Portal do Ementário

A disciplina tem por objetivo proporcionar ao estudante de pós-graduação conhecimentos e habilidades para a utilização de técnicas multivariadas nas análises e interpretações de dados ecológicos/botânicos de diversas áreas de estudos. Dessa forma, auxiliar os estudantes na análise conjunta de dados multivariados, para que possam responder e concluir a respeito de suas perguntas e hipóteses iniciais de pesquisa. O estudante será capaz de analisar qualitativamente por meio de técnicas multivariadas, variáveis categóricas ou do tipo de medida nominal, ordinal, intervalar ou proporcional, com a utilização das técnicas apropriadas e interpretação dos resultados de forma coerente.

1. Fundamentação básica à análise multivariada; 2. Processo inicial para as análises estatística multivariada; 3. Distribuição Normal Multivariada; 4. Testes de Hipóteses para o Vetor de Médias (Harold Hotelling); 5. Análise da estrutura de covariância (ANCOVA); 6. Análise de componentes principais; 7. Análise da variância multivariada (MANOVA); 8. Análise fatorial (inferência sobre a estrutura das matrizes de covariância); 9. Análise discriminante; 10. Análise de classificação (Método de Fisher); 11. Análise de correspondência; 12. Análise de agrupamentos (Clusters); e 13. Escalonamento Multidimensional.

ANDERSON, T. W. An Introduction to Multivariate Statistical Analysis. 2ª ed. New York: John Wiley & Sons, 1984. ARBOLINO, Roberta et al. Towards a sustainable industrial ecology: Implementation of a novel approach in the performance evaluation of Italian regions. Journal of Cleaner Production, v. 178, p. 220-236, 2018. BAROUCHE, J; SAPORTA G. Análise de dados. Rio de Janeiro: Zahar editores. 1980. BUSSAB, W.; O. MIAZAKI, E. S.; ANDRADE, D. F. Introdução à Análise de Agrupamentos. 9° SINAPE. São Paulo. 1990. CARDOSO, ANA. As Estratégias de Amostragem e a Inferência Estatística. ANAIS do Instituto Hidrográfico, p. 117, 2005. DOABI, SHAHAB AHMADI; AFYUNI, MAJID; KARAMI, MAHIN. Multivariate statistical analysis of heavy metals contamination in atmospheric dust of Kermanshah province, western Iran, during the spring and summer 2013. Journal of Geochemical Exploration, v. 180, p. 61-70, 2017. EVERITT, B. S. Graphical Techniques for Multivariate Data. London: Heinemann Educational Books, 1978. GREENACRE, Michael; BLASIUS, Jorg (Ed.). Multiple correspondence analysis and related methods. CRC press, 2006. GREENACRE, M. J. Theory and Applications of Correspondence Analysis. New York: Academic Press, 1984. JOHNSON, R. A.; WICHERN, D. W. Applied Multivariate Statistical Analysis. New Jersey: Englewood Cliffs, 1998. MORRISON, D. F. Multivariate Statistical Methods. McGraw-Hill, 1976. HAIR, A. et all. Análise Multivariada de dados. Porto Alegre: Artmed. 2005. HERRANDO PÉREZ, SALVADOR. Manual de ecología matemáticaun enfoque práctico al análisis multivariado (PCA, CLUSTER y MDS) para detectar patrones en ecología. 2002. HOU, DEYI et al. Integrated GIS and multivariate statistical analysis for regional scale assessment of heavy metal soil contamination: A critical review. Environmental Pollution, v. 231, p. 1188-1200, 2017. JOHNSON, Richard Arnold et al. Applied multivariate statistical analysis. Upper Saddle River, NJ: Prentice hall, 2002. JOHNSON, RICHARD A.; WICHERN, Dean V. Applied Multivariate Statistical Analysis. 2014. LANDIM, P. M. B. Análise estatística de dados geológicos multivariados. Oficina de Textos, 2011. KHATTREE R.; NAIK, D. Multivariate data reduction and discrimination – with SAS software. SAS USA: Institute Inc. North Caroline. 2000. MARDIA, K.V.; KENT, J.T.; BIBBY, J.M. Multivariate analysis. London: Academic,. 1979. PLA, LAURA E. Análisis multivariado: método de componentes principales. OEA, Washington, DC (EUA). Secretaría General. Programa Regional de Desarrollo Científico y Tecnológico, 1986. PEREIRA, J. C. R. Análise de dados qualitativos: estratégias metodológicas para as ciências da saúde humanas e sociais. Edusp, 1999. REIS, ELIZABETH. Estatística multivariada aplicada. Edições Sílabo, 2001. SEBER, GEORGE AF. Multivariate observations. John Wiley & Sons, 2009. TEFAS, Anastasios; PITAS, Ioannis. Principal Component Analysis. Intelligent Systems, 2018. ZOU, HUI; HASTIE, TREVOR; TIBSHIRANI, Robert. Sparse principal component analysis. Journal of computational and graphical statistics, v. 15, n. 2, p. 265-286, 2006