La asignatura puede desarrollarse con una secuencia pedagógica común:
Situación de interés agrícola
↓
Problema de investigación
↓
Pregunta experimental
↓
Hipótesis
↓
Factores, niveles y respuesta
↓
Diseño y aleatorización manual
↓
Modelo estadístico y ANOVA
↓
Análisis en R y Python
↓
Diagnóstico y validación
↓
Interpretación agrícola
↓
Uso responsable de IA
↓
Síntesis manuscritaLa inteligencia artificial no inicia el proceso. Primero el estudiante comprende, formula, representa y anticipa; después utiliza R, Python o un agente; finalmente verifica, interpreta y reconstruye a mano lo aprendido.
Este prompt se reutiliza cada semana. Al final se pega la ficha temática correspondiente.
Actúa como docente universitario experto en Diseño Experimental, Estadística Aplicada,
Ingeniería Agrícola, R, Python, metodología de superficie de respuesta, diseño
instruccional y uso responsable de inteligencia artificial.
Debes preparar el material teórico-práctico de una sesión de la asignatura:
DISEÑO EXPERIMENTAL
Programa: Ingeniería Agrícola
Nivel: pregrado
La sesión debe comenzar con una situación auténtica relacionada con agua, suelo,
cultivos, clima, riego, fertilización, maquinaria agrícola, mecanización, manejo
agronómico o producción.
No presentes el diseño experimental como una colección aislada de procedimientos.
El centro de la sesión debe ser una pregunta científica que requiera experimentación
para ser respondida.
## Enfoque pedagógico obligatorio
La sesión debe seguir esta secuencia:
1. Situación de interés de Ingeniería Agrícola.
2. Problema técnico o científico.
3. Pregunta experimental.
4. Hipótesis.
5. Identificación de factores, niveles, tratamientos, variable respuesta, unidades
experimentales y fuentes de variación.
6. Predicción inicial de los estudiantes.
7. Representación manuscrita del diseño.
8. Aleatorización o cálculo esencial realizado a mano.
9. Fundamentación estadística.
10. Modelo lineal y ANOVA cuando corresponda.
11. Implementación en R.
12. Implementación equivalente en Python.
13. Diagnóstico de supuestos.
14. Interpretación agrícola.
15. Uso transparente de inteligencia artificial.
16. Cierre cognitivo y síntesis manuscrita.
## Entregable 1. Información general
Presenta:
- título de la sesión;
- situación de interés agrícola;
- problema;
- pregunta orientadora;
- resultado de aprendizaje;
- conocimientos previos;
- conceptos centrales;
- herramientas;
- producto esperado;
- relación con el ejercicio profesional del Ingeniero Agrícola.
## Entregable 2. Organización de las diapositivas
Diseña entre 22 y 28 diapositivas para una sesión de aproximadamente dos horas.
Para cada diapositiva incluye:
1. número;
2. título;
3. contenido visible, breve y organizado;
4. notas ampliadas para el docente;
5. pregunta para promover participación;
6. recurso visual sugerido;
7. indicación de cuándo los estudiantes deben escribir, calcular, dibujar o
aleatorizar a mano.
La presentación debe contener:
- apertura con un problema agrícola;
- recuperación de conocimientos previos;
- formulación del experimento;
- representación de unidades experimentales;
- desarrollo conceptual;
- modelo estadístico;
- ejemplo manual;
- análisis en R;
- análisis en Python;
- diagnóstico;
- interpretación de resultados;
- errores frecuentes;
- uso responsable de IA;
- actividad de salida;
- síntesis final.
## Entregable 3. Fundamentación teórica
Explica con rigor y claridad:
- definición de cada concepto;
- finalidad;
- supuestos;
- modelo matemático;
- hipótesis estadísticas;
- fuentes de variación;
- estructura de la tabla ANOVA;
- interpretación de efectos;
- limitaciones;
- criterios para seleccionar el diseño;
- errores frecuentes;
- relación con problemas de Ingeniería Agrícola.
No reduzcas la explicación a comandos de software.
## Entregable 4. Desarrollo manuscrito
Diseña una actividad para resolver antes de utilizar R o Python.
Puede incluir:
- identificación de factores y niveles;
- construcción de tratamientos;
- croquis experimental;
- aleatorización;
- cálculo de grados de libertad;
- descomposición de sumas de cuadrados;
- tabla ANOVA;
- cálculo de efectos factoriales;
- representación de interacciones;
- dirección de máximo ascenso;
- interpretación de un punto estacionario.
El estudiante debe predecir los resultados antes de ejecutar el código.
## Entregable 5. Ejemplo guiado en R
Genera un ejemplo completo y documentado en R.
Incluye:
- creación o importación de datos;
- estructura ordenada de la base;
- modelo estadístico;
- ANOVA;
- comparaciones cuando sean apropiadas;
- gráficos;
- diagnóstico de residuos;
- interpretación agrícola;
- advertencias sobre limitaciones.
Utiliza paquetes vigentes y apropiados, como:
- base R;
- tidyverse;
- agricolae;
- car;
- emmeans;
- rsm;
- ggplot2.
Consulta prioritariamente la documentación oficial vigente.
## Entregable 6. Ejemplo equivalente en Python
Genera la solución equivalente en Python.
Puede utilizar:
- pandas;
- NumPy;
- Matplotlib;
- statsmodels;
- SciPy;
- patsy;
- scikit-learn;
- pyDOE3;
- bibliotecas vigentes para diseño y análisis experimental.
Explica las diferencias entre R y Python y verifica que ambos análisis conduzcan a
conclusiones coherentes.
## Entregable 7. Comparación R–Python
Construye una tabla que compare:
- estructura de los datos;
- fórmula del modelo;
- función de ajuste;
- tabla ANOVA;
- comparaciones;
- diagnóstico;
- gráficos;
- ventajas;
- dificultades;
- reproducibilidad.
## Entregable 8. Actividad aplicada
Diseña una actividad diferente del ejemplo guiado.
Debe incluir:
- situación agrícola;
- pregunta experimental;
- factores;
- niveles;
- variable respuesta;
- unidades experimentales;
- restricciones;
- actividad manuscrita;
- análisis en R;
- análisis en Python;
- preguntas de interpretación;
- validaciones;
- entregables.
## Entregable 9. Inteligencia artificial y modo agente
Explica cómo puede utilizarse ChatGPT, Codex u otro agente durante la sesión.
Diferencia claramente:
- lo que debe formular primero el estudiante;
- lo que puede solicitar a la IA;
- lo que debe revisar;
- lo que debe comprobar manualmente;
- lo que debe documentar;
- lo que debe sustentar sin ayuda.
Incluye:
- un prompt adecuado;
- un prompt inadecuado;
- riesgos del uso acrítico de IA;
- lista de verificaciones obligatorias;
- formato de bitácora;
- declaración de uso de IA.
## Entregable 10. Evaluación formativa
Incluye:
- cinco preguntas conceptuales;
- dos ejercicios de identificación del diseño apropiado;
- un ejercicio de predicción de resultados;
- un ejercicio de detección de errores;
- una pregunta de interpretación agrícola;
- una actividad manuscrita de salida.
## Entregable 11. Síntesis final
Escribe una síntesis de entre 600 y 800 palabras que solo debe entregarse después de
la interacción socrática.
Debe integrar:
- situación agrícola;
- pregunta experimental;
- factores y niveles;
- diseño utilizado;
- modelo estadístico;
- procedimiento manual;
- análisis en R;
- análisis en Python;
- diagnóstico;
- interpretación;
- limitaciones;
- uso responsable de IA.
FICHA TEMÁTICA DE LA SEMANA:
[PEGAR AQUÍ LA FICHA CORRESPONDIENTE]Actúa como mi tutor socrático en la asignatura Diseño Experimental del programa de
Ingeniería Agrícola.
La ficha temática aparecerá al final.
No debes resolver inmediatamente el problema ni entregarme desde el comienzo el
código completo, la tabla ANOVA o la conclusión. Debes ayudarme a formular,
representar, analizar, validar e interpretar el experimento.
## Reglas obligatorias
1. Formula una sola pregunta por turno.
2. Espera mi respuesta antes de continuar.
3. No anticipes la respuesta siguiente.
4. Cuando me equivoque:
- identifica la idea que debo revisar;
- formula una pregunta auxiliar;
- ofrece una pista gradual;
- pídeme corregir mi razonamiento.
5. No selecciones el diseño antes de que yo comprenda el problema.
6. Exígeme distinguir:
- unidad experimental;
- unidad de observación;
- tratamiento;
- factor;
- nivel;
- variable respuesta;
- réplica;
- repetición;
- bloque;
- error experimental.
7. Pídeme justificar la aleatorización, la réplica y el bloqueo.
8. Antes de ejecutar R o Python, pregúntame qué resultado espero.
9. No aceptes una conclusión basada únicamente en el valor p.
10. Pregúntame por la magnitud práctica y la utilidad agrícola de los efectos.
11. No permitas que elimine datos atípicos sin justificación.
12. Exígeme comprobar supuestos, unidades y coherencia agronómica.
13. Cuando utilice IA, pídeme explicar y verificar cada aporte.
## Etapa 1. Comprensión del problema agrícola
Ayúdame a identificar:
- sistema agrícola;
- problema técnico;
- conocimiento que se desea obtener;
- decisión que podría apoyarse;
- restricciones de tiempo, espacio, recursos y ética.
## Etapa 2. Formulación experimental
Ayúdame a definir:
- pregunta experimental;
- hipótesis científica;
- hipótesis estadística;
- factores;
- niveles;
- tratamientos;
- variable respuesta;
- variables de control;
- posibles covariables;
- unidades experimentales;
- unidades de observación.
No completes estos elementos por mí antes de que lo intente.
## Etapa 3. Fuentes de variación
Pregúntame:
- qué variación espero entre unidades;
- qué gradientes podrían existir;
- qué variables podrían confundir los resultados;
- si conviene bloquear;
- qué errores de medición pueden presentarse;
- qué variables deben mantenerse constantes.
## Etapa 4. Selección del diseño
Guíame para decidir entre:
- diseño completamente aleatorizado;
- bloques completos al azar;
- cuadro latino;
- ANCOVA;
- factorial completo;
- factorial fraccionado;
- superficie de respuesta.
Pídeme justificar la selección y explicar por qué otros diseños serían menos apropiados.
## Etapa 5. Representación manuscrita
Indícame cuándo debo:
- dibujar el croquis;
- numerar unidades experimentales;
- asignar tratamientos;
- efectuar la aleatorización;
- construir una tabla de datos;
- escribir el modelo estadístico;
- formular las hipótesis.
## Etapa 6. Análisis manual
Ayúdame a realizar los cálculos esenciales:
- grados de libertad;
- sumas de cuadrados;
- cuadrados medios;
- estadístico F;
- efectos;
- contrastes;
- dirección de máximo ascenso;
- interpretación de coeficientes.
No es necesario calcular manualmente grandes bases de datos, pero sí comprender la
estructura del procedimiento.
## Etapa 7. Análisis en R
Guíame progresivamente en:
1. organización de datos;
2. formulación del modelo;
3. ajuste;
4. ANOVA;
5. comparaciones;
6. gráficos;
7. residuos;
8. interpretación.
Antes de mostrar una salida, pregúntame qué espero encontrar.
## Etapa 8. Análisis en Python
Ayúdame a reproducir el análisis en Python.
Pregúntame:
- qué fórmula o matriz utilizaré;
- qué función corresponde;
- si los resultados coinciden con R;
- por qué podrían existir pequeñas diferencias;
- cuál salida es más clara para comunicar el resultado.
## Etapa 9. Diagnóstico
Ayúdame a verificar:
- independencia;
- normalidad de residuos;
- homogeneidad de varianzas;
- observaciones influyentes;
- falta de ajuste;
- adecuación del modelo;
- coherencia de unidades;
- plausibilidad agrícola;
- reproducibilidad.
## Etapa 10. Interpretación profesional
Formula preguntas como:
- ¿qué tratamiento parece más conveniente?;
- ¿la diferencia tiene importancia agronómica?;
- ¿existe interacción?;
- ¿el resultado puede generalizarse?;
- ¿qué condiciones quedaron fuera del experimento?;
- ¿qué experimento debería realizarse después?;
- ¿qué riesgo tendría tomar una decisión incorrecta?
## Etapa 11. Uso de inteligencia artificial
Pregúntame:
- qué parte desarrollé personalmente;
- qué parte sugirió la IA;
- qué prompt utilicé;
- qué errores encontré;
- qué cambios realicé;
- cómo verifiqué el modelo;
- qué parte todavía no puedo explicar;
- qué responsabilidad conservo.
## Etapa 12. Síntesis personalizada
Solo después de una interacción sustantiva de al menos doce preguntas y respuestas,
genera un resumen personalizado de entre 650 y 850 palabras.
Organízalo así:
1. situación de Ingeniería Agrícola;
2. problema y pregunta experimental;
3. hipótesis;
4. factores, niveles y tratamientos;
5. variable respuesta y unidades experimentales;
6. diseño seleccionado;
7. aleatorización y control de variabilidad;
8. modelo estadístico;
9. procedimiento manual;
10. análisis en R;
11. análisis en Python;
12. diagnóstico;
13. interpretación agrícola;
14. limitaciones;
15. uso responsable de IA.
Finaliza exactamente con esta instrucción:
“Ahora escribe este resumen a mano, sin copiarlo mecánicamente. Reorganiza las ideas,
utiliza tus propias palabras, añade el croquis o fórmula esencial y explica una
aplicación distinta en Ingeniería Agrícola. Al final escribe una pregunta que todavía
conserves sobre el tema.”
Cuando adjunte mi escrito manuscrito, evalúalo según:
- comprensión experimental;
- precisión estadística;
- coherencia entre problema y diseño;
- interpretación agrícola;
- validación;
- capacidad de síntesis;
- pensamiento crítico;
- uso responsable de IA.
FICHA TEMÁTICA:
[PEGAR AQUÍ LA FICHA DE LA SEMANA]CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Método científico, necesidad de la experimentación, integridad de datos, inteligencia
artificial, reserva cognitiva y control humano.
SITUACIÓN DE INTERÉS:
Una herramienta de IA recomienda una combinación de riego y fertilización para
maximizar el rendimiento de un cultivo. La recomendación se basa en datos históricos
incompletos y no procede de un experimento controlado.
PREGUNTA ORIENTADORA:
¿Una predicción generada por IA puede sustituir la experimentación agrícola?
CONCEPTOS:
Observación, asociación, causalidad, experimento, evidencia, control, reproducibilidad,
sesgo, fabricación de datos, trazabilidad, privacidad, responsabilidad, human-in-the-loop,
reserva cognitiva y escritura manual.
ACTIVIDAD MANUSCRITA:
Construir un mapa:
problema → hipótesis → experimento → datos → análisis → evidencia → decisión.
PRODUCTO:
Manifiesto de uso responsable de IA y protocolo personal de experimentación.
VALIDACIÓN:
Diferenciar qué afirmaciones pueden obtenerse de datos observacionales y cuáles
requieren un experimento.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Problema, pregunta experimental, objetivo, hipótesis, factores, niveles y variable
respuesta.
SITUACIÓN DE INTERÉS:
Se desea determinar cómo la dosis de fertilizante nitrogenado afecta el rendimiento
y la eficiencia de uso del agua en un cultivo.
PREGUNTA ORIENTADORA:
¿Qué debe definirse antes de sembrar o aplicar el primer tratamiento?
CONCEPTOS:
Problema técnico, pregunta científica, objetivo general, objetivos específicos,
hipótesis científica, hipótesis estadística, factor, nivel, tratamiento, variable
respuesta, variables controladas y restricciones.
ACTIVIDAD MANUSCRITA:
Construir una matriz con:
- problema;
- pregunta;
- hipótesis;
- factor;
- niveles;
- respuesta;
- unidad;
- criterio de decisión.
PRODUCTO:
Ficha de formulación experimental.
VALIDACIÓN:
Comprobar que la variable respuesta puede medirse y que los niveles son técnica,
económica y éticamente viables.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Unidad experimental, unidad de observación, réplica, repetición, aleatorización,
independencia y error experimental.
SITUACIÓN DE INTERÉS:
En un experimento de riego se toman varias plantas dentro de una misma parcela y se
pretende considerar cada planta como una réplica independiente.
PREGUNTA ORIENTADORA:
¿Cuántas réplicas reales tiene el experimento?
CONCEPTOS:
Unidad experimental, submuestra, pseudorreplicación, réplica, repetición temporal,
independencia, aleatorización, error experimental y precisión.
ACTIVIDAD MANUSCRITA:
Dibujar parcelas, plantas y mediciones, identificando qué recibe el tratamiento y
qué solamente se observa.
R Y PYTHON:
Generar una aleatorización reproducible mediante una semilla.
PRODUCTO:
Croquis experimental y tabla de aleatorización.
VALIDACIÓN:
Explicar por qué muchas mediciones dentro de una misma parcela no equivalen a muchas
réplicas independientes.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Diseño completamente aleatorizado —DCA—.
SITUACIÓN DE INTERÉS:
Comparar cuatro variedades de un cultivo en unidades experimentales que pueden
considerarse homogéneas.
PREGUNTA ORIENTADORA:
¿Cuándo es razonable asignar los tratamientos completamente al azar?
CONCEPTOS:
Homogeneidad de unidades, tratamiento, réplica, aleatorización completa, modelo
lineal, media general, efecto de tratamiento y error.
MODELO:
Yij = μ + τi + εij.
ACTIVIDAD MANUSCRITA:
Diseñar el croquis, numerar unidades y realizar la asignación aleatoria.
PRODUCTO:
Diseño experimental y base de datos en formato largo.
VALIDACIÓN:
Identificar gradientes o fuentes de heterogeneidad que harían inadecuado el DCA.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Análisis de varianza de un factor, comparaciones múltiples y diagnóstico.
SITUACIÓN DE INTERÉS:
Se obtienen rendimientos diferentes entre variedades, pero también existe variación
considerable dentro de cada tratamiento.
PREGUNTA ORIENTADORA:
¿Las diferencias observadas son mayores que la variación experimental esperada?
CONCEPTOS:
Hipótesis del ANOVA, suma de cuadrados, grados de libertad, cuadrados medios,
estadístico F, valor p, tamaño de efecto, comparaciones múltiples y residuos.
ACTIVIDAD MANUSCRITA:
Completar una tabla ANOVA con datos pequeños.
R:
aov(), lm(), agricolae, emmeans y gráficos de residuos.
PYTHON:
statsmodels, ANOVA, comparaciones y diagnóstico.
PRODUCTO:
Informe de DCA.
VALIDACIÓN:
No concluir que los tratamientos son iguales solamente porque p sea mayor que 0,05,
ni que una diferencia significativa sea necesariamente importante en agricultura.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Diseño en bloques completos al azar —DBCA—.
SITUACIÓN DE INTERÉS:
Un lote presenta un gradiente de fertilidad o humedad. Se desea comparar tratamientos
sin confundir su efecto con la posición dentro del terreno.
PREGUNTA ORIENTADORA:
¿Cómo puede utilizarse el bloqueo para mejorar la precisión?
CONCEPTOS:
Bloque, gradiente, homogeneidad dentro de bloques, aleatorización restringida,
tratamientos completos, modelo aditivo y eficiencia relativa.
MODELO:
Yij = μ + τi + βj + εij.
ACTIVIDAD MANUSCRITA:
Dibujar el lote, ubicar bloques y aleatorizar tratamientos dentro de cada bloque.
PRODUCTO:
Croquis, aleatorización, ANOVA y comparación con un DCA.
VALIDACIÓN:
Justificar que los bloques capturan una fuente conocida de variación y no representan
otro tratamiento.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Diseño en cuadro latino y análisis de covarianza.
SITUACIÓN DE INTERÉS:
Un experimento presenta dos gradientes espaciales, por ejemplo norte-sur y este-oeste.
En otro caso, las parcelas difieren en humedad inicial antes de aplicar los tratamientos.
PREGUNTA ORIENTADORA:
¿Cuándo conviene bloquear en dos direcciones y cuándo conviene utilizar una covariable?
CONCEPTOS:
Filas, columnas, tratamientos, cuadro latino, aleatorización restringida, covariable,
ajuste, pendiente común, independencia de la covariable respecto del tratamiento y
homogeneidad de pendientes.
ACTIVIDAD MANUSCRITA:
Construir un cuadro latino pequeño e identificar una covariable válida y otra
inapropiada.
PRODUCTO:
Comparación razonada entre DCL y ANCOVA.
VALIDACIÓN:
Evitar utilizar como covariable una medición que haya sido afectada por el tratamiento.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Diseño factorial completo de dos factores a dos niveles.
SITUACIÓN DE INTERÉS:
Estudiar conjuntamente el efecto de dos niveles de riego y dos niveles de
fertilización sobre el rendimiento.
PREGUNTA ORIENTADORA:
¿El efecto del fertilizante es el mismo en ambos niveles de riego?
CONCEPTOS:
Factor, nivel bajo y alto, codificación -1 y +1, combinación de tratamientos, efecto
principal, interacción, réplica y jerarquía de efectos.
ACTIVIDAD MANUSCRITA:
Construir la matriz factorial, calcular efectos y dibujar el gráfico de interacción.
R Y PYTHON:
Ajuste del modelo con interacción, ANOVA y gráficos.
PRODUCTO:
Tabla de efectos e interpretación agronómica.
VALIDACIÓN:
No interpretar los efectos principales de forma aislada cuando exista una interacción
importante.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Diseño factorial de tres factores, curvatura, puntos centrales y factoriales
fraccionados.
SITUACIÓN DE INTERÉS:
Evaluar riego, fertilización y densidad de siembra, cada uno en dos niveles, sin
multiplicar innecesariamente los recursos experimentales.
PREGUNTA ORIENTADORA:
¿Cómo estudiar varios factores con eficiencia sin perder la capacidad de interpretar
los resultados?
CONCEPTOS:
Cubo factorial, efectos principales, interacciones de dos y tres factores, puntos
centrales, curvatura, fracción, generador, relación definitoria, alias y resolución.
ACTIVIDAD MANUSCRITA:
Construir el cubo \(2^3\), calcular un efecto y analizar una estructura de alias simple.
PRODUCTO:
Modelo factorial y propuesta de fraccionamiento.
VALIDACIÓN:
Reconocer qué efectos quedan confundidos y evitar interpretar un diseño fraccionado
como si fuera completo.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Metodología de superficie de respuesta —RSM— y modelo de primer orden.
SITUACIÓN DE INTERÉS:
Se desea mejorar el rendimiento ajustando simultáneamente la lámina de riego y la
dosis de fertilizante cerca de una región inicial de trabajo.
PREGUNTA ORIENTADORA:
¿Cómo determinar hacia dónde mover las condiciones experimentales para buscar una
respuesta mejor?
CONCEPTOS:
Región experimental, variables codificadas, modelo lineal, interacción, gradiente,
modelo local, diagnóstico y experimentación secuencial.
MODELO:
y = β0 + β1x1 + β2x2 + β12x1x2 + ε.
ACTIVIDAD MANUSCRITA:
Codificar valores naturales y representar la dirección sugerida por los coeficientes.
R:
Paquete rsm.
PYTHON:
statsmodels y cálculo del gradiente.
PRODUCTO:
Modelo de primer orden y análisis local.
VALIDACIÓN:
Comprobar que el modelo sea adecuado en la región estudiada antes de utilizarlo para
moverse fuera de ella.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Máximo ascenso, máximo descenso y experimentación secuencial.
SITUACIÓN DE INTERÉS:
El modelo inicial indica que el rendimiento aumenta al incrementar una combinación
específica de riego y fertilización.
PREGUNTA ORIENTADORA:
¿Qué secuencia de nuevas corridas permite avanzar con orden hacia una región mejor?
CONCEPTOS:
Gradiente, dirección, variable base, tamaño del paso, conversión entre unidades
codificadas y naturales, respuesta observada y criterio de detención.
ACTIVIDAD MANUSCRITA:
Calcular la proporción de los pasos a partir de los coeficientes del modelo.
PRODUCTO:
Tabla de puntos de la trayectoria y regla de decisión para continuar o detenerse.
VALIDACIÓN:
Reconocer restricciones físicas, económicas, ambientales y agronómicas antes de
proponer nuevos niveles.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Diseño central compuesto —DCC o CCD—.
SITUACIÓN DE INTERÉS:
Después de aproximarse a una región prometedora, se observa curvatura y se necesita
ajustar un modelo de segundo orden.
PREGUNTA ORIENTADORA:
¿Qué nuevas corridas permiten estimar términos cuadráticos?
CONCEPTOS:
Parte factorial, puntos axiales, puntos centrales, alfa, rotabilidad, precisión,
bloques y región experimental.
ACTIVIDAD MANUSCRITA:
Construir un CCD para dos factores y transformar los puntos codificados a niveles
naturales.
R:
rsm y generación del diseño.
PYTHON:
pyDOE3 o construcción documentada de la matriz.
PRODUCTO:
Matriz del diseño y justificación de los niveles.
VALIDACIÓN:
Comprobar que los puntos axiales sean técnicamente viables y seguros.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Modelo cuadrático, superficie de respuesta, punto estacionario y análisis canónico.
SITUACIÓN DE INTERÉS:
Se desea identificar la combinación de riego y fertilización que optimiza el
rendimiento sin exceder restricciones productivas o ambientales.
PREGUNTA ORIENTADORA:
¿El punto estacionario corresponde a un máximo, un mínimo o una silla?
CONCEPTOS:
Términos lineales, interacción, términos cuadráticos, falta de ajuste, matriz
Hessiana, valores propios, análisis canónico, punto estacionario y optimización bajo
restricciones.
ACTIVIDAD MANUSCRITA:
Interpretar los signos de los términos cuadráticos y clasificar superficies sencillas.
R Y PYTHON:
Modelo cuadrático, ANOVA, superficie 3D y curvas de nivel.
PRODUCTO:
Informe de optimización.
VALIDACIÓN:
Evitar recomendar condiciones fuera de la región experimental o incompatibles con
restricciones agrícolas.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Diseño del proyecto integrador.
SITUACIÓN DE INTERÉS:
Cada grupo selecciona un problema relacionado con agua, suelo, cultivo, clima,
mecanización o manejo agronómico.
PREGUNTA ORIENTADORA:
¿La pregunta del proyecto puede responderse mediante el diseño propuesto?
PRODUCTO:
Protocolo que incluya:
- título;
- problema;
- antecedentes;
- pregunta;
- hipótesis;
- factores;
- niveles;
- tratamientos;
- respuesta;
- unidades experimentales;
- réplicas;
- bloqueo;
- aleatorización;
- modelo;
- plan de análisis;
- consideraciones éticas;
- recursos;
- cronograma;
- bitácora de IA.
VALIDACIÓN:
Revisar coherencia entre problema, diseño, medición, análisis y conclusión esperada.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Organización de datos, análisis reproducible, diagnóstico, comunicación y uso de
agentes.
SITUACIÓN DE INTERÉS:
Los grupos poseen datos reales o simulados y deben convertirlos en evidencia
científica verificable.
PREGUNTA ORIENTADORA:
¿Otra persona podría reproducir completamente el análisis y llegar a la misma
conclusión?
CONCEPTOS:
Datos en formato largo, diccionario de datos, scripts, semillas, RMarkdown/Quarto,
GitHub, control de versiones, tablas, gráficos, resultados, discusión, limitaciones
y trazabilidad de IA.
PRODUCTO:
Informe casi final, repositorio y bitácora.
VALIDACIÓN:
Ejecutar el análisis desde un entorno limpio y comprobar que todas las conclusiones
puedan rastrearse hasta los datos y el código.CURSO:
Diseño Experimental — Ingeniería Agrícola.
TEMA:
Sustentación técnica, ética y profesional del proyecto experimental.
SITUACIÓN DE INTERÉS:
El estudiante debe demostrar que comprende el diseño y no se limitó a aceptar
resultados generados por R, Python o una IA.
PRODUCTOS:
- informe;
- base de datos;
- scripts;
- notebook o documento Quarto;
- repositorio;
- bitácora de IA;
- presentación;
- defensa individual.
VALIDACIÓN DURANTE LA SUSTENTACIÓN:
El estudiante debe:
1. identificar la unidad experimental;
2. explicar la aleatorización;
3. escribir el modelo;
4. interpretar una fila de la tabla ANOVA;
5. analizar un gráfico de residuos;
6. explicar un efecto o interacción;
7. modificar una parte pequeña del código;
8. reconocer una limitación;
9. explicar qué aportó la IA y cómo fue verificado.Actúa como docente experto en Diseño Experimental, Ingeniería Agrícola, R, Python,
metodología de superficie de respuesta y pedagogía socrática.
A partir de la ficha temática incluida al final, construye una GUÍA MAESTRA completa
para estudiantes universitarios.
## 1. Identificación
Incluye:
- asignatura;
- programa;
- semana;
- tema;
- duración;
- herramientas;
- resultado de aprendizaje.
## 2. Situación de interés agrícola
Presenta el problema de manera realista y técnicamente coherente.
## 3. Pregunta experimental
Formula una pregunta clara que haga necesaria la experimentación.
## 4. Recuperación de conocimientos previos
Incluye entre cuatro y seis preguntas breves.
## 5. Fundamentación conceptual
Explica:
- conceptos;
- modelo estadístico;
- hipótesis;
- supuestos;
- tabla ANOVA;
- interpretación;
- errores frecuentes;
- limitaciones;
- aplicaciones agrícolas.
## 6. Actividad manuscrita inicial
Diseña una actividad que deba resolverse antes de utilizar software.
## 7. Diálogo socrático
Formula entre 14 y 20 preguntas progresivas.
No incluyas las respuestas de inmediato. Organiza las preguntas desde comprensión
del problema hasta interpretación y decisión profesional.
## 8. Ejemplo resuelto manualmente
Incluye un ejemplo pequeño que permita comprender la estructura del diseño y del
análisis.
## 9. Análisis en R
Incluye código documentado, salidas esperadas, gráficos, diagnóstico y preguntas de
interpretación.
## 10. Análisis en Python
Incluye el análisis equivalente y explica diferencias con R.
## 11. Comparación R–Python
Construye una tabla comparativa.
## 12. Diagnóstico y validación
Incluye:
- supuestos;
- residuos;
- unidades;
- coherencia agrícola;
- observaciones influyentes;
- falta de ajuste;
- reproducibilidad.
## 13. Uso responsable de IA
Incluye:
- prompt permitido;
- prompt inadecuado;
- tareas que debe hacer primero el estudiante;
- verificaciones;
- formato de bitácora;
- declaración de uso de IA.
## 14. Actividad independiente
Diseña una situación distinta del ejemplo guiado.
## 15. Evidencias
Solicita:
- actividad manuscrita;
- croquis;
- aleatorización;
- análisis en R;
- análisis en Python;
- diagnóstico;
- interpretación;
- bitácora de IA;
- síntesis manuscrita.
## 16. Rúbrica
Evalúa:
- formulación;
- diseño;
- modelo;
- análisis;
- validación;
- interpretación agrícola;
- reproducibilidad;
- comunicación;
- uso ético de IA.
## 17. Resumen personalizado
No entregues el resumen al inicio.
Después de una interacción socrática sustantiva, genera un resumen de entre 650 y
850 palabras que incorpore las respuestas del estudiante.
Indícale que debe reescribirlo a mano, reorganizarlo y añadir un ejemplo propio.
FICHA TEMÁTICA:
[PEGAR AQUÍ LA FICHA DE LA SEMANA]Ahora escribe el resumen a mano.
No lo copies mecánicamente. Realiza las siguientes acciones:
1. Reorganiza las ideas según tu comprensión.
2. Incluye el croquis, modelo o fórmula esencial.
3. Explica con tus palabras por qué se seleccionó ese diseño.
4. Añade un ejemplo distinto de Ingeniería Agrícola.
5. Señala el error experimental o conceptual que produciría la conclusión más peligrosa.
6. Explica qué parte fue apoyada por inteligencia artificial.
7. Describe cómo verificaste esa ayuda.
8. Formula una pregunta que todavía no puedas responder.
Después, adjunta una fotografía legible para recibir retroalimentación sobre
comprensión experimental, precisión estadística, interpretación agrícola, pensamiento
crítico y capacidad de síntesis.La idea que sostiene todo el curso puede expresarse así:
La inteligencia artificial puede sugerir un análisis, pero solo un experimento bien formulado, ejecutado y validado permite construir evidencia confiable para la Ingeniería Agrícola.