Universidad Pública de Navarra



Año Académico: 2025/2026 | Otros años:  2024/2025  |  2023/2024  |  2022/2023  |  2021/2022 
Graduado o Graduada en Ciencia de Datos por la Universidad Pública de Navarra
Código: 505311 Asignatura: ANÁLISIS MULTIVARIANTE Y VISUALIZACIÓN DE DATOS
Créditos: 6 Tipo: Obligatoria Curso: 3 Periodo: 2º S
Departamento: Estadística, Informática y Matemáticas
Profesorado:
GASTON ROMEO, MARTÍN (Resp)   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

  • Materia Nivel 1: Minería de Datos
  • Materia Nivel 2: Minería de Datos

Subir

Descripción/Contenidos

Estadi¿stica multivariante. Distancia multivariante y distribuciones de probabilidad. Ana¿lisis discriminante. Ana¿lisis factorial. Ana¿lisis de correspondencias. Correlacio¿n cano¿nica. Escalamiento multidimensional. Ana¿lisis cluster.

Subir

Competencias genéricas

No aplica

Subir

Competencias específicas

NO aplica

Subir

Resultados aprendizaje

RA04- Saber utilizar los procesos teóricos y aplicados que permiten extraer información a partir de conjuntos de datos de
naturaleza homogénea u heterogénea, en particular cuando se trata de grandes volúmenes de datos TIPO: Conocimientos o contenidos
RA05- Identificar las soluciones más adecuadas y efectivas para los problemas que se planteen el marco de la Ciencia de Datos, teniendo en cuenta tanto las características propias del problema como el entorno del mismo TIPO: Conocimientos o contenidos
RA08- Comunicar de manera eficaz por escrito y oralmente TIPO: Habilidades o destrezas
RA10- Demostrar capacidad para el trabajo en equipos multidisciplinares y multiculturales TIPO: Habilidades o destrezas
RA09- Analizar, interpretar y evaluar información, normativa y reglamentación relativa a su ámbito de actuación TIPO: Habilidades o destrezas
RA16- Conocer las principales técnicas que permitan realizar un análisis exploratorio preliminar de los datos TIPO: Competencias
RA26- Manejar, organizar información estadística e interpretar las técnicas de visualización y preprocesamiento de dato TIPO: Competencias
 

 

Subir

Metodología

Metodología-Actividad Horas presenciales Horas no presenciales
A1- Clases expositivas/participativa 29  
A2- Prácticas 29  
A4- Realización de trabajos/proyectos en grupo   10
A5- Estudio y trabajo autónomo del estudiante   79
A6- Tutorías   1
A7- Pruebas de evaluación 2  
Total 60 90

 

Subir

Evaluación

 

Actividad de
evaluación		 Peso (%) Carácter
recuperable		 Nota mínima
requerida
SE1- Pruebas escritas. 60 Sí 5
SE3- Presentaciones orales 10 Sí 5
SE4- Trabajos e informes  30 Sí 5

Si en alguna de las actividades no se cumpliera el mínimo para ponderar, la nota de la asignatura será como máximo 4,9 sobre 10 (suspenso).

Subir

Temario

  • Datos multivariantes
    • Introducción.
    • Preparación de los datos.
    • Distancias multivariantes
    • Distribuciones de probabilidad.
    • Visualización de datos.
    • Tipos de gráficos.
    • Herramientas de visualización.
  • Métodos de Interdependencia.
    • Introducción.
    • Análisis de componentes principales.
    • Análisis factorial.
    • Análisis de correspondencias.
    • Escalamiento Multidimensional.
    • Análisis clúster.
  • Métodos de dependencia.
    • Introducción
    • Análisis discriminante.
    • Correlación Canónica.
    • Análisis de regresión.
    • Análisis de supervivencia.

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


La bibliografía básica de la asignatura es la siguiente:

  • D. Peña. Análisis de Datos Multivariantes. McGraw-Hill, 2002.
  • C. M. Cuadras. Nuevos Métodos de Análisis Multivariante. CMC Editions. Barcelona, 2014
  • D. E. Johnson. Métodos Multivariados Aplicados Al Análisis de Datos. Thomson, 1998.
  • H. Wikham. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly, 2017.

La bibliografía complementara de la asignatura es la siguiente:

  • W.R. Dillon and M. Goldstein. Multivariate Analysis: Methods and Applications. Wiley, New York, 1984.
  • L. Kaufman and P. J. Rousseeuw. Finding Groups in Data : an Introduction to Cluster Analysis. Wiley, 1990.
  • P. A. Lachenbruch. Discriminant Analysis. Hafner Press, New York, 1975.
  • Tom Soukup and Ian Davidson. Visual Data Mining: Techniques and Tools for Data Visualization and Mining. Wiley, 2002.
  • R. Martinez Arias. El Análisis Multivariante en la Investigación Científica. Cuadernos de Estadística. Editorial La Muralla, 2000.
  • D. Sarkar. Lattice: Multivariate Data Visualization with R. Springer, 2008.
  • A. Kassambara. ggplot2: The Elements for Elegant Data Visualization in R. STHDA

Subir

Idiomas

Castellano

Subir

Lugar de impartición

Universidad Pública de Navarra, Campus Arrosadía.

Subir