Logo

Técnicas de investigación

Código: 101102
Créditos: 6
2026/2027
Titulación Tipo Curso
Ciencia Política y Gestión Pública OB 3

Profesor/a de contacto

Nombre :
Danislava Milkova Marinova
Correo electrónico :
dani.marinova@uab.cat

Equipo docente

Juan Pérez Rajó

Idiomas de los grupos

Puede consultar esta información al final del documento.

Prerrequisitos

Es imprescindible haber aprobado la asignatura obligatoria de Metodología del Análisis Político de segundo curso del grado.

Objetivos

Esta asignatura es la tercera y más avanzada de la secuencia de análisis de datos del grado, y se construye directamente sobre las bases establecidas en Introducció a l'Anàlisi de Dades y Metodologia de l'Anàlisi Política. Mientras que las asignaturas anteriores introdujeron al estudiantado en el tratamiento y la descripción de datos y en la lógica de la inferencia y la regresión bivariada, el objetivo de esta asignatura es que el estudiantado amplíe sus herramientas analíticas y aprenda a aplicar de forma autónoma un conjunto más amplio de técnicas de investigación en ciencias sociales.


La primera parte del curso desarrolla la regresión lineal más allá del caso bivariado (análisis de la varianza, regresión con variables independientes nominales, regresión múltiple e interacciones) y aborda la gestión avanzada de datos (reestructuración, combinación y fusión) y la construcción crítica de medidas, incluidos los índices compuestos. La segunda parte se centra en la investigación aplicada mediante encuestas, con especial atención al muestreo, la ponderación y los efectos de diseño implicados en el análisis de microdatos reales, así como en la comunicación y difusión de resultados mediante informes técnicos. El curso concluye con una panorámica de otras familias de modelos y una introducción a la inferencia causal y la evaluación de impacto, de modo que el estudiantado pueda profundizar en ellas por su cuenta.


A lo largo del curso priorizamos la formación práctica y la interpretación y presentación de resultados por encima de las cuestiones matemáticas, consolidamos el uso del lenguaje de computación estadística R a través de RStudio, y trabajamos con datos reales de relevancia social y política, fomentando un uso crítico y responsable de los datos abiertos.


Resultados de aprendizaje

  1. Sintetizar y analizar información de manera crítica.
  2. Interpretar y usar académicamente textos en inglés.
  3. Argumentar desde diferentes perspectivas teóricas.
  4. Trabajar con técnicas cuantitativas y cualitativas de análisis para aplicarlas en los procesos de investigación.
  5. Utilizar las principales técnicas de la información y la documentación (TIC) como herramienta esencial en el análisis.
  6. Demostrar un buen nivel de expresión escrita en diferentes registros.
  7. Mostrar una buena capacidad de transmisión de información, diferenciando los mensajes claves para los diferentes destinatarios.
  8. Realizar exposiciones orales efectivas y adaptadas a la audiencia.
  9. Gestionar la distribución del tiempo disponible para acometer los objetivos establecidos para llevar a buen término la tarea prevista.
  10. Trabajar autónomamente.
  11. Diseñar técnicas para la recogida de datos, coordinar el tratamiento de la información y aplicar rigurosamente métodos de verificación de hipótesis.
  12. Diseñar y planificar una investigación en el ámbito de la ciencia política.
  13. Valorar críticamente el uso de los métodos inductivo, deductivo y comparativo.
  14. Valorar críticamente el uso del instrumental analítico para la validación de las hipótesis planteadas.
  15. Demostrar que comprende la lógica del análisis científico aplicado a las ciencias políticas.
  16. Manejar los fundamentos metodológicos en las ciencias políticas.
  17. Desarrollar un pensamiento y un razonamiento crítico y saber comunicarlos de manera efectiva, tanto en las lenguas propias como en una tercera lengua.
  18. Desarrollar estrategias de aprendizaje autónomo.
  19. Actuar con responsabilidad ética y con respeto por los derechos y deberes fundamentales, la diversidad y los valores democráticos.
  20. Introducir cambios en los métodos y los procesos del ámbito de conocimiento para dar respuestas innovadoras a las necesidades y demandas de la sociedad.
  21. Actuar en el ámbito de conocimiento propio valorando el impacto social, económico y medioambiental.
  22. Actuar en el ámbito de conocimiento propio evaluando las desigualdades por razón de sexo/género.
  23. Analizar bases de datos políticos utilizando en cada caso las técnicas básicas apropiadas de la estadística descriptiva y la estadística inferencial.
  24. Aplicar las técnicas estadísticas correspondientes en los distintos estudios de caso e interpretar los resultados obtenidos.
  25. Emplear herramientas informáticas para recoger, importar, manipular, visualizar, describir y modelar datos de todo tipo y presentar los resultados.

Contenidos

  1. Regresión bivariada con variable independiente continua (repaso)
  2. ANOVA: de un factor y factorial
  3. Regresión con variable independiente nominal
  4. Regresión múltiple
  5. Interacciones (moderación) y la distinción con la mediación
  6. Gestión de datos: reestructuración, combinación y fusión de bases de datos
  7. Muestreo, ponderación y efectos de diseño en el análisis de microdatos con R
  8. Construcción de índices compuestos
  9. Comunicación y difusión de resultados mediante informes técnicos
  10. Panorámica de otras familias de modelos
  11. Modelos para la inferencia causal y la evaluación de impacto

Actividades formativas y Metodología

Título Horas ECTS Resultados de aprendizaje
Actividades expositivas 30 1,2
Ejercicios y prácticas en el aula 19,5 0,78
Estudio 83,5 3,34
Tutorías 15 0,6

Las sesiones presenciales incluyen dos tipos de actividades:

  1. Actividades expositivas por parte del profesorado. En estas sesiones se presentan los fundamentos teóricos y metodológicos de cada bloque temático (regresión bivariada y múltiple, ANOVA, interacciones, gestión y fusión de bases de datos, muestreo y ponderación, construcción de índices compuestos, modelos para la inferencia causal, entre otros), ilustrados siempre con ejemplos aplicados y con el programa estadístico R.
  2. Resolución de ejercicios y prácticas en el aula. Se trata de sesiones de carácter eminentemente aplicado, realizadas con ordenador, en las que el alumnado trabaja con conjuntos de datos reales o simulados para poner en práctica los conceptos presentados en las sesiones expositivas, con el apoyo y la supervisión directa del profesorado. Estas sesiones permiten una retroalimentación inmediata sobre el uso del programa R y la interpretación de los resultados, y dan lugar a las pequeñas entregas evaluables correspondientes.


Más allá de las sesiones presenciales, el alumnado debe dedicar tiempo de trabajo autónomo a:

  • El estudio y consolidación de los contenidos teóricos, necesario para afrontar el examen parcial y el examen final.
  • El desarrollo progresivo, en grupos de dos personas, de la práctica en grupo, que comporta la recogida o fusión original de datos, el análisis mediante una regresión múltiple con interacción (o un modelo equivalente) y la elaboración de un informe técnico de resultados. Este trabajo se desarrolla a lo largo del curso y puede contar con el seguimiento del profesorado mediante tutorías o consultas en el aula durante las sesiones prácticas.

Esta combinación de exposición teórica, práctica guiada en el aula y trabajo autónomo (individual y en grupo) busca garantizar que el alumnado no solo conozca los métodos estadísticos presentados, sino que sea capaz de aplicarlos de manera autónoma con R, tal como se exige en las pruebas de evaluación.

Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Evaluación

Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
Examen final 45% 0,5 0,02 1, 2, 3, 6, 7, 9, 10, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25
Examen parcial 35% 0,5 0,02 1, 2, 3, 4, 6, 7, 8, 9, 10, 14, 15, 16, 17, 23, 24, 25
Ejercicios y prácticas en la aula 20% 1 0,04 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

Evaluación

La evaluación se realizará a partir de los resultados de las siguientes actividades:

  1. Ejercicios y prácticas en el aula (20% de la nota final). A lo largo del curso se realizarán diversos ejercicios y prácticas en el aula, cada uno de los cuales conlleva una pequeña entrega al final de la sesión. La asistencia a la sesión es obligatoria para poder ser evaluado/a de la actividad correspondiente: no se aceptarán entregas de quien no haya asistido, ni fuera del plazo establecido. Esta actividad no es recuperable, excepto en casos debidamente justificados por motivos médicos o de fuerza mayor.
  2. Examen parcial (35% de la nota final). Prueba escrita con ordenador, con acceso al material del curso, sobre la primera mitad del temario. Esta actividad no es recuperable, excepto en casos debidamente justificados por motivos médicos o de fuerza mayor.
  3. Examen final (45% de la nota final). Prueba escrita sobre el conjunto del temario. No se permitirá consultar ningún material de ayuda. Esta actividad no es recuperable, excepto en casos debidamente justificados por motivos médicos o de fuerza mayor.

Los exámenes y las prácticas no son recuperables, excepto en casos debidamente justificados por motivos médicos o de fuerza mayor. El alumnado que necesite recuperar una práctica o el examen parcial lo hará el día establecido por la Facultad para la prueba de recuperación.


Para superar la asignatura, es necesario cumplir los tres requisitos siguientes:

  • Haber sido evaluado/a en un conjunto de actividades que representen como mínimo el 50% de la calificación total,
  • Obtener una calificación global igual o superior a 5, y
  • Obtener una calificación media en los exámenes (parcial y final) igual o superior a 4.


Recuperación

El examen de recuperación se califica como apto o no apto. Si el estudiante aprueba el examen, recibirá una nota final de 5 en la asignatura.

Para acceder a la recuperación es necesario:

  • Haber sido evaluado/a en un conjunto de actividades que representen como mínimo dos terceras partes de la calificación total, y
  • Tener una calificación global igual o superior a 3,5.


Prueba de síntesis

Según el artículo 117.2 de la Normativa Académica de la UAB, el alumnado repetidor podrá acogerse, si así lo decide el profesorado, a una prueba única de síntesis. Podrán realizar la prueba de síntesis solo aquellas personas que hayan obtenido el permiso del profesorado a principios de curso (antes de octubre).

La prueba de síntesis consistirá en un examen el día del examen final.


Evaluación única

Esta asignatura no admite evaluación única, tal como estableció la Junta de Facultad, ya que la asistencia regular a clase es indispensable para alcanzar los objetivos docentes.


Uso de la IA

El uso de herramientas de inteligencia artificial (IA) puede ser útil en el contexto de un curso de estadística aplicada, especialmente para detectar errores de sintaxis o identificar posibles mejoras en el código. No obstante, estas herramientas no pueden sustituir el estudio autónomo ni la comprensión real del código por parte del estudiante. El objetivo del curso es que el alumnado entienda y sea capaz de aplicar los métodos estadísticos por sí mismo.


Otras consideraciones

La entrega de cualquier actividad o la presentación a una prueba exime al estudiante de la calificación de "No evaluable".

No se programarán exámenes finales ni pruebas de recuperación fuera de las fechas oficiales establecidas por la Facultad. Asimismo, las pruebas de evaluación continua se realizarán exclusivamente en las fechas fijadas por el profesorado.

Cualquier irregularidad en un acto de evaluación (fraude académico, plagio o uso indebido de la IA, salvo que dicho uso esté expresamente autorizado en la guía docente) que pueda comportar una variación significativa de la nota hará que ese examen o trabajo se califique con un 0. En caso de que la guía docente prevea que para aprobar la asignatura es requisito imprescindible haber obtenido una nota mínima en esa evaluación, o de que se produzcan varias irregularidades en los actos de evaluación de la misma asignatura, la nota final de esta asignatura será de 0. Además de esto, se puede iniciar un proceso disciplinario contra el estudiante que incurra en alguna de estas irregularidades. El profesorado se reserva el derecho de realizar exámenes orales o una prueba alternativa para comprobar la adquisición efectiva de conocimientos y habilidades y, por lo tanto, la validez de las pruebas de evaluación realizadas por los estudiantes.

Bibliografía

Básica

Complementaria

  • Chang, Winston. 2018. R Graphics Cookbook: Practical Recipes for Visualizing Data. Second edition. Beijing; Boston: O’Reilly. Accesible en: r-graphics.org.
  • Ismay, Chester, & Albert Young-Sun Kim. 2020. Statistical Inference via Data Science: A ModernDive into R and the Tidyverse. Chapman & Hall/CRC the R Series. Boca Raton: CRC Press / Taylor & Francis Group. Accesible en: moderndive.com.
  • Riba, Clara, & Anna Cuxart. 2013. Regresión Lineal Aplicada. Barcelona: Documenta Universitaria.
  • Wickham, Hadley, & Garrett Grolemund. 2016. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. Sebastopol, CA: O’Reilly. Accesible en: r4ds.had.co.nz. Versión en español: es.r4ds.hadley.nz.

Software

Grupos e idiomas de la asignatura

La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura

Tipo de docencia Grupo Idioma Semestre Turno
(TE) Teoría 1 Catalán primer cuatrimestre manaña-mixto
(SEM) Seminarios 1 Catalán primer cuatrimestre manaña-mixto
(TE) Teoría 51 Catalán primer cuatrimestre tarde
(SEM) Seminarios 51 Catalán primer cuatrimestre tarde