CG2 Habilidad para expresarse claramente y de presentar oralmente o por escrito, mediante un informe de carácter profesional, los resultados de sus análisis
CG4 Interés en el conocimiento, descripción e interpretación de fenómenos susceptibles de cuantificación
CG14 Desarrollar sentido del detalle

CE17 Preparar encuestas optimizando el diseño de la misma

50%

50%

100%

2,4

3,6

7

La meta de esta asignatura es que el alumno aprenda a utilizar diversas técnicas multivariantes que tienen por objeto preparar, diseñar, y analizar encuestas profundizando en las propiedades de agrupación y clasificación de los observaciones.

Manejo de software estadístico.
Estar familiarizado con los conceptos básicos del Análisis Multivariante.

Se pretende que el alumno consiga conocer y manejar a través de software informático (R o SAS) técnicas estadísticas útiles para el análisis de datos multivariantes, haciendo especial hincapié en todas aquellas que tienen como objetivo realizar agrupaciones homogéneas y clasificaciones de las unidades objeto del análisis.

El alumno será evaluado de forma continua a través de:
- Asistencia y prácticas realizadas en clase. La valoración de estas actividades será el 20% de la calificación final.
- Práctica final de cada tema realizada durante el horario de clase. La nota media ponderada de las prácticas será el 80% de la calificación final, siendo obligatorio aprobar todas.

Aquellos alumnos que no se acojan a evaluación continua, o habiéndose acogido no la hayan superado, podrán realizar un examen en las convocatorias oficiales, en cuyo caso, la nota alcanzada en el examen será el 100% de la nota global en la asignatura.

- ALONSO, J.M., CALVIÑO, A. (2022) Introducción a la Ciencia de Datos con R: Preparación de los datos y Análisis No Supervisado. García Maroto Editores, Madrid.
- BREIMAN, L. FRIEDMAN, J.H., OLSHEN, R.A. STONE, C.J. (1998) Classification and Regression Trees. Chapman & Hall/CRC, Boca Raton
- COX, T.F.; COX M.A.A. (2001) Multidimensional Scaling. Chapman & Hall/CRC, Boca Raton.
- GARCIA, S., LUENGO, J., HERRERA, F. (2015) Data Preprocessing in Data Mining. Intelligent Systems Reference Library (72), Ed. Springer, Cham.
- HASTIE, T., TIBSHIRANI, R,, FRIEDMAN, J. (2001) The elements of Statistical Learning Data Mining, Inference and Prediction.
- JAMES, G., WITTEN, D., HASTIE, T., & TIBSHIRANI, R. (2013). An introduction to statistical learning with Applications in R. New York: Springer.
- KUHN, M., & JOHNSON, K. (2013). Applied predictive modeling (Vol. 26). New York: Springer.
- PEREZ, Cesar (2011). Técnicas de Segmentación, conceptos, herramientas y aplicaciones. Editorial Garceta. Madrid.