Table of contents

Información General del Espacio Académico

Datos Básicos del Espacio Académico

Créditos y horas de trabajo académico

Información Específica del espacio académico

Justificación

La Ley 1712 de 2014 de la Ley de Transparencia y del Derecho de Acceso a la Información Pública Nacional, establece la obligatoriedad de las entidades públicas de aperturar datos y define el concepto de datos abiertos. Los administradores públicos tienen a su disposición la información abierta de todas las entidades del estado en ámbitos tan diversos como: Justicia y Derecho, Comercio, Organismos de Control, Resultados electorales, Estadística Nacionales, Salud, Hacienda, Deporte, Vivienda, Trabajo, Educación, Ciencia, Función Pública, etc.

Es estratégico que los tomadores de decisiones en entidades públicas tengan la capacidad de acceder, procesar, consolidar y analizar información proveniente de diferentes fuentes, construida bajo diferentes formatos y que entiendan cómo se puede extraer valor de ellas con base en métodos estadísticos, probabilisticos y econométricos. En particular, es de interés que puedan visualizar y modelar de una manera práctica lo que se esconde en grandes volúmenes de datos y calcular e interpretar diferentes mediciones que permitan comunicar hallazgos interesantes. En esta misma dirección es significativa la formación de funcionarios públicos en análisis estadístico exploratorio, en técnicas de visualización de datos que les permitan comprender de una manera más profunda la realidad del estado y del país. La asignatura dará herramientas a los administradores públicos procesar bases de datos estructuradas y para comunicar a través de visualizaciones efectivas los hallazgos encontrados tras un análisis exploratorio de datos. Se propone un trabajo basado en estudio de casos provenientes de las entidades públicas en los niveles nacional, departamental y municipal.

Propósito del espacio académico

El diseño de proyectos de inversión social y de desarrollo necesita del diseño de escenarios de variables, económicas, sociales y políticas para los cuales es útil la estadística. Brindar el conocimiento del concepto de probabilidad y los métodos matemáticos para su cálculo con el fin de que el estudiante, a partir de un contexto de incertidumbre, pueda reconocer el modelo probabil ístico que mejor se ajusta a un problema, pueda aplicarlo y modelar una situación de interés. En la actualidad abunda la información con la cual podemos hacer un mejor modelamiento estadístico de los fenómenos con el fin de tomar las mejores decisiones, sean estas gerenciales, de política pública, médicas, etc. En el caso particular de la especialización de proyectos de desarrollo es preciso hacer pronósticos de muchas variables económicas, financieras, políticas y sociales, por esta razón la formulación de un proyecto de desarrollo requiere de herramientas estadísticas. Diferenciar y analizar el desarrollo de modelos probabilísticos y métodos de inferencia estadística para estudiar fenómenos económicos, teniendo en cuenta la particular naturaleza de los datos económicos (observacionales) para estimar relaciones causales entre variables económicas, el contraste de teorías económicas, la evaluación y diseño de políticas gubernamentales y empresariales

Esta asignatura aporta en la siguiente competencia de investigación del programa:

“Analiza datos e indicadores con herramientas descriptivas, econométricas, inferenciales y probabilísticas para la evaluación ex - ante y ex -post de programas y proyectos de desarrollo”

Competencias y Resultados de Aprendizaje del Programa

Desarrollo Temático

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

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

Sesión de Bienvenida y Repaso de Matemáticas

Cronograma: Sesión de bienvenida

Unidad 1: Análisis Descriptivo

Cronograma

Criterios de Evaluación

Ejercicios Khan Academy

Representación datos del DANE

Unidad 2: Estimaciones (Estadística Inferencial)

Cronograma

Criterios de Evaluación

Ejercicios Khan Academy sobre la Binomial

Ejercicios Khan Academy sobre distribución de muestreo, prueba de hipótesis e intervalos de confianza

Unidad 3: Econometría

$^*$El material está especificado en el enlace de la clase.

Cronograma

Criterios de Evaluación

Resultados de aprendizaje del espacio académico

Metodología y estrategias de enseñanza - aprendizaje

Lineamientos Modalidad Virtual

• Actividades Sincrónicas: Son actividades que se realizan en tiempo real apoyadas con herramientas TIC, permitiendo establecer escenarios de comunicación en los cuales se rompen las barreras espaciales

• Actividades Asincrónicas: Son todas aquellas actividades que se desarrollan de manera diferida en el tiempo, es decir, cuando no existe coincidencia temporal.

• Actividades Autónomas: Son todas aquellas actividades que el estudiante realiza de manera independiente y en donde no hay una intervención directa del docente.

En nuestro caso tenemos:

Materiales de Clase

Errores comunes

Instalación de Jupyter-Notebook

Khan Academy

• Crear una cuenta (registrarse) en Khan Academy: https://es.khanacademy.org/signup . Debe usar el correo institucional, es decir, el correo de la ESAP.
• (opcional) elegir Estadística en Personalización.
• Inscribirse a mi clase (unirse) en Khan Academy: https://es.khanacademy.org/join . Código de clase: HKX4K6XD
• Confirmar la clase
• Recarga https://es.khanacademy.org, actividades en panel izquierdo

Evaluación

La evaluación del curso se hará por medio de cuestionarios en Khan Academy y talleres de programación que cubren las diferentes secciones del curso. Todas las evaluaciones tienen el mismo peso. La descripción de cada una de las actividades se hizo ya anteriormente en ésta página, marcada con negrilla.

Criterios de evaluación

Los criterios de evaluación específicos están atrás. En términos generales se espera que:

• Se sigan las reglas especificadas en el ejercicio
• Se explique de manera clara y concisa, sin texto automatizado
• Cuando es código, el entregable sea reproducibile: entregar código fuente
• En todas las evaluaciones se debe seguir el código de ética
• En casos particulares habrá rúbricas específicas, revíselas

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 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

Horario de Atención

• Lunes o Martes, 14:00 a 16:00
• Se solicita cita previa por TEAMS. Si alguien ya tiene el espacio, le notificaré para cambiar la hora. Usted hace el evento en TEAMS.
• Si no puede en ese hora, envíe un mensaje de correo electrónico indicando su propuesta de horario, con tiempo, para concertar.

Recursos Adicionales

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

Bibliografía Principal

• 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
• ​​González, L. (2018). Análisis Exploratorio de Datos . UJTL.

Bibliografía Complementaria

• David Diez, OpenIntro Statistics (2019). Fourth Edition. openintro.org/os
• López-Roldán, Pedro; Fachelli, Sandra. Metodología de la investigación social cuantitativa. Bellaterra: Universitat Autònoma de Barcelona, 2015. https://ddd.uab.cat/record/129382
• 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
• 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
• ​​Datar, R. (2023). Exploratory Data Analysis with R. Deli: Packt.
• ​Knaflic, C. N. (2015). Storytelling with Data. New Jersy: Wiley.
• ​Oluleye, A. (2023). Exploratory Data Analysis with Python Cookbook. New York: Packt.

Profesor: