Las técnicas de transformación lineal (como la descomposición del valor singular) le permiten rotar conjuntos de datos apropiados que contienen variables correlacionadas (aquellas que exhiben covarianza estadística) a un nuevo conjunto de variables donde los términos de covarianza son cero, y la diagonal de la matriz de covarianza contiene lo que ahora puede se denominarán valores propios iguales a la varianza estadística de las nuevas variables.
Estas nuevas variables son independientes entre sí, lo que facilita hacer (por ejemplo) una simulación de Monte Carlo; Muestree independientemente cada nueva variable y gire el resultado de nuevo a la base original, lo que le proporciona una estimación aleatoria completa con las covarianzas originales observadas en los datos.
Tenga en cuenta mi uso del término conjunto de datos “apropiado”; Estas son transformaciones lineales que pueden modelar o no sus datos originales de manera satisfactoria (dadas varias relaciones no lineales que también pueden estar presentes en sus datos y que ignora bajo su propio riesgo)
- ¿Por qué los algoritmos sub- [matemáticos] O (n ^ 3) [/ matemáticos] para la multiplicación de matrices no son adecuados para la computación científica?
- ¿Cuál es el ángulo entre los dos vectores [matemática] 6 \ hat i + 6 \ hat j – 3 \ hat k [/ math] y [math] 7 \ hat i + 4 \ hat j + 4 \ hat k [/ math ]?
- Entre la teoría de números, el álgebra lineal y el análisis matemático, ¿cuál de estos tres fue el más difícil para ti como estudiante universitario de matemáticas?
- ¿Cuál es una forma intuitiva de pensar si un conjunto de vectores es linealmente independiente o linealmente dependiente?
- ¿Cuál es la interpretación de los puntajes negativos en los vectores base obtenidos con LSI?