Información:

  • Acreditación 4 créditos ECTS
  • Horas 100 horas
Realizar Compra:

Si eres afiliado, introduciendo el código FSIE0818 antes de realizar el pago, obtendrá un 30% de descuento en su compra.

Fundamentos de la investigación en ciencias de la salud: Análisis multivariante

Imagen del curso
Universidad de Nebrija    

Convocatorias

Del 25/10/2020 al 25/12/2020     -     Del 25/11/2020 al 25/01/2021     -     Del 25/12/2020 al 25/02/2021     -     Del 25/01/2021 al 25/03/2021     -    

Objetivo general

Conocer los fundamentos y técnicas más usuales del Análisis Estadístico Multivariante (AEM), con el fin de conocer las estructuras de datos y las técnicas de análisis multivariante de datos de clasificación y representación para la resolución de problemas estadísticos.

ÍNDICE

  • UNIDAD  I - EL ANÁLISIS MULTIVARIANTE

    1 - INTRODUCCIÓN AL ANÁLISIS MULTIVARIANTE

    2 - DISTRIBUCIÓN NORMAL MULTIVARIANTE

    3 – ESTIMACIÓN

    4 - CONTRASTE DE HIPÓTESIS

     

    UNIDAD  II - TÉCNICAS DE DEPENDENCIA

    5 - REGRESIÓN LINEAL MÚLTIPLE

    6 - ANÁLISIS DISCRIMINANTE

    7 - ANÁLISIS DE REGRESIÓN LOGÍSTICA

    8 - ANÁLISIS CONJUNTO

     

    UNIDAD  III - TÉCNICAS DE INTERDEPENDENCIA

    9. “ANÁLISIS FACTORIAL”

    10 - ANÁLISIS DE COMPONENTES PRINCIPALES

    11 - ANÁLISIS DE CORRESPONDENCIAS

    12 - ANÁLISIS DE CONGLOMERADOS

     

    13 – ESCALONAMIENTO

     

 

Objetivos específicos

BLOQUE I: I. El análisis multivariante

 

  • Comprender en qué consiste el análisis multivariante y qué tipo de análisis de datos permite realizar

  • Saber definir la distribución normal multivariante.

  • Saber que son las distribuciones marginales y condicionadas

  • Conocer las distribuciones de formas cuadráticas y las distribuciones aleatorias normales.

  • Saber interpretar la función de verosimilitud.

  • Comprender en qué consiste la estimación máximo verosímil.

  • Saber desarrollar e interpretar los contrastes de la razón de verosimilitudes, contrastes de unión-intersección, contrastes de hipótesis acerca del valor de medias y acerca de la matriz de varianzas-covarianzas y los contrastes de hipótesis múltiples MANOVA.

  • Saber qué son los intervalos de confianza múltiples y su interpretación.

 

BLOQUE II: Técnicas de Dependencia

 

  • Comprender y desarrollar la ecuación de regresión múltiple, así como el error estándar múltiple de estimación.

  • Saber medir la fuerza de la relación entre las variables independientes, utilizando los coeficientes múltiples de determinación

  • Comprender como se realiza un análisis de discriminación entre dos grupos con distribuciones conocidas y entre dos grupos con distribuciones conocidas y parámetros desconocidos.

  • Comprender cómo se realiza un análisis discriminante entre más de dos grupos.

  • Comprender el fundamento del modelo de Regresión Logística.

  • Comprender el concepto de “odd” (o “riesgo”).

  • Saber interpretación los parámetros del modelo de Regresión Logística.

  • Saber realizar una estimación del Modelo de Regresión Logística.

  • Comprender el Modelo de Regresión Multinomial

  • Comprender que nos permite obtener un análisis conjunto: explicar de forma cuantitativa las preferencias del consumidor “Partiendo de información no métrica (preferencias) nos proporciona información métrica (utilidades)”

  • Aplicar la estimación por mínimos cuadrados para ser capaz de estimar la importancia relativa de cada atributo, así como del Valor o Utilidad Parcial de las distintas opciones o niveles dentro de cada uno de ellos.

  • Interpretar los resultados, de este modo, comprenderá cómo se configura la estructura de preferencias de cada sujeto o grupo de sujeto.

 

BLOQUE III: Técnicas de Interdependencia

 

  • Comprender la estructura del modelo factorial: qué son los factores comunes y los factores específicos.

  • Indeterminación de las soluciones factoriales.

  • Obtención de soluciones: el método del factor principal y el método de máxima verosimilitud.

  • Rotación de las soluciones.

  • Puntuaciones factoriales

  • Conocer qué es el ACP y cuáles son las propiedades de las componentes principales.

  • Aprender a obtener las componentes principales a partir de una muestra

  • Conocer sus posibles aplicaciones.

  • Aprender a construir nubes de puntos y el significado de las distancias.

  • Comprender como se realiza un análisis de las nubes de puntos en  Rp (la nube de los n puntos–fila, en un subespacio p–dimensional) y Rn (nube de p puntos–columna en un espacio n–dimensional) y las relaciones entre ellas.

  • Aprender a reconstruir la tabla de frecuencias original.

  • Interpretación: las relaciones de dependencia e independencia de un conjunto de variables categóricas a partir de los datos de una tabla de contingencia.

  • Comprender los conceptos de  Distancias y similaridades.

  • Aprender los métodos de clasificación que ofrece el análisis de conglomerados: Clasificación jerárquica ascendente y descendente y Clasificación no jerárquica.

  • Entender que los encuestados utilizan dimensiones a la hora de evaluar a los objetos. 

  • Saber cuántas dimensiones utilizan.

  • Qué importancia relativa tiene cada dimensión y cómo se relacionan perceptualmente los objetos do es más adecuada la aplicación de cada uno de ellos.