Introducción al curso Estadística 2, 2025 S1

Esta es la Información relevante para el curso de Estadística 2, ESAP, 2025 S2.

Table of contents

Profesor:

Contenidos

Microcurrículo

Microcurrículo Estadística 2, 2025 S1

Contenidos Mínimos

Métodos cuantitativos de estadística inferencial aplicada a la toma de decisiones públicas.

Contenidos Temáticos

Repaso

Clase 1

1. Presentación del curso y concenso de las reglas
2. Repaso, conceptos básicos. Comience aquí ☑️, siga acá. ☑️

Primer Momento Introducción al software cuantitativo, Distribuciones contínuas

1. Variables cuantitativas en la modelación y su implementación en software: estructuras de datos (Clase 2) ☑️. Ejercicio en clase 1 (Clase 3, Febrero 12 ☑️)
2. Tipos de Distribuciones, Distribuciones de Probabilidad, (Clase 4, Febrero 14 ) ☑️ distribuciones continuas, Normal, Normal Estándar. (clase 5, Febrero 19 y clase 6, Febrero 21) ☑️ tarea (Febrero 21, Clase 7) taller (Febrero 26 Clase 7 ☑️)
3. Flujo y Control, (Clase 8, Febrero 28) ☑️
4. Taller Marzo 7

• Parcial del Corte (Clase 11: Miércoles 12 de Marzo) ☑️

Segundo Momento. Estadística Inferencial

1. Muestras Aleatorias, Distribución Muestral, Estadística, Promedio (Clase 12☑️, Marzo 14; Clase 13, Marzo 19; Clase 14, Marzo 21)

2. Estimación del intervalo de confianza para promedio y proporción (clase 15, Marzo 26 Virtual )

3. Tamaño Muestra. Tamaño de Muestra para promedio y proporción 📌(Clase 16, Marzo 28, presencial)

4. Los algoritmos: modelación y estructura de software, tipologías de los paquetes cuantitativos, software en línea/local,scripts y línea de comandos/interfaz gráfica y taller sobre estructuras de flujo y control y probabilidad 📌

5. Estrategia pedagógica lúdica (Clase 12) 📌

6. Estructuras de datos en Pyton (Clase …) 📌

7. Pandas 📌

8. Datos faltantes, algoritmos, cargar datos, POO, Scripts, funciones colab.to/R 📌

9. Distribuciones y DataFrames 📌

10. Prueba de Hipótesis Estadística 📌

Tercer Momento. Correlación

1. Errores tipo I, tipo II. Pruebas de Hipótesis para Media y Proporción. 📌
2. Análisis de Varianza, Experimentos, ANOVA. 📌
3. Regresión y Correlación. 📌
4. Series de Tiempo, Series Estadísticas. 📌

Metodología

Se seguirán las instrucciones de la Universidad en cuanto a presencialidad o sincronía con apoyos electrónicos. Durante la clase se espera una participación activa, preparación de la clase, y una actitud asertiva en cuanto al proceso educativo.

Materiales de Clase

Estos materiales están disponibles en la red. Les invito a que los descarguen y los guarden en una memoria USB que carguen consigo. Hay dos razones principales para hacerlo así:

1. Recursos: aunque no haya costo económico, el transmitir los libros a través de internet tiene un costo en energía, agua y recursos naturales. Llevar los libros consigo es una decisión ecológica.
2. Disponibilidad: aunque sea muy rápido bajar los documentos de internet, el tenerlos en su usb es más rápido. Y también permite que en una eventualidad en la que falle el acceso a internet usted pueda aún trabajar sin problema.

Bibliografía Principal

1. Manuel Ricardo Contento Rubio. Estadística con Aplicaciones en R. Editorial UTADEO. 2010. https://www.utadeo.edu.co/es/publicacion/libro/editorial/235/estadistica-con-aplicaciones-en-r
2. Juan Bosco Mendoza Vega. R para principiantes. https://bookdown.org/jboscomendoza/r-principiantes4/
3. Walter Bel, “Algoritmos y estructuras de datos en Python Un enfoque ágil y estructurado”, Editorial UAER, 2020 https://editorial.uader.edu.ar/libros/amalgama/algoritmos-y-estructuras-de-datos-en-phyton

Bibliografía Complementaria

1. Diez, D. M., Barr, C. D., & Cetinkaya-Rundel, M. (2012). OpenIntro statistics (Vol. 4). Boston, MA, USA:: OpenIntro. En: https://leanpub.com/os (puede bajarlo gratis, sólo mueva la barra hasta que marque 0 en el precio)
2. Van DerPlas, J. (2023). Python Data Science Handbook. O’Reilly. Version web gratuita disponible en línea en: https://jakevdp.github.io/PythonDataScienceHandbook/index.html
3. 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.org/doc/contrib/R-intro-1.1.0-espanol.1.pdf
4. Peter Bruce, Andrew Bruce y Peter Gedekck. Estadística Práctica para Ciencia de Datos con R y Python. Marcombo. Segunda edición en español. 2022.

Khan Academy

Evaluación

Porcentajes

Siguiendo las normas actuales de la escuela, los porcentajes son:

1. Primer momento: 35%
2. Segundo momento: 35%
3. Tercer momento: 30%

Supletorios

Les hice dos propuestas. En clase nos decatnamos por la siguiente:

Propuesta 1 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 clase sólo cuando tengamos una base sólida de conocimiento sobre la cual ustedes tengan criterio para discernir.

En estos apuntes de clase usaremos la siguiente notación:

• Explícitamente prohibido uso de LLMs: ❌ 💫
• 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

Logística

Fechas de las clases

• Inicio del semestre: lunes 3 de febrero del 2025
• Finalización del semestre: 1 de junio de 2025

Fechas de las evaluaciones

1. Primer Momento Académico
   • Quices: Q1, Febrero 12; Q2, Febrero 28
   • Talleres: T1, Febrero 26; T2, 5 de Marzo
   • Examen Parcial: Miércoles 12 de Marzo
2. Segundo Momento Académico
   • Quices: Marzo 28,
   • Talleres: Marzo 21,
   • Examen Parcial:
3. Tercer Momento Académico
   • Taller Cómputo:
   • Examen Final

Horario de Atención

• Lunes o Martes, 14:00 a 16:00

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

• Si no puede en ese hora, envíe también un mensaje indicando su propuesta de horario, con tiempo, para concertar.

Recursos Adicionales

• Khan Academy:

  • Generar una nueva cuenta en : https://es.khanacademy.org/signup es requerido usar el correo institucional
  • Ingresar a mi clase en : https://es.khanacademy.org/join/P8E6GH9R usando el código de clase: P8E6GH9R

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

Fechas especiales

Clases Virtuales por restricción de Agua

• 26 de Febrero
• 7 de Marzo

Justificación:

La administración pública requiere el análisis de información cuantitativa y cualitativa; representada en datos que provienen de diferentes fuentes, como son las encuestas, las mediciones, etc. La Estadística provee las herramientas teóricas que permiten comprender las características de éstos datos, entre ellas las condiciones de variabilidad. La Estadística, con los conceptos inferencia estadística, las diferentes técnicas de muestreo, los conceptos básicos de regresión, y los principios de modelación estadística y de diseños de experimentos, provee algunas herramientas necesarias para el desarrollo profesional de la administración.

Propósito:

Al finalizar el curso usted contará con las herramientas y los conceptos que le permitirán aplicar la estadística a las diferentes aspectos de su profesión. Especialmente contará con habilidades críticas para comprender información matemática compleja y tomar decisiones basadas en la evidencia.