Estadística Aplicada
Grado y Doble Grado. Curso 2024/2025.
TÉCNICAS DE SEGMENTACIÓN Y TRATAMIENTO DE ENCUESTAS - 801606
Curso Académico 2024-25
Datos Generales
- Plan de estudios: 0825 - GRADO EN ESTADÍSTICA APLICADA (2009-10)
- Carácter: Obligatoria
- ECTS: 6.0
SINOPSIS
COMPETENCIAS
Generales
CG2 Habilidad para expresarse claramente y de presentar oralmente o por escrito, mediante un informe de carácter profesional, los resultados de sus análisis
CG4 Interés en el conocimiento, descripción e interpretación de fenómenos susceptibles de cuantificación
CG14 Desarrollar sentido del detalle
CG4 Interés en el conocimiento, descripción e interpretación de fenómenos susceptibles de cuantificación
CG14 Desarrollar sentido del detalle
Específicas
CE17 Preparar encuestas optimizando el diseño de la misma
ACTIVIDADES DOCENTES
Clases teóricas
50%
Clases prácticas
50%
TOTAL
100%
Presenciales
2,4
No presenciales
3,6
Semestre
7
Breve descriptor:
La meta de esta asignatura es que el alumno aprenda a utilizar diversas técnicas multivariantes que tienen por objeto preparar, diseñar, y analizar encuestas profundizando en las propiedades de agrupación y clasificación de los observaciones.
Requisitos
Manejo de software estadístico.
Estar familiarizado con los conceptos básicos del Análisis Multivariante.
Estar familiarizado con los conceptos básicos del Análisis Multivariante.
Objetivos
Se pretende que el alumno consiga conocer y manejar a través de software informático (R o SAS) técnicas estadísticas útiles para el análisis de datos multivariantes, haciendo especial hincapié en todas aquellas que tienen como objetivo realizar agrupaciones homogéneas y clasificaciones de las unidades objeto del análisis.
Contenido
1-. Escalamiento multidimensional.
2.- Modelos de elección discreta y preferencia multidimensional.
3.- Árboles de clasificación y regresión y otros modelos predictivos basados en árboles.
Evaluación
El alumno será evaluado de forma continua a través de:
- Asistencia y prácticas realizadas en clase. La valoración de estas actividades será el 20% de la calificación final.
- Práctica final de cada tema realizada durante el horario de clase. La nota media ponderada de las prácticas será el 80% de la calificación final, siendo obligatorio aprobar todas.
Aquellos alumnos que no se acojan a evaluación continua, o habiéndose acogido no la hayan superado, podrán realizar un examen en las convocatorias oficiales, en cuyo caso, la nota alcanzada en el examen será el 100% de la nota global en la asignatura.
- Asistencia y prácticas realizadas en clase. La valoración de estas actividades será el 20% de la calificación final.
- Práctica final de cada tema realizada durante el horario de clase. La nota media ponderada de las prácticas será el 80% de la calificación final, siendo obligatorio aprobar todas.
Aquellos alumnos que no se acojan a evaluación continua, o habiéndose acogido no la hayan superado, podrán realizar un examen en las convocatorias oficiales, en cuyo caso, la nota alcanzada en el examen será el 100% de la nota global en la asignatura.
Bibliografía
- ALONSO, J.M., CALVIÑO, A. (2022) Introducción a la Ciencia de Datos con R: Preparación de los datos y Análisis No Supervisado. García Maroto Editores, Madrid.
- BREIMAN, L. FRIEDMAN, J.H., OLSHEN, R.A. STONE, C.J. (1998) Classification and Regression Trees. Chapman & Hall/CRC, Boca Raton
- COX, T.F.; COX M.A.A. (2001) Multidimensional Scaling. Chapman & Hall/CRC, Boca Raton.
- GARCIA, S., LUENGO, J., HERRERA, F. (2015) Data Preprocessing in Data Mining. Intelligent Systems Reference Library (72), Ed. Springer, Cham.
- HASTIE, T., TIBSHIRANI, R,, FRIEDMAN, J. (2001) The elements of Statistical Learning Data Mining, Inference and Prediction.
- JAMES, G., WITTEN, D., HASTIE, T., & TIBSHIRANI, R. (2013). An introduction to statistical learning with Applications in R. New York: Springer.
- KUHN, M., & JOHNSON, K. (2013). Applied predictive modeling (Vol. 26). New York: Springer.
- PEREZ, Cesar (2011). Técnicas de Segmentación, conceptos, herramientas y aplicaciones. Editorial Garceta. Madrid.
- BREIMAN, L. FRIEDMAN, J.H., OLSHEN, R.A. STONE, C.J. (1998) Classification and Regression Trees. Chapman & Hall/CRC, Boca Raton
- COX, T.F.; COX M.A.A. (2001) Multidimensional Scaling. Chapman & Hall/CRC, Boca Raton.
- GARCIA, S., LUENGO, J., HERRERA, F. (2015) Data Preprocessing in Data Mining. Intelligent Systems Reference Library (72), Ed. Springer, Cham.
- HASTIE, T., TIBSHIRANI, R,, FRIEDMAN, J. (2001) The elements of Statistical Learning Data Mining, Inference and Prediction.
- JAMES, G., WITTEN, D., HASTIE, T., & TIBSHIRANI, R. (2013). An introduction to statistical learning with Applications in R. New York: Springer.
- KUHN, M., & JOHNSON, K. (2013). Applied predictive modeling (Vol. 26). New York: Springer.
- PEREZ, Cesar (2011). Técnicas de Segmentación, conceptos, herramientas y aplicaciones. Editorial Garceta. Madrid.
Estructura
Módulos | Materias |
---|---|
ANÁLISIS DE DATOS | MINERÍA DE DATOS |
Grupos
Actividades prácticas | ||||
---|---|---|---|---|
Grupo | Periodos | Horarios | Aula | Profesor |
Grupo mañana A | 09/09/2024 - 20/12/2024 | VIERNES 13:00 - 15:00 | - | AIDA CALVIÑO MARTINEZ |
Grupo mañana B | 09/09/2024 - 20/12/2024 | VIERNES 16:00 - 18:00 | - | DAVID LORA PABLOS |
Clases teóricas y/o prácticas | ||||
---|---|---|---|---|
Grupo | Periodos | Horarios | Aula | Profesor |
Grupo mañana A | 09/09/2024 - 20/12/2024 | MIÉRCOLES 11:00 - 13:00 | - | AIDA CALVIÑO MARTINEZ |
Grupo tarde B | 09/09/2024 - 20/12/2024 | MARTES 18:00 - 20:00 | - | DAVID LORA PABLOS |