Professional Documents
Culture Documents
La i-sima fila de la matriz contiene los n niveles digitales de la i-sima banda. Denominando X i
= [xi1 xi2 ...xin]t para i=1,2,..., p, resulta Xt = [X1, X2, ... , Xp].
Como el A.C.P. es un anlisis descriptivo no requiere que X tenga distribucin normal
multivariada. Si X tuviera esta distribucin se podra realizar inferencia (Mardia et al, 1982).
El estudio de la relacin entre bandas, que es la base del A.C.P., puede realizarse de dos
maneras:
en la que los elementos de la diagonal son las varianzas de los N.D. en cada banda:
con
y los elementos fuera de la diagonal son las covarianzas entre los N.D. de dos bandas:
Como la covarianza entre la banda i y la j es la misma que entre la banda j y la i (ij = ji) la
matriz x es simtrica. Cuando hay relacin lineal entre los N.D. de dos bandas las
covarianzas son grandes en comparacin con las varianzas, por eso es que esta matriz sirve
para estudiar la relacin entre pares de bandas.
Con la matriz de correlacin x:
Los elementos de la diagonal son unos porque son las correlaciones de cada banda consigo
misma. Como la correlacin entre la banda i y la j es la misma que entre la banda j y la i (ij =
ji) la matriz x es simtrica. Cuando hay relacin lineal entre pares de bandas las
correlaciones son cercanas a 1 a 1.
Cuando no hay relacin entre bandas ambas matrices son diagonales (los elementos fuera de
la diagonal son ceros). En este caso cada banda aporta informacin diferente y por lo tanto el
A.C.P. sera innecesario (en teledeteccin esta situacin es poco comn).
El objetivo del A.C.P. es generar un nuevo sistema de coordenadas en el espacio multiespectral
en el cual los datos pueden ser representados sin correlacin, de tal manera que la matriz de
varianza-covarianza sea diagonal en el nuevo sistema de coordenadas.
Si algunos autovalores son iguales, los autovectores y por lo tanto los componentes no son
nicos. Sin embargo, los autovectores correspondientes a autovalores iguales pueden elegirse
de manera tal que sean ortogonales, y as los componentes son nicos.
La matriz Y contiene en la diagonal las varianzas (autovalores) de los N.D. de los pxeles en
las coordenadas transformadas. Los autovalores son no crecientes, entonces la mxima
varianza (en general) est en la primera componente y 1, la subsiguiente en y2, y as
sucesivamente.
Como los autovalores se ordenan en forma no creciente, la eficiencia del ajuste de los datos
originales por los primeros m componentes (mp) es:
Los criterios presentados en este trabajo para decidir cuntos componentes principales se
deberan seleccionar son:
(a) En la curva que muestra los porcentajes de variacin total explicada por cada componente
versus los componentes, considerar aquellos anteriores al punto de inflexin.
(b) Considerar los componentes cuyos autovalores son mayores que el autovalor promedio.
(c) Usar los componentes cuyos coeficientes de correlacin con las bandas son grandes en
valor absoluto.
Estos
criterios
son
utilizados
en
el
Problema
de
Aplicacin.
Antes de realizar el A.C.P. a una imagen real se presenta un ejemplo sencillo para mostrar el
clculo de los componentes principales.
Ejemplo (Richards y Jia, opcit): Suponga que los N.D. de 6 pxeles en 2 bandas son:
Banda 1
Banda 2
83
79
1.9
1.1
79
79
1.1
1.1
-3
0.88
2.6705
-0.8799298
-0.3295
0.000070
0.33
0.000165
0.0005
0.000235
del cual se obtiene X 1 = 1.427X2 lo que indica que existen infinitas soluciones para el
sistema.
Como, adems, los autovectores deben estar normalizados X12 + X22 =1
Esta ecuacin conjuntamente con el sistema anterior da por resultado X 1 = (0.82 0.57). De
manera similar X2=(-0.57 0.82). Por lo que:
y1
y2
1PC SCORS
2PC SCORS
Cdigo
-2.08335
-0.375
0.12445
-0.125
1.51335
0.125
2.08335
0.375
-0.12445
0.125
-1.51335
-0.125
componente contiene el
de la variacin total. De esta manera, el
primer componente muestra un alto contraste visual. Por otra parte el segundo componente es
perpendicular al primero (porque no estn correlacionados) lo que indica que contiene
informacin no incluida en el primer componente. Todo esto se confirma en la Figura 3, donde
se han graficado los datos en los dos sistemas (bandas y componentes principales).
-2.5
-2
-1.5
-1
0
-0.5
0
-0.5
0.5
1.5
2.5
-1
BIBLIOGRAFIA
CATENA A., RAMOS M. y TRUJILLO M. (2003). Anlisis Multivariado, un manual para
investigadores. Primera edicin. Espaa: Edit. Biblioteca Nueva, S.L. 413 p. ISBN: 84-9742115-9.
JOHNSON, E. Dallas (2000). Mtodos multivariados aplicados al anlisis de datos. Primera
edicin. Mxico: Edit. International Thomson Editores. 566 p. ISBN: 968-7529-90-3
LEVIN, I. Richard y RUBIN, S. David (2010). Estadstica para Administracin y Economa.
Stima edicin revisada. Mxico: Edit. Pearson Education. 952 p. ISBN: 978-607-442-905-3
NEL Quezada Lucio. (2010). Estadstica para Ingenieros. 1era edicin. Per: Edit. Macro. 310
p. ISBN: 978-612-4034-55-8
SPIEGEL Murray R. y STEPHENS Larry J. (2009). Estadstica. 4ta edicin. Mxico: McGrawHill, 577 p. ISBN: 978-0-07-148584-5
TRIOLA Mario F. (2009). Estadstica. Dcima edicin. Mxico: Pearson Education. 904 p. ISBN:
978-970-26-1287-2