=LDR  08408nam  22004572  4500
=001  2ab2e4f0-3340-4f94-bfae-9c26f13c170b
=006  m\\\\\o\\d\\\\\\\\
=007  cr\\n\\\\\\\\\
=008  250616t20252025\\\\\\\\ob\\\\000\0\spa\d
=020  \\$a9789915698120$q(PDF)
=020  \\$a9789915698120$q(HTML)
=020  \\$a9789915698120$q(XML)
=024  7\$a10.70288/emc.9789915698120$2doi
=040  \\$aUkCbTOM$beng$elocal
=072   7$aMAT043000$2bisacsh
=072   7$aPBTB$2thema
=100  1\$aGómez Arce, Ricardo Martín,$eauthor.$uNational University of Trujillo.$0(orcid)0000000327634399$1https://orcid.org/0000-0003-2763-4399
=245  10$aEstadística bayesiana, análisis de componentes principales y factorial aplicado a la investigación científica /$cRicardo Martín Gómez Arce, Víctor Humberto Mattos Núñez, María del Pilar Ríos García, Mariel del Rocío Chotón Calvo, Luis Alberto De la Cruz Estrada, Juan Santiago Blas Pérez.
=264  \1$aColonia del Sacramento, Uruguay :$bEditorial Mar Caribe,$c2025.
=264  \4$c©2025
=300  \\$a1 online resource (117 pages).
=336  \\$atext$btxt$2rdacontent
=337  \\$acomputer$bc$2rdamedia
=338  \\$aonline resource$bcr$2rdacarrier
=500  \\$aAvailable through Editorial Mar Caribe.
=504  \\$aIncludes bibliography (pages 113-117).
=505  0\$aIntroducción7Capítulo I9Estadística bayesiana en la investigación científica: Toma de decisiones bajo incertidumbre y análisis de datos complejos91.1 Fundamentos de la estadística bayesiana: prior, verosimilitud y posterior101.1.1 Teorema de Bayes y su aplicación111.1.2 Aplicaciones de la estadística bayesiana en la investigación121.1.3 Problemas de computación y algoritmos141.2 Estadística bayesiana para el cálculo e interpretación de la distribución a posteriori en la toma de decisiones171.2.1 Historia, actualidad y evolución de la estadística bayesiana181.2.2 Fundamentos del teorema de Bayes191.2.3 Implicaciones de los resultados en la toma de decisiones241.3 La inferencia bayesiana como replicación y cuantificación en la investigación científica261.3.1 Interpretación de probabilidades en contexto bayesiano281.3.2 Implementación de la inferencia bayesiana ,en el contexto de investigación científica31Capítulo II33Análisis de componentes principales en la investigación científica: Patrones y tendencias significativas332.1 Fundamentos del análisis de componentes principales342.1.1 Aplicaciones en la investigación científica352.1.2 Limitaciones del método372.2 Dominando el Análisis de Componentes Principales en R: Sintaxis, Geometría y Aplicaciones Prácticas402.2.1 Aplicaciones prácticas del PCA en diversas disciplinas y sintaxis de programación en R Studio412.2.2 Concepto de varianza y covarianza en el espacio de datos432.3 Análisis de Componentes Principales: Simplificación y Comprensión en la Investigación Experimental462.3.1 Aplicaciones en investigación experimental472.4 Aplicaciones del ACP en la validación de instrumentos: Base en la investigación experimental512.4.1 Aplicaciones del ACP en la validación de instrumentos53Capítulo III57Análisis Factorial Exploratorio (AFE): Desarrollo y validación de escalas  y cuestionarios en la investigación científica573.1 Desarrollo de escalas y cuestionarios583.1.1 Validación de escalas y cuestionarios603.2 Análisis Factorial Exploratorio: Un enfoque integral633.2.1 Proceso de implementación del análisis factorial exploratorio663.2.2 Aplicaciones del análisis factorial exploratorio en la investigación científica683.3 Análisis Factorial en la Investigación Científica: Teorización, Instrumentos Psicométricos y Reducción de Datos703.3.1 Desarrollo de Teorías a Través del Análisis Factorial713.3.2 Instrumentos Psicométricos y su Relación con el Análisis Factorial723.4 Técnicas de análisis factorial para diferentes escenarios de medición y datos783.4.1 Análisis de Varianza y su Relación con el Análisis Factorial793.4.2 Modelos de Factores Confirmatorios793.4.3 Escenarios de Medición con Datos Categóricos803.4.4 Problemas de Multicolinealidad83Capítulo IV86Análisis factorial confirmatorio: Un modelo gestión de la investigación864.1 Fundamentos teóricos del análisis factorial confirmatorio874.1.1 Aplicaciones prácticas del análisis factorial confirmatorio894.2 Evaluación de la Validez y Fiabilidad de Cuestionarios: Un Enfoque mediante Análisis Factorial Confirmatorio934.2.1 Diferencias entre análisis factorial exploratorio y confirmatorio en términos de validez y confiabilidad954.3 Análisis Factorial Confirmatorio (AFC): Comprendiendo la Naturaleza del Constructo en la Investigación994.3.1 El constructo en la investigación1014.3.2 Aplicaciones del análisis factorial confirmatorio1024.4 Análisis Factorial Confirmatorio: Técnicas y Evaluación de la Bondad de Ajuste en la Investigación Social1044.4.1 Índices de ajuste: CFI, TLI, RMSEA105Conclusión110Bibliografía113
=506  0\$aOpen Access$fUnrestricted online access$2star
=520  \\$aLa estadística bayesiana, el análisis de componentes principales (ACP) y el análisis factorial exploratorio (AFE) son herramientas complementarias que, cuando se integran adecuadamente, pueden enriquecer significativamente la investigación transdisciplinar. La estadística bayesiana, con su enfoque en la actualización de creencias a partir de evidencia nueva, proporciona un marco robusto para la toma de decisiones en contextos donde la incertidumbre es un factor crítico.  Por otro lado, el ACP permite reducir la dimensionalidad de grandes conjuntos de datos, facilitando la identificación de patrones subyacentes y la visualización de relaciones complejas. En tanto, el AFE se centra en la estructura latente de los datos, permitiendo a los estudiosos explorar y confirmar teorías sobre las relaciones entre variables.Los autores, a través de este libro, contextualizan la investigación científica desde el área de Matemáticas Estadísticas, pero sin dejar de lado a la transdisciplinariedad, donde convergen diversas disciplinas y se abordan problemas complejos. He aquí la importancia de la estadística bayesiana, pues,  ofrece herramientas versátiles y adaptativas que enriquecen el análisis de datos y fomentan una mejor comprensión de fenómenos multifacéticos. Por lo que la investigación transdisciplinar implica la colaboración entre diferentes disciplinas para resolver problemas complejos que no pueden ser abordados adecuadamente desde una única perspectiva. En este ámbito, la estadística bayesiana se convierte en un recurso invaluable, por su capacidad para integrar información de múltiples fuentes y su enfoque en la actualización de creencias a medida que se obtienen nuevos datos que permiten a los investigadores transdisciplinarios construir modelos más robustos y adaptativos.
=538  \\$aMode of access: World Wide Web.
=540  \\$aThe text of this book is licensed under a Creative Commons Attribution-NonCommercial 4.0 International license (CC BY-NC 4.0). For more detailed information consult the publisher's website.$uhttps://creativecommons.org/licenses/by-nc/4.0/
=588  0\$aMetadata licensed under CC0 Public Domain Dedication.
=700  1\$aMattos Núñez, Víctor Humberto,$eauthor.$uNational University Toribio Rodríguez de Mendoza.$0(orcid)0009000460482870$1https://orcid.org/0009-0004-6048-2870
=700  1\$aRíos García, María del Pilar,$eauthor.$uUniversidad Nacional de Tumbes.$0(orcid)0000000202366810$1https://orcid.org/0000-0002-0236-6810
=700  1\$aChotón Calvo, Mariel del Rocío,$eauthor.$uNational University Toribio Rodríguez de Mendoza.$0(orcid)0000000168709268$1https://orcid.org/0000-0001-6870-9268
=700  1\$aDe la Cruz Estrada, Luis Alberto,$eauthor.$uUniversidad Nacional de Tumbes.$0(orcid)0009000737456799$1https://orcid.org/0009-0007-3745-6799
=700  1\$aBlas Pérez, Juan Santiago,$eauthor.$uUniversidad Nacional de Tumbes.$0(orcid)0000000297413164$1https://orcid.org/0000-0002-9741-3164
=710  2\$aEditorial Mar Caribe,$epublisher.
=856  40$uhttps://doi.org/10.70288/emc.9789915698120$zConnect to e-book
=856  42$uhttps://editorialmarcaribe.es/wp-content/uploads/2025/06/Portada-7.png$zConnect to cover image
=856  42$uhttps://creativecommons.org/publicdomain/zero/1.0/$zCC0 Metadata License