Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Anlisis multivariado
Datos generales
Unidad acadmica: Departamento de Ingeniera Agroindustrial
Programa educativo: Doctorado en Ciencias Agroalimentarias
Nivel educativo: Doctorado en Ciencias
Estructura curricular: Lnea de Generacin y Aplicacin del Conocimiento
Denominacin: Metodolgica
Asignatura: Anlisis multivariado
Carcter: Optativo
Tipo: Terico y prctico
Prerrequisitos: CTA-503 Mtodos estadsticos, CTA-520 Mtodos
estadsticos multivariados
Profesores: Ph.D. Ma. Carmen Ybarra Moncada, Ph.D. Arturo Hernndez
Montes
Ao: Primero
Sesin: Otoo
Semestre: Segundo
Horas totales/semana: 4
Horas totales del curso: 64
Horas totales de estudio independiente/semana: 2
Horas totales de estudio independiente: 32
Crditos: 6
Clave: DCA-704
Introduccin
El anlisis multivariado es una herramienta estadstica que permite sistematizar,
analizar e interpretar datos de fenmenos desde un enfoque de varias variables, as
como estimar e inferir aspectos de inters sobre un problema de investigacin
cientfica. El estudio de las Ciencias Agroalimentarias aborda problemas de carcter
multifactorial, dado que los procesos de produccin, conservacin y transformacin
Contenido
Unidad I. Conceptos bsicos.
(12 horas de teora)
Objetivo: Analizar los conceptos bsicos de la estadstica multivariada, mediante la
solucin de problemas, para apropiarse de las bases fundamentales del anlisis
multivariado.
1.1. Estadstica descriptiva multivariada.
1.2. lgebra de matrices
1.3. Propiedades de la matriz de covarianza.
1.4. La distribucin normal multivariada.
Unidad II. Estimacin y pruebas de hiptesis.
(12 horas de teora)
Objetivo: Crear regiones e intervalos de confianza y formular pruebas de hiptesis
de muestras multivariadas, mediante los principios de la inferencia estadstica, para
que emprenda la temtica.
2.1. Regiones de confianza.
2.2. Pruebas de razn de verosimilitudes.
2.3. Intervalos de confianza simultneos.
2.4. Anlisis de varianza multivariado de una va.
2.5. Anlisis de perfiles.
2.6. Anlisis de varianza de dos vas.
2.7. Anlisis de regresin multivariada.
Actividades prcticas
Esta asignatura consiste de seis prcticas, requiriendo un total de 16 horas. Las
actividades se realizarn en el aula o en la sala de cmputo.
No.
Nombre de la
prctica
Anlisis de
regresin
multivariada
(ARM)
Objetivos
Aplicar ARM a bases de datos de investigaciones, mediante el uso
de un paquete estadstico, para la propuesta de soluciones a
problemas del mbito agroalimentario.
Horas
Unidad
I y II
I y III
I-IV
I-IV
I-IV
I-IV
Anlisis
factorial
(AF)
Estructura y
pretratamient
o de datos
Quimiometria
1
Quimiometra
2
Exposicin
en ingls
Metodologa
Para desarrollar el proceso de enseanza y aprendizaje de mtodos estadsticos
multivariados se implementan diversas actividades enfocadas a motivar el gusto por
la materia:
i. Tcnicas grupales: debates, lluvia de ideas.
tradicionales:
presentacin
del
profesor,
seminario
por
estudiantes, lecturas.
v. Aprendizaje basado en proyectos y estudios de caso.
Los recursos materiales y apoyos didcticos consisten en: libros, artculos
cientficos, ejercicios impresos, material audiovisual, conferencias, videos, equipo
de cmputo, can, pginas web, software disponible (principalmente SAS y hoja
de clculo; R, unscrambler, minitab). Recursos fsicos o el lugar de trabajo es en
biblioteca, aula, campo y sala de cmputo.
Elaborar/presentar/
Indicadores
Inicial
Evaluacin (E)
Examen diagnstico
individual
Examen
Intermedia
Casos hipotticos en
clase
Individual
Por equipo
Estudio
independiente
Casos
Lecturas
Seminarios en
equipo
Final
Examen 1 individual
Unidad uno y dos
Examen 2 individual
Unidad tres y cuatro
Proyecto en equipo
Reporte de
soluciones
Reportes,
Anlisis de
datos y
soluciones.
Resmenes
Exposicin,
material
didctico
Valor
0
5
5
10
10
10
Examen
20
Examen
20
Reporte escrito,
exposicin, uso
de TIC
Objetivo
20
Bibliografa bsica
1. Johnson D., E. (2000). Mtodos Multivariados Aplicados al Anlisis de Datos.
Mxico: International Thomson Editores.
2. Johnson R., A., & Wichern D., W. (2007). Applied Multivariate Statistical Analysis
(6th Edition). N. J.: Prentice Hall.
3. Klemel, J. (2009). Smoothing of Multivariate Data: Density Estimation and
Visualization. John Wiley & Sons.
4. Seber G., A. F. (2009). Multivariate Observations. USA: John Wiley & Sons. Inc.
Publication.
5. Naes, T., Isaksson, T., Fearn, T., Davies, T. (2002). Multivariate calibration and
classification. UK: NIR Publications.
Bibliografa complementaria
6. Malhotra N., K. (2008). Investigacin de Mercados. Un enfoque Prctico.
Mxico: Prentice Hall. Mxico.
7. Krzanowski W., J. (1995). Recent Advances in Descriptive Multivariate Analysis.
Oxford: Oxford University Press.
8. Timm N., H. (2002). Applied Multivariate Analysis. NJ, USA: Springer Location:
Secaucus.
9. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical
Learning: data maning, inference and prediction (2 edition). Springer Series in
Statistics.
Publicaciones en revistas