Estadística para las Ciencias Sociales I o una asignatura similar de introducción a la estadística.

Competencias específicas: 1. Comprender los conceptos básicos del análisis estadístico multivariante y sus aplicaciones en las ciencias sociales. 2. Capacidad para realizar un análisis de regresión lineal simple e interpretar los resultados. 3. Capacidad para realizar un análisis de regresión lineal múltiple e interpretar los resultados. 4. Capacidad para realizar un análisis de regresión logística binomial e interpretar los resultados. 5. Capacidad para realizar un análisis de componentes principales e interpretar los resultados. 6. Capacidad para realizar un análisis de conglomerados e interpretar los resultados. 7. Capacidad para usar software estadístico de forma efectiva. Competencias transversales: 1. Capacidad de análisis y síntesis 2. Capacidad de modelización matemática y estadística 3. Resolución de problemas 5. Razonamiento crítico 6. Comunicación oral y escrita

Tema 1. Regresión lineal. 1.1. Regresión lineal. Introducción; regresión simple y múltiple. motivación; análisis gráfico de datos; formulación del modelo; variables dummy; interpretación de parámetros; ejemplos; aplicaciones. 1.2. Ajuste del modelo a los datos; el criterio de mínimos cuadrados; uso del modelo estimado. 1.3. Supuestos del modelo; inferencia de los parámetros del modelo I: intervalos de confianza; inferencia de la respuesta. 1.4. Inferencia de los parámetros del modelo II: contrastes de hipótesis; significación estadística de los parámetros estimados. 1.5. Evaluación del ajuste del modelo; ANOVA; diagnóstico del modelo. 1.6. Selección de variables predictoras; multicolinealidad; diagnóstico del modelo; validación del modelo. Tema 2. Regresión logística binomial. 2.1. Motivación; supuestos y formulación del modelo; interpretación de parámetros; ejemplos; aplicaciones. 2.2. Ajuste del modelo a los datos; uso del modelo estimado; inferencia de los parámetros del modelo; significación estadística de los parámetros estimados. 2.3. Evaluación del ajuste del modelo; selección de variables predictoras; multicolinealidad. Tema 3. Análisis de componentes principales. 3.1. Motivación; formulación; varianza explicada; ejemplos; aplicaciones. 3.2. Selección del número de componentes; scores; interpretación de las componentes; representaciones gráficas. Tema 4. Análisis de conglomerados. 4.1. Motivación; método de k-medias. 4.2. Métodos jerárquicos; medidas de similaridad; dendrograma. 4.3. Aplicaciones y ejemplos.

Teoría (3 ECTS). Clases teóricas con material de apoyo disponible en la página web de la asignatura. Prácticas (3 ECTS). Clases de resolución de problemas. Prácticas computacionales en aulas informáticas. Tutorías individuales semanales. La metodología docente tendrá un enfoque eminentemente práctico, estando basada en el estudio de diversos conjuntos de datos mediante técnicas de análisis multivariante, tanto en las clases teóricas como en las prácticas, como motivación e ilustración de la teoría.