Introducción

Profesor:

Justificación:

Los métodos de investigación cuantitativa constituyen una base en los procesos de investigación, evaluación, y construcción en las políticas públicas. Además son herramientas básicas que permiten al Administrador Público tomar las mejores decisiones. Más allá, la práctica profesional en Administración Pública requiere de un conocimiento y familiaridad con las diferentes características tanto metodológicas como técnicas de los paqutes informáticos cuantitativos.

Contenidos

Contenidos Mínimos

Investigación cuantitativa basada en conceptos estadísticos aplicados mediante diferentes paquetes informáticos a la toma de decisiones.

Contenidos Temáticos

💭

A. Modelos estadísticos y software especializado para métodos cuantitativos

1. Estadística: ¿qué es la estadística? Modelos estadísticos, probabilidad, estadística descriptiva e inferencial. (clase 1 ☑️)
2. Variables cuantitativas en la modelación y su implementación en software: estructuras de datos (clase 1 ☑️)
3. Flujo y Control (clase 2), Taller 1 (clase 2 ☑️)
4. estructuras de datos en Pyton (clase 3 ☑️)
5. Algoritmos: modelación y estructura de software, tipologías de los paquetes cuantitativos, software en línea/local,scripts y línea de comandos/interfaz gráfica (trabajo independiente 💭 )
6. Pandas (clase 3 ☑️)

• vii) R
• viii) STATA

B. Medición (Estadística Descriptiva)

1. Conceptos estadísticos básicos, Medidas de tendencia central, Medidas de dispersión y variabilidad. (clase 4 ☑️)
2. Distribuciones de Probabilidad (clase 4 ☑️)
3. Distribución Normal (clase 5 ☑️)
4. Taller (clase 5 ☑️ y 6 ☑️ )

C. Muestreo (Estadística Inferencial)

1. Muestras Aleatorias y Distribuciones de Muestreo, Estimación Puntual, Prueba de Hipótesis estadística, Estimación puntual y por intervalo (clase 6 ☑️)
2. Estimación del intervalo de confianza para promedio y proporción (clase 6 ☑️)
3. Prueba de Hipótesis para Varianza y Proporción, Intervalos de Confianza (clase 6 ☑️)
4. Tamaños de Muestra, Relación entre variables cuantitativas: correlación y regresión, Distribución de probabilidad t-student. Valores críticos y cálculo de probabilidad (trabajo independiente 💭)

D. Más sobre Bases de datos en Python: Pandas

1. Métodos de manejo de bases de datos en Python y Pandas (clase 7 y 8) ☑️
2. Encuesta calidad de Vida DANE (clase 8) ☑️
3. Taller en clase. (clase 8) 💭
4. Usando LLMs para codificar: Google Gemini 💭

E. Análisis de Texto usando Python

1. Estructuras de datos para en análisis de texto en Python ( :pushpin: Clase 9)

2. Transcripciones automáticas con Python 💭

3. Taller de Análisis de Texto (💭)

F. Regresión Lineal (trabajo independiente 💭)

1. Regresión Lineal Simple

2. Regresión Lineal Múltiple

G. Informes de Investigación (trabajo independiente 💭)

1. Análisis de datos: presentación de resultados cuantitativos

2. Interpretación de los parámetros y resultados del proceso investigativo

H. Paradigmas de la Investigación Cuantitativa (trabajo independiente 💭)

1. Paradigma: el positivistmo

2. El Método Científico, el Paradigma del Modelado, las Fases del Proceso de Investigación

I. Metodología de la Investigación Cuantitativa (trabajo independiente 💭)

1. Alcance de la Investigación Cuantitativa

2. Hipótesis, Objetivos, y Metodología en Investigación Cuantitativa

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

Carpeta en Google Drive con algunos libros del curso.

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

Errores comunes

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.

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: J3AKHS9U
• Confirmar la clase
• Recarga https://es.khanacademy.org, actividades en panel izquierdo

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.

Supletorios

Tuvimos dos propuestas, finalmente aceptaron la siguiente:

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: :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

Logística

Fechas de las clases

Fechas de las evaluaciones

Se hará una evaluación, clase de por medio, salvo situaciones logísticas que nos fuercen cambios. en las siguientes fechas: 🆕

1. Jueves 12 de Septiembre ☑️
2. Jueves 17 de Octubre ☑️ (ya retroalimentado, espero sus correcciones para entregar la nota definitiva)
3. Sábado 2 de Noviembre ☑️ (propongo que hagamos la evaluación mediante una serie de ejercicios de Khan Academy)
4. Martes 5 de Noviembre :pushpin: Taller (no alcanzamos)
5. Jueves 12 de Diciembre Sábado 30 de Noviembre :pushpin: 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 usando el código de clase J3AKHS9U

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