EVALUACION SUMATIVA PAYTHON ,PANDAS , JUPITER LAB

 ESTE ES UN CODIGO  GENERADO  PARA HACER UNA EVALUACION SUMATIVA   DE ESTUDIANTES  ,DON DE SE AVALUAN DIFERENTES ASPECTOS, DANDONOS COMO RESULTADOS  FINALES DE LOS MISMOS  APROBADO O NO APROBADO.

Este es un ejemplo excelente de cómo Python y sus bibliotecas pueden ser utilizados para el análisis de datos y la visualización en el campo de la educación. Puede ser particularmente útil para analizar el rendimiento de los estudiantes y entender mejor los resultados de las evaluaciones

1. Comprensión Profunda del Desempeño Estudiantil: El uso de visualizaciones como histogramas, gráficos de dispersión y gráficos de barras permite a los educadores y administradores escolares observar no solo el rendimiento general de los estudiantes, sino también identificar patrones y tendencias. Por ejemplo, el histograma de las notas finales puede revelar distribuciones bimodales, indicando la presencia de dos grupos distintos de rendimiento en la clase.

2. Análisis Multifacético: La capacidad de analizar múltiples variables, como la relación entre las notas de cuestionarios, foros de discusión y portafolios, ofrece una visión holística del aprendizaje de los estudiantes. Esto puede ayudar a identificar qué componentes de un curso contribuyen más al éxito o a las dificultades de los estudiantes.

3. Identificación de Necesidades Educativas: A través del análisis detallado, los docentes pueden identificar estudiantes o grupos de estudiantes que requieren atención adicional o recursos de apoyo. Por ejemplo, un análisis de los estudiantes que no aprueban podría llevar a la implementación de tutorías adicionales o cambios en la metodología de enseñanza.

4. Toma de Decisiones Basada en Datos: Este enfoque permite tomar decisiones educativas más informadas y basadas en evidencia. Los datos recopilados y analizados pueden ser fundamentales para desarrollar estrategias de enseñanza más efectivas, ajustar currículos, o incluso para la administración escolar en la asignación de recursos.

5. Retroalimentación Oportuna y Personalizada: La capacidad de procesar y analizar rápidamente los datos de evaluación permite a los educadores proporcionar retroalimentación más oportuna y personalizada a los estudiantes, lo cual es esencial para el aprendizaje adaptativo y la mejora continua.

6. Investigación y Desarrollo en Educación: Los investigadores en educación pueden utilizar estos métodos para estudiar más ampliamente la eficacia de diferentes técnicas de enseñanza, la dinámica del aula, y el impacto de factores externos en el rendimiento de los estudiantes.

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

# Cargar los datos

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

# Información general del dataset

print("Información General del Dataset:\n")

print(df.info())

print("\n")

# Estadísticas descriptivas

print("Estadísticas Descriptivas:\n")

print(df.describe())

print("\n")

# Análisis de la distribución de las notas

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

sns.histplot(df['Nota Final (100)'], kde=True, bins=20)

plt.title('Distribución de la Nota Final')

plt.xlabel('Nota Final (100)')

plt.ylabel('Frecuencia')

plt.show()

# Análisis de la relación entre las notas del cuestionario, foro y portafolio

plt.figure(figsize=(12, 6))

sns.pairplot(df[['Cuestionario (20)', 'Foro Discusión (20)', 'Portafolio (Blog) (60)', 'Nota Final (100)']])

plt.suptitle('Relación entre las Notas de las Diferentes Actividades', y=1.02)

plt.show()

# Análisis del estado de los participantes (Aprobados vs No Aprobados)

plt.figure(figsize=(8, 5))

sns.countplot(x='Estado', data=df)

plt.title('Cantidad de Participantes Aprobados vs No Aprobados')

plt.xlabel('Estado')

plt.ylabel('Cantidad')

plt.show()

Información General del Dataset:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 30 entries, 0 to 29
Data columns (total 6 columns):
 #   Column                  Non-Null Count  Dtype 
---  ------                  --------------  ----- 
 0   Apellido y Nombre       30 non-null     object
 1   Cuestionario (20)       30 non-null     int64 
 2   Foro Discusión (20)     30 non-null     int64 
 3   Portafolio (Blog) (60)  30 non-null     int64 
 4   Nota Final (100)        30 non-null     int64 
 5   Estado                  30 non-null     object
dtypes: int64(4), object(2)
memory usage: 1.5+ KB
None


Estadísticas Descriptivas:

       Cuestionario (20)  Foro Discusión (20)  Portafolio (Blog) (60)  \
count          30.000000            30.000000               30.000000   
mean            8.833333             9.500000               22.133333   
std             6.192784             6.067153               16.346957   
min             0.000000             1.000000                0.000000   
25%             3.500000             5.000000                6.500000   
50%             9.500000             9.000000               21.500000   
75%            14.000000            14.750000               30.750000   
max            20.000000            19.000000               57.000000   

       Nota Final (100)  
count         30.000000  
mean          59.366667  
std           23.468957  
min           12.000000  
25%           71.000000  
50%           71.000000  
75%           71.000000  
max           86.000000  

<Figure size 1200x600 with 0 Axes>

[