Asignatura: Estadística Aplicada con Python y R Programas: Ingeniería Agrícola, Ingeniería Agroindustrial e Ingeniería Civil Periodo académico: Segundo semestre 2025 (Resolución No. 50 de 2025) Modalidad: Trabajo grupal en GitHub Codespaces + Copilot + Streamlit Basada en las guías:
Desarrollar un proyecto aplicado de análisis estadístico con Python, utilizando datasets reales de fuentes gubernamentales o institucionales oficiales, para resolver un problema de interés en los campos de la Ingeniería Agrícola, Agroindustrial o Civil.
El propósito es integrar la analítica de datos con IA generativa (Copilot y NotebookLM) para:
Grupos de trabajo: 3 a 10 estudiantes.
Entrega: Repositorio en GitHub con todos los archivos del proyecto.
Presentación: Video corto (5–10 min) donde todos los integrantes expongan su parte.
Cada grupo seleccionará uno de los siguientes portales (descarga mediante API o endpoint JSON/CSV):
| Institución | Dataset sugerido | Aplicación en ingeniería |
|---|---|---|
| IDEAM (Colombia) | Datos de precipitación, temperatura, caudal | Ingeniería Agrícola / Civil |
| FAOSTAT (FAO) | Uso de tierras, rendimiento de cultivos | Ingeniería Agrícola / Agroindustrial |
| DANE | Indicadores de construcción, producción industrial | Ingeniería Civil / Agroindustrial |
| Ministerio de Minas y Energía | Producción y consumo energético | Ingeniería Agroindustrial / Civil |
| Open Data Colombia | Infraestructura vial, agua potable, saneamiento | Ingeniería Civil |
| IGAC | Datos de suelos, pendientes, uso de suelo | Ingeniería Agrícola |
Prompt 1:
Crea el archivo
requirements.txtcon los módulos necesarios para análisis estadístico y visualización en Streamlit (pandas, numpy, matplotlib, seaborn, plotly, scikit-learn, streamlit, requests).
Prompt 2:
Genera el archivo
README.mdexplicando el propósito del proyecto, el origen del dataset gubernamental, los objetivos del análisis y las instrucciones de ejecución constreamlit run app.py.
Prompt 3:
Crea un archivo
teoria_ingenieria.mdcon la explicación técnica del tema de ingeniería tratado (por ejemplo, relación entre lluvia y caudal, eficiencia energética, rendimiento de cultivos).
Prompt 4:
Crea un archivo
teoria_modulos_python.mdexplicando el uso de los módulos empleados: pandas, numpy, seaborn, scikit-learn, streamlit, requests.
Prompt 5:
Crea un script
descarga_datos.pyque acceda mediante API o endpoint CSV al dataset seleccionado (por ejemplo, IDEAM o FAOSTAT), lo procese con pandas y lo guarde en la carpetadata/raw/.
Prompt 6:
Crea el script
analisis_datos.pyque lea los datos dedata/raw/, realice análisis exploratorio, correlaciones, regresión lineal o ANOVA según el tipo de variables, y guarde resultados endata/processed/.
Prompt 7:
Crea un archivo
interpretacion_resultados.mdcon un resumen interpretativo de los resultados del análisis, indicando su aplicación práctica en el contexto ingenieril.
Prompt 8:
Crea un archivo
app.pyen Streamlit que:
- Permita seleccionar variables y mostrar gráficos interactivos.
- Visualice los resultados del análisis estadístico.
- Incluya un botón de descarga de resultados (
data/processed/).
Prompt 9:
Integra en
informe_final.mdlos resultados analíticos y teóricos. Luego carga toda la documentación en NotebookLM para generar:
- Resumen en texto,
- Resumen en audio,
- Resumen en video.
Los enlaces o descargas obtenidos deben incluirse en el README final.
/data
/raw
/processed
app.py
requirements.txt
README.md
teoria_ingenieria.md
teoria_modulos_python.md
descarga_datos.py
analisis_datos.py
interpretacion_resultados.md
informe_final.md| Criterio | Peso |
|---|---|
| Generación automatizada con Copilot (estructura y documentación) | 15% |
| Descarga y procesamiento de datos gubernamentales | 15% |
| Análisis estadístico correcto (modelos, gráficos, interpretación) | 25% |
| Visualización y despliegue funcional en Streamlit | 20% |
| Informe final (teoría + resultados + síntesis NotebookLM) | 15% |
| Participación efectiva de todos los integrantes en video | 10% |
streamlit run app.py.data/raw/
sin modificar).