Hola, Justo. Es un gusto saludarte. Me parece una excelente
iniciativa unificar el plan de la asignatura alrededor del paquete
easyanova. Simplificará considerablemente la curva de
aprendizaje, permitiendo que los estudiantes de Ingeniería Agrícola y
Agroindustrial se concentren en la interpretación agronómica y
productiva de los datos en lugar de enredarse con una sintaxis compleja
de R.
He tomado nota detallada de la estructura pedagógica que exiges para los notebooks en Google Colab. Cada vez que me solicites uno, lo desarrollaré integrando rigurosamente:
La introducción teórica con sus fórmulas y tabla ANOVA.
La guía paso a paso para la solución manual con lápiz y papel.
El Análisis Exploratorio de Datos (EDA) y la visualización para justificar estadísticamente el ANOVA.
El código base en R usando easyanova.
Los prompts sugeridos para que tus alumnos interactúen conmigo en la interpretación de los resultados.
Las plantillas de código equivalentes en Python y Julia.
Para comenzar a trazar tu plan semestral, aquí tienes la lista
completa de los diseños experimentales y pruebas que soporta
easyanova. El paquete se divide en dos grandes grupos según
la función que los ejecuta:
ea1)Esta función cubre los diseños clásicos de un solo factor, manejo de covariables, bloques incompletos y alternativas no paramétricas.
ea2)Esta función procesa esquemas con múltiples factores, arreglos de parcelas divididas y análisis conjuntos.
easyanova para la enseñanza del
Diseño Experimental en Ingeniería Agrícola y AgroindustrialBuen día. Un gusto saludarte.
En el contexto actual de la formación en ingeniería, la
experimentación agrícola y agroindustrial requiere de herramientas
estadísticas accesibles, flexibles y alineadas con las metodologías
activas de aprendizaje. El paquete easyanova de R,
desarrollado por Emmanuel Arnhold, se presenta como un recurso didáctico
excepcional para la asignatura Diseño Experimental. Su
sintaxis sencilla y su capacidad para generar tablas ANOVA y pruebas de
comparación de medias (Tukey, Scott-Knott, Duncan, etc.) con pocas
líneas de código permiten a los estudiantes concentrarse en la
interpretación de resultados y en la lógica subyacente a cada diseño, en
lugar de perderse en complejidades de programación.
Al integrar easyanova con Google Colab,
se eliminan las barreras de instalación local y se facilita el trabajo
colaborativo desde cualquier dispositivo con conexión a internet. Este
entorno permite entrelazar la teoría, la práctica manual (papel y
lápiz), el análisis exploratorio de datos (EDA) y el uso de inteligencia
artificial (IA) como asistente de interpretación. A continuación se
plantea una propuesta para estructurar un plan semestral que desglosa
cada diseño experimental —DCA, DBCA, DCL, factoriales, entre otros— en
cinco momentos clave: fundamentos teóricos y fórmulas, EDA del dataset
incluido en easyanova, resolución manual paso a paso,
plantilla reproducible en R y diálogo guiado con IA.
General
Desarrollar en los estudiantes del programa de Ingeniería Agrícola y
Agroindustrial la capacidad de seleccionar, implementar, analizar e
interpretar diseños experimentales clásicos mediante el uso integrado de
métodos manuales, el paquete easyanova en R y herramientas
de IA, aplicados a problemas reales del sector agropecuario y
agroindustrial.
Específicos
1. Identificar las características, supuestos y modelos matemáticos de
los diseños experimentales más comunes (DCA, DBCA, DCL, factoriales,
parcelas divididas).
2. Calcular manualmente (papel y lápiz) las sumas de cuadrados, grados
de libertad, cuadrados medios y estadístico F para cada diseño.
3. Realizar un análisis exploratorio de datos (EDA) completo sobre los
datasets incluidos en easyanova, detectando outliers,
normalidad y homogeneidad de varianzas.
4. Generar tablas ANOVA y pruebas de comparación múltiple utilizando la
función easyanova() en Google Colab.
5. Interpretar las salidas de easyanova con la ayuda de
prompts estructurados dirigidos a IA (ChatGPT, Copilot, etc.),
contrastando los resultados con los cálculos manuales.
6. Diseñar experimentos simulados o reales propios del ámbito agrícola y
agroindustrial, documentando todo el flujo de trabajo en un notebook de
Colab.
easyanova dentro de Colab para ejecutar ANOVA y pruebas
post‑hoc.Al finalizar el semestre, el estudiante será capaz de:
easyanova.easyanova().easyanova, y una tabla
comparativa entre resultados manuales y computacionales.Para alcanzar los objetivos y competencias descritos, se emplearán
las siguientes estrategias, todas centradas en el uso de
easyanova y Colab:
| Estrategia | Descripción | Vinculación con easyanova/IA |
|---|---|---|
| Aula invertida | El estudiante revisa antes de clase un video corto sobre la teoría de un diseño y un ejemplo de EDA en Colab. | Los videos incluyen fragmentos de código de easyanova
que el alumno ejecuta en su propio notebook. |
| Demostración guiada en vivo | El profesor resuelve un diseño completo en Colab, proyectando
pantalla: desde la carga del dataset (p.ej., data("ex1"))
hasta la prueba de medias. |
Se enfatiza la función easyanova(data, design, ...) y
se comparan salidas con cálculos manuales previos. |
| Resolución manual con papel y lápiz | Antes de usar R, los alumnos calculan sumas de cuadrados, gl, CM y F para un diseño sencillo (ej. DCA con 3 tratamientos). | Posteriormente verifican sus resultados con easyanova;
las discrepancias se discuten en clase. |
| EDA estructurado | Se entrega una checklist de gráficos (boxplots, qqnorm, residuos vs. ajustados) y pruebas (Shapiro‑Wilk, Levene) que el alumno debe realizar para cada dataset. | Se usa ggplot2 y dplyr en el mismo Colab,
antes de llamar a easyanova. |
| Plantillas R modulares | Se proporciona un notebook base con bloques pre‑escritos para
importar datos, EDA, easyanova y exportar resultados. El
alumno solo modifica parámetros. |
La plantilla incluye comentarios que explican cada argumento de
easyanova (design = 1 para DCA, 2 para DBCA, etc.). |
| Prompts para IA | Se entrega un catálogo de prompts que los alumnos deben copiar y
pegar en un chat de IA (ChatGPT, Gemini) después de obtener la salida de
easyanova. Ejemplos: “Explica qué significa un p‑valor de
0.03 en el contexto de un DBCA para rendimiento de maíz”, o “Compara los
resultados de Tukey y Scott‑Knott en esta tabla”. |
Los alumnos registran la respuesta de la IA y la contrastan con la interpretación del profesor; se fomenta la reflexión crítica sobre la precisión de la IA. |
| Proyecto integrador final | En equipos de 3, diseñan un experimento (real o simulado) con al
menos dos factores, recolectan datos (o usan un dataset público),
aplican easyanova y entregan un informe en formato
Colab. |
Deben incluir: justificación del diseño, EDA completo, código
easyanova, comparación con cálculo manual de una parte del
ANOVA, y un diálogo simulado con IA (preguntas y respuestas). |
| Rúbricas de autoevaluación | Cada entrega parcial (EDA, solución manual, código R, prompt+respuesta IA) se evalúa con una rúbrica que valora precisión técnica, claridad y uso crítico de la IA. | La rúbrica incluye un ítem: “El estudiante identifica correctamente si la IA ha alucinado o cometido un error en la interpretación”. |
El paquete easyanova se integra naturalmente en un plan
semestral de Diseño Experimental para ingenieros agrícolas y
agroindustriales, especialmente cuando se combina con Google Colab, la
resolución manual tradicional y el uso pedagógico de la inteligencia
artificial. Esta aproximación no solo enseña a ejecutar ANOVA, sino a
pensar estadísticamente, validar resultados y comunicar conclusiones en
el lenguaje del sector agroproductivo. Al final del curso, los
estudiantes no solo dominan una herramienta computacional, sino que
comprenden el porqué de cada paso y pueden interactuar
críticamente con asistentes de IA para enriquecer su aprendizaje.