Titulació | Tipus | Curs | Semestre |
---|---|---|---|
2503852 Estadística Aplicada | OB | 2 | 2 |
És imprescindible un curs previ d'Àlgebra Lineal, així com cursos bàsics de Probabilitats i d'Inferència Estadística. També se suposa que sap utilitzar amb agilitat el programari R.
La majoria de dades recollides són multivariants, és a dir, per a una mateixa unitat experimental (que pot ser un objecte de naturalesa complexa) observem de manera simultània els valors de diverses variables. L'Anàlisi Multivariant tracta els mètodes que són més apropiats per a descriure, explorar i modelitzar aquestes dades vectorials, així com per a aplicar-hi la inferència estadística. La necessitat de processar gran quantitat de dades amb moltes variables de naturalesa diversa, amb la voluntat de reduir la informació que no sigui rellevant i de descobrir patrons d'associació entre variables, així com l' interès en la classificació supervisada o autònoma de casos, han fet desenvolupar recentment un gran nombre de procediments que se situen en l'escenari multivariant. L'assignatura es planteja com un primer contacte de l'estudiant amb el món de l' anomenat "aprenentatge estadístic" (statistical learning), per tal que comprengui la potència i aplicabilitat, i alhora les limitacions, dels mètodes, alguns dels quals es basen en idees heurístiques força intuïtives. L'enfocament de l'assignatura és eminentment aplicat pel que fa al treball amb dades usant el potencial del programari lliure R, acompanyat del rigor i generalitat adequats en la definició del models teòrics i els corresponents mètodes d'anàlisi i validació dels resultats.
Aprenentatge estadístic (statistical learning) i reducció de la dimensió
Mètodes factorials I: Anàlisi de components principals (ACP)
Mètodes factorials II: Anàlisi factorial (AF)
Mètodes factorials III: Escalament multidimensional (EMD) i anàlisi de correspondències (AC)
Análisi de clústers (ACL)
Bàsics en inferència multivariant
Anàlisi discriminant (AD) i altres mètodes supervisats
Classes de teoria, on s'exposaran detalladament i es discutiran els continguts en base a exemples d'aplicació convenientment interpretats. Els resums dels apunts es penjaran al campus virtual. S'encoratjarà la revisió i ampliació de continguts amb la bibliografia bàsica i complemetària.
Classes pràctiques pensades per implementar amb el llenguatge estadístic R. Els guions de les pràctiques, enunciats de problemes i l'altre material auxiliar es penjaran al Campus Virtual. A les classes pràctiques es proposaran exercicis d'ampliació que caldrà resoldre autònomament.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Classes de pràctiques amb ordinador | 26 | 1,04 | 1, 5, 6, 7, 8, 9, 12, 13, 14, 15 |
Classes de teoria | 26 | 1,04 | 1, 2, 3, 4, 5, 6, 7, 8, 9 |
Tipus: Autònomes | |||
Estudi i consultes | 42 | 1,68 | 2, 5, 7, 8, 10, 15 |
Resolució i lliurament d'exercicis | 44 | 1,76 | 1, 4, 5, 6, 9, 10, 11, 12, 13, 14, 15 |
La nota de curs (NC) es calcularà a partir de les entregues d'exercicis i pràctiques i de les notes dels exàmens parcials (P1 i P2), amb preguntes de teoria i de pràctiques, i de la nota dels lliuraments. Detall de la nota de curs:
NC = 0,35·P1 + 0,45·P2 + 0,20·Lli
on P1 és la nota del primer parcial, P2 del segon parcial i Lli és la nota dels lliuraments que es proposaran i que no es podran recuperar.
L'aprovat per curs requereix que NC sigui igual o més gran que 5 i que les notes de cada parcial siguin més grans que 3.5 (sobre 10). L'examen final de recuperació (F) serà una prova de síntesi de tot el curs i tindrà una part teórica i una de computacional. Si un alumne vol millorar la nota de curs, també es pot presentar a la recuperació. No obstant l’anterior, el professor es reserva el dret a decidir les matrícules d'honor, si n’hi ha, abans de l'examen de recuperació. La nota final serà:
NF=Max(NC , 0,80·F + 0,20Lli)
Observació: Només es podran presentar a la prova final aquells estudiants que hagin participat a 2/3 parts de les activitats d'avaluació continuada.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Lliurament de tasques (problemes i pràctiques resoltes) | 0,2 | 4 | 0,16 | 2, 3, 9, 10, 11, 12, 13, 14, 15 |
Primer parcial (teoria i pràctiques) | 0,35 | 4 | 0,16 | 1, 6, 7, 8, 10, 11 |
Segon parcial (teoria i pràctiques) | 0,45 | 4 | 0,16 | 1, 4, 5, 7, 8, 9, 10, 11, 12, 15 |
Everitt, B., Hothorn, T. ; An introduction to Applied Multivariate Analysis with R. Springer, 2011.
Härdle, W., Simar, L.; Applied Multivariate Statistical Analysis. Springer,2007.
Peña, D.; Análisis de datos multivariantes. McGraw Hill, 2002.
Rencher, A., Christensen, W.; Methods of Multivariate Analysis. Wiley Series in Probability and Mathematical Statistics, 2012.
Wehrens, R. (2020). Chemometrics with R: Multivariate data analysis in the natural sciences and life sciences. Heidelberg: Springer. https://link-springer-com.are.uab.cat/book/10.1007/978-3-662-62027-4
Bibliografia complementària
Coghlan, A.; Little book of R for Multivariate Analysis.
https://little-book-of-r-for-multivariate-analysis.readthedocs.io/en/latest/
Cuadras, C.; Nuevos Métodos de Análisis Multivariante (web), 2014.
Greenacre, M.; La pràctica del análisis de correspondencias. Fundacion BBA, 2003.
James, G., Witten, D., Hastie, T., Tibshirani, R.; An Introduction to Statistical Learning. Springer, 2014.
Mardia, K.V, Kent, J.T., Bibby, J.M.; Multivariate Analysis. Academic Press, 2003.
Rencher, A.; Multivariate Statistical Inference and Applications. John Wiley &Sons, 1998.
Programari lliure R, en l'entorn de treball RStudio.