GUA DOCENTE DE LA ASIGNATURA

TCNICAS DE ANLISIS MULTIVARIANTE

1. Descriptores de la asignatura:

Anlisis Factorial clsico. Anlisis de Correlacin Cannica. Anlisis Discriminante. Modelos Lineales
multivariantes.
2. Situacin de la asignatura.
2.1. Prerrequisitos:

El Plan de Estudios no establece ningn prerrequisito para poder cursar esta asignatura.
2.2. Contexto dentro de la titulacin:

Asignatura de carcter optativo en la Universidad de Granada, que se imparte en segundo curso, segundo
cuatrimestre.
2.3. Recomendaciones:

Haber cursado la asignatura "Anlisis Multivariante" de la Licenciatura en Ciencias y Tcnicas

Estadsticas.
3. Competencias a adquirir por los estudiantes.
3.1. Competencias transversales o genricas.
3.1.1. Competencias instrumentales:
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho

Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante

Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco

Capacidad de anlisis y sntesis.

Capacidad de organizacin y planificacin.
Comunicacin oral y escrita en lengua nativa.
Conocimiento de una lengua extranjera.
Conocimientos de informtica, relativos al mbito de estudio.
Capacidad de gestin de la informacin.
Resolucin de problemas.
Toma de decisiones.
Otras: Especificar.
Otras: Especificar.

3.1.2. Competencias personales:

Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho

Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante

Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco

Trabajo en equipo.
Trabajo en un equipo de carcter interdisciplinar.
Trabajo en un contexto internacional.
Habilidades en las relaciones interpersonales.
Capacidad para comunicarse con expertos de otras reas.
Reconocimiento a la diversidad y la multiculturalidad.
Razonamiento crtico.
Compromiso tico.
Otras: Especificar.
Otras: Especificar.

3.1.3. Competencias sistmicas:

Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho

Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante

Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco

Aprendizaje autnomo.
Adaptacin a nuevas situaciones.
Capacidad de aplicar los conocimientos en la prctica.
Habilidad para trabajar de forma autnoma.
Creatividad.
Liderazgo.
Conocimiento de otras culturas y costumbres.
Iniciativa y espritu emprendedor.
Motivacin por la calidad.
Sensibilidad hacia temas medioambientales.
Otras: Especificar.
Otras: Especificar.

3.2. Competencias especficas.

3.2.1. Competencias cognitivas (saber):

Texto a rellenar por el profesor: ver libro blanco como ayuda.

3.2.2. Competencias procedimentales e instrumentales (saber hacer):
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho

Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante

Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco

Diseo de experimentos
Capacidad de elaboracin y construccin de modelos y su validacin
Anlisis de datos
Diseo y construccin de indicadores simples o compuestos
Representacin grfica de datos
Conocimiento, identificacin y seleccin de fuentes estadsticas
Interpretacin de resultados a partir de modelos estadsticos
Elaboracin de previsiones y escenarios
Identificacin de relaciones o asociaciones
Identificacin de la informacin relevante para resolver un problema
Visualizacin e interpretacin de soluciones.
Utilizacin correcta y racional del software
Gestin de bases de datos
Diseo, programacin e implantacin de paquetes estadsticos
Participacin en la implementacin de programas informticos.
Diseo e implementacin de algoritmos de simulacin.
Identificacin y localizacin de errores lgicos.
Argumentacin lgica en la toma de decisiones.
Aplicacin de los conocimientos a la prctica.
Participacin en la organizacin y direccin de proyectos.
Otras: Especificar.
Otras: Especificar.

3.2.3. Competencias actitudinales (ser):

Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho
Mucho

Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante
Bastante

Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco
Poco

Extraccin de conclusiones y redaccin de informes

Expresin rigurosa y clara.
Razonamiento lgico e identificacin de errores en los procedimientos.
Capacidad de relacionar la Estadstica con otras disciplinas.
Capacidad de crtica.
Capacidad de adaptacin.
Capacidad de abstraccin.
Pensamiento cuantitativo.
Otras: Especificar.
Otras: Especificar.

4. Objetivos:

Formacin bsica terico-prctica en las tcnicas estadsticas multivariantes clsicas.

5. Metodologa (en horas de trabajo del estudiante):

Primer
Cuatrimestre:

Segundo
Cuatrimestre:

Clases de teora:

0,0

36,0

Clases de problemas:

0,0

0,0

Clases prcticas en aula de informtica:

0,0

30,0

Seminarios y exposiciones:

0,0

9,0

Trabajo en grupos reducidos:

0,0

0,0

Estudio de clases tericas (factor de trabajo: 1,50):

0,0

54,0

Estudio de clases de problemas y prcticas (factor de trabajo: 1,00):

0,0

30,0

Preparacin de trabajos acadmicamente dirigidos y otras actividades:

0,0

12,0

Exmenes:

0,0

4,0

Total:

0,0

175,0

Trabajo total del estudiante: 175,0 horas.

6. Tcnicas docentes.
6.1. Tcnicas docentes utilizadas:

Sesiones acadmicas de teora.

Sesiones acadmicas de problemas.
Sesiones prcticas en el aula de informtica.
Seminarios, exposiciones y debates.
Trabajo en grupos reducidos.
Otras: Especificar.
Otras: Especificar.
6.2. Desarrollo y justificacin:

En general, cada semana se impartirn tres horas de teora y dos horas de prcticas en el aulas de
infomtica.
7. Bloques temticos:

TEMA 1: ANLISIS DE COMPONENTES PRINCIPALES

TEMA 2: ANLISIS FACTORIAL
TEMA 3: ANLISIS DE LA CORRELACIN CANNICA
TEMA 4: ANLISIS DISCRIMINANTE
TEMA 5: INTRODUCCIN A LOS MODELOS LINEALES MULTIVARIANTES

8. Bibliografa.
8.1. Bibliografa general:

Gutirrez, R. y Gonzlez, A. (1991). Estadstica Multivariable. Introduccin al Anlisis Multivariante.

Servicio de Reprografa de la Facultad de Ciencias. Universidad de Granada.
Hair, J., Anderson, R., Tatham, R. y Black, W. (1999). Anlisis Multivariante. [5 Edicin]. Prentice Hall.
Johnson, R. A. y Wichern, D. W. (1988). Applied Multivariate Analysis. Prentice Hall International, Inc.
Sharma, S. (1996). Applied Multivariate Techniques. John Wiley & Sons.

8.2. Bibliografa especfica:

9. Tcnicas de evaluacin.
9.1. Tcnicas de evaluacin utilizadas:

Examen terico-prctico.
Trabajos desarrollados durante el curso.
Participacin activa en las sesiones acadmicas.
Controles peridicos de adquisicin de conocimientos.
Examen de prcticas en aula de informtica.
Otras: Especificar.
Otras: Especificar.
9.2. Criterios de evaluacin y calificacin:

Tema 1 - 25%
Tema 2 - 50%
Temas 3,4 y 5 - 25%

10. Organizacin docente semanal.

10.1. Primer cuatrimestre:

Semana

Horas de
clases de
teora

Horas de
clases de
problemas

Horas de
clases
prcticas
en aula de
informtica

Horas de
seminarios
y exposiciones

Horas de
trabajo en
grupos
reducidos

Horas de
exmenes

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

0,0

10

0,0

0,0

0,0

0,0

0,0

0,0

11

0,0

0,0

0,0

0,0

0,0

0,0

12

0,0

0,0

0,0

0,0

0,0

0,0

13

0,0

0,0

0,0

0,0

0,0

0,0

14

0,0

0,0

0,0

0,0

0,0

0,0

15

0,0

0,0

0,0

0,0

0,0

0,0

Sin
docencia

Totales

Temas del temario a tratar

0,0

0,0

0,0

0,0

0,0

0,0

0,0

Semana

Horas de
clases de
teora

Horas de
clases de
problemas

Horas de
clases
prcticas
en aula de
informtica

Horas de
seminarios
y exposiciones

Horas de
trabajo en
grupos
reducidos

Horas de
exmenes

Temas del temario a tratar

3,0

0,0

2,0

0,0

0,0

0,0

3,0

0,0

2,0

0,0

0,0

0,0

3,0

0,0

2,0

0,0

0,0

0,0

3,0

0,0

2,0

0,0

0,0

0,0

0,0

0,0

2,0

3,0

0,0

0,0

3,0

0,0

2,0

0,0

0,0

0,0

3,0

0,0

2,0

0,0

0,0

0,0

3,0

0,0

2,0

0,0

0,0

0,0

3,0

0,0

2,0

0,0

0,0

0,0

10

0,0

0,0

2,0

3,0

0,0

0,0

11

3,0

0,0

2,0

0,0

0,0

0,0

12

3,0

0,0

2,0

0,0

0,0

0,0

13

3,0

0,0

2,0

0,0

0,0

0,0

14

3,0

0,0

2,0

0,0

0,0

0,0

15

0,0

0,0

2,0

3,0

0,0

0,0

10.2. Segundo cuatrimestre:

Sin
docencia

Totales

4,0

36,0

0,0

30,0

9,0

0,0

4,0

11. Temario desarrollado:

TEMA 1: ANLISIS DE COMPONENTES PRINCIPALES

- Introduccin.
- Modelo Terico. Caso de races mltiples y/o nulas en la matriz de covarianzas.
- Anlisis de Componentes Principales muestral: Definicin y clculo de las componentes principales
muestrales.
- Contrastes de hiptesis en Anlisis de Componentes Principales: Contrastes de Bartlett y de BartlettLawley. Contrastes basados en la matriz de correlaciones.
- Ejemplos de aplicacin.
TEMA 2: ANLISIS FACTORIAL
-

Introduccin.Modelo terico bsico. Estructuracin de la matriz de covarianzas poblacional.

Anlisis Factorial Ortogonal y Oblcuo.
Anlisis Factorial confirmatorio y exploratorio.
El problema de identificacin en Anlisis Factorial: condiciones para la identificacin de tipo
particular.
Anlisis Factorial y cambio de unidades de medida.
Anlisis Factorial y rotacin de factores. Representacin de las variables en el espacio de los
factores.
Anlisis Factorial muestral. Mtodos de estimacin (o extraccin de factores): mtodo de las
componentes principales, mtodo del factor principal y mtodo de mxima verosimilitud.
Rotacin de factores an el Anlisis Factorial muestral: criterio de eleccin de rotaciones y estructuras
simples.
Factor scores.
Anlisis Factorial confirmatorio: estimacin y contraste de hiptesis.
Ejemplos de aplicacin.

TEMA 3: ANLISIS DE LA CORRELACIN CANNICA

-

Introduccin. Modelo terico.

Anlisis de la Correlacin Cannica Muestral.
Estimadores de mxima verosimilitud de los pares cannicos.
Ejemplos de aplicacin.

TEMA 4: ANLISIS DISCRIMINANTE

-

Introduccin.
Separacin y clasificacin para dos poblaciones: mtodo de Fisher.
El problema general de clasificacin.
Clasificacin con dos o ms poblaciones normales multivariantes. Mtodo de Fisher de separacin
entre varias poblaciones.

TEMA 5: INTRODUCCIN A LOS MODELOS LINEALES MULTIVARIANTES

-

Teoremas de Gauss-Markov multivariantes.

12. Mecanismos de control y seguimiento:

El seguimiento comprender los tres aspectos mencionados en el programa: teora, ejercicios terico y/o
numricos y prcticas de ordenador. El alumno deber mostrar su suficiencia en los tres aspectos
mencionados anteriormente. Para ello se realizar una prueba escrita que comprenda los aspectos tericos
de la materia y una prueba escrita de ejercicios numricos. Las prcticas de ordenador se valorarn
mediante la presentacin de trabajos individuales atendiendo a los distintos bloques que se han ido
desarrollando durante la realizacin de las mismas.