Código: 73041 | Asignatura: Análisis de datos en organización industrial | ||||
Créditos: 3 | Tipo: Optativa | Curso: 2 | Periodo: 1º S | ||
Departamento: Estadística e Investigación Operativa | |||||
Profesorado: | |||||
MALLOR GIMENEZ, FERMÍN FRANCISCO (Resp) [Tutorías ] |
Módulo de Especialización en Organización de Empresas / Técnicas avanzadas de organización de empresas
Se proporcionan herramientas para la organización, resumen y presentación de grandes masas de datos, así como para obtener información a partir de los mismos. Se formulan distintos problemas de aprendizaje a partir de datos que se resolverán utilizando técnicas de regresión múltiple, de reducción de la dimensión (como componentes principales y análisis factorial) y de clasificación (supervisada y no supervisada).
Análisis estadístico de dependencia. Métodos factoriales multivariantes: reducción de la dimensión. Técnicas de clasificación y agrupamiento. Métodos de predicción en organización industrial.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB7: 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.
CB9: Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CB10: Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
CG1: Tener conocimientos adecuados de los aspectos científicos y tecnológicos de: métodos matemáticos, analíticos y numéricos en la ingeniería, ingeniería eléctrica, ingeniería energética, ingeniería química, ingeniería mecánica, mecánica de medios continuos, electrónica industrial, automática, fabricación, materiales, métodos cuantitativos de gestión, informática industrial, urbanismo, infraestructuras, etc.
CG8: Aplicar los conocimientos adquiridos y resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares.
CEO5: Conocimiento de técnicas estadísticas para extracción de información y predicción de series de datos en la organización industrial.
R1. Adquirir el conocimiento de técnicas estadísticas para extraer de forma sintética la información más relevante proporcionada por grandes volúmenes de datos y facilitar así el proceso de toma de decisiones.
R2. Adquirir el conocimiento de la metodología estadística para la predicción de series de datos dependientes del tiempo en la organización industrial.
La medición de la consecución de estos resultados se realizará a través de todas las actividades recogidas en el apartado de evaluación.
Actividad formativa |
Horas |
% Presencialidad del alumno |
AF1.- Clases expositivas/participativas |
15 |
100 |
AF2.- Prácticas |
12 |
100 |
AF3.- Actividades de aprendizaje cooperativo |
3 |
100 |
AF4.-Realización de proyectos en grupo |
10 |
0 |
AF5.- Estudio y trabajo autónomo del estudiante |
30 |
0 |
AF6.-Tutorías y pruebas de evaluación |
5 |
100 |
Resultado de aprendizaje |
Sistema de evaluación |
Peso (%) |
R1, R2 |
Prueba teórico práctica parcial |
10% |
R1, R2 |
Examen final |
70% |
R1, R2 |
Realización de ejercicios y trabajos |
20% |
Tema 1. Análisis estadístico de dependencia.
Tema 2. Métodos factoriales multivariantes: reducción de la dimensión.
Tema 3. Técnicas de clasificación y agrupamiento.
Tema 4. Métodos de predicción en organización industrial.
Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.
HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J. (2009): “The Elements of Statistical Learning: Data mining, Inference and Prediction”. 2nd Ed, Springer.
JAMES, G., WITTEN, D., HASTIE, T., TIBSHIRANI, R., (2014): “An introduction to Statistical Learning: with Applications in R”, Springer.
JOHNSON, R.A., WICHERN, D.W. (2007): “Applied Multivariate Statistical Analysis”, 6th Ed. Prentice Hall.
Revistas científicas: JOURNAL OF THE ROYAL STATISTICAL SOCIETY, ADVANCES IN DATA ANALYSIS AND CLASSIFICATION, JOURNAL OF STATISTICAL COMPUTATION AND SIMULATION, JOURNAL OF APPLIED STATISTICS