CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la información.

CG2 - Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de especialización.

CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en función de criterios, de normas externas o de reflexiones personales justificadas

CG4 - Comunicar y presentar públicamente ideas, procedimientos o informes de investigación, así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de la información. La presentación de estas ideas debe transmitir de forma clara y precisa las conclusiones de forma que sean entendidas tanto por el especialista como por el profano en temas estadístico-computacionales.

CG6 - Conocer los modelos, métodos y técnicas relevantes en distintas áreas de aplicación de la Estadística matemática participando en la creación de nuevas tecnologías que contribuyan al desarrollo de la Sociedad de la Información.

CG7 - Saber abstraer en un modelo matemático las propiedades y características esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.

CT1 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y en la resolución de problemas y estudio de casos. Esto implica, más concretamente: Integrar creativamente conocimientos y aplicarlos a la resolución de problemas complejos, perseguir objetivos de calidad en el desarrollo de su actividad profesional, adquirir capacidad para la toma de decisiones y de dirección de recursos humanos, ser capaz de mostrar creatividad, iniciativa y espíritu emprendedor para afrontar los retos de su actividad, valorar la importancia de los métodos estadístico-computacionales en el contexto industrial, económico, administrativo, medio ambiental y social.

CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole científica, tecnológica y empresarial. Demostrar razonamiento crítico y gestionar información científica y técnica de calidad, bibliografía, bases de datos especializadas y recursos accesibles a través de Internet.

CE1 - Adquisición de una formación sólida y rigurosa en temas avanzados de Estadística, Matemática computacional, Modelos estocásticos y Metodología de la toma de Decisiones aplicadas al tratamiento de la Información.

CE2 - Capacidad para planificar la resolución de un problema en función de las herramientas de que se disponga y, en su caso, de las restricciones de tiempo y recursos.

CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado grado de complejidad.

CE4 - Desarrollar habilidades de aprendizaje en Estadística Computacional y Matemáticas, así como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y profundizando en la materia de modo autónomo, así como el desarrollo profesional con un alto grado de independencia.

CE5 - Resolver problemas y casos reales planteados en el tratamiento estadístico-computacional de la información generada en los ámbitos de la ciencia, la tecnología y la sociedad mediante habilidades de modelización matemática, estimación y computación.

CE7 - Capacidad de utilización de herramientas de búsqueda de recursos bibliográficos así como manejo, gestión y análisis de grandes bases de datos.

Sí.

Sí.

100%

1,4

1,6

1

Modelización analítica no supervisada

Conocimientos de Probabilidad y Estadística. Inferencia Estadística.

El alumno adquirirá los conocimientos teóricos necesarios para abordar diferentes problemáticas de negocio a través del tratamiento de datos y el ajuste de modelos matemáticos de carácter no supervisado

Manejar con soltura de software estadístico orientado a la modelización no supervisada.    

 

Entrega de ejercicios: 50%
Examen teórico práctico: 40%
Asistencia: 10%
Para que las ponderaciones anteriores sean aplicadas, es preciso:
‐ Asistir al menos al 80% de las sesiones presenciales.
‐ Alcanzar al menos 3.5 puntos sobre 10 en el examen teórico práctico.

Bishop, C. M. (2006): Pattern Recognition and Machine Learning, Springer.
Cuadras, C. M. (2007): Nuevos Métodos de Análisis Multivariante. Ed. CMC Editions Barcelona.
Hair, F., Anderson, R. E., Tatham, R. L., Black, W. C. (1999): Análisis multivariante, Prentice Hall
Hastie, T., Tibshirani, R., Friedman, J. (2001): The Elements of Statistical Learning, Springer
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013): An introduction to Statistical Learning, Springer
Johnson A. R., Wichern D. W. Applied Multivariate Statistical Analysis. Pearson International Ed 2007.
Lebart, L., Morineau, A., Warwick, K. M. (1984): Multivariate Descriptive Statistical Analysis. New York John Wiley & sons.
Mardia, K. V., Kent J. T., Bibby, J. M. (1979): Multivariate Analysis. Academic Press.
Morrison, D. (1990): Multivariate Statistical Methods. Mac Graw Hill.
Peña D. (2002): Análisis de Datos Multivariante. Mac Graw Hill.