Componentes principales esféricas y matriz de covariancia de determinante mínimo: una aplicación sobre indicadores de carencias críticas

Principal Components Analysis (PCA) is widely used in multivariate statistical analysis. The objective of this method is to represent a set of n observations with p variables through a smaller number of variables that are linear combinations of the original ones, keeping as much as possible the orig...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Ciccioli, Patricia, Bussi, Javier
Otros Autores: Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario
Formato: conferenceObject documento de conferencia acceptedVersion
Lenguaje:Español
Publicado: 2017
Materias:
covariancia
carencias críticas
Componentes Principales (ACP)
Acceso en línea:http://hdl.handle.net/2133/7611
http://hdl.handle.net/2133/7611
Aporte de:
Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) de Universidad Nacional de Rosario
id I15-R121-2133-7611
record_format dspace
institution Universidad Nacional de Rosario
institution_str I-15
repository_str R-121
collection Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR)
language Español
orig_language_str_mv spa
topic covariancia
carencias críticas
Componentes Principales (ACP)
spellingShingle covariancia
carencias críticas
Componentes Principales (ACP)
Ciccioli, Patricia
Bussi, Javier
Componentes principales esféricas y matriz de covariancia de determinante mínimo: una aplicación sobre indicadores de carencias críticas
topic_facet covariancia
carencias críticas
Componentes Principales (ACP)
description Principal Components Analysis (PCA) is widely used in multivariate statistical analysis. The objective of this method is to represent a set of n observations with p variables through a smaller number of variables that are linear combinations of the original ones, keeping as much as possible the original variability in the data. Two robust methods are presented in this work: the Minimum Covariance Determinant method (MCD) and the Spherical Principal Components method (SPC). The objective of this work is to compare these two methods with the classic PCA when applied to data related to indicators of critical needs in cities with more than 2000 inhabitants in the province of Santa Fe. The data comes from the National Census from 2010. In order to summarize the differences among the cities it is necessary to consider a greater number of principal components in the robust methods than in the classic method. The reason is that the latter uses variability measures that are influenced by outliers while the robust methods use a solid measure that is free from this problem
author2 Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario
author_facet Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario
Ciccioli, Patricia
Bussi, Javier
format conferenceObject
documento de conferencia
acceptedVersion
author Ciccioli, Patricia
Bussi, Javier
author_sort Ciccioli, Patricia
title Componentes principales esféricas y matriz de covariancia de determinante mínimo: una aplicación sobre indicadores de carencias críticas
title_short Componentes principales esféricas y matriz de covariancia de determinante mínimo: una aplicación sobre indicadores de carencias críticas
title_full Componentes principales esféricas y matriz de covariancia de determinante mínimo: una aplicación sobre indicadores de carencias críticas
title_fullStr Componentes principales esféricas y matriz de covariancia de determinante mínimo: una aplicación sobre indicadores de carencias críticas
title_full_unstemmed Componentes principales esféricas y matriz de covariancia de determinante mínimo: una aplicación sobre indicadores de carencias críticas
title_sort componentes principales esféricas y matriz de covariancia de determinante mínimo: una aplicación sobre indicadores de carencias críticas
publishDate 2017
url http://hdl.handle.net/2133/7611
http://hdl.handle.net/2133/7611
work_keys_str_mv AT cicciolipatricia componentesprincipalesesfericasymatrizdecovarianciadedeterminanteminimounaaplicacionsobreindicadoresdecarenciascriticas
AT bussijavier componentesprincipalesesfericasymatrizdecovarianciadedeterminanteminimounaaplicacionsobreindicadoresdecarenciascriticas
bdutipo_str Repositorios
_version_ 1764820413356965888

Ejemplares similares