Titulación | Tipo | Curso |
---|---|---|
2500259 Ciencia política y gestión pública | FB | 1 |
Puede consultar esta información al final del documento.
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. Fundamentos de informática
2. Habilidades matemáticas básicas
3. Datos: observaciones, variables, marcos de datos
4. Explorar y describir variables: visualización y resúmenes numéricos
5. Explorar y describir relaciones entre variables
6. Obtención de datos
7. Manipulación y gestión de datos
8. Comunicación y reproducibilidad
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases presenciales: actividades expositivas y resolución de ejercicios | 49,5 | 1,98 | 1, 4, 5, 6, 3, 24, 25, 8, 7, 12, 11, 10, 9, 15, 16, 14, 17, 19, 18, 20, 2, 13, 23, 21, 22 |
Tipo: Supervisadas | |||
Tutorías | 15 | 0,6 | 1, 4, 5, 6, 3, 24, 25, 8, 7, 12, 11, 10, 9, 15, 16, 14, 17, 19, 18, 20, 2, 13, 23, 21, 22 |
Tipo: Autónomas | |||
Estudio, lecturas, trabajos | 83,5 | 3,34 | 1, 4, 5, 6, 3, 24, 25, 8, 7, 12, 11, 10, 9, 15, 16, 14, 17, 19, 18, 20, 2, 13, 23, 21, 22 |
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 | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Ejercicios en el aula | 10% | 0 | 0 | 1, 4, 5, 6, 3, 24, 25, 8, 7, 12, 11, 10, 9, 15, 16, 14, 17, 19, 18, 20, 2, 13, 23, 21, 22 |
Examen | 50% | 2 | 0,08 | 1, 4, 5, 6, 3, 24, 25, 8, 7, 12, 11, 10, 9, 15, 16, 14, 17, 18, 20, 2, 13, 23, 21, 22 |
Trabajos | 40% | 0 | 0 | 1, 4, 5, 6, 3, 24, 25, 8, 7, 12, 11, 10, 9, 15, 16, 14, 17, 18, 20, 2, 13, 23, 21, 22 |
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:
Los estudiantes que no cumplan alguno de estos tres requisitos no podrán obtener una nota global superior a 4,5, independientemente de la puntuación que resulte de la suma ponderada de todas las actividades.
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 haber sido previamente evaluado en un conjunto de actividades el peso de las cuales equivalga a un mínimo de dos terceras partes de la calificación total de la asignatura.
Para superar la asignatura, es necesario cumplir el requisito anterior y tener una calificación igual o superior a 5 en el examen de recuperación.
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.
Esta asignatura no permite evaluación única.
Básica
Çetinkaya-Rundel, M., & Hardin, J. (2021). Introduction to Modern Statistics. OpenIntro. Accesible en: openintro-ims.netlify.app.
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.
Chang, W. (2018). R Graphics Cookbook: Practical Recipes for Visualizing Data (2a ed). O’Reilly Media. Accesible en: r-graphics.org.
De Veaux, R. D., Velleman, P. F., & Bock, D. E. (2021). Stats: Data and Models. Pearson.
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.
Llaudet, E., & Imai, K. (2023). Data analysis for social science: A friendly and practical introduction. Princeton University Press.
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.
Nombre | Grupo | Idioma | Semestre | Turno |
---|---|---|---|---|
(PAUL) Prácticas de aula | 1 | Catalán | primer cuatrimestre | manaña-mixto |
(PAUL) Prácticas de aula | 51 | Catalán | primer cuatrimestre | tarde |
(TE) Teoría | 1 | Catalán | primer cuatrimestre | manaña-mixto |
(TE) Teoría | 51 | Catalán | primer cuatrimestre | tarde |