El siguiente es el documento base institucional del Programa de Asignatura – Diseño Experimental (2026-1) conforme a los formatos FOR-FO-030 y FOR-FO-018, ajustado a los lineamientos del Decreto 1330 de 2019.

PROGRAMA DE ASIGNATURA – DISEÑO EXPERIMENTAL

Facultad: Ingeniería Departamento: Ingeniería Agrícola Docente: Justo Fuentes Cuello Nivel: Profesional Duración: 16 semanas (4 horas semanales: 1 teoría, 3 práctica) Semestre: 2026-1 Créditos académicos: 3?

1. Justificación

El diseño experimental constituye una herramienta esencial en la investigación científica aplicada a la ingeniería. Su propósito es planificar y analizar experimentos de manera eficiente, garantizando conclusiones válidas y reproducibles. En los programas de Ingeniería Agrícola, Agroindustrial y Civil, la comprensión y aplicación de los diseños experimentales son determinantes para el desarrollo de tesis, optimización de procesos y validación de modelos de producción y calidad.

Dadas las limitaciones de infraestructura tecnológica y conectividad en las salas de informática, el curso incorpora metodologías híbridas con actividades prácticas ejecutables en portátiles personales mediante entornos R y Python offline.

2. Objetivos

Objetivo general

Desarrollar en el estudiante la capacidad de diseñar, ejecutar, analizar e interpretar experimentos científicos aplicados a problemas de ingeniería, utilizando herramientas estadísticas y computacionales.

Objetivos específicos

  1. Comprender los principios de aleatorización, réplica y bloqueo.
  2. Formular hipótesis experimentales a partir de problemas reales.
  3. Aplicar modelos de ANOVA y diseños factoriales en el análisis de datos.
  4. Evaluar la precisión y validez de los resultados experimentales.
  5. Comunicar los resultados en informes técnicos bajo normas APA.

3. Competencias

Tipo Descripción Evidencia
Cognitiva Comprende los fundamentos teóricos y estadísticos del diseño experimental. Evaluaciones teóricas y ejercicios.
Procedimental Aplica diseños y modelos de análisis (DCA, DBCA, DCL, factoriales). Talleres y prácticas computacionales.
Investigativa Formula y ejecuta experimentos coherentes con proyectos de tesis. Proyecto final de investigación.
Comunicativa Presenta resultados de forma técnica y argumentada. Informes y sustentaciones.
Ética y social Promueve la integridad, reproducibilidad y trabajo colaborativo. Participación y autoría responsable.

4. Estrategias de enseñanza y aprendizaje

  • Aprendizaje basado en proyectos (ABP): desarrollo de un experimento completo.
  • Trabajo colaborativo: grupos interdisciplinarios con evaluación entre pares.
  • Uso de IA académica: ChatGPT, Gemini o Copilot como apoyo en generación de código, interpretación y redacción.
  • Estudio de casos: ejemplos de investigación agrícola, civil e industrial.
  • Prácticas computacionales: análisis con R y Python en entornos locales.
  • Evaluación continua: talleres y avances progresivos del proyecto integrador.

5. Resultados de aprendizaje

(alineados con el Decreto 1330/2019, artículos 2.5.3.2.3.2.4 y 2.5.3.2.4.1-3)

  1. Identifica las variables, hipótesis y estructura de un experimento aplicado a la ingeniería.
  2. Diseña y ejecuta experimentos aplicando aleatorización, réplica y bloqueo.
  3. Analiza datos experimentales mediante modelos lineales y factoriales.
  4. Evalúa supuestos y comunica resultados con rigor técnico.
  5. Utiliza R y Python para el análisis y visualización de resultados experimentales.
  6. Formula y sustenta una propuesta experimental coherente con los lineamientos de investigación institucional.

6. Contenidos programáticos

UNIDAD 1. Fundamentos del diseño experimental (Semanas 1-3)

  • Principios básicos y error experimental.
  • Diseño completamente aleatorio (DCA).
  • Ejercicios con ANOVA en R/Python.

UNIDAD 2. Diseños con bloques (Semanas 4-6)

  • Diseño en bloques completos al azar (DBCA).
  • Diseño en cuadro latino (DCL).
  • Diseño en parcelas divididas (DPD).

UNIDAD 3. Experimentos factoriales (Semanas 7-9)

  • Diseños (2^k) y fraccionados.
  • Superficie de respuesta y optimización.

UNIDAD 4. Aplicaciones avanzadas (Semanas 10-12)

  • ANCOVA, Taguchi y métodos no paramétricos.

UNIDAD 5. Proyecto integrador (Semanas 13-16)

  • Planificación, ejecución, análisis y sustentación del proyecto final.

7. Estrategia de evaluación

Corte Actividades Peso
Primer 50 % Talleres cortos sobre DCA, DBCA, DCL y Factoriales. 50 %
Segundo 50 % Proyecto final aplicado (plan, ejecución, análisis y sustentación). 50 %

Los criterios de evaluación se basan en las rúbricas institucionales: comprensión conceptual, aplicación técnica, calidad de análisis y presentación científica.

8. Metodología y recursos

  • Clases presenciales apoyadas en presentaciones digitales y cuadernos RMarkdown / Colab.
  • Uso de plataformas locales y portátiles personales para mitigar problemas de conectividad.
  • Recursos: libros de Gutiérrez & De la Vara (2008), Montgomery (2019), manual institucional de R y Python, repositorios GitHub y RPubs.

9. Bibliografía

  • Gutiérrez, H. & De la Vara, R. (2008). Análisis y Diseño de Experimentos. McGraw-Hill.
  • Montgomery, D. (2019). Design and Analysis of Experiments (9th ed.). Wiley.
  • Varios autores. Diseño de Experimentos: Métodos y Aplicaciones.
  • Decreto 1330 de 2019. Ministerio de Educación Nacional.
  • Universidad de Sucre (2025). Guía para la formulación de resultados de aprendizaje.

10. Plan calendario (FOR-FO-018 resumido)

Semana Tema Actividades principales
1-2 Principios del diseño experimental Identificación de variables y formulación de hipótesis.
3-4 DCA y DBCA Ejercicios con ANOVA.
5-6 DCL y DPD Prácticas con datos agrícolas.
7-8 Diseños factoriales Cálculo de efectos e interacciones.
9 Superficie de respuesta Visualización y optimización.
10-11 ANCOVA y Taguchi Control estadístico de variables.
12 Métodos no paramétricos Análisis con violación de supuestos.
13-15 Proyecto integrador Plan, ejecución y análisis.
16 Sustentación final Presentación y evaluación.

Normativa

Con base en el Decreto 1330 de 2019, el programa Diseño Experimental (2026-1) debe expresar tres ejes estructurales:

  1. Objetivos formativos y de aprendizaje (alineados con perfil de egreso y formación integral).
  2. Competencias (saber, saber hacer y saber ser).
  3. Estrategias metodológicas (para garantizar el logro de esas competencias).

Objetivos del curso

  1. Comprender los fundamentos conceptuales y estadísticos del diseño experimental aplicado a la investigación en ingeniería.
  2. Formular, ejecutar y analizar experimentos que permitan optimizar procesos agrícolas, agroindustriales o civiles.
  3. Utilizar herramientas computacionales (R y Python) para el análisis de datos experimentales, promoviendo reproducibilidad y rigor metodológico.
  4. Interpretar y comunicar los resultados experimentales conforme a criterios científicos y técnicos.

Competencias

Tipo Competencia Evidencia de logro
Cognitiva Comprende los principios del diseño experimental y sus supuestos estadísticos. Exámenes, ejercicios de ANOVA y diseño factorial.
Procedimental Aplica diseños experimentales adecuados a problemas reales de ingeniería y los analiza en R/Python. Talleres y prácticas con datasets agrícolas o industriales.
Comunicativa Redacta e interpreta informes técnicos con estructura científica (APA). Informes parciales y proyecto final.
Investigativa Diseña un experimento de tesis o de investigación aplicada, considerando restricciones reales. Proyecto integrador y sustentación final.
Ética y social Reconoce la responsabilidad profesional en la generación y comunicación de conocimiento reproducible. Participación activa y cumplimiento de normas éticas de investigación.

Estrategias para adquirir las competencias

  • Aprendizaje basado en proyectos (ABP): Cada grupo desarrolla un experimento o simulación vinculada con su área de ingeniería.
  • Enseñanza activa: clases teórico-prácticas, estudio de casos, debates y análisis de resultados reales.
  • Integración de IA: uso de ChatGPT, Copilot o Gemini para generar código, interpretar resultados y redactar reportes bajo supervisión.
  • Aprendizaje colaborativo: trabajo en equipos interdisciplinarios con evaluación entre pares.
  • Evaluación continua: rúbricas de desempeño con criterios observables alineados con los resultados de aprendizaje.

Resultados de aprendizaje (alineados con el Decreto 1330/2019 y el documento institucional)

  1. Identifica las variables, hipótesis y estructuras de un experimento aplicado a un problema de ingeniería.
  2. Diseña y ejecuta experimentos aplicando los principios de aleatorización, réplica y bloqueo.
  3. Analiza datos experimentales mediante modelos lineales y factoriales, interpretando efectos e interacciones.
  4. Evalúa la adecuación de modelos y comunica los resultados con base en la evidencia estadística.
  5. Aplica herramientas computacionales y metodologías reproducibles (RMarkdown, Notebooks, Streamlit) para la presentación de resultados.
  6. Formula y sustenta una propuesta experimental coherente con los requerimientos de una tesis o proyecto de grado.

Correspondencia normativa

Según el Decreto 1330 (Art. 2.5.3.2.3.2.4 y 2.5.3.2.4.1-3) y el documento Resultados de Aprendizaje:

  • Los resultados deben ser coherentes con el perfil de egreso y la formación integral.
  • Constituyen base del crédito académico y de los mecanismos de evaluación.
  • Deben integrarse a la autoevaluación institucional y a los procesos de mejora continua.

Rúbrica de Evaluación

A continuación se presenta la rúbrica de evaluación de la asignatura Diseño Experimental (2026-1), estructurada conforme al enfoque del Decreto 1330 de 2019 (evaluación de resultados de aprendizaje), con ponderaciones ajustadas al 50 % + 50 % institucional. Está diseñada para trasladarla al formato oficial (FOR-FO-030 o FOR-FO-047).

RÚBRICA DE EVALUACIÓN – DISEÑO EXPERIMENTAL (2026-1)

Facultad: Ingeniería | Departamento: Ingeniería Agrícola | Docente: Justo Fuentes Cuello

1. Estructura general de evaluación

Corte Actividades Ponderación
Primer 50 % Talleres individuales y grupales sobre DCA, DBCA, DCL y factoriales. 50 %
Segundo 50 % Proyecto final aplicado: diseño, ejecución, análisis, informe y sustentación. 50 %
Total 100 %

2. Criterios y niveles de desempeño

Criterio de evaluación Descripción del desempeño Excelente (4.6 – 5.0) Satisfactorio (3.6 – 4.5) Básico (3.0 – 3.5) Deficiente (< 3.0)
1. Comprensión conceptual Entiende los principios del diseño experimental (aleatorización, réplica, bloqueo, error experimental). Explica y aplica los principios con rigor teórico y ejemplos propios. Comprende los principios y los aplica con orientación. Reconoce los principios pero con errores conceptuales. No demuestra comprensión ni aplicación.
2. Formulación de hipótesis y variables Define correctamente hipótesis experimentales, variables dependientes e independientes. Formula hipótesis claras y coherentes con la problemática. Formula hipótesis adecuadas con leves inconsistencias. Las hipótesis o variables son imprecisas. No formula hipótesis o son irrelevantes.
3. Aplicación de modelos estadísticos (ANOVA / Factorial) Selección y análisis del diseño adecuado a cada caso. Ejecuta el análisis con correcta interpretación estadística y validación de supuestos. Realiza el análisis con pequeños errores de interpretación. Aplica el modelo parcialmente o sin validación completa. No aplica correctamente los modelos.
4. Uso de herramientas computacionales (R/Python) Implementación de análisis mediante código reproducible. Emplea código documentado, eficiente y replicable. Utiliza correctamente las herramientas con mínima guía. Presenta errores de ejecución o dependencia excesiva de asistencia. No logra ejecutar ni interpretar resultados.
5. Interpretación y comunicación de resultados Análisis crítico y presentación de conclusiones técnicas. Presenta análisis estadístico completo, conclusiones coherentes y redacción científica. Presenta resultados adecuados con análisis parcialmente interpretado. Las conclusiones son débiles o sin soporte. Presentación deficiente, sin relación con objetivos.
6. Trabajo en equipo y ética profesional Colaboración, responsabilidad y honestidad académica. Participa activamente, demuestra liderazgo y conducta ética. Cumple con responsabilidad y colabora eficazmente. Participa de forma pasiva o con faltas leves. Ausencia de colaboración o plagio evidente.

3. Distribución sugerida por actividad (porcentajes dentro de cada corte)

Primer 50 % – Talleres prácticos

Actividad Criterios evaluados Peso
Taller 1 – DCA Comprensión conceptual, aplicación de modelo 10 %
Taller 2 – DBCA Aplicación, interpretación, código 15 %
Taller 3 – DCL Análisis y comunicación de resultados 10 %
Taller 4 – Factorial Aplicación y validación de supuestos 15 %

Segundo 50 % – Proyecto integrador

Fase Criterios evaluados Peso
Formulación del experimento (sem. 13) Hipótesis y estructura del diseño 10 %
Implementación práctica (sem. 14) Ejecución y recolección de datos 15 %
Análisis e informe técnico (sem. 15) Aplicación de modelos, redacción técnica 15 %
Sustentación final (sem. 16) Comunicación de resultados y ética profesional 10 %

4. Escala institucional de calificación

  • Excelente: 4.6 – 5.0
  • Satisfactorio: 3.6 – 4.5
  • Básico: 3.0 – 3.5
  • Deficiente: < 3.0