Guía docente de Estadística Computacional II (2231138)
Grado
Rama
Módulo
Materia
Curso
Semestre
Créditos
Tipo
Profesorado
Tutorías
Prerrequisitos y/o Recomendaciones
Se recomienda la realización previa de las asignaturas Cálculo de Probabilidades I y II, Estadística Descriptiva e Informática I y II y Estadística Computacional I.
En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0
Breve descripción de contenidos (Según memoria de verificación del Máster)
- Metodología del análisis estadístico computacional
- Programas de ordenador de uso general como soporte para la planificación, recogida, preparación y adaptación de datos
- Programas de ordenador para análisis estadísticos
- Entornos de análisis y programación estadísticos
- Estructuras de datos para el análisis estadístico
- Utilización de medios informáticos para el diseño y análisis de problemas estadísticos reales
Competencias
Competencias Generales
- CG01. CG01. Poseer los conocimientos básicos de los distintos módulos que, partiendo de la base de la educación secundaria general, y apoyándose en libros de texto avanzados, se desarrollan en la propuesta de título de Grado en Estadística que se presenta.
- CG02. CG02. Saber aplicar los conocimientos básicos de cada módulo a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de la Estadística y ámbitos en que esta se aplica directamente.
- CG03. CG03. Saber reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- CG04. CG04. Poder transmitir información, ideas, problemas y sus soluciones, de forma escrita u oral, a un público tanto especializado como no especializado.
- CG06. CG06. Saber utilizar herramientas de búsqueda de recursos bibliográficos.
- CG08. CG08. Poseer habilidades y aptitudes que favorezcan el espíritu emprendedor en el ámbito de aplicación y desarrollo de su formación académica.
- CG09. CG09. Fomentar y garantizar el respeto a los Derechos Humanos, a los principios de accesibilidad universal, igualdad, y no discriminación; y los valores democráticos, de la cultura de la paz y de igualdad de género.
Competencias Específicas
- CE01. CE01. Conocer los fundamentos básicos del razonamiento estadístico, en el diseño de estudios, en la recogida de información, en el análisis de datos y en la extracción de conclusiones.
- CE02. CE02. Conocer, saber seleccionar y saber aplicar, técnicas de adquisición de datos para su tratamiento estadístico.
- CE03. CE03. Conocer los fundamentos teóricos y saber aplicar modelos y técnicas estadísticas en estudios y problemas reales en diversos ámbitos científicos y sociales.
- CE04. CE04. Saber seleccionar los modelos o técnicas estadísticas para su aplicación en estudios y problemas reales en diversos ámbitos científicos y sociales, así como conocer herramientas de validación de los mismos.
- CE06. CE06. Comprender y utilizar básicamente el lenguaje matemático.
- CE08. CE08. Conocer y saber utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, bases de datos, visualización gráfica y optimización, que sean útiles para la aplicación y desarrollo de las técnicas estadísticas.
- CE09. CE09. Conocer los conceptos básicos y habilidades propias de un ámbito científico o social en el que la Estadística o la Investigación operativa sean una herramienta fundamental.
Resultados de aprendizaje (Objetivos)
- Conocer y saber usar diferentes programas de ordenador adecuados a la resolución de problemas estadísticos.
- Conocer las estructuras de datos y de programación más usuales en el tratamiento informático de problemas estadísticos.
- Ser capaz de adaptarse a cambios en los lenguajes, estructuras y soporte de ordenadores.
- Saber determinar a qué situaciones reales pueden aplicarse diferentes técnicas estadísticas y aplicarlas mediante programas de ordenador.
- Ser capaz de desarrollar nuevos programas en un entorno de programación, tanto general como estadístico.
Programa de contenidos Teóricos y Prácticos
Teórico
Tema 1. Programación avanzada con R
- Aritmética y lógica vectorial. Producto exterior de vectores.
- Expresiones regulares en R
- Aplicando funciones a matrices, vectores y listas: apply, sapply, lapply y mapply.
- Expresiones en R. Notación matemática con plotmath.
- Gráficos avanzados con R.
- Funciones en R. El argumento “…”. Definición de funciones auxiliares mediante código. Vectorización de funciones
- Nuevas clases de objetos en R y métodos asociados.
Tema 2. Creación de libros en R
- Libros y librerías. Libros fuente
- Operaciones con libros.
- Documentación de los objetos de un libro: los archivos Rd.
- Comprobación y construcción de libros con las Rtools y el comando R CMD
Tema 3. Elaboración de informes de resultados
- Documentos dinámicos. Archivos noweb
- R y Latex
- Sweave
- knitr
Práctico
En las clases teóricas y prácticas se resolverán numerosos ejercicios de programación con el propósito de ilustrar los contenidos de la asignatura.
Bibliografía
Bibliografía fundamental
1. The R Project for Statistical Computing. http://www.r-project.org
2. Crawley - The R Book, 2nd ed (2012)
Bibliografía complementaria
- Albert, Rizzo - R by Example (2012)
- Bali - R Machine Learning By Example (2016)
- Bühlmann - Handbook of Big Data (2016)
- Gillespie, Lovelace - Efficient R Programming (2016)
- Heineman, Pollice, Selkow - Algorithms in a Nutshell, 2nd ed (2016)
- Lafaye de Micheaux et al. - The R Software. Fundamentals of Programming and Statistical Analysis (2014)
- Maxwell - R Bootcamp. Learn The Basics of R Programming (2016)
- Wickham - ggplot2. Elegant Graphics for Data Analysis, 2nd ed (2016)
- Williams - Data Science with R. Documenting with KnitR (2014)
- Xie - Dynamic Documents with R and knitr, 2nd ed (2015)
- Zumel, Mount - Practical Data Science with R (2014)
Enlaces recomendados
- The R Project for Statistical Computing. http://www.r-project.org
- R para profesionales de los datos: una introducción. Carlos J. Gil Bellosta (2018) https://www.datanalytics.com/libro%5Fr/
- R for Data Science. Garrett Grolemund and Hadley Wickham, 2017. https://r4ds.had.co.nz/
Metodología docente
- MD01. MD1. Lección magistral/expositiva
- MD02. MD2. Sesiones de discusión y debate
- MD03. MD3. Resolución de problemas y estudio de casos prácticos
- MD04. MD4. Prácticas en sala de informática
- MD05. MD5. Seminarios
- MD06. MD6. Ejercicios de simulación
- MD07. MD7. Análisis de fuentes y documentos
- MD08. MD8. Realización de trabajos en grupo
- MD09. MD9. Realización de trabajos individuales
Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final)
Evaluación Ordinaria
La evaluación tendrá en cuenta las diferentes actividades que realicen los alumnos, que pretenderán que estos alcancen un conocimiento uniforme y equilibrado de toda la materia. Se tendrán en cuenta las siguientes actividades tipo, asignando a cada una de ellas el porcentaje de la nota final indicado, de tal manera que la suma de los porcentajes asignados constituye el total (100%) de la calificación:
|
Evaluación Extraordinaria
La evaluación se llevará a cabo mediante una prueba de evaluación global de conocimientos teórico-prácticos, en la que se valorará tanto la adquisición de conocimientos como la capacidad de aplicación práctica de los mismos a la resolución de problemas concretos, y que supondrá el 100% de la calificación.
Evaluación única final
La evaluación única final establecida en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada consistirá en una prueba de evaluación global de conocimientos teórico-prácticos, en la que se valorará tanto la adquisición de conocimientos como la capacidad de aplicación práctica de los mismos a la resolución de problemas concretos, y que supondrá el 100% de la calificación.
Información adicional
Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).
Software Libre
Para desarrollar la asignatura se hará uso del software libre R.