La creciente demanda de toma de decisiones basada en datos para mantener la innovación y competitividad de las organizaciones resalta la necesidad de educación en ciencia de datos en la academia y la industria. En su núcleo se encuentra una sólida comprensión de la estadística, que es necesaria para realizar un análisis exhaustivo de los datos y obtener información valiosa. Desafortunadamente, el aprendizaje convencional de la estadística a menudo carece de práctica en aplicaciones del mundo real utilizando programas informáticos, lo que causa una separación entre el conocimiento conceptual de las ecuaciones estadísticas y sus habilidades prácticas. Integrar el aprendizaje de la estadística en la programación en Python puede ofrecer una solución efectiva a este problema, donde se ha vuelto esencial en las implementaciones de ciencia de datos, con bibliotecas extensas y versátiles. En este documento, presentamos un método de autoaprendizaje para la estadística fundamental a través de la programación en Python para estudios de ciencia de datos. A diferencia de los enfoques convencionales, nuestro método integra tres tipos de problemas interactivos: problema de completar el espacio en blanco (EFP), problema de comprensión de conceptos gramaticales (GUP) y problema de seguimiento de valores (VTP) en el Sistema de Asistencia de Aprendizaje de Programación (PLAS). Esta combinación permite a los estudiantes escribir código, comprender conceptos y rastrear el valor de salida mientras obtienen retroalimentación instantánea para que puedan mejorar la retención, el conocimiento y las habilidades prácticas en el aprendizaje de la estadística utilizando la programación en Python. Para las evaluaciones, generamos 22 instancias utilizando códigos fuente para temas de estadística fundamental y se las asignamos a 40 estudiantes de primer año de pregrado en UPN Veteran Jawa Timur, Indonesia. Se utilizaron métodos analíticos estadísticos para analizar el rendimiento de aprendizaje de los estudiantes. Los resultados muestran que existe una correlación significativa (<0.05) entre los estudiantes que resolvieron nuestra propuesta y aquellos que no lo hicieron. Los resultados confirman que puede ayudar de manera efectiva a los estudiantes en el autoaprendizaje de la estadística fundamental utilizando la programación en Python para implementaciones de ciencia de datos.