Estudiante: Jeremi Vides Oertel
Asignatura: Estadística Aplicada con Python y R
Grupo: G-2 (Ingeniería Agrícola)
Fecha de entrega: 17 de agosto de 2026
Documento evaluado: Resumen Conceptual, Fórmulas Matemáticas, Esquema de Variabilidad y Bitácora Ética de IA (PDF).
| Criterio Específico | Observación y Análisis Pedagógico | Valoración |
|---|---|---|
| Conceptualización de EDA | Define el EDA como la fase indispensable para comprender la “personalidad” de las variables antes del modelado complejo o la toma de decisiones en campo. |
| 5.0 | | Rigor y formulación matemática | Sobresaliente. Desarrolla las expresiones formales de varianza muestral \(s^2 = \frac{\sum (x_i - \bar{x})^2}{n - 1}\), desviación estándar \(s = \sqrt{s^2}\) y coeficiente de variación \(CV = (\frac{s}{\bar{x}}) \times 100\%\).
| 5.0 | | Contextualización agronómica | Excepcional. Explica la robustez de la mediana frente a la media con un caso de campo: si parcelas afectadas por plagas rinden cerca de \(0\text{ kg/ha}\), la mediana refleja el rendimiento típico real sin distorsión.
| 5.0 | | Esquema visual y criterios de campo | Ilustra la variabilidad espacial del lote diferenciando parcelas de baja dispersión / homogéneas (\(CV < 10\%\)) frente a parcelas de alta dispersión / heterogéneas (\(CV > 25\%\)).
| 5.0 | | Ética y auditoría crítica de IA | Sobresaliente (Human-in-the-loop). Documenta que corrigió activamente al agente de IA cuando falló en la interpretación agronómica del \(CV\) y en comandos de R, asegurando el sentido técnico del resultado.
| 5.0 | | Presentación y formato | Manuscrito limpio, caligrafía clara, excelente organización visual y estructura jerárquica impecable.
| 5.0 |
| Criterio de Rúbrica | Peso | Nota (0.0 - 5.0) | Estado / Observación |
|---|---|---|---|
| Apropiación Conceptual y Manuscrito |
25% |
| 5.0 | Impecable desarrollo teórico, gráfico y conceptual.
| | Consulta y Auditoría Crítica de IA
| 15%
| 5.0 | Evidencia explícita de corrección de fallos a la IA en código e interpretación.
| | Rigor Matemático y Análisis Agronómico | 15% | 5.0 | Fórmulas exactas y aplicación al manejo de cultivos y variabilidad espacial.
| | Documentación Ética
(Human-in-the-loop)
| 5%
| 5.0 | Cumplimiento estricto del rol de auditor del dato y código.
| | Replicación / Notebook en Google Colab
|
15%
| 0.0 | No adjuntó enlace de Colab / GitHub (Pendiente de entrega).
| | Despliegue RMarkdown / Posit Cloud / RPubs
|
25%
| — | Pendiente según avance del cronograma práctico.
|
[✔] Resumen Manuscrito / Fórmulas / Esquema CV / Auditoría IA -> Calificado (5.0 / 5.0)
[❌] Enlace Colab / Repositorio GitHub (Notebook .ipynb) -> No adjuntó URL (-1.0)
[⏳] Despliegue RMarkdown / Posit Cloud / Publicación RPubs -> Pendiente de enlace
Fortalezas destacadas:
Dominio conceptual y sentido biológico: Excelente argumentación sobre la resistencia de la mediana ante eventos atípicos en campo (ataque de plagas con rendimiento nulo).
Criterio ingenieril de dispersión: La categorización del Coeficiente de Variación (\(CV < 10\%\) para homogeneidad vs. \(CV > 25\%\) para heterogeneidad) demuestra comprensión práctica de la variabilidad agronómica.
Auditoría real de IA: Destacable madurez técnica al no asumir ciegamente las salidas del modelo de lenguaje y corregir sus imprecisiones agronómicas y sintácticas en R.
Acción requerida: * Entregar la URL pública del cuaderno interactivo de Google Colab integrado con GitHub (Opción A) para completar la nota del componente digital.
Nota Componente Manuscrito / Conceptual: 5.0 / 5.0
Ajuste por componente digital faltante (URL de Colab): -1.0 punto
Nota Final Actual: 4.0 / 5.0 (ajustable a 5.0 tan pronto comparta el enlace de su notebook).
| G2-1 | Jeremi Vides Oertel | — | 5.0 | No adjuntó URL del notebook | Faltante total (-1.0) | 4.0 |
He revisado la guía de la actividad y su rúbrica, junto con los archivos entregados por G2_2_Rafael Paternina: Word, PDF, HTML y el documento manuscrito. La rúbrica establece siete criterios con ponderaciones de 10 %, 15 %, 25 %, 15 %, 15 %, 15 % y 5 %, respectivamente.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 3.0 | 0.30 | Hay evidencia indirecta de trabajo en el entorno y de publicación, pero en los archivos entregados no se documenta claramente la configuración de Posit Cloud y RPubs, ni los perfiles solicitados. |
| Consulta a IA | 15 % | 4.0 | 0.60 | Incluye fecha, agente utilizado, modelo declarado, pregunta, respuesta y una sección de validación crítica. Sin embargo, la validación es muy breve y no contrasta afirmaciones con fuentes externas. |
| Documento RMarkdown | 25 % | 4.0 | 1.00 | El documento compilado tiene estructura, código R ejecutado, resultados estadísticos, gráfico y conclusiones. Es funcional. No obstante, se aparta parcialmente de la actividad propuesta: desarrolla ANOVA y Tukey, mientras que la actividad estaba centrada principalmente en EDA, estadística descriptiva, visualizaciones y transferencia Python–R. |
| Despliegue multiformato | 15 % | 4.7 | 0.705 | Se entregaron efectivamente HTML, PDF y Word, y los documentos muestran resultados, código y gráficos. Es uno de los puntos más fuertes de la entrega. |
| Publicación en RPubs | 15 % | 4.0 | 0.60 | El documento incluye una sección de publicación y el HTML contiene un enlace de RPubs. Sin embargo, la entrega no permite comprobar claramente los tags, descripción y metadatos profesionales exigidos para alcanzar el nivel Excelente. |
| Replicación del análisis | 15 % | 2.0 | 0.30 | Es la principal debilidad. No se observa la replicación sistemática
del notebook de Colab en R ni la identificación de equivalencias
Python–R. En su lugar, el estudiante realiza un ejemplo independiente de
ANOVA y Tukey. Tampoco aparece entre los archivos adjuntos
Replicacion_Analisis_Colab.R. |
| Documentación y ética | 5 % | 3.5 | 0.175 | La respuesta de IA contiene consideraciones éticas y el estudiante añade una breve validación. Sin embargo, no presenta la bitácora completa, fuentes de verificación, problemas encontrados/soluciones ni una reflexión detallada sobre el uso de IA. El documento manuscrito funciona más como resumen conceptual que como bitácora. |
\[ (3.0)(0.10)+(4.0)(0.15)+(4.0)(0.25)+(4.7)(0.15)+(4.0)(0.15)+(2.0)(0.15)+(3.5)(0.05) =\mathbf{3.68} \]
Por tanto, mi calificación propuesta para Rafael Paternina es: 3.7 / 5.0
La entrega es aceptable y técnicamente funcional,
especialmente por haber logrado generar correctamente los tres formatos
y ejecutar código R. El factor que reduce significativamente la
calificación es que no desarrolla la parte fundamental de
replicación del análisis de Colab en R, que representa el 15 %
de la rúbrica, y tampoco entrega de manera identificable el
.Rmd, el script de replicación y la bitácora solicitados.
La actividad original pedía explícitamente esa transferencia Python–R,
documentando equivalencias y diferencias.
Un aspecto que considero importante al calificarlo es que el ANOVA y Tukey que realizó están correctamente encaminados, pero constituyen trabajo estadístico distinto al solicitado; por eso reconozco el esfuerzo dentro del criterio RMarkdown, pero no lo considero sustituto de la replicación requerida.
Nota definitiva sugerida: 3.7.
He evaluado la entrega adjunta de G2_3_Yulianis Celada Pestaña aplicando exactamente la misma rúbrica de la actividad anterior. La rúbrica exige evidencias de cuentas, consulta documentada a IA, RMarkdown, despliegue en tres formatos, RPubs, replicación Python→R y documentación del proceso.
En este caso, el archivo entregado contiene tres páginas manuscritas. La estudiante desarrolla una definición de Estadística Aplicada con R, aplicaciones agrícolas en Colombia, ventajas de R, un ejemplo de diseño experimental con biofertilizantes y una conclusión.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No hay evidencia de creación/configuración de cuentas en Posit Cloud y RPubs. |
| Consulta a IA | 15 % | 2.8 | 0.420 | El contenido responde bastante bien a los aspectos propuestos para la consulta: definición, aplicaciones, ventajas y ejemplo. Sin embargo, no identifica agente de IA, modelo, fecha, prompt utilizado ni respuesta original, y tampoco presenta una validación crítica explícita. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta archivo .Rmd ni documento compilado que
evidencie integración de narrativa, código ejecutable y resultados. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No se presentan los archivos HTML, PDF y Word generados desde RMarkdown. El PDF adjunto es una digitalización de páginas manuscritas, no el PDF compilado solicitado. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No se proporciona enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No aparece el script Replicacion_Analisis_Colab.R, ni
una transferencia sistemática del análisis realizado en Python hacia
R. |
| Documentación y ética | 5 % | 2.5 | 0.125 | El trabajo manuscrito está ordenado, legible y sintetiza ideas pertinentes, pero no incluye bitácora, fuentes, prompts, problemas y soluciones, ni reflexión explícita sobre el uso responsable de IA. |
\[ (0)(0.10)+(2.8)(0.15)+(0)(0.25)+(0)(0.15)+(0)(0.15)+(0)(0.15)+(2.5)(0.05) =\mathbf{0.545} \]
Por tanto, con la evidencia actualmente adjunta, la calificación sería: 0.5 / 5.0
La baja nota no se debe principalmente a la calidad del texto manuscrito. De hecho, el contenido conceptual es pertinente y está bien presentado. En la página 1 define adecuadamente la estadística aplicada con R y menciona aplicaciones en recurso hídrico y suelos; en la página 2 incluye mejoramiento de cultivos, ventajas de R y un ejemplo de DBCA con ANOVA y Tukey; y en la página 3 formula una conclusión apropiada sobre reproducibilidad, rigor metodológico e interpretación agronómica.
El problema es que ese trabajo representa solo una pequeña parte de la actividad asignada. La mayor parte de la calificación —RMarkdown, despliegue, RPubs y replicación Python→R— requiere productos computacionales que no aparecen en la entrega adjunta. Esos cuatro criterios por sí solos representan 70 % de la nota.
Nota propuesta actualmente: 0.5.
Si Yulianis entregó además archivos .Rmd, HTML, Word,
PDF compilado, enlace de RPubs o el script de replicación y estos aún no
han sido adjuntados aquí, convendría incorporarlos antes de considerar
esta calificación como definitiva.
He evaluado a G2_4 – Faisury Pérez Amaya con la misma rúbrica de la Actividad 2. La actividad original no consistía únicamente en desarrollar conceptos de estadística descriptiva: exigía evidencias de Posit Cloud y RPubs, consulta documentada a IA, documento RMarkdown, generación de HTML/PDF/Word, publicación en RPubs, replicación del análisis de Python en R y una bitácora del proceso.
El archivo presentado por Faisury consta de dos páginas manuscritas y desarrolla principalmente estadística descriptiva aplicada al contexto agrícola.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No se presenta evidencia de cuentas o perfiles en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 1.5 | 0.225 | En la segunda página se menciona que la inteligencia artificial puede apoyar el aprendizaje y que no debe limitarse a copiar resultados. Es una reflexión pertinente, pero no aparece una consulta concreta a un agente de IA, ni fecha, agente, modelo, prompt, respuesta o validación crítica. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta un documento .Rmd, código R ejecutable
ni resultados generados mediante RMarkdown. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No aparecen los archivos HTML, PDF y Word compilados desde RMarkdown. El PDF presentado corresponde a la digitalización de un trabajo manuscrito. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No se presenta enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No hay evidencia de replicación del notebook de Python en R, ni
tabla de equivalencias Python–R, ni script
Replicacion_Analisis_Colab.R. |
| Documentación y ética | 5 % | 3.0 | 0.150 | El documento está organizado y contiene una reflexión explícita sobre el uso responsable de herramientas tecnológicas e IA. Sin embargo, no corresponde a la bitácora completa solicitada, ni documenta fuentes, consultas, dificultades y soluciones. |
\[ (0)(0.10)+(1.5)(0.15)+(0)(0.25)+(0)(0.15)+(0)(0.15)+(0)(0.15)+(3.0)(0.05) =\mathbf{0.375} \]
Redondeando a una cifra decimal:
El problema fundamental no es que el trabajo manuscrito esté mal elaborado. Al contrario, evidencia comprensión básica de algunos conceptos. En la primera página distingue correctamente medidas de tendencia central —media, mediana y moda— y medidas de dispersión —rango, varianza y desviación estándar—, relacionándolas con variables agrícolas.
En la segunda página incluso construye un ejemplo comparando una parcela con tratamiento y una parcela control, registra datos de altura, calcula medias de 46,4 cm y 24,4 cm y proporciona desviaciones estándar. También incorpora una representación gráfica hecha a mano, lo que evidencia esfuerzo por contextualizar el concepto.
Hay, sin embargo, un detalle estadístico que convendría señalarle. Faisury escribe que la parcela control presenta “mayor variación”, pero en su propia tabla registra:
Por desviación estándar absoluta, los datos presentados indicarían ligeramente mayor dispersión en la parcela tratada, no en la de control. La afirmación de mayor variabilidad relativa en el control podría justificarse utilizando, por ejemplo, el coeficiente de variación, debido a que las medias son muy diferentes; pero ese cálculo no aparece en el trabajo.
Por ello, aunque como ejercicio manuscrito de estadística descriptiva el trabajo tiene aspectos positivos, no constituye la realización de la Actividad 2 que fue asignada. Los criterios técnicos que no aparecen representan prácticamente toda la ponderación principal de la rúbrica.
Calificación sugerida para G2_4 – Faisury Pérez Amaya: 0.4 / 5.0.
He evaluado la entrega de G2_5 – Samuel David Quintero Palencia, código 1034285837, utilizando exactamente la misma rúbrica de la Actividad 2 aplicada a los estudiantes anteriores. La actividad asignada exige configuración de Posit Cloud/RPubs, consulta documentada a IA, RMarkdown, despliegue HTML/PDF/Word, publicación en RPubs, replicación Python→R y documentación del proceso.
La entrega de Samuel consta de tres páginas manuscritas. Desarrolla conceptos de EDA aplicados a humedad del suelo, medidas descriptivas, dispersión, forma de la distribución, un esquema gráfico y una reflexión explícita sobre el uso responsable de IA.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No hay evidencia de creación o configuración de cuentas en Posit Cloud y RPubs. |
| Consulta a IA | 15 % | 1.8 | 0.270 | Hay una reflexión clara sobre el uso de IA y se evidencia que fue empleada como apoyo, pero no aparecen fecha, agente, modelo, prompt, respuesta obtenida ni validación formal de esa respuesta. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta archivo .Rmd, código R ejecutable,
tablas ni gráficos generados computacionalmente. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No se presentan HTML, PDF y Word compilados desde RMarkdown. El PDF entregado corresponde a páginas manuscritas escaneadas. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No se proporciona enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No aparece la transferencia del notebook de Colab a R ni el script
Replicacion_Analisis_Colab.R. |
| Documentación y ética | 5 % | 3.5 | 0.175 | Presenta una reflexión bastante pertinente sobre la IA: señala que no debe aceptarse automáticamente la información y que deben revisarse conceptos, cálculos e interpretaciones. Sin embargo, no entrega la bitácora completa solicitada. |
\[ (0)(0.10)+(1.8)(0.15)+(0)(0.25)+(0)(0.15)+(0)(0.15)+(0)(0.15)+(3.5)(0.05) =\mathbf{0.445} \]
Redondeando a una cifra decimal:
Aunque la calificación resulta baja por el incumplimiento de los productos tecnológicos exigidos, el manuscrito de Samuel es conceptualmente uno de los más organizados entre las entregas únicamente manuscritas.
En la página 1 define correctamente el EDA como un proceso de resumir, organizar y visualizar información y lo contextualiza específicamente en la humedad del suelo y las decisiones relacionadas con el riego. Además, distingue media, mediana y moda, y desarrolla rango, varianza, desviación estándar, coeficiente de variación y rango intercuartílico.
En la página 2 incorpora además asimetría y curtosis, mostrando que reconoce que el EDA no se limita a tendencia central y dispersión. Su esquema dibujado relaciona:
humedad del suelo → tendencia central → dispersión → forma de la distribución
e incorpora gráficamente mediana, cuartiles, mínimo y máximo. Esta organización conceptual es apropiada para el tema de EDA.
La página 3 constituye probablemente el aspecto cualitativamente más destacado del trabajo. Samuel escribe, en esencia, que la IA le permitió comprender conceptos y obtener apoyo, pero que no se debe aceptar automáticamente la información generada, sino verificar conceptos, cálculos e interpretación antes de utilizarlos. Esa reflexión coincide muy bien con el propósito ético de la actividad.
El inconveniente es que estos logros conceptuales no sustituyen los entregables establecidos en la rúbrica. Los criterios RMarkdown, despliegue, RPubs y replicación Python→R suman 70 % de la nota, y no existe evidencia de ellos en el archivo entregado.
Calificación sugerida para G2_5 – Samuel Quintero: 0.4 / 5.0.
He evaluado la entrega de G2_6 – Roberto Arrieta Atencia aplicando la misma rúbrica utilizada con los estudiantes anteriores. La actividad exigía evidencias de Posit Cloud y RPubs, consulta documentada a IA, documento RMarkdown, generación de HTML/PDF/Word, publicación en RPubs, replicación del análisis de Python en R y documentación del proceso.
La entrega de Roberto consta de tres páginas manuscritas centradas en estadística descriptiva aplicada al análisis agrícola.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No presenta evidencia de creación o configuración de cuentas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 1.2 | 0.180 | Solo aparece una afirmación general sobre la integración de recursos informáticos y la inteligencia artificial. No se documentan fecha, agente, modelo, prompt, respuesta ni validación crítica. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No presenta archivo .Rmd, código R ejecutable ni
resultados generados mediante RMarkdown. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No se presentan HTML, PDF y Word compilados desde RMarkdown. El archivo adjunto es un escaneo de páginas manuscritas. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No aparece enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No se presenta la replicación del notebook de Colab en R ni el
script Replicacion_Analisis_Colab.R. |
| Documentación y ética | 5 % | 2.5 | 0.125 | Existe una mención favorable al uso de IA y recursos informáticos como apoyo académico, pero no se desarrolla una reflexión crítica ni se presenta la bitácora solicitada. |
\[ (0)(0.10)+(1.2)(0.15)+(0)(0.25)+(0)(0.15)+(0)(0.15)+(0)(0.15)+(2.5)(0.05) =\mathbf{0.305} \]
Redondeando:
El manuscrito contiene algunos aspectos académicamente correctos. En la página 1, Roberto explica la estadística descriptiva y la relaciona con variables agrícolas como rendimiento por hectárea, peso de cosechas, grosor del tallo y número de frutos. También diferencia promedio, mediana y moda.
En la página 2 desarrolla rango, varianza y desviación estándar y plantea un ejemplo comparando una parcela con tratamiento y una parcela control. Presenta datos, medias y desviaciones estándar, intentando interpretar la homogeneidad de los grupos.
Hay, no obstante, una observación estadística importante. En su tabla aparecen aproximadamente:
A partir de esos valores, no es correcto afirmar directamente que la muestra con tratamiento presenta mayor homogeneidad solo porque su desviación estándar es cercana. Como las medias son muy diferentes, sería más apropiado comparar la variabilidad relativa mediante el coeficiente de variación.
En la página 3 únicamente se añade que la integración de recursos informáticos y la inteligencia artificial constituye un apoyo para la formación académica y el análisis de datos. La idea es pertinente, pero resulta demasiado general para cumplir el criterio de consulta y validación crítica de IA exigido por la actividad.
Por tanto, al igual que ocurrió con otras entregas exclusivamente manuscritas, el problema principal no es el esfuerzo ni el contenido conceptual, sino que no se presentan los productos tecnológicos que constituyen la mayor parte de la rúbrica.
Calificación sugerida para G2_6 – Roberto Arrieta Atencia: 0.3 / 5.0.
He evaluado la entrega de G2_7 – Yuber Luis Vergara Palencia, código 1100083536, con la misma rúbrica aplicada a los estudiantes anteriores. La actividad asignada exigía, además del contenido conceptual, evidencias de Posit Cloud, RPubs, consulta documentada a IA, RMarkdown, despliegue HTML/PDF/Word, publicación en RPubs, replicación Python→R y bitácora del proceso.
La entrega de Yuber consta de tres páginas manuscritas. Su contenido aborda qué es la Estadística Aplicada con R en Ingeniería Agrícola, aplicaciones en Colombia, ventajas de R y un ejemplo práctico mediante DBCA, ANOVA y Tukey.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No se presenta evidencia de cuentas configuradas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 2.5 | 0.375 | El contenido sigue muy de cerca los componentes solicitados para la consulta a IA: definición, aplicaciones, ventajas de R y ejemplo agrícola. Sin embargo, no se documentan fecha, agente, modelo, prompt, respuesta ni validación crítica. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No aparece archivo .Rmd, código R ejecutable ni
documento generado mediante RMarkdown. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No presenta HTML, PDF y Word compilados. El PDF entregado es un escaneo del trabajo manuscrito. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No se presenta enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No se presenta replicación del notebook de Colab en R ni el script correspondiente. |
| Documentación y ética | 5 % | 0.5 | 0.025 | No se presenta bitácora, reflexión sobre el uso de IA, fuentes consultadas, problemas encontrados ni proceso de validación. |
\[ (0)(0.10)+(2.5)(0.15)+(0)(0.25)+(0)(0.15)+(0)(0.15)+(0)(0.15)+(0.5)(0.05) =\mathbf{0.40} \]
Académicamente, el manuscrito contiene elementos pertinentes. En la primera página, Yuber define la estadística aplicada con R y la contextualiza en Ingeniería Agrícola. También menciona aplicaciones relacionadas con gestión del recurso hídrico y gestión del suelo, lo cual guarda relación con el contexto disciplinar solicitado.
En la segunda página desarrolla ventajas de R, entre ellas:
gstat, sf, lme4 y
agricolae.Estos elementos son técnicamente pertinentes para explicar por qué R resulta útil en aplicaciones agrícolas.
En la tercera página presenta un ejemplo de evaluación de cuatro insumos orgánicos en plátano mediante un Diseño de Bloques Completos al Azar (DBCA), proponiendo ANOVA y Tukey. Además, señala correctamente que la ejecución computacional debe complementarse con criterio técnico e interpretación agronómica.
El inconveniente fundamental es que la actividad no consistía solamente en responder conceptualmente a la pregunta. Los productos computacionales —RMarkdown, archivos compilados, RPubs y replicación Python→R— representan la mayor parte de la rúbrica y no aparecen en la evidencia entregada.
Por tanto, G2_7 – Yuber Luis Vergara Palencia: 0.4 / 5.0.
He evaluado la entrega de G2_8 – Jimena Morales Flórez con la misma rúbrica aplicada a los estudiantes anteriores. La actividad original exige configuración de Posit Cloud/RPubs, consulta documentada a IA, RMarkdown, despliegue HTML/PDF/Word, publicación en RPubs, replicación Python→R y documentación/ética.
La entrega de Jimena consta de tres páginas manuscritas y, desde el punto de vista conceptual, está bien organizada: desarrolla estadística descriptiva aplicada a agricultura, medidas de tendencia central y dispersión, y un ejemplo numérico completo con interpretación agronómica.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No presenta evidencia de cuentas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 0.0 | 0.000 | No aparecen agente, modelo, fecha, prompt, respuesta obtenida ni validación crítica. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta .Rmd, código R ejecutable ni resultados
generados mediante RMarkdown. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No aparecen HTML, PDF y Word compilados desde RMarkdown. El PDF adjunto es un escaneo del manuscrito. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No se presenta enlace ni evidencia de publicación. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No hay evidencia de replicación del notebook de Python en R ni script correspondiente. |
| Documentación y ética | 5 % | 1.5 | 0.075 | El procedimiento estadístico está documentado y explicado con claridad, pero no existe la bitácora solicitada ni reflexión sobre uso de IA, fuentes, dificultades o validación. |
\[ (1.5)(0.05)=0.075 \]
Redondeando a una cifra decimal:
El resultado tan bajo se debe al incumplimiento de los entregables de la actividad, no a una mala comprensión de la estadística. De hecho, el trabajo manuscrito de Jimena tiene aspectos destacables.
En la página 1 explica correctamente media, mediana, moda, rango, varianza, desviación estándar y coeficiente de variación, y los relaciona con situaciones agrícolas.
En la página 2 construye un ejemplo con cinco parcelas cuyos rendimientos son:
\[ 8.5,\;9.0,\;8.5,\;10.0,\;6.0\ \text{t/ha} \]
y obtiene correctamente:
Estos cálculos son coherentes entre sí.
Además, en la página 3 hace algo particularmente valioso: no se limita a calcular, sino que interpreta. Identifica que la parcela con 6.0 t/ha está considerablemente por debajo de la media y propone investigar posibles causas como deficiencias nutricionales, mal riego o presencia de plagas. Esto muestra una adecuada transición de resultado estadístico → interpretación agronómica → decisión de campo.
Por tanto, como ejercicio manuscrito de estadística descriptiva, el trabajo es bueno. Sin embargo, la rúbrica de esta actividad está diseñada principalmente para evaluar un flujo de trabajo computacional reproducible, y esos productos no aparecen en la entrega.
Calificación sugerida para G2_8 – Jimena Morales: 0.1 / 5.0.
He evaluado la entrega de G2_9 – José Ignacio Soto Viloria, código 1104417435, empleando exactamente la misma rúbrica aplicada a los estudiantes anteriores. La actividad requería no solo el desarrollo conceptual de estadística, sino evidencias de Posit Cloud/RPubs, consulta documentada a IA, RMarkdown, generación de HTML/PDF/Word, publicación en RPubs, replicación Python→R y documentación del proceso.
La entrega de José Ignacio consta de tres páginas manuscritas. Presenta estadística descriptiva aplicada al ámbito agrícola, medidas de tendencia central y dispersión, un ejemplo comparativo de fertilización en maíz, aplicaciones agrícolas, pasos para el análisis y una reflexión personal.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No presenta evidencia de cuentas configuradas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 0.0 | 0.000 | No se identifica agente de IA, modelo, fecha, prompt, respuesta obtenida ni validación crítica. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta archivo .Rmd, código R ejecutable ni
resultados generados computacionalmente. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No aparecen archivos HTML, PDF y Word generados desde RMarkdown. El PDF presentado corresponde al manuscrito escaneado. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No presenta enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No hay evidencia de transferencia del notebook de Python a R ni del
script Replicacion_Analisis_Colab.R. |
| Documentación y ética | 5 % | 1.5 | 0.075 | Presenta reflexión personal y una secuencia básica para analizar datos, pero no la bitácora requerida ni documentación sobre uso responsable y validación de IA. |
\[ (1.5)(0.05)=0.075 \]
Redondeando a una cifra decimal:
Como ejercicio de estadística descriptiva, el trabajo muestra varios aspectos positivos. En la primera página, José Ignacio diferencia correctamente media, mediana y moda, y explica rango, varianza y desviación estándar, contextualizando estas medidas en variables como rendimiento, altura de plantas y peso de frutos.
En la segunda página construye un ejemplo particularmente pertinente: compara 10 plantas de maíz con fertilización frente a 10 plantas testigo. La media y mediana consignadas son correctas:
Sin embargo, encuentro dos detalles estadísticos que conviene corregir.
1. Moda. Los diez valores del grupo con tratamiento son diferentes, por lo que no existe moda. En el grupo testigo aparecen dos valores con la misma frecuencia máxima: 117 y 118, por lo que la distribución es bimodal. En la tabla se registra únicamente 117.
2. Desviación estándar. Para los datos escritos en la hoja obtengo aproximadamente:
| Grupo | Desviación poblacional | Desviación muestral |
|---|---|---|
| Tratamiento | 3,77 cm | 3,97 cm |
| Testigo | 2,06 cm | 2,17 cm |
El 3,76 cm registrado para tratamiento parece corresponder aproximadamente a la desviación poblacional, pero el 2,41 cm consignado para el testigo no coincide con ninguno de los dos cálculos. Si estas diez plantas representan muestras de parcelas, sería más natural utilizar la desviación estándar muestral.
La interpretación general sí es apropiada: el tratamiento presenta una altura promedio considerablemente mayor que el testigo, aunque también una dispersión absoluta algo superior.
En la tercera página hay además una buena secuencia conceptual:
recolectar → ordenar → calcular → interpretar → tomar decisiones
y una reflexión pertinente: el estudiante indica que no debe depender únicamente de los resultados y que debe comprender los procesos.
Por ello, como ejercicio manuscrito de estadística descriptiva, el trabajo tiene mérito y evidencia comprensión. La calificación baja surge porque prácticamente ninguno de los entregables tecnológicos evaluados por la rúbrica fue presentado.
Calificación sugerida para G2_9 – José Ignacio Soto Viloria: 0.1 / 5.0.
He evaluado la entrega de G2_9 – José Ignacio Soto Viloria, código 1104417435, empleando exactamente la misma rúbrica aplicada a los estudiantes anteriores. La actividad requería no solo el desarrollo conceptual de estadística, sino evidencias de Posit Cloud/RPubs, consulta documentada a IA, RMarkdown, generación de HTML/PDF/Word, publicación en RPubs, replicación Python→R y documentación del proceso.
La entrega de José Ignacio consta de tres páginas manuscritas. Presenta estadística descriptiva aplicada al ámbito agrícola, medidas de tendencia central y dispersión, un ejemplo comparativo de fertilización en maíz, aplicaciones agrícolas, pasos para el análisis y una reflexión personal.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No presenta evidencia de cuentas configuradas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 0.0 | 0.000 | No se identifica agente de IA, modelo, fecha, prompt, respuesta obtenida ni validación crítica. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta archivo .Rmd, código R ejecutable ni
resultados generados computacionalmente. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No aparecen archivos HTML, PDF y Word generados desde RMarkdown. El PDF presentado corresponde al manuscrito escaneado. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No presenta enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No hay evidencia de transferencia del notebook de Python a R ni del
script Replicacion_Analisis_Colab.R. |
| Documentación y ética | 5 % | 1.5 | 0.075 | Presenta reflexión personal y una secuencia básica para analizar datos, pero no la bitácora requerida ni documentación sobre uso responsable y validación de IA. |
\[ (1.5)(0.05)=0.075 \]
Redondeando a una cifra decimal:
Como ejercicio de estadística descriptiva, el trabajo muestra varios aspectos positivos. En la primera página, José Ignacio diferencia correctamente media, mediana y moda, y explica rango, varianza y desviación estándar, contextualizando estas medidas en variables como rendimiento, altura de plantas y peso de frutos.
En la segunda página construye un ejemplo particularmente pertinente: compara 10 plantas de maíz con fertilización frente a 10 plantas testigo. La media y mediana consignadas son correctas:
Sin embargo, encuentro dos detalles estadísticos que conviene corregir.
1. Moda. Los diez valores del grupo con tratamiento son diferentes, por lo que no existe moda. En el grupo testigo aparecen dos valores con la misma frecuencia máxima: 117 y 118, por lo que la distribución es bimodal. En la tabla se registra únicamente 117.
2. Desviación estándar. Para los datos escritos en la hoja obtengo aproximadamente:
| Grupo | Desviación poblacional | Desviación muestral |
|---|---|---|
| Tratamiento | 3,77 cm | 3,97 cm |
| Testigo | 2,06 cm | 2,17 cm |
El 3,76 cm registrado para tratamiento parece corresponder aproximadamente a la desviación poblacional, pero el 2,41 cm consignado para el testigo no coincide con ninguno de los dos cálculos. Si estas diez plantas representan muestras de parcelas, sería más natural utilizar la desviación estándar muestral.
La interpretación general sí es apropiada: el tratamiento presenta una altura promedio considerablemente mayor que el testigo, aunque también una dispersión absoluta algo superior.
En la tercera página hay además una buena secuencia conceptual:
recolectar → ordenar → calcular → interpretar → tomar decisiones
y una reflexión pertinente: el estudiante indica que no debe depender únicamente de los resultados y que debe comprender los procesos.
Por ello, como ejercicio manuscrito de estadística descriptiva, el trabajo tiene mérito y evidencia comprensión. La calificación baja surge porque prácticamente ninguno de los entregables tecnológicos evaluados por la rúbrica fue presentado.
Calificación sugerida para G2_9 – José Ignacio Soto Viloria: 0.1 / 5.0.
He evaluado la entrega de G2_11 – Juan Diego Baldovino González, código 1104261165, utilizando la misma rúbrica aplicada a los estudiantes anteriores. La actividad exigía configuración de Posit Cloud/RPubs, consulta documentada a IA, documento RMarkdown, generación en HTML/PDF/Word, publicación en RPubs, replicación del análisis Python→R y documentación del proceso.
La entrega de Juan Diego consta de dos páginas manuscritas. Desarrolla estadística descriptiva aplicada al ámbito agrícola, medidas de tendencia central y dispersión, un ejemplo comparativo entre una parcela tratada y una parcela control, y una breve reflexión sobre el uso de software e inteligencia artificial.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No presenta evidencia de creación o configuración de cuentas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 1.5 | 0.225 | Menciona explícitamente la inteligencia artificial como herramienta de apoyo y advierte que no debe limitarse a copiar resultados. Sin embargo, no aparecen fecha, agente, modelo, prompt, respuesta ni validación crítica formal. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta archivo .Rmd, código R ejecutable ni
resultados producidos mediante RMarkdown. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No presenta los archivos HTML, PDF y Word compilados desde RMarkdown. El PDF adjunto es el escaneo del manuscrito. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No se presenta enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No aparece la replicación del notebook de Colab en R ni el script correspondiente. |
| Documentación y ética | 5 % | 3.0 | 0.150 | Presenta una reflexión apropiada sobre el papel del software y de la IA como apoyo al aprendizaje, insistiendo en comprender la información y no simplemente copiar resultados. No obstante, no entrega la bitácora completa exigida. |
\[ (1.5)(0.15)+(3.0)(0.05) =0.225+0.150 =\mathbf{0.375} \]
Redondeando:
El manuscrito evidencia una comprensión básica adecuada de la estadística descriptiva. En la primera página Juan Diego explica el papel de la estadística en agricultura y diferencia correctamente media, mediana y moda, así como rango, varianza y desviación estándar. Además, contextualiza las variables en altura de plantas, producción y rendimiento de cultivos.
En la segunda página plantea una comparación entre una parcela con tratamiento y una parcela control, presenta observaciones de altura y resume los datos mediante media y desviación estándar. La intención estadística del ejemplo es pertinente porque intenta pasar de los datos a una interpretación agrícola.
También es positivo el cierre en el que señala, en esencia, que el software y la inteligencia artificial pueden apoyar el aprendizaje, pero es importante comprender la información y no limitarse a copiar resultados. Esta idea es coherente con el componente ético de la actividad.
Sin embargo, como en otras entregas exclusivamente manuscritas, el problema fundamental es que no están presentes los productos computacionales que constituyen la mayor parte de la rúbrica: RMarkdown, despliegue multiformato, RPubs y replicación Python→R.
Calificación sugerida para G2_11 – Juan Diego Baldovino González: 0.4 / 5.0.
He evaluado la entrega de G2_12 – Brandon Ortiz Hernández, código 1104258729, aplicando la misma rúbrica utilizada con los estudiantes anteriores. La actividad exigía evidencias de Posit Cloud/RPubs, consulta documentada a IA, RMarkdown, generación HTML/PDF/Word, publicación en RPubs, replicación Python→R y documentación del proceso.
La entrega de Brandon consta de dos páginas manuscritas. Presenta conceptos de estadística descriptiva, visualizaciones, medidas de posición y dispersión, y un ejemplo de humedad del suelo con interpretación agrícola.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No presenta evidencia de cuentas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 0.0 | 0.000 | No aparecen agente de IA, fecha, modelo, prompt, respuesta ni validación crítica. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta archivo .Rmd, código R ejecutable ni
resultados generados mediante RMarkdown. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No aparecen HTML, PDF y Word compilados desde RMarkdown. El PDF es un escaneo del manuscrito. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No se presenta enlace ni evidencia de publicación. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No existe evidencia de replicación del notebook de Python en R ni del script correspondiente. |
| Documentación y ética | 5 % | 1.5 | 0.075 | El ejemplo está organizado y existe una conclusión interpretativa, pero no presenta la bitácora requerida, fuentes, dificultades, uso de IA ni reflexión ética. |
\[ (1.5)(0.05)=0.075 \]
Redondeando a una cifra decimal:
Como ejercicio conceptual, Brandon presenta varios elementos positivos. En la primera página señala que la variabilidad agrícola está influida por clima, topografía y suelo, y menciona tablas de frecuencia, histogramas, diagramas de dispersión, media, mediana, desviación estándar y coeficiente de variación.
En la segunda página utiliza seis mediciones de humedad del suelo:
\[ 22,\;21,\;23,\;12,\;22,\;28\% \]
y clasifica los puntos según su condición hídrica. A partir de esos datos:
Aquí hay una pequeña corrección: para esos seis valores, la desviación estándar es aproximadamente 5.20 % si se considera una muestra, o 4.75 % si se considera la población completa. El valor 5.16 % está cercano al resultado muestral, pero no coincide exactamente.
La conclusión es pertinente: Brandon reconoce que trabajar únicamente con el promedio podría ocultar puntos problemáticos, como el valor de 12 % asociado a estrés hídrico o el 28 % asociado a encharcamiento. Esa interpretación muestra correctamente por qué la estadística descriptiva debe considerar también la dispersión y los valores individuales, no solo la media.
Por tanto, como ejercicio manuscrito de estadística descriptiva, el trabajo evidencia comprensión y una buena contextualización agrícola. Sin embargo, no corresponde a los principales productos tecnológicos establecidos en la Actividad 2, que representan la mayor parte de la calificación.
Calificación sugerida para G2_12 – Brandon Ortiz: 0.1 / 5.0.
He evaluado la entrega de G2_13 – Santiago Luis Ortega Contreras, código 1011095136, con la misma rúbrica utilizada para los estudiantes anteriores. La actividad exigía evidencias de Posit Cloud y RPubs, consulta documentada a IA, documento RMarkdown, despliegue HTML/PDF/Word, publicación en RPubs, replicación Python→R y documentación del proceso.
La entrega de Santiago consta de dos páginas manuscritas. Presenta una breve explicación de estadística descriptiva, medidas de tendencia central, dispersión y forma, y un ejemplo numérico con rendimientos agrícolas.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No hay evidencia de cuentas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 0.0 | 0.000 | No se documentan agente, modelo, fecha, prompt, respuesta ni validación crítica. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No presenta .Rmd, código R ejecutable ni resultados
generados computacionalmente. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No aparecen HTML, PDF y Word compilados desde RMarkdown. El PDF entregado corresponde al manuscrito escaneado. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No presenta enlace ni evidencia de publicación. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No existe evidencia de replicación del notebook de Python en R ni del script solicitado. |
| Documentación y ética | 5 % | 1.0 | 0.050 | Hay organización conceptual básica, pero no se presenta bitácora, reflexión sobre IA, fuentes, dificultades ni soluciones. |
\[ (1.0)(0.05)=0.05 \]
Redondeando a una cifra decimal:
En la primera página, Santiago distingue adecuadamente tres familias de medidas: tendencia central, dispersión y forma, mencionando media, mediana, moda, varianza, percentiles, asimetría y curtosis. También las relaciona con variables agrícolas como rendimiento, calidad del suelo y clima.
Sin embargo, encuentro varios problemas en el ejemplo numérico. El estudiante afirma trabajar con 10 parcelas, pero en la lista manuscrita solamente aparecen ocho valores:
\[ 11,\;12,\;13,\;14,\;15,\;16,\;19,\;22 \]
A partir de esos ocho valores, al recalcular:
El valor de 3.27 t/ha consignado en la segunda página no coincide con ninguno de estos dos cálculos.
También aparecen dificultades en los cuartiles. Para esos datos, utilizando el procedimiento habitual de interpolación empleado por R, se obtendrían aproximadamente:
\[ Q_1=12.75,\qquad Q_3=16.75 \]
mientras que los valores escritos en el trabajo no corresponden a estos resultados. Además, la interpretación asociada a los cuartiles está formulada de manera confusa: \(Q_1\) delimita aproximadamente el 25 % inferior de los datos y \(Q_3\) el 75 % acumulado, no significa simplemente que “el 75 % produce menos” sin especificar el valor de referencia.
Por tanto, incluso considerando únicamente el componente manuscrito, el ejemplo presenta errores de cálculo e inconsistencias entre el número declarado de parcelas y los datos efectivamente escritos.
Aun así, la principal razón de la calificación sigue siendo que los productos computacionales definidos en la rúbrica —RMarkdown, HTML/PDF/Word, RPubs y replicación Python→R— no están presentes.
Calificación sugerida para G2_13 – Santiago Luis Ortega: 0.1 / 5.0.
He evaluado la entrega de G2_14 – Emanuel Mulett Ortega, código 1102825591, utilizando la misma rúbrica aplicada a los estudiantes anteriores. La actividad original exigía evidencias de Posit Cloud y RPubs, consulta documentada a IA, documento RMarkdown, despliegue HTML/PDF/Word, publicación en RPubs, replicación Python→R y documentación del proceso.
La entrega de Emanuel consta de tres páginas manuscritas. Desarrolla estadística descriptiva aplicada al ámbito agrícola, medidas de tendencia central y dispersión, un ejemplo comparativo entre parcela con tratamiento y parcela control, y una reflexión sobre el uso de tecnología e inteligencia artificial.
| Criterio | Peso | Nota / 5.0 | Aporte ponderado | Evaluación |
|---|---|---|---|---|
| Configuración de cuentas | 10 % | 0.0 | 0.000 | No presenta evidencia de creación o configuración de cuentas en Posit Cloud ni RPubs. |
| Consulta a IA | 15 % | 1.5 | 0.225 | Se menciona expresamente la inteligencia artificial y su papel como apoyo, pero no aparecen agente, modelo, fecha, prompt, respuesta obtenida ni validación crítica documentada. |
| Documento RMarkdown | 25 % | 0.0 | 0.000 | No se presenta archivo .Rmd, código R ejecutable ni
resultados producidos mediante RMarkdown. |
| Despliegue multiformato | 15 % | 0.0 | 0.000 | No aparecen HTML, PDF y Word compilados desde RMarkdown. El PDF presentado es un escaneo manuscrito. |
| Publicación en RPubs | 15 % | 0.0 | 0.000 | No presenta enlace ni evidencia de publicación en RPubs. |
| Replicación del análisis | 15 % | 0.0 | 0.000 | No aparece la transferencia del notebook de Colab a R ni el script
Replicacion_Analisis_Colab.R. |
| Documentación y ética | 5 % | 3.0 | 0.150 | Incluye una reflexión adecuada sobre tecnología e IA y advierte que el estudiante debe comprender la información y no limitarse a copiar resultados. Sin embargo, no se presenta la bitácora completa requerida. |
\[ (1.5)(0.15)+(3.0)(0.05) =0.225+0.150 =\mathbf{0.375} \]
Redondeando a una cifra decimal:
En la primera página, Emanuel define correctamente la estadística descriptiva y la relaciona con variables agrícolas como altura de plantas, rendimiento y producción. También identifica media, mediana y moda como medidas de tendencia central.
En la segunda página desarrolla las medidas de dispersión —rango, varianza y desviación estándar— y explica correctamente que permiten determinar qué tan alejados están los datos respecto de su valor promedio. Después plantea una comparación entre una parcela tratada y una parcela control.
En la tercera página presenta una tabla con los resultados:
Las medias consignadas son coherentes con los datos que aparecen en la tabla. Sin embargo, la observación de que la parcela tratada presenta datos “más uniformes” debe manejarse con cautela: la desviación estándar absoluta del tratamiento (2,52) es ligeramente superior a la del control (2,37). Como las medias son muy distintas, una comparación más adecuada de homogeneidad relativa requeriría calcular el coeficiente de variación.
También es positiva la reflexión final:
la tecnología y la inteligencia artificial pueden apoyar el aprendizaje, pero es necesario comprender la información y no limitarse a copiar resultados.
Esta idea está bien alineada con el componente de uso responsable de IA previsto en la actividad.
No obstante, al igual que en las otras entregas exclusivamente manuscritas, los productos computacionales que constituyen la mayor parte de la rúbrica no fueron presentados.
Calificación sugerida para G2_14 – Emanuel Mulett Ortega: 0.4 / 5.0.