Graciano Obeso Adalid
Instituto Tecnológico Superior De Guasave
0000-0002-0849-0054
Juan Héctor Alzate Espinoza
Instituto Tecnológico Superior De Guasave
0000-0002-9569-7634
Gilberto Bojórquez Delgado
Instituto Tecnológico Superior De Guasave
0009-0000-7829-6540
Acerca de
os métodos multivariados se aplican en procesos medioambientales desde principios del siglo XX, pero han tenido una enorme difusión en los últimos años, debido a la gran cantidad de información acumulada en las bases de datos y al enorme progreso de la tecnología computacional que comenzó en la década de 1960 (Palacio et al., 2020). Específicamente para la conformación de distintos conglomerados o clústeres, se aplica la técnica estadística dentro del análisis multivariado llamada “análisis de clúster o conglomerados”, este método permite la conformación de grupos homogéneos hacia el interior y lo más heterogéneos entre los distintos grupos (Gutiérrez y Ciancio, 2023).
Cuando los investigadores están interesados en identificar grupos de in-dividuos, la técnica más adecuada del análisis multivariado es el análisis de conglomerados o análisis de clúster, esta técnica se basa en el análisis y la interpretación de la asociación observada entre…
… los individuos, de modo que el cálculo de su distancia o proximidad sirve para conformar grupos homogéneos en relación con las características seleccionadas que, a la vez, sean tan hetero-géneos entre ellos como sea posible (Meneses, 2019; Rodríguez et al., 2019). En esta técnica se considera a cada unidad de análisis como un conglomerado, y posteriormente va uniendo los conglomerados de acuerdo con su homogeneidad hasta que queda un conglomerado, entendiendo por grupo homogéneo aquel cuyos miembros difieren significativamente de los de cualquier otro (Starstedt y Mooi, 2014; Tussel, 2023).
Por otro lado, esta técnica ha sido utilizada en diversas investigaciones en el mundo para agrupar elementos con características similares o dividir por zonas (Burbano et al., 2018; Price et al., 2006; Pérez et al., 2004). Además, se ha demostrado que el análisis jerárquico, facilita determinar el nivel de correlacionamiento entre las diferentes variables, permitiendo generar grupos de asociación, lo cual redunda en una mejor segmentación de los elementos que influencian el aprovechamiento de los activos medioambientales (Blanco et al., 2017).
Referencias
Blanco, A., Muñoz, I., E., M., de Miguel, C., & Casas, E. (2017). Aplicaciones de la segmentación jerárquica en medición y evaluación de programas educativos. Ejemplos con un programa de educación financiera., 235-257.
Burbano, V., Edy, L., & Moreno, E. (2018). Análisis de Conglomerados del Norte del valle del cauca. Caso estudio Cartago, Zarzal y la Unión. Ingenieria Industrial, 1, 78-91.
Castellarin, A., Burn, D., & Brath, A. (2001). Assessing the effectiveness of hydrological similarity measures for flood frequency analysis. Journal of Hydrology, 241, 270-285.
Escobedo_Urías, D. (2010). Diagnóstico y descripción del proceso de eutrofización en lagunas costeras del Norte de Sinaloa. Tesis de Doctorado. CICIMAR-IPN, 298. La Paz, Baja California Sur, México.
Gutiérrez, A., & Ciancio, A. (2023). Análisis del destino de la producción en la economía argentina: una aplicación de análisis de clúster. Revista de la Facultad de Ciencias Económicas, 20-40.
Hair, J., Anderson, R., Tatham, R., & Black, W. (1999). Análisis multivariante. Madrid: Prentice Hall.
Hayward, T., Baumgartne, T., C. D., R., D., G., G.-C., Hyrenbach, K., M., T. (1999). The State of the California Current, 1998-1999: transition to cool-water conditions. California Cooperative Oceanic Fisheries Investigations. 29-62: Report 40.
Lin, G., & Chen, L. (2006). Identification of homogeneous regions for regional frequency analysis using the self-organizing map. Journal of Hydrology, 324, 1-9.
Meneses, J. (2019). Introducción al análisis multivariante. Primera Edición. Universidad Oberta de Catalunya,. Barcelona, 39-43.
Palacio, F., Apodaca, M., & Crisci, J. (2020). Análisis multivariado para datos biológicos: Teoría y su aplicación utilizando el lenguaje R. Fundación Natural de Féliz de Azara, 268.
Peña, D. (2002). Análisis de Datos Multivariantes. España: McGraw-Hill.
Pérez, S., Montes, J., & Vázquez, J. (2004). Managing knowledge: the link between culture and organizational learning. Journal of knowledge management, 8, 93-104.
Peterson, L. (2002). CLUSFAVOR 5.0: hierarchical cluster and principal-component analysis of microarray based transcriptional profiles. (B. C. Medicine, Ed.) Texas, One Baylor Plaza, ST-924, USA. Obtenido de http://genomebiology.com/2002/3/7/software/0002.
Price, A., Patterson, N., Plenge, R., Meinblatt, M., Shadick, N., & Reich, D. (2006). Principal components analysis corrects for stratification in genome-wide association studies. Nature Genetics, 38, 904.
Rao, A., & Srinivas, V. (2006). Regionalization of waters heds by hybrid-cluster analysis. Journal of Hydrology, 318, 37-56.
Robles, C. (2018). Variabilidad oceanográfica de la zona costera del estado de Sonora. (Tesis de Postgrado). Universidad de Sonora.
Rodriguez, M., Comin, C., Casanoca, D., Bruno, O., Amancio, D., Costa, L., & Rodriguez, F. (2019). Clustering algorithms: A comparative approach. PLoS ONE. e0210236, 14(1).
Starstedt, M., & Mooi, E. (2014). Cluster Analysis. In a Concise Guide to Market Research. Berlin, Heidelberg: Springer.
Tussel, C. (2023). Calidad de la democracia en América Latina, 2013-2018: una clasificación con observaciones de conglomerado y dendrograma. Estado & comunes, revista de politicas y problemas públicos., 2, 39-56.
Ulloa-Pérez, A. (2005). Influencia de la disponibilidad de nutrientes sobre los cambios espacio-temporales de la comunidad de fitoplancton en el litoral del municipio de Guasave, Sinaloa. Tesis de Maestría, CIIDIR-IPN, 100. Unidad Sinaloa.
Valencia-Martínez, S. (2012). Caracterización del área de alimentación de tortugas marinas en la zona marino-costera del complejo insular San Ignacio-Navachiste-Macapule, Sinaloa, Golfo de California. Tesis de Mestría, CIIDIR-IPN, 86. Unidad SInaoa.