10.2: Fenética
- Page ID
- 55417
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
La otra forma de hacer clasificación es aún más matemática. Se trata de una fenética basada en métodos multivariados de análisis de datos. Uno de sus métodos es el análisis de conglomerados que se describe a continuación.
-
Contrariamente a la cladística, la fenética considera a los personajes como todos iguales y no emplea ningún supuesto evolutivo.
-
Tenemos que decidir qué taxones necesitaremos, evaluar sus descripciones, extraer caracteres, todo esto es similar a la cladística (ver arriba).
-
No se necesita polarización de caracteres, los códigos de caracteres pueden especificarse de manera más o menos arbitraria y no hay necesidad de grupos externos.
-
La tabla de caracteres podría ser la misma que en el ejemplo anterior (nuevamente, ver arriba).
-
Entonces, necesitaremos crear la matriz cuadrada (o tabla) de similitud:
Alphaceae Betaceae Gammaceae Alphaceae 1 Betaceae 0.75 1 Gammaceae 0.25 0 1 Cada celda de esta matriz contiene un valor de similitud\(K\):\[K=\frac{\mbox{number of matching characters}}{\mbox{number of all characters}}\]
Tenga en cuenta que hay muchos coeficientes de similitud más relevantes pero están fuera de nuestro alcance.
-
Entonces necesitamos hacer el dendrograma que es una estructura arbórea. Tradi- cionalmente, el dendrograma se construye de abajo hacia arriba, de grupos más similares a menos similares. Por ejemplo, podemos partir de conectar los taxones más cercanos, Alphaceae y Betaceae:
7. Entonces necesitamos adjuntar otros taxones que están más cerca del grupo anterior:
A veces, cuando tenemos múltiples taxones, terminamos con varios grupos independientes (clusters). En ese caso, se podrían conectar diferentes clusters sobre la base de la similitud promedio.
8. Betaceae y Alphaceae están más cerca, por lo que podemos unirlas en un orden:
Orden Alphales
1. Familia Alphaceae 2. Familia Betaceae
Ordene Gammales
1. Familia Gammaceae