La asimilación dinámica de datos ofrece un conjunto de algoritmos que combinan datos de medición con simulaciones numéricas para predecir trayectorias de estado precisas. Los centros meteorológicos dependen en gran medida de la asimilación de datos para lograr pronósticos meteorológicos confiables. Con el avance en los sistemas de medición, así como la reducción en los precios de los sensores, las técnicas de asimilación de datos (DA) son aplicables a varios campos, además de la meteorología. Sin embargo, los principiantes suelen enfrentar dificultades para digerir las ideas fundamentales de los recursos sofisticados disponibles que requieren una curva de aprendizaje pronunciada. En este tutorial, exponemos los principios matemáticos detrás de la DA con implementaciones de módulos de Python fáciles de seguir para que este grupo de recién llegados pueda sentir rápidamente la esencia de los algoritmos de DA. Exploramos una serie de técnicas variacionales y secuenciales comunes, y destacamos las principales diferencias y posibles extensiones. Demostramos los enfoques presentados utilizando una variedad de aplicaciones de flujo de fluidos con diferentes niveles de complejidad.