miércoles, 5 de agosto de 2026

PROCESAMIENTO DE DATOS

 PROCESAMIENTO DE DATOS

Una vez recopilados los datos por los instrumentos diseñados para este fin es necesario procesarlos, es decir elaborar los matemáticamente, ya que la cuantificación y su tratamiento estadístico nos permitirá llegar a conclusiones en relación con las hipótesis planteadas.

Dice Arias Galicia (Introducción a la técnica de investigación en ciencias de la administración y del comportamiento) que no basta con recolectar los datos ni cuantificarlos adecuadamente. Una simple colección de datos no constituye una investigación. Es necesario analizarlos, compararlos y presentarlos de manera que realmente lleven a la confirmación o al rechazo de la hipótesis.

El procesamiento de datos, antes dispendioso mediante métodos manuales es hoy realizado por computadores electrónicos, los cuales han eliminado por así decirlo, gran parte del trabajo matemático y estadístico que antes se realizaba.

hoy en día toda investigación seria presupuestada adecuadamente, es procesada por computadoras electrónicas, lo cual al ingerir la obtención de resultados que anteriormente se demoran por los procesos manuales implementados.

El procesamiento de datos cualquiera que sea la técnica empleada para ello, no es otra cosa que el registro de los datos obtenidos por los instrumentos empleados, mediante una técnica analítica en la cual se comprueba la hipótesis y se obtienen las conclusiones.

Por lo tanto, se trata especificar el tratamiento que se dará a los datos: ver si se pueden clasificar, codificar y establecer categorías precisas con ellos.


CODIFICACIÓN

Es el procedimiento técnico mediante el cual los datos son categorizados.A través de la codificación, los datos elaborados son transformados en símbolos, ordinariamente numéricos, que pueden ser tabulados y contados. Sin embargo, la transformación no es automática supone un juicio por parte del codificador.

Codificar es clasificar todos los datos en base a las variables independientes y dependientes relacionadas con la investigación; es decir, todas las manipulaciones que deberán hacerse con los datos numéricos de tales variables para descubrir los resultados de esas manipulaciones. Una vez manipulado se obtienen los resultados se realiza un análisis de datos para compararlos con las hipótesis propuestas.

El juicio que asigna una respuesta a una categoría es con frecuencia emitido por alguien distinto de la persona que ostenta oficialmente el título de “codificador”. A menudo, es el propio interrogado quien asigna su respuesta a una categoría. eso es cierto para muchas preguntas tipo elecciones y de elección múltiple, por ejemplo, cuando una persona se limita a una respuesta “sí”,”no”, “no sé”, o “estoy de acuerdo”, “no estoy de acuerdo”, “no estoy seguro”, o bien indicando con una señal su posición en escala de valores, asimismo, la persona que recoge los datos puede categorizar al tiempo que nos va reuniendo. Este procedimiento permite disponer de tiempo para la reflexión. Los juicios de los encargados de la recogida de datos pueden ser matizados por notas nada significativas como el aspecto y amaneramiento del interrogado, su acento, respuestas a preguntas previas, etc.


TABULACIÓN

Es una parte del proceso técnico en análisis estadístico de los datos. La operación esencial en la tabulación es el reencuentro para determinar el número de casos que encajan en las distintas categorías. El término marginal es utilizado para referirnos a simples reencuentros de frecuencias en los que concurren las diversas categorías con los datos.

Los términos tabulación cruzada o encuentro son utilizados con frecuencia para referirnos a la tabulación del número de casos que ocurren conjuntamente en dos o más categorías.


LA ESTADÍSTICA

La estadística ha sido escrita por Lundberg, como la “recopilación. presentación, análisis e interpretación de datos numéricos”.

La recopilación: se recogerán los datos de acuerdo al punto de vista ya considerado en las variables. para realizar esta clasificación es necesario en primer lugar, fijar los principios o puntos de vistas que servirán para la ordenación.

En la presentación: se podrá idear inicialmente una tabla o cuadro en que se pueden colocar los datos. en esa tabla se podrá escribir o “vaciar” ordenadamente los datos obtenidos. Al conjunto de estas operaciones se les da el nombre de “tabulación”.

Análisis: antes de vaciar los datos directamente en la tabla se pueden escribir los datos en fichas. Con esto no se pierde la tabla ya elaborada; este método permitirá clasificar y reclasificar en materia recogida desde diferentes puntos de vista hasta que usted opte por el más preciso y convencional. El análisis permitirá la reducción y sintetización de los datos; se considera entonces la distribución de los mismos, se analiza una vez más la dependencia e interdependencia de las variables consideradas inicialmente.

La interpretación: aquí se considera si las variables correlacionadas en el sistema resisten una interpretación no solo a nivel de la muestra sino el colectivo; si los resultados obtenidos nos resultaron o no (por honestidad se aclara siempre) extensivos o interpretativos de la población. considerada básicamente la interpretación ya que es la “expresión de las relaciones existente entre los fenómenos”. Esto es simplemente lo que en ciencia se define en la actualidad como ley: la expresión de las relaciones existentes entre las variables consideradas en un estudio. en su forma más perfecta esta relación tiende a expresarse en términos cuantitativos.


lunes, 3 de agosto de 2026

PLAN, PROGRAMA Y PROYECTO

 La planificacion implica la realizacion de, a lo menos, tres grandes etapas:

Plan: los planes son formas de ordenamiento superior; tienen un caracter de totalidad y son generalmente formulados a largo plazo.

Programa: conjunto coordinado de proyectos orientados a realizar los objetivos del plan. Supone proyectos vinculados entre si, debido a que en muchos casos un proyecto tiene como requisito la realizacion de otro. el programa es de mediano plazo.

Proyecto: es la unidad elemental del proceso de palnificacion y programacion. el proyecto es de corto plazo.

jueves, 9 de julio de 2026

Los nueve principios del Marco Ético para la Inteligencia Artificial en Colombia


La inteligencia artificial (IA) se ha convertido en una tecnología estratégica para impulsar el desarrollo económico, la innovación y la transformación digital de los países. En Colombia, el Gobierno Nacional ha promovido un Marco Ético para la Inteligencia Artificial con el propósito de orientar el diseño, desarrollo, implementación y uso responsable de estas tecnologías, garantizando que su aplicación beneficie a la sociedad y respete los derechos fundamentales de las personas.

El Marco Ético colombiano establece nueve principios que sirven como guía para entidades públicas, empresas, desarrolladores y ciudadanos. Estos principios buscan fomentar una inteligencia artificial confiable, transparente y centrada en el ser humano, promoviendo un equilibrio entre la innovación tecnológica y la protección de los valores democráticos.

El primer principio es el respeto por los derechos humanos, el cual establece que los sistemas de IA deben proteger la dignidad, la privacidad, la igualdad y las libertades fundamentales. Ninguna aplicación de inteligencia artificial debe vulnerar los derechos reconocidos por la Constitución Política de Colombia ni por los tratados internacionales.

El segundo principio corresponde al bienestar y beneficio social, que promueve el desarrollo de soluciones de IA orientadas a mejorar la calidad de vida de las personas, fortalecer los servicios públicos, impulsar la productividad y contribuir al desarrollo sostenible del país.

El tercer principio es la equidad y no discriminación. Los sistemas de inteligencia artificial deben minimizar los sesgos presentes en los datos o en los algoritmos, evitando decisiones injustas que afecten a personas o grupos por razones de género, edad, etnia, discapacidad, orientación sexual, condición socioeconómica u otras características protegidas.

El cuarto principio es la transparencia y explicabilidad, mediante el cual se busca que los procesos de decisión realizados por la IA sean comprensibles para los usuarios. Siempre que sea posible, las personas deben conocer cómo funciona un sistema automatizado y entender los criterios utilizados para generar una recomendación o una decisión.

El quinto principio es la privacidad y protección de datos personales. La información utilizada por los sistemas de IA debe ser tratada de forma segura, respetando la normativa colombiana sobre protección de datos personales y garantizando el consentimiento, la confidencialidad y el uso responsable de la información.

El sexto principio es la seguridad y robustez técnica, que exige desarrollar sistemas confiables, resistentes a errores y protegidos frente a ataques cibernéticos o fallos operativos. La inteligencia artificial debe funcionar de manera segura durante todo su ciclo de vida y contar con mecanismos para gestionar riesgos.

El séptimo principio corresponde a la responsabilidad y rendición de cuentas. Las organizaciones y personas que diseñan, implementan o utilizan sistemas de IA deben asumir la responsabilidad por sus decisiones y sus impactos, estableciendo mecanismos de supervisión, auditoría y corrección cuando se presenten errores o afectaciones.

El octavo principio es la supervisión humana, el cual reconoce que las decisiones más importantes deben contar con la intervención o validación de personas cuando puedan afectar derechos o generar consecuencias significativas. La IA debe apoyar la toma de decisiones, pero no reemplazar completamente el juicio humano en escenarios críticos.

Finalmente, el noveno principio promueve la sostenibilidad e innovación responsable, incentivando el desarrollo de tecnologías que contribuyan al crecimiento económico, la protección del medio ambiente y la construcción de una sociedad más inclusiva. La innovación debe realizarse considerando sus impactos sociales, ambientales y económicos a largo plazo.

En conclusión, los nueve principios del Marco Ético para la Inteligencia Artificial en Colombia constituyen una guía fundamental para garantizar que esta tecnología se utilice de manera responsable, segura y confiable. Su adopción fortalece la confianza de los ciudadanos, promueve la innovación ética y contribuye a que el país aproveche el potencial de la inteligencia artificial respetando los derechos humanos y fomentando un desarrollo sostenible. 


**se utilizo IA para escribir esta entrada

domingo, 5 de julio de 2026

DEFINICION DE OBJETIVOS EN UN PROYECTO SOCIAL

 La definicion de objetivos

Un objetivo

Describe el resultado que se desea obtener al final del período de ejecución.

Expresa la forma como se va a satisfacer la necesidad insatisfecha de acuerdo con los recursos y los medios disponibles.

Indica quiénes serán los beneficiarios de las acciones del proyecto.


Los objetivos del proyecto

Los objetivos que se definen a partir del análisis de necesidades:

Revelan prioridades

Guían el proceso de planificación

Son la base de los procesos de evaluación


Tipos de objetivos

-En función del tiempo

Inmediatos y mediatos

Terminales e intermedios

-En función del nivel de complejidad Visión Misión General Específico

Caracteristicas de los objetivos

Claros

Específicos

Evaluables

Identificables

Factibles

Complementarios

Expresados temporalmente

Operativos

Tipos de objetivos Misión o propósito institucional Describe la intención general del proyecto y la filosofía que lo sustenta. Es el estándar al cual debe tender el proyecto. Guía al equipo de planificación en la definición de objetivos generales y específicos

Objetivo general Describe situación que se espera haber logrado como resultado del proyecto -Incluye Quiénes serán afectados Qué se va a cambiar

Objetivos específicos Describen los cambios concretos que deben ocurrir en la población para alcanzar la situación deseada. -Incluyen El resultado que se espera alcanzar: Se identifica por el verbo de la frase que indica la acción o comportamiento a observar (Construir, definir, comparar, juzgar, explicar).

Las condiciones bajo las cuales se va a observar el resultado: Cuándo, dónde, cómo.

El criterio que se tendrá en cuenta para determinar que se ha alcanzado el resultado (al menos la mitad).

Las unidades objetivo que deberán ejecutar la acción (los sujetos de la acción, participantes en el taller, los alumnos de psicología).

Objetivos instrumentales Describen las tareas o acciones que se van a ejecutar para alcanzar los objetivos específicos. No tienen que ver con las necesidades y los efectos del proyecto. Están relacionados con la implantación del proyecto. Permiten demostrar que el proyecto ha sido implantado.









Fundamentos de la IA y la Ciberseguridad

 La Inteligencia Artificial (IA) y la ciberseguridad constituyen dos de los pilares tecnológicos más relevantes de la transformación digital contemporánea. Mientras la IA impulsa la automatización de procesos mediante algoritmos capaces de aprender, inferir y tomar decisiones a partir de grandes volúmenes de datos, la ciberseguridad se encarga de proteger los sistemas informáticos, las redes, las aplicaciones y la información frente a amenazas internas y externas. La convergencia entre ambas disciplinas ha generado nuevas oportunidades para fortalecer la protección de los activos digitales, pero también ha dado lugar a riesgos derivados del uso malicioso de tecnologías inteligentes.

La Inteligencia Artificial se fundamenta en el desarrollo de modelos computacionales diseñados para emular capacidades cognitivas humanas como el aprendizaje, el razonamiento, el reconocimiento de patrones y la toma de decisiones. Estos modelos emplean técnicas como el aprendizaje automático (Machine Learning), el aprendizaje profundo (Deep Learning), el procesamiento del lenguaje natural (Natural Language Processing) y la visión por computador. Cada una de estas áreas permite resolver problemas complejos mediante el análisis automatizado de datos estructurados y no estructurados, optimizando procesos en sectores como la salud, la industria, las finanzas y la seguridad informática.

Desde el punto de vista técnico, el Machine Learning representa uno de los componentes esenciales de la IA. Su funcionamiento consiste en entrenar algoritmos utilizando conjuntos de datos históricos para construir modelos predictivos capaces de identificar relaciones estadísticas entre variables. Dependiendo de la disponibilidad de datos etiquetados, el aprendizaje puede clasificarse en supervisado, no supervisado o por refuerzo. La calidad de los resultados depende directamente de la representatividad de los datos, la selección de características, la arquitectura del modelo y los mecanismos de validación implementados durante el entrenamiento.

La ciberseguridad comprende el conjunto de políticas, tecnologías, procedimientos y controles orientados a preservar la confidencialidad, integridad y disponibilidad de la información, principios conocidos como la tríada CIA (Confidentiality, Integrity and Availability). Su propósito consiste en prevenir, detectar y responder a incidentes que comprometan los activos digitales de una organización. Para ello, integra mecanismos de autenticación, autorización, cifrado, gestión de vulnerabilidades, monitoreo continuo, análisis forense y planes de recuperación ante desastres.

Las amenazas cibernéticas evolucionan constantemente debido al incremento de la conectividad y la sofisticación de los ataques. Entre las principales amenazas se encuentran el ransomware, el phishing, los ataques de denegación de servicio distribuido (DDoS), el malware avanzado, las amenazas persistentes avanzadas (APT), el robo de credenciales y la explotación de vulnerabilidades de día cero (Zero-Day). Estas amenazas emplean técnicas automatizadas que dificultan su detección mediante métodos tradicionales basados exclusivamente en reglas estáticas.

La aplicación de Inteligencia Artificial en ciberseguridad permite mejorar significativamente la capacidad de detección temprana de amenazas. Los algoritmos de aprendizaje automático pueden analizar millones de eventos de seguridad en tiempo real para identificar comportamientos anómalos que podrían indicar un ataque. Mediante modelos de clasificación, agrupamiento y detección de anomalías es posible descubrir patrones ocultos en grandes volúmenes de registros provenientes de firewalls, sistemas de detección de intrusos, servidores, aplicaciones y dispositivos de red.

Una de las aplicaciones más relevantes corresponde a los sistemas SIEM (Security Information and Event Management) potenciados con IA. Estas plataformas correlacionan eventos procedentes de múltiples fuentes de información utilizando algoritmos predictivos que priorizan alertas según su nivel de riesgo. Gracias a esta automatización, los equipos de respuesta a incidentes pueden reducir considerablemente el tiempo medio de detección (MTTD) y el tiempo medio de respuesta (MTTR), incrementando la eficiencia operativa de los centros de operaciones de seguridad (SOC).

No obstante, la Inteligencia Artificial también puede ser utilizada por actores maliciosos para desarrollar ataques más sofisticados. Los ciberdelincuentes emplean modelos generativos para crear campañas de phishing altamente personalizadas, automatizar la búsqueda de vulnerabilidades, evadir sistemas tradicionales de detección y generar código malicioso con mayor rapidez. Asimismo, las técnicas de Deepfake representan una amenaza emergente al facilitar la manipulación de imágenes, audios y videos para realizar fraudes de identidad e ingeniería social avanzada.

La seguridad de los propios modelos de IA constituye un área de investigación conocida como seguridad de la Inteligencia Artificial (AI Security). Entre sus principales desafíos se encuentran los ataques adversariales, el envenenamiento de datos (Data Poisoning), la extracción de modelos (Model Extraction), la inversión de modelos (Model Inversion) y el robo de información sensible durante el entrenamiento. Estas amenazas evidencian la necesidad de implementar mecanismos de protección específicos para garantizar la confiabilidad y robustez de los sistemas inteligentes.

Desde la perspectiva de la gobernanza tecnológica, resulta indispensable adoptar marcos de gestión del riesgo que integren tanto controles tradicionales de ciberseguridad como principios éticos para el desarrollo de la IA. Aspectos como la transparencia algorítmica, la explicabilidad de los modelos, la privacidad de los datos, la protección de la información personal, la mitigación de sesgos y el cumplimiento normativo constituyen elementos fundamentales para garantizar una adopción responsable de estas tecnologías dentro de las organizaciones.

La incorporación de arquitecturas de seguridad modernas, como el enfoque Zero Trust, la autenticación multifactor, el cifrado de extremo a extremo y la supervisión continua mediante inteligencia artificial, fortalece significativamente la resiliencia de las infraestructuras digitales. Paralelamente, la implementación de modelos predictivos permite anticipar posibles incidentes mediante el análisis de tendencias históricas, inteligencia de amenazas y comportamiento de usuarios y dispositivos, favoreciendo una estrategia de ciberseguridad proactiva en lugar de reactiva.

En conclusión, los fundamentos de la Inteligencia Artificial y la ciberseguridad conforman un ecosistema tecnológico inseparable en el contexto de la transformación digital. La IA aporta capacidades avanzadas de análisis, automatización y predicción que fortalecen los mecanismos de defensa frente a amenazas cada vez más complejas, mientras que la ciberseguridad proporciona el conjunto de controles necesarios para proteger tanto los sistemas inteligentes como la información que estos procesan. El desarrollo futuro de ambas disciplinas dependerá de la integración de tecnologías seguras, modelos confiables, buenas prácticas de gestión del riesgo y profesionales altamente capacitados para enfrentar los desafíos de un entorno digital en permanente evolución.


**se utilizo IA para escribir esta entrada