Análisis de agrupamiento (Cluster nmds)

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Análisis de agrupamiento (Cluster nmds)"

Julia Jiménez Poblete
hace 6 años
Vistas:

1 Análisis de agrupamiento (Cluster nmds) Agregación (Cluster) Conjunto de técnicas que intentan organizar la información de las unidades de muestreo (UM) en clases o grupos discretos Crea agrupaciones sobre la base de una sola variable Basa el proceso en la similitud (parecido) o disimilitud (diferencia) entre las UM. Propósito: generar grupos mutuamente excluyentes (cada miembro de un grupo este lo más cerca de otro miembro del mismo grupo y los grupos diferentes lo más alejados entre sí.

2 Cluster Estrategias de agrupación (Ligamento) - Ligamento simple: (vecino más cercano) define las distancias entre entidades y agrupamientos como la distancia entre las entidades más cercanas. - Ligamento Completo: (vecino más lejano) define las distancias entre entidades y agrupamientos como la distancia entre las entidades más lejanas - Ligamento Centroide: minimiza la disimilitud entre los centroides delos agrupamientos. Es valido solamente con datos métricos (longitudes).

3 Cluster Ligamento promedio: designa los valores de distancia entre entidades como la distancia promedio de disimilitud entre los agrupamientos. Ligamento de Ward: minimiza la distancia cuadrada entre los grupos con base en el tamaño del cluster Recomendación para generar matrices - Datos Biológicos: abundancias Bray Curtis - Datos Abióticos: registros Distancia Euclidiana

4 nmds Propósito: representar gráficamente las relaciones entre objetos en un espacio multidimensional. Los objetos diferentes se ubican alejados en el espacio de ordenación y los similares se ubican cerca, sin que se mantengan las distancias originales Construye un mapa de ordenación de las muestras en un número determinado de dimensiones (2 o 3) que intenta satisfacer las condiciones impuestas por los rangos definidos a partir de la matriz original (similitud o disimilitud).

5 nmds Solo conserva los rangos de similitud, por lo que los ejes no tienen unidades (no métrico) Punto de partida una matriz de similitud o disimilitud Algoritmo evalúa el grado de Stress: distorsión entre los rangos de similitud y los rangos de distancia correspondientes en la gráfica de ordenación. Meta: escoger la configuración de puntos que minimice el grado de Stress (por re-muestreo) Valor crítico del stress: 0.2 o 20%.

6 Software Premier Poderosa herramienta de análisis multivariado ecológico Tipo de datos: muestreo de riqueza de especies en diferentes estaciones de dos o mas localidades + muestreo de datos abióticos: Dos localidades 9 estaciones por localidad Listado de especies en cada estación con registro de abundancia estandarizada Registro de condiciones abióticas en cada estación 2 matrices de datos: bióticos y abióticos Son diferentes los ensambles? Hay relación entre las matrices?

7 Lista de pasos 1. Revisar la matriz de datos bióticos y abióticos: - Todas las especies deben estar registradas por lo menos en una estación. - En todas las estaciones debe haber registro de las variables abióticas 2. Asignar factores a las estaciones: - Relacionar estaciones con grupos para el análisis. 3. Construir las matrices de similitud - Transformar las matrices de datos para garantizar supuestos, reducir efecto de 0. - Datos biológicos: log (x+1) - Datos abióticos: Raiz cuarta si es necesario.

8 Lista de pasos 4. Seleccionar algoritmo para construir la matriz de similitud: - Bray Curtis: biológicos - Euclidiana: abióticos - Presencia-ausencia (tipo de muestreo) 5. Con base en la matriz de similitud construir el Cluster: - Promedio por grupo (Group Average) 6. Confirme conformación de grupos con nmds

9 Premier: Cluster & nmds Matriz de datos biológicos:

10 Premier: Cluster & nmds Asignación de factores: agrupación de cada estación

11 Premier: Cluster & nmds Transformación y algoritmo de similitud:

12 Premier: Cluster & nmds Matriz de similitud: se debe tener abierta para Cluster

13 Premier: Cluster & nmds Seleccionar características para el Cluster

14 Premier: Cluster & nmds Construir Cluster

15 Premier: Cluster & nmds Regresar matriz de similitud y realizar nmds

16 Premier: Cluster & nmds Construir gráfico de ordenación

17 Análisis derivados del Cluster & nmds Quienes son los responsables de la similitud dentro de los grupos y la disimilitud entre los grupos? Análisis de porcentaje de similitud: SIMPER Se fundamenta en un análisis de similitud (ANOSIM) Anosim: análisis no paramétrico que evalúa la significancia en las diferencias entre dos grupos a partir de las medidas de distancia (ordenación). Compara las distancias entre grupos con las distancias dentro de los grupos.

18 SIMPER Se realiza con la matriz de datos abierta

19 SIMPER

20 SIMPER

21 Análisis derivados del Cluster & nmds Se relaciona el ensamble con las condiciones abióticas? Análisis de correlación no paramétrica entre matrices: BIOENV Se fundamenta en un análisis de correlación no paramétrica de Spearman Se realiza entre la matriz de similitud biológica y la matriz de similitud abiótica

22 BIOENV Se debe tener abierta la matriz de similitud biológica

23 BioEnv Se debe establecer condiciones matriz similitud abiótica

24 BioEnv Resultado: se definen características del análisis

25 BioEnv Se evalúa el valor de Correlación

26 Trabajo Independiente Cuál es el propósito de un análisis discriminante?

Documentos relacionados

Tablas de distribución de Frecuencias

Tablas de distribución de Frecuencias Valores Y 4 3.5 3 2.5 2 1.5 1 0.5 0-2 0 2 4 6 Valores Y Docente: Jhony Montenegro Molina ww.jmontenegro.wordpress.com Reflexionemos un poco Tabla de Distribución de