Nos ensaios ou experimentos científicos mais comuns, um número n de indivíduos, objetos ou unidades observacionais é avaliado em múltiplas dimensões, ou seja, em relação a duas ou mais variáveis (características) de interesse para explicar um sistema complexo. Ocorre que, se essas variáveis fossem independentes entre si, análises univariadas, isto é, análises feitas separadamente para cada variável, resolveriam o problema de se extrair a informação contida nos dados. Porém, é natural que haja correlação entre essas variáveis. É nesse caso que o método multivariado deve ser utilizado, pois tanto a variabilidade individual de cada variável quanto a sua covariabilidade, com outra(s) variável(is), devem ser consideradas na análise. No entanto, é importante reconhecer que mais tempo e empenho são necessários para extrair o máximo de informação contida em dados multivariados, mas o resultado em geral vale o esforço. Dependendo do objetivo da pesquisa e da estrutura dos dados, um método multivariado do tipo: i) inferencial (testes de hipóteses), como a análise de variância multivariada, ii) de redução dimensional, como a análise de componentes principais, ou iii) de classificação e discriminação, pode ser aplicado. Não obstante, um problema relacionado a dados multivariados pode ser resolvido de diferentes formas pela aplicação de mais de um algoritmo ou mais de um método multivariado. Então, além da preocupação com a escolha do método, surge a questão: como ou onde realizar a análise? Nesta obra, os principais métodos de análise multivariada são apresentados com as rotinas computacionais do Ambiente R de Computação Estatística, em linguagem acessível a pesquisadores e estudantes de nível superior, das mais diversas áreas da ciência, que tenham conhecimento básico de estatística.
