Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD NACIONAL AUTONÓMA DE MÉXICO FACULTAD DE PSICOLOGÍA “PRACTICANDO LA ESTADÍSTICA”: DISEÑO DE UN PROTOTIPO BASADO EN UNA PÁGINA WEB INTERACTIVA PARA LA PRÁCTICA DEL ANÁLISIS DE DATOS T E S I S QUE PARA OBTENER EL TITULO DE LICENCIADO EN PSICOLOGÍA P R E S E N T A RUTH DE LA ROSA RAMÍREZ DIRECTOR DE TESIS: DRA. BENILDE GARCÍA CABRERO REVISOR DE TESIS: LIC. ALEJANDRA VALENCIA CRUZ MÉXICO, D.F. 2006 UNAM – Dirección General de Bibliotecas Tesis Digitales Restricciones de uso DERECHOS RESERVADOS © PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL Todo el material contenido en esta tesis esta protegido por la Ley Federal del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México). El uso de imágenes, fragmentos de videos, y demás material que sea objeto de protección de los derechos de autor, será exclusivamente para fines educativos e informativos y deberá citar la fuente donde la obtuvo mencionando el autor o autores. Cualquier uso distinto como el lucro, reproducción, edición o modificación, será perseguido y sancionado por el respectivo titular de los Derechos de Autor. UNIVERSIDAD NACIONAL AUTONÓMA DE MÉXICO FACULTAD DE PSICOLOGÍA “PRACTICANDO LA ESTADÍSTICA”: DISEÑO DE UN PROTOTIPO BASADO EN UNA PÁGINA WEB INTERACTIVA PARA LA PRÁCTICA DEL ANÁLISIS DE DATOS T E S I S QUE PARA OBTENER EL TITULO DE LICENCIADO EN PSICOLOGÍA P R E S E N T A RUTH DE LA ROSA RAMÍREZ DIRECTOR DE TESIS: DRA. BENILDE GARCÍA CABRERO REVISOR DE TESIS: LIC. ALEJANDRA VALENCIA CRUZ SINODALES: LIC. FERNANDO GARCÍA CORTES MTRA. MILAGROS FIGUEROA CAMPOS LIC. PATRICIA CHEANG CHAO GONZÁLEZ REVISOR METODOLÓGICO: LIC. MA. DE LOURDES MONROY TELLO MÉXICO, D.F. 2006 AGRADECIMIENTOS Agradezco a: Mi “Alma Mater”, La Universidad Nacional Autónoma de México, por brindarme la oportunidad de Ser…¡¡Orgullosamente UNAM!! Mis padres, hermanos y sobrinos, por su apoyo incondicional, y a quienes tanto quiero. Mi amigo inseparable, que siempre estas en mí C. S. Mi directora, la Dra. Benilde García Cabrero, por su valiosa asesoría y experiencia. Sinodales del Jurado, por las sugerencias brindadas para enriquecer este trabajo: Mtra. Milagros Figueroa Campos, Lic. Fernando García Cortes, Lic. Patricia Cheang Chao González y Lic. Alejandra Valencia Cruz. Con especial gratitud, por compartir su tiempo, conocimientos, intereses, expectativas y experiencia académica para la realización de este trabajo: Lic. Ma. de Lourdes Monroy Tello, Lic. Fernando Fierro Luna y Lic. Alejandra Valencia Cruz. El equipo de investigación inicial del proyecto ESACS, con quienes crecí profesionalmente y compartí gratas experiencias: Lic. Adriana Meza Meza, Lic. José Luis Ávila Calderón, Lic. Luis D. Márquez Ramírez, Lic. Alejandra Valencia Cruz, Lic. Patricia Romero Sánchez, Grupo de apoyo (Griselda, Teresa, Mónica y Martha). Todos mis maestros, compañeros de trabajo y amigos, que de alguna forma siempre me han ofrecido su apoyo y amistad: Lic. Ma. Hortensia García Vigil, Dra. Frida Díaz Barriga, Dra. Georgina Delgado, Lic. Laura Valdespino, Psic. Gesia Rivera, Lic. María Eugenia Martínez, Lic. Jesús Carlos Guzmán, Lic. Alma Mireia López Arce, Ing. Germán Morato. Personal de URIDES (Silvia, Aurora, Georgina, Guadalupe, Marcos, Cuitláhuac, Jesús, Javier, Hilda, Consuelo, Columba y Obed). Dra. Dolores Martínez, Lic. Sandra Silva, Psic. Angélica Velasco, Psic. Vania Pineda, Judith Martínez, Beatriz Monroy, Marco Antonio Bonaparte y Alejandro Garrido. ¡Gracias a todos! Í N D I C E Agradecimientos Resumen Índice Introducción Capítulo 1. Antecedentes Teórico-Empíricos 1.Revisión documental sobre las dificultades para la enseñanza y aprendizaje de la estadística 2 2. Dificultades y necesidades en la enseñanza-aprendizaje de la estadística en la Facultad de Psicología 14 Capítulo 2. Diseño de Nuevos Ambientes de Aprendizaje 1. Uso de las nuevas tecnologías en la educación 40 2 La computadora en la educación 42 3 Internet y el WWW 44 4 Multimedios o multimedia 52 4.1 Metodología para el desarrollo de un programa Multimedia Educativo 55 4.1.1 Etapa de diseño 55 4.1.2 Etapa de desarrollo 69 4.1.3 Etapa de evaluación 73 4.2 ASP y ESACS 75 Capítulo 3. Diseño y Desarrollo de “Practicando la Estadística” 1. Diseño del componente de práctica 81 1.1 Justificación 81 1.2 Población objetivo a quien va dirigido el programa 82 1.3 Plataforma de desarrollo, consumo y medio de distribución 82 1.4 Diseño instruccional 83 2. Desarrollo del componente de práctica 97 2.1 Prototipo Rápido 97 2.2 Descripción del componente de práctica 98 Conclusiones y Recomendaciones 109 Referencias 112 Anexos 123 RESUMEN “Practicando la Estadística” es un componente del Multimedia ESACS (Estadística Auténtica para las Ciencias Sociales, por sus siglas, es una ambiente de aprendizaje basado en la computadora para la adquisición de conocimientos y habilidades en Estadística a nivel Licenciatura), que surge de la necesidad de proporcionar un ambiente de práctica bajo el formato de una página Web interactiva, para efectuar el análisis de datos de diversos proyectos de investigación de corte psicológico. Desarrollar habilidades para el análisis de datos es de fundamental importancia por dos razones: 1) Como parte de la estadística, es una de las áreas que más dificultades de aprendizaje presenta a los alumnos, debido a que su contenido implica un alto nivel de abstracción y de razonamiento estadístico; y, 2) En el ámbito psicológico, es una competencia primordial para el aprendizaje de las técnicas estadísticas y su aplicación, así como una herramienta para poder describir, explicar y, en algunas ocasiones, predecir el comportamiento. El componente está dirigido a estudiantes de licenciatura y posgrado en Psicología de la UNAM para que apliquen sus conocimientos adquiridos en este ámbito al interactuar previamente con dos de los componentes de ESACS, el Tutorial o “Experto” y la Videoteca de Ejemplos o “Modelando la Estadística”, o bien poseer conocimientos previos, puesto que su propósito es promover el desarrollo de habilidades hasta su automatización, con el fin de que ellos puedan realizar eficientemente los procedimientos estadísticos requeridos al justificar y reflexionar sobre sus selecciones, inferencias y argumentos. Para este efecto, en colaboración con especialistas en contenido estadístico y diseño instruccional, se elaboró un Prototipo Rápido que visualizara la estructura y funcionamiento que tendrá el componente en su totalidad, el cual integra en su diseño pedagógico las dificultades reportadas en la literatura, los resultados empíricos obtenidos en la primera fase del proyecto ESACS, un mapa de contenidos validados por profesores de la materia, así como los principios instruccionales de un enfoque cognitivo- constructivista del aprendizaje para el desarrollo de ambientes de aprendizaje con tecnología y de los programas multimedia para el Web. Estos elementos pedagógicos conformaron la estructura de una serie de ejercicios con tres niveles de dificultad creciente, a ser resueltos bajo el contexto de dos etapas de práctica: 1) Una práctica guiada, que proporciona diversas herramientas cognitivas incluidas en la interfaz gráfica, con el fin de apoyar la secuencia procedimental adecuada para efectuar el análisis exploratorio, descriptivo e inferencial, a partir de la comprensión del marco metodológico del proyecto de investigación proporcionado; 2) Una práctica autónoma, con ejercicios similares a la práctica guiada pero sin la inclusión de las herramientas cognitivas, porque pone a prueba las habilidades desarrolladasdel alumno; de este modo, el usuario contará con una herramienta útil para la adquisición y autoevaluación de sus habilidades por medio de los ejercicios cuantas veces lo requiera. Este diseño instruccional fue la base para el diseño de la interfaz gráfica y la propuesta para el diseño de la programación de eventos, como parte de las acciones determinadas en las dos etapas de la metodología de los programas multimedia para sitios Web educativos. Hasta el momento, el Prototipo sólo incluye el diseño instruccional y el diseño de la interfaz gráfica, puesto que las tareas de programación estarán a cargo del especialista en desarrollo Web, con el fin de contar con la validación interna completa. La tercera etapa, de evaluación, se efectuará en un estudio posterior a través de la conducción de un estudio piloto con una muestra de usuarios potenciales, para verificar aspectos de aprendizaje e interfaz gráfica, datos que permitirán posibles ajustes y/o correcciones para su completamiento, validación poblacional y liberación del sistema. En este sentido, se finaliza con las conclusiones y recomendaciones para el desarrollo futuro del componente. INTRODUCCIÓN En los últimos años se han introducido en la enseñanza diferentes recursos tecnológicos vinculados con el uso de las nuevas tecnologías de la comunicación y la informática, como la multimedia (en formato CD-ROM y WEB), el satélite, la videoconferencia, la audioconferencia, la realidad virtual, la computadora y el Internet (con sus plataformas computacionales en red y sistema móvil). A lo anterior hay que añadir una colección de materiales impresos para el autoaprendizaje, sin olvidar los audiocasettes y el empleo del fax. Estos recursos tecnológicos han permitido el surgimiento de nuevas opciones educativas al organizar de manera diferente la enseñanza y el aprendizaje, que en un inicio estuvieron relacionadas con la Educación a Distancia y poco a poco han venido a formar parte de propuestas innovadoras para introducirlos y emplearlos también en la enseñanza presencial y semipresencial. Estas opciones constituyen los denominados Nuevos Ambientes de Aprendizaje, caracterizados por situaciones educativas centradas en el alumno para fomentar su autoaprendizaje y el desarrollo del pensamiento crítico y creativo mediante el trabajo cooperativo y el empleo de tecnología de punta e incluso "de no punta". Las nuevas tecnologías dan lugar a nuevas posibilidades de aprender, no sustituyen a las tradicionales, lo que hacen es ampliar y enriquecer las posibilidades. Lo distintivo está en la forma en que empleamos los recursos, en su combinación e integración, en el respeto a su código propio de comunicación y sobre todo en el empleo pedagógico que hacemos de cada uno de ellos, y de todos integrados como sistema (Ferreiro, 2000). Al respecto, actualmente se han desarrollado muchos programas educativos por computadora e Internet que incorporan los procesos de pensamiento, razonamiento y solución de problemas de los alumnos, dejando de lado modos rutinarios y simplistas de enseñanza. Existe evidencia suficiente para apoyar la noción de que la tecnología (como la computadora e Internet) puede ser usada como una herramienta cognitiva para promover el aprendizaje, estimular la reestructuración del conocimiento y la construcción de modelos mentales, así como constituir apoyos para incrementar la confianza en la capacidad para solucionar problemas en los alumnos (Lajoie, 1997). Además, las nuevas tecnologías rompen los límites espaciales al permitir la intercomunicación entre personas ubicadas en distintos lugares, aumentando las posibilidades de difundir el conocimiento a grupos amplios y propiciar interacciones entre los participantes; con ello se da un sentido colectivo al aprendizaje y una resignificación al quehacer educativo. Su uso puede dar respuesta a las necesidades específicas o problemas de un dominio del conocimiento, como en este caso, el aprendizaje de la estadística. En el ámbito universitario, las materias de estadística forman parte de los planes de estudio de una gran cantidad de carreras; sin embargo, los niveles de pericia de los estudiantes en ella normalmente son muy bajos. En la Facultad de Psicología, también es una de las áreas que presenta dificultades importantes para su comprensión y utilización, puesto que los contenidos de este dominio son muy complejos y abstractos. Por ejemplo, la Estadística descriptiva y la Inferencia estadística representan dos grandes áreas de conocimiento en la currícula, cuyos objetivos generales incluyen: La transformación de los datos en un programa computarizado, hacer inferencias a partir de representaciones gráficas (cuadros, tablas y gráficos) que sinteticen datos provenientes de situaciones de la vida real, entender y aplicar las medidas descriptivas (síntesis y dispersión de los datos) y de correlación, utilizar la curva del mejor ajuste para hacer predicciones a partir de los datos, interpretar y comunicar los resultados (García, Villanueva y Raggi, 1999). Áreas que demandan en los alumnos su adquisición (el conocimiento declarativo) y aplicación (conocimiento procedimental) para aprender significativamente. Aunado a lo anterior, la enseñanza de los mismos se realiza a través de clases expositivas y centradas en el cómputo de los datos, donde el alumno cuenta con pocas oportunidades para ejercitar el conocimiento adquirido; por lo tanto, no son capaces de realizar conexiones entre la teoría y las aplicaciones prácticas ni tratar los números en contextos de la vida real o “auténticos”. Estos problemas se ahondan cuando ellos terminan la carrera y emprenden la realización de su tesis, ya que presentan innumerables deficiencias para plantear tanto los diseños experimentales como los tratamientos estadísticos pertinentes para ellos. Por otra parte, es conveniente enfatizar que la estadística constituye una herramienta fundamental no sólo en la investigación sino también en la actividad profesional y en la vida diaria en vista de: 1) Su capacidad para cerrar la brecha entre los conceptos matemáticos abstractos y la vida real (Gordon, 1996), 2) Su importancia central en las habilidades de pensamiento crítico vinculadas a la toma de decisiones cotidianas (Hauff y Fogarty, 1996), así como su aplicación en disciplinas como la Ecología, Biología, Ingeniería y Economía, y 3) Su utilidad para derivar significados de los datos presentados en los medios (Gal, 1995; 1998), periódicos y revistas, 4) En el ámbito psicológico, el análisis de datos es una competencia primordial para el aprendizaje de las técnicas estadísticas y su aplicación, así como una herramienta para poder describir, explicar y, en algunas ocasiones, predecir el comportamiento. Pese a ello no se han encontrado soluciones firmes para resolver los problemas de la pobre comprensión de los principales conceptos involucrados, la deficiente sistematización de las habilidades para organizar y analizar datos, así como la incapacidad para saberlas emplear adecuadamente (García, Márquez, Lajoie y Villaseñor, en prensa) Para incidir en esta problemática, y particularmente, en las dificultades que enfrentan los estudiantes de la Facultad de Psicología para el desarrollo de las habilidades en el análisis de datos, el presente trabajo plantea el diseño y desarrollo del Prototipo “Practicando la Estadística”, componente del multimedia ESACS1. “Practicando la Estadística” es un ambiente digital para la práctica del conocimiento adquirido en esta área y una herramienta útil para el alumno, ya que le permitirá superar sus dificultades al aplicar los tratamientos estadísticos adecuados de acuerdo al objetivo, tipo de diseño experimental y metodología de investigación. El desarrollo de esta propuesta se describe a lo largo de tres capítulos. En el primer capítulo se presenta el marco teórico-empírico que lo sustenta, tales como la revisión documental y el reporte de los resultados de investigaciones empíricas sobre las dificultades para la enseñanza y aprendizajede la estadística, con la finalidad de identificar los conceptos y procedimientos del análisis de datos que más dificultades presentan a los alumnos, así como las directrices con fines instruccionales y de 1 ESACS, Estadística Auténtica para las Ciencias Sociales, es un proyecto del Programa Institucional PAPIME DO304698: "Diseño de un Ambiente de Aprendizaje Basado en la Computadora para la Adquisición de Conocimientos y Habilidades en Estadística a Nivel Licenciatura, coordinado por la Dra. Benilde García C. evaluación, susceptibles de ser incorporados en la estructura del componente “Practicando la Estadística”. En el segundo capítulo se abordan las bondades educativas que ofrecen las Nuevas Tecnologías de la Comunicación e Información, particularmente, el uso de la computadora, el Internet y el WWW para el diseño de nuevos ambientes de aprendizaje con tecnología en el ámbito de la estadística, como ASP y ESACS, programas multimedia que buscan desarrollar situaciones de aprendizaje y evaluación “auténticas” bajo la premisa de que los alumnos aprenden mejor haciendo estadística en el contexto de un proyecto de investigación (planteamiento de la pregunta, diseño experimental, recolección y análisis de datos y comunicación de resultados), que calculando o repitiendo definiciones de conceptos. En el tercer capítulo se expone el diseño y desarrollo de “Practicando la Estadística”, por medio de la aplicación de una metodología para el desarrollo de programas multimedia de sitios web educativos; esta metodología integra el diseño instruccional, el diseño de la interfaz gráfica y el diseño de la programación de eventos para la producción de un Prototipo Rápido, que visualiza la estructura y funcionamiento que tendrá el componente en su totalidad. Se finaliza con las conclusiones y recomendaciones del estudio. 1 CAPÍTULO 1. ANTECEDENTES TEÓRICO-EMPÍRICOS Las áreas del conocimiento que más dificultades plantean a los estudiantes de diversos niveles educativos son las matemáticas y las ciencias naturales. Existe evidencia de que durante el bachillerato los alumnos no logran alcanzar niveles de rendimiento aceptables en estos dominios. Por citar un ejemplo, los alumnos del Colegio de Ciencias y Humanidades al finalizar el primer semestre de 1993, presentaron índices de reprobación del 53% en Física I y 34% en Matemáticas (Godtinier, 1996, en García y cols., 1999). En el ámbito universitario estos problemas se siguen presentando y una de las áreas que presenta dificultades importantes para su comprensión y utilización es la Estadística. En la Facultad de Psicología de la UNAM las materias de Estadística Descriptiva e Inferencial tienen uno de los más altos índices de no acreditación 20.78% y 22.56% respectivamente (Velázquez, Cortés, Román y Tenorio, 1989, en Urbina 1990). Lo cual es indicativo que sin una ayuda adecuada, los estudiantes no pueden estructurar el conocimiento estadístico, puesto que los contenidos de este dominio son muy complejos y abstractos; aunado a que la enseñanza de los mismos se realiza a través de clases expositivas donde el alumno cuenta con pocas oportunidades para ejercitar el conocimiento adquirido. Las materias de estadística forman parte de los planes de estudio de una gran cantidad de carreras a nivel universitario; sin embargo, los niveles de pericia de los estudiantes en ella normalmente son muy bajos. Estos problemas se ahondan cuando los alumnos terminan la carrera y emprenden la realización de su tesis, ya que presentan innumerables deficiencias para plantear tanto los diseños experimentales como los tratamientos estadísticos pertinentes para ellos. Por otra parte, es conveniente enfatizar que la estadística constituye una herramienta fundamental no sólo en la investigación sino también en la actividad profesional. Pese a ello no se han encontrado soluciones firmes para resolver los problemas de la pobre comprensión de los principales conceptos involucrados, la deficiente sistematización de las habilidades para organizar y analizar datos, así como la incapacidad para emplearlas adecuadamente. Para abordar esta problemática, es necesario realizar un diagnóstico más preciso de esta necesidad educativa para posteriormente analizar sus posibles soluciones. Si dentro de las soluciones está instrumentar un ambiente basado en el uso de la tecnología y de los materiales ya existentes, es necesario plantearse las siguientes preguntas: ¿Cómo realizar un análisis más fino de esta necesidad o problema existente?, ¿qué tipo de ambiente es el idóneo para satisfacer esta necesidad? y ¿qué criterios usar para decidir si amerita una solución computarizada? De acuerdo con Galvis (1992), para dar respuesta a estas interrogantes es necesario: ! Consultar los registros académicos sobre cuáles son las asignaturas de mayor dificultad, de acuerdo al desempeño de los alumnos. ! Revisar el contenido de los programas de estudio para conocer qué partes presentan mayor dificultad. 2 ! Detectar los puntos débiles que presenta el proceso de enseñanza-aprendizaje de las materias con problemas. ! Indagar con los profesores y alumnos para detectar y priorizar los aspectos problemáticos. ! Reflexionar, a la luz de las teorías de enseñanza-aprendizaje aplicables al problema específico acerca de la estrategia pedagógica que se va a utilizar. ! Otra fuente de información son los resultados de la aplicación de pruebas de rendimiento académico. ! Investigar si los alumnos tienen conocimientos previos del tema, así como la motivación necesaria para el aprendizaje de la materia. ! Indagar si existen materiales educativos disponibles, o si éstos son defectuosos. ! Analizar si algunas características del profesor influyen negativamente en la enseñanza-aprendizaje de la materia. ! Revisar si el tiempo dedicado a la enseñanza de los temas o a los ejercicios es suficiente. ! Investigar si la metodología y los medios que apoyan el proceso de enseñanza- aprendizaje son adecuados. Con base en estos lineamientos se llevó a cabo una detección de necesidades o problemas existentes relacionados con el proceso enseñanza-aprendizaje de la estadística, particularmente del tópico análisis de datos, bajo los siguientes rubros: 1. Revisión documental sobre los problemas existentes para la enseñanza de la estadística, así como para detectar las ideas erróneas de los alumnos y sus dificultades para el aprendizaje de la materia. 2. Detección de dificultades y necesidades específicas en la enseñanza-aprendizaje de la estadística en la Facultad de Psicología de la UNAM, en relación con los índices de reprobación, las opiniones de los maestros que imparten la materia y los problemas que enfrentan los estudiantes para efectuar el análisis de los datos en una investigación empírica. 1. Revisión documental sobre las dificultades para la enseñanza y aprendizaje de la estadística En la 2ª. Conferencia Internacional sobre la Enseñanza de la Estadística, Zidek (en Hawkins, Jolliffe y Glickman, 1992) planteó que la estadística se ha concebido como una disciplina aplicada y descriptiva derivada de muchos campos de aplicación, particularmente de aquellos relacionados con las Ciencias Sociales. Sin embargo, a pesar de las aplicaciones para su enseñanza en las escuelas y en las universidades, la estadística no se imparte tomando en cuenta las diversas dificultades que tienen los alumnos para aprenderla. Estas dificultades se presentan en parte porque se le da el mismo peso a la graficación, el cómputo y al análisis de los datos, puesto que cada uno de estos contenidos tiene su propio nivel de complejidad; además, los programas de estudio enfatizan más la estadística descriptiva que la probabilidad y la inferencia, y en ésta última se cuenta con una amplia gama de líneas de estudio, por lo tanto no siguen una directriz común, situación que afecta la elección de los tópicos así como las concepciones sobre la materia. 3 Cabe expresar que estos problemastambién se presentan porque dentro del contexto escolar, la instrucción estadística es sólo teórica y se apoya fundamentalmente en las matemáticas; mientras que la adquisición de habilidades y la comprensión necesaria para tomar decisiones están fuera del alcance de la mayoría de los estudiantes, puesto que la aproximación tradicional básicamente les proporciona recetas algorítmicas que no se relacionan con la inferencia estadística. Asimismo, los practicantes de la estadística contemplan en algunas ocasiones el análisis exploratorio de los datos y las aproximaciones del diseño gráfico, pero acompañadas de una exposición matemática descontextualizada. Los pocos estudios que se han realizado con mayor profundidad en este ámbito, revelan que estudiantes de diversos niveles educativos presentan una serie de dificultades relacionados con la comprensión de los conceptos estadísticos. Por ejemplo, Biehler (1999) identificó una serie de dificultades en estudiantes de nivel superior vinculadas con la comprensión de conceptos y la elaboración de representaciones visuales relacionados con el análisis exploratorio y descriptivo, pero al mismo tiempo también reflexiona sobre las posibles soluciones que los expertos consideran al respecto. Estas dificultades las categorizó en tres rubros: Definición del problema, Producción e Interpretación de los resultados. Definición del Problema Los estudiantes revelan un razonamiento causal-determinista para apoyar su hipótesis derivada de la observación de los datos que darán respuesta a la pregunta de investigación. Sin embargo, un experto estadístico sabe que aseverar una afirmación como ésta es un problema porque otras variables pueden ser también relevantes. Por lo que al definir el problema se requiere una reflexión previa sobre los resultados esperados. Su discurso no muestra inclusión de elementos probabilísticos como “tenderá a”, “es más probable”, etc. porque emplean un lenguaje común que no está apoyado por un razonamiento científico. Además, les resulta muy fácil transformar las palabras en variables estadísticas, pero no se cuestionan si el análisis estadístico es el apropiado. El reemplazo de la pregunta de investigación por una pregunta estadística fue parcialmente inadvertida y fuente de confusiones. Este hecho constituye un obstáculo en el salón de clases puesto que mientras el maestro puede pensar en términos de variables y relaciones estadísticas, los alumnos pueden emplear las mismas palabras sin pensar en las definiciones conceptuales que implican. El experto sabe que la solución de un problema se relaciona con las diferencias y transformaciones entre el problema real o de la disciplina y el problema estadístico, así como los resultados del análisis y su interpretación y validación en el contexto de la disciplina, como lo muestra el siguiente ciclo (ver Figura 1). 4 Cuando estas diferencias son ignoradas, se producen concepciones erróneas y se efectúan soluciones inadecuadas. Estas limitaciones se reducen cuando los estudiantes se involucran en los procesos para definir las variables y recolectar los datos, o en su caso, informarles de este procedimiento por medio de un resumen breve. Producción de Resultados Los estudiantes cuentan con una experiencia superficial de los métodos estadísticos porque se dirigen directamente del problema real al problema del software sin ser conscientes de posibles cambios. Por lo tanto se sienten satisfechos al producir solamente resultados que no pueden ser interpretados estadísticamente ni en términos del conocimiento de la disciplina. Las herramientas del software influencian la manera en que el problema de la disciplina se concibe y traduce de un problema estadístico a un problema del software, como lo muestra la figura 2. Es decir, a veces se requieren realizar transformaciones o cambios en las variables mediante los comandos propios del programa estadístico, con el fin de procesar los datos para su análisis, por ejemplo: llevar a cabo una suma de reactivos de de determinadas variables con el comando compute del programa, para generar una serie de factores, a los cuales se les obtendrán los coeficientes de correlación; o bien, primero agrupar la variable por rangos mediante el comando recode into same variables, para calcular posteriormente sus frecuencias correspondientes y poder representarlos gráficamente. Problema estadístico Problema real Resultados del Análisis estadístico Interpretación de resultados Figura 1. Un ciclo para la solución de problemas estadísticos. (Tomado de Biehler, 1999). Problema del software Problema estadístico Resultados al usar el software Interpretar los resultados estadísticos Figura 2. Subciclo para la solución de problemas estadísticos apoyados por la computadora. (Tomado de Biehler, 1999). 5 Para abordar esta tarea, los estudiantes cuentan con un sistema de herramientas cognitivas poco estructuradas que aplican por ensayo y error; incluso, cuando los comandos aprendidos no están disponibles en el programa, no saben qué hacer o no poseen el lenguaje correcto para nombrarlos, o bien, producen sólo la mejor representación, cuando en realidad se pide más de una forma. Por otra parte, el experto conceptualiza el problema porque cuenta con el conocimiento y la experiencia referente a las relaciones entre su sistema de herramientas cognitivas y las características, virtudes y limitaciones de las técnicas de cómputo y la representación visual del software: sabe qué gráfica es la mejor para representar una distribución en particular, si no está disponible, hará una combinación de las existentes; incluso, tiene el conocimiento de que pueden presentarse diferencias al definir un concepto o procedimiento estadístico en general, así como de las herramientas del software en particular, porque cada una de ellas muestra diferentes características de los datos desde diferentes perspectivas. Interpretación de los Resultados 1. Síntesis de los datos Los estudiantes no comprenden que el análisis de datos no implica un solo producto, ya que éste consiste en una multiplicidad de resultados que pueden ser tanto contradictorios como estar relacionados, y requieren ser sintetizados. La síntesis de datos (Jumbo, 1991, en Biehler, op. cit.) representa una nueva fase de trabajo que inicia después de la producción de una multitud de resultados. Un simple box plot contiene una multiplicidad inherente: comparar las distribuciones por medianas, cuartiles, mínimos y máximos, rango y rango intercuartilico. La selección y la síntesis de estos aspectos no es una tarea fácil, por ejemplo, al comparar las medias y las medianas, ¿cuál elegir? ¿cuál es la medida relevante? ¿cómo comprender las diferencias presentadas? 2. Descripción de los gráficos La descripción de los gráficos y las tablas les resulta muy difícil porque tienen que emplear esquemas de construcción a partir de otros contextos (distinguir diferentes tipos de ejes gráficos) o bien identificar los principios subyacentes en las mismas. Por ejemplo, una representación gráfica del box plot requiere al menos una concepción intuitiva del concepto de variación en la densidad de los datos; su definición está basada en los cuartiles y fundamentados en los percentiles, esto implica pensar en términos de frecuencias fijas que son distribuidas sobre cierto rango; se debe hacer uso de la mediana y los cuartiles como herramientas conceptuales para describir y comparar las distribuciones sin regresar a sus definiciones, cabe mencionar que el razonamiento en la gráfica de barras es inverso; también nos permite identificar las propiedades de las distribuciones como la simetría y el sesgo que no pueden ser definidas en las distribuciones empíricas; incluso, la interpretación de los índices numéricos en situaciones reales es muy compleja al existir una variedad de patrones que dependen del contexto específico y que requieren de mayor tiempo para poder realizarlo. 6 Para ello sugiere emplear como ejercicios de práctica,un conjunto de ejemplos bien seleccionados sobre grupos de comparación con box plot en los que no exista una interpretación satisfactoria. En este sentido, se les debe enseñar qué conceptos o definiciones están implícitas en cada gráfica y cómo se definen; incluso, cómo se relacionan al realizar comparaciones múltiples (p. ej. box plot e histogramas) Una vez que se clarifica lo que representa cada elemento básico de la gráfica, se pueden enfrentar a la dificultad de interpretarlos. Los expertos, por contraposición a los alumnos, poseen un metaconocimiento con respecto al nivel de exactitud razonable y confiable en el uso de los métodos gráficos. Los estudiantes enfrentan este problema, especialmente en la estadística descriptiva de las siguientes maneras: a) La forma de las distribuciones de frecuencias. Los novatos reportan que una distribución de frecuencia con 5 picos es mutimodal; un experto considera que el número de picos depende del tamaño del intervalo y puede diagnosticar una total unimodalidad con más aleatoriedad en el primer intento. b) La comparación de las medidas de resumen. La media y la mediana tienen una “escala” que es diferente de la “escala” de los valores originales y el rango total tiene una escala diferente del rango intercuartilico. Un problema subsecuente es que las diferencias son realmente significativas para una cierta perspectiva de la disciplina o problema. Los expertos pueden destacar el problema de la significancia estadística, sin embargo ésta no resuelve el problema para evaluar la significancia de la disciplina. Es extremadamente difícil para ellos juzgar los diferentes potenciales en la variabilidad de diferentes medidas estadísticas. La mayoría de los números en estadística son mediciones y son estimaciones. Las tareas de interpretación tiene que ver con la confiabilidad, validez y exactitud de estas mediciones. Este problema se incrementa en un curso computarizado si no se les proporciona suficiente tiempo para comprender los principios por los cuales se construye una representación para que puedan visualizar los datos típicos. En este sentido, la interpretación de las gráficas y las tablas implica más que una lectura de la información codificada porque se requiere un rico repertorio conceptual que permita la construcción correcta de las gráficas. Por ejemplo, los datos de una tabla permiten identificar más elementos de su estructura. Con respecto a la descripción de las medidas de resumen dentro de un contexto en particular, se requiere el conocimiento de las relaciones funcionales entre la forma de la distribución y estas medidas, así como la comprensión de lo que implican diferentes índices de confiabilidad y robustez, tales como: a) El tamaño de la muestra es importante cuando los datos no son extraídos de una muestra aleatoria. b) La ventaja de los box plot lo constituye las medidas que son definidas en el mundo ideal de las curvas de la distribución matemática, más que en los datos empíricos. El experto identifica estructuras y relaciones en las gráficas derivadas de “distribuciones simétricas con variaciones irregulares”, si a los novatos se les expone con este tipo de 7 gráficos con datos reales y complejos, serían incapaces de advertir tales características. Las conclusiones no deben estar basadas en una sola representación porque dependen de los métodos estadísticos y las representaciones que han sido consideradas. Las dependencias y los posibles efectos en los datos se estudian bajo el Modelo CAUSA- VARIABLES INTEMEDIAS-CAMBIO, lo cual implica que el valor de las variables intermedias determinan cómo la causa afecta el resultado. El hábito cuidadoso a través de la lectura e interpretación de las representaciones estadísticas es difícil de desarrollar. Los estudiantes tienden a producir malinterpretaciones de los outputs y la posibilidad de emplear una variedad de gráficas pueden distraerlos al concentrarse en la interpretación de una sola representación. Es difícil elaborar un reporte que implica la descripción e interpretación escrita y oral de las gráficas. Las relaciones cuantitativas son complejas y no pueden ser parafraseadas en un lenguaje común sin una medida gráfica y una notación simbólica. La verbalización es solamente un resumen y una distorsión parcial. Por lo tanto, Scheaffer, Watkins y Landwehr (2000) refieren que para realizar el análisis de datos, el estudiante debe: " Representar los datos para estudiar la forma de la distribución. " Resumir las características más importantes de los datos mediante las medidas de tendencia central y variación. " Analizar patrones o datos no esperados. " Determinar relaciones entre las variables. " Determinar qué técnica inferencial es la apropiado para el análisis. " Efectuar conclusiones a la luz de la pregunta original o problema. " Resumir los hallazgos encontrados y determinar líneas de investigación. Por otra parte, Gardner y Hudson (1999) reportan que un factor crítico de la pobre ejecución de los estudiantes se debe a que no saben cuándo aplicar los conceptos estadísticos, porque: 1. Son capaces de manipular definiciones y algoritmos con aparente competencia cuando resuelven los ejercicios de los libros, pero no muestran a sus maestros o a ellos mismos, que no saben qué hacer para enfrentarse con problemas del mundo real. 2. Los estudiantes de preparatoria presentan problemas de comprensión al no relacionar los conceptos más importantes y funcionales de la disciplina, es decir, la capacidad de seleccionar las pruebas estadísticas y los procedimientos apropiados para efectuar el análisis de datos para cualquier tipo de investigación. Sin esta comprensión, no pueden efectiva y eficientemente realizar tareas de razonamiento y solución de problemas; por ejemplo, pueden calcular la desviación estándar y el error estándar, sin embargo, no comprenden cómo estos conceptos están relacionados y diferenciados, por lo que cometen errores al aplicarlos, tal como emplear un concepto cuando deberían de haber aplicado otro. Este problema se agudiza cuando se ignora que durante el entrenamiento estadístico se deben realizar conexiones reales con la práctica mediante la inclusión de ciertas ayudas de tipo: a) no técnicas (el trabajo con otros); b) parcialmente técnicas (determinar las ayudas necesarias para llevar a cabo una investigación, ej. cómo se definen y recolectan los datos); y c) técnicas (reconocer cuáles técnicas son válidas o 8 apropiadas) La evaluación de estas ayudas, así como la habilidad para aplicar un procedimiento apropiado a un problema de investigación es solamente una de muchas capacidades que un curso de estadística debería de promover. 3. Se centran en la historia encubierta de los problemas verbales e ignoran el diseño experimental y el tipo de variables (cuantitativas o categorícas) 4. Los cursos imparten el uso de la estadística descriptiva y la estadística inferencial para el desarrollo de habilidades computacionales, algunas veces con una pobre comprensión conceptual de o sin la teoría subyacente, y algunas veces a través del uso o no de paquetes computacionales. 5. Durante tareas de recuerdo (ante una serie de items de prueba, cada uno integrado por un párrafo introductorio que describe la situación de investigación, seguida de algunos datos ilustrativos y de una pregunta de investigación) categorizan un amplio rango de situaciones estadísticas, más que el reconocimiento de una prueba apropiada al presentar las siguientes dificultades: a) El método estadístico elegido no corresponde para dar respuesta a la pregunta de investigación por una falta de comprensión de la misma. b) Inhabilidad para nombrar un procedimiento conocido porque sólo son capaces de identificarlo. c) Dificultades para reconocer el nivel de medición de los datos (no tienen conocimiento sobre su naturaleza y manejo) La habilidad para determinar si los datos son nominales, ordinales o intervalares, es un determinante crucial para aplicar la estadística. d) Inhabilidad para interpretarlos datos (describen una prueba “t” de muestras correlacionadas, cuando se centran en los datos de la columna, más que en las filas) e) La habilidad para aplicar correctamente los conceptos está en relación con el rendimiento obtenido en la situación de prueba. Por lo anterior, las dificultades presentadas son producto de una inhabilidad para elaborar una representación del problema estadístico. Un componente crítico para la solución exitosa de un problema lo constituye su comprensión (Vega, 1998). La comprensión es el resultado de cómo se representa el problema, es decir, en términos de principios o en métodos de solución o en las características irrelevantes de la información, al tratar de conectar nuestro propio conocimiento con los requisitos del problema, antes de llevar a cabo su solución. Esta dificultad es particularmente común en los problemas verbales, puesto que una representación se elabora a partir de la información verbal y contextual proporcionada en el texto. Una forma de promover la elaboración de una representación, consiste en diseñar experiencias con este tipo de tareas, para que los estudiantes sean capaces de abstraer las características de los mismos en un lenguaje simbólico, antes de que procedan a la aplicación de ciertos algoritmos, como la resolución de ecuaciones y fórmulas (Trigo, 1997). Siguiendo esta línea de investigación, Lavigne y Glaser (2001) expresan que aunque existe un substancioso trabajo sobre las representaciones en física y matemáticas, poco trabajo se ha desarrollado en el dominio de la estadística. La estadística difiere de la física 9 y las matemáticas en cuanto a su estructura, porque implica tanto la enseñanza de principios (ej. La Ley de los números, el Teorema Central del Límite) como de métodos (ej. prueba “t”, chi-cuadrada, correlación, entre otros). Esta diferenciación se acentúa aún más cuando la disciplina se conceptualiza de diversas maneras en la currícula escolar convergiendo incluso en la instrucción aislada, uno del otro, de cada uno de los tópicos o métodos estadísticos, o bien, es muy raro que al estudiante se le instruya a tomar decisiones acerca del análisis apropiado. Por ejemplo, las características estructurales y diferenciales que subyacen a las diferentes pruebas de hipótesis no se enfatizan, lo cual representa serias dificultades para elaborar una representación del problema en términos de la estructura apropiada: saber cuándo aplicar un procedimiento estadístico en particular. Este proceso es muy difícil para los estudiantes porque tienden a confiar en los heurísticos (ej. si se presenta una tabla de dos vías, deducen que el problema requiere una chi-cuadrada), más que en las características estructurales (ej. identificar los datos categóricos y analizar la relación entre dos variables, elementos inherentes a la chi cuadrada). Es decir, sus representaciones reflejan una comprensión incompleta sobre las pruebas estadísticas, por ejemplo, los problemas de prueba “t” y correlación los categorizar juntos al compartir el mismo tipo de datos. Sin embargo, la única forma de distinguir estas pruebas, consiste en decidir si el problema se refiere a una diferencia o a una relación, puesto que se debe considerar tanto el propósito como el tipo de datos, y no centrarse solamente en una característica. Confiar en los heurísticos refleja un aproximación superficial, en donde las palabras claves o la estructura de datos son la base de la solución del problema. El énfasis en las características estructurales refleja una aproximación basada en principios en donde el propósito del análisis, sus condiciones de aplicabilidad, el tipo de datos a ser recolectados, la prueba del algoritmo y el significado de las conclusiones son comprendidas. Las características estructurales de las pruebas de hipótesis están asociadas con los componentes del diseño experimental: al tipo de datos, el propósito de la investigación (de diferencias o correlación) y el número de variables (dos vs. múltiple) (Howell, 1989, en Lavigne y Glaser, op. cit.); así como también efectuar un análisis más fino que incluye subcomponentes de estas categorías: el nivel de medición (nominal vs. ordinal) y al tipo de variables (relacionadas vs. independientes). Lo anterior implica que deben desarrollar un conocimiento estructural con el propósito de realizar interconexiones entre los conceptos, las ideas y las habilidades que les permitan tomar decisiones apropiadas del procedimiento a aplicar en un contexto en particular. En contraste, un conocimiento fragmentado conduce a una comprensión superficial. Concepciones erróneas Los resultados obtenidos por las investigaciones psicológicas, estadísticas y matemáticas (Garfield y Ahlgren, 1988; Garfield, 1998) demuestran una serie de evidencias respecto al hecho de que los estudiantes no logran las metas instruccionales de los maestros, porque poseen y generan concepciones erróneas sobre las ideas estadísticas. Debido en parte a la estructura del salón de clase, que promueve la creencia sin la crítica; la yuxtaposición de diversas demostraciones de un fenómeno; se demandan explicaciones simples; son 10 similares en todos los niveles, aún en investigadores con experiencia, y; son difíciles de cambiar. Las investigaciones en el ámbito de las preconcepciones de los alumnos han revelado, que las ideas erróneas más comunes de los estudiantes en relación con la estadística son: • La consideran como un proceso para realizar encuestas sociales o bien un registro de datos. • Los estudiantes más jóvenes producen una gran cantidad de gráficos y diagramas en color, pero sin prestar atención a la metodología o a la interpretación. • Son capaces de seguir un procedimiento para calcular los conceptos estadísticos en un programa de cómputo, sin que esto implique una comprensión real de los mismos. • Los estudiantes de mayor edad han aprendido un amplio rango de técnicas en cómputo, pero sin vinculación con la interpretación de su investigación. • Los estudiantes creen que la estadística es un proceso de cómputo, más que un acto conceptual. Huck (s/f) y Wasmer (s/f) amplían esta lista, al considerar que las siguientes concepciones erróneas agrupadas por temática, también se presentan al leer, escuchar y preparar un escrito, tanto en el ámbito científico como en el social (p. ej. las noticias televisas o impresas): Estadística descriptiva " La media es mejor que la mediana y la moda. " Si la media y la desviación estándar son citadas para un conjunto de datos, ellas “explican todo”. " Los datos que se aproximan a distribución normal, son superiores a los datos de una distribución sesgada. " Las distribuciones de frecuencia y las gráficas de barras y tallo-hoja son tan elementales, que no deben incluirse en investigaciones sofisticadas. " La desviación estándar indica qué tan lejos un valor típico se desviará de la media. " Un puntaje alto siempre estará seis desviaciones estándar más arriba de un puntaje bajo. " Los puntajes estándar (z y t) son obtenidos solamente cuando los datos originales se distribuyen normalmente. " Existen sólo tres medidas de tendencia central: media, mediana y moda. " La palabra promedio es sinónimo de “media”. " Si la desviación estándar de los puntajes obtenidos por los hombres en una prueba es igual a 10, y para las mujeres es igual a 20, entonces la desviación estándar combinada del grupo de hombres y mujeres será igual a 15. Muestra, error estándar e intervalos de confianza " Una descripción amplia y detallada de una muestra no solamente es aburrida, sino que disminuyen la importancia de una de las etapas del reporte de la investigación: los resultados. " Si los datos obtenidos para cada una de las personas son incorporados en la investigación, entonces no debe emplearse una estadística inferencial. " Una muestra grande no aleatoria es mejor que una muestra pequeña aleatoria. 11 " Para extraer una muestra aleatoria estratificada de la población, la población debe ser dividida de talforma que se puedan obtener estratos del mismo tamaño. " La inferencia estadística solamente puede ser empleada con conjunción con muestras probabilísticas. " Todas las muestras son muestras aleatorias. " Un estudio no puede ser interesante, válido y generalizable, a menos de que los hallazgos obtenidos sean derivados de muestras aleatorias. " Una muestra aleatoria será exacta a la población, sólo que más pequeña. " Al aumentar el doble el tamaño de la muestra, se corta el error estándar a la mitad. " Si todo se mantiene constante, una muestra pequeña puede detectar un efecto pequeño; para una muestra grande, el es efecto grande. " Para estimar el error estándar, se debe extraer una gran cantidad de muestras. " Si el tamaño de la muestra se incrementa, el punto más alto de la distribución “modal” se moverá más allá de la línea base. " Si la población llegará a ser más grande, será necesario incrementar el tamaño de la muestra para mantener el mismo error estándar. " Una vez establecido un intervalo de confianza, el parámetro caerá entre el punto superior y el punto inferior del mismo. " Los puntos terminales de un intervalo de confianza siempre son equidistantes del estadístico de muestra. " Si un investigador reporta µ± SEM, esto es equivalente al 68% de un intervalo de confianza construido alrededor de la media. " Si un periódico afirma que, después de la votación, el candidato X estaba 15% arriba del candidato Y, “con un margen de error de ± 3”. Entonces el candidato X estaba 12% o 18% arriba del candidato Y en el momento en que los votos se emitieron. Prueba de hipótesis " En la prueba de hipótesis, es ilógico probar que la hipótesis nula sea verdadera, pero si es posible comprobar que sea falsa. " La hipótesis nula es lo opuesto a las ideas del investigador. " El nivel de significancia siempre especifica la probabilidad de un Error Tipo I. " Un “p<.001” es más significativo que un “p<.05”. " Para cualquier consideración estadística, el mejor nivel de significancia es .05. " El p-value obtenido después de analizar los datos específica la probabilidad que la hipótesis nula sea verdadera. " Si el nivel de significancia es igual a .05, habrá un 95% de no cometer el error Tipo II. " El reporte del nivel de probabilidad es el nivel de significancia. " Si la hipótesis nula es rechazada con un nivel de significancia igual a .05, habrá un 95% de rechazar la misma hipótesis nula si el estudio es replicado. " Es muy grave cometer el error tipo I. Correlación " Un coeficiente de correlación mide con eficacia la fuerza y dirección de una relación entre dos variables, que un scatter plot. " Si la correlación obtenida entre los puntajes de dos variables es muy alto, entonces las dos medias deben ser similares. " Una correlación de .80 indica el doble de “una fuerte relación”, comparada con una correlación de .40 " Una correlación nunca nos dice de una “causa y efecto”. 12 " Si un outlier es suprimido de una muestra grande, el valor de “r” no puede cambiar mucho. " Una r= -.90 significa una “baja” relación. " Si la correlación entre dos variables es igual a +.50 para un grupo de hombres, y si la correlación entre estas dos variables es +.50 para un grupo de mujeres, entonces la correlación entre estas dos variables será +.50 para un grupo de hombres y mujeres. " Es común entre los investigadores que los términos para describir la fuerza de la correlación son “fuerte”, “moderada” y “débil”. " Una relación lineal entre dos variables existe solamente si los puntajes forman una línea recta. " Si los datos del investigador corresponden dos variables cualitativas, es imposible obtener un coeficiente de correlación. " La distribución muestral de “r” es simétrica. " Es importante para los investigadores probar la confiabilidad y validez de los coeficientes contra la hipótesis nula Ho: r = 0 " Si un coeficiente de correlación es estadísticamente significativo, entonces no hay necesidad de obtener una “r2”. " El coeficiente “r” de Pearson es más robusto porque implica los supuestos de linealidad y homocedasticidad. " Si el coeficiente de correlación es significativo, entonces la media de la variable X es sistemáticamente diferente de la media de la variable Y. Comparación entre grupos " Al comparar la media de dos grupos, la hipótesis nula debe establecer que la media de la población es igual a la media de la otra población. " Si las medias de dos grupos son comparables estadísticamente y con diferencias significativas, ambas medias son diferentes. " Comparar dos medias con la prueba “F” es más sofisticado que hacerlo con la prueba “t” " Las pruebas correlacionadas tienden a los coeficientes de correlación. " Una prueba “t” de dos colas es empleada cuando se comparan dos grupos, mientras que una prueba de una cola corresponde para un grupo. " Dos medias con diferencias significativas al p<.001 es más relevante, que dos medias con diferencias significativas al p<.05. " Si una prueba con potencia-eficiencia detecta grandes efectos, también funciona para identificar efectos pequeños. " Cuando se comparan dos medias derivadas de dos muestras con diferente tamaño, el investigador suprime datos de la muestra grande para igualar el tamaño, con el propósito de hacer robusta el estadístico “F” o “t”. Debido a lo anterior, los investigadores recomiendan que los maestros deben estar conscientes de las concepciones erróneas de los estudiantes, para demostrarles que son falsas, al confrontarlos mediante la ejercitación de los conocimientos adquiridos, introducir los tópicos a través de actividades y simulaciones, más no abstracciones y enfatizar la exploración de los datos. Los resultados obtenidos en los estudios descritos (Trigo, op. cit.; Garfield y Ahlgren, op. cit.; Biehler, op. cit.; Gardner y Hudson, op. cit.; Lavigne y Glaser, op. cit.) proporcionan una serie de directrices con fines instruccionales y de evaluación: 13 # Para profundizar en esta problemática, es necesario conocer la influencia de la estructura cognitiva que los estudiantes han desarrollado para llevar a cabo la interpretación de las gráficas o las tablas. Se requieren muchos conceptos para describir e interpretar los diversos índices representados en las gráficas, así como para reconocer las formas y clasificar las relaciones funcionales. Este conocimiento conceptual les permitirá adquirir experiencia y contar con una relevancia cultural para el desarrollo de habilidades de pensamiento y de los métodos estadísticos, que los expertos han desarrollado para analizarlas. # Brindar más oportunidades para solucionar problemas verbales en términos de las características del diseño experimental que permita comparar y diferenciar las pruebas de hipótesis, al explicitar las características estructurales subyacentes de estos métodos estadísticos, y posteriormente la ejecución de algoritmos. Por ejemplo, cómo identificar el tipo y el número de variables involucradas en una situación de investigación dada, así como también la naturaleza de la pregunta de investigación, empleando ítems combinados de correlación y ANOVA. En este sentido, la clave es comprender cuándo es apropiado aplicar un método en particular. # El desarrollo de una estructura organizada del conocimiento se puede lograr por medio del uso acumulado de ejemplos bajo las siguientes condiciones: a) destacar las diferencias entre un par de problemas; b) emplear ejemplos múltiples con estudiantes habilidosos, y; c) las soluciones son modificadas con base al uso de principios. # Manejo de un lenguaje estadístico para nombrar los procedimientos estadísticos, con el fin de que sean capaces de realizar un uso adecuado de textos y menúes de los paquetes computarizados. # En los cursos introductorios asignar más tiempo para las actividades prácticas y reducir el número de tópicos durante la enseñanza, que promuevan el uso de la estadística por medio de una comprensión profunda de cómo la gente aprende y la inclusión de un componente afectivo (las personasestudiarán determinado contenido si le encuentran algún valor). # Emplear un árbol de decisión que permita contar con un panorama general de las decisiones a tomar cuando se elige una prueba apropiada. Es decir, para que el estudiante pueda visualizar las relaciones entre las ideas estadísticas. # Promover la aplicación del conocimiento adquirido en nuevos contextos, invitando a los estudiantes a participar en la creación de proyectos de investigación, en donde puedan diseñar los instrumentos de recolección de datos y el maestro ejemplifique el uso de varios procedimientos estadísticos (análisis de los datos, proponer un diseño de investigación o enfatizar el proceso para la elaboración del reporte), al vincular las características del problema con la selección apropiada del análisis estadístico de los datos. # Emplear un portafolio personal que contenga investigaciones publicadas, ejercicios de libros de texto, o de ellos mismos, con comentarios que reflejen la comprensión de la pregunta planteada, la naturaleza de los datos o cualquier situación que requiera un procedimiento no convencional. Este recurso muestra evidencia sobre la capacidad de los estudiantes para emprender tareas auténticas o del mundo real. 14 # Emplear múltiples formas de evaluación a nivel individual y/o grupal para validar con exactitud las diferentes dimensiones en la solución del problema, como contar con un perfil más completo y detallado del aprendizaje del estudiante. # Una forma de confrontar las concepciones erróneas de los estudiantes consiste en introducir las nuevas tecnologías en la enseñanza, porque a través de la simulación computarizada se proporcionan múltiples representaciones de las nociones estadísticas, presentadas dinámicamente para ampliar la comprensión de los datos, las gráficas y el análisis, así como para evaluar el aprendizaje logrado por los estudiantes (Lajoie, 1997); incluso, la introducción de los programas de cómputo con elementos lúdicos, como el diseño de un laboratorio virtual, ofrecen una serie de ayudas instruccionales al convertir al estudiante en codueño de la información y promotor de ella, porque serán capaces de interiorizar los conceptos formales que pueden ser aplicados a casos concretos, identificarse con ellos al participar activamente en situaciones contextualizadas, sustituir creencias y poner en práctica los conocimientos teóricos adquiridos en clase, cuyas acciones son retroalimentadas positivamente al ser concluidas exitosamente; y al mismo tiempo, conceptualizarlos como un juego, que sustituyen los manuales teóricos y que permiten ahondar en la información que los usuarios del sistema aún no han comprendido (Pérez-Silva, Gamboa y Cabiedes, 2002). 2. Dificultades y necesidades en la enseñanza-aprendizaje de la estadística en la Facultad de Psicología de la UNAM Con el fin de identificar las dificultades y necesidades específicas para la enseñanza- aprendizaje de la estadística en la Institución, se retoman los resultados obtenidos en las primeras fases del diseño del Multimedia ESACS (Estadística Auténtica para las Ciencias Sociales), siendo uno de sus componentes el producto de esta tesis “Practicando la Estadística”, los cuales serán descritos ampliamente en los capítulos 2 y 3. Estos resultados tienen como marco de referencia la Detección de necesidades educativas y las tareas del Diseño instruccional del multimedia. Con respecto a la Detección de necesidades educativas, se reportan los datos proporcionados en el estudio realizado por Ávila, Márquez y de la Rosa (1999), en relación con los índices de reprobación en la Facultad y las opiniones de 17 maestros que imparten la materia, a quienes se les aplicó una encuesta de ocho preguntas enfocadas a conocer los tópicos y subtópicos que se incluyen en la asignatura, cuáles de estos presentan mayor o menor dificultad para enseñar y aprender, el orden en que les gustaría impartirlos, los métodos instruccionales y las estrategias de aprendizaje que aplican y las fases que se siguen al solucionar un problema estadístico (ver Anexo 1). En relación con la identificación de los índices de reprobación, como puede apreciarse en la Tabla 1, las materias impartidas en los semestres nones del Sistema Escolarizado (SE) son Matemáticas I y Estadística Descriptiva; mientras que en los semestres pares, son Matemáticas II y Estadística Inferencial. En el Sistema de Universidad Abierta (SUA) se imparten todas las asignaturas tanto en semestres nones como en pares. El análisis estadístico muestra un mayor porcentaje de reprobados y NP (no se presentaron) en el SUA que en el SE: Matemáticas I (78.78% y 39.56%), Matemáticas II (64.40% y 35.32%), Estadística Descriptiva (58.65% y 22.54%) y Estadística Inferencial 15 (40.57% y 19.90%), respectivamente. Además, el SUA evidencia en las cuatro materias un porcentaje mayor de inscritos que "no se presentan", es decir, en este sistema hay un mayor índice de deserción. Por otra parte, en ambos sistemas, los índices de reprobación se decrementan conforme van avanzando de semestre, siendo mayores en Matemáticas I y II (p.ej. para el SUA: 23.33% y 15.25%), que en Estadística Descriptiva e Inferencial (5.58% y 1.44%), respectivamente; esto no significa que el nivel de dificultad de estas asignaturas sea menor comparado con las dos primeras, sino que muchos estudiantes se atrasan en alcanzar las competencias requeridas. Por otra parte, en la encuesta realizada a los profesores (Ver Tabla 2), se observa que los contenidos que presentan más problemas de comprensión, se relacionan con la probabilidad, la prueba de hipótesis, la distribución muestral, el análisis de varianza, el análisis de regresión, la correlación, el razonamiento estadístico y el diseño experimental; en comparación con las medidas de tendencia central y dispersión, así como la sustitución mecánica de los datos, donde los estudiantes parecen no presentar problemas de comprensión. Se puede apreciar también que para la enseñanza de estos contenidos, los profesores hacen uso de estrategias pedagógicas como la exposición, el trabajo en equipo y las lecturas; y como métodos de evaluación, los trabajos, las tareas y los exámenes. Pero, que se requiere fomentar la vinculación teoría-práctica dentro de un ambiente contextualizado de solución de problemas reales y relevantes en el campo profesional, que permita el razonamiento estadístico, así como un clima de motivación y de aprendizaje significativo. Los resultados anteriores constituyeron la base para poder efectuar, al término de la Fase I del Diseño instruccional de ESACS, un análisis más fino de las dificultades que enfrentan los estudiantes, particularmente para el análisis de datos, debido a que su contenido implica un alto nivel de abstracción y de razonamiento estadístico. Dificultades que fueron incorporadas para el desarrollo de la estructura del componente “Practicando la Estadística.” Antes de reportar las dificultades para el análisis de datos, es importante mencionar que el desarrollo de las tareas del diseño instruccional de ESACS se abordó durante dos fases: La Fase I consistió en la planeación y aplicación de una metodología instruccional en el aula; la Fase II, que está en proceso, comprende la estructuración del programa asistido por computadora mediante el diseño y desarrollo de sus componentes multimedia (García y cols, 1999; García y cols, 2005). La Fase I incluyó seis etapas generales que permitieron definir las condiciones instruccionales para su aplicación en una aula convencional (García, Meza, Romero y Valencia, 1999, en García y cols., 1999): 16 Tabla 1. Índices de reprobación por materia y semestre en el área de la Estadística del Sistema de Universidad Abierta (SUA) y el Sistema escolarizado (SE) durante el periodo 1996 a 1998. Facultad de Psicología, UNAM. Matemáticas I SUA Semestre 96-2 y 97-2 SE Semestre 97-1 Número % Número % Total de inscritos 330 100 948 100 Aprobados 70 21.21 573 60.44 Reprobados 77 23.33 149 15.72 No se presentaron183 55.45 226 23.48 Reprobados y no se presentaron 260 78.78 375 39.56 Matemáticas II SUA Semestre 97-2 SE Semestre 96-2 y 98-2 Número % Número % Total de inscritos 59 100 755 100 Aprobados 21 35.59 135 64.67 Reprobados 9 15.25 205 11.68 No se presentaron 29 49.15 415 23.64 Reprobados y no se presentaron 38 64.40 620 35.32 Estadística Descriptiva SUA Semestre 96-2, 97-1 y 98-2 SE Semestre 97-1 y 98-1 Número % Número % Total de inscritos 179 100 1446 100 Aprobados 74 41.34 1120 77.45 Reprobados 10 5.58 98 6.77 No se presentaron 95 53.07 228 15.76 Reprobados y no se presentaron 105 58.65 326 22.54 Estadística Inferencial SUA Semestre 97-2 y 98-1 SE Semestre 96-2, 97-2 y 98-2 Número % Número % Total de inscritos 69 100 2085 100 Aprobados 41 59.42 1666 79.90 Reprobados 1 1.44 142 6.81 No se presentaron 27 39.13 273 13.09 Reprobados y no se presentaron 28 40.57 415 19.90 17 Tabla 2. Opiniones de los maestros que imparten la materia de Estadística. Facultad de Psicología, UNAM. Temas de mayor importancia Conceptos y habilidades de mayor importancia Conceptos y habilidades de mayor dificultad Conceptos y habilidades de menor dificultad Métodos de enseñanza Métodos de evaluación Estrategias de aprendizaje Ambiente de aprendizaje Motivación Medidas de Tendencia Central y de Dispersión (15%) Prueba de Hipótesis (15%) Correlación y Regresión (15%). Prueba de Hipótesis (13%) Probabilidad (13%) Medidas de Tendencia Central y de Dispersión (8 %) Regresión y Correlación (8%) Métodos de Representación de Datos (8 %) Probabilidad (31%) Análisis de Varianza (10%) Diseños Experimentales (10%) Distribución Muestral (10%) Regresión Múltiple (10%) Razonamiento Estadístico (10%) Medidas de Tendencia Central y de Dispersión (31%) Operaciones mecánicas de sustitución de datos (31%) Exposición (22%) Trabajo en grupos (14%) Lecturas (11%) Ejercicios (8%) Ejemplos (8%) Trabajos o tareas (32%) Exámenes (32%) Participación en clase (18%) Ejercicios en clase (14%) Mecánicamente sin aplicar el razonamiento estadístico (60%) Aprenden sin conocer la utilidad de aplicación de la estadística (30%) Resolviendo problemas reales y relevantes en el campo profesional (50%) Uso del razonamiento estadístico (22%) Vincular la estadística con la práctica profesional real (40%) Seleccionar los temas de interés para los alumnos (20%) Brindar asesoría individual (20%) 18 Etapa I. Definición de las metas instruccionales Etapa II. Definición de los contenidos Etapa III. Definición de los criterios de evaluación Etapa IV. Elaboración de los instrumentos de evaluación Etapa V. Secuencia instruccional Etapa VI. Aplicación y evaluación En esta fase participó un grupo de 15 estudiantes de segundo semestre de licenciatura y dos profesoras de asignatura, quienes cada una impartieron la teoría y la práctica de la materia, bajo una secuencia intruccional que guiaba su práctica docente durante la clase programada con los participantes bajo la siguiente estructura: 1. Revisión del Manual del Alumno. Exposición de los reactivos resueltos en equipos de trabajo y retroalimentación por parte del profesor y los compañeros del grupo con base a los formatos de las evaluaciones parciales 2. Demostración y explicación de los contenidos declarativos y procedimentales de tipo estadístico y metodológico por el profesor, a través del uso de un ejemplo de investigación estructurado en donde se sintetizaba cada uno de los tópicos revisados 3. Prácticas de aprendizaje cooperativo I, consistentes en la realización de ejercicios de identificación y aplicación de los contenidos revisados durante la clase 4. Prácticas de aprendizaje cooperativo II, para el desarrollo de ejercicios de elaboración de proyectos de investigación originales, efectuados paso a paso y conforme a los cinco bloques de contenidos del mapa conceptual general 5. Presentación de propuestas de investigación originales elaboradas por cada equipo de trabajo en tres momentos (primera presentación con retroalimentación del grupo y del docente; autocorrección de los trabajos en función de las observaciones recibidas y la autorreflexión sobre la calidad del trabajo, y segunda presentación con la exposición de los reportes finales de investigación para ser evaluados) Cabe señalar que la evaluación general del aprendizaje del grupo bajo esta secuencia instruccional mostró un incremento significativo en los cinco bloques estratégicos que integran el proyecto de investigación (T(-) = 121.3; N= 15; p> 0.01) (ver Figura 3). Sin embargo, el 58.13% de los alumnos presentaban todavía problemas para el aprendizaje de la elección de los criterios para seleccionar la prueba estadística. Para profundizar en esta problemática, se llevó a cabo un análisis cualitativo de la secuencia didáctica “Análisis Estadístico”, con este mismo grupo de estudiantes y docentes, aplicando la metodología del Análisis del Discurso desarrollada por García, Secundino y Navarro (2000). 19 PLANTEAMIENTO DEL PROBLEMA RECOLECCIÓN DE DATOS ANÁLISIS ESTADÍSTICO REPRESENTACIÓN DE DATOS INTERPRETACIÓN DE DATOS DISEÑO NO EXPERIMENTAL EXPERIMENTAL MUESTRA TIPO DE MUESTREO TAMAÑO DE LA MUESTRA POBLACIÓN RECOLECCIÓN DE DATOS TIPO DE INSTRUMENTO ESCALATÉCNICA DE RECOLECCIÓN ÁMBITO PROCEDIMIENTO INSTRUCCIONES CONDICIONES DE APLICACIÓN ESPECIFICACIÓN DE HIPÓTESIS HO HI ESPECIFICACIÓN DE ALFA ERROR I ERROR III ELECCIÓN DE LA PRUEBA ESTADÍSTICA TIPOS DE COMPARACIÓN ESCALA DE MEDIDA MUESTRA MEDIDAS DESCRIPTIVAS TABLAS GRÁFICAS TENDENCIA CENTRAL DISPERSIÓN RESUMEN DE DATOS ANÁLISIS EXPLORATORIO ANÁLISIS DESCRIPTIVO ANÁLISIS CORRELACIONAL RESULTADOS RELEVANTES ENUNCIACIÓN DE LA PREGUNTA POBLACIÓN OBJETIVO TIPO DE COMPARACIÓN DEFINICIÓN DE LAS VARIABLES VD VI VE ESPECIFICACIÓN DE HIPÓTESIS DE TRABAJO TIPO DE HIPÓTESIS ANÁLISIS DE RESULTADOS INTEGRACIÓN DE LA INVESTIGACIÓN ANÁLISIS DE LOS DATOS REPRESENTADOS CONCLUSIÓN ESTADÍSTICA CONTRASTACIÓN DE RESULTADOS DISCUSIÓN P R O Y E C T O D E I N V E S T I G A C I Ó N Figura 3. Mapa Conceptual de los cinco Bloques Estratégicos de la secuencia instruccional. 20 La metodología del Análisis del Discurso se lleva a cabo mediante tres niveles: Nivel Macro, Nivel Meso y Nivel Micro. El nivel Macro incluye las grandes estructuras de actividad, que permiten ir observando cómo temporalmente el profesor va cambiando su actividad conforme tiene planeado el desarrollo de la clase; y cómo los alumnos van adquiriendo pericia en los conocimientos y las habilidades, es decir, saber cómo se produce la gestión o traspaso en la responsabilidad del control del aprendizaje. El nivel Meso permite el manejo de la topicalización, al comprender cómo se van introduciendo los temas y subtemas de la clase planeada, así como el manejo de las estrategias instruccionales vinculadas con los contenidos y las estrategias discursivas. El nivel micro implica el análisis de las estructuras proposicionales del discurso en contenidos específicos. Dentro de este marco metodológico, se analizó el discurso establecido por las profesoras y el grupo de estudiantes, por medio de la transcripción y análisis de una secuencia didáctica (Coll, 1996, en García, 2002) videograbada en el aula, la cual formó parte de la estructura total de la clase diseñada bajo el Modelo Instruccional de ESACS. Para propósitos de este estudio, en el análisis sólo se contemplaron los niveles Macro y Meso sobre el tema "Análisis Estadístico", con la finalidad de identificar qué tópicos presentaban mayor dificultad para el aprendizaje del análisis estadístico, así como el tipo de estrategias instruccionales o pedagógicas empleadas por las profesoras y el tiempo que le dedicaban a los mismos durante la enseñanza. El análisis consistió en categorizar la secuencia didáctica para identificar la rutina principal en: actividades pre-clase, actividades preliminares, actividad diagnóstica, actividades de la clase principal yactividades interpoladas (ver Anexo 2). Estas actividades, a su vez, fueron analizadas para descubrir los patrones de interacción profesora-alumno por medio de la identificación de las categorías estructurales (p.ej. revisar tareas, diálogo triádico, etcétera), los contenidos temáticos (p.ej. distribución muestral, contrastación de hipótesis, etcétera) y las estrategias pedagógicas empleadas por la profesora (p.ej. Explicación, Repetición/Elaboración, etcétera; (ver Anexo 3), para analizar el nivel meso. Esta estructura permitió obtener los siguientes resultados en cuanto a: 1. Tiempo asignado a la secuencia didáctica. La Tabla 3 muestra que el 98% de la Rutina Típica de la secuencia didáctica implicó la realización de actividades de enseñanza-aprendizaje del análisis estadístico a través de la clase principal y de las actividades preliminares, y el 2% restante a las actividades interpoladas (interrupciones del proceso instruccional) y de cierre (concluir la sesión instruccional). 21 Tabla 3. Tiempo asignado a la secuencia didáctica “Análisis Estadístico”. Rubros Tiempo % Tiempo total de la secuencia didáctica 7:46:36 100 1:14:45 16 6:21:10 82 (teoría: 55.2% y práctica:26.3%) Rutina típica Estructuras de actividad predominantes: Actividades preliminares Clase principal Cierre 1:32 .28 Actividades interpoladas 9:09 1.8 2. Análisis del nivel macro y meso De acuerdo con la Tabla 4, el análisis del nivel macro permite observar que la secuencia didáctica se desarrolló en 4 sesiones, cada una con diferente tiempo de ejecución. La Rutina principal de cada una de las sesiones estuvo relacioanda con las actividades de la clase principal, correspondientes con la metodología instruccional en el aula, diseñada para la explicación y demostración de los contenidos y la realización de los ejercicios de identificación y elaboración, dividida en clase teórica (impartida por la maestra 1) y clase práctica (impartida por la maestra 2). Destacando sin embargo, que en las sesiones 1 y 2, se dedicó más tiempo a la actividad teórica (64.5% y 81.40%,) que a la actividad práctica (12.3% y 2.2%); mientras que en la sesión 3 se invierte el tiempo de asignación (33.5 % y 59.2%), y en la sesión 4 se distribuye casi equitativamente (49.5% y 24.5%). Cabe mencionar que en la sesión 3 fue donde se presentó el mayor porcentaje de actividades interpoladas (5.8%) como de actividades de cierre (.82%) y de clase principal (93%); además, en la sesión 2 no se incluyó la actividad de cierre. De esta manera, a pesar de que se presentó una correspondencia entre la enseñanza de los contenidos declarativos y procedimentales, se dedicó más tiempo para los primeros que a estos últimos (55 % a la teoría y el 26 % a la práctica). La actividad preliminar permitió retroalimentar el avance en las diferentes etapas de los proyectos de investigación de cada equipo, al evaluar, por parte de las profesoras y los propios compañeros, la aplicación de una serie de criterios metodológicos y estadísticos contenidos en el “Manual del Alumno” (ejercicios de elaboración). Cabe mencionar que en esta actividad, la revisión del tópico “criterios para la selección de la prueba estadística” fue muy breve (0:23) en comparación con los niveles de medición (8:15), las hipótesis estadísticas (14:15) y la identificación de los conceptos de hipótesis estadísticas, el nivel alfa y el tipo de error (34:03). Al respecto, la literatura indica que los criterios de selección 22 Tabla 4. Análisis de la secuencia didáctica “Análisis estadístico de los datos” de un proyecto de investigación con metodología cuantitativa. SesionesCategorías de análisis 1 2 3 4 Tiempo por sesión 1:52:47 1:32:16 2:02:09 2:20:04 Tiempo % Tiempo % Tiempo % Tiempo % Rutina típica Actividad preliminar Clase principal Teoría Práctica Cierre 26:04 1:26:30 1:12:17 14:13 00:02 23.5 77 64.2 12.3 .02 14:15 1:17:03 1:15:02 2:01 ----- 15.3 83.6 81.4 2.2 ----- 00:23 1:53:32 41:00 1:12:32 01:00 .19 93 33.6 59.2 .82 34:03 1:44:05 1:09:31 34:34 00:30 24.3 74.3 49.5 24.5 .21 Actividades interpoladas 00:11 .10 00:58 .63 07:14 5.8 01:26 .09 Tópico Tiempo Tópico Tiempo Tópico Tiempo Tópico Tiempo Tópico por tiempo *Actividad preliminar (Revisión de tarea ) y Clase principal (Teoría) *Niveles de medición Análisis estadístico Estadística inferencial Distribución muestral (DM) Error de muestreo (EM) Teorema Central del Límite (TCL) Relación entre DM, EM y estimación de parámetros Efectos aleatorios Estimación de parámetros y contrastación de hip. Hipótesis estadísticas Hip. est. e hip. trab. Representación matemática 26:04 4:02 3:51 12:52 12:12 4:64 0:45 0:52 11:54 11:91 4:76 6:17 *Hipótesis estadísticas Distribución muestral y TCL Distribución muestral Error de muestreo Distribución muestral, error de muestreo y tamaño de muestra Distribución normal Hipótesis de correl. y diferencias Distribución de Ho Errores I y II Relación de hip. est., alfa, errores y prueba est. Criterios para seleccionar la prueba estadística 14:15 3:09 2:21 3:46 7:01 3:48 9:21 13:12 15:81 1:16 13.56 *Criterios para seleccionar la prueba estadística Pruebas de diferencias: Prueba “z” Diferencias entre z y t Pruebas de diferencias: Prueba “t” Análisis estadístico 0:23 26:31 4:10 8:59 2:00 *Especificar en sus proyectos: hipótesis estadísticas, alfa y tipo de error Revisión del mapa conceptual (Módulo 3) Identificación del tipo de correlación en sus proyectos Correlación: conceptos Regresión Coeficientes 34:03 6:02 1:22 32:31 4:58 24:36 23 Continuación... SesionesCategorías de análisis 1 2 3 4 Tópico Tiempo Tópico Tiempo Tópico Tiempo Tópico Tiempo Tópico por tiempo Clase principal (Práctica) Ejercicio 1 En equipo, formular por escrito las hipótesis estadísticas 14:14 Ejercicio grupal Identificar la Distribución muestral con “n” de diferente tamaño en un simulador de prueba 2:01 Ejercicio 1 Cálculo computarizado del estadístico “t” - Objetivos - Hipótesis - Supuestos de “t” - Crear una base de datos en SPSS - Comandos para obtener “t” en SPSS -Interpretación de resultados - Decisión estadística - Intervalos de confianza Ejercicio 2 Cálculo computarizado del estadístico “t” -Crear una base de datos -Comandos para obtener “t” en SPSS - Decisión y conclusión estadística 57:35 14:57 Ejercicio 1 Cálculo computarizado del estadístico “Phi” - Identificar el tipo de coeficiente a aplicar - Crear una base de datos - Comandos para obtener “Phi” en SPSS - Conclusión estadística Ejercicio 2 Cálculo computarizado del estadístico “r” - Crear una base de datos - Comandos para obtener “Spearman” en SPSS - Conclusión estadística - Explicación de resultados 22:44 11:50 24 Continuación... SesionesCategoría de análisis 1 2 3 4 Tópico Estrat. Pedag Tópico Estrat. Pedag Tópico Estrat. Pedag Tópico Estrat. Pedag Dificultades por tópico y estrategias pedagógicas empleadas Distribución muestral Error de muestreo Teorema Central del Límite Hipótesis estadísticas: Ho y Hi Hipótesis alterna con dirección Diferencia entre hipótesis estadísticas y de trabajo Diferencias significativas DM, EM y estimación de parámetros Repetición/ Elaboración Chequeo Clarificación Repetición/ Elaboración Clarificación Clarificación Cuestionamiento Explicación Hipótesis estadísticas Distribución muestral y TCL Error de muestreo Dif. entre el tamaño de muestra y población Representación matemática de hip. de correl. y dif. con dirección Distribución de Ho con
Compartir