Guía docente de Fundamentos de Aprendizaje Estadístico Aplicado al Análisis Social (MD6/56/1/3)

1. Estadística descriptiva
2. Teoría de la probabilidad
3. Inferencia estadística
4. Regresión
5. Clasificación
6. Series temporales

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación:

https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0

- Adquirir los conocimientos de estadística necesarios para trabajar con bases de datos en ciencias sociales.

- Conocer y diferenciar las principales técnicas y modelos de análisis estadístico así como su aplicación mediante el manejo de software R.

- Elegir y aplicar la/s técnica/s de análisis estadístico más adecuadas en casos reales y concretos.

- Interpretar y comunicar los resultados de análisis estadístico.

A partir de los contenidos especificados en la Memoria de Verificación del título, establecemos los siguientes bloques temáticos para el desarrollo efectivo del curso:

• Tema 1. Introducción a la estadística descriptiva con R
• Tema 2. Teoría de la probabilidad e inferencia estadística
• Tema 3. Análisis de regresión
• Tema 4. Análisis de clasificación
• Tema 5. Series temporales

Nota: la programación temática se desarrolla sobre la base de los principios básicos establecidos en la Memoria de Verificación y Modificación del Título

Todos los temas contarán con una parte aplicada, basada en la resolución de supuestos prácticos con el entorno de computación estadística R.

Para ello, se facilitarán bases de datos con la que poder trabajar los distintos contenidos de la asignatura.

• Hermoso Gutiérrez, J.A. y Hernández Bastida, A. (2000). Curso básico de Estadística Descriptiva y Probabilidad. Némesis.
• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. New York: Springer.
• Milton, J.S., Arnold, J.C. (2004). Probabilidad y Estadística (con aplicaciones para Ingeniería y Ciencias Computacionales). McGraw-Hill Interamericana, México
• Peña, D. (2001). Fundamentos de Estadística. Alianza Editorial S.A., Madrid.
• Peña, D. (2010). Regresión y Diseño de Experimentos. Alianza Editorial.
• Albert, J., & Rizzo, M. (2012). R by Example. Springer Science & Business Media.
• Zelterman, Daniel (2022). Regression for Health and Social Science. Applied Linear Models with R. Cambridge University Press.

• Cuadras, C.M. (1995). Problemas de Probabilidad y Estadística. Vol.1: Probabilidades. PPU, Barcelona.
• Lepš, Jan and  ŠmilauerPetr Šmilauer (2020) Biostatistics with R. Cambridge University Press
• Mann, P.S. (2005). Introductory statistics: using technology, John Wiley & Sons (2005)
• Maurandi López, A.; del Río Alonso, L. y Balsalobre Rodriguez, C. (2013). Fundamentos estadísticos para investigación. Introducción a R. Bubok Publising S.L. https://gauss.inf.um.es/amaurandi/Fundamentos-estadisticos-para-investigacionIntroduccion-a-R.pdf   
• Molina, M., & Garip, F. (2019). Machine Learning for Sociology. Annual Review of Sociology, 45, 27–45. https://doi.org/10.1146/annurev-soc-073117-041106
• Ugarte, M.D., Militino, A.F., Arnholt, A.T. (2008). Probability and Statistics with R. CRC/Chapman and Hall.

*Se facilitarán referencias adicionales a principios de año.

• Estadística básica Edulcorada. https://bookdown.org/aquintela/EBE/
• San Segundo Barahona, F. y Marvá Ruiz, M. (2016) Un curso de introducción a la Estadística. https://postdata-statistics.com/courses/
• Faraway, J. (2002).  Practical Regression and Anova using R. (https://cran.r-project.org/doc/contrib/Faraway-PRA.pdf)
• https://www.r-project.org/
• https://education.rstudio.com/learn/
• Tjaden (2021). Intro to R for Social Scientists.https://jaspertjaden.github.io/course-intro2r/:
• Instituto Nacional de Estadística: https://www.ine.es/
• Centro de Investigaciones Sociológicas: https://www.cis.es/

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca, se establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se le haya reconocido el derecho a la evaluación única final.

La calificación final de cada alumno/a se obtendrá mediante la evaluación de:

• Pruebas escritas teórico prácticas presenciales: 40%
• Elaboración y presentación de dossier aplicando conocimientos teóricos y prácticos utilizando R a casos reales y concretos de análisis de datos sociales: 60%

CRITERIOS DE EVALUACIÓN:

Se tendrá en cuenta que, en el proceso de aprendizaje, cada estudiante haya aprendido los siguientes aspectos:

• Ser capaz de resumir numéricamente y gráficamente  la información  contenida en un conjunto de datos
• Ser capaz  de discernir la técnica apropiada para el análisis de un conjunto de datos
• Conocer los fundamentos teóricos y desarrollos matemáticos de la Estadística
• Saber interpretar los resultados obtenidos tras un análisis
• Saber implementar computacionalmente los análisis estadísticos desarrollados a lo largo del curso
• Saber leer bases de datos desde el entorno de computación estadística R

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca, se establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria, dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y un dossier práctico.

La calificación extraordinaria de cada alumno/a se obtendrá mediante la evaluación de:

• Pruebas escritas teórico prácticas presenciales: 40%
• Elaboración y presentación de dossier aplicando conocimientos teóricos y prácticos utilizando R a casos reales y concretos de análisis de datos sociales: 60%

CRITERIOS DE EVALUACIÓN:

Se tendrá en cuenta que, en el proceso de aprendizaje, cada estudiante haya aprendido los siguientes aspectos:

• Ser capaz de resumir numéricamente y gráficamente  la información  contenida en un conjunto de datos
• Ser capaz  de discernir la técnica apropiada para el análisis de un conjunto de datos
• Conocer los fundamentos teóricos y desarrollos matemáticos de la Estadística
• Saber interpretar los resultados obtenidos tras un análisis
• Saber implementar computacionalmente los análisis estadísticos desarrollados a lo largo del curso
• Saber leer bases de datos desde el entorno de computación estadística R

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca, se establece que podrán acogerse a la evaluación única final el estudiantado que no pueda cumplir con el método de evaluación continua por causas justificadas.

Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La evaluación única final se realizará mediente un examen teórico-práctico del total de los contenidos. En dicha prueba/examen de la asignatura, se valorará que el estudiantado haya interiorizado los siguientes aspectos:

• Ser capaz de resumir numérica y gráficamente  la información  contenida en un conjunto de datos
• Ser capaz  de discernir la técnica apropiada para el análisis de un conjunto de datos
• Conocer los fundamentos teóricos y desarrollos matemáticos de la Estadística
• Saber interpretar los resultados obtenidos tras un análisis
• Saber implementar computacionalmente los análisis estadísticos desarrollados a lo largo del curso
• Saber leer bases de datos desde el entorno de computación estadística R

Advertencia contra el plagio y copia

Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada, aprobada en Consejo de Gobierno de 20 de mayo de 2013 y modificada por los Acuerdos del Consejo de Gobierno en sesiones de 3 de febrero de 2014, 23 de junio de 2014 y de 26 de octubre de 2016, artículo 15: “Originalidad de los trabajos y pruebas:

• La Universidad de Granada fomentará el respeto a la propiedad intelectual y transmitirá a los estudiantes que el plagio es una práctica contraria a los principios que rigen la formación universitaria. Para ello procederá a reconocer la autoría de los trabajos y su protección de acuerdo con la propiedad intelectual según establezca la legislación vigente.
• El plagio, entendido como la presentación de un trabajo u obra hecho por otra persona como propio o la copia de textos sin citar su procedencia y dándolos como de elaboración propia, conllevará automáticamente la calificación numérica de cero en la asignatura en la que se hubiera detectado, independientemente del resto de las calificaciones que el estudiante hubiera obtenido. Esta consecuencia debe entenderse sin perjuicio de las responsabilidades disciplinarias en las que pudieran incurrir los estudiantes que plagien.
• Los trabajos y materiales entregados por parte de los estudiantes tendrán que ir firmados con una declaración explícita en la que se asume la originalidad del trabajo, entendida en el sentido de que no ha utilizado fuentes sin citarlas debidamente”.

Grabación de imagen y/o audio

Salvo autorización expresa por parte del profesor, no está permitida la grabación, total o parcial, tanto de sonido como de imagen, de las clases, seminarios o prácticas de la asignatura, con arreglo a las previsiones de la Ley de Propiedad Intelectual, de la Ley Orgánica de Protección de Datos de Carácter Personal y de la Ley Orgánica de Protección Civil del Derecho al Honor, a la Intimidad Personal y Familiar y a la Propia Imagen. En función, en su caso, del uso posterior que se le diera, la grabación no consentida puede dar origen a responsabilidades civiles, disciplinarias, administrativas y, eventualmente, penales.

Protocolo frente al acoso

Se recuerda que la Universidad de Granada dispone de un Protocolo para prevenir, evitar y afrontar las posibles situaciones de acoso de cualquier tipo. Se puede consultar dicho protocolo en el siguiente enlace: https://www.ugr.es/sites/default/files/2017-09/NCG1125.pdf

Diseño inclusivo: necesidades específicas de apoyo educativo (NEAE)

Siguiendo las recomendaciones de la CRUE y del Secretariado de Inclusión y Diversidad de la UGR, los sistemas de adquisición y de evaluación de competencias recogidos en esta guía docente se aplicarán conforme al principio de diseño para todas las personas, facilitando el aprendizaje y la demostración de conocimientos de acuerdo a las necesidades y la diversidad funcional del alumnado.

La Universidad de Granada cuenta con un Programa de Atención al Estudiantado con Discapacidad y otras Necesidades Específicas de Apoyo Educativo (NEAE) para el estudiantado que lo precise: https://viics.ugr.es/areas/inclusion/recursos/neae

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

Entorno de computación estadística R