CG9 Mostrar capacidad de síntesis

CE4 Identificar y organizar la información relevante de un problema
CE5 Descubrir patrones de comportamiento en los datos
CE10 Analizar los datos mediante la aplicación de métodos y técnicas estadísticas, trabajando con datos cualitativos y cuantitativos
CE11 Interpretar los resultados del trabajo estadístico

50%

50%

100%

2,4

3,6

5

Es conveniente que el alumno haya cursado las asignaturas Estimación I, Estimación II, Software Estadístico I, Programación I, Programación II y Métodos Matemáticos para Estadística II.

Tema 1. Análisis Cluster.
Concepto de similitud y distancia para variables numéricas, categóricas y mixtas. Algoritmos jerárquicos y no jerárquicos. Determinación del número de grupos. Caracterización de clústeres.
Tema 2. Análisis de Componentes Principales y Factorial.
Fundamentos del análisis factorial. Análisis de Componentes Principales. Análisis Factorial y métodos de rotación. Extensiones para datos mixtos.
Tema 3. Análisis de Correspondencias.
Relaciones entre variables categóricas. Análisis de la inercia. Análisis de Correspondencias Simple y Múltiple.
Tema 4. Análisis Discriminante.
Clasificación supervisada. Reglas de decisión. Análisis canónico discriminante.

La nota final se calculará como el máximo entre:
a) La calificación obtenida en la prueba final.
b) La media ponderada entre la evaluación continua (60%) y la prueba final (40%).
La evaluación continua consiste en dos pruebas parciales realizadas a lo largo del cuatrimestre, con un peso del 30% cada una sobre la nota final. Para poder optar a la evaluación continua, se requiere una asistencia mínima del 80% a las sesiones de clase.
Para superar la asignatura mediante evaluación continua, es necesario obtener una calificación mínima en cada una de las tres partes evaluadas (los dos parciales y la prueba final). La asignatura no puede superarse únicamente mediante las pruebas parciales de evaluación continua.
Cualquier estudiante tiene derecho a realizar la prueba final. La prueba final tendrá un contenido adaptado según la modalidad de evaluación: quienes concurran sin evaluación continua se examinarán de la totalidad de los contenidos de 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.
Greenacre, M. (2017). Correspondence Analysis in Practice (3ª ed.). CRC Press. [acceso abierto]
Hair, J.F., Black, W.C., Babin, B.J. & Anderson, R.E. (2019). Multivariate Data Analysis (8ª ed.). Cengage. [disponible en la Biblioteca UCM]
Husson, F., Lê, S. & Pagès, J. (2017). Exploratory Multivariate Analysis by Example Using R (2ª ed.). CRC Press. [acceso abierto]
James, G., Witten, D., Hastie, T., Tibshirani, R. & Taylor, J. (2021). An Introduction to Statistical Learning with Applications in R (2ª ed.). Springer. [disponible online a través de la Biblioteca UCM]
Härdle, W.K., Simar, L. & Fengler, M.R. (2024). Applied Multivariate Statistical Analysis (6ª ed.). Springer. [Disponible en línea a través de la Biblioteca UCM]
Kassambara, A. (2017). Practical Guide to Cluster Analysis in R. STHDA. [acceso abierto]