Cr茅ditos ECTS
Cr茅ditos ECTS: 5
Horas ECTS Criterios/Memorias
Trabajo del Alumno/a ECTS: 85
Horas de Tutor铆as: 5
Clase Expositiva: 20
Clase Interactiva: 15
Total: 125
Lenguas de uso
Castellano, Gallego
Tipo:
Materia Ordinaria 惭谩蝉迟别谤 RD 1393/2007 - 822/2021
Departamentos:
Estad铆stica, An谩lisis Matem谩tico y Optimizaci贸n
脕谤别补蝉:
Estad铆stica e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
Centro
Facultad de Matem谩ticas
Convocatoria:
Segundo semestre
Docencia:
Con docencia
惭补迟谤铆肠耻濒补:
Matriculable
| 1ro curso (Si)
En esta materia se pretende que el alumno aprenda las t茅cnicas m谩s importantes en el an谩lisis de datos multidimensionales. Se abordan tanto los aspectos metodol贸gicos como del uso de software que proporcionan los paquetes estad铆sticos en el campo del an谩lisis multivariante.
Tema 1. Introducci贸n al an谩lisis multivariante.
Conceptos b谩sicos de 谩lgebra matricial para el tratamiento de datos multivariantes. Descripci贸n de datos multivariantes: matriz de datos, vector de medias, matriz de covarianzas y matriz de correlaciones. Medidas de proximidad. Representaciones gr谩ficas.
Tema 2. Inferencia en poblaciones normales multivariantes.
Inferencia sobre la media y la matriz de covarianzas de una poblaci贸n normal. Regiones de confianza y comparaciones simult谩neas. Comparaci贸n de poblaciones normales multivariantes. Contraste de la normalidad multivariante.
Tema 3. An谩lisis multivariante de la varianza.
MANOVA de un factor. Presentaci贸n del modelo. La tabla de descomposici贸n de la variabilidad, contraste de igualdad de medias, comparaciones m煤ltiples. MANOVA de dos factores. MANOVA de dos factores con interacci贸n.
Tema 4. An谩lisis de componentes principales.
Descomposici贸n de un vector aleatorio en sus componentes principales. Propiedades e interpretaci贸n. Variabilidad explicada por las componentes principales. Criterios para la selecci贸n del n煤mero de componentes principales. El biplot.
Tema 5. An谩lisis de correspondencias.
Expresi贸n de la inercia de una tabla de contingencia a trav茅s de los perfiles de fila o de columna. Extracci贸n de componentes. Representaci贸n simult谩nea de filas y columnas. Interpretaciones.
Tema 6. An谩lisis Discriminante.
Fundamentos del an谩lisis discriminante. An谩lisis discriminante en dos poblaciones, caso particular de poblaciones normales. Generalizaci贸n al caso de varias poblaciones. Discriminaci贸n log铆stica.
Tema 7. T茅cnicas de formaci贸n de grupos.
T茅cnicas de agrupamiento jer谩rquico. Distancias y similaridades entre individuos. Distancias entre grupos. M茅todos de particionamiento: m茅todo de las k-medias. Determinaci贸n del n煤mero de grupos.
Bibliograf铆a B谩sica
Everitt, B.S. (2005). An R and S-Plus companion to multivariate analysis. Springer.
Hardle, W.K. y Simar, L. (2015). Applied multivariate statistical analysis. Fourth Edition. Springer.
Johnson, R.A. y Wichern, D.W. (2007). Applied multivariate statistical analysis. Pearson Education.
Mardia, K.V., Kent, J.T. y Bibby, J.M. (1979). Multivariate analysis. Academic Press.
Bibliograf铆a Complementaria
Everitt, B.S. y Dunn, G. (2001). Applied multivariate data analysis. Hodder Education.
Hastie, T., Tibshirani, R. y Friedman, J. (2009). The elements of statistical learning. Springer.
Koch, I. (2014). Analysis of multivariate and high-dimensional data. Cambridge.
Pe帽a, D. (2002). An谩lisis de datos multivariantes. McGraw-Hill.
P茅rez, C. (2004). T茅cnicas de an谩lisis multivariante de datos. Pearson Educaci贸n, S.A.
Seber, G.A.F. (1984). Multivariate observations. Wiley.
En esta materia se trabajar谩n las competencias b谩sicas, generales y transversales recogidas en la memoria del t铆tulo. Se indican a continuaci贸n cu谩les son las competencias espec铆ficas, que se potenciar谩n en esta materia:
Competencias espec铆ficas:
E1 - Conocer, identificar, modelar, estudiar y resolver problemas complejos de estad铆stica e investigaci贸n operativa, en un contexto cient铆fico, tecnol贸gico o profesional, surgidos en aplicaciones reales.
E2 - Desarrollar autonom铆a para la resoluci贸n pr谩ctica de problemas complejos surgidos en aplicaciones reales y para la interpretaci贸n de los resultados de cara a la ayuda en la toma de decisiones.
E3 - Adquirir conocimientos avanzados de los fundamentos te贸ricos subyacentes a las distintas metodolog铆as de la estad铆stica y la investigaci贸n operativa, que permitan su desarrollo profesional especializado.
E4 - Adquirir las destrezas necesarias en el manejo te贸rico-pr谩ctico de la teor铆a de la probabilidad y las variables aleatorias que permitan su desarrollo profesional en el 谩mbito cient铆fico/acad茅mico, tecnol贸gico o profesional especializado y multidisciplinar.
E5 - Profundizar en los conocimientos en los fundamentos te贸rico-pr谩cticos especializados del modelado y estudio de distintos tipos de relaciones de dependencia entre variables estad铆sticas.
E6 - Adquirir conocimientos te贸rico-pr谩cticos avanzados de distintas t茅cnicas matem谩ticas, orientadas espec铆ficamente a la ayuda en la toma de decisiones, y desarrollar la capacidad de reflexi贸n para evaluar y decidir entre distintas perspectivas en contextos complejos.
E8 - Adquirir conocimientos te贸rico-pr谩cticos avanzados de las t茅cnicas destinadas a la realizaci贸n de inferencias y contrastes relativos a variables y par谩metros de un modelo estad铆stico, y saber aplicarlos con autonom铆a suficiente un contexto cient铆fico, tecnol贸gico o profesional.
E9 - Conocer y saber aplicar con autonom铆a en contextos cient铆ficos, tecnol贸gicos o profesionales, t茅cnicas de aprendizaje autom谩tico y t茅cnicas de an谩lisis de datos de alta dimensi贸n (big data).
E10 - Adquirir conocimientos avanzados sobre metodolog铆as para la obtenci贸n y el tratamiento de datos desde distintas fuentes, como encuestas, internet, o entornos 鈥渆n la nube".
La actividad presencial del alumnado ser谩 de 35 horas contando la asistencia y participaci贸n en clases expositivas y sesiones interactivas. En la parte expositiva el profesorado har谩 uso de presentaciones multimedia, mientras que en la parte interactiva el alumnado resolver谩, usando el software estad铆stico R, distintas cuestiones planteadas sobre los contenidos de la materia.
El alumnado dispondr谩 del material docente (presentaciones, apuntes, ejercicios) de la materia. A lo largo del curso se propondr谩n ejercicios/trabajos que el alumnado deber谩 resolver con la tutorizaci贸n de los profesores. Esta tutorizaci贸n ser谩 realizada tanto a trav茅s de medios virtuales (plataformas de comunicaci贸n o correo electr贸nico) como de forma presencial en grupos reducidos.
La evaluaci贸n de la materia se realiza mediante evaluaci贸n continua y la realizaci贸n del examen final.
La evaluaci贸n continua tendr谩 una ponderaci贸n del 30% y tendr谩 en cuenta los ejercicios/trabajos realizados a lo largo del curso. La evaluaci贸n continua permite valorar la adquisici贸n de las competencias b谩sicas CB7-CB9 y generales CG1-CG5. Se tendr谩 en cuenta el nivel alcanzado en las competencias transversales CT1-CT5. Tambi茅n se evaluar谩 el nivel alcanzado en las competencias espec铆ficas CE1, CE2, CE5, CE6 y CE9.
El examen final, de problemas y cuestiones, tendr谩 una ponderaci贸n del 70%. En el examen, se evaluar谩n las competencias espec铆ficas CE1-CE6.
La calificaci贸n obtenida en la evaluaci贸n continua se conservar谩 en las dos oportunidades de evaluaci贸n de la convocatoria de cada curso. En la segunda oportunidad de evaluaci贸n, se realizar谩 un examen y la nota final ser谩 el m谩ximo entre: i) la nota de la primera oportunidad, ii) la nota del nuevo examen y iii) la media ponderada del nuevo examen (70%) y la evaluaci贸n continua (30%).
Se considera que el tiempo de trabajo personal del alumnado para superar la materia es de 125 horas repartidas como sigue:
1) Actividad presencial (38 horas): 35 horas (expositiva-interactiva)+3 horas (examen).
2) Actividad no presencial (87 horas): Se estima 1 horas de trabajo personal por cada hora de actividad presencial (sin incluir el examen), adem谩s del tiempo para resoluci贸n de ejercicios y casos pr谩cticos, actividades de an谩lisis de datos y modelos y la elaboraci贸n de trabajos.
Conviene acudir a esta materia con conocimientos previos de 谩lgebra lineal y geometr铆a m茅trica, as铆 como los conocimientos b谩sicos de c谩lculo de probabilidades y estad铆stica. Tambi茅n es recomendable disponer de unas habilidades medias en el manejo de ordenadores, y en concreto de software estad铆stico. Para un mejor aprendizaje de la materia, conviene tener presente el sentido pr谩ctico de los m茅todos que se est谩n conociendo, as铆 como una visualizaci贸n gr谩fica de los procedimientos que tratan datos multivariantes.
El desarrollo de los contenidos de la materia se realizar谩 teniendo en cuenta que las competencias a adquirir por el alumnado deben cumplir con el nivel MECES3. Se incidir谩 en los fundamentos t茅cnicos de las herramientas multivariantes que se estudien, y se aplicar谩n en distintos ejemplos pr谩cticos, de manera que el alumnado conozca tanto las potencialidades como las posibles limitaciones de los m茅todos.
Para los casos de realizaci贸n fraudulenta de ejercicios o pruebas, ser谩 de aplicaci贸n lo recogido en las respectivas normativas de las universidades participantes en el 惭谩蝉迟别谤 en T茅cnicas Estad铆sticas.
Esta gu铆a y los criterios y metodolog铆as en ella descritos est谩n sujetos a las modificaciones que se deriven de normativas y directrices de las universidades participantes en el 惭谩蝉迟别谤 en T茅cnicas Estad铆sticas.
Beatriz Pateiro Lopez
Coordinador/a- Departamento
- Estad铆stica, An谩lisis Matem谩tico y Optimizaci贸n
- 脕谤别补
- Estad铆stica e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
- 罢别濒茅蹿辞苍辞
- 881813185
- 颁补迟别驳辞谤铆补
- Profesor/a: Titular de Universidad
Maria Isabel Borrajo Garcia
- Departamento
- Estad铆stica, An谩lisis Matem谩tico y Optimizaci贸n
- 脕谤别补
- Estad铆stica e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
- Correo electr贸nico
- mariaisabel.borrajo [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Profesor Contratado/a Doctor
| 24.01.2025 10:00-14:00 | Grupo /CLE_01 | Aula 04 |
| 30.06.2025 16:00-20:00 | Grupo /CLE_01 | Aula 04 |