Los datos espectrales y los cromatogramas son ejemplos típicos de datos multivariados, ya que miden la intensidad en múltiples longitudes de onda y momentos. Al analizar estos datos mediante métodos de análisis multivariado, es posible clasificarlos y modelarlos. En este seminario, explicaremos cómo realizar análisis multivariados con este tipo de datos utilizando los productos JMP (JMP y JMP Pro) y las ventajas de hacerlo.
Este seminario utiliza la versión más reciente disponible al momento de su realización, "JMP (JMP Pro) 19.1.3". Los informes, los métodos de operación, etc., pueden cambiar con las actualizaciones de versión.
(Tabla de contenido)
- Introducción y visualización
- PCAAnálisis de componentes principales y regresión PLS
- Análisis de componentes principales funcionales mediante "Functional Data Explorer".
- Ejemplo de análisis: Relación entre la proporción de ingredientes y la forma del espectro.
1. Introducción y visualización (14 minutos 25 segundos)
Esta sección explica las características de los datos espectrales en el análisis de datos, cómo almacenarlos y los métodos de visualización.
2. PCA (Análisis de Componentes Principales) y Regresión PLS (15 minutos 55 segundos)
Este documento explica cómo usar JMP y generar informes para la regresión PCA y PLS, que son métodos comúnmente utilizados para analizar datos espectrales.
3. Análisis de componentes principales funcionales mediante "Functional Data Explorer" (16 minutos y 8 segundos)
Este artículo explica el análisis de componentes principales funcionales (PCA), que permite capturar y clasificar la "forma de los datos espectrales", algo difícil de lograr con PCA y PLS.
4. Ejemplo de análisis: Relación entre la proporción de ingredientes y la forma del espectro (10 minutos 57 segundos)
Como ejemplo del uso del análisis de componentes principales funcionales, explicaremos cómo modelar la relación entre la composición espectral de un compuesto y sus componentes constituyentes, y cómo estimar los componentes constituyentes a partir de la forma espectral cuando se desconocen dichos componentes.
