PCA: uma ferramenta matemática para a análise dos COREDEs agropecuários do Rio Grande do Sul

Autores

DOI:

https://doi.org/10.5902/2179460X90532

Palavras-chave:

Análise de componentes Principais, Decomposição espectral, Censo agropecuário, COREDEs

Resumo

Este estudo teve como objetivo principal a redução da matriz original de dados dos Conselhos Regionais de Desenvolvimento (COREDEs) agropecuários do Rio Grande do Sul, utilizando informações do Censo Agropecuário de 2017. Iniciamos com um rigoroso apanhado de resultados matemáticos que fundamentam a Análise de Componentes Principais (Principal Components Analysis - PCA), culminando com uma aplicação da PCA, reduzindo significativamente os dados coletados inicialmente de 15 variáveis para somente três componentes, que foram capazes de explicar cerca de 87\% da variância dos dados. Essas informações podem influenciar na tomada de decisões na condução de políticas agrícolas e estratégias de desenvolvimento regional voltadas para esses COREDEs.

Downloads

Não há dados estatísticos.

Biografia do Autor

Rafael Pentiado Poerschke, Universidade Federal de Santa Maria

Doutorado em Estudos Estratégicos Internacionais.

João Roberto Lazzarin, Universidade Federal de Santa Maria

Doutorado em Matemática pela Universidade Federal do Rio Grande do Sul.

Fernando Colman Tura, Universidade Federal de Santa Maria

Doutorado em Matemática Aplicada pela Universidade Federal do Rio Grande do Sul. Realizou pós-doutorado na Georgia State University entre os anos de 2022 e 2023.

Referências

Bartle, R. G. (1983). Elementos de an´alise real. Campus.

Freitas, C. A., Paz, M. V., & Nicola, D. S. (2007). Analisando a modernização da agropecu´aria ga´ucha: uma aplicação de an´alise fatorial e cluster. An´alise Econˆomica, 25(47), 121–149.

Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of educational psychology, 24(6), 417–441.

IBGE (2018). Censo Agropecu´ario 2017: resultados definitivos. IBGE.

Johnson, R. A. & Wichern, D. W. (2002). Applied multivariate statistical analysis. Prentice hall Upper Saddle River.

Jolliffe, I. T. (2002). Principal Component Analysis. Springer.

J¨oreskog, K. G. (1979). Basic Ideas of Factor and Component Analysis. In Joreskog, K.G. and Sorbom, D. (Eds.), Advances in Factor Analysis and Structural Equation Models (pp. 5-20). University Press of America.

Kageyama, A. & Leone, E. T. (1999). Uma tipologia dos munic´ıpios paulistas com base em indicadores sociodemogr´aficos. UNICAMP/IE.

Mardia, K. V., Kent, J. T., & Bibby, J. M. (1979). Multivariate analysis. Academic Press.

Poerschke, R. P. & Junior, F. d. J. M. (2020). An´alise multivariada de dados socieconˆomicos: um retrato da modernizac¸ ˜ao agropecu´aria nos coredes do rio grande do sul. Ciˆencia e Natura, 42, e13–e13.

Schneider, S. & Waquil, P. D. (2001). Caracterizac¸ ˜ao socioeconˆomica dos munic´ıpios ga´uchos e desigualdades regionais. Revista de Economia e Sociologia Rural, 39(3), 117–142.

Strang, G. (2019). Linear algebra and learning from data. SIAM.

Vidal, R., Ma, Y., & Sastry, S. (2005). Generalized principal component analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(12), 1–15.

Ward, J. H. (1963). Hierarchical grouping to optimize an objective function. Journal of the American statistical association, 58(301), 236–244.

Downloads

Publicado

2025-02-14

Como Citar

Poerschke, R. P., Lazzarin, J. R., & Tura, F. C. (2025). PCA: uma ferramenta matemática para a análise dos COREDEs agropecuários do Rio Grande do Sul. Ciência E Natura, 47(esp. 1). https://doi.org/10.5902/2179460X90532

Edição

Seção

IV Jornada de Matematica e Matematica aplicada UFSM