Guía docente de Técnicas Básicas de Estadística Multivariante (22311J1)

Curso 2024/2025
Fecha de aprobación: 25/06/2024

Grado

Grado en Estadística

Rama

Ciencias

Módulo

Técnicas Estadísticas Multivariantes y Aplicaciones

Materia

Técnicas Estadísticas Multivariantes y Aplicaciones

Curso

4

Semestre

1

Créditos

6

Tipo

Optativa

Profesorado

Teórico

Francisco Javier Arnedo Fernández. Grupo: A

Práctico

Francisco Javier Arnedo Fernández Grupo: 1

Tutorías

Francisco Javier Arnedo Fernández

Email
No hay tutorías asignadas para el curso académico.

Prerrequisitos y/o Recomendaciones

Se recomienda la realización previa de la materia Inferencia Estadística y Análisis Multivariante del módulo Estadística, y los módulos Probabilidad y Estadística Computacional.

Breve descripción de contenidos (Según memoria de verificación del Máster)

  • Análisis de Componentes Principales y Análisis Factorial Exploratorio.
  • Análisis Factorial Confirmatorio. Modelos LISREL.
  • Análisis de Correlaciones Canónicas.

Competencias

Competencias Generales

  • CG01. CG01. Poseer los conocimientos básicos de los distintos módulos que, partiendo de la base de la educación secundaria general, y apoyándose en libros de texto avanzados, se desarrollan en la propuesta de título de Grado en Estadística que se presenta. 
  • CG02. CG02. Saber aplicar los conocimientos básicos de cada módulo a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de la Estadística y ámbitos en que esta se aplica directamente.  
  • CG03. CG03. Saber reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.  
  • CG04. CG04. Poder transmitir información, ideas, problemas y sus soluciones, de forma escrita u oral, a un público tanto especializado como no especializado.  
  • CG05. CG05. Haber desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.  
  • CG06. CG06. Saber utilizar herramientas de búsqueda de recursos bibliográficos.  
  • CG07. CG07. Poder comunicarse en otra lengua de relevancia en el ámbito científico.  
  • CG08. CG08. Poseer habilidades y aptitudes que favorezcan el espíritu emprendedor en el ámbito de aplicación y desarrollo de su formación académica. 
  • CG09. CG09. Fomentar y garantizar el respeto a los Derechos Humanos, a los principios de accesibilidad universal, igualdad, y no discriminación; y los valores democráticos, de la cultura de la paz y de igualdad de género. 

Competencias Específicas

  • CE01. CE01. Conocer los fundamentos básicos del razonamiento estadístico, en el diseño de estudios, en la recogida de información, en el análisis de datos y en la extracción de conclusiones. 
  • CE02. CE02. Conocer, saber seleccionar y saber aplicar, técnicas de adquisición de datos para su tratamiento estadístico. 
  • CE03. CE03. Conocer los fundamentos teóricos y saber aplicar modelos y técnicas estadísticas en estudios y problemas reales en diversos ámbitos científicos y sociales. 
  • CE04. CE04. Saber seleccionar los modelos o técnicas estadísticas para su aplicación en estudios y problemas reales en diversos ámbitos científicos y sociales, así como conocer herramientas de validación de los mismos. 
  • CE08. CE08. Conocer y saber utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, bases de datos, visualización gráfica y optimización, que sean útiles para la aplicación y desarrollo de las técnicas estadísticas. 
  • CE09. CE09. Conocer los conceptos básicos y habilidades propias de un ámbito científico o social en el que la Estadística o la Investigación operativa sean una herramienta fundamental. 
  • CE10. CE10. Tomar conciencia de la necesidad de asumir las normas de ética profesional y las relativas a la protección de datos y del secreto estadístico, como premisas que deben guiar la actividad profesional como profesionales de la Estadística. 

Resultados de aprendizaje (Objetivos)

  • Conocer los fundamentos teóricos imprescindibles (modelos; objetivos prácticos que resuelven; hipótesis estadístico-matemáticas; versiones teóricas y muestrales; etc.) de las más importantes técnicas estadísticas multivariantes paramétricas.
  • Tener destrezas en la aplicación, con apoyo de software estadístico (esencialmente R), de las mencionadas técnicas multivariantes.
  • Adquirir destreza en la resolución de casos reales, con p-variables y observaciones muestrales dadas, detectando la/s técnica/s multivariante/s más adecuada/s; comprobando el grado de verificación de las hipótesis estadísticas requeridas por cada técnica; y efectuar la discusión de los resultados obtenidos plasmados en un informe estadístico final.

Programa de contenidos Teóricos y Prácticos

Teórico

  • Tema 1. Análisis de Componentes Principales.
    • El problema de la Reducción de la Dimensionalidad.
    • Formulación del modelo.
    • Obtención de las componentes.
    • Consideraciones en las aplicaciones: interpretación de las componentes, puntuaciones de los individuos en las componentes.
    • Herramientas para su aplicación en R.
    • Ejemplos prácticos de aplicación.
  • Tema 2. Otras Técnicas de Reducción de la Dimensionalidad
    • Modelos alternativos al Análisis de Componentes Principales.
    • Formulaciones de los modelos.
    • Consideraciones en las aplicaciones.
    • Herramientas para su aplicación en R.
    • Ejemplos prácticos de aplicación.
  • Tema 3. Análisis Factorial Exploratorio.
    • Formulación del modelo.
    • El problema de las rotaciones factoriales.
    • Consideraciones sobre las interpretaciones.
    • Herramientas para su aplicación en R.
    • Ejemplos prácticos de aplicación.
  • Tema 4. Análisis Factorial Confirmatorio.
    • Formulación del modelo.
    • Consideraciones sobre las interpretaciones.
    • Herramientas para su aplicación en R.
    • Ejemplos prácticos de aplicación.
  • Tema 5. Modelos de Ecuaciones Estructurales.
    • Formulación del modelo.
    • Consideraciones sobre las interpretaciones.
    • Herramientas para su aplicación en R.
    • Ejemplos prácticos de aplicación.
  • Tema 6. Análisis de Correlaciones Canónicas.
    • Formulación del modelo.
    • Obtención de las variables y correlaciones canónicas.
    • Inferencia en el modelo.
    • Herramientas para su aplicación en R.
    • Ejemplos prácticos de aplicación.

Práctico

  • Prácticas 1-3. Análisis de Componentes Principales en R.
  • Prácticas 4-6. Técnicas alternativas de Reducción de la Dimensionalidad en R.
  • Prácticas 7-8. Análisis Factorial Exploratorio en R.
  • Práctica 9. Análisis Factorial Confirmatorio en R.
  • Práctica 10. Modelos de Ecuaciones Estructurales en R.
  • Práctica 11. Análisis de Correlaciones Canónicas en R.

Bibliografía

Bibliografía fundamental

  • EVERITT, B. & HOTHORN, T. (2011). An Introduction to Applied Multivariate Analysis with R. Springer.
  • WOLFGANG, K.H & LEOPOLD, S. (2015), Applied Multivariate Statistical Analysis, Fourth Edition. Springer.
  • PEÑA, D. (2002). Análisis de datos multivariantes. McGraw-Hill.
  • EVERITT, B. & HOTHORN, T. (2006). A Handbook of Statistical Analysis using R. Chapman & Hall/CRC.
  • EVERITT, B. and DUNN, G. (1998). Applied Multivariate Data Analysis, Edward Arnold, London
  • BISQUERRA, R. (1989). Introducción Conceptual al Análisis Multivariable. PPU.
  • CRAWLEY, M. (2007). The R Book. Willey.
  • DALGAARD, P. (2002), Introductory Statistics with R. Springer, New York.
  • MARDIA K.V. & BIBBY, K.J.M. (1997). Multivariate Analysis. London: Academic Press.

Bibliografía complementaria

  • FARAWAY, J. (2006), Extending the Linear Model with R.Chapman & Hall/CRC.
  • FARAWAY, J. (2004). Linear Models with R. Boca Raton, FL: Chapman & Hall/CRC.
  • HARRELLl, F. (2001). Regression Modelling Strategies. New York: Springer Verlag.
  • JOHNSON, R. A. & WICHERN, D. W. (1998). Applied Multivariate Analysis, 4th edition, Prentice Hall, Englewood Cliffs, New Jersey.
  • VERZANI, J. (2004). Using R for Introductory Statistics. Boca Raton, FL: Chapman & Hall/CRC.
  • VOLLE, M. (1989). Analyse des données. Economica.
  • WEISBERG, S. (2005). Applied Linear Regression (3 ed.). New York: Wiley.

Enlaces recomendados

Using the Rstudio IDE

https://rmarkdown.rstudio.com

Metodología docente

  • MD01. MD1. Lección magistral/expositiva 
  • MD02. MD2. Sesiones de discusión y debate 
  • MD03. MD3. Resolución de problemas y estudio de casos prácticos 
  • MD04. MD4. Prácticas en sala de informática 
  • MD05. MD5. Seminarios 
  • MD06. MD6. Ejercicios de simulación 
  • MD07. MD7. Análisis de fuentes y documentos 
  • MD08. MD8. Realización de trabajos en grupo 
  • MD09. MD9. Realización de trabajos individuales 

Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final)

Evaluación Ordinaria

La superación de cualquiera de las pruebas no se logrará sin un conocimiento uniforme y equilibrado de toda la materia. Se tendrán en cuenta los siguientes procedimientos, aspectos y criterios, asignando a cada uno de ellos un porcentaje que se mantenga en el rango indicado y de tal manera que la suma de los tres constituya el total (100%) de la calificación:

Pruebas específicas de conocimientos, orales y escritas.

40%

Trabajos prácticos y seminarios. Producciones de los alumnos, individuales o de grupo, a través de cuadernos de trabajo presentaciones, e-portfolios, entrevistas, y cuestionarios.

50%

Participación, actitud y esfuerzo personal de los alumnos en las actividades formativas. Autoevaluación razonada.

10%

Evaluación Extraordinaria

Evaluación única final

Información adicional

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

Software Libre

R. RStudio.