Curso de Posgrado en Estadística y Biometría - UNC - Universidad Nacional de Córdoba
Curso de Posgrado en Estadística y Biometría
La carrera Curso de Posgrado en Estadística y Biometría es uno de los Cursos Cortos de Matemática, Economía y Finanzas que dicta la Universidad Nacional de Córdoba
Duración
El título de Curso de Posgrado en Estadística y Biometría es el título que otorga la Universidad Nacional de Córdoba para la carrera de Curso en Matemática
Descripción
El objetivo de este curso es brindar elementos teóricos y prácticos para el soporte de estudios observacionales y/o experimentales en Ciencias Agropecuarias y afines. Con el fin de:- Desarrollar habilidades para el análisis de información con soporte computacional, proveyendo herramientas para realizar análisis estadísticos clásicos, interpretar salidas de computadoras, realizar análisis diagnóstico, y fortalecer la interpretación y escritura de publicaciones científicas que hacen uso de terminología estadística.
- Estimular el pensamiento crítico para abordar nuevos problemas de investigación y desarrollar una estrategia de análisis en el contexto de la modelación estadística.
- Ofrecer espacios de discusión en relación a metodologías para el análisis de información multivariada.
Los asistentes al curso deberán llevar sus propias notebooks.
Plan de Estudios
El curso se realizará en dos encuentros de una semana de duración. Carga horaria de 80 horas. El curso se desarrollará en las instalaciones de la Escuela para Graduados de la Facultad de Ciencias Agropecuarias.
El curso de Estadística y Biometría de este ciclo constará de tres módulos: Estadística e introducción al manejo de software (Unidades 1 y 2), Diseño de experimentos (Unidades 3 y 4) y Análisis multivariado (Unidades 5, 6 y 7).
Unidad 1: Estadística Descriptiva
Unidad 2: Estadística Inferencial
Unidad 3: Diseño de Experimentos
Unidad 4. Modelos de Regresión
Unidad 5. Análisis de Conglomerados
Unidad 6. Técnicas de reducción de la dimensionalidad
Unidad 7. Métodos de clasificación supervisada
Unidad 1: Estadística Descriptiva
- Estadística descriptiva. Variables aleatorias y distribuciones de probabilidades. Distribución de estadísticos muestrales. Uso de InfoStat para resumir información y para el cálculo de probabilidades bajo modelos distribucionales.
Unidad 2: Estadística Inferencial
- Métodos de estimación y regiones de confianza. Principios de la prueba de hipótesis, errores, valores p. Inferencia basada en dos muestras Inferencia basada en varias muestras (Análisis de la Varianza). Asociación entre variables (Análisis de regresión lineal, análisis de correlación).
Unidad 3: Diseño de Experimentos
- Elementos del diseño de experimentos.
- Arreglo factorial de tratamientos.
- Modelos lineales mixtos – principios – aplicación al análisis de ensayos.
- Diseño completamente aleatorizado. Diseño en bloques. Diseño en parcelas divididas y sub-divididas. Diseños en franjas, Bloques incompletos, otros diseños con estructura de parcela compleja. Modelos que incluyenCovariables.
Unidad 4. Modelos de Regresión
- El modelo lineal de regresión. Regresión lineal simple. Coeficientes de regresión: estimación e intervalos de confianza. Prueba de hipótesis. Análisis de residuos. Adecuación del modelo.
- Regresión múltiple. Selección de Modelos. Interpretación de los coeficientes de regresión múltiple. Pruebas de hipótesis. Modelo de regresión polinómica. Utilización de variables auxiliares en regresión múltiple.
Unidad 5. Análisis de Conglomerados
- Métricas para establecer distancias
- Métodos jerárquicos
- Métodos no jerárquicos
- Criterios para selección de número óptimo de grupos.
Unidad 6. Técnicas de reducción de la dimensionalidad
- Concepto de dimensionalidad
- Componentes principales
- Derivación de la técnica
- Interpretación de autovalores y autovectores
- Bi-plots
- Escalamiento multidimiensional métrico
Unidad 7. Métodos de clasificación supervisada
- Discriminante lineal
- Derivación – interpretación de los coeficientes de las funciones discriminantes.
- Bi-plots.
- Matrices de clasificación por substitución y por validación cruzada.
- Métodos no paramétricos de discriminación
- K-vecinos más cercanos
- Árboles de clasificación.
