Estadística Aplicada
Undergraduate Programme. Academic Year 2024/2025.
TALLER DE ALGORITMOS - 801609
Curso Académico 2024-25
Datos Generales
- Plan de estudios: 0825 - GRADO EN ESTADÍSTICA APLICADA (2009-10)
- Carácter: Optativa
- ECTS: 6.0
SINOPSIS
COMPETENCIAS
Generales
CG12 Preocupación por la calidad de su trabajo
CG17 Demostrar haber adquirido de forma sólida los conocimientos desarrollados en el grado y ser capaz de aplicarlos en cada contexto de forma adecuada
Específicas
CE9 Elaborar y construir modelos estadísticos adecuados a problemas reales y su validación
CE13 Resolver problemas de estadística e investigación operativa facilitando la toma de decisiones
ACTIVIDADES DOCENTES
Clases teóricas
Clases presenciales en el aula. Si las condiciones sanitarias no lo permitiesen, entonces se emplearían medios síncronos como videoconferencias.
Clases prácticas
Clases prsenciales en el aula. Si las condiciones sanitarias no lo permitiesen, entonces se emplearían medios síncronos como videoconferencias.
Laboratorios
Clases presenciales en el laboratorio de informática. Si las condiciones sanitarias no lo permitiesen, entonces se emplearían medios síncronos como videoconferencias.
Presentaciones
Exposición de ejercicios y trabajos desarrollados por los estudiantes ante el grupo de clase. Si las condiciones sanitarias no lo permitiesen, entonces se emplearían medios síncronos como videoconferencias.
TOTAL
Presenciales
No presenciales
Semestre
Breve descriptor:
Programación avanzada. Métodos de análisis y diseño de algoritmos y estructuras de datos, siendo capaz de aplicarlos en el desarrollo de soluciones para problemas variados. Valorar cuál de los distintos métodos posibles es el mejor para cada problema concreto. Saber diseñar dicha solución de manera efectiva, garantizar su corrección y evaluar su eficiencia. Saber elegir y usar una librería nueva del mundo del análisis de datos y aplicarla a situaciones variadas de este campo.
Requisitos
Objetivos
El objetivo general de la asignatura es doble:
1) Ser capaz de analizar, comprender y resolver una amplia variedad de problemas computacionales, diseñando e implementando soluciones eficientes y de calidad, como resultado de la aplicación de un proceso metódico. De este objetivo general se pueden extraer los siguientes objetivos específicos:
- Conocer y utilizar las técnicas de análisis de eficiencia, tomando conciencia de la importancia del factor eficiencia.
- Conocer y saber aplicar una amplia variedad de técnicas de diseño de algoritmos y técnicas de representación de datos.
- Saber afrontar la resolución de problemas nuevos, utilizando las técnicas estudiadas como herramientas flexibles para diseñar soluciones eficientes.
Contenido
- Análisis de datos: órdenes de complejidad, consumo de tiempo y espacio. Aplicación a programas en Python
- Técnicas de diseño de algoritmos. Recursividad, algoritmos voraces, divide y vencerás, programación dinámica, búsqueda con retroceso y algoritmos probabilistas
- Programación orientada a objetos. Principales estructuras de datos: secuenciales, arbóreas y grafos
- Visión panorámica de la aplicación de las técnicas mencionadas a distintos problemas de análisis de datos y ciencia de los datos, usando las librerías más idóneas para cada situación planteada.
Evaluación
La evaluación continua se llevará a cabo a través de las siguientes actividades:
- Pruebas objetivas, centradas en distintas partes de la asignatura, consistentes en resolución de ejercicios y problemas (75%). Será necesario obtener un mínimo de un 3.0 en cada una de estas pruebas para poder superar la asignatura mediante la evaluación continua. De lo contrario, la calificación obtenida mediante la evaluación continua se truncará a un 4.0 (suspenso), en caso de ser superior.
- Participación del estudiante en el aula, en las actividades formativas propuestas por el profesor y en las tutorías. Realización y defensa de prácticas de laboratorio, consistentes en programas informáticos propuestos por el profesor (25%)
Adicionalmente, se ofrecerá un examen final. Para el alumno que se presente a esta prueba, la nota final se calculará como el máximo entre:
a) La calificación de la prueba final.
b) La media ponderada de la evaluación continua y la prueba final, siendo el peso de la evaluación continua de un 50%.
De este modo, cualquier alumno tiene la opción de superar la asignatura mediante la evaluación continua, y también, cualquier alumno tendrá derecho a una prueba final pudiendo resultar su calificación la nota final del curso.
Bibliografía
* B. N. Miller y D. L. Ranum: Problem solving with Algorithms and Data Structures using Python, 2013.
* Lee, R., Tseng, S.,Chang, R. y Tesai, Y. Introducción al diseño y análisis de algoritmos. Un enfoque estratégico. McGraw-Hill, 2007
Bibliografía complementaria:
* A.Marzal, I.García, P. García. Introducción a la Programación con Python 3. 2014. Accesible en Internet.
* J. Guttag. Introduction to Computation and Programming Using Python.MIT Press, 2013
* J. Grus, Data Science from Scratch. Accesible en Internet.
Otra información relevante
Los materiales docentes se proporcionarán principalmente en el Campus Virtual a medida que vayan a entrar en juego, y consistirán en documentación escrita, hojas de problemas, prácticas, juegos de datos, código, etc.
Una de las tareas relevantes de la asignatura es el desarrollo de pequeños proyectos, más posiblemente el de un proyecto de mayor envergadura junto con su presentación y defensa ante los compañeros del grupo.
Estructura
Módulos | Materias |
---|---|
TÉCNICAS DE GESTIÓN EN PROCESOS INDUSTRIALES | MÉTODOS ESTADÍSTICOS DE OPTIMIZACIÓN DEL PROCESO Y MEJORA DE LA CALIDAD |
Grupos
Actividades prácticas | ||||
---|---|---|---|---|
Grupo | Periodos | Horarios | Aula | Profesor |
Grupo mañana A | - | - | - | CRISTOBAL PAREJA FLORES |
Clases teóricas y/o prácticas | ||||
---|---|---|---|---|
Grupo | Periodos | Horarios | Aula | Profesor |
Grupo mañana A | 22/01/2025 - 13/05/2025 | LUNES 11:00 - 13:00 | - | CRISTOBAL PAREJA FLORES |