Page 333 - Una innovación a la mecánica cuántica

Con estos resultados y con el criterio de sólo incluir los eigenvalores mayores
o iguales a 1, las 13 variables se reducen a sólo 3 y en un momento dado
hasta 2 solamente, que son las resaltadas con negritas y suman el 87.27%
de toda la información. Sobre estos ejes se proyectan las 11 variables
restantes y se forma un gráfico de conglomerados, según se puede observar
en la referencia indicada.

Es importante resaltar la importancia clave que tiene el cálculo de los
eigenvalores y los eigenvectores para este tipo de problemas, ya que además,
se rotan los gráficos para utilizar su base propia, es decir, sus eigenvectores,
para lograr un mejor resultado en tipificar los tipos de vinos que se clasifican
de acuerdo a estas 13 variables, pero sólo tomando las dos principales, de
aquí que esta técnica se denomine análisis de los componentes principales.

Aplicación al análisis factorial

Aquí se ilustra con un ejemplo utilizado por el profesor Dilmas Sulbarán
de la Universidad de Venezuela en el enlace, https://www.youtube.com/
watch?v=diRKhwbDVnc, donde se indica una introducción a el análisis
factorial exploratorio y utiliza la matriz de correlaciones indicada en su
diapositiva 6 Tabla 1 de su exposición en dicho enlace y que a continuación
se indica:

Fuente: elaboración propia
A partir de la misma, procede a obtener los eigenvalores de la matriz y
posteriormente utilizarlos en el gráfico de sedimentación de Cattell,
diapositiva 10, para luego concluir el análisis factorial.

331