Consultoria Estadística
Codi: 104877Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Estadística Aplicada | OP | 4 |
Professor/a de contacte
- Nom :
- Llorenç Badiella Busquets
- Correu electrònic :
- llorenc.badiella@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Eines informàtiques per a l'Estadística
Models Lineals 1
Models Lineals 2
Modelització Avançada
Aprenentatge No supervisat
Aprenentatge Automàtic 1
Objectius
Consolidar i oferir noves eines per a iniciar una carrera professional com a Estadístics
L'enfoc de l'assigantura cobreix els diferents àmbits d'aplicació de la consultoria:
- Ciències de la salut
- Banca i assegurances
- Estudis sociològics i enquestes
Resultats d'aprenentatge
- (CM14) Proposar el model estadístic necessari per a analitzar conjunts de dades pertanyents a estudis reals.
- (KM17) Reconèixer els models estadístics per a l'anàlisi de dades amb diferents estructures i complexitat que apareixen freqüentment en diferents àmbits d'aplicació.
- (SM16) Seleccionar les fonts d'informació adequades per al treball estadístic.
- (SM17) Debatre articles científics en què es plantegi l'anàlisi d'un estudi propi de les diferents àrees d'aplicació.
- (SM18) Depurar la informació disponible per al tractament estadístic posterior.
- (SM19) Analitzar dades d'estructures complexes, ja sigui per la seva naturalesa o per la seva dimensió.
Continguts
Continguts Transversals
- Professió d’Estadístic/a
- SoCE
- CV
- Carrera professional
- Continuació dels estudis
Aspectes pràctics de la professió
- Estructura Informe
- Reunions de treball
- Briefing del projecte
- Protocol de l’estudi
- Determinació de mida de mostra
- Pressupostos
- Calendari
- Estructuració dels projectes
- Software R / SAS / Python
- Comunicació de resultats
Revisió de competències en tècniques estadístiques
- Models Avançats
- Anàlisi de Clústers
- Machine Learning, Data Science i Estadística
- Big Data
- Imputació de dades faltants
- Inferència causal
- Estadística Bayesiana
Competències tècniques complementàries
- Informes avaçats amb Rmarkdown
- Gràfics avançats amb R (Data Story Telling)
- Aplicacions web amb R-Shiny (Mida de mostra)
- Tutorials web amb R-learnr
- Procediments complexes (Projecte Comparegroups)
- Control de versions amb Git i GitHub
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigida | |||
| Casos Pràctics | 15 | 0,6 | CM14, KM17, SM16, SM17 |
| Sessions pràctiques | 30 | 1,2 | CM14, KM17, SM16, SM17 |
| Teoria | 30 | 1,2 | CM14, KM17, SM16, SM17, SM18, SM19 |
L'assignatura seguirà la següent metodologia de treball:
- Classes teòriques
- Sessions pràctiques de software
- Avaluació de casos pràctics
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Projecte Individual 1 | 15 | 12,5 | 0,5 | CM14, KM17, SM16, SM17 |
| Projecte Individual 2 | 15 | 12,5 | 0,5 | CM14, KM17, SM16, SM17 |
| Projecte en grup 1 | 15 | 12,5 | 0,5 | CM14, KM17, SM16, SM17 |
| Projecte en grup 2 | 15 | 12,5 | 0,5 | CM14, KM17, SM16, SM17 |
| Treball de consultoria en grup | 20 | 12,5 | 0,5 | CM14, KM17, SM16, SM18, SM19 |
| Treball de consultoria en grup - Contribució individual | 20 | 12,5 | 0,5 | CM14, KM17, SM16, SM18, SM19 |
L'assignatura s'avaluarà mitjançant la ressolució de diferents casos pràctics que es duran a terme en grup o individualment.
- Casos pràctics individuals
- Mida de mostra i simulacions
- Kaggle
- Casos pràctics en grup
- Gràfics avançats / aplicacions web
- Article tècnic
- Treball de consultoria en grup
- Informe
- Exposició oral
- Participació en activitats d’avaluació
- Intervencions
- Preguntes
Avaluació única
En aquesta ssignatura no es contempla la possibilitat d'avaluació única
No Avaluable
En cas que l'estudiant no hagi presentat més d'un 60% de les activitats ponderades d'avaluació, es considerarà que no hi ha prou evidències d'avaluació i la nota assignada serà No Avaluable.
Ús d'eines d'IA
Per a aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) exclusivament en les activitats autònomes per a tasques de suport (cerca bibliogràfica o d'informació, la correcció de textos i correcció de la programació estadística). L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l'ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització parcial o total en la nota de l'activitat, o sancions majors en casos de gravetat.
Bibliografia
Cabrera, J.; McDougall A. (2002). Springer-Verlag New York.Statistical Consulting
Statistical Rules of Thumb - Gerald Van Belle - Wiley Series in Probability and Statistics
Common Errors in Statistics (and How to Avoid Them) - Good, Hardin - Wiley
SAS and R: Data Management, Statistical Analysis, and Graphics - Kleinman , Horton - Chapman and Hall
SAS for Mixed Models, Second Edition - Little et al - SAS Publishing
Programari
SAS, R, Python, Latex, Markdown, RShiny
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Tipus de docència | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TE) Teoria | 1 | Català | primer quadrimestre | tarda |
| (SEM) Seminaris | 1 | Català | primer quadrimestre | tarda |