Consultas SQL Básicas: SELECT, FROM, WHERE
Los estudiantes escriben consultas SQL para seleccionar, filtrar y recuperar datos de una o varias tablas.
Preguntas Clave
- ¿Cómo la cláusula SELECT permite especificar qué columnas recuperar de una tabla?
- ¿De qué manera la cláusula WHERE filtra los registros basándose en condiciones específicas?
- ¿Por qué la sintaxis SQL es fundamental para interactuar con bases de datos relacionales?
Aprendizajes Esperados SEP
Acerca de este tema
La visualización de datos es el arte y la ciencia de convertir números complejos en historias visuales comprensibles. En un mundo saturado de información, la capacidad de comunicar hallazgos de manera efectiva es una habilidad crítica para los estudiantes de preparatoria. Este tema conecta el análisis técnico con el diseño gráfico y la comunicación asertiva, cumpliendo con los estándares de interpretación de información de la SEP.
Los alumnos aprenden a elegir el gráfico adecuado para cada tipo de dato y a evitar distorsiones que puedan engañar a la audiencia. Se enfatiza la ética en la representación visual, ya que una escala mal elegida puede cambiar totalmente la percepción de un fenómeno social o científico. El aprendizaje se vuelve significativo cuando los estudiantes trabajan con datos reales de su contexto nacional o regional.
Ideas de aprendizaje activo
Paseo por la Galería: Gráficos Mentirosos
Se exponen gráficas reales de noticias o redes sociales que usan trucos visuales para engañar. Los estudiantes rotan identificando el error (ej. ejes que no empiezan en cero) y proponen cómo corregirlas.
Círculo de Investigación: Datos de México
Los equipos eligen un tema de interés nacional (ej. medio ambiente, economía o salud) usando datos del INEGI. Deben crear una visualización que cuente una historia clara y presentarla al grupo.
Pensar-Emparejar-Compartir: ¿Qué gráfico elijo?
Se presentan tres conjuntos de datos (tendencia de temperatura, porcentaje de votos, comparación de precios). Las parejas deciden si usar barras, líneas o pastel y justifican su elección.
Cuidado con estas ideas erróneas
Idea errónea comúnPensar que las gráficas de pastel son siempre la mejor opción.
Qué enseñar en su lugar
Se debe enseñar que las gráficas de pastel son difíciles de leer cuando hay muchas categorías. Compararlas con gráficas de barras para los mismos datos ayuda a ver cuál es más clara.
Idea errónea comúnCreer que una gráfica bonita es automáticamente una buena gráfica.
Qué enseñar en su lugar
Es vital enfatizar que la claridad y la precisión van antes que la estética. Analizar gráficas sobrecargadas de adornos (chartjunk) ayuda a entender que el diseño debe servir a la información.
Metodologías Sugeridas
¿Listo para enseñar este tema?
Genera una misión de aprendizaje activo completa y lista para el salón en segundos.
Preguntas frecuentes
¿Por qué es importante visualizar los datos?
¿Qué herramientas se usan para esto?
¿Cómo ayuda el aprendizaje activo a aprender visualización de datos?
¿Cómo saber si una gráfica me está engañando?
Más en Análisis de Datos e Inteligencia Artificial
Introducción a Bases de Datos y Modelado de Datos
Los estudiantes comprenden los conceptos de bases de datos, sistemas de gestión de bases de datos (DBMS) y el modelado entidad-relación.
2 methodologies
Diseño de Bases de Datos Relacionales y Normalización
Los estudiantes aplican los principios de normalización (1FN, 2FN, 3FN) para diseñar bases de datos relacionales robustas y sin redundancia.
2 methodologies
Consultas SQL Avanzadas: JOINs, Agregación y Subconsultas
Los estudiantes utilizan JOINs para combinar datos de múltiples tablas, funciones de agregación y subconsultas para resolver problemas complejos.
2 methodologies
Introducción a la Inteligencia Artificial y Machine Learning
Los estudiantes distinguen entre IA, Machine Learning y Deep Learning, comprendiendo sus aplicaciones y limitaciones.
2 methodologies
Tipos de Aprendizaje Automático: Supervisado y No Supervisado
Los estudiantes exploran los paradigmas de aprendizaje supervisado (regresión, clasificación) y no supervisado (clustering), y sus casos de uso.
2 methodologies