Guía docente de Técnicas Avanzadas de Estadísticas Multivariante (22311J2)

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

• Técnicas probabilísticas de clasificación. Análisis discriminante.
• Modelos estadísticos lineales multivariantes de rango máximo. Regresión lineal múltiple multivariante.
• Modelos estadísticos lineales multivariantes de rango no máximo. MANOVA y MANCOVA.

• 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 y no 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.

• Tema 1. Técnicas Probabilísticas de Clasificación
  • El problema general de clasificación.
  • Clasificación en el caso de poblaciones normales multivariantes.
  • Modelos lineales de clasificación.
  • Modelos no lineales de clasificación.
  • Implementación en R.
• Tema 2. Modelos de Predicción de Salida Múltiple
  • Transformaciones del problema de Salida Múltiple.
  • Regresión Múltiple Multivariante.
  • Otros modelos de Salida Múltiple.
  • Implementación en R.
• Tema 3. Análisis de la Varianza Multivariante.
  • Formulación del modelo.
  • Casos prácticos de aplicación.
  • Implementación en R.

• Práctica 1. El problema de la Clasificación en R.
• Prácticas 2-4. Clasificadores Lineales en R.
• Prácticas 5-6. Clasificadores No Lineales en R.
• Prácticas 7-8. Predictores de Salida Múltiple en R.
• Práctica 9. Análisis de la Varianza Multivariante en R.

• WOLFGANG, K.H & LEOPOLD, S. (2015), Applied Multivariate Statistical Analysis, Fourth Edition. Springer.
• PEÑA, D. (2002). Análisis de datos multivariantes. McGraw-Hill.
• JAMES, G.; WITTEN, D.; HASTIE T. & TIBSHIRANI R. (2021) An Introduction to Statistical Learning with Applications in R. Springer, 2nd ed.
• HASTIE, T.; TIBSHIRANI, R. & FRIEDMAN, J. (2009) The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer; 2nd ed.
• 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.
• EVERITT, B. & TORSTEN, H. (2006). A Handbook of Statistical Analysis using R. Chapman & Hall/CRC.
• EVERITT, B. and DUNN, G. (1998). Applied Multivariate Data Analysis, Edward Arnold, London.
• MARDIA K.V. & BIBBY, K.J.M. (1997). Multivariate Analysis. London: Academic Press.

• 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.

https://www.statlearning.com/

Using the Rstudio IDE

https://rmarkdown.rstudio.com

• 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 

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:

La evaluación extraordinaria establecida en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada, consistirá en un examen escrito en el que se incluirán preguntas teóricas y ejercicios prácticos sobre el temario que figura en esta guía docente.

La evaluación única final establecida en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada, consistirá en un examen escrito en el que se incluirán preguntas teóricas y ejercicios prácticos sobre el temario que figura en esta guía docente.

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).

R. RStudio.