Experiencia del estudio geoestadístico de composición química de ...
Experiencia del estudio geoestadístico de composición química de ...
Experiencia del estudio geoestadístico de composición química de ...
- No tags were found...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
con lo que se <strong>de</strong>muestra que la medida es invariante por perturbaciones y escompatible con la distancia d a .2.3. Biplot y matriz <strong>de</strong> variaciónEn una primera fase <strong>de</strong>scriptiva <strong><strong>de</strong>l</strong> análisis estadístico <strong>de</strong> un conjunto <strong>de</strong> datos serecomienda el <strong>estudio</strong> <strong><strong>de</strong>l</strong> biplot junto a la matriz <strong>de</strong> variación. El análisis conjunto <strong>de</strong>esta matriz y <strong><strong>de</strong>l</strong> biplot nos ayuda a mejorar la interpretación <strong>de</strong> las representacionesen el biplot y así se facilita la obtención <strong>de</strong> los patrones <strong>de</strong> relación entre partes. Lasegunda fase <strong>de</strong>scriptiva consiste en <strong>de</strong>tectar las diferentes configuraciones <strong>de</strong> laspartes representadas en el biplot y el uso <strong>de</strong> éstas para el análisis más <strong>de</strong>talladomediante los diagramas ternarios <strong>de</strong> las subcomposiciones implicadas. El análisis nose centrará en las subcomposiciones <strong>de</strong> máxima variabilidad, don<strong>de</strong> se observará quehabitualmente nos aportan poca o nula información; sino en las subcomposicionesternarias con una configuración colineal en el biplot y en las subcomposiciones conpartes ortogonales en el biplot. Finalmente se abordará una fase <strong>de</strong> análisissubcomposicional, mediante el uso <strong>de</strong> diagramas ternarios, para comprobar lasrelaciones obtenidas en el biplot entre las subcomposiciones. Se constatará cómo,mediante la técnica <strong><strong>de</strong>l</strong> centrado, se pue<strong>de</strong> mejorar la visualización <strong>de</strong> algunas <strong>de</strong>estas relaciones y que es posible visualizar, por ejemplo, patrones lineales ocultos o laexistencia <strong>de</strong> grupos (clusters) <strong>de</strong> observaciones en el conjunto <strong>de</strong> datos.La matriz <strong>de</strong> variación formada por las varianzas <strong>de</strong> los logratios entre partes X i y X j ,don<strong>de</strong> el elemento ij-ésimo <strong>de</strong> la matriz viene <strong>de</strong>finido por⎛ Xi⎞var⎜ln⎟⎝ Xj ⎠Nótese que por <strong>de</strong>finición será una matriz simétrica y <strong>de</strong> diagonal nula. Esta matriz nosdará una útil <strong>de</strong>scripción sumaria <strong>de</strong> los patrones <strong>de</strong> variabilidad entre componentes.Una información muy interesante se obtiene <strong>de</strong> los valores más gran<strong>de</strong>s <strong>de</strong> la matriz,es <strong>de</strong>cir, po<strong>de</strong>mos <strong>de</strong>tectar partes con gran variabilidad entre ellas. Recíprocamente,cuando observemos en la matriz que las variaciones <strong>de</strong> los logratios entre dos partesson aproximadamente cero po<strong>de</strong>mos pensar que se nos está indicando que estas dospartes son aproximadamente proporcionales.Un biplot es una representación gráfica bidimensional <strong>de</strong> las filas y <strong>de</strong> las columnas<strong>de</strong> una matriz rectangular, don<strong>de</strong> las filas son frecuentemente individuos o unida<strong>de</strong>s <strong>de</strong>muestreo y las columnas son variables o componentes. Por lo tanto, el biplot es unatécnica gráfica <strong>de</strong> reducción <strong>de</strong> la dimensionalidad <strong>de</strong> un conjunto <strong>de</strong> datosmultidimensionales. Para po<strong>de</strong>r aplicar la técnica <strong>de</strong> Biplot es necesario transformar lamatriz <strong>de</strong> datos composicionales X en una matriz Y, que será la que representaremos.Atendiendo a nuestra naturaleza composicional <strong>de</strong> los datos, nosotros utilizaremosbàsicamente la transformación logcociente centrada, llamada clr, don<strong>de</strong> se usan loslogratios entre componentes y su media geométrica, Y=clr(X).El biplot <strong>de</strong> Y es la representación <strong>de</strong> la factorización matricial Y=FG t . Las filas <strong>de</strong> Fy las columnas <strong>de</strong> G nos proporcionan, respectivamente, las coor<strong>de</strong>nadas <strong>de</strong> los Npuntos para las filas y <strong>de</strong> los D puntos para las columnas. Para hallar la factorizaciónnos basaremos en la <strong>de</strong>s<strong>composición</strong> en valores singulares (dvs) <strong>de</strong> la matriz Y.13