Universidad Pública de El Alto

Ingeniería de Sistemas

SEGUNDA PRACTICA DE BASE DE DATOS I

Nombre: Henry Verytt Cantuta Zuazo CI: 10082213

1.MOSTRAR LA COMUNIDAD O LOCALIDAD (COM_LOC) DE LOS DEPARTAMENTOS

EN LOS QUE EXISTE MAYOR CANTIDAD DE VIVIENDAS QUE POBLADORES
ORDENADOS POR LA CANTIDAD DE VIVIENDAS DE MAYOR A MENOR
R.
2. DETERMINAR LA CANTIDAD DE VECES EN LAS QUE EL NÚMERO DE VIVIENDAS
SEA MAYOR A LA CANTIDAD DE POBLADORES POR CIUDAD O COMUNIDAD (CIU
COM)
R.SELECT COUNT(*) AS NUM_DE_FILAS FROM CIU_COM WHERE
VIVIENDAS>POBLACIÓN_EMPADRONADA
3. SELECCIONAR REGISTROS DE LA TABLA GASTRONOMÍA CUYA DESCRIPCIÓN
INCLUYA LA PALABRA ESTOFADO
R.SELECT * FROM GASTRONOMÍA WHERE DESCRIPCIÓN LIKE '%ESTOFADO%';
4. MOSTRAR EL PORCENTAJE DE VARONES POR CIUDAD O COMUNIDAD EN LA
PROVINCIA MURILLO
R.SELECT ciu_com.nombre , (ciu_com.pob_masculina/ ciu_com.pob_empadronada)*100 as
pocenteje_varones from ciu_com join provincia on ciu_com.provincia=provincia.id_provincia where
provincia.nombre='murillo';
5. SELECCIONAR REGISTROS DE LA TABLA PAÍS EN LOS QUE LA POBLACIÓN SEA
MAYOR A 100000 Y LA POBLACIÓN DE MUJERES SEA MAYOR A LA DE VARONES
R.SELECT PAIS.nombre, SUM(departamento.pob_empadronada) AS pob_as FROM `PAIS` JOIN
departamento ON departamento.pais=PAIS.id_pais WHERE
departamento.pob_empadronada>=100000 AND
departamento.pob_femenina>departamento.pob_masculina;
 Universidad Pública de El Alto
Ingeniería de Sistemas

TRABAJO 2: TRABAJO DE INVESTIGACIÓN

1. EL BIG DATA Y SUS APLICACIONES

El término "Big Data" se refiere a conjuntos de datos que son tan grandes y
complejos que las herramientas de procesamiento de datos tradicionales no son
suficientes para gestionarlos. Estos conjuntos de datos suelen caracterizarse por las
3V: volumen, velocidad y variedad. Las aplicaciones de Big Data abarcan diversas
industrias y sectores, y su uso ha ido en aumento en los últimos años. Aquí hay
algunas aplicaciones destacadas:

​ Análisis de Datos en Tiempo Real:

● Ejemplo: Plataformas de redes sociales que procesan grandes
cantidades de datos en tiempo real para ofrecer contenido
personalizado o anuncios dirigidos.
​ Salud y Ciencias Biológicas:
● Ejemplo: Análisis genómico para entender la predisposición genética a
enfermedades, análisis de datos de pacientes para mejorar la atención
médica y la gestión de enfermedades crónicas.
​ Finanzas:
● Ejemplo: Detección de fraudes en transacciones financieras, análisis
de patrones de mercado para tomar decisiones comerciales
informadas.
​ Comercio Electrónico:
● Ejemplo: Recomendaciones de productos basadas en el historial de
compras y comportamientos de navegación, análisis de precios y
demanda.
​ Industria:
● Ejemplo: Mantenimiento predictivo en la industria manufacturera para
prever fallos en equipos antes de que ocurran, optimización de la
cadena de suministro.
​ Gobierno y Sector Público:
● Ejemplo: Análisis de datos para mejorar la eficiencia en la prestación
de servicios públicos, seguimiento y prevención del crimen.
​ Investigación Científica:
● Ejemplo: Análisis de datos masivos en investigación científica, como el
estudio de partículas en física de partículas o el análisis climático.
​ Educación:
● Ejemplo: Análisis de datos para personalizar la educación, evaluar el
rendimiento estudiantil y mejorar la eficacia de los métodos de
enseñanza.
 Universidad Pública de El Alto
Ingeniería de Sistemas

​ Internet de las Cosas (IoT):

● Ejemplo: Recopilación y análisis de datos de sensores en dispositivos
conectados para mejorar la eficiencia y tomar decisiones informadas.
​ Marketing Digital:
● Ejemplo: Análisis de datos de comportamiento en línea para
personalizar campañas de marketing, segmentar audiencias y mejorar
la experiencia del usuario.

Estas son solo algunas de las muchas aplicaciones del Big Data. A medida que la
tecnología y las capacidades de análisis avanzan, es probable que surjan nuevas
formas de aprovechar los beneficios de los grandes conjuntos de datos en diversos
campos.

2. CUAL ES LA DIFERENCIA ENTRE EL ANALISTA DE DATOS Y CIENTÍFICO DE DATOS, DAR

EJEMPLOS

Analista de Datos:

Responsabilidades:

​ Extracción y Transformación de Datos (ETL): Recopilación y limpieza de

datos para que sean utilizables.
​ Análisis Descriptivo: Exploración y descripción de patrones y tendencias en
los datos.
​ Elaboración de informes: Creación de informes y visualizaciones para
comunicar los resultados a partes interesadas.
​ Toma de Decisiones Basada en Datos: Ayuda a la toma de decisiones
mediante el análisis de datos históricos.

Ejemplos:

● Un analista de datos en una empresa minorista puede analizar las ventas

mensuales para identificar patrones estacionales y optimizar el inventario.
● Un analista financiero podría examinar los datos de gastos e ingresos para
identificar áreas de eficiencia y proponer mejoras.
 Universidad Pública de El Alto
Ingeniería de Sistemas

Científico de Datos:

Responsabilidades:

​ Modelado Predictivo: Desarrollo de modelos y algoritmos para predecir

futuros eventos o tendencias.
​ Análisis de Machine Learning: Implementación de técnicas de aprendizaje
automático para obtener información de los datos.
​ Optimización de Modelos: Mejora continua de modelos para aumentar la
precisión y la eficacia.
​ Desarrollo de Algoritmos: Creación de algoritmos personalizados para
resolver problemas específicos de la empresa.

Ejemplos:

● Un científico de datos en una plataforma de redes sociales podría desarrollar

un modelo para predecir el compromiso del usuario basado en el
comportamiento pasado.
● En una empresa de salud, un científico de datos podría trabajar en el análisis
de datos para desarrollar un modelo predictivo de enfermedades crónicas.

Diferencias Clave:

● Enfoque Temporal: Los analistas de datos tienden a centrarse en el análisis

de datos históricos para informar las decisiones presentes, mientras que los
científicos de datos pueden trabajar en la predicción y optimización futuras.
● Complejidad del Análisis: Los científicos de datos suelen enfrentarse a
problemas más complejos y emplear técnicas avanzadas de aprendizaje
automático, mientras que los analistas de datos se centran en análisis
descriptivos y tareas más operativas.
● Herramientas y Habilidades: Los científicos de datos a menudo requieren
habilidades en programación (por ejemplo, Python o R) y conocimientos
profundos de estadísticas y aprendizaje automático, mientras que los
analistas de datos pueden depender más de herramientas de análisis visual y
menos de programación.