Menú local
Guía docente 2017-18 - 11712011 - Técnicas de agrupación y reducción de la dimensión
TITULACIÓN: | Grado en Estadística y empresa |
CENTRO: | FACULTAD CIENCIAS SOCIALES Y JURÍDICAS |
CURSO: | 2017-18 |
ASIGNATURA: | Técnicas de agrupación y reducción de la dimensión |
NOMBRE: Técnicas de agrupación y reducción de la dimensión | |||||
CÓDIGO: 11712011 | CURSO ACADÉMICO: 2017-18 | ||||
TIPO: Obligatoria | |||||
Créditos ECTS: 6.0 | CURSO: 3 | CUATRIMESTRE: PC | |||
WEB: http://dv.ujaen.es/docencia/goto_docencia_crs_355010.html |
NOMBRE: RUIZ MOLINA, JUAN CARLOS | ||
IMPARTE: Teoría - Prácticas [Profesor responsable] | ||
DEPARTAMENTO: U112 - ESTADISTICA E INVESTIGACIÓN OPERATIVA | ||
ÁREA: 265 - ESTADÍSTICA E INVESTIGACIÓN OPERATIVA | ||
N. DESPACHO: B3 - 077 | E-MAIL: jcruiz@ujaen.es | TLF: 953212729 |
TUTORÍAS: https://uvirtual.ujaen.es/pub/es/informacionacademica/tutorias/p/57896 | ||
URL WEB: http://www4.ujaen.es/~jcruiz/jcruiz.htm | ||
ORCID: https://orcid.org/0000-0002-3128-8030 |
Introduce a las principales de agrupación de datos y de reducción de la dimensión.
Código | Denominación de la competencia |
CE15 | Conocer y aplicar los conceptos de modelos de Análisis Multivariante |
CE16 | Conocer y aplicar los conceptos de modelos de Análisis de Datos |
CE6 | Realizar actividades dirigidas a la aplicabilidad de los conocimientos teóricos, metodológicos y de técnicas adquiridas a lo largo de la formación, trabajando en equipo y desarrollando las habilidades y destrezas de un profesional de este perfil de estudios |
CE8 | Ser capaz de utilizar herramientas informáticas en empresa |
CE9 | Conocer y utilizar entornos de análisis y programación estadística (R) |
CG1 | Habilidad de comprensión cognitiva |
CG16 | Capacidad de aplicar los conocimientos en la práctica |
CG2 | Capacidad para el análisis crítico y la síntesis |
CG6 | Adquirir habilidades y dominar herramientas informáticas aplicadas a las diferentes materias |
CG7 | Habilidades de gestión de la información (habilidad para buscar y analizar información proveniente de diversas fuentes) |
Resultados de aprendizaje | |
Resultado R 12 | Adquirir conocimientos sobre los métodos multivariantes desarrollados para la agrupación y reducción de la dimensión |
Resultado R 16 | Aplicar las técnicas estadísticas desarrolladas en el módulo a situaciones del entorno de la empresa |
ACP, AF, ACO y AC
1.- Representación de Datos Multivariantes
Clasificación de las Técnicas Multivariantes
Técnicas de dependencia
Técnicas de interdependencia
Otros criterios de clasicación
Estadísticos Multivariantes
Estadísticos para el vector completo de variables
Estadísticos para subconjuntos de variables
Combinaciones lineales de variables
Medidas de la variabilidad total y de multicolinealidad
Distancia entre vectores
Observaciones atípicas
Detección de casos atípicos
2.- Análisis de Componentes
Principales
Componentes principales a partir de la matriz de
covarianzas
Interpretación geométrica
Componentes principales a partir de la matriz de
correlaciones
Representación gráfica de las componentes
principales
Número de componentes principales a retener
Información en las últimas componentes
principales
Interpretación de las componentes
principales
3.- Análisis Factorial
Modelo factorial ortogonal
Formulación e hipótesis
No unicidad de las cargas factoriales
Estimación de las cargas y las comunalidades
Método de las componentes principales
Método de los ejes principales
Método de máxima verosimilitud
Otros métodos de extracción de factores
Comparación de métodos
Determinación del número de factores
Rotación
Rotación ortogonal
Rotación oblicua
Puntuaciones factoriales
Validez de modelo de análisis factorial
Contrastes en el modelo factorial
Relación entre el AF y el ACP
La cuestión del número de factores a retener:
una visión moderna
4.- Análisis de Correspondencias
Perfies fila y columna
Contraste de independencia
Coordenadas para representar gráficamente a los
perfiles filas
y a los perfiles columnas
Normalización e interpretación del ACO
Masa, inercia, contribución y calidad
Puntos suplementarios
Análisis de Correspondencias Múltiple
5.- Análisis Cluster
Medidas de similitud o disimilitud
Métodos de agrupamiento jerárquico
Métodos no jerárquicos
Elección del número de clusters
Validación de clusters
Agrupamiento de variables
Hipótesis del AC
ACP y AC
ACTIVIDADES | HORAS PRESENCIALES | HORAS TRABAJO AUTÓNOMO | TOTAL HORAS | CRÉDITOS ECTS | COMPETENCIAS (códigos) |
---|---|---|---|---|---|
A1 - Clases expositivas en gran grupo
|
45.0 | 75.0 | 120.0 | 4.8 |
|
A2 - Clases en grupos de prácticas
|
15.0 | 15.0 | 30.0 | 1.2 |
|
TOTALES: | 60.0 | 90.0 | 150.0 | 6.0 |
En las clases se expondrán los contenidos teóricos necesarios para poder desarrollar con suficiencia los ejercicios prácticos. Las prácticas se estructuran en tres tipos de actividades: ejercicios resueltosen pizarra,interpretación de resultados a partir de salidas deordenador e implementación de tales ejercicios mediante los programas informáticos de tipo estadístico.
ASPECTO | CRITERIOS | INSTRUMENTO | PESO |
---|---|---|---|
Asistencia y/o participación en actividades presenciales y/o virtuales | Asistencia y participación | Notas del profesor | 0.0% |
Conceptos teóricos de la materia | Conceptos teóricos de la materia | Examen de cuestiones teórico-prácticas | 80.0% |
Realización de trabajos, casos o ejercicios | Realización de trabajos, casos y ejercicios | Elaboración de casos prácticos | 20.0% |
Prácticas de laboratorio/campo/uso de herramientas TIC | Prácticas de ordenador | Elaboración de casos prácticos en ordenador | 0.0% |
La evaluación final del alumno constará de dos pruebas: un examen escrito y un trabajo práctico en el que se demuestre la suficiencia de los conocimientos adquiridos a la hora de aplicarlos en una situación real. Este sistema permite alcanzar los resultados del aprendizaje codificados como R12 y R16. Así mismo, permite adquirir todas las competencias detalladas.
Se valorará la claridad de exposición, la correcta aplicación de las técnicas y la coherencia de las conclusiones obtenidas a partir de la metodología aplicada.
- Computer-aided multivariate analysis. Edición: 4th. ed. Autor: Afifi, Abdelmonem A.. Editorial: Boca Raton: Chapman and Hall CRC, 2004 (C. Biblioteca)
- Applied multivariate statistics for the social sciences. Edición: 5th ed. Autor: Stevens, James Paul. Editorial: London [etc.] : Rouledge, 2009 (C. Biblioteca)
- Methods of multivariate analysis. Edición: 3rd ed. Autor: Rencher, Alvin C. Editorial: Hoboken, NJ : John Wiley & Sons, 2012 (C. Biblioteca)
- Introduction to applied multivariate analysis. Edición: -. Autor: Raykov, Tenko. Editorial: New York : Routledge, 2008. (C. Biblioteca)
- Applied multivariate analysis [Recurso electrónico]. Edición: -. Autor: Timm, Neil H.. Editorial: New York : Springer, c2002. (C. Biblioteca)
Semana | A1 - Clases expositivas en gran grupo | A2 - Clases en grupos de prácticas | Trabajo autónomo | Observaciones | |
---|---|---|---|---|---|
Nº 1 11 - 17 sept. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 2 18 - 24 sept. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 3 25 sept. - 1 oct. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 4 2 - 8 oct. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 5 9 - 15 oct. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 6 16 - 22 oct. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 7 23 - 29 oct. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 8 30 oct. - 5 nov. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 9 6 - 12 nov. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 10 13 - 19 nov. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 11 20 - 26 nov. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 12 27 nov. - 3 dic. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 13 4 - 10 dic. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 14 11 - 17 dic. 2017 |
3.0 | 1.0 | 6.0 | ||
Nº 15 18 - 21 dic. 2017 |
3.0 | 1.0 | 6.0 | ||
Total Horas | 45.0 | 15.0 | 90.0 |