¡Hola! Me pareció una investigación muy interesante y el ejemplo bastante atinado. Me surgen las siguientes preguntas: ¿por qué el método es tan robusto de que no requiere cumplir los supuestos? y además, ¿cuáles pruebas para demostrar la distribución normal se recomiendan para el LDA? ¡Gracias!
Hola, muchas gracias por la consulta. El método no es que tenga una robustez excepcional, sino que a medida que no se vayan cumpliendo los supuestos, pierde precisión. Entonces, en muchos casos depende de la tolerancia a la perdida de precisión que se esté dispuesto a asumir. Las pruebas para normalidad multivariable son: Mardia, Henze-Zirkler y Royston. Las tres están en el paquete MVN de R.
Excelente video y explicación. Tengo una pregunta simple. Estos sensores se desarrollaron el la investigación o son comerciales? Qué tal el costo? Gracias!
Hola, se desarrollan tanto en investigación y son comerciales. Por ejemplo un sensor de matriz de IR, fabricado por Panasonic tiene un precio de $68.56.
La figura 3 sugiere que cada huella dactilar está formada por 2 colores, ¿eso quiere decir que se tienen que hacer 2 pruebas por aparte? ¿La tiocolina oxida o reduce a las nanopartículas de oro, o son los precursores restantes los que reaccionan?
Hola, la huella dactilar está conformada por varios colores. Según, la concentración de los flavonoides. Por otro lado, la tiocolina forma un enlace con el Oro mediante S-Au. En este caso, las Au NP´s tiene un estado de oxidación 0, y se pueden oxidar a +1 y +3.
Hola, muchas gracias. A diferencia del PCA que no es supervisado, en este caso, las etiquetas o grupos ya son conocidos previamente. No caen en un componente u otro que se forma en la dirección de la máxima varianza, ya usted sabe si va a ser en el grupo Y o en el X. Es un método de clasificación, entonces según las características de la observación se ubican en un grupo u otro. El algoritmo calcula la probabilidad de que pertenezca a uno u otro y se agrupa en el que tenga la probabilidad más alta. Luego se encuentra una dirección (combinación lineal de las dos variables) y al proyectar las nuevas observaciones sobre esta, se busca maximizar la distancia entre los grupos.
Excelente insumo, todo muy claro. ¿el método funciona aún cuando los datos no siguen una distribución normal? ¿Suele aplicarse alguna prueba estadística para determinar la efectividad del método?
El método pierde precisión si la distribución no es normal, por lo que la conclusión final y la tolerancia a esto es el factor determinante. Las pruebas, son más para los supuestos y no tanto para el método clasificatorio.
Hola! Me encantó el artículo que eligieron esta muy interesante. Tengo una consulta, hay alguna limitación o desventaja al utilizar el método LDA? Gracias
Existen situaciones dónde la separación entre los grupos no es lineal y entonces, se emplea otra variante cuadrática llamada QDA. También va a depender de la pregunta de investigación y el tipo de datos, es posible que si no se conoce o se puede plantear con claridad las etiquetas, sea más adecuada una aproximación no supervisada como un PCA.
Buenas! Muchas gracias por su explicación, solo me quedo una duda, entonces en un LDA, cuando los valores están muy cercanos entre sí, indica que lo que se esta haciendo no funciona?
Muchas gracias por la consulta. No, el método va a clasificar los valores en los diferentes grupos y dentro de los grupos se maximiza la cercanía. Lo que sería un problema, es que un tipo de flavonoide se superponga sobre otro, por ejemplo (cada uno con sus puntos).
Hola, me gustó mucho la presentación y el artículo que elegieron. Una pregunta, me llamó mucho la atención que se puede realizar por varias técnicas, ¿cuál de estas es más confiable a criterio de ustedes?
@@josuevasquezflores939 En realidad todas son necesarias, es importante observar el comportamiento del sensor en diferentes situaciones. Lo anterior, ya que se quiere emplear como una técnica menos costosa que el HPLC. Además, se quiere identificar como el ambiente químico modifica la respuesta y el LDA es la forma de estudiar eso. Por ejemplo, el suero es una matriz compleja con varias sustancias inorgánicas y orgánicas.
Holaa:) tengo una consulta, bueno, más que todo es confirmar una curiosidad😂 Cuando explican qué pasa si hay una incógnita (lo que comentan en 12:20), ¿al emplear la distancia de Mahalanobis siempre se asigna la muestra desconocida al grupo más cercano? Es decir, ¿LDA no es “soft” como SIMCA, si no que es “hard” y estrictamente la muestra se clasifica en uno de los grupos? Gracias😊
¡Hola! La idea de usar Mahalanobis era estrictamente para el caso de muestras desconocidas, las cuales iban a ser alguno de los flavonoides. Entonces, al usar LDA lo que se obtuvieron fueron puntos que por medio del método de distancias se observó a cuál grupo era probable que perteneciera (recordando que el LDA maximiza la distancia entre etiquetas). Por o tanto, en efecto, busca estrictamente establecer a cuál de los cinco grupos pertenece, ya que la muestra es alguno de esos compuestos.
![ROSÉ(로제) - APT. (Band VER.) (With. 이영지) [더 시즌즈-이영지의 레인보우] | KBS 241129 방송](http://i.ytimg.com/vi/IW8qaemx74g/mqdefault.jpg)
¡Hola! Me pareció una investigación muy interesante y el ejemplo bastante atinado. Me surgen las siguientes preguntas: ¿por qué el método es tan robusto de que no requiere cumplir los supuestos? y además, ¿cuáles pruebas para demostrar la distribución normal se recomiendan para el LDA?
¡Gracias!
Hola, muchas gracias por la consulta. El método no es que tenga una robustez excepcional, sino que a medida que no se vayan cumpliendo los supuestos, pierde precisión. Entonces, en muchos casos depende de la tolerancia a la perdida de precisión que se esté dispuesto a asumir. Las pruebas para normalidad multivariable son: Mardia, Henze-Zirkler y Royston. Las tres están en el paquete MVN de R.
@@ricardogrosso7988 ¡gracias! Ahora todo más claro que el agua:)
Excelente video y explicación. Tengo una pregunta simple. Estos sensores se desarrollaron el la investigación o son comerciales? Qué tal el costo? Gracias!
Hola, se desarrollan tanto en investigación y son comerciales. Por ejemplo un sensor de matriz de IR, fabricado por Panasonic tiene un precio de $68.56.
La figura 3 sugiere que cada huella dactilar está formada por 2 colores, ¿eso quiere decir que se tienen que hacer 2 pruebas por aparte? ¿La tiocolina oxida o reduce a las nanopartículas de oro, o son los precursores restantes los que reaccionan?
Hola, la huella dactilar está conformada por varios colores. Según, la concentración de los flavonoides. Por otro lado, la tiocolina forma un enlace con el Oro mediante S-Au. En este caso, las Au NP´s tiene un estado de oxidación 0, y se pueden oxidar a +1 y +3.
Hola, muy interesante!
Nada más no me queda claro cómo se eligen los grupos? Es similar a realizar PCAs?
Hola, muchas gracias. A diferencia del PCA que no es supervisado, en este caso, las etiquetas o grupos ya son conocidos previamente. No caen en un componente u otro que se forma en la dirección de la máxima varianza, ya usted sabe si va a ser en el grupo Y o en el X. Es un método de clasificación, entonces según las características de la observación se ubican en un grupo u otro. El algoritmo calcula la probabilidad de que pertenezca a uno u otro y se agrupa en el que tenga la probabilidad más alta. Luego se encuentra una dirección (combinación lineal de las dos variables) y al proyectar las nuevas observaciones sobre esta, se busca maximizar la distancia entre los grupos.
Excelente insumo, todo muy claro. ¿el método funciona aún cuando los datos no siguen una distribución normal? ¿Suele aplicarse alguna prueba estadística para determinar la efectividad del método?
El método pierde precisión si la distribución no es normal, por lo que la conclusión final y la tolerancia a esto es el factor determinante. Las pruebas, son más para los supuestos y no tanto para el método clasificatorio.
Hola! Me encantó el artículo que eligieron esta muy interesante. Tengo una consulta, hay alguna limitación o desventaja al utilizar el método LDA? Gracias
Existen situaciones dónde la separación entre los grupos no es lineal y entonces, se emplea otra variante cuadrática llamada QDA. También va a depender de la pregunta de investigación y el tipo de datos, es posible que si no se conoce o se puede plantear con claridad las etiquetas, sea más adecuada una aproximación no supervisada como un PCA.
@@ricardogrosso7988 ¡Muchas gracias!
Buenas! Muchas gracias por su explicación, solo me quedo una duda, entonces en un LDA, cuando los valores están muy cercanos entre sí, indica que lo que se esta haciendo no funciona?
Muchas gracias por la consulta. No, el método va a clasificar los valores en los diferentes grupos y dentro de los grupos se maximiza la cercanía. Lo que sería un problema, es que un tipo de flavonoide se superponga sobre otro, por ejemplo (cada uno con sus puntos).
Hola, me gustó mucho la presentación y el artículo que elegieron. Una pregunta, me llamó mucho la atención que se puede realizar por varias técnicas, ¿cuál de estas es más confiable a criterio de ustedes?
¡Hola! ¿Por varias técnicas, se refiere a las diferentes pruebas con las que se obtuvieron los datos para el LDA?
@@ricardogrosso7988 sí
A eso me refiero
@@josuevasquezflores939 En realidad todas son necesarias, es importante observar el comportamiento del sensor en diferentes situaciones. Lo anterior, ya que se quiere emplear como una técnica menos costosa que el HPLC. Además, se quiere identificar como el ambiente químico modifica la respuesta y el LDA es la forma de estudiar eso. Por ejemplo, el suero es una matriz compleja con varias sustancias inorgánicas y orgánicas.
Holaa:) tengo una consulta, bueno, más que todo es confirmar una curiosidad😂 Cuando explican qué pasa si hay una incógnita (lo que comentan en 12:20), ¿al emplear la distancia de Mahalanobis siempre se asigna la muestra desconocida al grupo más cercano? Es decir, ¿LDA no es “soft” como SIMCA, si no que es “hard” y estrictamente la muestra se clasifica en uno de los grupos? Gracias😊
¡Hola! La idea de usar Mahalanobis era estrictamente para el caso de muestras desconocidas, las cuales iban a ser alguno de los flavonoides. Entonces, al usar LDA lo que se obtuvieron fueron puntos que por medio del método de distancias se observó a cuál grupo era probable que perteneciera (recordando que el LDA maximiza la distancia entre etiquetas). Por o tanto, en efecto, busca estrictamente establecer a cuál de los cinco grupos pertenece, ya que la muestra es alguno de esos compuestos.