LA EVALUACION SUMATIVA

 

La evaluación sumativa tiene como función determinar el grado de consecución que un alumno ha obtenido en relación con los objetivos fijados para una área o etapa. Se realiza habitualmente, por tanto, al final de un proceso de enseñanza-aprendizaje, y se vincula a las decisiones de promoción, calificación y titulación.

Un ejemplo de la aplicación del Análisis con CHAT GPT de datos lo muestro a continuación:

YOU

Desarrolla el script para generar un Data Sed de la evaluación sumativa de un curso en línea de 20 participantes, que considera apellidos y nombres, parciales, prácticas, foros y nota final, permitirme desde el Colab Google descargarlo.

CHAT GPT

Clapandaspaggoogle.colabparap

Principalpandassi

Requirement already satisfied: pandas in /usr/local/lib/python3.10/dist-packages (1.5.3) Requirement already satisfied: python-dateutil>=2.8.1 in /usr/local/lib/python3.10/dist-packages (from pandas) (2.8.2) Requirement already satisfied: pytz>=2020.1 in /usr/local/lib/python3.10/dist-packages (from pandas) (2023.3.post1) Requirement already satisfied: numpy>=1.21.0 in /usr/local/lib/python3.10/dist-packages (from pandas) (1.23.5) Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.10/dist-packages (from python-dateutil>=2.8.1->pandas) (1.16.0)

import pandas as pd

# Datos de ejemplo

participantes = 20

nombres = ['Juan', 'María', 'Carlos', 'Ana', 'Pedro', 'Laura', 'Diego', 'Sofía', 'Luis', 'Elena',

           'Miguel', 'Julia', 'Andrés', 'Lucía', 'Pablo', 'Valentina', 'Gabriel', 'Camila', 'Javier', 'Isabela']

apellidos = ['González', 'Rodríguez', 'Pérez', 'López', 'Martínez', 'Gómez', 'Sánchez', 'Díaz', 'Torres', 'Vargas',

             'Rojas', 'Ramírez', 'Suárez', 'Romero', 'Blanco', 'Fernández', 'Gutiérrez', 'Jiménez', 'Molina', 'Silva']

parciales = [float(f'{round((i+1) * 4.5 / participantes, 2):.2f}') for i in range(participantes)]

practicas = [float(f'{round((i+1) * 3.75 / participantes, 2):.2f}') for i in range(participantes)]

foros = [float(f'{round((i+1) * 2.25 / participantes, 2):.2f}') for i in range(participantes)]

# Crear DataFrame con los datos

data = {

    'Nombres': nombres,

    'Apellidos': apellidos,

    'Parciales': parciales,

    'Practicas': practicas,

    'Foros': foros

}

df = pd.DataFrame(data)

# Calcular la nota final

df['Nota Final'] = df['Parciales'] + df['Practicas'] + df['Foros']

# Mostrar el DataFrame

print(df)

# Guardar el DataFrame como un archivo CSV

df.to_csv('evaluacion_curso.csv', index=False)

you

Desarrolla el análisis de datos que incluye gráficos con el Data Sed generado.

CHAT GPT

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

# Cargar el archivo CSV generado anteriormente

df = pd.read_csv('evaluacion_curso.csv')

# Mostrar información general del DataFrame

print(df.describe())

# Gráfico de barras para la nota final

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

sns.histplot(df['Nota Final'], bins=10, kde=True)

plt.title('Distribución de Notas Finales')

plt.xlabel('Nota Final')

plt.ylabel('Frecuencia')

plt.show()

# Gráfico de dispersión entre parciales y nota final

plt.figure(figsize=(8, 6))

sns.scatterplot(x='Parciales', y='Nota Final', data=df)

plt.title('Relación entre Parciales y Nota Final')

plt.xlabel('Parciales')

plt.ylabel('Nota Final')

plt.show()

# Gráfico de caja para prácticas

plt.figure(figsize=(8, 6))

sns.boxplot(y='Practicas', data=df)

plt.title('Distribución de Puntajes de Prácticas')

plt.ylabel('Prácticas')

plt.show()

YOU

El análisis de los gráficos del data sed

CHAT GPT

Claro, los gráficos generados con los datos simulados del dataset pueden proporcionar algunas ideas sobre la distribución de las notas y las relaciones entre las diferentes variables evaluativas. Vamos a analizar cada gráfico:

1. Distribución de Notas Finales:
   El histograma muestra la frecuencia de las diferentes notas finales obtenidas por los participantes. Observarás la concentración de notas alrededor de ciertos valores y cómo se distribuyen en el rango total. Si la distribución es normal o sesgada hacia algún extremo, podría dar pistas sobre el rendimiento general del grupo.

2. 
   

3. Relación entre Parciales y Nota Final:
   Este gráfico de dispersión muestra la relación entre los puntajes de los parciales y la nota final. Si existe una fuerte valoración positiva, verás una tendencia donde aquellos que obtienen puntajes altos en parciales tenderán a tener una nota final más alta. Un patrón disperso o sin relación podría indicar que otros componentes de la evaluación son igualmente importantes para determinar la nota final.

4. 
   

5. Distribución de Puntajes de Prácticas (Gráfico de Caja):
   El gráfico de caja muestra la distribución de los puntajes de prácticas. Te da una idea de la dispersión de los puntajes, identificando valores atípicos y la variabilidad en los puntajes obtenidos en esta área específica de evaluación.

Observar estos gráficos puede proporcionar una comprensión inicial de cómo se desempeñan los participantes en el curso en diferentes áreas de evaluación. Por ejemplo, si la distribución de las notas finales está concentrada hacia valores más altos, puede indicar un rendimiento general sólido. La relación entre parciales y la nota final puede mostrar qué tanto los parciales impactaron en la calificación final en comparación con otras actividades evaluativas.

Estos gráficos son solo una forma de comenzar a comprender los datos. Dependiendo de los objetivos del análisis, podrías profundizar más con técnicas estadísticas o explorar correlaciones entre diferentes componentes de la evaluación para obtener información más detallada sobre el desempeño de los participantes en el curso.

https://chat.openai.com/share/1b133ceb-d1e2-4fea-a125-f34ba75c5d3a