Estadística Multivariante

Condiciones de admisión: Ser graduado universitario con título de veterinario, Médico Veterinario u otras ciencias biológicas-ambientales-químicas relacionadas (Licenciatura en Biotecnología, Licenciatura en Biología, Licenciatura en Biodiversidad, Ingeniería en Alimentos, Ingeniería Química, Licenciatura en Química, etc.).

Director: Dr. Rafael Lisandro Althaus.

Fecha de realización: Abril a junio de 2023. Fecha de inicio: 24 de abril de 2023.

CUPOS LIMITADOS.

Costo del Curso: $ 30.000 (pesos treinta mil).

Alumnos del Doctorado en Ciencias Veterinarias de la FCV-UNL y docentes de la FCV-UNL abonan el 50 %. $ 15.000.- (pesos quince mil).

Objetivo general:

• El presente curso persigue como objetivo principal lograr que el alumno pueda planificar, diseñar y analizar experimentos en forma multivariante a fin de resumir, interpretar y explicar la información de múltiples resultados tratando de predecir o estimar respuestas en situaciones complejas donde la estadística univariante resulta insuficiente.

Objetivos Específicos:

• Brindar a los estudiantes aprendizajes significativos, relevantes, duraderos y actualizados en el diseño y análisis de experimentos multivariante.
• Resolver problemas de las ciencias veterinarias donde se dispone de múltiples variables predictivas y variables respuestas.
• Diseñar experimentos que contemplen los efectos de múltiples factores y sus interacciones sobre múltiples variables respuestas.
• Utilizar los principales procedimientos de la estadística multivariante para afrontar las diferentes situaciones problemas que se puedan presentar en el campo de la ciencia veterinaria, la producción animal y tecnología de los alimentos.
• Confeccionar en forma adecuada un informe donde se resuman los resultados de los estudios y análisis multivariante.
• Interpretar trabajos científicos publicados que hagan uso de diversas técnicas de la estadística multivariante, detectando fortalezas y debilidades en su diseño y/o análisis que puedan afectar la interpretación de los resultados.
• Transferir los conocimientos adquiridos en esta asignatura a la praxis del campo de la investigación y desarrollo de la parte experimental de la Tesis.
• Desarrollar habilidades manuales en el uso de software estadísticos.
• Socializar los conocimientos a través de prácticas concretas de cooperación en instancias grupales de trabajo en los espacios dedicados a la resolución de problemas.

PROGRAMA:

• Unidad 1: Matriz. Concepto y operaciones con matrices. Escalado y tipificación de una matriz. La importancia de la matriz de datos en un trabajo de investigación. Traslación, transformación, eliminación de datos aberrantes. Centro de gravedad e inercia de una nube de puntos. Matríz SCPC. Matriz de Varianza-Covarianza. Matriz de correlaciones. Preparación de la matriz de datos para el tratamiento multivariado de los datos. Datos ausentes. Imputación de datos ausentes.
• Unidad 2: Modelos de Regresión Lineal Múltiple (RLM) Fases de un estudio mediante regresión lineal Múltiple. Revisión de la Regresión lineal simple y Coeficiente de  regresión. Regresión Lineal Múltiple. Inclusión de relaciones no lineales. Variables cualitativas e interacciones en los modelos de regresión. Validación del modelo. Análisis de los residuos. Comprobación del grado de acoplamiento. Métodos secuenciales en el análisis de Regresión Múltiple: stepwise, fortward y backward.
• Unidad 3: Modelo de Regresión Logística Múltiple (MRL). Construcción de modelos de regresión logística. Interacciones y variables dummy. Estimación de parámetros mediante el método de la máxima verosimilitud. Modelo logístico multinomial. Métodos secuenciales stepwise fortward y backward en el MRL. Coeficiente de concordancia del modelo. Test de Bondad de Ajuste.
• Unidad 4: Análisis Multivariante de la Varianza (MANOVA). Matriz de datos. Distancias: concepto y tipos de distancias. Modelo probabilístico en un espacio j-dimensional. Distancia generalizada de Mahalanobis. Proyecciones sobre ejes, planos y subespacios. Eje de máxima inercia. T2 de Hotelling. Análisis multivariante de la varianza (MANOVA). Δ de Wilks. Modelos para el análisis de efectos simultáneo de múltiples factores e interacciones sobre múltiples variables respuesta.
• Unidad 5: Introducción a las técnicas de análisis multivariante para resumir la información. Técnicas no de análisis supervisado: Análisis por Componentes Principales (ACP). Análisis Factorial de Correlaciones (AFC). Técnicas para clasificación: Análisis Cluster jerárquico (ACJ) y no jerárquico (ACnJ).
• Unidad 6: Técnicas de análisis supervisado. Análisis Factorial Discriminante (AFD). Análisis por Correlaciones Canónicas (ACC).

Actividades prácticas:  Los alumnos realizaran ejercicios de “Análisis Estadístico Multivariante” propuestos por el docente sobre los siguientes temas: Modelo de Regresión Lineal Múltiple (RLM). Métodos secuenciales forward, backward, stepwisse. Modelo de Regresión Logística Múltiple (MRL). Métodos secuenciales forward, backward, stepwisse. Ejercicios de Análisis por Componentes Principales (ACP) y Análisis factorial de Correlaciones (AFC), Análisis de resultados, presentación de resultados. Ejemplos de Análisis Cluster, resolución presentación de los resultados. Análisis factorial Discriminante (AFD). Método secuencial. Análisis, interpretación y presentación de los resultados. Análisis por Correlaciones Canónicas (ACC).

Los alumnos analizarán y resolverán ejercicios basados en artículos científicos utilizando el software estadístico StataGraphics Centurion. Las clases prácticas se desarrollarán en el aula de informática.

Se otorgarán 3 UCAs a los alumnos de la carrera del Doctorado en Ciencias Veterinarias de la FCV, que acrediten el presente curso.

Más información e inscripciones: posgrado@fcv.unl.edu.ar

Whatsapp: 54 9 3496 561079

Link de inscripción: https://docs.google.com/forms/d/e/1FAIpQLSfpeWFWXKRS--ce5KCjTuVUiRIr95sa8wwfeMwU-G3ndF0uUg/viewform