Titulació | Tipus | Curs |
---|---|---|
Ciència política i gestió pública | FB | 1 |
Podeu consultar aquesta informació al final del document.
Cap.
L’objectiu del curs és familiaritzar l’estudiant amb la pràctica de l’anàlisi de dades. Els estudiants aprendran a obtenir, transformar i explorar dades per a formular i respondre preguntes. S’eviten les qüestions matemàtiques i es posa l’èmfasi en la formació pràctica i la interpretació i presentació de resultats. Alhora, es revisa l’ús de fulls de càlcul s’introdueix l’estudiant en l´ús del llenguatge de programació estadística R a través d’RStudio, amb l’objectiu de reforçar l’aprenentatge d’habilitats relacionades amb la gestió, descripció i visualització de dades, la reproductibilitat de l’anàlisi i la comunicació efectiva dels resultats. Al llarg del curs es treballarà amb dades reals i d’interès social i es fomentarà la utilització crítica i responsable de dades obertes.
1. Fonaments d’informàtica
2. Habilitats matemàtiques bàsiques
3. Dades: observacions, variables, marcs de dades
4. Explorar i descriure variables: visualització i resums numèrics
5. Explorar i descriure relacions entre variables
6. Obtenció de dades
7. Manipulació i gestió de dades
8. Comunicació i reproductibilitat
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Classes presencials: activitats expositives i resolució d'exercicis | 49,5 | 1,98 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25 |
Tipus: Supervisades | |||
Tutories | 15 | 0,6 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25 |
Tipus: Autònomes | |||
Estudi, lectures, treballs | 83,5 | 3,34 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25 |
La majoria de les sessions combinen activitats expositives per part del professorat i la resolució d’exercicis i pràctiques a l’aula. S’espera que els estudiants facin ús d’un ordinador portàtil a classe.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Exàmens | 50% | 2 | 0,08 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25 |
Exercicis a l'aula | 10% | 0 | 0 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25 |
Treballs | 40% | 0 | 0 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25 |
L’avaluació es realitzarà en funció dels resultats de les activitats següents:
Per superar l’assignatura, cal que es compleixin alhora tots els requisits següents:
Els estudiants que no compleixin algun dels tres requisits no podran obtenir una qualificació global superior a 4,5, independentment de la puntuació que resulti de la suma ponderada de totes les activitats.
Recuperació
Només la part de la nota corresponent als exàmens és recuperable; els exercicis a l’aula i els treballs estan exclosos del procés de recuperació.
Per participar a la recuperació, cal que haver estat prèviament avaluat en un conjunt d’activitats el pes de les quals equivalgui a un mínim de dues terceres parts de la qualificació total de l'assignatura. Podran participar a la recuperació els estudiants que tinguin una qualificació mitjana als exàmens inferior a 4 o una qualificació global de l’assignatura inferior a 5. Hi haurà un únic examen de recuperació sobre el conjunt del contingut de l’assignatura, independentment de les qualificacions específiques dels exàmens parcials.
Altres consideracions
Aquesta assignatura no permet l’avaluació única.
El fet de presentar-se a algun dels exàmens o lliurar qualsevol dels treballs eximeix l’estudiant de la qualificació de “No Avaluable”.
D’acord amb l’article 117.2 de la Normativa acadèmica de la UAB, l’avaluació de l'alumnat repetidor podrà consistir, a decisió del professor, en una sola prova de síntesi. L’alumnat repetidor que es vulgui acollir a aquesta possibilitat, caldrà que es posi en contacte amb el professorat a principi de curs (primera setmana d’octubre com a molt tard).
En aquesta assignatura, es permet l’ús de tecnologies d’Intel·ligència Artificial (IA) per a la compleció dels treballs i exercicis exclusivament en tasques de suport, com la cerca d’informació o la correcció de text i codi. L’estudiant haurà d’identificar clarament en quines tasques ha utilitzat aquesta tecnologia i especificar les eines emprades. No obstant això, aquestes eines no poden substituir l’estudi autònom ni la comprensió real del codi per part de l’estudiant. La no transparència de l’ús de la IA en aquesta activitat avaluable es considerarà falta d’honestedatacadèmica i pot comportar una penalització parcial o total en la nota de l’activitat, o sancions majors en casos de gravetat. Quan el codi utilitzat en el treball sigui significativament diferent del que s’ha treballat a classe, o incorpori funcions, estructures o paquets no explicats durant el curs, es considerarà com a indicador probable de l’ús indegut d’IA i es qualificarà amb un zero (0), independentment de la seva correcció tècnica.
En cas de detectar-se plagi o qualsevol altra irregularitat que pugui conduir a una variació significativa de la qualificació d’un acte d’avaluació, es qualificarà amb 0 aquest acte d’avaluació. En cas que es produeixin diverses irregularitats en els actes d’avaluació de l’assignatura, la qualificació final d’aquesta serà 0.
Bàsica
Çetinkaya-Rundel, M., & Hardin, J. (2024). Introduction to Modern Statistics (2a ed.). OpenIntro. Accessible a: openintro-ims.netlify.app.
Ismay, C., & Kim , A. Y. (2025). Statistical Inference via Data Science: A ModernDive into R and the Tidyverse (2a ed.). CRC Press / Taylor & Francis Group. Accessible a: moderndive.com/v2.
Wickham, H., & Grolemund, G. (2023). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data (2a ed.). O’Reilly Media. Accessible a: r4ds.hadley.nz. Versió en espanyol: es.r4ds.hadley.nz.
Complementària
Baumer, B., Kaplan, D., & Horton, N. J. (2021). Modern data science with R (2a ed). CRC Press. Accessible a: 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. Accessible a: 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. Accessible a: handsondataviz.org.
Healy, K. (2018). Data visualization: A practical introduction. Princeton University Press. Accessible a: 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. Es pot consultar a través del servei 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. Accessible a: clauswilke.com/dataviz.
La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
Nom | Grup | Idioma | Semestre | Torn |
---|---|---|---|---|
(PAUL) Pràctiques d'aula | 1 | Català | primer quadrimestre | matí-mixt |
(PAUL) Pràctiques d'aula | 51 | Català | primer quadrimestre | tarda |
(TE) Teoria | 1 | Català | primer quadrimestre | matí-mixt |
(TE) Teoria | 51 | Català | primer quadrimestre | tarda |