Consejería De Hacienda Y Administración Pública. Convenios. (2023062073)
Resolución de 25 de mayo de 2023, de la Secretaría General, por la que se da publicidad al Convenio entre la Consejería de Agricultura, Desarrollo Rural, Población y Territorio y el Centro de Investigaciones Científicas y Tecnológicas de Extremadura (CICYTEX), por el que se formaliza la transferencia específica para financiar la estrategia integral en materia de I+D+i para el conocimiento, mejora y valorización del cultivo de tenca (Tinca tinca L.) en Extremadura (TENCAEX II), en el ámbito del desarrollo y fomento de la I+D+i en acuicultura.
47 páginas totales
Página
Zahoribo únicamente muestra información pública que han sido publicada previamente por organismos oficiales de España.
Cualquier dato, sea personal o no, ya está disponible en internet y con acceso público antes de estar en Zahoribo. Si lo ves aquí primero es simple casualidad.
No ocultamos, cambiamos o tergiversamos la información, simplemente somos un altavoz organizado de los boletines oficiales de España.
Cualquier dato, sea personal o no, ya está disponible en internet y con acceso público antes de estar en Zahoribo. Si lo ves aquí primero es simple casualidad.
No ocultamos, cambiamos o tergiversamos la información, simplemente somos un altavoz organizado de los boletines oficiales de España.
NÚMERO 104
Jueves 1 de junio de 2023
34306
4.2. Modelos de predicción cualitativos.
P
ara la calibración cualitativa se estudiarán dos modelos estadísticos supervisados:
el análisis SIMCA (soft independent modeling of class analogy) por similitud espectral
con las muestras de cada uno de los grupos y el análisis PLS-DA (partial least squares
discriminat analysis), basado en la modelización de las diferencias espectrales de las
muestras para pertenecer a un determinado grupo.
— Análisis SIMCA.
En el análisis SIMCA, cada grupo será modelado por separado, asignándose las muestras en función de sus distancias a cada modelo. Así, en este análisis se modela independiente cada una de los grupos mediante un análisis de componentes principales,
determinando con ello el centroide y la dispersión de las muestras para cada grupo.
La dimensión del modelo individual vendrá dada por el número de componentes principales (CP) que se hayan considerado. Una misma muestra podrá ser clasificada en
un grupo, en varios de ellos o bien no pertenecer a ninguno de los grupos, en función
de la distancia de las muestras al centro del modelo (denominada leverage), informando sobre la colocación de la muestra proyectada sobre los CP y por la distancia
de la muestra al modelo definido por los CP (denominada estadístico S).
Para la evaluación del modelo se estudiará el porcentaje de muestras que sean clasificadas correctamente en su grupo. Si una muestra pertenece a dos o más grupos se
clasificarían en aquel que presente menores valores de distancias leverage y S. Así,
la predicción de categorías de SIMCA podría expresarse con dos posibles resultados:
(i) la muestra es correctamente clasificada dentro de las categorías predefinidas, (ii)
la muestra no se ajusta a ninguna de las categorías. Por tanto, los resultados del
análisis SIMCA se expresará como el porcentaje de sensibilidad del modelo, que es
la proporción de muestras de una categoría que el modelo reconoce correctamente
y como el porcentaje de especificidad, que es la proporción de muestras que no pertenecen a una categoría y que son correctamente rechazadas.
Por otra parte, se determinarán las distancias inter-clases en cada uno de los modelos SIMCA para categoría con respecto a las demás. Así, cuanto mayor sea la
distancia entre dos grupos, mejor es la separación.
— PLS- Análisis discriminante (PLS-DA).
Es un método supervisado de análisis que se basa en la regresión en mínimos cuadrados parciales (PLS-DA). Las variables independientes (X) pueden ser el espectro
Jueves 1 de junio de 2023
34306
4.2. Modelos de predicción cualitativos.
P
ara la calibración cualitativa se estudiarán dos modelos estadísticos supervisados:
el análisis SIMCA (soft independent modeling of class analogy) por similitud espectral
con las muestras de cada uno de los grupos y el análisis PLS-DA (partial least squares
discriminat analysis), basado en la modelización de las diferencias espectrales de las
muestras para pertenecer a un determinado grupo.
— Análisis SIMCA.
En el análisis SIMCA, cada grupo será modelado por separado, asignándose las muestras en función de sus distancias a cada modelo. Así, en este análisis se modela independiente cada una de los grupos mediante un análisis de componentes principales,
determinando con ello el centroide y la dispersión de las muestras para cada grupo.
La dimensión del modelo individual vendrá dada por el número de componentes principales (CP) que se hayan considerado. Una misma muestra podrá ser clasificada en
un grupo, en varios de ellos o bien no pertenecer a ninguno de los grupos, en función
de la distancia de las muestras al centro del modelo (denominada leverage), informando sobre la colocación de la muestra proyectada sobre los CP y por la distancia
de la muestra al modelo definido por los CP (denominada estadístico S).
Para la evaluación del modelo se estudiará el porcentaje de muestras que sean clasificadas correctamente en su grupo. Si una muestra pertenece a dos o más grupos se
clasificarían en aquel que presente menores valores de distancias leverage y S. Así,
la predicción de categorías de SIMCA podría expresarse con dos posibles resultados:
(i) la muestra es correctamente clasificada dentro de las categorías predefinidas, (ii)
la muestra no se ajusta a ninguna de las categorías. Por tanto, los resultados del
análisis SIMCA se expresará como el porcentaje de sensibilidad del modelo, que es
la proporción de muestras de una categoría que el modelo reconoce correctamente
y como el porcentaje de especificidad, que es la proporción de muestras que no pertenecen a una categoría y que son correctamente rechazadas.
Por otra parte, se determinarán las distancias inter-clases en cada uno de los modelos SIMCA para categoría con respecto a las demás. Así, cuanto mayor sea la
distancia entre dos grupos, mejor es la separación.
— PLS- Análisis discriminante (PLS-DA).
Es un método supervisado de análisis que se basa en la regresión en mínimos cuadrados parciales (PLS-DA). Las variables independientes (X) pueden ser el espectro
