Logo Tribuna Complutense

    Portada » Estudios » Grado y Doble Grado » Ciencia de los Datos Aplicada

Ciencia de los Datos Aplicada

Grado y Doble Grado. Curso 2024/2025.

ANÁLISIS DE DATOS ESPACIALES - 806325

Curso Académico 2024-25

Datos Generales

SINOPSIS

COMPETENCIAS

Generales
CG1 - Comunicar y transmitir la información a un público tanto especializado como no especializado.
CG2 - Adquirir la habilidad para expresarse claramente y de presentar los resultados de sus análisis, oralmente o por escrito, mediante un informe de carácter profesional.
CG5 - Desarrollar la capacidad de trabajar de forma autónoma.
CG6 - Realizar lecturas críticas de informes y publicaciones científicas.
CG9 - Sintetizar las ideas principales de un texto o discurso.
CG10 - Desarrollar la capacidad de expresar y aplicar rigurosamente los conocimientos adquiridos en la resolución de problemas.
Específicas
CE2 - Identificar y seleccionar las principales fuentes de información e indicadores en diferentes ámbitos de aplicación como los sociales, económicos, bibliométricos, sanitarios, financieros, geográficos, etc. , incluyendo los aspectos de protección de datos.
CE4 - Identificar la utilidad y el potencial de las técnicas estadísticas y de análisis de datos adquiridas en las distintas áreas de aplicación (como la documental, geográfica, actuarial, económica, financiera, biosanitaria, etc.) y utilizarlas adecuadamente para descubrir patrones de comportamiento en datos de cualquier volumen y tipología y extraer conclusiones relevantes.
CE7 - Utilizar las herramientas de software necesarias para almacenar, procesar y visualizar datos de cualquier volumen sobre distintos ámbitos, tales como datos textuales, datos espaciales, relaciones espacio temporales, etc.
CE9 - Aplicar técnicas de análisis de datos para elaborar previsiones y escenarios y establecer relaciones entre variables de diferente tipo, como datos espaciales, textuales, imágenes, sonido, etc.
CE12 - Identificar y aplicar las técnicas adecuadas de exploración, gestión, procesamiento, explotación y visualización de datos en función de su volumen y complejidad.
CE15 - Aplicar las técnicas y herramientas de la Ciencia de los Datos a la predicción y la cuantificación de la relación entre variables de diferentes ámbitos de aplicación, como los económicos, sociales, financieros, actuariales, biosanitarios, documentales, de geolocalización, de gestión y relación con el cliente o de salud.

ACTIVIDADES DOCENTES

Clases teóricas
50%
Clases prácticas
50%

Presenciales

2,4

No presenciales

3,6

Semestre

6

Breve descriptor:

- Introducción los Sistemas de Información Geográfica

- Análisis exploratorio de datos Espaciales 

- Modelización de Patrones de Dependencia Espacial

Objetivos

Proporcionar al alumno las herramientas  fundamentales  para desarrollar análisis y estudios empíricos de modelización predictiva con Datos Espaciales


El curso se ha planteado desde un punto de vista eminentemente práctico. Los datos espaciales son datos que incluyen un índice o referencia de localización. Para poder entender cómo utilizar esta localización hablaremos primero de forma muy resumida de los diferentes sistemas de información Geográfica GIS, sistemas que son necesarios para hacer una representación de los datos espaciales geo-referenciados, y se presentarán algunas herramientas para la elaboración de mapas y el análisis de la distribución geográfica de datos espaciales.


Tras la introducción a los GIS se precederá a presentar los principales análisis de los patrones de comportamiento espacial. Así se analizarán las distribuciones de puntos, los modelos de interpolación geostadística y los modelos de regresión espacial. Se presentarán los modelos de Krigeado, la autocorrelación o dependencia espacial, la Matriz de Vecindades y la construcción de Variables con Retardo Espacial que constituyen los elementos fundamentales para la modelización predictiva con datos espaciales


Contenido

1) Introducción a los Sistemas de Información Geográfica (GIS) y representación de datos georeferenciados

2) Patrones puntuales y modelos de interpolación espacial

3) Midiendo la Dependencia Espacial

4) Análisis Exploratorio de Datos Espaciales

5) Modelos de Econometría Espacial: Especificación y diagnósis


Evaluación

Los alumnos tienen la posibilidad de superar la asignatura por evaluación continua que será el 100% de la nota final. En la evaluación continua se tendrá en cuenta la realización de prácticas con datos reales, pruebas prácticas de ejercicios y otro tipo de tareas y actividades complementarias. La evaluación continua será calificada atendiendo a ejercicios y trabajos relacionados con los contenidos propuestos por el profesor, así como la participación del estudiante en las clases y en las actividades formativas propuestas por el profesor.

La nota final tendrá en cuenta tanto la evaluación continua como la prueba final. Se calculará como el máximo entre:
a) La calificación de la prueba final.
b) La media ponderada de la evaluación continua y la prueba final, siendo el peso de la evaluación continua de al menos el 35%.

En todo caso, el alumno tiene la opción de superar la asignatura por evaluación continua. Cualquier alumno tendrá derecho a una prueba final pudiendo resultar su calificación la nota final del curso.

Bibliografía

• Anselin, L. (1988). Spatial Econometrics: Methods and Models. Kluwer Academic Press.
• Anselin y Rey (2014): Modern Spatial Econometrics in Practice, GEODA Press
• Bivand, R.S., E. Pebesma & V. Gómez-Rubio (2013). Applied Spatial Data Analysis with R, 2nd Edition. Springer.
• Bonny P. McClain (2022). Python for Geospatial Data Analysis: Theory, Tools and Practice for Location Intelligence. Ed O’Reilly
• Dubé, J. y Legros, D. (2014): Spatial Econometrics Using Microdata. Editorial Iste Ltd and John Wiley & Sons.
• Elhorst, J.P. (2010). Applied Spatial Econometrics: Raising the Bar, Spatial Economic Analysis, 5(1), 9-28.
• Elhorst, J.P. (2014). Spatial Econometrics: From Cross-Sectional Data to spatial Panels. Springer
• Fernández-Avilés, G y Montero JM (2024): Fundamentos de Ciencia de datos con R. McGrawHill. https://cdr-book.github.io/
• James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An introduction to statistical learning: With applications in python. Springer. https://www.statlearning.com/
• LeSage, J., & Pace, R. K. (2010). Introduction to Spatial Econometrics. CRC Press.
• Mas, Jean-François (2013). Análisis Espacial con R. Usa R como un sistema de Información Geográfica. European Scientific Institute
• Sergio J. Rey; Dani Arribas-Bel; y Levi J. Wolf (2020): Geographic Data Science with Python. https://geographicdata.science/book/intro.html

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases Teóricas y/o Prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo Único22/01/2025 - 13/05/2025JUEVES 11:00 - 13:00-LORENZO ESCOT MANGAS


Actividades Prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo Único22/01/2025 - 13/05/2025LUNES 13:00 - 15:00-LORENZO ESCOT MANGAS