En el amplio mundo de la informaci n de hoy en d a es habitual disponer de muchas variables medidas u observadas en una colecci n de individuos y pretender estudiarlas conjuntamente, para lo cual se suele acudir al an lisis estad stico multivariante de datos. Entonces se dispone de una diversidad de t cnicas y debe seleccionarse la m s adecuada a los datos y al objetivo cient fico. Al observar muchas variables sobre una muestra es presumible que una parte de la informaci n recogida pueda ser redundante o que sea excesiva, en cuyo caso los m todos multivariantes de reducci n de la dimensi n (an lisis en componentes principales, factorial, correspondencias, escalamiento ptimo y multidi-mensional, etc.) tratan de eliminarla. Estos m todos combinan muchas variables observadas para obtener pocas variables ficticias que las representen con la m nima p rdida de informaci n. Estos m todos de reducci n de la dimensi n son m todos multivariantes de la interdepedencia en el sentido de que todas sus variables tienen una importancia equivalente, es decir, si ninguna variable destaca como dependiente principal en el objetivo de la investigaci n. En este caso tambi n deber tener en cuenta el tipo de variables que se maneja. Si son variables cuantitativas, las t cnicas de reducci n de la dimensi n pueden ser el An lisis de Componentes Principales y el An lisis Factorial, si son variables cualitativas, puede acudirse al An lisis de Correspondencias y al Escalamiento ptimo, y si son variables cualitativas ordinales se acude al Escalamiento Multidimensional. Todas estas t cnicas de reducci n de la dimensi n son ampliamente estudiadas a lo largo de este libro. Asimismo se ilustra cada t cnica con varios ejemplso pr cticos totalmente resueltos con el software SPSS, uno de los m s adecuados para el trabajo en este campo.