CAPÍTULO 6

REDUCCIÓN DE DIMENSIONES:
MÉTODOS DE ORDENACIÓN

Para encontrar el patrón de relaciones entre la totalidad de las unidades de estudio (UE) se utilizan
también los métodos de ordenación. Podemos imaginar un espacio multidimensional donde ubicar a las
UE y donde cada dimensión represente una variable, es decir, tantas dimensiones como variables. Los
métodos de ordenación reducen, sin gran pérdida de información, el número total de dimensiones (p), y de
esa manera facilitan la representación de las UE y sus relaciones en función de las variables empleadas. A
diferencia de los análisis de agrupamientos, la mayoría de los métodos de ordenación no trazan límites en
el espacio que separen a los grupos, tarea que usualmente corresponde al investigador. Otra diferencia con
los análisis de agrupamientos es que estos últimos sólo representan gráficamente a las UE o a las variables,
pero no a las dos en simultáneo (excepto en el mapa de calor). En un espacio de ordenación, las relacio-
nes entre las UE están reflejadas en la posición en que se disponen en ese espacio. Si el espacio reducido
(menores dimensiones que las del espacio original) refleja en buena medida el espacio de p dimensiones,
cuanto más cerca se encuentran entre sí dos UE, más estrechamente relacionadas están.
Se han propuesto numerosas técnicas de ordenación (Gower 1966, Sneath y Sokal 1973, Whittaker
1973, Benzécri 1980, Legendre y Legendre 1998, Quinn y Keough 2002, Greenacre y Primicerio 2014),
entre las que mencionaremos: el análisis de componentes principales (PCA), el análisis de correspon-
dencias (CA), el análisis de coordenadas principales (PCoA), análisis discriminante (DA) y el escalado
multidimensional no métrico (NMDS). Todos los métodos de ordenación producen una representación
de las UE en el espacio euclideano, preservando las distancias originales (cualquiera sea el coeficiente
utilizado) de la mejor forma posible.
Las técnicas de ordenación o escalamiento multidimensional pueden clasificarse en escalamiento
multidimensional métrico o no métrico (Legendre y Legendre 1998). Los términos escalamiento u orde-
nación hacen referencia a que las UE pueden ubicarse en un espacio de menores dimensiones que el es-
pacio original (de la matriz), mientras se preservan de la mejor forma posible las relaciones entre las UE.
Los términos métrico y no métrico hacen referencia a si la representación final está basada en la medida
de distancia original o en el rango de esta medida de distancia, respectivamente. Independientemente del
método utilizado, ambos dan siempre como resultado una representación de las relaciones entre las UE
en un espacio euclideano. A diferencia de los análisis de agrupamientos vistos en el Capítulo 5 (excepto
K-medias) los métodos de ordenación son no jerárquicos.

ANÁLISIS DE COMPONENTES PRINCIPALES

El análisis de componentes principales (PCA) tiene su origen en los trabajos realizados a principios del
siglo XX por Pearson (1901), pero fue Hotelling (1933) quien consolidó su uso para representar según un
modelo lineal, un conjunto de variables mediante un número reducido de variables hipotéticas, denominadas

101
Análisis multivariado para datos biológicos

componentes principales. Estos componentes no están correlacionados entre sí y por lo tanto, se interpretan
independientemente unos de otros, y cada uno de ellos contiene una parte de la variabilidad total la matriz
básica de datos (MBD) original. El primer componente (PC1) es el que contiene la mayor variabilidad. De la
variabilidad restante, el segundo componente (PC2) es el que incluye más información. El tercer componente
(PC3) posee la mayor variabilidad no contenida en los componentes anteriores. Así se continúa hasta que toda
la variabilidad ha sido distribuida diferencialmente entre los componentes. Cada componente contiene infor-
mación de todas las variables pero en diferentes proporciones. Examinaremos en términos generales los prin-
cipios básicos de esta técnica. Para un examen más detallado y matemáticamente más riguroso, ver Legendre
y Legendre (1998), Jolliffe (2002), Abdi y Williams (2010), Jolliffe y Cadima (2016) y Husson et al. (2017).
En su concepción más simple, los fundamentos subyacentes del PCA pueden visualizarse con un mo-
delo geométrico constituido por dos variables, es decir, dos dimensiones (p = 2). En la Figura 6.1A se han
ubicado 10 UE (individuos de una especie de pez) en el espacio bidimensional originado por dos variables
(longitud y peso corporal), con una correlación hipotética de 0,70. De la figura se desprende que ambas va-
riables están correlacionadas positivamente, dado que a medida que aumenta la longitud también aumenta
el peso. La dispersión de las UE en relación con cualquiera de los dos ejes depende de la escala utilizada.
Por lo tanto, es necesario que ambas variables estén expresadas en la misma unidad de medida. Para ello
es conveniente estandarizar los caracteres a media 0 y varianza 1 (ésto se logra restando su media y divi-
diendo por el desvío estandar; ver Box 1.4; Fig. 6.1B). Una consecuencia importante de la estandarización,
es que las UE están referidas ahora a un nuevo par de ejes ortogonales (perpendiculares entre sí) que se
cortan en un punto que corresponde al promedio de cada variable (Fig. 6.1B). Asimismo, esto permite que
el análisis se base sobre la matriz de correlación entre las variables (modo R). Cada UE tendrá un nuevo
par de coordenadas definidas en función de unidades de desvío estándar.
El objetivo ahora es hallar aquel eje sobre el cual existe la máxima variación en las UE. Una opción es
utilizar la abscisa o la ordenada, pero a simple vista se advierte que ninguno de estos ejes es adecuado, y el
eje que cumple con esta condición debe ubicarse entre ambos. Geométricamente, la disposición espacial de
las UE para dos variables correlacionadas es la de una nube elíptica (Fig. 6.1C). El eje de mayor variación
coincide con el eje mayor de esa elipse y corresponde al primer componente principal (Fig. 6.1C). Si que-
remos determinar la máxima variación entre las UE en una segunda dimensión perpendicular a la primera,
el eje buscado será coincidente con el eje menor de la elipse. Este eje corresponde al segundo componente
principal (Fig. 6.1C). Puede observarse que ambos componentes corresponden a una rotación de la orde-
nada y la abscisa un cierto ángulo θ (Fig. 6.1C). Los vectores que definen la ubicación y la dirección de los
ejes mayor y menor se denominan eigenvectores, autovectores o vectores propios, y tienen longitud igual a
1 (Fig. 6.1C). Los eigenvalores, autovalores o valores propios λi, reflejan la variación de cada componente
principal (mayor en el primero, menor en el segundo, y así sucesivamente). En nuestro ejemplo, los eigen-
valores son 1,7 y 0,3 (PC1 y PC2, respectivamente), los eigenvectores para el PC1 son 0,707 (longitud) y
0,707 (peso); estos valores son calculados mediante el uso de software. La suma de todos los eigenvalores
constituye la varianza total de la MBD original, y en el caso de una MBD estandarizada corresponde al
número total de variables (dos en este caso).
Si analizáramos tres variables, la elipse de la Figura 6.1C se transformaría en un elipsoide y el tercer
componente principal estaría representado por el tercer eje del elipsoide, perpendicular a los dos primeros.
Si el estudio incluye más de tres variables, se necesitarán dimensiones adicionales cuya representación
geométrica no puede ser visualizada, pero de igual forma podrá aplicarse el tratamiento matemático.
Cada componente es una nueva variable hipotética que se construye utilizando todas las variables de
la MBD, dado que representa una rotación de los ejes originales. En nuestro ejemplo, cada componente
está constituido por la combinación de la longitud y el peso (ambas variables estandarizadas).
PC1 = a11×longitud + a12×peso
PC2 = a21×longitud + a22×peso
Los coeficientes aij (i = número de componente, j = número de variable) corresponden a los eigenvec-
tores (Fig. 6.1C) y están sujetos a la condición a211 + a212 = 1 y a221 + a222 = 1 (longitud unitaria; Jolliffe
y Cadima 2016). Al calcular la suma del producto de los eigenvectores por las variables estandarizadas
obtenemos las coordenadas de las UE en el nuevo espacio de ordenación, denominadas scores.

102
 Cap. 6: Reducción de dimensiones

Un concepto sumamente importante en el PCA es el concepto de loading, definido como el producto

de un eigenvector por la raíz cuadrada de su eigenvalor (ver Box 6.1, Fig. 6.1D). Lo que debe recordarse
es que el loading corresponde al coeficiente de correlación de Pearson (r) entre una variable y un compo-
nente principal (Abdi y Williams 2010). De esta forma, los loadings se expresan como una contribución
relativa de cada variable a cada componente. Así, todas las variables contribuyen a todos los componen-
tes pero de manera diferencial; es decir, la variable 1 puede ser un importante aporte para el PC1, pero
pobre para el PC2. En nuestro ejemplo, los loadings para el PC1 son las correlaciones entre la longitud
y el PC1 (rlongitud, PC1), y entre el peso y el PC1 (rpeso, PC1):

rlongitud, PC1 = 0, 707 × 1, 7 = 0, 92

rpeso, PC1 = 0, 707 × 1, 7 = 0, 92

Box 6.1. Terminología estándar del análisis de componentes principales

Componente principal: variable hipotética que se construye a partir de las variables origina-
les, no se encuentra correlacionada con otros componentes principales.
Eigenvalor: varianza explicada por un componente principal.
Eigenvector: vector que define la dirección de un componente principal.
Loading: se define como loading = eigenvector eigenvalor . El uso del término suele ge-
nerar confusión, porque algunos autores lo emplean como sinónimo de eigenvector (Abdi y
Williams 2010). Esto es una mala práctica, porque el significado de cada uno es diferente.
Los eigenvectores definen las direcciones de los componentes, mientras que los loadings
son eigenvectores que incorporan la información sobre la variabilidad de los datos una vez
rotados (eigenvalores). Teniendo en cuenta esto, en el libro adoptamos la primera definición,
debido a su interpretación más útil. En este sentido, los loadings corresponden al coeficiente
de correlación entre una variable y un componente principal y definen las coordenadas en el
círculo de correlación unitario. Un loading también corresponde al coseno del ángulo entre
una variable y un componente. En la práctica, el lector deberá tener cuidado con la definición
a la que se hace referencia para una correcta interpretación del análisis.
Score: coordenadas de las UE en el espacio de ordenación.
Círculo de correlación: gráfico en el cual se representan las variables junto con una cir-
cunferencia de radio igual a 1 y que permite visualizar la calidad de la representación de
las variables. Las coordenadas de las variables corresponden a las correlaciones entre esa
variable y un PC (loadings). Una variable bien representada se encuentra cercana a la cir-
cunferencia. La relación entre variables puede ser interpretada del siguiente modo: (1) las
variables correlacionadas positivamente se encuentran cercanas entre sí (ángulo cercano
a 0°); (2) las variables correlacionadas negativamente presentan sentidos opuestos (ángulo
cercano a 180°); (3) las variables no correlacionadas se encuentran a 90°.
Biplot: gráfico en el cual se representan dos conjuntos de objetos de diferentes formas (UE y
variables). Esta superposición es ficticia, dado que las nubes de las UE y las variables no se
encuentran en el mismo espacio.
Calidad de la representación: medida que indica qué tan bien proyectada está una UE o va-
riable en el espacio de ordenación. La calidad corresponde al coseno cuadrado del ángulo
entre una UE o variable y un componente, lo cual equivale al coeficiente de correlación o
loading al cuadrado. Varía entre 0 y 1. Para una UE o variable, la suma de todos los valores de
calidad a lo largo de todos los PCs es igual a 1.
Contribución: importancia relativa de una UE o variable en la construcción de un determinado
PC. La suma de todas las contribuciones de las UE o variables para un mismo PC es igual a 100.

103
Análisis multivariado para datos biológicos

En este caso, al haber sólo dos variables y un único valor de correlación para las dos variables, ambos
loadings coinciden.
Como se mencionó anteriormente, cada componente corresponde a un eje original (ordenada y absci-
sa) rotado un cierto ángulo θ, por lo que los componentes también pueden expresarse de forma geomé-
trica como (Sharma 1996):

PC1 = cosθ×longitud + senθ×peso

PC2 = –senθ×longitud + cosθ×peso

Para nuestro ejemplo, los eigenvectores toman los siguientes valores (con las variables estandarizadas):

PC1 = 0,707×longitud + 0,707×peso

Al tener sólo dos variables en consideración, ambas contribuyen de igual forma, ya que hay un solo
coeficiente de correlación.
Una vez identificados los componentes principales, se debe decidir cuántos deben retenerse para su
interpretación, pero al mismo tiempo sin pérdida relevante de información. Debido a que la suma de
eigenvalores constituye la varianza total de la MBD original, puede calcularse el porcentaje de variación
contenido en cada componente principal según su aporte a esa suma, como el cociente entre el eigen-
valor de un componente y la suma total de eigenvalores (en términos matemáticos 100 × λi / Σλi). Los
eigenvalores son 1,7 y 0,3 (PC1 y PC2, respectivamente), por lo que su contribución relativa es 100%
× 1,7 / (1,7 + 0,3) = 85%. Esto significa que el PC1 representa el 85% de la variación total de la MBD,
y se considera suficiente retener e interpretar sólo este componente. Esto se debe a que ambas variables
están muy correlacionadas y contienen información redundante. Por otra parte, sería trivial mantener
ambos componentes, ya que equivaldría a interpretar las dos variables de la MBD original (por defi-
nición, utilizar todos los componentes equivale a utilizar todas las variables de la MBD y por lo tanto,
acumulan el 100% de la variación total). Por este motivo, en el ejemplo de la Fig. 6.1 proyectamos las
UE sólo sobre el PC1 (Fig. 6.1E-F). Como se mencionó anteriormente, las coordenadas de las UE en
este espacio reducido se denominan scores (que en este caso sólo tienen coordenadas sobre el eje X).
Así podemos observar en la Figura 6.1F que las UE con valores positivos corresponden a individuos
de mayor longitud y peso que las UE con valores negativos. Por lo tanto el PC1 representa una nueva
variable que denominamos “tamaño corporal”.

104
 Cap. 6: Reducción de dimensiones

Fig. 6.1. PCA. (A) Gráfico de dispersión de 10 individuos de una especie de pez y dos variables (longitud y peso);
(B) estandarización de las variables a media 0 y varianza 1; (C) elipse que engloba las UE y componentes principales
(PC) 1 y 2, estos ejes corresponden a la rotación de la ordenada y la abscisa un cierto ángulo θ, los vectores (flechas
grises) representan los eigenvectores del PCA cuyas longitudes son 1; (D) resultado del PCA en dos dimensiones, se
muestran los eigenvectores multiplicados por la raíz cuadrada de sus eigenvalores (loadings); (E) las UE se proyectan
sobre el PC1 (líneas perpendiculares); (F) las nuevas coordenadas de las UE proyectadas sobre el PC1 (círculos blan-
cos) se denominan scores; (G) círculo de correlación con radio igual a 1, donde se muestran las variables (vectores) y
sus coordenadas (loadings) que definen la calidad de la representación; (H) biplot de UE vs. variables.

105
Análisis multivariado para datos biológicos

Representación gráfica e interpretación del análisis de componentes principales

Los resultados del PCA se grafican sobre ejes cartesianos ortogonales que representan los compo-
nentes principales, y delimitan un espacio bi- o tridimensional según se utilicen dos o tres ejes, respec-
tivamente. Las UE se sitúan dentro del espacio delimitado por los componentes según los valores de
sus coordenadas (scores). La selección del número de componentes para representar e interpretar la in-
formación contenida en la MBD no es un problema trivial, y existen diversos métodos para seleccionar
el número óptimo de componentes (Jackson 1993, Peres-Neto et al. 2005). El más simple consiste en
tomar un porcentaje acumulado de corte arbitrario. Uno de los más frecuentemente utilizados consiste
en retener aquellos componentes que explican más del 70% de la variabilidad total (Jolliffe y Cadima
2016). El criterio de Kaiser-Guttman, por el contrario, considera componentes importantes cuando los
eigenvalores son mayores a uno (Guttman 1954, Kaiser 1961, Cliff 1988). Cuando el PCA está estan-
darizado, la suma de los eigenvalores es igual al número de variables de la MBD, por lo que un eigen-
valor > 1 indica que el componente representa más de una variable (Husson et al. 2017). Por último, un
complemento útil es el gráfico de sedimentación (screeplot), que representa cada componente vs. sus
eigenvalores (Cattell 1966, Cattell y Vogelmann 1977, Jackson 1993). El punto donde se observa una
estabilización de la varianza explicada (“codo”) indica el número de componentes que se deberían rete-
ner (ver en este capítulo “Técnicas de ordenación en R”).
Los loadings (correlación entre variables y componentes) permiten visualizar e interpretar las varia-
bles en relación con los componentes, en un círculo de correlación unitario, que muestra la relación entre
todas las variables (Fig. 6.1G, Box 6.1). Esta relación puede ser interpretada del siguiente modo: (1) las
variables correlacionadas positivamente se encuentran cercanas entre sí (ángulo cercano a 0°); (2) las
variables correlacionadas negativamente presentan sentidos opuestos (ángulo cercano a 180°); y (3) las
variables no correlacionadas se encuentran a 90° (Kassambara 2017b). En nuestro caso, la longitud y el
peso corporal se encuentran correlacionados positivamente entre sí y con el PC1. El peso corporal pre-
senta un valor de correlación de 0,92 con el PC1 y de 0,39 con el PC2, mientras que la longitud presenta
un valor de correlación de 0,92 con el PC1 y de -0,39 con el PC2 (Fig. 6.1G). Estos valores corresponden
a las coordenadas de las variables y son calculados mediante el uso de software.
Otro aspecto importante para la correcta interpretación de las variables, es analizar en qué medida
las mismas están bien proyectadas en el espacio de ordenación, aspecto denominado calidad de la re-
presentación (Box 6.1). La calidad corresponde al coseno cuadrado del ángulo entre una variable y un
componente, lo cual equivale al coeficiente de correlación o loading al cuadrado (para nuestro caso la
calidad de la longitud y el peso para el PC1 es 0,922 = 0,85). Los loadings al cuadrado también corres-
ponden al porcentaje de variación explicada de una variable por un determinado componente (Abdi y
Williams 2010). Por lo tanto, si es cercano a 1, el componente está bien definido por esa única variable.
En la práctica, la calidad se puede visualizar en el círculo de correlación. Variables con un alto valor
de coseno cuadrado están bien representadas sobre el componente principal y se encuentran cercanas
a la circunferencia, como en nuestro ejemplo (Fig. 6.1G). Para una variable dada, la suma de todos los
cosenos cuadrados para todos los componentes es igual a 1. Esto evidencia que los componentes son
ortogonales (independientes en el sentido de que su correlación es 0) y que una variable no puede estar
relacionada fuertemente con dos componentes de forma simultánea (Husson et al. 2017).
La contribución de una variable a un PC dado se expresa como un porcentaje y se define como el
coseno cuadrado de una variable con respecto a la suma total de los cosenos cuadrados de todas las
variables para ese componente (Box 6.1); también es equivalente a un eigenvector al cuadrado. Si es cer-
cano al 100%, el componente está bien definido por esa única variable. En otras palabras, las variables
que están más correlacionadas con los primeros componentes son las más importantes para explicar la
variabilidad total de la MBD. Variables que no se correlacionan con ningún componente o se correla-
cionan con los últimos componentes, son variables con poca contribución y eventualmente, pueden ser
eliminadas para simplificar el análisis (Kassambara 2017b). En nuestro caso, al haber solamente dos
variables que comparten una única información dada por el coeficiente de correlación, su contribución
a ambos PCs es del 50% (100% × 0,7072 = 50%).

106
 Cap. 6: Reducción de dimensiones

Al igual que las variables, las UE tienen valores asociados de calidad de la representación (qué tan
bien las UE están proyectadas en el espacio de ordenación) y contribución (en qué porcentaje contri-
buyen a la ubicación de los componentes). Si bien en Biología se les suelen dar poca importancia, son
útiles para identificar posibles valores atípicos que pueden influenciar fuertemente la ubicación de los
componentes (Husson et al. 2017).
Por último, las UE y las variables pueden visualizarse simultáneamente en un gráfico denominado bi-
plot (Fig. 6.1H; Box 6.1). La posición de cada UE en el espacio de componentes principales está dada por
sus coordenadas, denominadas scores. Sin embargo, las coordenadas de las UE y de las variables no están
construidas sobre el mismo espacio (Kassambara 2017b), por lo tanto debemos enfocarnos en la dirección
y en el sentido de las variables y no en sus posiciones absolutas sobre el gráfico. Las reglas de interpreta-
ción de un biplot son las siguientes: (1) las UE cercanas en el espacio tienen características similares en
cuanto a sus variables; (2) una UE que está cercana a una variable tiene un alto valor para esa variable; y
(3) una UE que se encuentra opuesta a una variable tiene un bajo valor para esa variable. Por ejemplo en
la Figura 6.1H se observa que las UE del lado derecho tienen valores altos de longitud y peso corporal.
Las combinaciones más comunes para la elaboración de los gráficos bidimensionales son: PC1 vs.
PC2, PC1 vs. PC3 y PC2 vs. PC3 (Fig. 6.2A-C). La posición de uno u otro componente en la abscisa o
en la ordenada es indistinta. Los gráficos tridimensionales se basan en los tres primeros componentes
(Fig. 6.2D). Las representaciones gráficas deben ir acompañadas de una tabla que contenga la siguiente
información acerca del PCA (Abdi y Williams 2010): eigenvalores, porcentaje de variación explicada
por cada componente, acumulación de dicho porcentaje y loadings. La suma de los porcentajes conte-
nidos en los ejes seleccionados da una idea de la cantidad de variación expresada por la ordenación. Por
ejemplo, si el primer componente contiene el 50% de la variación total y el segundo componente 20%,
el gráfico bidimensional de estos componentes expresará el 70% de la variación total de la MBD. Una
alta variación en los primeros componentes indica que las variables están muy correlacionadas o son
redundantes, porque comparten información similar.

Aplicación
A modo de ejemplo, realizamos un PCA aplicado a la MBD de Bulnesia. En primer lugar se elimi-
naron del análisis las variables con valores no disponibles (C13 y C35, ver Tabla 2.8 del Cap. 2). Luego
se estandarizó la matriz y se calculó el coeficiente de correlación de Pearson entre variables. De la ma-
triz de correlación resultante (41 variables × 41 variables), se extrajeron los componentes principales
y los eigenvalores para los primeros siete componentes. Los tres primeros componentes acumulan más
del 80% de la variación total de la MBD. La Tabla 6.1 muestra el eigenvalor de cada componente, el
porcentaje de la variación total expresado por los eigenvalores y el porcentaje acumulado a medida que
extraemos los componentes.

Tabla 6.1. Tabla resumen del PCA para la MBD de especies de Bulnesia. Se muestran los primeros siete componentes
principales, sus eigenvalores (λi), el porcentaje de variación explicada por cada componente y el porcentaje acumulado.

Componente Porcentaje de Porcentaje

Eigenvalor
principal variación explicada acumulado
PC1 18,731 45,685 45,685
PC2 8,620 21,024 66,719
PC3 5,556 13,536 80,246
PC4 3,353 8,189 88,414
PC5 2,393 5,847 94,251
PC6 1,455 3,535 97,786
PC7 0,912 2,224 99,999

107
Análisis multivariado para datos biológicos

Dado que los tres primeros componentes expresan más del 80% de la variación, se seleccionan estos
para las representaciones gráficas. La Figura 6.2A corresponde al gráfico bidimensional del PC1 vs.
PC2, y expresa un 45,68% en el primer componente y un 21,02% en el segundo componente, o sea un
total del 66,71% de la variación total. La Figura 6.2B muestra el gráfico bidimensional que representa
la combinación del PC1 vs. PC3, y expresa un 59,21% de la variación total (45,68% del primer com-
ponente y 13,53% del tercero). La Figura 6.2C corresponde al gráfico bidimensional del PC2 vs. PC3,
con un 34,55% de la variación total (21,02% del segundo componente y 13,53% del tercero). La Figura
6.2D corresponde al gráfico tridimensional del PC1, PC2 y PC3, el porcentaje de variación expresado
en el gráfico es del 80,24%.

Fig. 6.2. Visualización del PCA aplicado a la MBD de especies de Bulnesia. Se grafican los espacios de ordenación
bidimensionales del (A) PC1 vs. PC2; (B) PC1 vs. PC3; (C) PC2 vs. PC3; (D) espacio de ordenación tridimensional
para el PC1, PC2 y PC3. BAR: B. arborea, BCA: B. carrapo, BCH: B. chilensis, BBO: B. bonariensis, BRE: B.
retama, BFO: B. foliosa, BSC: B. schickendantzii, BSA: B. sarmientoi.

La Tabla 6.2 muestra las correlaciones entre las 41 variables y los tres primeros PCs, dadas por los
loadings. Cuanto más alto es ese valor (sin importar el signo), mayor es la asociación de esa variable con
el componente. El signo indica si la relación es negativa o positiva. En la práctica suelen considerarse
variables importantes para un determinado componente cuando los loadings son mayores a 0,5, aunque
este criterio es completamente arbitrario (Richman 1988, Peres-Neto et al. 2003).

108
 Cap. 6: Reducción de dimensiones

Tabla 6.2. Loadings de los tres primeros componentes principales (PCs) para cada una de las variables de la MBD
de especies de Bulnesia. Las variables 13 y 35 fueron excluidas del análisis por presentar valores no disponibles.

Variable PC1 PC2 PC3

1. Hábito 0,717 –0,48 0,262
2. Longitud del internodio 0,551 0,195 0,562
3. Diámetro del internodio 0,007 0,462 0,759
4. Longitud de la hoja 0,947 0,059 –0,132
5. Ancho de la hoja 0,933 –0,128 –0,099
6. Longitud del pecíolo 0,840 –0,246 –0,193
7. Número de folíolos 0,371 0,611 –0,261
8. Presencia de peciólulos 0,578 –0,314 0,675
9. Disposición de los folíolos en el raquis –0,487 –0,687 0,488
10. Pubescencia de la hoja 0,313 0,175 –0,696
11. Longitud del folíolo 0,917 –0,186 –0,062
12. Ancho del folíolo 0,674 –0,557 –0,007
14. Posición de los folíolos terminales –0,713 –0,254 –0,181
15. Presencia de mucrón en folíolos –0,273 0,251 0,381
16. Tipo de inflorescencia 0,936 0,119 –0,012
17. Longitud del pedúnculo 0,713 0,522 –0,287
18. Longitud del sépalo 0,182 0,955 0,192
19. Ancho del sépalo 0,468 0,547 0,269
20. Color de los pétalos 0,083 0,955 –0,191
21. Longitud del pétalo 0,977 0,071 –0,088
22. Ancho del pétalo 0,990 0,068 0,036
23. Número de nervaduras del pétalo 0,897 0,273 0,133
24. Tipo de estambres –0,557 –0,665 –0,236
25. Modificación de los estambres 0,914 0,167 –0,124
26. Presencia de gran escama junto al estambre 0,975 0,19 –0,094
27. Presencia de pelos en la base del filamento estaminal –0,403 0,398 0,786
28. Presencia de una escama suplementaria junto al estambre –0,361 0,155 –0,607
29. Agrupación de los estambres 0,642 0,508 0,539
30. Longitud del filamento 0,676 0,638 –0,198
31. Longitud de la antera –0,476 0,768 0,343
32. Longitud de la escama 0,679 0,516 –0,248
33. Presencia de ápice laciniado en la escama estaminal 0,334 –0,391 –0,104
34. Número de carpelos 0,216 0,768 –0,485
36. Número de óvulos por carpelo –0,620 0,408 0,516
37. Pubescencia del fruto –0,504 0,056 –0,749
38. Longitud del fruto 0,828 –0,497 0,094
39. Ancho del fruto 0,823 –0,51 0,072
40. Desarrollo del carpóforo 0,637 –0,222 0,41
41. Longitud del carpóforo 0,868 –0,324 0,016
42. Forma de la semilla –0,807 0,409 0,024
43. Longitud de la semilla 0,677 –0,408 0,083

109
Análisis multivariado para datos biológicos

Por ejemplo, las variables C21 (longitud del pétalo), C22 (ancho del pétalo) y C26 (presencia de gran
escama junto al estambre) se encuentran muy correlacionadas positivamente con el PC1. Las variables
C18 (longitud del sépalo) y C20 (color de los pétalos) se encuentran muy correlacionadas positivamente
con el PC2, mientras que para el PC3, las variables correlacionadas son la C27 (presencia de pelos en la
base del filamento estaminal; positivamente) y C37 (pubescencia del fruto; negativamente).
La relación entre variables se puede ver en el círculo de correlación (Fig. 6.3). Por ejemplo, las varia-
bles C24 (tipo de estambres) y C9 (disposición de los folíolos en el raquis) se encuentran muy correla-
cionadas entre sí y de forma positiva, mientras que las variables C24 (tipo de estambres) y C7 (número
de folíolos) también se encuentran muy correlacionadas, pero de forma negativa. En cambio, las varia-
bles C14 (posición de los folíolos terminales) y C31 (longitud de la antera) están muy poco correlaciona-
das. El círculo de correlación también muestra la calidad de la representación de las variables (aquellos
vectores más cercanos a la circunferencia están mejor representados en el espacio de ordenación; Tabla
6.3). Por ejemplo, las variables C23 (número de nervaduras del pétalo) y C26 (presencia de gran escama
junto al estambre) se encuentran bien representadas sobre el PC1, mientras que las variables C18 (longi-
tud del sépalo) y C20 (color de los pétalos) se encuentran bien representadas sobre el PC2. Las variables
C15 (presencia de mucrón en folíolos) y C28 (presencia de una escama suplementaria junto al estambre)
están pobremente representadas en ambos PCs.

Fig. 6.3. Círculo de correlación unitario aplicado a la MBD de Bulnesia que muestra la calidad de la representación
de las variables. Los códigos corresponden a los caracteres de la Tabla 2.8.

110
 Cap. 6: Reducción de dimensiones

Tabla 6.3. Calidad de la representación y contribución de las variables de la MBD de Bulnesia.

Calidad Contribución
Variable PC1 PC2 PC3 PC1 PC2 PC3
C1 0,515 0,230 0,068 2,748 2,674 1,234
C2 0,303 0,038 0,315 1,620 0,442 5,685
C3 0,000 0,214 0,576 0,000 2,477 10,383
C4 0,896 0,004 0,017 4,785 0,041 0,312
C5 0,870 0,017 0,010 4,647 0,191 0,177
C6 0,706 0,061 0,037 3,771 0,704 0,675
C7 0,137 0,373 0,068 0,733 4,327 1,225
C8 0,334 0,098 0,455 1,782 1,141 8,213
C9 0,237 0,472 0,238 1,265 5,480 4,293
C10 0,098 0,030 0,484 0,522 0,354 8,736
C11 0,842 0,035 0,004 4,494 0,403 0,070
C12 0,454 0,311 0,000 2,423 3,602 0,001
C14 0,509 0,065 0,033 2,715 0,750 0,594
C15 0,074 0,063 0,145 0,397 0,731 2,617
C16 0,875 0,014 0,000 4,674 0,165 0,002
C17 0,509 0,272 0,082 2,717 3,158 1,482
C18 0,033 0,911 0,037 0,177 10,574 0,668
C19 0,219 0,299 0,072 1,172 3,473 1,301
C20 0,007 0,911 0,037 0,037 10,573 0,661
C21 0,954 0,005 0,008 5,094 0,058 0,140
C22 0,979 0,005 0,001 5,228 0,053 0,024
C23 0,804 0,075 0,018 4,292 0,867 0,321
C24 0,310 0,442 0,056 1,657 5,125 1,002
C25 0,836 0,028 0,015 4,465 0,322 0,278
C26 0,952 0,036 0,009 5,080 0,420 0,159
C27 0,162 0,159 0,618 0,865 1,841 11,142
C28 0,131 0,024 0,369 0,698 0,280 6,653
C29 0,412 0,258 0,290 2,199 2,997 5,236
C30 0,458 0,406 0,039 2,443 4,715 0,709
C31 0,227 0,590 0,118 1,211 6,850 2,124
C32 0,461 0,267 0,061 2,460 3,095 1,109
C33 0,111 0,153 0,011 0,595 1,775 0,195
C34 0,046 0,590 0,235 0,248 6,839 4,233
C36 0,384 0,166 0,266 2,050 1,930 4,797
C37 0,254 0,003 0,562 1,354 0,037 10,126
C38 0,686 0,247 0,009 3,663 2,865 0,161
C39 0,677 0,260 0,005 3,613 3,016 0,093
C40 0,405 0,049 0,168 2,165 0,571 3,032
C41 0,754 0,105 0,000 4,023 1,214 0,004
C42 0,651 0,167 0,001 3,473 1,940 0,010
C43 0,458 0,166 0,007 2,445 1,928 0,123

111
Análisis multivariado para datos biológicos

Las relaciones entre las UE se establecen por su proximidad en el espacio delimitado por los compo-
nentes: cuanto más próximas se encuentran, más relacionadas están. Esto es válido siempre y cuando la
representación en el espacio de menor dimensión capture relativamente bien la información contenida
en la MBD original (alto porcentaje de variación explicada). Cabe recordar que el PCA es una reducción
de la MBD a un número menor de dimensiones, por lo que las distancias en dos dimensiones son una
aproximación a p dimensiones. Por lo tanto, hay que tener cuidado con las relaciones entre las UE, ya
que sólo serán válidas si los primeros componentes explican mucha variación, indicando que las relacio-
nes se conservan bastante bien en dos dimensiones (lo cual se vincula a la calidad de la representación;
Box 6.1). Esta es una diferencia importante con el análisis de agrupamientos, donde las UE se relacionan
mediante la distancia en la MBD (aunque con cierta distorsión).
El análisis de la Figura 6.2A muestra estrecha relación entre B. arborea-B. carrapo, al igual que el
par B. chilensis-B. retama. Cercana a este último par se encuentra B. schickendantzii. Las demás UE
están ligeramente aisladas, con excepción de B. sarmientoi que se encuentra sustancialmente alejada
de las demás. En la Figura 6.2B se mantienen algunas relaciones con respecto a la Figura 6.2A, pero se
observa que aparecen los siguientes cambios: una mayor relación entre B. schickendantzii y B. foliosa y
un acercamiento de B. sarmientoi a las UE restantes. En la Figura 6.2D se han integrado las relaciones
de las Figuras 6.2A-C en una sola representación.
Al igual que en el caso de las variables, se pueden calcular la calidad de la representación y la contri-
bución de una UE a un determinado componente mediante el uso de software (Tabla 6.4). Por ejemplo,
B. arborea y B. carrapo están bien representadas y son las que más contribuyen al PC1, mientras que B.
sarmientoi es la única que está bien representada y contribuye más al PC2.

Tabla 6.4. Calidad de la representación y contribución de las UE de la MBD de Bulnesia. BAR: B. arborea, BCA:
B. carrapo, BCH: B. chilensis, BBO: B. bonariensis, BRE: B. retama, BFO: B. foliosa, BSC: B. schickendantzii,
BSA: B. sarmientoi.

Calidad Contribución
UE PC1 PC2 PC3 PC1 PC2 PC3
BAR 0,868 0,023 0,000 28,676 1,625 0,043
BCA 0,904 0,000 0,001 37,261 0,035 0,123
BCH 0,269 0,129 0,391 7,220 7,543 35,467
BBO 0,036 0,090 0,081 0,527 2,838 3,956
BRE 0,286 0,112 0,165 6,506 5,516 12,697
BFO 0,462 0,016 0,215 7,772 0,583 12,223
BSC 0,456 0,039 0,381 11,432 2,108 32,284
BSA 0,016 0,950 0,025 0,607 79,751 3,208

Por último, se puede graficar el biplot para evaluar la relación entre las variables y las UE de forma
simultánea (Fig. 6.4A). Así, por ejemplo, B. retama y B. chilensis tienen un alto valor para la variable
C36 (número de óvulos por carpelo). B. arborea y B. carrapo tienen un alto valor para la variable C23
(número de nervaduras del pétalo). B. sarmientoi tiene un bajo valor para las variables C3 (diámetro
del internodio) y C18 (longitud del sépalo). Para las variables categóricas como la variable C20 (color
de los pétalos) un valor alto o bajo depende de la codificación utilizada, en este caso hay dos valores: 1
(blanco) y 2 (amarillo). Al tener un valor bajo significa que la flor de B. sarmientoi es de color blanco
(Tabla 2.8). Si la variable C20 hubiese sido codificada al revés (1: amarillo y 2: blanco), B. sarmientoi
tendría un valor alto para esa variable y el vector apuntaría en el sentido de B. sarmientoi (Fig. 6.4B).

112
 Cap. 6: Reducción de dimensiones

Fig. 6.4. (A) Biplot aplicado a la MBD de Bulnesia, observe que la ubicación de las UE en el espacio es una ima-
gen especular de la expuesta en la Figura 6.2; (B) biplot resultado de la recodificación de la variable categórica
C20 (color de los pétalos). Los códigos de las variables corresponden a los caracteres de la Tabla 2.8, BAR: B.
arborea, BCA: B. carrapo, BCH: B. chilensis, BBO: B. bonariensis, BRE: B. retama, BFO: B. foliosa, BSC: B.
schickendantzii, BSA: B. sarmientoi.

113
Análisis multivariado para datos biológicos

Observando en conjunto las Figuras 6.2 a 6.4 y las Tablas 6.2 a 6.4 podemos concluir que el PC1
es útil para distinguir los grupos conformados por B. arborea-B. carrapo de B. chilensis-B. retama-B.
foliosa-B. schickendantzii, y las variables que más contribuyen a este componente son: C4 (longitud
de la hoja), C5 (ancho de la hoja), C21 (longitud del pétalo), C22 (ancho del pétalo) y C26 (presencia
de gran escama junto al estambre). El PC2 es útil para distinguir entre B. sarmientoi y las restantes UE
y las variables que más contribuyen a este componente son: C18 (longitud del sépalo), C20 (color de
los pétalos), C34 (número de carpelos) y C9 (disposición de los folíolos en el raquis). El PC3 permite
distinguir entre B. chilensis, B. retama y B. schickendantzii, y las variables que más contribuyen a este
componente son: C3 (diámetro del internodio), C27 (presencia de pelos en la base del filamento estami-
nal), C37 (pubescencia del fruto), C10 (pubescencia de la hoja) y C8 (presencia de peciólulos).

Relación entre el número de variables, el número de unidades de estudio y la reducción de dimensiones

Cuando hay más UE (n) que variables (p), el número máximo de componentes es igual a p; cuando
hay igual o menor número de UE que de variables, el número máximo de componentes es n – 1 (Le-
gendre y Legendre 1998, Jolliffe y Cadima 2016), considere por ejemplo 10 UE y dos variables. Las
UE pueden representarse en un espacio bidimensional, sin importar cuántas sean. Considere ahora el
caso de dos UE y dos variables, las dos UE sólo requieren una dimensión para ser representadas (un
componente principal que cruza a ambas UE). Un cociente p / n grande causa un aumento exagerado de
los eigenvalores de los primeros PCs en comparación con los eigenvalores de los últimos PCs (teorema
de Marchenko-Pastur, Marchenko y Pastur 1967), dando como resultado una impresión errónea de la
importancia relativa de los PCs (Bookstein 2017).

Efecto arco
Un artefacto (distorsión causada por el modelo subyacente) característico del PCA (y también del
análisis de correspondencias y coordenadas principales) aplicado a datos de comunidades (sitios × es-
pecies) es el denominado “efecto arco” (Gauch 1982) o “efecto herradura” (Kendall 1971), particular-
mente visible cuando la composición de especies cambia progresivamente a lo largo de un gradiente
ambiental (Gauch 1982, Legendre y Legendre 1998). Esto se produce porque las abundancias de la ma-
yoría de las especies alcanzan un máximo en algún punto del gradiente ambiental, y declinan hacia los
extremos del gradiente produciendo una curva de respuesta unimodal (modelo Gaussiano de estructura
de comunidades; Gauch 1982, ter Braak 1985). En el caso más dramático se observa que los extremos
del gradiente involucionan a lo largo del primer componente, como se muestra en la Figura 6.5.
Un ejemplo de estructura de comunidades con curvas de respuesta Gaussianas se muestra en la
Figura 6.5A, en la que se grafican tres especies a lo largo de un gradiente ambiental y 10 sitios que se
ubican a lo largo de éste. Los datos de abundancia se utilizan para construir la MBD (Fig. 6.5B), ubicar
los sitios en el espacio de las especies (Fig. 6.5C) y generar los componentes (Fig. 6.5D). Luego, las
UE se proyectan sobre las dos primeras dimensiones del PCA (Fig. 6.5E). Observe que la configuración
bidimensional de sitios a lo largo del gradiente ha sido recuperada por el PCA, pero distorsionada en
forma de herradura (Fig. 6.5E). Esta distorsión se debe a que la distancia euclideana considera los sitios
extremos muy similares entre sí (distancias pequeñas debido a la presencia de dobles ceros, por ejemplo
sitios 1 y 10). Algunos autores consideran que este efecto es un resultado esperado del análisis como
producto de un alto reemplazo de especies a lo largo del gradiente, no una anomalía, y por lo tanto debe
considerarse válido (Wartenberg et al. 1987, James y McCulloch 1990).

114
 Cap. 6: Reducción de dimensiones

Fig. 6.5. (A) Respuesta unimodal de un modelo de comunidades a lo largo de un gradiente ambiental hipotéti-
co; (B) MBD; (C) representación de los sitios (1 a 10) en el espacio multivariado de tres especies; (D) representa-
ción de los sitios en el espacio multivariado junto con el plano (PC1 y PC2) sobre el que se proyectan las UE; (E)
PCA de los sitios en dos dimensiones. Modificada de Legendre y Legendre (1998).

115
Análisis multivariado para datos biológicos

ANÁLISIS DE CORRESPONDENCIAS
Muchos tipos de datos biológicos son recolectados como conteos (por ejemplo, número de indivi-
duos), u otras cantidades no negativas como biomasa, cobertura o porcentaje de ítems en la dieta. El
análisis de correspondencias (CA) analiza las diferencias entre cantidades relativas: por ejemplo, si en
un sitio hay una abundancia total de 232 individuos considerando todas las especies, y una especie parti-
cular tiene una abundancia de 46 individuos, entonces lo que es relevante para el análisis es su abundan-
cia relativa 46/232 (19,8%) y no su valor absoluto. Para utilizar el CA todos los datos tienen que estar
medidos en la misma escala, por lo que cobra sentido utilizar sumas de filas y columnas.
El CA fue desarrollado por varios autores de forma independiente. Fue propuesto para el análisis de
tablas de contingencia por Hirschfeld (1935), Fisher (1940) y Benzécri (1969). La aplicación más co-
mún en datos en Biología es el análisis de ocurrencias de especies (presencia-ausencia o abundancia) en
diferentes sitios de muestreo (localidades, cuadrículas). Al igual que el PCA, el CA preserva la distancia
euclideana entre UE y variables en un espacio de ejes (o componentes) principales. Esto equivale a pre-
servar la distancia chi-cuadrado entre las filas y columnas de una tabla de contingencia. Para medir las
diferencias entre las UE, se utiliza la distancia chi-cuadrado en lugar de la distancia euclideana (como
en el PCA) con el fin de estandarizar las especies con diferentes abundancias totales (ver Cap. 4). Otra
diferencia importante con el PCA es que cada sitio se pondera proporcionalmente a su abundancia total
(232 en el ejemplo), de forma que muestras con mayor abundancia total tienen más peso en el análisis
(en el PCA los pesos son iguales para todas las UE). El CA tiene la propiedad de que el análisis de las
UE (modo Q) es equivalente al análisis de las variables (modo R).

Box 6.2. Terminología estándar del análisis de correspondencias

Inercia total: varianza explicada por la MBD. A menor inercia, menor es la asociación o
correlación entre las filas y las columnas, y viceversa. La inercia máxima de una MBD es
igual al mínimo del número de filas – 1 o columnas – 1.
Inercia principal: varianza explicada por un eje principal, corresponde al eigenvalor. La
suma de las inercias principales es igual a la inercia total. Las inercias principales varían
entre 0 y 1. Si es igual a 1, indica una asociación exclusiva entre UE y variables, represen-
tando completa dependencia entre ambas. Si es igual a 0, indica completa independencia.
La última inercia principal es igual a 0.
Perfil fila: conjunto de frecuencias de las filas dividido por el total de la fila.
Perfil columna: conjunto de frecuencias de las columnas dividido por el total de la columna.
Perfil promedio: perfil fila (o columna), cuyos elementos corresponden al promedio de las
columnas (o filas), respectivamente.
Masa: valores que componen el perfil fila (o columna) promedio.
V de Cramér: proporción de la inercia máxima que presenta una MBD. Un valor igual a 0
corresponde a una completa independencia entre filas y columnas, mientras que un valor
igual a1 corresponde a una completa dependencia.
Biplot o mapa simétrico: representación gráfica simultánea de UE y variables en un espa-
cio común. Sólo se pueden obtener conclusiones de la posición de una UE con respecto a
la posición de todas las variables, pero es imposible sacar conclusiones sobre la distancia
entre una UE y una variable específica.
Biplot o mapa asimétrico: representación gráfica simultánea de UE y variables, en la cual
se visualizan las UE en el espacio de las variables o viceversa. Permite visualizar la dis-
tancia (intensidad de la relación) entre UE y variables.
Tabla de contingencia: Tabla de doble entrada que muestra el número de observaciones
para dos o más variables categóricas.

116
 Cap. 6: Reducción de dimensiones

El CA también genera un eigenvalor que mide el porcentaje de varianza explicada por cada eje, como
en el PCA. Sin embargo, hay una terminología particular del CA (Box 6.2): la varianza total se denomi-
na “inercia total”. Los eigenvalores o “inercias principales” descomponen la inercia total a lo largo de
cada eje. La decisión de cuántos ejes retener es similar a la del PCA.
A continuación se resumen los pasos del CA. Tomaremos como ejemplo la MBD5 hipotética dada
en la Tabla 6.5. Cada frecuencia absoluta de la MBD es denominada fij, donde i corresponde a la fila y
j a la columna.

Tabla 6.5. MBD5 de tres sitios (A a C) × tres variables (sp1 a sp3). Cada valor en la MBD es definido como fij.

Sitio sp1 sp2 sp3 Suma

A 12 1 2 15
B 14 5 8 27
C 5 21 4 30
Suma 31 27 14 N = 72

En primer lugar, se calculan las frecuencias relativas pij (Legendre y Legendre 1998). Esto se logra divi-
diendo las frecuencias de cada UE por el total de su fila correspondiente (Tabla 6.6). Las filas de esta nueva
matriz se denominan “perfiles fila” pf y son los elementos más básicos y fundamentales del CA (Greenacre
2008). Este tipo de dato se denomina composicional (Pawlowsky-Glahn y Buccianti 2011), donde la suma de
las proporciones es igual a 1.

Tabla 6.6. Perfiles fila. En esta matriz, cada valor corresponde a una proporción definida como pij. Las filas se
denominan “perfiles fila” pf. La última fila corresponde al perfil fila promedio.

Sitio sp1 sp2 sp3 Suma

A 12/15 = 0,80 1/15 = 0,07 2/15 = 0,13 15/15 = 1,00
B 14/27 = 0,52 5/27 = 0,19 8/27 = 0,30 27/27 = 1,00
C 5/30 = 0,17 21/30 = 0,70 4/30 = 0,13 30/30 = 1,00
Perfil fila promedio 31/72 = 0,43 27/72 = 0,38 14/72 = 0,19 72/72 = 1,00

De esta forma, los perfiles fila representan la proporción relativa de especies en cada sitio, y es esta
información la que es relevante para el análisis. Los perfiles fila dan una idea de cómo las especies se
distribuyen entre los sitios, independientemente del tamaño de muestra, lo que permite la comparación
entre distintos sitios. El último perfil fila de la Tabla 6.6. corresponde al “perfil fila promedio” o centroi-
de, ya que representa la proporción promedio esperada de cada especie en un sitio cualquiera (Greenacre
2008). De esta forma, podemos comparar si la abundancia de una especie en un sitio determinado está
por encima o por debajo del promedio. Los valores del perfil promedio se denominan “masas” (Gree-
nacre y Primicerio 2014). Estas masas se utilizan como pesos en el análisis, con el fin de ponderar las
especies de acuerdo a su proporción relativa. Las masas del perfil fila promedio se denominan masas de
las columnas.
Dado que hay tres variables, podemos representar los perfiles fila (sitios) en un espacio tridimensio-
nal (Fig. 6.6A), donde cada proporción para cada especie corresponde a una coordenada. Los tres perfi-
les se hallan exactamente sobre un plano definido por un triángulo equilátero que une los siguientes tres
puntos de la unidad (1, 0, 0), (0, 1, 0) y (0, 0, 1). Estos puntos corresponden a una especie concentrada
en un único sitio (100% de abundancia relativa). Debido a que los perfiles en el espacio tridimensional
se hallan sobre un triángulo (bidimensional), podemos situar los perfiles sobre un plano (Fig. 6.6B). Esta
representación se conoce como diagrama ternario, de uso frecuente en el análisis de datos geológicos y
químicos. A partir de los valores de los perfiles se pueden trazar líneas paralelas a los lados del triángulo
estas líneas confluyen en un punto que definen la posición de cada sitio.

117
Análisis multivariado para datos biológicos

Fig. 6.6. Representación de los perfiles en un: (A) espacio tridimensional de tres especies (sp1 a sp3); (B) espacio bidi-
mensional de tres especies (sp1 a sp3); A, B y C representan los sitios (perfiles fila), mientras que la estrella representa
el perfil fila promedio (centroide). En (A) los sitios se encuentran todos sobre un mismo plano que delimita un triángulo
equilátero de longitud igual a 1. Por lo tanto, los sitios pueden representarse en un espacio de dos dimensiones, deno-
minado diagrama ternario; en (B) las distancias están representadas por las distancias euclideanas entre los perfiles fila.

Si no hubiera diferencias entre los sitios en cuanto a sus abundancias relativas, esperaríamos que los
perfiles fila sean similares al perfil fila promedio. Las diferencias que observamos serían sólo debidas
a efectos aleatorios de la muestra. Para establecer si dichas diferencias son lo suficientemente grandes
para no ser debidas al azar, calculamos un coeficiente de distancia entre las proporciones observadas Oij
y las esperadas Eij bajo el supuesto del azar. Para esto, calculamos la distancia chi-cuadrado (ver Cap.
4) para cada celda de la MBD, que es una distancia euclideana ponderada (Legendre y Legendre 1998).

χ 2 wij ( Oij − Eij )

2
=

(O − Eij )
2
2 ij
χ =
Eij
¿Cuál sería el valor esperado, por ejemplo, para la especie 1 en el sitio C? En el sitio C se detectaron
30 individuos, y dado que la proporción esperada de la especie 1 es 0,43, esperaríamos que haya 30×0,43
= 12,9 individuos. Sin embargo, este valor debemos expresarlo en términos relativos dividiéndolo por el
total de la fila, que es 12,9/30 = 0,43. Por lo tanto, bajo el supuesto del azar (no hay asociación entre filas
y columnas) el valor esperado de cada celda es el correspondiente al perfil fila promedio. Reemplazando
estos valores en la ecuación anterior obtendremos:
(p − pf j )
2
2 ij
χ =
ij n× i
pf j
( 0,17 − 0, 43)
2
2
χ =
C1 30 ×
0 , 43
( −0, 26 )
2
2
χ =
C1 30 ×
0 , 43
2
χ =4 ,85
C1

Los términos pf y ni representan el perfil fila promedio y el total de la fila i, respectivamente. Los va-
lores observados menos los esperados se muestran en la Tabla 6.7. De esta forma, cada celda contiene un
valor que representa cuánto difiere la proporción observada del promedio esperado. Por ejemplo, vemos
que la especie 1 en el sitio C tiene abundancias relativas bastante por debajo del promedio, mientras que
la especie 3 en el sitio A no difiere demasiado del promedio.

118
 Cap. 6: Reducción de dimensiones

Tabla 6.7. Proporciones observadas – esperadas de la MBD5.

Sitio sp1 sp2 sp3

A 0,80 – 0,43 = 0,37 0,07 – 0,38 = –0,31 0,13 – 0,19 = –0,06
B 0,52 – 0,43 = 0,09 0,19 – 0,38 = –0,19 0,30 – 0,19 = 0,11
C 0,17 – 0,43 = –0,26 0,70 – 0,38 = 0,32 0,13 – 0,19 = –0,06
Perfil fila promedio 31/72 = 0,43 27/72 = 0,38 14/72 = 0,19

Los valores de chi-cuadrado se muestran en la Tabla 6.8. En lugar de utilizar el total de la fila como
parte del ponderador, dividimos esta cantidad por el total de datos (N), de forma que se multiplique por las
masas de las filas. Esto equivale a dividir el valor de chi-cuadrado por N, debido a que es una constante.

χij2 ni ( pij − pf j )
2

= ×
N N pf j

( pij − pf j )
2
χij2
= masai ×
N pf j
Tabla 6.8. Valores de chi-cuadrado para la MBD5.

Sitio sp1 sp2 sp3

A 15×0,37 /0,43 = 4,76
2
15×(–0,31)2/0,38 = 3,80 15×(–0,06)2/0,19 = 0,29
B 27×0,092/0,43 = 0,49 27×(–0,19)2/0,38 = 2,59 27×0,112/0,19 = 1,44
C 30×(–0,26)2/0,43 = 4,85 30×0,322/0,38 = 8,45 30×(–0,06)2/0,19 = 0,58

La suma de todos los valores de chi-cuadrado da como resultado una medida que cuantifica las dife-
rencias entre las proporciones observadas y las esperadas de la MBD, independientemente del tamaño
muestral (ya que se divide por N). A esta medida se la denomina “inercia total” ϕ2 (Greenacre 2008).
Para nuestro ejemplo:

φ2 =
∑χ 2
ij

N
4, 76 + 0, 49 + 4,85 + 3,80 + 2,59 + 8, 45 + 0, 29 + 1, 44 + 0,58
φ2 =
72
27, 24
φ2 =
72
φ = 0,378
2

La inercia total es una medida de la variabilidad presente en la MBD. Si es alta, significa que las UE
se encuentran dispersas y alejadas del perfil fila promedio. Cuando la inercia es baja, los perfiles fila
presentan poca variación y se hallan cerca de su perfil fila promedio (Greenacre 2008). En este caso,
decimos que hay poca asociación (o correlación) entre las filas y las columnas. En términos biológicos
esto implica que en nuestro ejemplo las especies se distribuyen al azar, con poca preferencia por alguno
de los sitios. Cuanto mayor sea la inercia, más cerca se encontrarán los perfiles fila de los vértices del
triángulo en el diagrama ternario. Es decir, mayor será el grado de asociación entre filas y columnas. Si
todos los perfiles fueran idénticos, todos coincidirían con el perfil fila promedio, por lo que las distancias
chi-cuadrado serían cero, así como también la inercia total. En contraste, si todos los perfiles se hallan
sobre los vértices del triángulo, la inercia será máxima, en cuyo caso se corresponde con la dimensio-
nalidad del espacio (espacio de dos dimensiones en nuestro ejemplo) o en términos matemáticos, al
mínimo del número de filas menos 1 o columnas menos 1 (igual a 2 en nuestro ejemplo).

119
Análisis multivariado para datos biológicos

Dado que la distancia chi-cuadrado corresponde a una distancia euclideana ponderada, podemos
calcular la distancia entre dos perfiles fila pAj y pBj, como el cociente entre la diferencia de los perfiles al
cuadrado y el perfil fila promedio (ver Distancia chi-cuadrado en el Cap. 4):

(p − pBj )
2
Aj
χ 2AB =
pf j
2
 p Aj pBj 
χ= 
2
AB − 
 pf j pf j 
 

De esta forma, podemos dividir cada término por la raíz cuadrada del perfil fila promedio y graficarlos
en un espacio euclideano (Tabla 6.9, Fig. 6.7). Si el denominador fuera igual a 1, la fórmula correspondería
a la distancia euclideana, como se muestra en la Figura 6.4. En la distancia chi-cuadrado los valores de las
coordenadas aumentan porque se dividen por valores menores a 1. Si un denominador es menor que otro,
las coordenadas aumentarán y viceversa. Por lo tanto, esta transformación afecta más a las frecuencias más
bajas. Asimismo, los valores de los vértices ya no tomarán como valor máximo 1, sino 1/√pfj.

Tabla 6.9. Coordenadas de los perfiles fila, donde cada perfil se divide por la raíz cuadrada de su perfil fila prome-
dio. Esto permite representar la distancia chi-cuadrado entre perfiles en un espacio euclideano.

Sitio sp1 sp2 sp3

A 0,80/√0,43 = 1,22 0,07/√0,38 = 0,11 0,13/√0,19 = 0,30
B 0,52/√0,43 = 0,79 0,19/√0,38 = 0,30 0,30/√0,19 = 0,67
C 0,17/√0,43 = 0,25 0,70/√0,38 = 1,14 0,13/√0,19 = 0,30
Perfil fila promedio 0,43/√0,43 = 0,66 0,38/√0,38 = 0,61 0,19/√0,19 = 0,44

Fig. 6.7. Representación de los perfiles en un espacio tridimensional de tres especies (sp1 a sp3). A, B y C representan
los sitios (perfiles fila), mientras que la estrella representa el perfil fila promedio (centroide). Las distancias están re-
presentadas por distancias chi-cuadrado entre los perfiles fila, que corresponden a distancias euclideanas ponderadas.
Los valores en negrita corresponden a los vértices de un triángulo con valores iguales a 1/√perfil fila promedio.

Al igual que en el PCA, las MBD suelen tener numerosas dimensiones. Así, la idea es representar las
UE en un espacio de pocas dimensiones, pero intentando mantener las relaciones de la MBD original
de la mejor forma posible. En nuestro ejemplo, el mapa de dos dimensiones representa exactamente las
distancias entre las UE, porque hay tres variables solamente. Sin embargo, podemos intentar representar

120
 Cap. 6: Reducción de dimensiones

las UE en un espacio de una sola dimensión. Esto se logra, al igual que en el PCA generando una nube
elíptica alrededor de las UE y proyectando las mismas sobre la dimensión que atraviesa el eje mayor de
la elipse (Fig. 6.8). Esto significa que también podemos extraer eigenvectores y eigenvalores.

Fig. 6.8. CA de la MBD5 (Tabla 6.5). (A) Gráfico de dispersión de tres sitios (A a C) × dos especies (sp1 y sp2)
estandarizado. El CA1 corresponde al eje donde se encuentra la mayor variación en las UE, y es donde se ubicará
el primer eje principal; (B) las UE se proyectan sobre el CA1 mediante las líneas perpendiculares y se rota la con-
figuración; estas nuevas coordenadas se denominan scores. De esta forma, se ha representado la MBD original de
dos variables en un espacio de menor dimensión (un solo eje), sin pérdida de información sustancial (ya que las
UE no se alejan demasiado en el CA2).

Los eigenvalores de los ejes se conocen como “inercias principales”. En el CA, a diferencia del PCA,
los eigenvalores varían entre 0 y 1, por lo que la inercia total nunca puede ser mayor al número de variables
menos 1 (cuando todos los ejes tienen eigenvalores igual a 1). Un eigenvalor = 1 indica una asociación
exclusiva entre las UE y las variables (cada variable está presente en una sola UE, sin coincidir con las
demás variables), representando una completa dependencia entre ambas (Tabla 6.10). Del mismo modo,
un eigenvalor = 0 indica una completa independencia. Al igual que en el PCA, la inercia total correspon-
de a la suma de todos los eigenvalores del análisis. En el CA, a diferencia del PCA, el último eigenvalor
siempre es igual a 0, porque el último valor esperado del perfil fila es igual a 100 menos la suma de los
restantes porcentajes. Esto significa que la última celda del perfil queda automáticamente definida y es, por
lo tanto no informativa. En este ejemplo los eigenvalores (calculados mediante software) son λ1 = 0,35 y
λ2 = 0,03. La inercia total es igual a 0,35 + 0,03 = 0,38. De igual forma que en el PCA, podemos calcular
el porcentaje de variación explicada por cada eje como: 100% × 0,35/0,38 = 91,58% (CA1) y 100% ×
0,03/0,38 = 8,42% (CA2). Esto indica que la representación en una sola dimensión de la MBD original es
particularmente buena.
Como en nuestro ejemplo la inercia máxima es igual a 2, podemos calcular qué proporción (o por-
centaje si se multiplica por 100) de la inercia máxima tiene la MBD analizada como: 0,38/2 = 0,19. Esta
medida varía entre 0 y 1, y se conoce como V de Cramér (1946). Un valor igual a 0 corresponde a una
completa independencia, mientras que un valor igual a 1 corresponde a una completa dependencia. Por
lo tanto, esta medida es análoga al coeficiente de correlación para datos categóricos.

Tabla 6.10. Caso hipotético de una MBD de tres sitios (A a C) × tres especies (sp1 a sp3), con una completa de-
pendencia entre filas y columnas. En este caso, los eigenvalores son todos iguales a 1 y la inercia total es igual a
2, por lo que V = 2/2 = 1.

Sitio sp1 sp2 sp3

A 10 0 0
B 0 0 8
C 0 21 0

Tanto las UE como las variables pueden representarse simultáneamente en un biplot (Fig. 6.9A). Las
variables se representan de la misma forma que las UE, sólo que intercambiando filas por columnas. En
este gráfico, sin embargo, hay dos diferencias importantes con respecto al PCA. Una es que se represen-

121
Análisis multivariado para datos biológicos

tan distancias chi-cuadrado entre perfiles en lugar de distancias euclideanas, y la otra es que cada mues-
tra es ponderada diferente según su masa correspondiente. Si se intercambian filas por columnas y se
repite el análisis, se llegará exactamente al mismo resultado, por lo que el modo Q y R son equivalentes.
Las reglas de interpretación son similares a las de todos los métodos de ordenación: (1) las UE (perfiles
fila) cercanas en el espacio tienen características similares en cuanto a sus variables; (2) las variables (perfi-
les columna) cercanas en el espacio tienen características similares en cuanto a las UE en las que aparecen.
Además, cada fila (o columna) está más cerca de las columnas (o filas) con las cuales está más relacionada
y está lejos de las columnas (o filas) menos relacionadas. En la Figura 6.9A se observa que el CA1 separa
los sitios A y B del sitio C, y que los sitios A y B son más parecidos entre sí. La especie 2 está más asociada
en términos generales al sitio C, mientras que la especie 1 está más asociada a los sitios A y B, y la especie
3 está más asociada al sitio B. Esto concuerda con lo observado en la MBD original (Tabla 6.5). Este tipo
de biplot se denomina mapa simétrico, y con éste sólo se pueden hacer observaciones de la posición de
una fila con respecto a la posición de todas las columnas, pero es imposible sacar conclusiones sobre la
distancia entre una fila y una columna específica (Husson et al. 2017, Kassambara 2017b).
Para interpretar las distancias (intensidad de la relación) entre una columna y una fila es necesario
realizar el biplot o mapa asimétrico; esto significa que los perfiles columna deben ser representados en el
espacio de las filas o viceversa (Fig. 6.9B-C). El objetivo de estos biplots es visualizar la intensidad de
la relación expresada por la ordenación. En estos biplots es conveniente mostrar las UE y las variables
como vectores. Si el ángulo entre dos vectores es agudo, entonces hay una fuerte asociación entre la UE
y la variable correspondiente (Husson et al. 2017).

Fig. 6.9. (A) Biplot simétrico de la MBD5 (Tabla 6.5). Los círculos negros muestran los sitios (A a C), y los cír-
culos blancos las especies (sp1 a sp3); (B) biplot asimétrico de las columnas en el espacio de las filas; (C) biplot
asimétrico de las filas en el espacio de las columnas.

ANÁLISIS DE COORDENADAS PRINCIPALES

En Biología es común el uso de datos cualitativos o con exceso de dobles ceros (presencia-ausencia,
abundancia). En tales casos, la distancia euclideana entre las UE no es apropiada conceptualmente, por lo
que el PCA no es adecuado (ver en este capítulo Efecto arco). Tanto el PCA como el CA imponen la distan-
cia que se conserva entre las UE: distancia euclideana y chi-cuadrado, respectivamente. Si el investigador
está interesado en ordenar las UE de acuerdo a otra medida de similitud, entonces puede utilizar el análisis
de coordenadas principales (PCoA). Gower (1966) desarrolló este método para representar un conjunto
de UE en un espacio euclideano cuyas relaciones sean cuantificadas por cualquier coeficiente de similitud
(Cap. 4). Esto permite utilizar cualquier tipo de dato en la construcción de la MBD. En el caso de utilizar
la distancia euclideana para construir una matriz de distancia (MD), los eigenvectores obtenidos por PCoA
(coordenadas principales) serán exactamente iguales a los componentes principales obtenidos por PCA sobre
la MBD original. A diferencia del PCA, el PCoA no produce loadings de las variables, dado que se calcula a
partir de la MD de las UE; sin embargo pueden calcularse posteriormente.
Como el PCA o el CA, el PCoA genera un conjunto de ejes ortogonales (no correlacionados entre sí)
cuya contribución a la variación total de la MBD se cuantifica a través de sus eigenvalores. Dado que se

122