Selección de variables en cebada mediante el análisis de componentes principales.

El propósito fundamental del análisis de componentes principales (ACP) es el de reducir la dimensionalidad de un conjunto de datos donde existan variables con cierto grado de correlación. Dicha reducción se basa en la obtención de combinaciones lineales de todas las variables originales denominadas...

Descripción completa

Detalles Bibliográficos
Autor Principal: Argüelles C., Jorge H.
Formato: Artículo (Article)
Lenguaje:Español (Spanish)
Publicado: Instituto Colombiano Agropecuario 2019
Materias:
Acceso en línea:http://hdl.handle.net/20.500.12324/35388
id ir-20.500.12324-35388
recordtype dspace
spelling ir-20.500.12324-353882020-11-11T15:01:58Z Selección de variables en cebada mediante el análisis de componentes principales. Argüelles C., Jorge H. Fisiología y bioquímica de la planta - F60 Hordeum irregulare Análisis de probabilidad Modelos matemáticos Variación genética Transitorios El propósito fundamental del análisis de componentes principales (ACP) es el de reducir la dimensionalidad de un conjunto de datos donde existan variables con cierto grado de correlación. Dicha reducción se basa en la obtención de combinaciones lineales de todas las variables originales denominadas componentes principales (CP), y la posterior selección de un numero adecuado de estas, de tal forma que se preserve la mayor parte de la variación original. El hecho de que las CP sean combinaciones lineales de todas las variables originales, puede ser un inconveniente desde el punto de vista de interpretación cuando el numero de estas es grande o cuando el objetivo es seleccionar las variables para ser consideradas en estudios futuros. Con el fin de solucionar lo anterior, Jolliffe (5, 6) y McCabe (10), proponen una serie de metodologías para selección de variables, basadas en el ACP. En este trabajo se comparan dichas metodologías desde dos puntos de vista: buscando relaciones analíticas entre ellas, y mediante su utilización en el análisis de datos reales provenientes de un ensayo de den genotipos de cebada. The fundamental purpose of the principal components analysis (PCA) is to reduce the dimensionality of a data set when there are variables with some degree of correlation. This reduction is based on the attainment of linear combination from the original variables called principal components (PC), and subsequently to choose an adequate number of them, so it will keep the greater part of the original variation. The fact that PC are linear combinations all the original variables, could be an inconvenient in the interpretation when the number of variables is large or when the objetive is to select variables for further studies. To solve this, Jolliffe (5, 6) and McCabe (10), proposed some methodologies to select variables based on the PCA. In this paper these methodologies are compared, from two points of view: searching analytical relationships among variables and through their utilization in the real data analysis from one hundred genotipes test of barley. Cebada 2019-09-05T21:47:54Z 2019-09-05T21:47:54Z 1990 article Artículo científico http://purl.org/coar/resource_type/c_2df8fbb1 info:eu-repo/semantics/article https://purl.org/redcol/resource_type/ART 0018-8794 http://hdl.handle.net/20.500.12324/35388 17625 reponame:Biblioteca Digital Agropecuaria de Colombia repourl:https://repository.agrosavia.co instname:Corporación colombiana de investigación agropecuaria AGROSAVIA spa Revista ICA 25 355 365 Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf Colombia Meta C.I La Libertad Colombia Instituto Colombiano Agropecuario Villavicencio (Colombia) Revista ICA; Vol. 25 (1990): Revista ICA (Octubre-Diciembre); p. 355-365
institution Agrosavia
collection DSpace
language Español (Spanish)
topic Fisiología y bioquímica de la planta - F60
Hordeum irregulare
Análisis de probabilidad
Modelos matemáticos
Variación genética
Transitorios
spellingShingle Fisiología y bioquímica de la planta - F60
Hordeum irregulare
Análisis de probabilidad
Modelos matemáticos
Variación genética
Transitorios
Argüelles C., Jorge H.
Selección de variables en cebada mediante el análisis de componentes principales.
description El propósito fundamental del análisis de componentes principales (ACP) es el de reducir la dimensionalidad de un conjunto de datos donde existan variables con cierto grado de correlación. Dicha reducción se basa en la obtención de combinaciones lineales de todas las variables originales denominadas componentes principales (CP), y la posterior selección de un numero adecuado de estas, de tal forma que se preserve la mayor parte de la variación original. El hecho de que las CP sean combinaciones lineales de todas las variables originales, puede ser un inconveniente desde el punto de vista de interpretación cuando el numero de estas es grande o cuando el objetivo es seleccionar las variables para ser consideradas en estudios futuros. Con el fin de solucionar lo anterior, Jolliffe (5, 6) y McCabe (10), proponen una serie de metodologías para selección de variables, basadas en el ACP. En este trabajo se comparan dichas metodologías desde dos puntos de vista: buscando relaciones analíticas entre ellas, y mediante su utilización en el análisis de datos reales provenientes de un ensayo de den genotipos de cebada.
format Artículo (Article)
author Argüelles C., Jorge H.
author_facet Argüelles C., Jorge H.
author_sort Argüelles C., Jorge H.
title Selección de variables en cebada mediante el análisis de componentes principales.
title_short Selección de variables en cebada mediante el análisis de componentes principales.
title_full Selección de variables en cebada mediante el análisis de componentes principales.
title_fullStr Selección de variables en cebada mediante el análisis de componentes principales.
title_full_unstemmed Selección de variables en cebada mediante el análisis de componentes principales.
title_sort selección de variables en cebada mediante el análisis de componentes principales.
publisher Instituto Colombiano Agropecuario
publishDate 2019
url http://hdl.handle.net/20.500.12324/35388
_version_ 1684130091754323968
score 11,39188