Conocer los fundamentos y técnicas más usuales del Análisis Estadístico Multivariante (AEM), con el fin de conocer las estructuras de datos y las técnicas de análisis multivariante de datos de clasificación y representación para la resolución de problemas estadísticos.

BLOQUE I: I. El análisis multivariante

• Comprender en qué consiste el análisis multivariante y qué tipo de análisis de datos permite realizar

• Saber definir la distribución normal multivariante.

• Saber que son las distribuciones marginales y condicionadas

• Conocer las distribuciones de formas cuadráticas y las distribuciones aleatorias normales.

• Saber interpretar la función de verosimilitud.

• Comprender en qué consiste la estimación máximo verosímil.

• Saber desarrollar e interpretar los contrastes de la razón de verosimilitudes, contrastes de unión-intersección, contrastes de hipótesis acerca del valor de medias y acerca de la matriz de varianzas-covarianzas y los contrastes de hipótesis múltiples MANOVA.

• Saber qué son los intervalos de confianza múltiples y su interpretación.

BLOQUE II: Técnicas de Dependencia

• Comprender y desarrollar la ecuación de regresión múltiple, así como el error estándar múltiple de estimación.

• Saber medir la fuerza de la relación entre las variables independientes, utilizando los coeficientes múltiples de determinación

• Comprender como se realiza un análisis de discriminación entre dos grupos con distribuciones conocidas y entre dos grupos con distribuciones conocidas y parámetros desconocidos.

• Comprender cómo se realiza un análisis discriminante entre más de dos grupos.

• Comprender el fundamento del modelo de Regresión Logística.

• Comprender el concepto de “odd” (o “riesgo”).

• Saber interpretación los parámetros del modelo de Regresión Logística.

• Saber realizar una estimación del Modelo de Regresión Logística.

• Comprender el Modelo de Regresión Multinomial

• Comprender que nos permite obtener un análisis conjunto: explicar de forma cuantitativa las preferencias del consumidor “Partiendo de información no métrica (preferencias) nos proporciona información métrica (utilidades)”

• Aplicar la estimación por mínimos cuadrados para ser capaz de estimar la importancia relativa de cada atributo, así como del Valor o Utilidad Parcial de las distintas opciones o niveles dentro de cada uno de ellos.

• Interpretar los resultados, de este modo, comprenderá cómo se configura la estructura de preferencias de cada sujeto o grupo de sujeto.

BLOQUE III: Técnicas de Interdependencia

• Comprender la estructura del modelo factorial: qué son los factores comunes y los factores específicos.

• Indeterminación de las soluciones factoriales.

• Obtención de soluciones: el método del factor principal y el método de máxima verosimilitud.

• Rotación de las soluciones.

• Puntuaciones factoriales

• Conocer qué es el ACP y cuáles son las propiedades de las componentes principales.

• Aprender a obtener las componentes principales a partir de una muestra

• Conocer sus posibles aplicaciones.

• Aprender a construir nubes de puntos y el significado de las distancias.

• Comprender como se realiza un análisis de las nubes de puntos en  Rp (la nube de los n puntos–fila, en un subespacio p–dimensional) y Rn (nube de p puntos–columna en un espacio n–dimensional) y las relaciones entre ellas.

• Aprender a reconstruir la tabla de frecuencias original.

• Interpretación: las relaciones de dependencia e independencia de un conjunto de variables categóricas a partir de los datos de una tabla de contingencia.

• Comprender los conceptos de  Distancias y similaridades.

• Aprender los métodos de clasificación que ofrece el análisis de conglomerados: Clasificación jerárquica ascendente y descendente y Clasificación no jerárquica.

• Entender que los encuestados utilizan dimensiones a la hora de evaluar a los objetos. 

• Saber cuántas dimensiones utilizan.

• Qué importancia relativa tiene cada dimensión y cómo se relacionan perceptualmente los objetos do es más adecuada la aplicación de cada uno de ellos.

UNIDAD  I - EL ANÁLISIS MULTIVARIANTE

1 - INTRODUCCIÓN AL ANÁLISIS MULTIVARIANTE

2 - DISTRIBUCIÓN NORMAL MULTIVARIANTE

3 – ESTIMACIÓN

4 - CONTRASTE DE HIPÓTESIS

UNIDAD  II - TÉCNICAS DE DEPENDENCIA

5 - REGRESIÓN LINEAL MÚLTIPLE

6 - ANÁLISIS DISCRIMINANTE

7 - ANÁLISIS DE REGRESIÓN LOGÍSTICA

8 - ANÁLISIS CONJUNTO

UNIDAD  III - TÉCNICAS DE INTERDEPENDENCIA

9. “ANÁLISIS FACTORIAL”

10 - ANÁLISIS DE COMPONENTES PRINCIPALES

11 - ANÁLISIS DE CORRESPONDENCIAS

12 - ANÁLISIS DE CONGLOMERADOS

13 – ESCALONAMIENTO