Análisis estadístico Código:  M2.890    :  6
Consulta de los datos generales   Descripción   La asignatura en el conjunto del plan de estudios   Conocimientos previos   Información previa a la matrícula   Objetivos y competencias   Contenidos   Consulta de los recursos de aprendizaje de la UOC para la asignatura   Información adicional sobre los recursos de aprendizaje y herramientas de apoyo   Informaciones sobre la evaluación en la UOC   Consulta del modelo de evaluación  
Este es el plan docente de la asignatura para el primer semestre del curso 2024-2025. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios.
Esta asignatura se focaliza en el análisis estadístico aplicado a la ciencia de los datos. Se estudiarán en profundidad los modelos de la ciencia de datos y la estadística, así como las principales técnicas de extracción de preprocesado de datos y modelos de regresión. Finalmente, se verán los conceptos relacionados con el diseño experimental en ciencia de datos y la comparación de distintos métodos de extracción de información mediante el análisis de varianza.

Amunt

Esta asignatura forma parte del conjunto de asignaturas obligatorias del máster.

Amunt

En esta asignatura se suponen adquiridos los contenidos propios de un curso de estadística básica: Estadística descriptiva, introducción al análisis de datos y muestreo, probabilidad y variables aleatorias, inferencia y modelización estadística, regresión lineal múltiple y análisis de la varianza.

Amunt

Algunos de los contenidos de esta asignatura deben estudiarse a partir de materiales y recursos escritos en inglés.

Amunt

Esta asignatura, diseñada de acuerdo con el real decreto de organización de las enseñanzas universitarias (RD 822/2021), permite desarrollar los conocimientos, habilidades y competencias que se detallan a continuación:

Conocimientos o contenidos (Knowledge)

  • K6 Conocer y aplicar técnicas de análisis estadístico y descriptivo para obtener información relevante a partir de los datos empleados en un proyecto de ciencia de datos.
  • K7 Comprender el amplio abanico de técnicas, métodos y herramientas disponibles para realizar el análisis de datos a partir de un conjunto de preguntas de negocio o de investigación.

Habilidades o destrezas (Skills)

  • S3 Analizar, conceptualizar, diseñar y desarrollar aplicaciones basadas en inteligencia artificial para la resolución de problemas específicos en el contexto de un proyecto de ciencia de datos.
  • S4 Conocer las distintas técnicas, métodos, modelos y algoritmos dentro de la inteligencia artificial que permiten la resolución de diferentes tareas, considerando sus principales puntos fuertes y sus debilidades o problemas más relevantes.
  • S5 Utilizar de forma avanzada los lenguajes de programación, las herramientas de desarrollo y las tecnologías disponibles para el análisis, el diseño y la implementación de aplicaciones basadas en inteligencia artificial.

Competencias (Competences)

  • C1 Actuar de manera honesta, ética, sostenible, socialmente responsable y respetuosa con los derechos humanos y la diversidad, tanto en la práctica académica como en la profesional, y diseñar soluciones para la mejora de estas prácticas.
  • C2 Desarrollar el pensamiento crítico y autocrítico en el análisis, la conceptualización y el diseño de proyectos de ciencia de datos.
  • C3 Diseñar, desarrollar y gestionar proyectos de ciencia de datos, adaptándose a la evolución de las tecnologías, los lenguajes de programación y las necesidades de empresas, instituciones y, en general, de la sociedad.
  • C6 Evaluar de forma crítica, justificada y objetiva el resultado de un proyecto de ciencia de datos.
La combinación de estos conocimientos, destrezas y competencias se refleja en los siguientes resultados de aprendizaje:
  • Comprender los principales métodos de selección y generación de atributos para la reducción de la dimensionalidad de los datos.
  • Comprender la diferencia entre métodos supervisados y no supervisados, saber escoger el más adecuado y cómo combinarlos para resolver un problema determinado.
  • Identificar y aplicar los principales métodos para la creación de modelos de clasificación, regresión y agrupación.
  • Optimizar los diferentes modelos de aprendizaje automático, ya sean modelos supervisados o no supervisados.
  • Evaluar el ajuste de los resultados obtenidos a partir de los modelos construidos.
  • Aplicar métodos de combinación de clasificadores para mejorar la eficiencia de los modelos construidos.
  • Actuar de manera ética, honesta y cívica en el trabajo académico y profesional, evitando el plagio o cualquier otro uso indebido del trabajo de terceros.
  • Incorporar el análisis de la diversidad funcional, social, cultural, económica, política, lingüística y de género en la práctica académica y profesional.

Amunt

Tema 1. Introducción a los modelos de Ciencia de Datos y a la Estadística 
 
Tema 2. Preprocesado de los datos
 
Tema 3. Modelización predictiva
 
Tema 4. Diseño Experimental y Comparación de métodos

Tema 5. Análisis de varianza y diseño experimental en ciencia de datos

Amunt

Muestreo PDF
Variables aleatorias PDF
Regresión lineal múltiple PDF
Ou aglutinador: Estadística básica Web
Contraste de varianzas PDF
Ou aglutinador: Regresión lineal Web
Ou aglutinador: Regresión logística Web
Álgebra lineal y cálculo con R PDF
Distribuciones de probabilidad e inferencia estadística con R-Commander PDF
Ou aglutinador: Estadística con R Web
Modelos de regresión y análisis multivariante con R-Commander PDF
Estadística. Módulo introductorio PDF
Matemáticas y estadística con R: capítulo introductorio del conjunto de módulos del curso de R PDF
Espacio de recursos de ciencia de datos Web
Probabilidad y variables aleatorias PDF
El entorno estadístico R. Estructura, lenguaje y sintaxis PDF
Análisis de datos y estadística descriptiva con R PDF
Contraste de dos muestras Reaprovechamiento
Contraste de hipótesis Reaprovechamiento
Estadística descriptiva. Introducción al análisis de datos Reaprovechamiento
Intervalos de confianza Reaprovechamiento
Teorema del límite central Reaprovechamiento
Regresión lineal simple Reaprovechamiento

Amunt

El conjunto de materiales de que dispone la asignatura es el siguiente:

  • Documentos de referencia de cada bloque del curso. Estos son cuatro documentos en formato PDF que sirven como introducción a la temática de cada bloque del curso:
    1. Introducción a la estadística
    2. Preproceso de los datos
    3. Modelización predictiva: introducción a los modelos lineales generalizados
    4. Diseño experimental en analítica de datos
  • Curso de estadística básica: Estos materiales pertenecen a un curso de estadística básica y su conocimiento es esencial para poder desarrollar las actividades del curso. Los materiales disponibles para cada bloque del curso son:
    1. Estadística básica:
      1. Módulo 0. Estadística
      2. Módulo 1. Estadística descriptiva
      3. Módulo 2. Muestreo
      4. Módulo 3. Probabilidad
      5. Módulo 4. Variables aleatorias
      6. Módulo 5. Teorema del límite central
      7. Módulo 6. Intervalos de confianza
      8. Módulo 7. Contraste de hipótesis
      9. Módulo 8. Contraste de dos muestras
      10. Módulo 9. Contraste de varianzas
    2. Modelización predictiva:
      1. Módulo 10. Regresión lineal simple
      2. Módulo 11. Regresión lineal múltiple
    3. Diseño experimental en analítica de datos:
      1. Módulo 12. Análisis de la varianza (ANOVA)
  • Módulos de introducción al lenguaje y entorno R:
    • Módulo 0. Matemáticas y estadística con R
    • Módulo 1. El entorno estadístico R. Estructura, lenguaje y sintaxis
    • Módulo 2. Álgebra lineal y cálculo con R.
    • Módulo 3. Análisis de datos y estadística descriptiva con R y R-Commander
    • Módulo 4. Distribuciones de probabilidad e inferencia estadística con R-Commander
    • Módulo 5. Modelos de regresión y análisis multivariante con R-Commander
  • Enlaces a páginas externas, con información complementaria: Esta información se suministrará para cada actividad específica.

Amunt

En la UOC, la evaluación generalmente es virtual. Se estructura en torno a la evaluación continua, que incluye diferentes actividades o retos; la evaluación final, que se lleva a cabo mediante pruebas o exámenes, y el trabajo final de la titulación.

Las actividades o pruebas de evaluación pueden ser escritas y/o audiovisuales, con preguntas aleatorias, pruebas orales síncronas o asíncronas, etc., de acuerdo con lo que decida cada equipo docente. Los trabajos finales representan el cierre de un proceso formativo que implica la realización de un trabajo original y tutorizado que tiene como objetivo demostrar la adquisición competencial hecha a lo largo del programa.

Para verificar la identidad del estudiante y la autoría de las pruebas de evaluación, la UOC se reserva la potestad de aplicar diferentes sistemas de reconocimiento de la identidad y de detección del plagio. Con este objetivo, la UOC puede llevar a cabo grabación audiovisual o usar métodos o técnicas de supervisión durante la ejecución de cualquier actividad académica.

Asimismo, la UOC puede exigir al estudiante el uso de dispositivos electrónicos (micrófonos, cámaras u otras herramientas) o software específico durante la evaluación. Es responsabilidad del estudiante asegurar que estos dispositivos funcionan correctamente.

El proceso de evaluación se fundamenta en el trabajo personal del estudiante y presupone la autenticidad de la autoría y la originalidad de las actividades académicas. La web sobre integridad académica y plagio de la UOC contiene información al respecto.

La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; la suplantación de identidad; la aceptación o la obtención de cualquier actividad académica a cambio o no de una contraprestación; la colaboración, el encubrimiento o el favorecimiento de la copia, o el uso de material, software o dispositivos no autorizados en el plan docente o el enunciado de la actividad académica, incluida la inteligencia artificial y la traducción automática, entre otras, son conductas irregulares en la evaluación que pueden tener consecuencias académicas y disciplinarias graves.

Estas conductas irregulares pueden conllevar el suspenso (D/0) en las actividades evaluables definidas en el plan docente -incluidas las pruebas finales- o en la calificación final de la asignatura, ya sea porque se han utilizado materiales, software o dispositivos no autorizados durante las pruebas (como el uso de inteligencia artificial no permitida, redes sociales o buscadores de información en internet), porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas de otros estudiantes, etc.) sin la citación correspondiente, por la compraventa de actividades académicas, o porque se ha llevado a cabo cualquier otra conducta irregular.

Asimismo, y de acuerdo con la normativa académica, las conductas irregulares en la evaluación también pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda, de conformidad con lo establecido en la normativa de convivencia de la UOC.

En el marco del proceso de evaluación, la UOC se reserva la potestad de:

  • Solicitar al estudiante que acredite su identidad según lo establecido en la normativa académica.
  • Solicitar al estudiante que acredite la autoría de su trabajo a lo largo de todo el proceso de evaluación, tanto en la evaluación continua como en la evaluación final, a través de una entrevista oral síncrona, que puede ser objeto de grabación audiovisual, o por los medios establecidos por la UOC. Estos medios tienen el objetivo de verificar los conocimientos y las competencias que garanticen la identidad del estudiante. Si no es posible garantizar que el estudiante es el autor de la prueba, esta puede ser calificada con una D, en el caso de la evaluación continua, o con un suspenso, en el caso de la evaluación final.

Inteligencia artificial en el marco de la evaluación

La UOC reconoce el valor y el potencial de la inteligencia artificial (IA) en el ámbito educativo y, a su vez, pone de manifiesto los riesgos que supone si no se utiliza de forma ética, crítica y responsable. En este sentido, en cada actividad de evaluación se informará al estudiantado sobre las herramientas y los recursos de IA que se pueden utilizar y en qué condiciones. Por su parte, el estudiantado se compromete a seguir las indicaciones de la UOC a la hora de realizar las actividades de evaluación y de citar las herramientas utilizadas y, concretamente, a identificar los textos o imágenes generados por sistemas de IA, los cuales no podrá presentar como si fueran propios.

Respecto a usar o no la IA para resolver una actividad, el enunciado de las actividades de evaluación indica las limitaciones en el uso de estas herramientas. Debe tenerse en cuenta que usarlas de manera inadecuada, como por ejemplo en actividades en las que no están permitidas o no citarlas en las actividades en las que sí lo están, puede considerarse una conducta irregular en la evaluación. En caso de duda, se recomienda que, antes entregar la actividad, se haga llegar una consulta al profesorado colaborador del aula.

Amunt

La asignatura solo puede aprobarse con el seguimiento y la superación de la evaluación continua (EC). La calificación final de la asignatura es la nota obtenida en la EC.

 

Amunt