1. Introducció
1.1. Anàlisi de variància (ANOVA). Revisió de l'ANOVA. Anàlisi de variància multivariable (MANOVA): necessitat (taxes d'error per comparació i experimental); aplicació; supòsits.
2. Correlació i regressió
2.1. Correlació lineal. Diferències entre correlació i regressió: objectiu de l'estudi i tipus de variables. Coeficient de correlació (lineal de Pearson), r: definició i propietats. Test de significació del coeficient de correlació. Aplicació de la correlació.
2.2. Testos no paramètrics. Fonament i aplicació. Coeficient de correlació (ordinal) de Spearman. Coeficient de correlació (ordinal) de Kendall (tau). Coeficient de concordança de Kendall, W.
2.3. Regressió lineal simple. Introducció. Model I: supòsits. Estimació de la funció o recta de regressió pel mètode de mínims quadrats (coeficient de regressió i ordenada a l'origen). Test de significació de la regressió (ANOVA). Errors estàndards, altres testos de significació i intervals de confiança. Cas amb replicació. Model II: predicció (les dues rectes de regressió del model I) o descripció.
2.4. Anàlisi de covariància (ANCOVA). ANCOVA d'un factor: disseny bàsic; test d'homogeneïtat de pendents (hipòtesi de paral·lelisme). Supòsits de l'ANCOVA. Altres dissenys.
2.5. Relacions no lineals. Transformacions en regressió lineal: principals funcions intrínsecament lineals. L'anàlisi de residus. Regressió no lineal: alguns models biològics no lineals (logístic, Michaelis-Menten, von Bertalanffy); procediment de la regressió no lineal; supòsits. Regressió polinomial: regressió quadràtica i cúbica; polinomis ortogonals.
2.6. Correlació i regressió múltiples. Anàlisi de regressió múltiple: introducció; testos de significació; coeficient de regressió parcial estandarditzat (beta); coeficient de determinació ajustat; coeficient de correlació múltiple (R). Coeficient de correlació parcial.
3. Ordenació i classificació
3.1. Ordenació i classificació. Tipus d'anàlisi multivariable: objectiu i tipus de dades. Recomanacions generals.
3.2. Anàlisi factorial. Anàlisi factorial i Anàlisi de components principals (PCA): terminologia. Objectiu i aplicacions. Procediment: estudi de la matriu de correlacions (mesura d’adequació mostral de Kaiser-Meyer-Olkin); extracció de factors (valors propis o eigenvalues; scree plot); rotació (ortogonal o obliqua); interpretació i presentació (pesos o saturacions factorials, factor loadings; coordenades factorials, factor scores).
3.3. Anàlisi de correspondències (CA) . Aplicació. Diferències entre CA i PCA. Efecte arc: anàlisi de correspondències sense la tendència (DCA).
3.4. Anàlisi de conglomerats (cluster analysis). Mètodes de classificació: no jeràrquics, jeràrquics divisius i jeràrquics aglomeratius. Mètodes jeràrquics aglomeratius: mesures de distància i similitud (variables mesurades: distància euclidiana, distància euclidiana al quadrat i similitud percentual o coeficient de Czekanowski o Bray-Curtis; variables qualitatives: simple matching, índex de Jaccard i índex de Sørensen, Czekanowski o Dice); aglomeració (single linkage o nearest neighbour, complete linkage o furthest neighbour i average linkage between groups o UPGMA).
L'avaluació consistirà en un examen final que es realitzarà el dia assignat per la coordinació d'estudis i que podrà incloure qualsevol aspecte dels continguts del programa de l’assignatura (inclosos els continguts de pràctiques).
Per dubtes, concerteu cita amb el professor (emili.garcia@udg.edu).
Criteris específics de la nota «No Presentat»:
L'avaluació consistirà en un examen final que es realitzarà el dia assignat per la coordinació d'estudis i que podrà incloure qualsevol aspecte dels continguts del programa de l’assignatura (inclosos els continguts de pràctiques).