Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ciclo I – 2024
Situación problemática
El análisis de datos es una herramienta fundamental para la toma de decisiones, desde la medición de la
eficiencia o desempeño de una herramienta informática hasta el análisis de proyectos de negocio. Por tal
razón, para las personas que se desempeñan en el campo de los negocios y, en especial los negocios digitales,
es de extrema importancia contar con herramientas básicas que le permitan analizar datos, reconocer patrones,
plantear mediciones de naturaleza estadística, así como conocer las limitaciones de estos análisis.
Función clave
Utilizar el pensamiento analítico para resolver problemas, de forma autónoma, a partir de la información
cuantitativa y/o cualitativa disponible, teniendo en cuenta su contexto.
Competencias
▪ Identificar lo que se desea resolver, discriminando la información disponible para un efectivo
planteamiento de problemas.
▪ Analizar las diferentes opciones y datos con los que se cuenta para generar alternativas de solución a
un problema.
▪ Utilizar herramientas tecnológicas para comunicar información relevante a diferentes audiencias.
Elementos de competencia
▪ Comprende los diferentes tipos de muestreo en el levantamiento de información estadística.
▪ Calcula los estadísticos descriptivos básicos que caracterizan a una población, incluyendo media,
varianza, mediana, entre otros.
▪ Plantea hipótesis estadísticas válidas que pueden ser contrastadas contra los datos.
▪ Realiza inferencias sobre los valores de una población y comprende los conceptos de precisión
estadística y margen de error.
▪ Analiza la asociación entre variables utilizando métodos de regresión y correlación.
▪ Prepara los datos para el análisis estadístico utilizando Python.
▪ Conduce análisis estadísticos exploratorios y descriptivos usando Python.
Metodología
FORMATO. Esta es una asignatura que se impartirá en formato presencial con cuatro sesiones por semana: tres
clases magistrales y una ayudantía.
Clases magistrales: En estas se presentarán los contenidos teóricos básicos del curso, así como una serie
de ejercicios para fortalecer el dominio de dichos contenidos. Para la clase se espera que los y las
estudiantes hayan leído con anterioridad el material asignado (detallado más adelante). Asimismo, en
los contenidos para los que resulte pertinente, se mostrará cómo utilizar el software Excel de MS Office
para ejecutar los algoritmos y outputs que se estudiarán de forma análoga en las clases magistrales, por
lo que el profesor avisará con anticipación en qué sesiones se espera que las y los estudiantes lleven
laptops (ya sean personales o de las provistas por el Centro de Conocimiento).
Ayudantía: La ayudantía consiste en una sesión semanal de 100 minutos de duración en la cual también
se pondrán en práctica los conocimientos teóricos adquiridos durante las clases, pero en este caso,
utilizando el software de programación Python. El contenido a cubrir va desde conceptos básicos de
programación hasta visualización y análisis de datos. Dentro del programa se incluyen evaluaciones que
forman parte de la nota global de la materia y que van a consistir en tareas de programación y
valoración de los conceptos aprendidos durante la ayudantía.
MS Excel: la hoja de cálculo incluida en el paquete de Office 365, provisto por la ESEN a sus estudiantes,
ha sido el estándar académico y profesional por décadas. Dada su ubicuidad, se buscará habilitar a las y
los estudiantes con un manejo básico de la interfaz, las fórmulas y los paquetes específicamente
dirigidos al trabajo estadístico. Esto se cubrirá en las clases magistrales y seguirá la lógica temática de
los contenidos del curso. La intención de mostrar el uso de Excel es familiarizarles con el software, pero
esto no corresponderá con actividades sumativas a la nota global del curso, el software que sí se
evaluará, tanto en las tareas de la ayudantía, como en el proyecto y los exámenes, es Python. Excel
puede configurar una opción más en el kit de herramientas para el trabajo estadístico.
CONSULTAS. Se pueden realizar de forma presencial en la oficina del profesor David Cruz (lunes y miércoles
entre 1:00 p.m. y 2:30 p.m.), vía zoom previo horario acordado, por correo electrónico, o por la mensajería
interna en Moodle.
RETROALIMENTACIÓN. Todas las evaluaciones realizadas recibirán una retroalimentación clara, concisa y
oportuna, oficialmente notificada, por medio del correo institucional o de la plataforma de Moodle, a fin de
que el estudiante pueda identificar sus áreas de mejora en cada unidad temática. El plazo para la solicitud de
revisión de notas de los y las estudiantes inicia desde el momento en que la pauta o rúbrica aparezca publicada
en el Moodle o haya sido enviada por el correo institucional.
1. Estadística Descriptiva
a. Conceptos básicos de estadística y visualización de datos
b. Distribuciones y sus medidas de posición, dispersión, forma, y asociación
2. Probabilidad
a. Métodos de conteo y fundamentos de probabilidad
b. Distribuciones de probabilidad de variables aleatorias discretas
c. Distribuciones de probabilidad de variables aleatorias continuas
3. Inferencia Estadística
a. Muestreo y distribuciones muestrales
b. Pruebas de hipótesis
4. Correlación y regresión
a. Modelo de regresión lineal simple
b. Modelo de regresión lineal múltiple
A continuación, se presenta el desglose de las secciones anteriores, así como las lecturas asignadas
correspondientes a cada semana del ciclo:
Semana 3. Probabilidad
Métodos de conteo (factoriales, combinaciones, permutaciones) y Probabilidad (definición,
conceptos básicos)
▪ Anderson, 2012. Capítulo 4, sección 4.1
▪ Anderson, 2012. Capítulo 4, sección 4.2
Ley de la adición y ley de la multiplicación de probabilidades (probabilidad condicional)
▪ Anderson, 2012. Capítulo 4, sección 4.3
▪ Anderson, 2012. Capítulo 4, sección 4.4
Teorema de Bayes
▪ Anderson, 2012. Capítulo 4, sección 4.5
Bibliografía
Libros de texto
▪ Anderson, David R., Sweeney, Dennis J., y Williams, Thomas A. (2012) Estadística para negocios y
economía (11ª ed.) México: McGraw Hill.
▪ Runger, G. y Montgomery, D. (2010). Applied Statistics and Probability for Engineers (5.a ed.). New
Jersey: Wiley.
▪ Triola, Mario F. (2004) Estadística (9a ed.) México: Pearson.
Sitios web
• Python: https://docs.python.org/3/tutorial/index.html
• Pandas:https://pandas.pydata.org/docs/user_guide/index.html#user-guide
• Matplotlib: https://matplotlib.org/stable/users/index.html
• Seaborn: https://seaborn.pydata.org/api.html
• Numpy: https://numpy.org/doc/stable/user/
• Colab: https://medium.com/google-colab
• Excel: https://support.microsoft.com/en-us/excel
Además de las fuentes de información y materiales de apoyo precedentes, en relación con las unidades
temáticas, cuando sea preciso, se proporcionarán a los estudiantes otras fuentes y materiales específicos.
Evaluación
Instrumentos
Criterio de evaluación Indicador de logro
evaluación
Comprende los
• Describe el concepto de distribución y reconoce los Tarea
conceptos principales
diferentes tipos de muestreo, sus ventajas y Examen Parcial
de distribución y
desventajas, y los casos en los que aplica. Proyecto
muestreo
La nota mínima de aprobación es de 6.0 en la escala de 0.0 a 10.0. Las notas se adjudicarán hasta con un
decimal. La nota de actividades grupales solo se otorga a quienes hayan alcanzado un promedio ponderado de
6.0 o más en las actividades individuales.
Las entregas de tareas que lo ameriten (como el Proyecto), serán sometidas a un software que detecta el plagio
(https://www.compilatio.net/es), por lo que es importante que cumplan todas las normas del Manual de estilo
de trabajos académicos.
El detalle de las evaluaciones y el calendario general del curso se presenta en la siguiente página.
Nota importante: Considere que este programa de estudios, junto con las tareas del curso y las fechas de
entrega están sujetas a cambios, con previo aviso. Además, es responsabilidad del estudiante revisar Moodle
para correcciones o actualizaciones del programa de estudios.
Sección
Semana Contenido Clases Ayudantías Evaluación
temática
5 Distribuciones de probabilidad de
3 1
[Feb12 - Feb16] variables aleatorias continuas
6 Examen Parcial
[Feb19 - Feb23] (25%)
7
Muestreo y distribuciones muestrales 3 1
[Feb26 - Mar1]
8 Inferencia
Pruebas de hipótesis - Parte 1 3 1
[Mar4 - Mar8] Estadística
9
Pruebas de hipótesis - Parte 2 3 1
[Mar11 - Mar15]
10 Tarea 2
Modelo de regresión lineal simple 3 1
[Mar18 - Mar22] (10%)
Correlación
[Mar25 - Mar29] Semana Santa
y regresión
11 Entrega Proyecto
Modelo de regresión lineal múltiple 3 1
[Abr1 - Abr5] (20%)
12 Examen Final
[Abr8 - Abr12] (30%)
Participación
(5%)
Tareas 1 y 2 (10% cada una): Serán asignadas en la ayudantía y, aunque cubrirán el contenido visto en clase,
tendrá un componente importante de los conocimientos adquiridos en la ayudantía (uso de Python).
Examen Parcial (25%) y Examen Final (30%): Cubrirán todo el contenido de la primera y segunda mitad del
ciclo, respectivamente. Aunque los formatos específicos se indicarán en fechas cercanas y puede incluirse una
sección virtual, estos exámenes serán esencialmente analógicos (a mano).
Proyecto Grupal (20%): Durante la semana 7 del ciclo se discutirán los detalles de este proyecto grupal que se
entregará y presentará en la semana 11 del ciclo.
Participación (5%): Se espera que todos los alumnos y alumnas participen un mínimo de tres veces en el ciclo.
Se considera “participación” a respuestas a preguntas directas de parte del profesor o instructor, así como todo
aporte o comentario que sintetice, ilustre, o expanda algún concepto discutido en el pleno del salón.
Políticas del curso
PUNTUALIDAD: Las actividades académicas deberán iniciarse a la hora programada y transcurridos diez
minutos será prerrogativa del docente o instructor permitir o no el ingreso de estudiantes. Estas normas están
contenidas en el artículo 25 del Reglamento Académico de la ESEN.
COMUNICACIÓN: Toda comunicación deberá de realizarse a través del correo electrónico institucional o por el
servicio de mensajería de Moodle. Cualquier comunicación proveniente de correos electrónicos no
institucionales será ignorada. Se espera dar respuesta a un correo electrónico en las próximas 48 horas luego
de su recepción.
USO DE CELULARES EN EL AULA: No está permitido el uso de celulares en el transcurso de una clase, salvo que
el docente indique lo contrario. Será prerrogativa del docente o instructor expulsar del salón a quienes
incumplan esta indicación.
COMPROMISO CON LA INTEGRIDAD: Cualquier falta a la integridad académica en cualquier actividad evaluada
(plagio, copia, fraude, etc.) será reportada al comité disciplinario, que abrirá un caso para determinar el curso
de acción a seguir. Todos deben seguir el código de honor de la ESEN:
“Por mi honor y ante mis compañeros, me comprometo a no copiar para que este examen refleje mi
verdadero nivel de conocimientos”.
Solo serán sujetas a revisión las actividades académicas (distintas a exámenes) que incluyan la declaración:
“Por mi honor y ante mis compañeros, me comprometo a que esta actividad académica refleje mi
verdadero nivel de conocimientos, evitando cometer cualquier acto de deshonestidad académica (por
ejemplo, copiar o plagiar)”.
LENGUAJE: El uso de lenguaje soez, y faltas de respeto en general, están estrictamente prohibidos. Su uso
implicará la expulsión de la clase.
ACTIVIDADES NO PERTINENTES A LA CLASE: No está permitido desarrollar actividades ajenas a la materia, esto
incluye trabajos o actividades de otra materia, hacerlo implicará la expulsión de la clase. No está permitido
ingerir alimentos ni bebidas, a excepción de agua, café o té, o si el docente establece lo contrario. En los
laboratorios de informática o de tecnología no habrá excepciones.
CUIDADO DE LA INFRAESTRUCTURA: Los alumnos deben mantener limpios y en perfecto estado todos los
espacios del campus: aulas, auditorios, laboratorios, zonas comunes, zonas verdes, sanitarios, etc.
Sobre uso de la IA
Los estudiantes deben aprender a usar generadores de texto de IA y otros recursos de asistencia basados en IA
(colectivamente, herramientas de IA) para mejorar en lugar de dañar sus habilidades de desarrollo como
escritores, codificadores, comunicadores y pensadores. Los profesores deben garantizar una calificación justa
tanto para aquellos que usan como para aquellos que no usan herramientas de IA, por lo que la siguiente
política de IA enfatiza la transparencia, la equidad, y la honestidad intelectual. Con ese fin, la política adopta
algunas limitaciones de sentido común.
• Dar crédito a las herramientas de IA siempre que se utilicen, aunque solo sea para generar ideas en
lugar de texto o ilustraciones utilizables. Esto implica adjuntar un detalle que explicite el uso que se le
dio a la herramienta, como se desglosa a continuación.
• Cuando use herramientas de IA en las tareas, agregue un apéndice que muestre (a) todo el intercambio,
destacando las secciones más relevantes; (b) una descripción precisa de qué herramientas de IA se
utilizaron (por ejemplo, la versión de suscripción privada de ChatGPT o la versión gratuita DALL-E), (c)
una explicación de cómo se utilizaron las herramientas de IA (por ejemplo, para generar ideas, giros de
frase, elementos de texto, largos tramos de texto, líneas de argumentación, líneas de código, piezas de
evidencia, mapas conceptuales, ilustraciones de conceptos clave, etc.); (d) una explicación de por qué se
utilizaron herramientas de IA (por ejemplo, para ahorrar tiempo, superar el bloqueo del escritor,
estimular el pensamiento, manejar el estrés creciente, aclarar la prosa, traducir texto, experimentar, etc.).
• No utilizar herramientas de IA durante los exámenes o tareas dentro o fuera de la clase, a menos que se
permita e instruya explícitamente.
• Utilice las herramientas de IA de manera inteligente y sabia, con el objetivo de profundizar la
comprensión del tema y apoyar el aprendizaje.