Última actualización: 30/04/2025 11:02:58


Curso Académico: 2025/2026

Análisis estadístico avanzado
(17467)
Grado en Gestión de la Información y Contenidos Digitales (Plan 2017) (Plan: 376 - Estudio: 340)


Coordinador/a: MUÑOZ GARCIA, ALBERTO

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Conocimiento de estadística multivariante básica.
Objetivos
1. Conocer y utilizar técnicas estadísticas avanzadas, con soporte informático de última generación. 2. Extraer y analizar información de grandes conjuntos de datos. 3. Adquirir las habilidades estadísticas para el análisis de datos multivariantes socio-económicos, tales como los que aparecen en investigación de mercados. 4. Habilidad de describir y analizar conjuntos de datos reales con las técnicas mencionadas. 5. Capacidad de elaborar informes de resultados de los análisis sobre estudios de caso reales. 1. Capacidad de análisis y síntesis de la información en problemas de Data Mining. 2. Resolución de problemas reales. 3. Conocimiento y adiestramiento en el uso de software estadístico para la resolución de problemas reales. 4. Razonamiento crítico y selectivo frente a la resolución de problemas. 5. Habilidades de presentación de resultados
Resultados del proceso de formación y aprendizaje
K1: Conocer los principios y valores democráticos y de desarrollo sostenible, en particular, el respeto a los derechos humanos y derechos fundamentales, la igualdad de género y no discriminación, los principios de accesibilidad universal y cambio climático. K3: Identificar y analizar las metodologías de investigación y fuentes para desarrollar trabajos académicos en el ámbito de la gestión de información digital K7: Comprender los fundamentos de estadística y análisis cuantitativo para interpretar datos, así como las técnicas adecuadas para su recolección y procesamiento entendiendo diferentes estructuras, contextos sociales y necesidades de usuarios/as. S1: Planificar y organizar trabajos en equipo tomando decisiones correctas basadas en información disponible y reuniendo datos en entornos digitales. S5: Ser capaz de diseñar, gestionar y operar con información por medio de sistemas de bases de datos, demostrando habilidad en la recuperación de información y el uso de lenguajes de consulta para satisfacer necesidades informativas complejas. S6: Ser capaz de recolectar, procesar, depurar y agregar datos entendiendo las necesidades de los usuarios y organizaciones y el modo en que los precisan. S7: Experimentar con herramientas de visualización de datos para representar información de forma intuitiva, presentando adecuadamente los resultados a diferentes tipos de audiencia. S10: Aplicar técnicas de análisis estadístico y estudios métricos para evaluar y medir el impacto de datos en entornos digitales. C1: Conocer y ser capaz de manejar habilidades interpersonales sobre iniciativa, responsabilidad, resolución de conflictos, negociación, entre otras, que se requieren en el ámbito profesional. C2: Ser capaz de aplicar conocimientos de forma profesional en la resolución de problemas específicos de gestión de información digital utilizando las herramientas y técnicas aprendidas en el ámbito académico C3: Demostrar habilidad en la elaboración y ejecución de proyectos de contenidos digitales de forma autónoma trabajando en equipos multidisciplinares. C4: Capacidad de aprendizaje autónomo continuo que facilite la adaptación a nuevas situaciones y la actualización de conocimientos en el ámbito de la Información digital.
Descripción de contenidos: Programa
1. Lenguaje de Programación R 1.1 Tipos de datos y lectura de datos 1.2 Bucles y condicionales 1.3 Funciones 2. Análisis Exploratorio de Datos 2.2 Paquete ggplot2 3. Técnicas de Clasificación Supervisada 3.1 K-vecinos próximos 3.2 Arboles de decisión 3.3 La distribución Normal y el Análisis Discriminante 3.4 Máquinas de vector soporte 3.5 Regresión Logística 4. Técnicas de Reducción de Dimensiones y Clustering 4.1 Principal Component Analysis 4.2 K-means 4.3 Clustering jerárquico 5. Como escribir un informe con R-Markdown
Actividades formativas, metodología a utilizar y régimen de tutorías
El curso consta de 14 clases teóricas con material de apoyo disponible en aula global y 14 sesiones basadas en sesiones de prácticas computacionales. Cada semana los estudiantes dispondrán de una tutoría optativa colectiva donde podrán resolver sus dudas.
Sistema de evaluación
  • Peso porcentual del Examen/Prueba Final 0
  • Peso porcentual del resto de la evaluación 100




Convocatoria extraordinaria: normativa
Bibliografía básica
  • Eva Laude, Henri Laude. DATA SCIENTIST Y LENGUAJE R. Ediciones ENI. 2022
Bibliografía complementaria
  • Peter Bruce. Estadística práctica para ciencia de datos con R y Python. O'Reilly. 2022

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