Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario
En el actual contexto colombiano, caracterizado por cambios demográficos, económicos y ambientales, así como la importancia del sector agropecuario en la economía, la realización del III Censo Nacional Agropecuario en 2014 se presenta como una herramienta fundamental para comprender las complejas va...
- Autores:
-
Rojas Pulido, William Camilo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/53694
- Acceso en línea:
- http://hdl.handle.net/11634/53694
- Palabra clave:
- k-prototypes
k-means
Clustimpute
Agriculture
Variables
Mixed
Mixed
missing values
Imputation
Algorithm
Clustering
Qualitative
Estadística
Datos Estadísticos
Investigación
Algoritmo
Agrupamiento
Imputacion
Valores Faltantes
Cualitativas
Mixtas
Variables
Agropecuario
Clustimpute
k-means
k-prototipos
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
SANTOTOMAS_787bb9e59e559a725d54ecc66b97b95a |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/53694 |
| network_acronym_str |
SANTOTOMAS |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario |
| title |
Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario |
| spellingShingle |
Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario k-prototypes k-means Clustimpute Agriculture Variables Mixed Mixed missing values Imputation Algorithm Clustering Qualitative Estadística Datos Estadísticos Investigación Algoritmo Agrupamiento Imputacion Valores Faltantes Cualitativas Mixtas Variables Agropecuario Clustimpute k-means k-prototipos |
| title_short |
Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario |
| title_full |
Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario |
| title_fullStr |
Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario |
| title_full_unstemmed |
Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario |
| title_sort |
Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario |
| dc.creator.fl_str_mv |
Rojas Pulido, William Camilo |
| dc.contributor.advisor.none.fl_str_mv |
Pacheco Lopéz, Mario José |
| dc.contributor.author.none.fl_str_mv |
Rojas Pulido, William Camilo |
| dc.contributor.orcid.spa.fl_str_mv |
https://orcid.org/0000-0003-4752-703X |
| dc.contributor.googlescholar.spa.fl_str_mv |
https://scholar.google.com/citations?hl=es&user=a5SEoPgAAAAJ |
| dc.contributor.cvlac.spa.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000775479 |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.keyword.spa.fl_str_mv |
k-prototypes k-means Clustimpute Agriculture Variables Mixed Mixed missing values Imputation Algorithm Clustering Qualitative |
| topic |
k-prototypes k-means Clustimpute Agriculture Variables Mixed Mixed missing values Imputation Algorithm Clustering Qualitative Estadística Datos Estadísticos Investigación Algoritmo Agrupamiento Imputacion Valores Faltantes Cualitativas Mixtas Variables Agropecuario Clustimpute k-means k-prototipos |
| dc.subject.lemb.spa.fl_str_mv |
Estadística Datos Estadísticos Investigación |
| dc.subject.proposal.spa.fl_str_mv |
Algoritmo Agrupamiento Imputacion Valores Faltantes Cualitativas Mixtas Variables Agropecuario Clustimpute k-means k-prototipos |
| description |
En el actual contexto colombiano, caracterizado por cambios demográficos, económicos y ambientales, así como la importancia del sector agropecuario en la economía, la realización del III Censo Nacional Agropecuario en 2014 se presenta como una herramienta fundamental para comprender las complejas variables que impactan este sector. Con una cobertura operativa del 98.9%, este censo proporcionó información detallada y actualizada sobre el sector agropecuario en todo el país, incluyendo municipios, territorios indígenas, tierras de comunidades negras y parques nacionales. Sin embargo, el análisis de datos presenta desafíos, como el 4% de registros con datos faltantes, los cuales se abordan mediante enfoques estadísticos como la imputación de valores faltantes. En este contexto, el trabajo se enfoca en el capítulo de Cultivos en Bogotá, proponiendo la aplicación de una extensión del algoritmo ClustImpute. Este algoritmo, combinando técnicas de imputación con el método de k-medias, busca abordar tanto variables cuantitativas como cualitativas presentes en el censo, ofreciendo una alternativa innovadora a los métodos convencionales de imputación. El objetivo final es proporcionar un análisis de datos más completo y fiable para contribuir a la comprensión y mejora de las políticas y esfuerzos destinados al desarrollo rural y la calidad de vida en áreas rurales en Bogotá y, por extensión, en el conjunto del país. |
| publishDate |
2023 |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2024-01-24T13:31:35Z |
| dc.date.available.none.fl_str_mv |
2024-01-24T13:31:35Z |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Rojas Pulido, W. C. (2023). Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/53694 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Rojas Pulido, W. C. (2023). Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/53694 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Alfonso, O. A. y Barrera, R. A. (2019). El ciclo mortal de los habitantes de calle en Bogotá. Revista de Economía Institucional, 21(41), julio-diciembre. Arteaga, F. y Ferrer-Riquelme, A. (2009). "Missing data". En S.D. Brown, R. Tauler y B. Walczak (Eds.), Comprehensive Chemometrics. Elsevier, Oxford, pp. 285-314. Azur, M. J. (2011). Multiple imputation by chained equations: what is it and how does it work? International Journal of Methods in Psychiatric Research, 20(1), 40-49. Bai, L., Cao, F., & Liang, J. (2009). A new initialization method for categorical data grouping. Expert Systems with Applications, 36(3), 5992-5998. Cao, L., & Zhao, X. (2016). A grouping-based imputation approach to missing data in a fault detection system. Neurocomputing, 173, 693-703. Pfaffel, Oliver. (2020). CLUSTIMPUTE: AN R PACKAGE FOR K-MEANS CLUSTERING WITH BUILD-IN MISSING DATA IMPUTATION. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. Huang, Z. (1997). A fast grouping algorithm to group very large categorical data sets in data mining. Data Mining and Knowledge Discovery, 1(3), 275-288. Huang, Z. (1998). Extensions to the k-modes algorithm for grouping large data sets with categorical values. Data Mining and Knowledge Discovery, 2(3), 283-304. Hwang, J. T., & Lee, J. D. (2010). A grouping-based imputation method for missing data. Computational Statistics & Data Analysis, 54(12), 3095-3107. Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: A review. ACM Computing Surveys (CSUR), 31(3), 264-323. Li, J. (2019). A novel grouping-based imputation algorithm for mixed data. Neurocomputing, 331, 322-329. Little, R. J. A., D’Agostino, R., Cohen, M. L., Dickersin, K., Emerson, S. S., Farrar, J. T., ... Stern, H. (2012). The prevention and treatment of missing data in clinical trials. New England Journal of Medicine, 367(14), 1355–1360. van Buuren, S. (2011). "mice: Multivariate imputation by chained equations in R". Journal of Statistical Software, 45, 1-67. McClain, J. O., & Rao, V. R. (1975). Clustering and classification in marketing research. Journal of Marketing Research, 12(2), 129-134. Xiao-Hua, Z. (2019). Challenges and strategies in analysis of missing data. Biostatistics Epidemiology, 4, 15–23 Zhao, X., Zhang, S., Wu, X., & Chen, J. (2015). Group-based missing value imputation. Information Sciences, 314, 85-101. Zhao, Y., & Liu, H. (2014). Grouping-based multiple imputations for missing data. Information Sciences, 265, 1-12. |
| dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia Atribución-NoComercial-SinDerivadas 2.5 Colombia Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Rregrado estadística |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de estadística |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/53694/1/2023williamrojas.pdf https://repository.usta.edu.co/bitstream/11634/53694/5/Carta%20Aprobacion%20Facultad.pdf https://repository.usta.edu.co/bitstream/11634/53694/6/Carta%20derechos%20de%20autor.pdf https://repository.usta.edu.co/bitstream/11634/53694/7/license_rdf https://repository.usta.edu.co/bitstream/11634/53694/8/license.txt https://repository.usta.edu.co/bitstream/11634/53694/9/2023williamrojas.pdf.jpg https://repository.usta.edu.co/bitstream/11634/53694/10/Carta%20Aprobacion%20Facultad.pdf.jpg https://repository.usta.edu.co/bitstream/11634/53694/11/Carta%20derechos%20de%20autor.pdf.jpg |
| bitstream.checksum.fl_str_mv |
8b62b8d95faea09086f91e760e7bf6bf 8ed255adcd794551e15cba6c8ca10ab9 2ecdab876e9281f1f45a4f1d6d271d9e 217700a34da79ed616c2feb68d4c5e06 aedeaf396fcd827b537c73d23464fc27 8f02feeef977723d39827bac568e5312 2b3f0b6526a4558e41febafbaa9ee38d 9b315ceaf44a55167d3e830d54e3c617 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
noreply@usta.edu.co |
| _version_ |
1860882259813335040 |
| spelling |
Pacheco Lopéz, Mario JoséRojas Pulido, William Camilohttps://orcid.org/0000-0003-4752-703Xhttps://scholar.google.com/citations?hl=es&user=a5SEoPgAAAAJhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000775479Universidad Santo Tomás2024-01-24T13:31:35Z2024-01-24T13:31:35Z2023Rojas Pulido, W. C. (2023). Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuario. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/53694reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEn el actual contexto colombiano, caracterizado por cambios demográficos, económicos y ambientales, así como la importancia del sector agropecuario en la economía, la realización del III Censo Nacional Agropecuario en 2014 se presenta como una herramienta fundamental para comprender las complejas variables que impactan este sector. Con una cobertura operativa del 98.9%, este censo proporcionó información detallada y actualizada sobre el sector agropecuario en todo el país, incluyendo municipios, territorios indígenas, tierras de comunidades negras y parques nacionales. Sin embargo, el análisis de datos presenta desafíos, como el 4% de registros con datos faltantes, los cuales se abordan mediante enfoques estadísticos como la imputación de valores faltantes. En este contexto, el trabajo se enfoca en el capítulo de Cultivos en Bogotá, proponiendo la aplicación de una extensión del algoritmo ClustImpute. Este algoritmo, combinando técnicas de imputación con el método de k-medias, busca abordar tanto variables cuantitativas como cualitativas presentes en el censo, ofreciendo una alternativa innovadora a los métodos convencionales de imputación. El objetivo final es proporcionar un análisis de datos más completo y fiable para contribuir a la comprensión y mejora de las políticas y esfuerzos destinados al desarrollo rural y la calidad de vida en áreas rurales en Bogotá y, por extensión, en el conjunto del país.In the current Colombian context marked by demographic, economic, and environmental changes, coupled with the significant role of the agricultural sector in the economy, the implementation of the III National Agricultural Census in 2014 emerges as a crucial tool to comprehend the multifaceted variables impacting this sector. With an operational coverage of 98.9%, this census provided detailed and updated information on the agricultural sector nationwide, including municipalities, indigenous territories, lands of black communities, and national parks. However, data analysis presents challenges such as the existence of 4% of records with missing data, which are addressed through statistical approaches like missing value imputation. Focusing on the Cultivation chapter in Bogotá, this work proposes the application of an extended version of the ClustImpute algorithm. By combining imputation techniques with the k-means method, this algorithm aims to address both quantitative and qualitative variables present in the census, offering an innovative alternative to conventional imputation methods. The ultimate goal is to provide a more comprehensive and reliable data analysis to contribute to the understanding and improvement of policies and efforts related to rural development and the quality of life in rural areas in Bogotá and, consequently, throughout the country.Profesional en estadísticaPregradoapplication/pdfspaUniversidad Santo TomásRregrado estadísticaFacultad de estadísticaAtribución-NoComercial-SinDerivadas 2.5 ColombiaAtribución-NoComercial-SinDerivadas 2.5 ColombiaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Extensión del algoritmo ClustImpute para variables cualitativas y mixtas: una aplicación al capítulo de cultivos de Bogotá D.C del III Censo Nacional Agropecuariok-prototypesk-meansClustimputeAgricultureVariablesMixedMixedmissing valuesImputationAlgorithmClusteringQualitativeEstadísticaDatos EstadísticosInvestigaciónAlgoritmoAgrupamientoImputacionValores FaltantesCualitativasMixtasVariablesAgropecuarioClustimputek-meansk-prototiposinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA BogotáAlfonso, O. A. y Barrera, R. A. (2019). El ciclo mortal de los habitantes de calle en Bogotá. Revista de Economía Institucional, 21(41), julio-diciembre.Arteaga, F. y Ferrer-Riquelme, A. (2009). "Missing data". En S.D. Brown, R. Tauler y B. Walczak (Eds.), Comprehensive Chemometrics. Elsevier, Oxford, pp. 285-314.Azur, M. J. (2011). Multiple imputation by chained equations: what is it and how does it work? International Journal of Methods in Psychiatric Research, 20(1), 40-49.Bai, L., Cao, F., & Liang, J. (2009). A new initialization method for categorical data grouping. Expert Systems with Applications, 36(3), 5992-5998.Cao, L., & Zhao, X. (2016). A grouping-based imputation approach to missing data in a fault detection system. Neurocomputing, 173, 693-703.Pfaffel, Oliver. (2020). CLUSTIMPUTE: AN R PACKAGE FOR K-MEANS CLUSTERING WITH BUILD-IN MISSING DATA IMPUTATION.Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer.Huang, Z. (1997). A fast grouping algorithm to group very large categorical data sets in data mining. Data Mining and Knowledge Discovery, 1(3), 275-288.Huang, Z. (1998). Extensions to the k-modes algorithm for grouping large data sets with categorical values. Data Mining and Knowledge Discovery, 2(3), 283-304.Hwang, J. T., & Lee, J. D. (2010). A grouping-based imputation method for missing data. Computational Statistics & Data Analysis, 54(12), 3095-3107.Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: A review. ACM Computing Surveys (CSUR), 31(3), 264-323.Li, J. (2019). A novel grouping-based imputation algorithm for mixed data. Neurocomputing, 331, 322-329.Little, R. J. A., D’Agostino, R., Cohen, M. L., Dickersin, K., Emerson, S. S., Farrar, J. T., ... Stern, H. (2012). The prevention and treatment of missing data in clinical trials. New England Journal of Medicine, 367(14), 1355–1360.van Buuren, S. (2011). "mice: Multivariate imputation by chained equations in R". Journal of Statistical Software, 45, 1-67.McClain, J. O., & Rao, V. R. (1975). Clustering and classification in marketing research. Journal of Marketing Research, 12(2), 129-134.Xiao-Hua, Z. (2019). Challenges and strategies in analysis of missing data. Biostatistics Epidemiology, 4, 15–23Zhao, X., Zhang, S., Wu, X., & Chen, J. (2015). Group-based missing value imputation. Information Sciences, 314, 85-101.Zhao, Y., & Liu, H. (2014). Grouping-based multiple imputations for missing data. Information Sciences, 265, 1-12.ORIGINAL2023williamrojas.pdf2023williamrojas.pdfTrabajo de Gradoapplication/pdf609313https://repository.usta.edu.co/bitstream/11634/53694/1/2023williamrojas.pdf8b62b8d95faea09086f91e760e7bf6bfMD51open accessCarta Aprobacion Facultad.pdfCarta Aprobacion Facultad.pdfCarta de aprobacion de facultadapplication/pdf143962https://repository.usta.edu.co/bitstream/11634/53694/5/Carta%20Aprobacion%20Facultad.pdf8ed255adcd794551e15cba6c8ca10ab9MD55metadata only accessCarta derechos de autor.pdfCarta derechos de autor.pdfCarta derechos de autorapplication/pdf155515https://repository.usta.edu.co/bitstream/11634/53694/6/Carta%20derechos%20de%20autor.pdf2ecdab876e9281f1f45a4f1d6d271d9eMD56metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/53694/7/license_rdf217700a34da79ed616c2feb68d4c5e06MD57open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/53694/8/license.txtaedeaf396fcd827b537c73d23464fc27MD58open accessTHUMBNAIL2023williamrojas.pdf.jpg2023williamrojas.pdf.jpgIM Thumbnailimage/jpeg7520https://repository.usta.edu.co/bitstream/11634/53694/9/2023williamrojas.pdf.jpg8f02feeef977723d39827bac568e5312MD59open accessCarta Aprobacion Facultad.pdf.jpgCarta Aprobacion Facultad.pdf.jpgIM Thumbnailimage/jpeg7059https://repository.usta.edu.co/bitstream/11634/53694/10/Carta%20Aprobacion%20Facultad.pdf.jpg2b3f0b6526a4558e41febafbaa9ee38dMD510open accessCarta derechos de autor.pdf.jpgCarta derechos de autor.pdf.jpgIM Thumbnailimage/jpeg6954https://repository.usta.edu.co/bitstream/11634/53694/11/Carta%20derechos%20de%20autor.pdf.jpg9b315ceaf44a55167d3e830d54e3c617MD511open access11634/53694oai:repository.usta.edu.co:11634/536942024-01-25 03:16:54.209metadata only accessRepositorio Universidad Santo Tomásnoreply@usta.edu.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 |