Índice-
Prefacio-
Nota introductoria-
1. INTRODUCCIÓN ALANÁLISIS MULTIVARIANTE-
1.1. Tipos de técnicas multivariantes-
1.2. Análisis exploratorio multivariante de datos-
1.3. La matriz de datos-
1.4. Medidas de centralización: el vector de medias-
1.5. La matriz de varianzas y covarianzas-
1.6. La varianza generalizada-
1.7. Coeficientes de asimetría y kurtosis-
1.8. Aplicaciones en SPSS-
1.9. Análisis gráfico y datos atípicos: histogramas y diagramas de dispersión-
1.10. Ejercicios-
2. ANÁLISIS DEREGRESIÓN LINEAL MÚLTIPLE (RLM)-
2.1. Metodología-
2.2. Aplicación del análisis de regresión múltiple-
2.3. Supuestos del modelo de regresión lineal múltiple-
2.4. Métodos para aplicar RLM-
2.5. Análisis de regresión por pasos. Regresión STEP WISE-pasos sucesivos-
2.6. Ejercicios-
3. ANÁLISIS DECOMPONENTES PRINCIPALES (ACP)-
3.1. Planteamiento del problema-
3.2. Enfoque descriptivo-
3.3. Enfoque estadístico-
3.4. Enfoque geométrico-
3.5. Cálculo del primero y segundo componentes-
3.6. Propiedades de los componentes-
3.7. Análisis normado o con correlaciones-
3.8. Interpretación de los componentes-
3.9. Aplicación en SPSS-
3.10. Ejercicios-
4. ANÁLISIS FACTORIAL-
4.1. El modelo factorial-
4.2. Hipótesis previas-
4.3. Importancia de las aplicaciones de análisis factorial-
4.4. Metodología del análisis factorial-
4.5. Aplicación del método en SPSS-
4.6. Ejercicios-
5. ANÁLISIS SIMPLE DECORRESPONDENCIAS-
5.1. Métodos de reducción: Análisis de correspondencias-
5.2. Metodología del Análisis de correspondencias-
5.3. Aplicaciones del Análisis de correspondencias-
5.4. Análisis de correspondencias simple (ANACOR)-
5.5. Aplicación mediante SPSS (ANACOR)-
5.6. Ejercicios-
6. ANÁLISIS MÚLTIPLE DECORRESPONDENCIAS (HOMALS)-
6.1. Escalamiento óptimo-
6.2. Aplicación mediante SPSS (HOMALS)-
6.3. Ejercicios-
7. ANÁLISIS DECORRELACIÓN CANÓNICA NO LINEAL-
7.1. Aplicación en SPSS-
7.2. Ponderaciones, cuantificaciones y saturaciones-
7.3. Cuantificaciones-
7.4. Ejercicios-
8. ANÁLISIS DECORRELACIÓN CANÓNICA LINEAL-
8.1. Fundamentación matemática del Análisis de correlación canónica-
8.2. El análisis de relaciones mediante la correlación canónica-
8.3. Metodología del Análisis de correlación canónica-
8.4. Supuestos y términos clave-
8.5. Aplicación en SPSS-
8.6. Ejercicios-
9. Bibliografía-
10. Anexos.

Generalmente se nos ha enseñado en las aulas universitarias el proceso de análisis estadístico a partir de un análisis en particular: Recolectar la data a través de diferentes mecanismos o herramientas; realizar un análisis estadístico, aplicando herramientas de estadística descriptiva, que es lo más usual, presentar la información en una forma comprensible, y muy pocas veces aplicamos estadística inferencial.
El investigador o profesional calcula frecuencias, hace gráficas, encuentra medidas de tendencia central, calcula la dispersión e identifica valores atípicos en la distribución de los datos. Se aplica estadística descriptiva, que, como su nombre lo indica, describe la data en general; mientras que la estadística inferencial no solo describe los datos, sino que aborda el problema de hacer generalizaciones más amplias o inferencias de una muestra de datos hacia la población; sin embargo, la estadística como herramienta tiene un amplio abanico de opciones para tratar y analizar datos que van más allá de las tradicionales dos variables.
Un ejemplo muy clásico es el analizar la situación de salud o educación de una comunidad, un instrumento de psicología que explora comportamientos o habilidades en los individuos; un análisis de mercado donde se exploran nichos o niveles de satisfacción de los usuarios; un análisis climático, donde se analizan datos del clima de una región o de una situación particular; una base de datos con indicadores sociales y económicos de una población en particular; un censo agropecuario, de hogares o de vivienda, que contiene decenas o centenas de variables. Estos y otros ejemplos parecidos denotan una gran cantidad de variables que requieren métodos estadísticos avanzados para poder interpretarlos y tomar decisiones efectivas.
Generalmente, los estudiantes o profesionales que se introducen en el campo de la investigación científica, solamente utilizan frecuencias simples o variables univariadas, donde ejemplifican porcentajes específicos; en otros casos, se hace un análisis bivariado en el cual se toman de dos a dos las variables de un problema en particular; no obstante, estos análisis son limitados y su tratamiento no es útil para tomar decisiones ya que se necesita de analizar categorías y determinados perfiles, lo cual requiere tomar más variables.