* Competencias básicas
- CB6: Poseer y comprender los conocimientos que proporcionan una base u oportunidad para ser original en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
- CB7: 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.
- CB8: 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: Comunicar conclusiones, así como el conocimiento y las razones últimas que las sustentan, a audiencias especializadas y no especializadas de una manera clara e inequívoca.
- CB10: Desarrollar las habilidades de aprendizaje que permitan continuar estudiando de manera que se sea en gran medida autodirigido o autónomo.
* Competencias generales
- CG1: Aplicar las técnicas de análisis y representación de la información, para adaptarla a problemas reales.
- CG2: Identificar el modelo estadístico más adecuado para cada problema real y saberlo aplicar para su análisis, diseño y solución.
- CG3: Obtener soluciones científicamente viables para problemas estadísticos reales complejos, tanto de manera individual como en equipo.
- CG4: Sintetizar las conclusiones obtenidas del análisis de datos y presentarlas de forma clara y convincente en un entorno bilingüe (español e inglés), tanto escrito como oral.
- CG5: Generar nuevas ideas (creatividad) y anticiparse a nuevas situaciones, en los contextos de análisis de datos y de toma de decisiones.
- CG6: Aplicar habilidades sociales para el trabajo en equipo y para relacionarse con los demás de forma autónoma.
* Competencias específicas
- CE2: Usar software libre como R y Python para la implementación de análisis estadísticos.
- CE7: Aplicar técnicas de optimización en la estimación de los parámetros en modelos muestrales complejos.
- CE8: Aplicar y desarrollar técnicas de visualización de muestras recogidas con software de libre distribución como R y Python.
- CE10: Aplicar la modelización estadística en el tratamiento de problemas relevantes en el campo científico.
* Resultados del aprendizaje
Adquisición de conocimientos sobre: 1) lenguaje C++ y su uso conjunto con R; 2) computación en paralelo; 3) plataforma de computación en la nube Google Cloud.
