![]() |
Guia docente | |||||||||||||||||||||||||||||||||||||||
DATOS IDENTIFICATIVOS | 2024_25 | |||||||||||||||||||||||||||||||||||||||
Asignatura | TÉCNICAS AVANZADAS DE ANÁLISIS DE DATOS | Código | 00915008 | |||||||||||||||||||||||||||||||||||||
Enseñanza |
|
|||||||||||||||||||||||||||||||||||||||
Descriptores | Cr.totales | Tipo | Curso | Semestre | ||||||||||||||||||||||||||||||||||||
3 | Obligatoria | Primer | Primero |
|||||||||||||||||||||||||||||||||||||
Idioma |
|
|||||||||||||||||||||||||||||||||||||||
Prerrequisitos | ||||||||||||||||||||||||||||||||||||||||
Departamento | ECONOMIA Y ESTADISTICA |
|||||||||||||||||||||||||||||||||||||||
Responsable |
|
Correo-e | ralve@unileon.es edelm@unileon.es |
|||||||||||||||||||||||||||||||||||||
Profesores/as |
|
|||||||||||||||||||||||||||||||||||||||
Web | http:// | |||||||||||||||||||||||||||||||||||||||
Descripción general | Se pretende que el alumno trabaje con datos espaciales y multivariados, conociendo algunas técnicas avanzadas estadísticas de procesado de datos como la regresión, el análisis multivariante y la estadística espacial. | |||||||||||||||||||||||||||||||||||||||
Tribunales de Revisión |
|
|||||||||||||||||||||||||||||||||||||||
Competencias |
Tipo A | Código | Competencias Específicas |
A17854 | 915CE3 Capacidad para diseñar muestreos, analizar un conjunto de datos multidimensional, y desarrollar y evaluar modelos adecuados a casos reales. | |
Tipo B | Código | Competencias Generales y Transversales |
B5542 | 915CG2 Capacidad para desarrollar bases de datos geoespaciales, y aplicar y desarrollar geoprocesos de forma que el modelado de la información geográfica posibilite la extracción de información útil en gestión de recursos naturales. | |
B5543 | 915CG3 Aptitud para seleccionar, aplicar y evaluar las metodologías y técnicas geoinformáticas avanzadas más adecuadas en su aplicación a problemas de gestión de recursos naturales. | |
B5544 | 915CT1 Capacidad de toma de decisiones basadas en criterios objetivos, así como capacidad de argumentar y justificar dichas decisiones. | |
B5546 | 915CT3 Capacidad de resolución de problemas: localizar problemas, identificar causas e identificar, analizar, evaluar y seleccionar alternativas de solución. | |
Tipo C | Código | Competencias Básicas |
C1 | Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio. |
Resultados de aprendizaje |
Resultados | Competencias | ||
Trabajar con datos espaciales y multivariados. | A17854 |
B5542 B5543 B5544 B5546 |
C1 |
Conocer algunas técnicas avanzadas estadísticas de procesado de datos como la regresión, el análisis multivariante y la estadística espacial. | A17854 |
B5542 B5543 B5544 B5546 |
C1 |
Ejecutar e interpretar los resultados de técnicas estadísticas avanzadas. | A17854 |
B5543 B5544 B5546 |
C1 |
La superación de esta asignatura permitirá al alumno ser capaz de (i) automatizar procedimientos para una gestión eficiente en el tratamiento de datos geoespaciales mediante técnicas avanzadas de datos y (ii) disponer de los conocimientos necesarios para el desarrollo de las materias del máster que se imparten con posterioridad. |
Contenidos |
Bloque | Tema |
I. Regresión | Tema 1. Análisis de regresión. - Regresión lineal, logística, no lineal. Métodos no paramétricos. - Selección de modelos y bondad de ajuste. |
II. Análisis multivariante y clasificación | Tema 2. Análisis multivariante y clasificación. - Análisis de Componentes Principales. - Análisis Cluster. |
III. Estadística espacial y geoestadística | Tema 3. Estadística espacial y geoestadística |
Planificación |
Metodologías :: Pruebas | |||||||||
Horas en clase | Horas fuera de clase | Horas totales | |||||||
Practicas a través de TIC en aulas informáticas | 6 | 12 | 18 | ||||||
Trabajos | 1 | 18 | 19 | ||||||
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) | 1 | 2 | 3 | ||||||
Sesión Magistral | 5 | 10 | 15 | ||||||
Pruebas mixtas | 2 | 18 | 20 | ||||||
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
descripción | |
Practicas a través de TIC en aulas informáticas | Se guiará al alumno en el aprendizaje de las técnicas estadísticas mediante el uso del software estadístico en las aulas de informática. |
Trabajos | Trabajos Actividades propuestas al alumno para su realización en un plazo determinado de forma individual y/o en grupo académicamente dirigido/supervisado. |
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) | Actividades supervisadas de resolución de problemas/casos de la materia. Incluye utilización de herramientas geoinformáticas y tutorías en grupo. |
Sesión Magistral | En estas sesiones se explicarán los contenidos generales teóricos de la asignatura, haciendo especial hincapié en conceptos novedosos y en aquellos esenciales para el desarrollo de la parte práctica. |
Tutorías |
|
|
Evaluación |
descripción | calificación | ||
Trabajos | En la evaluación de los trabajos y/o informes se valorarán las destrezas adquiridas por el estudiante en la aplicación práctica de los conocimientos, así como la capacidad de interpretación de resultados y la capacidad de organizar, redactar y presentar trabajos/informes. | 50% | |
Pruebas mixtas | Prueba escrita sobre conocimientos teórico-prácticos. Esta prueba evaluará fundamentalmente el dominio de los conocimientos básicos de la materia. Puede incluir cuestiones prácticas a resolver en el aula de informática empleando el software indicado y los ficheros proporcionados. | 45% | |
Otros | Asistencia, participación y actitud. | 5% | |
Otros comentarios y segunda convocatoria | |||
Todas las pruebas de evaluación (continua o extraordinaria) se desarrollarán en remoto, de forma que el/la estudiante podrá realizarlas sin estar presencialmente en el Campus de Ponferrada. Con el fin de garantizar la certificación de la autoría y que el procedimiento de evaluación sea fiable y válido, se establecerán las herramientas necesarias para llevarlo a cabo. Para superar la asignatura en la primera convocatoria el alumno tiene que alcanzar, como mínimo, un 5 en la prueba mixta y una nota global mínima de 5 en los trabajos. La segunda convocatoria tendrá dos partes: a) Una prueba mixta equivalente a la de la primera convocatoria. b) Los trabajos serán recuperables si el calendario del máster lo permite en la segunda convocatoria. En el caso de que no fuera posible, se realizará una prueba con el objetivo de evaluar las competencias correspondientes a los trabajos. En todo caso, se informará previamente y con el tiempo necesario de la opción elegida. El alumno/a podrá presentarse a las dos pruebas o solamente a la parte no superada en la primera convocatoria. Para superar la asignatura en segunda convocatoria el alumno tiene que alcanzar, como mínimo, un 5 en la prueba mixta y una nota global mínima de 5 en los trabajos o prueba sustitutoria. Durante el desarrollo de las pruebas no se permitirá manejar ningún material a excepción de bolígrafo y calculadora no programable. Queda terminantemente prohibida la tenencia y el uso de cualquier dispositivo móvil y/o electrónico (incluyendo relojes inteligentes) durante la celebración de las pruebas. La simple tenencia de dichos dispositivos así como de apuntes, libros, carpetas o materiales diversos no autorizados durante las pruebas de evaluación, supondrá la retirada inmediata del examen, su expulsión del mismo y su calificación como suspenso, comunicándose la incidencia a la Autoridad Académica del Centro para que realice las actuaciones previstas en las Pautas de Actuación en los Supuestos de Plagio, Copia o Fraude en Exámenes o Pruebas de Evaluación, aprobadas por aprobada por el Consejo de Gobierno el 08-06-2015. A estos efectos, todas las pruebas, incluidos los trabajos, se considerarán bajo los supuestos de la normativa de Pautas de Actuación en los Supuestos de Plagio, Copia o Fraude en Exámenes o Pruebas de Evaluación. |
Fuentes de información |
Acceso a la Lista de lecturas de la asignatura |
Básica | |
Bivand,R.S., Pebesma, E., Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R. Springer-Verlag. New York. Husson, F., Lê, S., Pagès, J. (2011). Exploratory Multivariate Analysis by Example Using R. CRC Press. Kassambara, A. (2017). Practical guide to principal component methods in R : PCA, (M)CA, FAMD, MFA, HCPC, factoextra. ISBN: 9781975721138. doi:10.1080/0267257X.1995.9964368. Kopczewska, K. (2021). Applied Spatial Statistics and Econometrics Data Analysis in R. Routledge. Moraga, P. (2024). Spatial statistics for data science. CRC Press. Oliver, M.A., Webster, R. (2015). Basic steps in geostatistics: The variogram and kriging. Published in Springer Briefs in Agriculture 2015. DOI:10.1007/978-3-319-15865-5. Plant.R.E. (2019). Spatial Data Analysis in Ecology and Agriculture Using R. CRC Press. Stein, M.L. (1999). Interpolation of Spatial Data. Some Theory for Kriging. Springer Series in Statistics book series (SSS). https://doi.org/10.1007/978-1-4612-1494-6 Wackernagel, H. (2003) Multivariate Geostatistics. An Introduction with Applications. Springer-Verlag Berlin Heidelberg. ISBN: 978-3-642-07911-5,978-3-662-05294-5 Webster, R., Oliver, M.A. (2007). Geostatistics for environmental scientists, 2nd Edition. Springer. ISBN: 978-0-470-02858-2. |
|
Complementaria | |
Denis, D.J. (2020). Univariate, Bivariate, and Multivariate Statistics Using R: Quantitative Tools for Data Analysis and Data Science. Wiley. Everitt, B. (1980): Cluster analysis. Second Edition 1974, London, Wiley. Hair, J.F.; Anderson, R.E.; Tatham, R.L.; Black, W.C. (1999): Análisis multivariable. 5ª Ed., Madrid, Prentice Hall. Hair,J.F., Black, W.C., Babin, B.J., Anderson, R.E. (2019). Multivariate data analysis. Cengage Learning. Härdle, W. (1991): Applied nonparametric regression. Australia, Cambridge. Lebart, L.; Morineau, A.; Piron, M. (1995). Statistique exploratoire multidimensionnelle. Paris, Dunod. Legendre, P.; Legendre,L. (2012). Numerical Ecology. 3RD.Edition. Elsevier. Montero, J.M., Fernández Avilés. G. (2015). Spatial and spatio-temporal geostatistical modeling and kriging. Wiley. Shen. S.S.P., North. G.R. (2023). Statistics and data visualization in climate science with R and Python. Cambridge University Press. |
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente | |||
|