Examkin

Question

Difficulty: Very hardGeometrik Yorum ve Diklik (Ortogonallik) Özelliği

Çok değişkenli istatistiksel analizlerde, X\mathbf{X} rastgele vektörünün varyans-kovaryans matrisinin spektral ayrışımı yardımıyla Y=E′(X−μ)\mathbf{Y} = \mathbf{E}'(\mathbf{X} - \boldsymbol{\mu}) doğrusal dönüşümü tanımlanmıştır. Bir araştırmacı, orijinal uzaydaki rastgele iki gözlem vektörü xi\mathbf{x}_i ve xj\mathbf{x}_j ile bunların dönüşüm sonrası yeni koordinatları yi\mathbf{y}_i ve yj\mathbf{y}_j üzerinde yaptığı matematiksel incelemede, (xi−xj)′(xi−xj)=(yi−yj)′(yi−yj)(\mathbf{x}_i - \mathbf{x}_j)'(\mathbf{x}_i - \mathbf{x}_j) = (\mathbf{y}_i - \mathbf{y}_j)'(\mathbf{y}_i - \mathbf{y}_j) eşitliğinin istisnasız her gözlem çifti için sağlandığını ispatlamıştır.

Söz konusu Öklid uzaklıklarının dönüşüm altında tamamen korunması (değişmezliği) durumunun teorik dayanağı ve varyans elipsoidi üzerindeki geometrik yansıması aşağıdakilerden hangisinde en doğru şekilde ifade edilmiştir?

  1. Dönüşüm matrisinin (E\mathbf{E}) ortogonal bir matris olma özelliğine (E′E=I\mathbf{E}'\mathbf{E} = \mathbf{I}) sahip olmasıdır; bu yapı, orijinal uzaydaki açıları ve uzunlukları değiştirmeyen bir izometri yaratarak veri bulutunu deforme etmeden ana varyans doğrultularına hizalar.Answer
  2. B
    Yeni eksenlerin orijinal değişkenler arasındaki ortak varyansı temsil eden gizil faktörlerden türetilmesidir; bu süreç veri bulutundaki tesadüfi hataları filtreleyerek gözlemler arası yapısal uzaklıkların korunmasını sağlar.
  3. C
    Eksen döndürme işlemi sırasında bileşenler arasındaki korelasyonun sıfır olmamasından kaynaklanan eğik (oblique) dönüşümün uygulanmasıdır; bu sayede elipsoid yapı esnetilerek noktalar arasındaki mutlak uzaklıklar korunur.
  4. D
    Kovaryans matrisinin izi (trace) ile determinantının dönüşüm sonrasında birbirine eşitlenmesidir; bu matematiksel zorunluluk, çok boyutlu hiperhacmin birim küreye dönüşmesini sağlayarak uzaklıkları normalize eder.
  5. E
    Özdeğerlerin toplam varyansa bölünmesiyle elde edilen açıklama oranlarının doğrudan uzaklık katsayısı olarak atanmasıdır; bu durum, en yüksek varyanslı eksen boyunca uzamayı sabit tutarak diğer yönlerdeki daralmayı dengeler.

Answer

Dönüşüm matrisinin ortogonal olması (E′E=I\mathbf{E}'\mathbf{E} = \mathbf{I}) ve bunun veri bulutunu deforme etmeyen (izometrik) bir yapı sağlamasıdır.
Temel Bileşenler Analizi'nde kullanılan E\mathbf{E} matrisinin sütunları, varyans-kovaryans matrisinin özvektörlerinden oluşur ve bu vektörler birbirine dik, birim uzunluktadır (E′E=I\mathbf{E}'\mathbf{E} = \mathbf{I}). Bir dönüşüm matrisinin ortogonal olması, uygulandığı uzayda uzunlukları ve açıları koruyan bir izometri (isometry) oluşturur. Bu geometrik olarak veri bulutunun (varyans elipsoidinin) esnetilmeden veya sıkıştırılmadan orijinal haliyle döndürülerek ana varyans eksenlerine hizalanması anlamına gelir.

Step-by-Step Solution

1
Dönüştürülmüş uzayda Öklid uzaklığı formülünü açmak.
dy2=(yi−yj)′(yi−yj)=(E′xi−E′xj)′(E′xi−E′xj)d^2_y = (\mathbf{y}_i - \mathbf{y}_j)'(\mathbf{y}_i - \mathbf{y}_j) = (\mathbf{E}'\mathbf{x}_i - \mathbf{E}'\mathbf{x}_j)'(\mathbf{E}'\mathbf{x}_i - \mathbf{E}'\mathbf{x}_j)
Uzaklıkların hangi şartlar altında eşitlendiğini matematiksel olarak görmek için dönüşüm denklemini yerine koymalıyız.
2
Matris devriği (transpozu) özelliklerini uygulamak.
dy2=(xi−xj)′EE′(xi−xj)d^2_y = (\mathbf{x}_i - \mathbf{x}_j)' \mathbf{E} \mathbf{E}' (\mathbf{x}_i - \mathbf{x}_j)
(AB)′=B′A′(\mathbf{A}\mathbf{B})' = \mathbf{B}'\mathbf{A}' özelliği kullanılarak denklem sadeleştirilir.
3
Orijinal uzaklık ile karşılaştırma yapmak.
Orijinal uzaklık (xi−xj)′(xi−xj)(\mathbf{x}_i - \mathbf{x}_j)'(\mathbf{x}_i - \mathbf{x}_j) olduğundan, eşitliğin sağlanması ancak EE′=I\mathbf{E}\mathbf{E}' = \mathbf{I} (Birim Matris) olması ile mümkündür.
Aradaki matris çarpımının birim matris olması, işlemin yönünü değiştirse de büyüklükleri ve açıları koruduğunu (ortogonal dönüşüm) kanıtlar.

Key Concept

Ortogonal Dönüşümlerde İzometri ve Katı Dönme (Rigid Rotation)

Alternative Method

Öklid uzaklığı yerine genelleştirilmiş varyans (determinant) üzerinden de ispat yapılabilir. ΣY=E′ΣXE\Sigma_Y = \mathbf{E}'\Sigma_X \mathbf{E} denkleminde determinant alınırsa, ∣ΣY∣=∣E′∣∣ΣX∣∣E∣=∣ΣX∣|\Sigma_Y| = |\mathbf{E}'| |\Sigma_X| |\mathbf{E}| = |\Sigma_X| elde edilir. Bu da ortogonal matrislerin determinantının 1 (veya -1) olması nedeniyle toplam çok boyutlu hacmin (veri bulutunun yayılım hacminin) korunduğunu kanıtlar.
Estimated Time:3m 0s
Rate this question

Topics

Geometrik Yorum ve Diklik (Ortogonallik) Özelliği

More questions from this topic