SYLLABUS COD: ADM-3080-1051-202430

UNIVERSIDAD SAN FRANCISCO DE QUITO

COLEGIO: ADMINISTRACIÓN Y ECONOMÍA
Semestre: 202430 – Verano 2024/2025
Horario: LMIJ 08:30 - 09:50 (Presencial)

DATOS DEL PROFESOR:

Profesor: Juan Felipe Nájera Puente
Correo electrónico: [email protected]
Horario de oficina: solo con cita previa,
escribir al correo con el asunto: ADM-3080 1051 CITA

DATOS DEL CURSO:

CURSO: ADM-3080 – ANALÍTICA CON PYTHON
NRC: 1051
Paralelo: 1
Créditos: 3
Prerequisitos: Verificar prerrequisitos en sistema académico BANNER.
Co-requisitos: El curso no tiene co-requisitos
Aula: D317

DESCRIPCIÓN DEL CURSO:

En la era digital actual, se generan aproximadamente 2.5 quintillones de bytes (equivalentes
a 2.5 millones de terabytes) de datos diariamente, abarcando una amplia variedad de
formatos. Esta creciente acumulación ha incrementado la demanda de analistas de datos
capaces de transformar información en conocimiento estratégico para la toma de
decisiones.

Python, por su versatilidad, facilidad de aprendizaje y ecosistema de librerías especializadas,

se ha posicionado como el lenguaje principal en el campo de la analítica de datos. Este curso
está diseñado para introducir a estudiantes sin experiencia previa en programación en los
fundamentos de Python, desde lo más básico hasta el manejo de herramientas como Pandas
para la manipulación y análisis de datos.

Además de aprender a programar, los estudiantes desarrollarán habilidades clave como:

• Búsqueda y validación de soluciones usando inteligencia artificial y recursos en
línea.
• Análisis crítico de datos para resolver problemas reales.
• Comunicación efectiva de hallazgos mediante visualizaciones y reportes.

El curso integra actividades prácticas, retos colaborativos y proyectos aplicados que preparan
a los estudiantes para enfrentar situaciones reales en el ámbito profesional, incluyendo
simulaciones de entrevistas técnicas y la construcción de un portafolio de proyectos.

De esta manera, Python se convertirá en una herramienta clave para potenciar su perfil
profesional en un mundo cada vez más orientado al uso ético de la inteligencia artificial y la
analítica avanzada.
1 de 10.
SYLLABUS COD: ADM-3080-1051-202430

RESULTADOS DE APRENDIZAJE ESPECÍFICOS DEL CURSO:

# Resultados de Aprendizaje Nivel de Desarollo

Reconocer y aplicar los fundamentos de Python como lenguaje

1 Inicial - Aplicativo
de programación para el análisis de datos.

Automatizar tareas simples mediante estructuras de control,

2 Inicial - Aplicativo
funciones y librerías básicas de Python.

Preprocesar, limpiar y transformar datos utilizando Pandas

3 Medio - Aplicativo
para preparar información de calidad para el análisis.

Analizar y visualizar datos para responder preguntas de

4 Medio - Aplicativo
negocio mediante gráficos y métricas descriptivas.

Identificar las ventajas de Python frente a herramientas

5 Medio - Reflexivo
tradicionales como Excel, en contexto empresariales.

Buscar, validar y adaptar soluciones utilizando recursos en

6 Medio - Estratégico
línea y herramientas de inteligencia artificial de manera ética.

Participar en proyectos prácticos que simulan situaciones

7 Medio - Práctico
reales del ámbito profesional.

Construir un portafolio inicial de proyectos de análisis de datos

8 en Python, útil para futuras oportunidades académicas y Medio - Práctico
laborales.

CONTENIDOS DEL CURSO:

Semana Introductoria: Contexto Digital y Herramientas Iniciales
• Historia del Internet y evolución de los datos.
• ¿Qué es Big Data?
• Casos de éxito reales.
• Avances en redes sociales y la IA.
• Lenguajes de programación en analítica de datos
o Comparativa entre R y Python
• Instalación de Python y VSCode
• Uso de Jupyter Notebook en VSCode

Módulo 1: Fundamentos de Python para Analítica de Datos

• Tipos de datos y estructuras: variables, strings, listas, tuplas, diccionarios, sets y
frozensets.
• Identidad de objetos y tipos de datos.
• Operadores aritméticos, lógicos, relacionales y de texto.
• Comentarios, errores comunes y manejo con try-except.
• Control de flujo: if, else, elif.

2 de 10.
SYLLABUS COD: ADM-3080-1051-202430

• Bucles: for, while, uso de break y continue.

• Funciones definidas por el usuario: parámetros, valores por defecto, variables locales
y globales.
• Combinación de listas y funciones.
• Listas anidadas y manipulación con bucles.
• Contadores, filtros y expresiones lógicas compuestas.
• Introducción a librerías: math, random, numpy.
• Introducción a Pandas: estructura y manipulación básica de Series y DataFrame.

Módulo 2: Preprocesamiento de Datos con Pandas

• Introducción al proceso de Minería de Datos (KDD): etapas del conocimiento basado
en datos, y su conexión directa con la limpieza, transformación y exploración de datos
para resolver problemas reales.
• Resolución de un proyecto práctico en clase, en el cual los estudiantes aplicarán el
flujo completo de preprocesamiento de datos para responder preguntas de negocio.
Durante este proceso se abordarán los siguientes temas:
o Lectura de datos en formatos .csv y .xlsx.
o Exploración inicial de los datos con .head(), .info(), .describe(),
análisis de tipos y estructura.
o Identificación y tratamiento de valores ausentes mediante imputación o
eliminación.
o Gestión de datos duplicados y evaluación del impacto en el análisis.
o Conversión y corrección de tipos de datos.
o Clasificación y segmentación de datos mediante groupby() y
pivot_table().
o Aplicación de funciones personalizadas (apply, lambda) sobre columnas y
filas.
o Generación de cálculos agregados y personalizados.
o Análisis básico de patrones, descubrimiento de inconsistencias y propuesta de
soluciones.
o Discusión sobre la calidad del dato y su influencia en la toma de decisiones
empresariales.
• Este módulo permite que el estudiante no solo practique las herramientas técnicas,
sino que desarrolle pensamiento analítico, exploratorio y estratégico al enfrentar un
problema de datos con herramientas profesionales.

Módulo 3: Análisis Exploratorio y Visualización de Datos

• Introducción al análisis exploratorio de datos: importancia de hacer preguntas de
negocio y formular hipótesis para guiar la exploración.
• Manejo de fechas y tiempos (datetime): extracción de componentes temporales,
diferencias de tiempo.
• Visualización de datos con matplotlib, seaborn y Plotly Express.
o Histogramas, boxplots, scatterplots, countplots, stacked bar plots.

3 de 10.
SYLLABUS COD: ADM-3080-1051-202430

• Identificación de datos atípicos (outliers) y análisis de distribución.

• Análisis de correlación y relación entre variables numéricas y categóricas.
• Consultas eficientes con el método .query().
• Automatización de tareas y generación de reportes rápidos.
• Exportación de resultados a archivos .csv o Excel.
• Validación e interpretación de resultados para comunicar hallazgos con claridad.

Última Sesión: Inteligencia Artificial como Herramienta para Programar Mejor

• Introducción a herramientas como ChatGPT, Github Copilot, Gemini, Replit, entre
otras.
• Cómo hacer buenas preguntas para obtener ayuda de IA.
• Buenas prácticas: validación del código, adaptación y comprensión.
• Consideraciones éticas del uso de IA en entornos educativos y laborales.

METODOLOGÍA PARA LA INTEGRACIÓN ENTRE LOS CONTENIDOS TEÓRICOS Y

PRÁCTICOS:
Las metodologías de enseñanza utilizadas para impartir los cursos de la USFQ, siguiendo la
filosofía de las Artes Liberales, fomentan el diálogo y facilitan la construcción del conocimiento
mediante el constante intercambio de ideas y experiencias entre profesores y estudiantes. Se
espera que en todos los cursos los contenidos teóricos sean vinculados con la práctica
profesional y contexto laboral donde se desempeñarán los estudiantes a futuro, procurando
integrar actividades y simulaciones de diversa índole que fomenten la comprensión de los
contenidos contextualizados con la práctica y la realidad.

FORMATO O ADMINISTRACIÓN DE LA CLASE:

La clase se desarrollará de forma presencial siguiendo el cronograma académico
establecido. Cada sesión tendrá una duración de 1 hora y 20 minutos, de lunes a jueves,
combinando la revisión de conceptos clave con la aplicación práctica a través de ejercicios de
programación en Python.

Este curso se basa en una metodología activa y centrada en el estudiante. Antes de cada
clase, los estudiantes deberán revisar el material teórico y los notebooks compartidos
previamente. Las clases iniciarán con la resolución de dudas y preguntas específicas sobre el
contenido revisado, para luego pasar a una fase práctica donde cada estudiante trabajará de
forma individual en ejercicios o retos de programación, con el acompañamiento del docente.

Durante el curso se utilizará la herramienta Jupyter Notebook en Visual Studio Code para
programar y facilitar la práctica en clase.

Se espera que los estudiantes:

o Participen activamente durante las sesiones presenciales.
o Se preparen con antelación revisando el material asignado.
o Trabajen de forma autónoma o en pareja en los ejercicios, solicitando apoyo cuando
lo necesiten.

4 de 10.
SYLLABUS COD: ADM-3080-1051-202430

o Mantengan una actitud colaborativa y enfocada en el aprendizaje.

EVALUACIÓN DEL CURSO:

Categoría Descripción Tipo de trabajo Porcentaje de la nota final

Hackatones 5 en total Pareja 30% (6% c/u)

Presentación 1 en total Individual 10%

investigativa

Asistencia y Ver descripción Individual 10%

participación detallada

Prueba técnica de 1 en total Grupal 20%

entrevista

Proyecto de medio 1 en total Grupal 15%

semestre

Proyecto fin de semestre 1 en total Grupal 15%

Descripción de las categorías de evaluación

- Hackatones (en parejas):
En las sesiones de clase programadas se realizará un Hackatón, donde los
estudiantes trabajarán juntos para resolver problemas prácticos relacionados con
los temas vistos en sesiones anteriores. Los hackatones están diseñados para
fomentar la colaboración, aplicar los conceptos teóricos en situaciones reales y
mejorar las habilidades de resolución de problemas en Python. Aquí también se
evaluará el código como los comentarios o interpretaciones (si aplica), es decir
análisis finales de cada ejercicio o hallazgos. El formato de entrega es el siguiente:
formato “.ipynb” (tipo de archivo Notebook). Este formato de archivo se debe subir
al D2L en la fecha de los Hackatones, al finalizar el día según el cronograma de
actividades. No se aceptará ningún trabajo atrasado bajo ningún concepto.

- Presentaciones investigativas (individual):

Como parte del curso, cada estudiante deberá realizar una presentación individual
sobre un tema relacionado con Python que no esté incluido en el contenido oficial
del curso. Esta actividad busca fomentar la búsqueda autónoma de información, el
pensamiento crítico, y el uso ético de herramientas tecnológicas, elementos
fundamentales en el desarrollo profesional de un analista de datos.

5 de 10.
SYLLABUS COD: ADM-3080-1051-202430

o Instrucciones Generales:
o Cada estudiante presentará un tema único, diferente al de sus
compañeros y no repetido en clases. Por lo tanto, se recomienda
prestar atención a las presentaciones previas.
o La asignación de fechas será aleatoria y se realizará en la cuarta clase
presencial, una vez cerrado el registro del curso.
o Las presentaciones se realizarán al inicio de cada clase y tendrán una
duración entre 8 a 15 minutos (máximo).
o No se aceptarán cambios de fecha por ningún motivo.
o Contenido esperado:
o Cada presentación deberá responder, al menos, a las siguientes
preguntas:
▪ ¿Qué tema fue investigado?
▪ ¿Para qué sirve y cómo se utiliza en Python?
▪ ¿Qué problemas resuelve o qué valor aporta en un contexto real?
▪ ¿Cómo se implementa? (incluir un ejemplo funcional en Python,
ejecutado y explicado).
▪ ¿Qué limitaciones tiene o en qué casos no sería recomendable?
o Requisito adicional: Herramienta de IA alternativa
o Para promover el pensamiento exploratorio y la exposición a
tecnologías emergentes, cada presentación debe incluir una
demostración breve o mención de una herramienta de inteligencia
artificial diferente a las tradicionales (como ChatGPT, Gemini o Grok).
o Los estudiantes deberán:
▪ Indicar qué funcionalidades principales tiene la IA mostrada.
▪ Mostrar un breve ejemplo e indicar por qué es importante esta IA.

- Asistencia y participación (individual):

La programación se aprende practicando, explorando y resolviendo problemas de
forma constante. Dado que el contenido del curso proviene de múltiples fuentes,
no existe un único material guía que abarque todo lo necesario, por lo que la
asistencia presencial y la participación activa en clase son componentes
esenciales del aprendizaje.

o Sobre la asistencia:
o La asistencia será registrada de forma aleatoria en distintas clases a lo
largo del curso (no en todas), sin previo aviso.
o Las ausencias no justificadas afectarán directamente esta calificación.
o Si un estudiante falta, debe justificar su ausencia formalmente con la
debida documentación o previo aviso mediante correo electrónico.

o Sobre la participación:
o La participación será evaluada de manera cualitativa y cuantitativa en
base a:
▪ Intervenciones durante las sesiones: preguntas, comentarios o
dudas relevantes.
6 de 10.
SYLLABUS COD: ADM-3080-1051-202430

▪ Colaboración activa en la resolución de ejercicios durante clase.

▪ Resolución de retos cortos o ejercicios diagnósticos propuestos en
clase, tales como:
• Identificación y corrección de errores en fragmentos de código.
• Mini desafíos individuales de comprensión o análisis.
• Aplicación de conceptos recién explicados.

Este componente busca reconocer el compromiso, curiosidad y esfuerzo diario del

estudiante, más allá del resultado técnico.

- Proyecto prueba técnica de entrevista (grupos de 3):

Actualmente los puestos de trabajo de Análisis de Datos suelen ser uno de los más
solicitados, por lo que hay un gran número de oferta, pero también una gran
demanda de personas aplicando a estos puestos. La mayoría de las entrevistas de
trabajo en el sector tecnológico, parte del proceso de entrevista es realizar una
prueba técnica. Para preparar a los estudiantes en su futuro, se presentará una
prueba técnica de entrevista de una empresa real. Cada grupo deberá resolver por
su cuenta el caso señalado y deberán subir al D2L el código de Python (archivo
“.ipynb”, ver descripción de Hackatones) y una presentación ejecutiva con los
hallazgos según la solicitud, donde el grupo debe grabarse presentando. No se
aceptará entrega atrasadas de pruebas técnicas bajo ningún concepto.

- Proyecto de medio semestre (grupos de 3):

El proyecto de medio semestre servirá para que los estudiantes pongan en práctica
los conocimientos adquiridos en Introducción a Python. El proyecto de medio
semestre estará disponible al terminar el módulo 1 y se deberá entregar semanas
después, en la fecha y hora indicada en el D2L. El formato de entrega es igual que
los hackatones (archivo “.ipynb”, ver descripción de Hackatones). En el D2L se
subirá un PDF que indicará de qué se trata el proyecto, que deben realizar y los
lineamientos de calificación. No se aceptará proyectos de medio semestre
atrasados bajo ningún concepto.

- Proyecto de fin de semestre (grupos de 3):

El proyecto de fin de semestre se evaluará a los estudiantes sobre todos los temas
vistos en clase durante todo el semestre: Introducción a Python, Preprocesamiento
de datos y Análisis Exploratorio y Visualización de Datos. El proyecto de fin de
semestre estará disponible una vez se termine el segundo módulo, y se deberá
entregar después del último día de clases, en la fecha y hora indicada en el D2L.
El formato de entrega será igual que los hackatones y proyecto de medio semestre
(archivo “.ipynb”, ver descripción de Hackatones). En el D2L se subirá un PDF que
indicará de qué se trata el proyecto, que deben realizar y los lineamientos de
calificación. No se aceptará proyectos de fin de semestre atrasados bajo
ningún concepto.

Si el estudiante tiene algún reclamo sobre notas, tiene un plazo de hasta 7 días
calendarios posteriores a la entrega de la calificación para indicar al profesor.

7 de 10.
SYLLABUS COD: ADM-3080-1051-202430

Para todos los proyectos grupales, se aplicará una encuesta de heteroevaluación

donde los estudiantes evaluarán el grado de aporte de cada integrante del grupo. Esta
evaluación representará un porcentaje de la nota final del proyecto, y permitirá
garantizar la equidad y compromiso en la colaboración

La nota final se calculará de acuerdo con los siguientes rangos:

A 100% – 91% (inclusive)
B 90.99% – 81% (inclusive)
C 80.99% – 71% (inclusive)
D 70.99% – 61% (inclusive)
F Menos de 61%

BIBLIOGRAFÍA COMPLEMENTARIA:
- Severance, Charles. (2016). Python for Everybody. Exploring Data Using Python
3.
o Enlace PDF: http://do1.dr-chuck.com/pythonlearn/EN_us/pythonlearn.pdf
- Downey, Allen. (2014). Think Stats. Exploratory Data Analysis in Python.
o Enlace PDF: http://greenteapress.com/thinkstats2/thinkstats2.pdf

POLÍTICAS:
Todos los cursos de la USFQ se rigen por las normas de ética de aprendizaje, ética de la
investigación y ética del comportamiento que constan en el Código de Honor y Convivencia
de la USFQ; y por las políticas y procedimientos detallados en el Manual del Estudiante

Además de las políticas del Código de Honor y Manual del Estudiante, este curso mantiene
las siguientes políticas.
1. El estudiante debe participar activa y respetuosamente en clase, realizando preguntas
en caso de que se tenga alguna duda.
2. Se espera que los estudiantes sean puntuales y que durante la clase no exista
elaboración de deberes o trabajos de otros cursos, ni actos que obstruyan el normal
desenvolvimiento de la clase.
a. En caso de que un estudiante llegue atrasado en clase, debe traer chocolates
para cada estudiante y el profesor, o decir un chiste en frente de toda la clase.
3. En caso de que un estudiante falte a una clase por una emergencia, se debe
comunicarlo lo más pronto posible y entregar la justificación correspondiente. El
profesor tendrá la potestad de decidir si la evidencia es razonable y fidedigna. Es
responsabilidad del estudiante igualarse la materia.
4. Es importante el respeto mutuo, tanto al profesor como a sus compañeros, por lo tanto,
se solicita a cada estudiante evitar el uso de teléfonos celulares u otros programas de
computadoras durante la clase que les distraigan.
5. Todos los trabajos deben contener referencias y fuentes bibliográficas ya que son
trabajos académicos. En caso de que haya copia o plagio entre estudiantes en la
realización de trabajos, prueba técnica o proyectos, se pondrá una F a los estudiantes
y se reportará a las autoridades académicas.
6. En caso de existir alguna emergencia o asunto urgente por atender por parte del
profesor los días de clase, se indicará lo más pronto posible a los estudiantes la
cancelación de esa clase. De ser necesario, se recuperará esa clase.
8 de 10.
SYLLABUS COD: ADM-3080-1051-202430

Semana Día Fecha Módulo Temas Tareas Entregas

Presentación profesor y
1 Lunes 26 de mayo de 2025 estudiantes. Lectura y revisión del
syllabus.
Lectura y revisión del syllabus.
1 Martes 27 de mayo de 2025 Historia del Internet. Big Data.
Casos de éxito.
Casos de éxito. Lenguajes de
programación. Instalación de
1 Miércoles 28 de mayo de 2025
Python, introducción y uso de
Jupyter Notebook en VSC.
Sorteo de presentaciones
Entregar
1 Jueves 29 de mayo de 2025 individuales estudiantes. HACKATON #1
HACKATON #1
HACKATON #1

Variables y función print(), tipos de

1: Introducción a datos e identidades de los datos. Clase #1 y Clase #2
2 Lunes 2 de junio de 2025
Python Keywords, expresiones, Jupyter Notebook
operadores, comentarios y errores.
Strings: índices, características,
1: Introducción a slices, operaciones. Listas: métodos, Clase #3 y Clase #4
2 Martes 3 de junio de 2025
Python función sorted() y operadores en Jupyter Notebook
listas.
1: Introducción a Entregar
2 Miércoles 4 de junio de 2025 HACKATON #2 HACKATON #2
Python HACKATON #2

Bucle For: componentes, función

range(), procesamiento de listas, Clase #5.1 y Clase
1: Introducción a
2 Jueves 5 de junio de 2025 sentencias break y continue. Bucle #5.2 Jupyter
Python
While: sintaxis. Condicionales con if Notebook
y else: sintaxis.

1: Introducción a Clase #5.3 Jupyter

3 Lunes 9 de junio de 2025 Funciones: return vs print.
Python Notebook
1: Introducción a
3 Martes 10 de junio de 2025 Ejercicios en clase extra
Python
Listas anidadas: sintaxis, cómo
1: Introducción a Clase #6 Jupyter
3 Miércoles 11 de junio de 2025 recorrer con bucles, manipulación
Python Notebook
de columnas.
1: Introducción a Entregar
3 Jueves 12 de junio de 2025 HACKATON #3 HACKATON #3
Python HACKATON #3
1: Introducción a Tuplas, diccionarios, sets y Clase #7 Jupyter
4 Lunes 16 de junio de 2025
Python frozensets. Notebook
Librerías en Python: NumPy,
Pandas: lectura de datos, atributos,
inexación y objeto Series. Pandas:
1: Introducción a Clase #8 Jupyter
4 Martes 17 de junio de 2025 Introducción al Preprocesamiento
Python Notebook
de datos: cambio de nombre de
columnas, valores ausentes y datos
duplicados.
HACKATON #4.
1: Introducción a Entregar
4 Miércoles 18 de junio de 2025 HACKATON #4 Indicar Proyecto
Python HACKATON #4
Medio Semestre
2:
Introducción teórica al
4 Jueves 19 de junio de 2025 Preprocesamiento
preprocesamiento de datos.
de datos
2:
5 Lunes 23 de junio de 2025 Preprocesamiento Proyecto en clase: parte 1
de datos

2:
5 Martes 24 de junio de 2025 Preprocesamiento Proyecto en clase: parte 2
de datos

2:
5 Miércoles 25 de junio de 2025 Preprocesamiento Proyecto en clase: parte 3
de datos
2:
5 Jueves 26 de junio de 2025 Preprocesamiento Proyecto en clase: parte 4
de datos
2:
6 Lunes 30 de junio de 2025 Preprocesamiento Proyecto en clase: parte 5
de datos
2:
Entregar Proyecto
6 Martes 1 de julio de 2025 Preprocesamiento Proyecto en clase: parte 6
Medio Semestre
de datos
3: Análisis Introducción al análisis Indicar Proyecto Final.
6 Miércoles 2 de julio de 2025 exploratorio de los exploratorio: preguntas de negocio Indicar Prueba
datos y formulación de hipótesis Técnica Entrevista
3: Análisis
Análisis exploratorio de datos: Parte
6 Jueves 3 de julio de 2025 exploratorio de los
1.
datos
3: Análisis
Análisis exploratorio de datos: Parte
7 Lunes 7 de julio de 2025 exploratorio de los
2.
datos
3: Análisis
Análisis exploratorio de datos: Parte
7 Martes 8 de julio de 2025 exploratorio de los
3.
datos
3: Análisis
Entregar
7 Miércoles 9 de julio de 2025 exploratorio de los HACKATON #5 HACKATON #5
HACKATON #5
datos
Uso responsable de la IA para
7 Jueves 10 de julio de 2025 IA
programar
8 Lunes 14 de julio de 2025 Trabajo en proyectos finales
8 Martes 15 de julio de 2025 Trabajo en proyectos finales
9 de 10.
SYLLABUS COD: ADM-3080-1051-202430

CRONOGRAMA DE ACTIVIDADES (ARRIBA)

* El calendario de temas es tentativo. En caso de que haya algún atraso significativo en los
temas, se reevaluará las fechas de entrega de deberes y proyectos, así como las otras
actividades.

Este Programa de Estudio (Syllabus) fue revisado y aprobado por la coordinación del área
académica o departamento responsable. En caso de que sea necesario realizar cambios/ajustes al
programa de estudio, debe solicitarlo a la coordinación del área académica o departamento
responsable para que los cambios/ajustes aprobados se reflejen en el sistema de Diseño Curricular.

Durante el semestre 202120 el proceso de enseñanza diseñado para este curso es consistente con
los planes aprobados para el retorno a la presencialidad, por lo que siempre se deberán respetar los
aforos señalados para cada aula. Algunas clases se impartirán en modalidad virtual sincrónica (sin
presencialidad) y los cursos EN LÍNEA se continuarán ofreciendo para estudiantes los estudiantes
que se encuentren cursando carreras en esa modalidad. Cada syllabus debe diseñarse de acuerdo
a la modalidad de aprendizaje en que será impartido el curso, en todos los casos se deberá integrar
el uso de herramientas tecnológicas, telemáticas y otras metodologías para facilitar el aprendizaje
durante la transición a la normalidad. Todas las actividades de aprendizaje buscan garantizar el
cumplimiento de planes académicos de las carreras y programas y continuidad de los estudios de
los estudiantes; la integridad física de los estudiantes, preservando la calidad y rigurosidad
académica y el derecho al trabajo, a la salud del personal académico, de apoyo y administrativo.

10 de 10.