Inlet Mode Array Analysis

discriminante

Los resultados obtenidos de concentraciones de compuestos orgánicos contaminantes presentes en lodos de distinta procedencia fueron evaluados mediante un análisis estadístico con el fin de intentar relacionar la presencia de determinados compuestos con algún factor mediante la separación de los lodos estudiados en grupos con ciertas características similares. Para ello se utilizó el análisis de componentes principales (PCA, del inglés Principal Components Analysis), aunque también se realizaron pruebas con otros tipos de análisis como el Cluster y el de discriminante, con la ayuda del softawe SPSS 11.0 para Windows.

ƒ Análisis de componentes principales (PCA).

Cuando se dispone de varias muestras (por ejemplo lodo 1, lodo 2, etc.), caracterizadas con diversas variables (contenido en NPEs, LAS, DEHP, etc), el PCA consiste en la generación de nuevas variables (componentes o factores) independientes entre sí mediante una combinación lineal de las variables originales.

En numerosas ocasiones, la mayor parte de la variabilidad total, también denominada varianza o promedio de dispersión de datos y que se relaciona con la información acerca de las variables originales, está contenida en un número de componentes (componentes principales) mucho menor que el número de variables iniciales. En estos casos, con la utilización únicamente de los componentes principales se reduce la dimensionabilidad del problema (Jackson, 1991) con la mínima pérdida de información. Por tanto, el objetivo del PCA es resumir un grupo amplio de variables en un nuevo conjunto más pequeño sin perder una parte significativa de la información original.

Para averiguar el número de componentes principales necesarios se calcula el porcentaje de la varianza explicada con dichas componentes, siendo el primer componente principal el de mayor varianza, mientras que para el resto de componentes va disminuyendo progresivamente.

En esta investigación se utilizaron los dos componentes principales con mayor peso, relacionados con las concentraciones de compuestos, y los resultados se representaron en un gráfico de dispersión (también denominado de componentes), en cuyos ejes aparecían los componentes principales. De esta forma, muestras con características similares se encontraban situadas en posiciones cercanas en el gráfico y pudieron agruparse, para después identificar los aspectos comunes entre lodos del mismo grupo. La representación gráfica se realizó en un espacio rotado mediante el método Varimax con el fin de disponer los resultados lo más cercanos posible a los ejes.

En la literatura se puede observar que el análisis estadístico multivariante, especialmente el análisis PCA, ha sido utilizado para realizar la evaluación de la distribución o huella de PCDD/Fs en diferentes muestras medioambientales. Por ejemplo, Buekens y col. (2000) compararon datos procedentes de diversos procesos metalúrgicos industriales como manufactura del acero, altos hornos de cobre y plantas de aluminio. Cheng y col. (2003) utilizaron el análisis PCA para examinar la influencia de una planta incineradora de residuos sólidos municipales en el aire ambiental y en muestras de sulo recogidas en zonas cercanas a la planta. De Assunção y col. (2005) estudiaron los perfiles de PCDD/Fs en el aire ambiental procedente de zonas urbanas con una alta contaminación atmosférica en primavera, verano, otoño e invierno. También se ha utilizado el análisis PCA para la evaluación de otros contaminantes orgánicos en muestras ambientales. Cai y col. (2007) lo emplearon para encontrar similitudes respecto a PAHs en diferentes suelos pertenecientes a campos sembrados de vegetales.

ƒ Análisis Cluster.

Este procedimiento, también denominado análisis de conglomerados jerárquicos, intenta identificar grupos relativamente homogéneos de muestras (lodo 1, lodo 2, etc.), basándose en las características seleccionadas (como concentración de LAS, NPEs, etc.), mediante un algoritmo que comienza con cada muestra en un grupo o conglomerado diferente y combina los conglomerados hasta que sólo queda uno. La forma de la figura resultante, denominada dendograma (Figura III.1), es similar a la de un árbol genealógico.

De esta forma, se clasifican las muestras según la similitud en sus características. Suelen existir varias soluciones, considerándose finalmente aquélla más útil para el tipo de investigación planteada.

Varios autores han utilizado este tipo de análisis estadístico para evaluar la contaminación en muestras ambientales, como Koch y col. (2001), que compararon los perfiles o huellas de PCDD/Fs en varios lodos estudiados con los hallados en diversas fuentes potenciales de estos compuestos, con el fin de encontrar similitudes y poder identificar las fuentes de PCDD/Fs más probables.

Distancia 0 5 10 15 20 25 Num +---+---+---+---+---+ 13 14 9 19 7 18 2 4 5 10 11 15 8 6 12 16 20 17 3 1 òø òú òú òú òú òú òôòø òú ó òú ó òú ùòòòø òú ó ó òú ó ó ò÷ ó ó òûò÷ ùòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòø ò÷ ó ó òø ó ó òú ó ó òôòòòòò÷ ó ò÷ ó òòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòò÷

Figura III.1. Ejemplo de dendograma resultante de un análisis Cluster.

ƒ Análisis discriminante.

El análisis discriminante resulta útil para las situaciones en las que se desea construir un modelo predictivo para pronosticar el grupo de pertenencia de un caso, o muestra de lodo en este trabajo, a partir de las características observadas de otros casos y del propio caso a estudiar, como las concentraciones de contaminantes. El procedimiento genera una función discriminante (o, para más de dos grupos, un conjunto de funciones discriminantes) basada en combinaciones lineales de las variables

predictoras que proporcionan la mejor discriminación posible entre los grupos. Las funciones se generan a partir de unos casos para los que se conoce el grupo de pertenencia; posteriormente, las funciones pueden ser aplicadas a nuevos casos que dispongan de medidas para las variables predictoras pero de los que se desconozca el grupo de pertenencia.

Por otra parte, las funciones discriminantes generadas son útiles para analizar si existen diferencias importantes entre los grupos realizados en cuanto a su comportamiento respecto a las características consideradas. Para ello, se dibuja un gráfico donde se representan las funciones discriminantes en los ejes de abcisas y ordenadas para todas las muestras, y se observa si los grupos de muestras se encuentran separados.

En la bibliografía se pueden encontrar diversos trabajos donde se ha utilizado el análisis discriminante en muestras ambientales, como el estudio de Spencer y col. (2007), que emplearon este método para clasificar aguas de estuarios con orígenes natural y antropogénico según sus características.

Debido a que los análisis cluster y discriminante no consiguieron obtener ninguna información satisfactoria para el presente trabajo, estos métodos se han comentado brevemente sin entrar en detalles.

III.4.2 Análisis estadístico de resultados de degradación de compuestos en suelos