Titulación | Tipo | Curso | Semestre |
---|---|---|---|
2500259 Ciencia política y gestión pública | FB | 1 | 1 |
Ninguno.
El objetivo del curso es familiarizar al estudiante con práctica del análisis de datos. Los estudiantes aprenderán a obtener, transformar i explorar datos para formular i responder preguntas. Se evitan las cuestiones matemáticas y se prioriza la formación práctica y la interpretación de resultados. Así mismo, se revisa el uso de hojas de cálculo y se introduce al estudiante en el uso del lenguaje de programación estadística R a través de RStudio, con el objetivo de reforzar el aprendizaje de habilidades relacionadas con la gestión, descripción y visualización de datos, la reproducibilidad del análisis y la comunicación efectiva de los resultados. A lo largo del curso se trabajará con datos reales y de interés social y se fomentará la utilización crítica y responsable de datos abiertos.
1. Principios de la ciencia de datos
2. Obtención de datos
3. Transformación de datos
4. Análisis exploratorio: cómo describir y visualizar datos
5. Comunicación y reproducibilidad
Todas las sesiones combinan actividades expositivas por parte del profesor y la resolución de ejercicios y prácticas en el aula. Se espera que los estudiantes hagan uso de un ordenador portátil en clase.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases presenciales: actividades expositivas y resolución de ejercicios | 49,5 | 1,98 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 19, 13, 14, 15, 16, 18, 20, 22, 21, 17, 23, 25, 24 |
Tipo: Supervisadas | |||
Tutorías | 15 | 0,6 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 19, 13, 14, 15, 16, 18, 20, 22, 21, 17, 23, 25, 24 |
Tipo: Autónomas | |||
Estudio, lecturas, trabajos | 83,5 | 3,34 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 19, 13, 14, 15, 16, 18, 20, 22, 21, 17, 23, 25, 24 |
La evaluación se realizará en función de los resultados de las siguientes actividades:
Para superar la asignatura, es necesario que se cumplan todos los requisitos siguientes:
Recuperación
Sólo el examen final es recuperable; los ejercicios en el aula y los trabajos están excluidos del proceso de recuperación.
Para participar en la recuperación, es necesario que se cumplan los dos requisitos siguientes:
Otras consideraciones
El hecho de presentarse al examen o entregar cualquier práctica o ejercicio exime al estudiante de la calificación de “No presentado”.
De acuerdo con el artículo 117.2 de la Normativa Académica de la UAB, la evaluación del alumnado repetidor podrá consistir, a decisión del profesor, en una sola prueba de síntesis. El alumnado repetidor que desee acogerse a esta posibilidad, deberá ponerse en contacto con el profesorado a principio de curso (primera semana de octubre como muy tarde).
En caso de detectarse plagio o cualquier otra irregularidad que pueda conducir a una variación significativa de la calificación de un acto de evaluación, se calificará con 0 ese acto de evaluación. En caso de que se produzcan múltiples irregularidades en los actos de evaluación de la asignatura, la calificación final de esta será 0.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Ejercicios en el aula | 15% | 0 | 0 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 19, 13, 14, 15, 16, 18, 20, 22, 21, 17, 23, 25, 24 |
Examen final | 50% | 2 | 0,08 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 13, 14, 15, 16, 18, 20, 22, 21, 17, 23, 25, 24 |
Trabajos | 35% | 0 | 0 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 13, 14, 15, 16, 18, 20, 22, 21, 17, 23, 25, 24 |
Básica
Ismay, C., & Kim , A. Y. (2020). Statistical Inference via Data Science: A ModernDive into R and the Tidyverse. CRC Press / Taylor & Francis Group. Accesible en: moderndive.com.
Wickham, H., & Grolemund, G. (2016). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media. Accesible en: r4ds.had.co.nz. Versión en español: es.r4ds.hadley.nz.
Complementaria
Baumer, B., Kaplan, D., & Horton, N. J. (2021). Modern data science with R (2a ed). CRC Press. Accesible en: mdsr-book.github.io/mdsr2e.
Bolker, E. D., & Mast, M. B. (2020). Common Sense Mathematics (2a ed). American Mathematical Society.
Broman, K. W., & Woo, K. H. (2018). Data Organization in Spreadsheets. The American Statistician, 72(1), 2–10. doi.org/10.1080/00031305.2017.1375989.
Çetinkaya-Rundel, M., & Hardin, J. (2021). Introduction to Modern Statistics. OpenIntro. Accesible en: openintro-ims.netlify.app.
Chang, W. (2018). R Graphics Cookbook: Practical Recipes for Visualizing Data (2a ed). O’Reilly Media. Accesible en: r-graphics.org.
Dougherty, J., & Ilyankou, I. (2021). Hands-On Data Visualization. O’Reilly Media. Accesible en: handsondataviz.org.
Healy, K. (2018). Data visualization: A practical introduction. Princeton University Press. Accesible en: socviz.co.
Klass, G. M. (2012). Just Plain Data Analysis: Finding, Presenting, and InterpretingSocial Science Data (2a ed). Rowman & Littlefield.
Mas Elias, J. (2020). Análisis de Datos con R en Estudios Internacionales. Editorial UOC. Se puede consultar a través del Servicio ARE: https://login.are.uab.cat/login?url=https://login.are.uab.cat/login?url=https://elibro.net/es/ereader/uab/167261.
Miller, J. E. (2022). Making Sense of Numbers: Quantitative Reasoning for Social Research. Sage.
Sevilla, A. N., & Somers, K. (2013). Quantitative Reasoning: Tools for Today’s Informed Citizen (2a ed). Wiley.
Wilke, C. (2019). Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O’Reilly Media. Accesible en: clauswilke.com/dataviz.