La importancia de la Evaluación sumativa en Ciberseguridad

 Por: Julia Torrez

1. Definición del Problema

En este proyecto, realizaremos un análisis de la evaluación sumativa en el ámbito de la ciberseguridad. El objetivo es evaluar el desempeño de los estudiantes en diferentes aspectos de la ciberseguridad y proporcionar insights para mejorar la enseñanza.

2. Generación de Datos Ficticios

Generaremos datos ficticios de evaluación sumativa para los estudiantes del curso de ciberseguridad.

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

# Generar datos ficticios de evaluación sumativa en ciberseguridad

np.random.seed(42)

# Datos de estudiantes

estudiantes = ['Estudiante'+str(i) for i in range(1, 101)]

# Calificaciones de módulos específicos del curso

modulos = ['Criptografía', 'Seguridad de Redes', 'Análisis de Malware', 'Gestión de Incidentes', 'Proyecto_Final']

calificaciones = np.random.randint(60, 100, size=(100, 5))

# Crear DataFrame

df_evaluacion_ciberseguridad = pd.DataFrame(calificaciones, columns=modulos, index=estudiantes)

3. Análisis de Datos

Realicemos un análisis exploratorio de los datos para obtener información sobre las calificaciones.

# Estadísticas descriptivas

estadisticas_calificaciones = df_evaluacion_ciberseguridad.describe()

# Visualización de la distribución de calificaciones por módulo

plt.figure(figsize=(12, 6))

sns.boxplot(data=df_evaluacion_ciberseguridad, palette='Set3')

plt.title('Distribución de Calificaciones por Módulo')

plt.ylabel('Calificaciones')

plt.show()

# Visualización de la correlación entre módulos

plt.figure(figsize=(10, 8))

sns.heatmap(df_evaluacion_ciberseguridad.corr(), annot=True, cmap='coolwarm', fmt=".2f")

plt.title('Correlación entre Calificaciones de Módulos')

plt.show()

4. Interpretación de Resultados

Examinemos las estadísticas descriptivas y las visualizaciones para entender el rendimiento general de los estudiantes y las posibles correlaciones entre los módulos.

# Imprimir estadísticas descriptivas

print("Estadísticas Descriptivas de Calificaciones:")

print(estadisticas_calificaciones)

# Identificar estudiantes con desempeño inferior en algún módulo

estudiantes_bajo_rendimiento = df_evaluacion_ciberseguridad[df_evaluacion_ciberseguridad < 70].dropna(how='all')

print("\nEstudiantes con Desempeño Inferior en Alguno de los Módulos:")

print(estudiantes_bajo_rendimiento)

RESULTADO:

Criptografía Seguridad de Redes Análisis de Malware \ count 100.000000 100.000000 100.000000 mean 80.940000 80.930000 79.240000 std 11.977943 10.657434 12.841001 min 60.000000 60.000000 60.000000 25% 70.000000 73.000000 67.000000 50% 82.000000 82.500000 79.500000 75% 91.250000 90.250000 92.000000 max 98.000000 99.000000 99.000000 Gestión de Incidentes Proyecto_Final count 100.000000 100.000000 mean 81.330000 79.740000 std 11.290521 11.495823 min 60.000000 60.000000 25% 72.750000 70.000000 50% 84.000000 81.000000 75% 90.250000 91.000000 max 99.000000 99.000000 Estudiantes con Desempeño Inferior en Alguno de los Módulos: Criptografía Seguridad de Redes Análisis de Malware \ Estudiante1 NaN NaN NaN Estudiante3 NaN NaN NaN Estudiante4 NaN 61.0 NaN Estudiante5 61.0 NaN NaN Estudiante7 62.0 NaN 66.0 ... ... ... ... Estudiante90 NaN NaN 61.0 Estudiante91 NaN NaN 67.0 Estudiante92 69.0 NaN NaN Estudiante94 NaN 69.0 NaN Estudiante100 NaN 68.0 66.0 Gestión de Incidentes Proyecto_Final Estudiante1 67.0 NaN Estudiante3 NaN 62.0 Estudiante4 NaN NaN Estudiante5 NaN NaN Estudiante7 NaN 68.0 ... ... ... Estudiante90 NaN NaN Estudiante91 NaN NaN Estudiante92 66.0 63.0 Estudiante94 68.0 NaN Estudiante100 NaN NaN

5. Recomendaciones y Mejoras

Basándonos en los resultados del análisis, formularemos recomendaciones para mejorar el curso, como fortalecer ciertos módulos, proporcionar recursos adicionales o ajustar la evaluación.

6. Conclusiones

Las conclusiones deben basarse en los resultados obtenidos durante el análisis. Pueden incluir:

• Identificación de módulos que presentan desafíos para los estudiantes.
• Reconocimiento de posibles correlaciones entre los módulos.
• Identificación de estudiantes con bajo rendimiento.
• Sugerencias para mejorar la calidad de la enseñanza en ciberseguridad.

7. Documentación

Documenta cada paso del proyecto, desde la generación de datos hasta las conclusiones obtenidas. Esto facilitará la comprensión y replicación del análisis.

8. Presentación de Resultados

Crea informes o presentaciones que resuman los resultados del análisis, incluyendo estadísticas, visualizaciones, recomendaciones y conclusiones.

Este proyecto es un ejemplo básico y puede ser personalizado según las características específicas del curso de ciberseguridad y los objetivos del análisis de evaluación sumativa.

Análisis de Evaluación Sumativa de materia TELEINFORMATICA

 Por: Julia Torrez

Proyecto de Análisis de Evaluación Sumativa para Estudiantes de Teleinformática con Pensamiento Computacional

1. Definición del Problema

Vamos a realizar un análisis de la evaluación sumativa para estudiantes de Teleinformática. El objetivo es evaluar el desempeño de los estudiantes en diferentes áreas del curso y proporcionar recomendaciones basadas en los resultados.

2. Generación de Datos Ficticios

Generaremos datos ficticios de evaluación sumativa para los estudiantes del curso de Teleinformática.

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

# Generar datos ficticios de evaluación sumativa

np.random.seed(42)

# Datos de estudiantes

estudiantes = ['Estudiante'+str(i) for i in range(1, 101)]

# Calificaciones de módulos específicos del curso

modulos = ['Redes de Datos', 'Protocolos de Comunicación', 'Seguridad Informática', 'Telefonía IP', 'Proyecto_Final']

calificaciones = np.random.randint(60, 100, size=(100, 5))

# Crear DataFrame

df_evaluacion_teleinformatica = pd.DataFrame(calificaciones, columns=modulos, index=estudiantes)

3. Análisis de Datos

Realicemos un análisis exploratorio de los datos para obtener información sobre las calificaciones.

# Estadísticas descriptivas

estadisticas_calificaciones = df_evaluacion_teleinformatica.describe()

# Visualización de la distribución de calificaciones por módulo

plt.figure(figsize=(12, 6))

sns.boxplot(data=df_evaluacion_teleinformatica, palette='Set3')

plt.title('Distribución de Calificaciones por Módulo')

plt.ylabel('Calificaciones')

plt.show()

# Visualización de la correlación entre módulos

plt.figure(figsize=(10, 8))

sns.heatmap(df_evaluacion_teleinformatica.corr(), annot=True, cmap='coolwarm', fmt=".2f")

plt.title('Correlación entre Calificaciones de Módulos')

plt.show()

4. Interpretación de Resultados

Examinemos las estadísticas descriptivas y las visualizaciones para entender el rendimiento general de los estudiantes y las posibles correlaciones entre los módulos.

# Imprimir estadísticas descriptivas

print("Estadísticas Descriptivas de Calificaciones:")

print(estadisticas_calificaciones)

# Identificar estudiantes con desempeño inferior en algún módulo

estudiantes_bajo_rendimiento = df_evaluacion_teleinformatica[df_evaluacion_teleinformatica < 70].dropna(how='all')

print("\nEstudiantes con Desempeño Inferior en Alguno de los Módulos:")

print(estudiantes_bajo_rendimiento)

RESULTADOS:

Redes de Datos Protocolos de Comunicación Seguridad Informática \ count 100.000000 100.000000 100.000000 mean 80.940000 80.930000 79.240000 std 11.977943 10.657434 12.841001 min 60.000000 60.000000 60.000000 25% 70.000000 73.000000 67.000000 50% 82.000000 82.500000 79.500000 75% 91.250000 90.250000 92.000000 max 98.000000 99.000000 99.000000 Telefonía IP Proyecto_Final count 100.000000 100.000000 mean 81.330000 79.740000 std 11.290521 11.495823 min 60.000000 60.000000 25% 72.750000 70.000000 50% 84.000000 81.000000 75% 90.250000 91.000000 max 99.000000 99.000000 Estudiantes con Desempeño Inferior en Alguno de los Módulos: Redes de Datos Protocolos de Comunicación \ Estudiante1 NaN NaN Estudiante3 NaN NaN Estudiante4 NaN 61.0 Estudiante5 61.0 NaN Estudiante7 62.0 NaN ... ... ... Estudiante90 NaN NaN Estudiante91 NaN NaN Estudiante92 69.0 NaN Estudiante94 NaN 69.0 Estudiante100 NaN 68.0 Seguridad Informática Telefonía IP Proyecto_Final Estudiante1 NaN 67.0 NaN Estudiante3 NaN NaN 62.0 Estudiante4 NaN NaN NaN Estudiante5 NaN NaN NaN Estudiante7 66.0 NaN 68.0 ... ... ... ... Estudiante90 61.0 NaN NaN Estudiante91 67.0 NaN NaN Estudiante92 NaN 66.0 63.0 Estudiante94 NaN 68.0 NaN Estudiante100 66.0 NaN NaN

5. Recomendaciones y Mejoras

Basándonos en los resultados del análisis, podríamos formular recomendaciones para mejorar el curso, como reforzar ciertos módulos, proporcionar recursos adicionales o ajustar la evaluación.

6. Conclusiones

Las conclusiones deben basarse en los resultados obtenidos durante el análisis. Pueden incluir:

• Identificación de módulos que presentan desafíos para los estudiantes.
• Reconocimiento de posibles correlaciones entre los módulos.
• Identificación de estudiantes con bajo rendimiento.
• Sugerencias para mejorar la calidad de la enseñanza.

7. Documentación

Documenta cada paso del proyecto, desde la generación de datos hasta las conclusiones obtenidas. Esto facilitará la comprensión y replicación del análisis.

8. Presentación de Resultados

Crea informes o presentaciones que resuman los resultados del análisis, incluyendo estadísticas, visualizaciones, recomendaciones y conclusiones.

Este proyecto es un ejemplo básico y puede ser personalizado según las características específicas del curso de Teleinformática y los objetivos del análisis de evaluación sumativa.

Análisis de Evaluación Sumativa

 Por: Julia Torrez

Este proyecto se enfocará en realizar un análisis de evaluación sumativa para estudiantes de telecomunicaciones. Vamos a utilizar Python y las bibliotecas pandas, matplotlib, y seaborn para realizar el análisis de datos. Asumiremos que estamos trabajando con un conjunto de datos ficticios que representa el rendimiento de los estudiantes en diferentes áreas de estudio.

Paso 1: Definición de Variables y Generación de Datos

import pandas as pd

import numpy as np

import random

# Definir el número de estudiantes y variables

num_estudiantes = 100

# Crear datos ficticios para cada estudiante

data = {

    'ID_Estudiante': range(1, num_estudiantes + 1),

    'Nombre': [f'Estudiante_{i}' for i in range(1, num_estudiantes + 1)],

    'Calificacion_Matematicas': np.random.uniform(60, 100, num_estudiantes),

    'Calificacion_Fisica': np.random.uniform(60, 100, num_estudiantes),

    'Calificacion_Tecnologia': np.random.uniform(60, 100, num_estudiantes),

    'Calificacion_Comunicaciones': np.random.uniform(60, 100, num_estudiantes)

}

df_telecom = pd.DataFrame(data)

df_telecom.to_csv('evaluacion_telecom.csv', index=False)

En este código, hemos creado datos ficticios que representan las calificaciones de estudiantes de telecomunicaciones en diferentes áreas de estudio.

Paso 2: Análisis Exploratorio de Datos (EDA)

# Cargar datos desde el archivo CSV

df_telecom = pd.read_csv('evaluacion_telecom.csv')

# Mostrar las primeras filas del DataFrame

print(df_telecom.head())

# Estadísticas descriptivas

print("\nEstadísticas Descriptivas:")

print(df_telecom.describe())

# Visualizar la distribución de calificaciones en Matemáticas

import seaborn as sns

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))

sns.histplot(df_telecom['Calificacion_Matematicas'], bins=20, kde=True)

plt.title('Distribución de Calificaciones en Matemáticas')

plt.xlabel('Calificación')

plt.ylabel('Frecuencia')

plt.show()

RESULTADO:

ID_Estudiante Nombre Calificacion_Matematicas Calificacion_Fisica \ 0 1 Estudiante_1 83.636644 77.531944 1 2 Estudiante_2 99.568667 70.507732 2 3 Estudiante_3 66.673188 66.588710 3 4 Estudiante_4 61.867393 87.565734 4 5 Estudiante_5 91.181267 80.582845 Calificacion_Tecnologia Calificacion_Comunicaciones 0 89.438142 62.689625 1 72.049252 78.587579 2 78.535640 92.829434 3 83.977222 84.581641 4 66.850936 93.286498 Estadísticas Descriptivas: ID_Estudiante Calificacion_Matematicas Calificacion_Fisica \ count 100.000000 100.000000 100.000000 mean 50.500000 80.280443 80.069208 std 29.011492 11.623540 11.797120 min 1.000000 60.051377 60.031580 25% 25.750000 70.030373 70.070555 50% 50.500000 81.008930 81.345096 75% 75.250000 89.054173 89.987363 max 100.000000 99.896918 99.867331 Calificacion_Tecnologia Calificacion_Comunicaciones count 100.000000 100.000000 mean 78.198287 78.109087 std 11.291524 11.367528 min 60.028674 60.093899 25% 69.128451 68.282728 50% 77.084879 77.253058 75% 87.843574 87.397398 max 99.453997 99.683687

En este paso, realizamos un análisis exploratorio de datos básico. Cargamos los datos, mostramos las primeras filas, estadísticas descriptivas y visualizamos la distribución de calificaciones en Matemáticas.

Paso 3: Visualización Multivariable

# Visualizar la relación entre las calificaciones en Física y Tecnología

sns.pairplot(df_telecom[['Calificacion_Fisica', 'Calificacion_Tecnologia']])

plt.suptitle('Relación entre Calificaciones en Física y Tecnología', y=1.02)

plt.show()

Aquí, utilizamos un gráfico de pares para explorar la relación entre las calificaciones en Física y Tecnología.

Conclusiones:

1. Generación de Datos Ficticios: La creación de datos ficticios nos permite simular el rendimiento de los estudiantes y realizar análisis sin depender de conjuntos de datos reales.

2. Análisis Exploratorio de Datos: El EDA nos ha proporcionado información clave sobre la distribución de calificaciones y la relación entre diferentes áreas de estudio.

3. Visualización de Datos: Las visualizaciones, como histogramas y gráficos de pares, son herramientas útiles para entender la variabilidad y relaciones en los datos.

4. Aplicación en Telecomunicaciones: Este proyecto puede aplicarse para evaluar el rendimiento de estudiantes de telecomunicaciones en áreas específicas y proporcionar información valiosa para mejorar el proceso educativo.

Este proyecto es un ejemplo básico de análisis de evaluación sumativa para estudiantes de telecomunicaciones. Puedes personalizar y expandir este proyecto según tus necesidades específicas y la complejidad de tus datos. Recuerda que los datos utilizados son ficticios y con fines educativos. En un entorno real, trabajarías con datos reales y adaptarías tu análisis en consecuencia.

Ejemplo Practico EDA

 Por: Julia Torrez

Este proyecto se centrará en un ejemplo práctico de Análisis Exploratorio de Datos (EDA) aplicado a la informática. Utilizaremos Python y las bibliotecas pandas, matplotlib y seaborn para realizar el análisis de datos. Asumiremos que estamos trabajando con un conjunto de datos ficticios que representan el rendimiento de un servidor a lo largo del tiempo.

Paso 1: Definición de Variables y Generación de Datos

import pandas as pd

import numpy as np

import random

# Definir el número de días y variables

num_dias = 30

horas_por_dia = 24

# Crear un rango de fechas y horas

fechas_horas = pd.date_range(start='2023-01-01', periods=num_dias * horas_por_dia, freq='H')

# Crear datos ficticios para el rendimiento del servidor

data = {

    'Fecha_Hora': fechas_horas,

    'Carga_CPU': np.random.uniform(0, 100, num_dias * horas_por_dia),

    'Uso_Memoria': np.random.uniform(0, 100, num_dias * horas_por_dia),

    'Transmision_Datos': np.random.uniform(0, 50, num_dias * horas_por_dia),

    'Latencia': np.random.uniform(1, 10, num_dias * horas_por_dia)

}

df_informatica = pd.DataFrame(data)

df_informatica.to_csv('datos_informatica.csv', index=False)

En este código, hemos creado datos ficticios que representan el rendimiento de un servidor a lo largo de 30 días. Las variables incluyen la carga de la CPU, el uso de la memoria, la cantidad de datos transmitidos y la latencia.

Paso 2: Análisis Exploratorio de Datos (EDA)

# Cargar datos desde el archivo CSV

df_informatica = pd.read_csv('datos_informatica.csv', parse_dates=['Fecha_Hora'])

# Mostrar las primeras filas del DataFrame

print(df_informatica.head())

# Información general del DataFrame

print("\nInformación del DataFrame:")

print(df_informatica.info())

# Estadísticas descriptivas

print("\nEstadísticas Descriptivas:")

print(df_informatica.describe())

# Visualizar la evolución de la carga de la CPU y el uso de memoria

import seaborn as sns

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))

sns.lineplot(x='Fecha_Hora', y='Carga_CPU', data=df_informatica, label='Carga de CPU')

sns.lineplot(x='Fecha_Hora', y='Uso_Memoria', data=df_informatica, label='Uso de Memoria')

plt.title('Evolución de la Carga de CPU y Uso de Memoria a lo largo del tiempo')

plt.xlabel('Fecha y Hora')

plt.ylabel('Porcentaje')

plt.legend()

plt.show()

RESULTADO:

Fecha_Hora Carga_CPU Uso_Memoria Transmision_Datos Latencia 0 2023-01-01 00:00:00 46.089834 26.084925 15.961265 9.777201 1 2023-01-01 01:00:00 82.870898 0.908703 45.295584 9.691934 2 2023-01-01 02:00:00 82.956272 64.829753 6.331856 2.937421 3 2023-01-01 03:00:00 70.938882 51.109382 8.925989 8.299941 4 2023-01-01 04:00:00 10.540138 44.551781 24.651506 2.775184 Información del DataFrame: <class 'pandas.core.frame.DataFrame'> RangeIndex: 720 entries, 0 to 719 Data columns (total 5 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Fecha_Hora 720 non-null datetime64[ns] 1 Carga_CPU 720 non-null float64 2 Uso_Memoria 720 non-null float64 3 Transmision_Datos 720 non-null float64 4 Latencia 720 non-null float64 dtypes: datetime64[ns](1), float64(4) memory usage: 28.2 KB None Estadísticas Descriptivas: Carga_CPU Uso_Memoria Transmision_Datos Latencia count 720.000000 720.000000 720.000000 720.000000 mean 49.446196 49.885386 24.659351 5.376228 std 29.012478 28.884475 14.493192 2.564416 min 0.022704 0.709181 0.071417 1.002169 25% 24.950608 24.390017 12.363067 3.157880 50% 47.493467 49.367676 24.408143 5.339580 75% 75.159607 74.176194 37.567688 7.444150 max 99.879294 99.935030 49.973034 9.990142

En este paso, realizamos un análisis exploratorio de datos básico. Cargamos los datos, mostramos las primeras filas, información general y estadísticas descriptivas. Además, visualizamos la evolución de la carga de CPU y el uso de memoria a lo largo del tiempo.

Conclusiones:

1. Generación de Datos Ficticios: La creación de datos ficticios nos permite simular escenarios del mundo real y realizar análisis sin depender de conjuntos de datos reales.

2. Análisis Exploratorio de Datos: A través del EDA, hemos obtenido información valiosa sobre el comportamiento del servidor, identificando patrones y tendencias en la carga de la CPU y el uso de memoria.

3. Visualización de Datos: Las visualizaciones, como el gráfico de línea, son herramientas poderosas para entender la evolución de las métricas a lo largo del tiempo.

4. Aplicación en Informática: Este ejemplo práctico puede ser aplicado en la monitorización y optimización del rendimiento de servidores, ayudando a identificar posibles problemas y mejorar la eficiencia.

Este proyecto proporciona una base para el análisis exploratorio de datos aplicado a la informática. Puedes personalizar y expandir este proyecto según tus necesidades específicas y la complejidad de tus datos. Recuerda que los datos utilizados son ficticios y con fines educativos. En un entorno real, trabajarías con datos reales y adaptarías tu análisis en consecuencia.