Programa del curso
Descripción y Visualización de Datos
I. Identificación
| Código | SOC09124 |
| Créditos | 5 |
| Período Académico | 2º semestre 2026 |
| Requisito | SOC09114 Matemáticas para Sociología |
| Duración | Semestral |
| Horario de plenaria | Lunes 08:30–09:50 Ejército 326, piso 4, sala 402 |
| Horario de talleres | Grupo 1: Lunes 10:00–11:20 Grupo 2: Lunes 11:30–12:50 Ejército 333, piso 2, Laboratorio piso 2 |
| Horario de ayudantía | Grupo 1: Lunes 14:30–15:50 Grupo 2: Lunes 14:30–15:50 |
| Asistencia | Obligatoria 70% (clases y ayudantías) |
| Docente | Gabriel Sotomayor gabriel.sotomayor@mail.udp.cl |
| Ayudantes | Felipe Adasme felipe.adasme@mail.udp.cl Francisca Hernández francisca.hernandez_c@mail.udp.cl Catalina Rojas catalina.rojas5@mail.udp.cl |
II. Presentación
La estadística es una herramienta esencial para el quehacer sociológico moderno, ya que permite analizar diferentes dinámicas que se despliegan en todas las áreas de la vida social. Este curso busca entregar a los/las alumnos/as las herramientas básicas para establecer la relación entre la recolección de datos en investigaciones empíricas de carácter cuantitativo y las técnicas estadísticas apropiadas para el análisis, lectura e interpretación de los resultados. Para tales propósitos, el curso aborda elementos de la estadística descriptiva univariada como lo son la presentación de datos en tablas y gráficos, el cálculo e interpretación de estadígrafos de tendencia central, de dispersión, de forma y de posición; además de nociones básicas de estadística descriptiva bivariada y algunas reglas de asociación.
Los alumnos desarrollarán la capacidad de resumir información, analizarla y concluir sustantivamente respecto de cualquier problemática social que deban tratar. En consecuencia, el curso tiene un carácter eminentemente práctico a través de ejercicios y el uso de lenguajes de programación con orientación estadística que permitan el análisis y presentación adecuada de los datos. Finalmente, se busca que los/las alumnos/as comprendan el uso y la relevancia del análisis estadístico en las Ciencias Sociales y de forma particular en la Sociología.
III. Resultados de Aprendizaje
Resultado general
Aplicar los métodos y herramientas de la estadística descriptiva necesarios para el análisis de datos cuantitativos en las ciencias sociales.
Resultados específicos
- Comprender el uso y relevancia de la estadística en las Ciencias Sociales.
- Relacionar metodologías de recolección de datos y las técnicas estadísticas apropiadas para su análisis.
- Comprender las principales herramientas de la estadística descriptiva.
- Definir correctamente un plan de análisis descriptivo para una tabla de datos.
- Identificar el estadístico apropiado según el tipo de variable analizada.
- Manipular y analizar tablas de datos a través del lenguaje de programación R.
- Interpretar datos cuantitativos producidos por investigaciones propias o de terceros.
- Distinguir entre estadística descriptiva e inferencial.
Los puntos anteriores se realizarán utilizando el lenguaje de programación estadístico R junto a herramientas de apoyo como Word y Excel. Los/as estudiantes tendrán una base sólida en este lenguaje de programación.
IV. Contenidos
Unidad 1: Introducción a la estadística y su relación con las ciencias sociales
- El proceso de conocimiento científico: lógica inductiva y deductiva.
- Etapas generales de la investigación social empírica.
- Datos: la fuente de información clave para la estadística.
- La estadística como una aproximación a preguntas de investigación sociológicas.
- Usos de la estadística en la actualidad: sociología, ciencia política, economía, políticas públicas.
- La relevancia de los lenguajes de programación para el análisis estadístico actual.
Unidad 2: Conceptos claves para la investigación social
- Conceptualización y operacionalización.
- Unidad de análisis vs. unidad de observación.
- Tipos de variables y niveles de medición.
- Muestra y población: estadísticos muestrales y parámetros poblacionales.
- Población objetivo, marco muestral, muestra.
- Validez y confiabilidad en la medición.
- Error de medición y error muestral.
Unidad 3: Marcos de datos para la investigación social
- Estructura de una tabla de datos: lógica filas, columnas.
- Exploración de una tabla de datos en R.
- Tipos de variables en una tabla de datos.
- Introducción al
tidyverse. - Manipulación de tablas de datos I: selecciones, filtros, ordenamiento.
- Manipulación de tablas de datos II: uniones y pivot.
- Recodificación de variables: uso de estructuras condicionales.
- Construcción de variables: índices, escalas y tipologías.
Unidad 4: Estadística Descriptiva Univariada
- Estadísticos para variables numéricas: centro (media, mediana, moda), dispersión (rango, varianza, desviación estándar), posición (percentiles), forma (asimetría y curtosis).
- Estadísticos para variables categóricas: frecuencias absolutas y relativas, porcentajes, tasas.
- Visualización de datos: barras, histogramas y boxplots.
- Recomendaciones para la visualización de datos cuantitativos.
Unidad 5: Estadística Descriptiva Bivariada
- Tipos de asociaciones entre variables según su naturaleza.
- Concepto de independencia.
- Construcción de estadísticos por grupo.
- Construcción de tablas de contingencia y control por tercera variable.
- Visualizaciones bivariadas: barras, histogramas y boxplots.
- Medidas de asociación: Pearson y Spearman.
- Más allá de lo descriptivo: la probabilidad como medida de incertidumbre.
Ayudantías de R
Se realizarán 8 ayudantías de R con asistencia obligatoria, cuyo objetivo es introducir el lenguaje R para el análisis estadístico y servir de guía para las evaluaciones del curso.
| N° | Contenido |
|---|---|
| 1 | Introducción a R: lenguaje, RStudio, rutas relativas, vectores, lógica de objetos y funciones. |
| 2 | Lectura y exploración de marcos de datos: formatos, importación, indexación, valores perdidos. |
| 3 | Manipulación de datos I: dplyr, filter, select, arrange. |
| 4 | Manipulación de datos II: joins, rbind, pivoteo de tablas. |
| 5 | Generación de variables: mutate, ifelse, case_when, índices y escalas. |
| 6 | Visualización de datos: ggplot2, gramática de gráficos, barras, histogramas, boxplots. |
| 7 | Análisis descriptivo univariado en R: estadísticos y visualizaciones. |
| 8 | Análisis descriptivo bivariado en R: tablas de contingencia, estadísticos por grupo. |
V. Metodología
El curso se desarrollará en base a clases teóricas de modalidad expositiva y prácticas tipo taller. Durante las clases en aula se presentarán los contenidos del curso tanto a nivel teórico como práctico a través de ejemplos y guías de ejercicios. Algunas sesiones serán destinadas al trabajo exclusivo en laboratorio de computación, abordando el lenguaje de programación R. Los contenidos del curso están disponibles en el sitio: gabrielsotomayorl.github.io/dyv/2026.
Adicionalmente se realizará una sesión semanal de ayudantía con asistencia obligatoria a cargo de los ayudantes del curso, en el laboratorio de computación. La ayudantía entregará los elementos necesarios para el desarrollo y aplicación adecuada de los contenidos vistos en clases y la práctica de R.
El ayudante, además de realizar las sesiones de ayudantía, revisará los trabajos prácticos en conjunto y bajo la supervisión del profesor. No será labor del ayudante, a menos que esté dentro de la programación, hacer ayudantías especiales para los trabajos prácticos.
VI. Evaluación
| Componente | Ponderación | Descripción resumida |
|---|---|---|
| Trabajos Prácticos (TP) | 30% | 2 trabajos grupales. |
| Controles (CONT) | 10% | 3 controles individuales, al final de las Unidades 2, 3 y 4 (se borra el peor). |
| Tareas de R (TAR) | 10% | 4 tareas individuales en R. |
| Pruebas Solemnes (PS) | 50% | 2 pruebas (25% cada una). |
- Trabajos Prácticos (30%): Los/as estudiantes desarrollarán 2 trabajos grupales que integran contenidos teóricos y prácticos a partir de una pregunta de investigación propia. Entrega en formato Word o Quarto.
- Controles (10%): 3 controles individuales, al final de las Unidades 2, 3 y 4. El promedio simple de las dos mejores notas corresponde al 10% de la nota de presentación; se elimina la peor de las tres.
- Tareas de R (10%): 4 tareas individuales donde se aplican las herramientas de R desarrolladas en el curso.
- Pruebas Solemnes (50%): Dos pruebas que evalúan conceptos, cálculo, análisis e interpretación de datos.
Nota de Presentación (NP: 70%)
NP = TP × 0,30 + CONT × 0,10 + TAR × 0,10 + PS × 0,50
Examen (30%)
Habrá un examen que evaluará todos los contenidos del curso. Equivale al 30% de la nota final.
Se podrán eximir del examen los estudiantes con nota de presentación igual o superior a 5,5, siempre y cuando no tengan ninguna nota bajo 5,0 en las pruebas solemnes. La nota mínima en el examen para aprobar es 3,5.
Se exige un 70% de asistencia mínima (clases y ayudantías); la asistencia se toma en cada bloque. El estudiante que no cumpla este requisito no tendrá derecho a rendir examen y reprobará el curso automáticamente. Si el estudiante se retira 15 minutos o más antes de finalizar la clase, se considerará ausente.
Nota Final (NF)
NF = NP × 0,7 + Examen × 0,3
Quien falte a una evaluación deberá rendir una prueba recuperativa, que pondera el porcentaje de la evaluación faltante. Quien falte a dos o más evaluaciones deberá rendir la prueba recuperativa y el examen; el porcentaje de las evaluaciones ausentes se suma a la ponderación del examen.
Sobre inasistencia a evaluaciones
Si un estudiante falta a una evaluación, puede presentar ante la Secretaría de Estudios un certificado médico dentro de los cinco días hábiles posteriores para tener derecho a rendir una prueba recuperativa. Las evaluaciones no rendidas tendrán nota 1,0. Los estudiantes tienen derecho a un máximo de una prueba recuperativa por curso.
Recorrección
Los estudiantes tienen derecho a conocer las notas y la pauta de corrección en un plazo no superior a 10 días hábiles desde la evaluación. Pueden impugnar la corrección en un plazo de 5 días hábiles desde la entrega de la nota, a través de carta dirigida al secretario de estudios, adjuntando la evaluación corregida.
VII. Cronograma de trabajo
Las clases se realizan los lunes. Las semanas 1–14 corresponden a clases de contenido; las semanas de solemne, feriado y receso se indican con guión (—).
| Semana | Fecha | Unidad | Tópico | Lecturas | Evaluaciones |
|---|---|---|---|---|---|
| 1 | 10-08 | 1 | Presentación del curso. El proceso de conocimiento científico. La estadística como herramienta sociológica. | Babbie (2000) caps. 1-2 PDF Cea D’Ancona (1996) cap. 2 PDF |
|
| 2 | 17-08 | 1 | Usos de la estadística en la actualidad. Relevancia de los lenguajes de programación. | Moore (2005) cap. 1 PDF | |
| 3 | 24-08 | 2 | Conceptualización y operacionalización. Tipos de variables y niveles de medición. | Babbie (2000) cap. 5 PDF Babbie (2000) cap. 6 PDF Ritchey (2008) cap. 2 PDF Asún (2006) PDF |
|
| 4 | 31-08 | 2 | Muestra y población. Validez y confiabilidad. Error de medición. | Babbie (1996) cap. 5 PDF Babbie (2000) caps. 4 y 8 PDF |
Control N°1 (fin Unidad 2) · Tarea 1 |
| 5 | 07-09 | 3 | Estructura de una tabla de datos. Exploración en R. | Wickham et al. (2023) — Transformación y Visualización de datos Babbie (2000) cap. 14 PDF |
TP 1 (inicia) |
| — | 14 al 18-09 | — | Receso — Fiestas Patrias | ||
| 6 | 21-09 | 3 | Manipulación de tablas de datos con dplyr. |
Wickham et al. (2023) — Transformación de datos | |
| 7 | 28-09 | 3 | Recodificación, reestructuración y combinación de datos. | Wickham et al. (2023) — Datos relacionales y joins | Control N°2 (fin Unidad 3) |
| — | 05-10 | — | Solemne 1 — Unidades 1, 2 y 3 | PS 1 | |
| — | 12-10 | — | Feriado — Día del Encuentro de Dos Mundos | ||
| 8 | 19-10 | 4 | Descripción de variables categóricas. Frecuencias, porcentajes y tasas. | Ritchey (2008) PDF Moore (2005) cap. 1 PDF Diez et al. (2024) cap. 2 PDF |
Tarea 2 |
| 9 | 26-10 | 4 | Visualizando distribuciones: histograma y boxplot. Mediana y cuartiles. | Ritchey (2008) caps. 4-5 PDF Moore (2005) cap. 1 PDF |
|
| 10 | 02-11 | 4 | La media, la desviación estándar y la estandarización. | Ritchey (2008) caps. 4-5 PDF Moore (2005) cap. 1 PDF |
Tarea 3 |
| 11 | 09-11 | 4 | La visualización como argumento sociológico. Gramática de gráficos con ggplot2. |
Ritchey (2008) cap. 3 PDF Wickham et al. (2023) — Visualización de datos |
Control N°3 (fin Unidad 4) · TP 2 (inicia) |
| 12 | 16-11 | 5 | Introducción al análisis bivariado. Tipos de asociación. | Moore (2005) cap. 2 PDF | |
| 13 | 23-11 | 5 | Tablas de contingencia y control por tercera variable. | Moore (2005) sec. 2.6 PDF | Tarea 4 |
| 14 | 30-11 | 5 | Síntesis bivariada. Medidas de asociación. | ||
| — | 07-12 | — | Solemne 2 — Unidades 4 y 5 | PS 2 | |
| — | Última semana de clases | — | Prueba Recuperativa (ambas secciones) | ||
| — | 10 al 21-12 | — | Examen — fecha exacta la fija la Escuela dentro de este período |
VIII. Bibliografía
Bibliografía Obligatoria
- Asún, R. (2006). Medir la realidad social: El sentido de la metodología cuantitativa. En M. Canales, Metodologías de investigación Social. Santiago: LOM.
- Babbie, E. (1996). Manual para la práctica de la investigación social. Desclée De Brouwer.
- Babbie, E. (2000). Fundamentos de la investigación social. Cengage Learning Latin Am.
- Cea D’Ancona, M. A. (1996). Metodología Cuantitativa: Estrategias y Técnicas de Investigación Social. Ed. Síntesis Sociológica.
- Diez, D. M., Barr, C. D., & Çetinkaya-Rundel, M. (2024). OpenIntro Statistics. Creative Commons.
- Hernández, R., Fernández, C. & Baptista, P. (2010). Metodología de la Investigación. McGraw-Hill.
- Moore, D. S. (2005). Estadística aplicada básica. Antoni Bosch editor.
- Ritchey, F. (2008). Estadística para las ciencias sociales. McGraw-Hill.
- Urdinez, F., & Cruz, A. (2020). R for political data science: a practical guide. CRC Press. https://arcruz0.github.io/libroadp/
- Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for data science. O’Reilly Media. https://davidrsch.github.io/r4ds-es/
Bibliografía Complementaria
- Çetinkaya-Rundel, M., & Hardin, J. (2021). Introduction to Modern Statistics. OpenIntro. https://openintro-ims.netlify.app/
- Goldthorpe, J. H. (2017). La sociología como ciencia de la población. Alianza Editorial.
- Healey, J. F. (2015). The essentials of statistics: A tool for social research. Cengage Learning.
IX. Cláusula Ética
La Escuela establece severas sanciones para las faltas graves que los estudiantes realicen, tales como plagio o falsificación de documentos, señalados en el Reglamento del Estudiante de Pre-grado en el Título XIII de las Conductas Contrarias a los Principios Universitarios.
El Comité de Ética es la instancia responsable de revisar y resolver las situaciones contrarias a los principios universitarios. Son conductas que vician una evaluación todos aquellos actos que implican un rompimiento de los estándares éticos: copia, uso indebido de medios electrónicos, falsificación de documentos, plagio en trabajos escritos.
Se consideran fuentes de información que deben citarse los textos e imágenes en formato electrónico o en papel, en todas sus modalidades: libros, diarios, documentos de trabajo, artículos académicos, etc.
X. Política sobre discriminación arbitraria, acoso sexual y acoso laboral
La Universidad Diego Portales (UDP) promueve el pluralismo y la independencia crítica de quienes la integran y tiene como uno de sus principales objetivos el desarrollo integral de las personas que forman parte de ella y de la sociedad. En ese marco, la UDP promueve una convivencia reflexiva basada en el reconocimiento a la dignidad de las personas, la libertad de expresión, la libertad sexual, la identidad y expresión de género, y la autonomía de sus integrantes, en línea con la Convención sobre la eliminación de todas las formas de discriminación contra la mujer, la Convención interamericana para prevenir la violencia contra la mujer, y los demás tratados internacionales sobre Derechos Humanos suscritos y ratificados por Chile y que se encuentren vigentes.
La UDP ha desarrollado reglamentos y políticas que garantizan el respeto a las personas y la no discriminación. Por ello, esta normativa surge de la necesidad de reducir las brechas de género arbitrarias e injustas existentes entre las personas que forman parte de la institución o se vinculan a ella, y de la necesidad de construir un espacio universitario libre de violencia. En este contexto, se entiende por discriminación a toda distinción, exclusión o restricción basada en el sexo, la identidad de género, la orientación sexual y/o la expresión de género, que tenga como resultado un menoscabo o anulación del goce o ejercicio de derechos fundamentales y/o a recibir un trato digno y respetuoso.
La violencia de género se entiende como toda conducta que afecta la dignidad e integridad de las personas, tanto en el ámbito público como en el privado, reconociendo que las mujeres y, en general, las personas que no se acercan a los patrones socialmente dominantes en cuanto a identidad de género, orientación sexual y expresión de género, suelen ser más vulnerables a situaciones de discriminación, desigualdad y abuso de poder.
Quienes integran la Universidad tienen la obligación de conocer esta normativa y los protocolos, sitios web y programas que de ella deriven. Particularmente responsables de su implementación serán las autoridades de la universidad, quienes tendrán la primera obligación de hacer frente a situaciones que dañen a sus integrantes.
Más información: https://genero.udp.cl/
XI. Uso de Inteligencia Artificial (IA)
El uso de herramientas de IA en este curso debe contar con la autorización explícita del profesor, en sintonía con los objetivos de aprendizaje y el tipo de evaluaciones del programa. Su uso sin autorización puede afectar el aprendizaje de habilidades clave y constituir una falta ética según el Reglamento de Facultad.
Consulta la 🤖 Política de IA del curso para más detalles.