355stica aprendizaje situado.doc) - fimpesfimpes.org.mx/phocadownload/premios/3ensayo2012.pdf ·...
Post on 13-Sep-2018
227 Views
Preview:
TRANSCRIPT
Página 1
Categoría ENSAYO Estadística y Aprendizaje Situado:
Experiencia de una Propuesta Didáctica de Regresión Lineal Múltiple
Ramón Castillo Ocampo Universidad La Salle Cuernavaca
Cuernavaca, Morelos, México
rcofimpes@gmail.com; castillo_ramon@yahoo.com
Resumen—En la sociedad del conocimiento es indispensable que las personas
desarrollen competencias para la interpretación de datos que sustente objetivamente su
toma de decisiones. La Estadística y la Estadística Educativa son recursos relevantes
para tal fin. En este trabajo se presenta una propuesta de didáctica para formular e
instrumentar un modelo de regresión lineal múltiple desde la perspectiva del Aprendizaje
Situado. La propuesta se aplicó a un grupo de estudiantes de licenciatura quienes
reportan mejora en sus habilidades para análisis e interpretación de datos, en la
comprensión de conceptos fundamentales de Estadística y desarrollo de pensamiento
estadístico.
Palabras clave— estadística educativa, aprendizaje situado, pensamiento estadístico.
I. INTRODUCCIÓN
Desde hace algunas décadas múltiples aspectos de nuestras vidas se convierten en
datos almacenados en diversos medios magnéticos, ópticos y electrónicos:
• Tecnologías emergentes para la obtención de datos permiten que se realicen registros
continuos del entorno físico (patrones del clima, eventos sísmicos).
• Constantemente monitoreamos nuestros movimientos a través de y con interacción a
nuestro entorno físico (tráfico terrestre y aéreo, uso del suelo, instalaciones de
manufactura avanzadas).
• En entornos mediados por computadoras, nuestras actividades dependen de manera
crucial de datos digitales complejos (juegos en red, tecnologías peer-to-peer, sitios Web
y uso de Internet).
• En expedientes médicos electrónicos (datos biométricos, diagnósticos, medicamentos y
tratamientos administrados).
• En registros de operaciones financieras (patrones de pago y de consumo).
Página 2
Vastos repositorios de información, en continuo crecimiento, son un desafío: ¿cómo
representar e interpretar datos complejos, abstractos y frecuentemente socialmente
relevantes? Para los especialistas en estadística representa y representará la
oportunidad de trabajar “…con cantidades gigantescas de datos generada en diversos
estudios científicos…” (Pantula, 2010) en ámbitos como aseguramiento de …”calidad de
datos, confidencialidad de datos, seguridad de datos y análisis de datos…” (Pantula,
2010). En los albores del s. XXI, la importancia de desarrollar el pensamiento estadístico
en las personas, en particular de los universitarios y de los tomadores de decisiones no
puede soslayarse (Gil Pérez & Guzmán Ozámiz, 2009; Nicholson & Mulhern, 2000). En la
sociedad del conocimiento las personas deben desarrollar competencias para interpretar
datos en condiciones de incertidumbre, para sustentar y orientar su toma de decisiones
(Nicholson & Mulhern, 2000). La Estadística y la Estadística Educativa son valiosos
recursos para desarrollar en los estudiantes competencias para dichos fines (Batanero &
Serrano Romero, 1995; Garfield & Ben-Zvi, 2007; Zieffler et al., 2008).
En el nivel universitario vía cursos de Estadística los estudiantes debieran desarrollar
competencias para formular preguntas susceptibles de responder con datos, diseñar
instrumentos o experimentos para reunir datos, organizarlos y presentarlos para ofrecer
respuestas sustentadas en el análisis estadístico de los mismos. Los programas de los
cursos universitarios de Estadística incluyen temas para desarrollar tales habilidades.
Como material didáctico se dispone de excelentes textos (D. Anderson, Sweeney, &
Williams, 2008; Hines, Montgomery, Goldsman, & Borr, 2003; Lind, Marchal, & Wathen,
2008; Moore, McCabe, & Craig, 2009; Sánchez, 2009a, 2009b). Sin embargo, en la
práctica los cursos se reducen a métodos para una variable continua; temas como
regresión lineal y técnicas multivariadas reciben limitada atención. En consecuencia en el
ejercicio profesional el egresado carecerá de competencias fundamentales para resolver
con éxito situaciones donde los modelos multivariados deberían aplicarse.
La Educación Estadística y Teorías Cognitivas deben fundamentar el diseño de material
instruccional efectivo para que los estudiantes desarrollen competencias para la
interpretación de datos. Desde dicha perspectiva, para un primer curso de Estadística en
licenciatura en el presente trabajo se propone una trayectoria hipotética de aprendizaje
Página 3
(Aranda & Callejo, 2010; Clements & Sarama, 2004; Gómez & Lupiañez, 2007; Watson &
Mason, 2006) y una propuesta didáctica del tema regresión lineal múltiple para un curso
de Estadística en licenciatura desde la perspectiva del aprendizaje situado (Díaz Barriga,
2006, 2008; Sadler, 2009).
II. ANTECEDENTES TEÓRICOS
En el siglo XX, la Estadística se consolidó como “una de las ciencias metodológicas
fundamentales y base del método científico experimental” (Batanero, Ortíz, Serrano, &
Cañizares, 2001; Pantula, 2010). El creciente interés en esta disciplina no se limita a
aspectos metodológicos y técnicos propios de ella (Batanero & Díaz, 2010). Los métodos
de enseñanza de la Estadística y la Educación Estadística como un campo de
investigación reciben atención por parte de estadísticos como por otros especialistas
(Batanero & Díaz, 2010; Batanero & Godino, 2005; Ben-Zvi & Garfield, 2008;
Shaughnessy, 2007). Cobb y Moore (1997) postulan que la Estadística proporciona a
otros campos del conocimiento un conjunto coherente de ideas, conceptos y
herramientas para analizar datos.
En el nivel universitario, los cursos de estadística son los de mayor presencia en los
programas académicos. La estadística se estudia como una herramienta para resolver
problemas en diversas áreas del conocimiento. A través de estos cursos los estudiantes
debieran desarrollar competencias para:
• Formular preguntas susceptibles de responder con datos,
• Diseñar instrumentos o experimentos para reunir datos,
• Organizarlos y presentarlos para ofrecer respuestas sustentadas en el análisis
estadístico de los mismos.
Los cursos de Estadística son un reto para estudiantes que carecen de adecuada
formación en métodos cuantitativos básicos o de motivación en ellos. Algunos dicen que
pensar en estadística es una actividad no natural porque es pensar en algo que puede o
no puede suceder. Y con frecuencia sus resultados son contra-intuitivos para el
estudiante.
Página 4
Como áreas de conocimiento la Probabilidad y la Estadística parten de dos ideas muy
simples: repetibilidad de la situación en las mismas condiciones e independencia de
resultados en dos repeticiones. Estas dos ideas son una simplificación de la realidad y
pueden ser aceptables en mayor o menor medida en cada situación específica. Los
modelos simples se combinan entre si de forma potente partiendo de pocas ideas
fundamentales de donde se construyen modelos de complejidad progresiva, que
permiten resolver problemas de inferencia y de predicción en presencia de incertidumbre.
El sustento teórico de la estadística es complejo. Sin embargo, no todos los estudiantes
necesitan conocer los detalles avanzados de la Estadística, pero si es indispensable que
comprendan los fundamentos y supuestos de los métodos estadísticos para aplicarlos
correctamente.
La instrucción Estadística debe enfocarse en fenómenos específicos que puedan ser
cuantificados y después examinados. Algunos autores (Garfield & Ben-Zvi, 2005)
consideran que el estudiante de Estadística necesita comprender la naturaleza del
muestreo, la omnipresencia de la variación y las relaciones entre población y muestra. El
estudiante debe entender la probabilidad como una medida de incertidumbre, conocer
como desarrollar modelos para simular fenómenos aleatorios y como producir datos para
estimar probabilidades (Garfield & Ben-Zvi, 2007).
En el aprendizaje de la Estadística el estudiante necesita:
• Comprender el proceso de producción de datos y diferentes enfoques para producirlos
(transversales, longitudinales, series de tiempo, etc.).
• Realizar análisis exploratorio de datos (Batanero, Estepa, & Godino, 1991).
• Identificar el concepto de variabilidad muestral (Shaughnessy & Ciancetta, 2002).
• Adquirir la lógica de la inferencia estadística (Lovett & Greenhouse, 2000; Meyer &
Lovett, 2002).
• Hacer inferencias de la población a partir de una muestra.
• Coordinar y aplicar el conocimiento probabilístico a los datos analizados, a las
conclusiones preliminares de los resultados y a la interpretación de resultados en el
contexto específico bajo estudio.
Página 5
En las siguientes secciones se presenta un breve panorama sobre: instrucción
estadística y Estadística Educativa, software en la enseñanza de la estadística,
pensamiento estadístico, aprendizaje situado y la taxonomía Structure of the Observed
Learning Outcome (SOLO).
A. Instrucción Estadística y Estadística Educativa
Existen aspectos de la “formación matemática del estudiante y de sus actitudes hacia las
matemáticas que pueden ser comunes a otras áreas del conocimiento” (Gómez &
Carulla, 2001). Diversas experiencias confirman que el enfoque constructivista (Coll,
1996; Dubinsky & McDonald, 2001; Gómez & Carulla, 2001; San Martín, 2006;
Schoenfeld, 1999; Shaughnessy, 2007) favorece el aprendizaje en matemáticas y
estadística. Sin embargo, en la instrucción Estadística prevalece un enfoque a
herramientas, procedimientos y cálculos que limita la adecuada apropiación de los
conceptos fundamentales de la disciplina por los estudiantes quienes en el proceso
enfrentan diversos obstáculos cognitivos (Brousseau, 1997; San Martín, 2006). De
acuerdo a Brousseau (1997) estos obstáculos se categorizan en
• Obstáculos ontogénicos (o psicogenéticos): Por ejemplo, para comprender la idea de
función de distribución de probabilidad se requiere el conocimiento de funciones.
• Obstáculos didácticos: Por ejemplo, la introducción de un nuevo simbolismo como en el
modelo de regresión que emplea una notación diferente a la que el estudiante ha
estado habituado a usar para referirse a la recta.
• Obstáculos epistemológicos: Tal es el caso de la definición de variable aleatoria que en
realidad es una función del espacio muestral a los números reales; una variable que no
es variable porque es una función.
B. Software en la Enseñanza de la Estadística
Aún con la omnipresencia de diversas tecnologías en nuestra vida, tales como las
tecnologías de la información y las comunicaciones, su adopción en los ambientes
educativos ha sido difícil y lenta. La disponibilidad de recursos de tecnologías de la
información contrasta con lo inadecuado de su incorporación en los cursos de
Estadística. En algunos cursos se enfatizan los procedimientos de cálculo; al mismo
tiempo se ignora la verificación de los supuestos de cada modelo y la interpretación de
los resultados. Díaz Barriga (2005, 2008) destaca la importancia del diseño instruccional
Página 6
en entornos de aprendizaje con tecnologías de la información. Estudios recientes
muestran experiencias de la incorporación de tecnología en la instrucción estadística y de
los desafíos que representa realizarlo (Biehler & Prömmel, 2010; Maxara & Biehler,
2006). Software de calidad y gratuito puede emplearse para proceso, simulación y
enseñanza de estadística. Algunos ejemplos son: R-project (Gentleman & Ihaka, 2009; R
Development Core Team, 2006), Virtual Laboratories for Probability and Statistics
(Siegrist, 2009), Rice Virtual Lab in Statistics (Lane, 2006) o Free Statistical Software
(«Free Statistics - Free Statistical Software», 2010). Un recurso de fácil acceso es la hoja
de cálculo y es una alternativa para apoyar el aprendizaje de la estadística.
Con software tenemos la posibilidad de simular fenómenos aleatorios, condensar eventos
en el tiempo y observar el cambio de tendencias como función de diferentes parámetros.
Es viable sustituir demostraciones físicas que demandan tiempo de preparación por
simulaciones en la computadora previamente preparados por el docente o realizadas por
el estudiante con algunas indicaciones del docente. Tenemos la oportunidad de crear
representaciones dinámicas de objetos matemáticos para que el estudiante interactúe
con las propiedades matemáticas de dicho objeto. Desafortunadamente, el uso de esta
tecnología aún es reducido en los cursos de estadística para simular diversos procesos.
En la literatura, se distinguen dos connotaciones de “uso de simulaciones”. Una de ellas,
emplear simulaciones que contienen todos los elementos necesarios para que los
estudiantes la empleen (Java Applets, o como objetos en otros ambientes de
programación) (Blejec, 2002). La segunda de ellas, simulaciones que los estudiantes, o el
profesor, construyen con hojas de cálculo, paquetes estadísticos (STATA, Minitab, R) o
lenguajes de programación.
La incorporación de la tecnología en el aprendizaje de la Estadística de ninguna manera
deberá limitarse a su dimensión técnica o de herramienta. En la enseñanza de la
Estadística la tecnología debe contribuir para potenciar el aprendizaje de la disciplina y su
aplicación en contextos diversos.
Página 7
C. Alfabetización, Razonamiento y Pensamiento Estadístico
La instrucción Estadística con enfoque limitado a herramientas, procedimientos y cálculos
restringe la adecuada apropiación de los conceptos fundamentales de la disciplina por los
estudiantes (Keast, 1999; Zieffler et al., 2008). DelMas (2002) considera que la
instrucción en Estadística debe tener tres grandes metas:
• Alfabetización estadística (identificar, describir, parafrasear, traducir, interpretar, leer)
• Razonamiento estadístico (capacidad del estudiante para explicar qué, cómo y por qué)
• Pensamiento estadístico (la aplicación, la crítica, la evaluación y la generalización)
Figura 1 Proceso de Instrucción Estadística
La Alfabetización Estadística considera la comprensión y uso del lenguaje y herramientas
básicas de la Estadística: conocer el significado de términos, el empleo de símbolos
estadísticos, y reconocer y ser capaz de interpretar representaciones de datos.
El Razonamiento Estadístico se refiere a como las personas razonan con ideas
estadísticas y de como atribuyen sentido a la información estadística. El razonamiento
estadístico incluye la relación de un concepto dentro de otro (P. Ej. centro y dispersión) o
la combinación de ideas sobre datos y aleatoriedad; significa comprender, ser capaz de
explicar procesos estadísticos y de interpretar totalmente los resultados estadísticos.
El Pensamiento Estadístico incluye el entendimiento de por qué y cómo se desarrollan las
investigaciones estadísticas. Implica reconocer y comprender el proceso completo de
investigación (planteamiento de la pregunta, recolección de datos, selección del método
de análisis, prueba de suposiciones, etc.), entendimiento de como los modelos se usan
para simular el fenómeno aleatorio, comprender como se producen los datos para
estimar probabilidades, reconocer cuándo y por qué las herramientas inferenciales se
Alfabetización Estadística
Razonamiento
Estadístico
Pensamiento
Estadístico
Página 8
emplean, y ser capaz de entender y emplear el contexto de un problema para planear y
evaluar investigaciones y derivar conclusiones.
En un primer curso de Estadística el objetivo es conducir al estudiante en cada una de las
etapas anteriores en un proceso iterativo con diferente profundidad en cada etapa.
Incluso en cursos superiores de Estadística es posible aplicar dicho proceso1. Es
importante informar previamente a los estudiantes sobre el proceso para reducir el nivel
de ansiedad que puede interferir con su aprendizaje (Ashcraft & Kirk, 2001). Es frecuente
que los estudiantes esperen un formato de curso donde ellos estén familiarizados,
perciban tener control, conozcan las reglas, sepan como obtener una calificación y desde
su perspectiva tener “éxito”. Asimismo es recomendable tener comunicación oportuna
con los administradores educativos sobre este proceso que difiere de la práctica común.
Derivados de la teoría cognitiva y aplicados a la educación, Lovett y Greenhouse (2000)
proponen consideraciones para los docentes y su práctica: (1) Los estudiantes aprenden
mejor cuando ellos practican y se desempeñan de manera independiente; (2) El
conocimiento tiende a ser específico al contexto donde se aprende; (3) El aprendizaje es
más eficiente cuando el estudiante recibe retroalimentación inmediata sobre sus errores;
(4) El aprendizaje requiere de la integración de nuevo conocimiento con conocimiento
previo; (5) El aprendizaje es menos eficiente a medida que la carga mental del estudiante
aumenta. Con estas consideraciones (Lovett & Greenhouse, 2000) diseñaron un curso de
Razonamiento Estadístico para estudiantes de humanidades y ciencias sociales en
Carnegie Mellon University con duración de un semestre académico. Ellos reportan que
la experiencia favorece el aprendizaje de los estudiantes.
D. Aprendizaje Situado y Enseñanza Situada
Díaz Barriga (2003) señala que los principios de la Cognición Situada están relacionados
con el Enfoque Socio-Cultural de Lev Vygotsky y con la Teoría de la Actividad de Aleksei
Leontiev. Para la Cognición Situada una premisa fundamental es que el “…conocimiento
es situado, es parte y producto de la actividad, el contexto y la cultura en que se
1 El autor ha seguido este proceso en cursos de Estadística Matemática en nivel maestría con grupos de 6 a 8
estudiantes. Inicialmente, los estudiantes han mostrado desconcierto. Al final del curso ellos reconocen beneficios y
expresan satisfacción por el modelo de enseñanza. Estas experiencias serán reportadas en futuros trabajos.
Página 9
desarrolla y utiliza...” (Díaz Barriga, 2003). El Aprendizaje Situado es una postura teórica
de la cognición y del aprendizaje que considera que estos no pueden abstraerse del
ambiente donde ocurren. Las aseveraciones fundamentales del Aprendizaje Situado con
respecto a la educación son: (1) La acción está anclada en las situaciones concretas en
las que ocurre y (2) La instrucción debe realizarse en ambientes sociales complejos.
Díaz Barriga (2003) expresa que la enseñanza situada es el enfoque instruccional
sustentado en la cognición situada. En la enseñanza situada la actividad y el contexto
para el aprendizaje son centrales; el aprendizaje escolar se reconoce como proceso a
través del cual los estudiantes se asimilan a una cultura de prácticas sociales. Desde la
cognición y la enseñanza situada se cuestiona la praxis de la enseñanza a partir de
conceptos declarativos, abstractos y descontextualizados; de limitada utilidad y
relevancia social (Díaz Barriga, 2006).
En contraste, Anderson, Reder y Simon (1996, 2000) consideran que ciertos aspectos de
la aplicación del aprendizaje situado es inapropiado y en otros casos es incorrecto.
Señalan (1996, 2000) que descomponer el conocimiento en sus elementos con el
propósito de estudiarlos y descontextualizarlos con fines de instrucción escolar tiene
validez y vigencia desde una posición conductista o constructivista. Para Anderson et al
(1996, 2000) las aseveraciones de los beneficios del aprendizaje situado son
desmesuradas; recomiendan cautela y mayor detalle al analizar la evidencia empírica de
la aplicación del aprendizaje situado.
Sadler (2009) explora las implicaciones del aprendizaje situado como perspectiva teórica
para la educación en ciencias; destaca beneficios y expone críticas al enfoque.
E. La Taxonomía SOLO
Biggs, Collis y Tang (1982; 2007) desarrollaron la Taxonomía Structure of the Observed
Learning Outcome (SOLO); es una aplicación de la teoría de Piaget en el aula y se
sustenta en el trabajo de Marton y Säljö (1976). La taxonomía SOLO es aplicable a los
resultados de aprendizaje escrito y oral; en cinco niveles describe el resultado del
aprendizaje como evidencia de compresión. Los cinco niveles, en creciente complejidad
Página 10
de comprensión, son: Pre-estructural, Uni-estructural, Multi-estructural, Relacional y
Abstracción extendida.
En el nivel Pre-estructural, las respuestas de los estudiantes carecen de coherencia o
relevancia para la tarea o pregunta que se les presentó. Los niveles Uni-estructural y
Multi-estructural se asocian con un aumento cuantitativo en conocimiento o “enfoque
superficial” al aprendizaje donde un elemento de información, dato o hecho se usa o se
identifica (Uni-estructural), o cuando más de un elemento de información se identifica,
pero cada uno de ellos es empleado separadamente sin integración (Multi-estructural).
En el nivel Uni-estructural en la respuesta no se identifican aspectos que pueden
modificar o contradecir la respuesta. En el nivel Multi-estructural, en la respuesta se
omiten elementos que eventualmente contradicen la respuesta presentada.
En contraste, los niveles Relacional y Abstracción Extendida se consideran semejantes al
“enfoque profundo” del aprendizaje que se asocia con la calidad de pensamiento o
comprensión. En el nivel Relacional, la mayor parte de los datos relevantes son
empleados en la respuesta y relaciona datos diversos, las posibles contradicciones son
identificadas y evaluadas. En el nivel de Abstracción Extendida, la pregunta es abordada
como un caso particular de una situación general, se aportan cuestionamientos a las
suposiciones, se aportan contraejemplos y nuevos datos, y la respuesta se presenta
como una posible solución debidamente sustentada. En este nivel, el estudiante
identifica, obtiene e integra información adicional a la que recibe inicialmente para crear
hipótesis o elaborar predicciones.
SOLO es una forma de clasificar sistemáticamente, la creciente complejidad que
enfrentan los estudiantes en el aprendizaje de tareas académicas. Y puede emplearse
para definir los objetivos curriculares en los que los estudiantes deberán trabajar incluso
para evaluar la etapa en la que los estudiantes trabajan (Biggs & Collis, 1982; Biggs &
Tang, 2007).
A partir de los planteamientos de Robert delMas (2002), de Lovett y Greenhouse (2000) y
de la Enseñanza Situada (J. R. Anderson et al., 2000; Díaz Barriga, 2003; Sadler, 2009)
en el presente trabajo se propone una trayectoria hipotética de aprendizaje (Aranda &
Página 11
Callejo, 2010; Clements & Sarama, 2004; Gómez & Lupiañez, 2007; Watson & Mason,
2006) y una propuesta didáctica de regresión lineal para un primer curso de Estadística
en licenciatura. La evaluación del desempeño se realizó con la Taxonomía SOLO (Biggs
& Tang, 2007).
III. TRAYECTORIA HIPOTÉTICA DE APRENDIZAJE (THA) PARA REGRESIÓN LINEAL MÚLTIPLE
Una trayectoria de aprendizaje (THA) es “la predicción que el profesor tiene acerca del
camino por el cual puede proceder el aprendizaje” (Gómez & Carulla, 2001). Tres
componentes fundamentales de la THA son “la visión que el profesor tiene del objetivo de
aprendizaje, la planificación del profesor para las actividades de aprendizaje y las
hipótesis del profesor acerca del proceso de aprendizaje” (Gómez & Carulla, 2001). La
THA es un proceso dinámico y en constante evolución durante la clase. Sin embargo, es
importante recordar que el proceso de aprendizaje no es secuencial ni tampoco
determinístico; es un proceso dinámico.
Cuando el estudiante no comprende el concepto de regresión lineal su atención se
enfoca al cálculo y procedimiento inhibiendo la comprensión del concepto. La trayectoria
hipotética de aprendizaje (THA) y actividades didácticas diseñadas a partir de los
principios de Lovett y Greenhouse (2000), son una alternativa para trabajar este tema en
clase y apoyar el procesos de aprendizaje de los estudiantes desde el planteamiento de
delMas (2002).
Con la THA y las correspondientes actividades se promueve que el estudiante integre
conocimientos previos de álgebra y probabilidad para construir la representación
conceptual de regresión lineal. Emplear conjuntos de datos derivados de procesos
específicos con los que el estudiante pueda relacionarse permite un mejor desempeño en
su proceso de aprendizaje de los temas de Estadística.
A continuación se enuncian algunas situaciones de interpretación incorrecta de
conceptos de estimación estadística, coeficiente de correlación de Pearson y regresión
lineal múltiple.
Página 12
A. Estimación Estadística
Una de las tareas de la Inferencia Estadística (clásica) es la estimación de parámetros de
una población (D. Anderson et al., 2008; Lind et al., 2008; Sánchez, 2009a, 2009b;
Wakerly, Mendenhall, & Scheaffer, 2002). La estimación estadística es: puntual y por
intervalos de confianza. En la estimación puntual a partir de una muestra se construye
una función para estimar (estimador puntual) el parámetro (desconocido) de una
población. En la estimación por intervalos de confianza se construye una función que
determina, para un nivel de confianza establecido, los límites inferior y superior en donde
se estima que el parámetro (desconocido) de la población se encuentra. Diversos autores
(Batanero, Godino, Green, Holmes, & Vallecillos, 1994; Batanero & Serrano Romero,
1995; Chance, 2002) identifican dos situaciones de interpretación incorrecta:
1. Considerar el intervalo de confianza como la probabilidad de que el parámetro
(desconocido) esté en el intervalo.
2. Ignorar el concepto de variación muestral.
B. Medida de Asociación de Variables: Coeficiente de Correlación de Pearson.
El coeficiente de correlación de Pearson, ,X Y
r , es una medida de la asociación lineal entre
dos variables cuantitativas.
( ) ( )
( ) ( )
1
,
2 2
1 1
n
i i
iX Y
n n
i i
i i
X X Y Y
r
X X Y Y
=
= =
− −
=
− −
∑
∑ ∑
El coeficiente de correlación lineal,
,X Yr , mide en una escala continua entre -1 y +1 la
intensidad de la asociación lineal entre dos variables cuantitativas. El signo del
coeficiente indica el sentido de la correlación, negativa o positiva. El valor absoluto del
coeficiente de correlación señala la intensidad de la relación lineal, débil si la magnitud
tiende a cero; fuerte si tiende a la unidad. Es indispensable complementar este
diagnóstico con un diagrama de dispersión.
Dos interpretaciones erróneas de esta medida de asociación de variables son:
Página 13
1. Considerar falta de asociación entre variables cuando el coeficiente de correlación es
cercano a cero cuando debiera interpretarse como ausencia, o falta de evidencia, de
relación lineal.
2. Aplicarlo cuando el diagrama de dispersión exhibe una relación no lineal.
3. Implicar relación causa–efecto al obtener un valor del coeficiente de correlación
cercano a la unidad cuando lo que único que podemos establecer es una asociación
de variables.
C. Modelo de Regresión Lineal
Para modelar la respuesta en función de un conjunto de variables una metodología de
amplio uso es la regresión lineal múltiple. Con ella se ajusta un modelo lineal a un
fenómeno que tiene una respuesta continua resultado de una función lineal (en los
parámetros) de un conjunto de variables cuantitativas o categóricas (Montgomery, Peck,
& Vining, 2007; Wakerly et al., 2002). Se asume que la distribución de los errores tiene
una distribución normal con media cero y varianza constante no conocida; y no están
correlacionados. En esta técnica se estima el valor esperado de la variable continua y en
función de k variables x . Es decir
ɵ �0
0
; 1
k
i ii
i
y x xβ=
= =∑
La exposición del estudiante a modelos de regresión lineal (D. Anderson et al., 2008;
Hines et al., 2003; Montgomery et al., 2007; Moore et al., 2009) deberá enfocarse a:
• Presentación de los supuestos fundamentales del modelo de regresión.
• Análisis exploratorio de los datos.
• Méritos de la formulación del modelo.
• Validación del modelo.
• Interpretación de los resultados derivados.
Asimismo, debe evitarse concentrarse en el cálculo de los estimadores o en limitados
criterios de validación del modelo. Es una tarea relativamente sencilla proporcionar a los
estudiantes un conjunto de datos para que ellos obtengan la ecuación de regresión. Sin
embargo, dicha práctica de ninguna manera implicará aprendizaje ni conocimiento del
modelo de regresión. Con respecto a la validación del modelo, se sugiere presentar a los
Página 14
estudiantes los clásicos conjuntos datos de Anscombe (Anscombe, 1973; Chatterje &
Firat, 2007) para ilustrar casos en los que usar indiscriminadamente el coeficiente de
determinación como criterio de validez del modelo es incorrecto. Para referencia del
lector en el Apéndice A se incluye este conjunto de datos.
IV. UNA PROPUESTA DIDÁCTICA PARA LICENCIATURA
Una rigurosa aplicación del aprendizaje situado para el tema de regresión lineal múltiple
requeriría incorporar a los estudiantes en comunidades de práctica; comunidades cuyo
trabajo sustantivo sea resolver problemas vía modelos estadísticos, en particular análisis
de regresión. Para aproximarnos al aprendizaje situado, dadas las condiciones del
contexto universitario y cultura escolar, optamos por diseñar actividades para que los
estudiantes identificaran el problema, definieran variables, obtuvieran datos, realizaran
análisis exploratorio de los datos, propusieran modelos, los validaran e interpretaran los
resultados en el contexto del problema analizado.
Diversos autores (Brunelli & Gattuso, 2000; Derry, Levin, & Schauble, 1995; Godino,
Ruíz, Roa, Pareja, & Recio, 2010; Nolan & Speed, 1999) destacan la relevancia de
desarrollar nociones conceptuales de estadística en los estudiantes a través de
experiencias con conjuntos de datos de fenómenos concretos y de simulaciones. En la
presente propuesta didáctica se asume que los estudiantes poseen habilidades de
manejo de hoja de cálculo y tienen familiaridad con los conceptos de variable aleatoria,
función de distribución de probabilidad (D. Anderson et al., 2008; McColl, 1995; Moore
et al., 2009), medidas de tendencia central y de dispersión, y estimación estadística. En
particular, se asume que el estudiante comprende las distribuciones Normal y t-Student
(D. Anderson et al., 2008; Fendler & Muzaffar, 2008; Hines et al., 2003; Lind et al., 2008).
Para la aplicación de la estrategia didáctica, se invitó a veinte estudiantes de
mercadotecnia que aprobaron un primer curso de Estadística2. Se organizó a los
estudiantes en dos equipos con cuatro integrantes y cuatro equipos con tres integrantes.
Todos respondieron a un instrumento (“A”) para establecer el nivel SOLO (al inicio) de
cada participante. El docente describió en una sesión de dos horas el tema de regresión
2 Ningún participante obtuvo calificación final de diez en su curso de Estadística.
Página 15
lineal simple; tema que no cubierto en su curso. En una segunda sesión de dos horas el
docente elaboró sobre la limitación del modelo de regresión lineal simple, mostró la
necesidad de incluir variables independientes adicionales; presentó el modelo de
regresión lineal múltiple y sus supuestos. El docente ejemplificó el uso de Excel para
realizar los cálculos correspondientes.
En una tercera sesión de dos horas, el docente presentó a los estudiantes el proceso de
especificación de un modelo de regresión lineal múltiple. Posteriormente, él abrió la
discusión al grupo sobre tópicos con los que los estudiantes pudieran relacionarse para
aplicar el modelo de regresión.
Las etapas realizadas fueron:
1. Especificación del modelo.
2. Recolección de datos.
3. Cálculo de los estimadores de regresión.
4. Validar el modelo.
5. Interpretar el modelo.
6. Discutir los resultados
Considerando que la experiencia de los estudiantes es el área mercadotecnia y un
posible interés es la música, se propuso a los participantes elaborar un modelo para
determinar el precio ($) de CD de música3 a partir de un conjunto de variables
independientes cuantitativas.
A. Precio de CD de Música
En una primera aproximación a cada grupo se le proporcionó una muestra de precios de
CD que sólo incluía precio y duración (minutos) del CD. Se hizo un “lluvia de ideas” en
cada grupo de estudiantes para identificar factores cuantitativos adicionales que pudieran
afectar el precio del CD. Los grupos propusieron incluir variables como número de
melodías, duración de cada melodía, años transcurridos desde la producción del CD,
3 Es recomendable modificar el ejemplo dependiendo de los intereses de los estudiantes. Para el caso de estudiantes
de tecnologías de la información podríamos referirnos errores de transmisión de mensaje. O bien para estudiantes
del área de salud diseñar un problema que involucre datos biométricos.
Página 16
número de artistas que participan en el CD, número de instrumentos musicales
empleados. A los grupos se les asignó el proyecto: “a partir de los factores cuantitativos
identificados por cada grupo obtener una muestra de las características de CDs para
especificar un modelo de regresión lineal con el precio como variable dependiente”.
B. Etapas para el Modelos de Regresión Múltiple de Precio de CD de música
En la etapa 1 los estudiantes organizaron sus hallazgos de la “lluvia de ideas”;
propusieron las variables cuantitativas dependientes. En la segunda etapa analizaron los
datos de CDs y obtuvieron información para construir su muestra. Para la tercera etapa
capturaron datos en la computadora, realizaron el análisis exploratorio y emplearon el
correspondiente procedimiento de análisis de regresión. En este punto se mostró a los
estudiantes que el proyecto aún no concluía porque debían validar e interpretar el modelo
y discutir los resultados. Es decir, tenían tres etapas por realizar. En la etapa 4,
verificaron que los supuestos del modelo se cumplían al analizar el comportamiento de
los residuales; aplicaron sus conocimientos de correlación, intervalos de confianza y
pruebas de hipótesis para validar el modelo. Finalmente, en las últimas dos etapas los
estudiantes interpretaron y discutieron sus resultados.
El proyecto lo desarrollaron los estudiantes en un lapso de dos semanas con sesiones de
asesoría con el docente. Al final de la tercera etapa, cuatro estudiantes de un mismo
grupo desistieron de continuar el proceso; argumentaron que el trabajo era confuso para
ellos. En este sentido, se destaca que el paradigma constructivista implica cambio de
actitud no sólo del docente. El cambio también es requerido de parte de los estudiantes;
incluso de la propia institución. Por lo que es crucial mantener con todos los involucrados
una comunicación propositiva y continua sobre el proceso.
V. RESULTADOS
Para evaluar el desempeño de los estudiantes participantes de este proyecto ellos
respondieron individualmente a dos instrumentos adicionales (“B” y “C”). La respuesta a
cada reactivo del instrumento “B” la hicieron con una puntuación de 1 a 5. Donde 5
representa la máxima puntuación y 1 la mínima. Los resultados del instrumento “B” se
resumen en la siguiente Tabla 1.
Página 17
1 2 3 4 5Total
Repuestas0.0% 0.0% 12.5% 25.0% 62.5% 100.0%0.0% 0.0% 6.3% 25.0% 68.8% 100.0%
Desarrollan mejor comprensión de Muestreo 0.0% 0.0% 6.3% 18.8% 75.0% 100.0%Representatividad de la muestra 0.0% 0.0% 0.0% 12.5% 87.5% 100.0%Variabilidad estadística 0.0% 0.0% 25.0% 56.3% 18.8% 100.0%Estimación 0.0% 0.0% 0.0% 6.3% 93.8% 100.0%Significancia estadística 0.0% 0.0% 0.0% 25.0% 75.0% 100.0%
Reconocen el papel de la tecnología Como recurso para su aprendizaje 0.0% 0.0% 12.5% 25.0% 62.5% 100.0%Como recurso para experimentar con diferentes escenarios 0.0% 0.0% 0.0% 12.5% 87.5% 100.0%Como recurso fundamental para el análisis de datos 0.0% 0.0% 0.0% 6.3% 93.8% 100.0%
Valoran la utilidad de los métodos estadísticos.Mejoran en sus habilidades de interpretación de datos.
Tabla 1 Opiniones de los participantes
Obsérvese que más del 85% de los estudiantes asignan puntuación de 5 a las
categorías:
• “Desarrollan mayor comprensión de representatividad de la muestra” (87.5%)
• “Desarrollan mayor comprensión de estimación” (93.8%)
• “Reconocen el papel de la tecnología como recurso para experimentar con diferentes
escenarios” (87.5%)
• “Reconocen el papel de la tecnología como recurso fundamental para el análisis de
datos” (93.8%)
En contraste, 25% de los participantes asigna puntuación de 3 a la categoría “Desarrollan
mayor comprensión de variabilidad estadística”. Incluso esta categoría es la que tiene el
menor porcentaje (18.8%) de puntuación 5. Una conclusión preliminar es que el concepto
de variabilidad estadística sigue representando un reto para el aprendizaje y para la
enseñanza.
El resumen de los resultados de los instrumentos “A” (Nivel SOLO al Inicio) y “C” (Nivel
SOLO al Final) con la correspondiente clasificación se resume en la Tabla 2.
Nivel SOLO al Inicio
Nivel SOLO al Final
% %Pre-estructural 0% 0%Uni-estructural 38% 0%Multi-estructural 44% 38%Relacional 19% 38%Abstracción extendida 0% 25%
100% 100% Tabla 2 Nivel SOLO de los participantes
De la anterior tabla se observa mejora en el desempeño global del grupo. Al inicio 19%
de los participantes fue ubicado en nivel Relacional o Abstracción Extendida; al final
Página 18
fueron ubicados en esas mismas categorías el 63% de los participantes. Sin embargo, en
lo individual, diez estudiantes mejoraron su nivel SOLO, dos bajaron su nivel SOLO y
cuatro no cambiaron de nivel SOLO.
En la dinámica de trabajo se observó que los participantes mantuvieron una actitud
propositiva en el proceso enseñanza-aprendizaje. Aún en circunstancias de frustración
por las dificultades inherentes al proceso. En el formato de clase magistral estos
aspectos son difíciles de evidenciar y en consecuencia de evaluar.
VI. CONCLUSIONES
El análisis de una problemática con la que los estudiantes se relacionen con mínimas
consideraciones técnicas fomentó en ellos la reflexión, el desarrollo de habilidades de
análisis de datos, y razonamiento y pensamiento estadístico. Se diseñó y aplicó una
actividad didáctica para el tema de regresión lineal múltiple en un curso de Estadística
donde
� Las actividades se orientan a las metas de la instrucción estadística (delMas, 2002;
Lovett & Greenhouse, 2000; Meyer & Lovett, 2002).
� A través los resultados de la práctica del estudiante, se evidencia el proceso de
aprendizaje del estudiante para retroalimentar al profesor (Biggs & Tang, 2007).
� El diseño de la intervención atiende a las características del aprendizaje situado
(Sadler, 2009).
Es factible extender el esquema de la anterior propuesta al diseño e instrumentación de
cursos de Estadística. Dichas tareas demandan modificaciones en la práctica de los
docentes así como en los procedimientos de evaluación de estudiantes y docentes.
Adicionalmente deben establecerse compromisos formales y concretos de estudiantes,
autoridades educativas y administrativas para progresar en la encomienda. Las
demandas de la sociedad del conocimiento hacen indispensables e impostergables los
cambios en la instrucción estadística para que los estudiantes desarrollen competencias
para la interpretación de datos que sustente objetivamente su toma de decisiones.
Página 19
VII. REFERENCIAS
Anderson, D., Sweeney, D., & Williams, T. (2008). Estadística para administración y
economía (10a ed.). México: Prentice Hall.
Anderson, J. R., Reder, L., & Simon, H. (1996). Situated learning and education.
Educational Researcher, 25(4), 5–11.
Anderson, J. R., Reder, L., & Simon, H. (2000). Applications and misapplications of
cognitive psychology to mathematics education. Texas Educational Review.
Recuperado a partir de http://act-r.psy.cmu.edu/papers/misapplied.html
Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1),
17–21.
Aranda, C., & Callejo, M. L. (2010). Construcción del concepto de dependencia lineal en
un contexto de geometría dinámica: un estudio de caso. Revista Latinoamericana
de Investigación en Matemática Educativa, 13(2), 129–158.
Ashcraft, M. H., & Kirk, E. P. (2001). The relationships among working memory, math
anxiety, and performance. Journal of Experimental Psychology: General, 130(2),
224–237.
Batanero, C., & Díaz, C. (2010). Training teachers to teach statistics: what can we learn
from research? Statistique et Enseignement, 1(1), 5–20.
Batanero, C., Estepa, A., & Godino, J. D. (1991). Análisis exploratorio de datos: sus
posibilidades en la enseñanza secundaria. Suma, (9), 25–31.
Batanero, C., & Godino, J. D. (2005). Perspectivas de la educación estadística como área
de investigación. En R. Luengo (Ed.), Líneas de investigación en Didáctica de las
Matemáticas (pp. 203–226). Badajoz: Universidad de Extremadura. Recuperado a
partir de http://www.ugr.es/~batanero/ARTICULOS/Perspectivas.pdf
Batanero, C., Godino, J. D., Green, D. R., Holmes, P., & Vallecillos, A. (1994). Errors and
difficulties in understanding elementary statistical concepts. International Journal of
Mathematics Education in Science and Technology, 25(4), 527–547.
Batanero, C., Ortíz, J. J., Serrano, L., & Cañizares, M. J. (2001). Una perspectiva de
síntesis de las tendencias actuales en la educación estadística. En P. Gómez & L.
Rico (Eds.), Iniciación a la investigación en didáctica de la matemática. Homenaje
al profesor Mauricio Castro. Granada: Editorial Universidad de Granada.
Recuperado a partir de http://cumbia.ath.cx/ugr/phmc/PDF/Bataneroetal.pdf
Página 20
Batanero, C., & Serrano Romero, L. (1995). La aleatoriedad, sus significados e
implicaciones educativas. UNO: Revista didáctica de matemáticas, (5), 15–28.
Ben-Zvi, D., & Garfield, J. (2008). Introducing the emerging discipline of statistics
education. School Science & Mathematics, 108(8), 355–361.
Biehler, R., & Prömmel, A. (2010). Developing students’ computer-supported simulation
and modelling competencies by means of carefully designed working
environments. Proceedings of the Eighth International Conference on Teaching
Statistics. Presentado en ICOTS-8, Slovenia. Recuperado a partir de
http://www.stat.auckland.ac.nz/~iase/publications.php?show=icots8
Biggs, J., & Collis, K. (1982). Evaluating the Quality of Learning: the SOLO taxonomy.
New York: Academic Press.
Biggs, J., & Tang, C. (2007). Teaching for Quality Learning at University (3.a ed.).
Buckingham: SRHE and Open University Press.
Blejec, A. (2002). Teaching statistical concepts with simulated data. Proceedings of the
Sixth Annual International Conference on the Teaching of Statistics. Presentado en
ICOTS-6, Cape Town. Recuperado a partir de
http://www.stat.auckland.ac.nz/~iase/publications.php?show=1
Brousseau, G. (1997). Theory of Didactical Situations in Mathematics. Holanda: Kluwer
Academic Publisher.
Brunelli, L., & Gattuso, L. (2000). Real data and statistics in the mathematics education.
What is coming out of a research on teaching strategies for the learning of
statistics. Presentado en International Conference on Mathematics Education into
the 21st Century: Mathematics for Living, Amman, Jordan. Recuperado a partir de
http://math.unipa.it/~grim/jourdain
Chance, B. (2002). Components of Statistical Thinking and Implications for Instruction and
Assessment. Journal of Statistics Education, 10(3). Recuperado a partir de
http://www.amstat.org/publications/jse/v10n3/chance.html
Chatterje, S., & Firat, A. (2007). Generating data with identical statistics but dissimilar
graphics. The American Statistician, 61(3), 248–254.
Clements, D. H., & Sarama, J. (2004). Learning trajectories in mathematics education.
Mathematical Thinking and Learning, 6(2), 81–89.
Coll, C. (1996). Constructivismo y educación escolar: ni hablamos siempre de lo mismo ni
Página 21
lo hacemos siempre desde la misma perspectiva epistemológica. Anuario de
Psicología, 69, 153–178.
delMas, R. (2002). Statistical literacy, reasoning, and learning: a commentary. Journal of
Statistics Education, 10(3). Recuperado a partir de
http://www.amstat.org/publications/jse/v10n3/delmas_discussion.html
Derry, S., Levin, J. R., & Schauble, L. (1995). Stimulating statistical thinking through
situated simulations. Teaching of Psychology, 22(1), 51–57.
Díaz Barriga, F. (2003). Cognición situada y estrategias para el aprendizaje significativo.
Revista Electrónica de Investigación Educativa, 5(2). Recuperado a partir de
http://redie.ens.uabc.mx/vol5no2/contenido-arceo.html
Díaz Barriga, F. (2005). Principios de diseño instruccional en entornos de aprendizaje
apoyados con TIC: un marco de referencia sociocultural y situado. Tecnología y
Comunicación Educativas, 41.
Díaz Barriga, F. (2006). Enseñanza Situada: Vínculo entre la Escuela y la Vida. México:
McGraw-Hill.
Díaz Barriga, F. (2008). Educación y nuevas tecnologías de la información y la
comunicación: ¿hacia un paradigma educativo innovador? Sinéctica, revista virtual
de la educación, 30. Recuperado a partir de
http://portal.iteso.mx/portal/page/portal/Sinectica/Revista/fridadb
Dubinsky, E., & McDonald, M. A. (2001). APOS: a constructivist theory of learning in
undergraduate mathematics education research. The Teaching and Learning of
Mathematics at University Level (pp. 275–282). Kluwer Academic Publisher.
Recuperado a partir de http://www.math.kent.edu/~edd/ICMIPaper.pdf
Fendler, L., & Muzaffar, I. (2008). The history of the bell curve: sorting and the idea of
normal. Educational Theory, 58(1), 63–82.
Free Statistics - Free Statistical Software. (2010).Free Statistical Software. Recuperado
mayo 26, 2010, a partir de http://www.freestatistics.info/en/stat.php
Garfield, J., & Ben-Zvi, D. (2005). A framework for teaching and assessing reasoning
about variability. Statistics Education Research Journal, 4(1), 92–99.
Garfield, J., & Ben-Zvi, D. (2007). How students learn statistics revisited: a current review
of research on teaching and learning statistics. International Statistical Review,
75(3), 372–396.
Página 22
Gentleman, R., & Ihaka, R. (2009). The R Project for Statistical Computing. The R Project
for Statistical Computing. Recuperado septiembre 12, 2009, a partir de
http://www.r-project.org/
Gil Pérez, D., & Guzmán Ozámiz, M. (2009). Enseñanza de las Ciencias y la Matemática
- Tendencias e Innovaciones. Recuperado septiembre 16, 2009, a partir de
http://www.oei.es/oeivirt/ciencias.htm
Godino, J. D., Ruíz, F., Roa, R., Pareja, J. L., & Recio, A. M. (2010). Análisis didáctico de
recursos interactivos para la enseñanza de la estadística en la escuela. IASE
Satellite Conference on Statistics Education and the Internet. Presentado en IASE
Satellite Conference on Statistics Education and the Internet, Berlín. Recuperado a
partir de http://www.ugr.es/~jgodino/funciones-semioticas/estocastica_mpi.pdf
Gómez, P., & Carulla, C. (2001). Enseñanza constructivista, conocimiento didáctico del
profesor y análisis didáctico en matemáticas. El caso de la función cuadrática. En
M. L. Tirado (Ed.), Educación en Matemáticas (pp. 337–363). Bogotá: IDEP.
Recuperado a partir de http://funes.uniandes.edu.co/365/1/GomezP01-2585.PDF
Gómez, P., & Lupiañez, J. L. (2007). Trayectorias hipotéticas de aprendizaje en la
formación inicial de profesores de matemáticas de secundaria. PNA, 1(2), 79–98.
Hines, W. W., Montgomery, D. C., Goldsman, D. M., & Borr, C. M. (2003). Probabilidad y
estadística para ingeniería (4.a ed.). México: Grupo Editorial Patria.
Keast, S. (1999). Learning styles in mathematics classrooms. Proceedings of International
Conference on Mathematics Education into 21st Century: societal challenges,
issues and approaches (Vol. 2). Presentado en International Conference on
Mathematics Education into 21st Century: societal challenges, issues and
approaches, Egipto. Recuperado a partir de
http://math.unipa.it/~grim/EKeast6.PDF
Lane, D. (2006). Rice Virtual Lab in Statistics (RVLS). Rice Virtual Lab in Statistics
(RVLS). Recuperado julio 3, 2010, a partir de http://onlinestatbook.com/rvls/
Lind, D., Marchal, W. G., & Wathen, S. A. (2008). Estadística aplicada a los negocios y la
economía (13.a ed.). México: McGraw Hill.
Lovett, M. C., & Greenhouse, J. B. (2000). Applying cognitive theory to statistics
instruction. The American Statistician, (54), 196–206.
Marton, F., & Säljö, R. (1976). On qualitative differences in learning — 1: outcome and
Página 23
process. British Journal of Educational Psychology, (46), 4–11.
Maxara, C., & Biehler, R. (2006). Students’ probabilistic simulation and modeling
competence after a computer-intensive elementary course in statistics and
probability. Proceeding of the Seventh International Conference on the Teaching of
Statistics. Presentado en ICOTS-7, Brasil: International Association for Statistical
Education (IASE), International Statistical Institute (ISI). Recuperado a partir de
http://www.stat.auckland.ac.nz/~iase/publications.php?show=17
McColl, J. H. (1995). Probability. London: Edward Arnold.
Meyer, O., & Lovett, M. C. (2002). Implementing a cognitive tutor in a statistical reasoning
course: getting the big picture. En B. Phillips (Ed.), Proceedings of the Sixth Annual
International Conference on the Teaching of Statistics. Presentado en ICOTS-6,
Cape Town: The Netherlands: International Statistical Institute.
Montgomery, D. C., Peck, E. A., & Vining, G. . (2007). Introduction to Linear Regression
Analysis (4.a ed.). New York: Wiley.
Moore, D. S., McCabe, G. P., & Craig, B. (2009). Introduction to the Practice of Statistics
(6th ed.). W.H. Freeman.
Nicholson, J., & Mulhern, G. (2000). Data interpretation in the 21st century: issues in the
classroom. Presentado en International Conference on Mathematics Education into
the 21st Century: Mathematics for Living, Amman, Jordan. Recuperado a partir de
http://math.unipa.it/~grim/jourdain
Nolan, D., & Speed, T. P. (1999). Teaching statistics theory through applications. The
American Statistician, 53(4), 370–376.
Pantula, S. (2010). Teachable moments. AMSTATNEWS, November(401), 3.
R Development Core Team. (2006). R: A language and environment for statistical
computing. Viena: R Foundation for Statistical Computing. Recuperado a partir de
http://www.r-project.org/
Sadler, T. D. (2009). Situated learning in science education: socio‐scientific issues as
contexts for practice. Studies in Science Education, 45(1), 1–42.
San Martín, E. (2006). Piaget’s viewpoint on the teaching of probability: a breaking-off
with the traditional notion of chance? International Conference on the Teaching of
Statistics. Presentado en ICOTS-7, Brasil: IASE, ISI. Recuperado a partir de
http://www.stat.auckland.ac.nz/~iase/publications/17/8D1_SANM.pdf
Página 24
Sánchez, E. (2009a). Probabilidad y Estadística 1. México: Grupo Editorial Patria.
Sánchez, E. (2009b). Probabilidad y Estadística 2. México: Grupo Editorial Patria.
Schoenfeld, A. H. (1999). The 21st century: challenges of educational theory and practice.
Annual Meeting of the American Educational Research Association. Presentado en
Annual Meeting of the American Educational Research Association, Canadá.
Recuperado a partir de
http://gse.berkeley.edu/faculty/AHSchoenfeld/AERA_final.pdf
Shaughnessy, M. (2007). Research on statistics learning and reasoning. En F. K. Lester
(Ed.), Second Handbook of Research on Mathematics Teaching and Learning (Vol.
II, pp. 957–1009). Virginia: NCTM - Information Age Publishing.
Shaughnessy, M., & Ciancetta, M. (2002). Students’ understanding of variability in a
probability environment. Sixth International Conference on Teaching Statistics.
Presentado en ICOTS-6 Developing a Statistically Literate Society, South Africa.
Recuperado a partir de
http://www.stat.auckland.ac.nz/~iase/publications/1/6a6_shau.pdf
Siegrist, K. (2009). Virtual Laboratories in Probability and Statistics. Virtual Laboratories in
Probability and Statistics. Recuperado enero 7, 2009, a partir de
http://www.math.uah.edu/stat/index.xhtml
Wakerly, D., Mendenhall, W., & Scheaffer, R. L. (2002). Mathematical Statistics with
Applications (6a ed.). Pacific Grove: Duxbury/Thomson.
Watson, A., & Mason, J. (2006). Seeing an exercise as a single mathematical object:
using variation to structure sense-making. Mathematical Thinking and Learning,
8(2), 91–111.
Zieffler, A., Garfield, J., Alt, S., Dupuis, D., Holleque, K., & Chang, B. (2008). What does
research suggest about the teaching and learning of introductory statistics at the
college level? a review of the literature. Journal of Statistics Education, 16(2).
Recuperado a partir de www.amstat.org/publications/jse/v16n2/zieffler.html
Página 25
VIII. APÉNDICE A
Conjunto de datos de Anscombe (1973).
Variables Nº Obs. X Y1 Y2 Y3 X4 Y4
1 10 8.04 9.14 7.46 8 6.58 2 8 6.95 8.14 6.77 8 5.76 3 13 7.58 8.74 12.74 8 7.71 4 9 8.81 8.77 7.11 8 8.84 5 11 8.33 9.26 7.81 8 8.47 6 14 9.96 8.1 8.84 8 7.04 7 6 7.24 6.13 6.08 8 5.25 8 4 4.26 3.1 5.39 19 12.5 9 12 10.84 9.13 8.15 8 5.56 10 7 4.82 7.26 6.42 8 7.91 11 5 5.68 4.74 5.73 8 6.89
Resumen de datos.
X Y1 Y2 Y3 X4 Y4
Observaciones 11 11 11 11 11 11 Media 9.00 7.50 7.50 7.50 9.00 7.50 Desviación estándar 3.32 2.03 2.03 2.03 3.32 2.03 Suma 99.00 82.51 82.51 82.50 99.00 82.51
Diagramas de dispersión, coeficiente de determinación y ecuación de regresión
X vs Y1y = 0.50x + 3.00
R2 = 0.67
0
2
4
6
8
10
12
0 5 10 15
X
X vs Y2y = 0.50x + 3.00
R2 = 0.67
0
2
4
6
8
10
12
0 5 10 15
X
X vs Y3y = 0.50x + 3.00
R2 = 0.67
0
2
4
6
8
10
12
14
0 5 10 15
X
X4 vs Y4y = 0.50x + 3.00
R2 = 0.67
0
2
4
6
8
10
12
14
0 5 10 15 20
X4
Y4
top related