ANÁLISIS DE COMPONENTES PRINCIPALES ROBUSTAS. ESTUDIO EN UN CONJUNTO DE DATOS REALES

JAVIER BUSSI; PATRICIA CICCIOLI

Rosario

Jornada; IX Jornada de Ciencia y Tecnología; 2015

Sede de gobierno UNR

Es muy frecuente al analizar un conjunto de datos contar con observaciones que difieran de manera notoria respecto del resto. Al utilizar los métodos estadísticos denominados clásicos, puede ocurrir que estas observaciones atípicas distorsionen los resultados generando que las conclusiones se vean afectadas notablemente y que puedan terminar estando muy alejadas de la realidad. El Análisis de Componentes Principales (ACP) es una técnica de análisis de datos multivariados que permite reducir la dimensión de un conjunto de datos. Por medio de éste, muchas características de los datos puedan ser reducidas en unas pocas características que permitan mostrar las diferencias entre ellos, es decir resumir en unos pocos aspectos las diferencias existentes entre las observaciones.El enfoque clásico de ACP mide la variabilidad a través de la matriz de covariancias o correlaciones muestrales. Sin embargo, la presencia de observaciones atípicas puede distorsionar las estimaciones de la matriz de covariancias y en consecuencia alterar los resultados. Una alternativa para afrontar este problema es utilizar métodos robustos, uno de ellos es el Minimum Covariance Determinat (MCD) que se basa en una estimación robusta de la matriz de covariancias.