- ES Español (Latinoamérica)

- EN English

7.48. Análisis exploratorio de datos (Electivo)
- Semestre: 8vo Sem. Créditos: 5
- Horas del curso: Teoría: 3 horas; Práctica: 4 horas;
- Sílabo:
- htmlonly

Español (Latinoamérica)

English - Prerrequisitos:
- MA351 Estadística y Probabilidades (6to Sem)
7.48.1. Justificación ↑ Volver arriba
El Análisis Exploratorio de Datos (EDA) es una etapa crítica en cualquier proyecto de ciencia de datos. Este curso proporciona las herramientas para entender la estructura, detectar anomalías y extraer patrones iniciales de los datos antes del modelado formal. Se enfoca en el uso de estadísticas descriptivas, limpieza de datos y visualización preliminar para validar supuestos y guiar la selección de modelos complejos, asegurando la integridad y calidad de los hallazgos científicos.
7.48.2. Objetivos Generales ↑ Volver arriba
- Aplicar técnicas de limpieza y preprocesamiento de datos para asegurar su calidad.
- Utilizar métodos estadísticos descriptivos para resumir conjuntos de datos complejos.
- Identificar patrones, valores atípicos y relaciones entre variables mediante análisis visual.
- Formular hipótesis basadas en la exploración inicial de los datos.
- Comunicar hallazgos preliminares de manera efectiva a través de reportes técnicos.
7.48.3. Contribución a los resultados (Outcomes) ↑ Volver arriba
- ABET-3) Habilidad para desarrollar y llevar a cabo experimentos o probar hipótesis, analizar e interpretar datos y utilizar el juicio científico para obtener conclusiones. (Usage)
- ABET-2) Habilidad para formular o diseñar un sistema, proceso, procedimiento o programa para el propósito previsto. (Usage)
7.48.4. Contenido ↑ Volver arriba
7.48.4.1. Fundamentos del Análisis Exploratorio de Datos (8 horas) [Habilidades ABET-2,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Tukey, 1977; Peng, )
Temas
- Filosofía y objetivos del análisis exploratorio.
- Tipos de datos: estructurados, semi-estructurados y no estructurados.
- Escalas de medición: nominal, ordinal, intervalo y razón.
- Flujo de trabajo en la exploración de datos.
Aprendizaje esperado (Learning Outcomes)
- Identificar la importancia del EDA en el ciclo de vida de los datos [Familiarizarse].
- Clasificar variables según su escala de medición y tipo [Usar].
7.48.4.2. Limpieza y Preparación de Datos (8 horas) [Habilidades ABET-2,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Wickham, 2014; McKinney, 2022)
Temas
- Concepto de "Tidy Data" y manipulación de tablas.
- Manejo de valores faltantes: imputación versus eliminación.
- Detección y tratamiento de valores atípicos (outliers).
- Normalización y estandarización de variables numéricas.
Aprendizaje esperado (Learning Outcomes)
- Implementar rutinas de limpieza para conjuntos de datos ruidosos [Usar].
- Evaluar el impacto de diferentes estrategias de imputación [Evaluar].
7.48.4.3. Estadística Descriptiva Univariada (8 horas) [Habilidades ABET-2,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Healy, 2018; Tukey, 1977)
Temas
- Medidas de tendencia central, dispersión y forma.
- Distribuciones de frecuencia y funciones de densidad.
- Análisis de asimetría y curtosis en variables reales.
- Visualización univariada: Histogramas, Boxplots y estimación de densidad (KDE).
Aprendizaje esperado (Learning Outcomes)
- Resumir numéricamente la distribución de una variable [Usar].
- Interpretar gráficos de densidad para identificar sesgos en los datos [Evaluar].
7.48.4.4. Exploración Bivariada y Multivariada (8 horas) [Habilidades ABET-2,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Healy, 2018; Wickham and Grolemund, 2016)
Temas
- Correlación de Pearson, Spearman y Kendall.
- Tablas de contingencia y medidas de asociación categórica.
- Diagramas de dispersión, matrices de correlación y mapas de calor.
- Introducción conceptual a la reducción de dimensionalidad (PCA).
Aprendizaje esperado (Learning Outcomes)
- Cuantificar la relación entre múltiples variables de un dataset [Usar].
- Utilizar mapas de calor para detectar colinealidad en conjuntos de datos [Evaluar].
7.48.4.5. Herramientas Computacionales para Exploración (8 horas) [Habilidades ABET-2,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (McKinney, 2022; Wickham and Grolemund, 2016)
Temas
- Ecosistemas computacionales para análisis (Python/Pandas o R/Tidyverse).
- Manipulación eficiente de DataFrames de gran volumen.
- Generación automática de reportes de perfilado de datos (Data Profiling).
Aprendizaje esperado (Learning Outcomes)
- Implementar procesos de EDA automatizados mediante programación [Usar].
- Optimizar el procesamiento de datos para análisis eficiente [Evaluar].
7.48.4.6. Pruebas de Hipótesis Exploratorias (8 horas) [Habilidades ABET-2,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Peng, ; Healy, 2018)
Temas
- Pruebas de normalidad y supuestos de varianza.
- Comparación de grupos: T-test y ANOVA en contexto exploratorio.
- Métodos no paramétricos y remuestreo (Bootstraping).
Aprendizaje esperado (Learning Outcomes)
- Validar supuestos estadísticos necesarios para el modelado posterior [Usar].
- Diseñar experimentos exploratorios para confirmar hallazgos visuales [Evaluar].
7.48.4.7. Ética de Datos y Responsabilidad (8 horas) [Habilidades ABET-2,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Healy, 2018)
Temas
- Identificación de sesgos de selección y confirmación en los datos.
- Privacidad de datos: Anonimización y técnicas de enmascaramiento.
- Ética en la comunicación de hallazgos preliminares y riesgos asociados.
Aprendizaje esperado (Learning Outcomes)
- Identificar posibles sesgos éticos en conjuntos de datos reales [Familiarizarse].
- Aplicar técnicas de anonimización básicas durante el análisis [Usar].
7.48.4.8. Comunicación de Resultados y Narrativa de Datos (8 horas) [Habilidades ABET-2,ABET-3] ↑ Volver arriba
Referencias Bibliográficas: (Wickham and Grolemund, 2016; Healy, 2018)
Temas
- Estructura de un reporte técnico de calidad de datos.
- Narrativa (Storytelling) basada en el descubrimiento exploratorio.
- Selección de visualizaciones clave para la toma de decisiones.
Aprendizaje esperado (Learning Outcomes)
- Redactar informes técnicos efectivos sobre la calidad de los datos [Evaluar].
- Realizar presentaciones de hallazgos exploratorios ante audiencias técnicas [Evaluar].
7.48.5. Referencias Bibliográficas ↑ Volver arriba
Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley.
Peng, R. D. Exploratory Data Analysis with R. Leanpub.
Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10):1–23.
McKinney, W. (2022). Python for Data Analysis. O'Reilly Media, 3rd edition.
Healy, K. (2018). Data Visualization: A Practical Introduction. Princeton University Press.
Wickham, H. and Grolemund, G. (2016). R for Data Science. O'Reilly Media.