
Introducción al Análisis de Datos
Código: 106737Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Ciencia Política y Gestión Pública | FB | 1 |
Profesor/a de contacto
- Nombre :
- Guillem Rico Camps
- Correo electrónico :
- guillem.rico@uab.cat
Equipo docente
- Rubén García Del Horno
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Ninguno.
Objetivos
El objetivo del curso es familiarizar al estudiante con práctica del análisis de datos. Los estudiantes aprenderán a obtener, transformar i explorar datos para formular i responder preguntas. Se evitan las cuestiones matemáticas y se prioriza la formación práctica y la interpretación de resultados. Así mismo, se revisa el uso de hojas de cálculo y se introduce al estudiante en el uso del lenguaje de programación estadística R a través de RStudio, con el objetivo de reforzar el aprendizaje de habilidades relacionadas con la gestión, descripción y visualización de datos, la reproducibilidad del análisis y la comunicación efectiva de los resultados. A lo largo del curso se trabajará con datos reales y de interés social y se fomentará la utilización crítica y responsable de datos abiertos.
Resultados de aprendizaje
- Sintetizar y analizar información de manera crítica.
- Interpretar y usar académicamente textos en inglés.
- Argumentar desde diferentes perspectivas teóricas.
- Trabajar con técnicas cuantitativas y cualitativas de análisis para aplicarlas en los procesos de investigación.
- Utilizar las principales técnicas de la información y la documentación (TIC) como herramienta esencial en el análisis.
- Demostrar un buen nivel de expresión escrita en diferentes registros.
- Mostrar una buena capacidad de transmisión de información, diferenciando los mensajes claves para los diferentes destinatarios.
- Realizar exposiciones orales efectivas y adaptadas a la audiencia.
- Gestionar la distribución del tiempo disponible para acometer los objetivos establecidos para llevar a buen término la tarea prevista.
- Trabajar autónomamente.
- Diseñar técnicas para la recogida de datos, coordinar el tratamiento de la información y aplicar rigurosamente métodos de verificación de hipótesis.
- Diseñar y planificar una investigación en el ámbito de la ciencia política.
- Valorar críticamente el uso de los métodos inductivo, deductivo y comparativo.
- Valorar críticamente el uso del instrumental analítico para la validación de las hipótesis planteadas.
- Demostrar que comprende la lógica del análisis científico aplicado a las ciencias políticas.
- Manejar los fundamentos metodológicos en las ciencias políticas.
- Desarrollar un pensamiento y un razonamiento crítico y saber comunicarlos de manera efectiva, tanto en las lenguas propias como en una tercera lengua.
- Desarrollar estrategias de aprendizaje autónomo.
- Actuar con responsabilidad ética y con respeto por los derechos y deberes fundamentales, la diversidad y los valores democráticos.
- Introducir cambios en los métodos y los procesos del ámbito de conocimiento para dar respuestas innovadoras a las necesidades y demandas de la sociedad.
- Actuar en el ámbito de conocimiento propio valorando el impacto social, económico y medioambiental.
- Actuar en el ámbito de conocimiento propio evaluando las desigualdades por razón de sexo/género.
- Analizar bases de datos políticos utilizando en cada caso las técnicas básicas apropiadas de la estadística descriptiva y la estadística inferencial.
- Aplicar las técnicas estadísticas correspondientes en los distintos estudios de caso e interpretar los resultados obtenidos.
- Emplear herramientas informáticas para recoger, importar, manipular, visualizar, describir y modelar datos de todo tipo y presentar los resultados.
Contenidos
1. Fundamentos de informática
2. Habilidades matemáticas básicas
3. Datos: observaciones, variables, marcos de datos
4. Explorar y describir variables: visualización y resúmenes numéricos
5. Explorar y describir relaciones entre variables
6. Obtención de datos
7. Manipulación y gestión de datos
8. Comunicación y reproducibilidad
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Estudio, lecturas, trabajos | 83,5 | 3,34 | |
| Clases presenciales: actividades expositivas y resolución de ejercicios | 49,5 | 1,98 | |
| Tutorías | 15 | 0,6 |
La mayoría de las sesiones combinan actividades expositivas por parte del profesorado y la resolución de ejercicios y prácticas en el aula. Se espera que los estudiantes hagan uso de un ordenador portátil en clase.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Prácticas y trabajos | 45% | 0 | 0 | 1, 2, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 20, 23, 24, 25 |
| Examen final | 45% | 2 | 0,08 | 1, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 20, 21, 22, 23, 24, 25 |
| Asistencia a clase y ejercicios en el aula | 10% | 0 | 0 | 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 |
La evaluación se realizará en función de los resultados de las siguientes actividades:
- Asistencia a clase y ejercicios en el aula (10%). Para aprobar un ejercicio, es necesario haber asistido a la sesión correspondiente. No se aceptarán entregas fuera del plazo fijado. Los estudiantes que superen al menos el 70% de los ejercicios obtendrán la nota máxima en esta parte de la evaluación. Esta parte de la evaluación en ningún caso es recuperable.
- Prácticas y trabajos (45%). Un mínimo de 2 trabajos y/o prácticas evaluables. No se aceptarán entregas fuera del plazo fijado. Esta parte de la evaluación en ningún caso es recuperable.
- Examen final (45%). Una prueba escrita sobre el contenido del curso, en el que no se permitirá consultar ningún tipo de material de ayuda.
Para superar la asignatura, es necesario que se cumplan todos los requisitos siguientes:
- Haber sido previamente evaluado en un conjunto de actividades el peso de las cuales equivalga a un mínimo de dos terceras partes de la calificación total de la asignatura.
- Tener una calificación global de la asignatura igual o superior a 5.
- Tener una calificación igual o superior a 4 en el examen final.
Los estudiantes que no cumplan alguno de estos tres requisitos no podrán obtener una nota global superior a 4,5, independientemente de la puntuación que resulte de la suma ponderada de todas las actividades.
Recuperación
Sólo la parte correspondiente al examen es recuperable; la asistencia y los ejercicios en el aula y los trabajos y prácticas están excluidos del proceso de recuperación.
Para participar en la recuperación, es necesario haber sido previamente evaluado en un conjunto de actividades el peso de las cuales equivalga a un mínimo de dos terceras partes de la calificación total de la asignatura. Podrán participar en la recuperación los estudiantes que tengan una calificación media en los exámenes inferior a 4 o una calificación global de la asignatura inferior a 5. Habrá un único examen de recuperación sobre el conjunto del contenido de la asignatura.
Otras consideraciones
- Esta asignatura no permite evaluación única.
- El hecho de presentarse a alguno de los exámenes o entregar cualquiera de las prácticas o trabajos exime al estudiante de la calificación de “No presentado”.
- No se harán exámenes fuera de las fechas fijadas por la Facultad ni se harán pruebas de evaluación continuada fuera de las fechas fijadas por el profesor/a.
- De acuerdo con el artículo 117.2 de la Normativa Académica de la UAB, la evaluación del alumnado repetidor podrá consistir, a decisión del profesor, en una sola prueba de síntesis. El alumnado repetidor que desee acogerse a esta posibilidad deberá ponerse en contacto con el profesorado a principio de curso (primera semana de octubre como muy tarde).
- En esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) para la realización de trabajos y ejercicios exclusivamente en tareas de apoyo, como la búsqueda de información o la corrección de texto y código. El estudiante deberá identificar claramente en qué tareas ha utilizado esta tecnología y especificar las herramientas empleadas. No obstante, estas herramientas no pueden sustituir el estudio autónomo ni la comprensión real del código por parte del estudiante. La falta de transparencia en el uso de la IA en esta actividad evaluable se considerará una falta de honestidad académica y podrá conllevar una penalización parcial o total en la nota de la actividad, o sanciones mayores en casos graves. Cuando el código utilizado en el trabajo sea significativamente diferente del trabajado en clase, o incorpore funciones, estructuras o paquetes no explicados durante el curso, se considerará un probable indicador de uso indebido de IA y se calificará con un cero (0), independientemente de su corrección técnica.
- La realización de cualquier irregularidad en una actividad de evaluación (fraude académico, plagio o uso indebido de la IA, salvo que dicho uso esté expresamente autorizado en la guía docente) que pueda dar lugar a una variación significativa de la calificación supondrá que dicha actividad sea calificada con un 0. En caso de que la irregularidad se produzca en el examen final o de que se produzcan irregularidades en diferentes actividades de evaluación, la calificación final de la asignatura será 0. Además, podrá iniciarse un procedimiento disciplinario contra el estudiante que incurra en alguna de estas irregularidades. El profesorado se reserva el derecho de realizar entrevistas orales o una prueba alternativa con el fin de comprobar la efectiva adquisición de conocimientos y competencias y, por tanto, la validez de las pruebas de evaluación realizadas por el estudiantado.
Bibliografía
Básica
Çetinkaya-Rundel, M., & Hardin, J. (2024). Introduction to Modern Statistics (2a ed.). OpenIntro. Accesible en: openintro-ims.netlify.app.
Ismay, C., & Kim , A. Y. (2025). Statistical Inference via Data Science: A ModernDive into R and the Tidyverse (2a ed.). CRC Press / Taylor & Francis Group. Accesible en: moderndive.com/v2.
Wickham, H., & Grolemund, G. (2023). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data (2a ed.). O’Reilly Media. Accesible en: r4ds.hadley.nz. Versión en español: es.r4ds.hadley.nz.
Complementaria
Baumer, B., Kaplan, D., & Horton, N. J. (2021). Modern data science with R (2a ed). CRC Press. Accesible en: mdsr-book.github.io/mdsr2e.
Bolker, E. D., & Mast, M. B. (2020). Common Sense Mathematics (2a ed). American Mathematical Society.
Broman, K. W., & Woo, K. H. (2018). Data Organization in Spreadsheets. The American Statistician, 72(1), 2–10. doi.org/10.1080/00031305.2017.1375989.
Chang, W. (2018). R Graphics Cookbook: Practical Recipes for Visualizing Data (2a ed). O’Reilly Media. Accesible en: r-graphics.org.
De Veaux, R. D., Velleman, P. F., & Bock, D. E. (2021). Stats: Data and Models. Pearson.
Dougherty, J., & Ilyankou, I. (2021). Hands-On Data Visualization. O’Reilly Media. Accesible en: handsondataviz.org.
Healy, K. (2018). Data visualization: A practical introduction. Princeton University Press. Accesible en: socviz.co.
Klass, G. M. (2012). Just Plain Data Analysis: Finding, Presenting, and InterpretingSocial Science Data (2a ed). Rowman & Littlefield.
Llaudet, E., & Imai, K. (2023). Data analysis for social science: A friendly and practical introduction. Princeton University Press.
Mas Elias, J. (2020). Análisis de Datos con R en Estudios Internacionales. Editorial UOC. Se puede consultar a través del Servicio ARE: https://login.are.uab.cat/login?url=https://login.are.uab.cat/login?url=https://elibro.net/es/ereader/uab/167261.
Miller, J. E. (2022). Making Sense of Numbers: Quantitative Reasoning for Social Research. Sage.
Sevilla, A. N., & Somers, K. (2013). Quantitative Reasoning: Tools for Today’s Informed Citizen (2a ed). Wiley.
Wilke, C. (2019). Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O’Reilly Media. Accesible en: clauswilke.com/dataviz.
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 |
| (PAUL) Prácticas de aula | 1 | Catalán | primer cuatrimestre | manaña-mixto |
| (TE) Teoría | 51 | Catalán | primer cuatrimestre | tarde |
| (PAUL) Prácticas de aula | 51 | Catalán | primer cuatrimestre | tarde |