Estadística Aplicada

Grado y Doble Grado. Curso 2024/2025.

TÉCNICAS DE SEGMENTACIÓN Y TRATAMIENTO DE ENCUESTAS - 801606

Curso Académico 2024-25

Datos Generales

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
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.

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.

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.

Estructura

MódulosMaterias
ANÁLISIS DE DATOSMINERÍA DE DATOS

Grupos

Actividades prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo mañana A09/09/2024 - 20/12/2024VIERNES 13:00 - 15:00-AIDA CALVIÑO MARTINEZ
Grupo mañana B09/09/2024 - 20/12/2024VIERNES 16:00 - 18:00-DAVID LORA PABLOS


Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo mañana A09/09/2024 - 20/12/2024MIÉRCOLES 11:00 - 13:00-AIDA CALVIÑO MARTINEZ
Grupo tarde B09/09/2024 - 20/12/2024MARTES 18:00 - 20:00-DAVID LORA PABLOS