UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA PROFESIONAL DE ECONOMÍA
SÍLABO
ASIGNATURA : Programación II
SEMESTRE ACADÉMICO : 2024 B
DOCENTE : Mgtr. Tomás Amaya Gálvez
CALLAO, PERÚ
2024
SÍLABO
I. DATOS GENERALES
I.1. Asignatura : Programación II
I.2. Código : 212
I.3. Carácter : Obligatorio
I.4. Requisito (nombre y cód.) : Ninguno
I.5. Ciclo : VI
I.6. Semestre académico : 2024 B
I.7. N° Horas de clase : HT: 01 HP: 02
I.8. N° de Créditos : 2
I.9. Duración : 16 semanas
I.10. Docente : Mgtr. Tomás Amaya Gálvez
tamayag@[Link]
I.11. Modalidad : Presencial
II. SUMILLA
La asignatura de Programación II pertenece al área de estudios específicos, es de
naturaleza teórico – práctico y de carácter obligatorio. Tiene como propósito que
el estudiante desarrolle aplicaciones estadísticas orientadas a la labor de análisis
económico en el lenguaje R utilizando R Studio.
El Software de programación en R es una implementación del lenguaje
estadístico S. El R está enfocado fundamentalmente al análisis estadístico y
gráfico, utilizando grandes bases de datos de diversas fuentes. En esta
asignatura se desarrollará programas aplicados a las finanzas y al análisis
econométrico. Asimismo, el estudiante aprenderá a programar en Python que
le permitirá poder crear su propia empresa, resolver problemas con código
Python, crear páginas web aplicadas en economía, crear inteligencia artificial
y manejar grandes bases de datos.
El contenido se organiza por unidades:
UNIDAD I : Definiciones básicas en R
UNIDAD II : Estructuras de control y funciones en R
UNIDAD III : Estadística en R
UNIDAD IV : Machine learning y Deep learning en R
III. COMPETENCIAS DEL PERFIL DE EGRESO
III.1. Competencia General
CG1. Desarrolla una actitud flexible y abierta respecto a las tendencias
2
sociales y económicas para comprender los desafíos que pueden estar
presentes en el contexto histórico y económico cada vez más globalizado.
(1A).
CG2. Desarrolla habilidades que le permiten seleccionar y valorar las
distintas fuentes de información, para la elaboración de investigaciones de
buena calidad científica y que contribuya al acervo de la producción
intelectual. (1D)
III.2. Competencias específicas
1. Desarrolla habilidades de gestión económica y empresarial con visión
global y en contexto de cambios permanentes. (2A).
2. Aplica conocimientos e instrumental de economía para la mejora y
desarrollo de la gestión de las empresas, con énfasis en la micro y
pequeña empresa. (2D).
IV. CAPACIDADES
1. Utiliza las principales definiciones y estructuras básicas en R, como tipos de
datos, operadores, y objetos fundamentales (vectores, matrices, listas, y
dataframes). Esto incluye conocer cómo crear, manipular y almacenar datos en
R, así como comprender la sintaxis y las funciones básicas del lenguaje.
2. Aplica las estructuras de control (condicionales y bucles) en R para desarrollar
scripts eficientes y reutilizables, así como la creación y utilización de
funciones.
3. Realizar análisis estadísticos utilizando R, que incluye la aplicación de técnicas
descriptivas (medias, medianas, desviaciones estándar), inferenciales
(intervalos de confianza), interpretando resultados estadísticos y la
visualización de datos para apoyar la toma de decisiones informadas.
4. Construye modelos de machine learning y deep learning utilizando R,
empleando paquetes especializados para la preparación de datos, selección de
características, entrenamiento de modelos, y la interpretación de los resultados
para resolver problemas complejos de predicción y clasificación.
V. ORGANIZACIÓN DE LAS UNIDADES DE APRENDIZAJE
Unidad 1: Definiciones básicas en R
Inicio:19/08/2024 Término: 15/09/2024
LOGRO DE APRENDIZAJE
Capacidad: 1. Utiliza las principales definiciones y estructuras básicas en R, como tipos de datos, operadores, y objetos fundamentales
(vectores, matrices, listas, y dataframes). Esto incluye conocer cómo crear, manipular y almacenar datos en R, así como
comprender la sintaxis y las funciones básicas del lenguaje.
Producto de aprendizaje:
1. Práctica calificada 01
3
2. Prueba de fin de Módulo 01
No. Sesión
Horas Lectivas Temario/Actividad Indicador de logro Instrumento de evaluación
✓ Vectores en R: Operaciones de ✓ Realiza operaciones a un vector y entre
diversos tipos de datos (enteros, vectores en R
Lista de cotejo reales, booleanos, etc.), operaciones
en un vector, operaciones con
vectores.
✓ Dataframe en R: Operaciones en ✓ Opera sobre las filas, columnas y entre Lista de cotejo
SESIÓN 2
3 horas filas y columnas y entre dataframe. dataframe.
✓ Entrada y salida de datos en R ✓ Trabaja realizando operaciones con los datos
SESIÓN 3 de archivo de Excel importados a R
3 horas
Práctica calificada 01 Prueba en Moodle
✓ Retroalimentación de los temas ✓ Desarrolla los casos propuestos en clase con
previos por casos. acompañamiento del docente Lista de cotejo
SESIÓN 4
3 horas
Prueba de fin de Módulo 01 Prueba escrita
Unidad 2: Estructuras de control y funciones en R
Inicio: 16/09/24 Término: 13/10/2024
LOGRO DE APRENDIZAJE
Capacidad: 2. Aplica las estructuras de control (condicionales y bucles) en R para desarrollar scripts eficientes y reutilizables, así como la
creación y utilización de funciones.
Producto de aprendizaje:
1. Práctica calificada 02
2. Prueba de fin de Módulo 02
No. Sesión
Horas Lectivas Temario/Actividad Indicador de logro Instrumento de evaluación
SESIÓN 5 ✔ Estructuras selectivas if, if-else, if- ✔ Identifica la estructura de su trabajo de
3 horas else-if en R. investigación.
✔ Manipula datos y realiza operaciones
SESIÓN 6
✔ Estructura repetitiva for, while y do- repetitivas eficientemente dentro de los
3 horas
while en R. bucles.
Lista de cotejo
✔ Define funciones utilizando la palabra
✔ Funciones en propias R. reservada function, cómo llamarla y cómo
SESIÓN 7
manejar los argumentos en caso los hubiera.
3 horas
Práctica calificada 02 Prueba en Moodle
✔ Desarrolla los casos propuestos en clase con
✔ Retroalimentación de los temas previos Lista de cotejo
SESIÓN 8 acompañamiento del docente
por casos.
3 horas
Prueba de fin de Módulo 02 Prueba escrita
Unidad 3: Estadística en R
Inicio: 14/10/2024 Término: 09/11/2024
LOGRO DE APRENDIZAJE
Capacidad 3: Realizar análisis estadísticos utilizando R, que incluye la aplicación de técnicas descriptivas (medias, medianas, desviaciones
estándar), inferenciales (intervalos de confianza), interpretando resultados estadísticos y la visualización de datos para apoyar la
toma de decisiones informadas.
Producto de aprendizaje:
1. Práctica calificada 03
2. Prueba de fin de Módulo 03
No. Sesión
Horas Lectivas Temario/Actividad Indicador de logro Instrumentos de evaluación
4
✔ Estadística en R de: ✔ Interpretar el cálculo de la media, mediana,
• Medidas de tendencia central. moda, desviación media, desviación estándar
SESIÓN 9
3 horas • Medidas de dispersión. y medidas de posición de un conjunto de
• Medidas de posición. datos utilizando funciones en R
Lista de cotejo
✔ Distribuciones de probabilidad. ✔ Interpreta el cálculo de diversas casuísticas
Rúbrica
SESIÓN 10 • Distribución binomial. referente a las distribuciones binomial,
3 horas • Distribución normal. normal y de Poisson.
• Distribución de Poisson.
✔ Crear y personalizar gráficos como
SESIÓN 11 ✔ Gráficos en R. histogramas, diagramas de dispersión.
3 horas
Práctica calificada 03 Prueba en Moodle
✔ Retroalimentación de los temas ✔ Desarrolla los casos propuestos en clase con
SESIÓN 12 Lista de cotejo
previos por casos. acompañamiento del docente
3 horas
Prueba de fin de Módulo 03 Prueba escrita
Unidad 4: Machine learning y Deep learning en R
Inicio: 10/11/2024 Término: 07/12/2024
LOGRO DE APRENDIZAJE
Capacidad 4: Construye modelos de machine learning y Deep learning utilizando R, empleando paquetes especializados para la
preparación de datos, selección de características, entrenamiento de modelos, y la interpretación de los resultados
para resolver problemas complejos de predicción y clasificación.
Producto de aprendizaje:
1. Práctica calificada 04
2. Prueba de fin de Módulo 04
No. Sesión
Horas Lectivas Temario/Actividad Indicador de logro Instrumento de evaluación
SESIÓN 13
✔ Introducción a machine Learning. Adecua la producción de textos escritos según
4 horas
✔ Machine Learning y regresión lineal. el contexto comunicativo.
Expone con coherencia y fluidez su obra
SESIÓN 14 ✔ Machine Learning y regresión Lista de cotejo
literaria con los ítems establecidos
4 horas logística. empleando diapositivas con hipervínculos.
✔ Identifica la silueta de documentos oficiales
redactándolos según la intención
SESIÓN 15 ✔ Deep Learning y redes neuronales. comunicativa.
4 horas
Práctica calificada 04 Prueba en Moodle
SESIÓN 16
4 horas Prueba de fin de Módulo 04 Prueba escrita
VI. METODOLOGÍA (según modelo o manejo didáctico del docente)
La Universidad Nacional del Callao, Licenciada por la SUNEDU tiene como fin supremo la
formación integral del estudiante, quien es el eje central del proceso educativo de formación
profesional; es así como el Modelo Educativo de la UNAC implementa las teorías educativas
constructivista y conectivista, y las articula con los componentes transversales del proceso de
enseñanza – aprendizaje, orientando las competencias genéricas y específicas. Este modelo tiene
como propósito fundamental la formación holística de los estudiantes y concibe el proceso
educativo en la acción y para la acción. Además, promueve el aprendizaje significativo en el marco
de la construcción o reconstrucción cooperativa del conocimiento y toma en cuenta los saberes
5
previos de los participantes con la finalidad que los estudiantes fortalezcan sus conocimientos y
formas de aprendizaje y prosperen en la era digital, en un entorno cambiante de permanente
innovación, acorde con las nuevas herramientas y tecnologías de información y comunicación.
La plataforma de la UNAC es el Sistema de Gestión Académico (SGA-UNAC) basado en Moodle,
en donde los estudiantes, tendrán a su disposición información detallada de la asignatura: el sílabo,
diversos recursos digitales propios del curso y los contenidos de la clase estructurados para cada
sesión educativa. El SGA será complementado con las diferentes soluciones que brinda Google
Suite for Education y otras herramientas tecnológicas multiplataforma.
Las estrategias metodológicas didáctica para el desarrollo de las sesiones teóricas y prácticas
permiten dos modalidades de aprendizaje en los estudiantes:
Herramientas metodológicas de comunicación síncrona (videoconferencia) La
modalidad asíncrona es una forma de aprendizaje basado en el uso de herramientas que
permiten la comunicación no presencial y en tiempo real entre el docente y los estudiantes.
Dentro de la modalidad sincrónica, se hará uso de:
Clases dinámicas e interactivas (virtuales): el docente genera permanentemente
expectativa por el tema a través de actividades que permiten vincular los saberes previos con
el nuevo conocimiento, promoviendo la interacción mediante el diálogo y debate sobre los
contenidos.
Talleres de aplicación (virtuales): el docente genera situaciones de aprendizaje para la
transferencia de los aprendizajes a contextos reales o cercanos a los participantes que serán
retroalimentados en clase.
Tutorías (virtuales): Para facilitar la demostración, presentación y corrección de los
avances del informe final de investigación.
5.2 Herramientas metodológicas de modalidad asíncrona
Forma de aprendizaje basado en el uso de herramientas que posibilitan el intercambio de
mensajes e información entre los estudiantes y el docente en tiempo diferido y sin
interacción instantánea.
Dentro de la modalidad asincrónica se puede hacer udo de metodologías colaborativas como:
• Aprendizaje Orientado a Proyectos - AOP (virtual): Permite que el estudiante adquiriera
conocimientos y competencias mediante la ejecución de su proyecto de investigación,
para dar respuesta a problemas del contexto.
• Portafolio de Evidencias Digital: Permite dar seguimiento a la organización y
presentación de evidencias de investigación y recopilación de información para poder
observar, contrastar, sugerir, incentivar, preguntar.
• Foro de investigación: se realizarán foros de debate, a partir de un reactivo sobre el tema
de la sesión de aprendizaje.
• Aprendizaje Basado en Problemas (ABP).
• Aula invertida
6
• Retroalimentación
RESPONSABILIDAD SOCIAL
La Universidad Nacional del Callao, dentro del ámbito educativo, hace frente a su función social
respondiendo a las necesidades de transformación de la sociedad a nivel regional y nacional
mediante el ejercicio de la docencia, la investigación y la extensión. En esa línea, la
responsabilidad social académica de la asignatura consiste en que haceres propios del curso o
colaboración con otros docentes para la materialización de la actividad de responsabilidad social.
VII. MEDIOS Y MATERIALES (RECURSOS)
MEDIOS DE INFORMACIÓN MATERIALES DIGITALES
⮚ Computadoras ⮚ Diapositivas de clase
⮚ Pizarra digital ⮚ Texto digital
⮚ Plataforma virtual ⮚ Videos
⮚ Internet ⮚ Tutoriales
⮚ Correo Electrónico ⮚ Página Web
⮚ Artículos científicos
VIII. SISTEMA DE EVALUACIÓN DE ASIGNATURA
Evaluación diagnóstica: se debe realizar al inicio de ciclo para determinar los diferentes niveles de
conocimientos previos con los que el estudiante llega al curso. Se sugiere usar un cuestionario en
línea en base a bancos de preguntas. No es considerada en el promedio de la asignatura.
Evaluación formativa: es parte importante del proceso de enseñanza aprendizaje, es permanente y
sistemático y su función principal es recoger información para retroalimentar y regular el proceso
de enseñanza aprendizaje. Para garantizar el desarrollo de competencias, se sugiere usar recursos e
instrumentos mixtos cuantitativos y cualitativos.
Se debe trabajar en base a productos, como proyectos, análisis de casos, portafolios, ensayos,
recursos audiovisuales, informes, guías, entre otros. Además, se sugiere usar como instrumentos de
evaluación rúbricas, listas de cotejo, fichas de indagación, fichas gráficas, instrumentos de
evaluación entre pares, entre otros.
Evaluación sumativa: se establece en momentos específicos, sirve para determinar en un instante
específico, el nivel del logro alcanzado, por lo general se aplica para determinar el nivel de
conocimientos logrados. Para este tipo de evaluación, se aplica mayormente cuestionarios y
pruebas objetivas en cualquier formato. Se sugiere usarse en un porcentaje mínimo dado que solo
permiten la medición cuantitativa de los conocimientos.
La evaluación de los aprendizajes se realizará por unidades. Se obtiene mediante la evaluación de
productos académicos por indicador de logro de aprendizaje, cada producto tendrá un peso respecto
a la nota de la unidad. Habrá tantas notas parciales como unidades tenga la asignatura. La nota final
7
de la asignatura se obtiene promediando las notas de las unidades.
En cumplimiento del modelo educativo de la universidad, el sistema de evaluación curricular del
silabo, consta de cinco criterios (Según Resolución N.º 102-2021-CU del 30 de junio del 2021).
a) Evaluación de conocimientos 55% (Parcial, final y prácticas calificadas)
b) Evaluación de procedimientos 30% (laboratorios, trabajo de campo) de acuerdo
con la naturaleza de la asignatura.
c) Evaluación actitudinal 10%.
d) Evaluación de proyección y responsabilidad social universitaria 5%
CRITERIOS DE EVALUACIÓN:
La ponderación de la calificación (de acuerdo con lo establecido en el sistema de evaluación de la
asignatura) será la siguiente:
CRITERIO DE EVALUACIONES Pesos y Coeficientes
Prueba de fin de Módulo 01 - (PFM1) 5%
Prueba de fin de Módulo 02 - (PFM2) 10%
a Evaluación de conocimientos
Prueba de fin de Módulo 03 - (PFM3) 15%
Prueba de fin de Módulo 04 - (PFM4) 25%
Práctica calificada 01 (Moodle) - (PC1) 5%
Práctica calificada 02 (Moodle) - (PC2) 5%
b Evaluación de Procedimientos
Práctica calificada 03 (Moodle) - (PC3) 10%
Práctica calificada 04 (Moodle) - (PC4) 10%
c Participación en Clase y Actitud (EAZ) - (EA1) 2.5%
Participación en Clase y Actitud (EAZ) - (EA2) 2.5%
Evaluación Actitudinal
Participación en Clase y Actitud (EAZ) - (EA3) 2.5%
Participación en Clase y Actitud (EAZ) - (EA4) 2.5%
Evaluación de Proyección y
e Presentación de trabajo (RS) – (RSU) 5%
Responsabilidad Social Universitaria
Nota: La Evaluación actitudinal se desarrolla durante cada sesión considerando que el estudiante no falte,
este atento, no interrumpa la sesión de clase continuamente saliendo, riéndose o conversando durante la
explicación, no conteste el teléfono, salvo el caso que sea una emergencia (Solo se permite una vez en todo
el ciclo) y guarde las formas contempladas en el Estatuto universitario correspondientes al estudiante.
• Pruebas de fin de módulo: PFM1, PFM2, PFM3, PFM4
• Prácticas calificadas: PC1, PC2, PC3, PC4
• Participación en clase y actitud: EA1, EA2, EA3, EA4
• Responsabilidad social universitaria: RSU
• Promedio final: PF
PF = (0.05*PFM1 + 0.05*PC1 + 0.025*EA1) + (0.1*PFM1 + 0.05*PC1 + 0.025*EA1) +
(0.15*PFM1 + 0.1*PC1 + 0.025*EA1) + (0.25*PFM1 + 0.1*PC1 + 0.025*EA1 + 0.05*RSU)
• Módulo 01: 0.05*PFM1 + 0.05*PC1 + 0.025*EA1
• Módulo 02: 0.1*PFM1 + 0.05*PC1 + 0.025*EA1
• Módulo 03: 0.15*PFM1 + 0.1*PC1 + 0.025*EA1
• Módulo 04: 0.25*PFM1 + 0.1*PC1 + 0.025*EA1 + 0.05*RSU
8
REQUISITOS PARA APROBAR LA ASIGNATURA
De acuerdo con el reglamento de estudios de la Universidad Nacional del Callao, se tendrá a
consideración lo siguiente:
• Participación en todas las actividades de práctica en Moodle o Pruebas de fin de módulo.
• Asistencia mínima del 70%.
• La escala de calificación es de 0 a 20.
• El estudiante aprueba si su nota promocional es mayor o igual a 11.
• Asistencia se considera con la participación durante toda la sesión de clase.
La evaluación del aprendizaje se adecua a la modalidad no presencial, considerando las capacidades
y los productos de aprendizaje evaluados descritos para cada unidad. Se evalúa antes, durante y al
finalizar el proceso de enseñanza-aprendizaje, considerando la información proporcionada en el
presente sílabo.
IX. FUENTES DE INFORMACIÓN
9.1. Fuentes Básicas:
López, J. A. (2020). Introducción a R: Una guía práctica para el análisis de datos.
Editorial McGraw-Hill.
González, M. (2019). Análisis de datos con R: Fundamentos y aplicaciones. Editorial
Alfaomega.
Rodríguez, S., & Hernández, C. (2022). R para el análisis estadístico: Un enfoque
práctico. Editorial Anaya Multimedia.
9.2. Fuentes Complementarias:
Blalock, Hubert M. 1966. Estadística Social. Fondo de Cultura Económica.
Ritchey, Ferris J. 2008. Estadística Para Las Ciencias Sociales. McGraw-Hill
Interamericana de España S.L.
X. NORMAS DEL CURSO
1. Preséntate de forma adecuada.
2. Respeta la privacidad del otro.
3. Verifica tus fuentes.
4. Utiliza buena redacción y gramática para redactar tus correos.
5. Utilizar un lenguaje apropiado para no vulnerar los derechos de tus compañeros.
6. No utilices lenguaje ofensivo
• Normas de convivencia
1. Respeto
2. Asistencia
3. Puntualidad
4. Presentación oportuna de los entregables