Obtener Data set a partir de plantilla Excel

 

1. Preparación del archivo de Excel.-

• Abre tu archivo de Excel que contiene los datos sobre el desempeño académico en la asignatura de Avicultura.
• Asegúrate de que los datos estén organizados de manera adecuada en filas y columnas, con cada fila representando un estudiante y cada columna siendo una variable como calificaciones, asistencia, etc.

2. Guardar como CSV.-

• Ve a la opción "Guardar como" en Excel.
• Selecciona el formato "CSV (valores separados por comas)" para guardar el archivo en este formato.

 Librerías para analizar el desempeño académico en Python:

1. Pandas.- Es una librería muy útil para manipulación y análisis de datos. Te permite leer datos desde archivos CSV y realizar operaciones de limpieza, filtrado, agregación y análisis estadístico.

2. Matplotlib y Seaborn.- Son librerías de visualización que te permiten crear gráficos y visualizaciones para entender mejor la distribución y relaciones entre las variables de tu conjunto de datos.

3. NumPy.- Proporciona funcionalidades para trabajar con arrays multidimensionales y realizar cálculos numéricos, útil para ciertos cálculos estadísticos y operaciones matemáticas.

Planteamiento del Problema - Asignatura Avicultura

En el contexto de la educación universitaria, la asignatura de Avicultura presenta desafíos significativos en cuanto al rendimiento académico de los estudiantes. A pesar de ser un componente fundamental en la formación en ciencias agrícolas y pecuarias, se observa una tendencia preocupante de bajo desempeño entre los alumnos en esta materia específica. 

Esta problemática se manifiesta en la frecuente falta de comprensión profunda de los conceptos clave, una tasa elevada de reprobación y dificultades persistentes para aplicar los conocimientos adquiridos en entornos prácticos. La complejidad inherente de la Avicultura, sumada a posibles deficiencias en los métodos de enseñanza, la ausencia de recursos didácticos adecuados o la falta de apoyo personalizado, podría estar contribuyendo a esta situación. 

Esta situación plantea la necesidad urgente de identificar las causas subyacentes del bajo rendimiento académico en la asignatura de Avicultura, con el fin de implementar estrategias efectivas que promuevan un aprendizaje más sólido y una mejora significativa en el desempeño de los estudiantes universitarios en este campo específico de estudio.

Análisis del Desempeño Académico en la Educación

Realizar un análisis al desempeño académico de los estudiantes es crucial, ya que permite identificar áreas de mejora en el aprendizaje, personalizar la enseñanza para adaptarse a las necesidades individuales, respaldar decisiones institucionales con datos concretos, mejorar la retención estudiantil mediante intervenciones tempranas, evaluar la eficacia de programas educativos y predecir tendencias futuras para tomar medidas preventivas, asegurando así una educación más efectiva y adaptada a las necesidades del estudiantado.

1. Definición de objetivos.-

• Clarifica qué aspectos del desempeño académico deseas analizar: notas, asistencia, participación en actividades extracurriculares, etc.
• Define los objetivos específicos del análisis: identificar patrones de éxito, correlaciones entre variables, factores que influyen en el rendimiento, etc.

2. Recopilación de datos.-

• Datos demográficos: edad, género, origen geográfico, nivel socioeconómico, etc.
• Datos académicos: calificaciones, exámenes, promedios, información sobre cursos y asignaturas.
• Datos de comportamiento: asistencia a clases, participación en actividades extracurriculares, horas de estudio, etc.
• Datos contextuales: información sobre el entorno familiar, eventos o situaciones especiales que podrían influir en el rendimiento académico.

3. Limpieza y preparación de datos.-

• Elimina datos faltantes o inconsistentes.
• Normaliza los datos si es necesario para hacer comparaciones significativas.
• Codifica los datos categóricos para poder incluirlos en análisis estadísticos.

4. Análisis exploratorio de datos.-

• Realiza análisis descriptivos para entender la distribución de las calificaciones, la correlación entre variables y posibles patrones.
• Utiliza visualizaciones como histogramas, gráficos de dispersión y diagramas de caja para identificar tendencias.

5. Identificación de patrones.-

• Utiliza técnicas de análisis estadístico, como análisis de regresión, correlación o análisis de componentes principales para identificar patrones y relaciones entre variables.
• Examina cómo los diferentes factores (demográficos, comportamentales, contextuales) se relacionan con el rendimiento académico.

6. Modelado predictivo (opcional).-

• Si es relevante para tus objetivos, puedes desarrollar modelos predictivos para prever el rendimiento académico futuro en base a los patrones identificados.

7. Interpretación y comunicación de resultados.-

• Analiza los patrones encontrados y saca conclusiones relevantes.
• Comunica los resultados de manera clara y efectiva a los interesados, utilizando visualizaciones y explicaciones comprensibles.

8. Iteración y mejora continua.-

• Utiliza los hallazgos para implementar cambios y estrategias que puedan mejorar el desempeño académico.
• Continúa monitoreando y ajustando tu análisis según sea necesario para seguir mejorando.

Esta estructura proporciona un marco general; los detalles específicos y la profundidad del análisis dependerán de tus objetivos y la disponibilidad de datos. Recuerda también considerar la privacidad y la ética al trabajar con datos de estudiantes.

METEOROLOGIA CON CHAT GPT 3.5 GOOGLE COLAB

 ANALISIS METEOROLOGICO PARTE 3

5. Google colab.- 

# Graficar Precipitación y Evapotranspiración a lo largo de los meses

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

plt.bar(df['Mes'], df['Lluvia acumulada (mm)'], alpha=0.7, label='Precipitación (mm)')

plt.bar(df['Mes'], df['Evapotranspiración acumulada (mm)'], alpha=0.7, label='Evapotranspiración (mm)')

plt.title('Precipitación y Evapotranspiración a lo largo de los meses')

plt.xlabel('Mes')

plt.ylabel('Cantidad (mm)')

plt.xticks(rotation=45)

plt.legend()

plt.grid(axis='y')

plt.tight_layout()

plt.show()

Gráfica de la Precipitación y la Evapotranspiración

La gráfica claramente expresa el déficit hídrico registrada en la

gestión 2022 en la ciudad de Villazón. Los valores de la

evapotranspiración superan ampliamente a la precipitación y esto

repercute en la disponibilidad de agua potable y de riego.

METEOROLOGIA CON CHAT GPT 3.5 GOOGLE COLAB

 ANALISIS METEOROLOGICO PARTE 3

4. Representación gráfica con Google Colab.- 

# Graficar Temperatura Media, Máxima y Mínima a lo largo de los meses

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

plt.plot(df['Mes'], df['Temperatura Media (ºC)'], marker='o',

label='Temperatura Media (ºC)')

plt.plot(df['Mes'], df['Temperatura Maxima (ºC)'], marker='o',

label='Temperatura Máxima (ºC)')

plt.plot(df['Mes'], df['Temperatura Minima (ºC)'], marker='o',

label='Temperatura Mínima (ºC)')

plt.title('Variación de Temperaturas a lo largo de los meses')

plt.xlabel('Mes')

plt.ylabel('Temperatura (ºC)')

plt.xticks(rotation=45)

plt.legend()

plt.grid(True)

plt.tight_layout()

plt.show()

Grafica de la Variable Temperatura

La gráfica representa la temperatura media, máxima y mínima registrada

en la gestión 2022 de la ciudad de Villazón.

METEOROLOGIA CON CHAT GPT 3.5 GOOGLE COLAB

                                             ANALISIS METEOROLOGICO PARTE 2

3. Estadística Descriptiva.- 

Temperatura Media (ºC) Temperatura Maxima (ºC) \ count 12.000000 12.000000 mean 10.058333 20.691667 std 3.515539 2.213783 min 4.000000 16.100000 25% 6.650000 18.575000 50% 10.950000 21.750000 75% 13.325000 22.225000 max 13.800000 23.000000 Temperatura Minima (ºC) Humedad Relativa (%) \ count 12.000000 12.000000 mean 0.050000 38.583333 std 5.801802 17.464084 min -7.800000 20.900000 25% -5.000000 22.175000 50% -0.200000 34.000000 75% 5.850000 56.300000 max 7.700000 64.600000 Velocidad del Viento Km/h Lluvia acumulada (mm) \ count 12.000000 12.000000 mean 2.300000 17.933333 std 0.724882 32.648356 min 1.400000 0.000000 25% 1.650000 0.000000 50% 2.450000 0.300000 75% 2.800000 24.850000 max 3.400000 108.600000 Evapotranspiración acumulada (mm) count 12.000000 mean 132.600000 std 30.706499 min 77.300000 25% 109.950000 50% 140.100000 75% 153.275000 max 169.800000

Comentarios.-

Interactuando con Google Colab, se obtiene la estadística
descriptiva: la media, desviación estándar, el valor mínimo,
valor máximo los cuartiles, por ejemplo en la
variable temperatura media , se tiene un promedio de 10.05 °C,
el valor mínimo es de 4 °C y el máximo de 13.8 °C.

METEOROLOGIA CON CHAT GPT 3.5 -GOOGLE COLAB

 ANALISIS METEOROLOGICO PARTE 1

Enlace CHAT GPT 3.5 

https://chat.openai.com/share/e15b97cb-494e-411d-b4ea-30dea3ee1150

1. Código de entrada de los datos en Google colab.-

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

# Datos proporcionados

data = {

    'Mes': ['Enero', 'Febrero', 'Marzo', 'Abril', 'Mayo', 'Junio',

'Julio', 'Agosto', 'Septiembre', 'Octubre', 'Noviembre', 'Diciembre'],

    'Temperatura Media (ºC)': [13.7, 13.8, 13.4, 10.5, 6.5, 4.0,

6.7, 5.9, 9.0, 11.4, 12.5, 13.3],

    'Temperatura Maxima (ºC)': [21.6, 21.9, 22.4, 22.2, 18.3, 16.1,

18.6, 18.5, 21.2, 22.3, 23.0, 22.2],

    'Temperatura Minima (ºC)': [7.7, 7.6, 5.7, -0.5, -5.0, -7.8,

-5.0, -7.0, -3.9, 0.1, 2.4, 6.3],

    'Humedad Relativa (%)': [64.6, 64.0, 55.8, 36.1, 26.3, 22.3,

20.9, 21.2, 21.8, 31.9, 40.3, 57.8],

    'Velocidad del Viento Km/h': [2.5, 2.7, 2.5, 1.8, 1.5, 1.4,

1.4, 1.7, 2.4, 3.1, 3.4, 3.2],

    'Lluvia acumulada (mm)': [108.6, 23.2, 29.8, 0.0, 0.0, 0.0,

0.0, 0.6, 0.0, 0.0, 4.6, 48.4],

    'Evapotranspiración acumulada (mm)': [149.3, 138.9, 150.0,

128.4, 102.0, 77.3, 91.0, 112.6, 141.3, 163.1, 169.8, 167.5]

}

# Crear DataFrame

df = pd.DataFrame(data)

# Mostrar el DataFrame

print(df)

------------------------------------------------------------------------------------------------------------------------

2. Base de datos creado en Google Colab.-

Mes Temperatura Media (ºC) Temperatura Maxima (ºC) \ 0 Enero 13.7 21.6 1 Febrero 13.8 21.9 2 Marzo 13.4 22.4 3 Abril 10.5 22.2 4 Mayo 6.5 18.3 5 Junio 4.0 16.1 6 Julio 6.7 18.6 7 Agosto 5.9 18.5 8 Septiembre 9.0 21.2 9 Octubre 11.4 22.3 10 Noviembre 12.5 23.0 11 Diciembre 13.3 22.2 Temperatura Minima (ºC) Humedad Relativa (%) Velocidad del Viento Km/h \ 0 7.7 64.6 2.5 1 7.6 64.0 2.7 2 5.7 55.8 2.5 3 -0.5 36.1 1.8 4 -5.0 26.3 1.5 5 -7.8 22.3 1.4 6 -5.0 20.9 1.4 7 -7.0 21.2 1.7 8 -3.9 21.8 2.4 9 0.1 31.9 3.1 10 2.4 40.3 3.4 11 6.3 57.8 3.2 Lluvia acumulada (mm) Evapotranspiración acumulada (mm) 0 108.6 149.3 1 23.2 138.9 2 29.8 150.0 3 0.0 128.4 4 0.0 102.0 5 0.0 77.3 6 0.0 91.0 7 0.6 112.6 8 0.0 141.3 9 0.0 163.1 10 4.6 169.8 11 48.4 167.5

ANÁLISIS DE LA CALIDAD DEL SUELO AGRÍCOLA

Código Python 

# Script en Python para analizar la calidad del suelo

import pandas as pd

import matplotlib.pyplot as plt

# Generar datos ficticios

datos_suelo = pd.DataFrame({

    'Profundidad': [0, 10, 20, 30, 40],

    'Nitrogeno': [10, 20, 15, 25, 18],

    'Fosforo': [8, 15, 10, 20, 12],

    'Potasio': [5, 10, 8, 12, 9]

})

# Gráfica de nutrientes en función de la profundidad del suelo

plt.plot(datos_suelo['Profundidad'], datos_suelo['Nitrogeno'],

label='Nitrógeno')

plt.plot(datos_suelo['Profundidad'], datos_suelo['Fosforo'],

label='Fósforo')

plt.plot(datos_suelo['Profundidad'], datos_suelo['Potasio'],

label='Potasio')

plt.xlabel('Profundidad del suelo (cm)')

plt.ylabel('Nivel de nutrientes')

plt.title('Análisis de la calidad del suelo')

plt.legend()

plt.show()

Grafica análisis de la calidad del suelo

Comentarios.-

La grafica representa la calidad del suelo en relación a la disponibilidad

de nutrientes (N,P,K) y la profundidad del suelo.

OPTIMIZACION DE CULTIVOS CON PYTHON

 OPTIMIZACION DE CULTIVOS CON PYTHON:UN ENFOQUE  PRACTICO

CODIGO PYTHON: 

# Script en Python para simular el crecimiento de cultivos

import numpy as np

import matplotlib.pyplot as plt

# Generar datos ficticios

dias = np.arange(1, 101)

rendimiento = 50 + 2 * dias + np.random.normal(0, 10, size=len(dias))

# Gráfica de rendimiento de cultivos en función del tiempo

plt.plot(dias, rendimiento, label='Rendimiento del cultivo')

plt.xlabel('Días')

plt.ylabel('Rendimiento')

plt.title('Simulación de crecimiento de cultivos')

plt.legend()

plt.show()

Gráfica obtenido con Google Colab

Comentarios.- 

CHAT GPT 3.5 es sin duda una herramienta poderosa para la generación de códigos y con la ayuda de Google Colab,  se pueden generar gráficas confiables. La gráfica representa la simulación del crecimiento del cultivo en función a las variables: tiempo (días) Vs.- rendimiento expresado en unidades métricas.  

GENERACION DE GRAFICAS CON PYTHON -GOOGLE COLAB

 GRÁFICA DE LA REGRESIÓN LINEAL CON PYTHON y GOOGLE COLAB

Instrucción: Generar código Python para graficar la regresión lineal entre las variables número de frutos y rendimiento en Kilogramos.

Código Python obtenido con CHAT GPT:

import numpy as np

import matplotlib.pyplot as plt

# Datos de número de frutos y rendimiento en kilogramos

num_frutos = [12.67, 11.8, 11.2, 13.33, 13.87, 12.8, 14.2, 12.93, 13.53, 10.67, 11.33, 12.2]

rendimiento = [2.37, 2.18, 2.1, 2.41, 2.63, 2.36, 2.63, 2.52, 2.85, 1.98, 1.86, 2.18]

# Realizar el ajuste de la regresión lineal

coeficientes = np.polyfit(num_frutos, rendimiento, 1)

pendiente, interseccion = coeficientes

# Crear un arreglo de valores de x para la recta de regresión

x = np.linspace(min(num_frutos), max(num_frutos), 100)

y = pendiente * x + interseccion

# Graficar los datos y la recta de regresión

plt.scatter(num_frutos, rendimiento, label='Datos')

plt.plot(x, y, color='red', label='Regresión lineal')

plt.xlabel('Número de frutos')

plt.ylabel('Rendimiento (Kg)')

plt.legend()

plt.grid(True)

# Mostrar el gráfico

plt.show()

GRAFICA REGRESION LINEAL OBTENIDO CON GOOGLE COLAB

CONCLUSIÓN.-

CHAT GPT puede generar código Python confiable sin necesidad de ser un experto en programación

y llevarlo a Google colab para generar gráficas , como la representación de la regresión lineal.

RECOMENDACIÓN.-

Al formular la instrucción a CHAT GPT uno debe ser claro, especifico y proporcionar la

información requerida ya sea texto y/o valores numéricos.