



| Código de la asignatura | 10477 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2026-27 |
Esta asignatura proporciona al estudiante una formación sólida en programación con Python aplicada al análisis económico y empresarial. A través de un enfoque práctico y progresivo, se exploran los fundamentos del lenguaje, estructuras de datos, bibliotecas para análisis y visualización, así como técnicas avanzadas de ajuste y evaluación de modelos predictivos. El estudiante será capaz de abordar problemas reales en el ámbito de la empresa y la economía utilizando métodos computacionales modernos.
Manual de referencia:
Complementos Bibliográficos:
| SEMANAS(*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Fundamentos de Python 1.1. Lenguajes de programación y entornos de desarrollo 1.2 Tipos de datos (enteros, texto, booleanos) 1.3 Operadores lógicos y numéricos |
|
| Semana 2 | Tema 1. Fundamentos de Python 1.4 Estructuras de control: condicionales (if, else) y bucles (for, while) 1.5 Variables 1.6 Funciones |
|
| Semana 3 | Tema 2: Numpy y Pandas para análisis de datos 2.1 Operaciones con Tablas: Filtro, Agrupación, Agregación, Unión |
|
| Semana 4 | Tema 2: Numpy y Pandas para análisis de datos 2.2 Calidad de Datos: Importancia y Dimensiones |
|
| Semana 5 | Tema 2: Numpy y Pandas para análisis de datos 2.3 Tratamiento y limpieza de datos: Nulos, Duplicados, Outliers, Categóricas, Escalado … |
|
| Semana 6 | Tema 2: Numpy y Pandas para análisis de datos 2.4 Análisis Exploratorio de Datos 2.5 Lectura y escritura de archivos 2.6 Ejemplo de caso práctico de analítica |
|
| Semana 7 | Tema 3: Matplotlib y Seaborn para la visualización de datos 3.1. Tipos de Gráficos Estudio de la unidad 3.2. Proceso de visualización |
|
| Semana 8 | Tema 3: Matplotlib y Seaborn para la visualización de datos 3.3. Ejemplo de caso práctico de visualización |
|
| Semana 9 | Tema 4: Scikit-learn para el machine learning 4.1 Definición y ramas |
|
| Semana 10 | Tema 4: Scikit-learn para el machine learning 4.2 Regresión: Ajuste de modelos y métricas |
|
| Semana 11 | Tema 4: Scikit-learn para el machine mearning 4.3 Clasificación: Ajuste de modelos y métricas |
|
| Semana 12 | Tema 4: Scikit-learn para el machine learning 4.4 Clustering: Ajuste de modelos y métricas |
|
| Semana 13 | Tema 4: Scikit-learn para el machine learning 4.5 Buenas Prácticas: Separación train-test, validación cruzada, ajuste de hiperparámetros… |
|
| Semana 14 | Ejemplo de caso práctico end-to-end |
|
| Semana 15 | Repaso |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas.
| |
- Una evaluación continua a lo largo del curso a través de acciones didácticas que supone el 40% de la nota final. Incluye la realización de los diferentes tipos de evaluación continua de actividades y resolución de supuestos o casos prácticos.
- Un examen final que supone el 60% de la nota final. Está dirigido a la valoración de las competencias y conocimientos adquiridos por el estudiante. El examen se evaluará de 0 a 10, tendrá una duración estimada de 90 minutos y será de tipo mixto, con una parte tipo test con preguntas de opción múltiple (4 puntos) y una parte de desarrollo teórico-práctica (6 puntos). Dentro de la parte tipo test, los errores penalizan con el objetivo de corregir las respuestas acertadas por azar.
Para poder presentarse al examen final, en cualquiera de las convocatorias, es imprescindible cumplir los siguientes requisitos relacionados con la evaluación continua: alcanzar una calificación mínima de 2 puntos sobre cuatro en la evaluación continua del curso.
El estudiante que se presente al examen sin cumplir requisitos, será calificado con un cero en el examen final y consumirá convocatoria.
Cuadro resumen del sistema de evaluación
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Evaluación continua de actividades | 2 | 20% |
| Resolución de supuestos o casos prácticos | 2 | 20% |
| Examen final | Si | 60% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre. El estudiante que no se presente a la convocatoria de febrero y/o de julio ni a la de septiembre, perderá automáticamente todos los trabajos realizados a lo largo del curso. Deberá en este caso matricularse de nuevo en la asignatura.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU)
5.0 - 6.9: Aprobado (AP)
7.0 - 8.9: Notable (NT)
9.0 - 10: Sobresaliente (SB)
Matrícula de honor (MH)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
La matrícula de honor se concede cuando el profesor lo considere oportuno en función de la excelencia de las actividades realizadas por el estudiante y las calificaciones obtenidas por el resto del grupo. No obstante, los criterios académicos de su concesión corresponden al departamento responsable de cada grado.