| Criterio Específico | Observación y Análisis Pedagógico | Valoración |
|---|---|---|
| Definición y conceptualización de EDA | Define con precisión el Análisis Exploratorio de Datos enfocado en organizar, analizar e interpretar el comportamiento de variables clave en la disciplina (suelo, clima, cultivo, agua y producción). | Excelente (5.0) |
| Contextualización agronómica | Plantea un caso pertinente: evaluación del rendimiento de maíz por parcelas, relacionando la variabilidad con factores críticos de manejo como riego, fertilización, tipo de suelo y drenaje. | Excelente (5.0) |
| Criterio de toma de decisiones | Enfatiza el valor ingenieril de la estadística para optimizar recursos productivos (agua, fertilizantes y suelo) a partir de evidencia cuantitativa. | Excelente (5.0) |
| Uso ético y auditoría de IA | Cumple con la directriz de ciencia responsable: reconoce la utilidad de la IA para cómputo y organización, pero subraya la obligación de auditar y verificar fórmulas, gráficos y salidas. | Excelente (5.0) |
| Presentación y formato | Manuscrito legible, ordenado, debidamente identificado y estructurado según las pautas de reserva cognitiva. | Excelente (5.0) |
El documento entregado corresponde a la evidencia conceptual y ética manuscrita. Para consolidar la calificación global de la 2da Actividad (100%), el estado de los componentes es el siguiente:
[✔] Resumen Manuscrito / Bitácora y Ética de IA (Sección III) -> Calificado (5.0 / 5.0)
[⏳] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> Pendiente de URL
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de URL / Archivos
Fortalezas destacadas: * Clara articulación del EDA con problemas reales del ejercicio profesional en Ingeniería Agrícola (evaluación de rendimiento en maíz y detección de fallas en riego/drenaje). * Postura crítica frente a las herramientas generativas, asumiendo el rol de auditor técnico de los cálculos y visualizaciones. * Excelente cumplimiento del ejercicio de apropiación conceptual a mano.
(Quedo atento a la recepción de la URL de Colab / GitHub o el enlace de RPubs para registrar la calificación completa de la parte computacional de Clara Elena o para continuar con el siguiente estudiante).
Estudiante: Emanuel Reyes Guillín
Identificación: 1704256700
Asignatura: Estadística Aplicada con Python y R
Grupo: EST_G1 (Ingeniería Agrícola)
Fecha de elaboración: 15 de agosto de 2026
Documento evaluado: Resumen y Esquema Conceptual Manuscrito (Taller 2 / Semana 2)
| Criterio Específico | Observación y Análisis Pedagógico | Valoración |
|---|---|---|
| Definición y conceptualización de EDA | Define con claridad el EDA como el proceso de explorar, estudiar y organizar conjuntos de datos para comprender su comportamiento y patrones más representativos. |
| Excelente (5.0) | | Rigor estadístico y clasificación de medidas | Clasifica acertadamente las herramientas descriptivas indispensables: medidas de tendencia central (media, mediana, moda) , dispersión (rango, varianza, desviación estándar) y forma (asimetría y curtosis).
| Excelente (5.0) | | Contextualización agronómica y toma de decisiones | Vincula los conceptos teóricos con variables de campo cruciales (humedad de suelo, precipitación y dinámica de riego en cultivos) , orientando el análisis hacia la mejora de decisiones agronómicas y el manejo hídrico.
| Excelente (5.0) | | Capacidad de síntesis visual (Esquema/Mapa conceptual) | Diseña en la segunda página un esquema conceptual bien articulado que conecta medidas descriptivas, análisis gráfico, interpretación de variabilidad y toma de decisiones en campo.
| Excelente (5.0) | | Uso ético y auditoría de IA | Aunque el desarrollo conceptual y el mapa mental son sólidos, la reflexión sobre la auditoría y validación crítica de agentes de IA es muy breve o implícita en comparación con los temas estadísticos. | Bueno (4.5) | | Presentación y formato | Manuscrito limpio, legible, con buena estructuración jerárquica y esquemas claros.
| Excelente (5.0) |
[✔] Resumen Manuscrito / Mapa Conceptual y Fundamentos -> Calificado (4.9 / 5.0)
[⏳] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> Pendiente de URL
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de URL / Archivos
Fortalezas destacadas: * Destacable inclusión de medidas de forma (asimetría y curtosis) junto a las de tendencia central y dispersión, lo que demuestra una visión estadística completa. * Excelente aporte con el esquema de flujo en la página 2 , conectando la variabilidad de la humedad del suelo con el ajuste operativo del sistema de riego.
Recomendación de mejora: * Explicitar formalmente en la bitácora la auditoría de la IA (prompt empleado, contrastación del código y verificación de fórmulas), complementando el excelente desarrollo técnico presentado.
| Criterio Específico | Observación y Análisis Pedagógico | Valoración |
|---|---|---|
| Definición y conceptualización de EDA | Precisa con claridad que el EDA es la etapa inicial previa al modelado complejo, orientada a entender el comportamiento de variables agronómicas y detectar anomalías en campo. | Excelente (5.0) |
| Rigor y profundidad estadística | Muy completo. Abarca: |
• Tendencia central: media, mediana y
moda.
• Dispersión: rango, varianza, rango
intercuartílico (IQR) y coeficiente de variación (CV),
interpretando este último como indicador de homogeneidad del lote
(%).
• Forma: asimetría (inclinación) y curtosis
(concentración central). | Excelente (5.0) | |
Contextualización agronómica e interpretación de datos
| Excelente pertinencia. Relaciona la variabilidad con eventos reales de
campo: discriminación entre valores atípicos por eventos
climáticos/riego versus fallas instrumentales en sensores de humedad. |
Excelente (5.0) | | Esquema visual y
representatividad de datos | Ilustra un esquema práctico y
contextualizado (árbol/cultivo en suelo) con valores porcentuales
concretos de humedad: alto por riego/lluvia (38.5%), promedio general
(23.5%) y bajo/atípico por estrés hídrico o falla de sensor (8.2%). |
Excelente (5.0) | | Auditoría crítica y ética
de IA | Cumple a cabalidad con la directriz de ciencia
responsable: documenta que usó IA para acelerar la generación de código
en Python y R, pero destaca el deber del ingeniero agrícola de auditar y
verificar que los datos tengan sentido físico y agronómico. |
Excelente (5.0) | | Presentación y
formato | Manuscrito ordenado, caligrafía clara, excelente
jerarquía de títulos y esquema gráfico limpio. | Excelente
(5.0) |
[✔] Resumen Manuscrito / Esquema Gráfico y Auditoría de IA -> Calificado (5.0 / 5.0)
[⏳] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> Pendiente de URL
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de URL / Archivos
Fortalezas destacadas: * Aporte conceptual de valor: La inclusión del Coeficiente de Variación (CV) aplicado a la evaluación de la homogeneidad de un lote agrícola y el Rango Intercuartílico (IQR) demuestran una excelente comprensión del análisis descriptivo robusto. * Esquema gráfico aplicado: Muy buen recurso didáctico al plasmar los valores típicos y atípicos de humedad (8.2%, 23.5%, 38.5%) directamente en el perfil del suelo y cultivo. * Criterio profesional frente a la IA: Excelente balance entre productividad computacional (Python/R) y criterio agronómico para discernir entre un error instrumental y un fenómeno físico real en campo.
| Componente | Estado | Detalle y Observaciones | Valoración |
|---|---|---|---|
| Resumen Manuscrito | Recibido | Incluye medidas completas (CV, IQR, forma), esquema cuantitativo y discriminación de fallas instrumentales. | 5.0 |
| Estructura del Enlace | Excelente | Aplica correctamente la transformación
colab.research.google.com/github/... apuntando a la rama
main. |
5.0 |
| Nomenclatura del Archivo | Excelente | Cumple estrictamente el estándar:
Meza_Cesar_EDA_Ing_Agricola_2026_2.ipynb. |
5.0 |
[✔] Resumen Manuscrito / Esquema Cuantitativo / Ética IA -> Calificado (5.0 / 5.0)
[✔] Enlace Colab / Repositorio GitHub (Opción A) -> Validado y Conforme (5.0 / 5.0)
[⏳] Despliegue RMarkdown / Posit Cloud / RPubs -> Pendiente de enlace RPubs
Aspectos destacados: * Cumplimiento técnico riguroso: Excelente seguimiento de la guía de entrega; el repositorio es público, la URL abre directamente en Colab y el archivo respeta la convención de nombres. * Solidez conceptual y matemática: Articulación completa entre la teoría manuscrita (análisis de dispersión relativa con \(CV\), detección de atípicos con \(RIC\)) y la implementación computacional en Python y R. * Criterio agronómico: Muy buen enfoque práctico para diferenciar lecturas atípicas de sensores de la verdadera dinámica hídrica del lote.
| Criterio Específico | Observación y Análisis Pedagógico | Valoración |
|---|---|---|
| Apropiación conceptual y rigor estadístico | Impecable desarrollo teórico. Categoriza con precisión las tres
familias de métricas: |
• Tendencia central: media, mediana y
moda.
• Dispersión: rango, varianza, desviación
estándar, rango intercuartílico (IQR) y coeficiente de variación
(CV).
• Forma: asimetría y curtosis. |
Excelente (5.0) | | Contextualización en
Ingeniería Agrícola | Ejemplifica con claridad la evaluación de
rendimiento en trigo (\(kg/ha\)) por
parcelas, relacionando la dispersión con la homogeneidad del cultivo y
considerando factores agronómicos determinantes (tipo de suelo,
fertilización NPK/orgánica y riego por aspersión). | Excelente
(5.0) | | Calidad y creatividad del esquema gráfico
(Infografía) | Sobresaliente. La página 2
presenta una infografía ilustrada a mano de nivel profesional: integra
diagramas de distribución para tendencia central, diagrama de cajas
(boxplot) para dispersión, curvas de deformación para
asimetría/curtosis, y flujo de decisiones con maquinaria y manejo en
campo. | Excelente (5.0) | | Ética, auditoría
de IA y enfoque Human-in-the-loop |
Destacado. Es el primer trabajo en incorporar y rotular
explícitamente el paradigma Human-in-the-loop,
asumiendo la autoría y la responsabilidad profesional como auditor
humano frente a las respuestas generadas por los agentes de IA. |
Excelente (5.0) | | Presentación y reserva
cognitiva | Trabajo sumamente limpio, organizado, con
caligrafía impecable y un esfuerzo gráfico y de síntesis sobresaliente.
| Excelente (5.0) |
[https://colab.research.google.com/github/johannfalkao-cmd/G-mez-Campo_Johann-Falkao_EDA_Ing_Agricola_2026_2.ipynb/blob/main/G%C3%B3mez_Campo_Johann_Falkao_EDA_Ing_Agricola_2026_2.ipynb](https://colab.research.google.com/github/johannfalkao-cmd/G-mez-Campo_Johann-Falkao_EDA_Ing_Agricola_2026_2.ipynb/blob/main/G%C3%B3mez_Campo_Johann_Falkao_EDA_Ing_Agricola_2026_2.ipynb)[colab.research.google.com/github/](https://colab.research.google.com/github/)...).Gómez_Campo_Johann_Falkao_EDA_Ing_Agricola_2026_2.ipynb.main).[✔] Resumen Manuscrito / Infografía y Auditoría IA (Sección III) -> Calificado (5.0 / 5.0)
[✔] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> Recibido y Validado
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de entrega/enlace RPubs
Fortalezas destacadas: * Nivel de detalle y síntesis visual: La infografía de la página 2 constituye un modelo de evidencia de reserva cognitiva. La integración simultánea de curvas de campana, gráficos de caja (boxplot) y curvas de asimetría/curtosis asociadas al flujo agronómico es de la más alta calidad pedagógica. * Madurez profesional y ética: Excelente articulación del concepto Human-in-the-loop. Reconocer el uso de la IA como catalizador y situar al ingeniero como auditor crítico y responsable del dato es exactamente el objetivo de la asignatura. * Estructuración técnica: Muy buen seguimiento de la guía de entrega para la transformación de enlaces GitHub-Colab.
Estudiante: Ana Karina Caldera
Identificación: 1100015448
Asignatura: Estadística Aplicada con Python y R
Grupo: EST_G1 (Ingeniería Agrícola)
Fecha de elaboración: 15 de agosto de 2026
Documento evaluado: Resumen Conceptual y Mapa de Flujo Manuscrito (Taller 2 / Semana 2)
| Criterio Específico | Observación y Análisis Pedagógico | Valoración |
|---|---|---|
| Definición y conceptualización de EDA | Define con propiedad el Análisis Exploratorio de Datos como el proceso orientado a organizar, resumir, analizar y representar datos para comprender su comportamiento. |
| Excelente (5.0) | | Rigor y clasificación de medidas descriptivas | Estructuración técnica sólida y completa :
• Tendencia central: media, mediana y moda .
• Dispersión: rango, varianza, desviación
estándar, coeficiente de variación (CV) y rango intercuartílico (RIC)
.
• Forma: asimetría y curtosis para caracterizar
la distribución.
| Excelente (5.0) | | Contextualización agronómica y toma de decisiones | Articula adecuadamente las variables de interés profesional (humedad del suelo, precipitación, calidad del agua y rendimiento) y orienta el resultado a la toma de decisiones en el manejo y programación del riego.
| Excelente (5.0) | | Esquema conceptual y flujo visual | En la segunda página sintetiza con claridad el flujo de trabajo analítico : categorización de medidas \(\rightarrow\) variable (humedad) \(\rightarrow\) gráficos clave (histograma y boxplot) \(\rightarrow\) interpretación y decisión agronómica.
| Excelente (5.0) | | Uso ético y auditoría de IA | El manuscrito no desarrolla la sección de reflexión crítica sobre la interacción con el agente de IA ni el registro del prompt/auditoría (quedó indicado el apartado de observaciones sin profundizar).
| Aceptable (3.8) | | Presentación y formato | Manuscrito limpio, legible, con buena caligrafía y esquema gráfico claro y estructurado.
| Excelente (5.0) |
[✔] Resumen Manuscrito / Mapa Conceptual y Fundamentos -> Calificado (4.7 / 5.0)
[⏳] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> Pendiente de URL
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de URL / Archivos
Fortalezas destacadas: * Rigurosa clasificación de las medidas estadísticas, incorporando tanto el Coeficiente de Variación (CV) como el Rango Intercuartílico (RIC) y las medidas de forma (asimetría y curtosis). * Excelente conexión metodológica en el mapa conceptual al vincular directamente la visualización (histograma y diagrama de cajas) con la toma de decisiones prácticas en campo (programación del riego).
Recomendación de mejora: * Completar la bitácora con la sección formal de auditoría de IA, explicitando el prompt formulado, la contrastación del código/fórmulas y la reflexión ética del uso de herramientas generativas.
Estudiante: Larry Luis Herrera Mercado
Identificación: T.I. 1.030.240.000
Asignatura: Estadística Aplicada con Python y R
Grupo: Estadística Grupo 1 (Ingeniería Agrícola)
Documento evaluado: Resumen y Esquema Conceptual Manuscrito (Taller 2 / Actividad #2)
| Criterio Específico | Observación y Análisis Pedagógico | Valoración |
|---|---|---|
| Definición y conceptualización de EDA | Explica el Análisis Exploratorio de Datos como una metodología para organizar y comprender el comportamiento general de conjuntos de datos antes de intervenir en campo. |
| Bueno (4.6) | | Rigor y clasificación de medidas descriptivas | Identifica los tres bloques de métricas descriptivas :
• Tendencia central: media, mediana y moda .
• Dispersión: rango, varianza y desviación
estándar .
• Forma: asimetría y curtosis (registrada como
“cuartosis”).
| Bueno (4.5) | | Contextualización agronómica y toma de decisiones | Articula el análisis con variables de interés en ingeniería agrícola (humedad del suelo, precipitación, humedad de cultivos y sistemas de riego) orientándolo hacia el mejoramiento del manejo del riego.
| Excelente (5.0) | | Esquema conceptual y flujo visual | Diseña en la segunda página un diagrama de flujo secuencial que conecta los datos de humedad con el EDA, las familias de métricas, la graficación, la variabilidad y la toma de decisiones.
| Excelente (5.0) | | Uso ético y auditoría de IA | Omite la reflexión crítica sobre el uso responsable de IA, el registro del prompt y la auditoría de los resultados generados por el agente.
| Insuficiente (3.0) | | Presentación y ortografía técnica | Manuscrito legible y estructurado, aunque presenta detalles de ortografía y precisión terminológica (“análisis explorativo” por exploratorio, “descurcaón” por desviación y “cuartosis” por curtosis).
| Aceptable (3.9) |
[✔] Resumen Manuscrito / Esquema Conceptual (Sección III) -> Calificado (4.4 / 5.0)
[⏳] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> Pendiente de URL
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de URL / Archivos
Fortalezas destacadas: * Buen desglose de las familias estadísticas (tendencia central, dispersión y forma) vinculadas al análisis de humedad del suelo. * El esquema visual de la página 2 resume de forma clara cómo la variabilidad estadística conduce a una decisión agronómica concreta en el sistema de riego.
Recomendaciones de mejora: * Auditoría de IA: Es indispensable incluir la bitácora de interacción con el agente de IA (prompt formulado, verificación crítica de fórmulas y código generado). * Rigor terminológico: Ajustar términos técnicos clave como Análisis Exploratorio de Datos (EDA) y curtosis.
| Criterio | Observación Pedagógica | Valoración |
|---|---|---|
| Conceptualización de EDA | Define con precisión el EDA y su propósito para estudiar la dinámica de la humedad del suelo y la variabilidad hídrica. | 5.0 |
| Rigor en métricas descriptivas | Clasifica con exactitud las tres familias: tendencia central (media, mediana, moda), dispersión (rango, varianza, desv. estándar, CV, RIC) y forma (asimetría, curtosis). | 5.0 |
| Esquema gráfico e integración de datos | Sobresaliente. La página 2 articula una ilustración botánica/suelo con los resultados numéricos reales de su análisis: Media (\(24.79\%\)), Mediana (\(24.85\%\)), Desv. Estándar (\(1.59\%\)), CV (\(6.42\%\)), Asimetría (\(-0.14\)) y Curtosis (\(-0.9\)). | 5.0 |
| Contexto agronómico y decisiones | Conecta el análisis descriptivo con la disponibilidad de agua en el perfil del suelo y la toma de decisiones en el manejo del riego. | 5.0 |
| Ética y auditoría de IA | Registra el uso de IA como apoyo para comprender la sintaxis en Python y estructurar gráficos, destacando la verificación obligatoria de código y datos. | 5.0 |
| Presentación y reserva cognitiva | Trabajo pulcro, caligrafía clara, excelente organización visual e inclusión explícita de licencia de atribución (CC-BY). | 5.0 |
[https://github.com/yulianarrietarivera8-cpu/EDA_HUMEDAD-DEL-SUELO_YULIANA-ARRIETA-RIVERA-](https://github.com/yulianarrietarivera8-cpu/EDA_HUMEDAD-DEL-SUELO_YULIANA-ARRIETA-RIVERA-).ipynb, tal como se solicitó en la guía (Opción
A).\[\text{[https://colab.research.google.com/github/yulianarrietarivera8-cpu/EDA](https://colab.research.google.com/github/yulianarrietarivera8-cpu/EDA)\_HUMEDAD-DEL-SUELO\_YULIANA-ARRIETA-RIVERA-/blob/main/[Nombre\_Archivo].ipynb}\]
[✔] Resumen Manuscrito / Infografía Cuantitativa / Ética IA -> Calificado (5.0 / 5.0)
[⚠] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> Repositorio entregado (Requiere URL Colab)
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de URL / Archivos
Fortalezas destacadas: * Integración numérico-conceptual: Excelente decisión pedagógica de plasmar los estadísticos descriptivos calculados directamente en el esquema visual del suelo y cultivo. El valor de \(CV = 6.42\%\) refleja con claridad la alta homogeneidad en la humedad del lote evaluado. * Auditoría de código y ética: Muy buena autogestión al explicitar que la IA sirve como asistente sintáctico, pero que el estudiante debe comprobar la coherencia de los datos y el funcionamiento del script. * Cultura de atribución: Notable inclusión del símbolo de licenciamiento abierto en el encabezado.
Recomendación técnica: * Asegurarse de enviar el enlace transformado con el prefijo
[colab.research.google.com/github/](https://colab.research.google.com/github/)...apuntando directamente al archivo.ipynbpara facilitar la apertura inmediata sin navegar por las carpetas del repositorio.
Estudiante: Andrés Felipe Valle Ramos
Identificación: C.C. 1.102.826.456
Asignatura: Estadística Aplicada con Python y R
Grupo: Estadística Grupo 1 (Ingeniería Agrícola)
Documento evaluado: Resumen Conceptual y Esquema Secuencial Manuscrito (Actividad #2)
| Criterio | Observación Pedagógica | Valoración |
|---|---|---|
| Conceptualización de EDA | Excelente definición formal: describe el EDA como el examen, resumen y visualización de datos para identificar patrones, tendencias, valores atípicos y relaciones antes de modelar. |
| Excelente (5.0) | | Rigor estadístico y propiedades de las medidas | Muy acertada la explicación técnica del ejemplo práctico : resalta la propiedad de robustez de la mediana (no verse afectada por valores extremos atípicos) frente a la media y la desviación estándar. Omitió incorporar medidas de forma (asimetría y curtosis) y el coeficiente de variación.
| Bueno (4.5) | | Contextualización agronómica | Aplica el análisis descriptivo al comportamiento y variabilidad de la humedad del suelo.
| Bueno (4.7) | | Esquema conceptual y flujo visual | Presenta un diagrama de bloques secuencial y ordenado que va desde la exploración de la humedad hasta la interpretación de su variabilidad.
| Bueno (4.5) | | Uso ético y auditoría de IA | No incluyó la sección de bitácora ética ni la reflexión sobre la formulación de prompts, contrastación de código o auditoría crítica de herramientas de IA. | Insuficiente (3.0) | | Presentación y caligrafía | Manuscrito limpio, ordenado, con buena caligrafía y títulos claramente diferenciados.
| Excelente (4.8) |
[✔] Resumen Manuscrito / Esquema Conceptual (Sección III) -> Calificado (4.5 / 5.0)
[⏳] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> Pendiente de URL
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de URL / Archivos
Fortalezas destacadas: * Comprensión conceptual profunda: Destaca positivamente la diferenciación entre la media y la mediana ante la presencia de valores atípicos (outliers) en variables edáficas. * Estructura lógica: Definición clara y esquema conciso que sintetiza las fases del análisis descriptivo.
Recomendaciones de mejora: * Auditoría de IA: Es fundamental registrar la interacción con el agente de IA (prompt utilizado, verificación de sintaxis y contrastación de resultados) para evidenciar el rol activo del estudiante como auditor técnico. * Métricas complementarias: Incluir las medidas de forma (asimetría y curtosis) y dispersión relativa (coeficiente de variación) en el esquema conceptual para completar el panorama descriptivo.
Estudiante: Iván René Barboza
Asignatura: Estadística Aplicada con Python y R
Programa: Ingeniería Agrícola
Documentos evaluados:
Resumen conceptual, bitácora ética e infografía técnica manuscrita (PDF).
Enlace a Google Colab vía Google Drive (Opción B).
| Criterio | Observación Pedagógica | Valoración |
|---|---|---|
| Conceptualización de EDA | Define con rigor el EDA como la fase fundamental para organizar, comprender e interpretar datos antes de la toma de decisiones ingenieriles. |
| 5.0 | | Rigor y amplitud de métricas | Cobertura descriptiva exhaustiva: tendencia central (media, mediana, moda) , dispersión (rango, varianza, desviación estándar, CV y RIC) y medidas de forma (asimetría positiva/negativa y curtosis leptocúrtica/platicúrtica).
| 5.0 | | Esquema visual e infografía
técnica |
Sobresaliente. La página 2
presenta un mapa conceptual ilustrado que integra gráficos exploratorios
(histograma, boxplot con sus 5 estadísticos de resumen y dispersión),
junto a ilustraciones agronómicas de campo (riego por aspersión,
maquinaria y perfil de cultivo).
| 5.0 | | Contextualización en Ingeniería Agrícola | Articula el análisis con variables clave: humedad del suelo, precipitación, rendimiento de cultivos, calidad del agua, análisis de suelos y decisiones técnico-económicas de riego.
| 5.0 | | Ética y auditoría de IA | Reflexión crítica clara. Reconoce el valor de la IA para organizar el análisis y comprender conceptos , enfatizando la responsabilidad del estudiante de comprobar cálculos, código y resultados.
| 5.0 | | Presentación y reserva cognitiva | Trabajo pulcro, caligrafía clara, diagramas estructurados y alto nivel de detalle visual. | 5.0 |
Enlace entregado:
https://colab.research.google.com/drive/1D8FQUADCzDgBvPD25pt1wo0qtphND6OM?usp=sharing
Modalidad de entrega: El estudiante utilizó la Opción B (alternativa: enlace directo desde Google Drive) con permisos de acceso general.
Observación técnica: La entrega es accesible y funcional. No obstante, se le recomienda avanzar hacia la Opción A (repositorio GitHub) en las próximas entregas para respaldar su historial de trabajo (commits) y control de versiones.
[✔] Resumen Manuscrito / Infografía Técnica / Ética IA -> Calificado (5.0 / 5.0)
[✔] Enlace Colab (Opción B: Google Drive compartido) -> Recibido y Validado
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de enlace/archivos
Fortalezas destacadas: * Rigor técnico en la infografía: Excelente diagramación del boxplot detallando los cinco números de resumen (\(Mínimo\), \(Q_1\), \(Mediana\), \(Q_3\), \(Máximo\)) y la fórmula explícita del Rango Intercuartílico (\(RIC = Q_3 - Q_1\)). * Distinción de conceptos de forma: Muy buena diferenciación visual y conceptual de las distribuciones leptocúrticas y platicúrticas. * Responsabilidad profesional frente a la IA: Postura ética impecable al declarar que la herramienta apoya la organización , pero no sustituye la verificación conceptual y matemática del ingeniero.
Recomendación: * Migrar el flujo de trabajo al repositorio de GitHub para aprovechar las ventajas de trazabilidad y entrega directa mediante la URL transformada de Colab (Opción A).
Estudiante: Mara Mercado Reyes
Identificación: C.C. 1104256538
Asignatura: Estadística Aplicada con Python y R
Grupo: Estadística – G1 / G2 (Ingeniería Agrícola)
Documentos evaluados:
Resumen conceptual, matrices descriptivas y análisis agronómico manuscrito (PDF).
Enlace a Google Colab / GitHub Gist.
| Criterio | Observación Pedagógica | Valoración |
|---|---|---|
| Conceptualización de EDA | Excelente definición. Explica el EDA como la fase exploratoria crítica para comprender la estructura de los datos, identificar valores faltantes y evitar que los modelos aprendan del ruido instrumental. |
| 5.0 | | Contexto agronómico y
sensores |
Sobresaliente. Plantea un caso
real de monitoreo de humedad de suelo: contrasta las lecturas contra el
riego y la precipitación para distinguir entre fallas de
calibración/señal del sensor y la variabilidad espacial real del
lote.
| 5.0 | | Rigor en métricas y detección de atípicos | Muy completo. Desarrolla tendencia central , dispersión con fórmula de CV , forma (asimetría y curtosis) , y añade métodos formales de detección de outliers (IQR, Z-Score y Boxplot).
| 5.0 | | Estructuración de esquemas y componentes | La página 2 organiza de manera clara las variables agrícolas , las fases del EDA , las herramientas (Python/R) y la toma de decisiones.
| 5.0 | | Presentación y reserva cognitiva | Trabajo limpio, caligrafía clara y excelente jerarquía conceptual.
| 5.0 |
https://colab.research.google.com/github/marareyesmer01-ship-it/9135408b0281bac93b1893800f59d788#file-copia-de-untitled0-ipynbcopia-de-untitled0-ipynb). Se debe
renombrar a la estructura oficial solicitada en la guía:Mercado_Mara_EDA_Ing_Agricola_2026_2.ipynb.
[✔] Resumen Manuscrito / Matrices y Detección de Atípicos -> Calificado (5.0 / 5.0)
[✔] Enlace Colab / Repositorio GitHub -> Funcional (Pendiente corregir nombre)
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de entrega/enlace RPubs
Fortalezas destacadas: * Criterio técnico de campo: La diferenciación entre anomalías por descalibración de sensores y variabilidad edáfica genuina es un análisis de alto nivel ingenieril. * Métodos de detección de atípicos: Destacable inclusión del método del Rango Intercuartílico (RIQ), el estadístico Z-Score y los gráficos boxplot. * Estructura metodológica: Resumen completo del ciclo de datos: recolección \(\rightarrow\) limpieza \(\rightarrow\) exploración \(\rightarrow\) resumen \(\rightarrow\) decisión agronómica.
Recomendación técnica: * Guardar y renombrar el notebook en GitHub siguiendo el estándar institucional (
Mercado_Mara_EDA_Ing_Agricola_2026_2.ipynb) para asegurar la trazabilidad del trabajo.
El enlace presenta un error de estructura de URL hacia Google Colab:
https://colab.research.google.com/github/diegoandresacostacosta-lang/Acosta-Diego-EDA-Ing-Agricola-2026-2.ipynb
Causas técnicas del fallo:
/blob/main/): La sintaxis requerida por Google
Colab para abrir un archivo desde GitHub exige la siguiente estructura
completa:\[\text{[https://colab.research.google.com/github/](https://colab.research.google.com/github/)}\mathbf{[USUARIO]}/\mathbf{[REPOSITORIO]}/\text{blob/}\mathbf{[RAMA]}/\mathbf{[ARCHIVO.ipynb]}\]
Acosta-Diego-EDA-Ing-Agricola-2026-2.ipynb directamente
después del usuario, omitiendo el nombre del repositorio y la
subcarpeta/rama.Instrucción de corrección para el estudiante:
Debe entrar a su repositorio público en GitHub, hacer clic sobre el archivo
.ipynb, copiar la URL completa del navegador (que tendrá la formahttps://github.com/usuario/repo/blob/main/archivo.ipynb) y únicamente cambiarhttps://github.com/porhttps://colab.research.google.com/github/.
| Criterio | Observación Pedagógica | Valoración |
|---|---|---|
| Conceptualización de EDA | Definición impecable del EDA como proceso de exploración, resumen y visualización para comprender la estructura de los datos e identificar anomalías. | 5.0 |
| Rigor y formulación matemática | Sobresaliente. Incluye las fórmulas formales completas: media (\(\bar{x}\)), varianza muestral (\(s^2\)), desviación estándar (\(s\)), \(CV\), \(IQR = Q_3 - Q_1\), y medidas de forma (asimetría y curtosis). | 5.0 |
| Diseño experimental agronómico | Excepcional. Estructura un caso real completo: cultivo de maíz en 30 parcelas evaluando rendimiento (\(kg/ha\)), precipitación (\(mm\)) y temperatura (\(^\circ C\)). Introduce deliberadamente dos valores atípicos (parcela 6: 4000 \(kg/ha\) y parcela 21: 7200 \(kg/ha\)) para auditar la sensibilidad del EDA. | 5.0 |
| Preguntas técnicas de ingeniería | Formula preguntas clave de criterio agronómico: variabilidad entre parcelas, simetría de rendimientos, influencia térmica y relación precipitación-rendimiento. | 5.0 |
| Ética y auditoría de IA | Excelente reflexión de reserva cognitiva: declara que la IA actúa como asistente de codificación rápida, pero el estudiante asume la responsabilidad de verificar que los datos tengan coherencia y sentido biológico. | 5.0 |
| Presentación y orden | Trabajo pulcro, diagramación técnica impecable, tablas ordenadas y caligrafía clara. | 5.0 |
[✔] Resumen Manuscrito / Fórmulas / Caso Experimental / Ética IA -> Calificado (5.0 / 5.0)
[⚠] Enlace Colab / Repositorio GitHub -> Enlace roto (Requiere corrección de URL)
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de enlace/archivos
Fortalezas destacadas: * Rigor metodológico y diseño: La inclusión de una tabla con 6 de las 30 unidades experimentales y la prueba controlada de valores atípicos (alto y bajo) demuestra un dominio avanzado del análisis exploratorio. * Soporte matemático explícito: Excelente respaldo de las métricas con su respectiva notación matemática formal. * Apropiación y criterio profesional: Reflexión ética clara: la IA genera código, pero el juicio agronómico y biológico es exclusividad del ingeniero.
Acción requerida: * Corregir y reenviar la URL del notebook asegurando que el repositorio sea público y contenga la ruta
/blob/main/completa hacia el archivo.ipynb.
| Criterio | Observación Pedagógica | Valoración |
|---|---|---|
| Conceptualización de EDA | Define con exactitud el EDA como la fase inicial de organización, resumen y examen exploratorio para comprender el comportamiento de las variables antes de aplicar modelos complejos. | 5.0 |
| Rigor en métricas descriptivas | Cobertura teórica completa: |
• Tendencia central: media, mediana y
moda.
• Dispersión: rango, varianza, desviación
estándar, coeficiente de variación (CV) y rango intercuartílico
(RIC).
• Forma: asimetría y curtosis. |
5.0 | | Contextualización agronómica y
decisiones | Relaciona de manera directa el análisis
estadístico de la humedad del suelo con la disponibilidad hídrica para
el cultivo, orientándolo al uso eficiente del agua y la programación
técnica del riego. | 5.0 | | Esquema conceptual
y flujo metodológico | La página 2 organiza con claridad la
secuencia de trabajo: clasificación de estadísticos \(\rightarrow\) visualización \(\rightarrow\) interpretación de la
variabilidad de humedad \(\rightarrow\)
decisiones operativas de riego y productividad. | 5.0 |
| Ética y auditoría de IA | Cumple con la directriz de
uso responsable: reconoce a la IA como facilitador para estructurar
código en Python y organizar gráficos, enfatizando la obligación del
estudiante de verificar la exactitud de los scripts y resultados. |
5.0 | | Presentación y reserva
cognitiva | Trabajo limpio, excelente caligrafía,
estructuración jerárquica clara y diagramas perfectamente legibles. |
5.0 |
https://colab.research.google.com/drive/14tU02N-uF8Qf9J48EZeyoScgZma_wq4X?usp=sharing[✔] Resumen Manuscrito / Mapa de Flujo / Ética de IA -> Calificado (5.0 / 5.0)
[✔] Enlace Colab (Opción B: Google Drive compartido) -> Recibido y Validado
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de enlace/archivos
Fortalezas destacadas: * Completitud en el marco descriptivo: Excelente integración de las métricas robustas (\(RIC\)) y relativas (\(CV\)), indispensables para el análisis de variabilidad espacial en suelos. * Enfoque ingenieril aplicado: El mapa conceptual traza una ruta lógica impecable: desde la estadística descriptiva básica hasta el impacto agronómico en la eficiencia del uso del agua. * Madurez ética frente a la IA: Reflexión clara sobre el papel del estudiante como auditor técnico del código y los cómputos generados.
Recomendación: * Vincular el trabajo a un repositorio público en GitHub para entregar directamente mediante la URL transformada de Colab (Opción A).
Estudiante: Moisés Viloria Romero
Identificación: 1102827786
Asignatura: Estadística Aplicada con Python y R
Grupo: G-1 / G-2 (Ingeniería Agrícola)
Fecha de elaboración: 17 de agosto de 2026
Documentos evaluados:
Resumen conceptual, esquema metodológico y bitácora ética manuscrita (PDF).
Enlace a Google Colab compartido mediante Google Drive (Opción B).
| Criterio | Observación Pedagógica | Valoración |
|---|---|---|
| Conceptualización de EDA | Define con precisión el EDA como el primer examen visual y numérico de datos agrícolas previo al modelado complejo, clave para detectar anomalías y sustentar decisiones técnicas. |
| 5.0 | | Rigor en métricas descriptivas | Cobertura teórica completa: tendencia central (media, mediana, moda) , dispersión con rango intercuartílico (\(IQR\)) y coeficiente de variación (\(CV\)) , y medidas de forma (asimetría y curtosis).
| 5.0 | | Contextualización agronómica y
decisiones |
Muy destacado. Plantea la
pregunta central de decisión técnica en el esquema: «¿Se requiere
calibrar el sistema de riego?», conectando la dispersión del dato
con la operación hidráulica en campo.
| 5.0 | | Esquema conceptual y flujo visual | Organiza en la página 2 un mapa conceptual que sintetiza las familias de métricas hacia la toma de decisiones sobre la humedad del suelo.
| 4.9 | | Ética y auditoría de IA |
Excelente reflexión crítica: declara que la IA
facilitó la estructura inicial y el código, pero asumió la verificación
de scripts en Python y R, la corrección de errores y el ajuste
agronómico.
| 5.0 | | Presentación y reserva cognitiva | Trabajo limpio, caligrafía clara, redacción técnica fluida y adecuada estructuración por secciones.
| 5.0 |
Enlace entregado:
https://colab.research.google.com/drive/1mnw4dFRlbSjl7dCFn8nIC78WYyytEiYZ
Modalidad de entrega: El estudiante utilizó la Opción B (alternativa: enlace directo desde Google Drive).
Observación técnica: El enlace es accesible de manera directa. Se recomienda migrar en las siguientes entregas a la Opción A (repositorio GitHub) para contar con trazabilidad de confirmaciones de cambios (commits).
[✔] Resumen Manuscrito / Mapa de Decisiones / Ética IA -> Calificado (5.0 / 5.0)
[✔] Enlace Colab (Opción B: Google Drive compartido) -> Recibido y Validado
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de enlace/archivos
Fortalezas destacadas: * Criterio de ingeniería aplicada: La formulación de la pregunta «¿Se requiere calibrar el sistema de riego?» evidencia comprensión del propósito del EDA en la optimización de recursos hídricos. * Rigor estadístico: Clara distinción entre variabilidad absoluta (desviación estándar) y variabilidad relativa (\(CV\)), así como el uso de estadísticos robustos (\(IQR\)). * Auditoría activa de IA: Postura profesional frente a las herramientas generativas, asumiendo la responsabilidad del código ejecutado en Python y R.
Recomendación: * Implementar el flujo de trabajo mediante repositorio público en GitHub (Opción A) para vincular directamente la URL transformada en Colab.
Estudiante: Jearnol F. Pérez Crespo
Identificación: C.C. 1103497472
Asignatura: Estadística Aplicada con Python y R
Grupo: Estadística Grupo #1 (Ingeniería Agrícola)
Documento evaluado: Resumen Conceptual y Esquema Metodológico Manuscrito (Actividad #2)
| Criterio | Observación Pedagógica | Valoración |
|---|---|---|
| Conceptualización de EDA | Define el EDA como el examen inicial para organizar y comprender conjuntos de datos antes de la toma de decisiones en campo. |
| Bueno (4.5) | | Rigor y métricas descriptivas | Identifica las medidas de tendencia central (media, mediana, moda) , dispersión (rango, varianza, desviación estándar) y forma (asimetría y curtosis).
| Bueno (4.5) | | Contextualización agronómica | Vincula las variables edafoclimáticas (humedad del suelo, precipitación, humedad de cultivos y sistemas de riego) con el objetivo práctico de optimizar el manejo del riego.
| Excelente (5.0) | | Esquema conceptual y flujo visual | Desarrolla en la segunda página un diagrama de flujo secuencial que conecta los datos de humedad con el análisis gráfico, la variabilidad y la decisión técnica.
| Bueno (4.6) | | Ética y auditoría de IA | No incluye la sección de bitácora ética, el registro del prompt ni la reflexión crítica sobre la verificación de código o resultados asistidos por IA. | Insuficiente (3.0) | | Presentación y ortografía técnica | Manuscrito legible y organizado, aunque presenta imprecisiones ortográficas y terminológicas (“análisis explorativo” por exploratorio y “cortosis” por curtosis).
| Aceptable (3.9) |
[✔] Resumen Manuscrito / Esquema Conceptual (Sección III) -> Calificado (4.4 / 5.0)
[❌] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> No entregado (Pendiente URL)
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de URL / Archivos
Fortalezas destacadas: * Estructura lógica de análisis: Buen reconocimiento de las tres familias de parámetros descriptivos (tendencia central, dispersión y forma) aplicados a la variabilidad de humedad. * Enfoque agronómico: Clara orientación del resultado estadístico hacia la toma de decisiones para el manejo del riego en campo.
Recomendaciones de mejora: * Entrega digital requerida: Es necesario entregar el enlace al notebook en Google Colab integrado con GitHub (siguiendo la convención de nombres y acceso público). * Auditoría de IA: Integrar en la bitácora la formulación del prompt y la contrastación técnica de las respuestas del agente de IA.
- Rigor conceptual: Revisar la escritura de términos formales como Análisis Exploratorio de Datos y curtosis.
Asignatura: Estadística Aplicada con Python y R
Periodo Académico: 2026-2
Tema: Análisis Exploratorio de Datos (EDA), Visualizaciones y Ética con IA
Componente Manuscrito (5.0): Evalúa el resumen conceptual, las familias de métricas estadísticas (tendencia central, dispersión y forma), la contextualización agronómica, los esquemas gráficos y la bitácora ética de auditoría de IA.
Componente Computacional / Notebook (5.0): Evalúa la entrega del cuaderno en Google Colab con respaldo en GitHub (Opción A) o Google Drive (Opción B).
Penalización por faltante (-1.0 punto): A los estudiantes que no adjuntaron la URL del notebook o cuyo enlace no es funcional, se les descuenta 1.0 punto sobre la nota base del componente manuscrito. Las entregas con observaciones menores (entrega por Drive en lugar de GitHub o inconsistencia en el nombre del archivo) tienen un ajuste leve.
| N° | Estudiante | Identificación | Nota Manuscrito | Detalle de la Entrega Digital (Notebook) | Ajuste / Penalización | Nota Final |
|---|---|---|---|---|---|---|
| 1 | Clara Elena Aguas Torres | 1066174546 | 5.0 | No adjuntó URL del notebook | Faltante total (-1.0) | 4.0 |
| 2 | Emanuel Reyes Guillín | 1704256700 | 4.9 | No adjuntó URL del notebook | Faltante total (-1.0) | 3.9 |
| 3 | César Luis Meza Ruiz | 1063078424 | 5.0 | Opción A (GitHub/Colab) completa y conforme | Completo (Sin descuento) | 5.0 |
| 4 | Johann Falkao Gómez Campo | — | 5.0 | Opción A (GitHub/Colab) completa y conforme | Completo (Sin descuento) | 5.0 |
| 5 | Ana Karina Caldera | 1100015448 | 4.7 | No adjuntó URL del notebook | Faltante total (-1.0) | 3.7 |
| 6 | Larry Luis Herrera Mercado | 1030240000 | 4.4 | No adjuntó URL del notebook | Faltante total (-1.0) | 3.4 |
| 7 | Yuliana Arrieta Rivera | 1064606554 | 5.0 | Entregó enlace general a GitHub (falta URL Colab directa) | Detalle menor (-0.2) | 4.8 |
| 8 | Andrés Felipe Valle Ramos | 1102826456 | 4.5 | No adjuntó URL del notebook | Faltante total (-1.0) | 3.5 |
| 9 | Iván René Barboza | — | 5.0 | Opción B (Enlace Colab vía Google Drive funcional) | Ajuste por vía alternativa (-0.2) | 4.8 |
| 10 | Mara Mercado Reyes | 1104256538 | 5.0 | Enlace activo, pero nombre no oficial
(copia-de-untitled0) |
Detalle menor (-0.2) | 4.8 |
| 11 | Diego Andrés Acosta Acosta | 201252309 | 5.0 | Enlace roto/mal estructurado (falta ruta de rama/repositorio) | Faltante por enlace inactivo (-1.0) | 4.0 |
| 12 | Laura Melissa Vergara Acosta | 1099991133 | 5.0 | Opción B (Enlace Colab vía Google Drive funcional) | Ajuste por vía alternativa (-0.2) | 4.8 |
| 13 | Moisés Viloria Romero | 1102827786 | 5.0 | Opción B (Enlace Colab vía Google Drive funcional) | Ajuste por vía alternativa (-0.2) | 4.8 |
| 14 | Jearnol F. Pérez Crespo | 1103497472 | 4.4 | No adjuntó URL del notebook | Faltante total (-1.0) | 3.4 |
Total de estudiantes evaluados: 14
Entregas completas sin observaciones (5.0): 2 estudiantes (César Meza y Johann Gómez ).
Entregas con observaciones leves (4.8): 5 estudiantes (Yuliana Arrieta , Iván Barboza , Mara Mercado , Laura Vergara , Moisés Viloria ).
Entregas con penalización por notebook faltante/roto (3.4 a 4.0): 7 estudiantes.
Promedio general del grupo: 4.41 / 5.0
Asignatura: Estadística Aplicada con Python y R
Tema: Análisis Exploratorio de Datos (EDA), Visualizaciones y Ética con IA
Estimados estudiantes, para garantizar que su actividad sea evaluada sobre 5.0 y evitar penalizaciones por entregas incompletas o enlaces caídos, recuerden que deben cumplir con los siguientes dos componentes obligatorios:
Deben enviar el documento escrito a mano y escaneado en formato PDF, el cual debe contener:
Marco Conceptual de EDA: Definición clara y clasificación completa de las tres familias de métricas:
Tendencia Central: Media, Mediana y Moda.
Dispersión: Rango, Varianza, Desviación Estándar, Coeficiente de Variación (\(CV\)) y Rango Intercuartílico (\(IQR\)).
Forma: Asimetría y Curtosis.
Contextualización Agronómica: Ejemplificación con variables de campo (humedad de suelo, rendimiento, clima, calidad de agua o dinámica de riego) orientada a la toma de decisiones técnicas.
Esquema / Mapa Visual: Diagrama o gráfico explicativo de las relaciones de los datos.
Bitácora Ética y Auditoría de IA (Human-in-the-loop): Registro breve del prompt consultado y reflexión sobre la responsabilidad de verificar y auditar los códigos y fórmulas generados por la IA.
Deben enviar el enlace del cuaderno interactivo asegurándose de que abra directamente y sin restricciones de acceso:
.ipynb a su repositorio en GitHub con
el nombre estándar:Apellido_Nombre_EDA_Ing_Agricola_2026_2.ipynb.
Asegúrense de que el repositorio sea Público (Settings \(\rightarrow\) Public).
Transformen la URL reemplazando https://github.com/
por https://colab.research.google.com/github/.
Ejemplo de enlace correcto:
https://colab.research.google.com/github/usuario/repo/blob/main/Apellido_Nombre_EDA_Ing_Agricola_2026_2.ipynb
Opción B (Alternativa / Vía Google Drive):
Si comparten el notebook desde Drive, configuren en el botón Compartir \(\rightarrow\) Acceso General en “Cualquier persona con el enlace” en rol de Lector.
.Rmd y el enlace público de su
publicación en RPubs.⚠️ Lista de chequeo antes de enviar: