Analisis de Evaluacion Sumativa para Estudiantes

 Proyecto: Análisis de Evaluación Sumativa para Estudiantes de Teleinformática

Este proyecto tiene como objetivo realizar un análisis de evaluación sumativa para estudiantes de teleinformática utilizando Python. Se utilizarán las bibliotecas pandas, matplotlib y seaborn para el análisis de datos. Supondremos que trabajamos con datos ficticios que representan el rendimiento de los estudiantes en diferentes áreas de estudio.

Paso 1: Definición de Variables y Generación de Datos

En este código, generamos datos ficticios que representan las calificaciones de estudiantes de teleinformática en diferentes áreas de estudio.

Paso 2: Análisis Exploratorio de Datos (EDA)

import pandas as pd

import numpy as np

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

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

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

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

}

df_teleinformatica = pd.DataFrame(data)

df_teleinformatica.to_csv('evaluacion_teleinformatica.csv', index=False)

Realizamos un análisis exploratorio de datos básico, cargamos los datos, mostramos las primeras filas, estadísticas descriptivas y visualizamos la distribución de calificaciones en Redes.

Paso 3: Visualización Multivariable

# Cargar datos desde el archivo CSV

df_teleinformatica = pd.read_csv('evaluacion_teleinformatica.csv')

# Mostrar las primeras filas del DataFrame

print(df_teleinformatica.head())

# Estadísticas descriptivas

print("\nEstadísticas Descriptivas:")

print(df_teleinformatica.describe())

# Visualizar la distribución de calificaciones en Redes

import seaborn as sns

import matplotlib.pyplot as plt

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

sns.histplot(df_teleinformatica['Calificacion_Redess'], bins=20, kde=True)

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

plt.xlabel('Calificación')

plt.ylabel('Frecuencia')

plt.show()

ID_Estudiante Nombre Calificacion_Redess \ 0 1 Estudiante_1 96.602131 1 2 Estudiante_2 82.946401 2 3 Estudiante_3 76.740475 3 4 Estudiante_4 80.132528 4 5 Estudiante_5 98.232998 Calificacion_Programacion Calificacion_Seguridad Calificacion_BaseDatos 0 96.413265 60.346297 65.868161 1 71.568032 62.207477 72.959515 2 73.023741 69.792161 90.111328 3 94.454162 66.234697 89.233126 4 83.719600 92.585254 69.325970 Estadísticas Descriptivas: ID_Estudiante Calificacion_Redess Calificacion_Programacion \ count 100.000000 100.000000 100.000000 mean 50.500000 79.073870 80.345977 std 29.011492 11.696246 11.481143 min 1.000000 60.089460 61.050110 25% 25.750000 68.136503 70.944082 50% 50.500000 79.305733 79.701156 75% 75.250000 89.289794 89.657879 max 100.000000 99.875230 99.980218 Calificacion_Seguridad Calificacion_BaseDatos count 100.000000 100.000000 mean 78.167014 77.211622 std 11.055309 11.715749 min 60.253979 60.214701 25% 69.991533 67.812113 50% 76.944026 75.543275 75% 86.969410 85.520551 max 99.657595 99.909071

Realizamos un análisis exploratorio de datos básico, cargamos los datos, mostramos las primeras filas, estadísticas descriptivas y visualizamos la distribución de calificaciones en Redes.

Paso 3: Visualización Multivariable

# Visualizar la relación entre las calificaciones en Programación y Seguridad

sns.pairplot(df_teleinformatica[['Calificacion_Programacion', 'Calificacion_Seguridad']])

plt.suptitle('Relación entre Calificaciones en Programación y Seguridad', y=1.02)

plt.show()

Utilizamos un gráfico de pares para explorar la relación entre las calificaciones en Programación y Seguridad.

Conclusiones:

1. Generación de Datos Ficticios: La creación de datos ficticios 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 Teleinformática: Este proyecto puede aplicarse para evaluar el rendimiento de estudiantes de teleinformática en áreas específicas y proporcionar información valiosa para mejorar el proceso educativo.