Tratamiento Estadístico Computacional de la Información (conjunto con UPM)
Máster. Curso 2023/2024.
SOFTWARE ESTADÍSTICO - 607577
Curso Académico 2023-24
Datos Generales
- Plan de estudios: 063U - MÁSTER UNIVERSITARIO EN TRATAMIENTO ESTADÍSTICO COMPUTACIONAL DE LA INFORMA (2013-14)
- Carácter: OBLIGATORIA
- ECTS: 3.0
SINOPSIS
COMPETENCIAS
Específicas
CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado grado de complejidad.
CE6 - Desarrollar programas que resuelvan problemas matemáticos utilizando para cada caso el entorno computacional adecuado.
CE6 - Desarrollar programas que resuelvan problemas matemáticos utilizando para cada caso el entorno computacional adecuado.
ACTIVIDADES DOCENTES
Clases teóricas
Método expositivo
Clases prácticas
Estudio de casos
Laboratorios
Prácticas de ordenador
Presenciales
1,5
No presenciales
1,5
Semestre
1
Breve descriptor:
Se introduce al alumno en la utilización de R, en el análisis descriptivo de datos y en la aplicación de técnicas de inferencia y de Python como lenguaje de programación genérico, también aplicado en el uso de datos.
Requisitos
Tener conocimientos equivalentes a los que se adquieren con un primer curso de probabilidad, estadística e inferencia estadística.
Objetivos
- Capacidad para manejar y evaluar los procedimientos estadísticos.
- Capacidad para elegir las técnicas más adecuadas para tratar la información, el orden de ejecución de las mismas y el alcance de cada una de ellas y su interpretación.
- Elaboración y presentación de informes estadísticos.
- Utilización de entornos interactivos para programar y analizar datos.
- Conocimiento del alcance y las limitaciones de los paquetes de programas estadísticos como R.
- Programación básica en Python.
Contenido
Python
R
- Instrucciones de control
- Estructuras de datos: listas, diccionarios, conjuntos
- Funciones y orden superior
- Entornos interactivos: jupyter
- Módulo de análisis y visualización con datos: Pandas
R
- Introducción.
- Estructuras de datos: vectores, matrices y arrays, listas y data frames.
- Estructuras de programación.
- Funciones matemáticas y estadísticas.
- Tratamiento y visualización de datos.
Evaluación
La evaluación final (tanto en la convocatoria ordinaria como en la extraordinaria) será la media ponderada de las evaluaciones independientes de los dos bloques. La calificación mínima en cada parte de cada bloque tiene que ser igual o superior a 4 puntos. El módulo se considerará aprobado si la media ponderada de los dos bloques es igual o superior a 5 puntos.
PYTHON (ponderación del bloque: 1/3)
Entrega de trabajos: 75%
Asistencia y participación en las clases: 25%
R (ponderación del bloque: 2/3)
Examen teórico-práctico: 40%
Trabajo individual: 40%
Asistencia y participación en las clases: 20%
En la convocatoria extraordinaria cada estudiante se examinará solo del bloque o bloques que tenga suspensos. Las calificaciones iguales o superiores a 4 puntos en un bloque en la convocatoria ordinaria se podrán conservar para la convocatoria extraordinaria.
PYTHON (ponderación del bloque: 1/3)
Entrega de trabajos: 75%
Asistencia y participación en las clases: 25%
R (ponderación del bloque: 2/3)
Examen teórico-práctico: 40%
Trabajo individual: 40%
Asistencia y participación en las clases: 20%
En la convocatoria extraordinaria cada estudiante se examinará solo del bloque o bloques que tenga suspensos. Las calificaciones iguales o superiores a 4 puntos en un bloque en la convocatoria ordinaria se podrán conservar para la convocatoria extraordinaria.
Bibliografía
The Python Tutorial (online): https://docs.python.org/3.5/tutorial/index.html
The Python Tutorial (book), Guido Van Rossum, Python Dev Team. ARTPOWER International, 2016
Python for Data Analysis, 2e: Data Wrangling with Pandas, Wes McKinney, O'Reilly, 2022
R (online): https://www.r-project.org
Everitt, Brian S. (2005). An R and S-Plus Companion to Multivariate Analysis. Springer
Verzani, J. (2005). Using R for Introductory Statistics. Chapman & Hall/CRC, Boca Raton, FL
Faraway, J. (2004). Linear Models with R. Chapman & Hall/CRC, Boca Raton, FL
The Python Tutorial (book), Guido Van Rossum, Python Dev Team. ARTPOWER International, 2016
Python for Data Analysis, 2e: Data Wrangling with Pandas, Wes McKinney, O'Reilly, 2022
R (online): https://www.r-project.org
Everitt, Brian S. (2005). An R and S-Plus Companion to Multivariate Analysis. Springer
Verzani, J. (2005). Using R for Introductory Statistics. Chapman & Hall/CRC, Boca Raton, FL
Faraway, J. (2004). Linear Models with R. Chapman & Hall/CRC, Boca Raton, FL
Otra información relevante
Campus virtual
Estructura
| Módulos | Materias |
|---|---|
| No existen datos de módulos o materias para esta asignatura. | |
Grupos
| Clases teóricas y/o prácticas | ||||
|---|---|---|---|---|
| Grupo | Periodos | Horarios | Aula | Profesor |
| Grupo único | 04/09/2023 - 21/09/2023 | LUNES 19:00 - 21:00 | - | CARLOS GREGORIO RODRIGUEZ EVA ROMERO RAMOS |
| MARTES 16:30 - 18:30 | - | CARLOS GREGORIO RODRIGUEZ EVA ROMERO RAMOS | ||
| MIÉRCOLES 19:00 - 21:00 | - | CARLOS GREGORIO RODRIGUEZ EVA ROMERO RAMOS | ||
| JUEVES 16:30 - 18:30 | - | CARLOS GREGORIO RODRIGUEZ EVA ROMERO RAMOS | ||