Guía docente de Estadística Computacional I (223112A)
Grado
Rama
Módulo
Materia
Curso
Semestre
Créditos
Tipo
Profesorado
Teórico
Práctico
Prerrequisitos y/o Recomendaciones
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. Introducción a la Estadística Computacional.
Introducción
Historia de la Estadística Computacional
Las sociedades estadísticas y la Estadística Computacional
Evolución de los programas de análisis estadístico
Tema 2. El entorno de programación y análisis R
El lenguaje de programación R
Estructuras de datos
Libros (packages) de R
Tema 3. Programación con R
Estructuras de programación. Algoritmos
Estructuras de programación en R
Creación de funciones propias
Aplicaciones
Tema 4. Metodología del análisis estadístico
Depuración de datos
Métodos gráficos.
Tema 5. Bases de datos. SQL
El lenguaje SQL.
Acceso a bases de datos desde R
SQL y NoSQL.
Gestión de grandes volúmenes de datos en R
Práctico
La asignatura dispone de una hora de prácticas a la semana en subgrupos pequeños que se desarrollará en las aulas de ordenadores de la facultad. En dicha sesión se realizarán ejercicios prácticos de programación.
Bibliografía
Bibliografía fundamental
1. The R Project for Statistical Computing. http://www.r-project.org
2. Crawley - The R Book, 2nd ed (2012)
3. Chamber, J.M. & Trevor, J. H.. (1992) Statistical models in S. Wadsworth & Brook.
3. Verzani, J. - Using R for Introductory Statistics. CRC Press. Taylor & Francis group (2014)
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)
- Quesada Rico, J.A. (2025). Bioestadística básica y avanzada con R. Ed. Díaz Santos
- 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 se realizará a partir de la medición de las diversas actividades realizadas a lo largo del curso y que requerirán de un conocimiento uniforme y equilibrado de toda la materia.
Se tendrán en cuenta los siguientes procedimientos, aspectos y criterios, asignando a cada uno de ellos un porcentaje que se mantenga en el rango indicado y de tal manera que su suma constituya el total (100%) de la calificación.
- Pruebas específicas de conocimientos, orales y/o escritas, realizadas durante el curso 50%
- Trabajos y seminarios. Producciones de los alumnos individuales o de grupo 40%
- Participación, actitud y esfuerzo personal de los alumnos en las actividades formativas 10%
NOTA: Siempre que sea necesario, las pruebas se realizarán con soporte computacional
Evaluación Extraordinaria
Examen teórico-práctico en el que se valorará tanto la adquisición de conocimientos como la capacidad de aplicación de los mismos a situaciones prácticas para la resolución de problemas
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 un examen escrito teórico-práctico en el que se valorará tanto la adquisición de conocimientos como la capacidad de aplicación de los mismos a situaciones prácticas para la resolución de problemas
Información adicional
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
Cualquier elemento de esta guía podrá ser adaptado para atender a la diversidad del alumnado teniendo en cuenta los informes facilitados por los tutores NEAE, y siempre siguiendo la Normativa de la Universidad de Granada: https://www.ugr.es/sites/default/files/2017-09/NCG1114.pdf
Siguiendo las indicaciones recogidas en la Normativa de Evaluación y de Calificación de los estudiantes de la Universidad de Granada: https://www.ugr.es/universidad/normativa/texto-consolidado-normativa-evaluacion-calificacion-estudiantes-universidad-granada, destacamos los puntos 1 y 2 recogidos en el artículo 15 sobre la originalidad de los trabajos presentados por los alumnos:
1. La Universidad de Granada fomentará el respeto a la propiedad intelectual y transmitirá a los estudiantes que el plagio es una práctica contraria a los principios que rigen la formación universitaria. Para ello procederá a reconocer la autoría de los trabajos y su protección de acuerdo con la propiedad intelectual según establezca la legislación vigente.
2. El plagio, entendido como la presentación de un trabajo u obra hecho por otra persona como propio o la copia de textos sin citar su procedencia y dándolos como de elaboración propia, conllevará automáticamente la calificación numérica de cero en la asignatura en la que se hubiera detectado, independientemente del resto de las calificaciones que el estudiante hubiera obtenido. Esta consecuencia debe entenderse sin perjuicio de las responsabilidades disciplinarias en las que pudieran incurrir los estudiantes que plagien.
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
Durante todo el curso se trabajará con el entorno de computación estadística R (https://www.r-project.org/)