CG1 - Comprender y utilizar las técnicas y modelos de la Estadística con el lenguaje matemático adecuado.
CG3 - Conocer los teoremas y modelos clásicos en distintas áreas de la Matemática y de la Estadística.
CG4 - Asimilar la definición de nuevos objetos matemático-estadísticos, en términos de otros ya conocidos, y ser capaz de utilizar dichos objetos en diferentes contextos.

CT1 - Haber demostrado poseer y comprender conocimientos en el área de las Matemáticas y la Estadística, partiendo de la base de la educación secundaria general, y alcanzando un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de dicha área.
CT2 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y que posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro del área de la Estadística, con base en las Matemáticas.
CT3 - Tener la capacidad de reunir e interpretar datos relevantes (dentro del área de la Estadística y las Matemáticas y de alguno de sus campos de aplicación) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
CT5 - Haber desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.

CE1 - Proponer, analizar, validar e interpretar modelos de situaciones en las que se presenten fenómenos estocásticos utilizando las herramientas estadístico-matemáticas más adecuadas.
CE2 - Resolver problemas de Estadística mediante herramientas matemáticas e informáticas.
CE3 - Utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas estadísticos.

CB1 - Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

Sesiones académicas teóricas

Sesión académica de resolución de problemas

Sí

Si

Trabajos en grupo

2,4

3,6

6

Se haya cursado con aprovechamiento las asignaturas Probabilidad y Estadística y se esté cursando o se haya cursado la asignatura de Inferencia Estadística

Examen teórico-práctico: 70%
Entrega de prácticas o proyectos: 30%
La calificación por entrega de prácticas se conservará para la convocatoria extraordinaria.

Cuadras, C.M.(2019) Nuevos Métodos de Análisis Multivariante. Ed. CMC Editions
Peña, D. (2002) "Análisis de datos multivariantes" McGraw-Hill.
Salafranda; Guardia; Ferrer; Turbany (1992): Análisis Exploratorio de datos: Nuevas Técnicas Estadística. PPU
Escobar, M. (1999): Análisis gráfico/exploratorio. Ed. La muralla, S.A. Hespérides
Ludovic Lebart, Alain Morineau, Jean-Pierr Fénelon (1985) Tratamiento estadístico de datos : Métodos y programas. Marcombo: Boixareu
Greenacre M.(2008): La práctica del análisis de correspondencias, Fundación BBVA
Contento, M. R. (2020). Análisis de datos con R. Editorial de la Universidad Nacional del Litoral (EDUNL).
Faraway, J. J. (2016). Multivariate analysis with R. CRC Press.
Rivière, M. (2017). Análisis multivariante con R. Universidad de Buenos Aires, Facultad de Ciencias Económicas.
Izenman, A. J. (2008). Modern multivariate statistical techniques: Regression, classification, and manifold learning. Springer.
Ratner, B. (2012). Exploratory multivariate analysis by example using R. CRC Press.
Husson, F., Josse, J., Le, S., & Mazet, J. (2023). FactoMineR: Multivariate exploratory data analysis and data mining with R [Paquete de software R]. Recuperado de https://husson.github.io/factominer/
McKinney, W. (2022). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter (3rd ed.). O'Reilly Media.
VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O'Reilly Media.