StoryLAB
Experimentación en torno a las nuevas narrativas y su impacto en el conocimiento abierto e inclusivo.
Organitza’t amb Trello
Curso de formación continua para funcionarios de ayuntamientos de la provincia de Barcelona, Datos del proyecto Título Organitza't amb Trello. Fecha 3 de octubre a 7 de noviembre de 2023. Lugar [...]
Diccionario de gestión de proyectos
Cuando establecemos un primer contacto con el campo de la gestión de proyectos no es infrecuente un grado importante de desconcierto. Que nos encontraremos infinidad de términos en inglés es un hecho garantizado..., pero [...]
Curso de proyectos sociales con marco lógico
Diplomado en diseño y gestión de proyectos sociales con enfoque de marco lógico. Información En 2023, Fundación ONCE América Latina (FOAL) y Unión Latinoamericana de Ciegos [...]
Fórmulas, funciones y métodos para el análisis estadístico
Información ¿Cuál es la sintaxis adecuada para calcular una media estadística si estamos utilizando Python? ¿Y si lo hacemos con Excel? ¿O con lenguaje R? En estas [...]
Software gratuito de visualización de datos
¿Qué software gratuito puedo usar para visualizar datos? En internet disponemos de una buena cantidad de herramientas de visualización de datos que ofrecen planes gratuitos. Hay que [...]
Govern de dades obertes
Proyecto de investigación sobre gobierno de datos abiertos y participación ciudadana. Información Desde agosto de 2023 y hasta agosto 2024 me integro al área de Economía [...]
(con C entre paréntesis)
Organitza’t amb Trello
Curso de formación continua para funcionarios de ayuntamientos de la provincia de Barcelona,
Datos del proyecto
Título
Organitza’t amb Trello.
Fecha
3 de octubre a 7 de noviembre de 2023.
Lugar
Barcelona (online).
Tipo
Docente de curso de formación continua online.
Organización o Institución
Diputació de Barcelona.
Actividades
Enlaces
Diccionario de gestión de proyectos
Cuando establecemos un primer contacto con el campo de la gestión de proyectos no es infrecuente un grado importante de desconcierto. Que nos encontraremos infinidad de términos en inglés es un hecho garantizado…, pero no más que en muchos otros campos técnicos, a fin de cuentas. Puede que el inglés no nos sea desconocido, pero sí, en cambio, la acepción que el término en cuestión cobra en este nuevo contexto.
Ahora bien, no es sólo un problema de lenguas y traducciones. Todo campo de conocimiento tiene su nomenclatura y el sentido común no siempre es suficiente para llegar a una adecuada interpretación.
Pensando en facilitar la inmersión en el project management he creado este diccionario. Para cada término encontrarás una traducción más o menos literal y, además, una breve explicación del concepto en su aplicación a la gestión de proyectos.
accountability
agile
agile coach
Agile Manifesto
agile principles
agile values
alcance del proyecto
artefacto scrum
asset
benchmark
BANI
BEP
BOK
bottom up
brainstorming
break-even point
burndown chart
burnup chart
business case
cadena de valor
carta del proyecto
carta Gantt
cartera de producto
caso de negocio
cero control de calidad
change management
ciclo de vida del proyecto
clustering
coach
compliance
costes de oportunidad
costes de transacción
costes hundidos
costs management
CPM
creación de valor
critical path
critical path method
Cynefin
DAFO
daily Scrum
declaración de trabajo
DEEP
defecto evadido
definición de hecho
definition of done
design thinking
deuda técnica
development team
developer
diagrama de espina de pescado
diagrama de flujo
diagrama de Gantt
diagrama de Grandal
diagrama de Ishikawa
diccionario de la EDT
DoD
DOFA
dueño del producto
EDT
enfoque de marco lógico
entregables del proyecto
equipo de desarrollo
equipo scrum
escaped defect
espiral de Fibonacci
estructura de desglose del trabajo
evento Scrum
EVM
Extreme Programming
fases de la gestión de proyectos
flowchart
flujograma
FODA
forecast
gestión de costos o gestión de costes
gestión de portafolios
gestión de productos
gestión de programas
gestión de proyectos
gestión de proyectos organizativos
gestión de riesgos
gestión de stakeholders
gestión del valor ganado
gestión del conocimiento
gestión estratégica
goal
gobernabilidad de proyecto
gobernanza de proyecto
gráfica de Gantt
historia de usuario
I+D
I+D+i
inception
increment
incremento
inteligencia de negocios
interesado clave
INVEST
involucrado clave
ISO
iteración
iteration
kaizen
Kanban
kanban board
key stakeholder
kick off
knowledge assets
knowledge management
KPI
Lean
lean management
líder de proyecto
manager
management
Manifiesto Agile
marco lógico
milestones
minimum viable product
mockup
modelo Kano
MoSCoW
MRC
MVP
networking
NPV
número de Fibonacci
oficina de gestión de proyectos
OKR
organisational project management
organizational project management
outcome
output
paquete de trabajo
parte interesada clave
patrocinador del proyecto
PERT
PESTEL
PESTL
plan de gestión de proyecto
plan de proyecto
planificación de cebolla
planificación por capas
planning poker
PMBOK
PMO
PMO Manager
PMV
portfolio management
product backlog
product goal
product management
product owner
product roadmap
producto aumentado
producto mínimo viable
program management
programme management
project charter
project governance
project lead o project leader
project life cycle
project management
project management office
project management plan
project manager
project sponsor
propietario del producto
prototipado
prototipo
prototype
proyecto híbrido
PSO
punto ciego
punto de equilibrio
puntos de historia
quick win
R+D
R+D+I
regla de Fibonacci
regla del 100%
release
release plan
requisitos emergentes
reserva de contingencia
reserva de gestión
riesgo negativo
riesgo positivo
roadmap
ROI
ruta crítica
SAFe
schedule management
schedule performance index
schedule variance
schedule variation
scope management
Scrum
Scrum board
ScrumBOK
Scrum Guide
Scrum Master
Scrum team
Scrum values
secuencia de Fibonacci
serie de Fibonacci
servant leadership
service leadership
Six Sigma
SoW
SPI
spin off
sponsor
sprint
sprint 0
sprint backlog
sprint goal
sprint planning
sprint retrospective
sprint review
stakeholder map
stakeholders
statement of work
SV
SWOT
tablero kanban
TDD
technical debt
timebox
tormenta de ideas
triple restricción
triple restricción ampliada
user story
valor actual neto
VAN
VdC
velocity
versión beta
VICA
visión del producto
VoC
VUCA
waterfall
WBS
WIP
work breakdown structure
work down
work package
XP
zero quality control
ZQC
Voy trabajando sobre la marcha, así que el diccionario continuará creciendo. También, seguramente, las definiciones.
¿No encuentras el término que estabas buscando? Por favor, ¡avísame!
Curso de proyectos sociales con marco lógico
Diplomado en diseño y gestión de proyectos sociales con enfoque de marco lógico.
Información
En 2023, Fundación ONCE América Latina (FOAL) y Unión Latinoamericana de Ciegos (ULAC) me encargaron el diseño y la docencia de un curso de larga duración (5 meses) para personas ciegas o de baja visión de diversos países de América Latina y el Caribe.
Las clases se llevaron a cabo a través de aula virtual desde el 23 de marzo hasta el 14 de agosto.
Más información
Fórmulas, funciones y métodos para el análisis estadístico
Información
¿Cuál es la sintaxis adecuada para calcular una media estadística si estamos utilizando Python? ¿Y si lo hacemos con Excel? ¿O con lenguaje R?
En estas fichas encontrarás las funciones y métodos apropiados para diferentes cálculos estadísticos.1
Fórmulas, funciones y métodos
Media
La media estadística es lo que habitualmente llamamos promedio.
La fórmula para calcular tanto la media poblacional como la media muestral es la misma:
Media es igual al sumatorio de todos los valores de la variable x dividido por el número de observaciones.
Media muestral
La media estadística puede ser calculada con la función mean() de R.
Por ejemplo, busquemos la media de los valores 4,15,6,28,39 :
values <- c(4,15,6,28,39)
mean(values)
El resultado será 18,4.
Para obtener la media estadística, podemos utilizar el método mean() de la librería NumPy. Por ejemplo, para encontrar la media de los valores 3, 7, 25, 4, 72, 15:
import numpy
values = [3,7,25,4,72,15]
x = numpy.mean(values)
print(x)
Para calcular la media estadística con Excel, aplicamos la siguiente función:
PROMEDIO(número1; [número2]; …)
Por ejemplo:
=PROMEDIO(A2:A6)
Promedio de los números en las celdas A2 a A6.
Mediana
La mediana estadística de una serie ordenada de datos numéricos es la cifra que queda justo en medio, en el sentido de que la mitad de los datos estarán a su izquierda y la otra mitad, a la derecha.
La fórmula para calcular la mediana estadística es:
Número total de observaciones más 1, dividido por 2.
Con R, obtenemos la mediana estadística con la función median(). Por ejemplo:
values <- c(13,21,21,40,42,48,55,72)
median(values)
Podemos obtener la mediana estadística usando el método median() de la librería NumPy.
Por ejemplo:
import numpy
values = [8,25,25,38,42,47,79]
x = numpy.median(values)
print(x)
Moda
La moda estadística de una variable cuantitativa es el valor que presenta una mayor frecuencia.
En R no existe una función predifinida para obtener la moda estadística, así que podemos emplear una función de usuario. Por ejemplo:
mode <- function(x) {
unique_values <- unique(x)
table <- tabulate(match(x, unique_values))
unique_values[table == max(table)] }
values <- c(4,7,3,8,11,7,10,19,6,9,12,12)
mode(values)
Usando el método multimode() de la librería estadística de Python podemos identificar la moda estadística de una serie de datos:
from statistics import multimode
values = [5,2,26,5,13,81,40,13]
x = multimode(values)
print(x)
La sintaxis de la función moda de Excel, que nos permite identificar la moda estadística en una serie de datos, sería MODA(número1,[número2],…).
Por ejemplo:
=MODA(A2:A7)
Cuartiles
Un cuartil de un conjunto ordenado de datos numéricos es cada uno de los tres puntos de corte que dividen el conjunto en cuatro grupos de la misma medida.
- El primer cuartil (Q1) es el dato que separa el 25% inferior del resto del conjunto de datos.
- El segundo cuartil (Q2) corresponde a la media estadística de los datos.
- El tercer cuartil (Q3) es el dato que separa el 75% inferior del resto de datos del conjunto.
La función quantile() de R nos permite encontrar fácilmente los cuartiles de un conjunto de valores numéricos. Por ejemplo:
values <- c(13,21,21,40,42,48,55,72)
quantile(values)
La función CUARTIL de Excel devuelve el cuartil de un conjunto de datos numéricos.
La sintaxis de la función sería la siguiente:
CUARTIL(matriz,cuartil)
Por ejemplo:
=CUARTIL(A2:A9;1) devolvería el valor del primer cuartil de los datos incluidos desde la celda A2 hasta la celda A9 de una hoja de cálculo.
Percentiles
Un percentil es una medida de posición no central que permite, en un conjunto de datos numéricos ordentado de menor a mayor, determinar el valor de la variable por debajo del cual se encuentra un porcentaje dado de observaciones de dichos datos. Los percentiles son los 99 cuantiles que separan el conjunto de datos en 100 partes iguales.
La fórmula para encontrar un determinado percentil sería:
Pi = X (( N + 1) i ) / 100
N representa el número de observaciones o datos del conjunto.
La función quantile() de R permite encontrar un determinado percentil en un conjunto de valores numéricos.
Por ejemplo:
values <- c(9,23,35,40,40,78,92,92,101)
quantile(values, 0.65)
Con esta función obtendríamos el valor del percentil 65º de los datos antes indicados; es decir, 80,8.
Con el método percentile() de la librería NumPy podremos encontrar un percentil de un conjunto de valores numéricos.
Por ejemplo:
import numpy
values = [13,21,21,40,42,48,55,72]
x = numpy.percentile(values, 65)
print(x)
Esto nos devolvería el valor del percentil 65º de los valores indicados; es decir, 45,3.
En Excel, la función PERCENTIL nos sirve para identificar el valor de un determinado percentil en un conjunto de datos.
La sintaxis de la función es como sigue:
PERCENTIL(matriz,k)
Por ejemplo:
=PERCENTILE(E2:E5,0.3)
En este caso obtendríamos el percentil 30 de la lista en las celdas desde E2 hasta E5.
Rango
La forma de calcular el rango es restar el valor menor del valor mayor.
Por ejemplo:
89 – 12 = 77
Para calcular el rango estadístico con la ayuda de Excel nos valdremos de la fórmula para identificar el número mayor de una selección de celdas (función MAX) y la fórmula para encontrar el número menor (función MIN) y realizaremos la resta entre ambos números.
Estos son los pasos que deberíamos seguir:
- Seleccionamos la celda en la que queremos mostrar el resultado del rango.
- En la barra de fórmulas escribimos =MAX(selección de celdas) – MIN(selección de celdas).
- Pulsamos Enter.
Con las funciones de R min() y max() podemos obtener el rango estadístico de una serie de valores numéricos. Por ejemplo:
values <- c(12,27,40,40,48,63,90)
max(values) – min(values)
El rango estadístico se puede obtener mediante el método ptp() de la librería NumPy. Por ejemplo:
import numpy
values = [9,25,40,40,54,55,80]
x = numpy.ptp(values)
print(x)
.
Rango intercuartil
El rango intercuartil es la medida de la diferencia entre el primer cuartil (Q1) y el tercer cuartil (Q3).
En R podemos emplear la función IQR() para conocer el rango intercuartil de un conjunto de valores.
Por ejemplo:
values <- c(23,24,52,67,80,80,93,104)
IQR(values)
En este caso, el resultado será 38,25.
Con el método iqr() de la librería de Python SciPy podremos obtener el rango intercuartil de un conjunto de datos.
Por ejemplo:
from scipy import stats
values = [9,13,13,28,41,41,56,82]
x = stats.iqr(values)
print(x)
El resultado sería 31,75.
Desviación estándar
Las fórmulas para el cálculo de la desviación estándar de la población estadística o el de la muestra estadística son bastante similares aunque no idénticas.
La desviación estándar poblacional es igual a la raíz cuadrada del sumatorio de la primera potencia de la diferencia entre los valores de las observaciones y la media poblacional y luego dividido por el número de observaciones.
La desviación estándar muestral es igual a la raíz cuadrada del sumatorio de la primera potencia de la diferencia entre los valores de las observaciones y la media muestral y luego dividido por el número de observaciones menos 1.
Podemos usar una fórmula de R para encontrar la desviación estándar de un conjunto de valores.
Por ejemplo:
values <- c(7,11,18,22)
sqrt(mean((values-mean(values))^2))
El resultado será 5.85235.
Valor Z
Para calcular la puntuación Z calculamos el valor estandarizado menos la media poblacional y el resultado de esta sustracción lo dividimos por la desviación estándar:
x es el valor estandarizado.
μ (mu) es la media poblacional.
σ (sigma) es la desviación estándar.
En R usaremos la función qnorm() para encontrar el valor Z de, por ejemplo, un valor p de 0,9:
qnorm(0.9)
Podemos encontrar el valor Z de un valor p usando la función norm.ppf() de la librería Scipy Stats para Python. Por ejemplo, si tenemos un valor p de 0.9:
import scipy.stats as stats
print(stats.norm.ppf(0.9))
Valor p
Para una prueba de cola inferior, el valor p se especifica mediante:
valor p = P(TS ts | H 0 es verdadera) = cdf(ts)
Para una prueba de cola superior se especifica mediante:
valor p = P(TS ts | H 0 es verdadera) = 1 – cdf(ts)
En lenguaje R utilizamos la función pnorm() para conocer el valor p de una puntuación Z.
Por ejemplo, si queremos saber cuánta probabilidad hay de que obtengamos un valor que esté a menos de 3 desviaciones estándares de la media, escribiríamos:
pnorm(3)
El resultado será 0.9986501 o 99.87%.
Podemos recurrir a la función norm.cdf() de la librería Scipy Stats para Python para calcular el valor p de un valor Z.
Por ejemplo, si queremos saber qué probabilidad hay de tener un valor que se encuentre a menos de 3 desviaciones estándares de la media, la sintaxis sería la siguiente:
import scipy.stats as stats
print(stats.norm.cdf(3))
El resultado será 0.9986501019683699 o 99,87%.
Más recursos
En la Biblioteca encontrarás más recursos relacionados con el análisis de datos y la estadística. Algunos han sido creados por mí, como las definiciones del glosario; otros son enlaces a recursos en línea o bases de datos.
Notas y referencias
Software gratuito de visualización de datos
¿Qué software gratuito puedo usar para visualizar datos?
En internet disponemos de una buena cantidad de herramientas de visualización de datos que ofrecen planes gratuitos. Hay que tener en cuenta, eso sí, que muchas de ellas presentan una condición: los gráficos y los datos serán de acceso público. De modo que si estamos trabajando con información sensible o confidencial tendremos que poner mucho cuidado a la hora de elegir la herramienta adecuada.
Aquí van algunos ejemplos de software de visualización..
Notas y referencias
Crédito de imagen: Datawrapper.
Govern de dades obertes
Proyecto de investigación sobre gobierno de datos abiertos y participación ciudadana.
Información
Desde agosto de 2023 y hasta agosto 2024 me integro al área de Economía y Empresa de la UOC como ayudante de investigación del proyecto sobre gobierno de datos abiertos y participación ciudadana que desarrolla el grupo de investigación KIMO con financiamiento de Agaur.