Última actualización: 10/07/2020


Curso Académico: 2020/2021

Análisis y Visualización de Datos
(18670)
Titulación: Master in Business Administration (MBA) (301)
Escuela de Empresa


Coordinador/a: MUÑOZ GARCIA, ALBERTO

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
Son convenientes nociones de Estadística.
Competencias que adquiere el estudiante y resultados del aprendizaje.
-Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. - Capacidad de relacionar teoría y práctica, de manera que puedan aplicar conceptos y soluciones a contextos organizativos específicos. - Capacidad de comunicación oral y escrita de los diagnósticos y soluciones que propongan - Capacidad de trabajo en equipo - Saber conseguir información, analizarla y extraer conclusiones de ella - Saber desarrollar alternativas y reglas de evaluación y selección de las mismas
Descripción de contenidos: Programa
1: Introduction and Descriptive Statistics 1.1 Introduction to the course. 1.2 Introduction to R. Basics, arithmetic with R, variable assignment. Basic data types in R. 1.3 Vectors, matrices, factors, data frames. 1.4 Reading and writing data in R. 2: Exploring categorical and numerical data data. 2.1 Bar charts, contingency tables, counts, proportions, piecharts. 2.2 Histograms, boxplots, visualizing in higher dimensions. 3: Numerical Summaries. 3.1 Measures of center. Median, median, quartiles and quantiles. 3.2 Measures of variability. Variance, standard deviation, IQR. 3.3 Shape and transformations. 3.4 Outliers. 4. Case Study for lessons 1-3. 5. Multivariate Data 5.1 Description of multivariate data. 5.2 Covariance, correlation, distances. 5.3 Visualization of multivariate data: scatterplots, bubble plots, etc. 6. Principal Component Analysis for visualization 6.1 Introduction and main ideas. 6.2 Implementing PCA in R. 6.3 Case Study. 7. Cluster Analysis for data exploration 7.1 Introduction and main ideas. 7.2 Hierarchical Methods. 7.3 Partitioning Methods. 7.4 Case study. 8. Linear Regression 8.1 Univariate Case. 8.2 Multivariate Case. 8.3 Case Study 9. Introduction to Tidyverse. 9.1 Data wrangling 9.2 Data Visualization: ggplot2 9.3 Grouping and summarizing. 10. Final Real case study.
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS Clase teórica (15 horas) Clases prácticas (15 horas) Clases complementarias (5 horas) Tutorías (10 horas) Trabajo en grupo e individual del estudiante. METODOLOGÍAS DOCENTES -Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. - Resolución de casos prácticos, problemas, etc.¿ planteados por el profesor de manera individual o en grupo - Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 50
  • Peso porcentual del resto de la evaluación 50
Bibliografía básica
  • Antony Unwin. Graphical Data Analisis with R. CRC Press. 2015
  • Robert I. Kabacoff. R in action. Data analysis and graphics with R. Manning. 2015
Bibliografía complementaria
  • Brian Everitt, Torsten Hothorn. An introduction to Applied Multivariate Analysis with R. Springer. 2011
  • Chris Chapman, Elea McDonnell Feit. R for Marketing Research and Analytics. Springer. 2015
  • James E. Monogan III. Political Analysis using R. Springer. 2015
  • Peter Dalgaard. Introductory Statistics with R, 2 Ed. Springer. 2008

El programa de la asignatura y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.