Titulación | Tipo | Curso | Semestre |
---|---|---|---|
2503852 Estadística Aplicada | OB | 2 | 2 |
Es imprescindible un curso previo de Álgebra lineal, así como cursos básicos de Probabilidades y de Inferencia estadística. También se supone que sabe utilizar con agilidad el lenguaje R.
La mayoría de datos recogidos son multivariantes, es decir, para una misma unidad experimental (que puede ser un objeto de naturaleza compleja) observamos de manera simultánea los valores de varias variables. El Análisis Multivariante trata los métodos que son más apropiados para describir, explorar y modelizar estos datos vectoriales, así como para aplicar la inferencia estadística. La necesidad de procesar gran cantidad de datos con muchas variables de naturaleza diversa, con la voluntad de reducir la información que no sea relevante y de descubrir patrones de asociación entre variables, así como el interés en la clasificación supervisada o autónoma de casos, han hecho desarrolló recientemente un gran número de procedimientos que se sitúan en el escenario multivariante. La asignatura se plantea como un primer contacto del estudiante con el mundo del llamado "aprendizaje estadístico" (statistical learning), para que comprenda la potencia y aplicabilidad, al tiempo las limitaciones, los métodos, algunos de los cuales se basan en ideas heurísticas bastante intuitivas. El enfoque de la asignatura es eminentemente aplicado con respecto al trabajo con datos usando el potencial del software libre R, acompañado del rigor y generalidad adecuados en la definición de los modelos teóricos y los correspondientes métodos de análisis y validación de los resultados.
Aprendizaje estadístico (statistical learning) y reducción de la dimensión
Métodos factoriales I: Análisis de componentes principales (ACP)
Métodos factoriales II: Análisis factorial (AF)
Métodos factoriales III: Escalamiento multidimensional (EMD) y análisis de correspondencias (AC)
Análisis de clústers (ACL)
Básicos en inferencia multivariante
Análisis discriminante (AD) y otros métodos supervisados
Clases de teoría, donde se expondrán detalladamente y se discutirán los contenidos en base a ejemplos de aplicación convenientemente interpretados. Los resúmenes de los apuntes se colgarán en el Campus virtual. Se estimulará la revisión y ampliación de contenidos con la bibliografía básica y complementaria.
Clases prácticas pensadas para implementar con el lenguaje estadístico R. Los guiones de las prácticas, los enunciados de problemas y otro material auxiliar se pondrán a disposición del alumnado en el Campus Virtual. En las clases prácticas se propondrán ejercicios de ampliación para resolver autónomamente.
Se procurará la colaboración y participación de todos los estudiantes, sin ningún tipo de discriminación por razón de sexo u otra causa.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases de prácticas con ordenador | 26 | 1,04 | 1, 4, 5, 7, 8, 9, 12, 13, 14, 15 |
Clases de teoría | 26 | 1,04 | 1, 2, 6, 3, 4, 5, 7, 8, 9 |
Tipo: Autónomas | |||
Estudio y consultas | 42 | 1,68 | 2, 4, 7, 8, 10, 15 |
Resolución y entrega de ejercicios | 44 | 1,76 | 1, 3, 4, 5, 9, 10, 11, 12, 13, 14, 15 |
La nota de curso (NC) se calculará a partir de las entregas de exercicios teóricos y de prácticas y de las notas de dos exámenes parciales (P1 y P2), tanto de teoría como de prácticas. Detalle de la nota de curso:
NC = 0,35•P1 + 0,45•P2 + 0,20•Lli
donde P1 y P2 son las notas del primer parcial y del segundo parcial y Lli es la nota de las entregas que se propongan y que no se podrán recuparar.
El aprovado por curso requiere que NC>=5 y que P1 y P2 sean ambas mayores que 3.5 (sobre 10). El examen final de recuperación (F) será una prueba de síntesis de todo el semestre con una parte teórica y una de computacional. Los alumnes pueden presentarse a la recuperación para mejorar su NC. No obstante, el profesor se reserva el derecho a decidir las matrículas d'honor, si las hubiere, antes del examen de recuperación. La nota final se calculará:
NF=Max(NC , 0,80•F + 0,20Lli)
Observación: Solo se podrán presentar a examen final aquellos estudiantes que hayan participado en 2/3 partes de las actividades de evaluación continuada.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Entrega de tareas | 0,2 | 4 | 0,16 | 2, 6, 9, 10, 11, 12, 13, 14, 15 |
Primer parcial (teoría i prácticas) | 0,35 | 4 | 0,16 | 1, 5, 7, 8, 10, 11 |
Segundo parcial (teoría y pràcticas) | 0,45 | 4 | 0,16 | 1, 3, 4, 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.
R y RStudio.