Información General del Espacio Académico

Datos Básicos del Espacio Académico

Materiales de Clase

Carpeta en Google Drive con algunos libros del curso.

Carpeta en Google Drive con algunos conjuntos de datos del curso.

Errores comunes

Khan Academy

• crear una cuenta en Khan Academy: https://es.khanacademy.org/signup . Debe usar el correo institucional.
• (opcional) elegir Estadística en Personalización.
• inscribirse a mi clase en Khan Academy: https://es.khanacademy.org/join . Código de clase: GJ2H2372
• Confirmar la clase
• Recarga https://es.khanacademy.org, actividades en panel izquierdo

Recursos Adicionales

• Google Colab: https://colab.research.google.com/

Desarrollo Temático

Se explica el desarrollo del curso, según las siguientes indicaciones:

• 📌 Actividades planificadas
• ✅ Actividades ya realizadas
• 💭 Trabajo autónomo
• 🤓 Profundizar

1. Medición de Datos

Evaluación

Evaluación 1: Ejercios en Khan Academy, revise más abajo datos de acceso

• Individuos, variables y datos cuantitativos y categóricos
• Estimar la media y la mediana en visualizaciones de datos
• Desviación estándar de la muestra
• Identificar la población y la muestra
• Calcular la media
• Calcular la mediana
• Efectos de modificar, agregar y quitar un dato
• La varianza

Fecha de entrega: Justo antes del Encuentro 3.

2. Visualización de datos

Evaluación

Evaluación 2: Taller de construcción de gráficos, revise las condiciones en el enlace de la sección Manejo de Software y aplicaciones estadísticas II

Fecha de entrega: Justo antes del Encuentro 3, por email a mi correo electrónico.

Cronograma

3. Distribuciones de probabilidad y estimación de parámetros

Cronograma

Evaluaciones

Evaluación 3:Ejercicios Khan Academy Fecha de entrega, antes de la sesión 5

• Probabilidad con variables aleatorias discretas
• Desarrolla distribuciones de probabilidad
• Identificación de variables Binomiales
• Calcular la probabilidad binomial

Evaluación 4:Ejercicios Khan Academy Fecha de entrega, antes de la sesión 5

• El tamaño de la muestra y el margen de error en un intervalo de confianza para una media
• Calcular un intervalo t en una media
• Encontrar el valor crítico t* para un nivel de confianza deseado

4. Pruebas de Hipótesis y relación entre variables

Evaluaciones

Evaluación 5: Taller sobre el uso del Software

Cronograma

Evaluación

La evaluación del curso se hará por medio de cuestionarios y talleres que cubren las diferentes secciones del curso. Todas las evaluaciones tienen el mismo peso.

Criterios de evaluación

• Seguir las reglas especificadas en el ejercicio
• Explicar de manera clara y concisa, sin texto automatizado
• Reproducibilidad: entregar código fuente
• Seguir el código de ética
• Habrá rúbricas específicas

Supletorios

Valoro su privacidad, entiendo que quien requiere un supletorio justamente está en una situación difícil, que puede pasar por situaciones personales, familiares, laborales, de salud o de seguridad. Por lo tanto propongo la siguiente regla: “a todas las personas, sin necesidad de que presenten una excusa, se les quitará la peor nota”. Esto quiere decir, entre otras cosas:

• que si usted tiene una excusa, de todas formas sólo se le quita la peor nota
• que si usted no tiene ningún problema, de todas formas sólo se le quita la peor nota
• que si usted tiene dos situaciones problemáticas (esperemos que no pase) en ese caso si debe presentar dos excusas y en ese caso se le haría un supletorio
• no hay excepciones a ésta regla por situaciones laborales

Política de uso de herramientas de ‘IA’

El concepto ‘IA’ se usa en educación universitaria y en ciencia de datos en particular para hablar de conceptos diferentes:

• Los modelos de lenguaje LLM, como ChatGPT, que son sistemas automatizados de generación de texto mediante algoritmos estocásticos. Producen texto que parece plausiblemente verídico.

• Sistemas de traducción de texto como google translate, sistemas de edición de texto como Grammarly o turnitin.

• Herramientas de ciencia de datos y minería de texto.

Específicamente el uso de los LLMs puede entrar en conflicto con el objetivo del aprendizaje de varias formas:

• Los LLMs se pueden usar como un “rincon del vago avanzado”, permitiendo que se entreguen tareas sin comprender.

• Si se usan como “muletas” para resolver dudas, pueden llevar a una dependencia, que usted nunca aprenda a resolver las dudas sin su ayuda.

• Al no ser infalibles (porque la respuesta es estocástica), yerran. Esto es crítico cuando usted está aprendiendo, porque no puede saber que hay un error. (no sabe que no sabe lo que no sabe)

Por lo tanto el uso de los LLMs estará restringido para ejercicios en sesión sólo cuando tengamos una base sólida de conocimiento sobre la cual ustedes tengan criterio para discernir.

En estos apuntes de sesión usaremos la siguiente notación:

• Explícitamente prohibido uso de LLMs: :x: ❌💫
• Utilice los LLMs, pero interprete el resultado: 💫💭

Código de Ética

• Plagio: En el ámbito académico y laboral se considera plagio todo texto que se copia de manera textual sin citar autoría. Incluye aquellos que se hacen de mala fe, simplemente copiando y pegando de libros, páginas web, chatGPT y otros modelos de lenguaje, etc, como también los errores involuntarios en los que se olvida citar la fuente.

• Copia: Las actividades evaluadas deben ser autoría únicamente de las personas que presentan el taller o cuestionario. Específicamente, si se dice que el taller es en grupos de 2 personas, deben trabajar únicamente 2 personas, sería copia que trabajaran entre 3 o 4, así sean muy amigos. Si usted tiene dudas sobre cómo se debe hacer un ejercicio, o sobre cómo se debe interpretar una pregunta, pida apoyo directamente al profesor.

• Grupos de discusión: Las conversaciones y discusiones sobre los temas del curso están permitidas. Se considera copia si en un grupo (presencial o virtual) se comparten las respuestas a evaluaciones o ejercicios antes de la retroalimentación del profesor. No muestre ni comparta su trabajo con las personas de otros grupos antes de entregarlo

Horario de Atención

• Lunes o Martes, 18:00 a 20:00

• Se solicita confirmación de disponibilidad por cita previa al correo electrónico, debe enviar un correo electrónico solicitando la cita e indicando si la requiere presencial o virtual

• La persona (estudiante) que requiere la asesoría debe crear el evento en Google Meet con la invitación al docente.

• Si no puede en el horario establecido, envíeme por favor un mensaje indicando su propuesta de horario, con tiempo, para concertar. Por favor intente que la oferta sea amplia (bastantes horas), para que podamos concertar.

Bibliografía Principal

• Hernández, R. y Mendoza, C. (2018). Metodología de la Investigación. Las rutas cuantitativa, cualitativa y mixta. Ed McGraw-Hill
• Contento M. Estadística con Aplicaciones en R. UJTL 2020. Editorial UJTL. (Descargue la versión en pdf autorizada para los estudiantes en el siguiente vínculo: https://www.utadeo.edu.co/sites/tadeo/files/node/publication/field_attached_file/libro_estadistica_con_aplicaciones_en_r_def_ago_11.pdf)
• Van DerPlas, J. (2023). Python Data Science Handbook. O’Reilly. Version web gratuita disponible en línea en: https://jakevdp.github.io/PythonDataScienceHandbook/index.html

Bibliografía Complementaria

• López-Roldán, Pedro; Fachelli, Sandra. Metodología de la investigación social cuantitativa. Bellaterra: Universitat Autònoma de Barcelona, 2015. https://ddd.uab.cat/record/129382

• Wes McKinney (2022), Python for Data Analysis: Data Wrangling with pandas, NumpPy and Jupyter. 3rd ed. O’Reilly. (Versión web gratuita disponible en línea en: https://wesmckinney.com/book/)

• John McLevey (2022), Doing Computational Social Science A Practical Introduction. SAGE. First Edition.

• María Ángeles Cea D’Ancona (2012), Fundamentos y aplicaciones en metodología cuantitativa. Sintesis.

• David Diez, OpenIntro Statistics (2019). Fourth Edition. openintro.org/os

• Daniel Stockemer. (2019). Quantitative Methods for the Social Sciences. Springer

• Corbetta, P. (2007). Metodología y Técnicas de Investigación Social. Ed McGraw-Hill

• R Development Core Team, Introduccion a R.: notas sobre R: un entorno de programación para el análisis de datos gráficos, R Development Core Team, 2000, https://cran.r-project

• Giordano, Frank R., William P. Fox, and Steven B. Horton. A first course in mathematical modeling. Cengage Learning, 2013.

• Walter Bel, “Algoritmos y estructuras de datos en Python Un enfoque ágil y estructurado”, Editorial UAER, 2020 aquí

• Python Software Fundation. Tutorial de Python https://docs.python.org/es/3/tutorial/index.html

• Ruben Sanchez Sancho. Ciencia de Datos con R. https://leanpub.com/ciencia-de-datos-con-r https://rsanchezs.gitbooks.io/ciencia-de-datos-con-r/content/

• Bottazzi, et. al. Algoritmos y Estructuras de Datos. Universidad Nacional del Litoral. aquí

• Contreras J., Molina E., Arteaga P. Introducción a la Programación Estadística Con R. Disponible en la web (https://www.ugr.es/~batanero/pages/ARTICULOS/libroR.pdf)

• Larson, R. Elementary Statistics. Picturing the world. Edition 6. Pearson 2015.

• Gandhi, U. (2024, Septiembre, 23), Tutoriales y Consejos de QGIS. QgisTutorials.com. https://www.qgistutorials.com/es/https://www.qgistutorials.com/es/https://www.qgistutorials.com/es/

• Wackerly D, Mendenhall W, Scheaffer R. Estadística Matemática con Aplicaciones. Thomson Editores, 6 Edición.

• Sayama, H. (2015). Introduction to the modeling and analysis of complex systems. Open SUNY Textbooks.

• Borda, M., Tuesca, R. y Navarro, E. (2013). Métodos Cuantitativos. Ed Universidad del Norte y Ecoe.

Profesor: