DESCRIPCIÓN

En la asignatura Análisis Multivariante se presentarán los principales conceptos básicos, técnicas y resultados de las diferentes técnicas multivariantes. Se explicarán las definiciones, hipótesis y características fundamentales de las técnicas multivariantes más utilizadas. Se desarrollarán los métodos necesarios para aplicar estas técnicas en el contexto adecuado para cada una de ellas y, mediante los recursos computacionales apropiados, se aplicarán estas técnicas a casos prácticos y se interpretarán los resultados.



CONTEXTO

La asignatura Análisis Multivariante es optativa y está orientada al alumnado que quiere profundizar en el área de Estadística. Es necesario haber cursado con aprovechamiento la asignatura de Inferencia Estadística.

COMPETENCIAS ESPECÍFICAS

CM01 - Conocer en profundidad los conceptos y resultados de la estadística.

CM03 - Usar correctamente la terminología relacionada con los fenómenos aleatorios, el análisis de datos y la optimización de funciones lineales.

CM04 - Conocer en profundidad los conceptos y resultados del cálculo de probabilidades, la estadística y la programación matemática.

CM05 - Estar familiarizado con recursos informáticos apropiados para el tratamiento de las situaciones mencionadas y manejar correctamente algunos de ellos.

CM06 - Seleccionar correctamente la técnica de análisis adecuada, en función del objetivo que se persigue en el estudio de esas situaciones.

CM07 - Realizar correctamente los cálculos y/o visualizaciones gráficas que requieran tales situaciones, utilizando los recursos teóricos y/o computacionales apropiados.

CM08 - Interpretar con sentido crítico los resultados de los análisis realizados.



RESULTADOS

- Dado un fichero de datos, saber elegir el método más apropiado para realizar un análisis multivariante.

- Saber interpretar los resultados de los análisis multivariantes realizados.

- Utilizar correctamente recursos informáticos apropiados para los cálculos o visualizaciones gráficas que requiera el análisis multivariante de un conjunto de datos estadísticos.

1. INTRODUCCIÓN: orígenes y finalidad del Análisis Multivariante.

2. LA DISTRIBUCIÓN NORMAL MULTIVARIANTE: concepto y propiedades principales.

3. REGRESIÓN LINEAL MÚLTIPLE: introducción modelo de regresión, estimación de los parámetros, propiedades de los estimadores, inferencia, correlación, predicción y diagnosis.

4. MODELO LINEAL GENERAL: introducción, análisis de la varianza, modelo lineal general, confusión e interacción.

5. MODELOS LINEALES GENERALIZADOS: introducción, regresión logística binaria, regresión logística multinomial, regresión logística ordinal, regresión de Poisson.

6. ANÁLISIS FACTORIAL: tipos de análisis factorial, modelo, extracción y rotación de factores, análisis en componentes principales, comunalidades y bondad de ajuste.

7. ANÁLISIS DE CORRESPONDENCIAS: análisis general, ajuste de un subespacio a una nube de puntos, análisis de correspondencias simples, análisis de correspondencias múltiples.

8. CLASIFICACIÓN AUTOMÁTICA: tipos de clasificación, distancias y algoritmos, métodos jerárquicos y métodos no jerárquicos.



En las prácticas de ordenador se utilizarán recursos informáticos para la aplicación de las diferentes técnicas multivariantes que se desarrollan en el temario a un fichero de datos concreto. A partir de los resultados obtenidos, el alumnado desarrollará el informe estadístico correspondiente.

A principio de curso se publicarán en la plataforma eGela los apuntes de la asignatura, ejemplos resueltos y diferentes materiales que serán utilizados en la asignatura.



El contenido teórico se expondrá en clases magistrales siguiendo referencias básicas que figuran en la Bibliografía y el material de uso obligatorio. Estas clases magistrales se complementarán con las prácticas de aula en las que se analizarán los resultados de diferentes ejemplos prácticos relacionados con cada una de las técnicas multivariantes presentadas.



En las prácticas de ordenador, el alumnado se dividirá en grupos de trabajo, cada uno de los cuales deberá analizar un fichero de datos concreto, aplicando las diferentes técnicas multivariantes estudiadas, con el fin de desarrollar un informe estadístico. Se entregará el informe estadístico escrito y se hará una exposición oral del mismo.

• Continuous Assessment System
• Final Assessment System
• Tools and qualification percentages:
  • Ver orientaciones. (%): 100

EVALUACIÓN CONTINUA:

Examen final escrito (50%)

Prácticas (trabajo a desarrollar durante todo el curso). Realización de memoria y exposición (50%)



EVALUACIÓN FINAL (se puede solicitar hasta la semana 9 (incluida); a partir de esa fecha, se entenderá que todo alumno que no ha hecho la solicitud, será evaluado mediante la evaluación continua):

Examen escrito (50%) ( a la vez que los compañeros de la evaluación continua)

Examen práctico: 24 horas para desarrollar un trabajo práctico en el que se demuestre el control sobre todas las competencias trabajadas durante el curso, con una base de datos que se proporcionará al inicio de la prueba. (50%)



RENUNCIA

El alumno o la alumna que no se presente en la convocatoria ordinaria al examen escrito o no entregue el informe estadístico, será calificado/a como No presentado/a, aunque haya realizado la exposición oral.

Examen escrito (50%) ( a la vez que los compañeros de la evaluación continua)

Examen práctico: 24 horas para desarrollar un trabajo práctico en el que se demuestre el control sobre todas las competencias trabajadas durante el curso, con una base de datos que se proporcionará al inicio de la prueba. (50%) En caso de haber aprobado el trabajo práctico de la evaluación continua, se mantendrá la nota de prácticas de la convocatoria ordinaria, quedando exento de realizar dicho examen.

Apuntes y materiales publicados en la plataforma eGela.

Basic bibliography

- Julian J. Faraway. Linear models with R., Chapman & Hall/CRC, 2014 (second ed.)

- Julian J. Faraway. Extending the linear model with R, Chapman & Hall/CRC,2005

- Michael Greenacre. La práctica del análisis de correspondencias, Fundación BBVA, 2008.

- David W. Hosmer, Stanley Lemeshow and Rodney X. Sturdivant. Applied Logistic Regression, Wiley, 2013 (third ed.).

- Daniel Peña, Análisis de datos multivariantes, McGraw-Hill, 2002.

- Sanford Weisberg, Applied Linear Regression, Wiley, 2013 (fourth ed.).

In-depth bibliography

- Annette J. Dobson & Adrian Barnett. An Introduction to Generalized Linear Models. Chapman & Hall/CRC Texts in Statistical Science. 2008 (third ed.).
- Michael Greenacre.. Theory and aplication of Correspondence Analysis. London Academic Press, 1984.
- Frank E. Harrell. Regression modeling strategies. Springer, 2001
- Michel Jambu. Exploratory and Multivariate Data Analysis. Academic Press, 1991.
- David G. Kleinbaum, Lawrence L. Kupper, Azhar Nizam, and Eli S. Rosenberg. Applied Regression Analysis and Other Multivariable Methods. Cengage Learning, 2013 (fifth ed.).
- Peter McCullagh & John.A.Nelder. Generalized Linear Models. Chapman and Hall, 1989. ((second ed.).
- Ewout W Steyerberg. Clinical prediction models: a practical approach to development, validation, and updating. Springer, 2008

Journals

- Biometrical journal: http://onlinelibrary.wiley.com/journal/10.1002/%28ISSN%291521-4036/
- BMC Medical research methodology: http://www.biomedcentral.com/bmcmedresmethodol
- Journal of Applied Statistics: http://www.tandfonline.com/loi/cjas20#.VWw8eUYpp8E
- Statistics in medicine: http://onlinelibrary.wiley.com/journal/10.1002/%28ISSN%291097-0258
- Statistical methods in medical research: smm.sagepub.com/

Web addresses

- R-project: http://www.r-project.org