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.