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

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

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

• 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.

• 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.

• 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.

• 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.

• 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.

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.

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0

Cualquier elemento de esta guía podrá ser adaptado para atender a la diversidad del alumnado teniendo en cuenta los informes facilitados por los tutores NEAE, y siempre siguiendo la Normativa de la Universidad de Granada: https://www.ugr.es/sites/default/files/2017-09/NCG1114.pdf

Siguiendo las indicaciones recogidas en la Normativa de Evaluación y de Calificación de los estudiantes de la Universidad de Granada:

https://www.ugr.es/universidad/normativa/texto-consolidado-normativa-evaluacion-calificacion-estudiantes-universidad-granada

destacamos los puntos 1 y 2 recogidos en el artículo 15 sobre la originalidad de los trabajos presentados por los alumnos:

1. La Universidad de Granada fomentará el respeto a la propiedad intelectual y transmitirá a los estudiantes que el plagio es una práctica contraria a los principios que rigen la formación universitaria. Para ello procederá a reconocer la autoría de los trabajos y su protección de acuerdo con la propiedad intelectual según establezca la legislación vigente.

2. El plagio, entendido como la presentación de un trabajo u obra hecho por otra persona como propio o la copia de textos sin citar su procedencia y dándolos como de elaboración propia, conllevará automáticamente la calificación numérica de cero en la asignatura en la que se hubiera detectado, independientemente del resto de las calificaciones que el estudiante hubiera obtenido. Esta consecuencia debe entenderse sin perjuicio de las responsabilidades disciplinarias en las que pudieran incurrir los estudiantes que plagien.

R. RStudio.