Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/216881311
CITATIONS READS
0 332
4 authors, including:
Osvaldo Arce
National University of Tucuman
24 PUBLICATIONS 29 CITATIONS
SEE PROFILE
All content following this page was uploaded by Osvaldo Arce on 03 October 2017.
Una doctrina dentro de esta ciencia es el 2002; Legendre y Legendre, 1998; Legendre
feneticismo, el cual se basa en el estudio de y Anderson, 1998; Jobson, 1992; Jolliffe,
las relaciones taxonmicas fenticas, enten- 1986; Seber, 1984; Gower y Digby, 1981;
dindose como tales a aquellos arreglos por Gower, 1966) han sido ampliamente usados.
similitud total basados en todos los caracte- Otras tcnicas han sido utilizadas tambin,
res disponibles para los objetos u organis- aunque en menor grado, como ser anlisis
mos bajo estudio sin una ponderacin de los de factores, escalas multidimensionales no
mismos (Crisci y Lpez Armengol, 1983; De mtricas y anlisis cannico.
la Sota, 1982; Sneath y Sokal, 1973). En taxonoma numrica estas tcnicas se
Debido a que los caracteres empleados usan para obtener grupos a partir de repre-
en estudios de este tipo deben ser cuantifica- sentaciones grficas bi y/o tridimensionales,
dos con precisin es que al enfoque feneti- es decir, se usan como una alternativa al
cista de la taxonoma se le ha llamado taxo- anlisis de conglomerados (cluster anli-
noma numrica. Esta taxonoma emplea sis) y con fines clasificatorios.
entonces tcnicas numricas, entendindose La calidad de las representaciones grfi-
como tales, aqullas que mediante operacio- cas obtenidas a partir de los mtodos de or-
nes matemticas calculan la afinidad entre denacin ha sido motivo de numerosos tra-
unidades taxonmicas a base del estado de bajos. Al ser dichas representaciones en es-
sus caracteres. pacios de dimensin reducida el elemento
Al trabajar con caracteres cuantitativos o que el investigador tomar en cuenta para
cualitativos codificados es que la taxonoma extraer conclusiones vlidas sobre su traba-
debi valerse de las tcnicas proporcionadas jo, es que se debe asegurar que stas sean lo
por la estadstica. Por otra parte, como cada ms fieles posibles a las matrices de proxi-
entidad est caracterizada por mltiples midades en las que stos se basan.
atributos, es la estadstica multivariada la Moss (1968) fue uno de los primeros au-
principal proveedora de herramientas de tores en plantear que la aplicacin de dife-
anlisis para estudios taxonmicos de tipo rentes tcnicas puede conducir a resultados
numrico. diferentes y, en consecuencia, a conclusiones
Las tcnicas clasificatorias basadas en taxonmicas distintas. Realiza estudios com-
informacin estrictamente numrica comen- parativos aplicando diferentes tcnicas
zaron a desarrollarse a mediados del siglo (componentes principales, coordenadas
XX. Sin embargo el gran auge de las mismas principales y escalas multidimensionales no
se da con la difusin masiva de las compu- mtricas) a los mismos datos.
tadoras a fines de los 80. Numerosos pa- Las primeras presentaciones de estos m-
quetes estadsticos han sido desarrollados todos y discusin de sus propiedades se pre-
desde entonces, lo cual ha puesto estas herra- sentan en el clsico libro de Sneath y Sokal
mientas de anlisis a disposicin de toda la (1973).
comunidad cientfica y tcnica. Rohlf (1972) trabaja en la comparacin
Entre todas las tcnicas usadas en taxo- de distintos mtodos de ordenacin y usa al-
noma numrica, los mtodos basados en gunos datos simulados muy simples. Su inte-
autovalores y autovectores (ordenacin) tales rs radica principalmente en el efecto de los
como componentes principales (Pea, 2002; datos faltantes. Propone algunas medidas
Hair et al., 1999; Legendre y Legendre, que pueden ser usadas para evaluar la cali-
1998; Gnanadesikan, 1997; Jobson, 1992; dad de las representaciones grficas.
Johnson y Wichern, 1992; Everitt y Dunn, Thorpe (1980) trabaja sobre razas de la
1991; Jolliffe, 1986; Anderson, 1984; Dillon serpiente Natrix natrix y compara varios
y Goldstein, 1984; Seber, 1984; Karson, mtodos de ordenacin: componentes princi-
1982; Mardia et al., 1979; Morrison, 1967), pales, coordenadas principales, escalas mul-
y coordenadas principales (tambin llamado tidimensionales no mtricas. Los datos con
escalado multidimensional mtrico) (Pea, los que trabaja representan un modelo taxo-
12 O. E. A. Arce et al.: Estudio comparativo basado en una aplicacin a la taxonoma numrica
nmico conocido. Llega a la conclusin que En trabajos posteriores (Pea, 2002; Le-
la estandarizacin es recomendable. gendre y Legendre, 1998; Gower y Legendre,
Pimentel (1981) realiza un trabajo simi- 1986; Gower, 1985) se comenz a dar im-
lar al de Thorpe para especies de Abronia. portancia a las propiedades matemticas de
Trabaja con componentes principales, coor- las matrices obtenidas a partir de distintos
denadas principales, escalas multidimensio- coeficientes de disimilaridad o similaridad,
nales no mtricas y mapeo linear. Aplica el ya que la metricidad y euclinidad de los mis-
coeficiente de Gower. mos son esenciales para la obtencin de re-
Hartmann (1988) compara mtodos de presentaciones apropiadas de los datos en
ordenacin empleando datos de dientes de espacios de dimensin reducida. Se discute
Homnidos. Analiza el efecto de la estandari- asimismo como la estandarizacin por ran-
zacin de datos y propone comparar el ajuste go puede llevar a la euclinidad a ciertos co-
entre diferentes mtodos usando coeficientes eficientes de disimilaridad.
de correlacin entre matrices de distancias y Legendre y Legendre (1998) proponen
matrices derivadas a partir de los puntos en dos mtodos, Cailliez (1983) y Lingoes
los espacios de dimensin reducida. (1971), para corregir la presencia de auto-
En todos los casos se concluye que las valores negativos y asegurar la euclinidad
diferentes combinaciones de tipos de datos, de disimilaridades y similaridades no mtri-
estandarizacin, coeficientes de disimilari- cas. Legendre y Anderson (1998), desarro-
dad / similaridad y tcnica empleada pue- llan un paquete de software (DistPCoA) para
den producir distintos resultados. aplicar estas correcciones.
En los trabajos mencionados previamente Bramardi (2000) y Rohlf (1990) presen-
los autores trabajaron con variables de tipo tan la tcnica del rbol de distancia mnima
mixto, es decir, datos con variables cuantita- (minimum-length spanning tree) como
tivas y cualitativas codificadas. Segn Thor- una manera adicional de evaluar la calidad
pe (1980) la codificacin otorga a los datos de las representaciones grficas al superpo-
no numricos un carcter de numricos y nerlo sobre la representacin obtenida a par-
propone estandarizarlos como si se trataran tir de cualquier ordenacin.
de variables de este tipo. Pimentel (1981) Rohlf (2009) desarrolla la versin 2.2 del
realiza su estudio sobre Abronia aplicando paquete NTSys-pc para su aplicacin en pro-
un concepto similar. blemas de taxonoma numrica incorporan-
Crisci y Lpez Armengol (1983) aplican do todos los procedimientos que aparecen en
componentes principales a una matriz de la bibliografa sobre el tema desde los men-
especies del gnero Bulnesia constituida por cionados por Sneath y Sokal (1973) hasta
23 variables cuantitativas y 20 categricas los ms modernos, como anlisis de pro-
codificadas. Tambin trabajan con las varia- crustes.
bles codificadas como si se trataran de va- En este trabajo se realizaron todos los
riables numricas. El uso de matrices de da- anlisis con dicho paquete estadstico.
tos que contienen variables de tipo mixto es El objetivo general del presente trabajo es
muy comn en estudios de taxonoma num- realizar un estudio comparativo de las orde-
rica, no habindose dado la importancia que naciones obtenidas mediante la aplicacin
el tema tiene en la bibliografa existente so- de las tcnicas de componentes principales y
bre anlisis estadstico multivariado. coordenadas principales a una matriz de
Componentes principales y la mayora de datos correspondiente a los taxones argenti-
las medidas de di/similaridad existentes, nos del gnero Echinochloa (Poaceae: Pani-
empleadas en coordenadas principales, no coideae: Paniceae), bajo diferentes condicio-
han sido diseadas para manejar matrices de nes de aplicacin.
datos mixtos. Gower (1971) presenta una Los objetivos parciales son:
alternativa, la nica encontrada por los au- Analizar el efecto de la estandarizacin
tores, para manejar datos de este tipo. de datos por desvo estndar o rango sobre
Lilloa 46 (12): 1033, 2009 13
todas las variables y slo sobre variables Los caracteres exomorfolgicos analiza-
cuantitativas en una matriz de datos mixtos. dos y considerados como relevantes para deli-
Estudiar distintos coeficientes de disimi- mitar taxones, determinaron la existencia de
laridad y similaridad y su efecto en las re- dos grandes grupos, el primero de los cuales
presentaciones grficas obtenidas. se encuentra constituido por las siguientes
Evaluar los resultados obtenidos al entidades: E. colona (C), E. crusgalli var. crus-
aplicar las tcnicas de componentes princi- galli (VC), var. mitis (VM), E. cruspavonis
pales y coordenadas principales. (CR), E. chacoensis (CH); y el segundo confor-
Comparar los resultados obtenidos a mado por E. oryzoides (O), E. helodes (H), E.
partir de distintos mtodos de correccin de polystachya var. polystachya (VP) y var. spec-
autovalores negativos. tabilis (VS). Los caracteres de separacin
Evaluar las soluciones obtenidas en es- para estos grupos son: la propagacin vege-
pacios de dimensin reducida, a partir de la tativa que es cespitosa o rizomatosa, el ciclo
aplicacin, a la matriz de datos, de diferen- de la planta que es anual o perenne y la lon-
tes combinaciones de centrado, estandariza- gitud de la espiguilla que vara de 2-5 mm o
cin, coeficientes de disimilaridad / simila- de (4,5) 5-7 mm de longitud.
ridad y tcnica de anlisis empleada. El anlisis de otros caracteres como la
forma de la espiguilla, su longitud y el pice
METODOLOGA de la lemma inferior permiten delimitar los
siguientes subgrupos dentro del primer gran
Las evaluaciones metodolgicas general- grupo: El subgrupo (C), evidencia uniformi-
mente involucran simulaciones hechas con dad y est definido claramente el carcter
computadoras o el estudio a partir de datos predominante que es la presencia de lemma
reales que tienen una estructura taxonmica mtica o mucronada. El subgrupo (CR) se
conocida. La importancia de evaluaciones manifiesta en forma homognea y separado
del ltimo tipo radica en el hecho de que del anterior, los caracteres que contribuyeron
modelos matemticos generados no produ- son la forma de la espiguilla, que es lanceo-
cen informacin que pueda ser justificada lada y la lemma inferior aristada. El otro
biolgicamente (Pimentel, 1981). subgrupo est formado por las entidades VC
Thorpe (1980) dice que si se parte de y VM que no se separan claramente por los
datos generados por computadora, las tcni- caracteres exomorfolgicos, lo cual sugiere
cas bajo estudio sern la nica base para la que pudo haber procesos de hibridacin entre
construccin del modelo taxonmico crean- ellos.
do de esta manera una lgica circular. Dentro del segundo gran grupo se encuen-
Por este motivo se trabaj con datos rea- tra los siguientes subgrupos: el subgrupo O en
les con una estructura taxonmica conocida. el que los caracteres que contribuyeron a su
En este estudio el modelo taxonmico cono- separacin son la longitud de la espiguilla y
cido corresponde a De Marco (2002), es de- lemma inferior con arista hasta de 3 cm de
cir, la estructura de agrupamientos en la longitud. El subgrupo H presenta uniformi-
matriz de datos se conoca con anterioridad dad, con sus espiguillas lanceoladas, lemma
a su anlisis estadstico. inferior aristada y su inflorescencia linear y
nutante. Los subgrupos formados por las enti-
Modelo taxonmico. El gnero Echino- dades VP y VS, en donde caracteres como el
chloa en la Argentina (De Marco, 2006; Zu- de nudos y vainas glabras, nudos setosos-hir-
loaga et al., 1994), se encuentra representa- sutos y vainas hirsutas los delimitan. Sin em-
do por 7 especies y 2 variedades: E. colona, bargo, a pesar de que poseen caracteres dife-
E. crusgalli var. crusgalli, E. crusgalli var. renciales, son muy similares entre s.
mitis, E. cruspavonis, E. chacensis, E. helo- Puesto que VC y VM no se diferencian cla-
des, E. oryzoides, E. polystachya var. polysta- ramente, a los fines de este trabajo se los
chya, E. polystachya var. spectabilis. considerar como un grupo nico. Por lo
14 O. E. A. Arce et al.: Estudio comparativo basado en una aplicacin a la taxonoma numrica
tanto el nmero de grupos en estudio es de 8. Para estos casos existen dos mtodos de
Se evaluaron 10 individuos de cada uno correccin disponibles que permiten obte-
de los 9 taxones. Se midieron 9 variables ner una representacin eucldea en todos
cuantitativas, 11 binarias y 10 cualitativas los casos.
multiestado. La descripcin de las variables
se encuentra en De Marco (2002). Las varia- Mtodo de Lingoes:
bles cualitativas fueron codificadas mediante
cdigos numricos.
En los grficos de ordenacin las referen-
cias de los taxones correspondientes son las donde c es el valor absoluto del autovalor
siguientes: VS, * VP, o C, + O, H, CR, negativo ms grande de la corrida del anli-
VC, VM, CH. sis de coordenadas principales (Lingoes,
A lo largo de este trabajo se adoptar la 1971).
convencin de asignar los individuos a las n
filas de la matriz y las variables a las p co- Mtodo de Cailliez:
lumnas.
El anlisis de componentes principales se
aplic a datos centrados, en todos los casos,
tal como lo sugieren Legendre y Legendre donde c es el mayor autovalor de una matriz
(1998). Se trabaj con los datos sin estanda- no simtrica especial (Cailliez, 1983).
rizar y estandarizados por desvo estndar o Detalles sobres estos mtodos se encuen-
rango. El coeficiente de correlacin es la co- tran en Legendre y Legendre (1998) y se in-
varianza de las variables centradas y estanda- cluyen en el paquete estadstico DistPCoA
rizadas por desvo estndar (Johnson y Wi- (Legendre y Anderson, 1998).
chern, 1992), razn por la cual calcular la
covarianza de variables as estandarizadas o Para la evaluacin de ordenaciones se
la correlacin de variables no estandarizadas utilizaron las siguientes tcnicas:
proporcionar la misma matriz de asocia-
cin y, por lo tanto, idnticos autovalores. Autovalores y porcentaje de varianza explica-
La estandarizacin fue aplicada a todas da. Esta es la tcnica ms usada y amplia-
las variables primero y luego slo a las va- mente recomendada en la bibliografa (Hair
riables cuantitativas. Los siguientes coefi- et al., 1999; Legendre y Legendre, 1998;
cientes fueron aplicados: varianza-covarian- Gnanadesikan, 1997; Jobson, 1992; Johnson
za y correlacin, en componentes principa- y Wichern, 1992; Everitt y Dunn, 1991; Jolli-
les; y coeficiente de similaridad general de ffe, 1986; Anderson, 1984; Dillon y Golds-
Gower (Bramardi, 2000; Gower, 1971) y tein, 1984; Seber, 1984; Karson, 1982; Mar-
distancias Euclidiana, disimilaridades Man- dia et al., 1979; Morrison, 1967) para eva-
hattan, Bray Curtis y Canberra (Gower y Le- luar representaciones grficas obtenidas a
gendre, 1986; Gower, 1985), en coordena- partir de un anlisis de componentes princi-
das principales. pales.
Es equivalente al coeficiente de determi-
Autovalores negativos. Autovalores ne- nacin r2 empleado en anlisis de regresin.
gativos pueden generarse al usar medidas de Si se consideran un espacio de dimensin
distancia semimtricas o no mtricas. Tam- m, con m << p, su expresin ser:
bin pueden encontrarse durante el anlisis
de algunas distancias mtricas que no ga-
rantizan una completa representacin Eucli-
diana (Gower y Legendre, 1986). El proble-
ma que surge aqu es que los correspondien-
tes ejes de ordenacin sern imaginarios.
Lilloa 46 (12): 1033, 2009 15
cuanto mayor sea la disimilaridad entre dos dica que las posiciones relativas recuperadas
objetos, mayor ser la distancia interpunto han sufrido una distorsin.
en la representacin euclidiana de estos ob- Estos diagramas estn incluidos en el
jetos. Dicho en otras palabras, las relaciones procedimiento MXCOMP de NTSys.
de orden entre las distancias interpuntos en
la representacin euclidiana est en exacta Correlacin entre matrices. Es una medida
concordancia con las relaciones de orden de la correspondencia entre los elementos de
entre las disimilaridades originales. Si lo dos matrices. Esta tcnica es recomendada
que se compara es una medida de similari- por Rohlf (1972) para evaluar cun prxima
dad con la distancia, la relacin que se bus- es la configuracin de puntos en espacios de
ca es la inversa a la anterior, es decir, a dimensin reducida en relacin a la configu-
mayor distancia, menor similaridad. racin de los mismos en el espacio original
Tambin se puede observar qu tan p-dimensional.
prxima o similar es la matriz de disimilari- Legendre y Legendre (1998) sugieren utili-
dades o similaridades derivada con respecto zar la distancia Eucldea en el espacio origi-
a la original. Legendre y Legendre (1998) nal y en el reducido en el caso de componentes
muestran que cuanto ms prxima est la principales. En coordenadas principales y es-
nube de puntos a la diagonal del diagrama, calas multidimensionales no mtricas acon-
ms parecidas sern ambas configuraciones. sejan calcular las distancias Eucldeas entre
Adems si la nube de puntos est prxima los objetos en el espacio reducido y comparar-
a la diagonal y sigue una tendencia lineal, las las con las disimilaridades o similaridades en
posiciones relativas de los puntos habrn sido las cuales se bas la ordenacin.
recuperadas con precisin. A veces la relacin Este procedimiento tambin fue utilizado
entre ambos espacios no es lineal, lo cual in- por Hartman (1988) con el fin de evaluar
Lilloa 46 (12): 1033, 2009 17
Correlacin
Coeficiente % Var. Grupos
Estandarizacin Autovalores orig.deriv.
Codificacin explicada identificados
en 2 y 3 dim.
varne 1
varde 0.20884 1
vardec 0.28319 0.92527 1
varrg 0.12544 0.97792 0.89460 1
varrgc 0.16950 0.79844 0.92389 0.89032 1
cin de los 8 grupos. La estandarizacin ya derivado bidimensional vs. las mismas dis-
sea por rango (todas las variables) o desvo tancias en el espacio p-dimensional original
estndar (todas las variables y slo cuantita- con estandarizacin de todas las variables.
tivas) permiti una correcta identificacin de La figura mencionada muestra que los espa-
grupos. La estandarizacin por rango slo cios original y derivado no manifestaron una
de variables cuantitativas no result apro- relacin lineal pero s montona, generndo-
piada. se una distorsin importante en distancias
La tabla 2 muestra que la correlacin medias y bajas, aunque las relaciones de or-
entre los espacios euclidianos derivados a den se mantuvieron, por lo que los valores
partir de datos estandarizados por desvo de correlacin entre espacios no represen-
estndar y rango presentaron un valor de tan, en este caso, un buen indicador de la
concordancia elevado (r = 0.97792) indi- calidad de las representaciones obtenidas.
cando que las ordenaciones obtenidas fueron La gran estructura de agrupamientos (dis-
muy similares cuando se estandariz todas tancias grandes) est representada con preci-
las variables. La ordenacin con estandari- sin en la figura 5. Pero aquellos puntos que
zacin por rango slo de variables cuantita- se encuentran prximos en el espacio p-di-
tivas es la que menor concordancia present mensional, se vern ms prximos en el es-
con las dems. La relacin entre espacios pacio bidimensional de lo que estaban origi-
result fuertemente lineal para valores de r nalmente.
> 0.9. Como ejemplo se presenta un diagra- La figura 2 muestra que al estandarizar
ma de Shepard en la figura 1. slo las variables cuantitativas, por desvo
La figura 2 presenta una comparacin estndar, la relacin entre los espacios es
entre distancias Euclidianas en el espacio aproximadamente lineal por lo que las dis-
Figura 2. Distancia Euclidiana en espacio derivado bidimensional vs. igual distancia en espacio
p-dimensional para componentes principales derivados a partir de una matriz de varianzacova-
rianza de datos estandarizados (todas las variables) por desvo estndar. r = 0.90527.
Lilloa 46 (12): 1033, 2009 21
Correlacin
% Varianza Grupos
Codificacin Estandarizacin Autovalores euc.euc.
explicada identificados
en 2 y 3 dim.
Figura 3. Distancia Euclidiana en espacio derivado bidimensional vs. igual distancia en espacio
p-dimensional para componentes principales derivados a partir de una matriz de varianzacova-
rianza de datos estandarizados por desvo estndar slo para variables cuantitativas. r =
0.92172.
De nuevo las correcciones por autovalo- una medida de similaridad con una de disi-
res negativos no mostraron cambios impor- milaridad. El coeficiente de Gower gener
tantes con respecto a la ordenacin sin co- un espacio similar al de las variables estan-
rreccin (tabla 7). darizadas.
Los diagramas de Shepard no se incluyen
Coeficiente de similaridad de Gower. En porque son similares a los presentados con
la tabla 8 los valores de correlacin nega- anterioridad.
tivos se deben a que se est comparando Al igual que en la disimilaridad Canberra,
manhde 1
manhde_lg 0.99980
mandeh_cl 0.98490
manhdec 1
manhdec_lg 0.99883
manhdec_cl 0.99687
manhrg 1
manhrg_lg 0.99760
manrgh_cl 0.97905
manhrgc 1
manhrgc_lg 0.99962
manrghc_cl 0.99569
Correlacin
Estanda- % Varianza bray-euc Grupos
Codificacin Autovalores Aut. negativos
rizacin explicada en 2 y 3 identificados
dimensiones
de varde hasta manhdec_cl) muestra todas las La disimilaridad Manhattan produjo re-
opciones con resultados similares y que per- sultados similares a los de distancia Eucldea.
mitieron la identificacin de los 8 grupos. La autonormalizacin incluida en la di-
Correlacin
Estanda- % Varianza Autovalores gower-euc Grupos
Codificacin Autovalores en 2 y 3
rizacin explicada negativos identificados
dimensiones
Figura 13. Anlisis de agrupamientos por ligamiento promedio realizado para la matriz de
correlaciones entre los espacios euclidianos derivados bidimensionales para todos los coeficien-
tes, estandarizaciones y las dos tcnicas en estudio. Referencias en tablas 1, 3, 4, 6, 7 y 8.
que fueron similares, sin embargo como se variables cuantitativas, en el caso de compo-
vio anteriormente la estandarizacin por nentes principales, o por variables binarias,
rango solo de variables cuantitativas condujo categricas multiestado o cuantitativas en el
a una sobreidentificacin de grupos. caso de coordenadas principales.
Tambin se observa la dualidad de com- Numerosos trabajos de aplicacin de es-
ponentes principales y coordenadas principa- tas tcnicas pueden encontrarse en la litera-
les con distancia Euclidiana. tura cientfica (Hartmann, 1988; Pimentel,
1981; Thorpe, 1980; Crisci y Lpez Armen-
DISCUSIN gol, 1983; Sneath y Sokal, 1973; Moss,
1968). En la mayora de ellos se aplican las
La mayora de la bibliografa referida a tcnicas multivariadas sin tener en cuenta la
anlisis estadstico multivariado presenta las naturaleza mixta de los datos. La interpreta-
dos tcnicas mencionadas para situaciones cin de los ejes, en este caso, resulta poco
de aplicacin en las que se dispone de varia- clara ya que las correlaciones entre varia-
bles de un solo tipo (Pea, 2002; Hair et al., bles numricas y categricas codificadas o
1999; Gnanadesikan, 1997; Jobson, 1992; entre los cdigos numricos de las variables
Johnson y Wichern, 1992; Jolliffe, 1986; categricas carecen de sentido.
Anderson, 1984; Dillon y Goldstein, 1984; Con respecto a la rotacin en 180 de las
Seber, 1984; Karson, 1982; Mardia et al., ordenaciones de componentes principales y
1979; Morrison, 1967). Se asume que la coordenadas principales, Legendre y Legen-
matriz bsica de datos est constituida por dre (1998) dicen lo siguiente; las elecciones
Lilloa 46 (12): 1033, 2009 31
Johnson, R y W. Wichern.1992. Applied multivariate PimenteL, R. 1981. A comparative study of data and
statistical analysis. 3 rd edition. New Jersey, ordination techniques based on a hybrid swarm
Prentice Hall, 642 pp. of sand verbenas (Abronia Juss.). Systematic
Jolliffe, I. 1986. Principal component analysis. Heidel- zoology, 30 (3): 250-267.
berg, Springer-Verlag, 271 pp. R Development Core Team. 2009. R: A language and
Karson, M. 1982. Multivariate statistical methods. An environment for statistical computing. R Founda-
introduction. Iowa, Iowa State University Press, tion for Statistical Computing, Vienna, Austria.
307 pp. ISBN 3-900051-07-0, URL http://www.R-
Kaufman, L y P. Rousseeuw. 1990. Finding groups in project.org (consultado el 21 de octubre de
data. An introduction to cluster analysis. New 2009).
York, Wiley-Interscience, 342 pp. Rohlf, F. 1972. And empirical comparison of three
Kruskal, J. 1964. Multidimensional scaling by optimi- ordination techniques in numerical taxonomy.
zing goodness of fit to a nonmetric hypothesis. Systematic zoology, 21 (3): 271-280.
Psychometrika, 29 (1): 1-27. Rohlf, F. 1990. Numerical taxonomy system of multi-
Legendre, P. y J. Anderson. 1998. Program DistPCoA. variate statistical programs. Version 1.8. New
Users manual. Montreal: Universit de Montre- York: State University at Stony Brook.
al, Dpartement de Sciences Biologiques. http:/ Rohlf, F., 2009. Numerical taxonomy system of mul-
/www.bio.umontreal.ca/casgrain/en/telechar- tivariate statistical programs. Getting started
ger/index.html#DistPCoA (consultado el 21 de guide. Version 2.2. New York: State University at
octubre de 2009). Stony Brook, 43 pp.
Legendre, P. y L. Legendre. 1998. Numerical ecology. Seber, G. 1984. Multivariate observations. New York,
2 nd Edition. Amsterdam, Elsevier, 853 pp. Wiley and Sons, 686 pp.
Lingoes, J.C. 1971. Some boundary conditions for a Sneath, P. y R. Sokal. 1973. Numerical taxonomy. The
monotone analysis of symmetric matrices. Psy- principles and practice of numerical classifica-
chometrika, 36: 195-203. tion. San Francisco, Freeman, 573 pp.
McCune, B y Grace, J. 2002. Analysis of ecological Thorpe, R. 1980. A comparative study of ordination
communities. Oregon, MJM, 300 pp. techniques in numerical taxonomy in relation to
Mardia, K., J. Kent y J. Bibby. 1979. Multivariate racial variation in the ringed snake Natrix natrix
analysis. London: Academic Press, 521 pp. (L.). Biological journal of the Linnean Society, 13:
Morrison, D. 1967. Multivariate statistical methods. 7-40.
New York, McGraw Hill, 409 pp. Zuloaga, F. O., E. G. Nicora, Z. E. Rgolo de Agrasar,
Moss, W. 1968. Experiments with various techniques O. Morrone, J. Pensiero y A. M. Cialdella.
of numerical taxonomy. Systematic Zoology, 17 1994. Catlogo de la Familia Poaceae en la
(1): 31-47. Repblica Argentina. Monographs in Systematic
Pea, D. 2002. Anlisis de datos multivariantes. Botany. Missouri Botanical Garden, 47: 1-178.
Madrid, MacGraw Hill Interamericana de Espaa,
539 pp.