Índice de Czekanowski - Historial de revisiones

Lcgarcia: nueva referencia

2019-10-05T22:45:29Z

nueva referencia

← Revisión anterior		Revisión del 00:45 6 oct 2019
Línea 21:		Línea 21:
	*[https://www.academia.edu/3056583/Knowledge-Based_Clustering Knowledge-based clustering: from data to information granules]<br>''AWiley-Interscience publication'' Witold Pedrycz. 2005. Includes bibliographical references and index. [[ISBN 0-471-46966-1]] <br>1. Soft computing. 2. Granular computing. 3. Fuzzy systems. I. Title. (pdf copy in [[Alluvia]])		*[https://www.academia.edu/3056583/Knowledge-Based_Clustering Knowledge-based clustering: from data to information granules]<br>''AWiley-Interscience publication'' Witold Pedrycz. 2005. Includes bibliographical references and index. [[ISBN 0-471-46966-1]] <br>1. Soft computing. 2. Granular computing. 3. Fuzzy systems. I. Title. (pdf copy in [[Alluvia]])
	*[http://www.int-res.com/articles/meps/5/m005p125.pdf Similarity indices in community studies: Potential Pitfalls (''Índices de similitud en estudios sinecológicos: riesgos potenciales'')] [[Bloom, Stephen A. 1981.\|Bloom, 1981]]. Medición de ''similituid verdadera'' con varios índices cuantitativos y explicación de discrepenacias de los resultados.		*[http://www.int-res.com/articles/meps/5/m005p125.pdf Similarity indices in community studies: Potential Pitfalls (''Índices de similitud en estudios sinecológicos: riesgos potenciales'')] [[Bloom, Stephen A. 1981.\|Bloom, 1981]]. Medición de ''similituid verdadera'' con varios índices cuantitativos y explicación de discrepenacias de los resultados.
			* [http://www.antropologia.uw.edu.pl/AS/as-023.pdf Sołtysiak, Arkadiusz & Jaskulski, Piotr. (1999). Czekanowski's Diagram a method of multidimensional clustering. New Techniques for Old Times. CAA 98.175-184.]; también existe copia de pdf en [[Alluvia]]

	<!--		<!--
	From: ''Tutorial incompleto''. With binary variables, we traditionally focus on the notion of similarity rather than distance (or dissimilarity). Consider two binary vectors x and y that consist of two strings [xk], [yk] of binary data; compare them coordinatewise and do the simple counting of occurrences:		From: ''Tutorial incompleto''. With binary variables, we traditionally focus on the notion of similarity rather than distance (or dissimilarity). Consider two binary vectors x and y that consist of two strings [xk], [yk] of binary data; compare them coordinatewise and do the simple counting of occurrences:

Lcgarcia: tilde

2019-10-05T22:24:21Z

tilde

← Revisión anterior		Revisión del 00:24 6 oct 2019
Línea 1:		Línea 1:
	El '''índice de Czekanovski''', denominado así en honor al antropólogo, lingüista y estadístico polaco Jan Czekanovski, quien se hizo famoso por engañar a los "''científicos raciales''" alemanes, mediante la interpretación de datos del grupo étnico Karaim de Polonia-Lituania a quienes logró excluir del exterminio del Holocausto. Mediante la aplicación del índice de similitud demostró que el pueblo karaim era de origen turco, a pesar de profesar la religión judía y de usar el hebreo como lengua litúrgica. Esto ayudó a la gente karaim a escapar del trágico destino de otros judios europeos y de los romaníes (gitanos).		El '''índice de Czekanovski''', denominado así en honor al antropólogo, lingüista y estadístico polaco Jan Czekanovski, quien se hizo famoso por engañar a los "''científicos raciales''" alemanes, mediante la interpretación de datos del grupo étnico Karaim de Polonia-Lituania a quienes logró excluir del exterminio del Holocausto. Mediante la aplicación del índice de similitud demostró que el pueblo karaim era de origen turco, a pesar de profesar la religión judía y de usar el hebreo como lengua litúrgica. Esto ayudó a la gente karaim a escapar del trágico destino de otros judios europeos y de los romaníes (gitanos).

	El índice fue desarrollado por Czekanovski en 1913, para establecer relaciones entre dialectos y lenguas, pero realmente se puede aplicar a cualquier ~~comparacion~~ entre individuos calificados por múltiples atributos, e. g., razas, especies de plantas o de animales, biocenosis, biotopos y hábitats, culturas, etc. La calificación puede ser ''cuali''- o ''cuantitativa'' y se basa en la comparación atributo por atributo de cada par de individuos de una colección.		El índice fue desarrollado por Czekanovski en 1913, para establecer relaciones entre dialectos y lenguas, pero realmente se puede aplicar a cualquier comparación entre individuos calificados por múltiples atributos, e. g., razas, especies de plantas o de animales, biocenosis, biotopos y hábitats, culturas, etc. La calificación puede ser ''cuali''- o ''cuantitativa'' y se basa en la comparación atributo por atributo de cada par de individuos de una colección.

	El índice cualitativo (presencia/ausencia de un atributo en un individuo) es el '''índice de Czekanovski''', el cuantitativo es denomionado [[índice de Bray-Curtis]]. Este índice fue derivado medio siglo más tarde (1948), independientemente, por el botánico TV Sørensen, en Dinamarca y el mastozoologo L. R. Dice en EUA y recibe el nombre de ''índice de Sørensen y Dice''; las aplicaciones iniciales fueron en comparaciones sinecologicas en Groenlandia (Sørensen) y en el SO de EUA y en México (Dice).		El índice cualitativo (presencia/ausencia de un atributo en un individuo) es el '''índice de Czekanovski''', el cuantitativo es denomionado [[índice de Bray-Curtis]]. Este índice fue derivado medio siglo más tarde (1948), independientemente, por el botánico TV Sørensen, en Dinamarca y el mastozoologo L. R. Dice en EUA y recibe el nombre de ''índice de Sørensen y Dice''; las aplicaciones iniciales fueron en comparaciones sinecologicas en Groenlandia (Sørensen) y en el SO de EUA y en México (Dice).

Lcgarcia: Texto adicional

2016-05-17T05:29:54Z

Texto adicional

← Revisión anterior		Revisión del 07:29 17 may 2016
Línea 1:		Línea 1:
	''Cz'' = ''~~2a/~~(~~2a + b + c~~)''		El '''índice de Czekanovski''', denominado así en honor al antropólogo, lingüista y estadístico polaco Jan Czekanovski, quien se hizo famoso por engañar a los "''científicos raciales''" alemanes, mediante la interpretación de datos del grupo étnico Karaim de Polonia-Lituania a quienes logró excluir del exterminio del Holocausto. Mediante la aplicación del índice de similitud demostró que el pueblo karaim era de origen turco, a pesar de profesar la religión judía y de usar el hebreo como lengua litúrgica. Esto ayudó a la gente karaim a escapar del trágico destino de otros judios europeos y de los romaníes (gitanos).

	~~Where~~:		El índice fue desarrollado por Czekanovski en 1913, para establecer relaciones entre dialectos y lenguas, pero realmente se puede aplicar a cualquier comparacion entre individuos calificados por múltiples atributos, e. g., razas, especies de plantas o de animales, biocenosis, biotopos y hábitats, culturas, etc. La calificación puede ser ''cuali''- o ''cuantitativa'' y se basa en la comparación atributo por atributo de cada par de individuos de una colección.
	::''a'' = ~~ssp~~ comunes
	::''b'' = ~~exclusivas de grupo~~ 1		El índice cualitativo (presencia/ausencia de un atributo en un individuo) es el '''índice de Czekanovski''', el cuantitativo es denomionado [[índice de Bray-Curtis]]. Este índice fue derivado medio siglo más tarde (1948), independientemente, por el botánico TV Sørensen, en Dinamarca y el mastozoologo L. R. Dice en EUA y recibe el nombre de ''índice de Sørensen y Dice''; las aplicaciones iniciales fueron en comparaciones sinecologicas en Groenlandia (Sørensen) y en el SO de EUA y en México (Dice).
	::''c'' = ~~exclusivas de grupo~~ 2
	::''d'' = ~~spp~~ ausentes en común		Para otras aplicaciones véase e. g.: Soltysiak, A. and P. Jaskulski 1999. Czekanowski’s Diagram: a Method of Multidimensional Clustering, in: Barceló, J.A., I. Briz and A. Vila (eds.), New Techniques for Old Times. CAA98. Computer Applications and Quantitative Methods in Archaeology. Proceedings of the 26th Conference, Barcelona, March 1998 (BAR International Series 757). Archaeopress, Oxford, pp. 175-184. (pdf copy en [[Alluvia]])

			En una colección de dos individuos con múltiples atributos, la similitud entre ellos es:

			::''Cz'' = ''2a/(2a + b + c)''

			En donde:
			::''Cz'' = índice de similitud de Czekanovski
			::''a'' = atributos comunes a los dos individuos
			::''b'' = atributos exclusivos del individuo 1
			::''c'' = atributos exclusivos del individuo 2
			::''d'' = atributos ausentes en común

	*[http://people.revoledu.com/kardi/tutorial/Similarity/SimpleMatching.html Tutorial sobre medición de similitud]<br>		*[http://people.revoledu.com/kardi/tutorial/Similarity/SimpleMatching.html Tutorial sobre medición de similitud]<br>

Lcgarcia: Otras referencias útiles. Categorización

2016-05-17T02:27:58Z

Otras referencias útiles. Categorización

← Revisión anterior		Revisión del 04:27 17 may 2016
Línea 1:		Línea 1:
	Cz =		''Cz'' = ''2a/(2a + b + c)''

	a = ssp comunes		Where:
	b = exclusivas de grupo 1		::''a'' = ssp comunes
	c = exclusivas de grupo 2		::''b'' = exclusivas de grupo 1
	d = spp ausentes en común		::''c'' = exclusivas de grupo 2
			::''d'' = spp ausentes en común

	[http://people.revoledu.com/kardi/tutorial/Similarity/SimpleMatching.html Tutorial sobre medición de similitud]		*[http://people.revoledu.com/kardi/tutorial/Similarity/SimpleMatching.html Tutorial sobre medición de similitud]<br>
			*[https://www.academia.edu/3056583/Knowledge-Based_Clustering Knowledge-based clustering: from data to information granules]<br>''AWiley-Interscience publication'' Witold Pedrycz. 2005. Includes bibliographical references and index. [[ISBN 0-471-46966-1]] <br>1. Soft computing. 2. Granular computing. 3. Fuzzy systems. I. Title. (pdf copy in [[Alluvia]])
	[http://~~media~~.~~wiley~~.com/~~product_data~~/~~excerpt~~/61/~~04714696/0471469661~~.pdf ~~Tutorial incompleto~~, ~~buscar referencia~~. ~~Explicación simple sobre~~ índices de ~~similitud y distancia]~~		*[http://www.int-res.com/articles/meps/5/m005p125.pdf Similarity indices in community studies: Potential Pitfalls (''Índices de similitud en estudios sinecológicos: riesgos potenciales'')] [[Bloom, Stephen A. 1981.\|Bloom, 1981]]. Medición de ''similituid verdadera'' con varios índices cuantitativos y explicación de discrepenacias de los resultados.
	<!--		<!--
	With binary variables, we traditionally focus on the notion of similarity rather		From: ''Tutorial incompleto''. With binary variables, we traditionally focus on the notion of similarity rather than distance (or dissimilarity). Consider two binary vectors x and y that consist of two strings [xk], [yk] of binary data; compare them coordinatewise and do the simple counting of occurrences:
	than distance (or dissimilarity). Consider two binary vectors x and y that consist
	of two strings [xk], [yk] of binary data; compare them coordinatewise and do the
	simple counting of occurrences:
	number of occurrences when xk and yk are both equal to 1		number of occurrences when xk and yk are both equal to 1
	number of occurrences when xk = 0 and yk = 1		number of occurrences when xk = 0 and yk = 1
Línea 45:		Línea 43:
	(1.7)		(1.7)
	-->		-->
	[[Categoría:Glosario]] [[Categoría:Esbozo]]		[[Categoría:Glosario]] [[Categoría:metodología]] [[Categoría:Esbozo]]

Lcgarcia en 19:35 1 oct 2006

2006-10-01T19:35:27Z

← Revisión anterior		Revisión del 21:35 1 oct 2006
Línea 6:		Línea 6:
	d = spp ausentes en común		d = spp ausentes en común

			[http://people.revoledu.com/kardi/tutorial/Similarity/SimpleMatching.html Tutorial sobre medición de similitud]

			[http://media.wiley.com/product_data/excerpt/61/04714696/0471469661.pdf Tutorial incompleto, buscar referencia. Explicación simple sobre índices de similitud y distancia]
			<!--
			With binary variables, we traditionally focus on the notion of similarity rather
			than distance (or dissimilarity). Consider two binary vectors x and y that consist
			of two strings [xk], [yk] of binary data; compare them coordinatewise and do the
			simple counting of occurrences:
			number of occurrences when xk and yk are both equal to 1
			number of occurrences when xk = 0 and yk = 1
			number of occurrences when xk = 1 and yk = 0
			number of occurrences when xk and yk are both equal to 0

			These four numbers can be organized in a 2 by 2 co-occurrence matrix (contingency
			table) that visualizes how “close” these two strings are to each other.
			::1 0
			::1 a b
			::0 c d
			Evidently the zero nondiagonal entries of this matrix point at the ideal matching
			(the highest similarity). Based on these four entries, there are several commonly
			encountered measure of similarity of binary vectors x and y. The simplest matching coefficient computes as the following ratio:
			a + d
			a + b + c + d
			(1.4)
			The Russell and Rao measure of similarity consists of the quotient
			a
			a + b + c + d
			(1.5)
			The Jacard index involves the case when both inputs assume values equal to 1:
			a
			a + b + c
			(1.6)
			The Czekanowski index is practically the same as the Jacard index, but by adding
			the weight factor of 2, it emphasizes the coincidence of situations where entries
			of x and y both assume values equal to 1:
			2a
			2a + b + c
			(1.7)
			-->
	[[Categoría:Glosario]] [[Categoría:Esbozo]]		[[Categoría:Glosario]] [[Categoría:Esbozo]]

Lcgarcia en 06:12 24 ago 2006

2006-08-24T06:12:27Z

Página nueva

Cz =

a = ssp comunes
b = exclusivas de grupo 1
c = exclusivas de grupo 2
d = spp ausentes en común

[[Categoría:Glosario]] [[Categoría:Esbozo]]