Guía de Actividad Práctica y Evaluativa

Asignatura: Estadística Aplicada con Python y R

Unidad Temática: Selección de Modelos de Distribución y Criterios de Información en Hidrología / Ingeniería

Ponderación: 1ª Nota del 2º 50% del semestre

Entorno de Trabajo: Inteligencia Artificial Generativa, Cuaderno Físico, Posit Cloud y RPubs

1. Descripción de la Actividad

Esta actividad combina la consulta técnica a modelos de lenguaje (IA generativa), la fijación cognitiva mediante escritura manual y la publicación reproducible en la web a través del ecosistema de R.

Los estudiantes abordarán dos conceptos de modelación estadística aplicada a la ingeniería: la Función de Verosimilitud (Likelihood) y el Principio de Parsimonia junto con el Criterio de Información de Akaike (AIC). Utilizarán dos prompts estandarizados para interactuar con un agente de IA, procesarán reflexivamente las respuestas transcribiendo una síntesis manuscrita en su cuaderno físico, y estructurarán un reporte técnico en formato R Markdown (.Rmd) alojado en Posit Cloud. Finalmente, incorporarán la evidencia gráfica de sus notas manuscritas, compilarán el informe a HTML y lo publicarán en la plataforma RPubs, compartiendo el enlace web resultante como evidencia formal de entrega.

2. Objetivos de Aprendizaje

Objetivo General

Apropiar los fundamentos conceptuales de la Verosimilitud y el Criterio de Información de Akaike (AIC) para la selección de modelos de distribución de probabilidad en ingeniería, integrando la interacción crítica con herramientas de IA, el registro analítico manuscrito y la comunicación reproducible mediante R Markdown y RPubs.

Objetivos Específicos

  1. Formular consultas técnicas estructuradas a un agente de IA sobre verosimilitud y parsimonia estadística en el marco de eventos extremos en ingeniería.
  2. Sintetizar a mano los aspectos teóricos y analíticos esenciales de las respuestas obtenidas, consolidando la memoria de trabajo y el criterio técnico antes de la fase computacional.
  3. Configurar un entorno de trabajo reproducible en la nube (Posit Cloud) empleando la sintaxis y maquetación de R Markdown.
  4. Gestionar activos digitales (imágenes de notas manuscritas y código de maquetación) para generar una salida compilada en HTML.
  5. Desplegar reportes web en RPubs y divulgar el enlace público de forma profesional y oportuna.

3. Competencias a Desarrollar

  • Competencias Conceptuales:

  • Comprende el significado probabilístico de la verosimilitud (Likelihood y Log-Likelihood) y su rol como función objetivo en la estimación de parámetros (MLE).

  • Interpreta el principio de parsimonia y el balance entre bondad de ajuste y penalización por complejidad paramétrica que define el AIC.

  • Relaciona estos criterios con la toma de decisiones seguras en el dimensionamiento de obras hidráulicas y agronómicas frente a fenómenos extremos.

  • Competencias Técnicas y Procedimentales:

  • Emplea técnicas de prompt engineering dirigidas a la obtención de respuestas analíticas concisas y contextualizadas.

  • Domina la estructura de un documento R Markdown: encabezados YAML, bloques de texto en Markdown, jerarquía de títulos y sintaxis para incrustación de imágenes locales.

  • Opera la plataforma Posit Cloud para la administración de archivos, renderizado de documentos a HTML y despliegue directo hacia RPubs.

  • Competencias Actitudinales y Metacognitivas:

  • Ejerce criterio crítico y autorregulación frente a la información generada por IA, evitando el copiado pasivo mediante el procesamiento manual.

  • Valora la reproducibilidad, el orden visual y la estética en la presentación de informes técnicos de ingeniería.

4. Guía Paso a Paso para el Estudiante

  1. Interacción con el Agente de IA (Prompts 1 y 2):

  • Abrir la herramienta de IA asignada.

  • Ejecutar de manera individual los siguientes dos prompts:

  • Prompt 1 (Verosimilitud): > “Actúa como mi tutor de estadística para Ingeniería Agrícola. Explícame en máximo 3 viñetas (bullet points) qué es la Verosimilitud (Likelihood) y por qué es necesaria evaluarla cuando varias distribuciones (como Gamma y Lognormal) parecen ajustarse bien a mis datos históricos de caudales máximos anuales. Usa un lenguaje técnico pero claro, ideal para tomar notas a mano.”

  • Prompt 2 (Parsimonia y AIC): > “Ahora necesito anotar el concepto de desempate. Explícame brevemente el Principio de Parsimonia y el Criterio de Información de Akaike (AIC). Dame una analogía sencilla relacionada con el diseño de una obra en el campo (ej. un canal o un muro) y termina con la ‘regla de oro’ matemática para saber qué distribución gana según el AIC. Estructúralo para copiarlo en mi cuaderno.”

  1. Elaboración de la Síntesis Manuscrita:
  • En el cuaderno físico de la asignatura, redactar a mano un resumen consolidado de las respuestas obtenidas.
  • La síntesis debe incluir: definiciones operativas, fórmulas o expresiones simbólicas clave, la analogía ingenieril y la regla de decisión del AIC.
  • Debe figurar en la parte superior de la página: Nombre completo, Código estudiantil, Asignatura y Fecha.
  1. Digitalización del Resumen:
  • Tomar una fotografía nítida o escanear la hoja del cuaderno con buena iluminación y encuadre recto.
  • Guardar el archivo en formato de imagen (.png o .jpg) con un nombre sin espacios ni caracteres especiales (ejemplo: apuntes_manuscritos.png).
  1. Configuración en Posit Cloud y Creación del R Markdown:
  • Iniciar sesión en Posit Cloud y acceder al espacio de trabajo del curso.
  • Crear un nuevo proyecto o abrir el proyecto de la unidad.
  • Crear un nuevo archivo: File > New File > R Markdown…
  • Configurar el título del documento, nombre del autor y seleccionar salida a HTML.
  1. Estructuración y Redacción del Documento (.Rmd):
  • En la sección inicial, documentar de forma organizada el texto íntegro de los dos prompts utilizados y las respuestas textuales arrojadas por la IA.
  • Emplear encabezados de nivel (#, ##), listas y énfasis en negrita para asegurar legibilidad.
  1. Carga e Incrustación de la Imagen:
  • En el panel de archivos (Files) de Posit Cloud, subir el archivo de la imagen digitalizada usando el botón Upload.
  • Al final del documento R Markdown, incrustar la imagen utilizando sintaxis Markdown o un bloque de código R:
  • Opción Markdown: ![Resumen Manuscrito](apuntes_manuscritos.png)
  • Opción bloque R:
knitr::include_graphics("apuntes_manuscritos.png")
  1. Renderizado (Knit) y Publicación en RPubs:
  • Hacer clic en el botón Knit para compilar el documento a HTML. Verificar que el texto, las fórmulas y la imagen carguen adecuadamente.
  • En la ventana de previsualización del HTML, hacer clic en el botón azul Publish (esquina superior derecha) y seleccionar RPubs.
  • Asignar un título claro a la publicación web (ejemplo: Actividad 1 - Verosimilitud y AIC - Nombre Estudiante).
  1. Entrega:
  • Copiar el enlace URL público generado en RPubs y compartirlo en el grupo de WhatsApp de la asignatura dentro del plazo establecido.

5. Rúbrica Analítica de Evaluación (Escala 0.0 a 5.0)

Criterio Ponderación Excelente (4.6 – 5.0) Aceptable (3.8 – 4.5) Básico (3.0 – 3.7) Insuficiente (0.0 – 2.9)
1. Interacción con la IA y Consistencia Técnica 20%


(1.0 pt) | Integra de forma textual y ordenada los dos prompts asignados y sus respectivas respuestas. El contenido aborda con total precisión la verosimilitud, la parsimonia, la analogía ingenieril y la regla del AIC. | Presenta los prompts y respuestas casi en su totalidad, con mínimas omisiones de formato o contenido que no comprometen la comprensión técnica del tema. | Incluye solo uno de los dos prompts o las respuestas de la IA están truncadas, desorganizadas o carecen de los elementos clave solicitados. | No incluye las respuestas de la IA, presenta prompts ajenos a la guía o el contenido no guarda relación con la temática. | | 2. Calidad y Rigor de la Síntesis Manuscrita (Evidencia Cognitiva) | 30%


(1.5 pt) | La imagen evidencia un resumen manuscrito completo, con excelente caligrafía, organización visual y membrete de identificación (nombre, código, fecha). Refleja síntesis real y apropiación analítica (no copia mecánica). | El resumen manuscrito contiene los puntos clave y membrete claro, aunque la síntesis es algo superficial o la distribución espacial en la página es desordenada. | El texto manuscrito es incompleto, omite la analogía o la regla de oro, presenta problemas notables de legibilidad o carece de datos de identificación formal. | No se incluye el resumen manuscrito, la imagen resulta ilegible/borrosa, o corresponde a una copia digital o transcripción no realizada a mano. | | 3. Maquetación y Recursos en R Markdown (Posit Cloud) | 25%


(1.25 pt) | Documento .Rmd estructurado profesionalmente: encabezado YAML correcto, jerarquía clara de títulos, uso adecuado de estilos de texto e incrustación técnica impecable de la imagen (dimensiones y renderizado correctos). | El documento compila bien y la imagen se visualiza, pero presenta fallas menores de diagramación, encabezados desalineados o ausencia de metadatos en el YAML. | Estructura en R Markdown deficiente. La imagen no escala adecuadamente, se observan errores de formato visual o el flujo de lectura es confuso. | Fallas graves de estructuración en R Markdown. La imagen no renderiza (enlace roto) o el documento muestra código fuente sin procesar. | | 4. Renderizado, Despliegue en RPubs y Entrega | 25%


(1.25 pt) | Publicación exitosa y funcional en RPubs. Enlace compartido en el canal indicado dentro del tiempo establecido. La página web carga con fluidez y diseño responsivo. | Publicado en RPubs y compartido en el tiempo estipulado, pero con títulos o descripción web genéricos en la plataforma. | Entrega extemporánea justificada o el enlace web presenta advertencias menores de renderizado o carga en navegadores. | No se publicó en RPubs, el enlace está roto / inaccesible (error 404), o no se entregó la URL en el medio correspondiente. |

6. Procedimiento para la Fase de Calificación

Cuando los estudiantes remitan sus enlaces en el grupo de WhatsApp, puedes consolidar la lista con el siguiente formato para procesar su calificación:

Estudiante: [Nombre y Apellidos del Estudiante]
URL RPubs: [https://rpubs.com/usuario/slug_del_trabajo]

Al suministrar cada enlace o lote de enlaces, se aplicará de forma directa y parametrizada cada criterio de la rúbrica anterior para generar:

  1. El desglose cuantitativo por criterio (sobre 5.0).
  2. La nota final ponderada.
  3. Una retroalimentación técnica y pedagógica puntual para el estudiante.