16 al 20 de marzo de 2020 
Aula de Posgrado Facultad de Ciencias Agrarias UNR
Campo Experimental Villarino – Zavalla Santa Fe

Docentes:
Dra. Celina Beltrán
Lic. Ivana Barbona

Objetivos:

  • Brindar al alumno un marco básico de Teoría General de los Análisis Multivariados.
  • Aplicar los distintos métodos de Clasificación y Ordenamiento Multivariados.
  • Establecer criterios para la aplicación de distintas metodologías de inferencia Multivariada.

Contenidos:

Tema 1 (carga horaria: 2 hs):
Introducción.
Algunos ejemplos de aplicación de técnicas de Análisis  Multivariado. Organización de la información. Estadísticos descriptivos: vector de media, matrices de variazas y covarianzas y de correlación. Distancias. Distribución Normal Multivariada. Estudio del supuesto de normalidad.

Tema 2 (carga horaria: 3 hs):
Inferencia con datos multivariados.
Distribuciones de probabilidad multivariadas: la normal k dimensional, distribución de Wishart, T2 de Hotelling. Test de hipótesis para el vector de medias y la matriz de variancias y covariancias de una población normal multivariada.

Tema 3 (carga horaria: 6 hs):
Análisis de Medidas repetidas.
Introducción, objetivos y ejemplos. Estudio de las distintas estructuras de la matriz de varianzas y covarianzas. Modelos mixtos para mediciones repetidas en el tiempo. Ejemplos de aplicación.

Tema 4 (carga horaria: 4 hs):
Componentes principales.
Introducción y objetivos. Componentes principales poblacionales y muestrales. Interpretación de las componentes principales. Ejemplos de aplicación.

Tema 5 (carga horaria: 4 hs):
Técnicas de clasificación no supervisadas.
 Introducción, objetivos y ejemplos. Agrupamientos (clustering) jerárquicos y no jerárquicos. Ejemplos de aplicación.

Tema 6 (carga horaria: 6 hs):
Técnicas de clasificación supervisadas.
Regresión logística. Árboles de clasificación (CART). Support Vector Machine (SVM). Ejemplos de aplicación.

Programa analítico de prácticos (carga horaria: 25 hs):

  1. Resolución de problemas y ejercicios sobre Inferencia multivariada.
  2. Resolución de problemas y ejercicios sobre Medidas repetidas.
  3. Resolución de problemas y ejercicios sobre Componentes principales.
  4. Resolución de problemas y ejercicios sobre Clasificación no supervisada.
  5. Resolución de problemas y ejercicios sobre Clasificación supervisada.

Actividades y formas de evaluación:
La metodología consistirá en clases teóricas y clases prácticas.
La evaluación constará de un examen final diferido que los alumnos deberán resolver individualmente y entregar en un lapso de dos semanas.

Requisitos para la aprobación:
Asistencia al 75 % de las clases y obtención de 6 puntos sobre 10 en el examen final diferido. Profesionales a los que está dirigido el curso:Biólogos, Ingenieros Agrónomos, Licenciados en Genética, Licenciados en Biotecnología, Licenciados en Análisis de Sistemas, Ingenieros Electrónicos, Licenciados en Estadística y carreras afines a Bioinformática. Cupo:Un máximo de 25 alumnos.

Carga horaria:
50 hs, 25 hs de Clases Teóricas y 25 hs de Clases Prácticas, presenciales

Arancel a confirmar

Bibliografía:

  • Cuadras, C.M. (2014) “Nuevos Métodos de Análisis Multivariante”. CMC Editions. Barcelona, España.
  • Geert, V. y Geert, M. (2000) “Linear Mixed Models for Longitudinal Data”. Springer-Verlag New York, Inc.
  • Johnson, R. A. y Wichern, D. W. (2007). “Applied Multivariate Statistical Analysis”. Prentice-Hall International, Inc.
  • Johnson, Dallas (2000) “Métodos Multivariados Aplicados al Análisis de Datos”. International Thompson Editores.
  • Khattre R. y Naik D. (1999) Applied Multivariate Statistics with SAS Software.
  • SAS. Institute Inc. Cary, NC. USA
  • Khattre R. y Naik D. (2000) Multivariate Data Reduction and Discriminatio with SAS Software. SAS Institute Inc. Cary, NC. USA
  • Manly B.F.J. (1994) Multivariate Statistical Methods. Chapman & Hall. London. UK
  • Peña, Daniel (2004). “Análisis Multivariante”. Mc.Graw Hill

Leave a Reply