Ir a Contenido Principal

AURORA - Sistema de Información Académico

 

AYUDA | SALIR

Información detallada de curso

 

Segundo semestre 2015
Mar 29, 2024
Imagen transparente
1. IDENTIFICACION DEL CURSO

Código y Nombre de la Asignatura: ELP 8022 - ANALISIS ESTADISTICO MULTIVARIADO
División Académica: División de Ingenierías
Departamento Académico: Dpto. Ingeniería Industrial
EST 1051 Calificación mínima de 3.0
Número de créditos:
Intensidad horaria (semanal para nivel pregrado y total para nivel postgrado):
3.000 Horas de Teoría
0.000 Horas de Laboratorio
Niveles: Educación Superior Pregrado
Tipos de Horario: Teoría

La asignatura integra conceptos de minería de datos y métodos multivariados aplicados de apoyo útil a los investigadores para buscarle sentido a conjunto grandes, complicados y complejos datos que constan de una gran cantidad de variables medidas en diversas unidades experimentales. Estos conceptos son tratados desde múltiples dominios científicos mediante aplicaciones que permiten tener una visión clara de las técnicas univariantes y multivariante de análisis de datos, mediante el desarrollo de los principales métodos.

3. OBJETIVO GENERAL

Desarrollar conceptos, métodos y técnicas estadísticas univariantes y multivariante de análisis de datos, buscando que los estudiantes desarrollen habilidad en el planteamiento de sus propios problemas y los resuelvan mediante medios informáticos, para contribuir a desarrollar investigaciones donde los procesos son complejos en el tratamiento de datos.

4. OBJETIVOS ESPECIFICOS

Introducir a los estudiantes en técnicas estadísticas multivariadas y familiarizarlos con el software que se utiliza en la resolución de problemas diversos.

Presentar un panorama de los métodos multivariados aplicados en las diferentes ramas de las ciencias, dejando clara su importancia en el tratamiento de grandes, complicados y complejos datos que constan de una gran cantidad de variables medidas en número alto de unidades experimentales.

Desarrollar las convenciones respecto a la notación matricial, distribución normal y estadísticas multivariadas, que se aplicarán en los diferentes métodos desarrollados en la asignatura.

Hacer una introducción a la minería de datos, desarrollando ejemplos y casos que permita ver la importancia para las investigaciones

Desarrollar los conceptos de técnicas y métodos de análisis de datos multivariados orientadas a apoyar los proyectos que se generan como resultado del ejercicio estratégico y/o para el desarrollo de proyectos de investigación.

Desarrollar proyectos que permitan sistematizar y consolidar los conceptos desarrollados y que puedan apoyar las investigaciones en proceso. Este será desarrollado por los estudiantes con la permanente tutoría del profesor.

5 METODOLOGÍA

La asignatura se desarrolla con exposición magistral por parte del profesor y la participación activa del estudiante mediante el desarrollo de casos y talleres de consolidación del conocimiento para cada uno de los módulos.

Por otra parte, se le dará gran importancia al trabajo de equipo lo cual se concreta con las reflexiones individuales y puestas en común con el propósito de sacar conclusiones sobre enfoques útiles para la aplicación en los trabajos de investigación.

Parte fundamental de esta metodología es el desarrollo de un trabajo integrador que harán los estudiantes en grupo con la permanente tutoría del profesor y, en lo posible que pueda ser aplicado en su tesis.

6. MEDIOS

Software R, SPSS, SPAD, Stagraphics y cualquier otro software que pueda ser utilizado en el desarrollo del trabajo integrador propuesto por el estudiante.

7. CONTENIDO


Temas previos al análisis multivariado

Reseña histórica del análisis de datos multivariados
Importancia y campos de aplicación el análisis de datos multivariado
Representaciones gráficas y convenciones
Panorama de los métodos multivariante
Operaciones con matrices y vectores
Identificación de problemas y trabajo de campo

Minería de datos y Software R
Descubriendo Información Oculta
Fundamentos del Data Mining
El Alcance de Data Mining
Técnica utilizada en Data Mining
Software R
El proceso de minería de datos
Integración, limpieza y exploración de los datos
Definición de patrones o construcción de modelos
Validación y verificación de los modelos

5.3 Análisis de Componentes principales
Presentación el método
Identificación de variables -Individuos
Los eigenvalores y eigenvectores
Coeficientes principales
Métodos de determinación de componentes principales
Perspectiva espacial
Perspectiva matemática
Conclusiones y aplicaciones
Modelaje

Análisis de factores
Objetivo el análisis de factores
Diferencia entre componentes principales y análisis de factores
Ecuación característica
Estimación del modelo
Reducción y denominación de factores
Rotación de factores
Tratamiento informático del análisis de factores

Análisis de Correspondencia
Prestación intuitiva a partir de un ejemplo
Análisis general de los métodos factoriales
Análisis de correspondencias simples
Las tablas de contingencia
Formación de las nubes y definición de distancias
Ejes factoriales
Reconstrucción de las tablas de frecuencia
Análisis de correspondencia múltiple
Obtención de los factores :tabla de Buró
Tratamiento informático y aplicaciones del análisis de correspondencia

Análisis de regresión múltiple

Presentación e importancia de la regresión
Modelo general
El vector estimador B
Intervalo de confianza para el estimador
Prueba de bondad de ajuste
Tratamiento informático y aplicaciones

Análisis discrimínate
Objetivos y funciones del análisis discriminante
Aplicaciones del análisis discriminante
Discriminación para dos poblaciones normales multivariante
Ecuación de la función discriminante
Método paso a paso para la asignación de variables
Determinación de la función discrimínate significativa
Reglas discriminantes más de dos poblaciones
Discriminación básica
Procedimiento de selección de variables
Procedimientos de eliminación
Funciones discriminantes canónicas
Tratamiento informático del análisis discrimínate
Resumen del análisis discriminante

Clasificación y segmentación mediante análisis de Cluster
Conceptos de análisis de Cluster
Distancias y similitudes
Cluster no jerárquicos
Cluster jerárquicos Dendogramas
Análisis de conglomerados en dos fases
Tratamiento informático del análisis de Cluster

7. EVALUACION

Quices 10%
Parcial 1 20%
Parcial 20 %
Examen 20%
Proyecto 30%

8. BIBLIOGRAFIA

Libros

Dallas E. Johnson. Métodos multivariados aplicados al análisis de datos. Thomson editores S.A. México. 2000, 566p

Pérez López, Cesar. Técnicas de análisis multivariante de datos. Aplicaciones con SPSS. Universidad Complutense de Madrid. Pearson Prentice hall, 2004, 772p.

Alvarez, O.Bramardi, S., Stangarrefo, S. (1996). Aplicaciones de técnicas y estrategias del análisis multivariado en el estudio de datos de vegetación. Informe final de proyecto de investigación, secretaria de Investigación Universidad Nacional del camahue

Pedret-Yebra, R. (1986). Técnicas cuantitativas al servicio del marketing: Métodos descriptivos de análisis multivariable. Tesis doctoral, facultad de ciencias económicas. Barcelona, Unversidad de Barcelona.

Batista Fogue, j. M.. Martínez Arias, M.R.(1989) Anális multivariante: Análisis en componentes principales. De. Hispano Europeo S.A, Barcelona, 1986
Regresar a Anterior Nueva búsqueda
Imagen transparente
Versión: 8.7.2 [BSC: 8.10]