Fundamentos y Aplicaciones del Análisis de Datos en Ingeniería

1. Conceptos Básicos del Análisis de Datos

• Definición y objetivos del análisis de datos: se explicará qué es el análisis de datos y por qué es fundamental en la ingeniería para la toma de decisiones informadas.
• Importancia del análisis de datos en ingeniería: se presentarán ejemplos de aplicaciones en diferentes ramas de la ingeniería que demuestran su relevancia.
• Terminología básica: datos, variables, observaciones, población y muestra.

2. El Ciclo Completo del Análisis de Datos

• Obtención de datos: métodos y fuentes de datos, incluyendo sensores, bases de datos, experimentos y simulaciones.
• Preparación y limpieza de datos: identificación y manejo de datos faltantes, errores y valores atípicos.
• Exploración de datos: técnicas básicas para comprender la estructura y características de los datos.
• Análisis y modelado: introducción a técnicas simples de análisis descriptivo y predictivo.
• Interpretación y comunicación de resultados: cómo traducir los análisis en conclusiones útiles para la ingeniería.

3. Tipos y Fuentes de Datos en Ingeniería

• Clasificación de datos: datos cuantitativos (discretos y continuos) y cualitativos (nominales y ordinales).
• Fuentes comunes de datos en ingeniería: sensores, bases de datos industriales, encuestas, registros de mantenimiento, simulaciones computacionales.
• Evaluación de la calidad de los datos: precisión, exactitud, integridad, consistencia y relevancia.
• Selección de datos apropiados para análisis: criterios para decidir qué datos utilizar según el problema de ingeniería.

4. Técnicas Básicas para la Recopilación y Organización de Datos

• Diseño de formularios y formatos para la recolección de datos: buenas prácticas para asegurar calidad y uniformidad.
• Herramientas computacionales básicas: introducción a hojas de cálculo (Excel, Google Sheets) y software libre para manejo de datos.
• Organización y almacenamiento de datos: estructura de tablas, bases de datos simples y etiquetado de datos.
• Prácticas para la documentación adecuada de los datos recopilados.

5. Interpretación de Resultados Preliminares y Comunicación

• Análisis exploratorio básico: uso de gráficos, tablas resumen y medidas estadísticas descriptivas.
• Interpretación de resultados en el contexto del problema de ingeniería.
• Comunicación efectiva: elaboración de informes breves y presentaciones claras para audiencias técnicas y no técnicas.
• Importancia de los resultados en la toma de decisiones y planificación de proyectos.

Actividad 1: Definiendo el Análisis de Datos en Ingeniería

Objetivo: Contribuye al objetivo de definir conceptos básicos y explicar su importancia.

Descripción:

• El docente presenta un caso real donde el análisis de datos impactó un proyecto de ingeniería.
• Los estudiantes, en parejas, discuten y redactan una definición propia de análisis de datos.
• Cada pareja comparte su definición y se construye una definición consensuada en clase.
• Finalmente, los estudiantes listan al menos tres razones por las que el análisis de datos es importante en ingeniería.

Organización: parejas y discusión grupal.

Producto esperado: definición consensuada y lista de razones.

Duración estimada: 45 minutos.

Actividad 2: Identificación del Ciclo de Análisis de Datos

Objetivo: Describir el ciclo completo de análisis de datos identificando cada etapa y su función.

Descripción:

• Se entrega a los estudiantes un conjunto de tarjetas con etapas y descripciones del ciclo de análisis.
• En grupos pequeños, los estudiantes ordenan las tarjetas en la secuencia correcta y relacionan cada etapa con su función específica.
• Se realiza una puesta en común donde se explica la importancia de cada etapa y ejemplos de aplicación.

Organización: grupos de 3-4 estudiantes.

Producto esperado: secuencia correcta del ciclo y explicación escrita breve.

Duración estimada: 60 minutos.

Actividad 3: Clasificación y Evaluación de Datos

Objetivo: Diferenciar tipos de datos y fuentes comunes, evaluando su calidad y pertinencia.

Descripción:

• Se proporciona a los estudiantes ejemplos de diferentes tipos de datos provenientes de ingeniería (sensores, encuestas, simulaciones).
• Individualmente, clasifican cada conjunto según tipo de dato y fuente.
• Luego, en parejas, discuten la calidad y pertinencia de cada conjunto para un análisis específico.
• Se comparte en grupo grande las conclusiones y se discuten criterios para evaluar datos.

Organización: individual y parejas.

Producto esperado: tabla de clasificación y análisis de calidad.

Duración estimada: 50 minutos.

Actividad 4: Recolección y Organización de Datos con Herramientas Computacionales

Objetivo: Aplicar técnicas básicas de recopilación y organización de datos usando herramientas computacionales.

Descripción:

• El docente explica el uso básico de hojas de cálculo para ingresar y organizar datos.
• Los estudiantes en grupos recolectan datos sencillos de un experimento simulado o datos de ejemplo proporcionados.
• Organizan los datos en una hoja de cálculo siguiendo criterios de calidad y documentación.
• Presentan brevemente su tabla organizada y explican las decisiones tomadas en la organización.

Organización: grupos de 3-4 estudiantes.

Producto esperado: hoja de cálculo organizada y presentación breve.

Duración estimada: 70 minutos.

Actividad 5: Interpretación y Comunicación de Resultados Preliminares

Objetivo: Interpretar resultados preliminares y comunicar su relevancia para la toma de decisiones.

Descripción:

• Se entregan a los estudiantes conjuntos de datos simples con resultados preliminares (gráficos y tablas).
• Individualmente, interpretan los resultados y redactan conclusiones breves.
• En grupos, preparan una presentación corta para comunicar los hallazgos a un público no experto.
• Se realiza la presentación y retroalimentación enfocada en claridad y relevancia.

Organización: individual y grupos.

Producto esperado: informe breve y presentación oral.

Duración estimada: 60 minutos.

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos básicos de análisis de datos y su importancia en ingeniería.

Cómo se evalúa: Cuestionario breve tipo test y preguntas abiertas al inicio de la unidad.

Instrumento sugerido: cuestionario digital o en papel con preguntas sobre definiciones y ejemplos.

Evaluación Formativa

Qué se evalúa: Progreso en la comprensión del ciclo de análisis, clasificación de datos, uso de herramientas y comunicación de resultados.

Cómo se evalúa: Revisión de productos de actividades (definiciones, secuencia del ciclo, tablas de clasificación, hojas de cálculo organizadas, informes breves).

Instrumento sugerido: rúbrica de evaluación para actividades prácticas y observación directa durante las presentaciones y discusiones.

Evaluación Sumativa

Qué se evalúa: Dominio integrado de los conceptos, ciclo de análisis, identificación y evaluación de datos, aplicación de técnicas básicas y comunicación de resultados.

Cómo se evalúa: Examen escrito con preguntas de desarrollo, análisis de casos prácticos y un proyecto corto de análisis preliminar de datos con informe y presentación.

Instrumento sugerido: examen parcial y rúbrica para proyecto final.

La unidad "Introducción al Análisis de Datos" se sugiere impartir en 2 semanas, con un total aproximado de 10 horas distribuidas de la siguiente manera: 3 horas para exposición y discusión de contenidos teóricos, 5 horas para realización de actividades prácticas en clase y 2 horas para evaluación formativa y sumativa. Esta distribución permite un equilibrio entre teoría y práctica, facilitando la comprensión y aplicación de los conceptos fundamentales.

1. Introducción a la Estadística Descriptiva

• Definición y propósito de la estadística descriptiva en ingeniería.
• Importancia de resumir y describir datos para la toma de decisiones.
• Tipos de datos: cualitativos y cuantitativos.
• Herramientas computacionales comunes para análisis estadístico (Excel, Python - pandas, R).

2. Medidas de Tendencia Central

• Concepto y relevancia de la tendencia central en conjuntos de datos.
• Cálculo y propiedades de la media aritmética.
• Cálculo y propiedades de la mediana.
• Cálculo y propiedades de la moda.
• Comparación entre media, mediana y moda: casos de uso y limitaciones.
• Ejemplos prácticos en contextos de ingeniería.
• Uso de herramientas computacionales para calcular medidas de tendencia central.

3. Medidas de Dispersión

• Importancia de medir la variabilidad en los datos.
• Definición y cálculo del rango.
• Concepto y fórmula para la varianza.
• Desviación estándar: interpretación y cálculo.
• Relación entre varianza y desviación estándar.
• Ejemplos aplicados a datos de ingeniería para interpretar dispersión.
• Implementación de cálculos de dispersión con herramientas digitales.

4. Visualización Básica de Datos

• Importancia de la visualización para el análisis exploratorio de datos.
• Construcción e interpretación de histogramas.
• Construcción e interpretación de diagramas de caja (boxplots).
• Construcción e interpretación de gráficos de barras.
• Selección del tipo de gráfico adecuado según la naturaleza del dato y el objetivo del análisis.
• Uso de software para generar gráficos básicos.

5. Evaluación de la Calidad y Adecuación de Datos con Estadística Descriptiva

• Identificación de datos atípicos y su impacto en el análisis.
• Evaluación de la simetría o sesgo en la distribución de datos.
• Interpretación de medidas estadísticas para valorar la calidad del conjunto de datos.
• Detección de errores o inconsistencias mediante análisis descriptivo.
• Aplicación de técnicas descriptivas para sustentar decisiones en proyectos de análisis de datos.

Actividad 1: Cálculo Manual y Computacional de Medidas de Tendencia Central

Objetivo: Identificar y calcular media, mediana y moda en conjuntos de datos numéricos.

Descripción:

• Se entrega un conjunto de datos numéricos relacionados con un problema de ingeniería (por ejemplo, tiempos de respuesta de un sistema).
• Los estudiantes calculan manualmente media, mediana y moda.
• Posteriormente, realizan los mismos cálculos empleando una herramienta computacional (Excel o Python).
• Comparan resultados y discuten diferencias o ventajas del uso de software.

Organización: Individual

Producto esperado: Informe con cálculos manuales y computacionales, conclusiones sobre el uso de herramientas.

Duración estimada: 90 minutos

Actividad 2: Análisis de Dispersión para Datos Reales de Ingeniería

Objetivo: Analizar y determinar medidas de dispersión para describir la variabilidad de datos.

Descripción:

• Se proporciona un conjunto de datos reales (por ejemplo, mediciones de presión en una planta industrial).
• Los estudiantes calculan rango, varianza y desviación estándar manualmente y con software.
• Interpretan el significado de las medidas calculadas en el contexto del problema.
• Discuten cómo la variabilidad afecta la toma de decisiones en ingeniería.

Organización: Parejas

Producto esperado: Reporte con cálculos, interpretación y conclusiones.

Duración estimada: 2 horas

Actividad 3: Construcción e Interpretación de Gráficos Estadísticos

Objetivo: Construir e interpretar histogramas, diagramas de caja y gráficos de barras.

Descripción:

• Se entrega un conjunto de datos cuantitativos y cualitativos.
• Los estudiantes elaboran los diferentes gráficos usando herramientas computacionales.
• Interpretan y explican las características de la distribución de los datos a partir de los gráficos.
• Discuten cuál gráfico es más adecuado para cada tipo de dato y objetivo analítico.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Presentación visual de gráficos con análisis y justificación.

Duración estimada: 2 horas

Actividad 4: Evaluación de la Calidad de Datos mediante Estadística Descriptiva

Objetivo: Evaluar la calidad y adecuación de los datos resumidos para sustentar decisiones.

Descripción:

• Se entrega un conjunto de datos con posibles valores atípicos y errores.
• Los estudiantes aplican técnicas descriptivas para detectar datos anómalos y evaluar simetría.
• Proponen acciones o recomendaciones para mejorar la calidad del conjunto de datos.
• Realizan un informe que justifique sus hallazgos y decisiones basadas en análisis estadístico.

Organización: Individual o parejas

Producto esperado: Informe con análisis de calidad de datos y recomendaciones.

Duración estimada: 2 horas

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos básicos de estadística descriptiva y manejo inicial de herramientas computacionales.

Cómo se evalúa: Cuestionario breve con preguntas de opción múltiple y problemas simples de cálculo de medidas centrales.

Instrumento sugerido: Prueba en línea o en papel al inicio de la unidad.

Evaluación Formativa

Qué se evalúa: Progreso en el cálculo e interpretación de medidas estadísticas y elaboración de gráficos.

Cómo se evalúa: Revisión continua de actividades prácticas (cálculos manuales y computacionales, gráficos) y retroalimentación durante el desarrollo de la unidad.

Instrumento sugerido: Listas de cotejo para actividades, observación y retroalimentación oral o escrita.

Evaluación Sumativa

Qué se evalúa: Capacidad para identificar, calcular y analizar medidas de tendencia central y dispersión, construir gráficos y evaluar calidad de datos en un contexto aplicado.

Cómo se evalúa: Examen práctico o proyecto integrador que incluya análisis de un conjunto de datos real con uso de herramientas computacionales, interpretación de resultados y justificación de decisiones.

Instrumento sugerido: Proyecto final con rúbrica de evaluación que contemple precisión en cálculos, correcta construcción e interpretación de gráficos, y análisis crítico de calidad de datos.

La unidad "Fundamentos de Estadística Descriptiva" se sugiere desarrollar en un total de 12 horas distribuidas en 4 semanas, con una dedicación aproximada de 3 horas semanales. La distribución propuesta es:

• Semana 1: Introducción y medidas de tendencia central (3 horas: teoría y actividad 1).
• Semana 2: Medidas de dispersión (3 horas: teoría y actividad 2).
• Semana 3: Visualización básica de datos (3 horas: teoría y actividad 3).
• Semana 4: Evaluación de calidad de datos y cierre de unidad (3 horas: teoría, actividad 4 y evaluación sumativa).

1. Introducción a la Probabilidad

• Concepto de probabilidad: Definición, interpretación clásica, frecuentista y subjetiva. Importancia en ingeniería.
• Eventos y espacios muestrales: Eventos simples y compuestos, espacio muestral finito e infinito, ejemplos en contextos de ingeniería.
• Reglas básicas de probabilidad: Probabilidad de eventos complementarios, unión e intersección de eventos, eventos mutuamente excluyentes.
• Propiedades de la probabilidad: Axiomas, teorema de la probabilidad total y teorema de Bayes (introducción).

2. Variables Aleatorias y Funciones de Distribución

• Definición de variable aleatoria: Variable aleatoria discreta y continua, ejemplos en ingeniería.
• Funciones de probabilidad y densidad: Función de masa de probabilidad para variables discretas, función de densidad para variables continuas.
• Función de distribución acumulada (FDA): Definición, propiedades y su uso para calcular probabilidades.
• Esperanza matemática y varianza: Conceptos, fórmulas, interpretación y cálculo para variables discretas y continuas.

3. Reglas y Cálculo de Probabilidades en Problemas Técnicos

• Regla de adición y multiplicación: Aplicación para eventos independientes y dependientes en ingeniería.
• Probabilidad condicional: Definición, cálculo y ejemplos en sistemas de ingeniería.
• Teorema de Bayes: Aplicación para diagnóstico y toma de decisiones en ingeniería.
• Ejemplos prácticos: Cálculo de probabilidades en procesos productivos, confiabilidad de sistemas y control de calidad.

4. Distribuciones Estadísticas Principales

• Distribución Binomial: Definición, fórmula, propiedades y ejemplos de aplicaciones en ingeniería (ensayos, calidad).
• Distribución Normal: Características, función de densidad, importancia del teorema central del límite, uso en ingeniería.
• Distribución de Poisson: Definición, propiedades, ejemplos en conteo de eventos raros (fallas, accidentes).
• Relación entre distribuciones: Cómo y cuándo usar cada distribución según el contexto de datos.

5. Aplicación de Distribuciones Estadísticas en Análisis de Datos de Ingeniería

• Modelado de datos experimentales: Selección de distribución adecuada según tipo de datos y proceso.
• Estimación de parámetros: Media, varianza, tasa, y su cálculo a partir de datos reales.
• Simulación de procesos estocásticos: Uso de distribuciones para simular eventos y procesos en ingeniería.
• Interpretación y comunicación de resultados: Presentación clara de conclusiones probabilísticas y distribucionales en informes técnicos.

Actividad 1: Análisis de eventos y cálculo de probabilidades en sistemas de ingeniería

Objetivo: Contribuir a explicar conceptos fundamentales de probabilidad y calcular probabilidades usando reglas básicas.

Descripción:

• Se presenta un caso de estudio de un sistema de producción con eventos de fallo y éxito.
• Los estudiantes identifican los eventos y el espacio muestral.
• Calculan probabilidades de eventos simples y compuestos usando reglas de adición y multiplicación.
• Discuten el significado de los resultados en el contexto técnico.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Informe con cálculos y análisis de probabilidades en el caso de estudio.

Duración estimada: 90 minutos

Actividad 2: Identificación y descripción de distribuciones estadísticas con datos reales

Objetivo: Identificar y describir principales distribuciones estadísticas y su aplicación.

Descripción:

• Se entregan conjuntos de datos experimentales de procesos ingenieriles (por ejemplo, tiempos entre fallas, conteos de defectos).
• Los estudiantes analizan la naturaleza de los datos para determinar si son discretos o continuos.
• Identifican la distribución estadística más adecuada (binomial, normal, Poisson) y justifican su elección.
• Elaboran una breve presentación explicando la distribución y sus características.

Organización: Parejas

Producto esperado: Presentación breve y documento explicativo.

Duración estimada: 2 horas

Actividad 3: Modelado y simulación de procesos estocásticos usando distribuciones estadísticas

Objetivo: Aplicar distribuciones para modelar y analizar datos experimentales.

Descripción:

• Se proporciona un software o entorno de simulación (puede ser Excel, Python o software estadístico).
• Los estudiantes modelan un proceso de ingeniería (por ejemplo, llegada de paquetes, fallas en maquinaria) usando la distribución adecuada.
• Realizan simulaciones para estimar probabilidades y parámetros relevantes.
• Interpretan resultados y discuten implicaciones prácticas.

Organización: Individual o parejas

Producto esperado: Reporte técnico con modelo, simulaciones y análisis.

Duración estimada: 3 horas

Actividad 4: Interpretación y comunicación de resultados probabilísticos en contextos técnicos

Objetivo: Interpretar resultados y comunicar conclusiones con precisión.

Descripción:

• Se entregan resultados probabilísticos y distribucionales obtenidos en actividades previas o casos de estudio.
• Los estudiantes redactan un informe técnico que explique los resultados de forma clara y contextualizada.
• Se enfatiza en la correcta interpretación y uso del lenguaje técnico para comunicar incertidumbre y conclusiones.

Organización: Individual

Producto esperado: Informe técnico final con interpretación y conclusiones.

Duración estimada: 1.5 horas

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos básicos de probabilidad y variables aleatorias.

Cómo se evalúa: Cuestionario diagnóstico con preguntas de opción múltiple y ejercicios simples de probabilidad.

Instrumento sugerido: Prueba escrita en línea o presencial al inicio de la unidad.

Evaluación Formativa

Qué se evalúa: Comprensión y aplicación de reglas básicas de probabilidad, identificación de distribuciones, y modelado de datos.

Cómo se evalúa: Revisión continua de actividades prácticas (cálculo de probabilidades, análisis de distribuciones, simulación).

Instrumento sugerido: Listas de cotejo y rubricas para informes de actividades 1, 2 y 3; retroalimentación oral y escrita.

Evaluación Sumativa

Qué se evalúa: Capacidad para aplicar conocimientos en la interpretación y comunicación de resultados, así como la integración de todos los objetivos de la unidad.

Cómo se evalúa: Examen escrito con problemas teóricos y prácticos, más entrega y evaluación del informe técnico final (actividad 4).

Instrumento sugerido: Examen escrito y rúbrica para evaluación del informe técnico.

La unidad "Probabilidad y Distribuciones Estadísticas" se sugiere impartir en un total de 15 horas distribuidas en 5 semanas, con sesiones de 3 horas semanales. La distribución recomendada es:

• Semana 1: Introducción a la probabilidad y eventos (3 horas)
• Semana 2: Variables aleatorias y funciones de distribución (3 horas)
• Semana 3: Reglas de probabilidad y cálculo en problemas técnicos (3 horas)
• Semana 4: Distribuciones estadísticas principales y análisis de datos (3 horas)
• Semana 5: Aplicación práctica, simulación y comunicación de resultados (3 horas)

Esta estructura permite integrar teoría con práctica y actividades de aprendizaje activo que facilitan la comprensión y aplicación de los conceptos en contextos de ingeniería.

1. Introducción a la programación para el análisis de datos

• Conceptos básicos de programación en Python y R: entorno, intérprete, scripts.
• Instalación y configuración de entornos de desarrollo (Jupyter Notebook, RStudio).
• Ventajas del uso de Python o R en análisis de datos en ingeniería.

2. Estructuras de datos y sintaxis básica

• Tipos de datos primitivos: numéricos, cadenas, booleanos.
• Estructuras de datos fundamentales:
  • Python: listas, tuplas, diccionarios, conjuntos.
  • R: vectores, listas, data frames, matrices y factores.
• Operaciones básicas con estructuras de datos: indexación, slicing, agregación y manipulación.
• Sintaxis básica: asignación, operadores, condicionales, bucles, funciones.

3. Importación, limpieza y transformación de datos

• Importación de datos:
  • Python: uso de pandas (read_csv, read_excel, read_json).
  • R: funciones read.csv, read.table, readxl.
• Exploración preliminar: visualización de estructura, resumen y tipos de datos.
• Limpieza de datos:
  • Detección y manejo de valores faltantes.
  • Detección y tratamiento de valores atípicos.
  • Corrección y transformación de tipos de datos.
• Transformación de datos:
  • Filtrado, selección y ordenamiento.
  • Creación de variables derivadas.
  • Uso de funciones de agrupamiento y resumen (groupby, aggregate).

4. Automatización de procesos con scripts

• Concepto y estructura de scripts en Python y R.
• Automatización de tareas repetitivas: importar, limpiar y transformar datos mediante scripts.
• Uso de funciones para modularizar el código.
• Parámetros y argumentos en scripts para flexibilidad y reutilización.
• Buenas prácticas para asegurar reproducibilidad y eficiencia.

5. Depuración y manejo de errores en código de análisis de datos

• Tipos comunes de errores en programación para análisis de datos.
• Interpretación de mensajes de error y advertencias.
• Uso de herramientas básicas de depuración en Python y R.
• Prácticas para la mejora continua del código y manejo de excepciones.

6. Documentación y presentación del código

• Importancia de la documentación en proyectos de análisis de datos.
• Comentarios efectivos en Python y R.
• Uso de notebooks (Jupyter, R Markdown) para integrar código y documentación.
• Organización y presentación del código para facilitar la colaboración técnica.
• Buenas prácticas para la entrega y presentación de resultados en proyectos de ingeniería.

Actividad 1: Explorando estructuras de datos básicas

Objetivo: Identificar y describir las principales estructuras de datos y sintaxis básicas en Python o R para la manipulación de datos.

Descripción:

• Se entrega un conjunto de ejercicios prácticos donde el estudiante crea y manipula diferentes estructuras de datos (listas, diccionarios, data frames, vectores, etc.).
• Se realizan operaciones básicas como indexación, agregado y modificación de los datos.
• El estudiante documenta brevemente qué estructura usó y para qué tipo de datos o tareas es adecuada.

Organización: Individual

Producto esperado: Script o notebook con código comentado que muestre la creación y manipulación de estructuras de datos básicas.

Duración estimada: 2 horas

Actividad 2: Importación y limpieza de un conjunto de datos real

Objetivo: Aplicar funciones y librerías específicas para importar, limpiar y transformar conjuntos de datos en Python o R.

Descripción:

• Se proporciona un archivo de datos con errores típicos: valores faltantes, tipos incorrectos, datos inconsistentes.
• El estudiante debe importar el archivo, explorar la estructura y calidad del dato, y realizar procesos de limpieza y transformación para dejar el dataset listo para análisis.
• Se espera que el estudiante comente el código explicando cada paso.

Organización: Individual o parejas

Producto esperado: Script o notebook con el código de importación, limpieza y transformación, junto con un reporte breve explicativo.

Duración estimada: 3 horas

Actividad 3: Desarrollo de un script automatizado para análisis preliminar

Objetivo: Desarrollar scripts que automatizan procesos de análisis preliminar de datos, asegurando reproducibilidad y eficiencia.

Descripción:

• Partiendo del dataset limpio, el estudiante crea un script que ejecute de forma automática: carga de datos, resumen estadístico, identificación de valores faltantes y visualización básica (histogramas, boxplots).
• El script debe permitir ejecutar todo el proceso sin intervención manual adicional.

Organización: Individual

Producto esperado: Script funcional con comentarios y opciones configurables para reproducir el análisis preliminar.

Duración estimada: 3 horas

Actividad 4: Diagnóstico y corrección de errores en código

Objetivo: Interpretar y corregir errores comunes en código relacionado con la manipulación de datos.

Descripción:

• Se entrega a los estudiantes fragmentos de código con errores típicos (sintaxis, lógica, manejo de datos).
• El estudiante debe identificar, describir y corregir los errores para que el código funcione correctamente.
• Se espera que documenten las correcciones y expliquen la causa del error.

Organización: Parejas o grupos pequeños

Producto esperado: Código corregido con una breve explicación de cada error y la solución aplicada.

Duración estimada: 2 horas

Actividad 5: Documentación y presentación de un proyecto de análisis de datos

Objetivo: Documentar y presentar el código desarrollado para análisis de datos, facilitando la comunicación técnica y la colaboración.

Descripción:

• El estudiante elabora un notebook (Jupyter o R Markdown) que contenga el código desarrollado en actividades previas, con comentarios, explicaciones y visualizaciones integradas.
• Se prepara una presentación breve para explicar el proceso, resultados y estructura del código a sus compañeros.

Organización: Individual

Producto esperado: Notebook bien documentado y presentación oral o grabada.

Duración estimada: 3 horas

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre programación básica y estructuras de datos.

Cómo se evalúa: Cuestionario corto en línea con preguntas de opción múltiple y ejercicios simples de codificación.

Instrumento sugerido: Plataforma virtual (Moodle, Google Forms) con preguntas diseñadas para identificar nivel inicial.

Evaluación formativa

Qué se evalúa: Progreso en el manejo de estructuras de datos, importación y limpieza, automatización y depuración.

Cómo se evalúa: Revisión y retroalimentación continua de las actividades prácticas (scripts y notebooks), con énfasis en corrección de errores, calidad del código y documentación.

Instrumento sugerido: Rubricas para evaluar código, comentarios y explicaciones; sesiones de retroalimentación en clase o virtuales.

Evaluación sumativa

Qué se evalúa: Competencia global en programación para análisis de datos, integrando todas las habilidades y objetivos de la unidad.

Cómo se evalúa: Proyecto final individual que incluye:

• Desarrollo de un script o notebook que importe, limpie, transforme y analice un conjunto de datos real o simulado.
• Corrección de errores y depuración del código.
• Documentación completa y presentación clara del proceso y resultados.

Instrumento sugerido: Rubrica de evaluación integral para código, documentación, explicación oral o escrita y calidad del análisis.

Se sugiere una duración total de 3 semanas para la unidad, distribuidas de la siguiente manera:

• Semana 1 (6 horas): Introducción, estructuras de datos y sintaxis básica; actividad 1.
• Semana 2 (8 horas): Importación, limpieza y transformación de datos; automatización con scripts; actividades 2 y 3.
• Semana 3 (6 horas): Depuración, manejo de errores y documentación; actividades 4 y 5; evaluaciones formativa y sumativa.

1. Introducción a la preparación y limpieza de datos

• Importancia de la calidad de los datos en ingeniería
• Conceptos básicos: datos faltantes, errores y valores atípicos
• Impacto de datos sucios en el análisis y toma de decisiones

2. Identificación y clasificación de problemas en los datos

• Tipos de datos faltantes: MCAR, MAR, MNAR
• Técnicas estadísticas para detectar datos faltantes
• Detección de errores en los datos: inconsistencias, duplicados y valores erróneos
• Identificación de valores atípicos mediante métodos estadísticos básicos (boxplot, z-score, IQR)

3. Tratamiento de datos faltantes

• Métodos para manejar datos faltantes: eliminación, imputación simple y múltiple
• Ventajas y limitaciones de cada método
• Evaluación del impacto del tratamiento de datos faltantes en el análisis

4. Tratamiento de valores atípicos

• Manejo y decisión sobre valores atípicos: corrección, exclusión o transformación
• Métodos estadísticos para tratamiento: winsorización, transformaciones logarítmicas y otras
• Evaluación del impacto de los valores atípicos en modelos y análisis

5. Transformación de variables para análisis

• Normalización: escalado mínimo-máximo
• Estandarización: media y desviación estándar
• Codificación de variables categóricas: one-hot encoding, label encoding
• Selección de técnicas según el tipo de variable y análisis a realizar

6. Herramientas computacionales para automatizar la limpieza y preparación de datos

• Introducción a librerías y software comunes: Python (Pandas, NumPy, Scikit-learn), R (dplyr, tidyr)
• Automatización de procesos: scripts reproducibles y documentación
• Buenas prácticas para la reproducibilidad en la limpieza de datos

7. Evaluación crítica de la calidad de los datos preparados

• Métricas y criterios para evaluar la calidad de los datos limpios
• Justificación de técnicas de limpieza en función del problema de ingeniería
• Interpretación de resultados y comunicación efectiva de decisiones tomadas

Actividad 1: Identificación y clasificación de problemas en un conjunto de datos

Objetivo: Identificar y clasificar datos faltantes, errores y valores atípicos usando técnicas estadísticas básicas.

Descripción:

• Se proporciona un conjunto de datos real o simulado con problemas de calidad.
• El estudiante explora los datos utilizando técnicas estadísticas básicas para detectar datos faltantes, errores y valores atípicos.
• Clasifica cada problema encontrado y documenta los hallazgos con gráficos y estadísticas descriptivas.

Organización: Individual

Producto esperado: Informe con identificación, clasificación y visualización de problemas en el conjunto de datos.

Duración estimada: 2 horas

Actividad 2: Aplicación de métodos de tratamiento de datos faltantes y valores atípicos

Objetivo: Aplicar métodos adecuados para el tratamiento de datos faltantes y valores atípicos y evaluar su impacto.

Descripción:

• Usando el conjunto de datos de la actividad anterior, el estudiante aplica al menos dos métodos diferentes para manejar datos faltantes.
• Realiza el tratamiento de valores atípicos mediante técnicas vistas.
• Compara resultados y evalúa el impacto de cada método en la calidad del análisis o en las estadísticas descriptivas.
• Presenta una recomendación fundamentada sobre el método más adecuado para el caso.

Organización: Parejas

Producto esperado: Documento donde se muestran los tratamientos aplicados, las comparaciones y la recomendación.

Duración estimada: 3 horas

Actividad 3: Transformación de variables y preparación para análisis posteriores

Objetivo: Transformar variables mediante normalización, estandarización y codificación para preparar datos.

Descripción:

• Se entrega un conjunto de datos con variables numéricas y categóricas.
• El estudiante debe aplicar técnicas de normalización y estandarización a variables numéricas.
• Realiza codificación de variables categóricas usando diferentes técnicas.
• Analiza cómo estas transformaciones preparan los datos para análisis estadísticos o de machine learning.

Organización: Individual

Producto esperado: Dataset transformado y un reporte explicativo sobre las técnicas aplicadas y su justificación.

Duración estimada: 2 horas

Actividad 4: Automatización y evaluación crítica de la limpieza de datos

Objetivo: Utilizar herramientas computacionales para automatizar la limpieza y evaluar críticamente la calidad de los datos preparados.

Descripción:

• En grupo pequeño, desarrollar un script en Python o R que automatice la identificación, tratamiento y transformación de un conjunto de datos dado.
• Documentar el código para asegurar la reproducibilidad.
• Realizar una evaluación crítica sobre la calidad de los datos tras la limpieza automatizada.
• Preparar una presentación breve donde expliquen las decisiones tomadas y justifiquen las técnicas empleadas.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Script automatizado, documentación y presentación oral.

Duración estimada: 4 horas

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre tipos de problemas en datos y técnicas básicas de detección.

Cómo se evalúa: Cuestionario corto con preguntas teóricas y análisis de un pequeño conjunto de datos para identificar problemas.

Instrumento sugerido: Test en línea o papel con preguntas de opción múltiple y ejercicios prácticos simples.

Evaluación formativa

Qué se evalúa: Progreso en la identificación, tratamiento y transformación de datos durante las actividades prácticas.

Cómo se evalúa: Revisión continua y retroalimentación de las actividades 1, 2 y 3 mediante entregas parciales y discusión en clase.

Instrumento sugerido: Rúbricas para informes y datasets entregados, observación y preguntas en clase.

Evaluación sumativa

Qué se evalúa: Capacidad para automatizar limpieza y preparar datos, evaluación crítica y justificación de técnicas.

Cómo se evalúa: Evaluación del script automatizado, documentación asociada y presentación oral del grupo (actividad 4).

Instrumento sugerido: Rúbrica detallada que incluya aspectos técnicos del código, claridad en documentación, calidad crítica y comunicación oral.

La unidad "Preparación y Limpieza de Datos" se sugiere impartir en un periodo de 3 semanas, con una dedicación aproximada de 12 horas distribuidas así:

• Semana 1 (4 horas): Introducción, identificación y clasificación de problemas en datos; realización de la Actividad 1.
• Semana 2 (4 horas): Tratamiento de datos faltantes y valores atípicos, transformación de variables; realización de Actividades 2 y 3.
• Semana 3 (4 horas): Automatización de procesos y evaluación crítica; realización de la Actividad 4 y presentación final.

Este tiempo incluye sesiones teóricas, prácticas en laboratorio y espacios para discusión y retroalimentación.

Análisis Exploratorio de Datos

• Introducción al Análisis Exploratorio de Datos (AED)
  • Concepto y objetivos del AED en ingeniería
  • Importancia del AED para la calidad y comprensión de los datos
  • Tipos de datos y su relevancia en el análisis
• Técnicas Básicas de Visualización para AED
  • Gráficos univariantes: histogramas, diagramas de caja, gráficos de barras
  • Gráficos bivariantes: diagramas de dispersión, gráficos de líneas, gráficos de barras agrupadas
  • Gráficos multivariantes: mapas de calor, gráficos de pares (pair plots), gráficos de burbujas
  • Interpretación y selección adecuada de visualizaciones según tipo de dato y objetivo
• Identificación de Patrones y Relaciones en Datos
  • Detección de tendencias, agrupamientos y anomalías
  • Correlación y asociación entre variables
  • Análisis de variables categóricas y numéricas
• Análisis Multivariado Exploratorio
  • Análisis de Componentes Principales (ACP) para reducción de dimensionalidad
  • Análisis de Clúster para agrupamiento de observaciones
  • Interpretación de resultados multivariados en contextos de ingeniería
  • Uso de software y librerías especializadas (p. ej., Python: pandas, matplotlib, seaborn, scikit-learn; R: ggplot2, factoextra)
• Evaluación de Calidad y Consistencia de Datos
  • Detección y manejo de valores faltantes y atípicos
  • Validación de la consistencia interna y externa de datos
  • Evaluación de la idoneidad de los datos para modelado estadístico posterior
  • Herramientas computacionales para inspección y limpieza preliminar
• Comunicación Técnica de Resultados Exploratorios
  • Interpretación clara y precisa de visualizaciones y análisis
  • Redacción de informes técnicos con hallazgos significativos
  • Presentación oral de resultados con soporte visual

Actividad 1: Exploración Visual de un Conjunto de Datos de Ingeniería

Objetivo: Identificar y describir patrones y relaciones en conjuntos de datos utilizando técnicas de análisis exploratorio y visualizaciones adecuadas.

Descripción:

• Se entrega a cada estudiante un conjunto de datos real relacionado con ingeniería (por ejemplo, datos de sensores, producción o calidad).
• El estudiante realizará visualizaciones univariantes y bivariantes para explorar variables clave.
• Se debe interpretar y documentar patrones, tendencias y posibles anomalías encontradas.

Organización: Individual

Producto esperado: Informe corto con gráficos y análisis descriptivo de patrones observados.

Duración estimada: 2 horas

Actividad 2: Análisis Multivariado con Herramientas Computacionales

Objetivo: Aplicar herramientas computacionales para realizar análisis multivariado y resumir la estructura de los datos en contextos de ingeniería.

Descripción:

• En parejas, seleccionar un conjunto de datos multidimensional.
• Aplicar Análisis de Componentes Principales (ACP) y Análisis de Clúster utilizando software (Python o R).
• Interpretar resultados y relacionarlos con posibles aplicaciones en ingeniería.

Organización: Parejas

Producto esperado: Presentación breve con resultados, gráficos y conclusiones del análisis multivariado.

Duración estimada: 3 horas

Actividad 3: Evaluación de Calidad y Consistencia de Datos

Objetivo: Evaluar la calidad y consistencia de los datos a través de métodos exploratorios para determinar su idoneidad en modelos estadísticos posteriores.

Descripción:

• Individualmente se entrega un conjunto de datos con problemas simulados (valores faltantes, outliers, inconsistencias).
• El estudiante debe identificar dichos problemas usando técnicas exploratorias y proponer estrategias preliminares de limpieza.

Organización: Individual

Producto esperado: Reporte que detalle los problemas detectados y estrategias propuestas para su manejo.

Duración estimada: 2 horas

Actividad 4: Comunicación Técnica de Resultados Exploratorios

Objetivo: Interpretar resultados de gráficos y análisis exploratorios para comunicar hallazgos significativos con precisión técnica.

Descripción:

• En grupos de tres, preparar un informe técnico breve y una presentación oral sobre un análisis exploratorio realizado previamente (puede ser basado en alguna actividad previa).
• El informe debe incluir gráficos, interpretación detallada y conclusiones claras para un público ingenieril.
• Presentar oralmente los hallazgos utilizando soporte visual (diapositivas).

Organización: Grupos de tres estudiantes

Producto esperado: Informe técnico y presentación oral con soporte gráfico.

Duración estimada: 3 horas

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre tipos de datos, gráficos básicos y nociones de análisis exploratorio.

Cómo se evalúa: Cuestionario breve en línea o en papel con preguntas de opción múltiple y ejercicios prácticos simples.

Instrumento sugerido: Test de conocimientos inicial de 15 preguntas, incluyendo interpretación básica de gráficos.

Evaluación Formativa

Qué se evalúa: Progreso en la aplicación de técnicas exploratorias, análisis multivariado y calidad de interpretación durante las actividades.

Cómo se evalúa: Revisión de informes parciales, retroalimentación en sesiones prácticas y observación de presentaciones orales.

Instrumento sugerido: Rúbricas para informes escritos y presentaciones, listas de cotejo para la aplicación correcta de técnicas computacionales.

Evaluación Sumativa

Qué se evalúa: Dominio integral de los objetivos de la unidad: identificación de patrones, uso de herramientas computacionales, interpretación técnica y evaluación de calidad de datos.

Cómo se evalúa: Examen práctico y teórico que incluye análisis de un conjunto de datos real, elaboración de visualizaciones, análisis multivariado y redacción de un informe técnico.

Instrumento sugerido: Examen con casos prácticos y preguntas abiertas, entrega de informe técnico final y presentación oral.

La unidad "Análisis Exploratorio de Datos" tiene una duración sugerida de 2 semanas, con un total aproximado de 12 horas distribuidas de la siguiente manera:

• 4 horas para sesiones teóricas y demostrativas sobre conceptos y técnicas.
• 6 horas para actividades prácticas y aplicación en laboratorio o aula de cómputo, incluyendo trabajo individual, en parejas y en grupos.
• 2 horas para evaluación formativa y sumativa, incluyendo retroalimentación y presentaciones.

1. Introducción a la Inferencia Estadística

• Concepto y objetivos de la inferencia estadística en ingeniería
• Diferencia entre estadística descriptiva y estadística inferencial
• Importancia de la inferencia estadística en la toma de decisiones ingenieriles

2. Estimación de Parámetros Poblacionales

• Estimación puntual
  • Concepto y propiedades de los estimadores puntuales: sesgo, varianza, consistencia y eficiencia
  • Estimadores para la media, proporción y varianza poblacional
• Estimación por intervalos
  • Concepto de intervalo de confianza y nivel de confianza
  • Cálculo de intervalos de confianza para media con varianza conocida y desconocida
  • Intervalos de confianza para proporciones poblacionales
  • Interpretación y evaluación de la precisión del intervalo
• Uso de software estadístico para estimación (ejemplos en R, Python o Excel)

3. Pruebas de Hipótesis Estadísticas

• Fundamentos
  • Formulación de hipótesis nula y alternativa
  • Niveles de significancia y errores tipo I y II
  • Reglas de decisión y criterios de rechazo
• Pruebas para medias y proporciones
  • Prueba z para una media y proporción
  • Prueba t de Student para media con varianza desconocida
  • Prueba para diferencia de medias y proporciones
• Pruebas no paramétricas
  • Situaciones para aplicar pruebas no paramétricas
  • Prueba de signos, prueba de Wilcoxon y prueba de chi-cuadrado
• Aplicación de técnicas computacionales para pruebas de hipótesis

4. Construcción y Evaluación de Intervalos de Confianza

• Determinación del nivel de confianza adecuado según el problema
• Relación entre tamaño de muestra, precisión y nivel de confianza
• Construcción práctica de intervalos para medias y proporciones con ejemplos de ingeniería
• Interpretación contextualizada de resultados

5. Selección y Aplicación de Pruebas Paramétricas y No Paramétricas

• Criterios para selección de pruebas estadísticas según características de los datos (normalidad, tamaño de muestra, escala de medición)
• Ejemplos de aplicación en problemas reales de ingeniería
• Justificación de la elección de la prueba

6. Comunicación de Resultados de Inferencia Estadística

• Estructura para la presentación clara y rigurosa de resultados estadísticos
• Interpretación de resultados en términos técnicos y de aplicación práctica
• Elaboración de reportes y conclusiones para la toma de decisiones en ingeniería
• Uso de gráficos y tablas para apoyar la comunicación

Actividad 1: Estimación puntual y por intervalos de parámetros poblacionales

Objetivo: Estimar parámetros poblacionales aplicando métodos puntuales y por intervalos, utilizando software estadístico.

Descripción:

• Proporcionar a los estudiantes un conjunto de datos reales o simulados relacionados con un problema ingenieril (p. ej. tiempos de operación de maquinaria, proporción de defectos en producción).
• Guiar a los estudiantes para calcular estimaciones puntuales de la media y proporción.
• Calcular intervalos de confianza para esos parámetros con diferentes niveles de confianza (90%, 95%, 99%).
• Interpretar los resultados y discutir la precisión y confiabilidad de las estimaciones.

Organización: Individual

Producto esperado: Informe detallado con cálculos, interpretación y conclusiones.

Duración estimada: 2 horas

Actividad 2: Formulación y contraste de hipótesis para datos de ingeniería

Objetivo: Formular y contrastar hipótesis estadísticas para diferentes tipos de datos y problemas de ingeniería.

Descripción:

• Dividir a los estudiantes en grupos y asignarles distintos casos de estudio (p. ej. verificar si la media de vida útil de un componente supera un valor especificado, comparar proporciones de defectos entre dos procesos).
• Identificar hipótesis nula y alternativa para cada caso.
• Seleccionar la prueba estadística adecuada según las características del dato y tamaño de muestra.
• Realizar la prueba utilizando software estadístico y analizar los resultados.
• Preparar una presentación breve con los hallazgos y recomendaciones.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Presentación grupal con formulación, procedimiento, resultados y conclusiones.

Duración estimada: 3 horas

Actividad 3: Construcción y análisis de intervalos de confianza en contextos reales

Objetivo: Construir intervalos de confianza para medias y proporciones y evaluar su precisión y nivel de confianza.

Descripción:

• Entregar a los estudiantes datos de un experimento o proceso ingenieril.
• Calcular intervalos de confianza para diferentes tamaños de muestra y niveles de confianza.
• Analizar cómo varía la precisión y el ancho del intervalo con los cambios realizados.
• Discutir en clase la importancia del tamaño de muestra y nivel de confianza en aplicaciones reales.

Organización: Individual o en parejas

Producto esperado: Reporte con cálculos, gráficos y análisis crítico.

Duración estimada: 2 horas

Actividad 4: Selección y aplicación de pruebas paramétricas y no paramétricas

Objetivo: Seleccionar y aplicar pruebas de hipótesis paramétricas y no paramétricas justificando la elección.

Descripción:

• Presentar a los estudiantes varios conjuntos de datos con diferentes características (distribución normal o no, tamaños de muestra pequeños o grandes, datos ordinales o nominales).
• Analizar las características de los datos para decidir la prueba estadística más adecuada (paramétrica o no paramétrica).
• Ejecutar la prueba seleccionada y explicar la justificación de la elección.
• Interpretar y comunicar los resultados en un contexto ingenieril.

Organización: Grupos pequeños (2-3 estudiantes)

Producto esperado: Documento con análisis, decisiones y resultados.

Duración estimada: 3 horas

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos básicos de estadística descriptiva e inferencial, y habilidades iniciales para manejar datos.

Cómo se evalúa: Cuestionario breve con preguntas teóricas y ejercicios prácticos simples.

Instrumento sugerido: Examen escrito o en línea con preguntas de opción múltiple y ejercicios cortos.

Evaluación formativa

Qué se evalúa: Progreso en la aplicación de métodos de estimación, formulación y prueba de hipótesis, construcción de intervalos y uso de software estadístico.

Cómo se evalúa: Revisiones de actividades prácticas, participación en discusiones, retroalimentación continua.

Instrumento sugerido: Listas de cotejo para actividades, rúbricas para informes y presentaciones, observación directa.

Evaluación sumativa

Qué se evalúa: Competencia para estimar parámetros, realizar pruebas de hipótesis, construir intervalos de confianza, seleccionar pruebas apropiadas y comunicar resultados.

Cómo se evalúa: Examen final teórico-práctico que incluya resolución de problemas, interpretación de resultados y justificación de métodos estadísticos.

Instrumento sugerido: Examen escrito con ejercicios aplicados y preguntas de desarrollo, proyecto final o reporte técnico.

La unidad de Inferencia Estadística se sugiere impartir en un periodo de 3 semanas, con una dedicación aproximada de 12 horas distribuidas en sesiones teóricas y prácticas.

Distribución recomendada:

• Semana 1 (4 horas): Introducción, estimación puntual y por intervalos, uso inicial de software.
• Semana 2 (4 horas): Formulación y contraste de hipótesis, pruebas paramétricas y no paramétricas, actividades grupales.
• Semana 3 (4 horas): Construcción y análisis de intervalos, selección de pruebas, comunicación de resultados y evaluación sumativa.

1. Introducción a la regresión lineal y correlación en ingeniería

• Conceptos básicos de regresión lineal: definición, propósito y aplicaciones en ingeniería.
• Diferenciación entre variables dependientes e independientes con ejemplos de sistemas de ingeniería.
• Concepto de correlación: medida de asociación entre dos variables y su importancia.

2. Cálculo y análisis de coeficientes de correlación y parámetros de regresión

• Coeficiente de correlación de Pearson: fórmula, interpretación, y limitaciones.
• Introducción a parámetros de regresión lineal: pendiente, intercepto, y su significado en ingeniería.
• Uso de datos reales para calcular coeficientes de correlación y parámetros de regresión lineal simple.
• Evaluación de la fuerza (intensidad) y dirección (positiva o negativa) de la relación entre variables.

3. Construcción y validación de modelos de regresión lineal

• Modelo de regresión lineal simple: formulación matemática y su implementación computacional.
• Extensión a regresión lineal múltiple: introducción, interpretación de coeficientes y casos de uso en ingeniería.
• Herramientas computacionales para modelado: uso de software estadístico o lenguajes de programación (p. ej., R, Python, Excel).
• Métricas para validar el modelo: coeficiente de determinación (R²), error estándar, y pruebas de significancia estadística (p-valor).

4. Interpretación y comunicación de resultados de análisis de regresión y correlación

• Interpretación técnica de parámetros y coeficientes para predecir comportamientos en sistemas de ingeniería.
• Identificación de relaciones causales versus asociaciones estadísticas.
• Comunicación clara y efectiva de hallazgos técnicos: elaboración de reportes y presentaciones con gráficos y tablas.

5. Evaluación crítica de la calidad de datos para análisis de regresión y correlación

• Identificación de problemas comunes en datos: valores atípicos, datos faltantes, multicolinealidad, y sesgo de muestreo.
• Impacto de la calidad de los datos en la validez y confiabilidad de los modelos.
• Estrategias para mejorar la calidad de los datos: limpieza, transformación y recolección adecuada.
• Limitaciones metodológicas y recomendaciones para el análisis crítico de resultados.

Actividad 1: Identificación y clasificación de variables en casos de ingeniería

Objetivo: Explicar conceptos fundamentales de regresión lineal y correlación, diferenciando variables dependientes e independientes.

Descripción:

• Se presentarán varios casos prácticos de sistemas de ingeniería (ej. control de temperatura, resistencia de materiales, consumo energético).
• Los estudiantes deberán identificar las variables involucradas y clasificarlas en dependientes e independientes.
• Discusión grupal para justificar la clasificación y relacionar con conceptos teóricos.

Organización: Grupos de 3-4 estudiantes.

Producto esperado: Lista clasificada de variables con justificación técnica.

Duración estimada: 1 hora.

Actividad 2: Cálculo manual y computacional de coeficiente de correlación y parámetros de regresión

Objetivo: Calcular y analizar coeficientes de correlación y parámetros de regresión lineal usando datos reales.

Descripción:

• Se entregan conjuntos de datos reales de ingeniería (p.ej., datos de esfuerzos y deformaciones).
• Los estudiantes calculan manualmente el coeficiente de correlación de Pearson y parámetros de regresión lineal simple.
• Luego replican el cálculo usando una herramienta computacional (Excel, R o Python).
• Analizan la fuerza y dirección de la relación entre variables presentadas.

Organización: Individual.

Producto esperado: Reporte con cálculos manuales y resultados computacionales, incluyendo interpretación.

Duración estimada: 2 horas.

Actividad 3: Construcción y validación de modelos de regresión lineal múltiple con software

Objetivo: Construir modelos de regresión lineal simple y múltiple, validando su ajuste y significancia estadística.

Descripción:

• Se proporcionan conjuntos de datos con múltiples variables independientes relacionadas a un fenómeno de ingeniería (p.ej., variables que afectan la eficiencia de un motor).
• Los estudiantes construyen modelos de regresión lineal múltiple usando software estadístico o lenguajes de programación.
• Evalúan el ajuste del modelo mediante R², error estándar y pruebas de hipótesis sobre los coeficientes.
• Discuten la relevancia de cada variable y la validez del modelo.

Organización: Parejas o grupos pequeños (2-3 estudiantes).

Producto esperado: Presentación con modelos construidos, resultados estadísticos y análisis crítico.

Duración estimada: 3 horas.

Actividad 4: Evaluación crítica de calidad de datos y propuesta de mejoras metodológicas

Objetivo: Evaluar críticamente la calidad de los datos usados en modelos, identificando limitaciones y proponiendo mejoras.

Descripción:

• Se presentan conjuntos de datos con problemas intencionales (valores atípicos, datos faltantes, multicolinealidad).
• Los estudiantes analizan la calidad de los datos, identifican problemas y discuten su impacto en los modelos.
• Proponen estrategias para mejorar la calidad de los datos y optimizar el análisis.
• Redactan un informe técnico con sus hallazgos y recomendaciones.

Organización: Individual o grupos pequeños.

Producto esperado: Informe técnico que incluye diagnóstico y propuestas.

Duración estimada: 2 horas.

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre variables, correlación y regresión; capacidad de identificar variables dependientes e independientes.

Cómo se evalúa: Cuestionario corto de preguntas conceptuales y casos prácticos simples.

Instrumento sugerido: Test en línea o impreso con preguntas de opción múltiple y respuesta corta.

Evaluación formativa

Qué se evalúa: Progreso en el cálculo y análisis de coeficientes, construcción de modelos y análisis crítico de datos.

Cómo se evalúa: Revisión continua de actividades prácticas, retroalimentación en reportes y presentaciones.

Instrumento sugerido: Listas de cotejo para actividades, rúbricas para reportes y presentaciones.

Evaluación sumativa

Qué se evalúa: Dominio integral de conceptos y habilidades: explicación de fundamentos, cálculo y análisis, construcción y validación de modelos, interpretación y comunicación, y evaluación crítica de datos.

Cómo se evalúa: Examen teórico-práctico final que incluya resolución de problemas, análisis de un conjunto de datos real y elaboración de un breve informe de interpretación.

Instrumento sugerido: Examen escrito con ejercicios y caso práctico; rúbrica de evaluación para informe final.

La unidad "Regresión Lineal y Correlación" tiene una duración sugerida de 8 horas distribuidas en 4 sesiones de 2 horas cada una. La distribución puede ser la siguiente:

• Sesión 1 (2 horas): Introducción a conceptos fundamentales y clasificación de variables (Actividad 1 y evaluación diagnóstica).
• Sesión 2 (2 horas): Cálculo y análisis de coeficientes y parámetros con datos reales (Actividad 2).
• Sesión 3 (2 horas): Construcción y validación de modelos de regresión lineal simple y múltiple con herramientas computacionales (Actividad 3).
• Sesión 4 (2 horas): Interpretación de resultados, comunicación técnica y evaluación crítica de calidad de datos (Actividad 4 y evaluación sumativa).

1. Fundamentos del Aprendizaje Automático

• Definición y relevancia del aprendizaje automático en ingeniería: Se abordará qué es el aprendizaje automático (AA), su evolución histórica y su importancia en la solución de problemas en ingeniería.
• Terminología básica: datos, características, etiquetas, modelos, entrenamiento, prueba, validación, sobreajuste y subajuste.
• Proceso general del aprendizaje automático: desde la recolección de datos hasta la implementación del modelo.

2. Tipos de Aprendizaje Automático

• Aprendizaje supervisado: definición, características, y ejemplos en ingeniería (clasificación y regresión).
• Aprendizaje no supervisado: definición, clustering y reducción de dimensionalidad con ejemplos aplicados.
• Aprendizaje por refuerzo: concepto básico, agentes, entorno, y ejemplos básicos en ingeniería.
• Comparativa entre los tipos de aprendizaje: ventajas, limitaciones y casos de uso.

3. Algoritmos Fundamentales para Clasificación y Regresión

• Algoritmos de clasificación: k-vecinos más cercanos (k-NN), regresión logística, máquinas de vectores de soporte (SVM).
• Algoritmos de regresión: regresión lineal simple y múltiple, regresión polinómica.
• Introducción al uso de herramientas computacionales (Python con scikit-learn) para implementar estos algoritmos.
• Preparación de datos: limpieza, normalización y división en conjuntos de entrenamiento y prueba.

4. Evaluación de Modelos de Aprendizaje Automático

• Métricas para clasificación: exactitud, precisión, recall, F1-score, matriz de confusión.
• Métricas para regresión: error cuadrático medio (MSE), error absoluto medio (MAE), R².
• Técnicas de validación: validación cruzada, división train-test.
• Interpretación de resultados: detección de sobreajuste y subajuste, análisis crítico de las métricas.

5. Comunicación e Interpretación de Resultados en Ingeniería

• Cómo interpretar los modelos para la toma de decisiones en problemas de ingeniería.
• Presentación clara y rigurosa de resultados: gráficos, tablas y reportes técnicos.
• Limitaciones y consideraciones éticas en el uso de modelos de AA.

Actividad 1: Mapas conceptuales de conceptos y terminología

Objetivo: Describir los conceptos básicos y la terminología fundamental del aprendizaje automático en contextos de ingeniería.

Descripción:

• Los estudiantes investigarán y seleccionarán definiciones clave y términos relacionados con AA.
• En grupos pequeños, crearán un mapa conceptual que organice estos términos y sus relaciones.
• Presentarán el mapa al resto de la clase para discusión y retroalimentación.

Organización: Grupos de 3-4 estudiantes.

Producto esperado: Mapa conceptual digital o en papel con terminología y definiciones clave.

Duración estimada: 1.5 horas.

Actividad 2: Clasificación de ejemplos reales según tipo de aprendizaje

Objetivo: Diferenciar entre los tipos de aprendizaje automático mediante ejemplos aplicados a datos reales.

Descripción:

• Se proporcionará a los estudiantes distintos casos de estudio con datos y objetivos.
• En parejas, deberán clasificar cada caso como aprendizaje supervisado, no supervisado o por refuerzo.
• Justificarán su clasificación con argumentos técnicos y ejemplos concretos.
• Discutirán en plenaria para aclarar dudas y consolidar conceptos.

Organización: Parejas.

Producto esperado: Documento breve con clasificación y justificación para cada caso.

Duración estimada: 1 hora.

Actividad 3: Construcción y evaluación de un modelo de clasificación y regresión

Objetivo: Aplicar algoritmos fundamentales para construir modelos básicos y evaluar su desempeño.

Descripción:

• Utilizando un entorno computacional (Python + scikit-learn), los estudiantes implementarán un modelo de clasificación (por ejemplo, k-NN) y uno de regresión (regresión lineal) con datasets proporcionados.
• Prepararán los datos, entrenarán los modelos y aplicarán métricas de evaluación.
• Interpretarán los resultados y documentarán las conclusiones sobre desempeño y ajustes posibles.

Organización: Individual o en parejas.

Producto esperado: Código fuente, reporte con resultados y análisis.

Duración estimada: 3 horas.

Actividad 4: Presentación y discusión de resultados en contexto de ingeniería

Objetivo: Interpretar y comunicar los resultados obtenidos de modelos de aprendizaje automático con claridad y rigor.

Descripción:

• Cada estudiante o pareja preparará una presentación breve (5-7 minutos) explicando el modelo construido, las métricas obtenidas y sus implicaciones en un problema de ingeniería específico.
• Se fomentará la discusión crítica y preguntas entre compañeros y docente.

Organización: Individual o parejas.

Producto esperado: Presentación oral apoyada con diapositivas o material visual.

Duración estimada: 1.5 horas (incluye preguntas y discusión).

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos y tipos de aprendizaje automático.

Cómo se evalúa: Cuestionario diagnóstico con preguntas de opción múltiple y definición de términos.

Instrumento sugerido: Test en línea o en papel con 10-15 preguntas breves.

Evaluación Formativa

Qué se evalúa: Progreso en comprensión de conceptos, aplicación de algoritmos y análisis de resultados.

Cómo se evalúa: Revisión continua de actividades prácticas, retroalimentación en mapas conceptuales, clasificación de casos, y desarrollo de modelos computacionales.

Instrumento sugerido: Lista de cotejo para actividades, observación directa y retroalimentación escrita.

Evaluación Sumativa

Qué se evalúa: Dominio integral de conceptos, aplicación técnica, evaluación y comunicación de resultados.

Cómo se evalúa: Proyecto final donde el estudiante construye, evalúa y presenta un modelo de aprendizaje automático aplicado a un problema de ingeniería real o simulado.

Instrumento sugerido: Rúbrica de evaluación que contemple criterios técnicos, análisis crítico y calidad comunicativa.

La unidad "Introducción al Aprendizaje Automático" está diseñada para ser impartida en 2 semanas, con una dedicación total aproximada de 12 horas distribuidas de la siguiente manera:

• 4 horas para exposición teórica y discusión de fundamentos y tipos de aprendizaje.
• 4 horas para actividades prácticas de implementación de algoritmos y evaluación de modelos.
• 2 horas para actividades colaborativas, presentaciones y discusión de resultados.
• 2 horas para evaluaciones diagnóstica, formativa y sumativa con retroalimentación.

Introducción a los Modelos de Clasificación Supervisada

• Definición y conceptos básicos de clasificación supervisada: etiquetas, características, clases.
• Diferencias entre clasificación y regresión.
• Aplicaciones de la clasificación en ingeniería: detección de fallas, clasificación de materiales, diagnóstico de sistemas.

Principios Fundamentales y Tipos de Modelos de Clasificación

• Funcionamiento básico de un clasificador supervisado: entrenamiento y predicción.
• Modelos lineales: regresión logística, perceptrón.
• Modelos basados en árboles: árbol de decisión, Random Forest.
• Modelos probabilísticos: Naive Bayes.
• Modelos basados en vecinos: k-Nearest Neighbors (k-NN).
• Introducción a modelos avanzados: Support Vector Machines (SVM), redes neuronales básicas.

Preparación y Manipulación de Datos para Clasificación

• Importancia de la calidad y la limpieza de datos.
• Tratamiento de datos faltantes y valores atípicos.
• Codificación de variables categóricas: one-hot encoding, label encoding.
• Escalado y normalización de características.
• División de datos en conjuntos de entrenamiento, validación y prueba.

Implementación de Modelos de Clasificación usando Herramientas Computacionales

• Introducción a librerías y herramientas: Python (scikit-learn, pandas, matplotlib), R.
• Pasos para crear un modelo de clasificación: carga, preprocesamiento, entrenamiento, evaluación.
• Uso de funciones para ajustar modelos y realizar predicciones.
• Optimización de hiperparámetros básicos.

Evaluación del Desempeño de Modelos de Clasificación

• Métricas de evaluación: exactitud (accuracy), precisión, recall, F1-score.
• Matriz de confusión: interpretación y cálculo.
• Curvas ROC y AUC.
• Validación cruzada y su importancia para evitar sobreajuste.
• Selección del modelo más adecuado según métricas y contexto.

Comunicación y Visualización de Resultados

• Principios para comunicar resultados técnicos de manera clara y rigurosa.
• Visualización de datos y resultados: gráficos de matriz de confusión, curvas ROC, barras comparativas.
• Elaboración de reportes técnicos estructurados.
• Uso de herramientas para visualización y documentación (Jupyter Notebooks, R Markdown).

Análisis Crítico de la Calidad de Datos y Técnicas de Clasificación

• Identificación de problemas en los datos que afectan la clasificación.
• Limitaciones de los modelos y técnicas aplicadas.
• Propuestas para mejora en la calidad de datos y selección de modelos.
• Reflexión sobre la ética y responsabilidad en el análisis de datos en ingeniería.

Actividad 1: Análisis de Casos de Uso en Ingeniería para Clasificación

Objetivo: Explicar principios fundamentales y aplicaciones de modelos supervisados.

Descripción:

• Se proporciona un conjunto de casos reales o hipotéticos de problemas de clasificación en ingeniería.
• En grupos, los estudiantes analizan cada caso identificando el tipo de clasificación, variables involucradas y posibles técnicas aplicables.
• Discusión grupal para compartir conclusiones y validar la comprensión.

Organización: Grupos de 3-4 estudiantes.

Producto esperado: Resumen escrito de análisis y presentación breve.

Duración estimada: 2 horas.

Actividad 2: Implementación Práctica de un Modelo de Clasificación

Objetivo: Implementar modelos de clasificación aplicando técnicas de preprocesamiento.

Descripción:

• Se entrega un conjunto de datos real o simulado con características y etiquetas.
• Individualmente, los estudiantes deben limpiar y preparar los datos para clasificación.
• Implementar al menos dos modelos supervisados (por ejemplo, árbol de decisión y k-NN) usando Python o R.
• Generar predicciones y almacenar resultados para evaluación posterior.

Organización: Individual.

Producto esperado: Código fuente y archivo con resultados de predicción.

Duración estimada: 3 horas.

Actividad 3: Evaluación y Selección de Modelos mediante Métricas

Objetivo: Evaluar modelos de clasificación y seleccionar el más adecuado interpretando métricas.

Descripción:

• Usando los resultados de la actividad anterior, calcular métricas: matriz de confusión, precisión, recall, F1-score, y accuracy.
• Construir visualizaciones para facilitar la interpretación (matriz de confusión y curva ROC).
• En parejas, discutir cuál modelo es más adecuado según métricas y contexto dado.
• Redactar un breve informe con recomendaciones fundamentadas.

Organización: Parejas.

Producto esperado: Informe técnico con análisis de métricas y visualizaciones.

Duración estimada: 2 horas.

Actividad 4: Presentación y Análisis Crítico del Proceso de Clasificación

Objetivo: Comunicar resultados y realizar análisis crítico sobre calidad de datos y técnicas.

Descripción:

• Cada grupo presenta su trabajo, explicando los pasos realizados desde la preparación de datos hasta la evaluación.
• Se debe incluir visualizaciones claras y argumentar la selección del modelo.
• Discutir limitaciones detectadas en datos y modelos, proponiendo mejoras concretas.
• Sesión de preguntas y retroalimentación entre grupos y docente.

Organización: Grupos de 3-4 estudiantes.

Producto esperado: Presentación oral con apoyo visual y documento resumen.

Duración estimada: 2 horas.

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos básicos de clasificación supervisada y aplicaciones en ingeniería.

Cómo se evalúa: Cuestionario de opción múltiple y preguntas abiertas cortas.

Instrumento sugerido: Test en línea o impreso aplicado al inicio de la unidad.

Evaluación Formativa

Qué se evalúa: Progreso en la implementación práctica, análisis de métricas y comunicación técnica.

Cómo se evalúa: Revisión continua de actividades 2 y 3 con retroalimentación en clase y entregas parciales.

Instrumento sugerido: Checklists de cotejo para código, análisis estadístico y reportes; observación directa en actividades grupales.

Evaluación Sumativa

Qué se evalúa: Integración de conocimientos para explicar, implementar, evaluar y comunicar resultados de modelos de clasificación, además del análisis crítico.

Cómo se evalúa: Proyecto final que incluya desarrollo completo de un modelo de clasificación aplicado a un problema de ingeniería, evaluación y reporte técnico con visualizaciones.

Instrumento sugerido: Rubrica detallada de evaluación del proyecto, considerando aspectos técnicos, claridad, análisis crítico y calidad del reporte.

La unidad "Modelos de Clasificación" se recomienda impartir en 2 semanas con una dedicación total aproximada de 11 horas distribuidas de la siguiente manera:

• Semana 1 (6 horas): Introducción, principios fundamentales, preparación de datos y primera implementación práctica (Actividades 1 y 2).
• Semana 2 (5 horas): Evaluación de modelos, comunicación de resultados y análisis crítico (Actividades 3 y 4), además de evaluaciones formativa y sumativa.

1. Introducción a la Evaluación de Modelos Predictivos

• Importancia de la evaluación y validación en ingeniería
• Conceptos básicos: modelos supervisados, no supervisados y su aplicación en ingeniería
• Panorama general de métricas y métodos de validación

2. Métricas de Evaluación de Modelos Predictivos

• Definición y cálculo de la precisión (accuracy)
• Recall o sensibilidad: interpretación y uso
• F1-score: balance entre precisión y recall
• Area Under the Curve (AUC) y curva ROC: fundamentos y aplicación
• Ejemplos prácticos de cálculo e interpretación de métricas en problemas de ingeniería

3. Métodos de Validación Cruzada

• Concepto y objetivo de la validación cruzada
• Tipos de validación cruzada: k-fold, leave-one-out, estratificada
• Implementación práctica en herramientas computacionales (Python con scikit-learn, R, MATLAB)
• Interpretación de resultados para evaluar la robustez del modelo

4. Detección y Análisis de Sobreajuste

• Definición de sobreajuste (overfitting) y subajuste (underfitting)
• Indicadores y síntomas del sobreajuste en conjuntos de entrenamiento, validación y prueba
• Visualización gráfica: curvas de aprendizaje, comparación de errores
• Estrategias para prevenir y mitigar el sobreajuste en modelos estadísticos y de aprendizaje automático

5. Comparación y Selección de Modelos Predictivos

• Uso de métricas cuantitativas para comparar modelos
• Criterios de robustez y generalización aplicados en ingeniería
• Ejemplos de casos reales y simulados para seleccionar el mejor modelo
• Integración de criterios técnicos y contextuales para la toma de decisiones

6. Comunicación Técnica de Resultados de Evaluación y Validación

• Estructura de reportes técnicos para evaluación de modelos
• Interpretación y explicación clara de métricas y resultados
• Fundamentación cuantitativa para la elección final del modelo
• Presentación de resultados con gráficas, tablas y texto técnico

Actividad 1: Cálculo e Interpretación de Métricas de Evaluación

Objetivo: Explicar y aplicar las principales métricas de evaluación de modelos predictivos (precisión, recall, F1-score, AUC) en contextos de ingeniería.

Descripción:

• Se entrega a los estudiantes un conjunto de datos con resultados de predicción y etiquetas reales.
• En grupos de 2-3 estudiantes, calcularán manualmente y con ayuda de software las métricas indicadas para ese modelo.
• Analizarán el significado de cada métrica en el problema específico y discutirán ventajas y limitaciones.

Organización: Parejas o tríos

Producto esperado: Informe corto con cálculos, interpretación y conclusiones.

Duración estimada: 2 horas

Actividad 2: Implementación de Validación Cruzada con Herramientas Computacionales

Objetivo: Implementar métodos de validación cruzada para evaluar la robustez de modelos predictivos usando Python o R.

Descripción:

• Se proporcionará un conjunto de datos y un modelo base (regresión o clasificación simple).
• Los estudiantes desarrollarán código para realizar validación cruzada k-fold y validación estratificada.
• Compararán resultados y discutirán la estabilidad y robustez del modelo según las métricas obtenidas.

Organización: Individual o parejas

Producto esperado: Código comentado y breve reporte con análisis de resultados.

Duración estimada: 3 horas

Actividad 3: Análisis de Sobreajuste en Modelos Predictivos

Objetivo: Identificar y analizar signos de sobreajuste a partir de conjuntos de entrenamiento, validación y prueba.

Descripción:

• Se entregan gráficos de curvas de aprendizaje y resultados de error para diferentes modelos entrenados.
• En grupos pequeños, los estudiantes interpretan los gráficos y detectan presencia de sobreajuste o subajuste.
• Proponen estrategias para mejorar el modelo y justifican sus recomendaciones.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Presentación oral o escrita con diagnóstico y propuestas.

Duración estimada: 2 horas

Actividad 4: Comparación y Selección de Modelos con Base en Métricas y Robustez

Objetivo: Comparar y seleccionar modelos predictivos aplicables en ingeniería fundamentando la decisión en métricas y robustez.

Descripción:

• Se entregan resultados de evaluación para varios modelos aplicados a un mismo problema ingenieril.
• Individualmente, los estudiantes analizan métricas, robustez y aplicabilidad.
• Redactan un informe que justifique la elección del modelo óptimo con base en evidencia cuantitativa y criterios técnicos.

Organización: Individual

Producto esperado: Informe técnico con análisis comparativo y decisión fundamentada.

Duración estimada: 2.5 horas

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos básicos de modelos predictivos y métricas de evaluación.

Cómo se evalúa: Cuestionario breve con preguntas abiertas y de opción múltiple.

Instrumento sugerido: Test en línea o impreso al inicio de la unidad.

Evaluación Formativa

Qué se evalúa: Aplicación práctica de métricas, validación cruzada, análisis de sobreajuste y comparación de modelos.

Cómo se evalúa: Revisión continua de actividades, retroalimentación en informes y presentaciones.

Instrumento sugerido: Rúbricas para actividades prácticas, observación directa y retroalimentación escrita.

Evaluación Sumativa

Qué se evalúa: Integración de conocimientos para comunicar técnicamente resultados de evaluación y validación de modelos.

Cómo se evalúa: Examen escrito y entrega de un informe final donde se debe justificar la selección de un modelo basado en evidencia cuantitativa.

Instrumento sugerido: Examen con preguntas teóricas y prácticas; rúbrica para evaluación del informe técnico.

La unidad "Evaluación y Validación de Modelos" está diseñada para impartirse en 2 semanas, con una dedicación aproximada total de 12 horas distribuidas de la siguiente manera:

• Sesión 1 (3 horas): Introducción, explicación teórica y actividad 1 sobre métricas.
• Sesión 2 (3 horas): Métodos de validación cruzada y actividad 2 práctica con herramientas computacionales.
• Sesión 3 (3 horas): Sobreajuste y actividad 3 de análisis en grupos.
• Sesión 4 (3 horas): Comparación de modelos, comunicación técnica y actividad 4 con entrega de informe final.

1. Fundamentos de la Visualización Avanzada de Datos

• Importancia de la visualización avanzada en ingeniería: Exploración del rol de las visualizaciones complejas en la interpretación de grandes volúmenes de datos técnicos y científicos.
• Principios de diseño gráfico aplicados a la visualización de datos: Teoría del color, percepción visual, tipografía, y composición para mejorar la claridad y efectividad.
• Tipos de datos complejos en ingeniería: Datos multidimensionales, series temporales, datos espaciales y de sensores, y su impacto en la selección de técnicas visuales.

2. Técnicas Avanzadas de Visualización para Datos Complejos

• Visualización multidimensional: Gráficos de radar, paralelos, matrices de correlación, y técnicas de reducción de dimensionalidad visual (PCA, t-SNE).
• Visualización de series temporales y datos espaciales: Heatmaps temporales, mapas de calor geoespaciales, animaciones y visualizaciones dinámicas.
• Visualización de redes y grafos: Técnicas para representar relaciones y conexiones en datos de ingeniería como redes eléctricas o sistemas de transporte.
• Visualización de incertidumbre y datos probabilísticos: Representación del error, intervalos de confianza, y distribución de probabilidad en gráficos.

3. Herramientas Computacionales para Visualización Avanzada

• Uso avanzado de software estadístico y de visualización: R (ggplot2 avanzado, plotly, shiny), Python (matplotlib, seaborn, plotly, bokeh).
• Plataformas para diseño de dashboards interactivos: Tableau, Power BI, Dash y otras herramientas open source.
• Integración con bases de datos y pipelines de datos: Conexión de visualizaciones con fuentes dinámicas de datos para actualización en tiempo real.

4. Diseño y Desarrollo de Gráficos Interactivos y Dashboards

• Principios para el diseño de dashboards efectivos: Selección de métricas clave, organización visual, y navegación intuitiva.
• Implementación de interactividad: Filtros, zoom, selección y actualización dinámica de gráficos.
• Casos prácticos en ingeniería: Monitoreo de procesos industriales, análisis de rendimiento de sistemas, visualización de datos en tiempo real.

5. Evaluación y Validación de Visualizaciones Técnicas

• Criterios para evaluar la efectividad visual: Claridad, precisión, nivel de detalle, accesibilidad y usabilidad.
• Metodologías para pruebas con usuarios y feedback: Evaluación heurística, pruebas A/B, encuestas y entrevistas focalizadas.
• Optimización iterativa basada en la evaluación: Ajustes en diseño, selección de técnicas y herramientas según retroalimentación.

6. Integración de Visualizaciones con Modelos Estadísticos y de Aprendizaje Automático

• Visualización de resultados de modelos estadísticos: Diagnóstico, intervalos de confianza, análisis residual.
• Visualización de modelos de aprendizaje automático: Interpretabilidad de modelos (SHAP, LIME), matrices de confusión, curvas ROC y PR.
• Presentación coherente de conclusiones complejas: Combinar visualizaciones para contar historias basadas en datos y resultados analíticos.

Actividad 1: Análisis y selección de técnicas de visualización para datos multidimensionales

Objetivo: Desarrollar la capacidad para seleccionar y aplicar técnicas avanzadas de visualización para representar datos complejos.

Descripción:

• Se entrega a cada estudiante un conjunto de datos multidimensionales típicos en ingeniería.
• Investigar y seleccionar al menos dos técnicas avanzadas de visualización que se ajusten a los datos.
• Implementar las visualizaciones utilizando herramientas computacionales (R o Python).
• Presentar un análisis crítico sobre la adecuación y limitaciones de cada técnica aplicada.

Organización: Individual

Producto esperado: Informe técnico con visualizaciones implementadas y análisis crítico.

Duración estimada: 3 horas

Actividad 2: Diseño de un dashboard interactivo para monitoreo de un proceso industrial

Objetivo: Diseñar gráficos interactivos y dashboards que faciliten la interpretación y comunicación de resultados analíticos en contextos de ingeniería.

Descripción:

• En grupos, se proporciona un conjunto de datos simulados de un proceso industrial.
• Planificar y diseñar un dashboard que incluya gráficos interactivos para monitorear variables clave.
• Implementar el dashboard utilizando herramientas como Tableau, Power BI o Dash.
• Presentar el dashboard explicando las decisiones de diseño y funcionalidad.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Dashboard funcional y presentación oral.

Duración estimada: 5 horas

Actividad 3: Evaluación comparativa de visualizaciones técnicas

Objetivo: Evaluar la efectividad y claridad de diferentes representaciones visuales para comunicar información técnica.

Descripción:

• Se entregan varias visualizaciones que representan el mismo conjunto de datos técnicos.
• De forma individual o en parejas, aplicar criterios de evaluación (claridad, precisión, accesibilidad) para analizar cada gráfica.
• Elaborar un informe que justifique la elección de la visualización más efectiva y propuestas de mejora.

Organización: Individual o parejas

Producto esperado: Informe de evaluación con recomendaciones fundamentadas.

Duración estimada: 2 horas

Actividad 4: Integración de visualizaciones con modelos de aprendizaje automático

Objetivo: Integrar visualizaciones avanzadas con modelos estadísticos y de aprendizaje automático para presentar conclusiones claras y coherentes.

Descripción:

• Se proporciona un conjunto de datos y un modelo de clasificación entrenado (por ejemplo, regresión logística o árbol de decisión).
• Implementar visualizaciones que muestren la interpretación del modelo, como matrices de confusión, importancia de variables, y gráficos de SHAP o LIME.
• Preparar una presentación que integre los gráficos y explique las conclusiones principales del análisis.

Organización: Individual

Producto esperado: Código fuente, visualizaciones y presentación escrita o oral.

Duración estimada: 4 horas

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos básicos de visualización de datos y familiaridad con herramientas computacionales.

Cómo se evalúa: Cuestionario diagnóstico en línea con preguntas de opción múltiple y resolución de problemas básicos de visualización.

Instrumento sugerido: Plataforma LMS con cuestionario automatizado.

Evaluación formativa

Qué se evalúa: Progreso en la aplicación de técnicas avanzadas, diseño y crítica de visualizaciones, y uso de herramientas computacionales.

Cómo se evalúa: Revisión continua de avances en actividades prácticas, feedback en foros y tutorías, y autoevaluación mediante rúbricas.

Instrumento sugerido: Rúbricas detalladas para cada actividad, seguimiento en plataforma colaborativa y sesiones de retroalimentación.

Evaluación sumativa

Qué se evalúa: Capacidad para seleccionar y aplicar técnicas avanzadas, diseñar dashboards interactivos, evaluar visualizaciones y presentar integración con modelos analíticos.

Cómo se evalúa: Proyecto final integrador que incluya la implementación de visualizaciones avanzadas, diseño de dashboard interactivo, análisis crítico y presentación de resultados.

Instrumento sugerido: Rúbrica de evaluación del proyecto final y presentación oral o escrita.

La unidad "Visualización Avanzada de Datos" se sugiere impartir en un periodo de 4 semanas, con una dedicación total aproximada de 20 horas distribuidas de la siguiente manera:

• Semana 1 (5 horas): Introducción a fundamentos y técnicas avanzadas de visualización, con actividades teóricas y práctica inicial.
• Semana 2 (5 horas): Profundización en herramientas computacionales y desarrollo de visualizaciones complejas.
• Semana 3 (5 horas): Diseño y desarrollo de dashboards interactivos, trabajo colaborativo y aplicación práctica.
• Semana 4 (5 horas): Evaluación, integración con modelos estadísticos y de aprendizaje automático, presentación de proyectos finales y retroalimentación.

1. Introducción a las series temporales en ingeniería

• Definición y relevancia de las series temporales en procesos ingenieriles: revisión de aplicaciones prácticas como monitoreo de sistemas, control de calidad y mantenimiento predictivo.
• Características fundamentales de las series temporales: tendencia, estacionalidad, ciclos, componente aleatorio y ruido.
• Tipos de datos temporales: datos discretos vs continuos, frecuencias y muestreo.
• Visualización básica de series temporales: gráficos de líneas, diagramas de autocorrelación (ACF) y autocorrelación parcial (PACF).

2. Preparación y análisis exploratorio de datos temporales

• Preprocesamiento: manejo de datos faltantes, detección y tratamiento de valores atípicos.
• Técnicas de descomposición de series temporales: descomposición clásica aditiva y multiplicativa.
• Suavizamiento de series temporales: métodos de media móvil simple, suavizamiento exponencial simple y doble.
• Uso de herramientas computacionales para análisis exploratorio: introducción a software y librerías (por ejemplo, Python con pandas, statsmodels y R con forecast).

3. Modelado de series temporales para predicción

• Modelos de suavizamiento exponencial avanzado: Holt y Holt-Winters para series con tendencia y estacionalidad.
• Introducción a modelos ARIMA (AutoRegressive Integrated Moving Average): concepto, componentes AR, I, MA y selección de parámetros (p, d, q).
• Diagnóstico y validación de modelos ARIMA: análisis de residuos, criterios de información (AIC, BIC).
• Implementación práctica de modelos en software: estimación, ajuste y pronóstico.

4. Evaluación y validación de modelos de series temporales

• Métricas de calidad de modelo: error cuadrático medio (MSE), error absoluto medio (MAE), error porcentual absoluto medio (MAPE).
• Análisis de residuos: pruebas de autocorrelación (Ljung-Box), normalidad y heterocedasticidad.
• Interpretación de resultados y diagnóstico de posibles problemas en el modelo.

5. Comunicación de resultados en análisis de series temporales

• Estructura y redacción de informes técnicos: presentación clara de objetivos, metodología, resultados y conclusiones.
• Elaboración de presentaciones efectivas para audiencias técnicas y no técnicas.
• Uso de visualizaciones para comunicar hallazgos: gráficos de predicción, intervalos de confianza y análisis de residuos.
• Buenas prácticas en la documentación y reproducibilidad del análisis.

Actividad 1: Identificación y descripción de características de series temporales

Objetivo: Identificar y describir las características fundamentales de las series temporales aplicadas a procesos de ingeniería.

Descripción:

• Se entrega un conjunto de datos reales de un proceso ingenieril (por ejemplo, temperatura de un motor o vibraciones en una máquina) en formato digital.
• Los estudiantes visualizan los datos utilizando software estadístico para detectar tendencia, estacionalidad y ruido.
• Discuten en grupo las características observadas y su posible origen en el proceso físico.

Organización: Grupos de 3-4 estudiantes.

Producto esperado: Informe breve con gráficos y descripción de las características de la serie temporal.

Duración estimada: 2 horas.

Actividad 2: Aplicación de técnicas de descomposición y suavizamiento

Objetivo: Aplicar técnicas de descomposición y suavizamiento para preparar y analizar datos secuenciales utilizando herramientas computacionales.

Descripción:

• Los estudiantes seleccionan una serie temporal del conjunto de datos proporcionado.
• Mediante software (Python o R), aplican descomposición aditiva y multiplicativa, y diferentes métodos de suavizamiento.
• Analizan los resultados para identificar componentes y evaluar el efecto del suavizamiento.
• Completan una hoja de trabajo con resultados y conclusiones.

Organización: Individual.

Producto esperado: Archivo con código y gráficos generados junto con un resumen escrito.

Duración estimada: 3 horas.

Actividad 3: Construcción e interpretación de modelos ARIMA y de suavizamiento exponencial

Objetivo: Construir e interpretar modelos de series temporales para la predicción de fenómenos ingenieriles.

Descripción:

• Con la serie temporal procesada previamente, los estudiantes estiman modelos ARIMA y modelos de Holt-Winters.
• Realizan la selección de parámetros mediante análisis de ACF, PACF y criterios de información.
• Evalúan y comparan los modelos obtenidos mediante métricas estadísticas.
• Generan pronósticos y discuten la aplicabilidad de cada modelo al problema.

Organización: Parejas.

Producto esperado: Documento con análisis, modelos ajustados, gráficos de pronóstico y discusión.

Duración estimada: 4 horas.

Actividad 4: Evaluación y comunicación de resultados en análisis de series temporales

Objetivo: Evaluar la calidad y pertinencia de modelos y comunicar de manera clara los resultados.

Descripción:

• Los estudiantes revisan los modelos generados en la actividad anterior y realizan análisis de residuos y pruebas estadísticas.
• Preparan un informe técnico completo que incluya metodología, resultados, evaluación de modelos y conclusiones.
• Presentan oralmente su informe ante el grupo, enfatizando la interpretación y relevancia para el proceso ingenieril estudiado.

Organización: Parejas (pueden ser las mismas del actividad anterior).

Producto esperado: Informe escrito y presentación oral (diapositivas).

Duración estimada: 3 horas para informe + 1 hora para presentaciones.

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre conceptos básicos de series temporales y experiencia con herramientas computacionales.

Cómo se evalúa: Cuestionario breve con preguntas conceptuales y ejercicios simples de interpretación gráfica.

Instrumento sugerido: Test en línea o papel con preguntas de opción múltiple y respuestas cortas.

Evaluación formativa

Qué se evalúa: Aplicación práctica de técnicas de análisis, modelado y evaluación de series temporales durante las actividades.

Cómo se evalúa: Revisión continua de informes parciales, códigos y discusiones en clase; retroalimentación individual y grupal.

Instrumento sugerido: Rúbricas para evaluación de informes, listas de cotejo para participación y calidad del análisis.

Evaluación sumativa

Qué se evalúa: Dominio integral de la unidad: identificación, modelado, evaluación y comunicación del análisis de series temporales.

Cómo se evalúa: Proyecto final que incluye un informe técnico completo y presentación oral sobre un caso práctico real o simulado.

Instrumento sugerido: Rúbrica detallada que considere precisión técnica, calidad del análisis, claridad en la comunicación y uso adecuado de herramientas.

La unidad "Análisis de Series Temporales" está diseñada para desarrollarse en 3 semanas, con una dedicación aproximada de 12 horas distribuidas de la siguiente forma: 4 horas para introducción y preparación de datos; 4 horas para modelado y análisis; 3 horas para evaluación y comunicación; y 1 hora para evaluaciones diagnóstica y sumativa. Se recomienda combinar sesiones presenciales con trabajo autónomo y uso de laboratorios computacionales.