1. Anàlisi de variància (ANOVA). Revisió de l'ANOVA. Anàlisi de variància multivariable (MANOVA): necessitat (taxes d'error per comparació i experimental); aplicació; supòsits.

Correlació i regressió

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

Ordenació i classificació

8. Ordenació i classificació. Tipus d'anàlisi multivariable: objectiu i tipus de dades. Recomanacions generals.

9. 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).

10. Anàlisi de correspondències (CA) . Aplicació. Diferències entre CA i PCA. Efecte arc: anàlisi de correspondències sense la tendència (DCA).

11. 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). Aula: resolució de problemes sobre el programa teòric (disseny, càlcul i interpretació).

Aula informàtica: ús del NCSS Probability Calculator, de l'Excel i principalment del paquet estadístic SPSS (entorn Windows).

Classes magistrals de teoria

Resolució de problemes a l'aula

Classes de pràctiques a l'aula informàtica

L’assistència a les pràctiques (aula informàtica) és obligatòria: es controlarà l’assistència i es faran proves a l’aula per l’avaluació.

Per aprovar l’assignatura cal assistir a totes les sessions pràctiques (SPSS) i aprovar l’examen. La qualificació s’obté com el 70% de la qualificació de l’examen més el 30% de la de les pràctiques. Els exercicis realitzats en les classes de problemes i els treballs opcionals es ponderen amb la qualifificació de l’examen.