Titulació | Tipus | Curs | Semestre |
---|---|---|---|
2503852 Estadística Aplicada | OB | 3 | 1 |
Podeu accedir-hi des d'aquest enllaç. Per consultar l'idioma us caldrà introduir el CODI de l'assignatura. Tingueu en compte que la informació és provisional fins a 30 de novembre de 2023.
Aquesta assignatura suposa que l'alumne ha assolit els coneixements que s'imparteixen en diferents assignatures sobre els següents temes:
- Càlcul en diverses variables.
- Probabilitat.
- Models lineals.
- Programació en R.
Aquesta assignatura pretén familiaritzar l'alumne amb diferents mètodes d'aprenentatge automàtic aplicant el punt de vista utilitzat quan es disposa de grans quantitats de dades.
Aquests són els continguts de l'assignatura*
*Llevat que les restriccions imposades per les autoritats sanitàries obliguin a una priorització o reducció d’aquests continguts.
L'assignatura té programades, a la setmana, dues hores de teoria i dues hores de pràctiques.
- Classe de teoria: es defineixen i s'expliquen els diferents mètodes amb les seves característiques particulars i es mostren exemples concrets.
- Classe de pràctiques: es treballen els mètodes explicats a classe de teoria amb diversos conjunts de dades utilitzant el llenguatge de programació R.
Es considera que, per a cada hora de teoria i pràctiques, l'alumne haurà de dedicar una hora addicional a la preparació i/o finalització de la sessió. Adicionalment realitzará preguntes d'autoevaluació al Moodle per consolidar els coneixements adquirits a clase.
NOTA: La metodologia docent proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Sessions de pràctiques | 50 | 2 | 1, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 15, 16, 19 |
Tipus: Supervisades | |||
Sessions de teoria | 50 | 2 | 1, 2, 4, 5, 6, 7, 8, 9, 12, 13 |
Tipus: Autònomes | |||
Treball setmanal + autoevaluació | 50 | 2 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19 |
L'avaluació de l'assignatura es durà a terme amb un examen (final), treballs setmanals i preguntes d'autoevaluació. La nota final es calcularà amb la fórmula:
NF = 0,5 * NE + 0,4 * NT + 0,1 * NA
on NP és la nota promig dels treball semanals, NA es la nota promig de les preguntes d'autoevaluació i NE es la nota del examen que com a mínim ha de ser un 5 per aprovar l'assignatura.
A final de curs hi haurà una prova de recuperació per a aquells alumnes tals que NE és menor que 5 i/o NF menor que 5. En aquest cas, la nota final es calcularà amb la fórmula:
NF = 0,7 * NR + 0,3 * NP
on NR és la nota de l'examen de recuperació.
NOTA: L’avaluació proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries
Avaluació única:
Es durà a terme un examen (4 hores) que permetrà avaluar de manera integral els coneixements i habilitats adquirides durant el curs. Aquest examen estarà dissenyat per avaluar la capacitat de l'alumne per aplicar els anàlisis estadístics apresos i la seva comprensió dels conceptes teòrics.
L'examen constarà de dues parts principals: anàlisi estadístic i preguntes teòriques. A la secció d'anàlisi estadístic, es proporcionaran dades rellevants que requeriran de l'alumne l'aplicació de les tècniques i eines estadístiques apreses durant el curs. S'espera que l'alumne realitzi els següents passos:
Identificació del problema: L'alumne haurà de comprendre la naturalesa de les dades i els objectius d'anàlisi.
Selecció i aplicació de tècniques: L'alumne utilitzarà els coneixements adquirits per seleccionar i aplicar les tècniques estadístiques apropiades per analitzar les dades. Això pot incloure la determinació de mesures de tendència central, dispersió, correlació, regressió, proves d'hipòtesi, entre altres.
Interpretació dels resultats: Un cop realitzats els anàlisis, l'alumne haurà d'interpretar els resultats de manera adequada, explicant el seu significat en el context del problema plantejat.
La segona part de l'examen consistirà en preguntes teòriques que requeriran respostes escrites. Aquestes preguntes estaran relacionades amb els conceptes fonamentals de l'estadística, la seva aplicabilitat en diferents situacions i la seva importància en la presa de decisions. L'alumne haurà de demostrar la seva comprensió dels conceptes i la seva capacitat per explicar-los de manera clara i coherent.
L'avaluació d'aquest examen es realitzarà tenint en compte diversos criteris:
Precisió i correcció en els anàlisis: S'avaluarà la capacitat de l'alumne per realitzar els anàlisis estadístics de manera precisa i correcta, seleccionant les tècniques adequades i utilitzant els procediments correctes.
Interpretació de resultats: Es valorarà la capacitat de l'alumne per interpretar i explicar de manera coherent els resultats obtinguts en els anàlisis estadístics realitzats.
Completitud de respostes teòriques: S'avaluarà la capacitat de l'alumne per proporcionar respostes clares i completes a les preguntes teòriques, demostrant un domini dels conceptes i la seva aplicació.
Organització i claredat en la presentació: Es tindrà en compte l'organització general de l'examen, la claredat de les respostes escrites i la qualitat de la presentació
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Autoevaluació | 10% | 0 | 0 | 1, 3, 5, 8, 9, 13, 15, 19 |
Examen final | 50% | 0 | 0 | 2, 4, 6, 7, 8, 9, 13, 15, 18 |
Pràctiques + autoevaluació | 40% | 0 | 0 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19 |
Bibliografia bàsica:
- An Introduction to Statistical Learning with Applications in R - Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani
- Bookdown de l'assignatura: https://isglobal-brge.github.io/Aprendizaje_Automatico_1/
Bibliografia complementària:
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction - Trevor Hastie, Robert Tibshirani and Jerome Friedman
- Data Science from Scratch - Joel Grus
- Computer Age Statistical Inference: Algorithms, Evidence and Data Science - Trevor Hastie and Bradley Efron
La teoria i les pràctiques es faran amb R