1 PROGRAMA DE ASIGNATURA – DISEÑO EXPERIMENTAL

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.

1.1 Información general

Campo Información
Facultad Ingeniería
Departamento Ingeniería Agrícola
Docente Justo Fuentes Cuello
Nivel Profesional
Duración 16 semanas
Intensidad semanal 4 horas semanales: 1 hora teórica y 3 horas prácticas
Semestre 2026-2
Créditos académicos 3

2 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, Ingeniería Agroindustrial e Ingeniería Civil, la comprensión y aplicación de los diseños experimentales son determinantes para el desarrollo de tesis, la optimización de procesos y la 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 de trabajo en R y Python, preferiblemente en modalidad local u offline cuando sea necesario.

3 Objetivos

3.1 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.

3.2 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.

4 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, DPD y diseños 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.

5 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 de resultados y redacción académica supervisada.
  • Estudio de casos: ejemplos de investigación agrícola, civil e industrial.
  • Prácticas computacionales: análisis con R y Python en entornos locales o en la nube.
  • Evaluación continua: talleres y avances progresivos del proyecto integrador.

6 Resultados de aprendizaje

Resultados alineados con el Decreto 1330 de 2019, artículos 2.5.3.2.3.2.4 y 2.5.3.2.4.1-3.

Al finalizar la asignatura, el estudiante estará en capacidad de:

  1. Identificar las variables, hipótesis y estructura de un experimento aplicado a la ingeniería.
  2. Diseñar y ejecutar experimentos aplicando aleatorización, réplica y bloqueo.
  3. Analizar datos experimentales mediante modelos lineales y factoriales.
  4. Evaluar supuestos y comunicar resultados con rigor técnico.
  5. Utilizar R y Python para el análisis y visualización de resultados experimentales.
  6. Formular y sustentar una propuesta experimental coherente con los lineamientos de investigación institucional.

7 Contenidos programáticos

7.1 Unidad 1. Fundamentos del diseño experimental

Semanas 1–3

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

7.2 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).

7.3 Unidad 3. Experimentos factoriales

Semanas 7–9

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

7.4 Unidad 4. Aplicaciones avanzadas

Semanas 10–12

  • ANCOVA.
  • Métodos Taguchi.
  • Métodos no paramétricos.

7.5 Unidad 5. Proyecto integrador

Semanas 13–16

  • Planificación del proyecto experimental.
  • Ejecución y organización de datos.
  • Análisis estadístico.
  • Informe final.
  • Sustentación del proyecto.

8 Estrategia de evaluación

Corte Actividades Peso
Primer 50 % Talleres cortos sobre DCA, DBCA, DCL, DPD y diseños factoriales, según el avance del calendario académico. 50 %
Segundo 50 % Proyecto final aplicado: diseño, ejecución, análisis, informe y sustentación. 50 %

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

9 Metodología y recursos

  • Clases apoyadas en presentaciones digitales, documentos RMarkdown y notebooks de Google Colab.
  • Uso de plataformas locales y portátiles personales para mitigar problemas de conectividad.
  • Uso de R, Python, RMarkdown, Google Colab, Posit Cloud, GitHub y RPubs.
  • Actividades de análisis de datos, interpretación de modelos, escritura técnica y sustentación oral.
  • Recursos bibliográficos y computacionales orientados a la reproducibilidad del análisis estadístico.

10 Bibliografía

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

11 Plan calendario

11.1 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, agroindustriales o civiles.
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 y robustez.
12 Métodos no paramétricos Análisis con violación de supuestos.
13–15 Proyecto integrador Plan, ejecución y análisis.
16 Sustentación final Presentación y evaluación.

12 Normativa

Con base en el Decreto 1330 de 2019, el programa de la asignatura Diseño Experimental (2026-2) debe expresar tres ejes estructurales:

  1. Objetivos formativos y de aprendizaje, alineados con el perfil de egreso y la formación integral.
  2. Competencias: saber, saber hacer y saber ser.
  3. Estrategias metodológicas que garanticen el logro de esas competencias.

13 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, especialmente 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.

14 Competencias detalladas

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, agroindustriales o industriales.
Comunicativa Redacta e interpreta informes técnicos con estructura científica, siguiendo normas 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.

15 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 docente.
  • Aprendizaje colaborativo: trabajo en equipos interdisciplinarios con evaluación entre pares.
  • Evaluación continua: rúbricas de desempeño con criterios observables alineados con los resultados de aprendizaje.

16 Resultados de aprendizaje ampliados

  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, como RMarkdown, notebooks y aplicaciones web, para la presentación de resultados.
  6. Formula y sustenta una propuesta experimental coherente con los requerimientos de una tesis o proyecto de grado.

17 Correspondencia normativa

Según el Decreto 1330 de 2019 y el documento institucional sobre 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.

18 Rúbrica de evaluación

La siguiente rúbrica de evaluación de la asignatura Diseño Experimental (2026-2) está estructurada conforme al enfoque de evaluación de resultados de aprendizaje y con ponderaciones ajustadas al esquema institucional 50 % + 50 %.

18.1 Estructura general de evaluación

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

18.2 Criterios y niveles de desempeño

Criterio Nivel superior Nivel alto Nivel básico Nivel bajo
Comprensión conceptual Explica con claridad los principios del diseño experimental y relaciona teoría con aplicación. Comprende los conceptos principales con algunas imprecisiones menores. Reconoce conceptos básicos, pero con dificultades para relacionarlos. Presenta confusión conceptual significativa.
Aplicación técnica Selecciona y aplica correctamente el diseño experimental y el modelo estadístico. Aplica el diseño con pocos errores técnicos. Requiere orientación para seleccionar o aplicar el diseño. No logra aplicar adecuadamente el diseño experimental.
Análisis e interpretación Interpreta resultados, supuestos, efectos y conclusiones con rigor estadístico. Interpreta los resultados principales con algunas limitaciones. Interpreta parcialmente los resultados. No interpreta adecuadamente los resultados.
Uso de herramientas computacionales Usa R/Python de forma reproducible, documentada y coherente. Usa herramientas computacionales con pocos errores. Presenta código funcional, pero poco documentado o incompleto. Presenta código no funcional o sin relación clara con el análisis.
Comunicación académica Redacta informes claros, técnicos y con estructura científica. Comunica resultados con claridad general. Presenta dificultades de organización y argumentación. El informe carece de estructura o precisión técnica.
Ética y reproducibilidad Evidencia autoría responsable, uso ético de IA y trazabilidad del análisis. Evidencia uso aceptable de fuentes y herramientas. Presenta debilidades en documentación o trazabilidad. No evidencia autoría responsable ni reproducibilidad.

18.3 Distribución sugerida por actividad

18.3.1 Primer 50 % – Talleres prácticos

Actividad Porcentaje sugerido
Taller DCA 10 %
Taller DBCA 15 %
Taller DCL 10 %
Taller DPD o factoriales, según calendario del corte 15 %
Total primer corte 50 %

18.3.2 Segundo 50 % – Proyecto integrador

Actividad Porcentaje sugerido
Formulación del problema experimental 10 %
Diseño metodológico y estructura de datos 10 %
Análisis estadístico en R/Python 15 %
Informe técnico final 10 %
Sustentación oral 5 %
Total segundo corte 50 %

18.4 Escala institucional de calificación

Rango Interpretación
4.5 – 5.0 Desempeño superior
4.0 – 4.4 Desempeño alto
3.0 – 3.9 Desempeño básico o aceptable
0.0 – 2.9 Desempeño insuficiente

19 Observaciones finales

Este plan de asignatura articula el diseño experimental con el aprendizaje basado en proyectos, el uso responsable de inteligencia artificial, la reproducibilidad computacional y la comunicación científica. El propósito no es limitarse al manejo mecánico de fórmulas, sino formar al estudiante para tomar decisiones estadísticas válidas en contextos reales de ingeniería.