observaciones con características similares.

Indique aqu? que es la matriz de distancias, que algoritmos de distancias existen

La matriz de distancias muestra las distancias entre cada par de observaciones en un conjunto de datos. Cada elemento indica qué tan similares o diferentes son dos observaciones entre sí, con base en una medida de distancia específica. Existen varios algoritmos de de distancia, entre las mas conocidas las siguientes: Distancia euclidiana, Distancia Manhattan, Distancia Coseno, Distancia de Mahalanobis entre otras.

indique aqu? que hace la funci?n cmdscale

La función cmdscale toma una matriz de distancias entre observaciones y genera una representación gráfica en un espacio de menor dimensión.

##          1        2        3        4        5        6        7        8
## 1 0.000000 3.487697 3.018094 2.834509 3.556821 2.518186 2.546050 2.401011
## 2 3.487697 0.000000 4.131258 4.348349 4.614454 3.382216 2.657882 3.315056
## 3 3.018094 4.131258 0.000000 3.237354 2.972721 2.859721 2.832208 3.461314
## 4 2.834509 4.348349 3.237354 0.000000 4.483310 1.899712 3.152399 3.342064
## 5 3.556821 4.614454 2.972721 4.483310 0.000000 3.878217 3.972883 2.966658
## 6 2.518186 3.382216 2.859721 1.899712 3.878217 0.000000 2.340692 2.609051
##          9       10       11       12       13       14       15       16
## 1 2.956010 2.541728 2.764608 3.400276 3.361846 3.874197 3.438246 3.062549
## 2 2.684880 2.494175 3.694327 2.674337 2.590363 4.150234 4.305821 3.539170
## 3 3.551474 2.930402 2.517200 3.358907 2.655878 3.632531 3.301645 3.007696
## 4 3.459531 2.715530 2.687555 4.002253 3.475888 4.066200 2.888850 3.234386
## 5 4.425993 4.034604 4.230433 4.006724 3.860736 5.114196 5.411176 3.104961
## 6 2.428987 2.388038 2.070223 2.798271 2.318657 2.974199 2.329237 2.128579
##         17       18       19       20       21       22       23       24
## 1 2.712571 3.042911 3.549895 2.492893 1.284270 3.630448 2.423323 3.480236
## 2 4.412581 4.088126 4.284466 2.906006 3.255227 3.790396 2.246865 2.582531
## 3 2.652555 2.792852 3.503245 3.111304 3.395105 2.708121 2.962724 3.029523
## 4 2.897947 3.239892 2.437798 3.542602 3.266716 4.619024 3.673854 4.357557
## 5 2.608146 2.424546 4.721005 2.972013 3.545200 2.500958 3.435575 3.137632
## 6 2.109897 2.174897 1.576534 3.184494 2.937179 4.209172 3.037392 3.652734
##         25       26       27       28       29       30       31       32
## 1 3.280442 4.895032 3.346495 3.932628 2.931780 2.595444 3.599919 3.018410
## 2 3.409599 6.356356 2.603405 2.261274 3.931930 2.239103 4.755591 3.513787
## 3 2.904768 4.163765 2.737535 3.689895 2.688994 2.980586 2.035959 2.524971
## 4 4.342024 5.773591 3.387539 4.364185 3.806556 3.528853 3.390408 2.566938
## 5 2.633898 2.130093 3.144438 4.165095 1.912962 3.891491 3.044595 3.867497
## 6 3.812167 5.294352 2.580486 3.318829 3.055766 2.874006 2.892257 1.928356
##         33       34       35       36       37       38       39       40
## 1 2.996667 3.409337 3.010377 2.807766 3.363952 3.782951 3.861823 2.673379
## 2 2.969021 4.634126 3.275080 3.194311 3.197352 2.914300 1.852131 3.944420
## 3 2.800901 4.039153 2.750931 2.351005 3.247065 2.976633 3.852804 3.910632
## 4 4.256888 4.213066 3.958916 3.535023 4.288916 4.330596 4.761539 3.798731
## 5 2.891386 2.822141 2.177010 2.690663 2.234338 2.865652 4.091087 3.836845
## 6 2.876365 3.148324 2.954130 3.096157 3.210644 3.187244 3.519278 3.738029
##         41       42       43       44       45       46       47       48
## 1 1.874589 4.287674 2.697016 3.872253 2.745802 3.370678 2.714477 2.571563
## 2 3.228544 3.174198 2.855339 3.344154 2.517752 3.707075 3.280726 2.671964
## 3 2.636091 3.670860 2.916876 3.529544 2.922608 3.688826 2.874172 2.955477
## 4 3.010354 4.593297 2.446711 4.600572 3.499670 3.605260 2.907043 2.769394
## 5 3.142658 3.985383 3.736093 3.106363 3.574416 3.155255 3.829753 4.176416
## 6 2.589842 3.994756 2.508529 4.070515 3.072722 3.311517 2.646082 2.565835
##         49       50       51       52       53       54       55       56
## 1 2.608052 2.613567 3.967903 2.918416 2.689632 2.707359 2.092234 2.411369
## 2 3.582851 3.502457 3.415987 3.411710 3.261209 3.578826 2.443762 4.036270
## 3 1.926862 2.765153 3.365090 2.041882 3.240636 2.713877 3.247515 2.020370
## 4 3.019556 2.505103 4.204855 3.448487 1.877539 2.831871 3.108856 2.749545
## 5 2.998631 3.987095 5.500396 3.681505 4.063815 2.807515 3.513310 2.985929
## 6 2.174846 1.720962 3.647011 2.720524 1.599000 1.600494 2.503470 2.666539
##         57       58       59       60       61       62       63       64
## 1 1.559658 3.098069 2.786178 8.073611 6.965506 6.559007 5.429386 5.158707
## 2 3.073747 3.080508 3.506545 5.405308 5.356414 4.973313 3.778397 4.217894
## 3 2.990281 2.220024 2.588466 8.401828 6.806928 6.496121 5.736977 4.478448
## 4 2.309521 2.911646 1.733772 8.999130 7.928537 7.398514 6.445400 5.571627
## 5 3.456046 2.821096 3.826145 8.145072 5.567972 5.466243 5.128587 4.682872
## 6 2.043714 1.927928 1.762214 7.917701 6.486505 6.180897 5.331475 5.145784
##         65       66       67       68       69       70       71       72
## 1 6.146539 4.534892 5.233881 5.891544 5.802642 5.408076 6.149390 5.307361
## 2 5.192713 4.082242 3.908296 4.113402 4.664136 5.752596 5.166842 5.646840
## 3 5.749864 3.370457 5.031772 5.604225 6.065943 6.397572 5.548011 4.506754
## 4 7.518860 5.442802 5.823438 6.780429 6.614484 7.341798 7.242165 5.928808
## 5 4.293129 3.193554 5.998588 5.493271 4.589537 6.302504 4.959169 3.955878
## 6 6.271129 4.381539 5.271759 6.089099 5.359367 6.672487 6.144091 5.583305
##         73       74       75       76       77       78       79       80
## 1 5.702432 5.270995 4.802322 6.428837 5.826237 5.952973 4.762710 5.131898
## 2 4.931192 6.922597 4.162926 4.517007 4.018906 4.711838 4.922270 5.186442
## 3 5.318479 5.244659 4.194396 6.136252 5.869660 5.781662 5.189892 4.230254
## 4 6.555805 5.921349 5.091475 7.690562 6.922746 7.277763 6.497715 6.080831
## 5 4.453935 4.301899 4.229449 5.620065 5.943294 4.465538 5.268671 3.183259
## 6 5.900841 5.934073 4.905788 6.522088 5.959678 6.261920 5.504128 5.482568
##         81       82       83       84       85       86       87       88
## 1 6.024969 4.509344 6.532154 6.759175 5.074501 4.719817 6.291876 6.663320
## 2 4.536944 3.324565 5.607743 6.158844 4.591060 3.636182 5.415865 6.131192
## 3 5.667542 3.771421 5.344801 5.691741 4.040623 4.711213 5.344355 5.561126
## 4 7.227791 5.478417 7.400899 7.441505 6.068347 6.200264 7.436857 7.686700
## 5 5.311815 4.052725 4.650911 4.835609 4.193204 4.079091 4.494937 4.526211
## 6 6.358617 4.676372 6.484301 6.525092 5.620918 5.274239 6.343381 6.908615
##         89       90       91       92       93       94       95       96
## 1 6.244395 6.585012 6.475944 6.429453 6.726010 5.249712 5.444224 4.852868
## 2 5.099321 5.388800 5.125489 5.593112 5.681741 4.196526 4.113065 6.460764
## 3 5.038405 5.473614 5.471009 5.432036 5.803173 4.555851 4.977876 5.413246
## 4 7.066186 7.310875 7.575413 7.575564 7.725888 6.451371 6.304901 6.480968
## 5 4.278584 5.050784 4.897153 4.629048 5.164975 4.376014 4.411398 5.285949
## 6 6.158857 6.584083 6.420148 6.602473 6.592558 5.830069 5.760311 5.903727
##         97       98       99      100      101      102      103      104
## 1 5.966178 5.389568 4.865775 5.654867 5.459109 5.921982 5.063064 6.353520
## 2 6.084736 3.635584 3.905889 5.222088 3.654009 4.267706 4.408716 4.677226
## 3 5.711043 4.908027 4.064894 4.463017 5.371570 5.706511 4.528438 5.729248
## 4 7.287679 6.416826 4.965364 6.679814 6.573245 7.190336 5.967934 7.180515
## 5 4.364047 5.019100 4.645632 4.718638 5.413620 5.455358 3.371506 5.298502
## 6 6.676805 5.495448 4.554297 5.824732 5.653529 6.232030 5.524216 6.369774
##        105      106      107      108      109      110      111      112
## 1 5.208590 6.551029 5.677545 6.232287 5.493080 4.952698 6.217902 5.721219
## 2 3.879696 5.878801 4.239322 5.427617 4.515376 4.862156 6.265792 4.456338
## 3 4.794705 5.965234 4.942090 5.314423 5.043543 3.372840 5.232731 5.146160
## 4 6.210757 7.740597 6.807547 7.247620 6.634140 5.684059 6.784051 6.512533
## 5 4.726586 4.866525 4.839163 4.647250 4.880010 3.632020 6.048095 4.363144
## 6 5.541568 6.888665 5.950711 6.313616 5.958219 5.289876 6.702477 5.941438
##        113      114      115      116      117      118      119      120
## 1 6.484177 6.316948 6.039117 7.245746 6.004875 5.207366 7.068092 5.952736
## 2 5.918362 5.229387 5.062607 6.338149 4.620540 4.804266 5.131114 4.630715
## 3 5.565759 5.204456 5.209900 6.195497 5.448054 4.972757 6.658304 5.146623
## 4 7.544114 7.098390 6.759062 8.377273 7.109500 6.673985 7.859988 7.024707
## 5 3.924589 4.355954 4.097805 5.820367 5.179522 3.882596 6.006556 4.973568
## 6 6.412761 6.204595 6.132860 7.339870 6.445969 5.906253 6.940440 6.277456
##        121      122      123      124      125      126      127      128
## 1 5.073810 6.901506 6.370757 6.315042 6.131277 5.682662 5.493248 7.157908
## 2 4.388058 8.037328 6.587040 5.841378 5.982745 4.474438 4.841040 7.168776
## 3 3.973300 5.870998 5.286296 5.414231 4.603056 4.959601 4.542260 5.670268
## 4 5.662709 7.195348 7.267324 6.800621 6.604533 6.443503 5.981527 7.829421
## 5 3.730642 4.701458 3.696016 5.170050 5.143121 4.375373 4.143456 4.336399
## 6 5.339842 7.215290 6.841507 6.599400 6.659201 5.902824 5.553315 7.154653
##        129      130      131      132      133      134      135      136
## 1 5.908770 6.684969 6.433820 6.916973 7.493960 7.021401 7.301586 7.430741
## 2 5.468070 5.560545 5.681955 6.009886 6.767570 6.170814 6.031695 6.330651
## 3 4.864811 5.393052 6.544264 6.507246 6.866001 6.497017 6.621248 6.912683
## 4 6.815933 7.222103 7.375907 7.635101 8.070469 7.544816 7.806090 7.977998
## 5 4.153881 4.654717 5.545615 5.496437 5.870288 5.504034 6.027252 6.108964
## 6 6.201069 6.573298 6.502968 6.851185 7.371493 6.886631 6.769101 6.953464
##        137      138      139      140      141      142      143      144
## 1 8.351182 8.405592 7.358470 6.877960 7.021594 6.700393 7.326542 6.905791
## 2 7.276122 8.014819 6.320839 6.458712 6.341440 5.614330 6.840346 6.108708
## 3 7.340120 7.373474 6.917655 6.251507 6.475259 6.397266 6.843399 6.377410
## 4 8.854398 8.903262 7.980600 7.412873 7.786607 7.307432 8.065404 7.511663
## 5 6.244978 5.966628 5.986994 4.625553 5.057396 5.615310 5.184672 5.303235
## 6 7.934412 8.167400 7.022512 6.677117 6.942819 6.572308 7.234670 6.709000
##        145      146      147      148      149      150      151      152
## 1 6.726090 6.904996 8.675299 7.809629 7.043975 7.175932 7.003678 7.235663
## 2 5.943292 6.185446 7.555642 6.992659 6.509037 6.904079 7.297717 7.091474
## 3 6.387305 6.426829 8.134840 6.953432 6.326492 6.759662 6.702228 6.784030
## 4 7.301243 7.529893 9.209433 8.017044 7.202045 7.600186 7.502588 7.554334
## 5 5.884741 5.685932 7.272556 6.076834 5.623561 5.858906 5.565754 6.048939
## 6 6.671648 6.743763 8.452139 7.439283 6.619196 7.022525 7.079486 7.178365
##        153      154      155      156      157      158      159      160
## 1 6.815712 7.237507 7.192562 7.917701 7.202150 7.925623 7.133889 7.026744
## 2 7.189620 6.945086 6.488029 7.513953 6.779797 7.746693 8.173764 7.347502
## 3 6.182577 6.587329 6.810784 7.004090 6.537879 6.859546 6.305608 5.989808
## 4 7.155666 7.493309 7.829650 8.150409 7.463616 8.096615 6.785370 6.799827
## 5 4.932217 6.241901 6.195150 6.323559 5.968528 5.751960 6.216611 5.840405
## 6 6.817782 6.781591 6.975449 7.472514 6.873988 7.452366 6.745169 6.510735
##        161      162      163      164      165      166      167      168
## 1 7.603454 6.467527 6.971994 6.712996 7.248277 7.674097 6.810721 7.357133
## 2 6.690994 5.998718 6.584011 5.834093 6.683953 7.056332 7.028314 6.392380
## 3 6.665414 6.254249 6.472253 6.404328 6.767824 7.051851 6.204044 6.688485
## 4 7.713674 7.187020 7.796216 7.479622 7.607594 8.269771 7.153783 7.633234
## 5 5.799983 4.838632 4.948716 5.394027 6.109669 6.156099 5.288256 6.200641
## 6 7.114230 6.219698 6.895598 6.617625 6.921931 7.470849 6.534589 6.929637
##        169      170      171      172      173      174      175      176
## 1 6.560722 7.089308 7.474450 8.014453 6.847729 7.654205 6.788407 6.968124
## 2 6.834389 7.368561 6.222945 6.915585 6.489851 7.173584 6.615283 6.881102
## 3 5.854301 6.440922 6.966372 7.504827 6.405554 7.019046 6.029637 6.748918
## 4 6.961949 7.285432 8.234923 8.376519 7.066681 7.913020 7.113454 7.338177
## 5 4.961190 5.170952 5.979772 6.750379 5.810687 6.152016 5.124540 6.054760
## 6 6.401903 7.036244 7.398911 7.637487 6.431268 7.267525 6.474373 6.745953
##        177      178
## 1 6.588104 7.614792
## 2 6.602921 7.787005
## 3 6.380457 6.841358
## 4 7.093994 7.700017
## 5 5.569552 5.734226
## 6 6.349070 7.219563
##           [,1]       [,2]
## [1,] -3.513024  1.4490110
## [2,] -2.521745 -0.3290909
## [3,] -2.777195  1.0340191
## [4,] -3.911554  2.7604234
## [5,] -1.403552  0.8653321
## [6,] -3.278880  2.1241831

Cree el diagrama de los componentes principales del MDS

indique como nos ayudan los widgets de Shiny para ingresar argumentos

Los widgets de Shiny son elementos que permiten interactuar con una aplicación de forma dinámica. Estos widgets ayudan a ingresar argumentos porque ofrecen controles visuales como deslizadores, cuadros de texto, botones y menús desplegables, que permiten modificar parámetros sin necesidad de escribir código.

Obtenga el diagrama de conglomerados de acuerdo al widget anterior

Emita un comentario final sobre el trabajo

El presente trabajo permitió explorar técnicas avanzadas de análisis de datos mediante la reducción de dimensionalidad, la visualización interactiva y el agrupamiento de observaciones. A través del uso de herramientas como PCA, MDS y análisis de conglomerados, logramos identificar patrones en los datos, simplificando su interpretación y destacando las relaciones clave entre las observaciones. Además, el uso de widgets interactivos de Shiny proporcionó dinamismo, permitiendo ajustar parámetros como la cantidad de clusters y visualizar resultados en tiempo real.