Guía docente de Técnicas Avanzadas de Estadísticas Multivariante (22311J2)
Grado
Rama
Módulo
Materia
Curso
Semestre
Créditos
Tipo
Profesorado
Teórico
Práctico
Prerrequisitos y/o Recomendaciones
Se recomienda la realización previa de la materia Inferencia Estadística y Análisis Multivariante del módulo Estadística, y los módulos Probabilidad y Estadística Computacional.
Breve descripción de contenidos (Según memoria de verificación del Grado)
- Técnicas probabilísticas de clasificación. Análisis discriminante.
- Modelos estadísticos lineales multivariantes de rango máximo. Regresión lineal múltiple multivariante.
- Modelos estadísticos lineales multivariantes de rango no máximo. MANOVA y MANCOVA.
Competencias
Competencias generales
- CG01. CG01. Poseer los conocimientos básicos de los distintos módulos que, partiendo de la base de la educación secundaria general, y apoyándose en libros de texto avanzados, se desarrollan en la propuesta de título de Grado en Estadística que se presenta.
- CG02. CG02. Saber aplicar los conocimientos básicos de cada módulo 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 la resolución de problemas dentro de la Estadística y ámbitos en que esta se aplica directamente.
- CG03. CG03. Saber reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- CG04. CG04. Poder transmitir información, ideas, problemas y sus soluciones, de forma escrita u oral, a un público tanto especializado como no especializado.
- CG05. CG05. Haber desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- CG06. CG06. Saber utilizar herramientas de búsqueda de recursos bibliográficos.
- CG07. CG07. Poder comunicarse en otra lengua de relevancia en el ámbito científico.
- CG08. CG08. Poseer habilidades y aptitudes que favorezcan el espíritu emprendedor en el ámbito de aplicación y desarrollo de su formación académica.
- CG09. CG09. Fomentar y garantizar el respeto a los Derechos Humanos, a los principios de accesibilidad universal, igualdad, y no discriminación; y los valores democráticos, de la cultura de la paz y de igualdad de género.
Competencias específicas
- CE01. CE01. Conocer los fundamentos básicos del razonamiento estadístico, en el diseño de estudios, en la recogida de información, en el análisis de datos y en la extracción de conclusiones.
- CE02. CE02. Conocer, saber seleccionar y saber aplicar, técnicas de adquisición de datos para su tratamiento estadístico.
- CE03. CE03. Conocer los fundamentos teóricos y saber aplicar modelos y técnicas estadísticas en estudios y problemas reales en diversos ámbitos científicos y sociales.
- CE04. CE04. Saber seleccionar los modelos o técnicas estadísticas para su aplicación en estudios y problemas reales en diversos ámbitos científicos y sociales, así como conocer herramientas de validación de los mismos.
- CE08. CE08. Conocer y saber utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, bases de datos, visualización gráfica y optimización, que sean útiles para la aplicación y desarrollo de las técnicas estadísticas.
- CE09. CE09. Conocer los conceptos básicos y habilidades propias de un ámbito científico o social en el que la Estadística o la Investigación operativa sean una herramienta fundamental.
- CE10. CE10. Tomar conciencia de la necesidad de asumir las normas de ética profesional y las relativas a la protección de datos y del secreto estadístico, como premisas que deben guiar la actividad profesional como profesionales de la Estadística.
Resultados de aprendizaje (Objetivos)
- Conocer los fundamentos teóricos imprescindibles (modelos; objetivos prácticos que resuelven; hipótesis estadístico-matemáticas; versiones teóricas y muestrales; etc.) de las más importantes técnicas estadísticas multivariantes paramétricas y no paramétricas.
- Tener destrezas en la aplicación, con apoyo de software estadístico (esencialmente R), de las mencionadas técnicas multivariantes.
- Adquirir destreza en la resolución de casos reales, con p-variables y observaciones muestrales dadas, detectando la/s técnica/s multivariante/s más adecuada/s; comprobando el grado de verificación de las hipótesis estadísticas requeridas por cada técnica; y efectuar la discusión de los resultados obtenidos plasmados en un informe estadístico final.
Programa de contenidos teóricos y prácticos
Teórico
- Tema 1. Técnicas Probabilísticas de Clasificación
- El problema general de clasificación.
- Clasificación en el caso de poblaciones normales multivariantes.
- Modelos lineales de clasificación.
- Modelos no lineales de clasificación.
- Implementación en R.
- Tema 2. Modelos de Predicción de Salida Múltiple
- Transformaciones del problema de Salida Múltiple.
- Regresión Múltiple Multivariante.
- Otros modelos de Salida Múltiple.
- Implementación en R.
- Tema 3. Análisis de la Varianza Multivariante.
- Formulación del modelo.
- Casos prácticos de aplicación.
- Implementación en R.
Práctico
- Práctica 1. El problema de la Clasificación en R.
- Prácticas 2-4. Clasificadores Lineales en R.
- Prácticas 5-6. Clasificadores No Lineales en R.
- Prácticas 7-8. Predictores de Salida Múltiple en R.
- Práctica 9. Análisis de la Varianza Multivariante en R.
Bibliografía
Bibliografía fundamental
- WOLFGANG, K.H & LEOPOLD, S. (2015), Applied Multivariate Statistical Analysis, Fourth Edition. Springer.
- PEÑA, D. (2002). Análisis de datos multivariantes. McGraw-Hill.
- JAMES, G.; WITTEN, D.; HASTIE T. & TIBSHIRANI R. (2021) An Introduction to Statistical Learning with Applications in R. Springer, 2nd ed.
- HASTIE, T.; TIBSHIRANI, R. & FRIEDMAN, J. (2009) The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer; 2nd ed.
- BISQUERRA, R. (1989). Introducción Conceptual al Análisis Multivariable. PPU.
- CRAWLEY, M. (2007). The R Book. Willey.
- DALGAARD, P. (2002), Introductory Statistics with R. Springer, New York.
- EVERITT, B. & TORSTEN, H. (2006). A Handbook of Statistical Analysis using R. Chapman & Hall/CRC.
- EVERITT, B. and DUNN, G. (1998). Applied Multivariate Data Analysis, Edward Arnold, London.
- MARDIA K.V. & BIBBY, K.J.M. (1997). Multivariate Analysis. London: Academic Press.
Bibliografía complementaria
- FARAWAY, J. (2006), Extending the Linear Model with R.Chapman & Hall/CRC.
- FARAWAY, J. (2004). Linear Models with R. Boca Raton, FL: Chapman & Hall/CRC.
- HARRELLl, F. (2001). Regression Modelling Strategies. New York: Springer Verlag.
- JOHNSON, R. A. & WICHERN, D. W. (1998). Applied Multivariate Analysis, 4th edition, Prentice Hall, Englewood Cliffs, New Jersey.
- VERZANI, J. (2004). Using R for Introductory Statistics. Boca Raton, FL: Chapman & Hall/CRC.
- VOLLE, M. (1989). Analyse des données. Economica.
- WEISBERG, S. (2005). Applied Linear Regression (3 ed.). New York: Wiley.
Enlaces recomendados
Metodología docente
- MD01. MD1. Lección magistral/expositiva
- MD02. MD2. Sesiones de discusión y debate
- MD03. MD3. Resolución de problemas y estudio de casos prácticos
- MD04. MD4. Prácticas en sala de informática
- MD05. MD5. Seminarios
- MD06. MD6. Ejercicios de simulación
- MD07. MD7. Análisis de fuentes y documentos
- MD08. MD8. Realización de trabajos en grupo
- MD09. MD9. Realización de trabajos individuales
Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final)
Evaluación ordinaria
La superación de cualquiera de las pruebas no se logrará sin un conocimiento uniforme y equilibrado de toda la materia. Se tendrán en cuenta los siguientes procedimientos, aspectos y criterios, asignando a cada uno de ellos un porcentaje que se mantenga en el rango indicado y de tal manera que la suma de los tres constituya el total (100%) de la calificación:
|
70% |
|
20% |
|
10% |
Evaluación extraordinaria
La evaluación extraordinaria establecida en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada, consistirá en un examen escrito en el que se incluirán preguntas teóricas y ejercicios prácticos sobre el temario que figura en esta guía docente.
Evaluación única final
La evaluación única final establecida en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada, consistirá en un examen escrito en el que se incluirán preguntas teóricas y ejercicios prácticos sobre el temario que figura en esta guía docente.
Información adicional
En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0
Cualquier elemento de esta guía podrá ser adaptado para atender a la diversidad del alumnado teniendo en cuenta los informes facilitados por los tutores NEAE, y siempre siguiendo la Normativa de la Universidad de Granada: https://www.ugr.es/sites/default/files/2017-09/NCG1114.pdf
Siguiendo las indicaciones recogidas en la Normativa de Evaluación y de Calificación de los estudiantes de la Universidad de Granada:
https://www.ugr.es/universidad/normativa/texto-consolidado-normativa-evaluacion-calificacion-estudiantes-universidad-granada
destacamos los puntos 1 y 2 recogidos en el artículo 15 sobre la originalidad de los trabajos presentados por los alumnos:
1. La Universidad de Granada fomentará el respeto a la propiedad intelectual y transmitirá a los estudiantes que el plagio es una práctica contraria a los principios que rigen la formación universitaria. Para ello procederá a reconocer la autoría de los trabajos y su protección de acuerdo con la propiedad intelectual según establezca la legislación vigente.
2. El plagio, entendido como la presentación de un trabajo u obra hecho por otra persona como propio o la copia de textos sin citar su procedencia y dándolos como de elaboración propia, conllevará automáticamente la calificación numérica de cero en la asignatura en la que se hubiera detectado, independientemente del resto de las calificaciones que el estudiante hubiera obtenido. Esta consecuencia debe entenderse sin perjuicio de las responsabilidades disciplinarias en las que pudieran incurrir los estudiantes que plagien.
Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).
Software Libre
R. RStudio.