Mostrar el registro sencillo del ítem
dc.contributor.advisor | Prats Montalbán, José Manuel | es_ES |
dc.contributor.author | Martorell González, Joan | es_ES |
dc.date.accessioned | 2018-10-04T10:28:40Z | |
dc.date.available | 2018-10-04T10:28:40Z | |
dc.date.created | 2018-09-12 | |
dc.date.issued | 2018-10-04 | es_ES |
dc.identifier.uri | http://hdl.handle.net/10251/109280 | |
dc.description.abstract | [ES] En las últimas décadas, el aumento de la capacidad para tomar medidas de los sistemas que se van a estudiar, ha provocado un increíble aumento de la información que se obtiene de los objetos de estudio. En consecuencia, aparecen matrices multidimensionales con decenas de variables y con millones de entradas, lo cual provoca que sea casi imposible obtener conclusiones de esa gigantesca nube de datos utilizando métodos descriptivos clásicos. El método estadístico aplicado (Análisis de Componentes Principales, PCA) permite una condensación de los datos reduciendo el número de variables las cuales describen casi la misma información y por tanto, simplifican el modelo. En este trabajo se expone cómo utilizar el PCA y los pasos previos, así como la manera de interpretar las nuevas variables obtenidas del modelo. Este método nos permite el estudio de matrices de datos muy grandes donde presuponemos que las variables estudiadas tienen una correlación entre ellas y por tanto, se sabe que se están estudiando variables redundantes. De esta manera, se puede saber qué implicación tiene cada variable en el modelo. Se han estudiado los datos de 4 estaciones meteorológicas a lo largo de un año. El fin de este estudio es verificar la validez de los datos obtenidos, y mediante el PCA, saber qué variables son las que determinan las características de las estaciones para futuros estudios. Gracias al PCA se puede observar cómo se descartan variables que parecían importantes, y aparecen rasgos del entorno que afectan a la variabilidad de las estaciones. | es_ES |
dc.description.abstract | [EN] In the last decades, with the rise in the ability to take measurements from the systems that will be studied, it cause an incredible increase in the information that we obtain from the objects that we study. In consequence, appears a multi-way matrix with around ten or more variables with millions of inputs, which cause that is almost impossible to get any conclusión about that huge cloud of data using the classic descriptive methods. The stadistical method studied (PCA) allows for condensation the data reducing the number of variables which will describe almost the same amount of information, so it simplifies the model. In this work it is explained how to use the PCA and the prior steps as well as the way to understand the new variables obtained from the model. This method allows the study of really big data matrix which we presuppose that the variables studied in it have a correlation among them, therefore is known that there are redundant variables. In this way, it can be known the involvement of each variable in the model. Has been studied the data from 4 different wether stations over a year. The purpose of this study is verify the validity of the data obtained, and using PCA, know the variables that determine the characteristics of the station for the future studies. Thanks to the PCA it can be seen how variables which seems importants to the model are discarded, and appear features from the environment that affect the variability of the stations. | es_ES |
dc.description.abstract | [CA] En les últimes dècades, amb l’aument de la capacitat per a pendre mesures dels sistemes que es van a estudiar, ha provocat un increíble aument de la información que s’obté dels objectes d’estudi. En conseqüència, apareixen matrius multidimensionals amb desenes de variables i amb milions d’entrades, el qual provoca que siga quasi imposible obtindre conclusions d’eixe gegantí núvol de dades utilizant métodes descriptius clàssics. El mètode estadístic estudiat (PCA) permet una condensació de les dades reduint el nombre de variables les quals descriuen quasi la mateixa informació i per tant, simplifiquen el model. En este treball s'exposa com utilitzar el PCA i els passos previs així com la manera d'interpretar les noves variables obtingudes del model. Este mètode ens permet l'estudi de matrius de dades molt grans on pressuposem que les variables estudiades tenen una correlació entre elles i per tant, se sap que s'estan estudiant variables redundants. D'esta manera, es pot saber que implicació té cada variable en el model. S'han estudiat les dades de 4 estacions meteorològiques al llarg d'un any. El fi d'este estudi és verificar la validesa de les dades obtingudes, i per mitjà del PCA, saber que variables són les que determinen les característiques de les estacions per a futurs estudis. Gràcies al PCA es pot observar com es descarten variables que pareixien importants, i apareixen característiques de l'entorn que afecten la variabilitat de les estacions. | es_ES |
dc.language | Español | es_ES |
dc.publisher | Universitat Politècnica de València | es_ES |
dc.rights | Reserva de todos los derechos | es_ES |
dc.subject | Eficiencia energética | es_ES |
dc.subject | PCA | es_ES |
dc.subject | PLS | es_ES |
dc.subject | Eficiencia | es_ES |
dc.subject | Procesamiento | es_ES |
dc.subject | Datos | es_ES |
dc.subject | Condensación | es_ES |
dc.subject | Simplificación | es_ES |
dc.subject | Eficiència | es_ES |
dc.subject | Processamiento | es_ES |
dc.subject | Dades | es_ES |
dc.subject | Condensació | es_ES |
dc.subject | Simplificació | es_ES |
dc.subject | Efficiency | es_ES |
dc.subject | Processing | es_ES |
dc.subject | Data | es_ES |
dc.subject | Condensation | es_ES |
dc.subject | Simplification | es_ES |
dc.subject.classification | ESTADISTICA E INVESTIGACION OPERATIVA | es_ES |
dc.subject.other | Grado en Ingeniería Química-Grau en Enginyeria Química | es_ES |
dc.title | Modelización energética de edificios por medio de estadística multivariante | es_ES |
dc.type | Proyecto/Trabajo fin de carrera/grado | es_ES |
dc.rights.accessRights | Abierto | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Departamento de Estadística e Investigación Operativa Aplicadas y Calidad - Departament d'Estadística i Investigació Operativa Aplicades i Qualitat | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Escuela Técnica Superior de Ingenieros Industriales - Escola Tècnica Superior d'Enginyers Industrials | es_ES |
dc.description.bibliographicCitation | Martorell González, J. (2018). Modelización energética de edificios por medio de estadística multivariante. http://hdl.handle.net/10251/109280 | es_ES |
dc.description.accrualMethod | TFGM | es_ES |
dc.relation.pasarela | TFGM\68182 | es_ES |