FlippingFood I

En general, las hortalizas presentan un contenido de minerales muy variable determinado por las características físicas y químicas de cada especie botánica en particular. El contenido de Ca fl uctúa entre 3 y 254 mg/100 g, el Mg entre 9 y 81 mg/100 g, el K entre 119 y 646 mg/100 g y el Fe entre 200 y 6200 μ g/100 g. De acuerdo con los contenidos de vitaminas, las hortalizas se pueden agrupar en cuatro grupos (Cuadro 11) usando análisis de componentes principales (principal component analysis, PCA) 12 y Kmeans 13 .

Cuadro 11. Grupos de hortalizas de acuerdo con su contenido de vitaminas.

Grupo K

Hortalizas

Perejil, Pimiento,Kale. Ciboulette, Brocoli,Coli fl or,Repollito de Bruselas, Arveja verde. Acelga, Espinaca, Ajo,Cilantro, Achicoriam, Berro,Rabano,Repollo.

Grupo 1 Grupo 2 Grupo 3

Betarraga,Cebolla,Chalota, Puerro, Apio, Apio de papa,Zanahoria, Esparrago, Alcachofa, Lechuga,Radiccio,Nabo,Rucula,Camote, Pepino de ensalada,Zapallo, Zapallo italiano,Haba, Poroto verde,Albahaca,Choclo,Ruibardo, Berenjena,Tomate.

Grupo 4

Elaboración propia.

Los grupos de hortalizas se identi fi can principalmente por el contenido de vitamina C y colina. En este sentido, los componentes principales (PC1 y PC2) explican en un 99% la variabilidad de los datos. Los contenidos de vitaminas de hortalizas se detallan en el Cuadro 12.

12 El método consiste en agrupar aquellas observaciones en K grupos con medias relativamente cercanas; es decir, por cada una de las hortalizas se considera un promedio entre las variables contenido de de Vit. C, tiamina, ribo fl avina, niacina, ácido Pantoténico, Vit. B6, folato total, colina total, Vit. B12, Vit. A, Vit. E, Vit. D, Vit. K, agrupando aquellas que tienen promedios más cercanos entre sí en K grupos. La selección de K será aquel que produzca una mayor reducción en las diferencias de las medias y los centros entre cada grupo. 13 El objetivo del PCA es sintetizar la información contenida en las columnas de la matriz de datos. En el análisis de estas bases de datos se consideran solamente las dos primeras componentes principales, ya que estas contienen la mayor cantidad de la información de la base. Además, el número de observaciones cambia en cada base debido a que el PCA es una proyección ortogonal utilizando la matriz de varianza covarianza, por lo que no permite valores perdidos.

132