Ficha

English version

Curso Académico: 2017/2018

Análisis estadístico avanzado

(17467)

Titulación: Grado en Gestión de la Información y Contenidos Digitales (340)

Coordinador/a: CABRAS , STEFANO

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria

Créditos: 6.0 ECTS

Curso: 4º

Cuatrimestre: 1º

Competencias que adquiere el estudiante y resultados del aprendizaje.Más información en este enlace

COMPETENCIAS ESPECÍFICAS
1. Conocer y utilizar técnicas estadísticas avanzadas, con soporte informático de última generación. 
2. Extraer y analizar información de grandes conjuntos de datos.

COMPETENCIAS TRANSVERSALES: 
1. Capacidad de análisis y síntesis de la información en problemas reales. 
2. Modelización y resolución de problemas prácticos.
3. Comunicación oral y escrita.

Descripción de contenidos: Programa

1.	Problemas estadísticos para datos multivariantes: interpretación del fenómeno aleatorio versus predicción de resultados aleatorios del mismo.

2. 	Interpretación del fenómeno aleatorio por medio de visualización de datos y análisis de conglomerados.
2.1	Escalado multidimensional métrico.
2.2	Biplots.
2.3	Mapas perceptuales.
2.4.	Análisis de clúster. Métodos jerárquicos, no jerárquicos (k-medias) y modelos de mixturas.
2.4.1	 Algoritmos de clúster jerárquicos bottom-up.
2.4.2	k-medias y variantes.

3. 	Predicción del fenómeno aleatorio: Métodos de regresión paramétricos y no paramétricos.
3.1	Métodos discriminantes lineal y cuadrático.
3.2	Tipos de regresión para respuestas cuantitativas y para respuestas binarias.
3.3	Arboles da clasificación y Random Forests

4. Introducción al text mining.
   4.1 Principales conceptos.
   4.2 Nubes de palabras.
   4.3 Matriz de textos por documentos.

Actividades formativas, metodología a utilizar y régimen de tutorías

14 Clases teóricas con material de apoyo disponible en la Web, y otras 14 sesiones basadas en sesiones de resolución de problemas y prácticas computacionales. No hay tutorías colectivas salvo la última semana de recuperación de clases en las que se pueden plantear sesiones de resolución de dudas.

Sistema de evaluación

El 60% de la calificación final se obtendrá mediante un examen final de evaluación de los conocimientos adquiridos, en el que será necesario obtener un mínimo de 4 puntos sobre un total de 10. El 40% restante se obtendrá mediante la realización de dos exámenes parciales (15%+20%) y de la entrega obligatoria de problemas realizados en las clases de prácticas computacionales (5%). Todos los exámenes pueden contener preguntas teóricas, así como cuestiones sobre las prácticas computacionales.

Peso porcentual del Examen Final 60
Peso porcentual del resto de la evaluación 40

Bibliografía básica

E. Alpaydin. Introduction to Machine Learning, 2nd Edition. MIT Press. 2010
T. Hastie, R. Tibshirani, J. Friedman. Elements of Statistical Learning, 2d Ed. Springer. 2009

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.