¿Qué son los datos?

👉 Los datos son hechos, cifras o registros que representan información sobre algo, pero sin interpretar.

(Ejemplo: 25°C, 10 ventas, 5 alumnos)

¿Como se originan los datos?

los datos se originan a partir de:

Dispositivos electrónicos (celulares, sensores, cámaras, GPS).

Aplicaciones y plataformas (redes sociales, sistemas de ventas, sitios web).

Interacciones humanas (clics, búsquedas, formularios, publicaciones).

Máquinas o procesos automáticos (sensores industriales, IoT, software).

¿Cuales son los tipos de datos y su origen?

Tipo de dato Origen

Datos primarios Recogidos directamente por una persona o entidad Encuesta, entrevista, experimento

Datos secundarios Tomados de fuentes ya existentes Libros, informes, bases de datos, censos

Datos generados por máquinas Capturados automáticamente por sistemas Sensores, GPS, cámaras, registros del sistema

🧩 Conclusión

Los datos nacen cuando algo se observa, mide o registra, ya sea por una persona, un sistema o un dispositivo. Luego pueden ser procesados, analizados e interpretados para transformarse en información útil para la toma de decisiones.

El sesgo de datos es un error o distorsión en la información que ocurre cuando los datos recopilados, analizados o utilizados no representan correctamente la realidad que se quiere estudiar.

En otras palabras, los datos están “inclinados” hacia un lado, lo que puede llevar a conclusiones incorrectas o injustas.

2 ¿ Cuáles son los 4 tipos de sesgo?

😶Sesgo de la muestra : la muestra no es representativa de la población total.

😯Sesgo de confirmación: tendencia del buscar o interpretar información de manera de confirmar las creencias.

🤔Sesgo de interpretación:

Tendencia a interpretar situaciones ambiguas de una forma o otra según la historia y creencias del observador.

🧐Sesgo de observador: las acciones del observador influyen en los resultados ej. Distintas técnicas de observación

3 ¿Que involucra transformar los datos?

💌Sumarlos,copiarlos,agruparlos

💌Borrar datos

💌Estandarizar nombres de variables

💌Juntar bases

💌Cambiar formatos

1. ¿Qué es el análisis de datos?

Es el proceso de examinar, limpiar, transformar e interpretar datos para obtener conclusiones útiles, detectar patrones y apoyar la toma de decisiones.

---

2. ¿Cómo es el proceso de análisis de datos?

Generalmente sigue estos pasos:

1. Recolección de datos

2. Limpieza o depuración de datos (eliminar errores o duplicados)

3. Análisis exploratorio (visualización y comprensión de los datos)

4. Aplicación de técnicas estadísticas o modelos

5. Interpretación y presentación de resultados

3. ¿Para qué sirve el análisis de datos en las organizaciones?

Sirve para:

Tomar decisiones basadas en evidencia.

Mejorar procesos internos.

Detectar oportunidades o riesgos.

Conocer mejor a los clientes y el mercado.

4. ¿Cuáles son las habilidades analíticas necesarias para el análisis de datos?

Las habilidades analíticas necesarias para el análisis de datos incluyen habilidades técnicas (como SQL, Python, estadística y visualización de datos) y habilidades blandas (como pensamiento crítico, resolución de problemas, comunicación y colaboración). Estas habilidades permiten manipular, interpretar y comunicar hallazgos de manera efectiva, y son esenciales para convertir datos en información útil para la toma de decisiones.

---

5. ¿Cómo es el ciclo de vida de los datos?

1. Creación o captura

2. Almacenamiento

3. Uso o análisis

4. Compartición o distribución

5. Archivado

6. Eliminación o destrucción

El ciclo de vida de los datos es la secuencia completa de etapas por las que pasa la información, desde su creación hasta su eliminación o archivo. Este ciclo incluye la captura o creación de datos, su mantenimiento y procesamiento para garantizar su calidad y utilidad, su uso y publicación, y finalmente su archivado o destrucción segura. Una gestión adecuada del ciclo de vida es crucial para la seguridad, el cumplimiento normativo y la obtención de valor estratégico de la información.

---

6. ¿Qué herramientas se utilizan para el análisis de datos?

Las herramientas de análisis de datos incluyen lenguajes de programación como Python y R, sistemas de gestión de bases de datos como SQL, hojas de cálculo como Excel, y plataformas de visualización de datos como Tableau y Power BI. Otras opciones incluyen software para big data como Apache Spark, y plataformas empresariales como SAS.

---

7. ¿Qué tipos de sesgos pueden ocurrir en el análisis de datos?

Los tipos de sesgos que pueden ocurrir en el análisis de datos incluyen sesgos de selección (muestreo, autoselección, supervivencia), información (sesgo de confirmación, del observador, de medición) y confusión. Estos sesgos surgen en distintas etapas, desde la recopilación hasta la interpretación de los datos, y pueden distorsionar los resultados de manera significativa.

---

8. ¿Cómo se insertan filas y columnas en una hoja de cálculo?

Para insertar filas o columnas, haz clic con el botón derecho en la celda, fila o encabezado de columna correspondiente y selecciona "Insertar". Puedes insertar varias a la vez seleccionando previamente el número de filas o columnas que deseas.

---

9. ¿Cómo se formatea una celda en Excel?

Para formatear una celda en Excel, selecciona la(s) celda(s) y luego usa las herramientas de la pestaña "Inicio" para cambiar la fuente, el tamaño, el color, la alineación, el relleno y los bordes. También puedes hacer clic derecho sobre la(s) celda(s) y elegir "Formato de celdas" para acceder a opciones más avanzadas de números, alineación y otras personalizaciones.

---

10. ¿Cómo se ordena una columna en Excel?

Selecciona la columna.

En la pestaña Datos, elige Ordenar de A a Z o de Z a A.

---

11. ¿Cómo se pone una fórmula en Excel?

Empieza siempre con el signo =.

Ejemplo: =A1+B1 (suma el contenido de las celdas A1 y B1).

---

12. ¿Cómo se hace una sumatoria en Excel?

Usa la función =SUMA(rango)

Ejemplo: =SUMA(A1:A10) suma los valores de A1 hasta A10.

---

13. ¿Cómo se crea un presupuesto en Excel (ejemplo)?

1. En la columna A: escribe los gastos e ingresos (alquiler, comida, sueldo…).

2. En la columna B: coloca los montos estimados.

3. En la columna C: los montos reales.

4. Usa =C2-B2 para calcular la diferencia.

5. Puedes añadir un gráfico para visualizar el total.

---

14. ¿Cómo funciona una computadora desde que se enciende hasta que se ejecuta el sistema operativo?

Cuando enciendes una computadora, el proceso de arranque comienza con la fuente de alimentación que energiza los componentes. El firmware (BIOS/UEFI) toma el control, ejecuta una prueba de diagnóstico de hardware (POST) y localiza el disco de arranque. Luego, carga el cargador de arranque del sistema operativo desde el disco a la memoria RAM y este a su vez carga el sistema operativo completo en la RAM, permitiendo que la computadora se ponga en funcionamiento y responda a las órdenes del usuario.

15. ¿Cuáles son los componentes principales de una computadora?

Los componentes básicos de una computadora son el procesador (CPU), la tarjeta madre, la memoria RAM, el almacenamiento (disco duro o SSD) y la fuente de alimentación. Estos componentes internos trabajan juntos para ejecutar las instrucciones y procesar la información. También existen componentes externos o periféricos, como el monitor, el teclado y el mouse, que permiten la interacción del usuario con el equipo.

16. ¿Cuáles son los periféricos principales de una computadora?

Entrada: teclado, mouse, micrófono, escáner.

Salida: monitor, impresora, altavoces.

Entrada/salida: pendrive, disco externo.

17. ¿Cómo se hace el cuadro de resultados de una empresa en Excel?

Para hacer el estado de resultados en Excel, se debe estructurar el documento con los ingresos primero, seguidos de los costos de ventas y los gastos operativos para calcular la utilidad operativa. Luego, se restan los gastos e ingresos no operativos para llegar a la utilidad neta. Se pueden usar fórmulas como SUMAR.SI.CONJUNTO para sumar automáticamente los valores de un balance de comprobación o se puede usar una plantilla de Excel con fórmulas preconfiguradas para simplificar el proceso.

18. ¿Cómo se hace un gráfico de barras en Excel?

1. Selecciona los datos.

2. Ve a Insertar → Gráfico de barras.

3. Personaliza colores y etiquetas.

---

19. ¿Cómo se hace un gráfico de torta en Excel?

1. Selecciona los datos (categorías y valores).

2. Insertar → Gráfico de torta (circular).

3. Agrega etiquetas de porcentaje si lo deseas.

---

20. ¿Cómo se hace una estrategia de anzuelo con Excel?

La estrategia de anzuelo se usa en marketing (producto barato que atrae y luego vende otros complementarios).

En Excel puedes:

1. Crear una tabla con **productos, precios de anzuelo

Para crear una estrategia de anzuelo con Excel, es necesario estructurar tu información en hojas de cálculo y usar funciones o herramientas para proyectar escenarios, analizar datos y optimizar el proceso. Puedes usar

una plantilla con columnas para registrar datos de influencers y usar etiquetas de colores para clasificarlos, o crear tablas para analizar escenarios de inversión o campañas publicitarias.

21 explicar el nuevo paradigma de la I.A.

22 investigar que impacto en economia va a generar la I.A.

23. Explicar los tipos de deep learning.

24. Explicar los distintos tipos de I.A.

25. Cuales son los riesgos de la I.A.

26. Cuales son los beneficios de la I. A.

21 — Explicar el nuevo paradigma de la I.A.

El nuevo paradigma de la inteligencia artificial (consolidado desde ~2020–2025) se caracteriza por:

Modelos generativos y fundacionales: grandes modelos entrenados con datos masivos que sirven de base (foundation models) y luego se especializan por afinación (fine-tuning) o mediante módulos añadidos.

Multimodalidad: capacidad de procesar y combinar texto, imágenes, audio, video y datos estructurados en una misma arquitectura.

Generalidad: modelos que realizan múltiples tareas (razonar, escribir, traducir, programar, analizar) en lugar de ser soluciones ultra-especializadas.

Retrieval + generación (RAG): integración de búsqueda de información en tiempo real con generación de texto para respuestas más actualizadas y verificables.

Alineamiento y seguridad: técnicas como RLHF (refuerzo con retroalimentación humana) para ajustar comportamientos y reducir daños.

IA como asistente cognitivo: la IA amplía capacidades humanas (copiloto), no solo automatiza tareas repetitivas.

Despliegue ubicuo: la IA se integra dentro de apps, sistemas productivos y herramientas cotidianas, funcionando como infraestructura.

22 — Investigar qué impacto en la economía va a generar la I.A.

(Resumen de impactos económicos principales y recomendaciones políticas — sin cifras puntuales)

Impactos positivos

Aumento de productividad: automatización de tareas cognitivas y operativas, aceleración en I+D y mejoras en eficiencia.

Nuevos productos y mercados: servicios personalizados, contenidos generativos, plataformas de IA y herramientas especializadas.

Mejoras sectoriales: salud (diagnóstico, diseño de fármacos), finanzas (modelos de riesgo), manufactura (optimización), servicios (soporte, atención).

Multiplicador de capital humano: herramientas que aumentan la productividad de trabajadores cualificados (efecto copiloto).

Impactos negativos / retos

Desplazamiento laboral: sustitución parcial de empleos rutinarios y tareas administrativas; demanda creciente de habilidades digitales y de gestión de IA.

Aumento de la desigualdad: concentración de beneficios en empresas tecnológicas y trabajadores de alta cualificación; regiones rezagadas se quedan atrás.

Desplazamiento de modelos de negocio: sectores enteros pueden reestructurarse rápidamente (medios, legales, contabilidad).

Externalidades de mercado: monopolios de datos y modelos (poder de mercado, barreras de entrada).

Efecto neto probable

Crecimiento económico a medio-largo plazo si se gestionan bien la formación, la regulacion y la redistribución. A corto plazo, disrupción sectorial y necesidad de políticas activas.

Políticas recomendadas

Programas masivos de re-skilling / upskilling.

Red de seguridad social adaptable (seguro de transición, subsidios a la formación).

Regulación de competencia y gobernanza del acceso a datos.

Incentivos a adopción responsable en pymes y sectores públicos.

Estándares de transparencia y auditoría de modelos críticos.

23 — Explicar los tipos de deep learning

Resumen de arquitecturas y paradigmas frecuentes:

Redes neuronales feedforward (MLP)

Capas densas; usadas como bloques generales para regresión y clasificación.

Redes convolucionales (CNN)

Especiales para datos espaciales (imágenes). Extraen características con filtros y pooling.

Redes recurrentes (RNN), LSTM, GRU

Diseñadas para datos secuenciales (series temporales, texto). LSTM/GRU resuelven problemas de dependencia a largo plazo.

Transformers

Arquitectura basada en atención (self-attention). Domina NLP y, con adaptaciones, visión, audio y multimodalidad. Excelentes para modelar dependencias largas y paralelizar entrenamiento.

Autoencoders y variational autoencoders (VAE)

Aprendizaje no supervisado para reducción de dimensión, compresión y generación.

Generative Adversarial Networks (GANs)

Dos redes (generador + discriminador) que compiten; muy potentes en generación de imágenes y estilos.

Graph Neural Networks (GNNs)

Operan sobre grafos; útiles en redes sociales, química, logística.

Modelos híbridos y arquitecturas emergentes

Combinaciones (por ejemplo, CNN+Transformer, modelos multimodales, agentes que integran redes y planificación).

24 — Explicar los distintos tipos de I.A.

Clasificación práctica y sencilla:

IA débil / estrecha (Narrow AI)

Diseñada para tareas específicas (reconocimiento facial, recomendadores). La mayoría de las aplicaciones actuales.

IA general (AGI — Artificial General Intelligence)

Sistema con capacidades cognitivas amplias comparables a humanos en múltiples dominios. Aún no alcanzada.

IA superinteligente

Hipotética; supera la inteligencia humana en todos los ámbitos. Objeto de debate y especulación.

IA simbólica (Good old-fashioned AI)

Basada en reglas, lógica y representación explícita del conocimiento.

IA estadística / conexionista

Basada en aprendizaje desde datos (machine learning / deep learning).

IA explicable (XAI)

Familia de técnicas y modelos diseñados para ser interpretables y transparentes.

IA autónoma / agentes inteligentes

Sistemas capaces de percibir, planificar y actuar en entornos (robots, agentes software).

IA multimodal y generativa

Modelos que generan contenido y combinan múltiples tipos de datos.

25 — ¿Cuáles son los riesgos de la I.A.?

Riesgos principales y cómo mitigarlos brevemente:

Sesgos y discriminación

Modelos replican sesgos de datos. Mitigación: datos balanceados, auditorías, fairness metrics.

Desplazamiento laboral y desigualdad

Mitigación: políticas activas de empleo, formación, redistribución.

Privacidad y uso indebido de datos

Mitigación: anonimización, gobernanza de datos, regulaciones (protección de datos).

Uso malicioso (fraude, deepfakes, automatización de ataques)

Mitigación: detección de deepfakes, límites de acceso a modelos potentes, legislación.

Concentración de poder y monopolio de datos

Mitigación: reglas de competencia, interoperabilidad, datos abiertos.

Falta de robustez y fallos en situaciones no previstas

Mitigación: testing adversarial, verificación formal en aplicaciones críticas.

Riesgos de seguridad y alineamiento (modelos que actúan de forma no deseada)

Mitigación: investigación en alineamiento, controles humanos en lazo, límites de autonomía.

Impacto ambiental (consumo energético en entrenamiento)

Mitigación: modelos eficientes, hardware más verde, optimización.

26 — ¿Cuáles son los beneficios de la I.A.?

Principales beneficios y ejemplos:

Aumento de productividad y eficiencia

Automatiza tareas repetitivas y acelera procesos.

Mejoras en salud

Diagnósticos más rápidos, medicina personalizada, descubrimiento de fármacos.

Educación personalizada

Tutores adaptativos, contenidos a medida, detección temprana de dificultades.

Innovación y nuevos mercados

Productos y servicios imposibles antes (creación de contenido, asistentes creativos).

Mejor toma de decisiones

Análisis de grandes volúmenes de datos para optimizar logística, finanzas, energía.

Accesibilidad

Traducción, generación de audi

o, interfaces que ayudan a personas con discapacidades.

Sostenibilidad

Optimización del uso energético, logística eficiente, modelos para predecir y mitigar riesgos ambientales.