# Diccionario de datos

Dataset de la distribución de aciertos del Concurso de Selección de Ingreso a
Licenciatura de la UNAM, por carrera-plantel, reconstruido de fuente primaria.

**Licencia:** CC BY 4.0. Ver `LICENCIA.md` en esta misma carpeta.
**Unidad de análisis:** carrera-plantel-concurso.
**Cobertura:** ver `cobertura.csv`. No es completa y no se presume aleatoria; la
prueba de sesgo está en `sesgo_cobertura.csv`.
**Privacidad:** ninguna tabla contiene filas individuales ni identificadores. El
número de comprobante que aparece en la publicación original se lee para contar y
validar, y nunca sale del parser; hay una prueba automatizada que lo verifica.

---

## Convenciones comunes

| Columna | Tipo | Descripción |
|---|---|---|
| `anio` | entero | año del concurso |
| `concurso` | texto | `febrero`, `junio`, `noviembre` o `licenciatura`. Hasta 2020 hubo tres concursos al año; desde 2021, dos |
| `sistema` | texto | `escolarizado`, `abierta`, `a distancia` |
| `area` | entero 1-4 | I Físico-Matemáticas e Ingenierías · II Biológicas, Químicas y de la Salud · III Sociales · IV Humanidades y Artes |
| `carrera_codigo` | texto | clave de carrera-plantel de la DGAE. **No es comparable entre 2018 y los años posteriores**: en 2018 tiene siete dígitos y después ocho. Ver nota abajo |
| `carrera` | texto | nombre de la carrera, tal como lo escribe la DGAE, sin acentos añadidos por nosotros |
| `plantel` | texto | entidad académica, igual criterio |
| `fuente` | texto | `archivo web`, `deposito manual` u `oficial` (entrega de la DGAE) |
| `cobertura` | texto | estado de la página de la que sale la fila: `completa`, `truncada`, `solo encabezado`, `sin encabezado` |
| `captura` | texto | marca de tiempo de la captura del archivo web usada, `AAAAMMDDhhmmss`. Vacío si la página vino por depósito manual |
| `fecha_consulta` | fecha | día en que el original quedó guardado en disco |
| `sha256` | texto | huella del archivo original del que sale la fila |

**Sobre el código de carrera-plantel.** La DGAE cambió el ancho de la clave. Un
cruce entre 2018 y años posteriores por `carrera_codigo` produce falsos negativos.
Para series largas se usa la pareja `carrera` + `plantel`, y se declara cuando un
emparejamiento no es seguro.

---

## encabezados.csv

Una fila por carrera-plantel-concurso. Es el encabezado agregado que la propia
DGAE publica encima de cada listado. Sostiene la mitad del análisis y no requiere
ninguna fila individual.

| Columna | Tipo | Descripción |
|---|---|---|
| `oferta` | entero | lugares ofertados |
| `aspirantes` | entero | personas registradas en esa carrera-plantel |
| `presentaron` | entero | personas que presentaron el examen |
| `aciertos_minimos` | entero 0-120 | aciertos mínimos con los que se ingresó: el «corte» |
| `seleccionados` | entero | personas seleccionadas |

`seleccionados` puede exceder a `oferta`: la UNAM asigna por encima de la oferta
declarada en algunas carreras. No es un error del dato y no se corrige.

## distribucion.csv

Histograma de aciertos. Una fila por carrera-plantel-concurso y valor de aciertos
con al menos una persona.

| Columna | Tipo | Descripción |
|---|---|---|
| `aciertos` | entero 0-120 | número de aciertos |
| `n` | entero | personas sustentantes con ese número de aciertos |

**Solo incluye páginas con `cobertura = completa`.** Las capturas truncadas
—cortadas a media tabla por el archivo web— tienen encabezado válido pero su
histograma está incompleto: aparecen en `encabezados.csv` y **no** aquí.

**`sum(n)` es menor que `presentaron`.** La diferencia son las personas que
presentaron y cuya calificación la DGAE no publica: las canceladas y las citadas
para aclarar su situación escolar. Se cuentan una por una en `paginas.csv` y la
cuadratura `presentaron = con_puntaje + cancelados + pendientes` cierra exacta en
424 de las 433 páginas completas. No es un hueco de tamaño desconocido: cada
figura declara su proporción. Ver `docs/CORRECCIONES.md`, C-2026-07-26-02.

## proceso.csv

Cifras del proceso completo, declaradas por la UNAM en sus comunicados. Una fila
por año y modalidad.

| Columna | Tipo | Descripción |
|---|---|---|
| `registrados` | entero | personas registradas al concurso |
| `sustentantes` | entero | personas que presentaron el examen |
| `seleccionados` | entero | personas seleccionadas |
| `cancelados` | entero | participaciones canceladas. Vacío si la UNAM no publicó cifra absoluta |
| `modalidad` | texto | presencial o en línea |
| `folio` | texto | boletín del que sale cada cifra |
| `fragmento` | texto | texto literal del boletín que respalda la cifra |

Para 2026 la UNAM informó «2 por ciento» de participaciones canceladas **sin
cifra absoluta ni denominador**. La celda va vacía, no estimada. La cota derivada
—entre 3,174 y 3,826— se publica aparte y marcada como cálculo nuestro.

## cobertura.csv

Qué fracción del universo oficial tenemos, por concurso y sistema.

| Columna | Tipo | Descripción |
|---|---|---|
| `universo` | entero | carrera-plantel que existieron en ese concurso, según los índices oficiales de la DGAE |
| `con_encabezado` | entero | recuperadas con encabezado agregado |
| `con_distribucion` | entero | recuperadas con tabla completa |
| `truncadas` | entero | recuperadas pero cortadas a media tabla |
| `pct_encabezado`, `pct_distribucion` | decimal | porcentajes sobre el universo |
| `via` | texto | por dónde se recuperó |
| `denominador` | texto | `completo` o `incompleto`. Es `incompleto` cuando algún índice de área del concurso no se pudo recuperar y por tanto no sabemos cuántas carrera-plantel hubo |

## universo.csv

El denominador. Una fila por carrera-plantel que existió en cada concurso, con la
URL de su listado. Sale de los índices por área que enlazan las publicaciones de
resultados en PDF de la DGAE.

## identidad_doble.csv

Verificación, página por página, de si se cumple

```
(presentaron − con_puntaje) == (seleccionados − letras_S)
```

| Columna | Tipo | Descripción |
|---|---|---|
| `con_puntaje` | entero | filas de la tabla con calificación |
| `letras_s` | entero | filas marcadas con la letra de persona seleccionada |
| `faltan_puntaje` | entero | `presentaron − con_puntaje` |
| `faltan_letra_s` | entero | `seleccionados − letras_s` |
| `diferencial` | entero | diferencia entre los dos anteriores. Cero si la identidad se cumple |
| `estado` | texto | `cumple`, `no cumple`, `sin encabezado completo` |

## paginas.csv

Diagnóstico técnico de cada página recuperada: bytes, huella, filas leídas, letra
de resultado que usa esa publicación, si quedó truncada y qué cuadraturas no
cerraron. Es la tabla que permite auditar el procesamiento sin volver a bajar
nada.

Las cuatro columnas de desglose descomponen las filas de la tabla:

| Columna | Tipo | Descripción |
|---|---|---|
| `con_puntaje` | entero | filas con calificación publicada |
| `cancelados` | entero | filas con la letra `C`, que la propia página define como participación cancelada |
| `no_presentados` | entero | filas con la letra `N` |
| `pendientes` | entero | filas sin calificación y sin letra, con la nota «Cita para aclarar situación escolar» |

La suma de esas cuatro es el total de filas. En 424 de las 433 páginas completas
se cumple además

```
Presentaron Examen = con_puntaje + cancelados + pendientes
```

es decir, la DGAE cuenta como presentadas también a las personas cuya
participación canceló y a las que tienen la situación escolar por aclarar. En las
9 páginas restantes la suma excede en exactamente una persona a la cifra
declarada; el desajuste queda registrado en `avisos.csv` y no se corrige.

## cotejo_fuentes.csv

Cuando la misma carrera-plantel se recuperó por dos caminos independientes —una
captura del archivo web y un depósito hecho a mano sobre la página viva— las dos
tablas se comparan puntaje por puntaje y el resultado se publica aquí.

Publica la del archivo web, porque cualquier tercero puede volver a bajarla de la
misma URL y comprobar la huella; el depósito manual solo lo puede comprobar quien
lo hizo. El depósito queda como cotejo.

| Columna | Tipo | Descripción |
|---|---|---|
| `fuente_publicada`, `fuente_cotejo` | texto | de dónde vino cada una |
| `sha256_publicada`, `sha256_cotejo` | texto | huella de cada original |
| `puntajes` | entero | puntajes distintos que tiene el histograma publicado |
| `personas` | entero | personas que suma ese histograma |
| `resultado` | texto | `idéntico` o `difiere` |
| `puntajes_que_difieren` | entero | cuántos puntajes no coinciden. Cero si son idénticos |

## intentos_acceso.csv

Registro de cada intento de acceso a una fuente, con su código de respuesta y su
fecha. Incluye los intentos fallidos. Es lo que hace auditable la afirmación de
que no se rodeó ningún control de acceso.

---

## Cómo citar

> Datos México (2026). *Distribución de aciertos del Concurso de Selección de
> Ingreso a Licenciatura de la UNAM, por carrera-plantel*. Reconstruido de las
> publicaciones de resultados de la DGAE. Licencia CC BY 4.0.

Se agradece citar también la versión (etiqueta del repositorio) usada, porque la
cobertura cambia conforme avanza la recuperación.