Detecting data features in a two-group sample of extra virgin Umbrian olive oils according to climatic conditions using stereospecific analysis results of triacylglycerol fraction

英语. In order to detect data features, multivariate analysis was applied to the results of stereospecific analysis of triacylglycerol fraction in order to differentiate a two-group sample of Umbrian extra virgin olive oils according to climatic conditions. Six production years and 15 variables (per cent molar distribution of fatty acids in the sn-positions of triacylglycerol backbone) were considered. All olive oil samples were divided in two groups (n1 = 51 and n2 = 98) according to climatic conditions of tree growing zones. The operator of linear principal component analysis (LPCA) applied to the correlation matrix R was used as an outlier multivariate data detector. In a two-group sample initially consisting of 149 observations, only higher-than-one eigenvalues were considered to determine the number of principal components to be retained as a classical criterion requires. Based on an analysis of the shape of pc score distribution, a set of strong multidimensional outliers of both groups was detected and omitted. Successively, the two-group linear discriminant analysis (LDA) was applied to the outlier-free matrix (137 observations). The resulting monodimensional LDA score plots for the two groups were described and discussed

意大利语. L'analisi multivariata e' stata applicata ai dati di analisi stereospecifica della frazione tricilglicerolica di due gruppi di campioni di olio extravergine provenienti da zone dell'Umbria aventi differenti condizioni climatiche, con lo scopo di individuarne le caratteristiche e di differenziarli. Allo scopo e' stata considerata la produzione di sei anni, determinando 15 variabili (la distribuzione percentuale molare degli acidi grassi presenti nelle sn-posizioni dello scheletro glicerolico). Tutti i campioni di olio di oliva sono stati divisi in due gruppi (n1 = 51 and n2 = 98) sulla base delle condizioni climatiche della zona di origine delle piante. L'analisi lineare delle componenti principali (LPCA), applicata alla matrice di correlazione R, e' stata usata per individuare i dati anomali (outliers). Utilizzando il campione dei due gruppi di dati, inizialmente consistente di 149 osservazioni, soltanto gli autovalori maggiori dell'unita' sono stati considerati per determinare il numero di componenti principali da tenere, adottando quindi un criterio classico. Sulla base dell'analisi della forma della distribuzione dei punteggi delle componenti principali, una serie di outliers multidimensionali in ambedue i gruppi e' stata individuata e quindi eliminata. Successivamente, l'analisi discriminante lineare (LDA) e' stata applicata alla matrice dei dati dei due gruppi di campioni, outliers esclusi (137 osservazioni). Sono stati quindi riportati e discussi gli istogrammi dei punteggi discriminanti