Guía docente de Encuestas por Muestreo. Aplicaciones Económicas, Sociales y Medioambientales (M42/56/1/39)
Máster
Módulo
Rama
Centro Responsable del título
Semestre
Créditos
Tipo
Tipo de enseñanza
Profesorado
- María Del Mar Rueda García
- Ismael Ramón Sánchez Borrego
Breve descripción de contenidos (Según memoria de verificación del Máster)
1. Introducción a la inferencia en poblaciones finitas
2. Elementos de inferencia en el modelo de población fija
3. Inferencia a partir de modelos de superpoblación
4. Introducción al muestreo no probabilístico
5. Software y resolución computacional de supuestos prácticos
Prerrequisitos y/o Recomendaciones
Se recomienda haber cursado una carrera con amplios contenidos matemáticos y/o estadísticos.
Competencias
Competencias Básicas
- CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
- CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
- CB8. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
- CB9. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
- CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Competencias Generales
- CG01. Los titulados han de saber aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
- CG02. Los titulados han de ser capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
- CG03. Los titulados han de saber comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
- CG04. Los titulados deben poseer las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
- CG05. Los titulados han de demostrar una comprensión sistemática del campo de estudio y el dominio de las habilidades y métodos de investigación relacionados con dicho campo.
- CG06. Los titulados deben demostrar la capacidad de concebir, diseñar, poner en práctica y adoptar un proceso sustancial de investigación con seriedad académica.
- CG07. Los titulados han de realizar una contribución a través de una investigación original que amplíe las fronteras del conocimiento desarrollando un corpus sustancial, del que parte merezca la publicación referenciada a nivel nacional o internacional.
- CG08. Los titulados deben ser críticos en el análisis, evaluación y síntesis de ideas nuevas y complejas.
- CG09. Los titulados deben saber comunicarse con sus colegas, con la comunidad académica en su conjunto y con la sociedad en general acerca de sus áreas de conocimiento.
- CG10. Los titulados han de ser capaces de fomentar, en contextos académicos y profesionales, el avance tecnológico, social o cultural dentro de una sociedad basada en el conocimiento.
Competencias Específicas
- CE01. Conocer métodos para el Análisis de Datos
- CE02. Conocer diferentes técnicas de Muestreo
- CE03. Adquirir conocimientos avanzados en Probabilidad y Procesos Estocásticos
- CE04. Profundizar en las técnicas de Modelización Estocástica
- CE05. Adquirir conocimientos avanzados en Inferencia Estadística
- CE06. Aprender y entender técnicas de Estadística Multivariante
- CE07. Saber identificar y aplicar diferentes Modelos Econométricos
- CE09. Adquirir conocimientos en Bioestadística
- CE10. Dominar el uso de diferentes entornos de Computación Estadística
- CE11. Conocer y aplicar técnicas de Control Estadístico de Calidad
- CE12. Ser capaz de resolver problemas a través de técnicas de Simulación Estocástica
- CE13. Saber llevar a cabo el diseño, programación e implantación programas de computación estadística
- CE14. Saber realizar un diseño de experimentos
- CE15. Ser capaza de identificar la información relevante para resolver un problema
- CE16. Utilizar correcta y racionalmente programas de ordenador de tipo estadístico
- CE17. Adquirir capacidades de elaboración y construcción de modelos y su validación
- CE18. Ser capaz de realizar un análisis de datos
- CE19. Saber gestionar bases de datos
- CE20. Ser capaz de realizar una correcta representación gráfica de datos
- CE21. Conocer, identificar y seleccionar fuentes estadísticas
Competencias Transversales
- CT01. Mostrar interés por la calidad y la excelencia en la realización de diferentes tareas
- CT02. Comprender y defender la importancia que la diversidad de culturas y costumbres tienen en la investigación o práctica profesional
- CT03. Tener un compromiso ético y social en la aplicación de los conocimientos adquiridos
- CT04. Ser capaz de trabajar en equipos interdisciplinarios para alcanzar objetivos comunes desde campos expertos diferenciados.
- CT05. Incorporar los principios del Diseño Universal en el desempeño de su profesión
Resultados de aprendizaje (Objetivos)
• Conocer los diversos enfoques actuales de la inferencia en poblaciones finitas
• Conocer la modelización de superpoblaciones y los estimadores óptimos de la media bajo los principales modelos de superpoblación
• Estar familiarizado con el uso otros diseños muestrales nuevos que están adaptados a los problemas concretos de cada campo de investigación, y particularmente con el problema de estudio de poblaciones humanas y animales
• Saber estimar parámetros simples a partir de datos muestrales provenientes de una encuesta compleja, con un programa de software libre
Programa de contenidos Teóricos y Prácticos
Teórico
- Tema 1. Introducción a la Inferencia en poblaciones finitas
- Tema 2. Elementos de muestreo
- Tema 3. Inferencia basada en el diseño: Estimador de Horvitz-Thompson
- Tema 4. Inferencia a partir de modelos de superpoblación
- Tema 5. Introducción al muestreo no probabilístico
Práctico
- Bloque 1. Introducción a la Inferencia en poblaciones finitas
-Ejemplos prácticos ilustrativos
- Bloque 2. Elementos de muestreo e inferencia basada en el diseño
-Ejemplos y ejercicios guiados
- Bloque 3. Inferencia a partir de modelos de superpoblación
-Ejemplos y tratamiento computacional de estimadores y modelos de superpoblación con R
- Bloque 4. Introducción al muestreo no probabilístico
-Ejemplos y resolución computacional de supuestos prácticos
Bibliografía
Bibliografía fundamental
- Cassel, C. M., Särndal, C. E. y Wretman, J. H.. Foundations of Inference in Survey Sampling. John Wiley & Sons, New York 1977
- Hedayat, A. S., Sinha, B. K.. Design and Inference in Finite Population Sampling. John Wiley & Sons 1991
- Levy, P. S., Lemeshow, S.. Sampling of Populations Methods and Applications. John Wiley & Sons 1991
- Särndal, C. E., Swensson, B. y Wretman, J.. Model Assisted Survey Sampling. Springer- Verlang 1992
- Thompson, S.K. 1992. Sampling. New York: Wiley
Bibliografía complementaria
- Férnandez García, F. R. y Mayor Gallego. Muestreo en Poblaciones Finitas: Curso Básico. De. EUB
- Gourreroux, C.. Théorie des Sondages. Economica. 1981
Enlaces recomendados
Metodología docente
- MD01 Lección magistral/expositiva
- MD02 Sesiones de discusión y debate
- MD03 Resolución de problemas y estudio de casos prácticos
- MD04 Prácticas de laboratorio o clínicas
- MD05 Seminarios
- MD06 Ejercicios de simulación
- MD07 Análisis de fuentes y documentos
- MD08 Realización de trabajos en grupo
- MD09 Realización de trabajos individuales
Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final.)
Evaluación Ordinaria
La convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, que consistirá en:
- Realización de actividades teóricas y prácticas (90%)
- Interés en la asignatura, actitud y participación activa en el foro de la asignatura (10%)
Evaluación Extraordinaria
Aquellos estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. En esta convocatoria, la realización de actividades teóricas y prácticas supondrá el 100% de la calificación.
Evaluación única final
El artículo 8 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que podrán acogerse a la evaluación única final, el estudiante 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, 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 consistirá en la realización de ejercicios teóricos y ejercicios prácticos propuestos por los profesores. Estos ejercicios suponen el 100% de la calificación del alumno.
Información adicional
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).
Software Libre
R https://cran.r-project.org/