Grado en Business Intelligence y Data Analytics

Lidera la transformación de las empresas mediante el uso y el análisis de datos.

Herramientas de análisis de datos

Descripción
La asignatura Data Analysis Tools tiene como capacitar a los alumnos para realizar con solvencia análisis cualitativos y cuantitativos de conjuntos de datos. El curso preparará a los alumnos para ser capaces de llevar a cabo diferentes acciones con conjuntos de datos, tales como extraer datos estadísticos relevantes a través de técnicas exploratorias, combinar conjuntos y representarlos de forma visualmente intuitiva para su análisis en detalle y profundidad. Durante el transcurso de la materia el alumno aprenderá a utilizar R, el lenguaje de programación que permitirá llevar a cabo las acciones mencionadas, dotando así a la asignatura de una fuerte componente práctica. Se utilizarán diferentes conjuntos de datos procedentes del mundo real para que el alumno pueda percibir el pragmatismo de la temática propuesta y entender el tipo de casos de uso a los que el temario impartido pretender dar solución.
Tipo asignatura
Primer - Obligatoria
Semestre
Primero
Curso
1
Créditos
5.00
Objetivos

Los resultados de Aprendizaje de esta asignatura son:
R1. Realizar análisis estadísticos de conjuntos de datos
R2. Combinar conjuntos de datos
R3. Desarrollar capacidades básicas de programación en R
R4. Crear representaciones gráficas (visualizaciones) relevantes de conjuntos de datos

Contenidos

1. Datos y estadística
1.1.Estadística descriptiva
1.2.Introducción a R
1.3.Análisis exploratorio de datos

2. Combinación de conjuntos de datos
2.1.Concatenación de datos
2.2.Join de datos
2.3.Combinación de conjuntos de datos en R

3. Visualización de datos
3.1.Introducción
3.2.Dimensiones, métricas y KPIs
3.3.Tipos de visualizaciones
3.4.Cuadro de mandos
3.5.Herramientas de visualización de datos

Metodología

La asignatura tiene un funcionamiento semanal con dos sesiones lectivas, una de una hora y una de dos. Aproximadamente la mitad de las horas lectivas serán magistrales y la otra mitad tendrán una componente práctica u orientada a resolver ejercicios que permitan reforzar las capacidades de los alumnos. Cada dos o tres semanas se propondrán ejercicios a realizar en casa y que conformarán una parte esencial de la Evaluación Continua (más información en el apartado correspondiente). Estos ejercicios estarán orientados a consolidar los conocimientos de la asignatura y preparar al alumno tanto para los exámenes como para el proyecto. También ayudarán al estudiante a entender la aplicabilidad del temario de la asignatura.

Evaluación

- Exámenes: 40%
o Examen de midterm: 15%
o Examen final: 25% (*)
- Proyecto en grupo: 20% (*)
- Evaluación continua: 35%
o Asistencia y participación en clase: 15%
o Homework: 20%
- Innovation and Integration (I&I): 5%

(*) El examen final y el proyecto en grupo deben aprobarse para optar a aprobar la asignatura.

En caso de suspender el examen final o el proyecto en grupo, el alumno se tendrá que presentar a la segunda convocatoria en julio, para la cuál se diseñará un examen nuevo. En este caso, la evaluación final se compondrá en un 70% de la nota del examen y en un 30% de la nota del proyecto.

Bibliografía básica

Hadley Wickham & Garrett Grolemund, R For Data Science, O’REILLY, 2017 Jonas Holt, Sets of Data. Where We re Going. Where We ve Been. Contents. Statistics in Action. Using Technology, 2017.