Transcripción
1 I Encuentro Colombiano de La enseñanza y aprendizaje de la probabilidad y la estadística MEMORIAS
2 MEMORIAS Editora Luisa Andrade Diseño de logo Benjamín Sarmiento e Ingrith Álvarez Diseño y diagramación de portada y portadillas Ingrith Álvarez, Camilo Sua y Felipe Fernández ISSN: (En línea) Asociación Colombiana de - ACEdEst Autores Septiembre, Se autoriza la reproducción total o parcial de algún artículo, previa cita a la fuente: Andrade, L. (Ed.). (). Memorias del I Encuentro Colombiano de Educación Estocástica. Bogotá, Colombia: Asociación Colombiana de.
3 PRESENTACIÓN Una de las preocupaciones de los educadores e investigadores en Educación Matemática ha sido la necesidad de abrir espacios de discusión y participación para abordar asuntos propios de la (estadística y probabilidad). Es claro que el interés por la educación estadística no es exclusivo de la comunidad de educadores matemáticos, ya que la inquietud por las cuestiones didácticas y por la formación de profesionales y usuarios de la estadística, ha sido una constante de los propios estadísticos; también, en el campo de la psicología las investigaciones sobre el razonamiento estocástico han tenido un gran auge. De allí la importancia de contar con oportunidades de intercambio no sólo para los educadores matemáticos sino para los demás interesados por la educación estocástica. Por lo anterior, en una iniciativa de los profesores integrantes de la línea de investigación en Educación Estadística del Departamento de Matemáticas de la Universidad Pedagógica Nacional, se toma la iniciativa de organizar un evento que posibilite tales espacios. En la formalización del evento se conforma un Comité Organizador que cuenta con el apoyo y colaboración de otras universidades de Bogotá, y que consolida el Encuentro como un evento académico de carácter internacional a desarrollarse con una cierta periodicidad. Así pues, con la realización de este Encuentro se pretende no sólo convocar a profesionales de la educación e investigadores en Educación Matemática, sino también a usuarios de la estadística que laboran en otros contextos profesionales pero que están interesados en la perspectiva educativa de formar ciudadanos alfabetizados y competentes en estadística. Además el Encuentro propende por el intercambio de y difusión de ideas. Las actividades académicas realizadas durante el Encuentro están relacionadas con la enseñanza y el aprendizaje de la estadística y la probabilidad, la formación de profesores en estocástica y de estudiantes, la historia de la estadística y la probabilidad, y el uso de tecnología en la educación estocástica. Comité Organizador Bogotá D.C., Septiembre de
4 ORGANIZACIÓN DEL ENCUENTRO COMITÉ ORGANIZADOR Universidad Pedagógica Nacional Ingrith Álvarez, Felipe Fernández, Camilo Sua, Benjamín Sarmiento Escuela Colombiana de Ingeniería Julio Garavito Carlos Álvarez Universidad Distrital Francisco José de Caldas Pedro Rocha Universidad Nacional de Colombia Pedro Nel Pacheco ENTIDADES PATROCINADORAS ACEDEST Belpapel Ltda. Black Tower Premium Hotel CLAVEMAT CopyCat DCFeria Hotel ENTIDADES AUSPICIADORAS ACOFI Colciencias ICETEX
5 TABLA DE CONTENIDO CONFERENCIAS Y TALLERES DE INVITADOS Blanca Ruíz Relaciones históricas entre las variables aleatoria y estadística y sus repercusiones didácticas José Miguel Contreras Existe la necesidad de evaluación de sesgos probabilísticos en futuros profesores? Silvia Mayén y Carmen Díaz Análisis implicativo que refuerza validez y fiabilidad de un cuestionario de medidas de tendencia central Pedro Arteaga Conocimientos sobre gráficos estadísticos de una muestra de futuros profesores de educación primaria Hugo Alvarado El sentido estadístico de las distribuciones muestrales en los niveles educativos Cileda de Queiroz e Silva Coutinho Letramento estatístico: Qual a contribuição dos livros didácticos? María Soledad Estrella Un imperativo moral: la enseñanza de la estadística no puede dejarse al azar Pedro Rocha Salamanca Caracterización de las prácticas docentes en las facultades de ingeniería de las universidades públicas de Bogotá Silvia Mayén y Ariana Salazar Niveles de razonamiento en la resolución de tareas de tipo binomial Hugo Alvarado y María Lidia Retamal Representaciones de la distribución de probabilidad binomial Cileda de Queiroz e Silva Coutinho Trabalhando probabilidades com Cabri II María Soledad Estrella Construcción de ítems de estadística y probabilidad a la luz de la prueba TIMSS
6 Emilse Gómez, Carmen Batanero y José Miguel Contreras Conocimiento matemático para la enseñanza de la probabilidad en educación primaria Pedro Nel Pacheco Talleres de aprendizaje activo en la enseñanza de estadística Benjamín Sarmiento y Felipe Fernández Combinatoria para la escuela CONFERENCIAS Y TALLERES Wilson Rodríguez, Claudia Daza y Felipe Fernández Del análisis de correspondencias en una investigación. Aplicación e implementación con R Maritza Méndez, Nydia Valero e Ingrith Álvarez Análisis cognitivo en la preparación de un experimento de enseñanza acerca de variables estadísticas y sus escalas de medición Diego Díaz Los cinco problemas más difíciles del cálculo de probabilidades en Guillermo Rincón y Sebastián López Los Bernoulli y sus aportes a la teoría de la probabilidad. El caso de la paradoja de San Petersburgo Edgar Jaimes Por qué involucrar la noción de distribución y variable aleatoria en la enseñanza del concepto de probabilidad? Difariney González Comunidad de práctica: un espacio para la constitución de la identidad del profesor de estadística Miguel Valdivieso y Erica Parra En el parque de diversiones con chicos mareados y dados exóticos. Una introducción a la estadística descriptiva con actividades prácticas y su representación con Geogebra Mauren Porciúncula y Suzi Pinto Proyectos de aprendizaje en la enseñanza de la estadística GRUPOS DE TRABAJO Giovanni Sanabria Formación de profesores en probabilidad VI
7 Giampaolo Orlandoni, Miguel Pérez y Josefa Ramoni Teorema de Bayes y lenguaje matemático Maple. Estimación de la función de densidad posterior COMUNICACIONES BREVES María Magdalena Gea, Emilse Gómez y Gustavo Cañadas Adquisición del sentido de la correlación a partir de recursos virtuales Jacqueline Santos El movimiento del pensamiento probabilístico de los estudiantes de la educación básica Giovanni Sanabria La enseñanza de la probabilidad desde la primaria Liceth Beltrán y William Suárez Una secuencia didáctica para la enseñanza de la noción de variable aleatoria discreta y algunas representaciones en grado 5 William Suárez y Liceth Beltrán Secuencia didáctica para la enseñanza de nociones sobre el teorema de Bayes en grado séptimo Victor Burbano y Margoth Valdivieso Conocimientos del profesor para la enseñanza de la probabilidad en la educación media colombiana Margoth Valdivieso y Victor Burbano Algunos errores sobre conceptos básicos en estadística descriptiva John Restrepo Aportes para la formación de ciudadanos desde la clase de estadística Mónica Vergara, José Alcides Romero y Felipe Fernández Una propuesta de instrucción para abordar el razonamiento probabilístico en situaciones de azar Leidy Mateus Estudio de gráficos estadísticos usados en una muestra de libros de matemáticas para la educación básica y media en Bogotá Beatriz Tapiero y Henry Polanco Desarrollo del razonamiento estadístico a través del trabajo por proyectos VII
8 Johanna Martínez y Gabriel Yañez Efectos de la simulación computacional en la comprensión de la distribución binomial y la distribución de proporciones July Celis y Gabriel Yañez La simulación computacional y la probabilidad condicional Leidy Portilla, Andrés Quintero y Tulia Rivera Estrategias de juego: el caso del Baloto Christian López, Joel Fernando Morera y William Jiménez Concepciones de la probabilidad: reseña histórica Luzdari Rangel y Gabriel Yañez Los intervalos de confianza: confianza vs. precisión Cindy Morgado y Gabriel Yañez Un estudio longitudinal del razonamiento bayesiano con estudiantes de ingeniería Luis Miguel Marrugo Los libros de texto de matemáticas para quinto grado: correspondencia con el desarrollo del razonamiento estadístico María Cristina Kanobel Mapas conceptuales y UVE de Gowin como estrategia para construir conocimiento estocástico en el nivel universitario Juan Pablo Caro y Javier Rodríguez Reporte del desarrollo de una propuesta didáctica para la enseñanza de tablas de contingencia a estudiantes de grado noveno: avances y dificultades Gladys Sánchez Propuesta didáctica para modelar estadísticamente errores de medición en las ciencias naturales, en los grados décimo y once Freney Anturi y Alirio Quesada El diagrama de tallo y hojas como estrategia en la construcción de una distribución de frecuencias para datos agrupados Andrés Triana Lo sociocultural vs. la matemática escolar. Construcción de una secuencia didáctica para la enseñanza de la estadística descriptiva univariada Jorge Zambrano y Rosa Palacios Un modelo para caracterizar el razonamiento estadístico de estudiantes de secundaria al comparar conjuntos de datos representados mediante gráficos de caja VIII
9 Jorge Obando y María Teresa Castellanos Análisis de correspondencia: el caso de la evaluación por competencias POSTERS Pedro Nel Pacheco y Luz Dary Castelblanco Propuesta para superar sesgos y heurísticas en la interpretación de situaciones de probabilidad Alexander Guataquira y Pedro Nel Pacheco Enseñanza de la desviación estándar utilizando el sistema Seis Sigma en grado noveno Henry Correa y Pedro Nel Pacheco La significación del juego justo en eventos equiprobables Diana Parra y Daniel Morán Algunos aspectos cronológicos de la combinatoria IX
10 CONFERENCIAS Y TALLERES DE INVITADOS
11 RELACIONES HISTÓRICAS ENTRE LAS VARIABLES ALEATORIA Y ESTADÍSTICA Y SUS REPERCUSIONES DIDÁCTICAS Blanca Ruiz Tecnológico de Monterrey (México) bruiz@itesm.mx A través de 8 etapas históricas, en Ruiz (2013) se describe el proceso constitutivo de la variable aleatoria. En ellas también se observa el desarrollo histórico de la variable estadística y las vinculaciones entre las experiencias empíricas dadas a través del análisis de datos de variables estadísticas y la teorización en el campo de la probabilidad. Las interacciones entre estos dos ámbitos no respondieron sólo a una necesidad de herramienta matemática en los análisis de datos sino se dieron en ambos sentidos y de diferentes formas que se describen y se ejemplifican en este escrito. A partir de este análisis se estipulan posibles explicaciones y acciones que ayuden al estudio del aprendizaje y la enseñanza de la inferencia estadística y la probabilidad. PALABRAS CLAVE Variable estadística, historia estadística, variable aleatoria, enseñanza estadística. INTRODUCCIÓN Tanto desde la perspectiva estadística como probabilística, muchas investigaciones recientes en educación se han preocupado por manifestar la necesidad de enfatizar en los datos y su vinculación con los modelos probabilistas en la educación escolarizada (entre otros, Wild y Pfannkuch, 1999; Rossman, 2008; Borovcnik, 2011; Burril y Biheler, 2011; Sánchez y Hoyos, 2013). En particular, Pfannkuch (2005) y Greer y Mukhopadhyay (2005), resaltan la conveniencia de tomar en cuenta estudios históricos para fortalecer la enseñanza de la probabilidad y la estadística y guiar la incorporación del análisis de datos en la clase. Greer y Mukhopadhyay, sin asumir un paralelismo entre el desarrollo ontológico y epistémico, rescatan a la historia como una fuente de explicaciones y conocimiento de los obstáculos y dificultades de los estudiantes en el aprendizaje de la probabilidad. Pfannkuch recurre a la historia y a marcos y referencias actuales para proponer una etapa transición (Hacia la inferencia formal, Pfannkuch, 2005, p. 275) entre la enseñanza de la inferencia informal y formal. Sin embargo el devenir histórico de las variables aleatoria y estadística, paralelo a la historia de la probabilidad y la estadística, tiene más de un momento en los que su desarrollo conceptual se vio influenciado mutuamente. La importancia teórica de la variable aleatoria para construir un sistema axiomático coherente, así como su estrecha relación con el contexto del problema, hace que su proceso constitutivo se vincule estrechamente con el surgimiento de la probabilidad como ciencia. Así mismo, la variable estadística está fuertemente vinculada con la emergencia de la estadística como ciencia porque su vinculación formal con la
12 variable aleatoria es un parteaguas para la consolidación de la inferencia estadística. Podemos, entonces, considerar la historia de ambas variables como ejes del surgimiento de la probabilidad y la estadística (Ruiz, 2013). El estudio del devenir histórico de las variables aleatoria y estadística, por lo tanto, puede convertirse en una herramienta cognitiva que proporcione elementos que ayuden a la comprensión del aprendizaje de la inferencia estadística y la probabilidad, a la vez que puede ser fuente de hipótesis para el diseño de actividades y que, a su vez, marque etapas de desarrollo para el aprendizaje de los estudiantes (Brousseau, 1997). Con ese objetivo, en este trabajo se retoma el estudio epistemológico sobre la variable aleatoria desarrollado en Ruiz (2013), para enfatizar en los momentos históricos de contacto entre las variables aleatoria y estadística que contribuyeron al desarrollo de la probabilidad y la estadística como ciencias y aventurar algunas de sus posibles repercusiones didácticas que este tipo de estudios pueden aportar. DOS VÍAS DE DESARROLLO DE UN CONCEPTO La variable aleatoria y su vinculación con la variable estadística han estado presentes en casi toda la historia de la probabilidad y la estadística; sin embargo no fue sino hasta años relativamente recientes cuando se han puesto de manifiesto en forma explícita. En Ruiz (2013) se delimitan ocho etapas históricas del proceso de constitución de la variable aleatoria como objeto matemático. Estas ocho etapas desembocan, por un lado, en la definición formal de la variable aleatoria (y en la formulación de la teoría de la probabilidad), y por otro, en la vinculación explícita de las variables estadística y aleatoria en la inferencia estadística (y el surgimiento de los fundamentos de la teoría estadística). Sin embargo, no se puede afirmar que el desarrollo histórico de las variables aleatoria y estadística haya sido independiente o que su influencia sólo haya sido en una sola dirección. Lighntner (1991) considera que después del trabajo de Moirvre, hubo un periodo de transición entre la probabilidad y la estadística en el que los matemáticos comenzaron a darse cuenta de que muchos conceptos de probabilidad no podían separarse de la estadística y los estadísticos tuvieron que considerar modelos probabilísticos para inferir propiedades de los datos observados (p. 628). A través de las ocho etapas descritas en Ruiz se puede distinguir una relación dialéctica entre ambos tipos de análisis a lo largo de toda su historia. En este escrito no nos concentraremos en la descripción del devenir histórico de la variable aleatoria a lo largo de esas ocho etapas, únicamente analizaremos las interacciones que se dan a través de esas etapas (Figura 1) y las ilustramos a través de algunos ejemplos históricos. A. Análisis de los datos en los juegos de azar Desde sus inicios, la definición de la probabilidad a partir del espacio muestral tuvo fuertes motivaciones en la observación del comportamiento de la tirada de tres dados: el Duque de Toscana (Perero, 1994) y Fournival (Bellhouse, 2000), como grandes jugadores, estuvieron interesados en explicaciones teóricas a su experiencia empírica que les proporcionara conocimiento para realizar mejores apuestas. El caso más conocido en nuestros días es el del Duque de Toscana, quien había observado que en el lanzamiento de 3 dados, la suma de las caras superiores daba 9 con menos 2
13 frecuencia que 10 y eso no concordaba con un modelo teórico que sostenía que el número de formas posibles para que la suma de los puntos de las caras superiores de los tres dados diera 9 (1+2+6, 1+3+5, 1+4+4, 2+2+5, 2+3+4, 3+3+3), era el mismo que para que diera 10 (1+3+6, 1+4+5, 2+2+6, 2+3+5, 2+4+4, 3+3+4). El problema fue resuelto por Galileo (1718, citado en Perero, 1994) quien, tomando en cuenta el orden de los dados, enumeró el espacio muestral completo, obteniendo 25 casos teóricos favorables para 9 y 12 y 27 para 10 y 11. Fournival (citado en Bellhause, 2000) había encontrado la misma solución alrededor de 4 siglos antes. No existe evidencia de los registros de los jugadores o de un análisis de sus resultados, sin embargo, el conocimiento de la diferencia entre la frecuencia de aparición de uno y otro resultado no pudo surgir sin el recuento y análisis de datos. Hay que tomar en cuenta que la cardinalidad del espacio muestral completo es 216 (y 52 si sólo tomamos en cuenta las posibilidades de que alguien salga ganador), así que la diferencia entre la probabilidad de que la suma fuera 9 y 10 es extremadamente pequeña como para que pudiera ser notada por simple observación. Esto significa que una discordancia entre el comportamiento observado (empírico) en los juegos de azar y un modelo teórico errático, propició la generación de elementos teóricos probabilísticos. Implícitamente, a partir de un análisis de la variable estadística se estimuló un modelo teórico que daría lugar al análisis de una variable aleatoria (la suma de la cara de tres dados). Figura 1. Etapas del desarrollo histórico de la variable aleatoria y sus interacciones con la variable estadística 3
14 B. Uso de herramientas probabilísticas en diversos contextos Una de las vinculaciones más fuertes entre la variable aleatoria y la estadística se dio en el periodo comprendido entre la segunda mitad del siglo XVII hasta el primer tercio del siglo XVII. La recolección de datos demográficos fue una actividad que se comenzó desde tiempos inmemoriales. En el siglo XVII la cantidad de datos recopilados era muy grande, lo que despertó el interés de aplicar los resultados teóricos surgidos en la probabilidad haciendo que los intuitivos análisis de datos pudieran ser más complejos. Uno de los primeros trabajos que se conoce en el que la probabilidad y el registro estadístico de datos fueron aplicados al análisis de fenómenos distintos a los juegos de azar, es el ensayo An argument for divine providence, taken from the constant regularity observed in the births of both sexes, publicado por John Arbuthnott en En él, Arbuthnott, influenciado por los trabajos de Fermat, Pascal y Huygens, aplicó la relación binomial al estudio de la proporción que debería haber entre los sexos de los pájaros que nacen en una nidada. Supuso que la población de pájaros debería estar constituida por igual número de machos que de hembras (p=½) y calculó teóricamente el número de machos (M) y hembras (F) posibles procreados en un nido con un número n de huevos, mediante la ley Binomial (M+F) n. Sus resultados indicaron que se esperaría que el número de aves machos y hembras que nacieran en el nido fuera el mismo independientemente del número de huevos que hubiera en el nido. Sin embargo, su experiencia como observador de aves le indicaba que había un mayor número de aves machos que hembras y por lo tanto concluyó que en ese contexto no se cumplía la distribución propuesta por Pascal. Siguiendo el mismo método, Arbuthnott se enfocó en la distribución de sexos en los seres humanos y la comparó con los resultados obtenidos en los registros de bautismos realizados en Inglaterra entre 1629 y Los registros indicaron que el número de niños nacidos fue superior al número de niñas en una proporción constante. Concluyó que la proporción no igualitaria existente entre el número de niños y de niñas que nacen cada año en Inglaterra no estaba gobernada por el modelo ideal de la probabilidad atribuible al azar y que esa proporción entre los dos sexos, estaba regida por el misterioso arte de la Divina Providencia que escapaba a la comprensión del intelecto humano. Los estudios de Arbuthnott, sin embargo, pusieron en duda que el modelo clásico de la probabilidad rigiera todos los fenómenos de la naturaleza. Trabajando con un problema muy distinto, Galileo Galilei también se ocupó del recuento de datos y del análisis de una variable estadística continua (Hald, 1986). Desde la época de la Revolución Copernicana, los astrónomos organizaban los registros de las observaciones del movimiento de los planetas. Galileo concentró su atención en los diferentes valores que se obtienen al realizar varias veces la misma medida para encontrar la distancia de una estrella a la tierra de manera indirecta. Analizó las propiedades de los errores observados (aleatorios) y encontró que son más frecuentes los errores pequeños que los grandes, que los errores por exceso son tan frecuentes como los errores por defecto y que la mayoría de las mediciones se agrupan alrededor del valor medio. Además definió una única distancia verdadera y observaciones sujetas a variaciones, con lo cual comenzó a diferenciar el estadístico 4
15 del parámetro. En estos análisis, Galileo manejó implícitamente variables aleatorias y estadísticas y sus distribuciones (aunque nunca las mencionó como tales), pero sobretodo con el actual concepto de varianza el cuadrado medio del error. Los errores eran una variable aleatoria de distribución desconocida y usó a la variable estadística para aproximarse a ella. Actualmente sabemos que esa distribución a la que Galileo se aproximó es la normal estándar. Otro de los recuentos de datos demográficos que favoreció la vinculación entre las variables fue el que se realizó en Breslau (Halley, 1693). En esta Ciudad se llevaba el recuento de las defunciones y nacimientos con mucha regularidad y minuciosidad. Alrededor de 1690 el registro había sido llevado por más de un siglo y Gaspar Neumann se interesó por ellos. Él demostró que había ciertas edades (en la infancia y en la ancianidad) en las que el ser humano estaba más susceptible de morir. Los datos de Breslau fueron conocidos por Edmund Halley gracias al trabajo de Neumann y los aplicó en el estudio de la vida humana. Hizo un exhaustivo análisis de las tasas de mortalidad y calculó las posibilidades que tiene una persona de morir a una cierta edad para regular el precio de los seguros de vida. Sus cálculos fueron la base de los trabajos de esperanza de vida y los índices de mortalidad que hoy utilizan muchas de las compañías de seguros. Halley empleó los razonamientos estadísticos descubiertos hasta entonces para estudiar datos poblacionales y sociales y los hizo progresar hacia nuevas herramientas de análisis. También se percató de la valía de los grandes números, al mencionar que de tener un mayor número de datos, el cálculo sería más confiable. Otros grandes matemáticos, como Daniel Bernoulli, se enfocaron al estudio de fenómenos sociales y económicos basándose en datos empíricos. En su obra (Bernoulli, 1954/1738) afirmó que un comerciante racional siempre debe actuar motivado por obtener la máxima utilidad posible, la cual puede ser calculada mediante procedimientos matemáticos y debe calcular cuál es el riesgo que existe para alcanzar ese premio (la utilidad), y la manera cómo ese riesgo incide económicamente en la expectativa de ganancia. De este modo Daniel Bernoulli inició la econometría. Daniel Bernoulli también se ocupó de aplicar estos modelos a la teoría de juegos y a rectificar sus teorías a través de la recopilación de datos (Perero, 1994). Estas interacciones entre la teoría generada y los datos dieron lugar a la generación de nuevo conocimiento teórico, como en el trabajo de Galileo, Halley y Daniel Bernoulli, aunque también se puede apreciar un cuestionamiento sobre la correspondencia entre los modelos teóricos y la realidad (los datos) en los trabajos de Arbuthnott. C. Retomando los resultados de los análisis de datos A finales del siglo XVII los resultados obtenidos en el análisis de datos suscitó el interés por la generalización de la herramienta obtenida a partir de problemas particulares. El desarrollo progresivo del cálculo y análisis matemático influyó fuertemente en la teoría probabilista porque permitió el uso de herramientas matemáticas más sofisticadas, para explicar y generalizar los resultados obtenidos en los análisis de datos. Por ejemplo, Jacob Bernoulli (Bernoulli, 2006/1713) concibió la probabilidad como el grado de certeza (conocimiento) que los seres humanos pueden tener de los 5
16 acontecimientos y deslinda su asignación, que, afirma, puede hacerse de dos formas: a través del conteo de los casos posibles y totales en el espacio muestral (la actual probabilidad laplaciana) y a través de la observación múltiple de los resultados de pruebas similares (la actual probabilidad frecuencial). Intuitivamente, Bernoulli sabía que las frecuencias relativas tendrían que converger a la auténtica probabilidad y creyó que podría estimarla con un grado de precisión deseado al determinar el número de pruebas necesarias para garantizar esa precisión. Estos intentos fueron los que lo condujeron a la formulación de lo que actualmente conocemos como la ley débil de los grandes números o teorema de Bernoulli. De Moivre, Lagrange, Gauss y Laplace ampliaron y demostraron teóricamente los resultados obtenidos por Galileo a partir del análisis de los datos astronómicos sobre la forma en que se agrupan los datos alrededor de la media en la distribución normal estándar. Encontraron la fórmula de esta distribución, el método de mínimos cuadrados para la estimación de parámetros a partir de los datos y analizaron el uso de la media y la desviación estándar en esta distribución. De Moivre (1756) también profundizó teóricamente en la probabilidad frecuentista y su relación con un modelo teórico ideal. Se dio cuenta que la igualdad entre la frecuencia relativa y la probabilidad no podría ser posible y que más bien se debería medir (aplicar momios) a la variación de la igualdad. Esto lo condujo a la formulación de la ley fuerte de los grandes números. De Moivre también generalizó algunos métodos de cálculo que surgieron a partir de la solución de problemas particulares, con lo que profundizó en las distribuciones hipergeométrica, binomial negativa y de Poisson. A mediados de la segunda década del siglo XIX, Laplace (1812) ya había formulado su Teoría Analítica de las probabilidades que sentó las bases de la Probabilidad como ciencia. El avance teórico logrado fue muy grande. En su libro ya hay un manejo explícito de la variable aleatoria continua, de la probabilidad como un diferencial y de las funciones de densidad, aunque no se definen como tales. Además de que hay una distinción más clara entre lo que es el cálculo de las probabilidades y la probabilidad misma. También se establecieron los primeros teoremas del límite central para condiciones particulares y se hicieron explícitas las condiciones de independencia. Todo esto habría paso al manejo de las distribuciones muestrales y, por tanto, se inició la vinculación formal entre las variables aleatoria y estadística en el muestreo. D. Un momento de reflexión para los probabilistas La quinta etapa en Ruiz (2013), se caracteriza por un alejamiento de los análisis de datos y una concentración en la demostración de teoría, en particular del teorema del límite central y de modelos de distribuciones, sin que ello significara que en ella no se ocuparon de la relación entre los datos y la teoría. Poisson, Tchebychef, Markov, Liapounoff y Lévy contribuyeron a la formulación del teorema del límite central, lo que condujo al planteamiento de las distribuciones muestrales. Así mismo se diferenció un tratamiento matemático explícitamente distinto para la variable aleatoria continua y la discreta. En esta etapa, el principal motor para el desarrollo de la variable aleatoria fue establecer una variable de carácter matemático en la función de densidad, para el problema de la continuidad y de dependencia que se presentaba en diversos contextos reales. Así, aunque en los trabajos no reportan análisis de datos, 6
17 hay una preocupación por la demostración de teoría que aportaría sustento al posterior análisis de los datos. E. La distribución normal y el análisis de datos En la segunda mitad del siglo XIX y principios del XX, los resultados teóricos de los probabilistas, principalmente alrededor de la distribución normal y los análisis realizados por Gauss para la distribución de los errores de las medidas astronómicas, comenzaron a ser usados ampliamente en diversas disciplinas con fines de análisis de datos en situaciones de incertidumbre. En esos estudios se relacionaron explícitamente las variables estadísticas y las aleatorias haciendo surgir métodos apropiados para estimar los valores de los parámetros que definen las familias de distribuciones de las variables aleatorias a partir de métodos estadísticos basados en el acopio y análisis de datos empíricos. Entre otros, destacan los trabajos de Quetelet y Galton sobre la caracterización del hombre medio. Quetelet se preocupó por caracterizar al hombre medio a través de las medidas de centralización y variación de diversas variables de grandes colecciones de datos. Se sustentó principalmente en inferencias informales haciendo uso de la media y la variación alrededor de la media. Se percató de que sus datos se comportaban de forma similar a los descritos por Gauss y supuso que las variables vinculadas con el hombre medio se distribuían como una normal. Defendió la necesidad de grandes cantidades de datos como la forma de acercarse a la verdad (distribución teórica) y también promovió la recolección cuidadosa de datos porque se dio cuenta que no toda colección de datos podía proporcionar información para inferir las características del sobre el hombre medio en general. Los trabajos de Quetelet contribuyeron a que Galton (1989) delimitara las poblaciones sobre las que hizo sus inferencias y a caracterizar los atributos de la población por su distribución más que por su media. Galton presentó la distribución de las variables estadísticas en gráficos muy similares a los actuales histogramas (usados por Gauss) y ojivas (dibujados no sólo con líneas sino también con barras). Así mismo trabajó con tablas de frecuencias acumuladas en las que definió intervalos de clase para las variables continuas. Él ya denominaba distribución a la forma en cómo se comportaba los datos de una característica de una población. También se sospecha que el término normal para ésta distribución proviene del uso que entonces se le dio en el análisis de datos. Ni Galton ni Quelet eran matemáticos, hicieron uso de la herramienta matemática que les daba mayor oportunidad de interpretación. Así por ejemplo, Galton (1989) prefería la mediana sobre la media, comparaba el comportamiento de una variable de diferentes poblaciones a través de percentiles y ojivas y optaba por medir la variación a través del promedio del valor absoluto de las diferencias de los datos con la mediana. Sin embargo, hizo aportaciones muy notables, por ejemplo, propuso una estandarización de los valores de las variables de modo que los percentiles de las variables correspondientes a una misma población pudieran ser comparables entre sí; pidió ayuda al matemático W. F. Sheppard para elaborar las primeras tablas de la N(0,1) y con ellas y su estandarización, corroboró que sus variables se comportaban como una distribución normal. Es decir, sentó las bases para el estudio de la variable estadística y su distribución a través del estudio de la normal. Sus estudios sobre la 7
18 relación entre características entre padres e hijos también lo hicieron pionero en el estudio de la estimación de los componentes de la variación atribuibles a causas identificables y de la regresión. Los trabajos de Quetelet y Galton marcaron la recolección de datos como una fase muy importante para el análisis estadístico. También recalcaran la importancia del estudio de la variable estadística a través del análisis de su distribución y sentaron las bases para su análisis. Estos análisis son semejantes a lo que actualmente se propone en didáctica de la estadística como inferencia informal (Rossman, 2008). F. Hacia una vinculación formal de las variables aleatoria y estadística Casi de manera simultánea a la formalización de la probabilidad, también la estadística comenzó con tal proceso. Karl Pearson se ocupó de fundamentar, perfeccionar y ampliar los métodos de análisis de Galton, lo que lo llevó a la generación de objetos matemáticos propios de la estadística. Estableció un puente entre las ideas de Galton y resultados probabilísticos y matemáticos de la época, favoreciendo la formalización de la inferencia estadística, así como la vinculación formal entre la variable aleatoria y estadística. Dentro de sus aciertos no solo estuvo su formación matemática, que le permitió comprender los modernos resultados recientes en probabilidad y matemáticas, sino también se interesó por aplicarlos a diversas áreas de la ciencia. Pearson comenzó a manejar distribuciones empíricas distintas a la normal y se proveyó de una serie de herramientas estadísticas matemáticas para examinar las gráficas de las distribuciones empíricas basándose en el método de momentos, como la variación (a través de la desviación estándar), el sesgo y la curtosis (Magnello, 2009). Retomó el método de momentos ideado por Tchebychef y estimó los momentos poblacionales a partir de los muestrales. También aplicó el método de mínimos cuadrados, ideado por Gauss, y encontró mejores estimadores para los conceptos propuestos por Galton sobre la regresión. Sin embargo, su mayor contribución devino a partir de su preocupación por evaluar la validez de los modelos teóricos encontrados con su metodología a partir de los datos, que lo condujeron a la formulación de la distribución χ 2 y la prueba de bondad de ajuste de un modelo teórico sobre los datos en donde estaba el germen de lo que posteriormente serían las pruebas de hipótesis (Pearson y Kendall, 1970). También en esa época, siguiendo el desarrollo del teorema del límite central y el desarrollo teórico de la estadística surgió el concepto de distribución muestral o distribución del estadístico. El método de determinar la probabilidad de que la media de la población esté dentro de una distancia de la media suponiendo normalidad y con una desviación estándar calculada como s/ n, se hizo muy popular. También, en contraposición a la investigación exhaustiva, se comenzó a defender el muestreo aleatorio y el viejo problema estudiado por Jacob Bernoulli sobre la cantidad necesaria de datos para tener estimaciones confiables volvió a surgir. La discusión alrededor del problema de representatividad de una muestra favoreció la emergencia de métodos de análisis de las variables estadísticas en los que se tomó en cuenta el tamaño de la muestra y la forma en la que se recolectaban los datos. Gosset dedujo la distribución t para ambientes en los que no es posible la obtención de grandes 8
19 cantidades de datos. Esto conduce a una mejor deducción de la variable aleatoria a partir de la estadística en pequeñas muestras. Los trabajos posteriores de Ronald Fisher, Jerzy Neyman y Ergon Pearson terminaron por sentar los fundamentos de la actual inferencia estadística paramétrica. Así, a principios del siglo XX, las herramientas estadísticas para el tratamiento de los datos y, por tanto, de la variable estadística, se multiplicaron propiciando que el análisis de datos tuviera mayores fundamentos y fuera más rico. El concepto de distribución muestral del estadístico adquiere una mayor importancia dentro de la estadística matemática y fomentó el interés por estudiar las distribuciones de las operaciones con variables aleatorias. Esto condujo, progresivamente, al desarrollo de las teorías estadísticas con las que convivimos actualmente y a relacionar de manera explícita las variables estadísticas (en las muestras tomadas de poblaciones) con las variables aleatorias, que definen las poblaciones cuyas características se quiere estimar. CONCLUSIONES A lo largo de las ocho etapas históricas, se observaron las distintas formas en cómo las dos formas de pensamiento se entrecruzaron y retroalimentaron mutuamente en diferentes formas, dentro de las cuales se encuentran: Confrontaciones entre resultados obtenidos de manera empírica que no concuerdan con modelos teóricos. La evidencia empírica estimuló la generación de teoría, lo que propició el estudio teórico de variables numéricas. Esto puede observarse en los análisis del Duque de Toscana y los trabajos de Arbuthnott. Análisis de datos que buscaban deducir el comportamiento de la variable aleatoria a partir de la estadística lo que propició nuevas teorías tendientes a la vinculación entre la variable aleatoria y la estadística. Esto puede observarse en particular en los trabajos de Halley, Galileo y Daniel Bernoulli con distintas bases de datos. Análisis teóricos que justifican resultados surgidos a partir del análisis de datos y que amplían el estudio de la variable aleatoria, como los realizados por de Moivre, Lagrange, Gauss y Laplace alrededor de la distribución normal, su media y su varianza. Análisis teóricos que buscaron concordancia entre la variable estadística y la variable aleatoria. No hay un análisis de datos propiamente, sino estudios teóricos a través de los cuales se genera nueva teoría que favorece la vinculación entre la variable aleatoria y la estadística, pero cuya motivación está en un interés práctico. Ejemplos de ello son los estudios de Bernoulli y de Moivre alrededor de la convergencia de la probabilidad frecuencial, así como los de Poisson, Tchevychev, Markov, Liapounoff y Lévy alrededor del teorema del límite central y la continuidad. También está la propuesta del manejo de la distribución t de Student para pequeñas muestras. Uso de resultados probabilísticos que favorecieron el análisis de datos, lo que fortaleció el análisis de la variable estadística. Destacan los trabajos de Quetelet y Galton haciendo uso de la distribución normal. Teoría probabilística que ayudó a la formalización de ideas que surgieron en análisis de datos en contextos prácticos. Pearson estableció un puente entre las ideas de 9
20 Galton y resultados probabilísticos y matemáticos, favoreciendo la formalización de la inferencia estadística, así como la vinculación formal entre la variable aleatoria y estadística. Las dos vías de pensamiento también tuvieron largos periodos de reflexión propia, a través de los cuáles la interacción entre ellas fue casi nula. El desarrollo de la teoría de Laplace o la larga discusión que dio lugar a la comprobación del teorema central del límite (que tendría, sin embargo, una fuerte repercusión en la estadística) son momentos en los que la deducción teórica prevalece sobre el análisis de datos. Así mismo, en el análisis de grandes recuentos de datos a través de elementos meramente descriptivos, y sin embargo, con fines inferenciales, permaneció mucho tiempo sin la influencia de herramienta teórica que permitiera análisis más potentes. Este proceso dialéctico permitió momentos de crecimiento en estas dos corrientes de pensamiento hasta conformarlas autónomamente nutriéndose de sus análisis y resultados, pero también con momentos de reflexión propia, mediante las cuales se establecieron formas de razonamiento autónomas que los conformaron como ciencias independientes, cuyo sustento en gran parte pende de la conceptualización de las variables aleatoria y estadística. REPERCUSIONES DIDÁCTICAS Si bien es cierto que un estudio histórico es fuente de ejemplos de problemas a través de los cuáles surgió la herramienta estadística, también proporciona elementos de índole epistemológica que pueden servir de sustento para mejorar nuestra práctica. En la enseñanza escolarizada tradicionalmente la vinculación entre la probabilidad y la estadística se ha dejado a cargo de la inferencia estadística formal. Burril y Biehler (2011) describen una concepción muy difundida en los currículos escolares en la cual se distinguen dos estadísticas, una sin probabilidad (estadística descriptiva y análisis exploratorio de datos) y otra con probabilidad (inferencia estadística). En su mayoría, los currículos universitarios, introducen esta última únicamente después de haber enseñado probabilidad y funciones de probabilidad más o menos formalmente. Se piensa que el ámbito de la probabilidad y la estadística (en particular la inferencial) se mantuvieron separados por muchos años (Pfannkuch, 2005) y que la inferencia sólo pudo surgir después de que la herramienta teórica probabilística y matemática lo permitió. Sin embargo, en este estudio histórico salta a la vista que el crecimiento de la probabilidad y estadística en gran parte fue debido a la interacción que se dio entre los datos y la teoría en diversos momentos y bajo una diversidad de formas. Además muestra que el estudio de la variable aleatoria no es exclusivo de la probabilidad, sino también de la estadística, puesto que las dos vías de surgimiento de este concepto, fueron las que dieron lugar a mayores aplicaciones de él. Así, es recomendable una enseñanza en constante contacto entre la teoría y los datos en diversos momentos del currículo, que quizá podrían coincidir con los momentos históricos en los que se dieron, mediando los lapsos de tiempo y enfatizando en las distintas formas en que ambas ciencias se retroalimentaron. Esto favorecería no enseñar una probabilidad libre de datos ni un análisis de datos libre de modelos, como alertan Burril y Biehler (2011). 10
21 Así mismo pudimos observar que si bien fue necesaria la intervención de matemáticos para constituir objetos teóricos y fundamentar mejores análisis, los primeros análisis de personas no doctas en esa área, como Quetelet y Galton o personas interesadas en el análisis de datos, como el duque de Toscana o Arbounouth, fueron los que favorecieron la forma de pensamiento inferencial. En este sentido la matemática fungió como herramienta para fundamentar una forma de pensamiento que, de alguna forma general, ya estaba establecido. También es cierto, sin embargo, que a partir de esta matematización, el pensamiento inferencial pudo evolucionar generando nuevas formas de análisis. Cuestiones que valdría la pena tomar en cuenta en el currículo escolar. REFERENCIAS Bellhouse, D.R. (2000). De Vetula: a medieval manuscript containing probability calculations. International Statistical Review, 68 (2), Bernoulli, D. (1954). Exposition of a new theory on the measurement of risk. Econometrica, 22 (1), (Trabajo original publicado en 1738). Bernoulli, J. (2006). Ars Conjectandi. (Libro original publicado en 1713 en Basilea). Borovcnick, M. (2011). Strengthening the role of probability within statistics curricula. En C. Batanero, G. Burrill y C. Reading (Eds.), Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI and IASE study (pp ). New York: Springer. Brousseau, G. (1997). Theory of didactical situations in mathematics. Didactique des mathématiques, Dordrecht, The Netherlands: Kluwer Academic Publishers. Burril, G. y Bielher, R. (2011). Fundamental statistical ideas in the school curriculum and in training teachers. En C. Batanero, G. Burril y C. Reading (Eds.), Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI and IASE study (pp ). New York: Springer. Galton, F. (1889). Natural inheritance. London: MacMillan. Greer, B. y Mukhopadhyay, S. (2005). Teaching and learning the mathematization of uncertaninty: Historical, cultural, social and political contexts. En G.A. Jones (Ed.), Exploring probability in school: Challenges for teaching and learning (pp ). New York: Springer. Hald, A. (1986). Galileo s statistical analysis of astronomical observations. International Statistical Review, 54 (2), Halley, E. (1693). An estimate of the degrees of the mortality of mankind, drawn from curious tables of the births and funerals at the city of Breslaw; with an attempt to ascertain the price of annuities upon lives. Philosophical Transactions of the Royal Society of London, 17 (1), Laplace, P.S. (1812). Théorie analytique des probabilités. París: Gauthier-Villars. Lightner, J. (1991). A brief look at the history of probability and statistics. Mathematics Teacher, 84 (8), Magnello, E. (2009). Introducing statistics. A graphic guide. London: Icon Books, Limited. Moivre, A., de (1756). The doctrine of chances or a method of calculating the probability of events in play, 3rd edition. London: A. Millar. Pearson, E.S. y Kendall, M. (1970). (Eds). Studies in the history of statistics and probability. London: Charles Griffin. Perero, M. (1994). Historias e historia de las matemáticas. México: Grupo Editorial Iberoamérica. 11
22 Pfannkuch, M. (2005). Probability and statistical inference: How can teachers enable learners to make the connection? En G.A. Jones (Ed.), Exploring probability in school: Challenges for teaching and learning (pp ). New York: Springer. Rossman, A. (2008). Reasoning about informal statistical inference: One statistician's view. Statistics Education Research Journal, 7 (2), Ruiz, B. (2013). Análisis epistemológico de la variable aleatoria y comprensión de objetos matemáticos relacionados por estudiantes universitarios. Tesis de doctorado. Granada: Universidad de Granada. Sánchez, E. y Hoyos, V. (2013). La estadística y la propuesta de un currículo por competencias. En A. Salcedo (Ed.), Educación Estadística en América Latina: Tendencias y Perspectivas (pp ). Caracas: Universidad Central de Venezuela. Wild, C. y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67 (3),
23 EXISTE LA NECESIDAD DE EVALUACIÓN DE SESGOS PROBABILÍSTICOS EN FUTUROS PROFESORES? José Miguel Contreras Universidad de Granada (España) La existencia de sesgos probabilísticos es un problema ampliamente extendido en la sociedad, llegado a considerarse hasta cotidiano. Estos razonamientos incorrectos deben ser conocidos por los formadores para, a parte de superarlos ellos mismos, evaluarlos en sus alumnos. El problema se agrava cuando estos errores llegan al punto de influir en el futuro académico del estudiante, ya no solo porque el alumno cometa estos sesgos, sino porque sea la institución que pretende evaluar al estudiante la que los comete. Este trabajo evalúa a estudiantes ante un problema de una prueba de acceso a la universidad para mayores de 25 años. El estudio compara los resultados de la muestra principal (alumnos de 4º y 5º de la licenciatura de matemáticas) con dos muestras de alumnos de primer año, que no cursaron aún docencia en probabilidad, y que poseen unos conocimientos probabilísticos adquiridos en su etapa preuniversitaria. PALABRAS CLAVE Probabilidad, probabilidad condicional, sesgos, evaluación. INTRODUCCIÓN La probabilidad, y la probabilidad condicional en particular, es una de las concepciones que más puede afectar la toma de decisiones en la vida cotidiana y por desgracia es común encontrar una variedad de errores de razonamiento, que pueden llevar a decisiones incorrectas. El problema es necesario que se trate desde la base y por tanto debe de ser el profesor que imparte este tema el que debiera ser capaz de reconocer estos sesgos en sus estudiantes, ayudarles a superarlos y prepararlos para la correcta toma de decisiones en su vida personal y profesional. Pero, como indica Stohl (2005), es posible que los mismos profesores tengan estos razonamientos erróneos, pudiendo repercutir en los conocimientos que adquieran sus futuros estudiantes. Esto es debido a que es todavía poco frecuente que los futuros profesores de matemáticas tengan una preparación específica suficiente para llevar a cabo su enseñanza. La probabilidad es, en la actualidad, una parte importante de las orientaciones curriculares para la educación primaria, secundaria y bachillerato. Sin embargo, aunque muchos futuros profesores de educación secundaria y bachillerato tienen una licenciatura en matemáticas, la mayoría de ellos no recibe formación específica sobre el conocimiento didáctico relacionado con la enseñanza de probabilidad. La situación
24 es aún más crítica para los futuros profesores de educación primaria, puesto que algunos ni siquiera han seguido un curso completo de probabilidad durante su formación como maestros. Esto puede provocar en algunos casos concepciones incorrectas sobre las ideas de azar y probabilidad (Azcárate, 1995) y en otras lleva a los profesores, una vez incorporados a su labor docente, a tratar de reducir o incluso omitir la enseñanza de la probabilidad (Serradó, Azcárate y Cardeñoso, 2006). Es urgente ofrecer una mejor educación previa a estos profesores, si queremos que la enseñanza de la probabilidad en las escuelas mejore (Franklin y Mewborn, 2006), pero ello requiere un trabajo previo de evaluación de sus necesidades formativas. En este trabajo analizamos las dificultades ante un problema, que fue incluido en una prueba de acceso a la universidad para mayores de 25 años en una muestra de futuros profesores españoles de educación secundaria, otra de futuros profesores de educación primaria y una tercera de alumnos del grado de biología. Se comparan los resultados de la muestra principal (alumnos de 4º y 5º y agregados de la licenciatura de matemáticas) con dos muestras de alumnos de primer año, que no cursaron aún docencia en probabilidad, y que poseen unos conocimientos probabilísticos adquiridos es su etapa de secundaria y bachillerato. INVESTIGACIONES PREVIAS Los profesores de matemáticas de educación secundaria y bachillerato son mayoritariamente licenciados en matemáticas y estudiaron uno o más cursos de estadística en su etapa universitaria. Pero, en general, la formación que tuvieron fue teórica y no tienen experiencia con estudios de estadística aplicada, muestreo, o diseño de experimentos (Franklin y Mewborn, 2006). Generalmente, en pocos casos los profesores tienen formación específica en didáctica de la estadística, pues, aunque en España todos realizaron el Curso de aptitud pedagógica o el Master de formación del profesorado de educación secundaria, donde realizaron cursos de didáctica de la matemática, los principios generales que son válidos para otras áreas de las matemáticas no siempre pueden ser aplicados a la estadística (Batanero, Godino y Roa, 2004). La situación de los maestros de primaria respecto a la probabilidad, y no digamos ya la probabilidad condicionada, es preocupante, debido generalmente a la poca formación recibida en el campo de la probabilidad, pues hasta hace poco ni siquiera se incluía en el currículo de educación primaria. Algunos estudios hacen referencia a la desigualdad de predilección por la enseñanza de conocimientos probabilísticos por parte de los dos grupos de profesores. Por ejemplo Watson (2001) y Pereira-Mendoza (2002), que evaluaron profesores de primaria y secundaria, indican que los profesores de secundaria tienen un nivel de seguridad significativamente más alto que los de primaria a la hora de enseñar conceptos básicos de probabilidad. La mayoría de las investigaciones en este campo están relacionadas con la comprensión conceptual. Por ejemplo la de Maury (1986), en el mismo sentido que la de Totohasina (1992), que analizó la comprensión intuitiva de la probabilidad condicional en contexto de extracción de bolas en urnas y otro de ruletas, indica que 14
25 parte de los errores en la resolución de problemas de probabilidad condicional son debidos a dificultades de identificación y restricción del espacio muestral. Respecto a los sesgos tratados en la investigación podemos encontrar diferentes investigaciones, como la de Díaz (2007) con alumnos de psicología o las de Contreras (2011) y Díaz, Contreras, Batanero, y Roa (2012) con alumnos matemáticas y futuros profesores de secundaria, que hacen hincapié en evaluar dificultades relacionadas con la probabilidad, principalmente respecto a la probabilidad condicionada, mediante diferentes ítems que identifican las falacias más comunes. Pollatsek, Well, Konold y Hardiman (1987) y Ojeda (1995) coinciden en que muchas de las dificultades respecto a la comprensión de la probabilidad condicional pueden deberse al lenguaje coloquial, por ejemplo en los enunciados que usan la conjunción y que pueden llevar a confundir la probabilidad condicional con la conjunta, y resultar en la interpretación de la intersección como condicionamiento. Algunas de las dificultades de comprensión de la probabilidad condicional son debidas en ocasiones a la falta de percepción de la independencia, por ejemplo creer que dos sucesos son independientes si y sólo si son excluyentes. Este error, según Kelly y Zwiers (1986), se debe a que en el lenguaje ordinario independiente puede significar separado. Creencia errónea ya que dos sucesos excluyentes son justamente dependientes pues uno no puede ocurrir a la vez que el otro. Otros sesgos son propios de la probabilidad condicional, por ejemplo la denominada falacia de las tasas base (Tversky y Kahneman, 1982), consistente en ignorar la probabilidad a priori de un suceso, en problemas que involucran la probabilidad inversa. Es decir, consiste en calcular una probabilidad condicional como si fuese una probabilidad simple, ignorando datos del problema; este tipo de razonamiento también ha sido descrito por Serrano, Batanero, Ortiz y Cañizares (2001), Díaz y de la Fuente (2007) y Contreras (2011). O la falacia de la condicional transpuesta, definida como la confusión de las probabilidades P(A/B) y P(B/A) (Falk, 1986). Pollatsek, Well, Konold y Hardiman. (1987) y Ojeda (1995), resaltan las dificultades de los estudiantes en el razonamiento de la probabilidad condicional a la hora de interpretar los sucesos condicionantes. Batanero, Estepa, Godino y Green (1996) encontraron esta misma confusión en la interpretación de tablas de contingencia donde se confunden las dos frecuencias condicionales relacionadas con una misma celda de datos. Otro sesgo es la falacia del eje de tiempo, consistente en creer que un suceso no puede condicionar otro que ocurra anteriormente. Gras y Totohasina (1995) indican que los estudiantes asocian el condicionamiento con el orden temporal de los sucesos y no encuentran natural que se condicione un suceso por otro que ocurre con posterioridad. O la falacia de la conjunción, creencia de que es más probable la intersección de dos sucesos que cada uno de ellos por separado (Tversky y Kahneman, 1982). EVALUACIÓN DE LA INTERPRETACIÓN DE ENUNCIADOS PROBABILÍSTICOS Muestra y contexto educativo La recogida de datos se realizó durante el curso La muestra completa, compuesta de estudiantes de la Universidad de Granada, está formada por un total de 270 alumnos, repartidos en tres submuestras de 90 alumnos, de la Licenciatura de 15
26 matemáticas (alumnos de 4º y 5º curso), grado de biología (alumnos de 1º curso) y grado de maestro en educación primaria (alumnos de 1º curso) de la Universidad de Granada. El porqué de estas muestras es debido al interés por evaluar si los futuros profesores de matemáticas, ya que el cuestionario se pasó en una jornada informativa del Máster Universitario de Educación Secundaria Obligatoria y Bachillerato, Formación Profesional y Enseñanza de Idiomas dentro de un proyecto docente sobre salidas profesionales para alumnos de la licenciatura de matemáticas, saben interpretar enunciados probabilísticos; también interesa comparar posteriormente esta muestra con dos muestras de alumnos de primer año de dos carreras diferentes, para discutir si la interpretación correcta o incorrecta del enunciado depende del tipo de estudio realizado, partiendo de la mejor formación en el campo de los futuros profesores de matemáticas, o del tipo de bachillerato realizado en la etapa preuniversitaria. Por tanto es conveniente conocer los conocimientos previos de estos estudiantes y, dado que no fue posible evaluarlos con antelación, para ello nos basaremos en las asignaturas relacionadas con la probabilidad que cada uno de ellos ha recibido con antelación en su etapa educativa. Alumnos de la Licenciatura de matemáticas La muestra está formada por alumnos de 4º y 5º de la Licenciatura de matemáticas. Por la idiosincrasia de esta muestra, los futuros profesores han de poseer las competencias exigibles para la realización de tal actividad, ya que todos los participantes han realizado asignaturas en la que se trata explícitamente la probabilidad y se hace hincapié en la probabilidad condicional. Algunas de estas asignaturas son de carácter troncal, como la asignatura de segundo curso Probabilidades y estadística o la de tercer curso Ampliación de estadística, las dos de carácter anual. Otras asignaturas, de carácter optativo, que incluyen la enseñanza de la probabilidad condicional, son las asignaturas de Seminario de Historia de la matemática y Teoría de la probabilidad de segundo ciclo, con seis créditos cada una. Además de estas materias, el alumno tiene la opción de elegir algunas otras asignaturas en las que, aunque no se imparte la probabilidad condicional en el temario, sí aparece implícita en los contenidos. Estas asignaturas son Análisis de datos de primer ciclo y Análisis multivariante, Estadística computacional, Inferencia estadística, Modelos de la investigación operativa y Procesos estocásticos, incluidas en el segundo ciclo. Alumnos del Grado de biología La muestra de 90 alumnos de biología está formada por alumnos de dos grupos de la asignatura de bioestadística que se oferta en el primer curso de la titulación. En la fecha de realización de la prueba, este grupo de alumnos aún no había cursado ninguna materia relacionada con el tema en cuestión por lo que, a priori, los únicos conocimientos probabilísticos son los obtenidos en su etapa pre-universitaria. Dentro de los criterios de acceso a la titulación, descritos por el informe Verifica de la ANECA (2010a) para la titulación del Grado de biología de la Universidad de Granada, el perfil del estudiante de la titulación corresponde a los estudiantes que hayan escogido en la enseñanza de bachillerato la opción científico-tecnológica. En esta 16
27 opción, los alumnos han de realizar la asignatura Matemáticas I (obligatoria). En ella se especifica que los contenidos relacionados con las propiedades generales de los números y su relación con las operaciones, deben ser trabajados con herramientas para el estudio de la estadística y la probabilidad, culminando así todos los campos introducidos en la educación secundaria obligatoria (MEC, 2007). En el apartado de contenidos número 4, Estadística y Probabilidad, se hace referencia a que el alumno debe realizar un estudio de la probabilidad compuesta, condicionada, total y a posteriori, y conocer las herramientas adecuadas para asignar probabilidades a sucesos correspondientes a fenómenos aleatorios simples y compuestos. Alumnos del Grado de maestro en educación primaria Al igual que la muestra de biología, la muestra de 90 alumnos de primaria está formada por alumnos de dos grupos de la asignatura de Bases matemáticas para la educación primaria que se oferta en el primer curso de la titulación. Como ocurre con los alumnos de biología, estos aún no habían cursado el tema en cuestión por lo que, a priori, los únicos conocimientos probabilísticos son los obtenidos en su etapa preuniversitaria. En los criterios de acceso a la titulación, descritos por el informe Verifica de la ANECA (2010b) para la titulación de Grado de maestro en educación primaria de la Universidad de Granada, el perfil del estudiante que realiza estos estudios puede estar asociado a cualquier tipo de bachillerato ya sea arte (en el que no se estudia la probabilidad), ciencias y tecnología (ya descrita anteriormente) y humanidades y ciencias sociales, siendo ésta última la mayoritaria entre los estudiantes evaluados (1,1%, 9% y 88,9% respectivamente). Dentro de esta opción de bachillerato los alumnos pueden realizar las asignaturas Matemáticas aplicadas a las ciencias sociales I y II, la primera de ella es optativa ya que los alumnos tienen que elegir dos materias entre Historia del mundo contemporáneo, Latín I y Matemáticas aplicadas a las ciencias sociales I. En la asignatura Matemáticas aplicadas a las ciencias sociales I se especifica que se ha de evaluar si los alumnos son capaces de determinar la probabilidad de un suceso, analizar una situación y decidir la opción más adecuada. En el apartado número 3, Probabilidad y estadística, se describe como contenido de la asignatura la asignación de probabilidades a sucesos. En el mismo apartado de la asignatura Matemáticas aplicadas a las ciencias sociales II, aparecen como contenidos la profundización en los conceptos de probabilidades a priori y a posteriori, probabilidad compuesta, condicionada y total, Teorema de Bayes. Como criterio de evaluación se especifica que el alumno ha de saber asignar probabilidades a sucesos aleatorios simples y compuestos, dependientes o independientes, utilizando diagramas de árbol o tablas de contingencia. Análisis del ítem El problema utilizado para el estudio, es un ejercicio propuesto para la prueba de acceso a la universidad para mayores de 25 años, curso 2009/2010, del distrito andaluz. Figura 1. Enunciado original del ejercicio 17
28 Este típico problema de evaluación, que es común encontrarlo en las pruebas de acceso, pretende obtener una solución para una probabilidad condicionada a partir de los datos proporcionados: una probabilidad simple P( ser mujer ) y una conjunta P( ser mujer y mayor de edad ). La pretensión en este tipo de problemas es que el evaluado interprete que para su resolución es necesaria la utilización del Teorema de Bayes. Por tanto una resolución matemática del mismo sería la siguiente: P(" ser mujer " " ser mayor de edad ") P(" ser mujer " " ser mayor de edad ") P(" ser mayor de edad ") Conocido que calcular P(" ser mujer " " ser mayor de edad ") 0,4 P(" ser mayor de edad ") P(" mujer ") 0,55. Teniendo en cuenta que ; P(" hombre ") 1 P(" mujer ") 0,45, el problema radica en P(" ser m. e." " mujer ") 0,4 P(" ser m. e." " mujer ") 0,73 P(" mujer ") 0,55 Podemos utilizar el Teorema de la probabilidad total para descomponer como: y. P(" ser m. e.") P(" ser m. e.") P(" mujer ") P(" ser m. e." " mujer ") P("hombre") P(" ser m. e." "hombre"). Por tanto: P(" ser m. e.") 0,55 0,73 P(" ser m. e." "hombre"). Como en este caso desconocemos es, por tanto, imposible calcular la. Otra forma de verlo es que no conocemos la, llegando a la misma conclusión. Es decir, nos encontramos con un enunciado de imposible resolución, que engloba muchos de los conocimientos básicos que un alumno de estas titulaciones, y no digamos un profesor o futuro profesor, necesitaría conocer. P(" ser mayor de edad " "hombre") P(" ser mujer " " ser mayor de edad ") P(" ser mayor de edad ") Resultados de la evaluación En este apartado se muestran y se clasifican las distintas respuestas de los estudiantes ante la cuestión planteada. En la Tabla 1 se resume el número de estudiantes que responden de manera correcta, parcialmente correcta (es decir, identifican la falta de elementos para la solución correcta pero no llegan a hacer una interpretación) y de forma incorrecta, de forma global o segregada por tipo de muestra. Como se observa el porcentaje de alumnos que es capaz de encontrar que el problema es irresoluble apenas llega al 9,6% (15,2% si tenemos en cuenta las respuestas parcialmente correctas). Los resultados muestran una gran dificultad para el análisis del problema, sobre todo en los alumnos de biología y primaria que han debido de superar, apenas unos meses antes, una prueba de acceso similar a la que se evalúa. Respecto a la muestra principal de futuros profesores de matemáticas encontramos que, aunque los resultados son mejores que en las otras muestras debido a sus conocimientos previos y mayor formación en el tema, muestran una dificultad preocupante de razonamiento probabilístico, ya que un 65,6% de ellos no es capaz de interpretar la irresolubilidad del enunciado. 18
29 Matemáticas Biología Primaria Totales Correcta 19 (21,1%) 6 (6,7%) 1 (1,1%) 26 (9,6%) Incorrecta 59 (65,6%) 82 (91,1%) 88 (97,8%) 229 (84,8%) Parcialmente correcta 12 (13,3%) 2 (2,2%) 1 (1,1%) 15 (5,6%) Nº de estudiantes Tabla 1. Tipos de respuestas al problema La importancia radica en conocer el porqué de tan alto porcentaje de respuestas incorrectas. En la Tabla 2 se observan para la muestra, algunas características consideradas importantes para interpretar el enunciado, como: identifica probabilidades iniciales, identifica que hay que calcular una probabilidad condicional, identifica la falta de o de, utiliza el teorema de la probabilidad total o calcula el resultado. P(" ser mayor de edad ") P(" ser mujer " " ser mayor de edad ") Los resultados muestran dificultades iniciales, como el alto porcentaje de alumnos, un 50%, que ni siquiera es capaz de identificar las probabilidades del enunciado. El problema principal, en la mayoría de los casos, radica en la interpretación a partir del enunciado de probabilidad conjunta. La interpretación del término y, lo que concuerda con las investigaciones de Einhorn y Hogarth (1986), Pollatsek, Well, Konold y Hardiman (1987) u Ojeda (1995), puede llevar a confusión, ya que en el lenguaje coloquial es posible interpretar la intersección como condicionamiento. Frecuencia (%) El alumno identifica las probabilidades iniciales 135 (50%) El alumno identifica que hay que calcular una probabilidad condicional 109 (40,4%) El alumno identifica la falta de la probabilidad 30 (11,1 %) P(" ser mayor de edad ") El alumno identifica la falta de la probabilidad, P(" ser mujer " " ser mayor de edad ") 9 (3,3%) El alumno utiliza el teorema de la probabilidad total 32 (11,9%) El alumno utiliza el teorema de Bayes 72 (26,7%) El alumno calcula el resultado (aunque no dé una respuesta correcta) 194 (72,1%) Tabla 2. Características globales de la muestra total Los porcentajes muestran unas limitaciones grandes de los alumnos a la hora de interpretar el problema. Es destacable el 59,6% que no identifica que el problema pide calcular una probabilidad condicional para resolverlo. En muchos de estos casos, como vemos en la Tabla 3, esto es debido a la confusión de la probabilidad de la condicional con la simple o con la conjunta. Respecto a los dos teoremas necesarios para la resolución (Teorema de la probabilidad total y de Bayes) se observa en la Tabla 2, que apenas son utilizados por el 11,9% y el 26,7% respectivamente, lo que nos lleva a plantear que o no saben de la existencia de estos teoremas o simplemente no saben utilizarlos. Es destacable que solo un 14,4% identifica la falta de las probabilidades necesarias para la resolución del problema y que un 71,9% la calcula y da una solución, aunque no tenga respuesta posible. 19
30 Por tanto, y dados estos resultados, se quiso comprobar cuáles eran los errores cometidos y si se identificaban con algunos de los sesgos más comunes de la literatura relacionada con el tema. Los resultados, que se muestran en la Tabla 3, hacen referencia a algunos de los sesgos previamente tratados y se destacan: si el estudiante comete la falacia de la condicional transpuesta, si calcula la probabilidad condicional transpuesta, si confunde la probabilidad conjunta con la simple o con la condicional, si confunde la probabilidad condicional con la simple, si identifica los sucesos como dependientes o independientes y si confunde la fórmula del Teorema de Bayes. Como se muestra en la Tabla 3, el sesgo de confundir la probabilidad conjunta con la condicional destaca con un 49,3%. Y debido principalmente a la ocurrencia de este sesgo, uno de cada dos estudiantes no identifica correctamente el enunciado, como se observó en la Tabla 2. La ocurrencia de tan alto porcentaje puede deberse a la incorrecta interpretación de los enunciados (Pollatsek, Well, Konold y Hardiman, 1987; Einhorn y Hogarth, 1986), o a la ambigüedad del lenguaje coloquial que afecta a la interpretación (Falk, 1986), y no tanto a una relación con la falacia de la conjunción, como indican las investigaciones de Tversky y Kahneman (1982) y de Díaz (2007). También se destaca, aunque en menor porcentaje, la confusión entre la probabilidad conjunta y la condicional con una simple, con un 16,3% en ambos casos. Respecto a este último caso, Totohasina (1992) expone que el error radica principalmente en la estrategia generalizada de cambio de referencia, consistente en restringir el espacio muestral para tratar el problema como si se tratase de un problema de probabilidad simple. Una causa de estos sesgos (Zazkis y Leikin, 2008; Batanero, Contreras, Díaz y Cañadas, 2013) es la dificultad por parte de los estudiantes de definir, y por tanto interpretar, correctamente los distintos tipos de probabilidades. Contreras (2011) estima que esos sesgos están relacionados principalmente con errores en la interpretación de la independencia y dependencia entre sucesos, lo que también ocurre en la resolución de este problema, donde un 15,2% identifica automáticamente los sucesos como independientes que, como indica Kelly y Zwiers (1986), puede ser debido a la confusión entre independencia y exclusividad. Otro sesgo es el de confusión en las formulas, principalmente el Teorema de Bayes o el Teorema de la probabilidad total, donde un 26,3% tiene problemas. Díaz y de la Fuente (2007) hacen hincapié en este sesgo, y destacan que se debe a un mal razonamiento proporcional, causado por dificultades en operar con fracciones o hallar el inverso de una fracción. Frecuencia (%) El alumno identifica al empezar a resolver que hay que calcular la probabilidad condicional transpuesta 42 (15,6%) El alumno calcula la probabilidad condicional traspuesta 70 (25,9 %) Confunde la probabilidad conjunta con una simple 44 (16,3%) Confunde la probabilidad conjunta con una condicional 133 (49,3 %) Confunde la probabilidad condicional con una simple 44 (16,3%) Identifica los sucesos como independientes 41 (15,2 %) Confunde la fórmulas 71 (26,3%) Tabla 3. Sesgos probabilísticos 20
31 Los resultados muestran resultados similares a los obtenidos por Díaz (2007) con estudiantes de psicología y a los de Contreras (2011) y Díaz, Contreras, Batanero y Roa (2012), con futuros profesores de matemáticas, lo que indica que estos sesgos son un problema intrínseco del razonamiento probabilístico y en especial del condicional. El interés radica en ver el comportamiento de cada una de las muestras. En este caso, como indica la Tabla 4, la mayor preparación formal de los futuros profesores de matemáticas no fue suficiente para no cometer razonamientos erróneos, aunque se observa un mayor desempeño en éstos respecto al resto de estudiantes. Los futuros profesores de matemáticas identifican correctamente las probabilidades iniciales dos de cada tres veces; en este aspecto destacan los resultados similares de los estudiantes de biología y el preocupante porcentaje, apenas un 20%, de futuros profesores de primaria, que identifican correctamente las probabilidades del enunciado. Uno de los intereses principales es conocer si los alumnos son capaces de identificar que el enunciado pide calcular una probabilidad condicional: el 71,1% de los futuros profesores de matemáticas lo hace. No ocurre lo mismo con los alumnos de primero de biología, con apenas un 35,6%, y no digamos los futuros profesores de primaria, donde solo lo percibe un 14,4%. En este aspecto todos los alumnos de primaria y biología que identifican que se ha de calcular una probabilidad condicional, también identifican las probabilidades iniciales, no ocurriendo lo mismo con los futuros profesores de matemáticas. En el caso de la falacia de las tasas base referente al hecho de ignorar la probabilidad a priori de un suceso en problemas que involucran la probabilidad inversa, un 85,6% de los futuros profesores de primaria intentan calcular una probabilidad simple, por lo que incurren en este sesgo. Ocurre lo mismo en el 28,9% de los futuros profesores de matemáticas y en el 64,4% de los alumnos de biología. Como indica Contreras (2011), por lo general, este sesgo ocurre debido a una percepción incorrecta de la dependencia entre los sucesos implicados. El alumno identifica las probabilidades iniciales El alumno identifica que hay que calcular una probabilidad condicional El alumno identifica la falta de la probabilidad P(" ser mayor de edad ") 21 Matemáticas Biología Primaria 60 (66,7%) 57 (63,3%) 18 (20,0%) 64 (71,1%) 32 (35,6%) 13 (14,4%) 20 (22,2%) 8 (8,9%) 2 (2,2%) El alumno identifica la falta de la probabilidad 9 (3,3%) - - P(" ser mujer " " ser mayor de edad "), El alumno utiliza el teorema de la probabilidad total 28 (31,1%) 1 (1,1%) 3 (3,3%) El alumno utiliza el teorema de Bayes 62 (68,9%) 9 (10%) 3 (3,3%) El alumno calcula el resultado (aunque no de una respuesta correcta) 41 (46,1%) 75 (83,3%) 78 (86,7%) Tabla 4. Características globales por muestra
32 Respecto a la falta de alguna de las probabilidades necesarias para resolver el problema, nos encontramos, como es normal dada la preparación de los futuros profesores de matemáticas, con un porcentaje mayor de estos alumnos que identifican una u otra probabilidad respecto a las otras dos muestras. Hay que destacar que aunque el 25,5% de estos identifica la falta de las probabilidades, solo un 21,1% es capaz de interpretar correctamente el enunciado, como se observa en la Tabla 1. Es decir solo un 82,7% de los que identifican la falta de las probabilidades es capaz de concluir la irresolubilidad del problema. Ocurre lo mismo en las otras muestras en las que apenas un 8,9% de los alumnos de biología y un 2,2% de los de primaria interpretan la falta de alguna de las probabilidades. En estos casos el 75% y el 50%, respectivamente, de los que identifican que no se pueden calcular las probabilidades necesarias, son capaces de concluir que no se puede dar una solución correcta. En referencia al uso de los dos teoremas necesarios, Teorema de la probabilidad total y de Bayes, observamos que el 68,9% de los futuros profesores de matemáticas utilizan el Teorema de Bayes, e implícitamente el Teorema de la probabilidad total, y que el 31,1% se decanta para resolverlo aplicando el Teorema de la probabilidad total. Como ocurre en el resto de aspectos, los alumnos de las otras muestras apenas tienen en cuenta el uso de los dos teoremas. Llama la atención el alto porcentaje en las tres muestras, algo menor en el caso de matemáticas pero que alcanza el 41,6%, que resuelve numéricamente de forma incorrecta el problema. Esto puede ser debido a la necesidad de dar un resultado al planteamiento, ya que tradicionalmente no se plantean problemas irresolubles en la enseñanza de las matemáticas, y de la probabilidad en particular. Al igual que ocurría con la muestra completa, la falacia de la condicional transpuesta se repite en aquellas muestras, matemáticas y biología, donde mayoritariamente se interpretaba que había que calcular una probabilidad condicional, Tabla 5. Matemáticas Biología Primaria El alumno identifica al empezar a resolver que hay que calcular la 14 (15,6%) 20 (22,2%) 8 (8,9%) probabilidad condicional traspuesta El alumno calcula la probabilidad condicional traspuesta 29 (32,2%) 27 (30,0%) 14 (15,6%) Confunde la probabilidad conjunta con una simple 5 (5,6%) 20 (22,2%) 19 (21,1%) Confunde la probabilidad conjunta con una condicional 21 (23,3%) 40 (44,4%) 72 (80%) Confunde la probabilidad condicional con una simple 8 (8,9%) 17 (18,9%) 19 (21,1%) Identifica los sucesos como independientes 4 (4,4%) 30 (33,3%) 7 (7,8%) Confunde la fórmula 25 (27,8%) 30 (33,3%) 16 (17,8%) Tabla 5. Sesgos probabilísticos por muestra Las confusiones de probabilidades predominan en las tres muestras, destacando la confusión entre probabilidad conjunta y condicional. En este caso destacan los futuros 22
33 profesores de primaria con un 80%, aunque uno de cada cuatro futuros profesores de matemáticas tiene este sesgo. Las otras dos confusiones se dan en mayor cuantía en los alumnos de biología y primaria, siempre alrededor del 20%. En el caso de identificar los sucesos como independientes, destacan los alumnos de biología en los que uno de cada tres estudiantes comete este error. En el caso de las otras dos muestras el porcentaje es pequeño, debido, en el caso de los futuros profesores de primaria, a que pocos llegaron a utilizar elementos probabilísticos donde estuviera en juego la independencia. También destaca el caso de aquellos que confunden fórmulas, siendo preocupante en el caso de los futuros profesores de matemáticas con un 27,8% y en el de los estudiantes de biología, con uno de cada tres. En el caso de los futuros profesores de primaria el porcentaje es menor ya que en la mayoría de los casos solo aplicaban la regla de Laplace. CONCLUSIONES Los resultados de esta pequeña evaluación indican que la existencia de estos sesgos probabilísticos está implícita en la mayoría de los estudiantes, sea cual sea su formación. En este caso, y dado las características del problema en cuestión, los sesgos se centran en la identificación de las probabilidades, la confusión entre ellas, la falacia de la condicional transpuesta y errores en las fórmulas utilizadas. Pero como indican otros estudios realizados por el grupo de Investigación en Educación Estadística, tales como los de Díaz (2007), Contreras (2011), Batanero, Contreras, y Díaz (2011), Díaz, Contreras, Batanero y Roa (2012), Contreras, Batanero, Díaz y Arteaga (2012), Batanero, Contreras y Díaz (2012) o Batanero, Contreras, Díaz, C. y Cañadas (2013), más otros ya descritos anteriormente, existen numerosos sesgos que han de ser estudiados por parte de los investigadores en el área y principalmente por los profesores encargados de la enseñanza del tema. Este tema es de gran importancia, ya que como indica Stohl (2005) es posible que los propios profesores no sean conscientes de estos sesgos y por tanto de la causa de las dificultades de los alumnos. Por tanto, si los profesores no son capaces de identificar estos razonamientos erróneos, puede ser debido a que ellos mismos los cometan y por tanto podrían transmitirlos a sus alumnos. Los resultados de las diferentes muestras indican, que la formación influye, pero que en muchos casos los sesgos perviven en el razonamiento probabilístico, ya que como hemos visto, los porcentajes de futuros profesores de matemáticas en cada uno de los sesgos son preocupantes, principalmente porque en ese momento estaban a punto de finalizar su formación. Es importante destacar que este tipo de ejercicio es frecuente, no su carácter irresoluble, en las pruebas de acceso a la universidad en España, y sobre todo en el distrito andaluz donde se llevó a cabo. Por tanto, todos los estudiantes de la muestra, dado el carácter de los requisitos de acceso a sus titulaciones descritos anteriormente, han debido superar en su etapa preuniversitaria, una prueba de acceso con problemas parecidos y contenidos probabilísticos similares a los aquí evaluados. 23
34 El carácter irresoluble del ejercicio en sí, puede ser debido a un deficiente razonamiento probabilístico por parte de los coordinadores encargados del diseño de la prueba de evaluación, dado que en un análisis reciente de los diferentes problemas probabilísticos en pruebas de evaluación, Carretero (), todos los problemas relacionados con la probabilidad condicional son resolubles; más aún, en las resoluciones de la prueba de evaluación proporcionadas por la Consejería de educación, cultura y deporte de la Junta de Andalucía, aparece una frase nueva que da sentido a la resolución del problema. Todo ello nos lleva a replantear la importancia de este tipo de sesgos, ya que, como es este caso, puede afectar la nota que alcance el alumno para acceder a la universidad. Para finalizar, sería recomendable fomentar la realización de situaciones didácticas para profesores, que les permitan concienciarse de sus propios sesgos y les ayuden a superarlos. Y recordar la necesidad de seguir investigando sobre los componentes esenciales en la preparación de los profesores y los métodos adecuados para enseñar en cualquier campo, pero en especial en la probabilidad, ya que aunque en la educación matemática se ha realizado un esfuerzo importante centrado en la investigación en el desarrollo profesional del docente (Ponte y Chapman, 2006; Hill, Sleep, Lewis y Ball, 2007; Wood, 2008), éste no se ha reflejado en la educación probabilística. Todo ello contribuirá a mejorar la educación estadística a todos los niveles. Agradecimientos Proyecto EDU P (Ministerio de Economía y Competitividad) y grupo FQM126 (Junta de Andalucía). REFERENCIAS ANECA (2010a). Informe Verifica para la titulación de Grado de Biología. Granada: Universidad de Granada. ANECA (2010b). Informe Verifica para la titulación de Grado de maestro en educación primaria. Granada: Universidad de Granada. Azcárate, P. (1995). El conocimiento profesional de los profesores sobre las nociones de aleatoriedad y probabilidad. Tesis de doctorado. España: Universidad de Cádiz. Batanero, C., Contreras, J.M. y Díaz, C. (2012). Sesgos en el razonamiento sobre probabilidad condicional e implicaciones para la enseñanza. Revista digital Matemática, Educación e Internet, 12 (2), Batanero, C., Contreras, J.M. y Díaz, C. (2011). Experiencias y sugerencias para la formación probabilística de los profesores. Revista del Centro de Investigaciones Educacionales, PARADIGMA, 32 (2), Batanero, C., Contreras, J.M., Díaz, C. y Cañadas, G. (2013). Definición de la probabilidad y probabilidad condicional: un estudio con futuros profesores. Revemat, 8 (1), Batanero, C., Estepa, A., Godino, J. y Green, D.R. (1996). Intuitive strategies and preconceptions about association in contingency tables. Journal for Research in Mathematics Education, 27 (2), Batanero, C., Godino, J. y Roa, R. (2004). Training teachers to teach probability. Journal of Statistics Education, 12 (1). http//: 24
35 Carretero, M. (). Análisis de problemas de probabilidad en las pruebas de acceso de matemáticas aplicadas a las ciencias sociales de Andalucía. Tesis de maestría. Granada: Universidad de Granada. Consejería de educación, cultura y deporte de la Junta de Andalucía (). riores.php?tipo_asig=m25. Contreras, J.M. (2011). Evaluación de conocimientos y recursos didácticos en la formación de profesores sobre probabilidad condicional. Tesis de doctorado. Granada: Universidad de Granada. Contreras, J.M., Batanero, C., Díaz, C. y Arteaga, P. (2012). Evaluación de la Falacia del Eje Temporal en futuros profesores de educación secundaria. Acta Scientiae, 14 (3), Díaz, C. (2007). Viabilidad de la enseñanza de la inferencia bayesiana en el análisis de datos en psicología. Tesis de doctorado. Granada: Universidad de Granada. Díaz, C. y de la Fuente, I. (2007). Validación de un cuestionario de razonamiento probabilístico condicional. Rema, 12 (1), Díaz, C., Contreras, J.M., Batanero, C. y Roa, R. (2012). Evaluación de sesgos en el razonamiento sobre probabilidad condicional en futuros profesores de educación secundaria. Bolema, 26 (44), Einhorn, H.J. y Hogart, R.M. (1986). Judging probable cause. Psychological Bulletin, 99, Falk, R. (1986). Conditional probabilities: insights and difficulties. En R. Davidson y J. Swift (Eds.), Proceedings of the Second International Conference on Teaching Statistics. (pp ). Victoria, Canada: International Statistical Institute. Franklin, C. y Mewborn, D. (2006). The statistical education of PreK-12 teachers: A shared responsibility. En G. Burrill (Ed.), Thinking and reasoning with data and chance. NCTM 2006 Yearbook (pp ). Reston, VA: NCTM. Gras, R. y Totohasina, A. (1995). Chronologie et causalité, conceptions sources d obstacles épistémologiques à la notion de probabilité conditionnelle. Recherches en Didatique des Mathématiques, 15 (19), Hill, H., Ball, D.L., y Schilling, S. (2008). Unpacking pedagogical content knowledge: Conceptualizing and measuring teacher s topic-specific knowledge of students. Journal for Research in Mathematics Education, 39, Kelly, I.W. y Zwiers, F.W. (1986). Mutually exclusive and independence: Unravelling basic misconceptions in probability theory. Teaching Statistics, 8, Maury, S. (1986). Contribution à l étude didactique de quelques notions de probabilité et de combinatoire à travers la résolution de problémes. Tesis de doctorado. Francia: Universidad de Montpéllier II. MEC (2007). Real Decreto 1467/2007, de 2 de noviembre, por el que se establece la estructura del bachillerato y se fijan sus enseñanzas mínimas. España. Ojeda, A.M. (1995). Dificultades del alumnado respecto a la probabilidad condicional. UNO, 5, Pereira-Mendoza, L. (2002). Would you allow your accountant to perform surgery? Implications for the education of primary teachers. En B. Phillips (Ed.), Proceedings of the Sixth International Conference on the Teaching of Statistics. Voorburg, The Netherlands. Pollatsek, A., Well, A.D., Konold, C. y Hardiman, P. (1987). Understanding conditional probabilities. Organization, Behavior and Human Decision Processes, 40,
36 Ponte, J.P. y Chapman, O. (2006). Mathematics teachers' knowledge and practices. En A. Gutierrez y P. Boero (Eds.), Handbook of research on the psychology of mathematics education: Past, present and future (pp ). Roterdham: Sense Publishers. Serradó, A., Azcárate, P. y Cardeñoso, J.M. (2006). Analyzing teacher resistance to teaching probability in compulsory education. En A. Rossman y B. Chance (Eds.), Proceedings of the Seventh International Conference on Teaching Statistics. Salvador, Bahia, Brazil: International Statistical Institute e International Association for Statistical Education. Serrano, L., Batanero, C., Ortiz, J.J. y Cañizares, M. J. (2001). Concepciones de los alumnos de secundaria sobre modelos probabilísticos en las secuencias de resultados aleatorios. Suma, 36, Stohl, H. (2005). Probability in teacher education and development. En G.A. Jones (Ed.), Exploring probability in schools: Challenges for teaching and learning (pp ). New York: Springer. Tversky, A. y Kahneman, D. (1982). On the psychology of prediction. En D. Kahneman, P. Slovic y A. Tversky (Eds.), Judgement under uncertainty: Heuristics and biases (pp ). Cambridge, MA: Cambridge University Press. Totohasina, A. (1992). Méthode implicative en analyse de données et application á l analyse de conceptions d étudiants sur la notion de probabilité conditionnelle. Tesis de doctorado. Francia: Universidad Rennes I. Watson, J.M. (2001). Profiling teachers competence and confidence to teach particular mathematics topics: The case of data and chance. Journal of Mathematics Teacher Education, 4, Wood, T. (Ed.). (2008). The international handbook of mathematics teacher education. Rotterdam: Sense Publishers. Zazkis, R. y Leikin, R. (2008). Exemplifying definitions: A case of a square. Educational Studies in Mathematics, 69 (2),
37 ANÁLISIS IMPLICATIVO QUE REFUERZA VALIDEZ Y FIABILIDAD DE UN CUESTIONARIO DE MEDIDAS DE TENDENCIA CENTRAL Silvia Mayén y Carmen Díaz CINVESTAV - IPN (México) Universidad de Huelva (España) mayazuc@gmail.com, carmen.diaz@dpsi.uhu.es El Análisis implicativo es un método estadístico que utilizamos para reforzar la validez y fiabilidad de un instrumento de evaluación obtenidas con métodos clásicos, el cual llevamos a cabo sobre las respuestas de un cuestionario que evalúa la comprensión de las medidas de tendencia central y que aplicamos a 643 estudiantes mexicanos de Educación Secundaria y Bachillerato. Nuestro interés se basa en las dificultades que presentan los estudiantes en el estudio de la estadística básica. Obtuvimos también validez de contenido; validez discriminante mediante análisis de diferencia de ejecución en los ítems en los grupos; aproximación a la fiabilidad mediante el cociente Alfa, coeficiente de Theta y Teoría de la generalizabilidad; índice de dificultad de los ítems del cuestionario y una comparación ítem a ítem de los resultados en los distintos grupos de estudiantes. Los resultados confirman que el cuestionario puede ser generalizable a estudiantes de otros contextos y niveles educativos. PALABRAS CLAVE Análisis estadístico implicativo, validez, fiabilidad, medidas de tendencia central. INTRODUCCIÓN El origen de este estudio es la investigación previa de Cobo (2003) sobre la comprensión de las medidas de tendencia central, que tenía como propósito comparar el nivel de conocimientos de estudiantes españoles que inician y finalizan la educación secundaria obligatoria, de edades comprendidas entre 12 y 16 años, para lo que construyó un cuestionario de dieciséis ítems abiertos relacionados con este tema. En nuestro caso, incluimos alumnos mexicanos que finalizan la educación secundaria y el bachillerato, ya que se preparan para cambiar de nivel, de secundaria a bachillerato y de bachillerato a la universidad. Los ítems de este instrumento presentan situaciones comprensibles para nuestros estudiantes y sus contenidos son semejantes a los programas de estudios mexicanos de ambos niveles. Llevamos a cabo un análisis cuantitativo de evaluación, que consiste en la aplicación del cuestionario a todos los estudiantes. Incluye la validación de dicho cuestionario mediante tres tipos de evidencia de validez: 1) validez de contenido, justificada mediante análisis teórico de los ítems; 2) validez discriminante, mediante análisis de diferencia de ejecución en los ítems en los grupos; y 3) validez de constructo, analizando la estructura de las respuestas mediante análisis clúster e implicativo. Así mismo, se lleva a cabo la aproximación a la fiabilidad mediante el coeficiente Alfa (Martínez Arias, 1995), coeficiente Theta (Barbero, 2003) y Teoría de la Generalizabilidad (Feldt y Brennan, 1991). Abarca también un estudio global de la dificultad de los ítems del cuestionario
38 y una comparación ítem a ítem de los resultados en ambos grupos de estudiantes. En este trabajo, nos centraremos en el Análisis clúster y Análisis implicativo de dicho estudio. Describimos las muestras de estudiantes, las características del cuestionario y la metodología de su aplicación. MARCO DE REFERENCIA Entendemos la validación de un cuestionario como un proceso por el cual se aportan evidencias que apoyen la interpretación propuesta de los datos recogidos mediante la prueba (Carmona, 2004) y que está basada tanto en los procesos de respuesta, como en las consecuencias de la evaluación. En nuestro caso, la consecuencia de la evaluación es el diagnóstico de los conocimientos de los estudiantes. La muestra. Está compuesta por 518 estudiantes mexicanos: 162 del tercer año de Secundaria (14 y 15 años de edad) y 356 del tercer año de bachillerato (17 y 18 años). Incluimos también, una segunda muestra de 125 estudiantes de bachillerato, de un estudio piloto (Mayén, 2006), que tenía como finalidad comprobar que el cuestionario era adecuado para aplicarlo en el contexto mexicano en cuanto a dificultad, contextos de los ítems y con estudiantes de mayor edad. Al contar con una muestra de mayor tamaño, obtenemos una estimación más precisa de la fiabilidad. El cuestionario. Es un instrumento de medición que por medio de las preguntas planteadas se obtiene una estimación de conocimientos y capacidades de los sujetos a quienes se les aplica, que no son accesibles por simple observación o encuesta (Barbero, 2003). El cuestionario que utilizamos (Mayén, 2009), está orientado a evaluar el significado que los estudiantes mexicanos asignan a las medidas de tendencia central. Fue construido por Cobo (2003) a partir de un análisis de contenido de libros de texto españoles de secundaria y de las directrices curriculares españolas. En nuestro caso también analizamos el currículo mexicano. Contiene los siguientes tipos de elementos: 1) reconocimiento de los campos de problemas; 2) diferentes definiciones de media, mediana y moda; 3) comprensión de propiedades básicas: numéricas, algebraicas y estadísticas; 4) reconocimiento y uso del lenguaje matemático verbal, numérico y gráfico; 5) cálculo y procedimientos de resolución de problemas, algoritmos de cálculo; y 6) argumentaciones. Por tanto, de las respuestas escritas trataremos de inferir el uso (correcto o incorrecto) que los estudiantes de la muestra hacen de los objetos matemáticos mencionados. Incluye un total de 16 ítems, algunos de ellos divididos en subítems (en total 27 subítems) y todos son de respuesta abierta para poder recoger con detalle los razonamientos de los estudiantes. RESULTADOS Para el estudio analizamos la dificultad comparada de los ítems y el rendimiento total de los estudiantes en la prueba, así como las características psicométricas del cuestionario para completar su validación. Los resultados son los siguientes: Validez de contenido del cuestionario. Es el grado en que el instrumento de evaluación refleja el dominio que nos interesa en forma satisfactoria (Carmines y Zeller, 1979). Se trata de ver la adecuación de los ítems de un test como muestra de un universo más amplio de ítems representativos del contenido (Martínez Arias, 1995). Esta validación 28
39 se ha hecho mediante el examen sistemático del contenido del test para probar su representatividad y relevancia. Con ello comprobamos que los ítems de nuestro test son relevantes para el uso que se dará a las puntuaciones, y son representativos del contenido que se quiere evaluar, atendiendo a sus características esenciales. Dificultad comparada de ítems. Para este análisis, categorizamos las respuestas al cuestionario como correctas o incorrectas. La Tabla 1 presenta los índices de dificultad de cada ítem, entendiéndose como la proporción de sujetos que aciertan entre todos los que trataron de resolverlo (Muñiz, 1994). Cuanto mayor es este valor, significa que el ítem es más fácil y ha sido respondido correctamente por una mayor proporción de alumnos. Este índice fluctúa entre 0.24 en el ítem 2.3 (cálculo de media de una suma de variables), 0.26 en el ítem 10.1 (cálculo de media, mediana y moda de un conjunto de datos agrupados en intervalos y presentados en una tabla de frecuencias absolutas), y 0.85 en el ítem 8 (estimación de una cantidad desconocida a partir de diversas mediciones en presencia de errores). La mayoría de ítems tiene una dificultad moderada y 24 de los 27 subítems tiene un índice de dificultad de entre 0.3 y 0.7. Se observa que algunos ítems son difíciles de resolver para el global de alumnos. Tabla 1. Índice de dificultad, Intervalos de Confianza y Credibilidad del 95% 29
40 Estimaciones bayesianas. Utilizamos los métodos bayesianos como complemento de los métodos clásicos de inferencia, por algunas razones como la interpretación más intuitiva de los resultados proporcionados (Díaz, 2007) y la posibilidad de considerar la información previa sobre la población en estudio. Por tanto, llevamos a cabo la estimación clásica y bayesiana de los índices de dificultad de los ítems del cuestionario usando la información obtenida por Cobo (2003). De esta forma mejoramos nuestras estimaciones y ofrecemos una interpretación más natural de los intervalos en torno a estas estimaciones (intervalos de credibilidad). En la Tabla 1 aparecen los intervalos de confianza (estimación clásica) y los intervalos de credibilidad (estimación bayesiana) para los índices de dificultad de cada uno de los ítems. El primero de ellos ha sido calculado con la fórmula ordinaria de intervalos de confianza de una proporción y tiene una interpretación frecuencial, es decir, en cada 100 muestras tomadas de la misma población, 95% de ellas contendrían la proporción verdadera, aunque no podemos saber si se contiene o no en nuestra muestra. El intervalo de credibilidad, indica el intervalo de valores en que esperamos que la proporción verdadera esté incluida, es decir, nos da una probabilidad epistémica que se refiere a la muestra particular. Para analizar las diferencias que introducen las estimaciones bayesianas, consideramos una distribución inicial uniforme, es decir, supusimos equiprobables todos los valores de la proporción a priori en los diferentes ítems. Por ello, los intervalos de confianza y credibilidad son muy similares. Análisis de la puntuación total en el cuestionario. Asignamos el valor 1 a cada respuesta, por lo que al sumarlas podríamos obtener una puntuación total de entre 0 y 27 puntos. El número de respuestas correctas osciló entre 5 y 23; el número medio de respuestas correctas es de sobre 27, lo que nos da resultados aceptables acercándose a lo esperado, pues el punto medio sería La mediana (Mdn=13) indica que la mitad de los estudiantes responden al menos la mitad de los ítems del cuestionario. Todo ello nos asegura unas buenas características del cuestionario, ya que nos permite discriminar una amplia gama de conocimientos, que van desde muy bajos hasta conocimientos altos, encontrándose la mayoría de los estudiantes alrededor del centro, es decir, contestando correctamente a la mitad de las preguntas. El conjunto central de alumnos (50% central) responde entre 10 y 16 preguntas correctamente de un total posible de 27 puntos; no hay sujetos atípicos, lo que es otro indicador de las buenas características del cuestionario. En todo caso hay una gran variabilidad en el número de respuestas correctas, es decir, una comprensión desigual de las medidas de centralización por estos estudiantes. Análisis de la fiabilidad del cuestionario en nuestra muestra. Fiabilidad es la extensión por la cual un experimento, test u otro procedimiento de medida produce los mismos resultados en ensayos repetidos (Cobo, 2003). La medida siempre produce un cierto error aleatorio, pero dos medidas del mismo fenómeno sobre un mismo individuo suelen ser consistentes. Sin embargo, la fiabilidad varía al cambiar la población objeto de estudio. La fiabilidad es esta tendencia a la consistencia o precisión del instrumento en la población medida (Bisquerra, 1989). Para calcular la fiabilidad y generalizabilidad usamos todos los datos recogidos, en total 643 estudiantes con el fin de obtener una estimación más precisa de la fiabilidad. Consideramos primero, el 30
41 método de consistencia interna, que está basado sólo en la aplicación del cuestionario (Díaz, Batanero y Cobo, 2003). Su cálculo se basa en el análisis relativo de la varianza de la puntuación total del cuestionario y de las varianzas de los ítems particulares; el coeficiente que lo mide es el Alfa de Cronbach (Carmines y Zeller, 1979), obteniendo un valor Alfa = 0.662, que se considera como un valor adecuado aunque no excesivamente elevado debido a que el cuestionario evalúa un constructo que no es unidimensional, por lo contrario, incluye una gama amplia de conceptos por lo que no es de esperar una fiabilidad excesivamente alta. Seguidamente, calculamos un coeficiente de fiabilidad basado en el análisis factorial. Puesto que asumimos que el cuestionario evalúa un constructo multidimensional, la fiabilidad se calcula más exactamente con este coeficiente. A partir de los resultados del análisis factorial se calculó el coeficiente Theta de Carmines, (Carmines y Zeller, 1979), el coeficiente alfa presenta un valor bastante alto de Coeficientes de generalizabilidad. La teoría de la generalizabilidad extiende la teoría clásica de la medición (Feldt y Brennan, 1991), y permite por medio del análisis de varianza, analizar diferentes fuentes de error en un proceso de medida. El núcleo de esta teoría es considerar diferentes fuentes de error en las puntuaciones observadas (Santisteban, 1990), que pueden ser los mismos sujetos, las preguntas o las condiciones que se aplican. Hemos diferenciado dos fuentes para el error aleatorio y calculado la generalizabilidad de los mismos sujetos (inter-personas) y la generalizabilidad de los ítems (inter-elementos) considerando los tamaños de la muestra (27 ítems y 643 alumnos), según si consideramos como fuente de variación los problemas o los alumnos. Obtenemos para la generalizabilidad respecto a los ítems, , un valor próximo al coeficiente Alfa (0.662), debido a que en el coeficiente de generalizabilidad respecto a los ítems se considera el número de alumnos fijo y la única fuente de variación se debe a la variabilidad entre ítems. La generalizabilidad respecto a los alumnos es 0.961, un valor muy alto que indica una muy alta posibilidad de generalizar nuestros resultados a otros alumnos conservando el mismo cuestionario, bajo la hipótesis conservar las características sociológicas y educativas. Análisis clúster y análisis estadístico implicativo Para las interrelaciones entre objetivos de aprendizaje, llevamos a cabo varios análisis multivariantes de las respuestas a los ítems de la prueba. Los resultados se presentan mediante análisis cluster, grafo implicativo y análisis implicativo jerárquico. Para este análisis utilizamos el software CHIC, Classification Hierarchical, Implicative et Cohesive (Couturier y Gras, 2005), que realiza un estudio de aglomeración jerárquica, tomando como medida de similaridad entre ítems el índice de Lerman (Lerman, 1981) y suponiendo una distribución binomial para cada variable. Siendo a y b dos variables aleatorias dicotómicas en una población, E y A y B los subconjuntos donde se verifican a y b, el índice de similaridad viene dado por la expresión: card( A) card( A, B) card( A, B) ( ab, ) n card ( A) card ( A, B) n 31
42 Las variables a y b tendrán mayor similaridad cuando el número de elementos comunes sea mayor en relación a la frecuencia esperada en caso de independencia y tenga en cuenta el tamaño de la muestra. En nuestro caso A representa el conjunto de estudiantes que contesta el ítem a y B el que responde el ítem b, (A, B) el conjunto de los que responden correctamente a los dos ítems. La medida de similaridad induce un orden parcial en el conjunto de ítems. El primer paso es calcular estos índices, y posteriormente una similaridad entre las clases A y B; el algoritmo de clasificación jerárquica se construye considerando la mayor proximidad entre elementos de una clase y la mayor distancia entre clases separadas (Tabla 2). Tabla 2. Coeficientes de similaridad en análisis jerárquico según pasos en la clasificación CHIC proporciona una prueba de significación de las clases obtenidas: Figura 1. Árbol de similaridad con todas las variables, método clásico, ley binomial 32
43 Se calcula considerando la intensidad de la similaridad y el total de sujetos que da una respuesta correcta al conjunto de ítems incluidos en el grupo. El dendograma (Figura 1) muestra los grupos formados de ítems donde los mismos alumnos dan contestaciones similares (correctas o incorrectas). Se trata de conocimientos relacionados entre sí y separados de los otros grupos de ítems. Obtuvimos distintos grupos: Grupo 1: ítems 1.1 y 1.2 (media como reparto equitativo y determinar una distribución dada la media), que se unen con los ítems 7.1, 7.2 y 7.3 (hallar una distribución dada la media y el efecto del cero sobre el cálculo de la media). Grupo 2: formado por varios subgrupos, de los cuales solo mencionamos algunos: Grupo 2.1: ítems 2.1, 2.2 (cálculo de media ponderada) y 2.3 (media de la suma de dos variables). Existe una alta similaridad, pues en la media ponderada fallan muchos estudiantes y en nuestro caso dio un alto índice de errores. Grupo 2.6: ítems 6.1 y 6.2 (cálculo de mediana en datos ordinales). Relacionados entre sí y completamente separados del resto, por lo que la capacidad de trabajo con datos ordinales no se relaciona con el resto de competencias medidas en el cuestionario. Grafo implicativo El análisis clúster considera una medida de asociación simétrica en las variables, es decir, se supone que si un estudiante responde a un ítem también responderá al asociado con él, pero no tiene en cuenta la dificultad relativa de cada ítem. Una situación más plausible es pensar que, aunque dos ítems estén relacionados, si uno es más difícil, la respuesta a este ítem facilita que también se acierte en el segundo. Para analizar este punto hemos llevado a cabo un análisis implicativo entre ítems, que proporciona un estudio de la implicación (no simétrica) entre el conjunto de ítems, es decir, se trata de ver si la respuesta correcta al ítem a implica la respuesta correcta al b (donde la respuesta correcta a b puede o puede que no implique la respuesta a a). El software también calcula la significación estadística del índice, que sigue una distribución N(0.1). En nuestro caso, las variables aleatorias son las respuestas (correcta- incorrecta) a cada ítem, con lo que podemos calcular un total de índices de implicación entre los 27 ítems del cuestionario La relación de implicación entre variables establece un preorden asimétrico dentro del conjunto de ítems, que podemos representar en un grafo ordenado. CHIC calcula los índices de implicación entre todos los pares de variables de un conjunto de datos y proporciona un grafo mostrando todas las implicaciones que son significativas hasta el nivel pedido por el usuario, teniendo en cuenta la intensidad de implicación y el número de sujetos en que se cumple la relación de implicación. La relación de implicación es asimétrica, indicándose el sentido de la implicación por la dirección de la flecha. Por tanto, si estudiamos las relaciones significativas al 99%, la interpretación es que los alumnos resuelven correctamente el ítem (Figura 2). Mencionamos algunas de las relaciones: El ítem 6.1 implica al 6.2. El alumno que resuelve correctamente el cálculo de la mediana con datos ordinales en un número impar de valores también lo hará para
44 un número par de datos. Estos dos ítems están aislados del resto, reafirmando que la competencia con datos ordinales no se relaciona con el resto de los ítems. Aparecen aislados los ítems 1.2 (hallar una distribución de datos dada una media) con el 1.1 (media como reparto equitativo). El estudiante que es capaz de formar la distribución es porque comprende este significado de la media. El alumno que es capaz de determinar la mediana a partir de un gráfico (ítem 9.1) también podrá hallar la media, ya que el concepto de mediana es más complejo, y por otro lado, también podría determinar una distribución (ítem 7.1) y dar un segundo ejemplo (ítem 7.2), posiblemente porque la interpretación correcta de un gráfico implica la comprensión de distribución representada en el gráfico. Figura 2. Grafo implicativo En definitiva, el grafo implicativo apoya nuestra hipótesis de que la comprensión de medidas de tendencia central por los estudiantes mexicanos no puede concebirse como un constructo unitario, lo que explica que el análisis factorial haya resultado con tantos factores, así como que la fiabilidad (coeficiente Alfa) tuviese un valor moderado. Por lo contrario, el grafo implicativo muestra una jerarquía de conocimientos entrelazados que los alumnos han de conseguir progresivamente y que el profesor debe considerar al planificar la enseñanza del tema. Análisis implicativo jerárquico El grafo implicativo muestra la estructura de interrelaciones y es algo complejo, por lo que se podría dividir el conjunto de ítems en unos pocos grupos interrelacionados entre sí mediante el índice de implicación. Así, llevamos a cabo un estudio de clasificación implicativa, se trata de un algoritmo que utiliza las intensidades de implicaciones entre conjuntos de variables como índice no simétrico para estudiar la 34
45 cohesión interna de algunos subconjuntos de variables. La cohesión de una clase tiene en cuenta la cantidad de información proporcionada por un conjunto de variables, el índice se puede interpretar como cantidad de información que una variable proporciona sobre otra. CHIC calcula el nivel de significación de los diferentes nodos en una jerarquía implicativa, así como las contribuciones de los sujetos. El algoritmo forma las clases bajo los criterios de la cohesión máxima dentro de cada clase y el mayor grado de implicación entre una clase y otra que es implicada por ella. El estudio concluye con la determinación de una jerarquía implicativa en el conjunto de variables, presentando en la Tabla 4, los coeficientes de cohesión. Tabla 4. Coeficientes de similaridad en análisis jerárquico según pasos en la clasificación ; Figura 3. Árbol de cohesión implicativa Arbre cohésitif : C:\Documents and Settings\Usuario\Escritorio\carmen\chic\IMPLICA.csv En el árbol de cohesión implicativa (Figura 3) se observan cinco grandes grupos: 1. Cálculo avanzado de la media y comprensión procedimental. Ítems 2.1, 2.2 (media ponderada) y 2.3 (media de la suma de dos variables), que se implican entre sí; 1.2 (determinar una distribución dada la media), que implica a 7.1, 7.2, 7.3 (hallar una distribución dada la media y el efecto del cero sobre el cálculo de media), que se implican entre sí e implican al ítem 4 (media como valor dentro del recorrido). 35
46 2. Cálculo de la mediana. Ítem 5.3, que implica a 5.1 y 5.2 (mediana con un número par e impar de datos), que se implican entre sí e implican al 9.2 (mediana a partir de un gráfico), que a su vez, implica al 9.1 (cálculo de media partir de un gráfico). 3. Mediana en datos ordinales. Ítems 6.1 y 6.2 (cálculo de mediana en datos ordinales), que se implican entre sí y completamente separados del resto. 4. Comprensión conceptual de la media. Ítem 10.1 (cálculo de media en una tabla), que implica al ítem 3 (suma de desviaciones a la media), que implican a los ítems 16 (interpretación de promedios en gráfico conjunto de dos distribuciones) y el 15 (cambio de escala), y que implican al 1.1 (media como reparto equitativo). 5. Representante de un conjunto de datos. Ítem 12 (efecto del valor atípico sobre los promedios), que implica al ítem 13 (mejor representante en distribución no simétrica), que se unen a su vez con el 14 (distribución bimodal) y luego con el 11 (significado de media y mediana e interpretar mediana y moda en un gráfico), y 10.2, que implica al 10.3 (cálculo de media, mediana y moda a partir de una tabla). 6. El ítem 8, media como mejor estimación, aparece separado del resto. CONCLUSIONES Los resultados del estudio de análisis cluster e implicativo muestran la estructura compleja del cuestionario e indican que la comprensión de ciertos elementos de significado de las medidas de tendencia central no se relaciona con los de otros. Observamos cómo los grupos que se relacionan con la comprensión conceptual (de definiciones o de propiedades) aparecen separados de los relacionados con aspectos procedimentales y también aparecen como separados los grupos de ítems relacionados con la mediana (grupos dos y tres) de los relacionados con la media. De este modo se sugiere que la comprensión de la mediana y de la media no está relacionada en estos estudiantes. Se observa también que el tratamiento de mediana con datos ordinales no es habitual para los estudiantes, lo que indica mayor énfasis en la enseñanza. Otra aportación de este estudio es la validación del cuestionario, pues hemos argumentado, al igual que hizo Cobo (2003) su validez de contenido, pero se ha añadido el estudio de la validez discriminante y de constructo que Cobo (2003) no llevó a cabo. Hemos repetido también los cálculos de índices de fiabilidad y generalizabilidad, pero ahora se completan con el coeficiente Theta basado en el análisis factorial, más adecuado para cuestionarios multidimensionales como este. También se proporcionan estimaciones bayesianas de los índices de dificultad del cuestionario, muy apropiadas para situaciones con información previa, como la nuestra. Respecto a la validez de constructo, se ha repetido el análisis clúster que realizó Cobo (2003), añadiéndose ahora el análisis implicativo para confirmar la estructura de las respuestas al cuestionario. REFERENCIAS Barbero, M. (2003). Psicometría II. Métodos de elaboración de escalas. Madrid: UNED. Bisquerra, R. (1989). Métodos de investigación educativa. Barcelona: CEAC. Carmines, E.G. y Zeller, R.A. (1979). Reliability and validity assessment. London: Sage University Paper. 36
47 Carmona, J. (2004). Una revisión de las evidencias de fiabilidad y validez de los cuestionarios de actitudes y ansiedad hacia la estadística. Statistics Education Research Journal, 3 (1). ~iase/serj/. Cobo, B. (2003). Significado de las medidas de posición central para los estudiantes de secundaria. Tesis de doctorado. Granada: Universidad de Granada. Couturier, R. y Gras, R. (2005). CHIC: Traitement de données avec l'analyse implicative. En G. Ritschard y C. Djeraba (Eds.), Journées d extraction et gestion des connaissances- EGC'2005 (vol. 2, pp ). Francia: Universidad de Lille. Díaz, C. (2007). Viabilidad de la inferencia bayesiana en el análisis de datos en psicología. Tesis de doctorado. Granada: Universidad de Granada. Díaz, C., Batanero, C. y Cobo, B. (2003). Fiabilidad y generalizabilidad. Aplicaciones en evaluación educativa. Números, 54, Dunn, O.J. y Clarck, V.A. (1987). Applied statistics: analysis of variance and regression. New York: John Wiley. Feldt, L.S. y Brennan, R.L. (1991). Reliability. En R.L. Linn (Ed.), Educational Measurement (pp ). New York: MacMillan. Lerman, I.C. (1981). Classification et analyse ordinale des données. París : Dunod. Martínez Arias, R. (1995). Psicometría: teoría de los tests psicológicos y educativos. Madrid: Síntesis. Mayén, S. (2009). Comprensión de medidas de tendencia central en estudiantes mexicanos de educación secundaria y bachillerato. Tesis de doctorado. Granada: Universidad de Granada. Mayén, S. (2006). Comprensión de medidas de posición central en estudiantes mexicanos de Bachillerato. Memoria de Tercer Ciclo. Granada: Universidad de Granada. Morales, P. (1988). Medición de actitudes en psicología y educación. San Sebastián, España: Universidad de Comillas. Muñiz, J. (1994). Teoría clásica de los tests. Madrid: Pirámide. Santisteban, C. (1990). Psicometría. Teoría y práctica en la construcción de tests. Madrid: Norma. 37
48 CONOCIMIENTOS SOBRE GRÁFICOS ESTADÍSTICOS DE UNA MUESTRA DE FUTUROS PROFESORES DE EDUCACIÓN PRIMARIA Pedro Arteaga Universidad de Granada (España) En este trabajo se analizan los gráficos estadísticos producidos por 207 futuros profesores de educación primaria al resolver un proyecto abierto de análisis de datos, en el cual tenían que comparar dos distribuciones para obtener unas conclusiones sobre las intuiciones de la clase con respecto al azar. Dentro de las habilidades fundamentales para desarrollar una buena comprensión gráfica por parte de los estudiantes se encuentran la construcción de gráficos y la lectura e interpretación de los mismos, por ello el objetivo de este trabajo es evaluar cómo los futuros profesores construyen gráficos estadísticos y cómo los leen e interpretan para obtener información de utilidad. Los resultados muestran diversidad de errores en la construcción, la mayoría relacionados con las escalas y otros conceptuales. La lectura e interpretación resultó difícil para los futuros profesores ya que simplemente un 13% fueron capaces de realizar una lectura correcta y completa. PALABRAS CLAVE Gráficos estadísticos, comprensión gráfica, futuros profesores, educación primaria. INTRODUCCIÓN Los gráficos estadísticos tienen en la actualidad gran presencia en nuestra sociedad, ya que se encuentran frecuentemente presentes en los medios de comunicación y en Internet (Arteaga, Batanero, Cañadas y Contreras, 2011). Además el lenguaje gráfico es esencial tanto en la comunicación de información como en la organización y en el análisis de datos al considerarse una herramienta de transnumeración: un componente básico para el razonamiento estadístico que permite obtener nueva información al cambiar de sistemas de representación (Wild y Pfannkuch, 1999). La construcción y la lectura e interpretación de gráficos estadísticos es una parte esencial de la cultura estadística (Watson, 2006; Ridgway, Nicholson, ymccusker, 2008), la cual Gal (2002) define como la unión de dos competencias relacionadas: (a) interpretar y evaluar críticamente información estadística proveniente de distintas fuentes y (b) comunicar informaciones razonadas sobre tales informaciones cuando es relevante. Toda esta importancia de los gráficos estadísticos se ha visto reflejada en directrices curriculares internacionales como las del NCTM (2000), y también en las directrices curriculares españolas (MEC, 2006; MECD, ), donde se incluye el trabajo con gráficos estadísticos desde primer ciclo de la Educación Primaria. Para que estas recomendaciones curriculares tengan éxito se hace necesaria la formación estadística de los futuros profesores de educación primaria, pero la realidad es que los
49 estudiantes para maestros de educación primaria entran a las facultades de educación con una limitada formación estadística (Bruno y Espinel, 2005; Espinel, 2007; Espinel, González, Bruno y Pinto, 2009), y el tiempo en dichas facultades para su educación estadística es bastante limitado. Por todo ello el objetivo general de la presente investigación es evaluar el conocimiento que sobre gráficos estadísticos posee una muestra de futuros profesores de Educación Primaria de la Universidad de Granada, al realizar un proyecto abierto de análisis de datos. Las producciones gráficas de los estudiantes son analizadas desde distintos puntos de vista con el fin de obtener información sobre las habilidades de los futuros profesores en relación a su competencia gráfica. En lo que sigue mostramos unas ideas que nos servirán de marco de referencia del trabajo para posteriormente desarrollar el problema de investigación y comentar los resultados obtenidos; se finaliza el trabajo con unas conclusiones, recomendaciones educativas y futuras líneas de investigación. MARCO DE REFERENCIA Ya que en este trabajo queremos evaluar las habilidades gráficas de los futuros maestros de educación primaria, uno de los primeros puntos a aclarar es qué entenderemos en este trabajo por comprensión de gráficos estadísticos. Watson (2006) indica que son muchas las habilidades necesarias para llegar a desarrollar una buena comprensión gráfica y el desarrollo de las mismas está relacionado con distintos elementos del currículo de matemáticas. Friel, Curcio y Bright (2001) definen comprensión gráfica como las habilidades de los lectores de gráficos para entender el significado de gráficos creados por otros o por ellos mismos. (p.132). Siguiendo a estos autores Wu (2004), define un marco conceptual con cuatro componentes sobre la comprensión de gráficos: lectura gráfica, construcción gráfica, interpretación gráfica y evaluación de gráficos estadísticos. A continuación mostraremos un resumen de las investigaciones más relevantes en este campo. Investigaciones sobre construcción de gráficos estadísticos A pesar de la gran importancia de los gráficos estadísticos en el currículo y en la vida diaria, la investigación en didáctica de la estadística muestra que en la educación primaria y secundaria son muchos los errores que los estudiantes cometen en la construcción de gráficos, que como hemos visto anteriormente es una componente importante para lograr una buena comprensión gráfica (Wu, 2004). El primer paso para construir un gráfico estadístico sería elegir un gráfico adecuado tanto para el tipo de variable, como para el problema planteado, pero los estudiantes fallan en muchas ocasiones en esta elección. Li y Shen (1992) analizan las producciones gráficas realizadas por sus estudiantes, encontrando los siguientes problemas: elección de una escala inadecuada para el objetivo pretendido, omisión de escalas en algunos de los ejes, no especificar el origen de coordenadas y no proporcionar suficientes divisiones en los ejes. En este sentido Watson (2006) nos advierte de la importancia de trabajar las escalas de los gráficos con nuestros estudiantes, ya que a través de ellas, en muchas ocasiones la información puede ser manipulada. 39
50 Otros autores como Lee y Meletiou (2003), alertan de cuatro categorías de razonamientos erróneos a la hora de trabajar con los histogramas: Percepción de los histogramas como representación de datos aislados, suponiendo que cada rectángulo se refiere a una observación particular. Tendencia a observar el eje vertical y comparar las diferencias en las alturas de las barras al comparar la variación en los histogramas. Interpretación determinista de los histogramas. Interpretación de histogramas como gráficos de dos variables (es decir, como si fuesen diagramas de dispersión). Wu (2004) analiza los errores que estudiantes de secundaria cometen en la construcción de gráficos, encontrando errores relacionados con los títulos, ejes y escalas de los gráficos, pero también otros que tienen que ver con concepciones erróneas de objetos estadísticos como las variables, frecuencia y distribución de frecuencias. Investigaciones sobre lectura e interpretación de gráficos estadísticos Ya que parte importante para desarrollar una buena comprensión gráfica es que los estudiantes sean capaces de leer e interpretar correctamente distintas representaciones, algunos autores como Bertin(1967) definen niveles de lectura e interpretación gráfica; en nuestro trabajo vamos a utilizar la clasificación realizada por Curcio (1989) que es similar a la de Bertin y consta de los siguientes niveles: Leer los datos: se trata de una lectura literal del gráfico, es decir, no se realizan interpretaciones de la información que se presenta en el gráfico ni tampoco se realizan cálculos. Un ejemplo sería determinar en un gráfico de barras la frecuencia asociada a un valor de la variable. Leer dentro de los datos: en este caso se realiza ya una interpretación e integración de los datos en el gráfico, por ejemplo determinar la moda de una distribución analizando un gráfico de barras. Leer más allá de los datos: consiste en la realización de inferencias con la información que se presenta en el gráfico y que va más allá de realizar cálculos y comparaciones. Consiste en predecir tendencias o valores, de acuerdo al contexto representando, considerando la información que se puede observar. Friel, Curcio y Bright (2001) posteriormente añadieron a la clasificación anterior un nivel al que llamaron leer detrás de los datos, que consiste en valorar críticamente los datos mostrados en el gráfico y valorando la forma en que se recogieron dichos datos. Este último nivel no lo tendremos en cuenta en nuestro trabajo, pero será interesante tenerlo presente para futuras investigaciones. Comprensión gráfica por parte de futuros profesores Las investigaciones de Bruno y Espinel (2005), y Espinel (2007), ponen de manifiesto que los errores relacionados con la comprensión gráfica no son exclusivos de los estudiantes de la escuela primaria y secundaria, sino que también los futuros profesores de sus estudios comenten errores en la construcción de gráficos y al evaluar gráficos estadísticos realizados por estudiantes ficticios. 40
51 Otros autores como MonteiroyAinley (2007), estudiaron la competencia de futuros profesores brasileños cuando leen e interpretan gráficos tomados de la prensa diaria, mostrando los resultados del estudio que dichos futuros profesores no poseen suficiente conocimiento estadístico para realizar las tareas que se les piden. MÉTODO, INSTRUMENTO DE RECOGIDA DE DATOS Y MUESTRA Como hemos mencionado previamente, el objetivo general de la presente investigación fue evaluar los conocimientos estadísticos que una muestra de futuros profesores de educación primaria ponen en juego al trabajar con gráficos estadísticos. Los datos se tomaron a partir de un proyecto abierto de análisis de datos llamado Comprueba tus intuiciones sobre el azar y se realizó como una sesión práctica dentro de la asignatura Currículo de Matemáticas en Educación Primaria, que formaba parte de los antiguos estudios de la diplomatura de maestro en educación primaria. En este proyecto se compararonun par de variables estadísticas con la finalidad de concluir sobre las intuiciones del conjunto de la clase;para ello los futuros profesores tuvieron que inventar una secuencia de 20 lanzamientos de una moneda (secuencia simulada) sin realmente lanzar la moneda, con el objetivo de que dicha secuencia pasase por aleatoria para otra persona. Posteriormente realizaron 20 lanzamientos de una moneda real (secuencia real). Este experimento se realizó individualmente y se inició un debate sobre cómo poder analizar los datos obtenidos por el conjunto de la clase. Entre todos se sugirió considerar la variable estadística número de caras en las secuencias real y simulada. Se registraron los resultados obtenidos para esa variable para el conjunto de la clase. Posteriormente analizaron esos datos y tuvieron que comparar las distribuciones del número de caras en las secuencias real y simulada, para concluir sobre si las intuiciones de la clase eran buenas o no (proyecto descrito detalladamente en Godino, Batanero, Roa y Wilhelmi, 2008). En nuestro caso nos centramos en evaluar las producciones gráficas que realizaron los futuros profesores al comparar dichas distribuciones. La muestra estaba formada por 207 futuros profesores de la especialidad de Educación Primaria de la Universidad de Granada, distribuidos en 6 grupos, cada uno de ellos, de entre 30 y 40 alumnos de dos cursos académicos diferentes. RESULTADOS En este trabajo nos centramos únicamente en los resultados obtenidos en relación a la construcción de gráficos y también a su lectura e interpretación, ya que ambas habilidades son consideradas fundamentales para desarrollar una buena cultura estadística por parte de los ciudadanos (Watson, 2006), y forman parte de las habilidades necesarias para desarrollar una buena comprensión gráfica en los estudiantes (Wu, 2004). Resultados sobre la construcción de gráficos estadísticos Se destaca que aunque en el proyecto no se pedía explícitamente que se realizaran gráficos, de los 207 participantes de nuestra muestra, 181 realizaron algún gráfico. Se 41
52 trata de un porcentaje alto, sobre todo teniendo en cuenta que las instrucciones dejaban total libertad a los futuros profesores para realizar los análisis estadísticos que creyesen convenientes. En este apartado analizamos la construcción de los gráficos realizados por los profesores de nuestra muestra y realizamos una clasificación de los errores que cometieron (para más información consultar Arteaga, 2011). Muchos de los errores encontrados en dicha clasificación han sido puestos de manifiesto en investigaciones llevadas a cabo con niños y estudiantes de secundaria, lo cual resulta preocupante de cara a la formación estadística que poseen los futuros profesores de educación primaria, y quienes tendrán que enseñar estos contenidos en su futuro laboral. Clasificamos los errores en las siguientes categorías: Gráficos básicamente correctos. Se trata de gráficos que son correctos, o gráficos que son correctos pero no estándar, en este sentido es interesante que los estudiantes puedan hacer gráficos no comunes si a través de ellos pueden comunicar bien la información. Aproximadamente el 40% de los futuros profesores que realizaron gráficos en sus análisis, los hicieron dentro de esta categoría. En la Figura 1 mostramos un gráfico de puntos en el que el estudiante representa el número de caras para ambas distribuciones. Este gráfico está correctamente construido y permite realizar una comparación entre ambas distribuciones para extraer información de utilidad para la resolución del proyecto. Figura 1. Gráfico correcto de puntos Gráficos parcialmente correctos.friel, Curcio y Bright (2001) indican que una de las partes que conforman los gráficos son el marco del mismo, en el que se incluyen las escalas, ejes, sistema de coordenadas elegido, título y etiquetas de ejes y escalas. Estos son elementos esenciales en un gráfico que aportan herramientas necesarias para entender la información representada, por lo tanto los futuros profesores deben prestar especial atención a estos elementos. En esta categoría encontramos errores relacionados con el marco de los gráficos construidos y citamos a continuación algunos de ellos: realizar escalas no proporcionales; representar erróneamente números en la recta real; omitir escalas; representar incorrectamente intervalos; usar escalas no apropiadas, etc. Aproximadamente el 30% de los futuros profesores cometen errores de estas características, a pesar de 42
53 recomendaciones como las de Watson (2006), que dice que hay que prestar especial atención a las escalas, porque los gráficos pueden ser manipulados a través de ellas. En la Figura 2 se muestra un ejemplo de gráfico en el que el estudiante omite los valores de la variable de frecuencia nula y por lo tanto representa incorrectamente los valores numéricos en la recta real. Figura 2. Gráfico básicamente correcto, con valores faltantes en el eje X Figura 3. Representa valor de la variable número de caras junto con su frecuencia en barras adosadas Gráficos incorrectos. Incluimos en esta categoría gráficos que tienen errores graves, muchos de ellos detectados ya en investigaciones previas con niños; este tipo de gráficos no permiten a los futuros maestros obtener información de interés para resolver el proyecto y obtener conclusiones sobre las intuiciones de los conjuntos de clase sobre el azar. Dentro de esta categoría encontramos errores como los siguientes: intercambiar frecuencia y valor de la variable, altura de la barra, o del punto, o el ángulo no proporcional a la frecuencia, representar el valor de la variable junto con su frecuencia en dos barras adosadas, representar el valor de la variable multiplicado por su frecuencia, gráficos no apropiados para la variable, representación de promedios y estadísticos de dispersión en un mismo gráfico, etc. Aproximadamente el 30% de los participantes de nuestra muestra que realizaron gráficos cometieron gráficos con errores graves. En la Figura 3 podemos observar como el futuro profesor representa el valor de la variable número de caras con su frecuencia asociada en barras adosadas, representación que hace muy difícil la interpretación del gráfico. Este gráfico fue construido utilizando una hoja de cálculo y puede ser debido al desconocimiento de este estudiante de las opciones del software y por lo tanto acepta como buena la representación que realiza sin ser crítico con la misma, es decir realiza un uso acrítico del software (Ben-Zvi y Friedlander, 1997). Resultados sobre la lectura e interpretación de los gráficos estadísticos Una vez que los futuros profesores construyeron sus gráficos, tuvieron que leerlos e interpretarlos para obtener información que les fuese de utilidad para las conclusiones finales del proyecto. En este sentido Friel, Curcio y Bright (2001), resaltan la importancia de que los alumnos sean capaces de leer gráficos creados por ellos mismos y por otras personas. En nuestro caso hemos catalogado las lecturas realizadas atendiendo a la clasificación de Curcio (1989): 43
54 I Encuentro Colombiano de 44 No leen el gráfico: aproximadamente un 30% de los futuros profesores que realizaron gráfico no lo utilizan para su proyecto, no leyéndolo ni extrayendo de ellos información de utilidad. En ocasiones esto se debe a que sus gráficos contenían varios errores de construcción, lo que imposibilitaba dicha lectura. Lectura incorrecta: después de leer el gráfico, aproximadamente un 12% de los futuros profesores realizan lecturas incorrectas de sus gráficos. En este caso también puede ser debido a la elección de gráficos no adecuados o debido a errores conceptuales, como por ejemplo confusión entre valores de la variable y frecuencias, o interpretación errónea de distintos estadísticos a partir del gráfico. Leer los datos: aproximadamente un 23% de los participantes realizan lecturas correctas pero literales, se trata de lecturas que aunque son correctas, se centran en las características superficiales de los gráficos. Por ejemplo el alumno MCB que lee los valores máximo y mínimo de la variable sin llegar a la idea de rango: El número de caras de la secuencia simulada está en torno a 7 y 14 caras, por lo tanto los 33 alumnos que hemos participado en estos lanzamientos hemos tenido la imaginación de anotar un mínimo de 7 caras y un máximo de 14. Leer dentro de los datos: los futuros profesores clasificados dentro de este nivel fueron capaces de realizar comparaciones y buscar relaciones dentro de los datos, por ejemplo fueron capaces de comparar promedios como la media, moda y mediana pero no fueron capaces de tener en cuenta estadísticos de dispersión como el rango, por lo que la lectura no fue del todo completa. En el siguiente ejemplo, podemos observar como el estudiante AG, usando un lenguaje impreciso, es capaz de de interpretar correctamente la forma del gráfico que realizó y detectar la moda: El sistema de representación de datos usado es el diagrama de líneas ya que se pueden ver las diferencias entre la secuencia simulada y real; si la línea asciende, la frecuencia aumenta. El punto más alto del diagrama corresponde al valor de la variable que tiene mayor frecuencia, como ocurre en (Pone un ejemplo). Aproximadamente el 22% de los estudiantes de nuestra muestra que realizaron gráfico realizaron una lectura en esta categoría. Leer más allá de los datos: en esta categoría nos encontramos que los futuros profesores son capaces de realizar inferencias y obtener conclusiones completas a partir del gráfico (aproximadamente un 13%); participantes en este nivel llegaron a tener en cuenta tanto la dispersión de los gráficos como los promedios en las distribuciones, al realizar la comparación y por lo tanto, realizar conclusiones teniendo en cuenta ambas características de los datos (promedio y dispersión). En este apartado encontramos ejemplos como el del alumno RC que es capaz de, a partir del gráfico, obtener la moda y el rango de las distribuciones que tenía que comparar: Puedo afirmar, basándome en la tabla y el gráfico realizados que: en la secuencia simulada la moda es 12 y 13 (a simple vista yo creía que era 11 y 12). En la secuencia real es 11. El rango en la primera es 6 y en la real es 8. Se destaca también que aproximadamente un 42% no fue capaz de realizar una interpretación del gráfico construido por ellos mismos, o dicha lectura e interpretación fue incorrecta. CONCLUSIONES
55 En resumen, nuestra investigación sugiere que la construcción e interpretación de gráficas es una actividad compleja y confirma algunas de las dificultades descritas por Li y Shen (1991) y Wu (2004) en los estudiantes y por Bruno y Espinel (2005) y Espinel (2007) en los futuros profesores, a pesar de que éstos deben transmitir lenguaje gráfico a sus alumnos y utilizarlo como una herramienta en su vida profesional. La mejora de la enseñanza de la estadística en las escuelas debe comenzar desde la educación de los profesores que han de tener en cuenta los gráficos estadísticos. La investigación reseñada y el estudio llevado a cabo muestran que la construcción y lectura de gráficos es una habilidad compleja, ya que pone en juego habilidades no sólo estadísticas, sino también elementos de geometría, de proporcionalidad, de representación de números e intervalos en la recta real, etc. Por ello el trabajo con gráficos permite trabajar de manera interrelacionada los distintos bloques de contenido de matemáticas. En este sentido creemos que los gráficos son un tema privilegiado que podríamos utilizar para trabajar distintos conceptos matemáticos (Arteaga, Contreras y Ruiz, 2008). Esta investigación también nos muestra que la formación estadística, y en particular sobre gráficos estadísticos, de futuros maestros de educación primaria, no es todo lo buena que cabría desear; ya que esta problemática es de carácter internacional, cabe señalar que diversos organismos internacionales como la IASE (International AssociationforStatisticalEducation) y el ICMI (International CommissiononMathematicalInstruction), organizaron un estudio que trataba de dar solución a problemas relacionados con la formación estadística y didáctica de profesores de estadística (Batanero, Burrill y Reading, 2011). Esto muestra la importancia de prestar mucha atención a la formación de los futuros profesores de matemáticas en estadística, tema que tendrán que trabajar en su futuro profesional. Este trabajo puede ser continuado con el diseño de actividades formativas para los estudiantes que entran en las facultades de ciencias de la educación, que tengan tanto en cuenta los conocimientos estadísticos necesarios para desarrollar una buena comprensión gráfica como los conocimientos didácticos de su enseñanza. REFERENCIAS Arteaga, P. (2011). Evaluación de conocimientos sobre gráficos estadísticos y conocimientos didácticos de futuros profesores. Tesis de doctorado. Granada: Universidad de Granada. Arteaga, P., Contreras, J.M. y Ruiz, B. (2008). Sentido numérico y elaboración de gráficos estadísticos. En J.M. Cardeñoso y M. Peñas (Eds.), Actas de las XIV Jornadas de Investigación en el Aula de Matemáticas: Sentido Numérico (pp ). Granada: Sociedad Thales de Educación Matemática. Arteaga, P., Batanero, C., Cañadas, G. y Contreras, J.M. (2011).Las tablas y gráficos estadísticos como objetos culturales. Números, 76, Batanero, C., Burrill, G. y Reading, C. (Eds.). (2011). Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI and IASE study. New York: Springer. 45
56 Ben-Zvi, D., y Friedlander, A. (1997).Statistical thinking in a technological environment.en J. Garfield y G. Burrill (Eds.), Research on the role of technology in teaching and learning statistics (pp ). Voorburgo: International Statistical Institute. Bertin, J. (1967). Semiologiegraphique. Paris: Gauthier-Villars. Bruno, A. y Espinel, M.C. (2005). Recta numérica, escalas y gráficas estadísticas: un estudio con estudiantes para profesores. Formación del Profesorado e Investigación en Educación Matemáticas VII, Curcio, F.R. (1989). Developing graph comprehension. Reston, VA: NCTM. Espinel, C. (2007). Construcción y razonamiento de gráficos estadísticos en la formación de profesores. Investigación en Educación Matemática, 11, Espinel, C., González, T., Bruno, A. y Pinto, J. (2009). Las gráficas estadísticas. En L. Serrano (Ed.), Tendencias actuales de la investigación en Educación Estadística (pp ). Melilla: Facultad de Humanidades y Educación. Friel, S., Curcio, F. y Bright, G. (2001). Making sense of graphs: Critical factors influencing comprehension and instructional implications.journal for Research in Mathematics Education, 32 (2), Gal, I. (2002). Adult's statistical literacy: Meaning, components, responsibilities. International Statistical Review, 70 (1), Godino, J., Batanero, C., Roa, R. y Wilhelmi, M.R. (2008). Assessing and developing pedagogical content and statistical knowledge of primary school teachers through project work. En C. Batanero, G. Burrill, C. Reading y A. Rossman (Eds.), Proceedings of the Joint ICMI /IASE study. Teaching statistics in school mathematics. Challenges for teaching and teacher education. Monterrey, México: International Commission on Mathematical Instruction and International Association for Statistical Education. Lee, C. y Meletiou, M. (2003). Some difficulties of learning histograms in introductory statistics. Joint Statistical Meetings- Section on Statistical Education. Li, D.Y. y Shen, S.M. (1992). Students weaknesses in statistical projects. Teachin gstatistics, 14 (1), 2-8. MEC (2006).Real Decreto 1513/2006, de 7 de diciembre, por el que se establecen las enseñanzas mínimas correspondientes a la Educación primaria. Madrid: Autor. MECD (). Real Decreto 126/, de 28 de febrero, por el que se establece el currículo básico de la Educación Primaria. Madrid: Autor. Monteiro, C. y Ainley, J. (2007). Investigating the interpretation of media graphs among student teachers. International Electronic Journal of Mathematics Education, 2 (3), NCTM (2000). Principles and standards for school mathematics. Reston, VA: Author. Ridgway, J., Nicholson, J. y McCusker, S. (2008). Mapping new statistical literacies and iliteracies. Trabajo presentado en el 11 th International Congress on Mathematics Education. Monterrey, México. Watson, J.M. (2006). Statistical Literacy at School: Growth and Goals. Mahwah, NJ: Lawrence Erlbaum Associates. Wild, C., y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67 (3), Wu, Y. (2004). Singapore secondary schoolstudents understanding of statistical graphs. Trabajo presentado en el 10th International Congress on Mathematics Education. Copenhagen, Dinamarca. 46
57 EL SENTIDO ESTADÍSTICO DE LAS DISTRIBUCIONES MUESTRALES EN LOS NIVELES EDUCATIVOS Hugo Alvarado Universidad Católica de la Santísima Concepción (Chile) El currículo de matemática en el eje de datos y azar actualmente está en un proceso de cambios importantes en la metodología de enseñanza e incorporación de nuevos contenidos en los programas escolares. Uno de los desafíos que surgen es cómo desarrollar la cultura estadística y el razonamiento estadístico de forma articulada en los niveles educativos. En esta conferencia se describe un proceso inicial de reflexión sobre la introducción de elementos de significados de las distribuciones muestrales en el currículo de estadística. Este tópico es considerado un campo investigación en estudios de experimentos de enseñanza por sus múltiples aplicaciones, variedad de lenguaje, representaciones y argumentos, y favorece la implementación de la metodología basada en proyectos concediendo sentido estadístico al trabajo de los estudiantes. PALABRAS CLAVE Sentido estadístico, distribución muestral, formación de profesores. INTRODUCCIÓN Por lo general, en cursos de probabilidad y estadística de nivel universitario, un grupo importante de estudiantes no logra comprender las ideas estadísticas fundamentales y aplicar el razonamiento estadístico en situaciones contextualizadas (Alvarado y Batanero, 2007; Alvarado y Retamal, 2012). Al parecer, la enseñanza actual transmite una estadística sin sentido a los estudiantes, planteando un problema didáctico (Batanero, Díaz, Contreras y Roa, 2013). Los autores consideran el sentido estadístico, como unión de la cultura y razonamiento estadístico, que debe desarrollarse en forma progresiva desde la educación primaria, secundaria, bachillerato y hasta la universidad. No obstante, surgen las interrogantes hasta qué punto las nuevas propuestas curriculares proporcionan una oportunidad de introducir gradualmente ideas estadísticas desde la educación primaria, aumentando hasta el nivel de formalización progresivamente?, en las Escuelas de Educación, cuáles son los estándares orientadores que necesita el profesor de matemáticas para conducir con éxito el proceso de enseñanza y aprendizaje de conceptos estocásticos? Por qué el interés de analizar la enseñanza de las distribuciones muestrales en los distintos niveles educativos? La distribución muestral es considerada la piedra angular de la inferencia estadística (Gardfiel, delmas y Chance, 2004), donde los intervalos de confianza son pensados como un campo de problemas dentro de las distribuciones muestrales, mediante la selección adecuada de la distribución muestral en la estimación de parámetros (Alvarado, Galindo y Retamal, 2013). Tiene como
58 prerrequisito esencial para su comprensión, apropiarse de la idea de distribución y variabilidad (Pfannkuh y Wild, 2004) y familiarizarse con distribuciones comunes, como la binomial y la normal (Ramírez, 2008). Es un tópico de la estadística considerado difícil para los estudiantes universitarios, ya que conjuga muchos conceptos asociados, diversos tipos de lenguaje y representaciones, propiedades, procedimientos y argumentos (Alvarado y Batanero, 2008). Específicamente, las distribuciones muestrales se consideran importantes en el trabajo profesional de las ciencias e ingeniería, al proporcionar herramientas metodológicas para analizar la variabilidad, determinar relaciones entre variables, diseñar de forma óptima experimentos, mejorar las predicciones y la toma de decisiones en situaciones de incertidumbre. En el caso de Chile, la presencia de esta área de estudio en el currículo escolar es nueva, lo que induce a llevar estudios de su enseñanza a nivel escolar y en la formación inicial de profesores. En este contexto, describimos los cambios recientes en el sistema escolar de Chile y los desafíos que involucra la enseñanza de las distribuciones muestrales en el sistema escolar y su articulación con el nivel universitario. MARCO DE REFERENCIA A continuación, se describen conceptos y propiedades importantes de las distribuciones muestrales consideradas como campo de investigación en estudios de experimentos de enseñanza, algunos análisis de libros de texto, y significados de conceptos asociados a ese tópico junto con su articulación a los intervalos de confianza. Experimentos de enseñanza con uso de la informática. Variadas investigaciones confirman la importancia de apropiarse de conceptos previos de la distribución muestral, que según Gardfiel, delmas y Chance (2004) corresponden al análisis de gráficos, medidas de tendencia central y de dispersión, construcción de la distribución normal, cálculo de probabilidades como área bajo la curva, noción de muestreo aleatorio y exploración de la variabilidad. En particular, Chance, Ben-Zvi, Garfield y Medina (2007) resaltan el apoyo que pueden entregar los recursos informáticos en actividades de: automatización de cálculos y gráficos, exploración de datos, visualización de conceptos abstractos, simulación de fenómenos aleatorios, investigación de problemas reales. Otros resultados de investigaciones de enseñanza de conceptos y propiedades de las distribuciones muestrales son: Batanero, Tauber y Sánchez (2001) en su experiencia de enseñanza de la distribución normal con el uso de ordenadores y dirigido a estudiantes universitarios, que observaron dificultades en la discriminación entre los datos empíricos y los modelos matemáticos, en interpretar ciertos gráficos y resúmenes estadísticos y escasa capacidad de análisis y síntesis. DelMas, Garfield, y Chance (2004), quienes tras una enseñanza basada en la simulación, destacan la falta de comprensión del efecto del tamaño de la muestra sobre la variabilidad de la distribución muestral y confusión entre la media de la población (parámetro) y la media muestral. Inzunza (2006), que analiza el significado de las distribuciones muestrales en un ambiente de simulación computacional 48
59 mediante el software Fathom, y destaca que los estudiantes cometen errores frecuentes en el uso de representaciones numéricas, tienen un manejo superficial de los conceptos y propiedades de las distribuciones muestrales y presentan pocos elementos argumentativos. Retamal, Alvarado y Rebolledo (2007) que utilizaron el su experimento de enseñanza contextualizada en situaciones de la ingeniería. Ramírez (2008) estudia la distribución normal mediante la simulación con el software Fathom. Inzunsa (2010) que utilizó dos herramientas de software (Fathom y Excel) para la enseñanza y aprendizaje de la estimación de parámetros por intervalos de confianza. Los trabajos anteriores, sugieren el uso de recursos informáticos para abordar el aprendizaje de la distribución muestral, por ejemplo la utilización de applets disponibles en ambiente web (Inzunsa, 2007; Garfield y Ben-Zvi, 2008). Análisis de textos sobre las distribuciones muestrales. Esta metodología provee ideas para enriquecer la actividad docente en el aula, atendiendo a las dificultades que podrían tener los estudiantes en distintos tópicos al estudiar libros de textos. Alvarado y Segura (2012) analizaron el significado de las distribuciones muestrales en 22 libros de texto de probabilidad y estadística dirigidos a ingenieros. Acerca del estudio de otros conceptos estadísticos, se utilizó la metodología de análisis de textos por investigadores (Tauber, 2001; Cobo y Batanero, 2004; Alvarado y Batanero, 2008). Los resultados obtenidos fueron caracterizar veinticinco situaciones-problema relacionadas con la distribución de la suma de dos variables aleatorias y su extensión al caso de la media muestral y varianza muestral obtenidas de poblaciones normales; las situaciones que están directamente relacionados con la evolución histórica del teorema central del límite (Alvarado y Batanero, 2006), y las situaciones-problemas indirectas cuyas soluciones llevan a la búsqueda de una distribución que aproxime la suma de variables aleatorias de poblaciones que no son normales (Alvarado y Batanero, 2008). Además, describen cuatro tipos de lenguaje y representaciones (Ortiz, 1999) y ocho procedimientos para resolver los problemas. Establecen catorce proposiciones de la distribución de la suma de variables aleatorias asociada a poblaciones normales, de las cuales seis están en correspondencia con las propiedades de la distribución normal encontradas por Tauber (2001, p ), y siete tratan aplicaciones del teorema central del límite (Alvarado y Batanero, 2008). También, se obtuvieron cinco tipos de argumentos para comprobar las soluciones de los problemas de aplicación de las distribuciones muestrales. Distribuciones muestrales y articulación con los intervalos de confianza. Olivo y Batanero (2007) describen el significado que tiene un intervalo de confianza como procedimiento y resaltan para su comprensión la adquisición de conceptos previos como el de la distribución muestral. Enfatizan errores de los estudiantes como pensar que para distintas muestras se obtendrá el mismo intervalo y que el coeficiente de confianza no hace cambiar el intervalo. Los autores recomiendan diseñar unidades didácticas basadas en la simulación para incrementar la relevancia del aprendizaje. Alvarado, Galindo y Retamal (2013) realizaron un estudio sobre la comprensión de las distribuciones muestrales y su vinculación con la estimación de parámetros por intervalos de confianza en estudiantes universitarios, al finalizar una experiencia de 49
60 enseñanza basada en la simulación y en la representación algebraica. Partieron de la base que los intervalos de confianza son uno de los campos de problemas dentro de las distribuciones muestrales, mediante la selección adecuada de la distribución muestral en la estimación de parámetros. En particular, aplicaron dos problemas abiertos y un cuestionario de intervalos de confianza propuesto por Olivo, Batanero y Díaz (2008) a un grupo de 113 estudiantes. Los resultados indicaron mejoras en la comprensión de la estimación de parámetros, de la relación con los coeficientes de confianza y de la elección de la distribución muestral adecuada para la construcción de intervalos de confianza. No obstante, confirmaron las dificultades de procedimientos algebraicos en las distribuciones muestrales. Si bien, Batanero, Tauber y Sánchez (2001) analizaron los errores de estandarización de una variable aleatoria con distribución normal, Alvarado, Galindo y Retamal (2013) extendieron este conflicto para el caso de la estandarización de la distribución de la media muestral para el caso de población normal. SENTIDO ESTADÍSTICO La presencia e importancia de la estadística y las probabilidades en el currículo escolar es una tendencia internacional, reconocida por contribuir en los aspectos de la toma de decisión a partir de la información, desarrollo del pensamiento crítico y como conocimiento base de todas las disciplinas. No obstante, es un área temática considerada difícil para los estudiantes, quienes a su vez reciben habitualmente una enseñanza descontextualizada y sin sentido. Investigadores en educación estadística (Batanero, Arteaga y Contreras, 2011; Batanero, Díaz, Contreras y Roa, 2013; Sanchez y Hoyos, 2013) conciben el sentido estadístico como unión de la cultura estadística (Watson, 2006) y razonamiento estadístico (Wild y Pfannkuch, 1999). Burrill y Biehler (2011) resaltan que la cultura estadística debe considerar la componente de la apropiación correcta de las siguientes ideas fundamentales: datos, gráficos, variabilidad aleatoria, distribución, asociación y correlación, probabilidad, muestreo e inferencia. El sentido estadístico involucra desarrollar el razonamiento estadístico para la aplicación adecuada de las ideas fundamentales en la resolución de situaciones estadísticas. Wild y Pfannkuch (1999) mencionan cinco modos básicos de razonamiento estadístico: reconocer la necesidad de los datos; transnumeración; percepción de la variación; razonamiento con modelos estadísticos, e integración de la estadística y el contexto. Lo anterior, permite plantear la cuestión cómo desarrollar el sentido estadístico en la enseñanza de las distribuciones muestrales? Una primera aproximación sería identificaren las componentes de la cultura estadística y el razonamiento estadístico los elementos relacionados con el tópico de las distribuciones muestrales y analizar su pertinencia en los niveles educativos. Las propuestas de enseñanza de las distribuciones muestrales debieran incluir un conocimiento del lenguaje estadístico, las representaciones de conceptos y propiedades en el sistema de las ideas estadísticas fundamentales y desarrollar formas de razonamiento estadístico. A continuación, se describen algunas componentes específicas necesarias que confieren sentido estadístico a la enseñanza de las distribuciones muestrales. 50
61 I Encuentro Colombiano de Razonar a partir de datos empíricos, mediante el trabajo con datos de situaciones reales de interés de los estudiantes. Analizar gráficos estadísticos para distintas muestras. Razonar a partir de distribuciones de datos, cuyo proceso estadístico relaciona los datos y su población de origen. Comparar dos distribuciones de datos por medio de medidas estadísticas. Relacionar las características de las muestras con las de la población. Analizar la relación de distribuciones de poblaciones según la sensibilidad de los parámetros. Implementar los proyectos de iniciación científica con apoyo de representaciones computacionales. Batanero, Díaz, Contreras y Roa (2013) sugieren que la mejor forma de ayudar a los estudiantes a desarrollar su sentido estadístico en el aula es mediante el trabajo con proyectos, planteados por el profesor o escogidos libremente por los estudiantes. En la literatura encontramos variados ejemplos de análisis e implementación de esta metodología (Batanero y Díaz, 2011; Retamal, Alvarado y Rebolledo, 2007; Alvarado, 2013, etc.). Los libros de textos en el nivel universitario presentan el estudio de las distribuciones muestrales organizado en dos grandes lecciones: distribuciones de estimadores obtenidos de poblaciones normales y distribuciones de estimadores obtenidos de poblaciones no normales. Con el objeto de motivar la reflexión a la hora de diseñar actividades de razonamiento estadístico de las distribuciones muestrales, la Tabla 1 muestra las conexiones de elementos involucrados en el significado de las distribuciones muestrales, en poblaciones desconocidas mediante tres configuraciones epistémicas (Alvarado, Galindo y Retamal, 2013), que tendrían que tomarse en cuenta en el diseño de unidades didácticas según el nivel educativo. Elemento de Significado Problemas Lenguaje Procedimiento Conceptos Configuración manipulativa - Estudio empírico de distribuciones de la suma de variables aleatorias - Expresiones verbales - Gráficas de barra, cajas, - Experimentación con dispositivos manipulables - Obtención de distribuciones muestrales empíricas - Cálculo frecuencial de probabilidades - Experimento estadístico, muestreo, muestras - Variable estadística, Configuración computacional - Obtención experimental de distribuciones muestrales asintóticas - Investigar el comportamiento de las distribuciones muestrales cuando cambian los parámetros - Representaciones dinámicas - Términos e íconos del programa -Simulación, variación de parámetros, experimentación - Aproximación, distribución muestral asintótica - Función de densidad Configuración algebraica - Obtener modelos matemáticos para la distribución de estadísticos -Representación simbólica -Expresiones matemáticas específicas -Cálculo de probabilidades -Transformaciones algebraica - Variables y convergencia - Modelo y parámetros 51
62 Propiedades Argumentos distribución de frecuencias, distribución muestral -Media y varianza muestral - Estimador insesgado, distribución aproximada - Comprobación de ejemplos - Generalizar conclusiones de la experiencia. - Aproximación normal de distribuciones clásicas - Efecto de los parámetros sobre la aproximación - Visuales, generalización y comprobación de ejemplos - Tamaño muestral y efecto en la convergencia - Buen estimador y corrección de continuidad Demostración deductiva Tabla 1. Configuraciones epistémica: manipulativa, computacional y algebraica EL CURRÍCULUM DE MATEMÁTICAS DE CHILE Las orientaciones curriculares de matemáticas de Chile en el eje de Datos y Azar están en un proceso de cambios significativos con énfasis en un aumento de los contenidos de probabilidad y estadística en la educación media. El Ministerio de Educación (Mineduc, ) ha realizado ajustes curriculares que incluyen nuevos contenidos de estocástica. A continuación, se describen, según el ciclo escolar (14 a 17 años), aquellos contenidos que están relacionados con las distribuciones muestrales, y que pone un gran desafío de su implementación para los profesores. Primer año medio: Medidas estadísticas: obtención de información a partir de análisis de datos presentados en histogramas, polígonos de frecuencia y frecuencias acumuladas, considerando la interpretación de medidas de tendencia central y posición; organización y representación de datos extraídos de diversas fuentes, bien sea construidos manualmente o con herramientas tecnológicas. Medias muestrales: utilización y establecimiento de estrategias para determinar el número de muestras de un tamaño dado, que se pueden extraer desde una población de tamaño finito, con y sin reemplazo; formulación y verificación de conjeturas, en casos particulares, acerca de la relación que existe entre la media aritmética de una población de tamaño finito y la media aritmética de las medias muestrales de igual tamaño extraídas de dicha población, con y sin reemplazo. Segundo año medio: Medidas estadísticas: determinación del rango, varianza y desviación estándar, aplicando criterios referidos al tipo de datos que se están utilizando, en forma manual y mediante el uso de herramientas tecnológicas. Medias muestrales: análisis de las características de dos o más muestras de datos, haciendo uso de indicadores de tendencia central, posición y dispersión; empleo de elementos básicos del muestreo aleatorio simple, en diversos experimentos, para inferir sobre la media de una población finita a partir de muestras extraídas; aplicación del concepto de variable aleatoria en diferentes situaciones que involucran azar e identificación de ésta como una función. Tercer año medio: Variable aleatoria discreta: utilización de la función de probabilidad de una variable aleatoria discreta y establecimiento de la relación con la función de distribución; exploración de la relación entre la distribución teórica de una variable aleatoria y la 52
63 correspondiente gráfica de frecuencias, en experimentos aleatorios discretos, haciendo uso de simulaciones digitales; aplicación e interpretación gráfica de los conceptos de valor esperado, varianza y desviación estándar de una variable aleatoria discreta. Distribución de probabilidad: determinación de la distribución de una variable aleatoria discreta en contextos diversos y de la media, varianza y desviación estándar a partir de esas distribuciones; uso del modelo binomial para analizar situaciones o experimentos, cuyos resultados son dicotómicos: cara o sello, éxito o fracaso o bien cero o uno. Cuarto año medio: Variable aleatoria continua: interpretación del concepto de variable aleatoria continua y de la función de densidad de una variable aleatoria con distribución normal; estudio y aplicación de elementos básicos de la distribución normal, a partir de diversas situaciones en contextos tales como: mediciones de peso y estatura en adolescentes; puntajes de pruebas nacionales e internacionales; datos meteorológicos de temperatura o precipitaciones. Relacionar la distribución normal y la distribución normal estándar. Distribución de medias muestrales: - realización de conjeturas sobre el tipo de distribución al que tienden las medias muestrales; verificación mediante experimentos donde se extraen muestras aleatorias de igual tamaño de una población, mediante el uso de herramientas tecnológicas; - estimación de intervalos de confianza, para la media de una población con distribución normal y varianza conocida, a partir de una muestra y un nivel de confianza dado; - análisis crítico de las inferencias realizadas a partir de encuestas, estudios estadísticos o experimentos, usando criterios de representatividad de la muestra. - descripción de los resultados de repeticiones de un experimento aleatorio, aplicando las distribuciones de probabilidad normal y binomial mediante el uso de herramientas tecnológicas. - aproximación de la probabilidad binomial por la probabilidad de la normal, aplicación al cálculo de experimentos binomiales. Muchos de los conceptos y propiedades que pueden ser tratados experimentalmente en el contexto escolar, son formalizados en el nivel universitario. El nuevo marco curricular de matemáticas en Chile introduce, en el eje de Datos y Azar, el tratamiento de datos y modelos para el razonamiento en situaciones de incerteza. El tratamiento estadístico se inicia en primero básico y el azar a partir de quinto. En la educación media se propone desarrollar conceptos y técnicas propias de la estadística y la teoría de probabilidades, que incluyen el uso de tecnologías digitales, de Internet y software estadísticos. Esto supone dar espacio a la exploración, la experimentación y la investigación. Cobra relevancia, entonces, el trabajo en equipo, la comunicación y la confrontación de ideas, los argumentos y el apoyo en elementos tecnológicos. Los contenidos mínimos obligatorios en el último año de Educación Media comprenden: 53
64 interpretación del concepto de variable aleatoria continua y función de densidad de una variable aleatoria con distribución normal; estimación de intervalos de confianza para la media de una población con distribución normal y varianza conocida a partir de una muestra y un nivel de confianza dado; aproximación de la probabilidad binomial por la probabilidad de la normal, aplicación al cálculo de experimentos binomiales. ESTÁNDARES ORIENTADORES PARA CARRERAS DE PEDAGOGÍA EN EDUCACIÓN MEDIA El Ministerio de Educación de Chile, con motivo de proporcionar a las Facultades y Escuelas de Educación orientaciones sobre los contenidos disciplinarios y pedagógicos que debe saber todo profesor o profesora para ser competente en su ejercicio de su profesión, impulsó la elaboración de un conjunto de estándares orientadores para carreras de pedagogía en educación media en las distintas áreas de estudio. Considerando como referencia las bases curriculares de matemática de 2009, se identificaron los conocimientos mínimos imprescindibles que cada profesor debe saber en la disciplina y de la enseñanza de la misma, para desempeñarse eficazmente en los seis niveles escolares (12 a 17 años) que comprenderá la Educación Media (Mineduc, 2012). Los estándares de matemática se presentan organizados en torno a cinco áreas temáticas, siendo una de ellas Datos y Azar. En este eje temático se han definido cinco estándares que describen los conocimientos, habilidades y competencias que el futuro profesor o profesora necesita para conducir con éxito el proceso de enseñanza y aprendizaje de los estudiantes de Enseñanza Media en los tópicos básicos de estadística descriptiva y de inferencia estadística. Se contemplan la identificación, concepción y formulación de problemas que requieren de la recolección de datos, su descripción y análisis, y su comunicación gráfica y resumida. Asimismo, el profesor debe tener la capacidad de conducir el aprendizaje de las probabilidades discretas. Está preparado para conducir el aprendizaje de las variables aleatorias discretas. Está preparado para conducir el aprendizaje de la distribución normal y teoremas límite. Está preparado para conducir el aprendizaje de inferencia estadística. Retomando nuestro tópico de las distribuciones muestrales, los desafíos en la implementación y apropiación de conceptos relacionados con el tema, no son menores. El futuro profesor o profesora debiera dar cuenta de estos estándares y mostrarlo cuando: Conoce las dificultades de los alumno(a)s con los conceptos: muestra, estadístico y tablas de frecuencias. Diseña instrumentos para evaluar el aprendizaje del concepto de muestra aleatoria. Calcula esperanza, varianza y desviación estándar de variables aleatorias 54
65 I Encuentro Colombiano de discretas. Elabora y analiza problemas para la enseñanza de la distribución binomial. Conoce elementos del desarrollo histórico del Teorema Central del Límite. Conoce dificultades que tienen los estudiantes con conceptos de variables aleatorias y de aproximación para muestras grandes. Planifica actividades con base en problemas que permitan explicar e ilustrar la convergencia de la distribución de probabilidad binomial a la distribución de probabilidad normal. Utiliza estrategias de simulación que permitan a los estudiantes conjeturar la distribución de medias muestrales. Conduce actividades para que los estudiantes comprendan la aproximación de la distribución binomial por una distribución normal. Diseña actividades de evaluación relacionadas con las propiedades básicas de la distribución normal y del teorema central del límite. Describe y ordena los contenidos necesarios del currículo para que los alumno(a)s aborden el tema de intervalos de confianza. Con base en este nuevo escenario educativo nos vemos enfrentados a replantear e indagar acerca de la actitud del profesor de matemática en la enseñanza de las ideas estadísticas fundamentales, y si en el eje de Datos y Azar se favorece la comprensión de los conceptos y enunciados, como el aspecto intuitivo del teorema central del límite, considerando más de una forma de acercarnos al significado institucional implementado (o previsto). La práctica docente debe ser reflexiva, entendida en el sentido que el profesor analice las distintas variables involucradas en el proceso de enseñanza-aprendizaje de la estadística y, consecuentemente, sus formas de intervenir en ellas (Alvarado y Retamal, 2010). Enseñar conceptos y propiedades básicas de probabilidad y estadística de una manera práctica y con apoyo de recursos informáticos es aún, un desafío para el profesorado en los distintos niveles educativos. CONCLUSIONES El presente trabajo ha tenido por objetivo iniciar el diálogo y la reflexión acerca de cómo llevar a cabo la implementación y apropiación de las ideas estadísticas fundamentales por parte de los estudiantes, frente a los cambios que se están produciendo en el currículo de estadística en varios países. La tarea no es fácil para los profesores de matemáticas en ejercicio que enseñan estadística y probabilidades, y más aún para las Escuelas de Educación que deben promover la cultura y razonamiento estadístico en la formación inicial de profesores. Se han planteado algunos elementos que deben ser considerados para desarrollar el sentido estadístico de un tópico importante en el currículum de estadística, las distribuciones muestrales, considerada en el nivel terciario como el puente entre las distribuciones de probabilidades y la inferencia estadística, así también abordar la problemática de articulación de contenidos en la etapa de transición con la educación media. Los retos que plantean los estándares curriculares de la estadística y su enseñanza sugieren analizar el conocimiento didáctico de tópicos importantes de la estadística de los profesores que enseñan esta disciplina en distintos niveles educativos, y a su vez 55
66 apropiarse del trabajo de iniciación científica de los estudiantes mediante la estrategia de proyectos con apoyo de recursos informáticos. La formación estadística y didáctica de los profesores constituye un campo de investigación en la comunidad de Didáctica de la Matemática. Algunas directrices de reflexión-acción que se podrían abordar para mejorar la acción didáctica: analizar los significados de las ideas estadísticas fundamentales que se pretende enseñar; establecer los diversos niveles de comprensión, por ejemplo de las distribuciones muestrales, mediante el estudio de las transformaciones de conceptos y propiedades estadísticas importantes para adaptarlos en los distintos ciclos y niveles educativos; estudiar las estrategias de los estudiantes en la resolución de problemas a objeto de orientar de buena forma la actividades de aprendizaje; analizar constantemente el currículo de estadística y la metodología de enseñanza mediante configuraciones didácticas. Debemos considerar la enseñanza de la estadística y probabilidad como una actividad crítica, pasar de preocuparse del cómo hacer, al por qué lo planteo así, y revisar constantemente las propuestas de acción educativa. REFERENCIAS Alvarado, H. (2013). Didáctica de la Estadística en la educación superior. En A. Salcedo (Ed.), Educación Estadística en América Latina: Tendencias y Perspectivas (pp ). Caracas: Universidad Central de Venezuela. Alvarado, H. y Batanero, C. (2008). Significado del teorema central del límite en textos universitarios de probabilidad y estadística. Estudios Pedagógicos, 34 (2), Alvarado, H. y Batanero, C. (2007). Dificultades de comprensión de la aproximación normal a la distribución binomial. Números, 67. Alvarado, H. y Batanero, C. (2006). El significado del teorema central del límite: evolución histórica a partir de sus campos de problemas. En A. Contreras, L. Ordoñez y C. Batanero (Eds.), Investigación en Didáctica de las Matemáticas/ Congreso Internacional sobre Aplicaciones y Desarrollos de la Teoría de las Funciones Semióticas (pp ). Jaén, España: Universidad de Jaén. Alvarado, H., Galindo, M. y Retamal, L. (2013). Comprensión de la distribución muestral mediante configuraciones didácticas y su implicación en la inferencia estadística. Enseñanza de las Ciencias, 31 (2), Alvarado, H. y Retamal, L. (2012). Dificultades de comprensión del teorema central del límite en estudiantes universitarios. Educación Matemática, 24 (3), Alvarado, H. y Retamal, L. (2010). La aproximación binomial por la normal: una experiencia de reflexión sobre la práctica. Paradigma, 31 (2), Alvarado, H. y Segura, N. (2012). Significado de las distribuciones muestrales en textos universitarios de estadística. Revista Electrónica de Investigación en Educación en Ciencias, 7 (2), Batanero, C., Arteaga, P. y Contreras, J. (2011). El currículo de estadística en la enseñanza obligatoria. Revista de Educaçao Matemática e Tecnológica Iberoamericana, 2 (2), Batanero, C. y Díaz, C. (Eds.). (2011). Estadística con proyectos. Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Batanero, C., Díaz, C., Contreras, J.y Roa, R. (2013). El sentido estadístico y su desarrollo. Números, 83, Batanero, C., Tauber, L. y Sánchez, V. (2001). Significado y comprensión de la distribución normal en un curso introductorio de análisis de datos. Quadrante, 10 (1),
67 Burrill, G. y Biehler, R. (2011). Fundamental statistical ideas in the school curriculum and in training teachers. En C. Batanero, G. Burrill y C. Reading (Eds.), Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI/IASE study (pp ). Dordrecht, the Netherlands: Springer. Chance, B., Ben-Zvi, D., Garfield, J. y Medina, E. (2007).The role of technology in improving student learning of statistics. Technology Innovations in Statistics Education, 1 (1). Cobo, B. y Batanero, C. (2004). Significados de la media en los libros de texto de secundaria. Enseñanza de las Ciencias, 22(1), Garfield, J. y Ben-Zvi, D. (2008). Creating statistical reasoning environments. En J. Garfield, y D. Ben-Zvi (Eds.), Developing students statistical reasoning (pp ). New York: Springer Science+Business Media. Garfield, J., DelMas, R. y Chance, B. (2004). Reasoning about sampling distributions. En D. Ben- Zvi y J. Garfield (Eds.), The Challenge of developing statistical literacy, reasoning and thinking. Dordrecht, the Netherlands: Kluwer Academic Publishers. Inzunsa, S. (2010). Entornos virtuales de aprendizaje: un enfoque alternativo para la enseñanza y aprendizaje de la inferencia estadística. Revista Mexicana de Investigación Educativa, 15 (45), Inzunsa, S. (2007). Recursos de Internet para apoyo de la investigación y la educación estadística. Revista Iberoamericana de Educación, 41 (4). Inzunsa, S. (2006).Significados que estudiantes universitarios atribuyen a las distribuciones muestrales en un ambiente de simulación computacional y estadística dinámica. Tesis de doctorado. México: Departamento de Matemática Educativa del CINVESTAV IPN. Mineduc (2012). Ministerio de Educación. Olivo, E. y Batanero, C. (2007). Un estudio exploratorio de dificultades de comprensión del intervalo de confianza. UNION, 12. Olivo, E., Batanero, C. y Díaz, C. (2008). Dificultades de comprensión del intervalo de confianza en estudiantes universitarios: Educación Matemática, 20(3), Ortiz, J.J. (1999). Significado de los conceptos probabilísticos elementales en los textos de Bachillerato. Tesis de doctorado. Granada: Universidad de Granada. Pfannkuch, M. y Wild, C. (2004). Towards and understanding of statistical thinking. En D. Ben- Zvi y J. Garfield (Eds.), The challenge of developing statistical literacy, reasoning and thinking (pp ). Dordrecht, The Netherlands: Kluwer Academic Publisher. Ramírez, G. (2008). Formas de razonamiento que muestran estudiantes de maestría de matemática educativa sobre la distribución normal mediante problemas de simulación de Fathom. Revista electrónica de Investigación en Educación en Ciencias, 3 (1), Retamal, L., Alvarado, H. y Rebolledo, R. (2007). Understanding of sample distributions for a course on statistics for engineers. Ingeniare, 15, Sánchez, E. y Hoyos, V. (2013). La estadística y la propuesta de un currículo por competencias. En A. Salcedo (Ed.), Educación Estadística en América Latina: Tendencias y Perspectivas (pp ). Caracas: Universidad Central de Venezuela. Tauber, L. (2001). Significado y comprensión de la distribución normal a partir de actividades de análisis de datos. Tesis de doctorado. Sevilla: Universidad de Sevilla. Watson, J.M. (2006). Statistical literacy at school: growth and goals. Mahwah, NJ: Lawrence Erlbaum Associates. Wild, C. y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67 (3),
68 LETRAMENTO ESTATÍSTICO: QUAL A CONTRIBUIÇÃO DOS LIVROS DIDÁTICOS? Cileda de Queiroz e Silva Coutinho Pontifícia Universidade Católica de São Paulo (Brasil) cileda@pucsp.br Discutimos, neste texto, aspectos relativos ao ensino e à aprendizagem da statística, à importância do desenvolvimento do letramento estatístico dos alunos e o papel dos libros didáticos Ness eprocesso. No que se refere à continuidade da abordagem, observamos que as coleções destinadas aoensino médio apresentam, emsuamaioria, apenas um capítulo destinado à estatística em um volume. Quantoaos gráficos estatísticos, pudemos observar que os livrosapresentamlacunas que pode interferir naaprendizagem, como a falta de questionamentos que permitam aos alunos ir além de uma simples leitura de eixos. PALABRAS CLAVE Educação estatística, livros didáticos de matemática, escola básica, Teoria antropológica do didático. INTRODUCCIÓN Neste texto buscaremos discutir o papel do livro didático no desenvolvimento do letramento estatístico dos alunos. Para isso, discutiremos alguns resultados de uma pesquisa que envolveu a análise dos livros didáticos aprovados pelo Programa Nacional de Livro Didático (PNLD) de 2012, para coleções destinadas ao ensino médio brasileiro. Os conteúdos de probabilidade e estatística constituem saberes indicados nos Parâmetros Curriculares Nacionais (Brasil, 1998) como parte integrante do currículo da escola básica (nove anos de ensino fundamental e três anos de ensino médio, alunos de 6 a 17 anos de idade, em média). Neste período, os livros didáticos buscaram uma adequação à estas orientações, inserindo tais conteúdos entre aqueles já usuais por eles apresentados. É neste contexto que nossa pesquisa atual busca identificar o papel dos livros didáticos na construção de saberes e práticas docentes relativas a estes conteúdos. Para apresentar a ideia aqui defendida sobre a importância do livro didático na construção dos conhecimentos estatísticos dos alunos e dos professores, citamos Fernandes e Morais (2011), que afirmam que: no que diz respeito à aprendizagem da estatística são muitas as dificuldades encontradas pelos alunos, nomeadamente no que concerne aos conceitos e interpretação das medidas de tendência central, à representação, análise einterpretação gráfica e à seleção das medidas que melhor representam uma distribuição (p.96).
69 Estes autores completam sua argumentação, trazendo outros autores: Estas dificuldades, por vezes, têm origem num ensino superficial e desadequado, assente em tarefas cujo objectivo principal é dar a conhecer os vários tipos de gráficos estatísticos e os algoritmos das diferentes medidas, bem como desenvolver destrezas técnicas e não um entendimento significativo das mesmas. (Fernandes, Carvalho e Ribeiro, 2007, apud Fernandes e Morais, 2011, p. 96). Resultados de pesquisas no cenário internacional apontam para a necessidade de um olhar sobre os materiais didáticos utilizados pelos professores. Segundo Coutinho (2013a), de 94 pesquisas sobre ensino e aprendizagem da estatística, identificadas no banco de teses da CAPES, apenas três trazem como foco o Livro Didático de Matemática, nos capítulos destinados à estatística descritiva. No que se refere à probabilidade, Coutinho (2013b) afirma que de 31 pesquisas sobre ensino e aprendizagem da probabilidade identificadas no banco de teses da CAPES, apenas duas trazem como foco o Livro Didático de Matemática, nos capítulos destinados à probabilidade. Neste contexto, desenvolveremos aqui algumas das ideias básicas de nossa pesquisa, particularmente no que se refere à abordagem dos conteúdos de estatística descritiva e a percepção dos professores de matemática sobre tal abordagem. REFERENCIAL TEÓRICO No presente texto, admitiremos o enunciado por Ben-Zvi e Garfield (2004) e citaremos os trabalhos de Garfield, del Mas e Chance (2003), que assumem que o letramento estatístico inclui habilidades básicas e importantes que podem ser usadas para compreender informações estatísticas ou resultados de pesquisa. Estas habilidades incluem estar apto a organizar dados, construir e exibir tabelas e trabalhar com diferentes representações dos dados. O letramento estatístico inclui também uma compreensão de conceitos, vocabulário e símbolos, além de incluir uma compreensão de probabilidade como uma medida da incerteza. Consideramos também a articulação necessária e fundamental entre letramento, raciocínio e pensamento estatístico, que se desenvolvem de forma articulada, como ilustramos na Figura 1. Figura 1. Articulação entre pensamento, raciocínio e letramento estatístico. 59
70 Analisar livros escolares permite identificar condições didáticas para o desenvolvimento do letramento estatístico por alunos para os quais os livros se destinam. É um primeiro passo na direção do estudo aprofundado das condições necessárias para que o aluno atinja níveis de letramento pelo menos funcional ao final do ensino médio, de forma que possa aplicar o aprendido na resolução de problemas. Logicamente, a presença da estatística nas mais diversas áreas profissionais exigirá um aprofundamento dos conhecimentos construídos e, por consequência, exigirá que se caminhe na direção do letramento pleno, científico. Para tal análise, nosso referencial teórico será a Teoria antropológica do didático (Chevallard, 1996), e particularmente a Organização praxeológica e seus elementos (tarefa, técnica e discurso teórico-metodológico considerado aqui como a tecnologia e a teoria apresentados de forma unificada). Adotamos como tarefa a ação demandada pelo problema, sendo que, para esse autor, a cada tarefa está associada pelo menos uma técnica, que é a forma de se realizar a tarefa. A tarefa e sua técnica associada constituem um bloco designado como saber fazer, ao qual se associa o bloco saber constituído pela tecnologia (discurso teórico que justifica a técnica) e pela teoria (discurso teórico que justifica a tecnologia). O este segundo bloco, o saber, designaremos como discurso teórico-tecnológico. ARTICULANDO IDEIAS Gal (2002) aponta cinco elementos que são assumidos como conhecimentos estatísticos de base: conhecimento da razão da necessidade dos dados e como estes podem ser produzidos; familiaridade com termos e ideias básicos da estatística descritiva; familiaridade com termos e ideias básicos da representação gráfica e tabular; compreensão de noções básicas de probabilidade; conhecimento de métodos de obtenção de inferências ou conclusões estatísticas. Neste contexto, é fácil perceber a importância do papel do professor na organização e gestão das atividades que permitam aos alunos a construção dos conceitos e das ferramentas necessárias à Análise Exploratória de Dados (AED), nos termos definidos por Batanero, Estepa e Godino (1991). Para estes autores, a AED é uma filosofia que consiste em: [...] no estudo dos dados a partir de todas as perspectivas e com todas as ferramentas possíveis, incluindo as já existentes. O propósito é extrair toda a informação possível, gerar novas hipóteses no sentido de construir conjecturas sobre as observações que dispomos. (Batanero, Estepa e Godino, 1991, p.2). Fazemos a hipótese de que o letramento estatístico do professor e do aluno é favorecido quando os conteúdos estatísticos são abordados segundo a AED. Particularmente, Coutinho e Miguel (2007) afirmam que em um grupo de 33 professores que participaram de sua pesquisa, 60
71 [...] estes professores podem, efetivamente, ser favoráveis ao trabalho com a estatística em suas aulas dentro de princípios que podem encaminhar para a filosofia da Análise Exploratória de Dados e permitindo ao aluno ocupar uma posição efetivamente de aprendiz ao invés de reproduzir técnicas apresentadas previamente (p.10). Apenas para uma comparação que nos permita compreender o cenário do ensino de conteúdos estatísticos ao longo da escola básica brasileira, destacamos que o guia do Programa Nacional do Livro Didático (PNLD) para as séries finais do ensino fundamental, indica que os livros didáticos dedicam em torno de 7% do total da coleção ao bloco de conteúdos chamado Tratamento da Informação, bloco esse que aglutina a estatística, a probabilidade e a combinatória. Coutinho, Silva e Almouloud (2009) apontam para o agravamento de tal panorama, afirmando que a abordagem encontrada nos livros é, na grande parte das coleções aprovadas, centrada em cálculos, leituras de gráficos sem qualquer complexidade (simples leitura dos rótulos e/ou dos eixos), sem uma orientação para análise relacionada ao contexto no qual os dados estão inseridos. Proporção ainda menor (em torno de 5%) e características semelhantes são observadas nas coleções aprovadas para o ensino médio. Segundo o guia do PNLD para o ensino médio: Gráficos e tabelas estão presentes em todas as coleções aprovadas, em menor ou maior grau, em textos distribuídos ao longo dos capítulos. Além disso, algumas delas reservam capítulos específicos para o estudo mais detalhado desses tipos de representação. Em contrapartida, são poucas as coleções que exploram aspectos importantes da estatística, associados à análise dos gráficos: a população pesquisada (se é uma amostragem ou uma pesquisa censitária); a opção por apresentar frequência absoluta ou relativa e suas consequências; a escolha de escalas adequadas para cada eixo; as variáveis que estão sendo relacionadas em um mesmo gráfico; a necessidade ou não do uso de legenda; entre outros.são, ainda, raras as atividades que incentivem a análise crítica de uma representação usada na mídia ou em divulgação científica de pesquisas. Não se propõe sua comparação com outras formas de representação, e tampouco se reflete se há indução a interpretações equivocadas. Ao contrário, incluem-se gráficos e tabelas com inadequações, como é o caso de muitos pictogramas utilizados na imprensa escrita, sem qualquer advertência para que o aluno detecte erros ou falta de informação. As falhas, nesses casos, muitas vezes dificultam o acesso ao conteúdo apresentado. (Brasil, 2011, p. 36) Constata-se nesse extrato que a abordagem relativa ao conteúdo de estatística descritiva nos livros destinados ao ensino médio nem sempre é adequada ao desenvolvimento do letramento estatístico dos alunos. Podemos inferir, sem grande margem de erro, que os resultados de pesquisas na área da educação estatística ainda não impactaram a concepção dos livros didáticos, uma vez que o observado pelos avaliadores do PNLD aponta para direções contrárias a tais resultados. Confirmando esse cenário, a Tabela 1 ilustra a proporção de páginas destinadas à abordagem da estatística em cada uma das sete coleções aprovadas pelo PNLD 2012, a última destinada ao ensino médio. Não apresentaremos o nome de cada coleção, nos referindo a elas apenas como C1, C2, C3, C4, C5, C6 e C7. 61
72 Coleção Número de Páginas Vol. 1 Vol.2 Vol.3 Total Total Estat Total Estat Total Estat Total Estat C C C C C C C Tabela 1. Distribuição do número de páginas por volume e por coleção, com indicação do número destinado aos conteúdos de Estatística Descritiva A tabela nos permite observar a não continuidade na abordagem dos conteúdos estatísticos ao longo dos três anos que constituem o ensino médio brasileiro. Assim, podemos concluir que as condições para o desenvolvimento do letramento estatístico não são favoráveis. Caberá ao professor a tarefa de complementar os conteúdos ao utilizar os volumes que não abordam o tema. Um exemplo de abordagem será analisado na sequência, e teremos como referência o volume 3 da coleção C4. A introdução ao capítulo apresenta a Estatística como uma ciência que se dedica ao trabalho de planejar uma pesquisa em todas as suas etapas: caracterização do objeto da pesquisa, da população, da amostra, da coleta de dados, sua organização e análise para o levantamento de tendências e previsões. Ao longo dos exercícios, os enunciados conduzem os alunos em análises que envolvem tais aspectos, principalmente a caracterização da população/amostra e levantamento de tendências. Além disso, fica claro ao leitor que o capítulo tratará apenas da etapa de organização e representação dos dados por meio de tabelas, gráficos e medidas-resumo. Na sequência, o capítulo aborda a noção de variável por meio de exemplos, distinguindo a variável quantitativa (indicada como sendo relativa à contagem ou mensuração) da qualitativa (apresentada como sendo relativa à atributos, qualidades, preferências). Trata também da definição de frequência absoluta e frequência relativa, apresentando a distribuição de frequências de forma implícita, já que aborda o conceito sem nomeá-lo: para cada variável estudada, contamos o número de vezes que cada um de seus valores (realizações) ocorre (C4, p.202). Neste item trata também da representação de dados agrupados em classes ou intervalos de valores, mas sem fazer a categorização entre variável quantitativa discreta ou contínua. Percebe-se que a abordagem escolhida na obra até esse ponto não traz a necessidade da nomeação desses tipos de variáveis, bastando apenas ao aluno a compreensão dos procedimentos para seu tratamento e representação. 62
73 O capítulo oferece aos alunos 22 exercícios propostos que tratam de gráficos, em um total de 71 exercícios, perfazendo aproximadamente 31% do proposto. O trabalho com gráficos se inicia pela apresentação do gráfico de setores. Para isso, lança mão de um exemplo e dos procedimentos para determinação do ângulo central de cada setor circular que comporá esse gráfico. Sem fazer referência à possibilidade de comparação parte-todo presente na leitura de dados representados nesse tipo de gráfico, define: mais precisamente, as medidas dos ângulos dos setores circulares são proporcionais às porcentagens de ocorrência das realizações da variável (C4, p.209). As tarefas e técnicas associadas a esse conteúdo demandam a construção do gráfico de setores a partir de dados apresentados por tabelas, da leitura dos dados representados no gráfico de setores para determinação do ângulo central e da frequência de determinada variável, bem como a determinação do ângulo central a partir de informações dadas no enunciado do problema. A técnica para cada uma dessas tarefas compreende a utilização da regra de 3 simples como ferramenta para determinação do ângulo ou da frequência procurada, e é sugerida no texto que precede a seção de exercícios propostos. A construção do gráfico é sugerida a partir do uso de transferidores e programas de computadores, mas o capítulo não sugere tal utilização nesses problemas. Caberá ao professor essa iniciativa. No entanto, Coutinho e Miguel (2007), constatam que apesar de existir um discurso docente predominantemente favorável aos itens que compõem a filosofia da Análise Exploratória de Dados, as respostas ao questionário aplicado por estas pesquisadorasindicam que este tema não tem sido trabalhado em sala de aula. Passando para a abordagem do gráfico de barras, este também é apresentado por meio de exemplo que traz um questionamento para a orientação da leitura dos dados representados que, se bem trabalhada pelo professor, induz a uma postura de criticismo em relação ao mundo que cerca ao aluno: trata do tema desmatamento. No entanto, a gestão didática da atividade pode também resumi-la a um conjunto de cálculos sem sentido para o aluno: relaciona a área de um campo de futebol ao total desmatado. Antes de propor exercícios que tratem do gráfico de barras, apresenta o histograma, mas de uma maneira mais formal, trazendo sua definição. Ou seja, inicia a apresentação pela sistematização desse conteúdo. Passa então a um exemplo que aborda a leitura dos dados representados nesse tipo de gráfico, relacionando-o com a respectiva tabela de distribuição de frequências. Percebe-se uma não preocupação com a forma do gráfico, o que pode induzir no aluno um comportamento de não preocupação que, por sua vez, pode gerar uma deformação na representação dos gráficos. A Figura 2 ilustra um histograma apresentado nessa seção contendo o tipo de deformação referida: o efeito de achatamento, que deforma a informação pela minimização das diferenças nos valores das frequências observadas. Outros gráficos apresentados ao longo do capítulo não apresentam esse problema. Portanto, cabe ao professor a discussão com os alunos sobre a importância da não deformação das informações representadas graficamente. Observemos que, nessas condições, o 63
74 discurso teórico-tecnológico não fica constituído com todos os elementos necessários para a leitura e análise de representações gráficas. Figura 2. Histograma apresentado com efeito achatamento A Figura 3 ilustra os mesmos dados já apresentados na Figura 2, mas com a proporcionalidade indicada como ideal para um gráfico estatístico: a área do gráfico deve estar inserida em um retângulo áureo (, com sendo o eixo horizontal e o eixo vertical da representação gráfica) para que a apreensão visual não seja prejudicada, conforme apresentam Novaes e Coutinho (2013). Figura 3. Histograma representado na proporção de um retângulo aproximadamente áureo (área do gráfico medindo 7,62 cm x 12,62 cm) A comparação entre as Figuras 2 e 3 permite visualizar as deformações que minimizam as diferenças observadas entre as frequências de cada uma das classes. A discussão desse tipo de orientação para construção do gráfico insere no discurso teórico-tecnológico elementos de letramento estatístico que dizem respeito ao 64
75 conhecimento do contexto no qual os dados foram coletados, nos termos de Gal (2002) e de Batanero, Estepa e Godino (1991). Analisando os exercícios propostos no capítulo, pudemos identificar seis tipos de tarefas envolvendo gráficos de barras, histogramas e de linhas, e destas, apenas duassolicitavam a construção de um histograma e de um gráfico de barras horizontais. As demais tratavam da leitura dos dados para responder as questões propostas, questões estas que não dependiam da simples leitura de eixos, mas envolviam algum tratamento dos dados, cálculos e interpretações de contexto. O conhecimento matemático necessário para a resolução dos problemas envolvia adição, subtração, regra de 3 simples, além da proporcionalidade nos eixos dos gráficos, e conhecimento sobre funções e sua representação gráfica. Percebe-se, nessa organização praxeológica identificada, a necessidade de que o professor seja letrado estatisticamente, de forma a que possa completar a abordagem proposta pelo livro didático de forma a potencializar o desenvolvimento do letramento estatístico de seus alunos. CONCLUSÕES Na pesquisa relatada, pudemos identificar elementos que permitem, a partir da ação do professor, a obtenção das habilidades relativas à construção e leitura de gráficos, necessárias ao desenvolvimento do letramento estatístico e usadas para compreender informações estatísticas ou os resultados de uma pesquisa.portanto, reforça-se a importância da formação do professor para os conhecimentos estatísticos, como também para, sempre que necessário, completar lacunas observadas na abordagem feita nos diversos livros didáticos disponíveis. Após análise do manual do professor da coleção escolhida, pudemos verificar também que o professor não é suficientemente orientado para a gestão das atividades em sala de aula de forma a desenvolver as habilidades necessárias ao letramento. Tendo em vista que as pesquisas na área indicam o pouco preparo do professor de Matemática para o trabalho com conteúdos estatísticos, a orientação fornecida pelo próprio material didático a ser adotado em suas classes é fundamental para que ele possa ampliar a discussão com seus alunos. Finalizamos assinalando para a necessidade de que essa discussão aqui iniciada seja considerada e ampliada pelos responsáveis pelas ementas das disciplinas de Estatística e de Prática de Ensino nos cursos de formação inicial e de formação continuada para professores de Matemática. REFERENCIAS Batanero, C., Estepa, A. y Godino, J. (1991). Análisis exploratorio de datos: sus posibilidades en la enseñanza secundaria. Suma, 9, Ben-Zvi, D. y Garfield, J. (Eds.). (2004). The challenge of developing statistical literacy, reasoning and thinking (pp. 6-7). Dordrecht, The Netherlands: Springer. 65
76 Brasil. (2011). Guia dos livros didáticos: PNLD2012. Brasilia: Secretaria da Básica. Brasil. (1998). Parâmetros curriculares nacionais (ensino médio): parte iii ciências da natureza, matemática e suas tecnologias. Brasília: Secretaria de Educação Média e Tecnológica. Chevallard, Y. (1996), La fonction professorale : esquisse d un modèle didactique. En Noirfalise R. et Perrin-Glorian M.-J. (Eds.), Actes de la VIII eécole d été de didactique desmathématiques (pp ). Clermont-Ferrand : IREM. Coutinho, C.Q.S. (2013a). Educação estatística e os livros didáticos para ensino médio. Aprovado para publicação in Educação Matemática em Foco. Coutinho, C.Q.S. (2013b). Introdução ao conceito de probabilidade e os livros didáticos para ensino médio no Brasil. En A. Salcedo (Ed.), Educación Estadística en América Latina: Tendencias y Perspectivas (pp ). Caracas: Universidad Central de Venezuela. Coutinho, C.Q.S. e Miguel, M.I.R. (2007). Análise exploratória de dados: um estudo diagnóstico sobre concepções de professores. In Anais da 30ª Reunião Anual da Anped, GT19. Coutinho, C.Q.S., Silva, M.J.F. e Almouloud, S.A. (2009). Professores de matemática e a análise da variabilidade de dados representados simultaneamente por histograma e box-plot. Trabalho apresentado no IV Seminário Internacional de Pesquisa em Educação Matemática. Recife: Sociedade Brasileira de Educação Matemática. Fernandes, J.A. e Morais, P.C. (2011). Leitura e interpretação de gráficos estatísticos por alunos do 9º ano de escolaridade. Educação matemática pesquisa, 13 (1), Gal, I. (2002). Adults statistical literacy: Meanings, components, responsibilities. International Statistical Review, 70 (1), Garfield, J.,DelMas, B. e Chance,B. (2003). The web based ARTIST: Assesment Resource for Improving Statistical Thinking. Trabalho apresentado no Symposium: Assessment of Statistical Reasoningto Enhance Educational Qualityof AERA Annual Meeting, Chicago. Novaes, D.V. e Coutinho, C.Q.S. (2013). Estatística para educação profissional e tecnológica. 2ª edição revisada. São Paulo: Atlas. 66
77 UN IMPERATIVO MORAL: LA ENSEÑANZA DE LA ESTADÍSTICA NO PUEDE DEJARSE AL AZAR María Soledad Estrella Pontificia Universidad Católica de Valparaíso (Chile) La conferencia aborda la enseñanza de la estadística, destacando tres modelos específicos del área: la guía GAISE, el ciclo investigativo PPDAC, y el ambiente para el aprendizaje del razonamiento estadístico SRLE. Además, se centra en el desarrollo del pensamiento estadístico según la jerarquía cognitiva de alfabetización estadística, razonamiento y pensamiento estadístico. PALABRAS CLAVE Didáctica de la estadística, Educación Estadística, enseñanza y aprendizaje, estudio de clases. INTRODUCCIÓN Uno de los derechos civiles más importantes hoy en día es la educación, equitativa y de calidad. El imperativo de la educación es enfrentar la pobreza y propiciar el cambio hacia una buena vida. Nuestra actual sociedad requiere que los ciudadanos sean competentes en evaluar críticamente afirmaciones basadas en datos y en argumentar con fundamentos en la evidencia que entregan los datos. El estudio de la estadística provee a los estudiantes de herramientas, ideas y disposiciones para reaccionar inteligentemente a la ingente información del mundo que les rodea. La sociedad ha demandado que la estadística, la probabilidad y la inferencia estadística sean parte de muchos currículos en el mundo. Al promover y mejorar la capacidad de los estudiantes a pensar estadísticamente, surge un problema en todos los niveles erarios: los profesores en formación y en ejercicio, tienen escasa preparación en la enseñanza y aprendizaje de la estadística, y tal y como Bruns y Luque () sostienen, las nuevas evidencias en investigación educativa indican que una vez que los niños entran a la escuela, ningún factor es tan importante como la calidad de los profesores. Las soluciones de formación de profesores a nivel gubernamental, serán gestionadas por el Ministerio de Educación, que será responsable de proveer actualizaciones de los contenidos disciplinares y didácticos a los profesores en ejercicio vinculándolos con su práctica de aula. En otro nivel, la universidad es la responsable de la formación inicial de profesores, y deberá integrar en sus mallas curriculares asignaturas de los contenidos disciplinares de estadística y probabilidad, así como de las propias didácticas asociadas. Finalmente el impacto de la solución en las aulas escolares está en manos de los profesores actuales y futuros, pues cada día y en cada aula, es el
78 profesor quien crea ambientes para propiciar el aprendizaje y es quien guía a los estudiantes a una comprensión profunda de la estadística fundamental. En este escenario desafiante y dinámico, la Didáctica de la Estadística (Educación Estadística) se ha convertido en un creciente y apasionante campo de investigación y desarrollo. La emergente Didáctica de la Estadística proporciona resultados desde sus investigaciones que pueden ser llevados al aula escolar con el fin de promover aprendizajes funcionales, profundos y duraderos. En esta conferencia se tratan de articular las propuestas relativas al desarrollo de niveles cognitivos y modelos de enseñanza de la estadística y la probabilidad como GAISE, PPDAC y SRLE; y también el Estudio de clases de Japón que permite promover el desarrollo profesional docente. Estos aportes se desarrollan y comentan a continuación vinculando con experiencias escolares, para propiciar la integración de las problemáticas de Didáctica de la Estadística. MARCO DE REFERENCIA Los aspectos conceptuales consideran los resultados desde la investigación y de marcos teóricos de la Didáctica de la Estadística, en especial la guía GAISE, el ciclo investigativo PPDAC y el ambiente para el aprendizaje del razonamiento estadístico SRLE. Además, se centran en el desarrollo del pensamiento estadístico según la jerarquía cognitiva de alfabetización estadística, razonamiento y pensamiento estadístico. EXIGENCIA SOCIAL DE INSERCIÓN DE LA ESTADÍSTICA EN LA ESCUELA La inserción de la estadística en la escuela ha forzado una dinámica en las instituciones que no ha sido abordada positiva ni exitosamente en varios países, cuestión que compleji*za y dificulta la acción de profesor formado para la enseñanza y aprendizaje de la matemática, al cual el currículo impone una tarea de enseñanza para la que no tiene experiencia, ni instrucción. Es de esta manera que, en la mayoría de los países, la estadística se incluye desde los primeros años a través de toda la escolaridad, convirtiéndose en un desafío difícilmente abordable para los profesores que deben producir este aprendizaje en sus alumnos, y en una fuente de fenómenos didácticos. Hoy en día en Colombia, y también en Chile y en la mayoría de Latinoamerica, se considera a la educación estadística como parte de la enseñanza y del debate en la sociedad; ella está presente en los medios y en la escuela. La mayoría de los currículos escolares del mundo ha incorporado recientemente un eje de estadística y probabilidades en la asignatura de matemáticas desde los primeros años de escolaridad. Este nuevo contenido tensiona a los profesores en ejercicio y en formación, pues su currículo profesional no contiene propuestas consolidadas en cuanto a estadística y su educación, y tampoco hay en el sistema una tradición de enseñanza de la estadística escolar. Además, ellos no están familiarizados con el análisis de datos, ni con su variabilidad ni con lo no determinista en la matemática (Batanero, Burrill y Reading, 2011). 68
79 Según la información disponible, la relación entre la matemática y la estadística escolar no es clara para los profesores; de hecho, no parece que, en general, ellos se cuestionen esa relación y es posible encontrar en las aulas cierta reducción aritmética de la estadística, lo que comporta ver los datos como números y no como números en contexto (Cobb y Moore, 1997). En la mayoría de los países, los nuevos cambios curriculares han colocado la enseñanza y aprendizaje de la estadística como un eje transversal en toda la etapa escolar. En la formación de profesores de nivel preescolar y de educación básica, lentamente se han incorporado a las mallas de estudio los contenidos de Eestadística y probabilidades. Sin embargo, los profesores en ejercicio, además de no tener estudios ni prácticas de enseñanza en este tipo de contenidos ni en sus representaciones, no poseen experiencia ni acceso a información que les permita entender las dificultades de comprensión de los conceptos estadísticos, o de inferencia o de probabilidad, que exigen procesos distintivos y complejos (del Pino y Estrella, 2012). NIVELES COGNITIVOS: DESDE LA ALFABETIZACIÓN AL PENSAMIENTO ESTADÍSTICO En la última década han aparecido tres conceptos importantes dentro del área de la didáctica de la estadística, que desde su origen anglosajón se denominan statistical literacy, statistical reasoning, y statistical thinking. Esta jerarquización cognitiva fue inicialmente desarrollada por Garfield (2002) y se originó en el aprendizaje de la estadística a nivel licenciatura (educación superior). En adelante se identifican algunas de las características de cada nivel cognitivo. Alfabetización estadística Esta alfabetización involucra la comprensión y uso de lenguaje básico y las herramientas de estadística: saber lo que significan términos estadísticos, comprender el uso de los símbolos estadísticos, y reconocer y ser capaz de interpretar las representaciones de datos (Rumsey, 2002). Ben-Zvi y Garfield (2004) precisan la alfabetización estadística, incluyendo importantes habilidades básicas que se usan para comprender la información estadística, como la capacidad de organizar datos, construir y presentar tablas, y trabajar con diferentes representaciones de datos. Estos autores también incluyen la comprensión de conceptos, vocabulario y símbolos, y una comprensión de la probabilidad como una medida de incertidumbre. Razonamiento estadístico Ben-Zvi y Garfield (2004) establecen que este tipo de razonamiento se puede definir como lo que hacen las personas al razonar con ideas estadísticas y al dar sentido a la información estadística. Esta interpretación implica tomar decisiones basadas en conjuntos de datos, representaciones de los datos, o medidas de resumen de los datos. El razonamiento estadístico puede conectar un concepto a otro (por ejemplo, centro y dispersión), o puede combinar ideas acerca de los datos y el azar. Este razonamiento significa también comprender y ser capaz de explicar e interpretar cabalmente los procesos y los resultados estadísticos. Pensamiento Estadístico Si el razonamiento estadístico se entiende como la forma en que las personas razonan con las ideas y dan sentido a la información estadística, este tipo de pensamiento 69
80 involucra habilidades de pensamiento de orden superior mayores al razonamiento estadístico ; es la forma de pensar de profesionales estadísticos e incluye el conocer cómo y por qué usar un método particular, el medir, el diseñar o modelar estadísticamente. El pensamiento estadístico implica una comprensión de por qué y cómo se realizan las investigaciones estadísticas. Esto incluye reconocer y comprender el proceso de investigación completo (desde la pregunta planteada, la recopilación de datos, la elección de los análisis, los supuestos de las pruebas, etc.), la comprensión de cómo los modelos se utilizan para simular fenómenos aleatorios, la comprensión de cómo los datos se originan para estimar las probabilidades, reconociendo cómo, cuándo, y por qué las herramientas de inferencia existentes pueden utilizarse, e involucra ser capaz de comprender y utilizar el contexto de un problema para planificar y evaluar las investigaciones y sacar conclusiones (Chance, 2002). En la Figura 1 (Estrella, 2010) elaborada a partir del artículo de Garfield y Ben-Zvi (2007), se presentan las características que distinguen al pensamiento estadístico. Figura 1. Características del pensamiento estadístico Los fundamentos en los que descansa el pensamiento estadístico, descritos por Wild y Pfannkuch (1999), emergen en la acción de los procesos: (1) el reconocer la necesidad de datos; (2) la transnumeración; (3) la percepción de la variación; (4) el razonamiento con modelos, y (5) la integración de la estadística y el contexto. El componente fundamental, reconocer la necesidad de los datos, base de la investigación estadística, es la hipótesis de que muchas situaciones reales solo pueden comprenderse a partir del análisis de datos que han sido recogidos adecuadamente. La experiencia personal o la evidencia de tipo anecdótico no son confiables y pueden llevar a la confusión en los juicios o en la toma de decisiones. El segundo componente es la transnumeración, término que indica la comprensión que surge en el proceso dinámico de cambio de representaciones en diversos registros. Este término, acuñado por Wild y Pfannkuch en 1999, se refiere al proceso de cambiar de representación para generar comprensión (1999, p. 227). La transnumeración responde a que a veces en la fase de análisis y organización de datos, 70
81 una representación puede develar algo nuevo que previamente estaba oculto, entregando más comprensión del problema. Pfannkuch y Rubick (2002) sostienen que razonar con datos es complejo y requiere de la imaginación de los estudiantes para producir una red de conexiones entre el conocimiento contextual y el estadístico. Dicha integración permite a los estudiantes construir significados a partir de datos a través de un diálogo constante en una cadena de representaciones estadísticas. Estas autoras describen que la transnumeración es pensar acerca de cómo cambiar la representación actual en otra representación, por ejemplo, involucraría pensar sobre reclasificar los datos, o representar los datos en tablas o gráficos. El tercer componente es la percepción de la variación, que requiere de la comprensión de la variación que hay y se transmite en los datos, así como de la incertidumbre originada por la variación no explicada. La variación afecta la formulación de juicios basados en los datos, ya que sin una comprensión de que los datos varían a pesar de los patrones y tendencias que puedan existir, las personas tienden a expresar generalizaciones basadas en un conjunto particular de datos como certezas en vez de posibilidades. El cuarto componente es el razonamiento con modelos estadísticos, y se relaciona con cualquier herramienta estadística que representa la realidad, pero diferenciando el modelo de los datos y al mismo tiempo relacionando el modelo con los datos. Para que las personas sean capaces de dar sentido a los datos, el pensamiento estadístico requiere el uso de modelos. A nivel escolar, los modelos apropiados con los cuales los estudiantes podrían razonar incluyen gráficos, tablas, medidas de resumen (tales como mediana, media y rango). El último componente fundamental del pensamiento estadístico es la integración de la estadística y el contexto, que destaca la realización de conexiones entre el conocimiento del contexto y los resultados de los análisis estadísticos para llegar al significado. Vincular continuamente el conocimiento del contexto de una situación objeto de investigación con el conocimiento estadístico relacionado con los datos de esa situación, permite dar sentido a los datos y una comprensión más profunda de los mismos, y por lo tanto es un indicativo de un nivel mayor de pensamiento estadístico. Esta integración ayuda a los estudiantes a comprender que la estadística no se desarrolla alejada de los verdaderos problemas, sino que está dentro de un contexto real. IDEAS ESTADÍSTICAS FUNDAMENTALES En los últimos años, el desarrollo de la Educación Estadística ha llevado a precisar algunas de las ideas estadísticas claves, ellas incluyen: datos, distribución, variación, representación, asociación y modelación de relaciones entre dos variables, modelos de probabilidad, y muestreo e inferencia (Garfield y Ben-Zvi, 2008; Burrill y Biehler, 2011). Los datos pueden considerarse como el corazón del trabajo estadístico; los sujetos necesitan comprender que los datos son números con un contexto, reconocer la 71
82 necesidad de datos para tomar decisiones y evaluar la información; los diferentes tipos de datos, los métodos para recolectarlos (vía encuestas) y producirlos (en experimentos), hacen la diferencia en los tipos de conclusiones que se pueden extraer; además, conocer las características de una buena calidad de los datos, ayuda a evitar el sesgo y el error de medición. El concepto de distribución permite comprender que un conjunto de datos puede examinarse y explorarse como una entidad (una distribución), más que como un conjunto de casos separados; que un gráfico de estos datos (cuantitativos) puede resumirse en términos de forma, centro, y dispersión; que las diferentes representaciones de los mismos datos pueden revelar distintos aspectos de la distribución; y que las distribuciones pueden estar formadas desde valores de datos individuales o desde estadísticos de resumen, tales como la media (es decir, distribuciones de medias muestrales). La variabilidad es una característica omnipresente en el ciclo investigativo estadístico, puesto que permite comprender que los datos varían, algunas veces en forma predecible. Existen fuentes de variabilidad que pueden reconocerse y usarse para explicarla. Algunas veces la variabilidad corresponde al muestreo aleatorio o al error de medición; otras veces, surge de las propiedades de lo que se mide. Una parte importante del análisis de datos es determinar cuán desviados están los datos en la distribución; esto usualmente ayuda a conocer una medida de centro cuando se interpretan medidas de variabilidad, y la elección de estas medidas depende de la forma y otras características de la distribución. Diferentes medidas de variabilidad muestran cuestiones diferentes acerca de la distribución; por ejemplo, la desviación estándar se enfoca principalmente en la distancia típica desde la media, el rango entrega la diferencia entre el valor mínimo y el máximo, y el RIQ, rango intercuartil, entrega el ancho de la mitad central de los datos. La idea de centro de una distribución como una señal en un proceso aleatorio considera la comparación de dos conjuntos de datos para la toma de decisiones (Konold y Pollatsek, 2002), señal que puede resumirse por una medida estadística, como la media o mediana. Es muy útil interpretar una medida de centro junto a una medida de dispersión, y estas decisiones a menudo se basan en la forma de la distribución y si hay, o no, otras características tales como outliers, agrupaciones, vacíos o asimetrías. Los modelos estadísticos son útiles para explicar o predecir los valores de los datos. Comparar los datos a un modelo para ver qué tan bien se ajustan los datos, examinando los residuos o desviaciones al modelo. También es posible usar modelos para simular datos, con el fin de explorar propiedades de procedimientos o conceptos. La aleatoriedad permite comprender que cada resultado de un evento aleatorio es impredecible, y aun así se pueden predecir los patrones a largo plazo. El concepto de covariación permite comprender que la relación entre dos variables cuantitativas puede variar de una forma predecible. Algunas veces esa relación puede modelarse, lo que permite predecir valores de una variable usando los valores de la otra variable. El muestreo indica que mucho del trabajo estadístico incluye tomar muestras y usarlas para estimar o tomar decisiones acerca de la población desde la cual se extraen. Las muestras extraídas de la población 72
83 varían. Freundenthal (1974, citado en Burril y Biehler, 2011) señaló respecto al muestreo, que lo importante para la estadística es la variación de muestra en muestra y que esta variación disminuye a medida que el tamaño muestral aumenta. La inferencia estadística permite hacer estimaciones o tomar decisiones basadas en las muestras de los datos, en estudios observacionales y experimentales. La exactitud de las inferencias está ligada a la variabilidad de los datos, el tamaño muestral y lo apropiado de los supuestos que subyacen a tales muestras aleatorias de los datos, por ejemplo, independencia o equiprobabilidad. Respecto a la idea de representaciones, todos los diagramas, tablas y gráficos que ayudan a la representación de los datos en estadística, se ven como estructuras relacionales que permiten organizar y visualizar los datos, pudiendo entregar conocimiento sobre el comportamiento de los datos en cuanto a distribución y variabilidad. Los aprendices y enseñantes necesitan comprender a un nivel conceptual profundo varias de las ideas estadísticas fundamentales, las cuales sirven como guías de la enseñanza y el aprendizaje de los alumnos. MODELOS DE ENSEÑANZA DE LA ESTADÍSTICA La abundante investigación en Didáctica de la Estadística en las últimas décadas, y algunos artículos de destacados profesionales estadísticos han ayudado a conformar un cambio de paradigma en la conceptualización de la enseñanza de la estadística. Pfannkuch y Ben-Zvi (2011) señalan que una reforma en la enseñanza ha evolucionado a partir de los avances tecnológicos, de la identificación y precisión de las características del pensamiento estadístico y de las grandes ideas que sustentan a la estadística. Estos investigadores señalan que la explicación y exploración de estas ideas han contribuido a enfoques que enfatizan el Análisis Exploratorio de Datos (EDA), la atención a la construcción de la comprensión conceptual de los estudiantes, y al currículo que tiene como objetivo desarrollar el razonamiento de los estudiantes, el pensamiento y la alfabetización. En Zapata (2011) se puede encontrar una detallada exposición de los modelos GAISE y el ciclo investigativo PPDAC. Y respecto a la inclusión de la guía GAISE en el currículo, es posible considerar las recomendaciones para el currículo escolar del eje Estadística y Probabilidad, de Araneda et al. (2011). Ambiente de aprendizaje para el razonamiento estadístico El Ambiente de aprendizaje de razonamiento estadístico (SRLE, por sus siglas en inglés), es un ambiente que promueve razonar estadísticamente y que pretende desarrollar en los estudiantes una comprensión profunda y significativa de la estadística (Garfield y Ben-Zvi, 2008). Este ambiente combina materiales, actividades, normas de la clase, andamiajes, discusión, tecnología, enfoque de enseñanza y evaluación. El modelo está basado en cinco principios del diseño de enseñanza (Cobb y McClain, 2004, citados en Ben-Zvi, 2011) (ver Figura 2). Enfocar el desarrollo de la comprensión en las ideas estadísticas fundamentales. Utilizar datos reales y motivadores que involucren a los estudiantes en la elaboración y prueba de conjeturas e inferencias estadísticas. Usar actividades de clase colaborativas basadas en la indagación para apoyar el desarrollo del razonamiento de los estudiantes. 73
84 Integrar el uso de herramientas tecnológicas que permitan a los estudiantes poner a prueba sus conjeturas, explorar y analizar datos de manera interactiva. Promover normas del aula que incluyen el discurso y argumentación estadística centrados en las ideas estadísticas fundamentales. Usar métodos de evaluación alternativos para comprender lo que los alumnos saben y cómo desarrollan su aprendizaje estadístico. Pfannkuch y Ben- Figura 2. Seis elementos claves del Ambiente de Aprendizaje para el Razonamiento Estadístico (SRLE) e ideas estadísticas fundamentales Zvi (2011) proponen extender el modelo SRLE a un curso para formación de profesores cuyos componentes incluyen: profundizar la comprensión de conceptos estadísticos claves; desarrollar la habilidad para explorar y aprender desde los datos; desarrollar la argumentación estadística; usar evaluación formativa; e incorporan que los profesores comprendan el razonamiento de los alumnos, en especial sus errores y dificultades. El Estudio de clases para la mejora de la enseñanza de la estadística En el Estudio de clases inicialmente un grupo de docentes preparan una clase o un conjunto de clases, seleccionando materiales relevantes para llegar al objetivo definido; luego discuten, y diseñan su plan de clase. Posteriormente, uno de los docentes participantes en el diseño implementa la clase de estudio o de investigación, en la cual el grupo que diseñó la clase participa como observador crítico; además, pueden presenciar la clase otros profesionales de la educación. En la ejecución de la clase, el profesor comienza con la revisión de la sesión anterior, luego presenta el problema del día, esto es el desafío en forma de pregunta; los estudiantes deben comprender el problema, luego trabajan de forma individual o grupal, discuten los métodos de resolución descubiertos, finalmente se genera la puesta en común con discusión y argumentación, desde la cual surgen las conclusiones (Figura 3). 74
85 Figura 3. Fases del Estudio de Clases Luego de la ejecución de la clase los profesores y, eventualmente los observadores, se reúnen en una sesión crítica para revisar y analizar la clase ejecutada, que se proyecta para una próxima implementación que permitirá ir mejorando el diseño y su implementación. En el Estudio de clases y en el plan de la clase se tratan algunos procesos reiterativos que debiese realizar el profesor, como monitorear, anticipar y seleccionar alumnos. Esto significa monitorear cómo los alumnos exploran y resuelven la tarea, las estrategias y representaciones que usan; anticiparse a los errores o las demandas de la tarea, lo cual requiere que el profesor haya hecho la tarea, buscando más de una estrategia de solución (reparando tanto en las correctas como en las erróneas); y seleccionar a los alumnos que compartirán sus estrategias y representaciones distintas y promoverán la discusión, según el monitoreo realizado durante la clase (Estrella y Olfos, 2013). Los componentes del modelo se evidencian en la operacionalización del plan de clases del Estudio de clases, que precisan: la situación problema de estadística y las preguntas claves (conceptos estadísticos fundamentales, datos reales, e indagación); la anticipación a las posibles respuestas de los alumnos (comprensión del razonamiento de los alumnos y argumentación estadística); la intervención docente (monitorear, explorar y aprender desde datos, y argumentar estadísticamente); y la evaluación de la marcha de la clase (evaluación formativa). CONCLUSIONES El modelo SRLE, Ambiente de Aprendizaje de Razonamiento Estadístico, favorece el desarrollo de una comprensión significativa de la estadística, y promueve demandas cognitivas altas con el fin de razonar estadísticamente haciendo estadística. Nuestro interés como investigadores es la continua construcción de una base común de investigación en el área, que permita que la Didáctica de la Estadística pueda seguir evolucionando y aportando al conocimiento y a la sociedad. Por ello, para abordar las características del pensamiento estadístico y los procesos activados en el proceso enseñanza y aprendizaje, es recomendable atender a los niveles cognitivos e ideas fundamentales de la estadística reseñados en Garfield y Ben-Zvi (2008) y la habilidad de transnumeración de Wild y Pfannkuch (1999), respectivamente. Dado que los profesores de primaria o de secundaria están interesados en operacionalizar la Didáctica de la Estadística, finalizamos proponiendo adoptar el modelo de aprendizaje 75
86 SRLE dentro del ciclo investigativo PPDAC, mediante la metodología de Estudio de clases japonés, que llevada a cabo por los mismos enseñantes permite el mejoramiento de su clase y de los aprendizajes que promueve. REFERENCIAS Araneda, A., del Pino, G., Estrella, S., Icaza, G. y San Martín, E. (2011). Recomendaciones para el currículo escolar del eje estadística y probabilidad. Bruns, B. y Luque, J. () Profesores excelentes: cómo mejorar el aprendizaje en América Latina y el Caribe. Perú: Banco Mundial, Galese SAC. Batanero, C., Burrill, G. y Reading, C. (Eds.). (2011). Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI and IASE Study. New York: Springer. Ben-Zvi, D. (2011). Statistical reasoning learning environment. EM TEIA - Revista de Educação Matemática e Tecnológica Iberoamericana, 2 (2). Ben-Zvi, D. y Garfield, J. (2004). Statistical literacy, reasoning, and thinking: Goals, definitions, and challenges. En D. Ben-Zvi y J. Garfield (Eds.), The challenge of developing statistical literacy, reasoning and thinking (pp. 3-15). New York: Springer. Burrill, G. y Biehler, R. (2011). Fundamental statistical ideas in the school curriculum and in training teachers. En C. Batanero, G. Burrill y C. Reading (Eds.), Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI/IASE study (pp ). Dordrecht, The Netherlands: Springer. Chance, B. (2002). Components of statistical thinking and implications for instruction and assessment. Journal of Statistics Education, 10 (3). Cobb, G. y Moore, D. (1997). Mathematics, statistics, and teaching. American Mathematical Monthly, 104 (9), del Pino, G. y Estrella, S. (2012). Educación estadística: relaciones con la matemática. Pensamiento educativo. Revista de Investigación Educacional Latinoamericana, 49 (1), Estrella, S. (2010). Instrumento para la evaluación del conocimiento pedagógico del contenido de estadística en profesores de educación básica. Tesis de maestría. Chile: Pontificia Universidad Católica de Valparaíso. Estrella, S. y Olfos, R. (2013). Estudio de clases para el mejoramiento de la enseñanza de la estadística en Chile. En A. Salcedo (Ed.), Educación Estadística en América Latina: Tendencias y Perspectivas (pp ). Venezuela: Universidad Central de Venezuela. Garfield, J. (2002). The challenge of developing statistical reasoning. Journal of Statistics Education, 10 (3). Garfield, J. y Ben Zvi, D. (2008). Helping students develop statistical reasoning: Implementing a statistical reasoning learning environment. Teaching Statistics, 31 (3), Garfield, J. y Ben-Zvi, D. (2007). How students learn statistics revisited: A current review of research on teaching and learning statistics. International Statistical Review, 75 (3), Konold, C. y Pollatsek, A. (2002). Data analysis as the search for signals in noisy processes. Journal for Research in Mathematics Education, Pfannkuch, M. y Ben-Zvi, D. (2011). Developing teachers statistical thinking. En C. Batanero, G. Burrill y C. Reading (Eds.), Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI/IASE study (pp ). Dordrecht, The Netherlands: Springer. 76
87 Pfannkuch, M. y Rubick, A. (2002). An exploration of students statistical thinking with given data. Statistics Education Research Journal, 1 (2), Rumsey, D.J. (2002). Statistical literacy as a goal for introductory statistics courses. Journal of Statistics Education, 10 (3), Wild, C. y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67 (3), Zapata, L. (2011). Cómo contribuir a la alfabetización estadística? Revista Virtual Universidad Católica del Norte, 1 (33),
88 CARACTERIZACIÓN DE LAS PRÁCTICAS DOCENTES EN LAS FACULTADES DE INGENIERÍA DE LAS UNIVERSIDADES PÚBLICAS DE BOGOTÁ Pedro Rocha Universidad Distrital (Colombia) El siguiente trabajo expone una descripción y caracterización de las prácticas docentes de los profesores de probabilidad y estadística, y permite determinar cuáles son los principales elementos que inciden en el diseño, gestión y evaluación de los espacios de formación por parte de los profesores de probabilidad y estadística de las facultades de ingeniería. PALABRAS CLAVE Prácticas docentes, Educación Estadística, formación de profesores. INTRODUCCIÓN Uno de los problemas que enfrenta la Educación Estadística permite comprender cuales han sido los principales dispositivos didácticos que los docentes privilegian cuándo realizan el diseño de las clases, las acciones que privilegian cuando gestionan sus clases y alternamente, en su proceso de evaluación. MARCO DE REFERENCIA Y DESARROLLO DEL TEMA Se utilizaron una combinación de los enfoques cualitativo y cuantitativo intentando estudiar las prácticas, analizarlas y caracterizarlas de manera compleja, en busca de configurar y entender bajo qué modelo los profesores desarrollan sus clases. La población a estudiar está conformada específicamente por docentes de las universidades públicas de la ciudad de Bogotá, que enseñan o son responsables de la enseñanza de la probabilidad y estadística en las Facultades de Ingeniería. Uno de los instrumentos consistió en realizar una encuesta indagando sobre las principales acciones que realizan para tres estados del proceso de enseñanza aprendizaje; gestión, desarrollo de la clase y evaluación de los diferentes espacios de formación. Los docentes debían asignar una valoración entre uno y cinco, donde uno era la menor valoración. La población se encuentra delimitada como el conjunto de profesores que desarrollan cursos de estadística, probabilidad o asignaturas con temáticas que se ubiquen dentro de estos objetos de estudio, por ejemplo: muestreo, series de tiempo, econometría, etc. en las diferentes Facultades de Ingeniería de las universidades públicas de Bogotá y está conformada por un total de 106 profesores, de los cuales habían 52 de pregrado, 7 de tecnología, 32 de especialización, 12 de maestría y 3 de doctorado. Se diseñó
89 entonces una encuesta que fue diligenciada por un total de 44 profesores de estadística de las Facultades de Ingeniería de las universidades públicas en la ciudad de Bogotá. Momento sistematización de la información El instrumento estaba estructurado en tres partes: la primera indagaba sobre las acciones que realizan los profesores durante la etapa de diseño de las clases, la segunda parte, las acciones dentro del espacio de formación cuando se enfrentaban al desarrollo del diseño, y la tercera, cuando evaluaban el proceso que habían propuesto y gestionado. Además, se encontraba un apartado que preguntaba sobre algunas características específicas de los profesores. El instrumento que se entregó fue el siguiente: Respetado profesor (a): a continuación encontrará un conjunto de preguntas que hacen parte del trabajo de tesis doctoral denominado: Las prácticas docentes de los profesores de Probabilidad y Estadística en las Facultades de Ingeniería, le pedimos que por favor la responda con la mayor sinceridad. Muchas gracias. Formación académica Título de pregrado Título de posgrado Con relación al diseño de sus clases Califique de uno a cinco, siendo uno la menor valoración, la importancia de las siguientes actividades que pueden ser realizadas antes de las sesiones de clase en Probabilidad y Estadística. ACTIVIDAD P1. Preparar material escrito de tipo teórico que pueda servir cómo apoyo a los estudiantes en las clases de Probabilidad y Estadística P2. Seleccionar ejercicios de libros de texto para que sean desarrollados por los estudiantes en las sesiones de clase. P3. Diseñar presentaciones, del tipo Power Point para exponerlas en las sesiones de clase como base para la exposición de conocimientos en Probabilidad y Estadística. P4. Construir problemas de tipo estadístico o probabilístico con fines de enseñanza para que sean solucionadas por los estudiantes. P5. Diseñar proyectos de aula para que los estudiantes los realicen a lo largo del semestre P6. Diseñar secuencias de enseñanza con base en las temáticas a desarrollar P7. Diseñar talleres con las temáticas a desarrollar en las sesiones de clase por los estudiantes durante el semestre P8. Diseñar categorías que permitan la evaluación de los aprendizajes de los estudiantes P9. Diseñar estudios de caso como elemento principal para abordar las temáticas 79
90 Con relación al desarrollo de las sesiones de clase en el aula Califique de uno a cinco, siendo uno la menor valoración, la importancia de las siguientes actividades que pueden ser realizadas durante de las sesiones de clase. ACTIVIDAD Calificación P1. Desarrollar ejercicios seleccionados de libros de texto en el tablero como base para la explicación de teorías. P2. Presentar los conceptos verbalmente y posteriormente desarrollar ejercicios de aplicación en el tablero P3. Presentar en el aula de clase estudio de casos para exponer la aplicabilidad de las teorías en contextos determinados P4. Gestionar formas de trabajo para que se presente dentro del aula negociación de significados en torno a alguna temática en Probabilidad y Estadística. P5. Generalizar los conceptos y procedimientos involucrados en el desarrollo de las temáticas o teorías a partir de exposiciones programadas de los estudiantes P6. Presentar de forma teórica los conceptos y diseñar ejercicios para que los alumnos los desarrollen fuera de la clase como complemento a la explicación P7. Proponer problemas de aplicación y a partir de ellos explicar alguna teoría o temática. P8. Discusión grupal de problemas en grupos de estudiantes y posteriormente la presentación de la solución en el tablero P9 Enunciación de teorías a partir del estudio de materiales propuestos con anterioridad a la clase partiendo de las preguntas propuestas por los estudiantes P10. Diseño de sesiones tomando como base la utilización de recursos informáticos para la enseñanza de temáticas a partir de bases de datos. P11. A partir de las preguntas de los estudiantes sobre un material proporcionado por el profesor deducir las teorías a enseñar Con relación a la evaluación Califique de uno a cinco, siendo uno la menor valoración, la importancia de las siguientes actividades que pueden ser realizadas como elementos de Evaluación de sus clases. ACTIVIDAD Calificación P1. Talleres por fuera de la clase tomando como base la resolución de ejercicios o situaciones problema desarrollados previamente en la clase P2. Parciales escritos para mirar dominio conceptual sobre las temáticas P3. Ejercicios seleccionados de libros para reforzar aprendizajes P4. Presentación y sustentación del desarrollo de Proyectos de trabajo probabilístico o estadístico P5. Ensayos escritos que permitan determinar el grado de avance en la conceptualización de las temáticas por parte de los estudiantes P6. Talleres en clase con la asesoría del profesor P7. Exposiciones de los estudiantes P8. Quices. P9. Diseño de categorías para evaluar el avance de conocimientos Con el propósito de validar la consistencia interna del instrumento de indagación, desarrollo general de la clase, perspectiva del profesor, se calculó tal vez el índice más utilizado en este tipo de instrumentos para evaluar valores de fiabilidad en este tipo 80
91 de escalas, el denominado Alfa de Combrach, que se calcula y se obtiene un valor estimado del coeficiente de Combrach es mayor a 0.80, lo cual, para efectos de investigaciones en didáctica con características muy parecidas a las de la presente investigación se puede considerar muy aceptable, ya que valoraciones mayores a 0,8 son suficientes para determinar una muy buena confianza en la escala, (el valor máximo del coeficiente se acerca a uno); por tanto se puede inferir que esta valoración da en general garantía de la fiabilidad en la escala y el instrumento propuesto. Momento análisis de los resultados Análisis de los resultados del instrumento de indagación: desarrollo general de la clase: perspectiva del profesor. Etapas de diseño, gestión y evaluación Matrices de datos. La información está representada en una matriz de datos multivariados que incluyen las valoraciones entregadas por los profesores en cada una de las preguntas. En la filas se ubican cada uno de los docentes y en la columnas las preguntas. Las preguntas relacionadas con el diseño, gestión y evaluación de los espacios de formación fueron agrupadas en una tabla que contiene en las filas los docentes y en las columnas, las puntuaciones entregadas por los docentes para la etapa de diseño; se presenta un resumen de tal información: P1 P2 P3 P4 P5 P6 P7 P8 P9 Profesor 1 5,0 4,0 2,0 4,0 3,0 4,0 3,0 3,0 2,0 Profesor 2 4,0 5,0 3,0 5,0 4,0 5,0 5,0 4,0 5,0 Profesor 3 5,0 5,0 5,0 5,0 3,0 3,0 4,0 2,0 2, Profesor 44 5,0 3,0 2,0 5,0 2,0 5,0 4,0 5,0 5,0 Tabla 1. Valoraciones entregadas por los profesores en la etapa de diseño de los espacios de formación En la etapa de diseño, los profesores le asignan gran importancia al construir problemas de tipo estadístico o probabilístico con fines de enseñanza para que sean solucionados por los estudiantes; este ítem fue valorado en promedio con 4.6. El valor de dispersión también fue uno de los más bajos 0.62, lo que indica que existe consenso significativo sobre esta manera de diseñar los diferentes espacios de formación. También es importante resaltar que les parece muy apropiado utilizar el proyecto de aula, (4.1) con desviación estándar de 1.14, como metodología de resolución de problemas. En el mismo sentido, se puede observar que existe la tendencia dentro del cuerpo docente de profesores de ingeniería por diseñar secuencias de enseñanza que tengan como elemento principal las temáticas que deben desarrollar, valor que fue calificado con un promedio de 4.1 y con desviación estándar de De otro lado, los profesores le otorgan parece muy poca importancia (3.0) el utilizar presentaciones del tipo Power Point para exponerlas en clase; la situación es similar 81
92 con el diseño de estudios de caso. Parece igualmente, que pasan a segundo plano algunas actividades tradicionales como selección de ejercicios de libros y talleres. Queda de todas maneras la sensación que los docentes no están actualmente muy preocupados por desarrollar el modelo de profesor investigador de sus prácticas. En general las valoraciones asignadas a las preguntas 8 y 9 que indagaban sobre dos elementos que están relacionados con este modelo de diseño; incluir el diseño de estudios de caso y diseñar categorías para la evaluación de los aprendizajes, obtuvieron valoraciones discretas en promedio 3.6 y 4.0 respectivamente. Como que el supuesto de hom*ocedasticidad no se cumple, por tanto, se utilizaran pruebas no paramétricas para el análisis o comparación de las medianas de las valoraciones. En relación al supuesto de normalidad se utilizó como criterio para su evaluación la prueba de Kolmogorov-Smirnov y se encontró que ninguna de las distribuciones de las valoraciones de los docentes, la cumplen con el supuesto, por tanto, para el análisis estadístico se recurrió a la utilización de métodos noparamétricos que no necesitan cumplir tantos supuestos como las pruebas clásicas. La prueba de Kruskal y Wallis es del tipo no paramétrico y permite comparar las medianas de las valoraciones de las nueve preguntas. La prueba de Kruskall y Wallis, es una generalización de la prueba de suma de rangos para el caso de k>2 muestras. Se utiliza para probar la hipótesis nula H0 de que K muestras independientes son de poblaciones idénticas. Introducida en 1952 por W.H. Kruskal y W.A. Wallis, la prueba es un procedimiento no paramétrico para probar la igualdad de las medias en el análisis de varianza de un factor cuando el experimentador desea evitar la suposición de que las muestras se seleccionaron de poblaciones normales. (Walpole, Myers y Myers, 1999, p. 623) Esta prueba permite probar la hipótesis que las medianas de las preguntas son iguales, contra la alternativa que existen por lo menos dos, que son diferentes. Los resultados son: Estadística de prueba = 64,8835 valor-p = 5,08893E-11. La prueba de Kruskal-Wallis prueba la hipótesis nula que las medianas dentro de cada una de las 9 preguntas realizadas a los docentes es igual. El método se basa en la suma de los rangos donde, primero se combinan los datos de todas las preguntas y se ordenan de menor a mayor; después, se calcula el rango promedio para los datos de cada columna. Puesto que el valor-p es menor que 0,05, se puede inferir que existe una diferencia estadísticamente significativa entre las medianas con un nivel del 95,0% de confianza. Es decir, los profesores prefieren escoger unos tipos de diseños específicos entre los presentados en las preguntas. Con el propósito de ordenar de menor a mayor las valoraciones promedio entregadas por los docentes, se realizó un conjunto de contrastes estadísticos que permiten determinar el tipo de diseño que prefieren los profesores utilizando el método propuesto por Scheffé. Se encontró a un nivel de significancia del 0.05 que existen algunos contrastes significativos. El primero tiene que ver con el hecho que la pregunta tres: diseñar presentaciones del tipo Power Point para exponerlas en las sesiones de clase como base para la exposición de conocimientos en probabilidad y estadística, es la que presenta el menor valor promedio con relación a las demás preguntas. 82
93 Se ubica en segundo lugar la pregunta dos que está relacionada con la utilización de ejercicios de libros de texto para ser utilizados en las sesiones de clase; la tercera menor valoración promedio está reflejada en la enseñanza a partir de estudios de caso; en los profesores en general, existe alguna tendencia a utilizar material escrito de tipo teórico que pueda servir como apoyo a los estudiantes en la clase de probabilidad, y el diseño de talleres con las temáticas a desarrollar en las sesiones de clase por los estudiantes durante el semestre, ya que las valoraciones promedio están cercanas a cuatro. De la misma manera, se encontró que los diseños a los que apuntan algunos de los docentes están muy relacionados a realizar actividades a partir de proyectos de aula, y secuencias de enseñanza, es muy posible que estén actuando en concordancia con el modelo de profesor que utiliza el trabajo del ingeniero como elemento esencial en el proceso de enseñanza-aprendizaje, replicando en los espacios de formación su desempeño como profesional de la ingeniería. De todas maneras es claro que las valoraciones promedio más altas se ubican en construir problemas de tipo estadístico o probabilístico con fines de enseñanza para que sean solucionados por los estudiantes, elemento que puede complementar y está en concordancia con el proyecto de aula y la propuesta de construir secuencias de enseñanza. Descripción etapa de gestión Otra actividad muy importante dentro del proceso de enseñanza de la probabilidad y estadística está relacionada con la gestión o desarrollo del diseño en el aula de clase. La valoración promedio más alta para las actividades relacionadas con la gestión en el aula están ubicadas en la categoría denominada proponer problemas de aplicación y a partir de ellos explicar alguna temática, con una media de 4.2 y desviación de Las acciones con calificaciones parcialmente mayores relacionadas con aspectos de la gestión, están relacionadas con, la discusión grupal de problemas en grupos de estudiantes y posteriormente la presentación de la solución en el tablero con un promedio de 3.9 y desviación estándar de 0.97; en este mismo nivel se ubican el diseño de sesiones tomando como base la utilización de recursos informáticos para la enseñanza de temáticas a partir de bases de datos con el mismo promedio pero con desviación estándar de 0.98, y la presentación en el aula de estudio de casos para exponer la aplicabilidad de las teorías en contextos determinados que solo tiene un cambio pequeño en la desviación estándar con un valor de uno. Existe un conjunto de dos preguntas que se ubican en un lugar intermedio y que representan de alguna manera la gestión a partir de la clase tradicional; la primera está relacionada con la presentación de los conceptos de forma verbal y posteriormente desarrollar ejercicios de aplicación, valorada con media de 3.7 y desviación estándar de 1.2, y la enunciación de teorías a partir del estudio de materiales propuestos con anterioridad a la clase partiendo de las preguntas de los estudiantes, con igual valor promedio pero con desviación estándar de 1.0. La menor valoración se refiere a desarrollar las sesiones en los diferentes espacios de formación a partir del trabajo de los estudiantes. En efecto, a la pregunta que proponía a partir de las preguntas de los estudiantes sobre un material proporcionado por el profesor deducir teorías a enseñar, fue calificado con promedio de 3.4 y desviación estándar de 0.99; de la misma manera la categoría generalizar los conceptos y 83
94 procedimientos involucrados en el desarrollo de las temáticas o teorías a partir de exposiciones programadas de los estudiantes solo presentó una valoración promedio de 3.5 con desviación estándar de uno. En este mismo nivel se situó la utilización de ejercicios seleccionados de libros de texto en el tablero como base para la explicación de teorías. Algunos de estos resultados concuerdan con la investigación realizada por algunos profesores de Ingeniería del grupo de investigación Educing, donde demuestran que: Independientemente de la especialidad de Ingeniería a la cual se encuentren vinculados, incluyendo a quienes prestan sus servicios a los programas desde el área de Ciencias Básicas, las actividades preferidas por los docentes para planear la asignatura se centran en la revisión y preparación de actividades y prácticas y en la consulta de fuentes de información, incluyendo el programa del curso y grupo al que está dirigido. A pesar de las declaraciones de integración e internacionalización de los procesos formativos, es bajo el número de profesores que declaran consultar referencias en otras universidades e instituciones de educación superior como parte de sus actividades habituales de planeación. (Albéniz, Cañón, Salazar y Sánchez, 2007, p. 42). Con este tipo de resultados podemos inferir que en general los profesores prefieren realizar clases donde los problemas de aplicación ocupan un espacio muy importante dentro del conocimiento estadístico de los ingenieros, en este mismo sentido las explicaciones y exposiciones del docente dominan la gestión de muchos docentes, en contraposición no utilizan las exposiciones de los estudiantes como elemento que estructura la sesión de clase. Análisis estadístico etapa de gestión de los espacios de formación Para verificar el supuesto de hom*ocedasticidad se desarrolló la prueba de Bartlett, la cual prueba como hipótesis nula que las varianzas para las once preguntas es igual; el valor de la Estadística de prueba fue de 1,01689y el p-valor de 0, lo que indica que no existen diferencias estadísticamente significativas entre los valores de dispersión de las preguntas. De igual forma, se calculó la prueba de Kolmogorov- Smirnov, revisando los p-valor de cada una de las once preguntas se observa que ninguna resulta tener un buen ajuste a la distribución de probabilidad Normal, consecuentemente, se debe de utilizar también para efectuar los análisis la prueba de Kruskal y Wallis. El valor de la Estadística de prueba entonces fue de 21,8962 Valor-P = 0, La prueba de Kruskal-Wallis evalúa la hipótesis nula de que las medianas de las puntuaciones dentro de cada una de las 11 preguntas asignadas por los profesores en la etapa de gestión, es la misma. Primero se combinan los datos de todas las columnas y se ordenan de menor a mayor. Después, se calcula el rango promedio para los datos de cada columna. Puesto que el valor-p es menor que 0,05, existe una diferencia estadísticamente significativa entre las medianas con un nivel del 95,0% de confianza. Al ordenar las valoraciones para las preguntas de menor a mayor se encontraron los siguientes contrastes significativos: con la menor valoración se ubicó la pregunta uno, que sugiere que en general los docentes no aplican como metodología en el proceso de sus clases el desarrollar ejercicios seleccionados de libros de texto en el tablero como base para la explicación de teorías, solamente lo calificaron con 3.4 y desviación de 84
95 1.1; la segunda diferencia significativa está en la valoraciones entregadas para la pregunta once que propone a partir de las preguntas de los estudiantes sobre un material proporcionado por el profesor deducir las teorías a enseñar, con valoración promedio de 3.4 y desviación de 0.99; entre estos dos contrastes que son significativos se advierte que tienen como característica que están basados en el trabajo de los estudiantes. Hay también otro grupo de acciones que entre ellas no son estadísticamente significativas y que tienen valoraciones promedio entre 3.5 y 3.7; éstas están representadas en presentar los conceptos verbalmente y posteriormente desarrollar ejercicios de aplicación en el tablero, enunciación de teorías a partir del estudio de materiales propuestos con anterioridad a la clase partiendo de las preguntas propuestas por los estudiantes y generalizar los conceptos y procedimientos involucrados en el desarrollo de las temáticas o teorías a partir de exposiciones programadas por los estudiantes. Parece que los profesores tienden a entregar valoraciones medias a lo que se podría denominar la clase magistral o tradicional en los espacios de formación. En cambio parece que la utilización de recursos informáticos, discusión grupal de problemas en grupos de estudiantes y posteriormente la presentación de la solución en el tablero, y presentar en el aula de clase estudios de caso para exponer las teorías son maneras de gestionar la clase que van tomando fuerza dentro de las apreciaciones de los docentes. Por último, la mayor valoración estadísticamente significativa con todas las demás entregó un valor promedio de 4.2 con desviación estándar de 0.88, a la estrategia, proponer problemas de aplicación y a partir de ellos explicar alguna teoría o temática. Complementando este conjunto de resultados, se encontró que los profesores de las facultades de ingeniería en general, también presentan actualmente las siguientes características cuando gestionan los espacios de formación: Las ayudas didácticas que utilizan los docentes con mayor frecuencia son independientes del tipo de modalidad de ingeniería y corresponden al uso del tablero y del videobeam; en menor escala se utiliza el retroproyector. Si bien el uso de medios de apoyo audiovisual puede estar limitado por el costo y real disponibilidad de equipos e instalaciones adecuadas, es interesante notar como el tablero resiste la prueba del tiempo y hace perfecto juego con la modalidad de clase magistral, registrada también como alternativa todavía muy fuerte dentro de las modalidades de actividad presencial. Descripción etapa de evaluación En esta etapa, denominada evaluación se construyeron un total de nueve preguntas que indagaban sobre las diversas maneras que los docentes de probabilidad y estadística de las Facultades de Ingeniería en la universidades públicas de Bogotá, evalúan el proceso de enseñanza aprendizaje. En esta etapa de evaluación los docentes privilegiaron, siendo consistentes con las preguntas de diseño y gestión de los espacios de formación, la presentación y sustentación del desarrollo de proyectos de trabajo estadístico o probabilístico con una media de 4.1 y desviación estándar de 0.9 y la asignación de talleres en clase con la asesoría del profesor, que obtuvo el mismo promedio y desviación estándar. La 85
96 menor valoración fue asignada a la categoría Quices con 3.2 y desviación estándar de 1.2. Este tipo de evaluación es bastante concordante con la presentada en otras indagaciones realizadas por grupos de investigación de la Universidad Nacional, en las cuales se encontró, que la evaluación que realizan los profesores de Ingeniería se caracteriza por las siguientes acciones: No hay incidencia del tipo de Ingeniería, incluyendo las ciencias básicas, sobre las reglas de juego para el proceso de evaluación. La preferencia se centra en definirlas al inicio del curso; con menor frecuencia se incluyen ajustes de común acuerdo con los estudiantes y durante el desarrollo del curso. Esta práctica sugiere que las pautas de evaluación tienden a confundirse con las reglas de calificación y por esa razón se entregan con el conjunto de normas que han de regular la relación entre docentes y estudiantes; razón por la que no es habitual que se discutan durante el desarrollo del curso, como producto de un proceso de autoevaluación y mejoramiento, por ejemplo. Con respecto a las preguntas que conforman la evaluación los profesores que respondieron la encuesta afirman, en un alto porcentaje, que verifican su consistencia y pertinencia antes de aplicar la prueba y lo hacen independientemente de su profesión o disciplina. Con menor frecuencia, los profesores resuelven las pruebas en clase después de aplicarlas o las resuelven con los estudiantes que así lo solicitan. Nuevamente se echa de menos algún comentario en relación con el uso de los instrumentos de evaluación y los resultados de las pruebas aplicadas como insumos de un proceso continuo de mejoramiento y cualificación de las experiencias docentes. En las evaluaciones, independientemente de los programas de Ingeniería, los profesores prefieren utilizar problemas concretos y, en menor medida, preguntas abiertas, problemas hipotéticos y preguntas de selección múltiple. La naturaleza de los cursos y actividades curriculares que conforman los planes de estudio de los programas de Ingeniería favorece la utilización de escenarios reales para contextualizar los problemas y proyectos que se incluyen como parte de las actividades de formación. Por razones logísticas, tales como el tamaño de los cursos o la complejidad de los problemas abordados por los ingenieros, no se encuentra una tendencia favorable al uso de instrumentos abiertos: preguntas, ensayos o informes. (Albéniz, Cañón, Salazar y Sánchez, 2007, p. 43). ANÁLISIS ESTADÍSTICO ETAPA DE EVALUACIÓN DE LOS ESPACIOS DE FORMACIÓN Al realizar primero las correspondientes verificaciones de los supuestos de Normalidad a partir de la prueba de Kolmogorov-Smirnov se encontró que ninguna pregunta se comporta de forma aproximadamente normal, los p-valores que se presentan en la tabla anexa son significativos a niveles muy altos. Para verificar el supuesto de hom*ocedasticidad se desarrolló la prueba de Bartlett, la cual propone como hipótesis nula que las varianzas para las nueve preguntas es igual, el valor de la Estadística de prueba fue de 1,02 y el p-valor de 0,64161 lo que indica que no existen diferencias estadísticamente significativas entre los valores de 86
97 dispersión de las preguntas, supuesto muy importante para realizar comparaciones de valores promedio en el campo de la estadística clásica. Al calcular la prueba de Kruskal-Wallis se encontró que la Estadística de prueba toma un valor de lo que proporciona un P-valor de 0, , por lo tanto para este tipo de actividades relacionadas con la evaluación también existen diferencias estadísticamente significativas entre las medianas de las valoraciones. En vista que existe diferencia en las asignaciones entregadas por los profesores en el espacio de evaluación, se realizó un conjunto de contrastes para determinar a cuáles de las diferentes acciones propuestas les habían asignado las mayores y por tanto, las menores valoraciones. Al realizar los contrastes para las nueve preguntas, se encontraron varios que son estadísticamente significativos, para comenzar la valoración más pequeña para todo el conjunto está representada en la evaluación a partir de Quices, parece que es la acción menos utilizada por los profesores en el momento de evaluar. La segunda forma de evaluación menos utilizada está relacionado con la realización de ensayos por parte de los estudiantes, en un tercer grupo se ubican la realización de exposiciones de los estudiantes, el desarrollo de ejercicios de libros seleccionados y la aplicación de parciales escritos, parece de la misma manera que existe alguna preferencia por la utilización de talleres para ser elaborados por fuera de la clase tomando como base la resolución de ejercicios o situaciones problema desarrollados previamente en la clase. Con valores promedio cercanos a cuatro, se ubicó el diseñar categorías para evaluar el avance de conocimientos que puede reflejar un cambio en la concepción de evaluación, que puede estar en correspondencia con las valoraciones promedio más altas que están representadas en la presentación de proyectos de trabajo estadístico y talleres en clase con asesorías del profesor. REFERENCIAS Albéniz, V., Cañón, J., Salazar, J., y Sánchez, E. (2007). Tres momentos del compromiso docente en Ingeniería. Análisis crítico de la experiencia colombiana. Bogotá: ARFO Editores e Impresores Ltda. Walpole, R., Myers, R. y Myers, S. (1999). Probabilidad y Estadística para Ingenieros. México: Prentice Hall. 87
98 NIVELES DE RAZONAMIENTO EN LA RESOLUCIÓN DE TAREAS DE TIPO BINOMIAL Silvia Mayén y Ariana Salazar CINVESTAV - IPN (México) mayazuc@gmail.com, arianasalazar1@gmail.com El propósito de este estudio es explorar el razonamiento de estudiantes de bachillerato y profesores de secundaria en formación inicial con instrucción y sin instrucción, al resolver dos problemas de probabilidad de tipo binomial. Se muestran resultados del análisis de las respuestas de tres grupos de sujetos. Para dicho análisis, se identificaron los elementos de conocimiento necesarios para resolver cada tarea y después de repetidas revisiones a las respuestas se elaboró una jerarquía de razonamiento aplicando la taxonomía SOLO. Se concluye que el progreso en el desempeño de problemas en los que la herramienta es la fórmula binomial depende de la instrucción recibida, y que el elemento de conocimiento fundamental que hace la diferencia en la calidad de las respuestas es el uso de diagramas de árbol, los cuales llevan a las combinaciones y a la regla del producto y, ambas a su vez, al domino de la fórmula binomial. PALABRAS CLAVE Fórmula binomial, razonamiento, jerarquía, estudiantes de bachillerato y profesores en formación. INTRODUCCIÓN La distribución binomial es la más importante distribución discreta y forma parte del contenido curricular de matemáticas de bachillerato y de cualquier curso introductorio de probabilidad y estadística. Los objetivos de la mayoría de programas de bachillerato establecen que los estudiantes aprendan a construir distribuciones de probabilidad de variables aleatorias elementales; a calcular e interpretar su valor esperado y su variancia; y a utilizar distribuciones en la solución de problemas (Jones, Langrall y Mooney, 2007). Esto presupone una comprensión y dominio de la fórmula binomial y de los elementos de conocimiento que la constituyen. La literatura de investigación empírica referente al razonamiento de la fórmula binomial es escasa. Van Dooren et al. (2003) exploran la presencia de la ilusión de linealidad y muestran que hay estudiantes de bachillerato que a pesar de haber tenido algún curso de probabilidad, caen en este sesgo cuando se les plantea problemas binomiales, cuyo enunciado contiene datos que aparentan ser o son proporcionales. Abrahamson (2009a) realiza tres estudios de caso sobre el razonamiento de estudiantes universitarios frente a una situación simple de probabilidad hipergeométrica (la cual es casi-binomial). En Abrahamson (2009b y 2009c) se reporta una entrevista a profundidad con un niño de 11.5 años; utiliza dispositivos de mediación cuya comprensión requiere diferente niveles de abstracción. Landín y
99 Sánchez (2010) informan de las respuestas de 66 estudiantes de bachillerato a 4 tareas relacionadas con la fórmula binomial. Tres de esas tareas inducían un sesgo cognitivo. Proponen una jerarquía para evaluar las respuestas de los estudiantes a tareas relacionadas con la fórmula binomial. En Sánchez y Landín (2011), se describe un proceso para mejorar la fiabilidad de la jerarquía de razonamiento reportada en Landín y Sánchez (2010). El objetivo del presente estudio es explorar el pensamiento de los estudiantes frente a problemas binomiales y determinar los elementos de conocimiento clave que utilizan para resolverlos, así como presentar un cuadro que muestra la gama de razonamientos que se presentan, desde aquellos muy alejados de la solución hasta los más sofisticados. MARCO DE REFERENCIA El razonamiento de estudiantes frente a una tarea refleja la comprensión conceptual que han alcanzado y se expresa en el uso de elementos de conocimiento relacionados con la tarea y con el (o los) concepto (s) en cuestión. Las inferencias y explicaciones que realizan estudiantes de un grupo de edad similar y del mismo nivel educativo al resolver una tarea, se pueden organizar en una jerarquía para dar cuenta de los diferentes grados de integración de esos elementos; los procedimientos más eficientes que desarrollan algunos estudiantes del grupo son un indicio, sin ser determinante, de los niveles de desempeño que pueden ser alcanzados por los sujetos de ese rango de edad y nivel educativo; mientras que los niveles inferiores ofrecen indicaciones de las dificultades que encuentran y los conocimientos clave que permiten superarlas y mejorar sus niveles de desempeño. Tarr y Jones (1997) presentan una jerarquía de las nociones de probabilidad condicional e independencia; en Jones, Thornton, Langrall, y Tarr (1999), se extiende a tareas de espacio muestral, probabilidad teórica, probabilidad experimental, comparación de probabilidades, independencia y probabilidad condicional. En este trabajo se propone una jerarquía elaborada a partir de la intención de organizar respuestas de los estudiantes a problemas relacionados con la fórmula binomial. En la literatura de educación estadística frecuentemente se ha aplicado la taxonomía SOLO, Structure of the Observed Learning Outcome (Biggs y Collis, 1991) para el análisis o evaluación de diferentes conceptos probabilísticos y estadísticos o se han presentado propuestas de jerarquías inspiradas en SOLO. Este modelo se compone de cuatro niveles jerárquicos y su principal objetivo es describir las respuestas que da un individuo a una tarea dada; se debe enfatizar que una jerarquía SOLO permite describir y clasificar las respuestas, pero no a los estudiantes. Sus niveles son: Preestructural, el estudiante que da una respuesta preestructural tiene menos exigencias, puede manifestar confusión o no estar relacionada con la tarea en cuestión. Uniestructural, con el fin de responder a la pregunta de manera adecuada, el estudiante debe, al menos, realizar una operación lógica, es decir, la respuesta relaciona un dato relevante para la cuestión. Multiestructural, consiste en dos o más conceptos o datos que incluyen los problemas sin relacionarlos. Relacional, va más allá 89
100 e interrelaciona los conceptos; el estudiante puede inducir, puede generalizar en determinado contexto o experimento usando aspectos relacionados. METODOLOGÍA Seleccionamos una muestra compuesta por 77 estudiantes de tres grupos: uno de 31 estudiantes de bachillerato sin cursos previos de probabilidad; uno de 28 estudiantes de bachillerato y otro de 18 profesores de secundaria en formación inicial, ambos con algún curso previo. Aplicamos un cuestionario de 10 problemas de probabilidad, pero para este trabajo solo presentaremos dos de ellos: problemas 7 y 9 de dicho cuestionario, los cuales son tareas de aplicación binomial, que como rasgo particular contienen eventos no equiprobables representados con porcentajes y números decimales respectivamente en experimentos de azar. Los problemas son los siguientes: 7. Un tirador tiene 70% de probabilidad de pegar en el blanco y 30% de fallar. Dispara 5 veces Cuál es su probabilidad de pegar al blanco exactamente 3 veces? 9. Se lanzan 8 monedas en las que la probabilidad de salir sol es 0.7. a) Cuál es el número de soles que tiene mayor probabilidad de ocurrir? b) Calcula la probabilidad de que salga dicho número. Problema 7 Problema 9 El problema 7 es una aplicación directa de la fórmula B(5; 0.7, 3). En el problema 9 se requiere el cálculo del valor esperado de la binomial (un concepto fundamental en el estudio de las distribuciones de probabilidad), determinado por el producto: np= (8)*(0.7)=5.6. Luego, calcular B(8; 0.7, 5) y B(8; 0.7; 6), comparar y elegir el segundo, que tiene mayor probabilidad. Los problemas se aplicaron a los estudiantes de la muestra en presencia de sus profesores y de los investigadores. El proceso de análisis de las respuestas es de tipo cualitativo y cíclico, y consiste en una revisión sistemática de todas las respuestas para formar un sistema de categorías hasta clasificarlas en los diferentes niveles jerárquicos de la taxonomía SOLO (preestructural, uniestructural, multiestructural y relacional), en función de los elementos de conocimiento que se ponen en juego y de la precisión de su ejecución, en particular, de la regla del producto y la fórmula binomial. Finalmente se obtuvo una nueva jerarquía de cada problema, en la que se incluyen subcategorías para cada nivel de dicho modelo. RESULTADOS A continuación, se presentan los resultados del análisis de las respuestas de ambos problemas. Se incluyen las tablas que exhiben la jerarquía obtenida para cada problema, así como las respuestas que caracterizan cada nivel jerárquico con un ejemplo representativo de cada categoría o sub-categoría. Se completa el análisis con una tabla de frecuencias de respuestas. 90
101 Análisis al problema 7 Los resultados por categoría de este problema se presentan en la Tabla 1 que muestra los niveles jerárquicos obtenidos del modelo SOLO y sus respectivas subcategorías, así como la descripción de la respuesta típica escrita de los elementos de conocimiento encontrados. Nivel SOLO y Subcategorías Preestructural P1 P2 Uniestructural U1 U2 U3 Multiestructural M1 Relacional R1 R2 Respuesta no relacionada con la situación Respuesta Exhibe cierto conocimiento pertinente pero sin ningún fin Realiza un diagrama de árbol inadecuado o incompleto. Elabora un diagrama de árbol completo, pero cuenta mal los casos posibles o los favorables o ambos Hace un diagrama de árbol, cuenta casos posibles y favorables. Determina la probabilidad mediante Laplace pero asumiendo equiprobabilidad de los eventos. Reconoce la situación de Bernoulli, aplica la regla del producto considerando probabilidades de éxitos y fracasos sin tomar en cuenta posibles combinaciones. Realiza un diagrama de árbol, extrae la lista completa de los casos posibles y favorables y aplica la regla del producto y la regla de la suma Realiza un diagrama de árbol, extrae la lista completa de los casos posibles y aplica la regla del producto y de la suma y confirma su resultado con la fórmula de combinaciones. Tabla 1. Jerarquía obtenida del problema 7 A continuación se presentan ejemplos de respuestas de los estudiantes por nivel y sub-categoría definidos en la Tabla 1. Nivel preestructural. En el primer ejemplo (P1), la respuesta tiene una relación ajena a la situación; mientras que en el segundo (P2), la respuesta muestra que el estudiante sabe que requiere un diagrama de árbol, pero desconoce las normas de su construcción (Tabla 2). Categoría Respuesta Descripción 70% / 3=23 porciento de pegar Respuesta no relacionada con la P1 exactamente en el blanco. situación. Sólo toma en cuenta la Dividir su posibilidad de una probabilidad dada de pegar en el sola vez entre los 3 veces. blanco y la divide entre 3. P2 Presenta un diagrama de árbol inadecuado. Su respuesta es 2.1 pero no la justifica. Al parecer, multiplica (7)*(.3) ó (3)*(.7) Tabla 2. Ejemplos de respuesta de nivel preestructural 91
102 Nivel uniestructural. Las respuestas son parciales, es decir, los estudiantes sólo identifican alguno de los elementos del problema: combinan diagramas de árbol con la regla del producto, diagramas de árbol o árboles de probabilidad con regla de Laplace, ya sea correcta o incorrectamente, como los ejemplos de la Tabla 3. Categoría Respuesta Descripción 3/5 Probabi Presenta un diagrama de árbol U1 lidad inadecuado. Considera sólo los casos (.7)(.7)( de éxito aplicando la regla del.7)=0.34 producto. U2 U3 3=34% R= P = 2/32 Presenta un diagrama de árbol y una lista de casos posibles incompletos; Obtiene la probabilidad mediante la regla de Laplace considerando todos los casos posibles, pero no todos los casos favorables, ni tampoco usa las probabilidades dadas en el problema. La probabilidad de pegar al blanco exactamente 3 veces es de 10/32. Realiza un diagrama de árbol del cual extrae una lista completa de los casos posibles y obtiene correctamente el número de casos favorables. Determina la probabilidad mediante Laplace, pero cae en el sesgo de la equiprobabilidad, pues no toma en cuenta probabilidades dadas en el problema. Tabla 3. Ejemplos de respuesta de nivel uniestructural Nivel multiestructural. De toda la muestra solo apareció una respuesta clasificada en este nivel, en ella se utiliza la regla del producto, sin embargo, no consideran las combinaciones posibles. El avance respecto a los anteriores es que el alumno aplica la regla del producto sin necesidad de utilizar un diagrama de árbol (Tabla 4). Categoría Respuesta Descripción M1 P(pegar 3 y fallar 2) = (0.7) (0.7) (0.7) (0.3) (0.3) = Aplica la regla del producto considerando probabilidades de 3 éxitos y 2 fracasos, pero no toma en cuenta las posibles combinaciones. Tabla 4. Ejemplo de respuesta de nivel multiestructural Nivel relacional. También de este nivel se obtuvieron dos sub-categorías: R1 y R2, y sólo se encontraron dos respuestas, que aunque incluyen todos los elementos del 92
103 problema: diagramas de árbol, situación de Bernoulli, regla del producto y fórmula de combinaciones, son distintas, pero relacionadas (Tabla 5). Categoría Respuesta Descripción R1 R2 P(E) = 10( ). P(E) = P = (.7) (.7) (.7) (.3) (.3) = P(dar al blanco 3 veces) = ( )( 10); P = casos donde le da al blanco 3 veces, si cada una tiene probabilida d de. Realiza un diagrama de árbol del cual extrae una lista completa de los casos posibles. Aplica la regla del producto para obtener la probabilidad del evento (PPPFF; P-pegar, F- fallar); luego multiplica por el número de casos posibles. Realiza un diagrama de árbol, del cual extrae una lista completa de los casos posibles. Aplica la regla del producto para obtener la probabilidad del evento (PPPFF; P-pegar, F- fallar); luego multiplica por los casos favorables. Al final, confirma su resultado con la fórmula de combinaciones. Tabla 5. Ejemplos de respuesta de nivel relacional Una vez aclarado cómo se clasificaron las respuestas, se presenta en la Tabla 6 las frecuencias de respuestas obtenidas en cada nivel y sub-categoría. Categoría P1 P2 U1 U2 U3 M1 R1 R2 Nc Total Grupo A Grupo B Grupo C Total Tabla 6. Frecuencia de respuestas por categoría de los tres grupos en el problema 7 93
104 Se observa que en el grupo A (estudiantes sin curso previo), 20 respuestas se ubicaron en nivel preestructural y sólo 8 en el nivel uniestructural. En el grupo B, 8 respuestas son de tipo preestructural y 15 de nivel uniestructural. Respecto al grupo C, hay 6 respuestas de nivel preestructural, 9 uniestructural, la única multiestructural y 2 relacionales. Estos resultados muestran que el problema ha sido difícil aún para aquellos estudiantes que ya han tenido algún curso de probabilidad. Análisis al problema 9 La Tabla 7 describe las sub-categorías obtenidas de las respuestas de este problema y a continuación, un ejemplo representativo. Nivel SOLO y Subcategoría Preestructural P1 P2 Uniestructural U1 U2 Multiestructural M1 Respuesta Respuesta no relacionada con el problema; sin justificación u opinión personal. Respuestas basadas en algún sesgo: Demuestra la probabilidad dada mediante definición clásica (Laplace). Respuesta parcial o parcialmente correcta Respuesta correcta (no modula variabilidad): Obtiene el valor esperado, es decir, relaciona la probabilidad de obtener águila con el número de repeticiones realizadas; usa la fórmula de la frecuencia esperada Tabla 7. Jerarquía obtenida del ítem 9 Nivel preestructural. En este nivel las respuestas están muy lejos de la solución y del método para obtenerla. En la Tabla 8 se presentan dos ejemplos. Categoría Respuesta Descripción a) 7 soles. Respuesta que no se relaciona con el b) P(s) =.7 problema. Realiza operaciones sin P1 ninguna relación con algún procedimiento correcto. P2 el mayor # de soles que podrían salir son 5 a 4 soles. La probabilidad es de la mitad a que me salga sol o águila En esta respuesta sólo se formula una afirmación, y, no toma en cuenta los datos del problema. Tabla 8. Ejemplos de respuesta de nivel preestructural Nivel uniestructural. Estas respuestas se caracterizan por reconocer al menos un elemento del problema, como en los siguientes casos de la Tabla 9: 94
105 Categoría Respuesta Descripción U1 6 o 7 Porque su probabilidad es 0.7 mientras que aguila 0.3 durante 8 tiros U2 6 soles 8*7=5.6 redondeo y es 6 de 8 veces solo multiplico.8 veces por la probabilidad.7 La respuesta es parcialmente correcta e intenta justificarla con base en la probabilidad dada. Respuesta es correcta. Obtiene el valor esperado y redondea; pero no calcula probabilidades para verificar. Tabla 9. Ejemplos de respuesta de nivel uniestructural Nivel multiestructural. Sólo dos respuestas se clasificaron en este nivel, uno se presenta a continuación (Tabla 10). Categoría Respuesta Descripción M1 a) R = 5 soles b) R = P(5 soles) =(.7) (.7) (.7) (.7) (.7).= Respuesta parcialmente correcta. Obtiene el valor esperado: relaciona la probabilidad de obtener águila con el número de repeticiones realizadas mediante una regla de tres y calcula su probabilidad tomando en cuenta sólo casos de éxito, sin combinaciones. Tabla 10. Ejemplos de respuesta de nivel multiestructural La Tabla 11 concentra la frecuencia de respuestas a este problema por nivel jerárquico y grupo de estudiantes. Categoría P1 P2 U1 U2 U3 M1 R1 R2 Nc Total Grupo A Grupo B Grupo C Total Tabla 11. Frecuencia de respuestas por categoría de los tres grupos en el problema 9 La frecuencia de respuestas a este problema nos indica que también ha sido difícil de resolver, principalmente para aquellos estudiantes que no han estudiado probabilidad, grupo A, pues la mayoría son de tipo preestructural, y resueltas mediante la intuición o basadas en el sesgo de equiprobabilidad. En el grupo B, ya hay respuestas parciales, se observa que sólo identifican un elemento, con 10 respuestas de tipo uniestructural. En cuanto al grupo C, como se esperaba, los resultados mejoran, ya que aunque la mayoría son de nivel uniestructural, ya aparece alguna respuesta del multiestructural y 2 del relacional. CONCLUSIONES El progreso en el desempeño de problemas en los que la herramienta es la fórmula binomial, depende de la instrucción que reciben los estudiantes. En efecto, se observa una creciente calidad de respuestas de ambas preguntas en los grupos de acuerdo al orden siguiente: las respuestas de los que no han llevado probabilidad se concentran 95
106 predominantemente en el nivel preestructural. Mientras que las respuestas de los grupos B y C, que han llevado el curso, se concentran en su mayoría en el nivel uniestructural, sin embargo, en el grupo C se presentan algunos casos que llegan a multiestructural y relacional. No obstante, el desempeño general logrado por estos grupos (B y C) dista aún de los objetivos que se proponen los cursos, pues lo deseable sería que sus respuestas fueran de nivel relacional. La organización de las respuestas de acuerdo a los niveles de la taxonomía SOLO ha permitido detectar los elementos clave que permiten a los estudiantes ofrecer respuestas de mejor calidad y, por lo tanto, tener mejor comprensión y posibilidades de desarrollar sus razonamientos en problemas binomiales. El elemento de conocimiento central que permite a los estudiantes organizar sus conocimientos y razonamientos sobre la situación, es el diagrama de árbol. Aunque es posible que sea por el tipo de enseñanza que llevaron los sujetos examinados, el uso de diagrama de árbol fue el principal elemento de conocimiento que hizo la diferencia entre las respuestas del nivel preestructural y las uniestructurales. Es muy probable que la posesión de esta herramienta y el concepto de probabilidad clásica, les permita a los estudiantes percibir cuándo una situación-problema es de tipo binomial. El progreso a partir de esta herramienta se logra cuando se construyen los dos elementos de conocimiento más: las combinaciones y la regla del producto. Se puede apreciar que los estudiantes que alcanzan la solución, lo hacen gracias a que con la ayuda del diagrama de árbol pudieron organizar y contar los casos favorables; los estudiantes más avanzados esquematizan este procedimiento dando lugar al uso de la fórmula para calcular combinaciones. Por otro lado, el recurso del diagrama de árbol se vuelve inoperante para situaciones donde n es grande (como n=8 del segundo problema). En estos casos, la regla del producto sustituye al uso del árbol para contar; el diagrama de árbol entonces se puede utilizar sólo como un instrumento para organizar de manera general la situación y no para calcular. Cuando los estudiantes son capaces de prescindir del diagrama de árbol y resolver los problemas, es muy probable que hayan encapsulado o esquematizado todo el procedimiento en la fórmula de las combinaciones. REFERENCIAS Abrahamson, D. (2009a). Embodied design: Constructing means for constructing meaning. Educational Studies in Mathematics, 70 (1), Abrahamson, D. (2009b). Orchestrating semiotic leaps from tacit to cultural quantitative reasoning The case of anticipating experimental outcomes of a cuasi-binomial random generator. Cognition and Instruction, 27 (3), Abrahamson, D. (2009c). A student s synthesis of tacita and mathematical knowledge as a researchers lens on bridging learning theory. International Electronic Journal of Mathematics Education, 4 (3), Biggs, J. y Collis, K. (1991). Multimodal learning and the quality of intelligence behavior. En H.A. Rowe (Ed.), Intelligence: Reconceptualization and measurement (pp ). Hillsdale, NJ: Lawrence Erlbaum Associates. Landín, P.R. y Sánchez, E. (2010). Niveles de razonamiento probabilístico de estudiantes de bachillerato frente a tareas de distribución binomial. Educação Matemática Pesquisa, 12 96
107 (3). Jones, G.A., Langrall, C.W. y Mooney, E.S. (2007). Research in probability. En F.K. Lester (Ed.), Second handbook of research on mathematics teaching and learning (pp ). Charlotte, NC: Information Age-NCTM. Jones, G.A., Thornton, C.A., Langrall, C.W. y Tarr, J.E. (1999). Understanding students probabilistic reasoning. En L.V. Stiff y F.R. Curcio (Eds.), Developing mathematical reasoning in grades K-12. NCTM 1999 Yearbook (pp ). Reston, VA: NCTM. Salazar, A. (2013). Razonamiento probabilístico de estudiantes de bachillerato y profesores en formación sobre la regla del producto y distribución binomial. Tesis de maestría. México: CINVESTAV - IPN. Sánchez, E. y Landín, P. (2011). Fiabilidad de una jerarquía para evaluar el razonamiento probabilístico acerca de la distribución binomial. En M. Marín, G. Fernández, L. Blanco y M. Palarea (Eds.), Investigación en Educación Matemática XV. Ciudad Real, España. Tarr, J.E. y Jones, G.A. (1997). A framework for assessing middle school students thinking in conditional probability and independence. Mathematics Education Research Journal, 9 (1), Van Dooren, W., De Bock, D., Depaepe, F., Janssens, D. y Verschaffel, L. (2003). The illusion of linearity: Expanding the evidence towards probabilistic reasoning. Educational Studies in Mathematics, 53 (2),
108 REPRESENTACIONES DE LA DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL Hugo Alvarado y María Lidia Retamal Universidad Católica de la Santísima Concepción (Chile) alvaradomartinez@ucsc.cl, lretamal@ucsc.cl El currículo de estadística en el sistema escolar sugiere desde la infancia un cambio metodológico de enseñanza hacia el desarrollo de los aspectos intuitivos de lo estocástico en situaciones de incertidumbre. El Taller tiene dos propósitos, presentar actividades de experimentos aleatorios con dispositivos manipulativos, algebraico y computacional para familiarizarse con la noción de distribución de probabilidad binomial. También, ilustrar que su enseñanza en la educación secundaria por medio de variadas representaciones proporciona una mayor potencia en el cálculo de probabilidades y la introducción de las ideas de parámetro, estadístico, simulación, variable aleatoria y aproximación. PALABRAS CLAVE Formación de profesores, enseñanza, representaciones, distribución binomial. INTRODUCCIÓN El estudio de la probabilidad en la escuela está en una etapa de replantearse un cambio en los métodos de enseñanza que se utilizan, producto de que sus alumnos usan comúnmente el lenguaje de la tecnología. Esto conduce al profesor de matemáticas modificar su actuar en el aula, teniendo presente que algunas veces estos recursos informáticos aumentan los problemas educativos en vez de resolverlos. Por lo general, se presenta la probabilidad en el contexto de juegos de azar con resultados equiprobables. No obstante, muchas situaciones probabilísticas conllevan una serie de experimentos aleatorios donde la simulación permite obtener una estimación de la solución, y contribuye a conocer las diferencias entre la probabilidad experimental y la teórica. Surgen preguntas básicas en la exploración de experimentos aleatorios acerca de, qué efecto tiene la informática a favor de un aprendizaje significativo, qué dispositivos didácticos (dados, fichas, Excel, software, plataforma virtual, Internet, libros de textos, etc.) son los adecuados para la enseñanza de la probabilidad en los distintos niveles educativos. El Taller tiene por objetivo generar experimentos aleatorios para familiarizarse con la noción de modelo de probabilidad binomial por medio de situaciones tales como estimar la proporción de alumnos que optan por estudiar matemáticas. Se proponen actividades, a desarrollar en el aula y laboratorio de computación, de correspondencia entre experimentos aleatorios sencillos y su aplicabilidad a situaciones reales por medio de representaciones con dispositivos manipulativos, algebraico y computacional usando la planilla Excel y un applet del modelo binomial. La enseñanza de la probabilidad en la educación secundaria con apoyo informático proporciona una
109 mayor potencia en el cálculo de probabilidades, las representaciones gráficas y la introducción de ideas de parámetro, estadístico, simulación, variables aleatorias e ilustrar la aproximación de la probabilidad binomial por la probabilidad de la normal. MARCO DE REFERENCIA Las actividades pretendidas en el Taller promueven los diversos elementos del significado para el conocimiento estocástico, que se describen en: problemas, definiciones, propiedades, algoritmos, lenguaje y argumentación. Estas entidades primarias están relacionadas entre sí formando configuraciones, concebidas como redes de objetos intervinientes y emergentes de los sistemas de prácticas. Las actividades propuestas de los experimentos aleatorios mediante tres tipos de representaciones conducen a la apropiación progresiva de la distribución binomial. Entenderemos por recursos didácticos a todos aquellos instrumentos que facilitan la comunicación hacia la exploración, aplicación y argumentación de conceptos estocásticos en el aula. Representación manipulativa el estudiante trabaja con dispositivos manipulativos (dados, fichas,...), papel-lápiz o calculadora, sin utilizar notación o cálculo algebraico. Aparecen la noción de experimento aleatorio y estadístico, y se argumenta mediante ejemplos y contraejemplos. Los procedimientos son empíricos y gráficos y el lenguaje se reduce a expresiones verbales y gráficas en papel y lápiz. La representación computacional amplía la variedad de gráficas dinámicas. Además, del lenguaje icónico, incorpora como procedimiento la simulación y permite trabajar con las variables estadísticas y aleatorias simultáneamente. No posibilita el lenguaje algebraico ni la demostración deductiva. El argumento preferible es inductivo, estudio de ejemplos, contraejemplos y la generalización. Aparecen algunos conceptos como la aproximación de la probabilidad binomial por la probabilidad normal. La representación algebraica se caracteriza por el lenguaje simbólico y la demostración deductiva, así como el recurso a elementos de álgebra, los procedimientos serían analíticos. A continuación, se ilustran con ejemplos las tres representaciones. Ejemplo 1. Cuantifique la posibilidad de obtener 4 caras al lanzar una moneda 6 veces. Ejemplo 2. Representaciones gráficas de seis distribuciones binomiales. B (n,p) para distintos valores de sus parámetros n y p. La figura siguiente muestra valores para p = 0,3 con n = 4, 8, 24 y para p = 0,1 con n = 4, 8 y 50. Qué observa de las gráficas para los distintos valores de los parámetros? 99
110 Figura 1. Representaciones computacionales de la distribución binomial Ejemplo 3. Estudios médicos indican que 30% de los escolares de una ciudad padecerá de gripe el próximo invierno. Si seleccionamos al azar un grupo de 12 estudiantes, justifique si esperamos obtener una probabilidad alta de encontrar entre tres y cinco estudiantes con tal enfermedad este invierno. DESCRIPCIÓN DE LAS ACTIVIDADES A continuación se mencionan los conceptos básicos para el estudio de las nociones de modelos de probabilidad y la ilustración de actividades de la experimentación a la generalización de experimentos aleatorios que se tratarán en este taller. 1. Experimento aleatorio. Hay que diferenciar dos tipos de experimentos. En un experimento determinista, a partir de las mismas condiciones iniciales se obtienen los mismos resultados, mientras que en un experimento aleatorio se conocen todos los posibles resultados pero no se puede determinar cuál va a ser el resultado que se va a obtener. Un suceso es cada uno de los posibles resultados de un experimento aleatorio; será elemental cuando no puede descomponerse en otros más simples, en caso contrario se denominan sucesos compuestos. Es importante, antes de entrar en la iniciación al cálculo de probabilidades, describir de forma adecuada en qué consiste el experimento aleatorio y luego identificar todos los posibles resultados que constituyen el espacio muestral. Esto facilitará la simulación de fenómenos aleatorios realistas con diversos materiales. La idea de aleatoriedad en sus comienzos se entendía como aquello cuyas causas son desconocidas y el azar estaría personificado como las causa de los fenómenos aleatorios. 2. Simulación. Llamamos simulación a la sustitución de un experimento aleatorio por otro equivalente con el cual se experimenta para obtener estimaciones de 100
111 probabilidades de sucesos asociados al primer experimento. La estimación de probabilidad que se obtiene con el experimento simulado es tan válida como si tratase del experimento real. 3. Variable aleatoria. La variable estadística representa únicamente losn resultados de n realizaciones de un experimento aleatorio. Si el experimento se repite infinidad de resultados posibles da origen a la noción de variable aleatoria asociada al experimento. En general, cada resultado de un experimento puede ser asociado con un número que es especificado por una regla de asociación. Por ejemplo, se cuenta el número total de caras en el lanzamiento de una moneda 100 veces. Esta regla de asociación es llamada una variable aleatoria; una variable ya que valores numéricos diferentes son posibles y aleatoria, pues el valor observado depende de cuáles de los resultados posibles del experimento ocurre. Una variable aleatoria es discreta si su recorrido es un conjunto discreto de números (finito o numerable), es decir, sus elementos pueden ser listados de manera que hay un primer elemento, un segundo elemento, etc., en la lista (asumen sólo ciertos valores, comúnmente número enteros y resulta principalmente del conteo). 4. Función de probabilidad. Sea X una variable aleatoria discreta con recorrido. Sea f una función que asigna a cada x un número llamado probabilidad de x. La función de probabilidad f de la v.a. X debe satisfacer las siguientes propiedades: R 101 R X a) f (x) > 0 ; x X, x IR b) R f (x) =1 ;x X f ( x) P( X x) La función f es expresada usualmente como los pares (x, f (x)) x X, llamada distribución de probabilidades, que es una lista de todos los resultados posibles de un experimento y de la probabilidad relacionada con cada resultado. 5. Esperanza matemática. Así como en estadística descriptiva se calcula la media de un conjunto de datos, también se puede determinar la media de una distribución de probabilidad. La esperanza matemática de una variable aleatoria discreta es la media ponderada de todos los posibles resultados en los cuales los pesos son las probabilidades respectivas de tales resultados, y se refiere al centro de gravedad de una distribución de masa a través de una línea. Tanto el valor esperado como la varianza de una variable son llamados parámetros de una distribución y sirven para especificar completamente la distribución de probabilidad. En términos simbólicos el valor esperado de X se define por: E ( X ) x f ( x) La varianza de una distribución de probabilidad es el promedio de las desviaciones al cuadrado con respecto de la media, y se escribe como: V(x) = E(x-) 2 = xr X x R X 2 ( x ) f ( x) 2 2 = E X Consideremos un experimento aleatorio que produce, en cada ensayo, únicamente uno de dos resultados mutuamente excluyentes. Por ejemplo: R R X
112 I Encuentro Colombiano de El nacimiento de un niño. Los resultados posibles son: hombre y mujer. Se elige al azar un niño entre un grupo en el que m niñas realizan actividades deportivas superior al promedio y k niñas desarrollan actividades deportivas igual o inferior al promedio. Los resultados posibles son: niña con actividades deportivas superior al promedio y niña con actividades deportivas igual o inferior al promedio. Se selecciona al azar un paquete de cereales de los que están en un estante de un almacén de comestibles que contiene a paquetes de marca A y b paquetes de marca B. Los resultados posibles son: paquete de cereales de marca A y paquete de cereales de marca B. Un estudiante presenta un examen final. Los resultados posibles son: aprobar y reprobar. Los experimento de este tipo, en los que se produce, en cada ensayo, sólo uno de dos resultados mutuamente excluyentes se denomina ensayos de Bernoulli, en honor al matemático suizo Jakob Bernoulli ( ), considerado como uno de los fundadores de la teoría de la probabilidad. Por conveniencia, se suele denominar arbitrariamente uno de los resultados de un ensayo de Bernoulli como éxito (E) y al otro como fracaso (F). Generalmente, tiene importancia poder determinar la probabilidad de que se observen x números de éxitos cuando se repite un experimento n veces bajo las condiciones que se acaban de establecer. Supongamos por ejemplo, el 70% de los adultos que viven en una comuna tiene más de 25 años de edad. Se selecciona cinco adultos al azar. Qué probabilidad hay de que tres tengan más de 25 años? El número de secuencias de cinco adultos que viven en una comuna en las que tres tiene más de 25 años (designadas con el evento E de éxito y el resto con la F de fracaso), está dado por Podemos enumerar estas secuencias así: 1. EEEFF 2. EFEEF 3. EFFEE 4. EEFEF 5. EEFFE 6. EFEFE 7. FEEEF 8. FFEEE 9. FEFEE 10. FEEFE La probabilidad de que ocurra un éxito (adulto seleccionado tiene más de 25 años) es 0,7 y la de que ocurra un fracaso es 0.3. Resultarían exactamente 3 éxitos sobre 5 ensayos si ocurriera la secuencia Nº1 o la secuencia Nº2,, o la secuencia Nº10. Según el axioma de Probabilidad para la suma, entonces, la probabilidad de observar exactamente 3 éxitos sobre 5 ensayos de Bernoulli es igual a la probabilidad de la secuencia Nº1 más la probabilidad de la secuencia Nº2,.., más la probabilidad de la secuencia Nº10. Hay un total de secuencias y la probabilidad de ocurrencias de cada una es igual a = La probabilidad de que tres adultos de los cinco que viven en una comuna tengan más de 25 años es P(X = Generalización El espacio muestral natural para un experimento Binomial es el producto cartesiano de los espacios muestrales de los ensayos Bernoulli consigo mismo n veces, = n ; donde i = E, F i =1,n Cada evento elemental es una n-upla que contiene (0,0,0,1,0...,1,0) con x-éxito y n-x x n p 1 p fracasos y la probabilidad del evento elemental es : E,E,..,E,F,F...,F x 102
113 Pero el número de n-uplas que contienen x éxitos es Si una n-upla tiene la probabilidad n tiene la probabilidad de p x f(x) = x n x nx p p x nx 1 p n x 1 de ocurrir. Luego, de ocurrir entonces x nx p ( 1 p) ; x 0,1,2,3,..., n Observemos que f (x) cumple con ser una función de probabilidad: n x n uplas a) f ( x) 0 ; b) n x0 f ( x x) n n x p x x 1 0 p n n p ( 1 p) 1 6. Experimento de probabilidad Binomial. Es el experimento integrado por ensayos repetidos, que posee las siguientes propiedades: Hay n ensayos repetidos independientes e idénticos Cada ensayo tiene dos resultados posibles (éxito o fracaso) Prob (éxito) = p, Prob (fracaso) = 1- p = q La variable aleatoria binomial X es el conteo del número de ensayos con éxito que ocurren, donde x puede adoptar cualquier valor entero de 0 a n. La propiedad de ensayos independientes significa que el resultado de un ensayo no afecta la probabilidad de éxito de cualquier otro ensayo en el experimento. En otras palabras, la probabilidad de éxito permanece constante a lo largo de todo el experimento. Las propiedades c) y d) están relacionadas con la notación algebraica de cada ensayo de todo el experimento. Es importante notar que x y p estén asociadas con éxito. Lo fundamental para trabajar con cualquier experimento de probabilidad es su distribución de probabilidad, pues permite encontrar las probabilidades para cada valor posible de x. En particular, se define la función de probabilidad binomial: Para un experimento binomial, sean p la probabilidad de un éxito y q la probabilidad de un fracaso en un solo ensayo; entonces P (X = x), la probabilidad de que haya exactamente x éxitos en n ensayos, es P( X x) n px q n-x para x = 0,1,2,3,.,n. x Ejemplo 4. Un profesor aplica a sus estudiantes un cuestionario sorpresa con cinco ítemsde opción múltiple. Uno de los estudiantes no ha estudiado el material del cuestionario, y por tanto decide contestar los cinco ítems al azar, adivinando las respuestas sin leer las preguntas ni las opciones de respuestas. Hoja de respuestas del cuestionario. Instrucciones: encierre en un círculo la mejor 103
114 respuesta de cada ítem 1. A B C 2. A B C 3. A B C 4. A B C 5. A B C Antes de ver las respuestas correctas del cuestionario y encontrar cómo le fue a este estudiante, se considerarán algunos hechos que podrían suceder si un cuestionario se contesta de esta forma. Cuántos de los cinco ítems es probable contestar correctamente? Cuán probable es contestar de manera adecuada más de la mitad de los ítems? Cuál es la probabilidad de elegir las respuestas acertadas de los cinco ítems? Cuál es la probabilidad de elegir las respuestas incorrectas de los cinco ítems? Si todo un grupo contesta al azar el cuestionario, cuál cree que será el número promedio de respuestas correctas del grupo? Para responder estas interrogantes, de forma algebraica, se obtiene el espacio muestral Ω de 32 formas. Cada ítem fue contestado correcta(c) o incorrectamente (I). = {CCCCC, CCCCI, CCCIC, CCICC, CICCC, ICCCC, CCCII, CICIC, ICICC, CCIIC, CIICC, IICCC, ICCCI, ICCIC, CICCI, CCICI, CCIII, CIIIC, IIICC, ICICI, IICIC, CIICI, IICCI, ICCII, CICII, ICIIC, CIIII, ICIII, IICII, IIICI, IIIIC, IIIII} Considere la variable aleatoria, X el número de respuestas correctas en el cuestionario cuando éste fue contestado al azar por alguna persona. La variable X puede adoptar cualquiera de los valores: 0, 1, 2, 3, 4 y 5 para cada cuestionario. Debido a que cada ítem individual tiene una sola respuesta correcta de las tres posibles, la probabilidad de elegir la respuesta correcta de un ítem individual es 1/3. La probabilidad de elegir una respuesta incorrecta en cada ítem es 2/3. Las probabilidades de cada valor X es: La probabilidad de que cero ítems hayan sido contestados correctamente y que cinco hayan sido contestados incorrectamente es: P(X = 0) = 1 = 2 32 = = La respuesta a cada ítem individual es un evento separado e independiente, por lo que es posible multiplicar las probabilidades. La probabilidad de que un ítem haya sido contestado correctamente y los otros cuatro hayan sido contestados incorrectamente es: P(X = 1) = = = = La probabilidad de que dos ítems hayan sido contestados correctamente y los otros tres hayan sido contestados incorrectamente es: P(X = 2) = 10 = = =
115 La probabilidad de que tres ítems hayan sido contestados correctamente y los otros dos hayan sido contestados incorrectamente es: P(X = 3) = = = = La probabilidad de que cuatro ítems hayan sido contestados correctamente y tres hayan sido contestados incorrectamente es: P(X = 4) = = = = Finalmente, la probabilidad de que los cinco ítems hayan sido contestados correctamente es: P(X = 5) = = = = Así, se obtiene la distribución de probabilidad para el cuestionario de cinco ítems. Las respuestas a las interrogantes son: La ocurrencia más probable es obtener una o dos respuestas correctas. Tener más de la mitad de las respuestas correctas se representa con 2 ó 3, su probabilidad total es Es decir, el cuestionario se aprueba sólo el 49% de las veces, si se contesta al azar. Todas las respuestas son correctas P(X = 5) sólo el 0.4% de las veces. Las cinco respuestas son incorrectas P (X = 0) sólo el 13% de las veces. Puede esperarse que el promedio del grupo sea 1/3 de 5, o 1.666, respuestas correctas. X Elementos de Probabilidad de X 0 IIIII CIIII, ICIII, IICII, IIICI, IIIIC CCIII, CIIIC, IIICC, ICICI, IICIC, CIICI, IICCI, ICCII, CICII, ICIIC CCCII, CICIC, ICICC, CCIIC, CIICC, IICCC, ICCCI, ICCIC, CICCI, CCICI CCCCI, CCCIC, CCICC, CICCC, ICCCC CCCCC suma 32 elementos X P(X ) Muchos experimentos están compuestos de ensayos repetidos cuyos resultados pueden clasificarse en alguna de las siguientes categorías: éxito o fracaso. Estos experimentos se denominan experimentos de probabilidad binomial. Así, X se distribuye binomial con n = 5 y p = 1/3. La probabilidad de que tres ítems hayan sido contestados correctamente y los otros dos hayan sido contestados incorrectamente es: P(X = 3) = = =
116 La esperanza de la variable aleatoria X está dada por E(X) = np = 5 CONCLUSIONES 1 3 = Las directrices curriculares en Latinoamérica sugieren en el eje de Datos y Azar un cambio metodológico de enseñanza hacia el desarrollo de los aspectos intuitivos de lo estocástico en ambiente de incertidumbre. La motivación de iniciar este Taller se debe a que el azar y los experimentos aleatorios están presentes en nuestra realidad y coincidimos que en el sistema escolar se debe proporcionar a los alumnos una experiencia estocástica desde la infancia. Los desafíos en la enseñanza de la distribución binomial consisten en presentar actividades de representaciones progresivas de aproximación a su significado según el contexto escolar. Un caso particular de lo que hoy es el teorema central del límite es la aproximación de la distribución binomial a la normal (llamado Teorema de Laplace De-Moivre), pues se puede considerar la distribución binomial bin(n,p) como la suma de variables aleatorias Bernoulli independientes idénticamente distribuidas B(p). Pensamos que las nociones de este teorema pueden ser desarrolladas en la educación media. REFERENCIAS Alvarado, H. y Batanero, C. (2007). Dificultades de comprensión de la aproximación normal a la distribución binomial. Números, 67. Alvarado, H. y Retamal, L. (2012). Dificultades de comprensión del teorema central del límite en estudiantes universitarios. Educación Matemática, 24 (3), Alvarado, H. y Retamal, L. (2010). La aproximación binomial por la normal: una experiencia de reflexión sobre la práctica. Paradigma, 31 (2), Batanero, C., Díaz, C., Contreras, J. y Roa, R. (2013). El sentido estadístico y su desarrollo. Números, 83, Godino, J., Batanero, C. y Font, V. (2009). Un enfoque ontosemiótico del conocimiento y la instrucción matemática. ANEXOS A continuación se presentan las actividades pretendidas a desarrollar con los participantes del Taller y se proponen actividades complementarias que según el tiempo disponible del Taller se guiarán en las dos sesiones. Actividad 1. Asigne valores (probabilidades) a cada una de las circunstancias dadas a continuación, con la escala adjunta. Reserve el valor de cero para aquellas que se consideran imposibles de ocurrir y el valor de 1 para aquellas donde se tenga la certeza absoluta de su ocurrencia. El valor de 0,5 se podrá asignar a los casos en que tanto la ocurrencia de la situación descrita como su no ocurrencia tengan el mismo peso (suele decirse que es una situación con probabilidad 50-50). 0 0,25 0,5 0,
117 Imposible Seguro a) Que el primer hijo de una pareja sea mujer: b) Tener un accidente automovilístico si maneja ebrio: c) Se tiene una bolsa con 10 bolitas negras y 20 bolitas blancas; se agita y sin ver se extrae una bolita, Cuál es la probabilidad de que sea blanca?: d) Que al lanzar una moneda al aire, salga cara: Actividad 2. Indicar qué tienen en común los siguientes experimentos: a) Se lanza un dado y se observa el número que aparece en la cara superior. b) Se lanza una moneda cuatro veces y se cuenta el número total de caras obtenidas. c) Se lanza una moneda cuatro veces y se observa la sucesión de caras y sellos obtenidos. d) Se fabrican artículos en una línea de producción y se cuenta el número de artículos defectuosos producidos en un periodo de 24 horas. e) Se fabrican ampolletas y luego se prueba su duración en una casa anotando el tiempo transcurrido (en horas) hasta que se quema. f) En un lote de 10 artículos hay 3 defectuosos. Se elige un artículo después de otro (sin sustituir el artículo elegido) hasta que se obtiene el último artículo defectuoso. Se cuenta el número total de artículos sacados del lote. g) Se fabrican artículos hasta producir 10 no defectuosos. Se cuenta el número total de artículos manufacturados. h) De una urna que contiene sólo bolitas negras, se escoge una bola y se anota su color. Actividad 3. Intuiciones sobre el azar. Determinar la probabilidad de encontrar entre 13 y 17 caras en el lanzamiento de una moneda 30 veces. Al ejecutar el experimento dónde la probabilidad es mayor, en una secuencia inventada o en una secuencia real llevada a cabo en una clase con 30 estudiantes? Actividad 4. Generar números aleatorios con la planilla Excel. Del experimento del lanzamiento de dos dados, simular la suma en 1000 lanzamientos. Una representación obtenida en el laboratorio fue la siguiente: D1+D Frecuencia
118 Actividad 5. La posibilidad de que asista un estudiante a este Taller es 1/2. Cuál de estos casos te parece más probable? Justifique su alternativa. a) Que entre los próximos 5 asistentes al taller 2 o más sean estudiantes b) Que entre los próximos 50 asistentes al taller 20 o más sean estudiantes c) Los dos casos anteriores son igual de probables. Actividad 6. Cuantificar la posibilidad de obtener 4 caras al lanzar una moneda 6 veces. Actividad 7. Se realizan tres pruebas de Bernoulli independientes. Suponga que las probabilidades de obtener éxito es p. Determine la probabilidad de obtener dos éxitos en términos de p. Actividad 8. Un profesor toma muestras de alumnos de 2do medio para determinar si están preparados para la prueba de síntesis de Matemática; cada alumno lo clasifica como preparado o no preparado. Sea Xi =0 si el alumno no está preparado y Xi =1 si el alumno está preparado. Suponga que ambos sucesos tienen igual probabilidad. a) Si el profesor toma una muestra de 5 alumnos, determine la probabilidad de obtener a lo más un alumno preparado, a lo más dos alumnos preparados. b) Si el profesor toma una muestra de 60 alumnos, calcule la probabilidad de obtener entre 5 y 15 alumnos preparados; entre 25 y 35; entre 50 y 60; de obtener a lo más un alumno preparado; a lo más dos alumnos preparados. Qué observas? c) Calcule la probabilidad de obtener un total superior a 105 alumnos preparados al considerar 6 cursos de 20 alumnos. Actividad 9. Estudios médicos actuales indican que 30% de la población padecerá de gripe cada invierno. Se selecciona al azar un grupo de 12 personas. Cuál es la probabilidad que al menos cinco padecerá de tal enfermedad este invierno? a) 0,8821 b) 0,1178 c) 0,7236 d) 0,2311 e) 0,1584 f) Ninguna de las anteriores Actividad 10. Proponga situaciones en el ámbito escolar que pueden ser modeladas mediante la distribución binomial. Actividad 11. Identifique las propiedades comunes de los siguientes experimentos. a) Lanzar una moneda 50 veces y llevar un registro de las caras que se obtienen. b) Si usted fuera un inspector en una línea de producción de una fábrica de televisores, estaría preocupado por identificar el número de televisores defectuosos. c) Lanzar tres monedas. Calcular la probabilidad de obtener al menos dos caras. d) Supongamos que el 10% de lámparas de una fábrica es defectuosa. Las lámparas se venden en cajas de 4 unidades. Simular el experimento consistente en abrir una caja y contar el número de defectos. e) Un comerciante garantiza que ninguno de sus paquetes con 12 huevos contiene más de uno en mal estado. Si un paquete contiene más de un huevo en mal estado, él sustituirá toda la docena y permitirá que el cliente se lleve los huevos originales. Si la probabilidad de que un huevo individual esté en mal estado es de 0.05, cuál es la probabilidad de que el comerciante tenga que reemplazar un paquete de huevos? 108
119 Actividad 12. Con apoyo de Excel, simular la aplicación del cuestionario de selección múltiple a 20 alumnos (Ejemplo 4), de manera independiente. a) Elabore una distribución de frecuencias de la variable número de respuestas correctas en cada cuestionario y grafique. b) Estimar el número de respuestas correctas por alumno. c) La próxima semana los 20 alumnos deben desarrollar otro cuestionario compuesto de cinco preguntas de verdadero y falso. Estime el número de respuestas correctas por alumno y compare. d) Compare los resultados de cálculo de probabilidades obtenidos mediante la planilla Excel y el applet del modelo binomial. Actividad 13. El entrenador de Voleibol de la UCSC tiene 10 jugadores. Dos de ellos son seleccionados nacionales. Recientemente el equipo se adjudicó el campeonato nacional universitario y el entrenador decide seleccionar los nombres de seis jugadores para dar una exhibición en colegios de educación media en Concepción. Cuál es la probabilidad que participen los dos seleccionados de la exhibición deportiva? a) 0,666 b) 0,245 c) 0,754 d) 0,901 e) 0,098 f) Ninguna de las anteriores Actividad 14. Representación computacional. Estudiar la convergencia gráfica de la distribución de probabilidad binomial a la distribución normal (Teorema de Laplace De Moivre) para distintos valores de sus parámetros n y p. Actividad 15. Experimento con dados. Suponga que gana si obtiene un número impar al lanzar un dado normal. Usted gana si obtiene más del 70% de números impares del total de lanzamientos. Considere los ensayos para n = 10, 30, 60 y 100. a) Calcular la probabilidad de ganar en los cuatro casos. Para el número de lanzamientos grandes utilice el applet de la distribución de probabilidad binomial. b) Mediante la generación de números aleatorios en Excel y la condición de p = P(E) de variables aleatorias Bernoulli, determine las posibilidades de ganar en los casos anteriores, a través de la probabilidad como frecuencia relativa. Actividad 16. El Director de un colegio tiene una confianza de 80% que los 100 alumnos que rendirán la PSU serán clasificados como exitosos. Asumimos que el puntaje obtenido de cada alumno es independiente de otro alumno. El Director obtendrá una carita feliz cuando al menos 80 alumnos de su colegio obtengan dicha clasificación. a) Será premiado el Director del Colegio? b) Cómo desarrollarías esta actividad con los conocimientos previos del Taller? c) Qué aspectos destacarías en este problema? 109
120 TRABALHANDO PROBABILIDADES COM CABRI II Cileda de Queiroz e Silva Coutinho Pontifícia Universidade Católica de São Paulo (Brasil) cileda@pucsp.br PALABRAS CLAVE Ensino e aprendizagem, Cabri Géomètre II, probabilidade geométrica, simulação. INTRODUCCIÓN Quando pensamos em introduzir o conceito de probabilidades não podemos deixar de considerar que os alunos, independentemente de sua formação escolar, já têm contato com situações de caráter aleatório. Trata-se assim, desde as séries iniciais do Ensino Fundamental, de conduzir os alunos em um processo de observação e análise do componente de imprevisibilidade intrínseco a estas situações. Trabalharemos neste mini-curso tal introdução a partir de um contexto de probabilidade geométrica, que propõe aos alunos a identificação do modelo que melhor representa o jogo de Franc-Carreau. A atividade dos alunos, adaptada das elaboradas por Coutinho (2001). REFERENCIAL TEÓRICO As atividades propostas se desenvolverão a partir do referencial construído em Coutinho (2001): uma proposta de ensino pela modelagem, na cabe ao aluno reconhecer uma configuração no caso, a configuração de uma distribuição binomial. A fundamentação para a elaboração das atividades foi a Teoria das Situações Didáticas (Brousseau, 1986), buscando inserir os alunos na dialética de ação formulação validação que caracteriza uma situação adidática. Trabalhamos assim com a hipótese didática de que a associação entre Cabri II e uma planilha eletrônica (no nosso estudo, Excel) pode ser a base da construção de um milieu adidático muito rico para um aluno que se encontra em processo de resolução de problemas relativos à modelização de situações aleatórias simples apresentadas em um contexto geométrico. Atribuímos esta riqueza à possibilidade de comparação entre o cálculo a priori de uma probabilidade (razão entre áreas) e a estimação do valor desta probabilidade pela análise das frequências experimentais observadas. Mas esta riqueza pode ser atribuída também à manipulação direta dos parâmetros da simulação pelos alunos. DESCRIPCIÓN DE LAS ACTIVIDADES O jogo de Franc-Carreau foi estudado pela primeira vez em 1733 por um naturalista e matemático francês, Georges-Louis Leclerc, o conde de Buffon e é apresentado por Badizé et al. (1996) como uma proposição para introdução às probabilidades com alunos de anos de idade. Ele consiste em lançar uma moeda em um piso de
121 azulejos de forma quadrada. Os jogadores então apostavam na posição final de tal moeda: imobilizar-se-ia ela completamente sobre um único azulejo (posição chamada franc-carreau), sobre uma junta entre dois azulejos ou sobre mais juntas? A atividade pode ser dividida em duas fases. Na primeira, que corresponde aos primeiros passos da modelização, o aluno deve reconhecer o caráter aleatório do experimento assim como se inicia no processo de abstração visando o modelo de Urna de Bernoulli. Esta primeira fase consiste em: Lançar uma moeda sobre uma superfície quadriculada (no solo se este for de lajotas quadradas ou sobre uma folha de papel A3 quadriculada para esta atividade). Descreva os gestos necessários para que qualquer pessoa possa jogar este jogo nas mesmas condições. Dado um pote com contas azuis e contas vermelhas (o aluno pode contar o número de contas de cada cor), sortear 50 vezes uma conta, com reposição. O jogo do Franc-Carreau pode ser representado pelo sorteio que você acabou de fazer? Justifique. A segunda fase da atividade se passa em ambiente informatizado: o aluno vai utilizar a simulação do jogo de Franc-Carreau para estimar a Urna de Bernoulli que melhor lhe representa. Esta fase é iniciada com a apresentação do jogo em uma tela de Cabri- Géomètre II. Após uma explicação para os alunos sobre o funcionamento deste dispositivo, ou seja, após a explicitação da função e do funcionamento do contador N, são propostas as seguintes questões: Anime o número N para ativar a simulação. Qual a frequência de sucessos obtida? Qual a Urna de Bernoulli que melhor representa este jogo? Sabendo que AB = 5,0cm e que o raio r da circunferência vale 1,0cm, qual a probabilidade de que o círculo fique em posição franc-carreau? Qual a Urna de Bernoulli que melhor representa este jogo? CONCLUSIONES Estas atividades foram elaboradas e experimentadas no desenvolvimento da pesquisa de doutorado, Coutinho (2001) e atualmente são utilizadas na pesquisa de mestrado em andamento de Cristiane Cândido Luz, no Programa de Estudos Pós-graduados em Educação Matemática da PUC-SP, sob nossa orientação. O enfoque utilizado (simulação informática) permite a confrontação dos dois principais pontos de vista quando definimos uma probabilidade: o ponto de vista clássico ou laplaciano e o ponto de vista frequentista. Nestas condições, a construção do conceito pelo aluno é feita de forma a que ele tenha menos possibilidades de mobilizá-lo fora do seu domínio de validade, ou seja, com menos possibilidades de que este conceito torne-se um obstáculo para aprendizados futuros no domínio do cálculo de probabilidades. As atividades que propomos permitem também um trabalho sobre conhecimentos já adquiridos pelos alunos em séries anteriores do Ensino Fundamental tais como 111
122 proporcionalidade e frequências. Destacamos o trabalho sobre todas as formas de representação destes objetos matemáticos: frações, porcentagens, etc. REFERENCIAS Badize M., Jacques, A., Petitpas, M. y Pichard, J.F. (1996). Le jeu du franc-carreau une activité probabiliste au Collège. Rouen: IREM de Rouen. Brousseau, G. (1986). Fondements et méthodes de la didactique des mathématiques. Recherches en Didactique des Mathématiques, 7 (2), Coutinho, C.Q.S. (2001). Introduction aux situations aléatoires dès le Collège: de la modélisation à la simulation d expériences de Bernoulli dans l environnement informatique Cabri-géomètre II. Tese de doutorado. Grenoble I, França: Université Joseph Fourier. 112
123 CONSTRUCCIÓN DE ÍTEMS DE ESTADÍSTICA Y PROBABILIDAD A LA LUZ DE LA PRUEBA TIMMS María Soledad Estrella Pontificia Universidad Católica de Valparaíso (Chile) soledad.estrella@ucv.cl El presente taller propone la creación de ítems de estadística y probabilidad, ítems cerrados con alternativas que representen además de la respuesta correcta, las posibles dificultades y errores frecuentes de los alumnos. Se espera contribuir a desarrollar y poner en acción, el conocimiento del contenido y el conocimiento didáctico de la disciplina. El primer taller presentará ítems de las pruebas TIMSS y desde esta presentación se propondrán objetivos de aprendizaje escolar para crear ítems; el segundo taller presentará ítems de reconocidos investigadores respecto a las temáticas de estadística y probabilidad para luego comenzar la creación de ítems similares en contenido pero diferentes en cuanto a contexto. Se espera que los participantes tomen conciencia de los procesos de pensamiento y las concepciones erradas frecuentes de sus alumnos para construir cada una de las alternativas del ítem en cuestión, y adquieran habilidades en construcción de ítems considerando la prueba internacional TIMMS e investigaciones del área. PALABRAS CLAVE Estadística, probabilidad, TIMSS, construcción de ítems, conocimiento de contenido, conocimiento didáctico INTRODUCCIÓN Este taller se propone generar espacios de discusión para desarrollar la capacidad crítica de los participantes respecto, por ejemplo, a si los ítems de TIMSS corresponden a los objetivos que la Educación Estadística promueve. También se propone estudiar ítems desarrollados en investigaciones estadísticas, como insumo para crear ítems similares en cuanto contenido, pero innovando en cuanto a contexto y datos. Se espera contribuir a la comprensión profunda del conocimiento estocástico al poner en acción el conocimiento del contenido vinculándolo con el conocimiento didáctico de la disciplina. MARCO DE REFERENCIA El marco conceptual incluye en conocimiento pedagógico del contenido señalado por Shulman (1986, 1987), y algunas características del análisis de las situaciones provenientes de la didáctica propuesta por Brousseau (1997). Para la comprensión gráfica se considera la taxonomía de comprensión gráfica de Curcio (1989).
124 RESPECTO A LA CONSTRUCCIÓN DE ÍTEMS Muñiz (1997) afirmaba que confeccionar buenos ítems es como escribir novelas, si hubiera reglas de aplicación automática, todos seríamos excelentes novelistas. Entre diferentes tipos de ítems, en este taller se considerarán ítems cerrados, ítems de selección múltiple, ítems con respuesta única; para las respuestas alternativas se considerará una clave y 3 distractores. Para la construcción es necesario considerar que los ítems se componen de: (1) una pregunta, (2) una serie de condiciones para responder a la pregunta, (3) una forma en la que los examinados deben responder, (4) un conjunto de reglas para valorar la respuesta. Las únicas reglas de construcción se enmarcarán en: (1) cada ítem evaluará un solo objetivo educativo (cada pregunta se orienta a la medición de un contenido específico y un solo comportamiento mental específico); (2) el vocabulario será adecuado al nivel de los examinados; (3) la redacción respetará normas gramaticales, ortográficas y puntuales; (4) la redacción evitará colocar información excesiva o irrelevante al ítem; (5) se prescindirá de elementos que induzcan a engaño o error; (6) se evitará el uso de frases negativas en el enunciado así como en las opciones; y (7) las alternativas serán hom*ogéneas en contenido, extensión y redacción. RESPECTO A LOS DOMINIOS COGNITIVOS (TIMSS) Desde la propuesta del TIMSS, se considerarán solo 3 ejes de habilidad: conocimiento, aplicación y de razonamiento. El primer dominio cognitivo, el conocimiento, cubre los hechos, conceptos y procedimientos que necesitan conocer los estudiantes, mientras que el segundo, la aplicación, se centra en la capacidad de los mismos para aplicar el conocimiento y la comprensión conceptual a la hora de resolver problemas o contestar a preguntas. El tercer dominio cognitivo, el razonamiento, va más allá de la solución de problemas de rutina para abarcar situaciones no conocidas, contextos complejos y problemas con múltiples etapas. 114
125 RESPECTO A LOS DOMINIOS DE CONTENIDO (GRADOS 4 Y 8) A modo de ejemplo, en grado 4º para la representación de datos se considera el dominio de la representación de datos que incluye la comprensión de cómo recopilar datos, cómo organizar los datos recopilados por uno mismo o por otros, y la representación de los mismos en gráficos y tablas, de forma que sean útiles para responder a las preguntas que propiciaron esa recopilación. Los estudiantes deben ser capaces de comparar las características de los datos y extraer conclusiones basadas en sus diferentes representaciones. El dominio de la representación de datos consta de dos áreas temáticas: lectura e interpretación; y, organización y representación. En grado 4º los estudiantes deben ser capaces de leer varias representaciones visuales de datos, y pueden ocuparse de sencillos planes de recopilación de datos o trabajar con datos que han sido recopilados por otros. Deben desarrollar destrezas para representar datos y reconocer una variedad de formas de representarlos visualmente. Representación de datos: lectura e interpretación 1. Leer datos directamente de tablas, pictogramas, gráficos de barras y gráficos circulares. 2. Comparar la información proveniente de un conjunto de datos relacionados (por ejemplo, a partir de datos o representaciones de datos sobre los sabores de helado preferidos en uno o más cursos, identificar en qué clase, el chocolate es el sabor más popular). 3. Utilizar información de representaciones de datos para contestar a preguntas que vayan más allá de leer directamente los datos representados (por ejemplo, combinar datos, realizar cálculos basados en los datos, efectuar inferencias y extraer conclusiones). Representación de datos: organización y representación 1. Comparar y juntar diferentes representaciones de unos mismos datos. 2. Organizar y representar datos utilizando tablas, pictogramas y gráficos de barras. Como otro ejemplo, para el grado 8º se considera el dominio de datos y azar, que consta de dos áreas temáticas: la interpretación de datos y la probabilidad. Datos y azar: interpretación de datos 1. Identificar, calcular y comparar características de conjuntos de datos, incluyendo la media, mediana, moda, rango y forma de distribución (en términos generales). 2. Utilizar e interpretar conjuntos de datos para contestar preguntas y resolver problemas (por ejemplo, realizar inferencias, extraer conclusiones, estimar valores entre puntos de datos dados y más allá). 3. Reconocer y describir enfoques para organizar y representar los datos que pueden conducir a una mala interpretación (por ejemplo, agrupamiento inadecuado y escalas engañosas o distorsionadas). Datos y azar: probabilidad 1. Juzgar la probabilidad de un resultado como cierto, más probable, igualmente probable, menos probable o imposible. 115
126 2. Utilizar los datos para estimar las probabilidades de resultados futuros; utilizar las probabilidades de un resultado en particular para resolver problemas; determinar la probabilidad de posibles resultados. RESPECTO A LOS ÍTEMS DE INVESTIGACIONES ESTOCÁSTICAS A modo de resumen se apuntan a continuación algunos de los autores que dan insumos de ítems a analizar en este taller y que se anexan: Garfield (1994), Fischbein y Schnarch (1997), Liu (1998), Sorto (2004) y Watson y Kelly (2003). CONCLUSIONES Entre los potenciales resultados que se esperan obtener a partir del desarrollo de este taller de construcción de ítems de estadística y probabilidad, está, ampliar la mirada del docente más allá de los contenidos, de modo que relacione entre sí las nociones asociadas a la enseñanza, al conocimiento y a la relación del alumno con el saber. Se propone que este juego de planos, del conocimiento del contenido y del conocimiento didáctico, tiene el potencial de desarrollar en los profesores o estudiantes a profesor, otra mirada de reflexión sobre las situaciones que emergen en el aula, una mirada didáctica sobre el propio actuar del profesor en la tarea de enseñar un saber. REFERENCIAS Brousseau, G. (1997). Theory of didactical situations in mathematics. Dordrecht, The Netherlands: Kluwer Academic Publishers. Curcio, F.R. (1989). Developing graph comprehension. Reston, VA: NCTM. Garfield, J.B. (1994). Beyond testing and grading: Using assessment to improve student learning. Journal of Statistics Education, 2 (1), Fischbein, E. y Schnarch, D. (1997). The Evolution with Age of Probabilistic, Intuitively Based Misconceptions. Journal for Research in Mathematics Education, 28 (1), Liu, H.J. (1998). A cross-cultural study of sex differences in statistical reasoning for college students in Taiwan and the United States. Tesis de doctorado. Minneapolis: University of Minnesota. Muñiz, J. (1997). Introducción a la teoría de respuesta a los ítems. Madrid: Pirámide. Shulman, L. (1987). Knowledge and teaching: Foundations of the new reform. Harvard Educational Review, 57 (1), Shulman, L. (1986). Those who understand: Knowledge growth in teaching. Educational Researcher, 15 (1), Sorto, M.A. (2004). Prospective Middle school teachers knowledge about data analysis and its application to teaching. Tesis de doctorado. Michigan: Department of Mathematics, Michigan State University. TIMSS (2013). Estudio internacional de tendencias en matemática y ciencias. Marco de evaluación, preguntas y ejemplos de respuestas de la prueba. Santiago de Chile: Agencia de Calidad de la Educación, Ministerio de Educación de Chile. Watson, J. y Kelly, B. (2003). Inference from a pictograph: Statistical literacy in action. En L. Bragg, C. Campbell, G. Herbert, y J. Mousley (Eds.), Mathematics education research: Innovation, networking, opportunity, Proceedings of the 26th annual conference of the Mathematics Education Research Group of Australasia, Geelong (pp ). Sydney, NSW: MERGA. 116
127 ANEXOS Algunos ejemplos del Taller
128 Algunos ejemplos del Taller
129 CONOCIMIENTO MATEMÁTICO PARA LA ENSEÑANZA DE LA PROBABILIDAD EN EDUCACIÓN PRIMARIA Emilse Gómez 1, Carmen Batanero 2 y José Miguel Contreras 2 1 Universidad Nacional de Colombia - 2 Universidad de Granada (España) egomezt@unal.edu.co, batanero@ugr.es, jmcontreras@ugr.es Esta experiencia formativa pretende desarrollar entre los participantes algunos componentes del modelo propuesto por Ball y colaboradores, en relación con contenidos probabilísticos incluidos en los currículos de educación primaria. Para llevarla a cabo se propone a los participantes una situación experimental y contextualizada que los confronte con sus propias intuiciones (correctas e incorrectas) en relación con el enfoque frecuencial de la probabilidad. Para prepararlos en la componente didáctica, se plantean situaciones relacionadas con la docencia al resolver en el aula el problema planteado. Este tipo de tareas permiten la práctica con actividades centrales a la enseñanza, como es la evaluación de los estudiantes y la identificación de sus formas de razonamiento y sus errores. Se espera que los participantes amplíen sus conocimientos de estos contenidos y de su enseñanza, en particular que reconozcan, en sus respuestas o en las de estudiantes, sesgos y concepciones erradas asociadas a la resolución del problema. PALABRAS CLAVE Formación de profesores, conocimiento matemático del contenido, conocimiento pedagógico del contenido, enseñanza de la probabilidad. INTRODUCCIÓN La necesidad de ampliar la comprensión y el desarrollo del conocimiento del profesor en el campo de la probabilidad y la estadística, ha sido reconocida como paso necesario para mejorar la formación de los profesores en varios países (Jones, 2005; Batanero, Burril y Reading, 2011; Batanero, 2013).En cuanto a la componente pedagógica, se consideran de gran ayuda situaciones relacionadas con la docencia, como las usadas en este trabajo, dado que estas tareas tienen en cuenta los contextos en que el futuro maestro ha de aplicar su conocimiento en la práctica de enseñar matemáticas (Llinares, 2009). Nos basamos en el modelo de Conocimiento Matemático para la Enseñanza de Ball, Thames y Phelp (2008) yde Hill, Ball y Schilling (2008), matizado con algunas aportaciones del enfoque ontosemiótico (Godino, 2009), que también proporcionan criterios para su desarrollo y evaluación. Este taller se enfocará en la aplicación del citado modelo para contenidos de probabilidad, tomando como referente el currículo español para educación primaria (MEC, 2006). El primer día se trabajará especialmente el componente de conocimiento matemático del contenido y el segundo día se abordará el componente de conocimiento pedagógico del contenido. Cada sesión se desarrollará en tres partes: en la primera
130 parte se expondrá y discutirá el marco de referencia, en la segunda los participantes enfrentarán una tarea y en la tercera se discutirán los resultados de la aplicación. En lo que sigue describimos brevemente el modelo, así como la metodología propuesta para la realización del taller. Posteriormente planteamos la situación experimental que se trabajará con los participantes, describiendo el objetivo pretendido con cada consigna planteada. Finalmente, presentamos las conclusiones obtenidas en una aplicación previa (Gómez, Batanero y Contreras, ) y los resultados esperados con este taller. MARCO DE REFERENCIA El modelo de Conocimiento Matemático para la Enseñanza (MKT) es una propuesta para caracterizar el conocimiento matemático que utiliza el profesor en el aula para producir instrucción y crecimiento en el alumno (Hill, Ball y Schilling, 2008, p. 374).Está conformado por el conocimiento matemático del contenido y el conocimiento pedagógico del contenido. En cada uno se distinguen tres componentes; el primero se desglosa en: el conocimiento común del contenido (CCK), es el que posee cualquier persona instruida en matemática, en el sentido de Godino (2009) se puede delimitar como el conocimiento requerido al finalizar el nivel de formación al cual se va a impartir la enseñanza, en este caso estaría dado por el currículo de educación primaria; el conocimiento especializado del contenido (SCK), aplicado por el profesor para articular tareas de enseñanza; y finalmente el conocimiento en el Horizonte Matemático, es una visión más amplia de la matemática que la requerida para la enseñanza. Esta última ha sido criticada por su amplitud, de modo que en lugar de ella adoptamos la denominación conocimiento ampliado del contenido (Godino, 2009), entendido como el conocimiento matemático que es más amplio que el correspondiente al nivel de formación en que se imparte la enseñanza y que los estudiantes debieran haber adquirido durante su preparación como profesores. El conocimiento pedagógico del contenido se desglosa en: el conocimiento del contenido y de los estudiantes (KCS), que incluye el conocimiento de sesgos, errores y dificultades, estrategias y aprendizaje del alumno; el conocimiento del contenido y la enseñanza, que incluye aquellos aspectos relacionados con los procesos adecuados para enseñar y evaluar un tema; y conocimiento del currículo. Asimismo, en este taller adoptamos las herramientas dadas por Godino (2009) con el fin de proporcionar posibilidades de análisis para la evaluación y desarrollo del conocimiento profesional del profesor. Las consignas que usamos en la Tarea 1, forman parte de las sugeridas por este autor para: (i) valoración de situaciones introductorias en procesos formativos para el desarrollo de competencias profesionales, (ii) como cuestionario de autoevaluación y reflexión del profesor sobre aspectos relevantes de su propia práctica, y (iii) como instrumento de un evaluador externo para valorar un proceso de estudio implementado (p. 25). 120
131 Metodología Tras una breve exposición del marco de referencia, la parte aplicada del taller se desarrollará de la siguiente forma: una vez resuelta la primera pregunta de la tarea en forma individual, se debaten colectivamente estas respuestas, diferenciando las correctas e incorrectas, con apoyo de experimentación, dejando que sean los propios participantes quienes lleguen a reconocer sus errores previos. Posteriormente, trabajando en parejas, los participantes realizan actividades de evaluación de respuestas de alumnos ficticios y justifican las razones por las que consideran cada respuesta correcta o incorrecta, razonando asimismo, sobre el contenido matemático requerido para la solución correcta de la tarea. Finalmente, se pedirá a los participantes que propongan una tarea con características similares, que involucre contenidos de probabilidad y se acompañe de algunas respuestas correctas e incorrectas con el fin de proponerlas en una actividad de formación de profesores. DESCRIPCIÓN DE LAS ACTIVIDADES Las tareas propuestas siguen la metodología sugerida por Godino (2009) para desarrollar y evaluar cada componente de conocimiento. Para el conocimiento común del contenido (CCC) se pide a los asistentes al taller resolver un problema (pregunta 1). Para el conocimiento especializado del contenido (CEC), se pide identificar los objetos y procesos matemáticos puestos en juego en la solución (pregunta 2). Para el conocimiento del contenido y de los estudiantes (CCE), se pide describir posibles razonamientos o estrategias de los alumnos para resolver el problema, de manera correcta o no (preguntas 3 y 4). El problema propuesto en la Tarea 1 del Anexo 1 es una adaptación del propuesto por Green (1983) y se utilizó en una investigación con futuros profesores españoles (Gómez, Batanero y Contreras, ). Esta pregunta permite valorar el reconocimiento del carácter aproximado de la estimación de la probabilidad en el significado frecuencial. Responder en forma correcta implica reconocer la ausencia de equiprobabilidad ocasionada por la asimetría física en el dispositivo, utilizar la información de la primera experimentación para predecir la frecuencia en repeticiones sucesivas, y estimar la variabilidad del muestreo. CONCLUSIONES La aplicación previa con futuros maestros de primaria en España (Gómez, Batanero y Contreras, ) mostró los siguientes resultados: En cuanto al conocimiento común de la probabilidad, sólo una tercera parte mostró una intuición simultánea de la convergencia al valor esperado y de la variabilidad muestral. El resto muestra diferentes sesgos, como la equiprobabilidad, la heurística de la representatividad o piensa que no es posible hacer una predicción. Una parte importante del grupo produce muestras de variabilidad extrema o de patrón determinista. Si bien, la identificación de las respuestas correctas e incorrectas de niños ficticios en la segunda parte del cuestionario, indica que su conocimiento mejora, lo que fue atribuido al aprendizaje logrado mediante la experiencia formativa. 121
132 Con respecto al conocimiento especializado del contenido, se observó falta de capacidad para identificar los objetos matemáticos en una tarea, incluso cuando los futuros maestros utilizaron dichos objetos al resolver correctamente los problemas planteados. En relación al conocimiento del contenido y de los estudiantes, se observó que un alto porcentaje de los participantes fueron capaces de dar razones válidas para los errores en las respuestas de niños ficticios. Los razonamientos erróneos mejor identificados fueron la ausencia de variabilidad en los valores dados, su cercanía al 50% yla diferencia con frecuencias dadas por el profesor. La resolución previa de los problemas y discusión colectiva de las soluciones apoyada en la simulación proporcionó también a los futuros maestros un modelo sobre la metodología de enseñanza de la probabilidad; donde conviene confrontar a los participantes con sus propios sesgos e intuiciones incorrectas, darles oportunidad de debatir estas ideas con sus compañeros y proporcionarles, por medio de la simulación, una mayor experiencia con los fenómenos aleatorios que les lleven a corregir y rechazar estas intuiciones incorrectas. En el desarrollo de este taller se espera encontrar resultados similares, así como otros tipos de respuestas debido a las diferencias en el contexto de aplicación, por ejemplo por la participación de profesores en ejercicio o de estudiantes de licenciatura en matemáticas. Finalmente, esperamos promover el desarrollo de propuestas de enseñanza utilizando la metodología aplicada en este taller y con ello aportar al mejoramiento de la formación (inicial o continua) de los profesores. REFERENCIAS Ball, D.L., Thames, M.H., y Phelps, G. (2008). Content knowledge for teaching. What makes it special? Journal of Teacher Education, 59 (5), Batanero, C. (2013). Probability teaching and learning. En S. Lerman (Ed.), Encyclopedia of mathematics education. New York: Springer. springerreference.com/docs/html/chapterdbid/ html. Batanero, C., Burrill, G., y Reading, C. (Eds.). (2011). Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI and IASE study. New York: Springer. Godino, J.D. (2009). Categorías de análisis de los conocimientos del profesor de matemáticas. UNIÓN, 20, Gómez, E., Batanero, C., y Contreras, J.M. (). Conocimiento matemático de futuros profesores para la enseñanza de la probabilidad desde el enfoque frecuencial. Bolema, 28 (48), Green, D.R. (1983). From thumbtacks to inference. School Science and Mathematics, 83 (7), Hill, H.C., Ball, D.L., y Schilling, S. (2008). Unpacking pedagogical content knowledge: Conceptualizing and measuring teachers topic-specific knowledge of students. Journal for Research in Mathematics Education, 39 (4), Jones, G.A. (Ed.). (2005). Exploring probability in school: Challenges for teaching and learning (pp ). New York: Springer. 122
133 Llinares, S. (2009). Competencias docentes del maestro en la docencia en matemáticas y el diseño de programas de formación. UNO. Revista de Didáctica de las Matemáticas, 51, MEC (2006). Real Decreto 1513/2006, de 7 de diciembre, por el que se establecen las enseñanzas mínimas de la Educación Primaria. España: Ministerio de Educación y Cultura. ANEXOS Tarea 1. Parte 1. Un profesor vacía sobre la mesa un paquete de 100 chinchetas obteniendo los siguientes resultados: 68 caen con la punta para arriba y 32 caen hacia abajo. Supongamos que el profesor pide a 4 niños repetir el experimento, lanzando las 100 chinchetas. Cada niño obtendrá algunas con la punta hacia arriba y otras con la punta hacia abajo. 1. Escribe en la siguiente tabla un posible resultado para cada niño: Daniel Martín Diana María Punta arriba: Punta arriba: Punta arriba: Punta arriba: Punta abajo: Punta abajo: Punta abajo: Punta abajo: Parte 2. Cuatro alumnos completaron cada uno la tarea anterior. Estas fueron sus respuestas Alumno1 Alumno2 Alumno 3 Alumno 4 Daniel Martín Diana María Punta arriba: 32 Punta arriba: 70 Punta arriba: 35 Punta arriba: 65 Punta abajo: 68 Punta abajo: 30 Punta abajo: 65 Punta abajo: 35 Daniel Martín Diana María Punta arriba: 67 Punta arriba: 68 Punta arriba: 70 Punta arriba: 71 Punta abajo: 33 Punta abajo: 32 Punta abajo: 30 Punta abajo: 29 Daniel Martín Diana María Punta arriba: 68 Punta arriba: 68 Punta arriba: 68 Punta arriba: 68 Punta abajo: 32 Punta abajo: 32 Punta abajo: 32 Punta abajo: 32 Daniel Martín Diana María Punta arriba: 50 Punta arriba: 51 Punta arriba: 48 Punta arriba: 53 Punta abajo: 50 Punta abajo: 49 Punta abajo: 52 Punta abajo: Indica el contenido matemático que tienen que usar los alumnos para dar la respuesta correcta 3. Señala cuál o cuáles de estas respuestas son correctas 4. Para cada una de las respuestas incorrectas explica cuáles son las posibles intuiciones o estrategias incorrectas que han llevado a los participantes a dar una respuesta errónea 123
134 TALLERES DE APRENDIZAJE ACTIVO EN LA ENSEÑANZA DE ESTADÍSTICA Pedro Nel Pacheco Universidad Nacional de Colombia Dentro de las estrategias para la enseñanza de la estadística se puede utilizar la de taller de aprendizaje activo, en el cual se hacen predicciones individuales, luego grupales para posteriormente hacer una fase experimental que ponga en evidencia los aciertos y equivocaciones de los pronósticos. Haciendo el ejercicio docente con los estudiantes del curso de Enseñanza de la estadística, de la MECE, hemos propuesto y ejecutado un taller asociado al tema de prueba de hipótesis, el cual ha sido adaptado del que aparece en el artículo Teoria de las situaciones didácticas de Alain Kusniak, (traducido del francés por Flavio Barman), el cual a su vez fue construido sobre Une expérience sur l enseignement des statistiques et des probabilités de G. Brousseau, N Brousseau y V. Warfield (2002). En la misma modalidad presentamos para este encuentro, el taller sobre los conceptos estadísticos asociados con el diseño y recolección de información experimental. PALABRAS CLAVE Prueba de hipótesis, aprendizaje activo, diseño de experimentos. INTRODUCCIÓN Los estándares de matemáticas y de ciencias naturales que tienen que ver con probabilidad y estadística, abundan en situaciones relacionadas con recolectar información que permita validar las relaciones de causalidad que se dan entre variables, al observar un fenómeno o con diseño de experimentos para comprobar hipótesis. Las relaciones entre una variable X (posible causa) y una variable Y (efecto o respuesta) se pueden analizar estadísticamente según la siguiente tabla: Variable X Variable Y Aforismo Método Escala nominal Escala nominal Dime tu sexo que te diré tu gusto musical Tabla de contingencia Dime la dieta que te Escala Escala de correspondió que te diré nominal razón tu pérdida de peso Análisis de varianza Escala de Escala Dime cuántas calorías de consumes que yo te diré razón razón tu aumento de peso Análisis de varianza Tabla 1. Relación entre dos variables según escala Con las tablas de contingencia se construyen los perfiles de cada categoría de la variable X frente a las categorías de la variable Y, los cuales se interpretan como
135 inferencias de las probabilidades condicionales. El análisis de varianza o descomposición de la varianza se realiza sobre los datos de la variable dependiente o respuesta siempre y cuando se haya elaborado y ejecutado un diseño experimental, en el que se den con rigor los pasos metodológicos de la elaboración de un proyecto conducente a la validación de hipótesis. MARCO DE REFERENCIA La estadística es una parte del método científico y éste hace uso de aquella. Algunas técnicas estadísticas son más apropiadas que otras en algunos campos científicos o tecnológicos y, ya que la estadística es una parte del método científico, se entiende que él difícilmente puede tener exactamente el mismo sentido en todos los campos. Se sugiere también, correctamente, que la influencia entre la estadística y las ciencias fluye en ambas direcciones. Muchas técnicas estadísticas emergieron de otras ciencias, pero es también razonable pensar la estadística como una ciencia en su propio sentido, capaz de desarrollo interno. Esto es especialmente cierto, si se interpreta la Estadística en términos generales para incluir la probabilidad, la teoría de la decisión, la teoría estadística y sus aspectos filosóficos, interpretación que será adoptada en este escrito. Para lograr que el proceso de enseñanza-aprendizaje quede centrado en el estudiante se han desarrollado muchas estrategias, una de las cuales se acoge en esta oferta y se sintetiza con el resumen del artículo El aprendizaje activo. Una nueva forma de enseñar y aprender del Institut de Ciènces de l educación Universitat Politècnica de Catalunya (Àrea de Formación, 2000): El aprendizaje activo es aquel aprendizaje que precisa, como prerrequisito fundamental, la implicación, atención, participación y esfuerzo del alumno. El profesor cambia alguna de sus funciones con la incorporación de este tipo de aprendizaje, pero su importancia en el proceso educativo sigue siendo de total relevancia. Algunas de las funciones que deberá desempeñar son: orientar, ayudar, proponer nuevas actividades, guiar el aprendizaje, planificar las sesiones de forma diferente, clarificar dudas, exponer información, acompañar al alumno en la adquisición de nuevos aprendizajes, capacidades y habilidades. El aprendizaje activo supone un aprendizaje significativo: el alumno establece una relación lógica entre sus conocimientos previos y el nuevo aprendizaje, asimilando e incorporando el nuevo conocimiento a sus esquemas cognitivos y teniendo la capacidad de generalizar a otros contextos. El aprendizaje activo, además, puede llegar a suponer un aprendizaje relevante, que produzca en el alumno la reestructuración de sus esquemas mentales y la adquisición de nuevos y más complejos conocimientos y habilidades alejadas de su realidad más cercana, entre otros aspectos. El aprendizaje activo debe incorporarse paulatinamente en el aula. No podemos cambiar completamente nuestra forma de enseñar si el grupo no está acostumbrado a esta forma de trabajar, puesto que podríamos crear bloqueos, rechazos, frustración y obstáculos por parte de los alumnos: todas las personas necesitamos un periodo de adaptación a los cambios, es por ello que deberemos 125
136 I Encuentro Colombiano de incorporar el aprendizaje activo escalonadamente, como se acostumbra a decir: sin prisa pero sin pausa. El aprendizaje activo requiere una planificación por parte del profesor, y una coherencia en su desarrollo: los objetivos, actividades y posterior evaluación deberán seguir una misma línea (no podemos evaluar como conocimientos objetivos que se han trabajado y alcanzado a través de actividades de síntesis ). Es importante alternar y utilizar diferentes actividades a lo largo del curso: clases expositivas, aprendizaje cooperativo, aprendizaje activo. Ninguna de ellas constituye en sí misma la panacea del aprendizaje, son instrumentos que utilizamos según su utilidad en determinadas ocasiones para ayudar a los alumnos a adquirir los diferentes conocimientos a través de diversas vías o alternativas. Analizando los conocimientos disciplinares indispensables en la vida cotidiana, se puede afirmar que corresponden en esencia con: tener sentido de númeromagnitud y medida, y tener sentido de incertidumbre. Se puede pensar que, una formación estadística escolar, proporcionaría a los egresados de los diferentes niveles de la educación básica y media, la preparación necesaria para el manejo de la información corriente y que no se requeriría de una opción específica posterior dedicada exclusivamente a ella. Para profundizar y desarrollar las ciencias básicas (entre ellas la estadística) se requiere mucho más tiempo y dedicación del que se podría destinar en el marco y diversidad de las asignaturas incluidas en un plan de estudios de la educación básica. La actividad estadística no debe juzgarse como valedera exclusivamente en la medida que tenga aplicaciones prácticas evidentes; perdería gran parte de su riqueza, la belleza intrínseca de sus construcciones y razonamientos que generan procesos formativos de mayor importancia. Los estudiantes deben apreciarla en toda su dimensión; una ciencia para usar y gozar. De otra parte, del bajo porcentaje de estudiantes de la Educación Básica que ingresan a la Universidad, pocos se inclinan por áreas que profundicen en los conocimientos estadísticos; por ello un programa curricular fundamental en Estadística debe abarcar demás de una sólida y profunda base para estudios posteriores, también debe estar diseñado de manera balanceada y coherente pensando en unas metas apropiadas (aunque no limitantes) para quienes ingresen a las fuerzas productivas después de sus estudios básicos. Esta serie de cuestionamientos y expectativas, constituyen un problema que es necesario ayudar a resolver, teniendo en cuenta que en la escuela el individuo debe comenzar a desarrollar este tipo de habilidades. Desde el preescolar el niño puede iniciarse en la manipulación de elementos, con el fin de construir las bases sobre las cuales se cimentará el sentido de número, de conteo, de medición e inclusive de aleatoriedad y probabilidad. En la secundaria puede avanzarse en los tópicos anteriores, ejercitarse en el uso de herramientas básicas para elaborar y realizar proyectos de investigación acordes con su interés, modalidad y recursos, fomentando desde este nivel la lectura inteligente y crítica de informes estadísticos. 126
137 DESCRIPCIÓN DE LAS ACTIVIDADES Actividad de prueba de hipótesis Objetivo del ejercicio Construir el lenguaje y los conceptos básicos de una prueba Estadística de hipótesis. Hacer evidente la noción de aleatoriedad y que mediante las estadísticas de las observaciones los estudiantes se acerquen a formular y validar una hipótesis sobre un parámetro de una distribución de probabilidad. Conceptos previos necesarios para el desarrollo del ejercicio Espacio muestral de un experimento aleatorio, eventos y probabilidad de eventos, distribución binomial. Problema didáctico a resolver con el ejercicio La formulación de una hipótesis sobre los parámetros de una población de datos, se ha venido haciendo mediante fórmulas procedimentales que impiden la conceptualización de los elementos básicos de la prueba estadística de hipótesis. Hipótesis o pregunta para la actividad didáctica Qué proporción de los elementos de una población tienen un determinado atributo? El promedio de una determinada característica de la población tiene un valor dado?. Una población de datos estadísticos tiene baja dispersión? Materiales para la actividad didáctica Para la actividad de determinar la proporción de balotas negras en la botella: balotas de colores blanco y negro, bolsa plástica negra, botella negra con tapa traslúcida, hojas de papel, lápiz. Protocolo de desarrollo o de toma de datos para la actividad didáctica Para la actividad de determinar la proporción de balotas negras en la botella: El profesor mostrará a los alumnos las balotas dentro de la bolsa, para que ellos estén seguros que existen las balotas blancas y negras. El profesor dirige la acción de que un estudiante escoja 5 balotas, sin quesean vistas por alguno de los presentes y luego hace que sean introducidas en la botella opaca, a la cual le será colocada la tapa transparente. Agitará el saco antes de la selección y preguntará qué sentido tiene hacer esto. El profesor pedirá a los estudiantes que llenen sus hojas de predicciones individuales y medirá el tiempo de ejecución de esta actividad. (10 minutos) El profesor pedirá a los estudiantes que llenen sus hojas de predicciones grupales y medirá el tiempo de ejecución de esta actividad. (15 minutos) Cada grupo dispondrá ahora de su propia botella y comenzará a hacer observaciones. El profesor estará atento para que los estudiantes superen el obstáculo determinista, que posiblemente se presente cuando con 5 observaciones crean tener la verdad del contenido de la botella. Presentación y discusión general de resultados de cada grupo y comparación con las predicciones grupales de partida. 127
138 I Encuentro Colombiano de El profesor intenta formalizar una hipótesis de contenido de balotas negras o blancas y de sustentar la prueba con los datos experimentales que los alumnos han recolectado. Bibliografía utilizada y recomendada Estadística en el nivel medio (modalidad Ciencias). Pedro Nel Pacheco. Oscar Soto. XI Coloquio Distrital de Matemáticas y Estadística (Soto, 1994) Aplicación de las pruebas de hipótesis en la investigación en salud: estamos en lo correcto? Pedro Monterrey, Carlos Gómez-Restrepo (Monterrey, 2007) Teoría de las situaciones didácticas de Alain Kusniak. Pruebas piloto La actividad de determinar la proporción de balotas negras en la botella se experimentó en un taller realizado por la Academia Colombiana de Ciencias Exactas Físicas y Naturales (ACCEFYN) en un taller experimental dentro del programa Apropiación de las CIENCIAS desde el aula en noviembre del El taller fue de dos horas, tiempo insuficiente para desarrollar la actividad en su totalidad. El taller base del taller propuesto fue desarrollado por la señora Brousseau en 31 sesiones de media a una hora cada sesión. Posterior a la evaluación Conclusión privada por parte del docente de los alcances del ejercicio y sugerencias para mejorarlo. El docente debe registrar las preguntas formuladas durante la sesión y las soluciones planteadas para ajustar la actividad. La medición de tiempo durante el desarrollo de la actividad es importante para que la parte de predicción es intuitivas y la parte técnica se complementen. Actividad de diseño de experimentos Objetivo del ejercicio Conceptualizar los principios que tiene que cumplir un investigador cuando programa un experimento con la intención de comparar los efectos de varios tratamientos sobre una respuesta. Tales principios son tres: aleatorización, repetición y control local. Conceptos previos necesarios para el desarrollo del ejercicio Promedio, varianza y descomposición de la varianza. Problema didáctico a resolver con el ejercicio Para la realización del experimento se requiere del conjunto de tratamientos a probar y del conjunto de unidades experimentales (UE) sobre las que se efectuarán las manipulaciones. Se trata de hacer consientes a los estudiantes que el conjunto de UE es imposible de conseguirlo con un grado de hom*ogeneidad muy alto y que por tanto se requiere de un procedimiento de azar que garantice la inexistencia de preferencias del investigador por favorecer con las mejores UE algún tratamiento. Así mismo la cuantificación del error por esa falta de hom*ogeneidad en las UE y en las manipulaciones a que haya lugar, hace necesario que exista repetición de cada tratamiento sobre UE similares, para tener una idea de la magnitud de variabilidad que está dando el proceso debido a falta de control ya sea por imposibilidad operativa o por desconocimiento (error experimental). Habilidades, además de las conceptuales a desarrollar en el estudiante 128
139 Él desarrolla habilidades para realizar experimentos comparativos, cuando los materiales experimentales carecen de control en aspectos como los ambientales, de manejo instrumental u operativo. Identifica fuentes de variación de las observaciones y genera estrategias para controlar condiciones experimentales. Hipótesis ó pregunta para la actividad didáctica Realizando un experimento sencillo se logra la apropiación de los conceptos sobre principios del diseño de experimentos. Materiales para la actividad didáctica Agua (1botella de gaseosa 2.5), jabón (3copas), Glicerina (2 copas), aros de alambre, cronómetro, lápiz papel. Protocolo de desarrollo o de toma de datos para la actividad didáctica Preparación de los TRATAMIENTOS: El Tratamiento 1: Se mezclan 1 parte de jabón con 15 partes de agua y sin glicerina: AJG0 El tratamiento 2: Se mezclan 1 parte de jabón con 15 partes de agua y media parte de glicerina: AJG1 El tratamiento 3: Se mezclan 1 parte de jabón con 15 partes de agua y una parte de glicerina: AJG2 Preparación de las UNIDADES EXPERIMENTALES: Se Construyen aros dealambre los más similares posible (UE hom*ogéneas), cada tratamiento debe ser aplicado a por lo menos a dos UE. Para el ejercicio se utilizan 15 UE. Cada tratamiento es aplicado a 5 UE (réplicas) El profesor pedirá a los estudiantes que llenen sus hojas de predicciones individuales y medirá el tiempo de ejecución de esta actividad. (10 MINUTOS) El profesor pide a los estudiantes que llenen sus hojas de predicciones grupales y mide el tiempo de ejecución de esta actividad. (15 minutos) Cada grupo dispone ahora del material experimental y observa el video de instrucción. Presentación y discusión general de resultados de cada grupo y comparación con predicciones El profesor intenta formalizar la idea de descomposición de la varianza como herramienta de análisis de los resultados. Tablas a completar o gráficas a realizar con los datos del ejercicio Identificación de variables. En una hoja de Excel se registran los datos de cada UE con el tratamiento que le correspondió y con la respuesta que arrojó el procedimiento. Análisis de resultados de la actividad didáctica, a través de preguntas dirigidas o sugeridas al estudiante: Cuál es valor prototipo de respuesta para cada tratamiento? Éste prototipo representa adecuadamente cada respuesta?. A qué se debe que las UE tratadas similarmente presenten diferencias en la respuestas? Depende la respuesta del tratamiento que le correspondió? Forma de socialización de los resultados del ejercicio 129
140 Foro, discusión, plenaria, etc. Los resultados serán socializados en una plenaria, donde serán respondidas las preguntas formuladas en el punto anterior y otras que surjan de las inquietudes de los jóvenes. Forma de evaluación por parte del docente de los objetivos del ejercicio El profesor presentará un artículo de revista científica en el que se ha utilizado un diseño de experimentos para que los estudiantes lo analicen críticamente. Bibliografía utilizada y recomendada Diseño y análisis de experimentos. Douglas C. Montgomery. Grupo Editorial Iberoamericana (Montgomery, 1991) Diseño de experimentos, principios estadísticos de diseño de experimentos y análisis de investigación, 2 ed. Thomson Learning. (Kuehl, 2001). Prueba piloto Esta actividad se probó con los estudiantes del curso Experimentos en problemas interdisciplinarios en las ciencias naturales del primer semestre del año 2011, en la Maestría de enseñanza de las ciencias exactas y naturales, de la Facultad de Ciencias de la Universidad Nacional de Colombia. La parte operativa funcionó bien, queda la duda si el buen desempeño de la actividad se debió a que la mayoría de estudiantes correspondían a profesores del área de biológicas. Posterior a la evaluación Conclusión privada por parte del docente de los alcances del ejercicio y sugerencias para mejorarlo, en la prueba piloto realizada, los docentes grabaron la sesión para su análisis posterior. El docente debe registrarlas preguntas formulada durante la sesión y las soluciones planteadas para ajustar la actividad. La medición de tiempo durante el desarrollo de la actividad es importante para que la parte de predicciones intuitivas y la parte técnica se complementen. REFERENCIAS Àrea de Formación I.D.C.D.L. (2000). El aprendizaje activo. Una nueva forma de enseñar y aprender. España: Universitat Politècnica de Catalunya. Brousseau, G. (1983). Les obstacles épistemologiques et les problémes en mathématiques. Recherches en Didactique des Mathématique, 4 (2), Brousseau, G., Brousseau, N. y Warfield, V. (2002). An experiment on the teaching of statistics and probability. Journal of Mathematical Behavior, 20, Kuehl, R. (2001). Diseño de Experimentos. Principios estadísticos de diseño de experimentos y análisis de investigación. New York: Thomson Learning. Marqués, P. (2005). Didáctica. Los procesos de enseñanza y aprendizaje. La motivación. Y LIBROS/TIC/PROCESOS DE EA.pdf. Monterrey, P. y Gómez-Restrepo, C. (2007). Aplicación de las pruebas de hipótesis en la investigación en salud: estamos en lo correcto? Universitas Médica, 48 (3). Pozo, J. (1987). Aprendizaje de la ciencia y pensamiento causal. Barcelona: Visor Libros. Soto, O. P.P. (1994) Estadística en el nivel medio (modalidad Ciencias). Trabajo presentado en el XI Coloquio Distrital de Matemáticas y Estadística. Bogotá, Colombia. 130
141 ANEXOS Actividad 1 I Encuentro Colombiano de UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE CIENCIAS MAESTRIA EN ENSEÑANZA DE LAS CIENCIAS EXACTAS Y NATURALES Enseñanza de la Estadística Entregue esta hoja cuando sea requerida por el profesor o el monitor de la clase. Nombre: Grupo: LABORATORIO DE APRENDIZAJE ACTIVO - PRUEBA ESTADÍSTICA DE HIPÓTESIS HOJA DE PREDICCIONES INDIVIDUAL Instrucciones: Esta hoja será recogida en cualquier momento por el profesor o el monitor de la clase. Escriba su nombre para registrar su asistencia y participación en estas demostraciones. Tenga en cuenta que sus prediccionesno serán tenidas en cuenta para la evaluación. Siga las instrucciones del docente. En la hoja de resultados que se adjunta, puede escribir sus comentarios y llevársela para estudios posteriores. AUTOR: Pedro Nel Pacheco Durán. Universidad Nacional de Colombia-Bogotá. 131
142 La bolsa de la figura contiene 100 balotas blancas y negras en su interior. Un estudiante, mezcla bien las balotas de la bolsa y sin mirar agarra 5 de ellas y las introduce en la botella opaca que sólo tiene la tapa traslúcida (se puede ver únicamente la balota que asome a su tapa) En 10 minutos realice las siguientes predicciones 1. Describa la estrategia que se debe seguir para determinar el número de balotas negras que contiene la botella 2. De acuerdo con la estrategia establecida, cuantas balotas negras se espera que contenga la botella? 3. Enuncie al menos un fenómeno de la vida real que se asemeje a la situación de la inferencia propuesta. 132
143 UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE CIENCIAS MAESTRIA EN ENSEÑANZA DE LAS CIENCIAS EXACTAS Y NATURALES Enseñanza de la Estadística Entregue esta hoja cuando sea requerida por el profesor o el monitor de la clase. Nombre 1: Nombre 2: Nombre 3: Grupo: LABORATORIO DE APRENDIZAJE ACTIVO - PRUEBA ESTADÍSTICA DE HIPÓTESIS HOJA DE PREDICCIONES GRUPAL Instrucciones: Esta hoja será recogida en cualquier momento por el profesor o el monitor de la clase. Escriba su nombre para registrar su asistencia y participación en estas demostraciones. Tenga en cuenta que sus prediccionesno serán tenidas en cuenta para la evaluación. Siga las instrucciones del docente. En la hoja de resultados que se adjunta, puede escribir sus comentarios y llevársela para estudios posteriores. En 15 minutos realice las siguientes predicciones, haciendo un consenso, hasta donde sea posibles con sus compañeros de grupo AUTOR: Pedro Nel Pacheco Durán. Universidad Nacional de Colombia-Bogotá. 1. Describa la estrategia que se debe seguir para determinar el número de balotas negras que contiene la botella 2. De acuerdo con la estrategia establecida, cuantas balotas negras espera que contenga la botella? 3. Enuncie al menos un fenómeno de la vida real que se asemeje a la situación de la inferencia propuesta UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE CIENCIAS MAESTRIA EN ENSEÑANZA DE LAS CIENCIAS EXACTAS Y NATURALES Enseñanza de la Estadística Guarde esta hoja para estudiar fuera de la clase. LABORATORIO DE APRENDIZAJE ACTIVO - PRUEBA ESTADÍSTICA DE HIPÓTESIS HOJA DE RESULTADOS Instrucciones: En esta hoja puede escribir sus anotaciones, resúmenes y conclusiones y llevarla para su estudio personal después de clase. 133
144 1. Se trata de inferir el contenido de balotas negras y blancas de la botella sin jamás abrirla AUTOR: Pedro Nel Pacheco Durán. Universidad Nacional de Colombia- Bogotá. 2. Cada alumno debe obtener información observando las balotas que se asoman al cuello traslúcido de la botella. 3. Registre la estrategia que sigue para realizar las observaciones 4. Concuerda las conclusiones con las predicciones? 5. Cuál es la estrategia que permite determinar el número de balotas negras contenidas en la botella? UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE CIENCIAS MAESTRIA EN ENSEÑANZA DE LAS CIENCIAS EXACTAS Y NATURALES Enseñanza de la Estadística MANUAL DE LA PRÁCTICA OBJETIVO: Aplicación del método de aprendizaje activo en una sesión de laboratorio de aprendizaje activo para lograr que en los niños surja la noción de aleatoriedad y que mediante las estadísticas de las observaciones se acerquen a formular y validar una hipótesis sobre la cantidad de balotas de cierto color en una botella. DIRIGIDO A: Estudiantes de 10 o 11 grado de educación media. ADAPTACIÓN DE: Pedro Nel Pacheco Durán. Universidad Nacional de Colombia-Bogotá. MATERIALES: Balotas de colores Blanco y negro, bolsa plástica negra, botella negra con tapa traslúcida, hojas de papel, lápiz. 1. El profesor mostrará a los alumnos las balotas dentro de la bolsa, para que ellos estén seguros que existen las balotas blancas y negras. 2. El profesor dirige la acción de que un estudiante escoja 5 balotas, sin que sean vistas por alguno de los presentes y sean introducidas en la botella opaca, a la cual le será colocada la tapa transparente. Agitará el saco antes de la selección y preguntará qué sentido tiene agitarlo. 3. El profesor pedirá a los estudiantes que llenen sus hojas de predicciones individuales y medirá el tiempo de ejecución de esta actividad.(10 MINUTOS) 4. El profesor pedirá a los estudiantes que llenen sus hojas de predicciones grupales y medirá el tiempo de ejecución de esta actividad.(15minutos) 5. Cada grupo dispondrá ahora de su propia botella y comenzará a hacer observaciones. El profesor estará atento para que los estudiantes superen el obstáculo determinista, que posiblemente se presente cuando con 5 observaciones crean tener la verdad del contenido de la botella. 6. Presentación y discusión general de resultados de cada grupo y comparación con predicciones 7. El profesor intenta formalizar una hipótesis de contenido de balotas negras o blancas y de sustentar la prueba con los datos experimentales que los alumnos han recolectado. 8. Este experimento está adaptado del que aparece en el artículo TEORIA DE LAS SITUACIONES DIDÁCTICAS de Alain Kusniak, (traducido del francés por Flavio Barman), el cual a su vez fue construido sobre Une expérience sur l enseignement des statistiques et des probabilités de G. Brousseau, N Brousseau y V. Warfield (2002). 134
145 Actividad 2. I Encuentro Colombiano de UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE CIENCIAS ENSEÑANZA DE LA ESTADISTICA Entregue esta hoja cuando sea requerida por el profesor. Nombre: Grupo: LABORATORIO DE APRENDIZAJE ACTIVO - PRINCIPIOS ESTADISTICOS EN EL DISEÑO DE UN EXPERIMENTO HOJA DE PREDICCIONES INDIVIDUAL Instrucciones: Esta hoja será recogida en cualquier momento por el profesor o el monitor de la clase. Escriba su nombre para registrar su asistencia y participación en estas demostraciones. Tenga en cuenta que sus prediccionesno serán tenidas en cuenta para la evaluación. Siga las instrucciones del docente. En la hoja de resultados que se adjunta, puede escribir sus comentarios y llevársela para estudios posteriores. 135
146 Entregue esta hoja cuando sea requerida por el profesor o el monitor de la clase. Nombre 1: Nombre 2: 9. Vamos a realizar un experimento que nos permita responder la pregunta: Cual es la solución (jabón, agua, glicerina) que produce la mayor duración de películas de Jabón. Preparación de los TRATAMIENTOS: AUTOR: Pedro Nel Pacheco Durán. Universidad Nacional de Colombia-Bogotá. El Tratamiento 1: mezclamos 1 parte de jabón con 15 partes de agua y sin glicerina: AJG0 El tratamiento 2: mezclamos 1 parte de jabón con 15 partes de agua y media parte de glicerina: AJG1 El tratamiento 3: mezclamos 1 parte de jabón con 15 partes de agua y una parte de glicerina: AJG2 10. Preparación de las UNIDADES EXPERIMENTALES (UE): Construimos rectángulos de hilo y listones lo más similares posible (UE hom*ogéneas), cada tratamiento debe ser aplicado a por lo menos dos UE. Para el ejercicio utilizaremos 15 UE (numeradas del 1 al 15). Cada tratamiento será aplicado a 5 UE (réplicas) En 10 minutos realice las siguientes predicciones 1.Unidades experimentales de cada tratamiento: Indique el número de cada UE asignada a los tratamientos 2. Suponiendo que la duración esperada de una película de jabón corriente es de 30 segundos. Invente los datos de duraciones que se darían si ya se hubiera realizado el experimento y si no existiera ningún efecto de la glicerina. trat 1 trat 2 Trat 3 tratamiento 1 tratamiento 2 tratamiento 3 3. Suponiendo que la duración esperada de una película de jabón corriente es de 30 segundos. Invente los datos de duraciones que se darían si ya se hubiera realizado el experimento y si existiera efecto de la glicerina. trat 1 trat 2 Trat 3 136
147 Nombre 3: Grupo: LABORATORIO DE APRENDIZAJE ACTIVO - PRINCIPIOS ESTADISTICOS EN EL DISEÑO DE UN EXPERIMENTO HOJA DE PREDICCIONES GRUPAL Instrucciones: Esta hoja será recogida en cualquier momento por el profesor o el monitor de la clase. Escriba su nombre para registrar su asistencia y participación en estas demostraciones. Tenga en cuenta que sus predicciones no serán tenidas en cuenta para la evaluación. Siga las instrucciones del docente. En la hoja de resultados que se adjunta, puede escribir sus comentarios y llevársela para estudios posteriores. Vamos a realizar un experimento que nos permita responder la pregunta: Cual es la solución (jabón, agua, glicerina) que produce la mayor duración de películas de Jabón. Preparación de los TRATAMIENTOS: El Tratamiento 1: mezclamos 1 parte de jabón con 15 partes de agua y sin glicerina: AJG0 AUTOR: Pedro Nel Pacheco Durán. Universidad Nacional de Colombia-Bogotá. 1. Suponiendo que la duración esperada de una película de jabón corriente es de 30 segundos. Invente los datos de duraciones que se darían si ya se hubiera realizado el experimento y si no existiera ningún efecto de la glicerina. trat 1 trat 2 Trat 3 El tratamiento 2: mezclamos 1 parte de jabón con 15 partes de agua y media parte de glicerina: AJG1 El tratamiento 3: mezclamos 1 parte de jabón con 15 partes de agua y una parte de glicerina: AJG2 Preparación de las UNIDADES EXPERIMENTALES (UE): Construimos aros de alambre lo más similares posible (UE hom*ogéneas), cada tratamiento debe ser aplicado a por lo menos dos UE. Para el ejercicio utilizaremos 15 UE (numeradas del 1 al 15). Cada tratamiento será aplicado a 5 UE (replicas) 2. Suponiendo que la duración esperada de una película de jabón corriente es de 30 segundos. Invente los datos de duraciones que se darían si ya se hubiera realizado el experimento y si existiera efecto de la glicerina. trat 1 trat 2 Trat 3 En 10 minutos realice las siguientes predicciones Unidades experimentales de cada tratamiento: Indique el número de cada UE asignada a los tratamientos: tratamiento 1 tratamiento 2 tratamiento 3 137
148 Instrucciones: En esta hoja puede escribir sus anotaciones, resúmenes y conclusiones y llevarla para su estudio personal después de clase. Observe el video adjunto y realice los procedimientos indicados- 1. Unidades experimentales de cada tratamiento: Indique el número de cada UE asignada a los tratamientos: AUTOR: Pedro Nel Pacheco Durán. Universidad Nacional de Colombia-Bogotá. 3. Reemplace cada observación por el promedio de respuestas de su tratamiento trat 1 trat 2 Trat 3 tratamiento 1 tratamiento 2 tratamiento 3 1. Obtenga la diferencia entre lo observado (casilla amarilla) y lo modelado (casilla verde) 2. Respuesta de duración en segundos de la película de jabón en cada UE. trat 1 trat 2 Trat 3 Trat 1 trat 2 Trat 3 Verifique que la varianza de los datos de las casillas amarillas corresponde a la varianza de las casillas verdes más la varianza de las casillas grises 138
149 MANUAL DE LA PRÁCTICA Vamos a realizar un experimento que nos permita responder la pregunta : Cual es la solución (jabón, agua, glicerina) que produce la mayor duración de películas de Jabón OBJETIVO: Aplicación del método de aprendizaje activo en una sesión de laboratorio de aprendizaje activo para lograr que en los estudiantes conozcan los principios estadísticos para la realización de un experimento comparativo. DIRIGIDO A: Estudiantes de 10, o 11 grado de educación básica y media. ADAPTACIÓN DE: Pedro Nel Pacheco Durán. Universidad Nacional de Colombia-Bogotá. MATERIALES: Agua (1 botella de gaseosa 2.5), jabòn (3 copas), Glicerina (2 copas), aros de alambre, cronómetro, lápiz papel. 2. Preparación de los TRATAMIENTOS: El Tratamiento 1: mezclamos 1 parte de jabón con 15 partes de agua y sin glicerina: AJG0 El tratamiento 2: mezclamos 1 parte de jabón con 15 partes de agua y media parte de glicerina: AJG1 El tratamiento 3: mezclamos 1 parte de jabón con 15 partes de agua y una parte de glicerina: AJG2 3. Preparación de las UNIDADES EXPERIMENTALES: Construimos aros de alambre lo más similares posible (UE hom*ogéneas), cada tratamiento debe ser aplicado a por lo menos dos UE. Para el ejercicio utilizaremos 15 UE Cada tratamiento será aplicado a 5 UE (replicas) 4. El profesor pedirá a los estudiantes que llenen sus hojas de predicciones individuales y medirá el tiempo de ejecución de esta actividad.(10 MINUTOS) 5. El profesor pedirá a los estudiantes que llenen sus hojas de predicciones grupales y medirá el tiempo de ejecución de esta actividad.(15minutos) 6. Cada grupo dispondrá ahora del material experimental y observará el video de instrucción 7. Presentación y discusión general de resultados de cada grupo y comparación con predicciones 8. El profesor intenta formalizar la idea de descomposición de la varianza como herramienta de análisis de los resultados 139
150 COMBINATORIA PARA LA ESCUELA Benjamín Sarmiento y Felipe Fernández Universidad Pedagógica Nacional (Colombia) bsarmiento@pedagogica.edu.co, fjfernandez@pedagogica.edu.co Con este cursillo se pretende mostrar a los asistentes que el análisis combinatorio no es una temática exclusiva para los que se inician en el estudio de las probabilidades y que no se requiere llegar a ese nivel, para empezar a conocer los principios combinatorios y las reglas básicas de esta rama. Por eso se ha seleccionado un conjunto de problemas y situaciones que se puedan llevar a la escuela. A lo largo del cursillo se propondrán situaciones clásicas relacionadas con los principios y reglas básicas, y también se presentarán algunas situaciones más complejas donde se combinen las diferentes reglas de la combinatoria. PALABRAS CLAVE Principios combinatorios, técnicas de conteo. PRINCIPIOS COMBINATORIOS El análisis combinatorio es el estudio de los métodos que nos permiten determinar el número de elementos de un conjunto o la cantidad de posibles resultados de un experimento, sin recurrir a la enumeración directa. En el análisis combinatorio se cuenta con unos principios (Adición, multiplicación, correspondencia, Dirichlet, inclusión y exclusión y complementario) y unas técnicas de conteo (Permutaciones, variaciones y combinaciones). Principio de adición Supongamos que un procedimiento A se puede hacer de m maneras, y que un segundo procedimiento B se puede hacer de n maneras. Supongamos además que son mutuamente excluyentes. Entonces, el número de maneras como se puede hacer A o B es (m+n) maneras. En términos de conjuntos: Si A1, A2, A3,, An son conjuntos finitos no vacíos y disyuntos, entonces A1 A2 A 3... A n = A 1 + A 2 + A An Situación 1. Un coleccionista de música de Fast Domino, James Browm y Etta James tiene la oportunidad de elegir un disco de regalo entre 5 discos de Domino, 8 de Browm y 6 de Etta, de cuántas maneras puede seleccionar un disco? Principio de multiplicación También se conoce como el principio fundamental del conteo. Si una operación se puede ejecutar de n1 maneras, y si para cada una de estas ejecuciones se puede llevar a cabo una segunda operación de n2 formas, y si para cada una de las dos primeras operaciones se puede realizar una tercera operación de n3 formas, y así sucesivamente, entonces, la serie de k operaciones se puede realizar de n1 x n2 x n3.
151 x x nk formas. En términos de conjuntos: Si A1, A2, A3,, An son conjuntos finitos no vacíos, entonces A1 A2 A3... An = A1 A2 A3... An Situación 2. En la figura se muestra un tablero convencional de ajedrez con dos torres. De cuántas maneras se pueden colocar las dos torres en el tablero de tal forma que no se ataquen entre sí?. Principio de correspondencia Dos conjuntos finitos cuyos elementos pueden ponerse en correspondencia uno-uno, son del mismo tamaño. Cuando tenemos que calcular el tamaño de un conjunto, podemos encontrar otro de su mismo tamaño más fácil de medir. Situación 3. En una liga de n equipos de fútbol se deben jugar partidos eliminatorios hasta que quede uno solo, que será el campeón (n = 2 k, k natural ). Cada partido acaba con la victoria de un equipo, pues se llega si es necesario a los penaltis. Cuántos partidos se deberán jugar en toda la liga? Principio de Dirichlet (Palomar) Si hay (n+1) perlas y n cajas, entonces alguna caja contendrá más de una perla. En general: si se colocan n objetos en m cajas, alguna caja tiene más de [n/m] elementos, y existe alguna caja con a lo sumo [n/m] elementos. Este principio es más usado para justificar proposiciones que para hacer conteos. Situación 4. Cuál es el número mínimo de personas que debemos reunir para asegurarnos que hay dos de ellas que cumplen años en el mismo mes? Principio de inclusión y exclusión Para 2 conjuntos finitos este principio se define de la siguiente manera: Si A y B son conjuntos finitos, entonces A B = A + B A B Para 3 conjuntos finitos este principio se define de la siguiente manera: Si A, B y C son conjuntos finitos, entonces A B C = A + B + C A B A C B C + A B C. Para n conjuntos finitos este principio se define de la siguiente manera: Si A1, A2,, An son conjuntos finitos, y a1= A 1 + A An 141
152 a2= a3=... I Encuentro Colombiano de A1 A 2 + A1 A An-1 An A1 A2 A 3 + A1 A2 A An-2 An-1 An A1 A2 A 3... An an= Entonces: n n-1 k n n k k=1 A A A... A = a - a + a -...+(-1) a = (-1) a Situación 5. Cuántos números enteros hay entre 1 y 500 inclusive, que son divisibles por 2, por 3 o por 5? Principio del complementario Si X es un conjunto finito con n elementos, X Y X Y n m. Y X. con m elementos, entonces Situación 6. Daniela extrae, con reemplazo, 5 cartas de una baraja francesa de 52 cartas. Cuántas posibilidades tiene de sacar al menos una Jota? TÉCNICAS DE CONTEO Y CONFIGURACIONES COMBINATORIAS Las técnicas de conteo son las diferentes reglas que permiten contar de manera abreviada la cantidad de elementos que tiene un conjunto. En estas reglas aparecen con frecuencia los números factoriales y los números combinatorios o coeficientes binomiales. Por otra parte, se llaman configuraciones combinatorias a los diferentes objetos que se pueden formar con los elementos (iniciales) de un conjunto. Estas configuraciones pueden ser permutaciones, variaciones y combinaciones (con o sin permitir repeticiones de los elementos iniciales). Las técnicas de conteo son útiles para contar la cantidad de configuraciones construidas bajo ciertas condiciones. Para describir las principales técnicas de conteo es importante tener presente una notación y vocabulario básico tal como la idea de factorial y coeficiente combinatorio binomial, que se explican a continuación. Factorial de n. El factorial de n se define como el producto de los enteros positivos que son menores o iguales a n, y se simboliza n! = nx(n-1)x(n-2)x(n-3)x(n-4)x x3x2x1. Además, se define 0! = 1. n n n! Coeficiente binomial. El coeficiente binomial C k se define como =, (n k 0). k k!(n -k)! El coeficiente binomial se puede interpretar de cuatro manera diferentes: Interpretación conjuntista: representa la cantidad de subconjuntos de tamaño k que se pueden formar en un conjunto de tamaño n. Interpretación aritmética: C es el número que resulta de realizar las operaciones n! k!(n -k)!. n C k n k 142
153 I Encuentro Colombiano de Interpretación algebraica: k n k xy C n k en el desarrollo de n k se puede interpretar como el coeficiente de kn n n k nk x y x y k k0 Interpretación geométrica: En una cuadrícula de n k filas por k columnas, representa la cantidad de caminos ascendentes desde (0,0) hasta (n k,k). Permutación de n elementos diferentes Son los diferentes arreglos que pueden formarse con los n elementos de un conjunto, de tal modo que dos arreglos difirieren entre sí porque sus elementos están en distinto orden. El número de permutaciones de n objetos distintos es Pn = n! Situación 7. Un grupo de 4 niños y 5 niñas van a formar una fila. De cuántas maneras pueden organizarse, si deben ir alternados (por géneros)? Permutación circular Son los diferentes arreglos o grupos que pueden formarse con los elementos de un conjunto alrededor de un círculo, de tal modo que dos arreglos difirieren entre sí porque sus elementos están en distinto orden. El número de permutaciones de n objetos distintos agregados en un círculo es Cn=(n-1)! Situación 8. Dé cuántas maneras se pueden organizar en una estantería circular 4 prismas, 6 cilindros, 3 pirámides, 5 esferas y 4 cubos, si todos los sólidos del mismo tipo deben quedar juntos? Permutación con repeticiones Supóngase que un conjunto tiene n1 elementos iguales, n2 elementos iguales, n3 elementos iguales,, nk elementos iguales, y que n1 + n2 + n nk = n. Entonces, las permutaciones con repeticiones son los diferentes grupos o arreglos que pueden formarse con los n elementos del conjunto, de tal manera que dos arreglos difieren entre sí porque sus elementos están en distinto orden. El número de permutaciones de n objetos, de los cuales n1 son iguales, n2 son iguales,..., nk son iguales, es igual a n n! P = n 1,n 2,...,nk n 1!n 2!...n k! Situación 9. En la primera vuelta de un campeonato de fútbol cada equipo juega un total de 15 partidos. Un equipo X terminó la primera vuelta con 17 puntos, producto de 4 victorias, 5 empates y 6 derrotas. De cuántas maneras se pudieron dar estos resultados? Desarreglos Un desarreglo o desorden de n objetos, es una permutación de los n objetos tal que ninguno de ellos queda colocado en su posición original. El número total de n 1 desarreglos con n objetos es D n = n! ( 1). 1! 2! 3! 4! n! Situación 10. Se tienen 10 sobres marcados con sus respectivos destinatarios y se tienen las 10 cartas marcadas, una para cada destinatario. Se distribuyen las cartas al azar. De cuantas maneras se pueden distribuir para que no haya una coincidencia? n C k
154 Variaciones sin repeticiones Son los diferentes arreglos que pueden formarse con los n elementos de un conjunto, tomados de k en k, de tal modo que dos arreglos difieren entre sí porque contienen elementos diferentes o sus elementos están en distinto orden. A estas configuraciones también se les llama k-permutación y se denotan por n P k, P(n,k) o V. El número de variaciones sin repeticiones que se pueden formar de un conjunto de n elementos tomando k elementos, es: n n! Vk = n(n 1)(n 2)(n 3)...(n k +1) = (n k)! Situación 11. Cuántas banderas de 3 colores se pueden obtener, si contamos con 12 colores diferentes? Variaciones con repeticiones Son los diferentes arreglos que pueden formarse con los n elementos de un conjunto, tomados de k en k, en los que pueden aparecer elementos repetidos, de tal modo que dos arreglos difieren entre sí porque contienen elementos diferentes o sus elementos están en distinto orden. El número de variaciones de este tipo es VR(n,k) = n k n k VR = n Situación 12. Cuántas palabras de ocho letras se pueden formar utilizando sólo las 5 vocales? Combinaciones sin repeticiones Son los diferentes grupos que pueden formarse con los n elementos de un conjunto, tomados de k en k, de tal manera que dos grupos difieren entre sí cuando tienen al menos un elemento distinto. No se tiene en cuenta el orden. Es decir, una combinación de tamaño k de un conjunto de n elementos es cualquier subconjunto que tenga k elementos. El número de combinaciones de k objetos distintos tomados de un conjunto de n objetos distintos es igual a nck = C(n,k) = n n! = k k!(n k)! Situación 13. Cuántas diagonales tiene un octágono regular? Reparticiones Sea A un conjunto con n elementos, y sean n1, n2,..., nk enteros positivos tales que n1 + n nk = n; entonces el número de reparticiones ordenadas diferentes de A de la forma ( A1, A2,..., Ak ), donde A1 contiene n1 elementos, A2 contiene n2 elementos,... y Ak contiene nk elementos, está dada por el coeficiente multinomial: n n n n1 n n1n2 n n1 n 2... nk-1 n! C =... = n 1,n 2,...,nk n1 n2 n3 nk n 1! n 2!... n k! Situación 14. Los 8 integrantes de una familia se reúnen en un restaurante que tiene dos mesas disponibles, una mesa tiene 4 puestos y la otra 6 puestos. De cuántas maneras se pueden repartir entre las dos mesas?. k. 144
155 Combinaciones con repeticiones Son los diferentes grupos que se pueden formar con los n elementos de un conjunto, tomados de k en k, en los que pueden aparecer elementos repetidos, de tal manera que dos grupos difieren entre sí cuando tienen al menos un elemento distinto. El número de combinaciones de k objetos, con repeticiones, tomados de un conjunto de n objetos es igual a n n n +k 1 CR k = = k k. Una combinación con repeticiones se puede describir como la selección de xi objetos de tipo i, (i=1, 2, 3,, n), donde cada xi es un entero no negativo y x1+x2+ +xn = k. Es decir, cada combinación con repeticiones de orden k, se corresponde con una solución entera no negativa de la ecuación x1 + x2+ + xn = k. También se puede decir que, si se quieren hallar n números enteros no negativos cuya suma sea k, hay n n +k 1 = k k soluciones. Situación 15. Cuántas fichas tiene el juego de Dominó, si se sabe que en cada ficha van dos números que son elegidos del conjunto {0,1,2,3,4,5,6} y que estos números se pueden repetir? Sumatorias. Algunas fórmulas que también son útiles para hacer conteos son las siguientes: kn n(n 1) Suma de los n primeros enteros positivos: n k 2 k1 Suma de los n primeros impares positivos: Suma de los n primeros cuadrados: Suma de los n primeros cubos: kn n 1 2k 1 n kn 2 2 k1 k1 n(n 1)(2n 1) n k 6 kn 3 3 k1 2 2 n (n 1) n k 4 kn 2 n1 k1 1 Suma geométrica: 1 x x... x x,si x 1. 1 x k1 2 Situación 16. La pared de un supermercado es decorada con 20 filas de bolas de chocolate, de tal forma que en la primera fila (arriba) se coloca una bola, en la segunda fila dos bolas, en la tercera fila tres bolas y así sucesivamente (Figura 1). Cuántas bolas de chocolate se requieren para esta decoración? Situación 17. Cuántos cuadrados hay en un tablero de ajedrez (Figura 2)? Situación 18. Cuántos cubos se requieren para construir una pirámide de 8 niveles, si cada nivel tiene forma de cuadrado, y los niveles están por 1, 4, 9, cuadrados, como se muestra en la Figura 3? 145
156 Figura 1. Figura 2. Figura 3. Situación 19. A un cubo de lado 3 cm se le atraviesan 6 planos de tal forma que queda dividido en 27 cubos de lado 1 cm, como se muestra en la Figura 4. Cuántos cubos nuevos se han formado? Situación 20. En la figura 5 se muestra un cuadrado de lado 2 cm que se ha dividido en cuatro partes y una de las partes se ha sombreado y otra de las partes se ha dividido en cuatro partes. Se sigue indefinidamente el proceso de dividir en cuatro partes y de sombrear una de las cuatro partes. Cuál es el área de la región sombreada? Figura 4. Figura
157 CONFERENCIAS Y TALLERES
158 DEL ANÁLISIS DE CORRESPONDENCIAS EN UNA INVESTIGACIÓN. APLICACIÓN E IMPLEMENTACIÓN CON R Wilson Rodríguez, Claudia Daza y Felipe Fernández Universidad Pedagógica Nacional (Colombia) whrodriguezg@unal.edu.co, mdma_cldazag060@pedagogica.edu.co, fjfernandez@pedagogica.edu.co Por naturaleza los datos en muchos estudios son regularmente configurados a manera de tablas, que en asocio con los objetivos que se establezcan, determinan el tipo de análisis a seguir. Se presenta en este escrito una aplicación e implementación con R (Software libre y de uso frecuente en estadística), de un análisis de datos denominado en estadística Análisis de Correspondencias, precisado tal análisis por procesos como renglones y niveles como columnas de una tabla de datos obtenida en un experimento de enseñanza. El uso de R para la implementación del análisis se entiende como un aspecto complementario, para el mejor entendimiento mediante el uso de tecnologías de la informática. Se destaca que lo aquí contenido solo es un esbozo, en consecuencia los interesados en ahondar más en el tema deberán consultar algunas referencias que al final se registran. PALABRAS CLAVE Análisis de correspondencias, tecnología, procesos, niveles INTRODUCCIÓN Usualmente son conocidos métodos de análisis en los cuales los datos son del tipo cuantitativo, pero no es así cuando se cuenta con datos del tipo cualitativo, además, con regularidad las tecnologías informáticas cotidianas descuidan o poco implementan técnicas de análisis en el segundo tipo de datos. Hoy en día la naturaleza de la información obtenida en ciencias de la educación y otras ciencias, obligan a saber de alguna técnica que permita el manejo de datos cualitativos, y de manera particular cuando la disposición de los mismos esta en arreglos o configuraciones llamados tablas. Aunque, Cómo afrontar la información -o datos- contenida en una tabla? Cómo interpretar una tabla de datos en su conjunto?, esto es, Cómo leo la información en la tabla con respecto al objeto de estudio? y Cómo se obtiene un resultado a partir de una tabla de datos, susceptible de ser verbalizado y comunicado por parte del investigador(es)?: son algunas de las preguntas que asisten a los investigadores cada vez que se enfrentan a tablas de datos. Por las razones anteriores, esta ponencia pretende dar a conocer un método para el análisis de datos del tipo cualitativo en una investigación en educación, resaltando la aplicación en una situación problema y de manera más centrada en la implementación en el software R. Así a través de las sesiones: Marco de referencia, Desarrollo del tema y las Conclusiones del Análisis; se expondrán las distintas ideas para tratar de lograr
159 la pretensión inicial. Específicamente se realiza un esbozo de la metodología de análisis de datos cualitativos denominada en estadística Análisis de Correspondencias (AC), basados totalmente en una investigación que adelantan los autores de este escrito. En definitiva, se trata de comunicar y situar como objeto de debate la aplicación e implementación con R del análisis de correspondencias, de manera que se convierta la investigación-base en un espacio de reflexión y práctica no solo para investigadores, sino también para personas interesadas en la temática. MARCO DE REFERENCIA De entrada, diremos que el término cultura estadística o statistical literacy, hoy en día ha surgido entre los estadísticos y educadores en estadística, como forma de destacar que la estadística es considerada parte de la herencia necesaria para el ciudadano educado (Batanero, 2013). Esto es o implica cubrir de alguna manera la urgencia de formar personas estadísticamente alfabetizadas, y además capaces de pensar y razonar en la materia. A condición de lo anterior, cada vez más el dialogo que existe entre el sujeto y los datos se debe hacer más claro, comenzando por el reconocimiento de la importancia de los datos, la configuración de estos y la adaptación de un modelo que permita describirlos, explorarlos y porque no llegar a un pronóstico. Existen personas, grupos, asociaciones y otros que procuran poner de moda tal cultura. Baste, como muestra, las recomendaciones de la American Statistical Association (2012) que hicieron recientemente, a través del proyecto GAISE (Guidelines for assessment and instruction in statistics education) que como su nombre indica son unas directrices o guías para la instrucción y evaluación en educación estadística. Recomendación 1: Hacer hincapié en la alfabetización estadística y desarrollar el pensamiento estadístico. Recomendación 2: Utilizar datos reales. Recomendación 3: Lograr la comprensión conceptual, en lugar del mero conocimiento de los procedimientos. Recomendación 4: Fomentar el aprendizaje activo en el aula. Recomendación 5: Usar la tecnología para el desarrollo de conceptos y análisis de datos. Recomendación 6: Utilizar evaluaciones para mejorar y evaluar el progreso de los estudiantes. Ahora, recogiendo lo más importante de lo antepuesto haremos mención al análisis de correspondencias, intentando no abandonar el encuadre en la cultura estadística. Díaz y Morales (2012) referencian el análisis de correspondencias en estadística, como una de las muchas técnicas del análisis multivariado con datos asociados a conjuntos de medidas, cuya naturaleza es cualitativa sobre un número de individuos u objetos. El conjunto de individuos junto con sus variables, pueden ser configurados en arreglos como matrices y/o tablas de dos o más entradas, por ejemplo, 6 áreas del 149
160 conocimiento registradas para 50 estudiantes en determinado curso; esta información se puede almacenar en una matriz de 50x6 o en una tabla cuyas filas o renglones sean los 50 estudiantes y por columnas las 6 áreas, se advierte que los títulos al margen de lo anterior no cuentan, aunque se deben usar en aras de la claridad. También podemos decir que es una técnica de interdependencia, dicho de otra manera, es una técnica que busca el cómo y por qué se relacionan o asocian un conjunto de variables. De manera más concreta, este tipo de análisis está dirigido a tablas de contingencia e intenta conseguir la mejor representación simultánea de los dos conjuntos de datos contenidos allí (en las filas y en las columnas). Este análisis puede ser simple o bivariado si se confrontan dos variables y múltiple si son más de dos las cotejadas. Para este trabajo, se adelantará el AC del tipo simple en una tabla que queda conformada por los procesos como renglones y los niveles como columnas. A manera de ejemplo, en la Tabla 1 se sugieren tres procesos en las filas y cinco niveles en las columnas. Estas características para nuestro caso serán medidas en un total de ocho grupos de estudiantes. Así, el objetivo será establecer la correspondencia entre procesos y niveles de las producciones de los estudiantes. Si se compara este tipo de análisis, con otros que se pueden abordar para tablas de contingencia, se puede decir que el AC va más allá de solo hallar los grados de asociación entre variables (procesos y niveles) que son expresados usualmente en números para propender por una explicación del cómo y por qué de las asociaciones suscitadas. Además, por considerar este tipo de análisis bien importante en el estudio adelantado y reconociendo que las imágenes en ocasiones ayudan en la claridad de las ideas, se muestra en las Figuras 1 y 2, tomadas de Pardo y Cabarcas (2001), las principales características del análisis referido. En la Figura 1: X corresponde a la tabla de doble entrada en donde hay n filas y p columnas. Así el término genérico x corresponderá a la frecuencia absoluta que a la vez está en la fila i-ésima y j-ésima columna. De aquí se desprenden los perfiles o vectores fila y columna respectivamente que tienen sus p n coordenadas y se pueden representar en un espacio R y R a manera de nube de puntos. Por último (en la Figura 2), a dichas nubes se les halla la mejor proyección en un plano y se muestran los dos perfiles de manera conjunta, dejando ver las correspondencias que se presenten y la formación de agrupamientos entre filas y columnas. El rigor estadístico de este tipo de análisis se deja como anexo, en el trabajo base para esta comunicación. ij 150
161 Figura 1. Perfiles y nubes de puntos DESARROLLO DEL TEMA Figura 2. La mejor proyección Dominio del análisis Se realiza un estudio denominado Exploración del razonamiento estadístico a nivel universitario bajo situaciones de muestreo (Daza y Rodríguez, ), tomado como base en torno a la pregunta Cómo es el razonamiento estadístico a nivel universitario bajo situaciones de muestreo? basado en la metodología de Experimentos de Enseñanza. La idea central es explorar el diálogo que establecen los estudiantes con los datos obtenidos por las situaciones aludidas. De manera más concreta, el estudio trata de examinar en estudiantes del nivel referido, el grado o alcance del sentido estadístico que pueden lograr a partir de datos muestrales. El anterior trabajo se cimienta en una propuesta de tareas alrededor de una situación problema, dispuesta en cuatro partes o momentos para ser ejecutadas en dos sesiones de clase. Su desarrollo se hizo con estudiantes de tercer semestre del programa de 151
162 psicología, que se encuentran cursando la cátedra de Estadística inferencial en una universidad privada de Bogotá, periodo II-2013, donde se desempeña como docente uno de los investigadores. Se subraya que el número de estudiantes que participaron del experimento de enseñanza fue de 35, distribuidos en ocho grupos de trabajo (cinco grupos de cuatro estudiantes y tres de cinco). Recogiendo lo más importante de lo anterior, se obtuvieron 136 respuestas, a 17 preguntas realizadas en cada grupo, que serán clasificadas en tres procesos y cinco niveles como se nuestra en la siguiente tabla. NIVELES P U M R AE I PROCESOS II III Tabla 1. Tabla de contingencia (Procesos y Niveles) Las frecuencias absolutas allí contenidas son supuestas hasta el momento de elaborar este escrito, pues, aún no han sido consolidados tales resultados por parte de los investigadores, solo se usan las frecuencias evocadas debido a necesidad de continuar con el análisis. De modo que, por ejemplo, en la tabla la frecuencia 23 en el proceso II y en el nivel U, indica que hay 23 respuestas para el proceso II que fueron clasificadas en el nivel U de las 136 respuestas obtenidas. A continuación se relacionan para una mayor comprensión y entendimiento, algo relacionado con los procesos y los niveles establecidos. Procesos relacionados con el escenario del muestreo Los siguientes procesos son el resultado de algunas modificaciones hechas a las principales conceptualizaciones acerca del muestreo sugeridas por Watson (2005). I. Proceso de entendimiento y aplicación de la terminología propia del muestreo en el contexto. II. Proceso de posturas crítica frente al tamaño de la muestra y métodos de muestreo. III. Proceso de consolidación de los hallazgos. Niveles de razonamiento estadístico El modelo de Biggs y Collis, (1982, citados en Jones et al., 2005) ha sido consistentemente utilizado como la base de investigación para el estudio del pensamiento matemático y el razonamiento de los estudiantes en relación con diferentes objetos matemáticos como: los números, las operaciones con números, geometría y probabilidad. Este modelo está basado a partir de la estructura de resultados de aprendizaje observados, denominado taxonomía SOLO, la cual permite clasificar y evaluar el resultado de una tarea de aprendizaje, en función de su organización estructural. 152
163 Los niveles integrados en SOLO quedarían definidos del siguiente modo (Biggs y Collis, 1982, citados en Hernández, Martínez, Dafonseca y Rubio, 2005): Nivel Prestructural (P). Respuestas centradas en aspectos irrelevantes de la propuesta de trabajo, con contestaciones evasivas o tautológicas del enunciado. Nivel Uniestructural (U). Respuestas que contienen datos informativos obvios, los cuales han sido extraídos directamente del enunciado. Nivel Multiestructural (M). Respuestas que requieren utilización de dos o más informaciones del enunciado, las cuales siendo obtenidas directamente de éste, son analizadas separadamente, no de forma interrelacionada. Nivel Relacional (R). Respuestas extraídas tras el análisis de los datos del problema integrando la información en un todo comprensivo. Los resultados se organizan formando una estructura. Nivel Abstracción expandida (AE). Respuestas que manifiestan la utilización de un principio general y abstracto que puede ser inferido a partir del análisis sustantivo de los datos del problema y que es generalizable a otros contextos. Implementación del análisis con R Existen muchas tecnologías en informática que están disponibles para la estadística, software a modo de paquetes que facilitan la implementación de metodologías para el análisis de datos como SAS, SPSS, MINITAB, STATA y R. Entre los más usados, R (por recomendación de los autores) es en realidad uno de los más idóneos, pues, su manejo se considera relativamente fácil. Algunos aspectos ventajosos de R son: Software siempre disponible, es de uso libre. Un análisis soportado en R requiere varios pasos, así el interesado debe saber de ello, es decir, se requiere un usuario bien estructurado. Se pueden construir objetos (como funciones), por lo tanto propicia usuarios siempre analíticos y en procura de resolver problemas. Entorno R Veamos algunos apartes referentes a lo que es R y su relación con la estadística según Venables y Smith (1999). R es un colectivo integrado de programas para manipulación de datos, cálculo y gráficos. Entre otras características dispone de: Almacenamiento y manipulación efectiva de datos. Operadores para cálculo sobre variables indexadas (Arrays), en particular matrices. Una amplia, coherente e integrada colección de herramientas para análisis de datos. Posibilidades gráficas para análisis de datos, que funcionan directamente sobre pantalla o impresora. Un lenguaje de programación bien desarrollado, simple y efectivo, que incluye condicionales, ciclos, funciones recursivas y posibilidad de entradas y salidas. Debe destacarse que muchas de las funciones suministradas con el sistema están escritas en el lenguaje R. El término entorno lo caracteriza como un sistema completamente diseñado y coherente, antes que como una agregación incremental de herramientas muy 153
164 específicas e inflexibles, como ocurre frecuentemente con otros programas de análisis de datos. R es en gran parte un vehículo para el desarrollo de nuevos métodos de análisis interactivo de datos. Como tal es muy dinámico y las diferentes versiones no siempre son totalmente compatibles con las anteriores. Algunos usuarios prefieren los cambios debido a los nuevos métodos y tecnología que los acompañan, a otros sin embargo les molesta ya que algún código anterior deja de funcionar. Aunque R puede entenderse como un lenguaje de programación, los programas escritos en R deben considerarse esencialmente efímeros. Estadística y R Se considera que muchas personas utilizan R como una técnica estadística. Venables y Smith (1999) prefieren describirlo como un entorno en el que se han implementado muchas técnicas estadísticas, tanto clásicas como modernas. Algunas están incluidas en el entorno base de R y otras se acompañan en forma de bibliotecas (packages). Junto con R se incluyen ocho bibliotecas (llamadas bibliotecas estándar), pero otras muchas están disponibles a través de Internet en CRAN ( Como hemos indicado, muchas técnicas estadísticas, desde las clásicas hasta la última metodología, están disponibles en R, pero los usuarios necesitaran estar dispuestos a trabajar un poco para poder encontrarlas. Existe una diferencia fundamental en la filosofía que subyace en R y la de otros sistemas estadísticos. En R, un análisis estadístico se realiza en una serie de pasos, con unos resultados intermedios que se van almacenando en objetos, para ser observados posteriormente, produciendo unas salidas mínimas. Sin embargo en paquetes como SAS o SPSS se obtendría de modo inmediato una salida copiosa para cualquier análisis, por ejemplo, una regresión, una prueba de hipótesis o un análisis discriminante. Procesamiento de los datos con R En primer lugar, la sintaxis (en letra cursiva) del análisis en R se irá consignando y a la vez se describirán las distintas ideas correspondientes a tal metodología. En segundo lugar el análisis se basa en los datos consignados en la Tabla 1. Entonces el primer paso es cargar las librerías donde se encuentran las funciones que se usaran; esto lo realizamos con: > library(mass) > library(rgl) > library(ca) Antes de realizar el análisis propiamente dicho, se deben introducir los datos, se calculan las frecuencias y se realizan los gráficos de los perfiles de la Tabla 1 junto con los respectivos títulos. Para ello se procede como sigue. > t1=matrix(c(18,10,20,8,0, +15,23,5,4,1, +9,13,7,0,3),nrow=3,byrow=T) > dimnames(t1)=list(procesos=c("i","ii","iii") +,NIVELES=c("P","U","M","R","AE")) Si se quiere apreciar la tabla escribimos: > t1 154
165 Se convierten las frecuencias absolutas en relativas de la Tabla 1, con sus totales marginales >round(addmargins(prop.table(t1)*100),2) Se hallan los perfiles de los procesos y se asignan a una tabla llamada t4 >round(addmargins(prop.table(t1,1)),4) >t4=round(prop.table(t1,1),4) >t4 Se grafican los perfiles de los procesos, pero antes, se abre un panel donde se consignaran dos gráficas más posteriormente. >par(mfrow = c(1, 3)) >barplot(t(t4),beside = TRUE, + col = c("lightblue", "mistyrose", "lightcyan", +"lavender","cornsilk") +,legend = rownames(t(t4)), ylim = c(0, 0.8)) > title(main = "Perfiles de los Procesos", font.main = 6) Se hallan los perfiles de los niveles y se asignan a una tabla llamada t5 > round(addmargins(prop.table(t1,2)),4) >t5=round(prop.table(t1,2),4) >t5=as.table(t5) >t5 Se grafican los perfiles de los niveles > barplot(t5, beside = TRUE, +col = c("lightblue", "mistyrose", "lightcyan"), +legend = rownames(t5), ylim = c(0, 1)) > title(main = "Perfiles de los Niveles", font.main = 6) Finalmente se grafican conjuntamente los dos tipos de perfiles (Procesos y Niveles), en un plano: > plot(ca(t1), mass = c(true, TRUE),main="Perfiles Conjuntos") Perfiles de los Procesos Perfiles de los Niveles Perfiles Conjuntos P U M R AE I II III R I M P II III U AE I II III P U M R AE Figura 3. Panel de resultados, salida en R 155
166 CONCLUSIONES I Encuentro Colombiano de La Figura 3 muestra el panel de las tres graficas que se programaron, así podemos obtener de allí algunas conclusiones. En la primera gráfica 1. Se observa que en los tres procesos se tiene una representación del nivel P casi igual, 32%, 31% y 28% respectivamente, en tanto que los niveles AE y U son los más cambiantes para los mismos, por ejemplo AE con 0%, 2% y 10% respectivamente, además AE es el más bajo de los niveles para dos proceso. Así, podemos decir que, el nivel P no sirve para distinguir o caracterizar los procesos uno de otro, en tanto que el nivel AE o U sí lo harían. 2. El nivel U tiene la máxima representación con un 47% y 40% para los procesos II y III respectivamente. En la segunda gráfica 3. En el nivel AE el proceso III tiene la máxima representación con un 75%. Parecería bueno, pero en realidad este nivel nunca es alcanzado en forma significativa en todos los procesos (ver Tabla 1). 4. En todos los niveles el proceso con más regularidad (uniformidad) es el II. En la tercera gráfica 5. El nivel P aparentemente equidista de los procesos I, II, y III, ratificando de alguna manera lo dicho en la parte final de la conclusión En los procesos I y II el nivel máximo de compresión alcanzado por la mayoría de los grupos es el M y U respectivamente, en efecto esos niveles son los máximos en los correspondientes procesos (ver primera gráfica). 7. Los niveles R y AE aparecen con alto grado de oposición, evidenciando en las gráficas anteriores su comportamiento opuesto el uno del otro. Podemos interpretar aquí que tal oposición está dada por la generalidad que contiene el nivel AE y la particularidad del nivel R en cuanto a la comprensión alcanzada (ver definición de esos niveles). 8. El aislamiento de AE con respecto a todos los demás niveles y todos los procesos indica un aporte poco significativo al conjunto. REFERENCIAS American Statistical Association. (2012). College report. California: American Statistical Association. Batanero, C. (2013). Sentido estadístico: Componentes y desarrollo. I Jornadas Virtuales en Didáctica de la Estadística, Probabilidad y Combinatoria (pp. 2). Granada: Sociedad Española de Investigación en Educación Matemática. Daza, C., y Rodríguez, W. (). Exploración del razonamiento estadístico a nivel universitario bajo situaciones de muestreo. Tesis de maestría. Bogotá: Universidad Pedagógica Nacional de Colombia. Díaz, L. y Morales, M. (2012). Análisis Estadístico de Datos Multivariados. Bogotá: Universidad Nacional de Colombia. Jones, G.A, Langrall, C., Mooney, E. y Thornton, C. (2005). Models of development in statistical. En D. Ben-Zvi y J. Garfield (Eds.), The challenge of developing statistical literacy, 156
167 reasoning and thinking (pp ). Dordrecht, The Netherlands: Kluwer Academic Publishers. Hernández, F., Martínez, P., Dafonseca, P. y Rubio, M. (2005). Aprendizaje, competencias y rendimiento en educación superior. Madrid: La Muralla. Pardo, C. y Cabarcas, G. (2001). Métodos estadísticos multivariados en investigación social. Bogotá D.C: Universidad Nacional de Colombia. Venables, W. y Smith, D. (1999). CRAN.R-project. Watson, J.M. (2005). Developing reasoning about samples. En D. Ben-Zvi y J. Garfield (Eds.), The challenge of developing statistical literacy, reasoning and thinking (pp ). Dordrecht, The Netherlands: Kluwer Academic Publishers. 157
168 ANÁLISIS COGNITIVO EN LA PREPARACIÓN DE UN EXPERIMENTO DE ENSEÑANZA ACERCA DE VARIABLES ESTADÍSTICAS Y SUS ESCALAS DE MEDICIÓN Maritza Méndez, Nydia Valero e Ingrith Álvarez Universidad Pedagógica Nacional (Colombia) mdma_mmendezr304@pedagogica.edu.co,mdma_nbvaleror286@pedagogica.edu.co, ialvarez@pedagogica.edu.co El ciclo de análisis didáctico (Gómez, 2002) se compone entre otros elementos del análisis de contenido, análisis cognitivo, análisis de instrucción y análisis de actuación. En el proceso de preparación del experimento de enseñanza se trabaja en el desarrollo de los primeros tres primeros elementos. Se describe de manera general los referentes teóricos relacionados con el ciclo de análisis didáctico específicamente el análisis cognitivo, en el cual según González y Gómez (2013) señalan que el foco de atención recae sobre el aprendizaje del estudiante, razón por la cual se especifican lo que se espera que aprendan los estudiantes acerca de las escalas de medición y la variable estadística, esto concretado en el planteamiento de competencias, objetivos y capacidades. Esta comunicación reporta un avance del trabajo de maestría titulado Variable estadística y escalas de medición enmarcado en la línea de investigación en Educación Estadística de la Universidad Pedagógica Nacional. PALABRAS CLAVE Variable estadística, escalas de medición, análisis cognitivo, errores y dificultades. INTRODUCCIÓN Investigadores concuerdan en que el proceso de medición y las propiedades de medición de los datos sean analizados a fondo, especialmente en relación con los cuestionarios y escalas de medición que se utilizan para recoger la información (Svensson, 2009). En efecto, la relación entre las propiedades de los datos y la elección de los métodos estadísticos para la recolección, descripción y análisis de los mismos, son aspectos que deben tenerse en cuenta al momento de llevar a cabo un análisis de datos, además de identificar las escalas de medición correspondientes a los tipos de datos, ya que cada escala tiene propiedades que determinan un adecuado análisis (Merli, 2010). Esto hace pertinente la reflexión sobre la incorporación del estudio de las escalas de medición en el currículo escolar de matemáticas, puesto que al llevar al aula dicho objeto se podrán reconocer características del proceso pedagógico referido a éste, de tal suerte que dichas características aporten herramientas para diseñar actividades que posibiliten a los estudiantes un adecuado tránsito hacia niveles superiores de comprensión de la variable estadística y desarrollar sus competencias como ciudadanos estadísticamente cultos.
169 Por tanto, asumiendo como objetivo diseñar un experimento de enseñanza que tenga en cuenta dificultades y errores que presentan estudiantes al desarrollar actividades de análisis de datos y centrando la atención en la comprensión de variables estadísticas y las escalas de medición inmersas en dichas situaciones, se considera pertinente y como parte de la metodología de indagación, realizar un análisis didáctico que oriente la exploración, la profundización y el trabajo con los diferentes y múltiples significados del objeto matemático escolar involucrado, para efectos de diseñar, llevar a la práctica y evaluar actividades de enseñanza y aprendizaje. Para realizar esta propuesta se trabaja en las fases del experimento de enseñanza propuestas por Molina, Castro, Molina y Castro (2011) articuladas con el análisis didáctico propuesto por Gómez (2002), quienes plantean en primera instancia, el diseño del experimento y de las actividades a las que se han de ver enfrentados los estudiantes, lo cual es fundamentado en un análisis de contenido, análisis cognitivo y un análisis de instrucción en relación con el objeto de estudio. Teniendo en cuenta los elementos que hacen parte de éste análisis cognitivo, surgen de los errores y dificultades evidenciados en una prueba diagnóstico y de los reportados por investigaciones relacionadas con el tema, se pudo plantear expectativas de aprendizaje (competencias, objetivos y capacidades) que se espera faciliten la superación de los errores en torno a la variable estadística y las escalas de medición. MARCO DE REFERENCIA El experimento de enseñanza El experimento de enseñanza, dentro de la metodología de diseño, es un modelo cercano a la práctica habitual del docente, al consistir en el diseño, puesta en práctica y análisis de un conjunto de intervenciones, en un aula, que persigue un aprendizaje (Molina et al., 2011, p. 84), por lo cual es escogida esta metodología para llevar a cabo la propuesta; se trabaja con las fases propuestas por Molina et al. (2011) articuladas con el análisis didáctico propuesto por Gómez (2002), quienes plantean en primera instancia, el diseño del experimento y de las actividades a las que se han de ver enfrentados los estudiantes, lo cual es fundamentado en un análisis de contenido, análisis cognitivo y un análisis de instrucción en relación con el objeto de estudio. En el proceso de preparación del experimento de esta propuesta se desarrolló en primer lugar el análisis de contenido, este es el primero de los análisis que componen el ciclo de análisis didáctico en el cual se abordó a través de los elementos que lo componen en forma integrada la estructura conceptual, referida a los conceptos, procedimientos y relaciones que entre ellos tienen que ver con la escalas de medición y variable estadística; los sistemas de representación, referidos a los modos en que el concepto puede llegar a presentarse (numérico, gráfico, tabular, pictórico, verbal, manipulativo, etc.), y la fenomenología, la cual se relaciona con la utilidad y los contextos en los cuales tiene sentido el uso de las escalas de medición y variable estadística. 159
170 Análisis Cognitivo Luego del análisis de contenido se procede a realizar el análisis cognitivo, para Gómez (2002) el análisis cognitivo comprende la identificación, descripción y caracterización de los errores en los que los escolares pueden incurrir al abordar dichas tareas, de las dificultades que subyacen a esos errores y de los obstáculos que es necesario superar para resolver dichas dificultades (p. 272). Socas (1997) define error como la presencia, en el alumno, de un esquema cognitivo inadecuado y no solamente como consecuencia de falta específica de conocimiento; además caracteriza al obstáculo como el conocimiento que ha sido satisfactorio durante un tiempo para la resolución de ciertos problemas, y que por esta razón se fija en la mente de los estudiantes, pero que posteriormente resulta inadecuado y difícil de adaptarse cuando el alumno se enfrenta a nuevos problemas, así, un obstáculo es un conocimiento, más no una falta del mismo, el estudiante lo utiliza para producir respuestas adaptadas en un cierto contexto pero cuando se usa ese conocimiento fuera de dicho contexto, se generan respuestas inadecuadas. Por ende, los errores son manifestaciones de dificultades (de diversa naturaleza) de los alumnos, las cuales se conectan y refuerzan en redes complejas que se concretan forma de obstáculos (Socas, 1997). González y Gómez, (2013) señalan la dificultad como una circunstancia que impide o entorpece la consecución de los objetivos de aprendizaje previstos, indican además que la importancia de las dificultades en el análisis cognitivo reside en identificarlas, conocer qué factores son los responsables de que aparezcan y saber de qué modo se pueden superar. En la preparación del experimento de enseñanza se continua con el análisis de instrucción en donde se ha de caracterizar el modelo de enseñanza, dentro del marco de la Educación Estadística, que se adopta para llevar al aula el objeto de estudio; según Gómez (2002), se debe diseñar, seleccionar, identificar y describir las tareas que hacen parte de las actividades de enseñanza y aprendizaje (p. 76). DESARROLLO DE LA PROPUESTA González y Gómez (2013) señalan que en el análisis cognitivo el foco de atención recae sobre el aprendizaje del estudiante, razón por la cual se especifica las expectativas sobre lo que se espera que aprendan los estudiantes acerca de las escalas de medición y la variable estadística, esto es concretado en el planteamiento de competencias, objetivos y capacidades. Además, como lo afirma Gómez (2007) el análisis cognitivo se relaciona con las limitaciones que surgen en el proceso de aprendizaje, las cuales se concretan en las dificultades y los errores. Aunque para González y Gómez (2013) los objetivos y las capacidades concretan las expectativas del profesor sobre el aprendizaje del estudiante, es interés de esta propuesta tomar como punto de referencia los errores y dificultades para el diseño de la secuencia de actividades. De esta forma, los objetivos de aprendizaje (Tabla 1) se plantean en términos de la superación de los mismos, expresados a través de adverbios como correctamente, sin error, adecuadamente, selección apropiada : 160
171 CÓDIGO OA1 OA2 OA3 OBJETIVOS DE APRENDIZAJE Identificar adecuadamente la variable estadística involucrada en el estudio estadístico, clasificarla de acuerdo a su naturaleza y reconocer la escala de medición en la cual se encuentra. Clasificar y organizar datos de acuerdo a cualidades y/o atributos, representándolos a través de tablas y gráficas, reconociendo la relación entre el conjunto de datos de la variable presentada y la escala de medición en la cual se encuentra, seleccionando la(s) representación(es) apropiada(s) para presentar la información. Elegir y utilizar métodos de análisis estadísticos adecuados al tipo de problema, de información y a la escala de medición de la variable estadística (nominal, ordinal, de intervalo o de razón). Tabla 1. Objetivos de aprendizaje Partiendo de los objetivos, se plantean las capacidades que muestran de forma concreta las actuaciones que se esperan de los estudiantes para afrontar las tareas a proponer, relacionadas con la superación de errores referidos a escalas de medición y la variable estadística en actividades de análisis de datos, estas se muestran en la Tabla 2. CÓDIGO CAPACIDADES CA0 Obtener información a través de encuestas, estudios y otras fuentes de información. CA1 Identificar elementos de un estudio estadístico: población, muestra y variable. CA2 Clasificar la variable presentada o estudiada según su naturaleza. CA3 Determinar la escala de medición que se adecúa a la variable presentada. CA4 Clasificar los datos de acuerdo a la clase o intervalo a que pertenece. CA5 Ordenar los datos (en forma creciente o decreciente). CA6 Hallar el número de veces que aparece el valor de la variable en la muestra o en la clase o y lo asocia a la frecuencia absoluta CA7 Calcular el cociente entre la frecuencia absoluta y el tamaño de la muestra y asociarlo a la frecuencia relativa. CA8 Expresar la frecuencia relativa en porcentajes. CA9 Elaborar tablas de frecuencias (para datos no agrupados y agrupados), mediante la adecuada clasificación de los datos. CA10 Elaborar diagramas de barras, gráficos de sectores, histogramas y polígonos de frecuencias. CA11 Realizar una lectura literal del gráfico sin interpretación de la información contenida en el mismo. CA12 Interpretar e integrar los datos en el gráfico, comparando cantidades y el uso de otros conceptos y destrezas matemáticas. CA13 Hallar medidas de tendencia central (media, mediana, moda) para datos agrupados y no agrupados. CA14 Interpretar el comportamiento de un conjunto de datos a través de las medidas de tendencia central. CA15 Determinar el rango o recorrido de los datos de variables cuantitativas. CA16 Establecer el número de clases (k) en que se van a agrupar los datos. CA17 Determinar la amplitud de clase para agrupar los datos. CA18 Formar intervalos y agrupar datos. Tabla 2. Capacidades para abordar las tareas relacionadas con la superación de errores y dificultades 161
172 La revisión de literatura referida a investigaciones relacionadas con el asunto en cuestión y los resultados de la prueba diagnóstico, posibilitan una síntesis (Tabla 3), respecto a dificultades y errores relacionados con la elección incorrecta del tipo de gráfico, debido a la no identificación de: la variable involucrada y la escala en la cual se encuentra representada; errores sobre la definición de las escalas de medición y representación de los datos en gráficas estadísticas; errores frente a las medidas de análisis seleccionadas (en este caso de centralización) según la variable estadística considerada; y en cuanto a las nociones en torno a variable estadística. Se concreta y relacionan además, las competencias, los objetivos y las capacidades a los que se han de aportar a través del proceso de la superación de los errores y dificultades identificados. DIFICULTADES ERRORES COMPETENCIAS OBJETIVOS CAPACIDADES CA0 E1 Confundir conceptos como: caso, CA1 variable, frecuencia. (Pinto, Confusión de CA2 2010, p. 380) Resolver problemas de nociones en CA4 E2 Confundir dato con variable. estadística descriptiva con el torno a la OA1 CA6 E3 Confusión entre frecuencia y valor de la análisis unidimensional de la variable CA7 variable (Wu, 2004). variable involucrada estadística CA9 E4 Confunde la variable estadística según la CA11 naturaleza (cualitativa- cuantitativa) CA12 Elección incorrecta del tipo de gráfico de acuerdo con la variable involucrada y la escala en la cual se encuentra No definición de las escalas de medición y representación de los datos en gráficas estadísticas No correspondencia entre medidas E5 No logran establecer la relación entre el tipo de variable y el tipo de gráfico, es decir que no son adecuados todos los gráficos para los diferentes tipos de variables. E6 Diferenciar entre los rectángulos de un gráfico de barras y del histograma. (Pinto, 2010) E7 Interpretación equivoca de la información a partir de la gráfica de frecuencias acumuladas de variables discretas, debido a que estas presenta discontinuidades de salto. (Batanero, C., Godino, J., Green D., Holmes P. y Vallecillos A., 2001) E8 Elegir escalas de representación no adecuadas para el objetivo predeterminado (Batanero, C., Godino, J., Green D., Holmes P. y Vallecillos A, 2001) E9 Omitir las escalas en alguno de los ejes horizontal o vertical, o en ambos. (Wu, 2004), E10 No especificar el origen de coordenadas. E11 No proporcionar suficientes divisiones en las escalas de los ejes, porque no se reconoce la escala asociada a la variable que se está representando. E12 Desconocer conceptos como escala de medición, variable, características de los gráficos, significado de barra y ejes (Pinto, 2010, p. 362). E13 No hay comprensión sobre la información que representan los ejes. E14 No se tiene clara los diferentes gráficos estadísticos adecuados a la naturaleza de los datos. E15 Calcular la mediana y la media en datos cualitativos nominales. E16 No relacionan la naturaleza de los datos Resolver problemas de estadística descriptiva con el análisis unidimensional de la variable involucrada Modelar procesos y fenómenos de análisis estadísticos a través de los diferentes registros de representación Modelar procesos y fenómenos de análisis estadísticos a través de los diferentes registros de representación Comunicar, razonar; formular, comparar y ejercitar procedimientos y algoritmos OA2 OA2 OA3 OA3 CA0 CA2 CA3 CA4 CA6 CA7 CA8 CA10 CA15 CA16 CA17 CA18 CA2 CA3 CA10 CA12 CA15 CA16 CA17 CA18 CA1 CA2 CA3 162
173 de análisis y el tipo de variable con el análisis que puede hacerse a través de las Medidas de tendencia central. referidos a la pertinencia de utilizar o no resúmenes estadísticos a través de las medidas de tendencia central de acuerdo a la escala de medición en la que se encuentre medida la variable presentada Tabla 3. Relación entre dificultades, errores, competencias, objetivos, y capacidades Teniendo los anteriores insumos se da paso al análisis de instrucción, el cual según Gómez (2002) es el diseño, selección, identificación y descripción de las tareas que harán parte del las actividades de enseñanza y aprendizaje. En el análisis de instrucción la atención está centrada en la enseñanza siendo de gran importancia los medios que va a usar el profesor para lograr los objetivos de aprendizaje. A continuación se presenta una de las consignas que hace parte de la actividad 1, que involucra el tratamiento de situaciones relacionadas con las nociones en torno a la variable estadística. En esta consigna se pide identificar la variable involucrada en un estudio sobre pesos de un objeto obtenidos en un experimento, se busca con esta situación trabajar sobre el error 2, que está relacionado con la confusión entre dato y variable estadística; para esto el estudiante ha de usar las capacidades CA0 y CA1, que centran su atención en obtener información e identificar la población, muestra y variable de un estudio estadístico El profesor de la clase de estadística le presenta la siguiente situación a sus estudiantes, y les pide identificar cuál es la variable estadística involucrada. CA5 CA9 CA13 CA14 Un objeto pequeño se pesó con un mismo instrumento, separadamente, por 9 estudiantes en una clase de física. Los pesos obtenidos por cada estudiante (en gramos) fueron: 6,2 6,0 6,0 15,3 6,1 6,3 6,2 6,15 6,2 Julián dice a sus compañeros: lo tengo! Las variables estadísticas son 6,2 6,0 6,0 15,3 6,1 6,3 6,2 6,15 6,2 respectivamente. Qué piensas acerca de la afirmación de Julián?, es correcta? Por qué? Consigna 2 de la actividad 1 CONCLUSIONES La experiencia de la preparación de un experimento de enseñanza atendiendo a elementos del ciclo de análisis didáctico, específicamente el análisis cognitivo, permite tomar conciencia acerca de elementos que se deben tener en cuenta para llevar a cabo 163
174 un experimento de aula, logrando identificar elementos para el diseño de tareas relacionadas con las actividades de enseñanza y aprendizaje de las variables estadísticas y sus escalas de medición. Entre estos elementos, la relación entre dificultades, errores, competencias, objetivos y capacidades constituye una importante herramienta para establecer los conjuntos de tareas a seleccionar o diseñar, y para analizar el trabajo desarrollado por los estudiantes durante el experimento en el aula. Desde el análisis cognitivo se reconoce que la planificación curricular requerida para abordar los tipos de variables estadísticas y sus escalas de medición en actividades de análisis de datos, debe considerar el estado inicial de los estudiantes frente a las habilidades, errores y dificultades presentes en el tratamiento del objeto estadístico. Las propuestas de actividades deberán una vez identificados dichos estados iniciales, formular tareas que lleven a los estudiantes a superar los obstáculos identificados, de esta forma los estudiantes tienen una oportunidad para el aprendizaje a través del reconocimiento de los errores por medio de tareas que le permitan analizar las diferentes situaciones, comparar los resultados con los de sus compañeros para advertir el error o los errores y verificar lo razonable de sus respuestas. Para seguir con la preparación del experimento de enseñanza se continuará con el análisis de instrucción en donde se ha de caracterizar el diseño, selección, identificación y descripción de las tareas que hacen parte de las actividades de enseñanza y aprendizaje (Gómez, 2002, p. 76). Dicho análisis de instrucción se realizará teniendo en cuenta los objetivos propuestos al inicio del ciclo de análisis didáctico, el análisis de contenido y el análisis cognitivo. REFERENCIAS Batanero, C., Godino, J., Green, D., Holmes, P. y Vallecillos, A. (2001). Errores y dificultades en la comprensión de los conceptos estadísticos elementales. International Journal of Mathematics Education in Science and Technology, 25 (4), González, M. y Gómez, P. (2013). Análisis cognitivo. Módulo 3. Gómez, P. (2007). Análisis didáctico. Una conceptualización de la enseñanza de las Matemáticas. (Capítulo 2). En Desarrollo del conocimiento didáctico en un plan de formación inicial de profesores de matemáticas de secundaria. Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Gómez, P. (2002). Análisis didáctico y diseño curricular. Revista EMA, 7(3), Merli, G. (2010). Escalas de medición en Estadística. Telos, 12 (2), Molina, J., Castro, E., Molina, M. y Castro, E. (2011). Un acercamiento a la investigación de diseño a través de los experimentos de enseñanza. Enseñanza de las Ciencias: Revista de Investigación y Experiencias didácticas, 29 (1), Pinto, J. (2010). Conocimiento didáctico del contenido sobre la representación de datos estadísticos: estudios de casos con profesores de estadística en carreras de psicología y educación. Tesis de doctorado. España: Universidad de Salamanca. on.pdf. 164
175 Socas, M. (1997). Dificultades, obstáculos y errores en el aprendizaje de las Matemáticas en la Educación secundaria. En L. Rico (Coord.), La educación matemática en la enseñanza secundaria (pp ). Barcelona, España: Horsori. Svensson, E. (2009). Experiencing the complexity of reality before graduation. Next steps in statistics education IASE/ISI Satellite. Wu, Y. (2004). Singapore Secondary School Students. Understanding of Statistical Graphs. National Institute of Education. Nanyang Technological University, Singapore. Trabajo presentado en el 10th International Congress on Mathematics Education. Copenhagen, Denmark. 165
176 LOS CINCO PROBLEMAS MÁS DIFÍCILES DEL CÁLCULO DE PROBABILIDADES EN Diego Díaz Universidad del Valle (Colombia) Uno de los precursores del cálculo de probabilidades aparte de Blaise Pascal y Pierre de Fermat, fue el holandés Christian Huygens. Cada uno de estos ingresó por sus propios méritos a la Historia de la Ciencia, la joya más preciada de Occidente. Luego de una estadía en Paris, Huygens retorna a su natal Holanda y resuelve por sus propios métodos una serie de nuevos problemas planteados entre Fermat y Pascal y los envía a revisión a van Schooten, incluyendo otros problemas de la misma naturaleza y que vendrían a establecerse en 1656, como el primer tratado sobre probabilidad publicado: Ratiociniis in ludo Aleae. Al final de éste, Huygens propone 5 problemas finales que se constituyeron en un verdadero reto durante los siguientes 60 años. Se mostrará la forma de resolverlos y lo novedoso de su estructura utilizando los argumentos establecidos para la época. PALABRAS CLAVE Probabilidad, esperanza matemática, método analítico, método recursivo. INTRODUCCIÓN El proceso de sensibilizar a la comunidad educativa respecto a la historia de la probabilidad y estadística, como línea de investigación dentro de la Educación Matemática es uno de los fines de esta conferencia. Además, esta investigación hace parte del trabajo de grado de maestría en Educación Matemática de la Universidad del Valle, consolidándose como pionero en esta línea de Historia dentro del campus. Si bien es cierto que la línea de investigación en Historia de las Matemáticas tiene una necesidad de seguir bogando mar adentro en Colombia, este tipo de mirada hacia los aspectos históricos probabilísticos, está aún en un terreno inhóspito. La sola idea de sumergirse en los elementos subyacentes a la probabilidad como son: suerte, moral, prudente, aleatorio, incertidumbre, esperanza; lleva a un maremágnum de eventos, pensamientos y personajes, para comprender cómo ha sido esta historia, el devenir, posturas filosóficas, su valor pragmático, aciertos y desaciertos, el impacto en lo político, social, económico, cultural, su lugar y tiempo, sin perder de vista la naturaleza de los objetos puestos en acción para ver el surgir de la ya institucionalizada, mas no acabada, teoría de la probabilidad. Con la presentación de esta conferencia, se pretende mostrar además el tratamiento que tuvo el concepto de esperanza matemática utilizada como herramienta de valor esperado justo en los juegos de azar. Se considera importante dar a conocer la visión externalista que tuvo el surgimiento de la probabilidad y hacerla explicita a la comunidad académica.
177 MARCO DE REFERENCIA Es insoslayable dentro de la investigación en, mencionar a aquellos valientes que tomaron la firme decisión de abordar ciertos objetos probabilísticos durante gran parte del siglo XVII en Europa y cuyo legado aún prevalece en unos pocos que se interesan por esta génesis de la probabilidad. Estos personajes y sus modos de hacer, determinan en gran medida, el hilo conductor de esta conferencia, evidenciándose entre estos más que distancias, complementariedades alrededor de la noción que se fue tejiendo en las mentes de algunos y que fue utilizada inicialmente como método de solución en problemas de juegos de azar y posteriormente en problemas de tipo social, económicos, demográficos, morales, jurídicos, entre otros; denominado actualmente como esperanza matemática. Los elementos que cobran vida presentes en la historia de la estadística y probabilidad están cargados de una herencia intelectual, conjeturas, paradojas y problemas desafiantes, mostrando que en muchas ocasiones la intuición, los aspectos filosóficos, teológicos, políticos y sociales han jugado un papel importante en la constitución de los objetos probabilísticos y a su vez, en la dinámica de la toma de decisiones de las comunidades. Dentro del no determinismo inmerso en la probabilidad, hay que añadirle una propiedad que resulta tensa siendo esta una fuente inagotable de indagar: el carácter dual de la probabilidad. Es ya reconocido por filósofos e historiadores de la ciencia como Hacking (1995) y Hald (1990), que esta dualidad es inherente y necesaria al tratar de conceptualizar los elementos subyacentes a la probabilidad y en consecuencia a lo que se estaba utilizando hasta el momento como método de resolución a mediados del siglo XVII: expectatio. Tan solo un vistazo a Pascal con su aporte a la probabilidad y se puede presenciar el aroma de la controversia respecto a esta dualidad, apreciado ampliamente por el Círculo de Roannez y la Port Royal (quienes apoyaban los métodos matemáticos utilizados por éste), pero acusado por los Jesuitas (siendo Pascal jansenista, alejado de ciertos dogmas y preceptos religiosos, utilizó la matemática para decidir sobre cuestiones morales). Tuvo que afrontar cabalmente en su interior esta dualidad y mostrar la estirpe de la que gozaba. Se está hablando del problema del reparto (probabilidad aleatoria) y la apuesta, también conocida como la apuesta de Pascal, (probabilidad epistémica o Bayesiana), dos celebres problemas relacionados con la probabilidad, cada uno desde una naturaleza distinta y que fueron resueltos por Pascal, mostrando así la tensión que produce la dualidad de la probabilidad. En virtud de este conglomerado de circunstancias, se hace necesario hilar delgado y someter esta propuesta a las siguientes preguntas que apuntan, en cierto sentido, a establecer el derrotero de la esperanza matemática, comúnmente filiada a la probabilidad: El surgimiento de la esperanza matemática surge a través de un contexto operatorio o es el resultado del paradigma de axiomatización de las matemáticas? Cómo influyó el pensamiento determinista en el Siglo XVII para la aparición de los objetos 167
178 probabilísticos? Por qué fue necesaria la introducción de la esperanza matemática en la década de 1650 en Europa? Cómo se pueden interrelacionar los aspectos de azar, suerte y probabilidad con la esperanza matemática? Quiénes contribuyeron a la consolidación de la esperanza matemática en la década de 1650? Cuál fue su impacto inmediatamente posterior? Cómo llegó a constituirse la esperanza matemática como método de justificación en la solución de problemas de azar a mediados del siglo XVII? La solución a este interrogante abarcando todo lo que subyace a él, como el análisis del texto de Huygens (1956), Ratiociniis in ludo aleae, la dualidad de la probabilidad presente en los métodos de solución de la época, los avances y contradicciones sobre este nuevo campo de la matemática del azar; es de un significativo impacto para la comunidad académica, tanto formadores de docentes y estudiantes de ciencias y licenciaturas permitiendo ver a la esperanza matemática como objeto de explicación a ciertos fenómenos en donde el azar está presente. Es por ello que se hace necesario indagar sobre los desafíos presentes en la época de publicación del Raticioniis de Huygens (1956) y establecer las formas de solución y razonamiento de aquellos cinco problemas que se convirtieron en retos de grandes probabilistas como Montmort, Bernoulli, Moivre y Struyck. DESARROLLO DEL TEMA La esperanza matemática como valor del juego en el Ratiociniis in ludo aleae Nacido en una muy destacada familia holandesa, Christian Huygens recibió todo el sustento económico de su padre para su exitosa formación en ciencias (matemáticas y físicas) y humanidades (leyes). Influenciado bajo la tutoría en matemáticas de Frans van Schooten, fiel discípulo de Descartes, elaboró trabajos relacionados con la filosofía y matemática cartesiana, en particular el programa mecanicista defendido hasta los últimos años de su vida, pese a alejarse en ocasiones de posturas hermanadas por los Principiae Philosophiae. En 1655, a los veintiséis años, este matemático, astrónomo, constructor de lentes y relojes de péndulo, visita Paris por primera vez, considerada como la ciudad intelectual por excelencia y en donde los prominentes científicos de la época, con el talento y la ambición de Huygens no podían dejar de visitar para terminar su formación. Huygens había leído acerca de una correspondencia entre dos ya reconocidos matemáticos franceses: Pascal y Fermat. Tenía interés en conversar con Pascal acerca del problema de los puntos, que fue por un tiempo objeto de siete cartas en total. Sin embargo, durante este primer viaje no se estableció el contacto personal que intentaba realizar. En la época de este primer viaje Fermat tenía 44 años y Pascal, apenas con 32 años y enfermo, ya había sufrido una dolorosa transformación mística que lo llevó a ocuparse durante el poco tiempo de vida que le quedaba, a sus reflexiones religiosas y filosóficas. Cabe aclarar que Huygens no conocía ni las soluciones ni los métodos utilizados por este par de eruditos respecto a estos problemas relacionados con el los juegos de azar. Estos tres protagonistas tenían un profundo interés por la geometría y por la física. Cada uno de ellos ingresó por sus propios méritos a la Historia de la Ciencia, la joya más preciada de occidente. Retornando a su natal Holanda, luego de su paso por Paris, Huygens resuelve por sus propios métodos lo que había escuchado acerca de estos nuevos problemas 168
179 planteados entre Fermat y Pascal y los envía a revisión a van Schooten (1656), incluyendo otros problemas de la misma naturaleza y que vendrían a establecerse en 1656, como el primer tratado sobre probabilidad publicado, Ratiociniis in ludo Aleae, el cual consta de 14 proposiciones con sus respectivas demostraciones y unos 5 últimos problemas al lector. En marzo de 1657, van Schooten envía la versión en latín para la aprobación de Huygens quien incluye la proposición IX y los 5 problemas al lector, dos de ellos de Fermat, uno propuesto por Pascal y dos de su autoría, problemas de gran reto que serían abordados por matemáticos tan notables como Jacques Bernoulli y Abraham de Moivre. Había nacido el cálculo de probabilidades. El libro de Huygens puede considerarse también como el primer manual de un jugador en un sentido moderno: cómo no caer en la trampa? Si se encuentra con un jugador que le entrega un dado (supongamos que es un dado legal) y le propone que si en tres lanzamientos sale un 6, entrego 1000 pesos, en caso contrario, me entrega 1000 pesos. Sería de este modo un juego justo? Aceptaría esta propuesta? Preguntas como estas, son las que se esbozaron hace más de tres siglos y medio. Es entonces un breve y significativo tratado, similar en tamaño al Tratado del triángulo aritmético de Pascal, que consiste en una introducción, un postulado, 14 proposiciones y cinco problemas finales, dando la solución a tres de ellos y deja los demás como ejercicios para el lector. Una versión que tomaremos de referencia es la indicada por Todhunter (1865), quien cita a W. Brown (1714), y en ocasiones, nos remitiremos al tratado original en latín para realizar precisiones necesarias. La intención de Huygens entonces, es inducir al lector sobre cuestiones que sonaban misteriosas, atractivas y mágicas al tiempo. Al final del tratado, aparecen estos cinco problemas al lector, siendo verdaderos retos tanto estos como las proposiciones, durante los siguientes 60 años a su publicación; se constituían como una verdadera prueba con la que se mostraba el ingenio de esta nueva matemática. Matemáticos reconocidos, dieron solución posteriormente a estos problemas por métodos más robustos: Abraham de Moivre, Jacques Bernoulli, Nicholas Struyck, Pierre Rémond de Montmort y John Arbuthnot, Hudde, Spinoza e incluso Leibniz, figuran entre los que trataron este tipo de problemas. El primer problema tiene la característica de ser una generalización de la proposición XIV del Ratiociniis. Mediante correspondencia con Carcavy (1656), quien se ofrece a darle a conocer los resultados e inquietudes de Huygens a Fermat se puede indagar sobre algunas ideas de solución: Problema I A y B juegan con un par de dados bajo estas condiciones: A gana si obtiene 6 puntos y B gana si obtiene 7 puntos. A toma el primer turno, luego lanza dos veces B y luego A dos veces y así sucesivamente hasta que alguno gane. Cuál es la parte de los chances de A a B? Sean x, y, z, y w los chances antes de lanzar según los turnos: ABBA, ABBA En el texto de Huygens, al parecer se da por sentado que los lanzamientos son independientes y cada que un ciclo termina, vuelve a empezar de nuevo con las esperanzas de ganar como se establecieron al principio, por tal motivo, solo tiene en cuenta estos cuatro momentos del juego que se traducen en esperanzas de los jugadores. 169
180 Problema II Tres jugadores A, B y C toman 12 fichas, 4 de ellas son blancas y 8 negras; juegan bajo estos términos: el primero de ellos, escogiendo sin mirar, que saque una ficha blanca ganará, y que A tiene el primer turno, B a continuación, después C, luego otra vez A, y así sucesivamente, por turnos. Se pide la parte entre sus chances. No solamente se ha mostrado que Huygens deja un gran aporte con su Ratiociniis como el primer libro impreso de probabilidad, sino también el legado de su característica única de solucionar los problemas en esta nueva matemática, además de su método analítico. Además, este problema en particular ya subraya un nuevo aporte, y es el de evidenciar el modelo de urnas con o sin remplazamiento que según Basulto y Camuñez (2007), también es la primera vez que se menciona este tipo de dispositivos. Este problema aparece en la correspondencia con su gran amigo también holandés Hudde el cual puede ser leído en los trabajos de la Sociedad Holandesa de la Ciencia, bajo los apéndices de las obras de Huygens. Como bien lo puede notar un lector celoso por los aspectos de probabilidad, este problema puede tener tres interpretaciones como lo señalan, Montomort, Bernoulli (1713) y de Moivre, y fue a su vez, motivo de discusión mientras se elaboraba su solución a través de la correspondencia mencionada ya que Hudde, consideraba en la solución que el problema era bajo el supuesto sin remplazamiento. Las tres situaciones son: 1. Cada jugador tiene una urna con las 12 bolas descritas y se extraen sin remplazamiento. 2. Se dispone de una sola urna de donde se sacan las bolas sin remplazamiento. 3. Las bolas son extraídas con remplazamiento. Huygens considera la situación 3 (con remplazamiento), además, utiliza la palabra en holandés Kans la cual es el equivalente a esperanza. Problema III A apuesta contra B, que de 40 cartas, diez de cada color, tomará del maso 4 de tal forma que obtenga una de cada color. La porción entre los chances de A y B es de 1000 a Este problema fue propuesto por Fermat, gracias a la correspondencia que Huygens mantuvo con Carcavy y que como lo hemos indicado, se ofreció a ser intermediario con Fermat. La solución la da Huygens mediante esta correspondencia sin ninguna justificación sin embargo, diversos autores contemporáneos como Hald (1990) y Camuñez y Basulto (2011), dan un proceso al estilo de Huygens el cual será presentado durante la conferencia. Problema IV El jugador A apuesta contra el jugador B de tal forma que, de 12 fichas distribuidas en 4 blancas y 8 negras, él escogerá sin ver 7 fichas (una a una), de las cuales exactamente 3 serán blancas. Se pide así, la parte de la apuesta de A a B. Inicialmente el problema tuvo algunas dificultades de interpretación. De la correspondencia entre Huygens y Hudde que puede ser seguida en las cartas 1374 y 1375 del 4 y 5 de abril de 1665, Huygens añade las palabras respecto a las 3 fichas 170
181 blancas; en niet meer, es decir, 3 fichas blancas y no más. La propuesta de solución se hará luego de la sexta extracción considerando los momentos en donde A puede ganar. Problema V A y B tienen cada uno 12 fichas. Juegan con tres dados con la condición que si sale suma 11, A da una ficha a B. Si sale suma 14 B da una ficha al jugador A. El juego se gana en el momento en que alguno de los dos se queda con todas las fichas. Se trata de encontrar los chances de ganar de A a B. (Respuesta: a ). Este último problema propuesto por Huygens es conocido como el problema de la ruina del jugador. Se sabe a través de la correspondencia epistolar entre Pascal, Carcavy y Huygens; recuperada por la Sociedad Holandesa de las Ciencias, originariamente fue propuesto por Pascal y dio origen a grandes elogios como lo relata Todhunter (1865): el último problema del Ratiociniis de Huygens es el más notable de todos. Además, los grandes matemáticos posteriores como De Moivre, Lagrange y Laplace, se sirvieron de éste, para analizar y resolver problemas relacionados con la duración del juego. Una primera versión del problema se encuentra en la carta de Carcavy a Huygens el 28 de Septiembre de 1656, esta versión traducida aparece en la revista SUMA titulada La ruina del jugador : Dos jugadores juegan con esta condición de que la chance del primero sea 11, y la del segundo 14, un tercero lanza los tres dados para ellos dos, y cuando sale 11 el 1º marca un punto y cuando sale 14, el segundo marca uno de su parte. Juegan a 12 puntos, pero con la condición de que si aquel que lanza los dados consigue 11, y así el primero marca un punto, si ocurre que los dados hacen 14 en el lanzamiento posterior, el segundo no marca un punto, sino que resta uno del primero, y así recíprocamente, de manera que si los dados llevan seis veces 11, con lo que el primero ha marcado seis puntos, si después los dados sacan tres veces seguidas 14, el segundo no marcará nada sino que restará tres puntos del primero, si después también ocurre que los dados hacen seis veces seguidas 14, no le quedará nada al primero, y el segundo tendrá tres puntos, y si aparece aún ocho veces seguidas 14, sin aparecer 11 entre medio, el segundo tendrá 11 puntos y el primero nada, y si ocurre cuatro veces seguidas 11, el segundo no tendrá más que siete puntos, y el otro nada, y si ocurre 5 veces seguidas 14 él habrá ganado. La cuestión pareció tan difícil al señor Pascal que dudó si el señor de Fermat lo llevaría a cabo, pero él me envió en el acto esta solución. Aquél que tiene la chance de 11 contra el que tiene la chance de 14 puede apostar 1156 contra 1, pero no 1157 contra 1. Y que así la verdadera razón del reparto estaría entre ambas, pero como el señor Pascal ha sabido que el señor de Fermat ha resuelto muy bien lo que le había sido propuesto, me ha dado los verdaderos números para enviárselos, y para testimoniarle de su parte que él no habría propuesto una cosa que no hubiese resuelto antes. Helos aquí Pero lo que encontraréis más considerable es que el citado señor de Fermat tiene la demostración, como también el señor Pascal de su parte, aunque hay apariencia de que se están sirviendo de métodos diferentes. 171
182 Veinte años más tarde aparece un manuscrito de Huygens, incluido en la edición de sus Obras Completas mediante el apéndice VI, en donde deja ver parte de su método de solución para este problema que no tiene inicialmente una cota en cuanto a la duración del juego. Según Shafer (1996) algo importante de reconocer en esta solución, es que se encuentra por primera vez en la historia de la probabilidad diagramas de árbol de probabilidad para resolver problemas de este tipo. CONCLUSIONES Se hace evidente el hecho que Huygens, instaura el Ratiociniis en medio de experiencias cercanas a su realidad, es decir el surgimiento de la expectatio como método de solución dentro de un campo de problemas particulares (o lo que hoy se conoce como esperanza matemática) alrededor de 1656, se debe a aspectos externalistas. Un hecho claro es el lenguaje y la intencionalidad de su obra; el libro está dedicado a todos aquellos seres que pasan largo tiempo en los casinos, practicando juegos de azar como medio para tener equidad en los premios y apuestas. Tuvo conocimiento del problema del reparto y lo resolvió a su estilo mediante la proposición IV de su libro, empleando la recursividad. Establece las tres primeras proposiciones que le sirven de soporte y genera una cantidad de situaciones que le permiten a través del álgebra cartesiana y una singular estrategia de intercambio de billetes de lotería dar con las soluciones a los desafíos planteados al final de su libro. De esta forma, se convierte Huygens en el precursor de la justificación de la esperanza matemática como método para valuar juegos de azar. Un segundo aspecto concluyente respecto al Ratiociniis y los cinco problemas finales, es considerar a Huygens como defensor de la probabilidad aleatoria. Es claro que el valor justo de una apuesta ocupa un lugar importante para él, haciendo alusión a lo prudente y a la justicia del juego, sin embargo, la manera de resolverlo a través de la sistematización de la esperanza matemática durante las 14 proposiciones lo ubican con mayor tendencia hacia el tipo de probabilidad aleatoria. Huygens establece el método analítico en la proposición XIV, determinante para la solución a problemas con un horizonte indeterminado. Esto permite, la implementación de un álgebra elemental basado en sistemas de ecuaciones para la solución a problemas de probabilidad. De esta forma, se plantea útil un acercamiento de este tipo, de nuevo reforzando la idea de presentar la esperanza matemática vía natural y cercana a la experiencia. El método analítico para resolver problemas de este género (entre ellos, los 3 primeros problemas propuestos al final del Ratiociniis) es poco conocido, muestra de ello se da en la escasa literatura asociada a este. Es necesario crear grupos de investigación en Educación Estadística más robustos y desde diferentes líneas de investigación con el fin de generar una disciplina más singular en su quehacer, en virtud que los objetos tratados en este área tienen la presencia de la incertidumbre y variabilidad para la toma de decisiones y por ello, los problemas que se plantean deben tener una metodología particular. La historia de la probabilidad, así como la probabilidad de manera general está cargada de hechos, conjeturas y problemas desafiantes, mostrando que en muchas ocasiones, a pesar de tener amplio conocimiento desde la estadística y probabilidad, la intuición nos puede 172
183 engañar frente a la toma de decisiones. Los conceptos en la historia de la probabilidad no fueron lineales ni aceptados objetivamente desde su constitución, sino que han evolucionado. Una vez replicados estos conceptos en el aula, se presentan obstáculos que deben ser tratados a la luz de los aspectos históricos y epistemológicos, en el sentido de Batanero y Serrano (1998): Las cuestiones epistemológicas ocupan un lugar fundamental en la reflexión de las personas interesadas por el aprendizaje de las matemáticas. Ello es debido a que los obstáculos surgidos históricamente en la formación de los conceptos se reproducen, con cierta frecuencia, en los alumnos. Otras veces, los estudios de tipo epistemológico pueden ayudar a comprender las dificultades de los alumnos en el uso de los conceptos para la resolución de problemas. Se espera que este tipo de abordajes desde la historia de la probabilidad y estadística tengan mayor presencia dentro de los distintos eventos que se realizan a nivel nacional en Educación Matemática, ya que en ocasiones la mirada se ha centrado solo en la parte didáctica o tecnológica, dejando atrás toda una enriquecedora historia que puede potenciar el tratamiento de estos objetos. REFERENCIAS Basulto, J. y Camuñez, J.A. (2007). El problema de los dados del caballero de Meré: soluciones publicadas en el siglo XVII. SUMA, (56), Batanero, C. y Serrano, L. (1998). La aleatoriedad, sus significados e implicaciones educativas, revista. UNO, 5, Bernoulli, J. (1713). Ars Conjectandi. Basilea: Thurnisiorum. Camuñez, R. y Basulto, J. (2011). Cristiaan Huygens ( ): La consolidación del cálculo de probabilidades. España: Septem Ediciones. Carcavy, (1656). Carta a Huygens de 28 de septiembre de En de M.S. Mora Charles, (1989), Los inicios de la Teoría de la Probabilidad. Siglos XVI y XVII (pp ). San Sebastián: Servicio Editorial del País Vasco. Hald, A. (1990). A history of probability and statistics and their applications before New York: Wiley. Hacking, I. (1995). El Surgimiento de la Teoría de la Probabilidad. Barcelona: Gedisa. Huygens, C. (1657). De ratiociniis in ludo alea, en Oeuvres Complètes. Société Hollandaise des Sciences (vol. XIV, pp , ). La Haya, The Netherlands: Nijhoff. Shafer, G. (1996). The art of causal conjecture. Cambridge, MA: MIT Press. Schooten, F., van (1656). Exercitationum mathematecarium. Elsevirii, Leiden. Todhunter, I. (1865). A history of the mathematical theory of probability from the time of Pascal to that of Laplace. London: MacMillan. 173
184 LOS BERNOULLI Y SUS APORTES A LA TEORÍA DE LA PROBABILIDAD. EL CASO DE LA PARADOJA DE SAN PETERSBURGO Guillermo Rincón y Sebastián López Universidad del Valle (Colombia) guillermo.rincon@correounivalle.edu.co, sebaslpz93@hotmail.com La historia de las matemáticas, particularmente el caso de las paradojas, pueden ser introducidas como situaciones problemas enriquecedoras para los estudiantes, mediante un trabajo guiado por el docente, porque además de reforzar algunas temáticas vistas, también permite evidenciar los problemas a los que se enfrentaron los antiguos pensadores y reconocer su importancia en desarrollo de nuevas teorías. Un claro ejemplo es el caso de la paradoja de San Petersburgo, cuyo intento de solución planteado por Daniel Bernoulli, aportó los primeros elementos para que se fundamentara la Teoría de la utilidad, muy utilizada actualmente en las ciencias de la administración. PALABRAS CLAVE Familia Bernoulli, esperanza matemática, paradoja de San Petersburgo, paradojas en las aulas de clase. INTRODUCCIÓN En las aulas de clase es fundamental motivar a los estudiantes para incentivar su aprendizaje pero muchas veces no sabemos cómo empezar esta motivación, sobre todo en la clase de matemáticas, y olvidamos que la historia nos brinda numerosas situaciones problema, a las cuales se enfrentaron famosos personajes, en donde su solución o posibles soluciones dieron nacimiento a nuevos conceptos, nuevas teorías, nuevos estudios e incluso nuevas ciencias -i.e. la leyenda de Arquímedes y la corona de Hieron como nacimiento de la hidrostática; la leyenda de la observación de la caída de las manzanas y el nacimiento de la teoría de la gravitación de Sir. Isaac Newton; o, en un caso más de nuestro interés, la observación de los juegos de azar como nacimiento de la Teoría de la probabilidad. En el nacimiento de esta última teoría varios miembros de la prestigiosa familia Bernoulli hicieron aportes importantes para el desarrollo de la misma en sus primeros años y con algunos elementos de esta teoría dieron nacimiento a otras teorías. El objetivo de esta comunicación es mostrar como la historia es un gran recurso para el desarrollo de las clases y mostrar como las matemáticas se usan en la vida diaria; de manera más particular, como el uso de las paradojas en las aulas puede resultar interesante para los estudiantes, aún más cuando la solución a estas paradojas dieron nacimiento a nuevas teorías.
185 MARCO DE REFERENCIA Paradoja. Una paradoja es un resultado o idea que, aparentemente, es opuesta a la opinión general, porque lleva implícita una contradicción lógica que, a primera vista, no se percibe. Una vez resuelta, generalmente se produce un aprendizaje, bien de un concepto que no se conocía o de una relación entre conceptos que aparecía oculta en el problema (Batanero, Contreras, Cañadas y Gea, 2012) Esperanza matemática. Huygens necesitaba saber la espectatio, o sea, el valor de cualquier juego en particular. Huygens pensaba que en una lotería justa está claro que cada apostador paga el mismo precio por cualquier billete. Más aún, si el premio es z entonces cada uno de los n billetes debería costar z/n. si los billetes cuestan más, el dueño de la lotería obtendría ganancias sin riesgo. Si los billetes cuestan menos, los apostadores podrían formar una asociación que obtendría ganancias sin riesgo. Un juego o experimento aleatorio se dice justo o equilibrado si su esperanza global es cero, si un juego no es equilibrado se dice que es un juego con ventajas (Ruiz, 1999). En otras palabras podríamos definir la esperanza matemática de la siguiente manera: Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Utilidad. Una función de utilidad es una función real que mide la satisfacción o utilidad obtenida por un consumidor cuando disfruta vía consumo de cierta cantidad de bienes (Wikipedia, 2013). Cabe resaltar que, por lo general, en el mundo real las personas muestran comportamientos de aversión al riesgo, y prefieren resultados más seguros - solo toman riesgos si esperan obtener recompensa la mayoría de las veces. Los programas de concursos proveen ejemplos de aversión al riesgo. Por ejemplo, si una persona tiene 1 oportunidad de 3 de ganar puntos, o puede tomar puntos sin arriesgar, mucha gente tomará la opción de los puntos, aunque la esperanza matemática sea superior (concretamente, puntos). Esto es especialmente cierto si los puntos son canjeables por dinero (Wikipedia, 2010). Los Bernoulli y sus aportes a la probabilidad: Jacob Bernoulli: hermano de Nicolaus y Johann, en 1913 publica, por medio de su sobrino Nicolau I, la obra ArsConjectandi. Nicolau I Bernoulli, hijo de Nicolaus y sobrino de Jacob, fue el encargado de editar las notas de su tío y de hacerla públicas en la obra titulada ArsConjectandi. También fue el encargado de plantear, mediante correspondencia, los 5 problemas a Mormón, Crimen y Daniel Bernoulli, uno de los cuales se convertiría posteriormente en la célebre Paradoja de San Petersburgo. Daniel Bernoulli. En 1715 le plantean el problema-paradoja y en 1738 publica su solución, el mismo año en que publicase el reconocido principio de hidrodinámica que lleva su nombre. 175
186 DESARROLLO DEL TEMA Cuenta la historia que durante muchos años varias personalidades importantes, entre las que destacan Jacob y Daniel Bernoulli, se dedicaron a la solución de problemas concretos donde usaron, sin saberlo, algunos conceptos de la moderna teoría de la probabilidad. Esta teoría fue formalizada o tuvo su primer tratamiento científico con el matemático Cristian Huygens en una monografía escrita en latín titulada Ratiociniis in ludo aleae (Sobre los cálculos en los juegos de azar). Y más adelante se complementa este primer formalismo con la publicación del ArsConjectandi (El arte de la conjetura), esta publicación fue hecha por Nicolau Bernoulli años después de que su tío Jacob Bernoulli la terminara de escribir. Huygens en su monografía teoriza un concepto que él denomino espectatio que más adelante se tradujo a esperanza. La esperanza matemática o valor esperado es uno de los conceptos utilizados por Daniel Bernoulli en la solución que el da a la llamada Paradoja de San Petersburgo, el cual fue originalmente un problema, para ser más exactos, el último de cinco problemas que Nicolaus Bernoulli le planteó por correspondencia a Pierre Raymond de Montmort (Pulskamp, 1999), que dice (adaptado a nuestro vocablo): Pedro tira una moneda al aire tantas veces como sea necesario para sacar cara. Si esto ocurre en la primera tirada, él le tiene que dar a Pablo un ducado; si es en la segunda 2; si es en la tercera, 4; si es en la cuarta, 8; y así cada jugada que es necesario efectuar. Cuál es el precio justo que Pablo tiene que pagar por este juego? En vista de que ni Pierre ni Nicolaus llegaban a la solución del problema, Nicolaus se comunicó por correspondencia con Cramer y posteriormente con su primo Daniel, a quienes se les planteó el problema y dieron soluciones muy similares, el problema fue que Daniel fue quien se esmeró más por el asunto y posteriormente publicó su solución. En su obra Nueva Teoría de Medición de la Suerte, Daniel afirma que: Los matemáticos, en su teoría, valoran el dinero en proporción a la cantidad del mismo; la gente con sentido común, en la práctica, lo valora en proporción a la utilidad que puede obtener de él. Esta concepción fue utilizada por el mismo Daniel para llegar a la solución de esta paradoja propuesta por él. Lo curioso es que mientras Daniel y Cramer mantuvieron correspondencia con Nicolaus, Cramer hizo una afirmación muy parecida, pero nunca la formalizó como lo hizo Daniel. La siguiente es la solución más simple propuesta por Daniel Bernoulli basándonos en lo consignado por Parrondo (2007): Bernoulli propuso que el aumento de utilidad cuando una fortuna de x euros aumenta en una cantidad muy pequeña debía ser. El aumento de la utilidad cuando nuestra fortuna pasa de b euros a a euros es entonces Supongamos que la cuota de entrada es c y llamemos b a nuestro capital inicial ( ) nuestro nuevo capital sería de euros. El resultado de utilidad sería: 176
187 Pero, para que la apuesta sea justa para ambas partes, la esperanza debe ser cero, entonces Por lo tanto la cuota justa de entrada sería 4 euros. Como en esta paradoja, Batanero, Henry y Parzysz (2005) plantean que en el caso particular de la probabilidad no es difícil encontrar ejemplos sencillos de tareas con soluciones contra-intuitivas, ya que la historia de la probabilidad y estadística está repleta de episodios y problemas que resultaron en su tiempo desafiantes y que muestran que la intuición estocástica con frecuencia nos engaña. La construcción de la teoría de la probabilidad ha sido lenta, y es sólo el esfuerzo y el aprendizaje a partir del análisis de los propios errores, lo que llevó al progreso de la misma. CONCLUSIONES La historia como recurso para despertar el interés de nuestros estudiantes por la clase es bastante útil, ya que, por un lado nos deja apreciar las dificultades que los grandes matemáticos tuvieron que afrontar para la solución de los problemas y, por otro lado nos sirve para mostrar cómo las matemáticas a pesar de hacer uso de elementos abstractos es una base fundamental de teorías que han propiciado su desarrollo y el de la sociedad, la directamente afectada por estos avances; en nuestro caso, los intentos de solucionar la paradoja de San Petersburgo aportaron los primeros elementos para la formalización de la Teoría de la utilidad, teoría que ha sido de gran importancia para la economía, la contabilidad, y otras ciencias de la administración. Debido a las múltiples soluciones que se le pueden dar a esta paradoja según la escogencia que le quiera dar a la utilidad, se podría afirmar que las paradojas incentivan en los estudiantes el planteamiento de diferentes soluciones posibles (incentivando el pensamiento variacional) y motivando el trabajo en equipo si se contrastan soluciones con otros estudiantes de la misma clase (en la paradoja se puede relacionar como Cramer trabajo con Daniel para llegar a la solución del problema). Para finalizar queremos resaltar que existen otras paradojas cuyas soluciones son más simples pero siguen siendo igualmente importantes porque permiten confrontar el sentido común con las interpretaciones usando las matemáticas, si el interés en utilizarlas en la escuela i.e. el dilema del prisionero, la paradoja del niño-niña o la paradoja de Monty Hall. REFERENCIAS Batanero, C., Henry, M. y Parzysz, B. (2005). The nature of chance and probability. En G.A. Jones (Ed.), Exploring probability in school: Challenges for teaching and learning (pp ). New York: Springer. Batanero, C., Contreras, J.M., Cañadas, C. y Gea, M.M. (2012). Valor de las paradojas en la enseñanza de las matemáticas. Unejemplo de probabilidad. Novedades Educativas, 26 (1),
188 Parrondo, J. (2007). El punto de vista del jugador: Bernoulli, Euler y la teoría de la utilidad. Sortis In Ludus: de la Paradoja de San Petersburgo a la Teoría de la Utilidad. pp Pulskamp, R. (1999). Correspondence of Nicolas Bernoulli concerning the St. Petersburg game. Cincinnati: Xavier University. Ruiz, G. (1999). La paradoja de San Petersburgo: una reivindicación didáctica. SUMA, (32), 5-9. Wikipedia (2013). Función de utilidad. Wikipedia (2010). Subjetividad de la utilidad esperada
189 POR QUÉ INVOLUCRAR LA NOCIÓN DE DISTRIBUCIÓN Y VARIABLE ALEATORIA EN LA ENSEÑANZA DEL CONCEPTO DE PROBABILIDAD? Edgar Jaimes Instituto Técnico Industrial Francisco de Paula Santander (Colombia) edjaimes@gmail.com La conferencia tiene como objetivo proponer y justificar una metodología de trabajo en el aula para el aprendizaje significativo de la noción de probabilidad. El fundamento metodológico está en el uso de un enfoque frecuencial experimental y simulado con el software Probability Explorer. En este enfoque los participantes se involucran en la generación, tratamiento, sistematización y análisis de datos de un experimento aleatorio. Se justificará la importancia del uso de diferentes sistemas de representación, así como la influencia de la noción de distribución y variable aleatoria en la comprensión del significado del concepto de probabilidad desde la perspectiva teórica y empírica (Jaimes, 2011). Como conclusión se espera que los asistentes puedan reflexionar acerca de las ideas que están involucradas en la construcción del significado de la noción de probabilidad, la influencia del uso de la variable aleatoria y la noción de distribución en la percepción de variabilidad y estabilidad de frecuencias. PALABRAS CLAVE Probabilidad, enseñanza, distribución y variable aleatoria. INTRODUCCIÓN Existe una demanda de la sociedad en la formación de ciudadanos con cultura estocástica (Gal, 2005) con capacidades para interpretar, manipular, predecir y tomar decisiones sobre situaciones bajo incertidumbre, donde las personas tengan una noción clara de la probabilidad y sepan explicar cómo funciona y cuándo se da en la vida real, para que con base a un conocimiento puedan tomar decisiones matemáticamente adecuadas. A pesar de la incorporación de la enseñanza de la probabilidad en el currículo, existen obstáculos para su efectivo aprendizaje. Por un lado el déficit en la formación docente (contenidos y didáctica), un déficit en las herramientas para planear, ejecutar y evaluar los contenidos de Probabilidad, y un desconocimiento del proceso de aprendizaje. En la enseñanza tradicional de la probabilidad de nivel elemental se pone demasiado énfasis en el cálculo y se descuida su comprensión (Yáñez, 2003 y Reátiga, 2004). En la mayoría de textos de básica secundaria se privilegia el uso del enfoque clásico de probabilidad e incluso en los textos donde se intenta usar un enfoque frecuencial se limita a la recolección de datos y al cálculo de la frecuencia relativa sin profundizar en el proceso complejo que implica comprender la Ley de los Grandes Números. Se suele
190 comenzar por calcular la probabilidad de resultados aislados sin considerar y comparar las probabilidades de todos los posibles resultados, es decir, sin considerar la distribución de probabilidades. La consideración de distribuciones de variables aleatorias puede contribuir a la comprensión en la medida en que ofrece la posibilidad de ver el conjunto total de resultados de una experiencia, empezando a percibir las propiedades del conjunto y no de elementos individuales. El uso del modelo clásico en la enseñanza puede evidenciar una concepción errónea común en los estudiantes: El sesgo de equiprobabilidad, el cual consiste en asignar igual probabilidad al conjunto de resultados de una experiencia. Es posible que un enfoque frecuencial y la ayuda de un software dinámico como Probability Explorer (ver Figura 1), puedan contribuir a superar este sesgo en una situación simple en la que en un primer acercamiento los estudiantes posiblemente asignen equiprobabilidad a los resultados o bien, evidencien respuestas de tipo idiosincrático o de tipo determinista. Jaimes (2011) en su investigación a nivel de maestría desarrolló y evaluó con buenos resultados un modelo alternativo en la enseñanza de la probabilidad involucrando la noción de distribución de una variable con estudiantes de tercer grado de secundaria en la Escuela Técnica #97 de Ecatepec (Estado de México), empleando un enfoque frecuencial a partir de la experimentación y simulación de una situación aleatoria. En dicho trabajo se plantearon dos preguntas: Cómo desarrollan los estudiantes la comprensión de la Ley de los Grandes Números (LGN) con ayuda de la noción de distribución en un ambiente de aprendizaje con tecnología? Qué resultados se obtienen de las respuestas de los estudiantes a tareas de probabilidad relacionadas con la LGN antes y después de actividades de simulación física y computacional? MARCO DE REFERENCIA Figura 1. Simulación en Probability Explorer con dos monedas Trabajos como el de Fischbein (1982) y Sánchez (2002) respaldan el uso de la experimentación de situaciones aleatorias como camino hacia aprendizajes significativos, a través del desarrollo de intuiciones apropiadas respecto a la frecuencia relativa, donde el contexto y las disposiciones de los estudiantes forman 180
191 parte de un ambiente específico de aprendizaje para el desarrollo del razonamiento probabilístico (Garfield et al., 2008). En este ambiente, los estudiantes deben realizar tareas de predicción a priori y posteriori de la experimentación física y, de confrontación de resultados de manera individual y grupal a través de la discusión entre pares. Pero dadas las pocas repeticiones que finalmente se realizan, es muy difícil que los estudiantes perciban alguna regularidad en el comportamiento de las secuencias aleatorias que permita dar algún significado a su experiencia y generar conceptos claros sobre la probabilidad de un suceso (Jaimes y Martínez, 2007). Un nuevo reto fue complementar el enfoque frecuencial con el desarrollo de la noción del concepto de distribución y hacer uso de una herramienta que permitiera generar resultados aleatorios en mayor cantidad, menos tiempo y con muchas repeticiones -un simulador de probabilidad. Por otro lado Pfannkuch y Reading (2006) justifican la necesidad de implementar el uso de la noción de distribución en este enfoque de enseñanza, al afirmar que la distribución es el lente a través del cual es posible ver la variación, la cual es el corazón del pensamiento estadístico y probabilístico (ver Figura 2), donde el estudiante debe razonar en una variable aleatoria para percibir patrones de variación en las frecuencias relativas a través de representaciones tabulares y gráficas. Esta es la razón por la cual se cree que la noción de distribución de frecuencias relativas y la variable aleatoria son herramientas a través de las cuales los estudiantes pueden desarrollar significados e intuiciones correctas de probabilidad tratando las gráficas como distribuciones, es decir, ver los datos aleatorios como un ente, y no que se centren en los resultados de un evento como tradicionalmente se hace. Uno de los principales obstáculos de este enfoque para percibir de manera adecuada cualquier distribución (uniforme o no uniforme) lo representa el sesgo de equiprobabilidad, ya que los sujetos con este sesgo consideran que el resultado de un experimento aleatorio depende del azar y en consecuencia todos los posibles resultados son equiprobables. DESARROLLO DEL TEMA Figura 2. La distribución como lente (Pfannkuch y Reading, 2006) Este reporte está basado en los resultados de las actividades implementadas en la tesis de maestría de Jaimes (2011), la cual se desarrolló durante diez meses, dos de los cuales se trabajó directamente con 34 estudiantes entre 14 y 15 años de tercer grado 181
192 de secundaria en la Escuela Técnica # 97 de Ecatepec (Estado de México). Se diseñó y aplicó una actividad que giró en torno a una situación aleatoria relacionada con un espacio muestral no equiprobable e implícito, relacionado con el número de caras que resultan del lanzamiento de dos monedas (ver Figura 3). La actividad se desarrolló en cuatro fases: diagnóstico, experimentación y simulación computacional, donde los estudiantes debían hacer predicciones antes, durante y posterior a la experimentación y simulación. Los resultados eran presentados en tablas y gráficas de frecuencias absolutas y relativas. El seguimiento de los cambios en los razonamientos se realizó a través de un diagnóstico inicial, una evaluación post-experimentación física y una evaluación final post-simulación computacional que consistieron en doce preguntas cada una, relacionadas con doce tareas diferentes de predicción, argumentación e interpretación de resultados. Figura 3. Situación aleatoria propuesta a los estudiantes (Jaimes, 2011) El modelo SOLO (TheStructure of ObservedLearningOutcomes) de Biggs y Collis (1991), ayudó a describir el razonamiento de los estudiantes a partir de la observación de la conducta de resolución frente a diversos problemas, ya que permitió jerarquizar las respuestas de los estudiantes y ha sido empleado en la investigación estocástica (Watson, 2006). Este modelo no clasifica a los estudiantes como de rendimiento alto o bajo, pero sí clasifica las respuestas en una escala de cinco categorías en un tiempo determinado y respecto a una tarea específica. Además, reconoce que a diferentes tiempos se pueden observar diferentes respuestas de un mismo sujeto. Así, las respuestas se pueden considerar manifestaciones que dependen del tiempo, y pueden permitir decidir qué actividades son convenientes para ayudar a los estudiantes a avanzar en su desarrollo. Este modelo tiene cinco niveles de respuesta: preestructural, uniestructural, multiestructural, relacional y abstracción extendida (ver Figura 4). El modelo SOLO sirvió como una herramienta para 182
193 caracterizar la evolución del razonamiento de los estudiantes a partir de las respuestas que dieron a las preguntas del diagnóstico y las dos evaluaciones. Figura 4. Modelo SOLO (Biggs y Collis, 1991) En las actividades aplicadas en el trabajo de Jaimes (2011) y otros proyectos de aula, se identificó la importancia del uso de la herramienta trazo de la forma de la distribución en la cual los estudiantes trazaban la curva en los gráficos de distribución para caracterizar, clasificar y diferenciar un conjunto de distribuciones de frecuencias absolutas y relativas de un experimento aleatorio. De esta manera los estudiantes podían observar similitudes y diferencias en las distribuciones de frecuencias a corto, mediano y largo plazo. CONCLUSIONES Importancia del uso de la variable aleatoria La noción de variable aleatoria, se define como la asociación de un espacio muestral a un conjunto de números reales. La importancia está en que simplifica el tratamiento de una situación aleatoria compleja. Al respecto Batanero (2001) menciona: La idea de variable aleatoria ha sido responsable de las múltiples aplicaciones actuales del cálculo de probabilidades, puesto que el cálculo de probabilidades pasó de ocuparse del estudio de la probabilidad de sucesos aislados al estudio de las distribuciones de probabilidad (y posteriormente al de los procesos estocásticos). La variable aleatoria y su distribución, así como el estudio de las familias de distribuciones y sus propiedades son una herramienta muy potente, porque permite trabajar con el aparato del análisis matemático (Batanero, 2001, pp. 24). En el diseño de las actividades de este trabajo, el investigador involucró el uso de la variable aleatoria número de águilas, asociado al experimento del lanzamiento de dos monedas, como una manera de simplificar el tratamiento de los datos y relacionar la situación con un modelo de distribución binomial (n = 2, p = ½). La segunda tarea era identificar el recorrido de la variable aleatoria planteada así: Cuáles son los posibles resultados del número de águilas que se obtienen en un sorteo (dos volados)? Con esta pregunta se pretendía que los estudiantes listaran el 183
194 recorrido de la variable (0, 1, 2) o el espacio muestral (AA, AS, SA, SS). En los estadios anteriores a la experimentación los estudiantes no lograban identificar el recorrido de la variable o el espacio muestral, o identificaban solo alguno de los elementos. Jones et al. (2007) ya habían observado el fenómeno en el que los estudiantes sólo responden con un valor de la variable o un elemento del espacio muestral, ellos lo llaman la falsa idea de espacio muestral. Desde un punto de vista matemático, llegar a describir el espacio muestral o el recorrido de la variable no debería representar ningún problema; se puede afirmar, que los estudiantes conocen los valores del recorrido de la variable y los elementos del espacio muestral. Los estudiantes ven en la experimentación física los elementos del espacio muestral y lo expresan fácilmente en términos de la variable aleatoria (0,1, 2, águilas). El problema es que la pregunta se entiende en términos de lo que ocurre en la experiencia inmediata del estudiante, éste piensa en un solo experimento y responde lo que puede pasar en un experimento concreto; por ejemplo, puede ocurrir 1 águila pero no puede ocurrir 0,1, 2 águilas pues para que ocurran 0, 1, 2 águilas tienen que haber habido 3 experimentos y en cada uno caer 0, 1 y 2 águilas. Importancia de la noción de distribución La comprensión de que un conjunto de datos puede ser examinado y explorado como una entidad (la distribución) y no como un conjunto de casos separados, para que una gráfica (cuantitativa) de estos datos pueda resumirse en términos de forma, centro, y dispersión; que diferentes representaciones de la misma serie de datos pueden revelar diferentes aspectos de la distribución; que, visualmente, el examen de la distribución es una parte importante y necesaria del análisis de datos, y que las distribuciones se pueden formar de un conjunto de valores individuales de datos o del resumen de estadísticas (por ejemplo, las distribuciones muestrales de los medios). Las distribuciones también permiten hacer inferencias mediante la comparación de las distribuciones de muestras estadísticas posibles para plantear una determinada teoría o hipótesis. Tomando en cuenta lo anterior en el diseño de actividades solo consideramos la idea de noción de distribución, teniendo en cuenta la característica de la forma, ya que el centro o dispersión se mantienen como invariantes gráficas en el análisis de datos. Esto tiene el propósito de que el estudiante use esta noción para comparar las distribuciones empíricas obtenidas de la experimentación y simulación aleatoria. Pfannkuch y Reading (2006) sugieren que la discusión acerca de la naturaleza de las distribuciones involucra dos aspectos, uno conceptual y otro operacional. El primero consistiría en clarificar las nociones en las que se basa el concepto de distribución y por qué esas nociones son importantes; el segundo, sobre el proceso de recoger datos, presentarlos y manipularlos a través de las distribuciones. Razonar sobre distribuciones involucra interpretar una estructura compleja que no sólo incluye el pensamiento acerca de las características como medidas de tendencia central, dispersión, densidad, curtosis y valores atípicos (outliers), sino que también involucra otras ideas como la de muestreo, población, causalidad y azar (ver Figura 5). Estas otras ideas llevan a conectar datos empíricos con nociones probabilísticas, lo que 184
195 lleva naturalmente a desarrollar los conceptos de distribuciones teóricas y distribuciones empíricas (Pfannkuch y Reading, 2006, p. 4). Figura 5. Mapa conceptual de la noción de distribución (Pfannkuch y Reading, 2006) Como dice Ruíz, Batanero y Arteaga (2011) la comprensión de la relación entre la distribución de frecuencias y la distribución de probabilidad permite la realización de inferencias que, finalmente, han de interpretarse en el contexto donde se tomaron los datos, lo cual hace imprescindible el uso de datos empíricos en un contexto definido donde el modelo teórico pueda emerger y no ser necesariamente conocido por los sujetos para su comprensión, como sucedió en la investigación de Jaimes (2011), pero que al mismo tiempo al final de este proceso hace también necesario la institucionalización de saberes para correlacionar estos dos tipos de distribuciones con la noción de probabilidad. Un ejemplo de respuesta relacionada con la sexta tarea: Predicción gráfica de frecuencias absolutas a corto plazo donde se le pregunta: Cómo piensas que serían los resultados para 30 días? Dibuja las barras de los posibles resultados en cada enciso, teniendo en cuenta la escala dada. Escribe el número de veces de cada opción sobre cada barra si es necesario. Es el caso del estudiante E21-3, que tiene en cuenta el tamaño de la muestra, la favorabilidad al evento más probable en la primera distribución y considera diferentes distribuciones con plena consciencia de la variabilidad a corto plazo al justificar su respuesta: Porque entre menos sorteos se realizan las gráficas son muy disparejas Esta es la relación de las componentes conceptuales asociadas con la tarea de predicción a corto plazo (ver Figura 4.6): 185
196 Figura 4.6. Relación de componentes de la tarea: Predicción gráfica de frecuencias absolutas a corto plazo Otro ejemplo de respuesta categorizada de abstracción extendida es la novena tarea: Predicción gráfica de distribuciones de frecuencias relativas a largo plazo: Cómo piensas que serían los resultados en porcentaje (%) para 1200 días? Dibuja las barras de los posibles resultados en cada enciso, teniendo en cuenta la escala dada. Escribe el porcentaje de cada opción sobre cada barra si es necesario. Es el caso de la respuesta E24-3 dada en la post simulación computacional, que tiene en cuenta el tamaño de la muestra (a), favorece el evento más probable (b), las dos distribuciones se aproximan entre sí (c) y las distribuciones se aproximan a los valores esperados (25/49/26% y 24/50/26%), es decir que ajustan la variabilidad a largo plazo para que se aproxime a los valores de la distribución teórica de probabilidad sin que sean exactos para diferenciar la distribución empírica de la teórica. Coordina el sentido de variabilidad y de estabilidad. 25 % 49 % 26 % 24 % 50 % 26 % Su justificación en la tarea siguiente y en general, nos da cuenta de este nivel de razonamiento: "Por que mientras más sean los sorteos más exactos van a ser los porcentajes en posibilidades". Otros argumentos de nivel relacional encontrados para la décima tarea: Respuesta de nivel relacional - "Porque Beto tiene 50% probabilidad de ganar y, Ana y Carlos el 25%" [25/50/25% y 25/50/25%] (E7-3). Componentes (dgi): hace alusión a los valores de la distribución teórica (i), implícitamente entiende que Beto tiene mayor 186
197 probabilidad (d) y relaciona las frecuencias con los valores de probabilidad a largo plazo (g). - "Porque entre más sorteos más se parecen en la forma de la gráfica" [30/50/20% y 15/60/25%]. - "Porque al aumentar en número de sorteos la forma de las gráficas es más parecida en las gráficas (en forma de campana )" [25/50/25% y 20/60/20%] (E21-3) - "Por que mientras más sean los sorteos más exactos van a ser los porcentajes en posibilidades" [25/49/26% y 24/50/26%] (E24-3). - "Porque entre mayor sea el número de sorteos Beto tiene más probabilidad en el 50%, Carlos y Ana el 25% cada uno" [14.1/54.08/32% y 14.1/54.08/32%] (E2-3). (ghi): hace alusión al sentido de estabilidad de las frecuencias (se parecen) (g), lo relaciona con el número de sorteos (i) y hace alusión al aspecto cualitativo de la distribución. El aspecto cuantitativo se refleja en los valores de la predicción que se aproximan a los valores esperados (h). (dghi): asigna mayor frecuencia al evento más probable (d), y relaciona el número de sorteos (h) con la frecuencia relativa (g) y la distribución de probabilidad (i). La relación de componentes asociada con la tarea de Predicción gráfica de distribuciones de frecuencias relativas a largo plazo (1200 sorteos), se tuvo en cuenta para el análisis de respuestas y da cuenta de las conexiones para la comprensión (ver Figura 4.9). Figura 4.9. Estructura de componentes de la tarea: Predicción gráfica de distribuciones de frecuencias relativas a largo plazo (1200 sorteos) Respecto al cálculo de probabilidades Para Gal (2005), los estudiantes deben estar familiarizados con la manera de encontrar la probabilidad de eventos, a fin de entender las afirmaciones probabilísticas realizadas por otros, o para generar estimaciones sobre la probabilidad de eventos y comunicarse con los demás sobre ellos. Aquí es donde los 187
198 tres puntos de vista de la probabilidad clásica, frecuentista y subjetiva, son útiles. Si bien el cálculo de probabilidades es importante, lo es aún más construir un significado alrededor de este concepto, que permita al estudiante no solo obtener un número para medir la probabilidad, sino la capacidad para comprender el significado y el uso de dicho valor a la hora de hacer predicciones de resultados y tomar decisiones bajo incertidumbre. Las actividades desarrolladas por los estudiantes durante la investigación no se centraron en el cálculo de probabilidades, pero se adoptó por un enfoque frecuencial y subjetivo para su diseño. El estudio permitió observar la manera como los estudiantes realizaban predicciones a priori, obtenían datos experimentales, comparaban distribuciones de frecuencias y confrontaban con sus predicciones para ajustar los razonamientos subjetivos de probabilidad hasta que emergieran los valores teóricos, esperando que pudiesen ser relacionados con el espacio muestral y la variable aleatoria. Un ejemplo de respuesta a la onceava tarea: Juicio de la situación aleatoria a largo plazo, enunciada como: Crees que después de muchos días, todos los miembros de la familia tendrán el mismo número de veces el control del televisor? Justifica la respuesta, donde solo dos estudiantes establecieron una conexión poco frecuente, fue la respuesta de tipo relacional que conectó las componentes (bce) y (cde). En el primer caso dos estudiantes lograron conectar la probabilidad frecuencial (componente b), la noción de distribución como entidad al integrar los eventos (componente c) y de manera implícita la no equiprobabilidad de la situación (componente e): "No, porque Beto tiene 50% probabilidad de ganar y, Ana y Carlos el 25%" (E7-3) y "No, porque conforme a las posibilidades Beto tiene el 50% de probabilidad y sus padres 25% de probabilidad cada uno" (E24-3). Este tipo de respuestas evidencian una comprensión adecuada de la tarea que da cuenta de un cambio de razonamiento evidente, teniendo en cuenta que estos estudiantes habían dado respuestas de tipo preestructural antes de la instrucción. Estos dos casos en especial pueden dar ejemplo de la viabilidad del enfoque de las actividades, en las cuales no hacen indispensable conocer la relación del espacio muestral y el cálculo clásico de probabilidad a partir de los eventos para conocer los valores de probabilidad. La siguiente etapa para estos estudiantes es conectar los valores de probabilidad encontrados con la relación del espacio muestral y la variable aleatoria (componente d). Las respuestas respecto a la doceava tarea: Valores subjetivos de la distribución de probabilidad enunciada como, Cuál crees que será el valor de probabilidad de ganar el control para cada miembro de la familia Pérez?, dan cuenta del máximo nivel alcanzado por algunos de los estudiantes participantes que lograron cuantificar el valor de probabilidad que da cuenta de la emergencia del modelo teórico del problema a partir del modelo empírico del análisis de las distribuciones de frecuencias asociadas a la variable aleatoria número de águilas en el último test de evaluación post simulación computacional. Respuesta de nivel abstracción Componentes extendida - E21-3 y E24-3 (abcde): asocia valores relativos (a), suman 100% 188
199 A= 25% B=50% C=25% (b) y asigna mayor frecuencia a Beto (d). Cree que el valor de probabilidad debe reflejarse en los valores de frecuencia relativa (e). - E2-3 (abcde): asocia valores relativos (a), suman 100% (b) y asigna mayor frecuencia a Beto (d). Cree que el A= 23-26% B=49-51% C=23-26% valor de probabilidad debe reflejarse en los valores de frecuencia relativa (e). Adicionalmente integra un intervalo de confianza. Finalmente, la construcción de la noción de probabilidad está inter relacionada con el desarrollo de doce ideas básicas respecto a los datos, la aleatoriedad, el muestreo, la distribución, la variabilidad y estabilidad de las frecuencias relativas a corto y largo plazo respectivamente, la necesidad de modelos estadísticos, la noción de aleatoriedad, la predecibilidad y la incertidumbre, el espacio muestral, la variable aleatoria, la inferencia estadística y el cálculo de probabilidades. Donde las nociones claves de variable aleatoria y distribución facilitan la percepción de variabilidad (a corto y mediano plazo) y estabilidad de las frecuencias absolutas y relativas (a largo plazo) al poder analizar el conjunto de resultados y no un evento en particular, esta es la respuesta al por qué involucrar la noción de distribución y variable aleatoria en la enseñanza del concepto de probabilidad? La invitación a la comunidad de docentes que enseñan matemáticas es la implementación de actividades estructuradas donde confluyan los enfoques frecuencial, subjetivo y clásico de probabilidad, en la cual los estudiantes desarrollen un razonamiento probabilístico adecuado para describir, caracterizar y cuantificar experimentos aleatorios con miras a formar ciudadanos con cultura estocástica. REFERENCIAS Batanero, C. (2001). Didáctica de la estadística. Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Biggs, J. y Collis, K. (1991). Multimodal learning and the quality of intelligence behavior. En H.A. Rowe (Ed.), Intelligence: Reconceptualization and measurement (pp ). Hillsdale, NJ: Lawrence Erlbaum Associates. Fischbein, E. (1982). Intuition and proof. For the Learning of Mathematics, 3 (2), Gal, I. (2005). Towards "Probability Literacy" for all citizens: Building blocks and instructional dilemmas. In G.A. Jones (Ed.), Exploring probability in school: Challenges for teaching and learning (pp ). New York: Springer. Garfield, J.B., Ben-Zvi, D., Chance, B., Medina, E., Roseth, C., y Zieffler, A. (2008). Creating a Statistical Reasoning Learning Environment. En Garfield, J., y Ben-Zvi, D. (Eds.), Developing students statistical reasoning connecting rresearch and teaching practice, (pp ). The Netherlands: Springer. Jaimes, E. (2011). Niveles de razonamiento probabilístico con énfasis en la noción de distribución de estudiantes de secundaria en tareas de experimentación y simulación computacional. Tesis de maestría. México: CINVESTAV - IPN. Jaimes, E., y Martínez, J. (2007). Probability Explorer: un socio cognitivo en la construcción del significado de la ley de los grandes números con estudiantes de octavo grado en el 189
200 Instituto Técnico Industrial de Puente Nacional. Tesis de especialización. Bucaramanga, Colombia: Universidad Industrial de Santander. Jones, G.A., Langrall, C.W. y Mooney, E.S. (2007). Research in probability: Responding to classroom realities. En F.K. Lester (Ed.), The Second Handbook of research on mathematics teaching and learning (pp ). Reston, VA: NCTM. Pfannkuch, M. y Reading, Ch. (2006). Reasoning about distributions: a complex process. Statistics Education Research Journal, 5 (2), 4-9. Reátiga, A. (2004). Confrontación entre realidad y modelo teórico: una propuesta para desarrollar la intuición probabilística en los niños de sexto grado. Tesis de especialización. Bucaramanga, Colombia: Universidad Industrial de Santander. Ruiz, B., Batanero, C. y Arteaga, P. (2011). Vinculación de la variable aleatoria y estadística en la realización de inferencias informales por parte de futuros profesores. Boletim de Educação Matemática, 24 (39), Sánchez, E. (2002). Teachers Belief About usefulness of simulation with the educational software Fathom for developing probability concepts in statics classroom. En B. Philips (Ed.), Proceedings of the Sixth International Conference on Teaching Statics - ICOTS 6. International Association for Satatistical Education. Watson, J. (2006). Chance Precursor to Probability. En J. Watson (Ed.), Statistical literacy at school (pp ). Mahwah, NJ: Lawrence Erlbaum Associates. Yáñez, G. (2003). Estudios sobre el papel de la simulación computacional en la comprensión de las secuenciasa, la probabilidad y la probabilidad condicional. Tesis de doctorado. México: CINVESTAV - IPN. 190
201 COMUNIDAD DE PRÁCTICA: UN ESPACIO PARA LA CONSTITUCIÓN DE LA IDENTIDAD DEL PROFESOR DE ESTADÍSTICA Difariney González Universidad de Antioquia (Colombia) En este artículo se presenta un avance de una investigación acerca de la constitución de la identidad del profesor de estadística. Los participantes fueron profesores en ejercicio del sector público de la ciudad de Medellín, quienes hacían parte junto con la investigadora de un programa de formación estructurado como comunidad de práctica. Los encuentros se realizaron cada semana durante el primer semestre de 2013 en un espacio de tres horas. Los resultados preliminares muestran que la dinámica favoreció la constitución de la identidad del profesor de estadística. PALABRAS CLAVE Profesor de estadística, identidad, comunidad de práctica. INTRODUCCIÓN En Colombia es común que la enseñanza de la estadística recaiga en los profesores de matemáticas. Este hecho exige una formación adecuada de los profesores de para la enseñanza de la estadística (Lopes, 2013), pues, por lo general, se asume como una responsabilidad inherente a su labor. En consecuencia, es común que el profesor que enseña estadística se asuma como profesor de matemática y no como profesor de estadística. Lo anterior es un asunto problemático, si partimos de que hay diferencias entre la enseñanza de las matemáticas y la enseñanza de la estadística (Ben-Zvi, Garfield y Zieffler, 2006; Scheaffer, 2006). Desde los orígenes de la estadística se ha generado un debate acerca de si es parte de la matemática o es una área independiente que posee su propio modo de razonamiento (Moore y Cobb, 2000). Algunos aspectos que marcan los límites entre la estadística y la matemática son: a) la variabilidad y b) el tipo de pensamiento, pues la estadística requiere un pensamiento aleatorio en donde los datos no se consideran apenas números sino que ellos cobran sentido en la medida que están vinculados con un contexto. La literatura en formación de profesores no ayuda mucho a discriminar las particularidades del profesor de estadística. Es común encontrar estudios sobre el profesor de matemáticas (Ponte, 2001; Rico, 2004, Ponte y Chapman, 2006; Llinares y Krainer, 2006; Parada, 2011; Horn, 2012; Beline, 2012; Ponte, 2013; Guacaneme, Obando, Garzón y Villa-Ochoa, 2013). Sin embargo, en los últimos años se ha empezado a estudiar al profesor que enseña estadística en su dimensión particular. La formación del profesor de estadística es un área con amplio reconocimiento que toma como
202 objeto de estudio la estadística y la didáctica de la estadística (Pinto, 2010, Lopes, 2004, 2013; Batanero, 2009; Pamplona, 2009; Estrada, 2007, 2009; Estrada, Batanero y Fortuny, 2004; Zapata y Rocha, 2011; Makar y O Brien, 2013). Estudios como los de Bayer, Bittencourt, Rocha y Echeveste (2004); reportaron que los profesores no se sienten con la formación suficiente en estadística ni tampoco cuentan con material didáctico que apoye sus clases. Por lo tanto, la escasa formación disciplinar y didáctica en estadística con la que cuentan los profesores puede llevarlos a dejar la estadística olvidada y en algunos casos a no enseñarla. La formación de profesores fundamentada en la búsqueda de patrones y soluciones exactas a los problemas resulta insuficiente para que el profesor se asuma como profesor de estadística. Considerando como problemático lo expuesto en los párrafos anteriores, pretendo responder la siguiente pregunta: Cómo se constituye la identidad del profesor de estadística cuando participa en un programa de formación estructurado como comunidad de práctica? Reconozco varios cuestionamientos que están presentes a la hora de diseñar y desarrollar programas de formación de profesores de estadística, tales como la identificación del qué?, el por qué?, y el cuándo? no es suficiente para que se dé la constitución de la identidad del profesor. Se hace necesario considerar el quién? y el cómo? con el fin de analizar el proceso de la constitución de la identidad. Considero que la identidad del profesor de estadística es un constructo útil y de interés para ser investigado en espacios colectivos. Es útil, ya que ayuda a diferenciar al profesor de estadística del profesor de matemáticas. Investigar la identidad del profesor de estadística es de interés debido a que los profesores señalan tener escasa formación disciplinar y didáctica en el área y esto los lleva a no asumirse como profesores de estadística. Los resultados de este estudio contribuyen a la reflexión en torno a las relaciones teóricas y prácticas de los procesos de formación de los profesores de estadística. MARCO DE REFERENCIA Incluir la identidad en el contexto de las comunidades de práctica lleva a comprenderla desde una óptica social (Wenger, 2001). Investigar la constitución de la identidad de los profesores como miembros de una comunidad de práctica no significa, en palabras de Wenger (2001), estereotiparlos, sino que permite reconocer y valorar su participación en pro de mejorar y contribuir con la enseñanza de la estadística. Este autor asume una comunidad de práctica como un grupo de personas que comparten una preocupación, un conjunto de problemas o interés común acerca de un tema y que profundizan en su conocimiento y pericia en esta área a través de una interacción continua (Wenger, McDemott y Snyder, 2002, p. 4). Las dimensiones presentes en una comunidad de práctica son: a) Ccompromiso mutuo, es decir, en una comunidad de práctica cada miembro se compromete a compartir lo que sabe y espera, a su vez, recibir el conocimiento de los otros miembros; b) empresa conjunta, se refiere a las necesidades e intereses comunes, aunque no necesariamente hom*ogéneas. Para este estudio la enseñanza de la estadística constituyó la empresa conjunta; y, c) 192
203 repertorio compartido que está constituido por lenguajes, herramientas y maneras de hacer propias de la comunidad (Wenger, 2001). Comprender la constitución de la identidad en el marco de la teoría de la práctica social vincula procesos de participación y no participación en comunidades de práctica. Participar en una comunidad de práctica no consiste en asistir a una serie de actividades y cumplir con lo asignado, sino en contribuir con lo que se conoce y se desconoce. La participación se concibe como un proceso complejo que combina hacer, hablar, pensar, sentir y pertenecer. La constitución de la identidad es el resultado de trayectorias entre la participación y la no participación (Wenger, 2001). El compromiso, la imaginación y la alineación son elementos constituyentes de la identidad (Wenger, 2001). El compromiso es entendido como fuente de identidad que congrega tres aspectos: i) la negociación continua de significado, ii) la formación de trayectorias, y iii) el despliegue de historias de práctica. En la convergencia de estos tres procesos el compromiso se convierte en una fuente de identidad (Wenger, 2001). Mediante la imaginación reconocemos la propia experiencia y la de los demás, podemos vernos a nosotros mismos de diferentes maneras, crear modelos, compartir historias y explicaciones. La imaginación requiere apertura dice Wenger (2001, p. 228); apertura para explorarnos y explorar nuevas relaciones, una apertura para revisar el pasado y conjugarlo con el presente y el futuro. La alineación se refiere a hacer parte de proyectos, establecer conexiones con otras personas con el fin de compartir ideas, metas e iniciativas para trabajar de manera coordinada en torno a un producto. Mediante la alineación hacemos ciertas acciones con el fin de desempeñar nuestro rol y constituir nuestra propia identidad como profesores de estadística. ASPECTOS METODOLÓGICOS Los participantes de la comunidad de práctica fueron diez profesores en ejercicio de los niveles educativos de básica primaria, secundaria y media vocacional del sector público de la ciudad de Medellín. Los participantes tenían formación en educación matemática, algunos eran licenciados en matemáticas y física y otros eran licenciados en educación básica con énfasis en matemática. Cinco participantes adelantaban estudios de posgrado en enseñanza de las ciencias. Los profesores asistieron a los encuentros de la comunidad de práctica en su tiempo libre, no recibieron apoyo económico, ni reconocimiento de horas en su trabajo. Los encuentros se realizaron semanalmente durante el primer semestre del año 2013, en reuniones de tres horas. En total se realizaron 11 encuentros. La agenda de los encuentros se fue consolidando de acuerdo a las necesidades e intereses de los profesores. En las reuniones de la comunidad de práctica los profesores compartían y construían juntos herramientas, experiencias y formas de enseñar estadística. En la comunidad de práctica se privilegió el trabajo colaborativo, de esta manera fue esencial aceptar la voz personal y la voz del otro, teniendo presente que ninguna idea era definitiva, tal y como 193
204 señalan Boavida y Ponte (201), A medida que una voz se entrelaza con otras voces, la comprensión se enriquece y la conversación se torna más informada (p. 130). Los instrumentos utilizados para la producción de registros fueron: ideograma, autobiografía, planeaciones de clase, video grabaciones, escrito reflexivo, actividades, diarios de los encuentros y entrevistas. Para el análisis de la información se tomaron los enunciados de los profesores que expresaban una idea de manera coherente sobre la constitución de su identidad como profesores de estadística. En este escrito utilicé seudónimos con el fin de proteger la identidad de los profesores. DESARROLLO DE LA PROPUESTA En este apartado presento la constitución de la identidad del profesor Juan, como producto de su participación, en la comunidad de práctica de profesores de estadística. El interés de Juan por participar en la comunidad de práctica radicaba en fortalecer su formación en estadística. La experiencia que él tenía con la estadística estaba más relacionada con su época como estudiante universitario que como profesor. Él mencionó haber visto un curso de estadística cuando adelantaba sus estudios de licenciatura en básica con énfasis en matemática: Fue hasta el 5 semestre que vine a ver una materia que era propiamente de estadística (autobiografía, marzo 20, 2013). Referente a esta experiencia él escribió fue una experiencia perversa (autobiografía, marzo 20, 2013). Como profesor Juan solo recordaba haber enseñado en básica primaria el tema de tablas y gráficas. En el ideograma (Figura 1) Juan se dibujó a si mismo como profesor de estadística, en medio del tablero, los libros y el computador: Yo hice el dibujo basándome como me he visto dictando estadística, [ ] me sentí atravesado por la información [ ] solo miraba el tema apoyado de los libros (Juan, encuentro marzo 13, 2013). Él tenía una imagen como profesor de estadística fundamentada en la búsqueda de conocimiento, un conocimiento que estaba en los libros y en Internet, un conocimiento que se adquiría y se plasmaba en el tablero: Yo lo que hacia era buscar y plasmar en el tablero, no tenía las suficientes herramientas (Juan, encuentro marzo 13, 2013). Figura 1. Ideograma de Juan 194
205 Juan representó a los estudiantes manteniendo una posición y una actitud estática y pasiva, marcó una distancia entre los estudiantes y él como profesor. En las descripciones que Juan hizo de las clases de estadística que él había dado, el otro profesor o estudiante no existía, y en consecuencia, los espacios para compartir, interactuar y dialogar con los demás estaban ausentes. La identidad de Juan estaba influenciada por las experiencias vividas en su época como estudiante. Si bien, al inicio de los encuentros de la comunidad de práctica él reveló una experiencia no grata con la estadística, a medida que fue participando en las reuniones su identidad como profesor de estadística empezó a tornarse de manera diferente. Él encontró en las discusiones, aparte del conocimiento estadístico, un sentido humano al que se refirió en la entrevista, (mayo 8 de 2013). A Juan, la dinámica de trabajo al interior de la comunidad de práctica, le permitió reflexionar acerca de su experiencia como estudiante con la estadística y de su práctica como profesor de la materia. Ahora me doy cuenta que de pronto a mí me faltó ser más didáctico. Yo creo que cuando yo empecé a dar clase [ ] me estaba dejando llevar más por lo teórico. [ ]. No necesariamente hay que llegar al tablero con la definición (entrevista, junio 14 de 2013). Así mismo, al referirse a su imagen como profesor de estadística, él comentó: Entrevistadora: y como te ves hoy en junio 2013 como profesor de estadística? Juan: bien, [ ] Yo creo que acá en la comunidad [ ] sirvió ver otras maneras, otros ejemplos que ustedes trajeron o los compañeros idearon. [ ] son otras formas de uno dictar la clase. De desprenderse un poquito como de la definición y del tablero. Yo me veo en este momento así, planteando este tipo de actividades (entrevista, junio 14 de 2013) Algunos elementos que influyeron en la constitución de la identidad de Juan fueron: la posibilidad de escuchar la experiencia del otro y encontrar puntos en común con su propia vivencia. El repertorio de actividades que, desarrolladas y discutidas en los encuentros, vinculaban la realidad de la clase. A Juan la dinámica de trabajo de la comunidad de práctica le posibilitó conocer otras formas de comprender la enseñanza de la estadística y ampliar su propio yo, trascendiendo el tiempo y el espacio y creando nuevas imágenes de la estadística y de él mismo (Wenger, 2001). En la comunidad de práctica, Juan demostró alineación con las prácticas compartidas. Él a través de su participación hizo parte de los asuntos que se discutieron. Juan Participó plenamente en discusiones en donde los conceptos estadísticos eran el tema principal y de esta manera contribuyó en el desarrollo de las actividades propuestas utilizando la estadística como herramienta para llegar a la solución de problemas reales. Los encuentros de la comunidad de práctica le posibilitaron a Juan negociar y reflexionar frente a su identidad como profesor de estadística. Dice Wenger (2001) que Las identidades incorporan el pasado y el futuro en el proceso mismo de negociar el presente (p. 194). CONCLUSIONES La formación de profesores en estadística es un asunto que requiere ser investigado en Colombia. La constitución de la identidad del profesor de estadística combina diferentes aspectos individuales y colectivos que la hacen un proceso dinámico. Los 195
206 resultados de este estudio muestran que espacios de formación estructurados como comunidad de práctica favorecen la constitución de la identidad. En estos espacios, el profesor es protagonista de su propia formación y, la realidad de la clase de estadística es el foco de las discusiones. Al inicio de los encuentros el profesor Juan señaló haber tenido una experiencia poco agradable con la estadística como estudiante, sin embargo, la dinámica de trabajo al interior de la comunidad de práctica le permitió alinearse a las discusiones, actividades y compromisos, de igual manera que le posibilitó la constitución de nuevas imágenes de si mismo como profesor de estadística. REFERENCIAS Batanero, C. (2009). Retos para la formación estadística de los profesores. Trabajo presentado en II Encontro de Probabilidade e Estadística na Scola. Portugal: Universidade do Minho. Bayer, A., Bittencourt, H., Rocha, J. y Echeveste, S. (2004). Formandos em Matemática x Estatística na escla: estamos preparados?trabajo apresentado no Simpósio Sul- Brasileiro de Ensino de Ciencias. Beline, W. (2012). Formação de professores de matemática em comunidades de prática: Um estudo sobre identidades. Tesis de doctorado. Brasil: Universidade estadual de Londrina. Ben-Zvi, D., Garfield, J. y Zieffler, A. (2006). Research in the statistics classroom: Learning from teaching experiments. In G. Burrill (Ed.), Thinking and reasoning with data and chance. NCTM 68 Yearbook (pp ). Reston, VA: NCTM. Boavida, A.M. y Ponte, J.P. (2011, enero-abril). Investigación colaborativa: potencialidades y problemas. Traducción de D.A. Pérez. Educación y Pedagogía, 23 (59), Estrada, A. (2009). Las actitudes hacia la estadística en la formación de profesores. Lleida, España: Milenio. Estrada, A. (2007). Actitudes hacia la estadística: une studio con profesores de educación primera en formación y en ejercicio. En M. Camaño, P. Flores y P. Bolea (Eds.), Investigación en Educación Matemática XI (pp ). Tenerife: Sociedad Española de Investigación en Educación Matemática. Estrada, A., Batanero, C. y Fortuny, J.M. (2004). Un estudio comparado de las actitudes hacia la estadística en profesores en formación y en ejercicio. Enseñanza de las Ciencias, 22 (2), Guacaneme, E.A., Obando, G., Garzón, D. y Villa-Ochoa, J.A. (2013). Informe sobre la formación inicial y continua de profesores de matemáticas: el caso de Colombia. Cuadernos de Investigación y Formación en Educación Matemática, Horn, I. (2012). Teachers learning together: Pedagogical reasoning in mathematics teachers collaborative conversations. Trabajo presentado en el 12th International Congress on Mathematical Education. Krainer, K. (2003). Teams, communities y networks. Journal of Mathematics Teacher Education, 6 (2), Llinares, S. y Krainer, K. (2006). Mathematics (student) teachers and teacher educators as learners. En A. Gutierrez y P. Boero (Eds.), Handbook of reaserch on the psychology of mathematics education: Past, present and future (pp ). Rotterdam, The Netherlands: Sense Publishers. Lopes, C.A. (2013). Educação Estatística no Curso de Licenciatura em Matemática. Bolema, 27 (47),
207 Lopes, C.A. (2004). El conocimiento profesional de los profesores y sus relaciones con la estadística y la probabilidad. En E. Castro y E. de la Torre (Eds.), Investigación en Educación Matemátic. Actas del VIII Simposio de la SEIEM (pp ). Coruña, España. Makar, K., y O Brien, M. (2013). Blurring the boundaries: the transformative nature of research participation. En W. Midgley, P.A. Danaher y M. Baguley (Ed.), The role of participants in education research: ethics, epistemologies, and methods (pp ). New York: Routledge. Moore, D.S. y Cobb, G.W. (2000). Statistics and mathematics: Tension an cooperation. The American Mathematical Monthly, 107, Pamplona, A.S. (2009). A formação Estatística e Pedagógica do professor de matemática em Comunidades de Prática. Tesis de doctorado. Campinas, Sao Paulo, Brasil. Parada, S. (2011). Reflexión y acción en comunidades de práctica: un modelo de desarrollo profesional. Tesis de doctorado. México. Pinto, J. (2010). Conocimiento Didáctico del Contenido sobre representación de Datos Estadísticos: Estudios de casos con profesores de estadística en carreras de psicología y educación. Tesis de doctorado. México. Ponte, J.P. (2013). Estudiando el conocimiento y el desarrollo profesional del profesorado de matemáticas. En N. Planas (Ed.), Teoría, crítica y práctica de la educación matemática (pp ). Ponte, J.P. (2001). Investigating in mathematics and in learning to teach mathematics. En T.J. Cooney y F.L. Lin (Eds.), Making sense of mathematics teacher education (pp ). Dordrecht, the Netherlands: Kluwer Academic Publishers. Ponte, J.P. y Chapman, O. (2006). Mathematics teahcers knowledge and practices. In A. Gutierrez y P. Boero (Eds.), Handbook of reaserch on the psychology of mathematics education: Past, present and future (pp ). Rotterdam, The Netherlands: Sense Publishers. Rico, L. (2004). Reflexiones sobre la formación inicial del profesor de matemáticas de secundaria. Revista de Currículum y Formación del Profesorado, 8 (1), Scheaffer, R.L. (2006). Statistics and mathematics. In G. Burrill (Ed.), Thinking and reasoning with data and chanc. NCTM 68 Yearbook (pp ). Reston, VA: NCTM. Wenger, E. (2001). Comunidades de práctica: aprendizaje, significado e identidad. Traducción de G. Sanchéz. Barcelona: Paidós. Wenger, E., McDermontt, R. y Snyder, W. (2002). Cultivating communities of practice: a guide to managing knowledge. Boston, MA: Harvard Business School Press. Zapata, L. y Rocha, P. (2011). Actitudes de profesores hacia la estadística y su enseñanza. Trabajo presentado en el XIII CIAEM-IACME, Recife, Brasil. 197
208 EN EL PARQUE DE DIVERSIONES CON CHICOS MAREADOS Y DADOS EXÓTICOS. UNA INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA CON ACTIVIDADES PRÁCTICAS Y SU REPRESENTACIÓN CON GEOGEBRA Miguel Valdivieso y Erica Parra Escuela Tecnológica Instituto Técnico Central (Colombia) I.E.D. Julio Garavito Armero (Colombia) alfamavc7@gmail.com, ericamayari@yahoo.es Este taller tiene como objetivodar a conocer una experiencia de aula de introducción a la estadística descriptiva,a partir de una historia que se desarrolla en un parque de diversiones y en la que los lectores toman un papel interactivo. La primera sesión del taller se llevará a cabo a partir de una narración, utilizando dados no convencionales y monedas para la recolección de datos; en la segunda sesión se realizará la sistematización de datos y producción de gráficos haciendo uso del software libre Geogebra. Al finalizar el taller esperamos que los asistentes se hayan divertido al desarrollar las actividades propuestas y además conozcan una forma interactiva de trabajar con sus estudiantes. PALABRAS CLAVE Estadística descriptiva, representaciones gráficas, actividades de aula, Geogebra. INTRODUCCIÓN El presente taller tiene como objetivo dar a conocer una experiencia de aula de introducción a la estadística descriptiva, recolectando y organizando datos que surgen como resultado de las actividades propuestas al participante del taller, que a su vez es involucrado en la narración propuesta. Luego se desarrolla una sesión en la cual se presenta la forma en que se puede utilizar el software libre Geogebra para analizar y representar gráficamente los datos que se obtienen a partir de la experiencia práctica. MARCO DE REFERENCIA En este caso estaremos abordando los conceptos generales de estadística descriptiva como media, mediana, moda, cálculo de los diferentes tipos de frecuencias y las representaciones de gráficos de barras, circular y de líneas con su respectiva interpretación y lectura (Spiegel, 2000). Así mismo, estaremos abordando el uso de Geogebra (Carrillo y Lamas, 2010) para crear diferentes tipos de gráficas estadísticas, ya que por la versatilidad de este software es posible explorar, desarrollar y continuar este trabajo en distintos sistemas operativos tales como Windows, Linux, MAC, y tabletas Androit, Windows y Ipad. Además de que es un software de fácil acceso porque es libre y existen suficientes fuentes en la red sobre su uso; también es posible trabajar en la red sin necesidad de instalar el programa (Geogebra, ).
209 Entre implicaciones didácticas de la selección de Geogebra para su uso en el aula y en particular para este trabajo, están las consideradas por Leal, Iglesias y Urbina (2008, citados en Tamayo, 2013) y por Lozano y Camargo (2008, citados en Tamayo, 2013), quienes afirman que con este software el trabajo en el aula se hace menos tedioso, porque facilita la representación y la interacción con los problemas, además de motivar procesos de investigación matemática en el aula, así como los procesos de argumentación, comunicación e interacción. DESCRIPCIÓN DE LAS ACTIVIDADES En la primera sesión se propone desarrollar dos actividades: toma de datos y presentación y análisis de la información. Se reconstruye el ejemplo de lanzar dos dados iguales (Spiegel, 2000), para ilustrar las diferentes medidas de tendencia central y explorar este tipo de comportamiento con dados que presentan una forma diferente a la cúbica. En la segunda actividad, cuyo contexto es el movimiento de persona mareada recién salida de una licuadora de un parque de diversiones, se muestra un modelo de camino aleatorio en una dimensión. En este, se modela la elección de la realización del movimiento o no, de la dirección del movimiento y de la distancia recorrida según los resultados lanzar una moneda tres veces. Con base en esta actividad se pueden integrar conceptos propios de la física como el desplazamiento, cantidad vectorial y velocidad; además permite hacer una introducción a la creación y lectura de las gráficas de movimiento. Esta propuesta viene derivada de un trabajo anterior nuestro (Valdivieso y Parra, 2007) Para la segunda sesión se propone desarrollar una actividad con el software libre Geogebra. Como es bien conocido, Geogebra permite la manipulación de objetos digitales desde la perspectiva de la geometría Dinámica. Además, en su última versiónpermite el trabajo con hojas de cálculo y cálculos estadísticos básicos (GeogebraChanell 2013; Pavez, 2013). En esta sesión se propone dar una introducción al uso de Geogebra, en especial cómo se utiliza para desarrollar gráficas de barras, líneas, etiquetado y escalado de ejes, la manera como se pueden exportar las gráficas generadas a formatos gráficos y una exploración de las opciones de análisis estadístico que se pueden desarrollar en este programa. Para esta sesión requerimos de una sala de sistemas donde esté instalado Figura 1. Ejemplo de gráfica de barras derivada de la actividad propuesta 199
210 Geogebra y/o que los asistentes al taller traigan un computador portátil. Los siguientes son muestra de los tipos de gráficos que esperamos lograr con los participantes mediante Geogebra, Figuras 1 y 2. Figura 2. Pantallazo de Geogebra, con la representación de una gráfica de líneas Actividad 1. Lanzamiento de dados piramidales Recursos -Cartulina -Tijeras -Pegante -Hoja de registro de datos -Papel milimetrado -Calculadora -Transportador -2 dados de 4 lados. (Tetraedros de 5 cm de arista. Se construye con los materiales anteriores. ) Objetivos - Desarrollar las medidas de tendencia central para un conjunto de datos obtenidos por los asistentes. - Reforzar los modelos de cálculos de frecuencias y el desarrollo de tablas de frecuencias y gráficos circulares. Desarrollo Figura 3. Modelos de Dados piramidales en forma de tetraedro. 200
211 Preparación. De manera visible marca los dos tetraedros como dado 1 y dado 2 (d1 y d2). Marca en cada vértice los números del 1 al 4 tal como se ve en la Figura 3. El mismo número debe quedar en las 3 caras en el sector que está hacia el mismo vértice. En cada cara deben quedar 3 números. Lanza uno de los dados. El número que queda en la punta de arriba es el valor que corresponde al lanzamiento del dado. Obtención de datos. Hay que lanzar la pareja de dados al azar 50 veces. Para que no se repitan los números, hay que hacer girar el dado desde la mano. Registra el resultado del lanzamiento de los dados en la tabla anexa. Ten en cuenta las siguientes convenciones: L: lanzamiento d1: resultado del dado 1 d2: resultado del dado 2 S: suma de los valores d1 y d2 De aquí en adelante trabajaremos como dato la suma del resultado de los dos dados. Figura 4. Ejemplo de la tabla de recolección de datos asignada. Registrar los datos. Escribe en la siguiente tabla (Figura 4) las frecuencias absolutas respecto a la suma de los dos dados y llénala acorde a las indicaciones dadas como guía. Calcula el promedio de los valores de S. El promedio de S es: Cuál es la moda de los datos de S? : Cuáles son los dos valores que menos se repiten?: Elabora una gráfica de barras de frecuencia absoluta versus el valor de S. Describe en palabras el comportamiento de la gráfica. Elabora una gráfica circular respecto a los resultados obtenidos para la suma S. Elabora las conclusiones respecto a los datos obtenidos por ustedes. Reconstruir esta actividad con dos dados normales de 6 caras y con 200 lanzamientos (pueden ser los resultados de un juego de parqués normal). Actividad 2 Después de una jornada en el parque de diversiones, un grupo de amigos sale de la licuadora y salen todos mareados. Se dirigen a sus casas, pero dejan a uno de ellos a mitad de un corredor o calle del parque de diversiones. El chico mareado quiere salir del centro de la calle en donde está ubicado, sin embargo no puede distinguir bien los extremos y decide usar el siguiente método para poder moverse y generar así su desplazamiento. 201
212 Lanza una moneda. Si la moneda cae en cara (C) decide no moverse. Si sale sello (S) decide moverse. Lanza de nuevo la moneda. Si la moneda sale cara se mueve en dirección al norte. Si la moneda cae en sello decide moverse hacia el sur. Lanza por tercera vez la moneda. Si la moneda sale cara se mueve un paso. Si cae en sello se mueve dos pasos. Figura 5. Esquema de ubicación por casillas o pasos en direcciones norte y sur, adecuado para jóvenes que no manejan aún el formalismo y representación de números enteros La secuencia anterior define un movimiento. Nuestro joven mareado sale del sitio marcado con cero (0) en el diagrama. Vas a ayudar al joven a salir de la calle, haciendo los respectivos lanzamientos organizados en la siguiente tabla: Número de movimiento Resultad o primera moneda Resultado segunda moneda Resulta do tercera moneda Desplazamie nto del chico Posición del chico pasos. 1 2 Figura 6. Tabla de registro de la información de los movimientos generados al lanzar las monedas Escribe en una tabla en hoja de block, los siguientes movimientos o pasos. Desarrolla los lanzamientos hasta que el joven salga de la calle. Los límites son 20 pasos al norte y 20 pasos al sur (Se sale al llegar a la casilla 21 al norte o la 21 al sur.). Registra todos los valores en una tabla de datos similar a la del ejemplo. Incluye todos los datos que sean necesarios para cumplir con esta condición. A los cuantos lanzamientos se llegó al extremo de la calle? Cuántas veces el desplazamiento del chico fue nulo? Cuántas veces el chico cruzó por la posición original (0 pasos)? Elabore una gráfica de líneas, posición vs. número de lanzamiento. Mira la Figura 7. Elabora una tabla que sintetice los tipos de movimiento generados en su actividad (ver Figura 8). 202
213 Desarrolla una gráfica de barras correspondiente de frecuencia vs. tipo de desplazamiento. Cuál tipo de desplazamiento ocurre con mayor frecuencia? Cuál ocurre con menor frecuencia? Figura 7. Esquema a desarrollar en la gráfica de líneas. Diagrama de posición vs. número de lanzamiento Tipo de desplazamiento Nulos 1 paso al norte 2 pasos al norte 1 paso al sur 2 pasos al sur Frecuencia aparición de Figura 8. Tabla de recolección de datos, para el análisis de los tipos de movimiento Actividad 3. Uso de Geogebra para representar datos estadísticos. Gráficas de barras Instalación Acceda al siguiente link y luego instale la versión correspondiente a su sistema operativo en: nload/ Ejecución Al ejecutar el programa obtendrá como pantalla principal la siguiente imagen. Haga click sobre el menú de la parte derecha del área de trabajo, en la opción Hoja de cálculo y gráfico. Obtendrá una imagen similar a Excel Introducción de datos Como ejemplo, trabajaremos con la secuencia de datos obtenida de los 50 lanzamientos de los dados piramidales. 203
214 En la barra superior de Geogebra, Seleccione el menú Vista y escoja las opciones Vista algebraica y Campo de entrada. Sobre la hoja de cálculo (que se encuentra en el área de trabajo), escriba en la columna A los datos obtenidos con el lanzamiento de datos piramidales. Construcción de tabla de frecuencias o distribución Seleccione los datos utilizando el puntero que se encuentra en la parte superior izquierda de la pantalla. Haga clic izquierdo sostenido mientras arrastra el mouse sobre los datos, estos se irán resaltando a medida que los selecciona. Cree una lista. Con los datos seleccionados y resaltados, haga click derecho, escoja del menú contextual la opción crea y de allí la opción Lista Observe que en la Vista algebraica, apareció un objeto de Geogebra, de tipo Lista denominado lista1 (ver Figura 13). Este tipo de objeto muestra sin ninguna modificación los datos que previamente habíamos ingresado, llamados también lista de datos en bruto. Use el comando Tabla de frecuencias. En la parte inferior de la pantalla, sobre la caja blanca que corresponde al campo de entrada, vamos a ingresar el comando Tabladefrecuencias. Al digitar en el campo de entrada Tabladefrecuencias, Geogebra muestra sugerencias de comandos; de estos escogeremos: TablaDeFrecuencias [<Lista de datos brutos>]. Al seleccionar este comando, se coloca en azul el texto que solicita la lista de datos para trabajar. Allí se coloca el nombre de la lista de datos a trabajar lista1 que sustituye la escritura <Lista de datos brutos>]. Genere la TablaDeFrecuencias.Al oprimir la tecla enter, se genera una tabla de frecuencias de los datos que hemos ingresado. En esta, la primer columna Valor contiene los distintos datos y la columna Cuenta la frecuencia absoluta de cada dato. Organice su espacio de trabajo. Desplace la tabla de frecuencias a una zona visible (utilice el puntero) y cierre la hoja de cálculo que ya no se requiere. Renombre las columnas de la tabla definiendo variablespara cada una de las columnas de la tabla.la columna Valor serárenombrada con la variable v que se construye de la siguiente forma: En el campo de entrada digitamos: v={datos de la columna valor}. Vea la figira 17. Observe que en la vista algebraica queda definida la variable v. De la misma forma, la columna Cuenta serárenombrada con la variable c, digitando en el campo de entrada: c={datos de la columna cuenta}. 1. CONSTRUCCIÓN DE DIAGRAMA DE BARRAS En el campo de entrada digitamos: Barras y seleccionamos la opción Barras [<Lista de datos>, <Lista de frecuencias>, <Ancho de Barras>]. 204
215 Entonces sustituimos los datos por las variables v, c y 0.5 (use punto y no coma para indicar el decimal) que corresponden a la lista de datos, la lista de frecuencias y el ancho de barras respectivamente. Observe que en la vista gráfica se generó el diagrama de barras. 2. AJUSTE LA GRÁFICA. DISMINUYA LA ALTURA DE LAS BARRAS. Seleccione el puntero, coloque el mouse sobre el eje Y, y haga control-click sostenido, desplazando el mouse hacia abajo, para ajustar la altura de las barras hasta que el gráfico se vea completamente. Realice el mismo procedimiento pero sobre el eje X. Utilice la opción Desplace vista gráfica para seleccionar y desplazar la tabla a un lugar visible y conveniente. ACTIVIDAD 4. USO DE GEOGEBRA PARA REPRESENTAR DATOS ESTADÍSTICOS. GRÁFICAS DE LÍNEAS. 1. INGRESO DE DATOS. Digitar la tabla de datos en la vista de Hoja de cálculo. Incluir los respectivos encabezados de las tablas. 2. CREACIÓN DE LA GRÁFICA. Seleccionar los datos que van a representarse(click izquierdo sostenico + movimiento del puntero del mouse). Luego sobre la selección, hacer click derecho y seguir la ruta Crear>>Lista de puntos. Con esto se grafican todos los puntos correspondientes en la Vista gráfica de Geogebra. Se realiza de nuevo la selección de los puntos, click derecho y la secuencia Crear>> Poligonal; ver en las opciones que hay de la figura 23. Esto genera la unión de los puntos en la gráfica, en el orden en que fueron escritos. 3. AJUSTES, ETIQUETADO DE EJES Y EXPORTACIÓN DE LA GRÁFICA. Para ubicar los nombres de los ejes en la gráfica, se selecciona la respectiva casilla de la Hoja de Cálculo, donde está el nombre del eje.hacer click derecho y escoger del menú Mostrar el Objeto. Cuando se hace esto, sale en la vista gráfica el texto que se escogió cerca del origen del plano cartesiano. Desarrolle la misma actividad con el otro encabezado de tabla. Luego, acomode los textos en el sitio adecuado de la gráfica, haciendo click izquierdo sostenido en cada texto y reubicándolo en el sitio correspondiente. Para ajustar el tamaño del texto: Se hace click derecho sobre el texto y del menú contextual se escoge la opción Propiedades figura. Allí busca la pestaña texto y ajusta las opciones de visualización. 205
216 Para ajustar las escalas de la gráfica necesarias se lleva el puntero del mouse con forma de cruz- encima del eje y, al hacerlo se ve un puntero normal. En esta ubicación se oprime al tiempo la tecla control y el click normal del mouse, y se mueve verticalmente el mouse a la escala que se requiera. Para colocar el título, vaya al menú principal y la opción de Texto (el marcado con ABC) y en el menú que sale a continuación escriba en el campo Edita el nombre de la gráfica. Luego cuando el texto esté ubicado en la gráfica, ajuste las propiedades de visualización con las indicaciones anteriores. El resultado es similar al de la figura. Para exportar la gráfica final, tiene dos opciones: a) vaya a Menú>>Archivo>>Exporta>>Vista Grafica a Portapapeles. Esto genera una gráfica lista para pegar en un documento tipo Word. b) vaya a Menú>>Archivo>>Exporta>> Vista gráfica a imagen. Salen las opciones de visualización para archivo png y usted ajusta manualmente estas opciones, entre ellas, la escala de la gráfica, el tipo de formato de imagen, resolución y demás. CONCLUSIONES Con la realización de este taller esperamos: Mostrar una forma diferente, interactiva y amena de presentar y desarrollar los temas iniciales de estadística descriptiva. Obtener retroalimentaciones del taller elaboradas por los participantes. Mostrar que con el uso de Geogebratambién es posible trabajo estadístico. REFERENCIAS Carrillo, A. y Llamas, I. (2010). Geogebra. Mucho más que geometría dinámica. México. Alfaomega. Geogebra. (). Instalación de Geogebra. GeoGebraChanell. (2013). Simple Line Charts. Pavez, F. (2013). Gráfico de barras en Geogebra Spiegel, M. (2000). Estadística. 2 ed. México: Mc Graw Hill. Tamayo, E. (2013) Implicaciones didácticas de Geogebra para el tratamiento de los tipos de funciones en estudiantes de último grado de secundaria. Valdivieso, M.A. y Parra, E. (2007). El camino aleatorio, una oportunidad de trabajo de clase
217 PROYECTOS DE APRENDIZAJE EN LA ENSEÑANZA DE LA ESTADÍSTICA Mauren Porciúncula y Suzi Pinto Universidade Federal do Rio Grande (Brasil) mauren@furg.br, suzisama@furg.br Para que el aprendizaje ocurra, es necesario que los estudiantes se unen momentos de exploración, al realizar experimentos contextualizados en el mundo físico, con momentos de reflexión. En este sentido, el objetivo de este taller es presentar proyectos de aprendizaje como una alternativa pedagógica para promover la construcción del conocimiento estadístico de los estudiantes. En primer lugar, vamos a abordar la forma de desarrollar proyectos de aaprendizaje en la enseñanza de eestadística. Para orientar las acciones futuras de los participantes, se presentarán las estrategias metodológicas que ya se aplican en la conducción del desarrollo de proyectos de aprendizaje en la enseñanza de la estadística en los cursos de licenciatura en diversas áreas del conocimiento en Brasil. PALABRAS CLAVE Educación estadística, Proyectos de Aprendizaje, Construcción del conocimiento. INTRODUÇÃO Este taller tem como temática a Educación Estadística. Tem como principal objetivo apresentar a metodología de Projetos de Aprendizagem como uma alternativa para o ensino de estatística. Contemplará momentos de apresentação da fundamentação teórica que embasa a metodologia e de um roteiro de como desenvolver Projetos de Aprendizagem no ensino da estatística; exposição de projetos de aprendizagem já desenvolvidos; bem como e espaço para questionamentos e esclarecimentos de dúvidas sobre como desenvolver projetos de aprendizagem no ensino de estatística. MARCO DE REFERÊNCIA Pesquisadores de todo o mundo, da área de Educação Estatística (Ben-Zvi e Garfield, 2004; Batanero, 2001), vem enfatizando a necessidade de novas estratégias metodológicas que remetam a real aprendizagem da estatística. A pedagogia de projetos de aprendizagem, amplamente utilizada e referenciada teoricamente pelo LEC-Laboratório de Estudos Cognitivos da Universidade Federal do Rio Grande-UFRGS Brasil- cuja experiência piloto foi realizada pelo Projeto Amora (Cap/UFRGS), em , vem sendo utilizada no ensino da estatística. Essa pedagogia, reconhecida como inovadora, apresenta resultados significativos quanto ao desenvolvimento cognitivo e a melhoria da aprendizagem, especialmente na construção de conceitos, pois fazer um projeto de aprendizagem significa
218 desenvolver atividades de investigação sobre uma questão que incomoda, desperta a atenção e excita a curiosidade do sujeito. O desenvolvimento de um projeto de aprendizagem consiste na busca por informações que esclareçam as indagações de um sujeito sobre a sua realidade. Essas indagações se manifestam por inquietações advindas de suas vivências e de necessidades em conhecer e explicar o mundo. O objetivo é o desenvolvimento de um processo de aprendizagem que alcance a construção de novos conhecimentos, no qual o aprendiz possa sistematizar informações, ampliando sua rede de significações, e reestruturar o raciocínio lógico sobre os novos significados enquanto elabora sínteses de respostas descritivas e explicativas para sua curiosidade. Durante o desenvolvimento do projeto, os sujeitos constroem uma rede de conhecimentos em torno da questão investigada. Segundo fa*gundes et al. (1999), o primeiro passo é selecionar uma curiosidade que, para fins didáticos, denomina-se de Questão de Investigação. A seguir é feito um inventário dos conhecimentos (sistemas nocionais ou conceituais dos aprendizes) sobre a questão. Esses conhecimentos podem ser classificados em dúvidas e certezas. As certezas para as quais não se conheça os fundamentos que a sustentem são denominadas de provisórias, e as dúvidas são sempre temporárias, de modo que o processo de investigação consiste no esclarecimento das dúvidas e na validação das certezas. O trabalho com projetos se desenvolve segundo um plano de interação intensiva. No plano, os itens do inventário são agrupados em unidades de investigação, segundo suas afinidades, e ocorre a previsão de um tempo para sua realização, a definição de recursos e a escolha de uma metodologia. O esclarecimento/validação de um item requer: coleta de informação, análise, debates e, por fim, elaboração de uma síntese descritiva e/ou explicativa. No decorrer da investigação, surgem novas dúvidas e novas certezas; com isso, o inventário é modificado e o planejamento, consequentemente, refeito. Em torno de um projeto se articula uma rede de cooperação, formada por autores dos projetos, outros sujeitos (construtores de outros projetos, orientadores) sendo, neste caso, orientadora/pesquisadora e eventuais colaboradores externos. Vale ressaltar que essas coletividades não são somente constituídas por sujeitos humanos e por tecnologias, mas também por suas relações (Maraschin, 1995). O trabalho em grupo tem como objetivo proporcionar a discussão de idéias e melhorar a aprendizagem de forma dinâmica, refinando a integração do processo de aprendizagem, estimulando e apoiando a cooperação entre os estudantes. Silva (2001) considera importante uma prática docente compartilhada entre aquele que ensina e aquele que aprende, estabelecendo, assim, um processo de produção de sentido que torna o estudante capaz de construir seu próprio percurso de aprendizagem. Na proposta de projetos de aprendizagem, o papel do professor/orientador é orientado pelas diferentes funções que venha a assumir na interação com os estudantes (fa*gundes et al., 1999). Ele poderá ser um articulador entre objetivos, interesses e estilos de aprender dos alunos, cabendo a ele a função de organizar o 208
219 contexto de aprendizagem no que diz respeito às possíveis áreas de interesse e as suas necessidades e dos sujeitos, desenvolvendo-as presencialmente ou via mecanismos de interação e comunicação digitais; coordenar a reflexão que envolve a prática docente e discente, organizando o planejamento conjunto de novas ações e analisando continuamente os resultados de modo a oportunizar a reorganização do contexto de aprendizagem; fortalecer as trocas que favoreçam a integração entre os conceitos trabalhados por orientador/pesquisador e produtores rurais a partir das ações disciplinares ou interdisciplinares. O orientador de projetos deve estimular e auxiliar a viabilização busca e organização de informações, frente às indagações do grupo de produtores rurais. Ele ainda questiona, apresenta desafios, argumenta e provoca a contra argumentação dos aprendizes, provocando a atividade de pensar criticamente para refazer suas buscas e as atuais construções. O professor/orientador também é responsável por proporcionar o estabelecimento de contatos com os especialistas das diferentes áreas do conhecimento, sempre que um projeto assim demandar, de maneira que os conceitos sejam aprofundados. É nesse sentido que vão as propostas da chamada pedagogia por projetos, que não é exclusividade das séries iniciais, mas pode servir de inspiração para todos os níveis de ensino (Franco, 1997) A metodologia utilizada no desenvolvimento deste taller contempla abordagem inicial teórica de Projetos de Aprendizagem numa perspectiva conceitual e, posteriormente, propõem-se atividades de vivência do desenvolvimento de projetos de aprendizagem. Ao término desta atividade será realizada uma análise reflexivocrítica da mesma, discutindo as possibilidades, limites e forma de articulação com os conceitos estatísticos, assim como também serão estimuladas discussões que promovam a reflexão sobre a finalidade, a adequação e as potencialidades pedagógicas dessa metodologia. Durante o taller serão abordadas algumas atividades que proporcionarão um primeiro contato e permitirão o desenvolvimento de Projetos de Aprendizagem. DESCRIÇÃO DAS ATIVIDADES O primeiro passo é a diferenciação de um Projeto de Aprendizagem de um Projeto de Ensino e conhecer os passos para o desenvolvimento de projetos de Aprendizagem e os papéis de cada sujeito. A seguir, serão apresentados projetos desenvolvidos por estudantes de graduação da Universidade Federal do Rio Grande - FURG e estudantes do ensino básico que participam de projetos de extensão desenvolvidos pelo Grupo de Pesquisa. Após, os participantes serão divididos em dois ou três grupos. Cada grupo desenvolverá cooperativamente, uma proposta para um projeto de aprendizagem. Ao final cada grupo apresentará sua proposta de projeto de aprendizagem evidenciando a diferenciação desse a um projeto de ensino, as possibilidades a serem exploradas a partir dessa proposta, bem como as dificuldades enfrentadas ao longo do processo. 209
220 As atividades retratam a utilização projetos de aprendizagem como uma estratégia metodológica capaz contribuir para a construção de conceitos estatísticos e sua abstração, sem utilizarem a memorização e a repetição. CONCLUSÕES Para que haja aprendizagem é necessário que os sujeitos intercalem momentos de exploração, realizando experimentos contextualizados no mundo físico com momentos de reflexão. Com base nesta idéia é que será desenvuelto este taller, a fim de promover a construção do conhecimento, ou seja, a diferenciação, a coordenação de diferentes ações, a tomada de consciência das ações, as novas aprendizagens (conceituação), que remeteram a construção de habilidades e competências no ensino de estatística e, que possam remeter a novos saberes e fazeres na prática docente de estatística. Esta oficina já foi realizada em eventos no Brasil e relatada em eventos de estatística na Nova Zelandia e China. As pessoas que já participaram da oficina relatam que refletem sobre o ensinar estatística e ganham uma nova possibilidade de ensinar Estatística e promover um maior interesse de seus estudantes. REFERENCIAS Batanero, C. (2001). Didáctica de la estadística. Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Ben-Zvi, D. y Garfield, J. (2004). Statistical literacy, reasoning, and thinking: Goals, definitions and challenges. En D. Ben-Zvi y J. Garfield (Eds.), The challenge of developing statistical literacy, reasoning and thinking. The Netherlands: Kluwer Academic Publishers. fa*gundes, L., Sato, L. y Laurino-Maçada, D. (1999). Aprendizes do futuro: as inovações começaram! Brasília: Secretaria da Educação a Distância, Ministério da Educação. Franco, S.R.K. (1997). O construtivismo e a educação (6th ed.) Porto Alegre: Mediação. Maraschin, C. (1995). Escrever na escola: da alfabetização ao letramento. Tese de doutorado. Porto Alegre: UFRGS. Silva, M. (2001). Sala de aula interativa. Rio de Janeiro: Quarter. 210
221 ANEXOS 211
222 212
223 213
224 GRUPOS DE TRABAJO
225 FORMACIÓN DE PROFESORES EN PROBABILIDAD Giovanni Sanabria Universidad de Costa Rica (Costa Rica) Tienen los profesores de enseñanza de la matemática una formación correcta en probabilidad? La discusión se centrará en dos aspectos importantes: el concepto de probabilidad y la cultura estadística. A priori, se logra que los docentes en formación adquieran un concepto adecuado de probabilidad?, y a posteriori, los ciudadanos, que pasaron por las aulas, son cultos en estadística? PALABRAS CLAVE Formación de profesores, concepto de probabilidad, cultura estadística. INTRODUCCIÓN Actualmente la probabilidad ha adquirido una importancia relevante en nuestra sociedad para el avance de la ciencia, la tecnología y la investigación en distintas disciplinas. Esta ha producido que en los programas de estudio de diferentes países en secundaria se introduzcan los principales elementos de la teoría de probabilidad. Particularmente, en Costa Rica recientemente se han aprobado nuevos programas de estudio en matemática para secundaria que abordan asuntos de la probabilidad de forma significativa. Esto provocó que se desarrollaran una serie de cursos de capacitación en probabilidad para docentes en ejercicio y la necesidad de que las universidades revisen los currículos de las carreras de los docentes en formación. Ante esto, tienen los profesores de enseñanza de la matemática una formación correcta en probabilidad? La discusión sobre la respuesta a esta interrogante se centrará en dos aspectos importantes: El concepto de probabilidad. Se logra que los docentes en formación adquieran un concepto adecuado de probabilidad? Cultura estadística. Una forma de valorar la formación que han tenido los docentes en probabilidad es observar que tan bien manipulan e interpretan la probabilidad sus alumnos. MARCO DE REFERENCIA Significados de probabilidad Batanero (2005) brinda los distintos significados históricos de la probabilidad: significado intuitivo, significado laplaciano, significado frecuencial, significado subjetivo, significado teórico. 1. Niveles de razonamiento para abordar la enseñanza de la probabilidad En Sanabria () se proponen algunas reflexiones y un esquema para abordar la enseñanza del concepto probabilidad por medio de diferentes niveles de
226 razonamiento a través de situaciones problema. A partir de un referente teórico se plantea que los conceptos de aleatoriedad y probabilidad deben ser estudiados progresivamente, donde su adquisición va evolucionando desde un nivel intuitivo hasta llegar a un nivel formal. Se hace énfasis en la probabilidad como orientadora en los procesos de decisión. 2. Pronósticos del mundial de Futbol Brasil A solicitud del periódico digital CRhoy se elaboró un modelo probabilístico para predecir los resultados de algunos partidos de futbol del Mundial Brasil. Un ejemplo de una de las publicaciones se puede consultar en MODELOFUTBOL (). Las publicaciones generaron polémica y una serie de comentarios en redes sociales que merecen ser analizados para valorar como interpretan la probabilidad y el modelo probabilístico algunos docentes y ciudadanos en general. ASPECTOS METODOLÓGICOS Primera sesión: concepto de probabilidad Inicialmente se exponen algunos aspectos teóricos sobre el concepto de probabilidad y su enseñanza, según el marco teórico propuesto. Luego se da la palabra para que los participantes indiquen otros referentes teóricos que consideren importantes tomar en cuenta en la discusión. Después, para iniciar la discusión, se proponen algunas preguntas: Se logra que los docentes en formación adquieran un concepto adecuado de probabilidad?, conocen los docentes la importancia de la probabilidad como orientadora en la toma de decisiones? Segunda sesión: cultura estadística Inicialmente se exponen algunos de los comentarios en Facebook, de docentes y ciudadanos en general, sobre los pronósticos del mundial de futbol. Estos comentarios se analizan. Luego se inicia la discusión con las preguntas: son los ciudadanos cultos en estadística? Cómo lograr una formación de docentes adecuada para mejorar la cultura de estadística? REFERENCIAS Batanero, C. (2005). Significados de la probabilidad en la educación secundaria. RELIME, 8 (3), MODELOFUTBOL () Sanabria, G. (). Reflexiones sobre la enseñanza de la probabilidad. Memorias del III Encuentro sobre Didáctica de la Estadística, la Probabilidad y el Análisis de Datos. Costa Rica: Instituto Tecnológico de Costa Rica. 216
227 TEOREMA DE BAYES Y LENGUAJE MATEMATICO MAPLE. ESTIMACIÓN DE LA FUNCIÓN DE DENSIDAD POSTERIOR Giampaolo Orlandoni 1,2, Miguel Pérez 1 y Josefa Ramoni 1,2 1 Universidad de Santander (Colombia) - 2 Universidad de Los Andes (Venezuela) orlandoni@yahoo.com, miguel.perez@udes.edu.co, jramoni@yahoo.com El objetivo de este trabajo es explicar el uso del teorema de Bayes en la estimación de la función de densidad posterior (fdp) de parámetros de interés, usando el software matemático Maple. Se presenta el caso de la distribución de Pareto como una aproximación a la distribución de los ingresos de una población. Se estima la fdp del parámetro alfa de la distribución de Pareto para el caso de datos agrupados. PALABRAS CLAVE Econometría bayesiana, distribución de Pareto, teorema de Bayes, fdp posterior. INTRODUCCIÓN: El presente trabajo se centra en el uso del teorema de Bayes para estimar funciones de densidad posteriores de determinados parámetros. Se ilustra la estimación de la fdp posterior del parámetro alfa de la distribución de Pareto, representativa de la distribución de ingresos de una población. Para realizar dicha estimación se usa el software matemático Maple. MARCO DE REFERENCIA Los métodos estadísticos sustentan la investigación científica, considerada ésta como un proceso controlado de aprendizaje. El avance científico se fundamenta en la experiencia. El conocimiento obtenido de esta manera es una descripción de lo que se ha observado, pero también, consiste en hacer inferencias basadas en experiencias pasadas, para predecir futuras experiencias, es decir inducción o generalización obtenida de las experiencias pasadas (Jeffreys, p 8). El proceso de inducción está gobernado por una serie de reglas, como que todas las hipótesis deben declararse explícitamente, y las conclusiones deben deducirse de esas hipótesis; además, cualquier regla debe ser aplicable para que sea útil (Zellner, p. 4). La probabilidad bayesiana es una probabilidad condicionada y a medida que la información sobre esa proposición cambia, también se revisa la probabilidad o creencia que se tiene en ella. Este proceso de revisión de probabilidades asociadas con proposiciones, ante nuevas evidencias, es la base del aprendizaje a partir de la experiencia (Zellner, p.10; Box, p.5). Mediante el teorema de Bayes se hace operativo este proceso de revisión de probabilidades para incorporar nueva información (Figura 1).
228 Información Probabilidad Inicial a Priori Io p(/io) Teorema Probabilidad de Posteriori Información Función de Bayes p(/y,io) nueva Verosimilitud y p(y/) Figura 1. Teorema de Bayes. Actualización de probabilidades Se plantea analizar los siguientes temas: Estadística Bayesiana y Teorema de Bayes. Estimación de la Probabilidad Posterior fdp Distribución de Pareto. Estimación de la fdp del parámetro alfa de la fd Pareto (Figura 2). alfa pdf ASPECTOS METODOLÓGICOS Figura 2. FDP parámetro Alfa. Distribución Pareto. Sesión 1: Introducción a la Estadística Bayesiana. El Teorema de Bayes. Estimación de la Probabilidad Posterior. Uso del software matemático Maple para estimar fdp. Sesión 2: El caso de la distribución de Pareto. Estimación de la fdp del parámetro alfa de la distribución. Uso del software matemático Maple para estimar la fdp del parámetro alfa. Software estadístico alternativo al lenguaje Maple: R y OpenBugs. REFERENCIAS Baio, G. (2013). Bayesian Methods in Health Economics. CRC Press. London. Box, B. y Tiao, G. (1973). Bayesian inference in statistical analysis. Reading, MA: Addison Wesley Publishing Co. Jeffreys, H. (1966). Theory of probability (3 rd Ed). Oxford: Clarendon Press. Koop, Garyn (2003). Bayesian Econometrics. Wiley. England. Redfern, D. (1990). The Maple Handbook. Springer-Verlag. Zellner, A. (1971). An Introduction to Bayesian inference in econometrics. New York: Wiley. 8. Orlandoni, G. (1988). Estimación de Funciones de Densidad Posteriores. Universidad de Los Andes. IEAC. Venezuela. 218
229 COMUNICACIONES BREVES
230 ADQUISICIÓN DEL SENTIDO DE LA CORRELACIÓN A PARTIR DE RECURSOS VIRTUALES María Magdalena Gea 1, Emilse Gómez 2 y Gustavo Cañadas 1 1 Universidad de Granada (España) - 2 Universidad Nacional de Colombia mmgea@ugr.es, egomezt@unal.edu.co, grcanadas@ugr.es A pesar de la importancia de la idea de correlación, la investigación sobre el tema sugiere pobres capacidades de los adultos en la estimación de la misma, así como existencia de sesgos asociados. Son también numerosas las dificultades que permanecen después de la enseñanza del tema. En este trabajo analizamos los componentes del sentido de la correlación y regresión y algunos ejemplos de recursos interactivos en Internet que podrían utilizarse para desarrollar este sentido en los estudiantes. PALABRAS CLAVE Correlación, recursos virtuales, sentido estadístico. INTRODUCCIÓN La estadística es actualmente uno de los temas más enseñados en todos los niveles educativos. Sin embargo muchas las investigaciones nos alertan de la variedad de errores en la interpretación y aplicación de conceptos estadísticos elementales, incluso después de la instrucción. Batanero, Díaz, Contreras y Roa (2013) explican esta situación contradictoria por la falta de sentido estadístico en los estudiantes y proponen un modelo de dicho sentido. En lo que sigue, aplicamos su definición de sentido estadístico al caso particular de la correlación y seguidamente, sugerimos algunas actividades con recursos interactivos en Internet que pueden ayudar a adquirir este sentido por parte de los estudiantes. MARCO DE REFERENCIA En el modelo de sentido estadístico de Batanero Díaz, Contreras y Roa (2013), se incluye la comprensión de las ideas estadísticas fundamentales (Burrill y Biehler, 2011), el razonamiento estadístico (Wild y Pfannkuch, 1999) y actitudes, lo cual aplicamos a para describir el sentido de la correlación. Las ideas fundamentales sobre correlación son las siguientes: Datos y distribución bivariada. En el estudio de la correlación y regresión se manejan datos bivariantes, es decir, una variable estadística bidimensional y la correspondiente distribución bidimensional. Asociada a la misma, es necesario que los estudiantes diferencien las frecuencias absolutas y relativas conjuntas, marginales y condicionales. Representación tabular y gráfica. En el estudio de la correlación y regresión los datos se organizan en una tabla de doble entrada. La representación gráfica más
231 I Encuentro Colombiano de utilizada es el diagrama de dispersión, aunque también encontramos histogramas o gráficos tridimensionales y gráficos de burbuja. El diagrama de burbujas también permite visualizar, simultáneamente, hasta tres variables (representando la tercera mediante el diámetro) o incluso cuatro, si mediante el color pudiera representarse una cuarta variable. Dependencia funcional, estadística e independencia. Mientras que en una dependencia funcional a cada valor de una variable x (independiente) corresponde un solo valor de otra variable y (dependiente), en la dependencia estadística a cada valor de x corresponde una distribución de valores de y, por lo que este concepto amplía el de dependencia funcional. Covarianza y correlación. Con objeto de medir el signo y la intensidad de la dependencia entre dos variables estadísticas, se introducen otros dos conceptos importantes: la covarianza y la correlación. Es de gran utilidad la explicación de su significado mediante la división en cuatro cuadrantes de la nube de puntos, por medio de las rectas correspondientes a las medias de cada variable, que Holmes (2001) propone. Así mismo, este análisis propicia que el estudiante comprenda más significativamente el cálculo del coeficiente de correlación. También es necesario desarrollar en los estudiantes el razonamiento sobre la correlación; en primer lugar, mejorar su estimación de la correlación a partir de diversas representaciones de datos. Para ello, conviene presentar a los estudiantes ejemplos diversos de diagramas de dispersión teniendo en cuenta las variables que influyen en la dificultad de la estimación de la correlación (Sánchez Cobo, Estepa y Batanero, 2000): signo, intensidad de la correlación, número de datos y si la correlación en los datos coincide o no con la esperada por el estudiante. Es también importante desarrollar la comprensión de la diferencia entre correlación y causalidad, mediante la discusión con los estudiantes sobre la explicación de la correlación, donde además de una relación causa-efecto, otras posibles explicaciones de la correlación (Barbancho, 1973) son: la interdependencia, cada variable afecta a la otra; dependencia indirecta, donde una tercera variable es la que determina la correlación; concordancia o coincidencia en preferencia u ordenación de una misma serie de datos por dos personas, y covariación casual o espúrea. Finalmente, el sentido de la correlación requiere unas buenas actitudes, donde los alumnos se interesen por el tema y valoren su importancia para la modelización matemática en diversas áreas de conocimiento. Asimismo han de superar sus creencias erróneas, entre las que encontramos las siguientes (Estepa, 1994): Concepción causal, confundir correlación y causalidad. Concepción unidireccional, no considerar la correlación negativa o estimando una intensidad menor de la misma. Concepción local, basar la estimación de la correlación en el análisis de sólo una parte de los datos. Concepción determinista, considerar sólo la dependencia funcional y no la dependencia estadística. 221
232 ASPECTOS METODOLÓGICOS Con objeto de proponer recursos para desarrollar los componentes descritos del sentido de la correlación se realizó una búsqueda de recursos en Internet que pueden contribuir a ello. Como se expone en Contreras (2009), estos recursos permiten crear micromundos virtuales, en el que los conceptos y objetos matemáticos abstractos pueden concretizarse. Proporcionan también a los estudiantes experiencia estocástica que es difícil de conseguir con otros medios. Dichos medios están hoy día al alcance de alumnos y profesores a partir de ordenadores (computadoras) y dispositivos móviles, no tienen coste y son un buen recurso educativo. Cada uno de estos recursos se estudió con detalle por medio del análisis semiótico, para identificar los objetos matemáticos propuestos por Godino (2002) (conceptos, propiedades, lenguaje, procedimiento, argumentos), que el alumno debe usar en su trabajo. También se realizaron propuestas de actividades con el recurso. A continuación se presenta el análisis detallado de uno de estos recursos y se comenta brevemente sobre otros disponibles. RECURSOS EN INTERNET PARA EL ESTUDIO DE LA CORRELACIÓN El recurso mostrado en la Figura 1, de acceso libre en Internet, presenta varias posibilidades: Variando el valor del coeficiente de correlación se obtienen nubes de puntos con dicho valor del coeficiente, bien en forma de animación (varía aleatoriamente el valor del r, desde -1 hasta 1); o a petición del usuario (se da un valor de r y el applet produce un diagrama con dicho valor de la correlación). Se puede también cambiar el valor de la desviación típica de las variables x e y, observando cómo afectan éstas la tendencia de la nube de puntos, para r fijo. Se pueden comparar sobre la misma pantalla hasta cuatro diagramas de dispersión simultáneos. Para cada diagrama el usuario puede ajustar el valor de r o la desviación típica de una o las dos variables, para comparar el efecto sobre los diagramas. El applet presenta un diagrama de dispersión y pide estimar el coeficiente de correlación r; una vez se da la estimación, el applet proporciona el valor correcto. Se presentan varios diagramas y varios coeficientes de correlación que hay que emparejar; se puede trabajar con tres niveles de dificultad y como siempre, al final se da la respuesta correcta. Se pide ordenar cuatro gráficos, en función de su correlación, proporcionando también una lista con los valores de los coeficientes. 222
233 Figura 1. Applet para el estudio de la correlación Fuente: Tipo de objeto Lenguaje Conceptos Propiedades Argumentos Problemas Objetos matemáticos implicados en cada applet L1.Verbal: palabras como correlación, ordenar, gráfico L2.Simbólico: símbolos como r, sd L4.Gráfico: diagramas de dispersión L5.Numérico: valores del coeficiente y desviación típica C1.Variable estadística bidimensional; distribución C2.Dependencia funcional/estadística/independencia C3.Correlación C4.Medidas de tendencia central y posición C5.Medidas de dispersión: rango, desviación típica P1. Correlación: signo y sentido de variación P2.Intensidad de la dependencia y valor de la correlación P3.Dependencia lineal y no lineal P4. Dispersión de la nube, correlación A1.Análisis de ejemplos y contraejemplos A3.Visualizaciones A4.Generalización PC2.Representación gráfica PC3.Traducción entre representación gráfica y numérica PC4. Estimación e interpretación de la correlación PC7.Uso de tecnología P1.Analizar la existencia de relación entre variables P2. Diferenciar correlación directa e inversa P3. Ordenar correlación según intensidad Tabla 1.Análisis semiótico del applet sobre correlación 223
234 En la Tabla 1 presentamos el análisis semiótico del applet, donde se presentan los objetos matemáticos que se trabajan a lo largo de las actividades descritas. Observamos que el recurso permite trabajar los principales objetos ligados al tema, partiendo de problemas como analizar la dependencia, diferenciar entre correlación directa o inversa y ordenar correlaciones. Se utilizan conceptos como variable estadística bidimensional, distribución, medidas de posición central y dispersión, dependencia y sus tipos, y correlación, así como las propiedades y procedimientos asociados, lo que favorece el aprendizaje de las ideas fundamentales en el tema. Así mismo, los tipos de argumentos como visualización, generalización y análisis de ejemplos, favorecen el desarrollo del razonamiento estadístico. En la Tabla 2 listamos otros recursos útiles para la enseñanza de la correlación y regresión. Con ellos el profesor puede proponer actividades similares a las descritas o reforzar el aprendizaje de conceptos y propiedades. Fuente Aula virtual bioestadística Biblioteca Nacional de Manipuladores Virtuales NCTM Roger Webster Rossman y Chance Stat Istics Thales-CICA Dirección de la página web &from=category_g_4_t_5.html on.html bcs.whfreeman.com/ips4e/cat_010/applets/correlationregression.html thales.cica.es/rd/recursos/rd99/ed /regresion.html W. H. Freeman bcs.whfreeman.com/ips4e/cat_010/applets/correlationregression.html Tabla 2. Otros recursos para el estudio de la correlación CONCLUSIONES La descripción realizada del sentido de la correlación y de sus componentes, puede motivar a los profesores para tratar de desarrollar dicho sentido en los estudiantes, de forma que adquieran una comprensión profunda del tema. Pensamos que los recursos descritos disponibles en Internet y otros semejantes, junto con las actividades sugeridas puedan ayudar al profesorado en esta labor. También se podrían complementar estas actividades con los ejercicios propuestos en los libros de textos y pequeños proyectos estadísticos, en los que los estudiantes recogiesen sus propios datos para analizar la correlación entre ellos. Por ejemplo, los datos de medidas físicas de los estudiantes, como peso, talla, perímetro de cintura, longitud del antebrazo o la pierna, son fáciles de tomar y les permitirían realizar una introducción al tema; analizando las diferencias entre chicos y chicas, se podría conseguir enlazar con otros contenidos, como las distribuciones univariantes e incluso una introducción intuitiva a la inferencia. 224
235 En este sentido, conviene también proponer tareas con datos tomados de Internet (por ejemplo, de institutos de estadística), ya que permitirán al estudiante adquirir un sentido profundo de lo que implica un estudio estadístico de fenómenos sociales, tal y como se propone en las concreciones curriculares de diversos países, como en España (MEC, 2007). Un ejemplo detallado se presenta en Batanero, Díaz y Gea (2011). Agradecimiento Proyecto EDU (MICINN-FEDER) y grupo FQM126 (Junta de Andalucía. REFERENCIAS Barbancho, A.G. (1973). Estadística elemental moderna. Barcelona: Ariel. Batanero, C., Díaz, C., Contreras, J.M. y Roa, R. (2013). El sentido estadístico y su desarrollo. Números, 83, Batanero, C., Díaz, C. y Gea, M.M. (2011). Estadísticas de la pobreza y desigualdad. En C. Batanero y C. Díaz (Eds.), Estadística con proyectos (pp ). Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Burrill, G., y Biehler, R. (2011). Fundamental statistical ideas in the school curriculum and in training teachers. En C. Batanero, G. Burrill y C. Reading (Eds.), Teaching statistics in school mathematics. Challenges for teaching and teacher education. A joint ICMI and IASE study (pp ). Dordrecht, The Netherlands: Springer. Contreras, J.M. (2009). Recursos en Internet para la enseñanza de la probabilidad condicionada. Tesis de maestría. Granada: Universidad de Granada. Estepa, A. (1994). Concepciones iniciales sobre la asociación estadística y su evolución como consecuencia de una enseñanza basada en el uso de ordenadores. Tesis de doctorado. Granada: Universidad de Granada. Godino, J. (2002). Un enfoque ontológico y semiótico de la cognición matemática. Recherches en Didactique des Mathématiques, 22 (2-3), Holmes, P. (2001). Correlation: From picture to formula. Teaching Statistics, 23 (3), MEC (2007). Real Decreto 1467/2007, de 2 de noviembre, por el que se establece la estructura del bachillerato y se fijan sus enseñanzas mínimas. Madrid: Autor. Sánchez Cobo, F.T., Estepa, A. y Batanero, C. (2000). Un estudio experimental de la estimación de la correlación a partir de diferentes representaciones. Enseñanza de las Ciencias, 18 (2), Wild, C. y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67 (3),
236 EL MOVIMIENTO DEL PENSAMIENTO PROBABILÍSTICO DE LOS ESTUDIANTES DE LA EDUCACIÓN BÁSICA Jaqueline Santos Instituto de Ensino Superior de Itapira (IESI) (Brasil) Nuestra investigación se centró en la siguiente pregunta de investigación: cuáles es el lenguaje y las ideas sobre el pensamiento probabilístico que tienen los estudiantes en el proceso de comunicación de ideas, en contextos de resolución de problemas? Tuvo los siguientes objetivos: (1) identificar las ideas probabilísticas que emergen del proceso de comunicación oral y escrita, en el contexto de resolución de problemas en una perspectiva de investigación; (2) analizar las ideas que surgieron durante la interacción y negociación entre los estudiantes y el profesor-investigador. El análisis permitió observar que el método favorece el movimiento de las ideas probabilísticas de los alumnos y, por tanto, el desarrollo del pensamiento probabilístico. También se proporciona la oportunidad de darse cuenta de que promover tareas relacionadas con el lenguaje estocástico, permite a los estudiantes crear un repertorio lingüístico apropiado para la expresión del pensamiento probabilístico. PALABRAS CLAVE Estadísticas de la Educación, probabilidad, estocástica, enseñanza y aprendizaje. INTRODUCCIÓN La enseñanza de la estocástica ha sido discutida por autores de varios países, entre ellos Brasil. En nuestro país, se sugiere la enseñanza de la probabilidad y la estadística en los Parámetros Curriculares Nacionales (PCN) y en el plan de estudios de la mayoría de las escuelas; en algunos de ellos, desde la Educación Infantil. Sin embargo, los datos del Analfabetismo Funcional Indicador Nacional (INAF), indican un alto nivel de conocimiento y la dificultad de la población sobre el tema. El propósito de este trabajo es presentar parte de la investigación de nuestro maestro, que investigó cuáles es el lenguaje y las ideas sobre el pensamiento probabilístico que los estudiantes de séptimo grado de la escuela primaria tienen, en el contexto de la resolución de problemas, en procesos mediados por la comunicación en las clases de matemáticas. Para ello, se organizaron una serie de 25 tareas, con la metodología para resolver problemas en una perspectiva de investigación, enfocados en temas estocásticos. La investigación se llevó a cabo con estudiantes de séptimo grado de la escuela primaria pública donde el profesor asumió un papel profesor-investigador. El lenguaje probabilístico fue nuestro punto de partida. Nos referimos a resultados de investigación, como los de Bentz y Borovcnik (citados en Sáenz, 1999), quienes argumentan que las respuestas pueden no representar los procesos de pensamiento de los estudiantes, y como las cuestiones relacionadas con el lenguaje pueden
237 confundirlos; y la investigación de Green (citado en Sáenz, 1999), que señala la poca habilidad verbal de los estudiantes que describen situaciones coherentemente probabilísticas. Los estudios realizados por investigadores como Shaughnessy (1992), así como las investigaciones realizadas por Fernandes (1999) y por Godino, Batanero y Cañizares (1996), fueron parte de la revisión de la literatura que guió nuestra investigación. EL MOVIMIENTO DE LOS CONCEPTO PROBABILÍSTICOS En el trabajo pedagógico con los alumnos de educación básica, es común observar que tienen más dificultades para aplicar los conceptos matemáticos probabilísticos que otras nociones. Sáenz (1999) justifica esta situación por la dificultad de pensar en el enfoque para cuantificar la desgracia, caso que no es la situación actual, por ejemplo, en la geometría. Para el autor, el concepto de probabilidad es el resultado de la reflexión y el contraste prolongado con la realidad. Por lo tanto, la comprensión de los principios probabilísticos es importante porque, de acuerdo con Fischbein (1975), las primeras ideas sobre el tema, las ideas principales, pueden conducir a error. Los teóricos de la asignatura distinguen cuatro perspectivas para el concepto de probabilidad, que se acercan entre sí (Cirino, 2007). El concepto Laplaciano y clásico de la definición, que es el concepto tradicional basado en Laplace contenido en la obra Théorieanalytique des Probabilités, publicado en Así, la probabilidad se define por la relación entre el número de casos favorables sobre el total posibles casos, ya que es evidente que todos los resultados son igualmente probables (Fernandes, 1999). La principal característica del concepto frequentista o empírico, es que la probabilidad de un evento que emerge del proceso experimental. Según Godino, Batanero y Cañizares (1996), el valor de probabilidad viene dado por la frecuencia relativa de los éxitos en la realización de un experimento. En la perspectiva subjetivista, las probabilidades expresan el grado de creencia personal o percepción. El individuo utiliza sus experiencias y sus conocimientos sobre el tema para expresar la probabilidad de un éxito, permitiendo diferentes medidas de probabilidad para el mismo éxito. El enfoque de probabilidad axiomático o formal, es el concepto eficaz hoy en día, según Godino, Batanero y Cañizares (1996), y se originó a partir de la obra de Kolmogorov. La probabilidad se define como el cociente entre el número de eventos 'A' del espacio muestral E, y es un valor entre 0 y 1; la probabilidad de un evento seguro es igual a 1, y de un evento imposible igual a 0. Creemos que algunas de estas diferentes concepciones están presentes en la ideología y el discurso de los estudiantes de la educación básica. Por lo tanto, suponemos que muchos de estas concepciones han sido tropiezos para los estudiantes en la realización de las tareas propuestas en la investigación. 227
238 EL MOVIMIENTO DE LOS CONCEPTOS PROBABILÍSTICOS: EL CASO DE JULIA Nos dimos cuenta, en las respuestas y justificaciones dadas a las tareas 12-14, que Julia y sus colegas se basan en relaciones proporcionales, el modelo de Laplace y el reconocimiento de múltiples posibilidades que intervienen en situaciones aleatorias. Figura 1. Tarea 12 primeira fase Figura 2. Tarea 13 primeira fase Figura 3. Tarea 14 primera fase En este contexto, Julia y sus colegas exponen cierta capacidad para interpretar y aplicar las tareas propuestas adecuadas para cada uno de ellos, es decir, tienen un modelo de concepto formal. El grupo también hizo uso de un vocabulario de términos probabilísticos, para expresar sus respuestas. 228
239 Las respuestas de Julia en los primeros 4 elementos de la tarea, tienen el enfoque del principio de la respuesta correcta, por lo tanto, al tirar dos dados y sumar los números obtenidos, las posibilidades de conseguir un par o impar son iguales, es decir, 50% para cada evento. Figura 4. Tarea 4 segunda fase Sin embargo, la entrevista fue muy importante para aclarar las ideas de Julia en relación con las tareas 4 y 5: 1 Prof: Por qué dices que la probabilidad de salir un número par y un número impar es igual? 2 Julia: Debido a que en un momento dado tiene tres números impares y tres pares, pero no es correcto, no se puede saber. Pero tiene tres de cada uno, a continuación, poner eso. 1 Prof: Dijiste que no tienes manera de saber lo que es más probable que de en el resultado porque tienes varias posibilidades. Sabes cuáles son los posibles resultados? 2 Julia: Podría ser o 3, o 4, o 7, o 8, o 10, o 2, o 5. 1 Prof: Para dar 3 números que tienen que salir en el dado? 229
240 2 Julia: Tiene que salir el 3 o caer en el 2 y 1. 1 Prof: Y el 4? 2 Julia: Para salir el 4, 2 y 2, 3 y 1. 1 Prof: Podres encontrar todos los resultados posibles? 2 Julia: Si. Supongo que se puede hacer con todo. 1 Prof: Qué tal si intentas? [El estudiante, en la hoja de la actividad escribe la lista de posibilidades de cómo comenzó oralmente] 1 Prof: Entonces, qué número es más probable? 2 Julia: El ocho y tiene más, el 2, 3, 11 y 12 tienen menos. Transcripción 1. Entrevista con Julia tareas 4 y 5 segunda fase Se observa por medio de las explicaciones de Julia, una serie de concepciones erróneas relacionadas con el espacio muestral. Al principio, en la estimación de las probabilidades de resultados pares o impares, la estudiante ignora el segundo dado y encuentra la medida de la probabilidad correctamente mediante el análisis de las posibilidades de obtener tales resultados utilizando sólo un dado. Posteriormente, la estudiante establece la combinación de pares de datos para analizar las posibilidades de resultados, pero no tiene en cuenta el orden inverso de los pares de datos, la permutación de los resultados, como otras posibilidades. Tales ideas erróneas, que en un momento llevó a otra y se acercaron a la adecuada como respuesta, muestran que Julia tiene, en estas tareas, la concepción subjetivista, ya que presenta una cierta capacidad intuitiva para evaluar el tamaño y la estructura del espacio muestral. La mediación del profesor-investigador era importante para algunos conceptos erróneos que fueron evaluados por los estudiantes. La interpretación formal se produjo en momentos diferentes, pero en situaciones que implicaban la estimación de probabilidad por medio de combinaciones de interpretación derivadas, los estudiantes se equivocan y muestran dificultades relacionadas con la definición del espacio muestral. CONCLUSIONES Creemos que las situaciones de incertidumbre pueden ser interpretadas de diferentes maneras y usar las distintas concepciones del concepto de probabilidad, lo que lleva o no a la gente a las respuestas apropiadas. Así, se observa el movimiento de ideas probabilísticas presentadas por los estudiantes, promovidas por tareas tales como la intervención del profesor-investigador y compañeros de clase. Los registros escritos de las tareas mostraron que los estudiantes expresan sus ideas de manera sucinta, pero mediante la promoción de la expresión del pensamiento por 230
241 medio de la comunicación oral que se establece entre el profesor-investigador y los estudiantes, en los momentos de desarrollo y la socialización del trabajo, posibilitó que informaran sus ideas a la clase de una manera más clara y detallada. Durante las entrevistas, en diálogo con el profesor sobre la tarea realizada por ellos, los estudiantes también se mostraron confiados en la expresión de las ideas probabilísticas, así como en la reflexión y en la superación de algunos conceptos erróneos presentados. REFERENCIAS Cirino, M. (2007). A intermediação da noção de probabilidade na construção de conceitos relacionados à cinética química no ensinomédio. Dissertação mestrado. Bauru, Brasil: Faculdade de Ciências de Bauru, Universidade Estadual Paulista. Fernandes, J.A.S. (1999). Intuições e aprendizagem de probabilidades: umaproposta de ensino de probabilidades no 9.o ano de escolaridade. Tese de doutorado. Braga, Portugal: Universidade do Minho. Fischbein, E. (1975). The intuitive sources of probabilistic thinking in children. Dordrecht, The Netherlands: D. Reidel Publishing Company. Fonseca, M.C.F.R. (2004). Letramento no Brasil: habilidades matemáticas. São Paulo: Global. Godino, J., Batanero, C. y Cañizares, M.J. (1996). Azar y probabilidad: fundamentos didácticos y propuestas curriculares. España: Editorial Síntesis. Lopes, C.E. (2008). O ensino da estatística e da probabilidade na educação básica e a formação dos professores. Ensino de Matemática em Debate: sobre práticas escolares e seus fundamentos. 74, Lopes, C.E. (2003). O conhecimento profissional dos professores e suas relações com estatística e probabilidade na educação infantil. Tese de doutorado. Campinas, Brasil: FE/UNICAMP. Lopes, C.E. (1999). Atividades de estocástica para 3º e 4º ciclos do ensino fundamental. Campinas: Faculdade de Educação. Sáenz, C. (1999). Materiales para la enseñanza de la teoría de probabilidades: propuesta de um modelo didáctico. Madrid: Universidad Autónoma de Madrid. Santos, J.A.F.L. (2010). O movimento do pensamento probabilístico mediado pelo processo de comunicaçãocomalunos do 7º ano do ensino fundamental. Dissertação mestrado. Itatiba, Brasil: Universidade São Francisco. Shaughnessy, J.M. (1992). Research in probability and statistics: reflections and directions. En D.A. Grouws (Ed.), Handbook of research on mathematics teaching and learning. New York: MacMillan. 231
242 LA ENSEÑANZA DE LA PROBABILIDAD DESDE LA PRIMARIA Giovanni Sanabria Instituto Tecnológico de Costa Rica - Universidad de Costa Rica (Costa Rica) gsanabriab@yahoo.com, gsanabria@itcr.ac.cr El presente trabajo propone algunas reflexiones y un esquema para abordar la enseñanza del concepto probabilidad por medio de diferentes niveles de razonamiento a través de situaciones problema. A partir de un referente teórico se plantea que los conceptos de aleatoriedad y probabilidad deben ser estudiados progresivamente, donde su adquisición va evolucionando desde un nivel intuitivo hasta llegar a un nivel formal. PALABRAS CLAVE Didáctica, probabilidad frecuencial, ley de los grandes números, experimentación, simulación, Teoría de Situaciones Didácticas. INTRODUCCIÓN Dado un fenómeno aleatorio con distintos resultados, la probabilidad de que ocurra un evento del fenómeno (subconjunto de resultados) se entiende como la medida de la posibilidad de que suceda el evento. En Sanabria (2012) se plantearon cuatro tipos de probabilidad: Probabilidad subjetiva o intuitiva. Probabilidad según criterio de experto. Probabilidad frecuencial. Probabilidad teórica o espacios de probabilidad. Sin embargo, dicha clasificación y los textos usuales de probabilidad, por ejemplo, Devore (1998) y Walpole et al. (1999)), no permiten apreciar los distintos niveles de razonamiento que se pueden abordar en el proceso de enseñanza-aprendizaje de la probabilidad. Además, comprender el concepto de probabilidad implica entender el concepto de aleatoriedad. El presente trabajo propone y justifica un esquema para abordar la enseñanza del concepto de probabilidad de forma progresiva por medio de distintos niveles de razonamiento. MARCO DE REFERENCIA La propuesta a presentar tiene su base en las teorías que se exponen a continuación, las primeras dos sumamente conocidas y actualmente importantes. La última, es una propuesta de una pequeña pauta que puede guiar la enseñanza de muchos temas en matemática, cuyas deficiencias y bondades deben estudiarse. Ésta se ha denominado De lo cualitativo a lo cuantitativo, y tiene su base en la estadística descriptiva.
243 Teoría de situaciones didácticas Esta teoría es propuesta por Brousseau (1986). En cada uno de los niveles de la propuesta se proponen situaciones problemas que el estudiante debe resolver a partir de su intuición y conocimientos previos. La resolución satisfactoria de estos problemas permitirá una mayor comprensión del concepto de probabilidad en ese nivel. Además, se considera la paradoja de inadaptación a la exactitud. En ciertas ocasiones el conocimiento se construye por etapas debido a que no hay suficientes situaciones, en estas etapas hay aproximación y cierta inexactitud entre el aprendizaje logrado y el conocimiento cultural. En la propuesta se opta por la enseñanza bajo la comprensión, así en cada nivel se escoge enseñar un concepto de probabilidad que si bien funciona a ese nivel, puede ser erróneo según los ojos del matemático. El concepto de probabilidad debe evolucionar conforme el concepto de medida evoluciona. Transposición didáctica El fenómeno de transposición didáctica es propuesto por Chevallard (1991). De esta teoría se rescatan tres elementos orientadores para la propuesta: Creaciones didácticas. El fenómeno de trasposición didáctica existe y es necesario. El docente se vale de creaciones didácticas para lograr que el alumno comprenda el concepto. Estas creaciones didácticas muchas veces son juzgadas por el matemático por su distancia o débil relación con el saber sabio, e incluso pueden tener aspectos erróneos, pero debe pesar también su potencial pedagógico. De las nociones protomatemáticas a las paramatemáticas. En un proceso de enseñanza-aprendizaje se suele pretender que una noción protomatemática evolucione a una noción paramatemática; más concretamente, que la habilidad que tuvo el estudiante para coordinar sus conocimientos previos para resolver con éxito una situación adidáctica inicial, evolucione a una noción herramienta que permita resolver situaciones similares. De lo preconstruido al algoritmo. La historia del estudiante, su intuición y su primer contacto con un saber, genera en él un saber preconstruido, la idea intuitiva de lo que es ese saber. El saber preconstruido es un saber frágil ligado a las situaciones iniciales. Lo preconstruido se aleja del saber científico, porque no es descontextualizable. El proceso de enseñanza-aprendizaje busca que este saber pre-construido evolucione a un saber científico que establece su algoritmización. Lo anterior concuerda con una teoría de la comprensión en la cual la aprehensión de un concepto es gradual (Godino, 1996, citado en Batanero, 2005). Significados de probabilidad Batanero (2005) brinda los distintos significados históricos de la probabilidad: significado intuitivo, significado laplaciano, significado frecuencial, significado subjetivo, significado teórico. Esta clasificación basada en el desarrollo histórico de la probabilidad nos puede ayudar a abordar la enseñanza de la probabilidad, al respecto Batanero (2005) señala: su enseñanza no puede limitarse a una de estas diferentes perspectivas, en razón de que están ligadas dialécticamente. La probabilidad puede contemplarse como razón de posibilidad a favor y en contra, como evidencia proporcionada por los datos, como grado de creencia personal y como modelo 233
244 matemático que ayuda a comprender la realidad. De lo cualitativo a lo cuantitativo Muchos conocimientos matemáticos buscan describir relaciones entre elementos. Dentro de la estadística descriptiva, la clasificación de variables, puede ayudar a modelar la apropiación de ciertos conceptos matemáticos. Así, inicialmente se introduce el concepto a un nivel cualitativo, luego evoluciona a un nivel discreto, hasta llegar a un nivel continuo, en algunos casos. Por ejemplo, analicemos el concepto de medida. Inicialmente el niño aprende a contar desde una perspectiva cualitativa, donde el número indica la posición que ocupa un dedo de la mano, luego indica la posición de un elemento en el conjunto (cualidad ordinal) y después la cantidad de elementos en un conjunto (cualidad cardinal). Luego, para determinar cual conjunto finito tiene más elementos, desarrolla el nivel de razonamiento discreto de la medida. Este concepto evoluciona cuando se estudia los números racionales, y luego los reales. Incluso a nivel universitario, el concepto de medida evoluciona con el estudio de la integración. En general, la enseñanza de muchos conocimientos matemáticos pasan de un razonamiento cualitativo a un cuantitativo, sin perder su carácter cualitativo. Dado que la probabilidad es una medida (medida de la posibilidad de que suceda de un evento), la presente propuesta plantea que su enseñanza se aborde progresivamente, desde una faceta cualitativa del concepto y que evolucione a un concepto cuantitativo continuo para un nivel universitario. PROPUESTA DE NIVELES DE RAZONAMIENTO EN PROBABILIDAD A partir del marco de referencia anterior se plantean 5 niveles de razonamiento para abordar la enseñanza de la probabilidad. Se parte del supuesto que cuando un concepto evoluciona de lo cualitativo a lo cuantitativo, este pasa por una serie de niveles de razonamiento, donde los niveles superiores no anulan los anteriores, por el contrario los enriquecen. Seguidamente se presenta la relación entre los niveles planteados y los significados de probabilidad. Significado Nivel cualitativo Nivel discreto Nivel relativo Nivel algebraico Nivel numérico Intuitivo X X X X X Laplaciano X X X X Frecuencial Subjetivo X X Teórico X X 234
245 Observaciones Las marcas indican en qué niveles se desarrolla en cierto grado un significado. Sería ingenuo pensar que se desarrolle un significado en su totalidad en algunos de los niveles. El significado laplaciano inicia a un nivel discreto, cuando las probabilidades a hallar son sobre un mismo espacio muestral, por lo tanto no se requiere el denominador (los casos totales). Los niveles algebraico y numérico se pueden desarrollar conjuntamente. Incluso el nivel numérico se puede iniciar antes del algebraico. En el nivel numérico se pretende desarrollar el concepto de aproximación al valor de una probabilidad. La matemática numérica se dedica a establecer aproximaciones a un valor real, y también a formular sucesiones de aproximaciones cada vez mejores, que parten de una o varias aproximaciones dadas a priori. Note que lo anterior se encuentra muy ligado con el significado frecuencial y subjetivo. Sin embargo, la propuesta no ha contemplado ejemplos para el significado subjetivo. Esta propuesta de niveles está a un nivel indagatorio, requiere ser más robusta, debe ser nutrirla con más referentes teóricos. Primer nivel: cualitativo Contenidos de enseñanza: situaciones aleatorias y deterministas, concepto de espacio muestral, situaciones improbables, poco probables, muy probables. La existencia del azar es un tema controversial que puede despertar la curiosidad de los estudiantes. En esta etapa es muy importante la discusión. Lo peor que se puede hacer es formalizar demasiado esta etapa que es intuitiva y natural. Además interesa que repita experiencias aleatorias y que observe que se puede presentar diferentes resultados. Interesa que pueda idear maneras de modelar situaciones aleatorias. Interesa que el estudiante pueda calificar la probabilidad en términos cualitativos. Es decir, la probabilidad es la medida de la posibilidad de que ocurra un evento, esta medida se puede introducir de forma cualitativa ordinal: improbable, poco probable y muy probable. La idea es recurrir a la intuición de los estudiantes para que ellos califiquen de forma a-didáctica la probabilidad, es decir, sería un error tratar de definir: improbable, poco probable y muy probable. Dejemos que ellos intuitivamente se enfrenten a las situaciones y posteriormente propiciemos la discusión para confrontar sus apreciaciones para afinar el concepto de estos calificativos de probabilidad. El objetivo principal de la probabilidad es orientar en los procesos de decisión, esto se puede introducir desde este nivel. Ejemplo. El cielo está oscuro y voy a salir a caminar, debo llevar sombrilla? La decisión que se toma no siempre es la correcta pero sí la más probable. Segundo nivel: Discreto Contenidos de enseñanza: espacio muestral y eventos, calificación de la probabilidad de que ocurra un evento sobre un espacio finito equiprobable, comparación de probabilidad de eventos de un mismo espacio muestral, simulación de situaciones de la realidad con objetos concretos. 235
246 Se pretende ver a la probabilidad, medida de la posibilidad de que ocurra un evento, como una medida discreta. Así, la probabilidad de un evento se puede ver como la cantidad de elementos del espacio muestral que favorecen ese evento. Pero, eso sería un gran error! La intención es ver la probabilidad en términos relativos donde en vez de recurrir a las fracciones, se recurre a valores enteros ligados a un componente cualitativo. La idea es establecer un paso intermedio entre una probabilidad cualitativa (primer nivel) y una probabilidad según la Ley de Laplace (tercer nivel). En concreto, se va a calificar la probabilidad de que ocurra un evento como: Improbable: si no incluye por lo menos uno de los resultados. Poco probable: si abarca menos de la mitad de los resultados. De un 50%: si abarca la mitad de los resultados. Muy probable: si abarca más de la mitad de los resultados. 100% probable: si abarca todos resultados. Se recomienda no dar estas definiciones directamente, sino introducirlas por medio de situaciones problema y su discusión. Además, a este nivel, se puede introducir una nueva faceta del concepto de probabilidad: la comparación de eventos de un mismo espacio muestral. Tercer nivel: relativo Contenidos de enseñanza: Regla de Laplace, Comparación de probabilidad de eventos de distinto espacio muestral. Aquí la probabilidad es dada por la ley de Laplace. La necesidad de esta medida de probabilidad relativa se puede introducir a través del problema de comparar la probabilidad de eventos de distintos espacios muestrales. Cuarto nivel: algebraico Contenidos de enseñanza: propiedades de las probabilidades. Quinto nivel: numérico (aproximación) Contenidos de enseñanza: probabilidad frecuencial. CONCLUSIONES A partir del referente teórico se establecieron cinco niveles para abordar la enseñanza del concepto de probabilidad: cualitativo, discreto, relativo, algebraico y numérico. En cada uno de los niveles se establecieron pautas generales sobre la enseñanza de la probabilidad y algunos ejemplos. Así, se aborda la comparación entre eventos de un mismo espacio muestral, la comparación de eventos de espacios muestrales distintos, la probabilidad para orientar la toma de decisiones y La ley de los Grandes números como herramienta para aproximar una probabilidad. La propuesta presentada es una primera aproximación que requiere ser nutrida, pulida y llevada al aula para ser válida. REFERENCIAS Batanero, C. (2005). Significados de la probabilidad en la educación secundaria. Revista Latinoamericana de Investigación en Matemática Educativa RELIME, 8 (3),
247 Brousseau, G. (1986). Fondements et méthodes de la didactiques des mathématiques. Recherches en Didactique des Mathématiques, 7 (2), Traducción de Julia Centeno, Begoña Melendo y Jesús Murillo. Chevallard, Y. (1991). La Transposición Didáctica. Del saber sabio al saber enseñado. Argentina: Aique Grupo Editor, S.A. Devore, J. (1998). Probabilidad y estádistica para ingeniería y ciencias. México: International Thomson Editores. Ekeland, I. (1992). Al Azar. Barcelona: Editorial Gedisa. Sanabria, G. (2012). Comprendiendo las probabilidades. Costa Rica: Editorial Tecnológica de Costa Rica. Sanabria, G. y Núñez, F. (2011). Introducción a la probabilidad utilizando la simulación en Excel. En Memorias del 1er Encuentro Internacional de Enseñanza de la Probabilidad y la Estadística - EIEPE. México: Facultad de Ciencias Físico Matemáticas, Benemérita Universidad Autónoma de Puebla. Sanabria, G. y Núñez, F. (2010). Una propuesta para introducir el estudio de las probabilidades: probabilidad frecuencial. En Memorias III Encuentro de Enseñanza de la Matemática UNED. InBio Parque, Heredia, Costa Rica. Walpole, R., Myers, R. y Myers, S. (1999). Probabilidad y estadística para ingenieros. USA: Prentice-Hall Hispanoamericana. S.A. 237
248 UNA SECUENCIA DIDÁCTICA PARA LA ENSEÑANZA DE LA NOCIÓN DE VARIABLE ALEATORIA DISCRETA Y ALGUNAS REPRESENTACIONES EN GRADO 5 Liceth Beltrán y William Suárez Universidad Distrital Francisco José de Caldas (Colombia) lizbek320@hotmail.com, suarytos11@hotmail.com El presente trabajo es resultado de una reflexión didáctica en relación a la enseñanza de la estadística y nociones previas a la probabilidad en la educación primaria, articulada con el uso de la tecnología en el aula. La secuencia profundiza en el conocimiento histórico del objeto a enseñar, en la conceptualización matemática, didáctica y metodológica. Se plantean tres situaciones en las que se espera cumplir con los objetivos correspondientes, proponiendo competencias a desarrollar por medio de logros e indicadores de evaluación. Las actividades están propuestas desde la metodología de resolución de problemas en las que por medio de la manipulación del material concreto, uso de las tecnologías y situaciones problema, se construye el conocimiento de variable discreta y sus representaciones. Es necesario resaltar que cada actividad cuenta con una temática, descripción, objetivos, metodología, roles, indicadores de evaluación y guía del estudiante, siendo éste el resultado de tal propuesta. PALABRAS CLAVE Aleatorio, variable discreta, pictograma, encuesta, exploración de datos, análisis de fenómenos cotidianos. INTRODUCCIÓN La enseñanza-aprendizaje de la estadística y la probabilidad no se debe limitar al ámbito escolar, pues a diario se encuentran situaciones comunes en donde se necesita de predicciones que permitan inferir sobre la posibilidad de la ocurrencia de eventos reales en el diario vivir; por ende el conocer actualmente cómo representar e interpretar datos, es fundamental debido a las diferentes aplicaciones de la estadística en el mundo real (Colon, 2011, p.3); pero es allí donde se encuentran algunas dificultades en la enseñanza de la estadística escolar, ya que ésta se limita a algoritmos y formulas básicas que carecen de sentido para los estudiantes, puesto que no encuentran ninguna aplicación en su cotidianidad. La enseñanza de la estadística y la probabilidad de manera didáctica, se ha abandonado en la escuela, incluso se ha aislado de los otros pensamientos matemáticos, profundizando en conceptos básicos de la estadística hasta la secundaria, sin dejar claro en los estudiantes la noción de variación de los fenómenos reales en los ciclos anteriores, dejando de lado la recolección de información real y el uso de representaciones de esta información; al respecto Ruiz, Albert y Batanero (2003), destacan que un concepto fundamental en la educación estadística es el de
249 variable aleatoria porque en este convergen muchos conceptos estocásticos básicos que permiten incorporar los fenómenos aleatorios en un análisis matemático. Lo anterior se convierte en una de las razones que motivan el diseño y planeación de esta secuencia de actividades dirigida a estudiantes de primaria a partir de hechos reales que puedan ser observables y coherentes, pues según el NCTM (2000), la estadística es significativa en todos los niveles, pues provee enlaces con otras áreas de estudio; es así, como los conceptos estadísticos deben ser enseñados constantemente y enfatizados en los grados de primaria. MARCO DE REFERENCIA La variabilidad está presente en cualquier fenómeno y es por medio de la estadística que se logra identificar, medir, explicar y predecir dicha variabilidad; a la medida de esa variabilidad se le llama variación. Se habla de variables estadísticas de acuerdo a Batanero y Godino (2002), cuando al representar distintos tipos de datos utilizamos variables, definido como un símbolo que puede tomar diferentes valores resultantes de un experimento estadístico, los cuales corresponden a una característica de una población. Teniendo en cuenta lo anterior, el concepto de variable aleatoria para la presente secuencia de actividades será tomado como una magnitud que permite relacionar los datos de un experimento aleatorio, entendiendo por este último a la repetición un experimento en igualdad de condiciones donde los resultados varían manteniendo constantes las condiciones. La variable aleatoria se posiciona como un concepto cuya perspectiva se ha transformado dentro de la educación estadística, y ha de verse como una magnitud, es decir, como un conjunto de valores numéricos diferentes que corresponden a resultados de una medición Ruiz, Albert y Batanero (2003). Posterior a ello surge la necesidad de definir la clasificación de variables estadísticas, que Rocha, Almeida y Ortiz (2007) establecen como tipos de análisis; por un lado están aquellas variables que pueden ser observadas y ubicadas en una escala o patrón de medida y donde se pueden establecer equivalencias, las cuales a su vez se clasifican en discretas y continuas; ahora, hay otras como aquellas variables que no son observables en una escala, las cuales se clasifican a su vez en nominales y ordinales. Esto concuerda con la afirmación de Batanero y Godino (2002) cuando señalan que la naturaleza de la variable utilizada depende del tipo y necesidades de la investigación. Así, los datos nominales y ordinales son necesariamente cualitativos y discretos mientras que los de intervalo y razón pueden ser discretos o continuos. Teniendo en cuenta lo anterior según Cascos (2009), las variables aleatorias se clasifican en discretas y continuas siendo ambas funciones medibles: una es una función de probabilidad y otra es una función de densidad, respectivamente; ambas miden un espacio muestral, una en el conjunto numerable y la otra en el conjunto de los reales, respectivamente. Retomando la definición de variable aleatoria discreta se puede decir que esta es cuando toma un número de valores finitos o infinitos pero numerables, correspondiendo de esta forma a resultados numéricos de un experimento aleatorio en los que se cuenta el número discreto de veces en el que ha ocurrido el suceso; al respecto Batanero y Godino (2002) agregan que una variable 239
250 aleatoria X es discreta si D tiene una cardinalidad finita o infinita contable, es decir si los elementos de D se pueden poner en una correspondencia uno a uno con los números naturales. Serrano (2010) propone que para lograr que el estudiante aprenda, éste debe interesarse personalmente por la resolución de un problema planteado en la situación didáctica. De acuerdo a lo expuesto por Brousseau (1986, citado en Centeno, 1989), para enseñar un saber se debe proponer una situación problema de control o de aprendizaje, donde una situación problema de control es aquella en la que se requiere la aplicación del saber propio del estudiante y por situación problema de aprendizaje se refiere al planteamiento un problema al alumno para que este pueda manejar estrategias básicas proponiendo diferentes soluciones. Por tanto, es a partir de bases teóricas fundamentadas en la enseñanza y aprendizaje de la aritmética en la educación básica, que los docentes en formación proponen una situación fundamental para el desarrollo de sus clases, donde se brindan al alumno las herramientas para la construcción del conocimiento y donde el estudiante pone en juego sus conocimientos para llegar a la resolución de un problema. La característica relevante de la situación fundamental es la forma que se trata de conectar el mundo real con una parte de la imaginación del niño. Brousseau (1986) propone cuatro fases por las que el estudiante debe atravesar para alcanzar la estrategia óptima que le permite resolver el problema, en cada una de ellas profesor, estudiante y saber, tienen un papel diferente. En resumen se propone que el estudiante de grado 5 tenga la oportunidad de investigar sobre problemas a su alcance, formular, probar, construir modelos, lenguajes, conceptos, teorías, intercambiar sus ideas con otros, adoptar las ideas que le sean útiles. El profesor en lugar de inventar métodos matemáticos adecuados para resolver problemas, debe inventar problemas interesantes que conduzcan a un cierto conocimiento matemático. Teniendo en cuenta esta teoría es importante resaltar su relevancia para la enseñanza aprendizaje de la estadística y la probabilidad, que se refleja en la presente secuencia de actividades fundamentada en la estadística descriptiva y nociones base para la introducción a la probabilidad; es por ello que para la enseñanza, se parte de fenómenos del mundo real relevantes para el niño que le permiten recolectar, organizar, presentar e interpretar datos y tomar decisiones en función de ellos. Estas son algunas de las habilidades que todo ser humano debe lograr, pues como lo indican Rocha, Almeida y Ortiz (2007) es necesario generar una cultura estadística, puesto que en el mundo circundante, el hombre está expuesto a distintos medios de comunicación que muestran diferentes representaciones de información, las cuales en muchas ocasiones pueden ser no verídicas, y es necesario ser crítico ante ellas. Las nociones básicas de la estadística descriptiva para la recolección y análisis de datos y las nociones de probabilidad en relación a fenómenos aleatorios, son parte de la cultura estadística. ASPECTOS METODOLÓGICOS Para la presente secuencia de actividades se tiene como modelo la resolución de problemas que según Polya (1990, citado en Alfaro, 2006) es una serie de 240
251 procedimientos que en la realidad utilizamos y aplicamos en cualquier campo de la vida diaria, donde la resolución de problemas se ve desde una perspectiva global y no restringida al punto de vista matemático; esto nos remite a enseñar a los estudiantes de grado 5 las matemáticas bajo el desarrollo de tácticas para la resolución de problemas, promoviendo que los estudiantes tengan claro el razonamiento, su origen y la organización de ideas, que participen, argumenten y comparen sus respuestas. También nos apoyamos en los planteamientos de Polya (1990), referentes a las estrategias para resolver problemas, que involucran conocer cuatro pasos claves: Comprender el problema Determinar la incógnita, los datos, y las condiciones; decidir si esas condiciones son suficientes, no redundantes ni contradictorias. Concebir un plan Ejecutar el plan Examinar la solución Relacionar el problema Comprobar cada Observar lo que se con problemas uno de los pasos, hizo, verificar semejantes para obtener determinando si resultados mediante resultados útiles; son correctos, es el razonamiento, determinar si se pueden decir, validarlos e creando un proceso usar esos problemas o interrogarse de retroalimentación sus resultados. acerca de lo que para futuros se hizo. problemas. Tabla 1. Método para la resolución de un problema según Polya (1990) Los docentes, para dotar de significado el conocimiento de los estudiantes, nos colocaremos en su lugar, formulando preguntas, señalando caminos y usando la pregunta en cada uno de los grupos resolutores conformados, para orientarlos a que resuelvan el problema por medio del uso del recurso didáctico, el cual permite también que los estudiantes se motiven frente a esta situación, pues desde la perspectiva de Charnay (1990), el hacer matemáticas es resolver problemas. Por otro lado, cabe resaltar que la situación fundamental está basada en un proyecto de aula donde el estudiante, desde la investigación y el trabajo autónomo y colaborativo, construye su conocimiento con orientación del docente, quien en es el encargado de diseñar y formular las preguntas en torno al análisis exploratorio de los datos recolectados. Rocha, Almeida y Ortiz (2007) caracterizan el proyecto de aula, en relación con el desarrollo del método estadístico, como abordar un problema, proponer una hipótesis, suponer un modelo estadístico que permita el estudio del problema, recopilar información utilizando las diversas técnicas de muestreo y finalmente, analizar los resultados de las inferencias. DESARROLLO DE LA PROPUESTA El proyecto de aula propuesto busca problematizar una situación para el estudiante a partir de una salida a acampar. Así la situación fundamental recibe el nombre de Vamos de camping ; para poder organizar la excursión a un bosque cerca de Bogotá, en primer lugar se debe tomar una decisión en grupo para determinar el lugar preciso y algunas condiciones para poder participar en las diferentes actividades de la salida; entonces a partir de diferentes variables se induce al estudiante a pensar en un 241
252 instrumento para la recolección de datos, en sistematizar los datos recurriendo a diferentes recursos tecnológicos, y en representar los datos de manera que se pueda inferir información importante para todo el grupo, puesto que previo al paseo se debe entregar un informe a rectora de la institución Actividad 1. La primera actividad está enfocada en el reconocimiento de los estudiantes de las variables estadísticas relativas a la elección del lugar de la excursión, y a la planeación de actividades extremas que se podrían realizar, delimitando cuales serían las condiciones generales para escalar y hacer una caminata de supervivencia; esto lleva al curso a identificar características generales para planear una encuesta que al ser aplicada arroje información para tomar decisiones. Actividad 2. Esta actividad está enfocada en la aplicación de la encuesta que involucra variables discretas reconocidas por los estudiantes, para luego representar los resultados obtenidos en tablas de frecuencia; las variables aleatorias discretas estarán relacionadas en el fenómeno aleatorio de la edad cumplida de los estudiantes para poder participar de las actividades extremas, y con el número de niños que debe haber en cada grupo para cada actividad extrema; se tiene el propósito de comparar características de la variable continua y discreta en un mismo fenómeno. Actividad 3. Con base en estas dos actividades, los estudiantes de grado 5 elaboraran un informe final (reuniendo los datos de todos los grupos), trabajando con variables aleatorias discretas, representando la información recolectada por medio de diagramas estadísticos. Las situaciones planteadas se acompañaran de actividades virtuales por medio de la plataforma de Exearling. CONCLUSIONES El descubrimiento de nuevos conceptos y procedimientos se hace posible a través de la consideración de características de la situación fundamental, en donde se reconocen regularidades. La consideración de casos particulares entonces permite encontrar patrones y regularidades que lleven a una generalización. Además, el uso de ejemplos de manera sistemática es un escenario para el surgimiento de nuevos conceptos, los cuales pueden o no ser explícitos para la comunidad. La secuencia permite la consolidación de las nociones sobre probabilidad y estadística a través del surgimiento de nuevos conceptos que influyen en el establecimiento de una ruta de trabajo. Estos conceptos son el resultado de un proceso de negociación que tiene lugar dentro de la comunidad de aprendizaje. En consecuencia, se afirma que los instrumentos empleados desempeñan un papel fundamental en la organización del trabajo en el proceso de resolución de problemas. REFERENCIAS Batanero, C. y Godino, J. (2002). Análisis de datos y su didáctica. Granada: Universidad de Granada. ntes.pdf Brousseau, G. (1986). Fondements et méthodes de la didactique des mathématiques. Recherches en Didactique des Mathématiques, VII (2),
253 Cascos, I. (2009) Vectores aleatorios. Madrid: Departamento de Estadística, Universidad Carlos III de Madrid. Centeno, J. (1989). Números decimales. (Nº 5 Colección Matemáticas: cultura y aprendizaje). Madrid: Síntesis. Charnay, R. (1988). Aprender (por medio de) la resolución de problemas. En C. Parra e I. Saiz, (Comps.), Didáctica de matemáticas. Aportes y reflexiones (pp ). Buenos Aires: Paidos. NTCM (2000). Principios y estándares curriculares para matemáticas. Reston, VA: NCTM. Herrera, F. et al. (2012). Programa para el desarrollo intelectual (cognición y metacognición), Ceuta Granada: Universidad de Granada. Polya, G. (1990). Como plantear y resolver problemas. (19ª reimp.). México: Editorial Trillas. Rocha, F., Almeida, H. y Ortiz, F. (2007). Matemática. México: Pax. Ruiz, B., Albert, A. y Batanero, C. (2003). Hacia una didáctica de la variable aleatoria. 27 Congreso Nacional de Estadística e Investigación Operativa. España. Serrano, L. (2010). Tendencias actuales de la investigación en. Málaga: Editorial Gráficas San Pancracio. 243
254 SECUENCIA DIDÁCTICA PARA LA ENSEÑANZA DE NOCIONES SOBRE EL TEOREMA DE BAYES EN GRADO SÉPTIMO William Suárez y Liceth Beltrán Universidad Distrital Francisco José de Caldas (Colombia) suarytos11@hotmail.com, lizbek320@hotmail.com Para atender algunas dificultades relacionadas con el Teorema de Bayes en grado sétimo, se diseña una propuesta de secuencia didáctica. Para esto se muestran diferentes referentes teóricos asociados a la enseñanza de la estadística, dando lugar a orientar las actividades según recomendaciones metodológicas de GAISE. Luego se encuentra el referente didáctico, donde se ve el diseño de una secuencia de actividades que propicie el razonamiento estadístico, para así llegar a una cultura estadística propuesta por Batanero y Godino (2001). Seguido a esto se encuentra el marco metodológico desde la teoría de las situaciones didácticas de Brousseau (1986). Por último, se muestra la secuencia didáctica que tiene cavidad en 6 sesiones de 2 horas cada una. PALABRAS CLAVE Teorema de Bayes, secuencia, actividades, estadística. INTRODUCCIÓN En el campo de Educación Estadística se ha mostrado que el razonamiento bayesiano es complejo para los estudiantes de la educación básica y media, especialmente cuando se aborda desde la parte conceptual (Díaz y de la Fuente, 2005). Por otra parte, este teorema involucra el dominio de conceptos asociados como probabilidad simple, probabilidad conjunta, probabilidad condicional, independencia, complementario, axioma del producto, probabilidad total, entre otros. En la experiencia como profesores en formación, en la práctica de estadística se ha encontrado que la enseñanza del teorema de Bayes es tediosa y que aún después de la instrucción, los estudiantes continúan teniendo dificultades en el razonamiento bayesiano. Por ende, se plantea una estrategia para favorecer la enseñanza del teorema de Bayes al estudiante de grado séptimo, abordándolo desde la contextualización de situaciones significativas y las representaciones gráficas. Puesto que unas de las competencias necesarias que deben tener los estudiantes al terminar el grado séptimo de la educación colombiana es Uso modelos (diagramas de árbol, por ejemplo) para discutir y predecir posibilidad de ocurrencia de un evento y Reconozco la relacione entre un conjunto de datos su representación (MEN, 2006). Dentro de los objetivos que tiene la estrategia están: identificar las destrezas y dificultades más usuales que tienen los estudiantes al momento de solucionar problemas que impliquen el Teorema de Bayes, y proponer actividades que permitan la comprensión de problemas bayesianos con base en las dificultades que presenten
255 los estudiantes. Con ello se diseña la una secuencia didáctica para dar solución a los problemas más evidentes en el aula sobre este concepto. MARCO DE REFERENCIA Este apartado muestra una breve fundamentación de algunos autores en la enseñanza de la estadística, permitiendo orientar esta secuencia con base en sus ideas. En primer lugar se toman los 10 principios para el aprendizaje de la estadística de Garfield (1995). A pesar de ser planteados desde una concepción muy general del aprendizaje, estos principios fueron útiles para orientar el desarrollo del currículo de estadística en los últimos niveles del bachillerato en Estados Unidos (Advance Placement Statistics o AP Stat). Shaughnessy (2003) sugirió una lista de recomendaciones para la enseñanza de la probabilidad, inspirada en los bajos resultados de estudiantes en la Evaluación Nacional de Progreso Educativo (NAEP), Shaughnessy (2003) enfatizaba hacer explícitas las conexiones entre probabilidad y estadística. Aun así, esta lista seguía siendo para el aprendizaje en general. Franklin y Garfield (2006) con su equipo de trabajo diseñaron la Guía para Evaluación e Instrucción en Educación Estadística (GAISE), incluyendo una lista de recomendaciones y ejemplos para la enseñanza de la estadística. A su vez, al contrario de las anteriores propuestas, estos autores contextualizan su trabajo para cada nivel educativo, desde pre-escolar hasta nivel universitario. Esto permite evidenciar por ejemplo como el estándar de las medidas de tendencia central abordadas en el nivel de la básica primaria tienen un enfoque y profundidad diferente cuando es abordado en el nivel secundario o universitario. Las siguientes, son las recomendaciones del proyecto GAISE que se tienen en cuenta para el diseño y gestión de la secuencia de actividades: Enfatizar la cultura estadística y desarrollar pensamiento estadístico Usar datos reales Hacer hincapié en la comprensión conceptual más que en el mero aprendizaje de procedimientos Promover el aprendizaje activo en el salón de clase Usar tecnología para desarrollar conceptos y analizar datos Usar la evaluación para mejorar y evaluar el aprendizaje de los estudiantes. La primera recomendación que resalta GAISE, es un elemento que se considera de sumo interés para este trabajo, por lo que se ve la necesidad de profundizar en sus componentes claves, los cuales son: Capacidad para interpretar y evaluar críticamente la información estadística, los argumentos apoyados en datos o en los fenómenos estocásticos que se encuentran en diversos contextos. Capacidad para discutir o comunicar sus opiniones respecto informaciones estadísticas cuando sea relevante. Es entonces que se consolida una cultura estadística que permita no solo la capacidad de calcular y conocer definiciones, sino también analizar y adquirir un pensamiento 245
256 crítico frente a la estadística. Por su lado, Batanero y Godino (2001) muestran los componentes de la cultura estadística, apreciando los siguientes elementos propuestos por Gal (2002, citado en Batanero y Godino, 2001): Conocimientos y destrezas Razonamiento estadístico Intuiciones Actitudes Para la secuencia didáctica se potencia y se hace énfasis principalmente el razonamiento estadístico, ya que éste muestra principalmente la interpretación de de representaciones de datos; además es un elemento muy importante en el aprendizaje, teniendo en cuenta componentes elementales que Wild y Pfannkuch (1999, citados en Batanero y Godino, 2001) resaltan, como: Reconocer la necesidad de los datos Transnumeración Percepción de la variación Razonamiento con modelos estadísticos Por último, teniendo en cuenta estos referentes, se pretende que el estudiante pueda desarrollar habilidades en la recolección de los datos y la información. ASPECTOS METODOLÓGICOS Se estimó como metodología la Teoría de las Situaciones Didácticas de Brousseau, (1986). A partir de la estructura en las cuatro situaciones propuestas en la teoría (situación de acción, situación de formulación, situación de validación y situación de institucionalización), se realizó la planeación de las actividades de la secuencia. La población son estudiantes de séptimo grado, donde se pretende aplicar una actividad diagnóstica antes de la formalización, una actividad en el proceso y una actividad de evaluación para verificar el impacto de la formalización. Se resalta que cada actividad consta de dos sesiones, cada una de estas con dos horas, para una estimación de 12 horas aproximadamente. La formalización será grabada para precisar detalles en la descripción y el análisis. DESARROLLO DE LA PROPUESTA Esta secuencia consta de 3 actividades en la que se abordan aspectos relacionados con la enseñanza del teorema de Bayes, permitiendo explorar formas para favorecer el desempeño de los estudiantes en el razonamiento bayesiano; además de ello se tiene en cuenta una evaluación en estadística desde una perspectiva de investigación acción (experimental) como la descrita por Carr y Kemmis (1988). ACTIVIDAD DIAGNÓSTICO La sesión está organizada en tres momentos, el primer momento inicia con la presentación por parte de los docentes en formación de la prueba diagnóstico y la organización de los estudiantes para la aplicación de la prueba, donde se estima un tiempo de 15 minutos; para el segundo momento se hace entrega a los estudiantes del 246
257 instrumento con los 5 ítems que deberán realizar, para este momento se estiman 5 minutos; en el tercer momento se enfrenta al estudiante a la prueba propuesta que debe solucionar, a partir de los conocimientos previos y de los recursos proporcionados por los docentes en formación; además deberá trabajar de manera individual. Finalmente la despedida a los estudiantes. Actividad 1 Inicialmente se da a conocer la situación fundamental; luego para el componente exploratorio se presenta el escenario que permite a los estudiantes inspeccionar y clarificar los conceptos de dependencia, probabilidad condicional y regla del producto, por lo que se destina la actividad para realizarse en grupos de trabajo, con la orientación de los profesores en formación y con la finalización de la institucionalización de las respuestas de los grupos. Actividad de evaluación Se hace un taller en grupos, el cual consta de dos problemas, uno de ellos pregunta por la independencia de dos eventos en un escenario de salarios clasificados por edades; y el otro por la aplicación del teorema de Bayes en un contexto significativo. El análisis del trabajo en grupo permitirá detectar la comprensión del teorema de Bayes. Las estrategias que se esperan de los estudiantes para solucionar los problemas, se relacionan con la representación gráfica, por ejemplo, el diagrama de árbol. CONCLUSIONES Esta secuencia didáctica fue diseñada para facilitar la comprensión del teorema de Bayes y se espera que los conceptos probabilísticos asociados tales como probabilidad simple, probabilidad conjunta, condicional, probabilidad total y probabilidad inversa sean manejados exitosamente por los estudiantes al final de la secuencia. El diseño de la secuencia didáctica en la que se presenta variedad de situaciones reales con apoyo adicional de la tecnología, posibilita apropiar la conceptualización del teorema de Bayes. A pesar de esto, es proclive que el razonamiento causal predomine sobre el razonamiento bayesiano, aun después de la aplicación de la secuencia, posibilitando que estos conceptos necesiten ser abordados con más profundidad. También puede concluirse que no obstante el impacto positivo que pueda tener en el razonamiento bayesiano de los estudiantes, se siente necesario verificar la retención a largo plazo, la cual no fue considerada en este trabajo. REFERENCIAS Batanero, C. y Godino, J. (2001). Análisis de datos y su didáctica. Granada: Universidad de Granada. matematica/material/referencias/apuntes.pdf. Brousseau, G. (1986). Fondements et méthodes de la didactique des mathématiques. Recherches en Didactique des Mathématiques, VII (2), Carr, W. y Kemmis, S. (1988). Teoría critica de la enseñanza: la investigación-acción en la formación del profesorado. Barcelona: P. Imprenta. 247
258 Diaz, C., y de la Fuente, I. (2005). Recursos para la enseñanza del razonamiento bayesiano en Internet. Ponencia presentada en el Congreso Internacional El Profesorado ante el reto de las nuevas tecnologías en la sociedad del conocimiento. Godino, J., Batanero, C. y Cañizares, M.J. (1991). Azar y probabilidad. Madrid: Síntesis. Franklin, C.A. y Garfield, J. (2006). The GAISE project: Developing statistics education for grades pre-k 12 and college courses. In G. Burrill y P. Elliott (Eds.), Thinking and reasoning with data and chance. NCTM 68 Yearbook (pp ). Reston, VA: NCTM. Garfield, J. (1995). How students learn statistics. International Statistical Review, 63, MEN (2006). Estándares básicos de calidad para el área de matemáticas. Bogotá: MEN. Shaughnessy, J.M. (2003). Research on students understandings of probability. In J. Kilpatrick, W.G. Martin y D. Schifter (Eds.), A research companion to principles and standards for school mathematics (pp ). Reston, VA: NCTM. 248
259 CONOCIMIENTOS DEL PROFESOR PARA LA ENSEÑANZA DE LA PROBABILIDAD EN LA EDUCACIÓN MEDIA COLOMBIANA Victor Burbano y Margoth Valdivieso Universidad Pedagógica y Tecnológica (Colombia) victorburbanop@yahoo.es, mavaldiviesom@yahoo.com El presente trabajo se ubica en la línea de educación estocástica en lo concerniente al conocimiento profesional del profesor; se pretende, explorar los conocimientos del profesor para la enseñanza de la probabilidad en la educación media colombiana. Para ello, se utiliza un análisis del discurso sobre las ideas expuestas por diversos autores en la literatura y el enfoque cualitativo de investigación mediante un estudio de casos. Se espera ampliar el panorama referente a los conocimientos necesarios para orientar el tema de probabilidad dentro del currículo de matemáticas en la educación de nivel pre universitario. PALABRAS CLAVE Conocimientos del profesor, didáctica de la probabilidad. INTRODUCCIÓN En la actualidad, la enseñanza y el aprendizaje de la probabilidad y de la estadística son abordados por la denominada educación estocástica; la inclusión de estas materias en los currículos de la educación pre universitaria ha sido una necesidad urgente (Barnett, 1982). La probabilidad puede incrementar nuestra comprensión acerca de los fenómenos aleatorios que se suscitan en la naturaleza o en la sociedad; por su parte, la estadística se consolida como la ciencia de los datos y un elemento fundamental del método científico experimental (Batanero, 2001). El estudiante de la educación media y futuro ciudadano o el profesional en diversas disciplinas, necesita acceder de manera pertinente a estos cuerpos de conocimientos, a fin de enfrentar de mejor forma, los retos, desafíos y los múltiples interrogantes que se presentan en esta sociedad globalizada y compleja en la que se entremezclan lo determinista con lo aleatorio. Desde el año 1944, la ASA (American Statistical Asociation) viene desarrollando la sección de enseñanza de la estadística (Mason, McKenzie y Ruberg, 1990) que en 1973 se constituyó en la sección de educación estadística encaminada a promover la enseñanza de la estadística y la probabilidad incluyéndola en los currículos de matemáticas en muchos países. De manera semejante, el ISI (International Statistical Institute) conformó un comité de educación en 1948 que luego dejó planteada la necesidad de implementar la enseñanza de estas materias en todos los niveles escolares (Garfield y Ben-Zvi, 2008); en la década de los noventa del siglo XX, este ideal se hace realidad en la educación secundaria y primaria de algunos países. En el
260 caso de Colombia, dichas materias fueron incluidas en los planes de estudio a través de la Ley 115 de 1994 bajo el nombre de pensamiento aleatorio y sistema de datos en los Lineamientos y Estándares curriculares de matemáticas (MEN, 2006). Sin embargo, la estadística y la probabilidad fueron incluidas de manera formal en el currículo escolar colombiano solo a partir del año 2003; al igual que en otros países, su inclusión se debe al reconocimiento de su trascendental papel en el desarrollo de la sociedad moderna al posibilitar el análisis de información y toma de decisiones en situaciones de incertidumbre; así mismo, dicha inclusión también constituye un enorme desafío para Colombia y los demás países, en tanto que el recurso humano calificado es limitado (Zapata, 2011). Además, los profesores tratan estas materias en matemáticas como un contenido más (Sánchez, 1998) sin darles la relevancia que han alcanzado a nivel mundial; aún se continúa desarrollando pedagogías para una educación bancaria (memorística) que no favorecen el desarrollo del pensamiento aleatorio ni promueven la comprensión, focalizadas más en actividades matemáticas que no contribuyen a formar una equilibrada idea de la ciencia, e insisten más en lo determinista que en lo aleatorio, explicándolo todo en términos de causas y efectos. En general, la enseñanza de la probabilidad y de la estadística se desarrolla en concordancia con la formación recibida en su momento por los profesores que hoy se encuentran en ejercicio. En ciertos casos, hay presencia de algunas fortalezas y en otros, se notan marcadas deficiencias en el conocimiento disciplinar y pedagógico; la práctica docente observada se puede catalogar como de corte mecanicista y transmisionista (Paba, 2000; Arias y Cardona, 2008; Zapata, 2011). La situación se agrava más, si se considera que según la legislación educativa colombiana, un profesional de cualquier área del conocimiento puede desempeñar la labor docente, aún, sin acreditar formación pedagógica. Por esto, es posible que un ingeniero, un administrador, un químico, un físico u otro profesional se encuentre desempeñando las actividades inherentes a la enseñanza de la matemática, la probabilidad o la estadística. La anterior panorámica, nos lleva a plantear la siguiente pregunta Cuáles conocimientos ha de poseer el profesor para la enseñanza de la probabilidad en la educación media colombiana? Este trabajo tiene como propósito plantear algunas posibles respuestas a tal cuestionamiento apoyados en la literatura y en nuestra experiencia investigativa con un estudio de casos con profesores en ejercicio. MARCO DE REFERENCIA La determinación de los conocimientos requeridos por el profesor para la enseñanza de la probabilidad y de la estadística en los diferentes niveles escolares es una de las problemáticas que ha suscitado gran interés en la comunidad de investigadores tanto a nivel internacional y como nacional. Paradigmas de investigación referentes al conocimiento pedagógico (Moore, 1974), conocimiento pedagógico del contenido (Shulman, 1986) y conocimiento matemático para la enseñanza (Ball, Thames y Phelps, 2008), aportan destacados avances investigativos en esta dirección. Los paradigmas de Ball et al. (2008), junto a los planteamientos de Taylor y Bogdan (1987) sobre investigación cualitativa y de Stake (1998) acerca de los estudios de caso, soportan los desarrollos del presente trabajo. 250
261 ASPECTOS METODOLÓGICOS El trabajo se realiza mediante una metodología que incluye en primera instancia un análisis del discurso sobre algunos documentos escritos, correspondientes a Ball et al., y luego el uso de un enfoque cualitativo de investigación que aborda un estudio de casos. Estos elementos hacen posible elaborar una aproximación teórica hacia los conocimientos requeridos por el profesor para la enseñanza de la probabilidad y la exploración de los mismos a través de las respuestas ofrecidas por dos profesores a los interrogantes planteados en una entrevista semi estructurada y en un cuestionario de situaciones problema que recoge aspectos asociados con el concepto de probabilidad. Los dos casos fueron escogidos de entre los profesores que enseñen matemáticas, la que incluye probabilidad y estadística en los grados 10 y 11 en la educación formal colombiana; uno de ellos al que llamaremos Luis (seudónimo), labora en una institución educativa de carácter privado en una ciudad de Boyacá acreditando cuatro años de experiencia aproximadamente y el otro, que llamaremos Pedro (seudónimo), labora en una institución educativa de carácter oficial en el sector rural del mencionado departamento, con más de veinte años de experiencia en la enseñanza de las matemáticas escolares. Ambos fueron seleccionados a conveniencia, teniendo presente los buenos resultados de sus alumnos en las pruebas correspondientes a las Olimpiadas de Estadística, que ha venido realizando la Escuela de matemáticas y estadística de la Universidad Pedagógica y Tecnológica de Colombia para estudiantes de la educación media de su zona de influencia. El formato de entrevista utilizado fue adaptado al tema de probabilidad del guión de entrevista propuesto y validado por Pinto (2010). El cuestionario de situaciones problema, elaborado por nosotros, consta de cuatro situaciones: la primera diseñada con base en los estudios realizados por Lecoutre y Durand (1988) y Lecoutre y Cordier (1990), quienes al estudiar el problema de lanzar dos dados, preguntaron a los individuos: al lanzar un par de dados Qué es más probable, obtener un cinco y un seis u obtener dos seises? La segunda, referente a secuencias aleatorias. La tercera es una pregunta incluida en Batanero (2001) en su estudio sobre heurísticas. La cuarta fue adaptada de un libro de texto y tenía como propósito calcular probabilidades en un espacio muestral discreto de dimensión infinita. Las entrevistas fueron grabadas en audio y luego trascritas; el cuestionario de situaciones problema fue resuelto por cada uno de los participantes y sus respuestas digitadas, con el fin de ser analizadas. DESARROLLO DE LA PROPUESTA Respecto a la enseñanza de la matemática, la probabilidad y la estadística, durante mucho tiempo se ha creído que es suficiente con poseer un conocimiento disciplinar profundo y ciertas habilidades pedagógicas para enseñar estas materias. En los últimos diez años, se ha reconocido que la problemática es mucho más compleja, y puede relacionarse con aspectos epistemológicos, cognitivos, didácticos, y del contexto (Salinas y Alanís, 2009). En lo que concierne a la enseñanza de la probabilidad, algunos problemas que se presentan son de tipo epistemológico y cognitivo, debidos a una escasa formación en probabilidad de los profesores que la 251
262 enseñan (Shaughnessy, 1992); otros pueden asociarse con factores de corte pedagógico y didáctico asociados con las concepciones de los profesores sobre la probabilidad y con las estrategias usadas en el salón de clase. En educación estocástica, no resulta pertinente la transferencia de algunos principios generales que son válidos para la geometría, aritmética u otras ramas de las matemáticas (Batanero, Godino y Roa, 2004). Tampoco se descartan como causas de la problemática, factores asociados con los preconceptos, concepciones erróneas y las formas de apren der de los alumnos, así como la disponibilidad de recursos educativos. Con respecto al currículo, por lo general, los planes de estudio incluyen un reducido contenido sobre probabilidad (Arias y Cardona, 2008). Un constructo teórico que posibilita la investigación de dicha problemática desde la perspectiva del conocimiento profesional del profesor es el denominado conocimiento base para la enseñanza, propuesto por Shulman en Este constructo puede proporcionar elementos conceptuales que nos permitan aproximarnos hacia los conocimientos que ha de poseer un profesor para la enseñanza de la probabilidad como parte del programa de matemáticas en la educación media colombiana. Siguiendo las ideas de Shulman (1987), para la enseñanza de la probabilidad en la educación media, interpretamos que el profesor debería poseer conocimientos como: Conocimiento del contenido de la disciplina. Para el caso que nos ocupa, significa que el profesor ha de poseer conocimientos sobre cada uno de los tópicos incluidos en el tema de probabilidad en concordancia con los estándares curriculares establecidos por el MEN, de modo que pueda orientar a sus alumnos en su aprendizaje de acuerdo a las concepciones clásica, frecuencial, subjetiva o axiomática de probabilidad. Conocimiento didáctico general. Incluye, entre otros, los principios y las estrategias de organización e interacción en la clase; estar en capacidad de enseñar una temática específica teniendo presente el nivel escolar del alumno utilizando estrategias de aprendizaje de modo diferenciado, usando una amplia gama de actividades y representaciones para la enseñanza. Conocimiento del currículo. Dominio de los materiales y los programas que sirven como instrumentos del oficio docente, de gradualidad en los contenidos para transitar desde lo intuitivo hacia lo axiomático con apoyo de materiales como dados, ruletas, o software para realizar simulaciones; lo anterior, guarda relación con los Lineamientos Curriculares, en los que el MEN (2006) indica que el pensamiento aleatorio, mediante contenidos de probabilidad y estadística ha de estar imbuido de un espíritu de exploración y de investigación tanto por parte de los profesores como de los alumnos. Conocimiento pedagógico del contenido (PCK, Pedagogical Content Knowledge). Identifica los cuerpos de conocimiento distintivos para la enseñanza, representa la mezcla entre materia y didáctica por la que se llega a la comprensión de cómo determinados temas y problemas se organizan, se representan y se adaptan a los diversos intereses y capacidades de los alumnos y se exponen para su enseñanza. El PCK puede conformarse por las formas más útiles de representación del 252
263 I Encuentro Colombiano de contenido, las más poderosas analogías, ilustraciones, ejemplos, explicaciones y demostraciones de manera breve, las formas de representación y formulación de la materia que la hagan comprensible a otros. Conocimiento de los alumnos y de sus características. El profesor ha de tener en cuenta las formas de aprender de los estudiantes, su intereses y motivaciones, sus estilos de aprendizaje; por ejemplo, la simulación se puede constituir en un motivador extrínseco para el aprendizaje de la probabilidad desde el enfoque frecuencial. El docente ha de poseer conocimiento del proceso evolutivo del estudiante en lo que respecta al razonamiento probabilístico;, en concordancia con Piaget e Inhelder (1951) el alumno evoluciona a través de tres etapas: preoperatoria, operaciones concretas y operaciones abstractas; por su parte Fischbein (1975) señala que los niños tienen ideas correctas parcialmente formadas sobre los conceptos probabilísticos y la instrucción tiene un efecto particular para mejor estas intuiciones (Batanero, 2001). Conocimiento de los contextos educacionales. El profesor ha de tener conocimiento de que el uso de materiales manipulables y el software de simulación pueden tener un determinado impacto en correspondencia con el contexto donde se utilicen. Conocimiento de los objetivos, las finalidades y los valores educacionales, y de sus fundamentos filosóficos e históricos. El profesor ha de conocer claramente los objetivos que se persiguen en la enseñanza de la probabilidad desde el MEN (Estándares curriculares de matemáticas), el qué y para qué, sin descuidar los elementos de corte histórico, epistemológico y filosófico que involucran los conceptos probabilísticos. En este mismo sentido, resulta interesante preguntarse cuál es el conocimiento matemático que requiere el profesor para la enseñanza de la probabilidad? De la literatura se deduce que Ball, Thames y Phelps (2008) realizan una exhaustiva revisión sobre los conceptos desarrollados en Shulman (1986, 1987) y examinan diversas formas para su operacionalización en el campo de la educación matemática. Ball et al., propusieron el concepto de conocimiento matemático para la enseñanza (MKT, Mathematical Knowledge for Teaching) el cual puede entenderse como aquel conocimiento matemático que usa el profesor en el aula para producir instrucción y crecimiento en el alumno; así mismo, crearon un modelo conformado por el conocimiento del contenido matemático (MCK) y el conocimiento pedagógico del contenido (PCK). En esta misma dirección, Hill, Ball y Schilling (2008) señalan que el MCK contempla el Conocimiento Común del Contenido, el Conocimiento Especializado del Contenido y el Conocimiento en el Horizonte Matemático. El PCK en matemáticas en el sentido de Shulman (1986, 1987), ha de conceptualizarse como una forma particular de comprensión profesional del profesor, en el cual se conjuga el conocimiento del contenido matemático, las estrategias pedagógicas y representaciones apropiadas con el propósito de hacer enseñable el tópico específico al estudiante. Hill et al., (2008) en lo referente al PCK en matemáticas proponen tres componentes: el conocimiento del contenido y los estudiantes, el conocimiento del contenido y la enseñanza, y el conocimiento del contenido y el currículo. Finalmente, la probabilidad puede entenderse como la medida numérica de la posibilidad de que un 253
264 evento ocurra (Valdivieso, 2010); desde una mirada formal, la teoría de probabilidad es una disciplina fundamentada en la teoría de la medida (Blanco, 2004) y desde este punto de vista, ella forma parte de la matemática. En este contexto, el profesor ha de poseer un conocimiento del contenido matemático específico para la enseñanza de la probabilidad que incluya: 1) un conocimiento común del contenido referente a la probabilidad, 2) un conocimiento especializado del contenido y 3) un conocimiento en el horizonte matemático. CONCLUSIONES El conocimiento profundo de la probabilidad como disciplina escolar es una condición necesaria pero no suficiente para enseñarla de forma eficiente en cualquier nivel de la educación pre universitaria; por lo tanto el profesor ha de procurar el acrecentamiento de las siete categorías de su conocimiento base para la enseñanza mediante su formación continuada y su experiencia, a fin de mejorar sus procesos de enseñanza de la probabilidad en el salón de clase. El análisis cualitativo de los datos de las encusestas permitió establecer la emergencia de tres categorías asociadas con el PCK: 1) el conocimiento del contenido probabilístico a enseñar; al respecto, en los dos casos se observa un bajo nivel de conocimiento probabilístico como resultado de su formación en la universidad y un acrecentamiento importante debido a la autoformación. 2) El conocimiento de estrategias y representaciones instruccionales; se observan estrategias centradas en el uso de técnicas de conteo, análisis combinatorio y diagramas de árbol que posibilitan la determinación del espacio muestral y de algunos eventos a los cuales se les calcula su probabilidad. 3) El conocimiento de la forma cómo el alumno aprende, donde se observa que las heurísticas y sesgos que podrían estar presentes en el razonamiento probabilístico de los estudiantes, a su vez están latentes en el profesor. REFERENCIAS Arias, J. y Cardona, J. (2008). Estado del arte en la enseñanza de la probabilidad para la educación media en los municipios de Pereira y Dosquebradas. Entre Ciencia e Ingeniería, 2 (4), Barnett, V. (Ed.). (1982). Teaching statistics in schools throughout the world. Voorburg, The Netherlands: International Statistical Institute. Ball, D.L., Thames, M. y Phelps, G. (2008). Content knowledge for teaching: What makes it special? Journal of Teacher Education, 59 (5), Blanco, L. (2004). Probabilidad. Universidad Nacional de Colombia. Batanero, C. (2001). Didáctica de la estadística. Granada: Universidad de Granada. Batanero, C., Godino, J. y Roa, R. (2004). Training teachers to teach probability. Journal of Statistics Education, 12 (1). http: Fischbein, E. (1975). The intuitive sources of probabilistic thinking in children. Dordrecht, The Netherlands: Reidel. Garfield, J. y Ben-Zvi, D. (2008). Developing students statistical reasoning. Connecting research and teaching practice. London: Springer. Hill, H.C., Ball, D.L. y Schilling, S.G. (2008.) Unpacking pedagogical content knowledge: Conceptualizing and measuring teachers' topic-specific knowledge of students. Journal for Research in Mathematics Education, 39,
265 Lecoutre, M.P. y Durand, J.L. (1988). Judgements probabilistes et modèles cognitifs: étude d'une situation aleatoire. Educational Studies in Mathematics, 19, Lecoutre, M.P. y Cordier, J. (1990). Effect du mode de présentation d un problème aleatoire sur les modèles développés par les élèves. Bulletin de l APMEP, 372, Mason, R.L., McKenzie, J.D. y Ruberg, S.J. (1990). A brief history of the American Statistical Association, American Statistician, 44 (2), Moore, T.W. (1974). Introducción a la teoría de la educación. Madrid. Alianza Editorial. Paba, Y. (2000). La estadística en los colegios de Tunja y el efecto en los estudios universitarios. Trabajo de grado. Universidad Pedagógica y Tecnológica de Colombia. Piaget, J. e Inhelder, B. (1951). La genése de l'idée de hasard chez l'enfant. Paris: Presses Universitaires de France. Pinto, J. (2010). Conocimiento didáctico del contenido sobre la representación de datos estadísticos: estudio de casos con profesores de estadística de las carreras de psicología y educación. Tesis de doctorado. España: Universidad de Salamanca. MEN. (2006). Lineamientos curriculares de matemáticas. Bogotá: MEN. Salinas, P. y Alanís, J.A. (2009). Hacia un nuevo paradigma en la enseñanza del cálculo. Revista Latinoamericana de Investigación en Matemática Educativa, 12 (3), Shaughnessy, J.M. (1992). Research in probability and statistics: reflections and directions. En D. Grouws (Ed.), Handbook of Research of Mathematics Teaching and Learning (pp ). New York: Mac Millan. Shulman, S. (1987). Knowledge and teaching: foundations of the new reforms. Harvard Educational Review, 57 (1), Shulman, S. (1986). Those who understand: Knowledge growth in teaching. Educational Research, 15 (2), Stake, R. (1998). Investigación con estudio de casos. Madrid: Morata. Taylor, S. y Bogdan, R. (1987). Introducción a los métodos cualitativos de investigación. Barcelona: Paidós. Valdivieso, M.A. (2010). Probabilidad Básica y distribuciones. Apoyo al estudio independiente. Tunja: Impresiones Jotamar. Zapata, L. (2011). Cómo contribuir a la alfabetización estadística? Revista Virtual Universidad Católica del Norte, 33,
266 ALGUNOS ERRORES SOBRE CONCEPTOS BÁSICOS EN ESTADÍSTICA DESCRIPTIVA Margoth Valdivieso y Victor Burbano Universidad Pedagógica y Tecnológica (Colombia) mavaldiviesom@yahoo.com, victorburbanop@yahoo.es Una de las grandes preocupaciones para los involucrados en la enseñanza de la estadística consiste en diagnosticar y proponer soluciones al problema de las concepciones erróneas sobre conceptos básicos de estadística, presentes en los estudiantes de los cursos de introducción a la estadística en el ámbito universitario. Diversos estudios, entre ellos los realizados por Thompson (1992), Del Rio (1992), Garfield y Ahlgren (1995), Levinas (1998), Batanero (2001, 2002), Moreno y Vallecillos (2002), Batanero, Godino, Green, Holmes y Vallecillos (2009), Rodríguez, Montañez y Rojas (2010), Inzunsa y Vidal (2013), Utts (), entre otros, muestran que es difícil para los estudiantes comprender conceptos básicos de estadística, presentándose también dificultades en la resolución de problemas de aplicación. Esta preocupación viene desde hace muchos años, sin encontrar soluciones satisfactorias; por lo general, se debe a los son preconceptos adquiridos en el bachillerato. Nuestra responsabilidad ha de ser la de sensibilizarnos y como comunidad académica avanzar en las soluciones; en este trabajo se muestran los errores más frecuentes cometidos por algunos de los estudiantes de la Universidad Pedagógica y Tecnológica de Colombia. PALABRAS CLAVE Educación estadística, cultura estadística, concepciones erróneas, comprensión. INTRODUCCIÓN Durante muchos años en varias partes del mundo se han tratado temas relacionados con la concepción errónea de conceptos básicos de estadística, en artículos, congresos, encuentros, simposios, en grupos de investigación, entre muchos otros, sin embargo, esta dificultad sigue persistiendo, y en el caso de Colombia subsiste a pesar de que el Ministerio de Educación de Colombia (MEN, 2003) ha señalado los conceptos básicos que se deben tratar y lineamientos que se han de seguir en el quehacer docente en la educación básica primaria, básica secundaria y media, referentes al denominado pensamiento aleatorio y sistemas de datos. Cuando los estudiantes ingresan a su primer curso de estadística en la universidad, se les suele realizar un test para verificar el manejo e interpretación de algunos conceptos básicos de estadística, con el fin de hom*ogeneizar las temáticas correspondientes al currículo de la asignatura a desarrollar en las diversas titulaciones. Al respecto, los resultados han sido muy desalentadores, se evidencian errores conceptuales tanto en los cálculos como en las interpretaciones; esto nos ha permitido autoevaluarnos, autocriticarnos y compartir con algunos docentes tanto de
267 colegios privados como públicos de la ciudad de Tunja nuestras preocupaciones, lastimosamente son muy pocos los que participan. Hemos socializado dicha dificultad en encuentros, incluso se han promovido las Olimpiadas de estadística desde la universidad, dirigidas a estudiantes de decimo y once grado, que aunque este año cumple la séptima versión, los colegios participantes son pocos y los que alcanzan puntajes aceptables son por lo general los mismos colegios que ya han participado, generalmente de carácter privado. Esto indica que aún nuestros profesores y estudiantes no dimensionan la importancia de la estadística, ni el hecho de que es una ciencia transversal a todas las áreas del saber y que posibilita el análisis de la información que se genera en nuestra sociedad y que conlleva la toma de decisiones fundamentada (Batanero, 2002). Los ciudadanos inmersos en dicha sociedad tienen información estadística en diferentes tópicos tales como economía, educación, cine, deporte, alimentos, medicina, presupuestos, costo de vida, y demás. La nueva sociedad exige que sus ciudadanos tengan una cultura estadística, que estén en condiciones de tomar decisiones basados en datos, y por ello se le debe dar la seriedad necesaria tanto su análisis como a su interpretación, jugando un papel importantísimo la educación estadística para nuestros estudiantes desde los primeros grados de su educación. La enseñanza de la estadística ha cobrado gran desarrollo en los últimos años debido a su importancia, ampliamente reconocida, en la formación general del ciudadano (Batanero et al., 2005). Se presentan en este documento algunos de los errores conceptuales más frecuentes de los estudiantes, al iniciar sus cursos de estadística en la universidad. MARCO DE REFERENCIA En el documento titulado Dificultades en el aprendizaje de conceptos básicos de probabilidad y estadística. Implicaciones para la investigación de Garfield y Ahlgren (1995), se afirma que se han conseguido logros en investigación por parte de educadores que han explorado las intuiciones probabilísticas de los estudiantes desde incluso la escuela elemental hasta la universidad; también se muestra que la mayoría de estas investigaciones se han realizado en Europa, en conexión con el Centro de Educación Estadística de Sheffield, Inglaterra, o con el Instituto de Didáctica de la Matemática de la Universidad de Bielefeld, en la RFA; y que resultados de muchísimos estudios a lo largo de todo el mundo fueron presentados en la Primera Conferencia Internacional sobre Enseñanza de la Estadística, celebrado en Sheffield, Inglaterra. En dicho documento también se muestran algunas concepciones erróneas en estadística descriptiva y en probabilidad, y algunas directrices para superar las dificultades. Sin lugar a duda para eso, juega un papel muy importante la formación de profesores, particularmente en el campo de los conocimientos del profesor, de su conocimiento profesional (Shulman, 1987) y de lo concerniente a las concepciones (Thompson, 1992); es tan importante, que Shulman (1987) señala que "el proceso docente propiamente dicho se inicia cuando el profesor empieza con una planificación reflexiva de su actividad docente, desde las finalidades educativas, la estructura conceptual y las ideas del tema que va a enseñar, hasta el contexto educativo y, entonces, comprende a fondo lo que debe ser aprendido por sus estudiantes. A 257
268 continuación reflexiona sobre cómo lo debe enseñar (selección y organización de los materiales a utilizar, así como de analogías, metáforas, ejemplos, demostraciones, explicaciones, etc.), tomando en consideración las mejores formas de representación del contenido y las características del razonamiento de sus propios alumnos, para plantear una forma de enseñanza, evaluación, reflexión y nueva comprensión para el futuro, con lo que se reiniciará otra vez un ciclo de reflexión". ASPECTOS METODOLÓGICOS El principal instrumento para la recogida de información fue una prueba diagnóstica que se les practica a los estudiantes cuando inician su curso de estadística descriptiva; dicha prueba contiene preguntas relacionadas con conceptos básicos de estadística, que se supone ellos han estudiado en bachillerato en concordancia con los estándares curriculares propuestos por el MEN; uno de los fines de la prueba es confrontar el manejo e interpretación de información, para hom*ogeneizar los temas preliminares de la asignatura; ésta, es una estrategia que además de permitir determinar cuáles son los errores conceptuales que con mayor frecuencia cometen los estudiantes a nivel universitario, también pretende facilitar el aprendizaje al fomentar el conocimiento, la creatividad y la innovación, siguiendo la insignia utilizada por el Informe conjunto de situación de 2008 del Consejo y de la Comisión sobre la ejecución del programa de trabajo Educación y Formación, Los resultados han sido muy desalentadores, se evidenciaron errores conceptuales incluso al interpretar, algunos de los cuales se presentan más adelante. DESARROLLO DE LA PROPUESTA En la prueba diagnóstica se presentaron dificultades en los conceptos relacionados con variables de tipo cualitativo. Al solicitarles a los estudiantes por el tipo de la variable nivel socioeconómico, contestaron que es de tipo cuantitativo. Aquí se observó que la concepción de los estudiantes referente a variables cuantitativas es que se relacionan con números por ello asumen que el estrato socioeconómico es una variable cuantitativa. Al preguntarles las medidas que consideran que se pueden calcular con los valores de la variable nivel socioeconómico, respondieron la media, la mediana, la moda y la desviación estándar. Dada la respuesta sobre el tipo de variable, para ellos es razonable calcular la media de la variable; y lo que es aún más delicado, interpretan el resultado obtenido de forma autómata, sin alcanzar un nivel cognitivo para decidir si lo interpretado es correcto o no, si tiene algún sentido o es incoherente. Algo similar ocurre cuando calculan la desviación estándar, pero en este caso ninguno interpreta el resultado, todos comentan que no entienden para qué sirve la desviación estándar y que no tienen idea de cómo interpretarla. Otra de las concepciones erróneas que los estudiantes presentan es la confusión entre estimador y parámetro, no diferencian claramente una muestra de una población y tampoco encuentran relevante la importancia del tamaño de la muestra, esto es preocupante, ya que de ello dependen también las interpretaciones y los procesos de inferencia estadística. 258
269 Otro de los errores cometidos se presenta en gráficos como el que muestra la Figura 1, donde una de las preguntas era, cuántas empresas privadas habían en Medellín en el 2010?; los estudiantes respondieron 6 empresas, y al preguntarles cuánto gastaban en publicidad la mayoría de las empresas, contestaron 140. Ninguna de las otras preguntas referentes al gráfico, fue respondida correctamente. Figura 1. Se supone la distribución de las empresas privadas que hay en Medellín en el 2010 y sus gastos en publicidad Estos errores conceptuales cometidos por los estudiantes no son independientes, algo está pasando y se debe averiguar de qué dependen y cómo tratar de remediarlos. Una posibilidad es el señalamiento de Campos (2008), quien dice que los estudiantes sólo quieren pasar su asignatura, no importa si aprenden lo estudiado. Algunos autores como Batanero et al. (2005), consideran que "gran parte de la investigación teórica y experimental, que se está llevando a cabo actualmente en Didáctica de la Matemática, surge del hecho observable de que el alumno se equivoca cuando se le pide realizar ciertas tareas. El alumno proporciona respuestas erróneas, con respecto a un patrón de evaluación, o simplemente no es capaz de dar ninguna respuesta. En los casos en que no se trata de mera distracción se dice que tal tarea resulta demasiado difícil para el alumno en cuestión". Es así, que los errores son causados por varios factores. Batanero et al. (2009) referencian a Radatz (1980), quien considera el análisis de errores como una estrategia de investigación prometedora para clarificar cuestiones fundamentales del aprendizaje matemático (p. 16); y a Borassi (1987), quien presenta el análisis de errores en educación matemática como un recurso motivacional y como un punto de partida para la exploración matemática creativa, implicando valiosas actividades de planteamiento y resolución de problemas (p. 7). CONCLUSIONES Los resultados obtenidos son preocupantes, muchos de los estudiantes afirman no haber alcanzado a desarrollar las temáticas en su colegio, comentan que estadística y probabilidad forma parte de una unidad en el programa de la asignatura de 259
270 matemáticas y que por lo general es la última unidad, que algunas veces se alcanza a trabajar algo de la temática pero muy por encima y que otras veces, sencillamente no la trabajan. Esto refleja que aunque el MEN (2003) plantea en sus estándares bbásicos de competencias en matemáticas, los conceptos básicos del pensamiento aleatorio y del sistemas de datos, como bien lo indican Batanero y Godino (2005), "la estadística ha recibido hasta la fecha menos atención que otras ramas de las matemáticas", y no podemos apartar a la estadística de la investigación; Batanero (2002) en su documento titulado Los retos de la cultura estadística, evidencia la importancia de la enseñanza de la estadística desde la escuela primaria, referenciando a Holmes (2002), quien muestra históricamente el ingreso de la estadística en el currículo de Inglaterra en 1961 en forma opcional para los estudiantes de 16 a 19 años que querían especializarse en matemáticas, con el fin de mostrar las aplicaciones de las matemáticas a una amplia variedad de materias. Holmes y su equipo, con el proyecto School Council Project (Holmes, 1980) mostraron que era posible iniciar la enseñanza de la estadística ya desde la escuela primaria, justificándola por las razones siguientes: Es una parte de la educación general deseable para los futuros ciudadanos adultos, quienes precisan adquirir la capacidad de lectura e interpretación de tablas y gráficos estadísticos que con frecuencia aparecen en los medios informativos. Es útil para la vida posterior, ya que en muchas profesiones se precisan unos conocimientos básicos del tema. Su estudio ayuda al desarrollo personal, fomentando un razonamiento crítico, basado en la valoración de la evidencia objetiva. Ayuda a comprender los restantes temas del currículo, tanto de la educación obligatoria como posterior, donde con frecuencia aparecen gráficos, resúmenes o conceptos estadísticos. Si en nuestro país ya está en el currículo de todos los sectores educativos, debemos adherirnos a continuar con una culturización estadística y lograremos que nuestros profesionales sean competitivos en un ambiente laboral para el servicio de la comunidad. REFERENCIAS Batanero, C. (2002). Los retos de la cultura estadística. Trabajo presentado en Jornadas Interamericanas de Enseñanza de la Estadística. Buenos Aires. Batanero, C. (2001). Didáctica de la estadística. a.pdf. Batanero, C. y Godino, J. (2005). Perspectivas de la educación estadística como área de investigación. En R. Luengo (Ed.), Líneas de investigación en Didáctica de las Matemáticas (pp ). Badajoz, España: Universidad de Extremadura. Batanero, C., Godino, J., Green, D.R., Holmes, P. y Vallecillos, A. (2009). Errores y dificultades en la comprensión de los conceptos estadísticos elementales. Trabajo presentado en el 2 Encuentro Iberoamericano de Biometría
271 Campos, C. (2008). Aprendizaje de la estadística a través de casos prácticos. Trabajo presentado en las II Jornadas de Innovación Docente: Tecnologías de la Información y la Comunicación e Investigación Educativa. España: Universidad de Zaragoza. Del Río, S.J. (1992). Cómo cambiar las concepciones erróneas de los estudiantes? Una experiencia en matemáticas. Garfield, J. y Ahlgren, A. (1995). Dificultades en el aprendizaje de conceptos básicos de probabilidad y estadística Implicaciones para la Investigación. Traducción de Enrique Salazar. ml. Holmes, P. (2002). Some lessons to be learnt from curriculum developments in statistics. En B. Phillips (Ed.), Proceedings of the Sixth International Conference on Teaching of Statistics. Ciudad del Cabo: IASE. Holmes, P. (1980). Teaching Statistics, Slough, UK: Foulsham Educational. Inzunsa, C. y Vidal J.R. (2013). Caracterización del razonamiento estadístico de estudiantes universitarios acerca de las pruebas de hipótesis. Revista Latinoamericana de Investigación en Matemática Educativa - RELIME, 16 (2), Levinas, M. (1998). Conflictos del conocimiento y dilemas de la educación. Moreno, A.J. y Vallecillos, A. (2002). Exploración heurística y concepciones iniciales sobre el razonamiento inferencial en estudiantes de secundaria. Educación Matemática, 14 (1), MEN (2003). Lineamientos y estándares curriculares. Curriculares.pdf. Rodríguez, N., Montañez, E. y Rojas, I. (2010). Dificultades en contenidos de estadística inferencial en alumnos universitarios. Estudio Preliminar. Revista Electrónica Iberoamericana de Educación en Ciencias y Tecnología, 2 (1), es/doc%20riecyt%20v2-1-3.pdf. Thompson, A.G. (1992). Teachers beliefs and conceptions: A synthesis of research. En D. A. Grouws (Ed.), Handbook of research on mathematics teaching and learning (pp ). New York: MacMillan. Shulman, L.S. (1987). Knowledge and teaching: Foundations of the new reform. Harvard Educational Review, 57 (1), Thompson, A. G. (1992). Teachers beliefs and conceptions: A synthesis of research. En D.A. Grouws (Ed.), Handbook of research on mathematics teaching and learning (pp ). New York: MacMillan. Utts, J. (). Se relevó la importancia de la educación estadística en los colegios
272 APORTES PARA LA FORMACIÓN DE CIUDADANOS DESDE LA CLASE DE ESTADÍSTICA John Restrepo Universidad La Gran Colombia (Colombia) El siguiente trabajo de investigación, es una reflexión que surge de una propuesta que se enfoca al cómo contribuir a la formación de ciudadanos desde la clase de estadística, para ello se brindan unos elementos para diseñar situaciones que favorezcan la formación de ciudadanos desde esta área del conocimiento, para realizar esta propuesta se deben tener en cuenta unos referentes teóricos que aluden a la formación de ciudadanos, a la importancia de la estadística dentro de un contexto escolar y la relación que existe entre ellos dos. PALABRAS CLAVE Formación de ciudadanos en clase de estadística, lectura de información estadística y análisis de la actividad. INTRODUCCIÓN Se desarrolló un trabajo de investigación, que surge de la reflexión de como contribuir a la formación de ciudadanos desde el área de estadística; para ello se enunciaran algunos elementos que se deben utilizar para diseñar situaciones que favorezcan la formación de ciudadanos desde la clase de estadística. Para relacionar estos dos ámbitos como lo son, formación de ciudadanos y estadística, se realizó un trabajo de aula con estudiantes de colegio y se ha ido retomando con estudiantes de universidad. Esta implementación se basó en la construcción de aspectos observables que se relacionaron con unas categorías de análisis elaboradas y asociadas de manera intencional con las actividades propuestas en el aula. MARCO DE REFERENCIA Para hablar de formación de ciudadanos se retomaron planteamientos de autores como Cortina (1997) y Marshall (1998), y adicionalmente se hizo una revisión de la política educativa del Ministerio de Educación Nacional, específicamente de los Estándares Básicos en Competencias Ciudadanas (MEN, 2006) en los que se señala que la formación de ciudadanos no es una asignatura aislada, sino una responsabilidad compartida que atraviesa todas las áreas e instancias de la institución escolar y toda la comunidad educativa. Por otro lado para hablar de estadística se retomaron autores como Batanero (2001) y Holmes et al. (1999) que han realizado trabajos relacionados con el tema planteado a nivel internacional; estas posturas permitieron buscar puntos de encuentro para
273 relacionar la formación de ciudadanos con la estadística, especialmente en lo referido a la lectura de información estadística. Para finalizar se retoman libros y artículos que vinculan la formación de ciudadanos con la matemática, donde se evidencia la importancia de la construcción social de formar ciudadanos; por ende, las personas que trabajamos en el área de matemáticas no podemos dejar a un lado o eludir la responsabilidad social de la educación de formar ciudadanos. Chaux et al. (2004), centra la reflexión en tres aspectos particulares: las competencias matemáticas indispensables para todo ciudadano, el papel de la interacción en el aula de matemáticas en la formación de ciudadanos y la resolución de problemas como estrategia para la formación de competencias ciudadanas. DESARROLLO DEL TEMA Se realizaron las siguientes acciones: 1. Se elaboró un marco de referencia para encontrar puntos de articulación con la formación de ciudadanos y la estadística. Formación de Ciudadanos y Estadística La importancia de la formación de ciudadanos radica en las nociones que manejan los autores consultados (Cortina, 1997, y Marshall, 1998). Batanero (2001, 2004) Resalta que la estadística se define como una rama de la matemática que provee a los ciudadanos de una cultura específica muy útil a la hora de leer e interpretar, entre otras cosas, tablas y gráficos que cada vez con mayor frecuencia aparecen en los medios de comunicación masiva. Holmes et al. (1980), enuncia que la estadística es una parte de la educación general deseable para los futuros ciudadanos adultos, quienes precisan adquirir la capacidad de lectura e interpretación de tablas y gráficos estadísticos que con frecuencia aparecen en los medios informativos, adicionalmente su estudio ayuda al desarrollo personal, fomentando un razonamiento crítico, basado en la valoración de la evidencia objetiva. 2. Se planteó la situación que debía tener 3 características fundamentales: la primera sería convocar a la gran mayoría de los participantes, la segunda, tendría que ser coherente con las categorías de análisis y los observables, y la tercera, debería a generar aprendizajes en estadística. 3. La rejilla que se presenta a continuación se denomina rejilla de observables ; estos observables se organizaron para las tres sesiones de clase y se asociaron con una parte de la actividad, permitiendo resaltar cada uno de los momentos que iban surgiendo en las clases; con ello se buscó registrar por parte del profesor los aspectos que iban apareciendo en cada una de las actividades. En la columna 263
274 llamada registro, se registraban los apuntes para analizar el ambiente que estaba surgiendo teniendo presentes los planteamientos de los autores citados en la formación de ciudadanos con la clase de estadística. OBSERVABLES REGISTRO Observable 1: Acude a expresiones o representaciones propias de la estadística para sustentar su punto de vista frente al tema tratado en la clase. Observable 2: Expresa comentario de desconocimiento frente a la fiesta de 15 años de acuerdo a las preguntas formuladas por el docente. Observable 3: Manifiesta características de una situación a partir de sus experiencias o recuerdos. Observable 4: Explica lo que observa de las representaciones tabular y gráfica. Observable 5: Manifiesta conclusiones coherentes a partir de la interpretación de los datos y gráfico. Para la construcción de las categorías de análisis y de los observables se tuvieron en cuenta los referentes teóricos ya expuestos. En principio, se hizo una organización que asocia dos enfoques: La noción de ciudadanía que se presenta en tales referentes, la cual permitió la construcción de las categorías de análisis, que constituyen una mirada minuciosa a los aspectos de ciudadanía que se podían encontrar en la interacción de la clase de estadística con el ambiente del aula. La propuesta que aportaron los autores con relación a educación ciudadana y formación de ciudadanos. Contextos o facetas de la ciudadanía. En esta celda se describe brevemente la postura del autor. Implicaciones de la mirada de ciudadanía. En esta celda se enuncian las consecuencias que brinda la postura teórica que plantean los autores. Puntos de partida para hablar de ciudadanía. En esta celda se enuncia la noción de ciudadanía. 264
275 De la anterior información, teniendo en cuenta una revisión metódica de la teoría y los aspectos que se podían llevar al aula de clase, se tuvo presente la relación de formación de ciudadanos y estadística, y las categorías de análisis que se establecieron para la situación fueron las siguientes: RESPETA LA DIFERENCIA PERTENENCIA Y PARTICIPACIÓN EN EL ENTORNO CATEGORÍAS DE ANÁLISIS INTERACCIÓN CON LOS OTROS De acuerdo al anterior esquema, se amplía la noción de formación de ciudadanos teniendo en cuenta la clase de estadística; se buscó que existiera una conexión entre los referentes teóricos consultados y lo que se planteó como situación de clase. Se presenta una matriz donde se condensa la relación que existe entre la formación de ciudadanos en la clase de estadística, teniendo presente las categorías de análisis construidas para la situación de aula. AUTOR Thomas Humphrey Marshall (1998) NOCIÓN DE CIUDADANÍA Para Marshall la ciudadanía, es un estatus que universaliza los derechos y deberes de todos los miembros de una comunidad, constituye un fundamento de igualdad sobre el que se puede construir la estructura de desigualdad inherente al sistema de clases sociales. Pero la creciente FACETA O CONTEXTO DE CIUDADANÍA La ciudadanía lo sintetiza como la evolución y alcance de los derechos fundamentales en los diferentes colectivos y clases sociales. Es decir la ciudadanía se debe en gran medida a un contexto social, político y civil. IMPLICACIONES DE LA MIRADA DE CIUDADANÍA Esta noción de ciudadanía se basa en los derechos y deberes sociales, porque la influencia de la ciudadanía en la desigualdad social ha sido diferente en muchos momentos por las necesidades que cada sociedad presenta. CATEGORÍAS DE ANÁLISIS Con relación a las categorías de análisis se planteó una situación de clase que le permitió a las estudiantes reforzar y aprender conceptos de estadística como la elaboración de unas categorías, la representación tabular y gráfica y como elaborar unas conclusiones que estén en correspondencia con la representación tabular y gráfica. Por lo tanto en esta posición de ciudadanía vista desde el contexto social, político y civil, la noción de ciudadanía que se quiere observar en el aula con esta posición es la de contexto social, entendido como aquellos aspectos que permiten vivir con los otros respetando las diferencias 265
276 Adela Cortina (1997) José Gimeno (1999) valoración de la justicia social condujo desde los inicios del reconocimiento de los derechos sociales a una cada vez mayor reducción de la desigualdad social. La apuesta de Adela Cortina es por una ciudadanía cosmopolita que viene a dar luz al propio título del libro - Ciudadanos del mundoargumenta la afirmación de que a ser ciudadano se aprende, como se aprende a vivir conforme a los valores morales, entre los que elige los siguientes: la libertad, la igualdad, la solidaridad, el respeto activo y el diálogo. La ciudadanía es una invención, de ejercer la vida cotidiana de la persona en el seno de la sociedad jurídicamente regulada, que conjunta y garantiza a los individuos unas ciertas prerrogativas, Faceta política, social, económica, civil e intercultural Ejercer la vida en el seno de una sociedad, teniendo como privilegios la igualdad, libertad, autonomía y Reconocimiento de la sociedad hacia sus miembros y la consecuente adhesión, por parte de estos, a los proyectos comunes. Igualdad de los ciudadanos en dignidad y disponibilidad a comprometerse en la cosa pública La esencia está en comprendernos y respetarnos como libres, autónomos e iguales. ideológicas, espirituales etc. En este caso por medio de la situación como las estudiantes complementan o refutan una idea o concepto y llegan a conclusiones. Pertenencia y participación en el entorno es una de la categorías que se planteo, puesto que cuando se habla de ciudadanía una de las posturas es la de pertenencia a una comunidad, en la cual los individuos que se encuentran en ella son agentes que están involucrados en su entorno y tienen la oportunidad de participar y ser en ella, por eso la formación de ciudadanos se observa en la actividad bajo esta postura en la cual por medio de una situación que las involucre y se pueda discutir acerca de la misma puesto que es algo que está en la comunidad y sería interesante que las estudiantes puedan sacar conclusiones de la celebración que está inmersa en el entorno. Cuando se habla de Interacción con los otros, se refiere a que en la vida cotidiana cuando se ejercen un conjunto de principios como la libertad, la igualdad, la autonomía, el bien común para todos inclusive que cuando se tome una decisión que sea para el colectivo, se piense que una persona no ejerce la ciudadanía porque necesita interactuar con los demás para que esos principios o esas 266
277 como la igualdad, libertad, autonomía y derechos de participación. Esto implica definir al individuo como sujeto y verlo en relación con los demás, porque son sujetos determinados los que actúan como ciudadanos. los derechos de participación prerrogativas se puedan lograr aunque existan diferencias, por ello en la actividad las estudiantes puedan reconocer en el otro que hay diferentes posturas que pueden tener frente a una situación reconociendo que la otra(s) persona(s) tiene unas decisiones que son beneficio para su grupo sin hacer que su postura afecte los derechos de los demás. Las categorías de análisis que son observadas en el aula de clase teniendo en cuenta la dinámica de la misma junto con la clase de estadística escolar y un propósito de enseñanza que los estudiantes junto con el profesor formularon, son construidas desde las posturas teóricas que se resaltan en las matrices buscando que haya una relación con la lectura de información estadística. Esto último generó ambientes de reflexión estadística que llevaron a los estudiantes a tener presente que la lectura de la información estadística dentro de un contexto significativo, pueda desarrollarse en tres puntos relevantes los cuales son: Contexto donde se recogen los datos, la estadística puede estar al alcance de los ciudadanos para tomar decisiones fundamentadas. Necesidad de los datos, un conocimiento básico de esta ciencia (estadística) es necesario para la correcta interpretación de los mismos. Interpretación y explicación de los datos y las gráficas, comunicar lo que se ha evidenciado como información estadística dentro del contexto que se está aludiendo. El siguiente fragmento se ilustra un desarrollo al respecto de un estudiante: 267
278 CONCLUSIONES I Encuentro Colombiano de La formación para la ciudadanía no es una asignatura aislada, sino una responsabilidad compartida que atraviesa todas las áreas e instancias de una institución y toda de la comunidad educativa, conformada por las directivas, los docentes, los estudiantes, las familias, el personal administrativo y las demás personas que interactúan en ella. Al diseñar propuestas en estadística, es importante aludir necesariamente al contexto de los estudiantes, porque esto conlleva que haya una mayor coherencia entre el conocimiento estadístico que se tiene como propósito de aprendizaje y las nociones que ellos tienen. Por ello se hace necesario que las matemáticas en general tengan un componente social fuerte, porque el conocimiento que los estudiantes adquieren no solo debe ser de las interacciones que se generan en el aula sino que se expande a otros momentos o situaciones del actuar de cada individuo. En consonancia con lo anterior, Valero (2002) alude que una red de prácticas sociales entre los individuos tiene un modo central en el aula, pero conecta a ella fuertemente otros ámbitos de práctica como, por ejemplo, toda la organización institucional de la escuela con respecto a las matemáticas, los procesos de política educativa, la formación de maestros, la producción de textos escolares, el mercado laboral, e incluso las políticas educativas internacionales. REFERENCIAS Batanero, C. (2004). Hacia dónde va la educación estadística? Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Batanero, C. (2001) Los retos de la cultura estadística. Granada: Universidad de Granada. Cortina, A. (1997). Ciudadanos del mundo. Hacia una teoría de la ciudadanía. Madrid: Alianza. Chaux, E., Lleras, J. y Velásquez, A.M. (2004). Competencias ciudadanas: de los estándares al aula. Revista de Estudios Sociales, (19). Gimeno, J. (1999). La construcción del discurso acerca de la diversidad y sus prácticas. Aula de Innovación Educativa, (81), Holmes, P. et al. (1980). Statistics in your world. Slough, UK: Foulsham Educational. Marshall, T. (1998). Ciudadanía y clase social. Madrid: Alianza. Valero, P. (2002). Consideraciones sobre el contexto y la educación matemática para la democracia. Dinamarca: Universidad de Aalborg. 268
279 UNA PROPUESTA DE INSTRUCCIÓN PARA ABORDAR EL RAZONAMIENTO PROBABILÍSTICO EN SITUACIONES DE AZAR Mónica Vergara, José Alcides Romero y Felipe Fernández Universidad Pedagógica Nacional (Colombia) mdma_mavergarac163@pedagogica.edu.co, mdma_jaromerom698@pedagogica.edu.co, mdma_fjfernandez@pedagogica.edu.co Con el propósito de promover razonamiento probabilístico bajo los enfoques intuitivo, clásico y frecuencial en estudiantes de grado undécimo sin instrucción previa en probabilidad, se realizó un análisis didáctico para proponer la implementación de un conjunto de tareas que permitan el avance en dicho razonamiento. A partir de dicho análisis se establecen una serie de capacidades, errores y dificultades que perfilan una posible ruta de instrucción y que delinean como aporte de esta ponencia una propuesta de instrucción que incluye situaciones asociadas a juegos de tablero, laberintos, aparato de Galton y carreras de juegos electrónicos. PALABRAS CLAVE Razonamiento probabilístico, análisis cognitivo, propuesta de instrucción, enfoques probabilísticos. INTRODUCCIÓN Al referirse a situaciones de la vida cotidiana, Batanero (2006) afirma que el común de las personas poco interpretan y toman decisiones a partir de la información suministrada, lo que sugiere falencias en su razonamiento probabilístico, que en últimas provienen de la calidad de su formación escolar en lo estocástico. En consonancia con esta problemática, los entes ministeriales de muchos países han considerado pertinente prestar atención a la introducción, en los ámbitos curriculares, de la componente estadística y probabilística. A nivel colombiano, el Ministerio de Educación Nacional, a través de los Lineamientos Curriculares y los Estándares Básicos de Competencias Matemáticas (MEN, 1998, 2006) promueve la importancia de aplicar los conocimientos básicos de probabilidad en diferentes contextos. Por otra parte, desde la perspectiva evaluativa colombiana, y asumiendo los cambios introducidos en la prueba SABER 11 para el año, se requiere que los estudiantes apliquen su competencia matemática en contextos prácticos al considerar situaciones propias de la vida cotidiana en la prueba de razonamiento cuantitativo. Ante el panorama anterior, el análisis de situaciones de incertidumbre ofrece la oportunidad de desarrollar ideas y concepciones probabilísticas de los estudiantes a partir de sus intuiciones, brindando elementos para el diseño de una propuesta de instrucción en el aula que promuevan el razonamiento probabilístico bajo los enfoques intuitivo, frecuencial y clásico de la probabilidad de un grupo de estudiantes de undécimo grado.
280 MARCO DE REFERENCIA Para ubicar el trabajo que interesa reportar en esta ponencia, es pertinente señalar que éste hace parte de un proyecto de mayor alcance cuyo marco de referencia atiende a una aproximación al modelo de análisis didáctico propuesto por Gómez (2007). Este modelo se estructura en cuatro componentes de análisis: la de contenido, la cognitiva, la de instrucción y la de actuación. A continuación se presenta el referente conceptual sobre el cual está sustentado las cuatro componentes de esta propuesta. De la componente de contenido se puede dar cuenta en investigaciones como las de Serrano (1996) y Batanero (2005, 2006) acerca de la conceptualización de la probabilidad en la escuela; y en documentos institucionales como los Lineamientos Curriculares y los Estándares Básicos de Competencias Matemáticas planteados por el MEN (1998 y 2006); de la componente cognitiva acerca de errores y dificultades de los estudiantes, así como de sesgos y heurísticas propias del razonamiento probabilístico, se puede sustentar en trabajos como los de Díaz (2003), Lavalle, Micheli y Boché (s.f.), Serrano (1996), Serrano, Batanero, Ortiz y Cañizares (1998) y Cañizares y Batanero (1997); la componente de instrucción, asociada al diseño de tareas y secuencia de actividades, está basada en apuntes sobre análisis de instrucción tomados de Flores, Gómez y Marín (2013); y por último, la componente de actuación que aborda asuntos de la evaluación, se fundamenta en la Taxonomía SOLO sugerida por Biggs y Collis (1982). ASPECTOS METODOLÓGICOS La metodología de este trabajo es una aproximación al modelo de análisis didáctico planteado por Gómez (2007) que se plantea en tres fases. En la primera fase se realiza el análisis de contenido para determinar y analizar los elementos del razonamiento probabilístico, haciendo una revisión al contenido matemático a tratar, en este caso a los enfoques de probabilidad (intuitivo, frecuencial y clásico), a través de tres organizadores curriculares: estructura conceptual, sistemas de representación y exploración sobre la fenomenología asociadas a situaciones de azar. En la segunda fase se ejecuta el análisis cognitivo planteando los objetivos de aprendizaje bajo los cuales se determinan las capacidades que se esperan propiciar en los estudiantes; éstas se organizan de manera secuencial que perfila un camino de aprendizaje, que tienen en cuenta dificultades y errores evidenciados por los estudiantes. El análisis de instrucción, que se desarrolla en la tercera fase, aborda el problema de diseño e implementación de las tareas. Para ello se tienen en cuenta, aspectos como: los materiales y recursos disponibles; la organización y gestión del trabajo de los estudiantes y para definir la actuación del profesor ante los errores y dificultades evidenciados por ellos en el proceso de enseñanza. Un resumen del tipo de actividades que se desarrollan en estas fases (por limitaciones de espacio se hace referencia a las actividades que se desarrollan en los análisis de actuación que conformaría una cuarta fase de trabajo), que no necesariamente se desarrollan de manera lineal, se relacionan en la Tabla
281 No FASE Actividad Análisis de Contenido Análisis Cognitivo Análisis de Instrucción 1 Elementos del campo conceptual X 2 Elementos del campo procedimental X 3 Determinación de sistemas de representación X 4 Análisis Fenomenológico X 5 Planteamiento de Objetivos de Aprendizaje X 6 Listado de capacidades X 7 Listado de dificultades y errores X 8 Determinación de materiales y recursos X 9 Determinación de las actuaciones del profesor X 10 Determinación del papel de los estudiantes 11 Diseño de tareas X 12 Caminos de aprendizaje para cada una de las tareas X 13 Implementación de propuesta de instrucción X Tabla 1. Relación de actividades del proyecto con las componentes del modelo de análisis didáctico DESARROLLO DE LA PROPUESTA Como resultado del análisis de contenido se establecen los siguientes elementos de razonamiento probabilístico: comparación de probabilidades, aleatoriedad, tablas de distribución de frecuencias, espacio muestral, eventos, cálculo de probabilidades, gráficos estadísticos y convergencia estocástica; constituyéndose estos elementos en aspectos de contenido que se tratan en la propuesta de instrucción. En el análisis cognitivo se plantean tres objetivos de aprendizaje a saber: 1. Calcular la probabilidad de ocurrencia de eventos bajo los enfoques intuitivo, frecuencial y clásico, 2. Reconocer la aplicabilidad de los enfoques de probabilidad en diversas situaciones de incertidumbre, 3. Contrastar creencias e intuiciones antes situaciones de incertidumbre frente a los resultados obtenidos a partir de los tres enfoques descritos. Además, se establecen un conjunto de capacidades a desarrollar en los estudiantes, las cuales se relacionan con los objetivos descritos. Dichas capacidades se clasifican desde los campos procedimental y conceptual. Posteriormente se identifican errores y dificultades organizados en las siguientes categorías: heurísticas y sesgos, matemáticos, probabilísticos, estadísticos y de carácter general. Con el desarrollo del análisis de instrucción se diseñan cuatro tareas que se denominaron: travesía del río, laberintos, aparato de galton y quinielas, las cuales esbozan un camino de aprendizaje que pretende acercar a los estudiantes en la construcción de los elementos de razonamiento probabilístico. A continuación se presenta la descripción de dichas tareas. Con la tarea Travesía del río, los estudiantes aplican los conceptos básicos de probabilidad a través de la realización de un experimento aleatorio simple (juego de tablero) bajo los enfoques intuitivo, clásico y frecuencial. En la realización de la tarea Laberintos, los estudiantes utilizan conceptos probabilísticos en un experimento compuesto (laberinto) bajo los enfoques intuitivo, clásico y frecuencial. En el enfoque clásico se trabajan el principio de la multiplicación 271
282 para el cálculo de probabilidades de eventos simples y el principio de la suma para el cálculo de probabilidades de eventos compuestos. En el desarrollo de la tarea Aparato de Galton, los estudiantes emplean el enfoque clásico y frecuencial de la probabilidad en un experimento compuesto, utilizando un aplicativo que simula el funcionamiento de un aparato de Galton. Con esta tarea, los estudiantes verifican la convergencia de las frecuencias relativas hacia las frecuencias teóricas del experimento incrementando el número de ensayos. En la última tarea titulada Quinielas, se busca que los estudiantes establezcan distribuciones de probabilidad de un juego de apuestas a partir de la opinión de varios clientes de un casino aplicando el enfoque intuitivo, posteriormente se contrastan con los resultados obtenidos bajo el enfoque frecuencial a partir de la realización de dos corridas de diferente tamaño. Los elementos de razonamiento probabilístico se relacionan con las tareas que conforman la propuesta de instrucción en la tabla 2. ELEMENTO DE RAZONAMIENTO PROBABILÍSTICO TAREA Travesía Aparato Quinielas Laberintos del río de Galton Comparación de probabilidades X X X X Aleatoriedad X Tablas de frecuencia X X X X Espacio muestral X X Eventos X X Cálculo de probabilidades X X X X Gráficos estadísticos X Convergencia estocástica X X Tabla 2. Relación de elementos de razonamiento y tareas Las tareas que hacen parte de la propuesta de instrucción se podrán consultar en el trabajo de Romero y Vergara (en preparación). CONCLUSIONES En este apartado se comentan los principales resultados surgidas al realizar análisis de la implementación de la propuesta de enseñanza. Los estudiantes mostraron mayor dificultad en el análisis y obtención de probabilidades bajo el enfoque clásico, en contraste con los enfoques intuitivos y frecuencial, especialmente en experimentos compuestos, al detectarse las mayores dificultades en la determinación del espacio muestral y el cálculo de las probabilidades de eventos. La aplicación del enfoque frecuencial a través de la experimentación directa con los materiales y recursos empleados en las situaciones de azar (juegos de tablero, laberintos, aparato de Galton), es el punto de partida que permite al estudiante el desarrollo de intuiciones más elaboradas con el empleo de los principios probabilísticos a partir de sus intuiciones iniciales. El tiempo empleado para el desarrollo de estas tareas no fue suficiente, siendo necesario abordar algunas de ellas en un tiempo mayor al previsto; quedando abierta 272
283 la posibilidad de replantear la gestión y la secuenciación de la propuesta de instrucción. A la mayoría de los estudiantes analizados se les dificulta la resolución de las situaciones, al están habituados a la ejercitación algorítmica en lugar de proponer alternativas de solución a partir de la información dada. Lo anterior, destaca la importancia de enfrentar a los estudiantes con más frecuencia a este tipo de tareas con el fin de desarrollar en ellos razonamiento probabilístico. La organización de la información en tablas de frecuencia permite que los estudiantes registren y comparen los valores de probabilidad bajo los tres enfoques; relacionando así los conceptos de frecuencia relativa y probabilidad. REFERENCIAS Batanero, C. (2006). Razonamiento probabilístico en la vida cotidiana: un desafío probabilístico. En Investigación en el aula de matemáticas. Estadística y Azar. Sociedad de Educación Matemática Thales. Batanero, C. (2005). Significados de la probabilidad en la educación básica. Revista Latinoamericana de Investigación en Educación Matemática - RELIME, Biggs, J. y Collis, K. (1982). Evaluating the quality of learning: The SOLO taxonomy. New York: Academic Press. Cañizares, J. y Batanero, C. (1997). Influencia del razonamiento proporcional y de las creencias subjetivas en la comparación de probabilidades. UNO, Díaz, C. (2003). Heurísticas y sesgos en el razonamiento probabilístico. Implicaciones para la enseñanza de la estadística. Trabajo presentado en el 27 Congreso Nacional de Estadística e Investigación Operativa, (pp. 1-11). Lleida. Flóres, P., Gómez, P. y Marín, A. (2013). Apuntes sobre análisis de instrucción. Módulo 4 del MAD. Documento no publicado. Bogotá: Universidad de los Andes. Gómez, P. (2007). Desarrollo del conocimiento didáctico en un plan de formación inicial de profesores de matemáticas de secundaria. Granada: Universidad de Granada. Lavalle, A.L., Micheli, E.B. y Boché, S. (s.f.). Juicios heurísticos sobre probabilidad en alumnos de profesorado en matemáticas. Neuquén, Argentina: Universidad Nacional del Comahue. MEN. (2006). Estándares básicos de Competencias en Matemáticas. Bogotá: MEN. MEN. (1998). Matemáticas.Lineamientos Curriculares. Áreas obligatorias y fundamentales. Colombia: Corporativa Editorial Magisterio. Romero, J. y Vergara, M. (en preparación). Razonamiento probabilístico en estudiantes de grado undécimo. Bogotá: Universidad Pedagógica Nacional. Serrano, L. (1996). Significados institucionales y personales de objetos matemáticos ligados a la aproximación frecuencial de la enseñanza de la probabilidad. Granada: Universidad de Granada. Serrano, L., Batanero, C., Ortíz, J., y Cañizares, J. (1998). Heurísticas y sesgos en el razonamiento probabilístico de los estudiantes de secundaria. Educación Matemática, 1 0(1),
284 ESTUDIO DE GRÁFICOS ESTADÍSTICOS USADOS EN UNA MUESTRA DE LIBROS DE MATEMÁTICAS PARA LA EDUCACIÓN BÁSICA Y MEDIA EN BOGOTÁ Leidy Mateus Universidad Distrital Francisco José de Caldas (Colombia) lnmateusa@correo.udistrital.edu.co A continuación se expone un ejemplo del estudio de los gráficos estadísticos que aparecen en una muestra de 5 libros de matemáticas, diseñados para la enseñanza en la educación básica y media y publicados en los últimos 50 años en Bogotá. Inicialmente con libros revisados y mediante criterios de reducción, organización y sistematización de la información, nos brinda una muestra significativa por décadas de 5 libros. Con relación a los gráficos de la muestra de libros, se elaboró un contraste de características (relacionadas con la estructura y contenido disciplinar) con los constructos estadísticos de alfabetización, razonamiento o desarrollo del pensamiento estadístico, según las interpretaciones teóricas entre las características de los gráficos y los constructos. De lo anterior se concluye acerca de: inclusión de la educación estadística, los gráficos y conocimiento disciplinar observado en dicho ejemplo. PALABRAS CLAVE Gráficos estadísticos, alfabetización estadística, razonamiento estadístico y pensamiento estadístico. INTRODUCCIÓN La estadística se ha involucrado en muchas disciplinas o ciencias, sin embargo, normativamente en la escuela colombiana no se ha tenido en cuenta sino hasta hace 50 años aproximadamente, en donde se incluye por primera vez en el plan de estudios del bachillerato comercial o industrial en Adicionalmente se inicia un auge de producción textual con la llegada de imprentas al país y en particular a Bogotá, con lo cual se promueve una cultura o uso del libro en las aulas de clase. Sin embargo, se ha detectado que hay analfabetismo estadístico relacionado con la interpretación y análisis de las gráficas. En este sentido y luego de la indagación, se encontró que son escasos los estudios sobre las representaciones en los libros de texto, particularmente en el contexto nacional; por lo tanto, se considera importante elaborar una investigación en este campo, teniendo en cuenta que en las clases de matemáticas el texto escolar es usado como herramienta didáctica o transmisor de conocimientos, como lo han encontrado diversos investigadores. Lo anterior se estudia, pues al desarrollar diferentes representaciones sobre una misma serie de datos, se contribuye a mejorar la comprensión sobre el comportamiento de los datos. Dicho aspecto Wild y Pfannkuch (1999), lo mencionan como la transnumeración, pues se busca encontrar una representación que destaque otras características de los datos y así fomentar la cultura o alfabetización estadística.
285 Por lo que se buscó estudiar las intenciones o disposiciones de los gráficos y su relación o aporte a un constructo estadístico. OBJETIVOS Objetivo general Estudiar los gráficos estadísticos, presentes en algunos libros de matemáticas escolares publicados en el periodo de 1960 al 2010, en Bogotá. Objetivos específicos Describir los gráficos presentados en los libros de matemáticas escolares, desde la forma o estructura, conocimiento disciplinar y contexto. Caracterizar los gráficos estadísticos, expuestos en una muestra de libros de matemáticas escolares, que han sido diseñados para la enseñanza en educación básica y media. Interpretar las gráficas estadísticas desde la intencionalidad observable (alfabetización, razonamiento y pensamiento). MARCO DE REFERENCIA A continuación se expone un breve resumen sobre los aspectos teóricos que se tuvieron en cuenta para delimitar y analizar la información recolectada, desde lo relacionado con los libros de texto hasta algunos referentes teóricos disciplinares como la estructura de un gráfico y constructos estadísticos. Del manual al libro de texto Para hablar de la aparición del libro de texto en Colombia, nos remontamos a 1930, pues en dicha época bajo el gobierno liberal, se fortalece la cultura del texto escolar. Luego, en 1935 educadores laicos tras años de uso de manuales que se consideraban poco didácticos (Millán, 2010), propusieron los libros de texto, que no reproducían un método sino que eran específicos de una disciplina. Normatividad en Colombia para la inclusión de la estadística. Con relación a la inclusión de la estadística, es hasta Septiembre con el decreto 2433 de 1959, en el plan de estudios para la enseñanza industrial y comercial (bachiller técnico industrial o comercial). Luego, en 1976 con la reorganización del sistema educativo, la estadística pasa a un segundo plano, hasta 1998 cuando en los lineamientos curriculares de matemáticas, se aborda el pensamiento aleatorio y los sistemas de datos, especificando los contenidos en los estándares de competencias matemáticas, publicados en el 2006, y con estos dos documentos, se da cumplimiento a la ley 115 de Gráficos estadísticos Según Arteaga (2011), los gráficos estadísticos representan una serie de datos (cualitativos, cuantitativos) y sirven para comunicar información, organizar datos, visualizar conceptos abstractos y difíciles de comprender. También se destaca que la construcción de gráficos desarrolla habilidades y competencias como la interpretación, evaluación y socialización de información estadística. Nociones o lenguaje estadístico Las nociones exploradas en los libros se entienden como lo que propone Behar (2009), en el documento titulado búsqueda del conocimiento estadístico, donde 275
286 presenta: una serie de situaciones, perspectiva acerca de la importancia de la estadística, algunas aclaraciones sobre las nociones básicas y muestra ejemplos de error y validación. Constructos de la investigación en educación estadística Teniendo en cuenta las posturas de diversos (as) autores (as), que han desarrollado investigaciones en el ámbito de la educación estocástica, se hace énfasis en tres constructos que recientemente se han venido consolidando. Alfabetización estadística Como lo expone la Doctora en Educación Matemática, Lucia Zapata (2011), la alfabetización o cultura estadística, es la adquisición de conocimientos estadísticos o desarrollo de habilidades durante la escuela o para el uso de los consumidores de estadísticas en diferentes medios de comunicación, con la intensión de que entienda y evalué la información suministrada. En este mismo sentido Estrella y Olfos (2012), mencionan que es un derecho ciudadano que busca brindar conocimiento y habilidades, junto a la necesidad de integrar la comprensión y el sentido gráfico (p. 124). Lo que posteriormente nos conduce a hablar del razonamiento estadístico. Razonamiento estadístico El razonamiento, ha sido un constructo adaptado a diferentes disciplinas y que aún se encuentra en configuración, como lo presenta Rocha (2007) al diferenciar el aleatorio y el estadístico. El primer tipo de razonamiento atiende a una actitud hacia la probabilidad, mientras el estadístico es la habilidad de realizar juicios, apoyado en el análisis de información con inferencias o uso de modelos estadísticos. Pensamiento estadístico Este constructo, es considerado como un nivel superior de conocimiento al brindado por la escuela, pues como lo menciona Behar (2009), relaciona el conocimiento disciplinar con el mundo real, busca tener en cuenta la variabilidad y la incertidumbre. También hace referencia a los tipos de pensamiento, dentro de los cuales se contrasta específicamente tipos fundamentales de pensamiento estadístico con las gráficas seleccionadas, pues, se busca si promueven la comprensión del conocimiento disciplinar estadístico. Componentes de un gráfico estadístico Para abordar los componentes del gráfico es necesario pensar en la importancia de las gráficas estadísticas y las habilidades o aportes que hace, en este sentido Arteaga, Batanero, Cañadas y Contreras (2011) mencionan que desarrollan habilidades y competencias, como la interpretación, evaluación y socialización de información estadística. Teniendo en cuenta aspectos mencionados por Correa y González (2002), se describen los gráficos según: la estructura y el conocimiento disciplinar estadístico, para finalizar con el propósito del gráfico y contexto de los datos. ASPECTOS METODOLÓGICOS Esta investigación es cualitativa, desarrollada en el campo de la educación estadística con libros de texto escolar editados entre del área de matemáticas para la educación básica y media, en particular sobre el capítulo o apartado que presente 276
287 gráficas estadísticas y su construcción. Dichos textos se rescataron del catálogo de la Biblioteca Nacional de Colombia, ubicada en Bogotá. A continuación se abordan y adaptan a esta investigación, las fases propuestas por Hoyos (1999) para la construcción de los estados de arte: 1. Delimitación preliminar, rastreo de información, selección de instrumentos. 2. Recolección, organización y reducción de la información. 3. sistematización en unidades de análisis, descripción de las gráficas. 4. Evidencias, caracterizaciones, resultados. 5. Informe final. 1. Delimitación preliminar Para la construcción teórica, se indagó entorno a la red categorial sobre análisis de libros de texto, gráficas, estadística, cultura o alfabetización estadística y análisis documental. Las referencias tenidas en cuenta, delimitaron el lugar y tiempo a consultar en bases de datos, catálogos de bibliotecas, algunas publicaciones en eventos y otros documentos en la web. Por ejemplo, el iniciar la recuperación de libros desde 1960 al ser un año en el que se incluyen contenidos estadísticos en el plan de estudios colombiano, por primera vez. 2. Recolección, organización y análisis de datos Del catálogo de la Biblioteca Nacional De Colombia, se rescataron libros de texto y mediante criterios de reducción y unidades de análisis, se estudiaron y contrastaron 5 libros de texto, teniendo en cuenta perspectivas teóricas, mencionadas anteriormente (ver Figura 1). 3. Evidencias y conclusiones: En este documento se expone el estudio de 1 gráfico, mediante la técnica de análisis de contenido, organizado en unidades de registro, contexto y muestreo. DESARROLLO DE LA PROPUESTA Uno de los cinco libros estudiados y que refleja, la descripción, caracterización e interpretación realizada es Eureka. Matemáticas 7 (ver Figura 2) de Garavito, C. y Forero, M., de la editorial Voluntad, impreso en Con Deposito legal Nº Este libro expone, según se evidencia en la tabla de contenido, un capítulo dedicado al tratamiento de las nociones estadísticas, del cual se abordan los diagramas y se estudia en particular la construcción del diagrama de barras. Descripción Diagrama de barras (ver Diagrama 1). Con relación al fondo, se observa: Figura 1. Reducción de la información Escalas de los ejes, aumentando de 2 en 2. Con relación a la figura o forma del gráfico, se muestran barras verticales sobre cada dato. No hay espacio entre las barras, por lo que se puede asumir que se trabaja con intervalos. 277
288 Presenta título diagrama de barras y rótulos para cada eje. Con relación a la construcción del gráfico se plantea, la localización de las barras, comparándolo con el diagrama de líneas y finaliza con una lectura del gráfico. El contexto o lugar del que se extrae los datos es la nota en una asignatura y el número de veces que se repitió en un grupo de estudiantes. Con relación al conocimiento disciplinar, se aborda: Figura 2. Libro de la década de Diagrama 1. Construcción del diagrama de barras Tipo de variable cuantitativa discreta. Con datos agrupados, según se relaciona en el texto que acompaña a la gráfica. Se observa tendencias de centralidad, dispersión y sesgo a la izquierda. Usa barras, para destacar en la base los datos y por altura las frecuencias absolutas. Para finalizar, se expone un cuadro con Normas en el que se destacan aspectos a tener en cuenta al momento de realizar un diagrama de barras, junto a una definición o uso, expresando la necesidad de ser proporcional a la frecuencia. Caracterización De los aspectos que describen y se observan en el gráfico, se destaca: Forma o estructura. Posee una buena estructura, bajo los criterios propuestos por Correa y Gonzáles (2002), es decir que contienen: etiquetas o rótulos por eje, instrucciones de construcción, contextualización, situaciones, ejemplos, características del gráfico y explicación. Conocimiento disciplinar. Tiene referencia de datos agrupados con variables discretas y conservando una razón entre dato y frecuencia, uso de variable cuantitativa, dentro de lo enmarcado por Behar (2009). Conocimiento didáctico. Se enfocan en la relación de la construcción de gráficos estadísticos, y se acompaña de una lectura del gráfico, sin realizar inferencias. Interpretación Por lo tanto el aporte de este libro de texto es a la alfabetización estadística como lo percibe Zapata (2011), al promover la adquisición de conocimientos estadísticos básicos, durante la escuela. Y aunque se propone el cambio de un gráfico a otro, no se profundiza por lo tanto no se relaciona con los niveles del proceso de pensamiento estadístico propuestos por Curcio (1989) o con los tipos fundamentales de pensamiento estadístico propuestos por Wild y Pfannkuch (1999). 278
289 CONCLUSIONES Uno de los aspectos más relevantes, es la inclusión de contenidos estadísticos al plan de estudios nacional, en 1959 con el decreto 2433, y para los siguientes años el Ministerio de Educación Nacional, promueve la cultura del texto escolar en los planteles educativos (Decreto 2656 de 1959) junto a la creación de comisiones para la valoración de dichos textos en Dentro de las descripciones, se destaca que prima el contexto del aula de clases o relacionadas con la misma, dejando de lado las aplicaciones de la estadística a diferentes disciplinas científicas. Con relación a las características, se brindan buenas bases para la construcción del gráfico, sobre la estructura y se hace referencia a la información contenida en el diagrama estadístico. Para la interpretación, entre los constructos abordados se encontró una mayor tendencia a alfabetizar que a promover razonamiento o pensamiento estadístico. Entre algunos de los errores encontrados en los gráficos y siendo el caso particular del expuesto en este escrito, se muestra el histograma de frecuencias como un diagrama de barras. Para finalizar, en esta investigación se presenta un ejemplo del estudio desarrollado con cada libro de texto y que permite ver el estado del arte de elementos e intenciones en la construcción de los gráficos estadísticos. REFERENCIAS Arteaga, P. (2011). Evaluación de conocimientos sobre gráficos estadísticos y conocimientos didácticos de futuros profesores. Tesis de doctorado. Granada: Universidad de Granada. Arteaga, P., Batanero, C., Cañadas, G. y Contreras, J.M. (2011). Las tablas y gráficos estadísticos como objetos culturales. Números 76, Behar, R. (2009). Búsqueda del conocimiento y pensamiento estadístico. En Memorias del Segundo encuentro Iberoamericano de Biometría. México. Correa, J.C. y González, N. (2002). Gráficos estadísticos con R. Tesis de maestría. Medellín: Universidad de Medellín. pdf. Curcio, F.R. (1989): Developing graph comprehension. Reston, VA: NCTM. Estrella, S. y Olfos, R. (2012). La taxonomía de comprensión gráfica de Curcio a través del gráfico de Minard: una clase en séptimo grado. Educación Matemática, 24 (2) Hoyos, C. (1999). Un modelo para investigación documental: guía teórico-práctica sobre construcción de estados del arte con importantes reflexiones sobre la investigación. Señal Editora. Millán, C.P. (2010). Apuntes para una historia de la educación en Colombia. Escuela de Comunicación Social, Universidad del Valle. Rocha, P. (2007). Educación estocástica, la didáctica de la probabilidad y estadística. En P. Rocha,, la Didáctica de la Probabilidad y Estadística (pp. 4-30). 279
290 Bogotá, Colombia: Sección de publicaciones Universidad Distrital Francisco José de Caldas. Wild, C.J., y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry (with discussion). International Statistical Review, 67 (3), Zapata, L. (2011). Cómo contribuir a la alfabetización estadística? Revista Virtual Universidad Católica del Norte, 33,
291 DESARROLLO DEL RAZONAMIENTO ESTADÍSTICO A TRAVÉS DEL TRABAJO POR PROYECTOS Beatriz Tapiero y Henry Polanco Universidad de la Amazonia (Colombia) beatriz1006@hotmail.com, henrypolanco123@hotmail.com. En este documento se presentan los avances de un proyecto de investigación que pretende promover el desarrollo del razonamiento estadístico en estudiantes de grado noveno, mediado por la enseñanza de la estadística a través de proyectos como un ambiente de aprendizaje. Se utilizan como referentes teóricos los trabajos de Batanero y Díaz (2011). Los datos se vienen recolectando a través de videos, entrevistas, documentos, notas de campo y audios. Los resultados parciales de este estudio sugieren que la enseñanza de la estadística a través de proyectos facilita la motivación y participación en la clase, además se evidencia el uso del lenguaje estadístico donde emergen términos e ideas estadísticos relacionados con promedios, gráficas y datos, que generalmente están basados en sus conocimientos previos. De igual forma, se observa avances significativos en los estudiantes para formular, plantear, diseñar, clasificar, organizar y analizar datos relacionados con el tema a investigar. PALABRAS CLAVE Razonamiento estadístico, ambientes de aprendizaje, proyectos, motivación. INTRODUCCIÓN Aunque la estadística ha sido incorporada en los currículos escolares, la experiencia docente, la revisión de planes de estudio y la revisión de libros de texto, muestran que se continúa orientando en algunas ocasiones, sólo en el último periodo académico, así mismo, su enseñanza se limita a la memorización de fórmulas para solucionar problemas que en muchas ocasiones son descontextualizados y que impiden que el estudiante comprenda el entorno en el cual se encuentra, dejando de lado el razonamiento, como elemento indispensable para el análisis e interpretación de la información estadística; esto sucede debido a que en su mayoría, los docentes dedican mayor tiempo a la actividad matemática y no a la actividad estadística. En estadística, el razonamiento está relacionado con la forma como las personas dan sentido a la información estadística, es decir hacer interpretaciones a datos, representaciones y resúmenes numéricos de los datos (Garfield y del Mas, 2003); para esta investigación, los datos serán obtenidos por los estudiantes a partir de situaciones contextualizadas. Wild y Pfannkuch (1999) consideran los datos como uno de los elementos fundamentales del razonamiento estadístico, porque la prioridad es buscar información en ellos. Una de las formas para potenciar el razonamiento estadístico es a través de los ambientes de aprendizaje para el razonamiento estadístico (SRLE; por sus siglas en
292 inglés) basado en la teoría socio constructivista del aprendizaje, que busca estimular a los estudiantes para que construyan su propio conocimiento; la puesta en marcha de un ambiente de aprendizaje en la clase de estadística cambia el estilo tradicional de orientar las clases, para dar paso a prácticas que desarrollan aprendizajes significativos donde se combinan materiales, actividades, discusión, tecnología y la cultura de la clase. En este sentido, la propuesta de Batanero y Díaz (2011) sugiere que trabajar por proyectos en estadística es una herramienta innovadora que permite y facilita la comunicación entre docentes y estudiantes, los proyectos pueden ser elegidos por los profesores pero también por los estudiantes; además con ayuda del profesor se debe plantear un problema, definir qué tipo de datos se van a recoger para luego hacer análisis y llegar a conclusiones. El interés de la presente investigación es promover el desarrollo del razonamiento estadístico en estudiantes de grado noveno a través del trabajo por proyectos, basado en el ciclo de investigación, los modos fundamentales del razonamiento estadístico, el ciclo de interrogación y las actitudes, propuesto por Wild y Pfannkuch (1999). El proyecto propuesto por los estudiantes (embarazos a temprana edad), ha permitido evidenciar que los participantes muestran interés y motivación en su desarrollo, de igual forma, se han activado en los estudiantes ideas estadísticas en torno al tema propuesto (promedios, gráficos, datos, etc), que se han ido aplicando durante el desarrollo del mismo. MARCO DE REFERENCIA Razonamiento estadístico Con frecuencia se usa el término razonar (de forma general), asociado a todo proceso de pensamiento, para dar justificaciones y argumentos a diferentes situaciones. El razonamiento es un proceso mental cuya función es concebir ideas y apoyar su veracidad. Garfield y Ben-Zvi (2008), consideran que si las ideas generadas son de tipo estadístico, se habla de razonamiento estadístico; en palabras de estos investigadores: El razonamiento estadístico es la manera en que la gente razona con las ideas estadísticas y le da sentido a la información estadística [ ] puede involucrar conexiones de un concepto a otro (por ejemplo centros y dispersión) o combinar ideas acerca de datos y azar. El razonamiento estadístico también significa entender y ser capaz de explicar procesos estadísticos y de interpretar los resultados estadísticos (p. 34). Razonar estadísticamente implica establecer conexiones, plantear preguntas adecuadas, diseñar y analizar experimentos utilizando métodos apropiados, es decir, generar una mejor comprensión dentro de un contexto particular; Wild y Pfannkuch (1999) proponen un modelo para describir el razonamiento estadístico basado en cuatro dimensiones: 1. El ciclo de Investigación, llamado también PPDAC: problema, plan, datos, análisis y conclusiones. 2. Los modos fundamentales del razonamiento estadístico: El reconocimiento de la necesidad de los datos, la transnumeración, la omnipresencia de la variación, el 282
293 razonamiento con modelos estadísticos, la integración del conocimiento del contexto con el conocimiento estadístico 3. El ciclo de interrogación: Consiste en la formulación constante de interrogantes que sustenten las preguntas realizadas en el inicio de la investigación, a partir de los datos recolectados, los análisis realizados durante la investigación y los resultados. 4. Una serie de actitudes: se tienen en cuenta algunos factores que son personales y que tienen relación con el componente actitudinal del estudiante como el escepticismo, la perseverancia, la imaginación, la curiosidad, la creatividad. Garfield, del Mas y Chance (1999) proponen un modelo que permite establecer categorías de desarrollo del razonamiento estadístico, el cual está constituido por cinco niveles que muestran un carácter creciente en el razonamiento: Nivel 1. Razonamiento Idiosincrático: es aquel que muestra el conocimiento del estudiante con respecto al lenguaje (palabras y símbolos), aunque no lo usan ni entienden de forma correcta. Nivel 2. Razonamiento Verbal: Cuando los estudiantes tienen un entendimiento verbal del objeto matemático, pero no lo aplican de manera correcta. Nivel 3. Razonamiento de Transición: los estudiantes son capaces de identificar una o dos características del objeto matemático pero no integra completamente esas características. Nivel 4. Razonamiento de procesos: Los estudiantes identifican todas las características de los datos pero no hacen una integración total de ellas. Nivel 5. Razonamiento de Procesos integrados: Los estudiantes tienen un entendimiento total del objeto, explican con sus propias palabras, describen los resultados obtenidos. Ambientes de Aprendizaje del razonamiento estadístico (SRLE) El Ambiente de Aprendizaje para el Razonamiento Estadístico (SRLE, Statistical Reasoning Learning Environment), es un ambiente de aprendizaje estadístico que pretende desarrollar en los estudiantes una comprensión de la estadística profunda y significativa, y promueve el razonar estadísticamente (Garfield y Ben-Zvi, 2008); este modelo está basado en seis principios del diseño de enseñanza (Cobb y McClain, 2004): 1) Se enfoca en el desarrollo de las ideas estadísticas centrales (datos, distribución, variabilidad, centralidad, modelos, co variación, aleatoriedad, muestreo e inferencia) en lugar de un conjunto de herramientas, técnicas y procedimientos de presentación. 2) Usa datos reales y motivadores para interesar a los estudiantes a hacer y probar conjeturas. 3) Usa actividades en clase para apoyar el desarrollo del razonamiento de los estudiantes. 4) Integra el uso de herramientas tecnológicas adecuadas que permitan a los estudiantes probar sus conjeturas, explorar y analizar datos y desarrollar su razonamiento estadístico. 5) Promueve un discurso en clase que incluye argumentos estadísticos e intercambios sustentados que se enfoquen en ideas estadísticas significativas. 6) Utiliza el diagnóstico para aprender lo que los estudiantes saben y para monitorear el desarrollo de su aprendizaje estadístico para evaluar los planes de instrucción y su avance. 283
294 Los proyectos estadísticos Batanero y Díaz (2004) proponen que la clase de estadística a través de proyectos, se convierte en una herramienta que facilita el aprendizaje en los estudiantes; los proyectos deben emerger de ideas planteadas por docentes y estudiantes, debe incluir las diferentes etapas de la investigación: planteamiento de un problema, decisión sobre los datos a recoger, diseño y aplicación de instrumentos, análisis de datos y obtención de conclusiones sobre el problema planteado para hacer las respectivas recomendaciones. En el mismo sentido, Holmes (1997), manifiesta que abordar la enseñanza de la estadística por proyectos, permite contextualizarla y hacerla más relevante, estimula el interés y la motivación en los estudiantes, facilita la interpretación y análisis de la información desde diferentes miradas que le permiten dar solución al proyecto planteado. ASPECTOS METODOLÓGICOS Esta investigación se registra dentro del enfoque cualitativo porque corresponde a las reflexiones e interpretaciones de las situaciones planteadas por los estudiantes cuando desarrollan proyectos estadísticos. Se trabaja a partir de un estudio de caso con seis estudiantes de la Institución Educativa Colegio COMFACA de la ciudad de Florencia Caquetá. La participación de los estudiantes en el estudio es de forma voluntaria, con quienes se ha desarrollado diferentes sesiones de trabajo dentro y fuera de la institución educativa. La presente investigación que pretende promover el desarrollo del razonamiento estadístico en estudiantes de grado noveno, a través de la enseñanza de la estadística por proyectos, a la luz de los planteamientos de Batanero y Díaz (2011), al considerar que los proyectos despiertan el interés y motivación en los estudiantes, puesto que son ellos mismos quienes proponen las temáticas a desarrollar con la orientación permanente del docente. Se han desarrollado diferentes sesiones de trabajo con los estudiantes, en las primeras intervenciones con el grupo, se pidió a cada estudiante plantear un tema de su interés para investigar, luego en grupo de tres estudiantes se pidió que discutieran los temas propuestos, que expongan sus argumentos que le llevaron a escoger el tema y que lleguen a un acuerdo sobre un tema a investigar. Los estudiantes a través de un consenso definieron el tema de su interés embarazos a temprana edad. Siguiendo las orientaciones descritas en la teoría planteada por Batanero y Díaz (2011), para el trabajo a través de proyectos, se formularon las siguientes preguntas: Qué se quiere probar? Qué datos se necesitan? Qué se tiene que medir / observar / preguntar?, Cómo encontrar los datos? Qué hacer con los datos? Es posible hacer lo planteado? Se cree que aparecerán dificultades durante el proceso? Se logrará responder las preguntas de investigación? Para qué servirán los resultados? Cuando se plantearon estos interrogantes, los estudiantes manifestaron la necesidad de preguntar sobre este tema a las jóvenes, a los padres de familia, a las instituciones, a los hospitales; su deseo de conocer las opiniones y datos relacionados con el tema a 284
295 investigar, generó una serie de interrogantes, que se fueron delimitando poco a poco, hasta considerar que para conocer el tema a profundidad, bastaba con preguntar solamente a estudiantes de grados noveno, décimo y undécimo de la misma institución Educativa. Con estas actividades, se pone de manifiesto las dimensiones (en sus primeras etapas) propuestas por Wild y Pfannkuch (1999) para describir el razonamiento estadístico: los estudiantes definieron el problema a investigar, formularon preguntas e identificaron la necesidad de recolectar información que les permitiera dar solución a sus interrogantes a través de encuestas, acudiendo directamente a las fuentes. DESARROLLO DE LA PROPUESTA En la primera parte de la investigación, se logra evidenciar que cuando se da la oportunidad a los estudiantes de escoger el tema a investigar, emergen en ellos diferentes componentes como la participación, el interés y el deseo de conocer, lo que permite fortalecer la comunicación y el lenguaje en la clase de estadística. Al realizar entrevista a cada uno de los grupos, se encontró que los estudiantes participantes en esta investigación mencionan algunos términos relacionados con la estadística como promedios, gráficas de barras, gráficas de tortas, frecuencias, razonamientos y tasas ; pero al tratar de ahondar sobre el significado de estos términos, se evidencia el poco conocimiento que tienen sobre ellos. Los estudiantes entienden el término promedio como un más o menos, una aproximación, consideran que los gráficos les permitirán mostrar la información relacionada solamente con las preguntas que llevan a respuestas cerradas de si o no; las tasas tienen relación con la cantidad de niñas embarazadas, los gráficos de tortas le permiten establecer la cantidad de gente que da razonamiento exacto del tema. En este sentido, al hacer una correspondencia con respecto al nivel de razonamiento idiosincrático propuesto por Garfield, del Mas y Chance (1999) y el lenguaje utilizado por los estudiantes, se evidencia que cuando utilizan dichos términos no tienen una comprensión profunda de su significado y aún menos de la relación con el fenómeno y las variables que se están analizando. En la siguiente fase del proyecto, los participantes aplicaron la encuesta a la muestra seleccionada (105 estudiantes), esto generó en el grupo discusión con respecto a la forma de organizar los datos obtenidos, a la vez, esto generó la necesidad de hacer consultas individuales sobre los diferentes métodos de tabulación, clasificación y organización de la información. Inicialmente, los participantes clasificaron las encuestas por género, esto permitió organizar dos grandes grupos para tabular la primera pregunta de la encuesta; una vez extraída la información de la encuesta, realizaron un gráfico que les permitió comparar al interior de cada género las respuestas obtenidas y a su vez hacer una comparación entre géneros haciendo conjeturas desde los datos. 285
296 EDAD: GÉNERO: Femenino Masculino 1. Cuando habla de sexualidad, lo hace en: Padres Profesores Amigos a. CASA con: Hermanos b. COLEGIO con: Compañeros c. BARRIO con: Desconocidos Otros familiares CONCLUSIONES Los resultados parciales de esta investigación, admiten la definición de las siguientes reflexiones. En las primeras intervenciones, los estudiantes centran sus razonamientos sobre preguntas del fenómeno; para el tema embarazos a temprana edad, los estudiantes desean conocer opiniones, actitudes y comportamientos desde diferentes contextos (estudiantes, padres, instituciones, hospitales), sin reconocer lo complejo que resulta para el desarrollo del proyecto conocer en profundidad el tema, además, no tienen claridad si las preguntas formuladas pueden ser analizadas e interpretadas de forma estadística. El desarrollo del proyecto embarazos a temprana edad, en las etapas siguientes, permite evidenciar que los participantes desarrollaron capacidades para definir el problema a investigar, diseñar los instrumentos para obtener la información, identificar los datos a recolectar, organizar la información obtenida a través de tablas y gráficos y realizar unos primeros análisis a través de comparaciones entre géneros sobre la misma pregunta; así mismo, al hacer una relación con las categorías del razonamiento estadístico propuesta por Garfield, del Mas y Chance (1999), estos resultados dan cuenta de que los estudiantes han logrado identificar más de una característica en el desarrollo del proyecto, aunque todavía falta integrarlas entre sí. El desarrollo de proyectos en la clase de estadística se convierte en una herramienta que fortalece el interés y la motivación de los estudiantes, con mayor fuerza cuando son ellos mismos quienes eligen el tema a investigar. REFERENCIAS Batanero, C. y Díaz, C. (2011). La estadística por proyectos. Granada: Departamento de Didáctica de la Matemática. Universidad de Granada. Batanero, C., y Díaz, C. (2004). El papel de los proyectos en la enseñanza y aprendizaje de la estadística. En J. Patricio Royo (Ed.), Aspectos didácticos de las matemáticas (pp ). Zaragoza: ICE Cobb, P. y McClain, K. (2004). Principles of instructional design for supporting the development of students' statistical reasoning. En D. Ben Zvi y J. Garfield (Eds.), The challenge of developing statistical literacy, reasoning and thinking (pp ). New York: Springer. Garfield, J. y Ben-Zvi, D. (2008). Developing students statistical reasoning: Connecting research and teaching. New York: Springer. 286
297 Garfield, J. y del Mas, R. (2003). Web based assessment resource tools for improving statistical thinking. Reunión Anual de la American Educational Research Association. Chicago. Garfield, J., del Mas, R. y Chance, B. (1999). Exploring the role of computer simulations in developing understanding of sampling distributions. En Annual Meetings of the American Educational Research Association. Quebec, Montreal. Holmes, P. (1997). Assessing project work by external examiners. En I. Gal y J. Garfield (Eds.), The assesment challenge in statistics education (pp ). Voorburg: IOS Press. Wild, C. y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67 (3),
298 EFECTOS DE LA SIMULACIÓN COMPUTACIONAL EN LA COMPRENSIÓN DE LA DISTRIBUCIÓN BINOMIAL Y LA DISTRIBUCIÓN DE PROPORCIONES Johanna Martínez y Gabriel Yáñez Universidad Industrial de Santander (Colombia) carolinamartinez47@hotmail.com, gyanez@uis.edu.co En este trabajo se presenta un proyecto de investigación que se basa en el enfoque instrumental para describir el efecto que tiene la simulación computacional en la comprensión de la distribución binomial y la distribución de proporciones. PALABRAS CLAVE Distribución binomial, distribución de proporciones, simulación computacional, enfoque instrumental. INTRODUCCIÓN La distribución binomial es una de las distribuciones discretas más importantes ya que muchas aplicaciones prácticas, donde se espera que ocurra o no un evento específico, pueden ser modeladas mediante esta distribución. Sin embargo, los estudiantes presentan una perspectiva muy limitada en la comprensión y aplicación de la distribución binomial en la resolución de problemas de este tipo (Mayén et al., 2013). Otras fuentes de dificultad asociadas a situaciones binomiales son algunos sesgos cognitivos, como el sesgo de linealidad y el sesgo de equiprobabilidad, que han sido reportados por Vergara (2008), Landín y Sánchez (2010), y Mayén et al. (2013). Enunciar un modelo de probabilidad exige una respuesta estadística para estimar los parámetros del modelo, en el caso de la binomial se trata de estimar el parámetro ya que el otro parámetro característico de la binomial, el tamaño, es siempre conocido. Esta estimación, en particular, la estimación por intervalos exige estudiar previamente las distribuciones muestrales, en este caso, asociadas con las proporciones muestrales. Los estudios que se han realizado para conocer el grado de comprensión de los estudiantes acerca de las distribuciones muestrales como un paso previo hacia la inferencia estadística, si bien algunos han sido abordados a través de simulación, generando muestras de cierto tamaño y analizando las distribuciones empíricas correspondientes, se han realizado con estudiantes que han estudiado la distribución binomial desde el punto de vista algebraico (Inzunsa, 2006). Es por esta razón que en esta investigación se pretende abordar con simulación computacional no solamente las distribuciones muestrales asociadas a proporciones, sino también la construcción misma del razonamiento binomial con estudiantes que no hayan estudiado previamente la distribución binomial, ya que las simulaciones para la distribución binomial y la distribución de proporciones responden n p
299 exactamente a la misma estructura: definir el espacio muestral, generar muestras de determinado tamaño, definir una medida y, por último, estudiar las distribuciones de los resultados. MARCO DE REFERENCIA En este estudio se asumirá el enfoque instrumental, ya que permite hacer explicita la relación sutil entre el uso de la herramienta y el proceso de toma de significado, así como estudiar, diseñar y evaluar este proceso (Trouche y Drijvers, 2010, p. 674). Por lo tanto, desde este enfoque teórico se analizará el impacto que tiene Fathom como herramienta tecnológica en los procesos de conceptualización que adquieren los estudiantes sobre la distribución binomial y su importancia en el proceso de estimación, a través del proceso de génesis instrumental, donde Fathom se convierte en un instrumento de actividad matemática. Desde esta perspectiva, en los procesos de enseñanza y aprendizaje se distingue entre un artefacto, que es un hecho u objeto y un instrumento, que es un constructo psicológico, el instrumento no viene dado con el artefacto (Verillon y Rabardel, 1995). El proceso en el cual el artefacto se convierte en instrumento es un proceso complejo que necesita tiempo y está vinculado a las características del artefacto (sus potencialidades y sus limitaciones), además depende de la actividad del sujeto, de su conocimiento y de su método de trabajo. Artigue (2002) define este proceso de construcción como génesis instrumental e involucra dos componentes: la instrumentalización y la instrumentación. La instrumentalización es un proceso dirigido hacia el artefacto, donde intervienen varias fases: una fase de descubrimiento y selección de las funciones relevantes o elementos pertinentes; una fase de personalización, donde se ajusta el artefacto dependiendo de las necesidades del sujeto; y una fase de transformación del artefacto, en la cual el sujeto utiliza el artefacto en direcciones no planificados por el diseñador: la modificación de la barra de tareas, creación de atajos en el teclado, entre otras. Es decir, en este proceso la persona aprende a usar el artefacto y a reconocer sus funciones, adaptándolo a sus necesidades. La instrumentación es un proceso dirigido hacia el sujeto, conducido al desarrollo o a la apropiación de los esquemas de acción instrumentada que se constituyen progresivamente en técnicas que le permiten al sujeto dar una respuesta efectiva a tareas dadas. Según Trouche (2004) durante este proceso el artefacto imprime su marca en el sujeto, es decir, le permite desarrollar una actividad dentro de algunos límites, las restricciones del artefacto. Del mismo modo, en tanto el sujeto se apropia del artefacto, desarrolla esquemas mentales. Trouche (2004) define la noción de esquema, retomando ideas de Vergnaud (1996) como una manera más o menos estable para hacer frente a situaciones específicas o tareas. Como un esquema es parte de un instrumento, hablamos de un esquema de instrumentación. Dentro de los esquemas de utilización, se distinguen esquemas de acción instrumentada y esquemas de uso. 289
300 Trouche y Drijvers (2010) señalan que los profesores deben acompañar el proceso individual de instrumentación que transformará el artefacto en un instrumento. Esta dirección externa de la génesis instrumental de los estudiantes ha sido introducida por Trouche (2005) con la noción de orquestación instrumental, la cual define como la organización intencional que permite articular el diseño, el tiempo y la implementación de secuencias didácticas concebidas para orientar el proceso de génesis instrumental en los estudiantes. La metáfora de orquestación instrumental resalta la importancia de los instrumentos para desarrollar las actividades matemáticas y destaca el rol del profesor, que se ve como un director de orquesta al guiar los procesos de instrumentación con el reconocimiento de nuevas técnicas instrumentadas propuestas por los estudiantes para convertir el artefacto en un instrumento matemático eficaz. ASPECTOS METODOLÓGICOS Esta investigación es de tipo cualitativo, ya que intenta explicar el impacto que tiene la simulación computacional en la comprensión de la distribución binomial y la distribución de proporciones. Los sujetos de estudio son un grupo de 6 estudiantes de undécimo grado de educación media vocacional entre los 16 y 17 años de una institución de educativa de Bucaramanga (Santander, Colombia) que no han tenido un curso previo de probabilidad. Las técnicas que usadas serán: la observación, la cual se centrará en la actividad instrumentada de los estudiantes durante el periodo de intervención en el aula; el dialogo permanente, con el fin de indagar sobre el razonamiento de los estudiantes y sus avances conceptuales y los instrumentos para la recolección de la información serán: diario de campo, talleres escritos de cada actividad, los archivos de computador y registro audiovisual de cada actividad. El diseño e implementación de actividades apoyadas en simulación computacional relacionados con el uso de Fathom como herramienta tecnológica, será introducida a través de modelos de urna en dos fases: una primera fase que conduce a la distribución binomial y una segunda fase que conduce a la distribución muestral de las proporciones. Este proceso de simulación se realizará primero físicamente como lo recomiendan algunos autores como Inzunsa (2006), Alvarado y Segura (2012), entre otros, para hacer menos abstractos los conceptos y procedimientos utilizados y para que el estudiante en alguna forma perciba el experimento en sí mismo. Posteriormente y ante la necesidad de realizar muchas extracciones, se pasará a la simulación computacional; con esto se espera evitar que el estudiante se cree ideas erróneas al sacar conclusiones a partir de pocos datos, porque con pocos datos hay mucha variabilidad. El proceso de simulación computacional en Fathom se realiza en tres pasos: 1. Se define la población asociada al problema. 2. Se extraen de esa población muestras de tamaño m (random samples) 3. Se calcula el estadístico de interés y se toman muchas muestras. Como resultado de este proceso se obtiene un conjunto de medidas (una variable aleatoria). 290
301 DESARROLLO DE LA PROPUESTA Para entender el trabajo de simulación en Fathom y las posibles ventajas de su implementación en la enseñanza, a continuación se presenta un ejemplo de modelo de urna para la primera fase que conduce a construcción de la distribución binomial. En una urna que contiene 2 bolas azules y 3 bolas rojas, si se realizan cinco extracciones con sustitución, cuál es la probabilidad de obtener exactamente 2 bolas azules? Una manera de simularlo es definiendo un atributo que dé cuenta del espacio muestral con su medida de probabilidad. Nótese que esta definición define el éxito: los dos 1 que se asocian con las dos bolas azules, y el fracaso: los tres 0 que responden a las tres bolas rojas. Figura 1. Espacio muestral Luego en el menú de Fathom en la opción colecction se toma la opción sample cases. Para esta colección de muestras obtengo una tabla y haciendo doble click en ella defino las características de la muestra, es decir, el número de extracciones especificando que es con reemplazo, de esta manera para garantizar que la probabilidad sea constante; se define la medida (measure ) count del número de bolas azules (de valor 1). Figura 2. Colección de muestras Continuamos oprimiendo click derecho en la colección de la muestras y se da la opción de collect measure que permite generar la cantidad de muestras que se quieran y calcular el número de bolas de la muestra. Los resultados de estas medidas se tratan como un atributo, es decir, se puede representar gráficamente para poder analizar su distribución lo que permite estimar la probabilidad requerida conjuntamente con todos los demás valores posibles. 291
302 Figura 3. Colección de medidas Al tener la posibilidad de visualizar la distribución se pueden plantear preguntas más concretas como: determinar la probabilidad de que en diez extracciones cinco sean azules, ya que en el histograma podemos apreciar cuántas veces se obtuvo muestras con 0 azules, 1 azul, 2 azules, n azules. Si bien la gráfica permite estimar la probabilidad de cualquier valor posible (0, 1, 2,, n) su verdadera utilidad se asocia con la forma de la distribución, con su valor central (media) y con su dispersión (desviación estándar). CONCLUSIONES Es pertinente resaltar el carácter de estimación que posee en sí misma la simulación, pues la simulación nunca produce resultados definitivos, solo se trata de aproximaciones o estimaciones a las probabilidades buscadas, tal como corresponde al enfoque frecuencial de la probabilidad. Esto hace que este abordaje de la distribución binomial sea de tipo estadístico en contraposición al modelo basado en un razonamiento matemático característico de prácticamente todos los libros de texto. Si bien la simulación no produce los resultados exactos que da la función de probabilidad para la distribución binomial, suponemos que sí prepara mejor a los estudiantes para afrontar el proceso inverso de estimar la probabilidad de éxito cuando se conoce el resultado de algunas extracciones. Además de dar respuestas aproximadas a las probabilidades requeridas, el proceso va a permitir reflexionar sobre los aspectos que caracterizan a las variables aleatorias binomiales: su media y la cantidad de extracciones realizadas o veces que se repite el mismo experimento (extraer una bola de la urna). Para percibir la importancia sobre la forma de la curva y sus valores, basta cambiar estos parámetros en la programación realizada y comparar las diferentes gráficas que se producen. Ahora, si en lugar de calcular las frecuencias absolutas, asociadas al número de bolas blancas extraídas en las m extracciones, se trabaja con las frecuencias relativas, se obtienen curvas restringidas al intervalo (0,1) que permiten observar mucho mejor los cambios sufridos cuando se aumenta el tamaño muestral. La implementación de esta propuesta en el salón de clase exige un diseño didáctico que, además de un intenso trabajo personal, comprenda la realización de trabajos 292
303 compartidos entre los estudiantes que les permitan intercambiar libremente sus concepciones en la medida que se vayan construyendo. REFERENCIAS Alvarado, H., y Segura, N. (2012). Significado de las distribuciones muestrales en textos universitarios de estadística. Revista Electrónica de Investigación en Educación en Ciencias, 7 (2), Artigue, M. (2002). Learning mathematics in a CAS environment: The genesis of a reflection about Instrumentation and the dialectics between technical and conceptual work. International Journal of Computers for Mathematical Learning, 7 (3), Inzunsa, S. (2006). Significados que estudiantes universitarios atribuyen a las distribuciones muestrales en un ambiente de simulación computacional y estadística dinámica. Tesis de doctorado. México: CINVESTAV - IPN. Landín, P. y Sánchez, E. (2010). Niveles de razonamiento probabilístico de estudiantes de bachillerato frente a tareas de distribución binomial. Educação Matemática Pesquisa, 12 (3), Mayén, S., Salazar, A., y Sánchez, E. (2013). Niveles de razonamiento frente a problemas binomiales. En J.M. Contreras, G.R. Cañadas, M.M. Gea y P. Arteaga (Eds.), Actas de las Jornadas Virtuales en Didáctica de la Estadística, Probabilidad y Combinatoria (pp ). Granada, Departamento de Didáctica de la Matemática, Universidad de Granada. Vergara, M. (2008). Concepciones personales de la distribución binomial en un ambiente computacional: Un estudio con profesores en formación. Trabajo de grado.,bucaramanga, Colombia: Universidad Industrial de Santander. Trouche, L. (2005). Construction et conduite des instruments dans les apprentissages mathématiques: Nécessité des orchestrations. Recherches en didactique des mathématiques, 25 (1), Trouche, L. (2004). Managing complexity of human/machine interactions in computerized learning environments: Guiding students command process through instrumental orchestrations. International Journal of Computers for Mathematical Learning, 9, Trouche, L., y Drijvers, P. (2010). Handheld technology for mathematics education: Flashback into the future. ZDM, The International Journal on Mathematics Education, 42 (7), Vergnaud, G. (1996). Au fond de l apprentissage, la conceptualisation. IEn R. Noirfalise ym.j. Perrin (Eds.), Actes de l e cole d e te de didactique des mathe matiques (pp ). Clermont-Ferrand: IREM, Universite Clermont-Ferrand 2. Verillon, P. y Rabardel, P. (1995). Cognition and artifacts: A contribution to the study of thought in relation to instrument activity. European Journal of Psychology in Education, 9 (3),
304 LA SIMULACIÓN COMPUTACIONAL Y LA PROBABILIDAD CONDICIONAL July Celis y Gabriel Yáñez Universidad Industrial de Santander (Colombia) karinitacelis@yahoo.es, gyanez@uis.edu.co En esta comunicación presentamos los avances de una investigación que pretende identificar los efectos de la simulación computacional en la comprensión y en la capacidad de resolver problemas de probabilidad condicional de estudiantes universitarios. Se propone la simulación como herramienta para resolver problemas de probabilidad condicional cuando no se conoce la estructura matemática que subyace a esos procesos. Además buscamos argumentos para garantizar que a través de la simulación computacional se puede favorecer la comprensión de procesos subyacentes a la probabilidad condicional, en particular, el razonamiento bayesiano. PALABRAS CLAVE Probabilidad condicional, enfoque frecuencial, simulación computacional, resolución de problemas. INTRODUCCIÓN Recordemos que la probabilidad condicional da cuenta del efecto que tiene la realización de un evento condicionante en la probabilidad de un evento condicionado. Su enseñanza y aprendizaje se ha realizado tradicionalmente adoptando casi que exclusivamente la expresión algebraica: P( A y B) P( A B) P( B) 0 P( B) Esta expresión, envuelve en sí, dificultades cuando se requiere su uso para resolver problemas. No obstante que existen numerosas investigaciones en este campo que reportan las dificultades y las malas concepciones que los estudiantes se forman alrededor de este concepto (Contreras, 2011), no conocemos estudios que intenten explicar las razones por las cuales éstas se generan. Podría pensarse que una de las causas más influyentes sea la adopción de la medida de probabilidad desde el punto de vista clásico o laplaciano sin ninguna referencia a su interpretación frecuencial lo que conlleva un énfasis exagerado en la representación algebraica. Si bien es cierto que desde hace un tiempo se ha generado entre la comunidad de estudiosos de la estadística educativa el interés por estudiar los efectos que podría tener el enfoque frecuencial de la probabilidad en la comprensión del concepto de probabilidad y de su modelación para resolver problemas prácticos (Serrano, 1996), también es cierto que en lo referente a la probabilidad condicional las investigaciones ya no son tan numerosas (Yáñez, 2003), razón por la cual vale la pena preguntarse
305 hasta qué tanto sería benéfica para generar en los estudiantes una mejor comprensión y competencia para resolver problemas que se modelen con probabilidad condicional. Presentamos en este trabajo algunas reflexiones acerca de las bondades que a priori se pueden suponer posee el enfoque de simulación computacional en la comprensión de la probabilidad condicional. MARCO DE REFERENCIA A pesar de que la probabilidad condicional es tratada de manera implícita en algunos grados de escolaridad, por medio de uso de problemas que son resueltos a través de diferentes representaciones como tablas de doble entrada o diagramas de árbol, además de requerirse su razonamiento en la toma de algunas decisiones en la vida cotidiana, las investigaciones identifican la prevalencia de intuiciones incorrectas, sesgos de razonamiento y errores de comprensión y aplicación del concepto de probabilidad condicional. Falk (1986) expone algunos problemas con la probabilidad condicional, uno es la llamada falacia de la condicional transpuesta, que se refiere a la confusión de Ρ(A B) con Ρ(B A), generado, tal vez, por la imprecisión del lenguaje natural. Cuando se escribe una probabilidad condicional usando la notación matemática, es claro cuál es el suceso condicionante y cuál el condicionado, pero en el lenguaje natural las cosas no siempre son tan claras.. Falk observó este error en problemas de contextos médicos, donde se confunde la probabilidad de que una persona tenga una enfermedad cuando el test diagnóstico le ha dado positivo, con la probabilidad de obtener un test diagnóstico positivo dado que tiene la enfermedad, y mostró cómo este error puede tener consecuencias importantes. Falk además reporta la denominada falacia del eje temporal en donde el individuo no considera que la probabilidad de un evento que ocurre en la línea del tiempo, en un momento posterior, pueda influir en la probabilidad de ocurrencia de un evento que es anterior en el tiempo. Konold (1989) describe un experimento de enseñanza con el uso del computador. Entre sus resultados muestra que algunos estudiantes cambian sus interpretaciones probabilísticas después de una etapa de instrucción, en tanto que otros no lo hacen y persisten en la defensa de ideas que se han obtenido antes de sus cursos de probabilidad, en situaciones de incertidumbre, en donde es común en su lenguaje el uso de términos probabilísticos como azar, independencia, probable, suerte. Entre los resultados famosos de Konold (1991) está el enfoque en el resultado aislado, en el que el individuo solo se preocupa del próximo resultado sin referencia a los resultados previos o posteriores, en contravía total con el enfoque frecuencial de la probabilidad. En la lectura y análisis de Yáñez (2003) se encuentra que la simulación computacional de la probabilidad permite superar algunos de los sesgos o malas concepciones que los estudiantes poseen sobre las secuencias aleatorias o sobre el valor de las probabilidades en experimentos compuestos. Uno de estos sesgos es el olvido de la 295
306 tasa de base, que los estudiantes que participaron en su investigación dieron señales de poseerlo en el cuestionario diagnóstico pero que después en otras evaluaciones posteriores no se volvió a presentar. Yáñez (2003) lo atribuye al uso de la simulación o las tablas, que implican necesariamente la consideración de la tasa de base. DESARROLLO DE LA PROPUESTA Para ejemplificar el trabajo de simulación y visualizar las posibles ventajas que podría tener su implementación en el trabajo de clase asociado con la probabilidad condicional, se plantea la siguiente situación tomada de Falk (1979): Una urna tiene en su interior dos bolas blancas y dos bolas negras. Se extraen dos bolas sin reemplazar la primera. 1) Cuál es la probabilidad de que la segunda bola sea blanca, dado que la primera bola fue blanca? 2) Cuál es la probabilidad de que la primera bola sea blanca, dado que la segunda fue blanca? En notación matemática la primera pregunta pide calcular la probabilidad condicional Ρ(B2 B1) en tanto que en la segunda se indaga por la condicional inversa: Ρ(B1 B2) La solución a la primera pregunta es bien intuitiva pues habiendo sacado ya una bola blanca y teniendo en cuenta que no se sustituye, en la urna quedarán tres bolas, dos negras y una blanca, por lo tanto Ρ(B2 B1)=1/3. La segunda pregunta, en cambio, es mucho más exigente, su solución desde el punto de vista algebraico requiere de la regla de Bayes, que no es para nada fácil de comprender, no solo por su complejidad algebraica sino porque se opone a la concepción temporal de la probabilidad condicional que muchas personas asumen: la segunda extracción no puede condicionar al evento que sucede previamente: la primera extracción (Falk, 1986; Gras y Totohasina, 1995). Esta concepción lleva a las personas a asignar a esta probabilidad el valor ½. La solución algebraica es la siguiente: P( B2 B1) P( B1) P( B2 B1) P( B1) P( B1 B2) P( B2) P( B1) P( B2 B1) P( N1) P( B2 N1) Ahora veamos cómo se resuelve el mismo problema utilizando simulación. Utilizamos el paquete Fathom. Para ello basta definir los atributos que hacen referencia a las dos extracciones, 1 3 Esta programación da lugar a una tabla de resultados como la que se muestra en la Figura 1. Para estimar Ρ(B2 B1) lo que hay que tener claro es que en el enfoque frecuencial la probabilidad se aproxima por las frecuencias relativas asociadas a la realización del evento que se está estudiando. En este caso se trata de contar las veces que se obtiene blanca en la segunda extracción (B2) cuando en la primera se obtuvo blanca (B1), es decir, se trata de contar las veces en que estas dos cosas se dan 296
307 conjuntamente y calcular las frecuencias relativas respecto al número de veces que sucede el evento condicionante. Ahora bien, lo que es más interesante es que para estimar Ρ(B1 B2)el razonamiento es exactamente el mismo: el numerador es el mismo de la primera pregunta, y como ahora el condicionante es extraer blanca en la segunda (B2), el denominador es el número de veces que se obtuvo blanca en la segunda extracción. En esencia, desde el punto de vista frecuencial, los dos procedimientos son completamente semejantes, cosa muy distinta en el plano algebraico que exige la utilización del teorema de Bayes para resolver la segunda pregunta. Adicionalmente, obsérvese que este enfoque permite darse cuenta que el asunto del antes o después, asociado a la concepción temporal o la denominada falacia del eje temporal (Falk, 1986); no tiene sustento porque la probabilidad condicional es una frecuencia relativa asociada a las repeticiones favorables a los dos eventos en cuestión sin consideraciones temporales. CONCLUSIONES La simulación como estrategia de enseñanza de la probabilidad condicional goza, entre otras, de las siguientes propiedades: Vivencia paso a paso del experimento lo que permite identificar la condicionalidad y, por consiguiente, la independencia o no entre eventos. La definición de la condicionalidad a través del comando if puede permitir con mayor claridad la identificación de los eventos condicionante y condicionado. Además del reconocimiento de las tasas base requeridas para realizar la programación inicial al asignar valores de probabilidad, al definir el espacio muestral y la distribución de probabilidad del problema estudiado. Al tener los dos atributos, haciendo referencia a las columnas del formato matricial que nos ofrece el software, asociados a la primera y segunda extracción, con los valores de las diferentes opciones posibles en diferentes extracciones, producto de repeticiones del experimento, muy seguramente este permitirá conjeturar, analizar y finalmente ayudará a combatir el sesgo en el resultado aislado de Konold (1991) en que el individuo se interesa por un resultado específico, sin acabar de comprender que la probabilidad solo se refleja en los resultados de muchas repeticiones del experimento (ley de los grandes números). Figura 1. Pantalla de visualización problema de la urna en Fathom 297
308 El software ofrece diferentes herramientas que facilitan la solución de un problema, además de que permite diferentes formas y el uso de diferentes representaciones para resolverlo, incentivando la coordinación entre ellas, y permitiendo al mismo tiempo dar cuenta del nivel de comprensión del individuo (Duval, 1999). En el caso del problema de urnas de Falk (1979), por ejemplo, se observa que la simulación identifica claramente que se trata de un problema de dos dimensiones y que, por consiguiente, las probabilidades conjuntas, mejor dicho, las frecuencias relativas conjuntas, se constituyen en la primera prelación. Con el espacio muestral bivariado construido, no hay lugar para pensar que un evento sucede antes o después y que lo único importante a la hora de calcular probabilidades condicionales es conocer quién juega el papel de evento condicionante y quién de condicionado. Precisamente, en los experimentos diacrónicos, que es donde se presenta la concepción temporal, son los que más fácilmente permiten identificar estos eventos. En otras palabras, en el proceso mismo de la simulación se reconoce la equivalencia que existe entre la versión diacrónica (una bola después de la otra, sin sustitución) y la versión sincrónica (extraer simultáneamente las dos bolas). REFERENCIAS Contreras, J.M. (2011). Evaluación de conocimientos y recursos didácticos en la formación de profesores sobre probabilidad condicional. Tesis de doctorado. Granada: Universidad de Granada. Duval, R., (1999), Semiosis y pensamiento humano. Registros semióticos y aprendizajes intelectuales. Tradución del Instituto de Educación y Pedagogía, en la Universidad del Valle, del original Sémiosis et Pensée Humaine. Registres sémiotiques et apprentissages intellectuals. France: Peter Lang. Falk, R. (1986). Conditional probabilities: Insights and difficulties. Proceedings Second International Conference on the Teaching of Statistics (pp ). Quebec, Canada: University of Victory. Falk, R. (1979). Revision of probabilities and the time axis. Proceedings of the Third International Conference for the Psychology of Mathematics Education (pp ). England: Warwick. Gras, R. y Totohasina, A. (1995). Chronologie et causalité, conceptions sources d obstacles épistémologiques à la notion de probabilité conditionnelle. Recherche en Didactique des Mathématiques, 15, (1), Konold, C. (1991). Understanding students beliefs about probability. En E. Von Glasersfeld (Ed.), Radical Constructivism in Mathematics Education (pp ). Dordrecht, The Netherlands: Kluwer Academic Publishers. Konold, C. (1989). Informal conceptions of probability. Cognition and Instruction, 6, Serrano, L. (1996). Significados institucionales y personales de objetos matemáticos ligados a la aproximación frecuencial de la enseñanza de la probabilidad. Tesis de doctorado. Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Yáñez, G. (2003). Estudios sobre el papel de la simulación computacional en la comprensión de las secuencias aleatorias, la probabilidad y la probabilidad condicional. Tesis de doctorado. México: CINVESTAV - IPN. 298
309 ESTRATEGIAS DE JUEGO: EL CASO DEL BALOTO Leidy Portilla, Andres Quintero y Tulia Rivera Universidad Industrial de Santander (Colombia) ladyporti90@hotmail.com, quintero.andres7@gmail.com, trivera@uis.edu.co En este trabajo es el fruto de un ejercicio de clase que pretendía encontrar la mejor estrategia de juego en el caso del baloto en Colombia. El análisis se basa en el uso de elementos básicos de probabilidad y estadística y los datos provenientes del registro histórico de éste juego. Dentro de los hallazgos más importantes está la verificación de la imparcialidad en el juego, no es válido asumir sesgos en el mecanismo de selección. En cuento a las estrategias de juego sólo encontramos cierta utilidad práctica al uso conjunto de números con alta y baja frecuencia de ocurrencia; otras estrategias basadas en la observación de patrones al interior de las combinaciones obtenidas en cada sorteo no muestran ser promisorias y por el contrario agregan varios elementos a evaluar que dificultan la decisión de qué números jugar. PALABRAS CLAVE Estrategias de juego, probabilidad y juegos de azar, baloto. INTRODUCCIÓN Los juegos de azar logran despertar gran interés en cierto sector de la población. En el caso de Colombia, país que puede ser considerado de apostadores, el gasto en juegos de azar no es despreciable a tal punto que hoy día éste es considerado un rubro de la canasta familiar. Desde 2001 aparece el baloto que es una lotería que juega dos veces por semana, consiste en extraer seis números de una urna con cuarenta y cinco balotas numeradas, se gana al acertar los números sin importar el orden. El juego acumula el premio hasta que haya un ganador, a nivel local se reconoce como el juego que ofrece los premios más grandes en la historia del país. MARCO DE REFERENCIA Hay una inmensa mayoría de escépticos que no juega basados en su mala suerte, por admitir que la probabilidad de ganar es muy baja o por tener dudas sobre la imparcialidad del juego; sin embargo, en Colombia cada semana se venden cerca de tres millones de tiquetes del baloto. A la fecha, en 1373 sorteos han habido 60 ganadores; sorprende el hecho que durante el primer semestre de ya hay un número de ganadores superior al observado en años anteriores (Figura 1.b). La explicación puede ser la aparición desde finales de 2012 de una segunda opción de ganar llamada Revancha y por ende un mayor número de tiquetes vendidos o el uso de estrategias de juego más efectivas.
310 ASP ECT OS MET ODO LÓG ICOS Figura 1.a: Frecuencias relativas observadas a junio 18 de. La probabilidad teórica, línea punteada en la gráfica, es de 2.2%. Según indicó la gerente de G-Tech, compañía nivel. que administra la red Vía Baloto en Colombia ( Lo que usted no sabe del multimillonario juego del Baloto, Portafolio.co, enero 22 de.), es casi igual la cantidad de compradores que piden generar el meganúmero (número de 6 dígitos) en forma automática a aquellos boletos con números escogidos por el mismo jugador. Sobre este segundo grupo, los resultados de un sondeo hecho con compradores del juego sobre la forma cómo escogían los números del baloto y algunas referencias donde se estudian estrategias para intentar hacer una elección racional del meganúmero sirvieron de base para definir el contenido de este trabajo (Gianella, 2013; Jorgensen, Suetens y Tyran, 2011; Chen, Yan y Chen, 2010). Cada estrategia es analizada a la luz de elementos básicos de probabilidad y usando las frecuencias observadas hasta el sorteo 1373 para predecir qué puede pasar en los cuatro sorteos siguientes ( DESARROLLO DE LA PROPUESTA Figura 1.b. El número de ganadores por año oscilaba entre 3 y 6, desde 2011 describe una tendencia creciente que en ya alcanza su máximo El siguiente resumen integra estrategias y creencias estadísticas alrededor del juego del Baloto: 1. El número de la suerte. Es la estrategia más popular, se basa en incluir fechas importantes, números de grata recordación, fecha del día, números vistos en sueños, etc. Estrategia que carece de racionalidad, su éxito es ocasional. Por ejemplo, la probabilidad que una combinación del baloto contenga dos números en particular, ejemplo el mes y el día es de 1.5%. 2. La perseverancia. La estrategia consiste en jugar siempre los mismos números. Puede funcionar, la ley de los grande números garantiza que algún día caerá ese número pero debe ser claro que no por jugar el mismo número varias veces se aumenta la probabilidad de ganar, cada repetición del juego es independiente y mantiene constante la probabilidad de éxito de cada combinación. 3. Números nuevos vs. números viejos. Es una estrategia muy popular y se usa en los dos sentidos, apostar a los números nuevos porque vienen en racha o apostar a los números viejos, es decir, los que llevan tiempo sin salir. Esta estrategia funciona tal 300
311 como la falacia del jugador. La Figura 1.a. muestra a 2, 15 y 24 como los números más frecuentes y las balotas 34 y 38 con las menores frecuencias observadas según el registro histórico. Al discriminar por año, sólo 23 y 37 se repiten en forma considerable como número menos frecuente. Como número más frecuente por año se destaca la balota 43 seguida por 2, 3, 15, 20, 21, 35 y 40. Año Baja Frecuenca Alta Frecuencia Año Baja Frecuenca Alta Frecuencia 01 26,35,23,42,7,8 40,43,28,13,15, ,11,17,20,34,9 3,35,36,45,21, ,34,7,17,22,29 6,16,35,44,30, ,37,25,32,18,39 2,27,29,9,40,6 03 6,8,13,18,35,37 7,20,26,28,42, ,43,41,31,5,7 19,18,8,17,15, ,32,1,17,27,30 33,45,36,31,21, ,5,41,4,26,38 3,24,39,15,16, ,28,37,1,39,23 27,10,35,43,3,4 12 4,14,38,8,33,37 20,21,22,26,19, ,36,3,26,13,6 20,39,23,33,43, ,38,20,5,15,23 31,39,43,40,11, ,22,27,37,31,10 23,29,4,26,9,2 14 3,10,25,32,35,36 20,13,43,15,17,40 Tabla 1. Comportamiento de los 1373 sorteos realizados hasta junio 14 de. Para cada año se indican los seis números con mayor y menor frecuencia, los valores aparecen en orden descendente, es decir para cada año el primer número registrado es el que tiene menos conteos Como resulta lógico, un jugador usaría la información más reciente, en este caso lo observado hasta junio 14 de para participar en el sorteo Según esto el jugador debería escoger números dentro de los doce que aparecen en la parte final de la Tabla 1. A la fecha de hoy, 29 de junio ya conocemos los resultados de los cuatro sorteos siguientes: Sorteo Combinación Ganadora 1, 3, 11, 27, 34,36 1, 9, 21, 24, 28, 43 5, 16, 20, 21, 28, 40 8, 14, 22, 34, 37, 44 Bajo esta misma perspectiva del juego, otra opción que también resulta razonable es hacer una elección que combine números nuevos con números viejos acorde a un período de tiempo reciente. Para ilustrarlo tomaremos el primer semestre (enero a junio) de cada año y los cuatro primeros sorteos realizados en julio: Primer semestre del año Añ o Números Viejos Número s Nuevo Resultados cuatro primeros sorteos de julio de cada año 01 12,20,23,32,37,4 9,11,21,34,39,42 8,24,33,36,38,44 14,18,21,22,28,3 7,8,9,23 1, ,26,35,40,43,45 1,11,16,20,40,41 1,27,36,38,41,43 1,3,6,7,24, ,14,20,27,30,33 12,17,22,26,27,3 1,2,23,28,32,40 9,24,27,28,32,39 6,12 3, ,23,31,35,38,4 8,10,16,19,23,41 1,26,27,28,37,39 4,9,14,26,27, ,36, ,11,19,27,43,4 4,10,13,15,19,41 3,8,13,24,27,35 7,10,12,24,25, ,8,19,24,29,39 3,4,14,16,27,32 15,17,20,22,25, ,11,32 6,21,25,26,31,39 1,11,23,29,32,33 2,3,13,21,33,38 1,2,13,20,26,27 301
312 ,10,12,15,16,22 3,14,26,33,39,42 4,7,13,15,44,45 2,5,9,11,21, ,6,15,22,27,33 12,17,19,29,39,4 2,6,7,16,20,31 1,4,5,12,13,39 32,39 19,27, ,10,22,27,29,34 6,14,20,24,37,38 3,7,11,14,17,23 9,18,19,21,29, ,17,20,31,39,4 1 9,11,21,25,29,40 6,7,24,30,36,39 10,22,33,39,43, ,6,17,27,32,44 3,4,14,24,25,30 2,12,21,33,34,42 3,13,19,26,29, ,6,9,16,28,40 3,9,10,17,26,44 19,29,30,34,38,4 4,13,16,21,30, , ,10,25,32,35,3 1,3,11,27,34,36 1,9,21,24,28,43 5,16,20,21,28,40 8,14,22,34,37, ,17,40 Tabla2. En las columnas dos y tres aparecen los números con las frecuencias más bajas y más altas en cada primer semestre del año, en las columnas de la derecha aparecen las combinaciones ganadores de los cuatro sorteos siguientes al período de referencia. Resaltados en negrilla y rojo aparecen los números viejos y nuevos respectivamente, que figuran en alguna de las cuatro combinaciones ganadores. Otra forma de abordar el uso de los números viejos es intentar ver alguna regularidad respecto a la longitud de las rachas sin salir de cada número. En tal sentido encontramos que la distribución de la longitud de las rachas es siempre asimétrica a derecha, hay presencia de valores extremos (ver Figuras 2a y 2b). Para cada número se presenta gran variabilidad presentando picos, por ejemplo la balota 9 en 2005 tuvo la racha más larga sin salir, 62 sorteos. Sin embargo, las medianas de la longitud de las rachas sin salir se ubican en 5 ó 6, solo para la balota 30 es de 4. Figura 2a. Figura 2b. Si fuésemos a usar los números con las rachas más largas sin salir deberíamos considerar: Balota Longitud Racha sin salir
313 Si revisamos los números seleccionados en el sorteo 1374 vemos que salió 36, el que llevaba la racha más larga sin salir, 35 sorteos, luego en el sorteo 1375 salió el 9 y en el 1377 salió el En busca de una regularidad. Se basa en la suposición que no todas las combinaciones aparecen con igual frecuencia, habrían algunas más frecuentes. Para agilizar la búsqueda de patrones de comportamiento en las combinaciones se convirtió cada resultado en una cadena binaria donde 1 indica el éxito, es decir, el número es seleccionado, y cero en otro caso. En consecuencia cada resultado del baloto es ahora una cadena de 45 dígitos, a partir de ésta se pueden tomar subgrupos de una longitud deseada. Ejemplo: resultado del sorteo 1373 dividida en quíntuplas La ventaja es que al sumar al interior de cada subgrupo sabemos cuántos números de ese subgrupo cayeron en la combinación ganadora. A continuación los principales hallazgos tras explorar estas cadenas y algunas creencias comunes: Incluir representantes a lo largo de toda la escala: se observa que la posibilidad de tener 2 o más números al interior de una misma quíntupla es muy baja. Los valores en la Tabla 3 sugieren como estrategia tratar de escoger un número de cada quíntupla, desafortunadamente éstas son nueve, por cuanto el jugador debe decidir cuáles tres dejaría de lado y al interior de cada quíntupla escogida debe decidir cuál de los cinco números jugar. No. Apariciones Frecuencia muestral (%) por quíntupla Valor Teórico Tabla 3. En la columna de la izquierda aparece el número de apariciones, oscila entre 0 y 4 Balancear la presencia de números pares e impares. La distribución empírica es próxima a la teórica, siendo 3 pares-3 impares el resultado más probable de darse, éste ocurre con probabilidad del 33% (ver Tabla 4). El siguiente paso sería decidir cuáles pares y cuáles impares incluir. No. Pares Probabilidad teórica (%) Frecuencia relativa% Tabla 4. Distribución empírica del número de números pares en la muestra vs. valores teóricos de probabilidad 303
314 No incluir números consecutivos: Ocurren con poca frecuencia, para las 44 parejas de consecutivos se registraron frecuencias entre 0.9% y 2.3 %. CONCLUSIONES Los resultados obtenidos simplemente nos permiten confirmar que el juego de la lotería es un escenario ideal para motivar el estudio de los elementos básicos de probabilidad y en especial la verificación del cumplimiento de la ley de los grandes números en relación a un experimento que se repite muchas veces. Como era de esperar, no es posible encontrar una estrategia altamente exitosa, todas pueden ser consideradas herramientas válidas para tomar la decisión de qué números jugar. Las diferentes estrategias mostradas simplemente permiten delimitar el conjunto de 45 números a subconjuntos de un tamaño menor que le permiten escoger una parte del meganúmero. Resulta útil consultar la información sobre sorteos anteriores, note que tras aplicar la estrategia de los aquí llamados números nuevos y viejos (Tabla 2), tenemos un número importante de casos (13/56) donde alguna de las balotas sugeridas apareció en los sorteos siguientes. En consecuencia la estrategia sugerida no es escoger los seis menos frecuentes, hay que combinar con otros criterios. La proximidad entre los valores teóricos calculados y las frecuencias relativas observadas sugieren que no hay sesgos en el mecanismo que opera el juego. Sobre las dudas que genera el mecanismo de selección del meganúmero por la máquina habría que examinar otro tipo de información diferente a la aquí presentada. REFERENCIAS Gianella, R. (2013). The geometry of chance: Lotto numbers follow a predicted pattern. Biometric Brazilian Journal, 31 (4), Jorgensen, C.B., Suetens, S. y Tyran, J. (2011). Predicting Lotto numbers. Chen, A.C., Yang, Y.H. y Chen, F. (2010). A statistical analysis of popular lottery winning strategies. df. 304
315 CONCEPCIONES DE LA PROBABILIDAD: RESEÑA HISTÓRICA Christian López, Joel Fernando Morera y William Jiménez Colegio San Viator, Instituto Pedagógico Nacional, Universidad Manuel Beltrán (Colombia) camilopez777@gmail.com, joemore05@gmail.com, williamajg@hotmail.com El presente documento describe la indagación histórica realizada sobre las concepciones de probabilidad, la cual es dedicada a todos aquellos interesados en el estudio del concepto de probabilidad, específicamente a los docentes que revelen algún interés por la enseñanza y el aprendizaje de esta asignatura para estudiantes de secundaria. Se encuentran aspectos históricos que describen el trabajo desarrollado desde puntos de vista teológicos, filosóficos y matemáticos. PALABRAS CLAVE Historia, teología, concepciones de probabilidad. INTRODUCCIÓN En la indagación de la literatura para el estudio del concepto de probabilidad, se evidenció que efectivamente la asignación de probabilidad en una situación aleatoria genera distintas posiciones de reflexión para responder a una problemática de aleatoriedad, de esta manera se hizo evidente el trabajo con las concepciones de la probabilidad que permitiese al estudiante establecer que su significado personal orientado a lo que denomina probable, esta enlazado con algunas perspectivas teóricas inherentes a la historia, y al tratamiento didáctico del mismo concepto. MARCODE REFERENCIA La enseñanza de la Probabilidad en Colombia prioriza el fortalecimiento de un pensamiento aleatorio y de sistema de datos, denominado también probabilístico o estocástico. Este se basa netamente en conceptos y procesos desarrollados en la teoría de la Probabilidad y de la Estadística Inferencial, entorno a identificar y proponer soluciones razonables a problemas en los que no se evidencia una solución concreta o segura. De igual manera la exploración de estrategias de solución en la simulación de experimentos, la realización de conteos e inferencia de datos, la asignación de probabilidad a sucesos que dependan de la ocurrencia de otros sucesos (MEN, 2006). Estas descripciones del pensamiento aleatorio justifican el debido tratamiento para plantear propuestas de enseñanza y aprendizaje de los contenidos en el campo de la Probabilidad. De manera específica en Muñoz (1998) se resalta que el identificar concepciones de la probabilidad en estudiantes de secundaria, es un primer paso para el posterior diseño de actividades y estrategias que permitan profundizar en este trabajo de tal manera que sean tenidas en cuenta como un contenido fundamental para el currículo de la
316 probabilidad. Por su parte, Batanero (2005) describe las concepciones y significados enmarcados en la probabilidad desde un ámbito escolar como principal fuente para la reflexión sobre la naturaleza de la probabilidad y los diferentes componentes de su comprensión, razones que cimentan la propuesta enmarcada en el diseño de actividades para la identificación de concepciones de la probabilidad en estudiantes de secundaria y la posterior caracterización de estas en el ámbito escolar. ASPECTOS METODOLÓGICOS Se mencionará los aspectos más impactantes en la historia de la probabilidad, referentes a las concepciones o el concepto que se tenía y que aún se tiene sobre eventos probables. DESARROLLO DE LA PROPUESTA Reseña histórica La noción de probabilidad ha estado presente en pensamientos filosóficos, religiosos y matemáticos a través de la historia; en este sentido, se realizará una descripción de los pensamientos antes nombrados desde culturas antiguas de la humanidad hasta fechas del siglo XX. En esta reseña histórica se resalta la identificación de una concepción subjetiva inherente a los pensamientos filosóficos y teológicos, posteriormente se caracteriza la concepción Frecuentista enfatizando en el trabajo de Jacob Bernoulli y la concepción Clásica de Pierre Simón de Laplace; por último, la propuesta de la concepción Matemática o Axiomática del matemático Ruso Kolmogórov. Cabe aclarar que es posible que se dejen de lado algunas personas que han tenido influencia en el desarrollo de la probabilidad, pero la intención principal de éste recorrido histórico, es identificar los aportes representativos relacionados con las concepciones de la probabilidad. Pensamientos filosóficos en Grecia y Roma Fueron los juegos de azar practicados en culturas antiguas como Grecia, Roma y Egipto, los que involucraron huesos de animales u otros objetos que permitieron identificar que el hombre no conocía resultados a ciertos sucesos, siendo ésta falta de certidumbre la característica principal para diferenciar ciertos procesos de dos maneras específicamente, la primera es cuando se conoce el resultado de un proceso que no se afecta por ninguna causa y no importa cuántas veces se realice, el resultado siempre será el mismo, mientras que, la segunda clasificación involucra procesos en donde el resultado no es predecible, puede que existan diversos resultados y por lo tanto no se determina una única solución; es en esta clasificación en la que se enfocará y son a estos procesos a los que el pensamiento helénico denominó fenómenos contingentes. En este mismo sentido, el filósofo griego Aristóteles ( A.C.) propuso el razonamiento dialéctico, entendido como un razonamiento que está afectado de incertidumbre, parte de una premisa verdadera pero no alcanza una determinada conclusión, sucesos que son relativos al pensamiento en donde el individuo no posee la verdad absoluta y se hace presente el razonamiento probable. Estos pensamientos filosóficos griegos trascendieron a la cultura romana y uno de sus mayores receptores y divulgadores fue Cicerón ( A.C.) quién continuó con un 306
317 trabajo en donde efectivamente el fundamento básico que explica lo relacionado al principio probable es la falta de conocer la absoluta verdad frente algo y por lo tanto, permanecer en incertidumbre de veracidad o falsedad. Según Cicerón, para solucionar esta incertidumbre es posible apoyarse en tres cosas: (i) la experiencia de lo que ha sucedido la mayor parte de los casos, (ii) las creencias de la gente o (iii) aquello que está relacionado de alguna manera con lo anterior (García, 2001). Pensamientos filósoficos y teólogicos después de Cristo hasta el siglo XVI Los desarrollos filosóficos expuestos anteriormente datan de épocas anteriores a Jesús Cristo. Continuando en referencia del documento de García (2001) se observará que el trabajo en torno a lo probable recibe una influencia del pensamiento teológico en épocas después de Cristo, sin embargo con estos pensamientos no se alcanza a realizar un trabajo formal acerca del cálculo de probabilidades. Filosóficos Es hasta Santo Tomás ( ) que se presenta de manera concreta una recuperación del pensamiento aristotélico basándose en que el entendimiento humano carece ante los fenómenos que considera contingentes y determinando que lo probable debe considerarse como aquello que sucede la mayoría de veces. Teólogicos Para San Agustín ( ), el concepto de fortuna o azar no existe objetivamente, pues es relativo al entendimiento humano frente a ciertos sucesos, la mente establece una relación entre lo que puede pasar y lo que sienta el individuo, sin embargo, es claro que todo está controlado por la voluntad de Dios. A mediados del Siglo XVI en España, Bartolomé de Medina ( ) un profesor de teología, defendió que una acción puede ser probable aunque esta sea de alguna manera menos probable que otra, es correcto seguir la primera, razón principal del probabilismo moral que permitía validar que una acción fuese probable, cuando esta moralmente fuera aprobable; no obstante este pensamiento generó algunos opositores principalmente jansenistas y de manera indirecta permitió un paso clave para el cálculo de probabilidades a partir de los matemáticos Fermat y Pascal. Pensamientos matemáticos en el siglo XVI hasta el siglo XX En el envío de cartas entre los matemáticos Blaise Pascal ( ) y Pierre Fermat ( ), la discusión giraba en torno a ciertos juegos de azar relacionados con el lanzamiento de un dado y con juegos que involucran el reparto. Anterior a dicho carteo, en el siglo XVI el matemático Jerónimo Cardano ( ) había enunciado algunas reglas para resolver problemas de dados inherentes a precauciones para toma de decisiones evitando las trampas en dichos juegos. El trabajo de Cardano permite la comprensión de principios fundamentales de la ley de los grandes números y la obtención casi general de los sucesos repetitivos. En este mismo tiempo Galileo Galilei ( ) presentó la solución al siguiente problema: tomando tres dados, se debe tener que el número 10 aparece más frecuente 307
318 que el número 9, Galileo propone que de los 156 casos favorables, existen 27 favorables al número 10 y 25 para el número 9 (Collette, 1985). En la conversación de Blaise Pascal y el caballero de Méré, aparece una carta centrada en responder al siguiente enunciado: Un jugador debe obtener un seis con un dado lanzado ocho veces; supongamos que después de tres lanzamientos sin éxito, decide retirarse; Qué proporción de la apuesta le corresponde? (Collette, 1985, p. 55) Siendo éste un comienzo para el cambio de información de las seis cartas intercambiadas, que dieron el punto de partida a la moderna teoría de las probabilidades. Aunque Pascal como Fermat no publicaron sus resultados sobre el cálculo de las probabilidades, en el año 1657 se publicaron cinco problemas propuestos por Fermat y uno por Pascal reunidos por Huygens, además unos propuestos por él mismo; esta publicación es considerada la primera que haya aparecido frente al tema. Fue Jacob Bernoulli( ), un matemático suizo quien en su obra El arte de la conjetura, hizo explícito de manera relevante el Teorema de Bernoulli, que permitió dar la base para la teoría de la probabilidad y que la observación para los procesos aleatorios dejarán de trabajarse como casos particulares, enfatizando con resultados de manera general para una mayor comprensión de esta teoría. Abraham De Moivre ( ) fue quien concreto los principios para el cálculo de probabilidades, planteo numerosos problemas de aplicación (con dados, partidas y urnas) a partir de los principios propuestos trabajó sobre la teoría de las permutaciones y combinaciones, expuestos en la Doctrina de las probabilidades, sus anualidades de1725 y sus Miscellaneaanlytica de (1730) en donde se encuentra una fórmula (denominada la fórmula de Stirling) de aproximación para un número n muy grande tal que: n! 2n De igual manera, la aproximación de la fórmula de probabilidad y su contribución al descubrimiento de la distribución normal de frecuencia. Moivre también expresa en una notación algebraica propia de las probabilidades que, si designamos por x la probabilidad que un suceso ocurra entonces será la probabilidad que el suceso no ocurra (Collette, 1985). n e n 0 x 2 e x dx / 2 Pierre Simon de Laplace ( ) fue un matemático y físico francés quien realizó trabajos relacionados con la teoría y el cálculo de probabilidades, mientras que algunos matemáticos de épocas anteriores coincidían que un individuo podría tener conocimiento de probabilidades de eventos. Laplace consideraba que las cosas no pueden tener una probabilidad ya que esta es consecuencia absoluta de nuestra falta de conocimiento, en este sentido establecía que: La teoría del azar consiste en reducir todos los acontecimientos del mismo tipo a un cierto número de casos igualmente posibles, es decir, tales que estemos igual de 308
319 indecisos respecto a su existencia, y en determinar el número de casos favorables al acontecimiento cuya probabilidad se busca (Hawking, 2010, p. 363), definiendo la probabilidad de un evento como: la razón entre el número de casos favorables y el de todos los casos posibles (p. 358). El interés del matemático ruso Andrei Kolmogórov ( ) por la teoría de la probabilidad empezó en 1924; su primer paso en esta área fue realizado conjuntamente con A.Y. Khinchin, en Una teoría general de la medida y el cálculo de probabilidades (1929), en donde se esboza una primera propuesta de un sistema de axiomas para dicha teoría con fundamentos en la teoría de la medida y la teoría de funciones de variable real. Tiempos atrás había existido un tratamiento para la probabilidad en primera instancia por E. Borel en 1909, y tratada con mayor profundidad por Lomnicki en 1923, estructurándola de manera general tan precisa por Kolmogórov en el año En la edición corta del libro Fundamentos del cálculo de probabilidades, en el año 1933, se convirtió en la conformación determinante sobre el tema, esto generó de manera concreta dos aportes, el primero enfocado al desarrollo de la teoría de la probabilidad inmersa como una rama de las Matemáticas, y segundo, constituyó ciertas bases para el trabajo de procesos aleatorios, luego, las ideas trabajadas por Kolmogórov permanecen inmersas en la teoría moderna de los procesos aleatorios, que lo hacen el mejor representante en esta disciplina (Carrillo, 2002). Aunque la concepción propuesta por Kolmogórov evidencia un papel estructural de la probabilidad, es claro que durante la historia la noción de probabilidad ha estado ligada a experiencias de incertidumbre que involucran al individuo y permiten que el hombre busque soluciones o respuestas a situaciones aleatorias desde puntos de vista subjetivos, frecuentistas o clásicos, por tal razón el trabajo propuesto en este documento estará relacionado con estas tres concepciones nombradas. CONCLUSIONES Los referentes históricos dan cuenta de que el inicio del cálculo de probabilidades se dio a partir del intercambio de cartas entre los matemáticos Fermat y Pascal; no obstante, la noción de probabilidad ha estado presente en pensamientos filosóficos, religiosos y matemáticos a través de la historia desde civilizaciones antiguas como Grecia y Roma. Los documentos revisados permitieron identificar nociones subjetivas inherentes a los pensamientos filosóficos y teológicos, un trabajo posterior de la concepción Frecuentista por Jacob Bernoulli y la concepción Clásica de Pierre Simon de Laplace, por último la propuesta de la concepción Matemática o Axiomática del matemático Ruso Kolmogórov. En este sentido, se puede evidenciar que la evolución del concepto y concepciones de la probabilidad se debe a un proceso sociocultural. REFERENCIAS Batanero, C. (2005). Significados de la probabilidad en la educación secundaria. Revista Latinoamericana de Investigación en Matemática Educativa - RELIME, 8 (3)
320 Collette, J. (1985). Historia de las matemáticas (vol. 2). Las matemáticas de la época de Descartes y de Fermat. España. García, M. (2001). La probabilidad como concepto: sus antecedentes. España: Departamento de métodos cuantitativos para la Economía, Universidad de San Pablo CEU. Hawking, S. Edición comentada (2010). Dios creó los números: los descubrimientos matemáticos que cambiaron la historia (1ª ed.). Barcelona: Crítica. Muñoz, A. (1998). Algunas ideas preconcebidas sobre Probabilidad. SUMA, MEN (2006). Estándares básicos de competencias en lenguaje, matemáticas, ciencias y ciudadanas. Bogotá: MEN. 310
321 LOS INTERVALOS DE CONFIANZA: CONFIANZA VS. PRECISIÓN Luzdari Rangel y Gabriel Yáñez Universidad Industrial de Santander (Colombia) lrangelruiz@gmail.com, gyanez@uis.edu.co Las investigaciones dirigidas a conocer el nivel de comprensión de los estudiantes y de los usuarios de la estadística respecto a los intervalos de confianza han mostrado que estos conceptos no son claramente entendidos ni por los unos ni por los otros. En este trabajo presentamos algunas ideas que pueden permitir conocer un poco más el origen de las confusiones y las malas concepciones que las personas se forman alrededor de los intervalos de confianza. En particular presentamos unas evidencias acerca del conflicto entre precisión y nivel de confianza. Los resultados provienen de una investigación en curso con profesores de matemáticas en formación con el objetivo de conocer sus concepciones alrededor de los intervalos de confianza y de los conceptos estadísticos que subyacen a su construcción con el propósito de proponer herramientas que faciliten sus procesos de enseñanza y aprendizaje. El estudio se fundamenta en la teoría APOE. PALABRAS CLAVE Intervalos de confianza, nivel de confianza, precisión, teoría APOE. INTRODUCCIÓN Los diversos estudios que se han realizado para conocer la comprensión que tienen los estudiantes y los usuarios de la estadística respecto a los intervalos de confianza evidencian una baja comprensión del nivel de confianza así como de los factores que afectan su precisión (Behar, 2001; Cumming, Williams, y Fidler, 2004; Olivo, 2008; Yáñez y Behar, 2009; Kalinowski, 2010; Henriques, 2012). Son ya clásicos tipos de concepciones tales como que el nivel de confianza es la probabilidad de que el intervalo obtenido a partir de una muestra contenga el parámetro a estimar; como que el intervalo aumenta su longitud si se aumenta el tamaño muestral o que el intervalo se reduce o permanece igual si se aumenta el nivel de confianza. Para conocer a profundidad las razones que dan origen a estas concepciones erradas diseñamos una investigación que asume como marco de referencia la teoría APOE que no es otra cosa que un modelo de construcción de los conceptos matemáticos.en este texto se presenta de manera breve el marco teórico de referencia, la metodología empleada en esta investigación, algunos resultados obtenidos hasta el momento y algunas conclusiones. El estudio se centra en la construcción de un intervalo de confianza para la media poblacional con desviación estándar conocida y desconocida.
322 MARCO DE REFERENCIA La teoría APOE (Acción, Proceso, Objeto y Esquema) da cuenta de las estructuras y mecanismos mentales que un individuo desarrolla cuando aprende un concepto matemático. Estas estructuras (acciones, procesos, objetos y esquemas) son el resultado de la aplicación de los mecanismos mentales de interiorización, coordinación, encapsulación y des-encapsulación). El proceso de construcción de un concepto matemático inicia con la manipulación, de manera física o mental, de objetos construidos previamente por el sujeto. Esta manipulación recibe el nombre de acción, que una vez interiorizada pasa a formar un proceso; una vez que este proceso es encapsulado pasa a ser un objeto cognitivo. Un objeto se puede des-encapsular para volver al proceso que le dio origen y de esta manera coordinarlo con otros procesos para llegar a un único proceso que posteriormente será encapsulado. Por lo tanto, un sujeto puede llegar a la construcción de un proceso de dos formas, ya sea mediante la interiorización de acciones o a partir de la coordinación de dos o más procesos. La colección de estas estructuras y mecanismos mentales relacionados consciente o inconscientemente en la mente de un individuo en una estructura coherente dan lugar a un esquema que puede ser utilizado para resolver un problema matemático en particular (Arnon, Dubinsky, Cottrill, Oktaç, Roa-Fuentes, Trigueros y Weller, ). ASPECTOS METODOLÓGICOS Las investigaciones sobre los intervalos de confianza han permitido identificar variedad de dificultades y concepciones presentes en las personas cuando se enfrentan a situaciones que requieren de su construcción e interpretación, desde nuestra perspectiva, debidas en primer lugar a la falta de claridad sobre los conceptos estadísticos que intervienen de manera directa en su construcción, y que necesitan ser integrados de manera adecuada. Si bien un intervalo de confianza para la media poblacional tiene la forma: Donde es la media muestral, es el nivel de confianza y es la desviación estándar asociada a la media muestral, suponiendo conocido, existen muchos conceptos previos, además de los que están explícitos, tales como población, parámetro, muestra aleatoria, estadístico, variable aleatoria, distribución de probabilidad de una variable aleatoria, valor esperado, distribución normal, (o distribución t-student cuando, no es conocido, distribuciones muestrales, función de densidad de probabilidad y el teorema central del límite. Del paradigma de investigación de la teoría APOE asumimos dos componentes: i) Análisis teórico y ii) observación, análisis y verificación de datos. Este estudio se está llevando a cabo con profesores de matemáticas en formación de la Universidad Industrial de Santander, Bucaramanga (Colombia) que ya cursaron y aprobaron dos cursos de estadística básica e inferencial y uno de didáctica de la probabilidad y la estadística. 312
323 Para la primer componente (análisis teórico) se realizó una búsqueda sistematizada sobre las investigaciones de corte didáctico alrededor de los intervalos de confianza y un análisis de los textos utilizados por los estudiantes, con la finalidad de conocer la forma como los intervalos de confianza son abordados en cada uno de los textos. Posteriormente se diseñó, validó y aplicó un cuestionario de 9 ítems con el objetivo de identificar las concepciones y dificultades de los estudiantes que participan en esta investigación respecto a los intervalos de confianza. El cuestionario se construyó a partir del cuestionario de Behar (2001) y con algunas ideas propias de los investigadores. Posterior al cuestionario se realizaron entrevistas personales con 7 de los 15 profesores en formación que respondieron al cuestionario. Estos 7 estudiantes fueron elegidos por sus llamativas y argumentadas respuestas al cuestionario. DESARROLLO DE LA PROPUESTA En particular, tanto el cuestionario como las entrevistas clínicas realizadas con los estudiantes nos han permitido identificar algunas incomprensiones en conceptos tan básicos como la desviación estándar y la distribución de probabilidad de una variable aleatoria, muy asociados con el nivel de confianza y la precisión de un intervalo.nos limitamos en este espacio a presentar la confrontación que existe entre algunos estudiantes entre los conceptos de precisión y nivel de confianza. A continuación presentamos algunos apartesde las entrevistasmencionadas y que nos permiten conjeturar algunas explicaciones sobre las concepciones identificadas. Entrevistador Alejandra Entrevistador Alejandra Entrevistador Alejandra Entrevistador Alejandra Qué significa precisión de la estimación? Que va a ser más exacta, más precisa, más exacta. La media, la va a ser más aproximada a μ. Entonces, aumenta la precisión cuando aumenta el tamaño muestral? Sí, pero creo que eso depende de si los datos son aleatorios. O partamos de que si lo son. Entonces sí. Por qué? Pues porque es que entre, si yo, si yo aumento demasiado la muestra entonces el intervalo va a ser mucho más grande. Más grande si aumento la muestra? Ehh, si aumento Mentiras, mentiras, es más pequeño. Entonces entre más aumente, más cercano y por eso es que va a ser más preciso el valor que estoy estimando. Porque cada vez que se va a haciendo más pequeño el error, este error [señala la expresión que tiene en el tablero] se va a hacer más pequeño. 313
324 Entrevistador Y si se aumenta el nivel de confianza, aumenta también la precisión de la media poblacional?. Alejandra Ehh, si se aumenta el nivel de confianza del intervalo, yo creería que no. Entrevistador Por qué? Alejandra Porque es que si yo aumento el nivel de confianza, entonces zeta asterisco va a ser más grande, entonces el intervalo va a estar muy abierto. Entrevistador Entonces la confianza no tiene nada que ver con la precisión? Alejandra Pues es que también estoy pensando que el nivel de confianza es la probabilidad de que es que no sé cómo decirlo. No sé si es la probabilidad de que este (señala a μ) se encuentre en el intervalo, o sea que Yo pensaba era que, que en el caso del nivel de confianza del 45%, sería quede cada 100 que el μ se encuentre en 45 de esos intervalos. Entrevistador Si hay más confianza hay más precisión? Alejandra Tanto como precisión, yo creo que no porque porque digamos que yo puedo asegurar que mi nota es en un examen va a estar en, va a ser, digamos, 3 más o menos 2, y lo puedo hacer con un nivel de confianza del 99%. Entrevistador Entonces si aumento el nivel de confianza aumento la precisión de la estimación? Alejandra Entonces si va a ser como más preciso porque el intervalo va a ser más grande. Entrevistador Entonces cuál de los dos es más preciso? Alejandra El del 95% En esta parte de la entrevista con Alejandra se observa que sus análisis se basan en la expresión explícita del error que recuerda perfectamente y que le permite deducir el efecto del tamaño muestral y del nivel de confianza sobre el tamaño del intervalo. Sin embargo, para Alejandra tanto el tamaño muestral como el nivel de confianza influyen en la precisión de la estimación. Para el tamaño muestral dice: entonces entre más aumente, más cercano y por eso es que va a ser más preciso el valor que estoy estimando, dando a entender, de paso, que la precisión es de la del estimador puntual y no del intervalo con todos sus valores posibles. Para el nivel de confianza dice: entonces si va a ser como más preciso porque el intervalo va a ser más grande. Como se observa, Alejandra utiliza dos connotaciones diferentes para la precisión: en una la asocia con el menor tamaño del intervalo y con la cercanía consecuente entre el estimador muestral y el parámetro poblacional en tanto que con la otra la asocia con el mayor tamaño del intervalo porque contiene más valores y por ende es más preciso al brindar mayores posibilidades de acierto. Alejandra refleja una concepción acción sobre los intervalos que no le permite relacionar estos dos conceptos. 314
325 Veamos ahora unos apartes de la entrevista con Jerónimo. Entrevistador Jerónimo Entrevistador Jerónimo Entrevistador Jerónimo Entrevistador Jerónimo Entrevistador Jerónimo Si nos dan un intervalo con una confianza del 80% Qué podemos decir del intervalo del 80% de confianza con respecto al intervalo del 95% de confianza? Qué relación hay entre ellos? Cuál es más grande? Es más grande el de 95%... ya sé, si tengo más seguridad de que va a caer ahí, pues más posibilidades tengo para escoger. Pues yo pienso así.pues entonces yo tengo más confianza de que la media va a estar ahí porque tengo más posibilidades de que caiga. Pero lo ideal es que el intervalo sea grande o que el intervalo sea pequeño? No, lo ideal es que sea pequeño. En términos de precisión, es mejor tener un intervalo grande o un intervalo pequeño? Un intervalo pequeño. Entonces cómo hacemos para que conservando la confianza del 95% el intervalo correspondiente sea igual en tamaño al intervalo con 80% de confianza? Qué tendríamos que cambiar para lograr eso? Bueno, osea, bueno, si uno aumenta la muestra quiere decir que más población, si tomara toda la población pues da lo que es. Lo que yo digo es que si se aumenta la muestra, el intervalo se puede hacer más pequeño, pues que toma uno más datos de la población. Pero a la vez si se aumenta la muestra cogiendo los datos que están más alejados de la media pues Cómo así? Bueno, es que si toma más datos, pues puede ser, es que a veces me confundo no sé. Si uno tomas más datos tienen más ehh, digamos que uno se puede acercar más a la media que uno busca. Pero también puede uno tomar datos que no sirvan y pues se alejaría uno más. Jerónimo, al contrario de Alejandra no conoce la expresión que define el error que define el radio del intervalo de confianza, sin embargo su interpretación del efecto del nivel de confianza sobre el tamaño del intervalo es válido: es más grande el de 95%... ya sé, si tengo más seguridad de que va a caer ahí, pues más posibilidades tengo para escoger. Pues yo pienso así, tengo más confianza de que la media va a estar ahí porque tengo más posibilidades de que caiga. En igual forma, Jerónimo responde sobre el efecto del tamaño muestral: si uno aumenta la muestra quiere decir que más población, si tomara toda la población pues da lo que es. Lo que yo digo es que si se aumenta la muestra, el intervalo se puede hacer más pequeño, pues que toma uno más datos de la población. La intuición de Jerónimo se sustenta en términos de la estimación puntual, es decir en el valor de que está más cercano al valor de µ si se calcula con más datos tal como él lo dice: si tomara toda la población pues da lo que es. 315
326 Sin embargo Jerónimo tiene una duda que lo mortifica: pero también puede uno tomar datos que no sirvan y pues se alejaría uno más. Esta posibilidad planteada por Jerónimo puede sugerir la falta de la constitución de una concepción de Objeto sobre la distribución de probabilidad de o, incluso, de la relación que existe entre el error de estimación de y la desviación estándar de la población. CONCLUSIONES Las respuestas ilustradas evidencian que los estudiantes han construido una asociación entre el nivel de confianza y la precisión de la estimación, más confianza mayor precisión es como si se asumiera la confianza en términos de la calidad de la estimación en sí misma y no con referencia al carácter aleatorio del estimador y a su distribución de probabilidad. Estas deficiencias reflejan que en muchas ocasiones los estudiantes no sobrepasan la concepción acción respecto a estos conceptos. La complejidad inherente a los intervalos de confianza es producto de la gran cantidad de conceptos y de procesos necesarios para su construcción, hecho que obliga a realizar un pormenorizado análisis del nivel de comprensión y de las concepciones que los estudiantes tienen sobre todos estos conceptos. Los resultados de este análisis, utilizando los criterios de la teoría APOE, serán objeto de una publicación más extensa que la aquí presentada. REFERENCIAS Arnon, I., Dubinsky, E., Cottrill, J., Oktaç, A., Roa-Fuentes, S., Trigueros, M. y Weller, K. (). Apos theory A framework for research and curriculum development in mathematics education. New York: Springer. Behar, R. (2001). Aportaciones para la mejora del proceso de enseñanza aprendizaje de la estadística. Tesis de doctorado. Barcelo: Universidad Politécnica de Catalunya.. Cumming, G., Williams, J. y Fidler, F. (2004). Replication, and researchers understanding of confidence intervals and standard error bars. Understanding Statistics, 3, Henriques, A. (2012). Students difficulties in understanding of confidence intervals. Trabajo presentado en el 12th International Congress on Mathematical Education. Seoul, Korea Coex. Kalinowski, P. (2010) Identifying misconceptions about confidence intervals. En C. Reading (Ed.), Data and context in statistics education: Towards an evidence-based society. Proceedings of the Eighth International Conference on Teaching Statistics - ICOTS8. Ljubljana, Slovenia: Voorburg. Olivo, E., (2008). Significado de los intervalos de confianza para los estudiantes de ingeniería en México. Tesis de docotorado. Granada: Universidad de Granada. Yánez, G y Behar, R (2009) Interpretaciones erradas del nivel de confianza en los intervalos de confianza y algunas explicaciones plausibles. En M.J. González, M.T. González y J. Murillo (Eds.), Investigación en Educación Matemática. XIII Simposio de la SEIEM. Santander, Colombia. X 316
327 UN ESTUDIO LONGITUDINAL DEL RAZONAMIENTO BAYESIANO CON ESTUDIANTES DE INGENIERÍA Cindy Morgado y Gabriel Yáñez Universidad de Santander (Colombia) - Universidad Industrial de Santander (Colombia) nathalia.morgado@udes.edu.co, gyanez@uis.edu.co Se presentan algunos resultados de una investigación realizada para conocer la transformación en el razonamiento bayesiano en estudiantes de ingeniería en un curso semestral de estadística. Para esto se diseñaron y aplicaron tres pruebas en momentos diferentes durante el semestre. Los resultados muestran que los estudiantes aplican las fórmulas aprendidas y utilizan el diagrama de árbol correctamente inmediatamente después de haber estudiado estos temas, pero poco después las fórmulas son utilizadas incorrectamente y el diagrama de árbol solo tiene la función de registrar la información dada por el problema y no la de producir información adicional. La concepción temporal de la probabilidad condicional permaneció en los estudiantes durante todo el tiempo de observación. PALABRAS CLAVE Probabilidad condicional, regla del producto, teorema de probabilidad total, razonamiento bayesiano, teorema de Bayes. INTRODUCCIÓN El razonamiento bayesiano hace referencia al cálculo de probabilidades condicionales inversas mediante el teorema de Bayes: P( A i B) P( B A ) P( A ) n j1 i P( B A j i ) P( A La ocurrencia del evento B está condicionada a la realización de algunos de los eventos A j que conforman una partición del espacio muestral. La idea es que B ocurrió y se indaga por la probabilidad de que haya ocurrido posteriori en tanto que P( A i ) A i, j ) P( A B) es la probabilidad a priori; los valores i es la probabilidad a P B A ) ( i son las verosimilitudes o probabilidad de que B ocurra cuando ha ocurrido A i. Saber cómo utilizan este resultado los estudiantes para resolver problemas asociados con el razonamiento bayesiano motivó la realización de una investigación que pretendió en un semestre conocer la evolución de este razonamiento en estudiantes universitarios que cursaban su primer curso de probabilidad y estadística. En este mismo sentido, Morgado (2013) realizó una investigación con estudiantes universitarios que tomaban un curso de estadística para conocer la evolución que sufre el razonamiento bayesiano a lo largo de un semestre. La investigadora diseñó y aplicó tres cuestionarios en momentos diferentes durante el semestre. Los resultados mostraron que si bien los
328 estudiantes responden mejor los problemas bayesianos inmediatamente después de haber estudiado la regla de Bayes y los temas afines, después de un tiempo esta capacidad se reduce a niveles iguales o inferiores a los mostrados en el primer cuestionario cuando no habían estudiado esos temas. Motivados por continuar este tipo de estudios realizamos una investigación con la misma estructura del trabajo de Morgado (2013) pero con cuestionarios mucho más reducidos y más hom*ogéneos en términos de los problemas propuestos. Algunos de los resultados obtenidos se presentan en este trabajo. MARCO DE REFERENCIA Dado que se pretende conocer la forma como los estudiantes confrontan situaciones problemáticas relacionadas con la probabilidad condicional y el teorema de Bayes en diferentes momentos del semestre académico, así como identificar cuáles fueron las intuiciones, falacias o sesgos que permanecieron y desaparecieron como consecuencia del proceso de instrucción, se toma como marco de referencia la literatura en torno a la probabilidad condicional y, en particular, al teorema de Bayes. Uno de los primeros estudios fue el realizado por Kahneman y Tversky, (1972) quienes mostraron que los alumnos en su mayor parte no tienen en cuenta las probabilidades a priori en el cálculo de la probabilidad inversa, sesgo al que llamaron olvido de la tasa base. Además, se ha evidenciado que los estudiantes confunden el evento condicionante con el condicionado dando lugar a la falacia de la condicional transpuesta, es decir confunden con la (Falk, 1986). De otro lado, Gras y Totohasina (1995) destacan una concepción temporal que los estudiantes le adjudican a la probabilidad condicional en el sentido de que el evento condicionante siempre precede en el tiempo al evento condicionado. Ahora, seguramente el mayor problema al resolver situaciones problemáticas asociadas a la probabilidad condicional es la dificultad que existe para distinguir entre probabilidades condicionales y probabilidades conjuntas (Pollatsek et al., 1987), así como en la identificación correcta de los sucesos condicionante, condicionado y en la correcta partición del espacio muestral (Díaz y de la Fuente, 2006). P( A B) P( B A) ASPECTOS METODOLÓGICOS Se desarrolló un estudio a lo largo del tiempo con estudiantes universitarios de ingeniería que estaban realizando su primer curso de probabilidad y estadística con el fin de conocer la forma como los estudiantes confrontan situaciones problemáticas relacionadas con el teorema de Bayes. Se diseñaron tres pruebas con el fin de evaluar el razonamiento bayesiano de los estudiantes, aproximadamente se aplicó una prueba cada cinco semanas. Como la regla de Bayes incluye probabilidad condicional, probabilidad marginal, regla del producto y teorema de probabilidad total, las pruebas se elaboraron de tal forma que incluyeran ítems dirigidos a evaluar cada uno de estos conceptos. Cada prueba constó de tres ítems con el mismo nivel de dificultad. El primer ítem evalúa el razonamiento bayesiano en un contexto de canales. El segundo ítem evalúa el dominio del teorema de Bayes en un contexto de fabricación de máquinas. El último ítem es un problema de urna en un contexto de muestreo sin 318
329 reposición y consta de cuatro incisos que evalúan la probabilidad condicional directa, probabilidad condicional inversa, la regla del producto para eventos dependientes y el teorema de probabilidad total. La muestra es de 76 estudiantes de ingeniería industrial de la Universidad Industrial de Santander, Bucaramanga, Colombia, quienes estaban cursando la asignatura de estadística I en el quinto semestre de su carrera en tres grupos diferentes y tres profesores distintos. Las clases eran de tipo magistral: básicamente exponían los temas en el tablero, realizaban algunos ejemplos y resolvían algunos ejercicios de los textos guías (Montgomery y Runger, 2010 y Navidi, 2006). La primera prueba se aplicó en la segunda semana del curso; la segunda se aplicó una semana después de que los profesores enseñaron el teorema de Bayes; la tercera prueba se aplicó en la penúltima semana de clase. Cabe destacar que los profesores consideraron los resultados de estas pruebas para la nota final del curso. DESARROLLO DE LA PROPUESTA De los 76 estudiantes de ingeniería, 57 de ellos presentaron las tres pruebas. A continuación, en la Tabla 1 se muestran los porcentajes de éxito de cada ítem. Primera Segunda Contexto Contenido Prueba Prueba Canales Teorema de Bayes 0% 9% 7% Fabricación de artículos por dos máquinas Tercera Prueba Teorema de Bayes 2% 75% 56% Condicional directa 61% 54% 53% Condicional Inversa 14% 2% 4% Urna sin reposición Regla del Producto 11% 40% 44% Teorema de Probabilidad Total 4% 11% 23% Tabla 1. Porcentaje de respuestas correctas según el contenido de los ítems para las tres pruebas de los estudiantes La Tabla 1 presenta varios hechos que vale la pena destacar: La enorme dificultad que representó a los estudiantes los problemas de canales, los porcentajes de éxito siempre fueron inferiores al 10% en las tres pruebas. Los altos porcentajes de éxito obtenidos en la segunda y tercera prueba en el ítem relacionado con las máquinas en contraposición con el bajísimo porcentaje de éxitos de la primera prueba. Sin embargo, se observa un descenso de éxitos en la tercera prueba respecto a la segunda. En el problema de urna, que se puede considerar libre de las influencias del contextos, se presentaron resultados que llaman la atención: las preguntas de probabilidad condicional fueron mejor respondidas en la primera prueba cuando los estudiantes escasamente conocían la forma clásica de calcular probabilidades, con altos porcentajes las de la probabilidad directa y con bajos porcentajes las de la probabilidad inversa. El ítem que indagaba por una probabilidad conjunta no dejó de aumentar a través del tiempo, cosa similar, aunque con porcentajes inferiores, ocurrió con el ítem que indagaba por una probabilidad marginal en la 319
330 segunda extracción. A continuación analizamos las respuestas de los estudiantes en cada uno de los contextos propuestos. Ítem en un contexto de canales. Este ítem está dirigido a evaluar el teorema de Bayes. La mayoría de los estudiantes en la primera y tercera prueba respondieron ½ (Figura 1-a), es decir, asumieron la pregunta condicional como una conjunta: pase por el canal I y salga por R. En la segunda prueba, donde el canal era algo más complicado, se presentaron respuestas donde asumieron una probabilidad total de 1/2+1/4+1/8 (Figura 1-b) asumiendo que la pregunta indagaba por la probabilidad marginal de que la bola salga por R. En la tercera prueban algunos estudiantes realizaron el diagrama de árbol y nada más; otros estudiantes plantearon incorrectamente la fórmula de Bayes (Figura 1-c). Llama la atención las respuestas de algunos estudiantes que realizaron el diagrama de árbol y sin más respondieron ½ en la segunda y en la tercera prueba. Primera Prueba Ítem 1. Una bola se suelta por la entrada E. Si sale por R, Cuál es la probabilidad de que haya pasado por el canal 1? Segunda Prueba Ítem 1. Una bola se suelta por la entrada E. Si sale por R, Cuál es la probabilidad de que haya pasado por el canal 1? Tercera Prueba Ítem 1. Una bola se suelta por la entrada E. Si sale por R, Cuál es la probabilidad de que haya pasado por el canal 1? a) b) c) Figura 2. Respuestas de los estudiantes al ítem 1 en las tres pruebas Ítem en un contexto de fabricación de artículos por dos máquinas. La relativa facilidad con que los estudiantes respondieron este ítem tal vez se pueda asociar a la total equivalencia que existe entre el enunciado del problema y el diagrama de árbol como lo explica Yáñez (2001). Un estudiante es especial respondió correctamente el ítem en la primera prueba sin hacer uso de la fórmula de Bayes, simplemente realizó regla de tres e interpretó la probabilidad como un cociente entre el 5% del 40% y la suma del 5% del 40% + 1% del 60% (Figura 2-a), este estudiante en la segunda prueba aplicó equivocadamente la fórmula de Bayes tomando los porcentajes incorrectos y en la tercera prueba volvió a responder incorrectamente, evidenciando esa confrontación entre una intuición aritmética esquematizada y una nueva modelación que no termina de aprehender. En la primera prueba algunos estudiantes asumieron una probabilidad conjunta ( P ), en la segunda prueba contestaron correctamente usando la fórmula de Bayes, pero en la tercera prueba vuelven a responder una probabilidad conjunta, lo que evidencia la dificultad que existe para distinguir entre probabilidades condicionales y probabilidades conjuntas (Pollatsek et al., 1987). Además algunos estudiantes realizaron el diagrama de árbol correctamente pero no resolvieron el problema (Figura 2-b). 320
331 Ítem 2. Una fábrica dispone de dos máquinas M1 y M2 que fabrican bolas. La máquina M1 fabrica el 40 % de las bolas y la M2 el 60%. El 5% de las bolas fabricadas por M1 y el 1% de las fabricadas por M2 son defectuosas. Tomamos una bola al azar que resulta ser defectuosa. Cuál es la probabilidad de que haya sido fabricada por M1? Ítem 2. Una fábrica dispone de dos máquinas M1 y M2 que fabrican bolas. La máquina M1 fabrica el 40 % de las bolas y la M2 el 60%. El 5% de las bolas fabricadas por M1 y el 1% de las fabricadas por M2 son defectuosas. Tomamos una bola al azar que resulta ser defectuosa. Cuál es la probabilidad de que haya sido fabricada por M1? a) Figura 2. Respuestas de los estudiantes al ítem 2 en la primera y segunda prueba c) Ítem en un contexto de urna sin reposición. Respecto al inciso que evaluaba la condicional directa, en la segunda y tercera prueba algunos estudiantes la asumieron como una probabilidad conjunta (Figura 3-a). En el inciso de la condicional inversa se evidenció la concepción temporal de la probabilidad condicional (Gras y Totohasina, 1995) cuando muchos estudiantes respondieron en todas las pruebas con ½ (Figura 3-b). En el problema que indaga por la probabilidad de obtener una bola blanca en la segunda extracción, típica aplicación del teorema de probabilidad total, se observa que los estudiantes que no responden acertadamente utilizan la estrategia del depende ya reportada por Yáñez (2003) y que refleja la concepción del enfoque del resultado aislado (Konold, 1991). Ítem 3. Una urna contiene dos bolas blancas y dos bolas negras. Extraemos a ciegas dos bolas de la urna, una después, sin devolver la primera a la urna. Cuál es la probabilidad de extraer una bola blanca en la segunda extracción si se sabe que se extrajo una bola negra en la primera extracción? Ítem 3. Una urna contiene dos bolas blancas, dos bolas negras y dos rojas. Extraemos a ciegas dos bolas de la urna, una después, sin devolver la primera a la urna. Cuál es la probabilidad de haber extraído una bola roja en primer lugar, sabiendo que hemos extraído una bola negra en segundo lugar? CONCLUSIONES a) c) Figura 3. Respuestas de los estudiantes al ítem 3 en la primera y segunda prueba Además de corroborar los hallazgos ya reportados por Morgado (2013), los resultados de esta investigación ponen de relieve la dificultad que existe cuando se pretende modificar intuiciones primarias por otras utilizando metodologías de enseñanza centradas fundamentalmente en los aspectos algebraicos de los modelos sin siquiera intentar enlazar esas intuiciones primarias, de carácter aritmético en el caso de la probabilidad condicional, con las expresiones probabilísticas de corte netamente algebraico. Para destacar también el enorme reto que representó para los estudiantes el problema de los canales que prácticamente no fueron capaces de resolverlo. Este problema donde la información no se explicita sino que está contenida en el gráfico 321
332 que se presenta y que podría pensarse debería reflejar un claro razonamiento bayesiano en el sentido de que una información adicional modifica una probabilidad inicial, evidenció claras muestras de un proceso de enseñanza deficiente en estos temas. La investigación también comprobó la dificultad que existe en la superación de los sesgos que ya son clásicos de encontrar en todas las investigaciones que se realizan con la probabilidad condicional: la confusión entre condicionales y conjuntas y la concepción temporal de la probabilidad condicional. REFERENCIAS Díaz, C. y de la Fuente, I. (2006). Dificultades en la resolución de problemas que involucran el teorema de Bayes. Un estudio exploratorio en estudiantes españoles de psicología. Educación Matemática, 18, Falk, R. (1986). Conditional probabilities: insights and difficulties. En R. Davidson y J. Swift (Eds.), Proceedings of the Second International Conference on Teaching Statistics (pp ). Canadá: University of Victoria. Gras, R. y Totohasina, A. (1995). Chronologie et causalité, conceptions sources d obstacles épistémologiques à la notion de probabilité conditionnelle. Recherches en Didactique des Mathématiques, 15 (1), Kahneman y Tversky (1972) Subjective probability: A judgment of representativeness. Cognitive Psychology, 3, Konold, C. (1991). Understanding Students Beliefs about Probability. En E. Von Glasersfeld (Ed.), Radical Constructivism in Mathematics Education (pp ). Dordrecht, The Netherlands: Kluwer Academic Publishers. Montgomery, D.C. y Runger, G.C. (2010). Probabilidad y Estadística aplicadas a la ingeniería. Limusa Wiley Morgado, C. (2013). Un estudio longitudinal del razonamiento bayesiano en estudiantes universitarios. Tesis de maestría. Bucaramanga, Colombia: Universidad Industrial de Santander. Navidi, W. (2006). Estadística para ingenieros y científicos. México: McGraw-Hill. Pollatsek, A., Well, A.D., Konold, C. y Hardiman, P. (1987). Understanding conditional probabilities. Organization, Behavior and Human Decision Processes, 40, Yáñez, G. (2003). Estudios sobre el papel de la simulación computacional en la comprensión de las secuencias aleatorias, la probabilidad y la probabilidad condicional. Tesis de doctorado. México: CINVESTAV - IPN. Yáñez, G. (2001). El álgebra, las tablas y los árboles en problemas de probabilidad condicional. En P. Gómez y L. Rico (Eds.), Iniciación a la investigación en didáctica de la matemática. Homenaje al profesor Mauricio Castro (pp ). Granada: Universidad de Granada. 322
333 LOS LIBROS DE TEXTO DE MATEMÁTICAS PARA QUINTO GRADO: CORRESPONDENCIA CON EL DESARROLLO DEL RAZONAMIENTO ESTADÍSTICO Luis Marrugo Universidad de Antioquia (Colombia) En este documento presento los avances de mi proyecto de investigación para optar por el título de Magister en Educación. Esta investigación está enmarcada en el reconocimiento del libro de texto como un elemento importante en el aula de clases. Busco dar cuenta de la correspondencia entre los libros de texto de matemáticas para quinto grado y la propuesta de la política curricular, a partir del desarrollo algunos componentes del razonamiento estadístico. Este trabajo lo desarrollaré bajo el enfoque interpretativo de la investigación cualitativa. El método a seguir es el análisis de contenido. Mi unidad de análisis serán los libros de texto de matemáticas para quinto grado. La sistematización de los datos la realizaré a través de tablas de doble entrada. El análisis final, lo realizaré a partir de la reflexión sobre el tratamiento y profundidad con que se proponen cada uno de los componentes del ciclo investigativo en estadística. PALABRAS CLAVE Pensamiento aleatorio, análisis de contenido, educación estadística, educación matemática. INTRODUCCIÓN El libro de texto en el contexto educativo mundial ha jugado un papel muy importante. Esto es natural, teniendo en cuenta que los libros de texto están diseñados con el propósito de ayudar a los profesores a organizar sus clases y servir de guías para los estudiantes (Mahmood, 2010). Los libros de texto, además, son considerados como el principal recurso del currículo en el aula para profesores y estudiantes (Fan, Zhu y Miao, 2013; Batanero, Díaz, Contreras y Arteaga, 2011; Mahmood, 2010; Johansson, 2003; Apple, 2000; Blanco, 1994). Dado que el diseño y la construcción de los libros de texto son manejados por compañías particulares casas editoriales y no por el Ministerio de Educación Nacional, como es el caso de Colombia, esto ha conllevado a una diversidad de objetivos e intereses en lo referente al contenido del libro de texto. Por un lado, los objetivos buscados por las casas editoriales y por el otro, las intenciones de las propuestas curriculares nacionales. Al parecer los objetivos de las casas editoriales están enfocados posiblemente en mantener un negocio, generar rentabilidad financiera y asegurar año tras año una mayor participación en el mercado y no en la promoción de unas competencias básicas, apoyados en el fortalecimiento de procesos generales y en el desarrollo de habilidades de pensamiento en los estudiantes. Esta diferencia de intereses entre
334 casas editoriales y políticas curriculares, no es exclusiva de Colombia. Johansson (2003), Apple (2000) y Blanco (1994), desde diferentes latitudes, exponen también que el libro de texto es, al tiempo, un material pedagógico y un producto comercial, un producto con un ciclo de vida corto, que estará pocos años en catálogo y será rápidamente reemplazado por otro. Lo que conlleva a que el interés comercial de las editoriales determine lo que se está llevando a aula de clases por medio de los libros de texto. Esta situación presentada en diferentes lugares del mundo que da cuenta de los intereses disimiles entre las casas editoriales y políticas curriculares, me ha llevado a preguntar, enmarcándome en el campo educativo colombiano: Cuál es la correspondencia entre los libros de texto para quinto grado y lo propuesto en las políticas curriculares colombianas para el desarrollo del pensamiento aleatorio? con el objetivo de analizar esta correspondencia. Llevar a cabo esta investigación es un aporte importante a la educación matemática en Colombia por varias razones: Desde la justificación teórica, en la literatura internacional es reconocida la relación entre el papel del libro de texto y lo propuesto en los currículos nacionales. Por ejemplo, autores como Fan, Zhu y Miao (2013), Usiskin (2013) y Para Pepin, Gueudet y Trouche (2013), plantean que los libros de texto son un importante transporte del currículo y juegan un papel dominante en las escenas educativas modernas. Exponen que existe la necesidad en los usuarios de los libros de texto de identificar la cercanía de estos con las propuestas curriculares. Desde la justificación metodológica que soporta esta investigación está referida a la necesidad de consolidar estrategias de investigación que permitan mostrar cuáles aspectos del currículo están siendo privilegiados y cuáles negados dentro del contenido de los libros de texto. En los estudios de Shield y Dole (2008) en el ámbito educativo Queensland, Australia, y Mahmood (2010) en Pakistán, por ejemplo, los resultados muestran una desconexión entre los libros de texto y la política curricular. Estos resultados me llenan de motivos para inclinar mi investigación hacia el uso de este tipo de metodologías. Por último, La justificación práctica de mi investigación la enfoco desde el rescate del contenido estadístico en los libros de texto. La literatura internacional ha mostrado las ventajas que tiene el desarrollo de habilidades en estadística en la vida cotidiana de los sujetos (Batanero, Díaz, Contreras y Arteaga, 2011), y la necesidad que hay en la sociedad actual de que el ciudadano común aprenda a leer e interpretar una gran cantidad de información para la toma de decisiones en situaciones de incertidumbre (Franklin et al., 2007). MARCO DE REFERENCIA A continuación planteo las principales bases teóricas sobre las que se sustenta mi propuesta de investigación. Inicialmente, presento un breve recorrido por la investigación en libros de texto. Seguido, discuto algunas ideas sobre el currículo y los materiales curriculares, posicionándome desde el desarrollo del campo de la estadística. La investigación que se interesa en los libros de texto de matemática escolar ha recibido especial atención en los últimos años. Los desarrollos en este campo han 324
335 dado lugar a una variedad de eventos de la comunidad académica internacional dedicados a la investigación sobre los libros de texto de matemáticas (ejemplo: International Conference on School Mathematics Textbooks [Conferencia Internacional sobre los Libros de Texto de Matemática Escolar] ICSMT, 2011 ; y Grupo de Discusión 17, 11th International Congress on Matematical Education [Congreso Internacional en Educación Matemática] ICME 11, 2012, con el tema : La naturaleza cambiante y el papel de los libros de texto de matemáticas: forma, uso, acceso). Además de los eventos internaciones, las publicaciones académicas periódicas como revistas también han abierto campo para publicación de la investigación en libros de texto. La Revista Internacional de Investigación en Educación Matemática (Zentralblatt für Didaktik der Mathematik -ZDM) en un número especial publica trabajos que, por ejemplo, revelan el libro de texto como un recurso importante que vincula la cultura, la política y la práctica docente, exponen las múltiples funciones de los libros de texto, las lecciones aprendidas de estudios comparativos con diferentes libros de texto y el libro de texto como un administrador del currículo. Los eventos académicos y las publicaciones académicas, como las de la ZDM, dan cuenta del interés actual desde el campo de la educación matemática por aportar a la investigación alrededor de libro de texto. En ese sentido exponen algunos de los ejes más cuestionados en la actualidad, como es el caso de las relaciones entre los libros de texto y el currículo nacional. El currículo para esta propuesta de investigación está definido como la serie de objetivos, contenidos, propuestas metodológicas, estrategias de evaluación, entre otras, que orientan la actividad académica en un sistema educativo. En Colombia las principales orientaciones curriculares nacionales están dadas por los Lineamientos Curriculares (MEN, 1998) y los Estándares Básicos de Competencia (MEN, 2006). Las propuestas curriculares colombianas para el componente matemático consideran la promoción de procesos generales, para esta investigación tengo especial interés en el proceso de formulación y resolución de problemas. Además del desarrollo de procesos generales, las propuestas curriculares plantean que es importante adquirir habilidades en cinco componentes de pensamiento matemático: el numérico, el espacial, el métrico o de medida, el aleatorio o probabilístico y el variacional. En esta investigación, la estadística es mi campo de interés por lo cual me centraré en el pensamiento aleatorio. El pensamiento aleatorio, desde la política curricular colombiana, está relacionado con el desarrollo de un conjunto de habilidades en los sujetos que le permiten decidir la pertinencia de la información en momentos de incertidumbre, la forma de recogerla, de representarla y de interpretarla para obtener respuestas o información relevante para la toma de decisiones. Observo que lo se espera favorecer es el desarrollo de las habilidades en el campo de la estadística. En la literatura internacional, para hablar de la habilidad estadística de los sujetos se proponen tres niveles: El primer nivel es la alfabetización estadística, este es el nivel más básico de conocimientos estadístico; El segundo nivel, el razonamiento estadístico; El último y más complejo nivel de habilidades, es el pensamiento estadístico. Desde estos tres niveles de habilidades el razonamiento estadístico es el que se espera desarrollar por 325
336 los estudiantes en la escuela. Razonar estadísticamente es la capacidad para cuestionar, comparar y explicar decisiones acerca de la información (Rumsey, 2002). El desarrollo del razonamiento estadístico está asociado a la habilidad de los estudiantes de desarrollar, a un nivel aceptable, el ciclo investigativo en estadística, que sean capaces de formular una pregunta o plantearse un problema, proponer formas de recolectar la información, analizar la información y hacer inferencias fundamentadas en los resultados. En concordancia con las políticas curriculares colombianas seria el desarrollo de habilidades en la resolución de problemas. La resolución de problemas se fundamenta en la estadística a través del desarrollo del ciclo investigativo (Batanero, 2001 y Franklin, et al., 2007). El ciclo investigativo en estadística debe permitir: formular preguntas, aclarar el problema que nos ocupa y formular una (o más) cuestiones que puedan ser respondidas con datos; recopilar datos, diseñar un plan apropiado para recopilar los datos y emplear el plan para recoger los datos; análisis de los datos, seleccionar la gráfica y los métodos numéricos apropiados y utilizar esos métodos para analizar los datos; interpretar resultados, interpretar el análisis y relacionar la interpretación con la pregunta original. Al estar el pensamiento aleatorio propuesto desde las políticas educativas colombianas, se espera entonces, esté contemplado en el contenido de los libros de texto. No solo como un componente aislado del libro, si no como un elemento inmerso en las actividades y problemas que pongan en juego el desarrollo de las habilidades de razonamiento estadístico. ASPECTOS METODOLÓGICOS Para dar cuenta del objetivo de este estudio, asumiré una investigación inscrita en un paradigma cualitativo desde el enfoque interpretativo. Apoyado en lo planteado por autores como Denzin y Linconl (2012), Guba y Linconl (2002) y Creswell (1994). Este enfoque expone que la interpretación que haga yo como investigador está permeada por un momento histórico y social particular y por las subjetividades que poseo. El método a utilizar es el análisis documental. Este como método de investigación se fundamenta en el estudio profundo de la información presentada en un documento McCulloch (2004). Para mi caso particular los documentos serán los libros de texto de matemáticas para el grado quinto con la mayor venta y circulación en las instituciones educativas de Medellín, específicamente la porción del texto dedicada al pensamiento aleatorio. He elegido el grado quinto porque para este grado esta propuesto, desde los Estándares básicos de competencias en matemáticas (MEN, 2006), el trabajo en la resolución y formulación de problemas a partir de un conjunto de datos provenientes de observaciones, consultas o experimentos en el componente estadístico. Las unidades de análisis estarán definidas por los problemas y actividades propuestas para los estudiantes en los libros de texto. Para la sistematización de la información he construido una tabla de doble entrada que iré diligenciando a medida que avanzo en el estudio de las actividades y problemas propuestos en los libros de textos. El proceso de planteamiento y resolución de problemas será mirado teniendo en cuenta el ciclo investigativo. Analizaré cada actividad o problema propuesto por el libro de texto en 326
337 la unidad de estadística y registraré qué componente del ciclo investigativo promueve (ver Tabla 1). Libro # C1 C2 C3 C4 Problema 1 Problema 2 Tabla 1. Sistematización de la información: proceso planteamiento y resolución de problemas. Ciclo investigativo en estadística. C1: planteamiento de un problema o pregunta. C2: decisión sobre los datos a recoger, cómo recogerlos. C3: recogida, organización y Análisis de datos. C4: obtención de conclusiones e inferencias Cada libro de texto se registrará en una tabla diferente. Además, en mi análisis daré cuenta de cómo cada una de las fases del ciclo está siendo abarcada. Por ejemplo, en la fase relacionada con el planteamiento de una pregunta, es interesante mirar si la pregunta viene ya propuesta en el libro de texto o si es el estudiante quien tiene que proponerla; o si la pregunta que se maneja es de tipo determinista o no; entre otras ideas. Lo que trataré es identificar como esas actividades o problemas favorecen el desarrollo de cada uno de los cuatro componentes del ciclo investigativo. El análisis final consistirá en dar cuenta de cómo los libros de texto favorecen el desarrollo de habilidades de pensamiento aleatorio desde lo propuesto en las políticas curriculares colombianas y el desarrollo de las fases del ciclo de investigación estadística. REFERENCIAS Apple, M. (2000). Cultural politics and the text. En Official Knowledge (2 ed., pp., 42-60). London: Routledge. Batanero, C. (2001). Didáctica de la estadística. Granada: Universidad de Granada. Batanero, C., Díaz, C., Contreras, M. y Arteaga, P. (2011). Enseñanza de la estadística a través de proyectos. En C. Batanero y C. Díaz (Eds.), Estadística con proyectos (pp. 9-46). Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Blanco, N. (1994). Materiales curriculares: los libros de texto. En J.F. Angulo y N. Blanco (Ed.), Teoria y desarrollo del currículo (pp ). Málaga: Universidad de Málaga. Creswell, J.W. (1994). El procedimiento cualitativo. En C. E.-M. Domínguez, Diseño de investigación. Aproximaciones cualitativas y cuantitativas (pp ). Buenos Aires: Sage. Denzin, N. y Lincoln, Y. (2012). Manual de investigación cualitativa. Barcelona: Editorial Gedisa S.A. Fan, L. (2013). Textbook research as scientific research: towards a common ground on issues and methods of research on mathematics textbooks. ZDM, 45, Fan, L., Zhu, Y. y Miao, Z. (2013). Textbook research in mathematics education: development status and directions. ZDM Mathematics Education, 45, Franklin, C., Kader, G., Mewborn, D., Moreno, J., Peck, R., Perry, M. y Scheaffer, R. (2007). Guidelines for Assessment and Instruction in Statistics Education (GAISE). Report a pre- K 12 curriculum framework. Georgia: American Statistical Association. Guba, E. y Lincoln, Y. (2002). Paradigmas en competencia en la investigación cualitativa. En C. Denman y J.A. Haro (Eds.), Por los rincones. Antología de métodos cualitativos (pp ). Hermosillo-Sonora: El Colegio de Sonora. Johansson. (2003). Textbooks in Mathematics Education A study of textbooks as the potentially implemented curriculum. Tesis de grado, Lulea, Suecia: Departamento de Matemáticas, Lulea University of Technology. 327
338 Mahmood, K. (2010). Textbook evaluation in Pakistan: Issue of conformity to the national curriculum guidelines. Bulletin of Education and Research, 32 (1), McCulloch, G. (2004). Documentary research in education, History and the social sciences. London: Sres Series. MEN. (1998). Lineamientos Curriculares Matemáticas. Bogotá: Editorial Magisterio. MEN. (2006). Estándares Básicos de Competencia en Matemáticas. Bogotá: Editorial Magisterio. Pepin, B., Gueudet, G. y Trouche, L. (2013). Investigating textbooks as crucial interfaces between culture, policy and teacher curricular practice: two contrasted case studies in France and Norway. ZDM, 45, Rumsey, D. (2002). Statistical literacy as a goal for introductory statistics courses. Journal of Statistics Education, 10 (3). Shield, M. y Dole, S. (2008). A methodology for evaluating middle-years mathematics textbooks. ICME. México. Usiskin, Z. (2013). Studying textbooks in an information age. A United States perspective. ZDM, 45,
339 MAPAS CONCEPTUALES Y UVE DE GOWIN COMO ESTRATEGIA PARA CONSTRUIR CONOCIMIENTO ESTOCÁSTICO EN EL NIVEL UNIVERSITARIO María Cristina Kanobel Universidad Tecnológica Nacional Facultad Regional Avellaneda (Argentina) mckanobel@gmail.com Esta comunicación relata la experiencia de la inclusión de mapas conceptuales y UVE de Gowin para mejorar la comprensión y el rendimiento académico de los estudiantes que cursan Probabilidad y Estadística en cursos de nivel universitario. El marco teórico que sustenta esta investigación se basa en la teoría del aprendizaje de Ausubel, Novak, y Gowin y su relación con el aprendizaje significativo. El trabajo de campo fue desarrollado en el año 2013, en un curso de las carreras de Ingeniería de la Regional Avellaneda de la Universidad Tecnológica Nacional. La información recolectada luego de la intervención La información obtenida nos permitió inferir quela inclusión de mapas conceptuales y UVE de Gowin mejoró la comprensión de algunos conceptos de difícil comprensión y mejoro el desempeño académico de los estudiantes que utilizaron dichos recursos, logrando también entornos motivadores que facilitaron los procesos de enseñanza y aprendizaje, favoreciendo la metacognición de saberes. PALABRAS CLAVE Metacognición, UVE, mapas conceptuales, conocimiento estocástico. INTRODUCCIÓN Desde el año 2003, la cátedra de Probabilidad y Estadística de la UTN FRA viene desarrollando diversas acciones para revertir las dificultades que presentan los alumnos en la construcción del conocimiento estocástico. En el primer cuatrimestre del año 2013 se desarrolló un trabajo de campo en un curso denominado experimental para analizar si a aquellos estudiantes que aprenden con herramientas metacognitivas (como son los mapas conceptuales y la UVE de Gowin) mejoran su rendimiento académico. Para la investigación se seleccionaron dos cursos de 34 y 32 alumnos de similares características para procurar muestras representativas de estudiantes de la cátedra de Probabilidad y Estadística en la Facultad de Ingeniería de la UTN Regional Avellaneda, a través de un test de hipótesis. Desde el año 2006 a la fecha, el primer día de clases los alumnos realizan una encuesta para recabar información sobre las características de la población de estudiantes. Dicha información forma parte de una base de datos que permite caracterizar los alumnos de nuestra facultad. Esos datos históricos fueron contrastados con la información relevada de ambos cursos seleccionados de modo que las muestras fueran representativas de la población histórica de estudiantes. Para hacer la comprobación se contrastó cada parámetro de la población con la estimación obtenida para la
340 muestra. Luego de haber comprobado que ambos grupos eran muestras representativas, se comenzó la implementación del plan instruccional. MARCO DE REFERENCIA La asignatura Probabilidad y Estadística forma parte de las materias de las carreras de Ingeniería que, en sus diferentes especialidades, se dictan en la Regional Avellaneda de la Universidad Tecnológica Nacional. La importancia de esta asignatura en el contexto de las carreras de la UTN puede basarse en dos puntos esenciales: las aplicaciones en el ámbito laboral y los problemas de investigación. Es evidente que la preparación para estas tareas no puede concluir en el desarrollo de esta asignatura, ya que ella sólo proveerá al alumno de los fundamentos de los métodos estadísticos, y deberá ser retomada desde cada disciplina para poder generar graduados que sean aptos para la investigación y el desarrollo de nuevas tecnologías ASPECTOS METODOLÓGICOS El trabajo de campo fue llevado a cabo durante el primer cuatrimestre del año 2013: en uno de los grupos se realizó la intervención didáctica mientras que el otro grupo se utilizó como control. Al grupo control, de 32 estudiantes, se le impartió la enseñanza tradicional y a los 34 estudiantes del grupo experimental se les instruyó con herramientas metacognitivas tales como entrevistas clínicas, UVE de Gowin y mapas conceptuales a partir de un plan instruccional diseñado a tal efecto. Para comprobar la hom*ogeneidad entre las características de los dos cursos seleccionados se compararon los datos obtenidos en la encuesta realizada el primer día de clases para cada categoría observada. La Tabla I resume la información que se utilizó para comparar las proporciones de alumnos que cursan por primera vez (o bien que son recursantes) en los dos grupos. Grupo Cursantes Recursantes Control 0,84 0,16 Experimental 0,80 0,20 Tabla 1. Relación entre cursantes y recursantes en porcentajes Con un 0,1% de nivel de significación se pudo inferir que no existen diferencias significativas entre las proporciones de alumnos que cursan por primera vez en cada curso. Luego de la intervención didáctica se compararon los resultados de las calificaciones en los dos cursos para analizar si la enseñanza de conceptos mediante el uso de herramientas metacognitivas favorece el rendimiento académico de los estudiantes. Mediante un test chi-cuadrado se infirieron las siguientes conclusiones que avalan nuestra hipótesis. La Tabla 2 muestra los porcentajes de alumnos que rindieron el parcial: 330
341 Grupo Control Experimental Presentes Ausentes 21 5 Tabla 2. Presentismo en porcentajes Mediante un test de independencia se pudo inferir que, con un nivel de significación del 5%, la asistencia al examen depende del grupo de donde proviene el alumno. A partir de estos resultados se podría inferir que el nuevo diseño instruccional influye positivamente en la actitud del alumno frente a la instancia de examen, conjeturando también que se baja la ansiedad y aumenta la motivación el trabajo con herramientas metacognitivas según se explica en el marco teórico. Los datos de la Tabla 3 resumen la información sobre el desempeño académico de los alumnos presentes en el examen: Grupo Experimental Control Aprobados Desaprobados Tabla 3. Rendimiento academico en porcentajes En este caso se planteó un test de igualdad de proporciones con un nivel de significación del 5% que, a partir de los datos muestrales, permitió inferir que la proporción de aprobados en el curso experimental resultó significativamente superior que en el grupo control. En cuanto a las calificaciones, si bien la proporción de alumnos aprobados es significativamente superior en el grupo experimental, se observa también un leve aumento en el promedio de calificaciones y menos dispersión en las mismas. En estos resultados obtenidos en el grupo experimental influyó la gran proporción de alumnos con calificaciones entre 4 y 6 y, por otro lado, que se mantuvo el índice de aprobados con 7 puntos o más. Los resultados que se infieren del test y del análisis descriptivo sobre las calificaciones fue de suma importancia para confirmar que el diseño instruccional utilizado con el grupo experimental favorecería el rendimiento académico. A partir de los datos obtenidos de la encuesta realizada el primer día de clases, en cada curso se cruzaron las calificaciones obtenidas en los parciales con las distintas variables observadas. Los datos relevados se describen en el Gráfico 2, donde se observa que, en todos los casos, el rendimiento académico es superior en el curso experimental. En este sentido, se podría inferir que el plan instruccional con la aplicación de herramientas metacognitivas influiría positivamente significativamente en aquellos alumnos que trabajan. 331
342 Gráfico 2. Clasificación de los alumnos aprobados en ambos cursos DESARROLLO DE LA PROPUESTA El planteo teórico que enmarca esta investigación se fundamenta en la aplicación de herramientas metacognitivas como son los mapas conceptuales, las entrevistas clínicas y la uve heurística de Gowin en la planificación, seguimiento y evaluación de los procesos de enseñanza y aprendizaje, ya que son ampliamente reconocidas como estrategias que permiten indagar acerca de nuestro propio conocimiento y facilitan el aprendizaje significativo que el alumno descubra por sí mismo la utilidad de las estrategias y desarrolle su metacognición, conociendo qué formas de actuación mental son más eficaces en cada situación; es decir, que aprenda a aprender. El alumno que ha aprendido a aprender sabe trabajar por sí mismo, descubre nuevas técnicas y autorregula su sistema de trabajo sin la guía constante de otra persona. Se eligieron las tres primeras unidades para la intervención didáctica, ya que ellas engloban los contenidos del primer cuatrimestre que son evaluados en la primera parte del año (primer parcial). Por otra parte, estos conceptos adquiridos en esta parte del ciclo lectivo resultan inclusores de los nuevos conceptos que se desarrollan en el segundo cuatrimestre y permitirán que los alumnos puedan resolver nuevas situaciones problemáticas de aplicación directa en su futura vida como ingenieros tanto en el campo profesional como en el de la investigación. La metodología usada por los docentes durante el trabajo de campo con el grupo experimental promovió en todo momento la participación activa del alumno que fue guiado y acompañado, para la construcción de su propia estructura cognitiva influenciada por el contexto social y temporal en que se desarrolló la experiencia. Sobre las bases del aprendizaje significativo de Ausubel, Novak y Gowin, construimos un mapa conceptual para organizar nuestro trabajo de campo. El plan instruccional para la asignatura Probabilidad y Estadística propuesto para la intervención pedagógica se basa en un modelo educativo que privilegia el aprendizaje significativo sobre el tradicional aprendizaje memorístico. Antes de llevar a cabo la experiencia didáctica en el curso experimental se diseñó un plan instruccional con inclusión de herramientas metacognitivas de enseñanza y aprendizaje. Para ello, se llevaron a cabo las siguientes actividades en las distintas etapas de la propuesta. 332
343 El primer día de clases se llevó a cabo una encuesta estructurada para caracterizar el grupo de estudiantes del curso donde se llevaría a cabo el trabajo de campo y luego una entrevista clínica para indagar contenidos previos, concepciones alternativas y posibles sesgos. En el segundo encuentro se complementó la información dada por la entrevista clínica, con entrevistas individuales a algunos alumnos que fueron seleccionados de acuerdo a la información relevada en la primera clase. Se llevó a cabo una intervención didáctica durante el primer cuatrimestre en clases de carácter teórico- prácticas donde la profesora a cargo del curso junto al auxiliar docente desarrollaron los contenidos a partir de bibliografía, material impreso y actividades preparados específicamente para la cada unidad y se instruyó a los alumnos en el uso de mapas conceptuales y UVE de Gowin para la resolución de problemas. Para la integración de los conceptos de cada unidad se realizaron en clases con ejercitación integradora y mapas conceptuales como así también autoevaluaciones domiciliarias para favorecer la reconciliación integradora. Se solicitó además a cada alumno llevar un registro de sus trabajos en un porfolio como forma de organizar y jerarquizar sus producciones. Para la acreditación de saberes, se tomó un examen parcial al final del desarrollo de la tercera unidad y luego de una clase de integración de contenidos del cuatrimestre. Los conocimientos previos Los problemas que presenta el aprendizaje de la probabilidad en los primeros años de las carreras de Ingeniería están asociados a un enfoque determinístico de las clases de matemática en los niveles anteriores de enseñanza, siendo esta una de las causas que dificultan la comprensión de estos conceptos por parte del alumno. Por las características de esta rama de la matemática, y porque muchas veces los docentes no desarrollan estos temas por falta de tiempo o de conocimientos al respecto, es común observar que en niveles anteriores de la enseñanza los alumnos no hayan tenido alguna aproximación al aprendizaje de conceptos de la teoría de probabilidades. Por otro lado, la mayoría de los estudiantes poseen concepciones intuitivas acerca de la Probabilidad, muchas veces erróneas. Tanto la encuesta como la entrevista clínica fueron instrumentos válidos para indagar conocimientos previos y analizar si existen intuiciones erróneas. La población de alumnos que cursan la asignatura Probabilidad y Estadística en la Facultad Regional Avellaneda provienen en su mayoría de escuelas técnicas donde, en general, en los cursos de matemática, al igual que el de otras ciencias exactas, se trabaja con un enfoque algebraico y operacionalista, logrando un considerable nivel de destreza en el aspecto de cálculo pero no así en el aspecto de inferir y estimar respuestas a situaciones problemáticas abiertas. Atendiendo a la diversidad de saberes que poseen los alumnos, resulta imprescindible una evaluación diagnóstica previa. En este contexto se propuso la realización de una entrevista para explorar la estructura cognitiva de los alumnos y determinar la existencia de tales conocimientos previos sobre los concepto de combinatoria y probabilidad. Se utilizaron también mapas conceptuales para planificar la instrucción y para evaluar las producciones de los alumnos, como así también para detectar concepciones alternativas en los alumnos entrevistados. Los encuentros se caracterizaron por ser dinámicos con desarrollos teórico prácticas siguiendo las directivas del plan 333
344 curricular de la asignatura. La entrevista clínica fue de suma utilidad para identificar concepciones erróneas y alternativas de los estudiantes y para evaluar los conocimientos previos de los estudiantes de modo de orientar, organizar y desarrollar la enseñanza de los contenidos de la asignatura. Por las características de la asignatura, no contábamos con conceptos inclusores desde donde pudiéramos anclar la nueva información. Entonces, a partir del análisis de las respuestas dadas por los estudiantes entrevistados decidimos realizar dos actividades para revertir estas dificultades: a) elaboración de una guía de problemas, a modo de organizadores previos b) desarrollo una simulación en el laboratorio de informática con el objeto de revertir concepciones erróneas en la relación entre frecuencia relativa y probabilidad. Durante el tercer encuentro se desarrolló un trabajo práctico para intervenir en algunas concepciones alternativas que fueron reveladas por la entrevista clínica. En el cuarto encuentro, se propuso una actividad en el laboratorio de informática para realizar la simulación de un experimento aleatorio utilizando el software Excel. Al finalizar este encuentro se realizó un trabajo en grupos pequeños: la construcción de un mapa conceptual con los mismos conceptos puestos en juego. Se observó que, en esta nueva instancia lograron organizar y jerarquizar los conceptos en forma más completa, logrando modificar la concepción alternativa que relacionaba los conceptos de frecuencia relativa con probabilidad y sobre la equiprobabilidad de sucesos. Es importante destacar que, la implementación de mapas conceptuales como el uso de UVE de Gowin como herramientas para plantear la enseñanza y como estrategia para lograr aprendizajes significativos, contribuyeron además a la motivación y participación de los alumnos en la clase, percepción que constataron los mismos estudiantes y revelan los datos de una encuesta realizada después de finalizado el trabajo de campo. La intervención didáctica en el grupo experimental se desarrolló durante todo el primer cuatrimestre hasta la fecha en que los alumnos rindieron el primer parcial, en la primera semana de julio. Según revela una encuesta, adaptada de la investigación realizada por Morales (1998) y realizada a todos los alumnos del curso experimental luego de haber finalizado el trabajo de campo llevado a cabo para la investigación en el grupo experimental, se obtuvieron varios indicadores de dicha tendencia positiva. El relevamiento de la información revela que, respecto del uso de mapas conceptuales, un 72% de los alumnos afirman que es más sencillo comprender un tema cuando el docente los utiliza, un 65% responde que es más sencillo recordar un tema cuando se usa un mapa conceptual, un 62% admite que es posible utilizar mapas conceptuales como estrategia para el aprendizaje en otras asignaturas. En cuanto a la utilización de UVE de Gowin, un 54% de los estudiantes expresa que es más fácil entender un problema cuando el profesor la usa una UVE, un 61% afirma que la UVE ayuda a resolver mejor un problema, un 79% coincide en que los ayuda en la organización general de un problema, un 65% expresan que la UVE permite clarificar la pregunta del problema, un 59% coincide en que UVE de Gowin ayuda a relacionar lo que se conoce y lo que se espera alcanzar, un 71% acuerda que la UVE los ayuda a pensar posibles estrategias para la resolución, un 49% reconoce que la 334
345 UVE permite comprender la importancia de la verificación de la solución de un problema, un 57% expresa que la UVE ayuda a comprender el proceso de solución que realizaron otros compañeros. Los datos obtenidos del cuestionario nos llevan a la reflexión respecto a que la mayoría de los estudiantes del grupo experimental consideran motivantes las actividades realizadas. En ese sentido Paoloni (2005) considera que para que una tarea académica resulte potencialmente motivante debe reunir una serie de características: las tareas que resulten desafiantes, significativas e instrumentales, que posibiliten elecciones personales, autonomía, control, responsabilidad y manejo de recursos de aprendizaje, fomentarán en los estudiantes la adopción de una orientación motivacional hacia metas de aprendizaje. Es importante destacar que consideramos que las tareas académicas deben tener dichas características para la orientación motivacional de los estudiantes. Diversos estudios asocian positivamente la motivación con un mayor compromiso cognitivo, mayor satisfacción experimentada durante el proceso de aprendizaje y obtención de mejores logros académicos. En una primera etapa se realizaron entrevistas clínicas antes de comenzar con la enseñanza de la primera unidad de la asignatura. La llamamos etapa de revisión de conocimientos previos. Se utilizó la entrevista clínica como herramienta para indagar acerca de los conocimientos intuitivos y el grado de conceptualización que el alumno posee sobre cálculo combinatorio y cálculo de probabilidades como así también indagar algunas ideas alternativas y erróneas. Analizamos entonces los posibles sesgos y concepciones erróneas en las respuestas de dichos problemas. Luego de haber analizado las producciones de los alumnos en la entrevista clínica, tratamos de establecer los conceptos relevantes que los estudiantes tienen en su estructura cognitiva que permitirían detectar las ideas inclusoras. En este análisis podía ocurrir que no halláramos ninguna relación entre la estructura cognitiva del estudiante y la estructura conceptual del conocimiento que se pretendía enseñar. En estos casos, se seguirían las recomendaciones de Ausubel (2000) y Ausubel et al. (1991), quien sugiere la preparación de organizadores previos que sirvan como puente entre aquello que el alumno sabe y lo que necesita saber para un aprendizaje exitoso. Este material, que sería preparado especialmente en función del grupo de alumnos, tendría la función de favorecer el aprendizaje y, contribuir a que el estudiante reconozca que los conceptos del material de aprendizaje nuevo pueden relacionarse de un modo sustancial con conceptos relevantes de los que él ya conoce (Chrobak, 2001). En nuestro caso, fue necesario, diseñar un material ya que la información revelaba que los estudiantes, en su gran mayoría, no poseían los conceptos subsumidores adecuados para anclar la incorporación de nuevos conocimientos. De esta manera, procuramos que el proceso fundamental para el aprendizaje significativo no se viera afectado. En una instancia posterior, denominada etapa de actividades de comprensión, nos propusimos organizar un nuevo material para que los alumnos lograran relacionar sus conceptos previos con los nuevos conocimientos. Pensamos en el diseño de material atractivo para beneficiar el aprendizaje. Para esta propuesta de trabajo consideramos que el uso de la UVE de Gowin sería una herramienta que facilitaría el encuadre de la teoría y los principios necesarios para resolver la actividad y a la vez, sería de utilidad para que el estudiante pueda determinar los registros, 335
346 transformaciones y conclusiones que para resolver el problema. Para que los alumnos del grupo experimental se iniciaran en la construcción de mapas conceptuales, como lo recomienda Huertas (2006), en el segundo encuentro se explicó qué es un mapa conceptual, para qué se utiliza y cómo se construye. Además cada estudiante fue provisto de un instructivo para aprender a realizar mapas conceptuales. En la segunda clase, luego del desarrollar los primeros conceptos de la unidad 1, se propuso como actividad de cierre, que cada alumno realice un mapa conceptual con los conceptos involucrados en dicho encuentro, que luego serían analizados por los docentes del curso. El análisis de los mapas realizados reflejó algunos sesgos y concepciones erróneas. En los encuentros posteriores, al principio de cada clase, y como forma de repaso, de integración de los contenidos adquiridos y de institucionalización del conocimiento, la docente realizaba un mapa conceptual sobre el desarrollo de la clase anterior. Al final del cuarto encuentro, como actividad de integración, se solicitó a los alumnos la realización en grupos de un mapa conceptual con los conceptos desarrollados hasta el momento. En un primer análisis abarcativo y general sobre el uso de los mapas que los alumnos realizaban en las primeras clases evidenciamos que la falta de experiencia en el uso de esta herramienta metacognitiva influía en la forma en que construían los mapas observamos una incorrecta asignación de jerarquía conceptual y ausencia de nexos. Al final de la primera unidad, como actividad de integración de conocimientos, los estudiantes realizaron mapas conceptuales en grupos de cuatro integrantes. En esta instancia se comenzó a observar la inclusión de nexos entre conceptos aunque todavía aparecían dificultades para asignar jerarquía a los conceptos involucrados. Esta actividad se repitió al final de la segunda unidad, observando en este caso mapas más completos y mejoras en la jerarquía. Al final de la tercera unidad se solicitó que cada grupo realizara un mapa con todos los conceptos desarrollados en las tres unidades como integración y cierre de los contenidos que abarcarían el primer parcial: en esta instancia, la mayoría de los grupos logró construir mapas bastante más completos, incluyendo nexos y correctos en sus relaciones jerárquicas. CONCLUSIONES El grupo control aprobó el examen un 54% del total de los alumnos inscriptos en el curso mientras que, casi la mitad de los alumnos que no aprobaron esa instancia, no se presentaron al parcial. Entonces, concluimos que el 63,5% de los alumnos presentes aprobó el examen. Es decir que, en base a los datos obtenidos, se desprenden dos tendencias favorables al grupo experimental: un aumento significativo de la proporción de aprobados y una disminución de la tasa de ausentismo, tal como se puede observar en el gráfico 3, donde se compara el rendimiento en ambos cursos: 336
347 Gráfico 3. Comparación del rendimiento académico entre cursos La información obtenida sugiere también que, aunque no se modificó la tasa de alumnos que aprueban con 7 o más puntos, se incrementó el índice de estudiantes aprobados con menores calificaciones y a la vez, se observa un menor porcentaje de desaprobados. Esto indica también que, la inclusión de UVE de Gowin en la resolución de problemas, posibilita una mejor comprensión de qué es aquello que se pide, cuáles son los datos disponibles y cómo se puede resolver. En la revisión de los exámenes del grupo experimental, pudimos constatar que sólo un 15% de los alumnos no plantearon la UVE pedida por no haber respondido al ítem correspondiente. Del 85% que cumplió con la consigna, sólo el 3% respondió mal la pregunta por haber seleccionado el modelo teórico incorrecto pero elaboró correctamente la UVE. En el resto de los ítems resueltos por los estudiantes del grupo experimental se observa que disminuye considerablemente la proporción de alumnos que no responden alguno de los puntos en comparación con el rendimiento obtenido en el grupo control. Estas características sugieren que el plan instruccional aplicado en el curso experimental influyó positivamente en la motivación de los estudiantes y en la metacognición de saberes. Aunque este estudio no puede ni pretende inferir conclusiones a la población de estudiantes de nivel universitario, la información cuantitativa y cualitativa obtenida en el trabajo de nos permitirían afirmar que la implementación de herramientas metacognitivas para el aprendizaje de conceptos de la Teoría de probabilidades mejora la comprensión y el desempeño académicos de los estudiantes. También es importante destacar que dichas herramientas favorecieron la motivación de los estudiantes promoviendo el aprendizaje significativo de saberes. Pensamos que algunas de las herramientas utilizadas pueden llevar a profundas modificaciones en la manera de enseñar, de evaluar y de aprender. Acordamos con las afirmaciones de Moreira (2007), en cuanto a que procuran incentivar el aprendizaje significativo y entran en conflicto con técnicas dirigidas para el aprendizaje mecánico. Si son utilizados con toda su potencialidad, esto implica atribuir nuevos significados a los conceptos de enseñanza, aprendizaje y evaluación. REFERENCIAS Chrobak, R. (2001). La metacognición y las herramientas didácticas. Contextos de Educación, 4 (5),
348 Ausubel D. P. (2000). The acquisition and retention of knowledge. Dordrecht, The Netherlands: Kluwer Academic Publishers. Ausubel et al. (1991). Psicología educativa, un punto de vista cognitivo (2 ª ed.). México: Trillas. Huertas, P. (2006). La evaluación de mapas conceptuales multidimensionales de matemáticas: aspectos metodológicos. En A.J. Cañas y J.D. Novak (Eds.), Proceedings of the Second Internacional. Conference on Concept Mapping. San José, Costa Rica. Morales, E. (1998). Efectos de una didáctica basada en problemas empleando la técnica heurística V de Gowin. Revista Latinoamericana de Investigación, 1 (2), Moreira, M.A. (2007). Aprendizajem significativa: da visào clássica à visào crítica. En J.A. Ojeda, M.A. Moreira y M.L. Rodríguez (Orgs.), Actas del V Encuentro Internacional sobre Aprendizaje Signitficativo. Madrid: centro Superios de Estudiso Universitarios. Paoloni, P. et al. (2005). Aportes para la comprensión de la motivación en contexto. Tareas académicas en la universidad. Revista de Educación Superior, 133, XXXIV (1),
349 REPORTE DEL DESARROLLO DE UNA PROPUESTA DIDÁCTICA PARA LA ENSEÑANZA DE TABLAS DE CONTINGENCIA A ESTUDIANTES DE GRADO NOVENO, AVANCES Y DIFICULTADES Juan Pablo Caro y Javier Rodríguez Universidad Nacional de Colombia jpcaroq@unal.edu.co, jairodriguezbe@unal.edu.co Esta comunicación breve presenta los avances y las dificultades de la implementación de una propuesta didáctica para la enseñanza y aprendizaje de tablas de contingencia a estudiantes de grado noveno, utilizando el entorno de aprendizaje CourseSite junto con applets prediseñados de GeoGebra y JClic, teniendo en cuenta como referente teórico las dificultades reportadas por diferentes autores en el campo de la didáctica de la estadística. PALABRAS CLAVE Tablas de contingencia, enfoque ontosemiótico, Tics en la enseñanza de la estadística. INTRODUCCIÓN Todos los ciudadanos deben tener la capacidad para interpretar y evaluar críticamente la información estadística que por diversos medios se hace presente en su vida cotidiana; como parte de informes de negocios, informes de prensa, estudios científicos, encuestas, etc., y así tomar decisiones fundamentadas en fenómenos de naturaleza estocástica en diferentes contextos de su desarrollo profesional o de su vida personal (Estrada y Batanero, 2007). Una de las formas más utilizadas para presentar la información estadística es mediante el formato de tablas de doble entrada o tablas de contingencia, tema que es subvalorado por la enseñanza; este formato ayuda a visualizar conceptos y relaciones abstractas difíciles de entender, pero a pesar de su simplicidad no resulta tan sencillo de comprender, incluso cuando sólo se trata de tablas de dos filas y dos columnas (Cañadas, 2013). Por lo anterior es pertinente diseñar propuestas didácticas que permitan a los estudiantes acercarse al estudio, análisis e interpretación de la información estadística de tablas de contingencia y su aplicación en la toma de decisiones. MARCO DE REFERENCIA La propuesta didáctica se desarrolla básicamente dentro del marco teórico del Enfoque ontosemiótico, específicamente en el trabajo desarrollado por Cañadas, Arteaga y Batanero (2011).
350 ASPECTOS METODOLÓGICOS Esta propuesta se diseña en el entorno de aprendizaje CourseSite con la intención de hacer uso de las Tics y de applets de GeoGebra y Jclic, aplicando trabajo cooperativo entre los estudiantes con la conformación de grupos y la orientación permanente del docente. DESARROLLO DE LA PROPUESTA La propuesta se diseña entre junio y julio de y se implementará entre julio y agosto de. Etapas o faces para desarrollar la propuesta: Apertura de cuentas de correo electrónico por parte de los estudiantes. Apertura curso de estadística utilizando la plataforma CourseSites. Desarrollo de encuestas al interior del curso que incluyan datos cualitativos y cuantitativos. Utilización de diagramas de barras simples (adosadas) y diagramas de barras apiladas para la representación de parte de la información de las encuestas (los datos de variables cualitativas). Análisis de la información de las representaciones gráficas utilizando razones que representaran las frecuencias absolutas o relativas, por ejemplo, (h/n) de los n estudiantes, h son hombre o (ma/m) de las m mujeres, ma prefieren la clase de artes. Diseño de tablas que resuman la información de la encuesta y correspondan tanto a la representación gráfica como a las diferentes relaciones (razones) propuestas por los estudiantes para el análisis de la información. Vinculación de las actividades desarrolladas en clase con la teoría de tablas de contingencia. Utilización de applets de GeoGebra para el análisis de la relación entre sexo de los estudiantes y la preferencia a determinadas materias (artes, sociales, matemáticas y español). Desarrollo de encuestas sobre gustos de alimentos a la hora del descanso que se resumirán en tablas de contingencia que relación sexo y preferencias por algún tipo de menú. Evaluación teórico practica para determinar el grado de comprensión tanto de las tablas de contingencia como del nivel de análisis de la información alcanzado por los estudiantes. CONCLUSIONES El empleo de recursos de las TICs facilita aprovechar aspectos lúdicos en los procesos de enseñanza; y hace que los conceptos de relación y asociación lleguen a los aprendices deforma más amigable, permitiendoa los docentesencontrar las fuentes de las dificultades del aprendizaje de sus estudiantes y así poder actuar sobre ellas. 340
351 VIDEO TUTORIAL SOBRE EL OVA DE LA PROPUESTA REFERENCIAS Cañadas, G., Arteaga, P. y Batanero, C. (2011). Las tablas de contingencia: un objeto semiótico complejo. En Actas del XIV Simposio de la SEIEM, Investigación en educación matemática. España: Lleida. uposxivsimposio.pdf. Cañadas de la Fuente, G.R. (2013). Comprensión intuitiva y aprendizaje formal de las tablas de contingencia en alumnos de psicología. Granada: Universidad de Granada. Estrada, A. y Batanero, C. (2007). Errores en el cálculo de probabilidades en tablas de doble entrada en profesores en formación. UNO Revista de Didáctica de las Matemática, 44,
352 PROPUESTA DIDÁCTICA PARA MODELAR ESTADÍSTICAMENTE ERRORES DE MEDICIÓN EN LAS CIENCIAS NATURALES, EN LOS GRADOS DÉCIMO Y ONCE Gladys Sánchez Universidad Nacional de Colombia gmsanchezb@unal.edu.co Este documento es una síntesis de una propuesta didáctica para modelar estadísticamente, errores de medición en las ciencias naturales. El origen de este trabajo fue motivado por cuatro cuestiones: la primera es la enseñanza del error como requisito para el currículo, los estándares curriculares establecen que un error es un punto en uno de los caminos hacia la verdad y, cada punto en ese camino, es un error de mayor o menor magnitud. Se vive en un mundo lleno de incertidumbres donde a nivel físico no existen verdades absolutas, por tanto, se vive con el error permanentemente, la segunda es la escasez de recursos didácticos para atender la enseñanza de error de medición en el aula teniendo en cuenta la revisión bibliográfica realizada, la tercera es el manejo interdisciplinar que se le puede dar al error de medición en el aula, y por último, es el uso de herramientas tecnológicas para el desarrollo de modelos o representaciones visuales acerca de éste tema en el aula, la importancia del error de medición en las ciencias y el tratamiento estadístico del error de medición en el aula, como instrumento para evaluar de forma cuantitativa la precisión y exactitud de los resultados obtenidos a partir de procesos experimentales. PALABRAS CLAVE Error de medición, precisión, exactitud, modelo estadístico. INTRODUCCIÓN El aspecto axiológico del trabajo se fundamenta en el error de medición, el cual en éste trabajo se define como la diferencia que existe entre el valor real y el obtenido a través de un proceso experimental de medida. El aspecto ontológico se fundamenta en una propuesta didáctica que incursiona el tratamiento estadístico del error desde diferentes ciencias al aula. La pregunta que motiva este trabajo es Cómo abordar en el aula el concepto de error en la medición durante la toma de datos en situaciones experimentales? Los estudiantes de educación media, dentro de su rutina académica y social, enfrentan problemas durante sus prácticas de laboratorio y experiencias en ciencias donde aparece el error de medición. Por tanto, se plantean dos actividades, en física y química donde se aborde la teoría del error para incorporarla a la conceptualización de las diferentes teorías, es decir, postular modelos estadísticos, que puedan dar significado a las aproximaciones y estimaciones en los procesos de medición para cuantificar la precisión y exactitud del método experimental.
353 En el aspecto epistemológico se presenta una propuesta didáctica que pretende brindar herramientas para el manejo del error de medición por parte de los docentes encargados de la educación estadística en media (grados 10º y 11º), la aplicación de la propuesta es un colegio distrital ubicado en la localidad de Rafael Uribe Uribe llamado Misael Pastrana Borrero que tiene como énfasis la ciencia y la tecnología. En el aspecto metodológico se realiza una revisión bibliográfica con relación al error en procesos de medición a nivel didáctico, epistemológico y pedagógico. La parte didáctica trata de los estudios realizados sobre la medida de las magnitudes, educación estadística y las estrategias de aula. La parte epistemológica hace una revisión a través del tiempo del desarrollo de la teoría de errores a partir de su aplicación en otras ciencias y el pedagógico, describe la transposición didáctica de la teoría de errores en el aula teniendo en cuenta los lineamientos establecidos por el Ministerio de Educación. Por último, se desarrolla la propuesta didáctica con su planteamiento y aplicación teniendo en cuenta el anterior marco teórico. En el aspecto teleológico, se pretende con la propuesta favorecer a los estudiantes al considerar la interpretación y tratamiento del error para la comprensión de conceptos en ciencias y evaluación del nivel de precisión y exactitud de los métodos de medición experimentales, con el fin de mejorar la comprensión de los conceptos y teorías en ciencias. Además, se potencia el desarrollo de competencias matemáticas relacionadas con el pensamiento métrico y el pensamiento aleatorio, y en ciencias para ese nivel (MEN, 2006). MARCO DE REFERENCIA Marco didáctico Medida de las magnitudes A partir de la observación de las diferentes características o cualidades de los objetos podemos encontrar diferentes magnitudes que pueden ser discretas o continuas según su naturaleza. Según Belmonte y Chamorro (1994) el estudiante debe tener contacto con situaciones que les lleven al descubrimiento de magnitudes físicas, a partir de la comparación directa a través de los sentidos o con la ayuda de aparatos o instrumentos adecuados e indirecta a partir de procedimientos matemáticos y relaciones entre las magnitudes medidas. Aprendizaje activo y desarrollo de capacidades metacognitivas Para la realización de la propuesta se va a tener en cuenta el enfoque del aprendizaje activo complementado con la estrategia del desarrollo de las capacidades metacognitivas. Según Campanario y Moya (1999) actualmente en educación, en la enseñanza de las ciencias naturales y exactas se debe potenciar el desarrollo de las capacidades metacognitivas tales como: observación, clasificación, comparación, medición, descripción, organización, predicción, formulación de hipótesis, interpretación de datos, elaboración de modelos y obtención de conclusiones. Esta estrategia fue retomada porque busca que el estudiante desarrolle procesos de razonamiento que potencien su nivel analítico y argumentativo. 343
354 Según Gunstone y Northeld (citados en Campanario y Moya, 1999) se debe desarrollar la metacognición que tiene como objetivo que los alumnos sean conscientes de sus propios procesos cognitivos empleando actividades que siguen el esquema: predecir, observar y explicar; lo que involucra en el aula una participación activa del estudiante en la construcción de su conocimiento incrementando su motivación. En primer lugar se les propone ciertos problemas o situaciones para que ellos predigan ciertas hipótesis, contrasten con la experimentación, y por _ultimo intenten explicar las observaciones realizadas haciendo uso de diferentes teorías para formalizar su conocimiento. El aprendizaje activo es aquel aprendizaje basado en el educando, que solo puede adquirirse a través de la implicación, motivación, atención y trabajo constante del estudiante, debe participar en la tarea, necesariamente, para poder obtener los conocimientos o informaciones que se diseñan como objetivos de la asignatura (Schwartz y Pollishure, 1995). El papel del profesor es guiar a los alumnos en su proceso de búsqueda, orientar a cada alumno para el desarrollo del conocimiento, facilitar y posibilitar diferentes actividades con el propósito de que los estudiantes se involucren participando en éstas, para obtener ciertos aprendizajes, y por último, aclaran aquellos conocimientos que les causan grandes dificultades y dan mayor significado a la teoría. Dentro del aprendizaje activo el estudiante, a través de la práctica y la experiencia puede adaptarse a las nuevas formas de enseñanza y el profesor necesita de una formación específica, debido a que ha de saber cómo, cuándo y con qué recursos puede poner en práctica unas u otras actividades dirigidas al desarrollo del aprendizaje activo del estudiante, además, es el responsable de la dinámica y el control de la clase. Los defensores del aprendizaje activo sugieren diseñar las situaciones de aprendizaje de manera que permitan a los estudiantes atravesar cuatro etapas establecidas por Schwartz y Pollishure (1995): Hacer. Consiste en realizar tareas que estimulen la actividad de los estudiantes (discusión de casos, análisis y resolución de problemas sociales, simulaciones, juegos y dinámicas experimentales). Revisar. En esta etapa los estudiantes se detienen para tomar conciencia de lo que ocurrió en el proceso, qué fue importante, cómo se sintieron, etc. Aprender. es cuando los estudiantes argumentan las nuevas ideas y perspectivas que la actividad permitió generar. Aplica. Trata de planear acciones futuras a la luz de los nuevos hallazgos o conocimientos. Se examina la posibilidad de transferir lo aprendido a otras situaciones. Marco epistemológico En los antecedentes epistemológicos tiene en cuenta el uso de los errores de medición a través de la historia para dar origen a diferentes teorías en las ciencias. Algunos de los personajes que aportaron a la ciencia y se relacionan con los errores de medición son: 344
355 Heissenberg (1927) con el principio de incertidumbre que nos habla sobre un tipo de error que se puede cometer al realizar una medición y que se tuvo en cuenta para el desarrollo de la teoría de la física cuántica, Gauss que crea la teoría del error a partir de sus estudios astronómicos. Marco disciplinar En el siguiente esquema conceptual del marco disciplinar se presenta de forma descriptiva la forma como se realiza la revisión sobre elementos conceptuales básicos de la teoría de la medida y de la estadística, y punto de intersección de estas teorías enfocadas hacia el error de medición como la evaluación de la precisión y exactitud de un método de medición a través de un modelo estadístico. Tratamiento estadístico de los errores de medición en Ciencias Medición Estadística descriptiva e inferencial Propiedades de una medida Elementos estadísticos Error de medición Error estadístico Precisión y Exactitud Modelo estadístico Ilustración 1.4 Esquema conceptual del marco disciplinar Error de medición El error de medición está presente en cada medición debido a los siguientes factores: la naturaleza de las mediciones físicas, la persona que efectúa la medición, los instrumentos que se usan en la medición y el sistema de medida. Ésta medición se ve afectada por pequeñas perturbaciones aleatorias impredecibles denominadas errores, las cuales se pueden reducir de magnitud pero es imposible anularlo por completo. Por esta razón, fue importante desarrollar una teoría de errores de medición que conste de métodos para obtener adecuadas aproximaciones de cantidades físicas a partir de valores medidos y de información acerca de la exactitud de las aproximaciones. Gil y Rodríguez (2001) nos exponen una clasificación teniendo en cuenta su carácter, se explicitarán a continuación: Errores sistemáticos. Se originan por las imperfecciones de los métodos de medición, tales como: error de calibración del instrumento, condiciones 345
356 I Encuentro Colombiano de experimentales no apropiadas, técnicas imperfectas, fórmulas incorrectas, paralaje, etc. Este error en el sentido de una equivocación, no de una incerteza. Errores estadísticos. Son los que se producen al azar, son debidos a causas múltiples y fortuitas. Estos errores pueden cometerse con la misma probabilidad tanto por defecto o como por exceso, por tanto midiendo varias veces y promediando el resultado, es posible reducirlos considerablemente, son los que hace referencia la teoría estadística como errores de medición. Tratamiento estadístico del error de medición En la propuesta se tienen en cuenta los errores estadísticos, donde una magnitud se mide directamente n veces, lo cual genera en las medidas obtenidas una variabilidad y se evidencia el error con la misma probabilidad tanto por defecto como por exceso, por tanto un parámetro que nos permite promediar estos resultados y con ello reducir considerablemente el error, es la media x. La media es la sumatoria de todas las observaciones o medidas xi dividida entre la cantidad de datos (N). Esta medida de tendencia central hace parte de la estadística descriptiva que se usa para detallar características de una población. Las medidas de dispersión, son valores estadísticos que nos indican cuantitativamente la variabilidad o dispersión de cada observación en un grupo. Según distintos autores, la medida de dispersión más utilizada es la desviación típica (s) que mide la intensidad con que los datos se desvían respecto a la media, se expresa como la raíz cuadrada de la suma de los cuadrados de la diferencia entre cada valor y la media, dividida dicha suma por el número de valores (N); su cuadrado recibe el nombre de varianza y viene dada por: s 2 n ( X X ) i1 N Una medida relativa que nos proporciona una estimación de la magnitud de la desviación respecto a la magnitud de la media es el coeficiente de variación que relaciona la desviación estándar y la media, expresando la desviación estándar como porcentaje de la media (Levin y Rubin, 2004). Coeficiente de variación porcentual = 2 s (100) x La estadística inferencial nos permite sacar conclusiones respecto a una población, a partir de los datos descriptivos de una muestra que han sido anteriormente definidos y se denominan parámetros de una población. Para evaluar la precisión, la cual se refiere a cuando concuerdan dos o más mediciones de una misma cantidad, se utiliza el parámetro del coeficiente de variación, éste permite comparar la variación dentro de las medidas de una muestra con respecto de su valor promedio. El coeficiente de variación, es generalmente un número adimensional menor que uno y mayor que cero. Se considera que para ser aceptado, como criterio debe tener un valor cercano a cero, por tanto la precisión del experimento satisface las expectativas en cuanto al método aplicado, es decir, los valores obtenidos experimentalmente con ese método son muy cercanos (Levin y Rubin, 2004). 346
357 Marco pedagógico La propuesta didáctica tiene el enfoque pedagógico del aprendizaje activo y la estrategia metodológica es el desarrollo de las capacidades metacognitivas. Se considera apropiada esta metodología para el desarrollo de la porpuesta ya que da un papel protagónico al estudiante por medio de actividades experimentales que incrementan su motivación, participación, comprensión y dinamismo dentro del aula, además de desarrollar herramientas comunicativas, analíticas, argumentativas y críticas durante el proceso de aprendizaje. Este trabajo propone una propuesta interdisciplinar que busca dar significado al error de medición, teniendo en cuenta la aplicación de algunos conceptos estadísticos para modelar la precisión y exactitud de los datos experimentales, y a partir de procesos de medición, establecer una interacción dinámica entre las ciencias físicas y exactas, como las matemáticas, desarrollando sus pensamientos. Los procesos de laboratorio y la resolución de problemas generan situaciones de utilidad, con aplicaciones prácticas donde cobran sentido las matemáticas (MEN, 2006). ASPECTOS METODOLÓGICOS Diseño de las actividades experimentales de aula para grado decimo y once Las situaciones experimentales que se tienen en cuenta para el desarrollo del trabajo son en ciencias, se ha elegido una en física sobre la caída libre de un cuerpo, en química es la determinación de la densidad del etanol y en geometría la determinación de una aproximación al número Pi. Una característica primordial de estas situaciones, es que hay un valor teórico para contrastar los datos experimentales como: la gravedad, la densidad del etanol y el número Pi, lo que nos permite establecer un nivel de exactitud por medio del modelo del error relativo porcentual. A nivel metodológico se tiene en cuenta el aprendizaje activo y el desarrollo de las capacidades metacognitivas, ya que se busca durante las actividades que halla mayor participación del estudiante, poniendo en juego durante el primer momento los conocimientos previos a la actividad acerca del error de medición y la estimación de medidas, además puede predecir y fórmulas hipótesis acerca de la situación experimental planteada de forma individual y grupal, para luego contrastar éstas ideas con las obtenidas en la práctica experimental, y por último realizar un tratamiento estadístico por medio de la aplicación de conceptos como varianza, desviación estándar, coeficiente de variación y error relativo a través de Excel, para validar la precisión y exactitud de los datos obtenidos con el método de medición. Se proponen tablas a completar con las medidas directas experimento, y los valores estadísticos obtenidos del coeficiente de variación y el coeficiente de error relativo. Luego para analizar los resultados de la actividad didáctica se plantean preguntas dirigidas o sugeridas al estudiante sobre los datos registrados en la tabla. Tales como: Qué factores en el taller experimental influyeron en los resultados sobre precisión y exactitud? Cuál es el uso que le podemos dar al error relativo en diferentes situaciones? Se socializan las respuestas por medio de una plenaria y se exponen las dudas originadas con la situación. 347
358 Por último, cada grupo elabora un informe con una descripción de la parte experimental, los resultados de su tratamiento estadístico y las conclusiones acerca del error de medición. Conclusiones de la aplicación de las actividades experimentales Para de los datos obtenidos en la propuesta didáctica aplicada, se establecieron unas categorías de análisis en las que se podía evidenciar la construcción del conocimiento entorno al error dentro de las actividades experimentales propuestas. Las categorías y las subcategorías fueron retomadas de un artículo de investigación llamado Modelos matemáticos a través de proyectos elaborado por Aravena M, Camaño C. y Giménez J. (2008), aunque cabe recalcar que las categorías se adecuaron de acuerdo con el objetivo de nuestra investigación. Aspectos cognitivos Elementos cognitivos conceptuales Estos elementos se refieren a las concepciones sobre el error de medición que tienen los estudiantes y algunos conceptos estadísticos para cuantificar la precisión y exactitud de los datos experimentales. Durante el desarrollo de las actividades se evidencia el reconocimiento e interpretación de la clasificación de los errores medición dentro de situaciones científicas, a partir de la observación, se plantea la siguiente clasificación jerárquica de menor a mayor grado de complejidad en los estudiantes: Error de apreciación Error de exactitud Error de interacción Falta de definición en el objeto sujeto de medición Elementos cognitivos procedimentales Dentro de los procedimientos cognitivos se incorporan: La práctica experimental La recolección y organización de la información o datos experimentales. Los cálculos realizados para determinar medidas indirectas. Las representaciones y cálculos estadísticos realizados en el software excel con los resultados. Elementos autorreguladores y aplicación Se analizan los resultados con los que dotan a los conceptos y su utilidad dentro de un contexto en ciencias. Se observó que los estudiantes reconocen la estadística como una herramienta indispensable al momento de cuantificar el error de medición (precisión de los datos), ya que el error produce una variación en las medidas observadas y esta se representa por medio de la media que se utiliza como herramienta para encontrar una medida promedio, las medidas de dispersión como la desviación estándar y la varianza que sirven para el cálculo del coeficiente de variación. Esto se evidenció en las conclusiones de los trabajos donde los estudiantes escribieron: Durante este trabajo aprendimos a manejar algunas funciones 348
359 estadísticas mediante el programa Excel y también comprendimos como hallar valores estadísticos nos permiten evaluar la precisión y exactitud de los datos. Comunicación matemática Las intervenciones fueron argumentando las respuestas a las preguntas sobre el error, donde de tenia en cuenta la variedad de medidas obtenidas y los factores que intervienen durante el proceso de medición. Aspectos metacognitivos Creatividad En las diferentes estimaciones que realizan los estudiantes se evidencia la creatividad, además, en sus socializaciones donde se constata la forma cómo se enfrentan a los problemas, el aporte de las nuevas ideas al resolver las preguntas planteadas sobre precisión y exactitud. Pensamiento estratégico Se evidencia en la reflexión de los estudiantes sobre los procedimientos y factores que intervinieron para la obtención de diferentes medidas en las repeticiones del experimento al ver el nivel de exactitud y precisión calculados por medio del tratamiento estadístico del error, y clasifican sus errores observados entre las categorías planteadas. El establecimiento de comparaciones entre las medidas estimadas y medidas, las relaciones de proporcionalidad entre las medidas que intervienen en la práctica, las comparaciones entre las medidas obtenidas y el valor real para evaluar la exactitud del método de medición y las regularidades que hay en las tres situaciones planteadas. 349
360 Errores de medición ACTIVIDAD FISICA ACTIVIDAD QUIMICA ACTIVIDAD GEOMETRIA Argumentos desde la experiencia sobre los errores El tiempo varia porque no se deja caer el objeto al mismo instante en que se inicia el cronométro. Las masas varian en cada repetición por que hubo alguna falla al graduar la balanza. La longitud de la circunferencia vario debido a una equivocación al sobreponer la cinta de papel alrededor del objeto redondo. CONCLUSIONES La propuesta permite desde el aspecto curricular, reconocer el error como parte permanente de las medidas físicas, propiciando en ciencias la convivencia con el error y el manejo de su tratamiento para disminuir su valor a partir de métodos de medición más recientes. La propuesta aplicada brinda a los estudiantes herramientas conceptuales y procedimentales al momento de medir una magnitud, lo que permite que el error pierda ese significado de equivocación para reconocerlo como algo natural que no se puede eliminar sino disminuir en las magnitudes físicas. En el desarrollo de las actividades los estudiantes reconocen el error de medición desde la naturaleza de las magnitudes físicas y su cuantificación como una herramienta estadística que establece un criterio de validez de un método de medición en diferentes ciencias En el aspecto didáctico se plantea actividades donde se pueden relacionar campos de conocimiento, tales como: las ciencias, la estadística y la tecnología, incentivando el uso de las Tics durante el desarrollo de conocimientos y habilidades en el aula acerca del error. A nivel didáctico se establecen de modo jerárquico las clases de errores de medición que se hacen evidentes en una práctica, teniendo en cuenta las fortalezas y dificultades presentadas por los estudiantes al momento de identificarlas en el proceso experimental. REFERENCIAS Aravena M, Caamaño C. y Giménez J. (2008). Modelos matemáticos a través de proyectos. Revista Latinoamericana en Investigación en Matemática Educativa RELIME, 11 (1) Belmonte J. y Chamorro, C. (1994). El problema de la medida: didáctica de las magnitudes lineales. Madrid: Síntesis. Bressan, A. y Yaksich, F. (2001). La enseñanza de la medida en la educación general básica. Obra colectiva de los docentes de la Red de escuelas de Campana. Campanario, J. y Moya A. (1999). Cómo aprender ciencias? Revista Enseñanza de las Ciencias. 2,
361 Levin, R. y Rubin, D. (2004) Estadística para administración y economía. México: Pearson Education - Prentice Hall. MEN (2006). Estándares básicos de competencies en matemáticas. Bogotá: MEN. Schwartz, S y Pollishure, M. (1995). Aprendizaje activo: una organización de la clase en el alumnado. Narcea. 351
362 EL DIAGRAMA DE TALLO Y HOJAS COMO ESTRATEGIA EN LA CONSTRUCCIÓN DE UNA DISTRIBUCIÓN DE FRECUENCIAS PARA DATOS AGRUPADOS Ferney Anturi y Alirio Quesada Universidad de la Amazonia (Colombia) fantury@uniamazonia.edu.co, Alirio51@hotmail.com En la presente ponencia se busca mostrar de forma precisa los resultados obtenidos al adoptar el Diagrama de tallo y hojas como estrategia metodológica para agrupar datos en clases o intervalos de clase. Dicha propuesta ha tenido su desarrollo dentro del espacio académico denominado Estadística y probabilidad de la Licenciatura en matemáticas y física de la Universidad de la Amazonia. Con éste se busca hacer un llamado a incluir en el aula de clase, métodos, estrategias, ayudas didácticas que contribuyan a un clamor pertinente que ha venido tomando fuerza en lo relacionado con la alfabetización estadística. PALABRAS CLAVE Estrategia, diagrama de tallo y hojas, datos agrupados, alfabetización Estadística INTRODUCCIÓN El surgimiento de los lineamientos curriculares para matemáticas a finales de los años noventas, generó al interior de las prácticas escolares una serie de cambios en la clase, pues el maestro debe dar razón del pensamiento aleatorio, situación que motiva al estudio y reflexión sobre los abordajes que se deben dar en el aula de matemáticas. En la Universidad de la Amazonia, buscando contribuir a lo arriba expuesto, hemos constituido un grupo de docentes y estudiantes de la Licenciatura en matemáticas y física que tiene como prioridad aportar propuestas de experiencias encaminadas a mejorar el estudio de los objetos matemáticos (en estadística), concebidos y estudiados desde su estructura conceptual. Se pretende, además, generar una verdadera cultura estadística apuntando prioritariamente a la nueva propuesta denominada alfabetización estadística. Siempre que se quiere agrupar datos en intervalos de clase, el profesor, dada su experiencia, usualmente recurre bien sea a la formula de Sturges o al número deseado de clases; a esto se suma el seguimiento estricto a los libros de texto. Nuestra práctica diaria posibilita generar nuevas propuestas, las que nos ha permitido notar que en el caso particular de la elaboración de un diagrama de tallo y hojas, en la mayoría de las veces el docente sólo lo emplea para hacer un análisis de datos y conocer la forma que toma la serie; esto nos permite afirmar que el mencionado diagrama es utilizado en un porcentaje mínimo, dejando de lado toda la enseñanza adicional que éste nos ofrece y que como educadores debemos aprovechar, pues la experiencia que hemos podido
363 adquirir, desde el abordaje del espacio Estadistica y probabilidad durante los últimos dos años, así lo muestran. MARCO DE REFERENCIA La estadística es una ciencia que se remonta al inicio de las sociedades humanas, como una necesidad para la realización de actividades elementales, desde una simple colección de datos hasta la interpretación de los mismos. Las primeras sociedades que se formaron en la historia, necesitaban saber cuántos habitantes formaban cada tribu, la cantidad de bienes poseían, etc. de esa manera planificaban mejor la asignación de los recursos; luego se podría decir, que la estadística permite recolectar, organizar, resumir y analizar datos, a partir de los cuales se deducen conclusiones que validen decisiones adecuadas. Cuando hacemos investigación necesariamente debemos tener presente que sin la estadística no sería posible llegar a las conclusiones, descripciones, caracterizaciones o inferencias y por ende no podríamos tomar decisiones; luego es un compromiso ineludible de los maestros propiciar espacios adecuados para el logro de los objetivos que se plantean en el momento de la planeación de las clases buscando siempre que nuestros estudiantes se vinculen plenamente a los procesos que al respecto se dan en las instituciones educativas. Es por lo anterior que consideramos de mucha importancia que desde la planeación misma se generen dinámicas y procedimientos, que permitan a futuro hacer posible acceder a conceptos y definiciones que antes se consideraban demasiado axiomáticas. Es por esta razón que nuestras prácticas escolares deben hoy en día contener un alto grado de innovación y estar dotadas de un tratamiento disciplinar y didáctico, a fin de que nuestros estudiantes reconozcan que el aprendizaje es en definitiva un proceso en el cual convergen personas comprometidas y direccionadas hacia el logro de unos objetivos precisos y comunes a los intervinientes del mencionado proceso. La presente propuesta retoma el legado del ingeniero químico y matemático Jhon Wilder Tukey, quien dio su aporte a la estadística con varias de las gráficas más usadas en el análisis exploratorio de datos y a quien adicionalmente se le asigna la introducción de las modernas técnicas para estimar el espectro de las series temporales. En 1965, en un artículo conjunto con J. W. Cooley, publicado en la revista Mathematics of Computation, introdujo el algoritmo de la Transformada rápida de Fourier (FFT), fundamental para crear el procesamiento digital de datos el Análisis Exploratorio de Datos o EDA (Exploratory Data Analysis), es una nueva aproximación a la estadística básicamente gráfica, con un conjunto de técnicas de exploración de datos estadísticos basadas en el uso de gráficos. Destacan los gráficos Box-and- Whisker Plot (Diagrama de caja y bigotes), el Stem-and-Leaf Diagram (Diagrama de tallo y hojas), los Radiogramas (rootograms) y los Diagramas de ajuste. El diagrama de tallo y hojas, a pesar de no ser un gráfico definitivo para la presentación de datos, es fácil y rápido para realizar a mano; con él se puede caracterizar desde una primera perspectiva el comportamiento que siguen los datos, también es de gran utilidad para representar un conjunto de datos cuantitativos, este tipo de representación presenta similitudes con el histograma en cuanto que 353
364 proporciona información del recorrido de la distribución de datos en estudio, muestra la ubicación de la mayor concentración de mediciones y revela la presencia o ausencia de simetría. El diagrama de tallo y hojas tiene ventajas sobre el histograma; otra ventaja, es que esta representación elimina el paso de los datos originales a clases. Algunas veces, la utilización del primero o de los dos primeros dígitos de los datos puntuales como tallos no proporcionan suficientes tallos como para permitir detectar la forma de su distribución. Una manera de solucionar esto es utilizar tallos dobles. Es decir, utilizar cada tallo dos veces: una vez para trazar las hojas inferiores y otra vez para trazar las hojas superiores. Muchos de los procedimientos estadísticos que se desarrollan suponen que la variable independiente estudiada posea al menos una distribución aproximadamente normal, para la cual el diagrama de tallos y hojas tiene forma de campana, por lo tanto, los diagramas de tallos y hojas dan una idea de la localización de los datos y de la forma de la distribución. Esta técnica funciona bien para los conjuntos de datos que no tienen una dispersión muy grande. ASPECTOS METODOLÓGICOS Desde el espacio académico Estadistica y probabilidad de la Licenciatura en matemáticas y física de la Universidad de la Amazonia, se pudo desarrollar la propuesta atendiendo a los requerimientos de la misma, y se llevó a cabo en dos fases. La primera fase consistió en hacer el desarrollo normal del tema Diagrama de tallo y hojas desde la clase tradicional, para lo cual se propuso la siguiente tarea en clase a través de equipos de trabajo. El director nacional de transito, preocupado por la velocidad a la que los conductoras manejan en un determinado tramo de la carrera entre el Florencia y El Doncello, se propuso recolectar información tendiente a la toma de decisiones. Para este fin, midió la velocidad de 45 conductores en este tramo en un determinado día encontrando la siguiente información expresada en kilómetros por hora (Km/h) Se plantea como objetivo generar la discusión entre los estudiantes para conseguir la forma más adecuada para organizar la información en una tabla (distribución de frecuencias), donde se incluyan entre otros conceptos, el orden, la amplitud y el número de clases. La segunda fase consistió en el desarrollo de ésta actividad Construcción de la distribución de frecuencias, pero mediante la utilización de la hoja de cálculo Excel siguiendo un proceso lógico, ayudado de las herramientas que ofrece está que a continuación mostramos con mayor detalle. 354
365 DESARROLLO DE LA PROPUESTA El diagrama de tallo y hojas, a pesar de no ser un gráfico definitivo para la presentación de datos, es fácil y rápido para realizar a mano, con él se puede caracterizar desde una primera perspectiva el comportamiento que siguen los datos, también es de gran utilidad para representar un conjunto de datos cuantitativos, este tipo de representación presenta similitudes con el histograma en cuanto que proporciona información del recorrido de la distribución de datos en estudio, muestra la ubicación de la mayor concentración de mediciones y revela la presencia o ausencia de simetría. Cabe mencionar que el diagrama de tallo y hojas tiene ventajas sobre el histograma, porque conserva la información que puede arrojar las mediciones individuales, situación que se pierde en los intervalos del histograma; otra ventaja es que ésta representación elimina el paso de los datos originales a clases, lo que hace notar que se puede construir en el proceso de marcaje de los elementos en estudio. Fueron los estudiantes de la Licenciatura en matemáticas y física de la Universidad de la Amazonia los participantes y con los cuales se procedió a desde el espacio académico Estadística y probabilidad hacer el desarrollo de la presente propuesta participativa y con ayuda de la hoja de cálculo Excel en la cual se pudo construir la distribución de frecuencias y el cálculo de todas las medidas de centralización, dispersión, forma y posición relativa. Inicialmente haremos un diagnóstico de cómo se encuentran los estudiantes con respecto a los conocimientos de estadística y el pensamiento estocástico, una vez realizado el análisis pasaremos a solucionar dificultades para luego pasar al manejo de la hoja de cálculo Excel, con el propósito de que al terminar la unidad el estudiante adquiera conocimientos y destrezas que puedan ser de gran utilidad en su vida cotidiana ya que como sabemos el conocimiento estocástico está creciendo cada vez más rápido y se hace necesario su comprensión y su razonamiento para la toma de decisiones en nuestra vida cotidiana. Paso seguido se hará una evaluación con el grupo de los resultados obtenidos en relación a los caminos de aprendizaje y las dificultades encontradas en el desarrollo, en tal sentido los desarrollos de la actividad se resumen a continuación. Desde lo cotidiano y de acuerdo a los temas abordados, uno de los equipos de estudiantes llega a formalizar la siguiente distribución de frecuencias, adicionando que toman una amplitud de 10 para cada intervalo con seis intervalos. Intervalos de Clase fi(frecuencias) TOTAL
366 Esta construcción genero controversia entre los demás estudiantes que construyen su distribución de forma distinta, pero que una vez desarrollan la misma actividad usando Excel aceptan la construcción, en este sentido nos permitimos mostrar un archivo elaborado por uno de los equipos que inicialmente no había llegado a la anterior. Dichas construcciones nos permiten una vez más ratificar que la estrategia es válida y que si es acompañada por la utilización de la hoja de cálculo Excel se lograran mejores resultados. CONCLUSIONES Se puedo confirmar a través del trabajo práctico en la Licenciatura en matemáticas y física de la Universidad de la Amazonia, que el diagrama de tallo y hojas, más allá de servir como herramienta para hacer análisis exploratorio de datos, se convierte en una estrategia apropiada en el abordaje de la temática correspondiente a la construcción de distribuciones de frecuencias para datos agrupados en intervalos de clase Para los estudiantes de la Licenciatura en matemáticas y física de la Universidad de la Amazonia, la metodología utilizada propicio un mejor desempeño desde el desarrollo mismo de la asignatura, puesto que generó una dinámica diferente a la clase usual, dado que esta actividad mostró la importancia que implica incluir la herramienta Excel en la clase de estadística. 356
367 LO SOCIOCULTURAL VS. MATEMÁTICA ESCOLAR. CONSTRUCCIÓN DE UNA SECUENCIA DIDÁCTICA PARA LA ENSEÑANZA DE LA ESTADÍSTICA DESCRIPTIVA UNIVARIADA Andrés Triana Colombia Se presenta el diseño y aplicación de tres escenarios de investigación como alternativa a las practicas educativas tradicionales, sustentado en unas situaciones reales de interés para los estudiantes de la clase 602 del colegio Carlos Pizarro Leongómez y donde estén implícitas acciones propias de la estadística descriptiva univariada, asociadas a la recolección, análisis e interpretación de la información cuyo núcleo temático sea el pensamiento estadístico. Se utilizan y acogen fundamentos, articulaciones y proyecciones desde la perspectiva de la Educación Matemática Crítica, para adaptarlas e implementarlas, con el propósito de aportar articulaciones investigativas, funcionales para la construcción, implementación y continuo análisis de estrategias de mejoramiento con relación a la educación estadística, dichas reflexiones configuran pautas para retroalimentar las secuencias de trabajo colaborativo en la estadística escolar y sirven como base para desarrollar, implementar y retroalimentar secuencias de enseñanza, validando además otros escenarios interdisciplinares. PALABRAS CLAVE Escenarios de investigación, inclusión, pensamiento estadístico, educación matemática critica. INTRODUCCIÓN El título de este proyecto compromete y orienta las acciones, dinámicas y metodologías utilizadas, para dar sustento a la construcción, implementación, evaluación y reporte de los resultados de aplicación de una estrategia que pretende de manera didáctica enseñar estadística en el aula y promover ambientes de aprendizaje inclusive (Alro y Skovsmose, 2002). La propuesta es influenciada por la perspectiva sociocultural, (Valero, 2007) de manera que rompe con las dinámicas de clase tradicional, vincula concepciones, variables y metodologías que poco a poco se incorporan como escenarios de reflexión protagónicos en la matemática escolar. Debe resaltarse que entre lo sociocultural (Blanco, 2011) y distintas tendencias didácticas y pedagógicas soportadas a través de programas de investigación, (Planas, 2010) se plantean metodologías diferentes de trabajo, gestándose cierta rivalidad y distanciamiento al priorizar contenido y dejar a un lado el brindar oportunidades reales para aprender.
368 MARCO DE REFERENCIA Se pretende exaltar que existen diversos estudios realizados relacionados con la educación matemática crítica (Skovsmose, 2000; Mora, 2005; García, Valero, Peñaloza, Mancera, Romero, Camelo, 2007; García y Valero, 2010; Parra y Rojas, 2011; Rojas y Martínez, 2011; Valero, García, Salazar, Mancera, Camelo y Romero, 2013; Triana, 2013) que contribuyen a potenciar aun más grandes beneficios para la estadística escolar, incorporando una mirada sociocultural con la construcción e implementación de escenarios de investigación que generen inclusión en la enseñanza-aprendizaje de la estadística; tales esfuerzos suprimirían la dificultad de proveer, dotar y gestar en el aula, dinámicas de trabajo que respondan a las metas educativas actuales, (Gómez y Valero, 2000) resaltarían la potencialidad de estimular la creación de ambientes novedosos que articulen las necesidades, sentires, emociones y problemáticas cotidianas y de su propio contexto, que estimulen la participación y que referencie además las prioridades e intenciones de trabajo tanto de los docentes de matemáticas, como de los estudiantes. Por lo tanto responder a las demandas planteadas y crear ambientes que generen interacción dialógica (Alro y Skovsmose, 2010) con el conocimiento estadístico, son acciones que orientaron este trabajo. En relación a los dominios disciplinares sobre estadística se relacionan (Mayén, 2009; Fernández, Andrade, y Sarmiento, B. (2010); Arteaga, 2011; Batanero y Díaz, 2011; Bejarano, 2011; Ortiz, 2011; Ruiz, 2013;) cuyos enfoques conceptuales adoptados que ponen como telón de fondo los procesos de alfabetización, razonamiento y pensamiento estadístico, emerge un reconocimiento de la utilidad y pertinencia de asumir el reto de desarrollar pensamiento estadístico como el principal propósito de la educación estadística, aun conociendo que implica laboriosos esfuerzos en el diseño e implementación curriculares. De manera más precisa, en este estudio, se utilizaron y acogieron fundamentos, articulaciones y proyecciones desde la perspectiva de la Educación Matemática Crítica, para adaptarlas, implementarlas y construir escenarios de investigación que permita reportar los resultados de su aplicación en un contexto de aprendizaje de la estadística descriptiva univariada; Incorporando en las reflexiones elementos del ambiente de enseñanza, que puede generarse a partir del montaje y ejecución de un escenario de investigación, como alternativa a la práctica tradicional de la clase de matemáticas (Skovsmose, 2000). A partir de este fin, se vinculó la participación del colegio Carlos Pizarro Leongómez, grado 602 de la jornada mañana. El objetivo principal de este trabajo de investigación giró alrededor del diseño de una secuencia didáctica desde la implementación de un escenario de investigación relacionado con el pensamiento estadístico; reflexionando sobre el diseño, implementación, evaluación y reporte de resultados del escenario de investigación, considerado por Skovsmose (2000) un ambiente de aprendizaje, como alternativa para la educación matemática relacionado con el pensamiento estadístico, construido a partir de las disposiciones, intenciones y acciones de los estudiantes, (Triana, Cortes, Mancera y Camelo, 2012) que propicie un ambiente de enseñanza en el cual los estudiantes participarán involucrándose en su proceso de aprendizaje. 358
369 ASPECTOS METODOLÓGICOS El trabajo de investigación Lo sociocultural vs. matemática escolar. Construcción de una secuencia didáctica para la enseñanza de la estadística descriptiva univariada está basado en la acción y reflexión de los procesos sociales y políticos, relacionados con las prácticas educativas de la enseñanza y aprendizaje de las matemáticas (Skovsmose, 1999), centrado en el marco disciplinar y didáctico de la estadística por lo cual se adopta la metodología de Investigación- Acción, inscrita en el paradigma socio-crítico (García, 2003) el cual permite al investigador hacer reflexiones críticas acerca de su práctica educativa, en busca del mejoramiento de los procesos involucrados, produciendo cambios e innovaciones que estarán nuevamente sujetos a reflexiones y análisis (Cohen y Mantion, 1990; Rodríguez y Valldeoriola, s.f). El paradigma socio-critico permitiría establecer una ruta significativa para realizar una caracterización de intereses de aprendizaje de los estudiantes, posibilitando articular en el aula escolar una construcción de realidad incorporando factores propios y reales tales como: políticos, sociales, económicos, culturales y personales que confluyen en el macro-proyecto de transformar democráticamente el conocimiento (García, 2003). Con el fin de diseñar e implementar un ambiente de enseñanza-aprendizaje inclusivo que soporte el desarrollo de pensamiento estadístico incorporando la participación significativa de la comunidad escolar. De acuerdo con la descripción de la situación que viven los niños de la clase 602 (Triana, 2013) se considera necesario crear oportunidades que involucren a los estudiantes en el aprendizaje de la estadística escolar y en este caso el porvenir de cada estudiante es un recurso esencial para esta producción (Skovsmose, s.f., p. 8). Se propone la construcción de las oportunidades para incluir a los estudiantes en el proceso educativo de las matemáticas desde la creación de escenarios de investigación que generen ambientes en el aula desde los cuales los estudiantes decidan participar. El montaje de estos escenarios incluye las intenciones de los estudiantes, y los involucra en procesos de indagar, explicar y justificar. Una cuestión importante en el montaje de los escenarios son las referencias asociadas a los conceptos de técnicas de recolección, análisis e interpretación de la información, puesto que además de dotarlos de significado, involucran la acción de los estudiantes. Con estos referentes se propone construir un escenario relacionado con situaciones estadísticas, pues además de la importancia que supone el pensamiento estadístico en los estudiantes de este nivel de escolaridad, se presenta como una propuesta alternativa al plan de estudio que los estudiantes han experimentado debido a su experiencia previa. Fase preliminar, correspondiente a la identificación y formulación del problema de acuerdo con los referentes conceptuales de la Educación Matemática Crítica (Skovsmose, 2000, s.f.). Fase de acción diagnóstica, mediante la cual se decide indagar acerca de los aspectos relacionados con la descripción del ambiente de aprendizaje de la clase 602 y las disposiciones e intenciones de los niños y niñas pertenecientes a la clase, de acuerdo con los referentes conceptuales de la Educación Matemática Crítica relacionados con 359
370 la caracterización de los ambientes de aprendizaje y la intencionalidad (Skovsmose, 1999, 2000). Fase de acción de planificación y diseño de las actividades para el escenario de investigación, correspondiente a la puesta en escena de un escenario con base en las reflexiones realizadas de la fase de acción diagnóstica de acuerdo con los referentes conceptuales de la planeación del enfoque temático (Skovsmose, 1999, 2000) y las actividades para potenciar el desarrollo del pensamiento estadístico. Fase de Acción del montaje y ejecución del escenario de investigación, la cual comprende la ejecución del proyecto en busca de mi destino y la descripción de los procesos relacionados con las formas de comunicación de los estudiantes y el desarrollo del pensamiento estadístico, de acuerdo con la caracterización de los escenarios y ambientes de aprendizaje de Skovsmose (1999, 2000) y el aprendizaje dialógico de Alro y Skovsmose (2002). Fase de evaluación del escenario de investigación, la cual comprende la valoración del papel del escenario de investigación en la creación de ambientes de aprendizaje inclusivos, en relación con el análisis de las limitaciones y posibilidades para el aprendizaje dialógico que proporciona el escenario de investigación. Seminario permanente de reflexión, análisis y ajustes. DESARROLLO DE LA PROPUESTA Con el objetivo de identificar disposiciones e intenciones de los estudiantes para abordar desde allí la negociación y construcción de una propuesta que contribuya a que ellos asuman posturas más críticas en la clase de matemáticas, se planteó una actividad, dónde los estudiantes debían documentar su historia de vida, resaltando aspectos del pasado, del presente y de sus perspectivas de futuro. En la documentación realizada por los estudiantes se perfilaron estilos de presentación muy diversos: collage con fotos, ensayos sustentados con fotografías, presentaciones en Power Point, Word, Excel e incluso un video con una composición musical de rap. Cabe señalar que algunos estudiantes buscaron documentar historias felices, tristes, anécdotas que han marcado sus vidas familiares y materiales, tales como sus sentires (y las de su familia y vecinos). De esta experiencia se estableció que: i) en la presentación de las instrucciones de la actividad a desarrollar, los estudiantes buscan establecer un listado de acciones a modo de tareas que el profesor ha enunciado como ejemplos; ii) la mayoría de presentaciones buscó la utilización de medios electrónicos y uso de software (particularmente los recursos que ofrece el paquete de office); iii) a los estudiantes les agrada trabajar en colectivos, pero no tienen habilidades para distribuirse las responsabilidades ni organizar un plan de acción, iv) es evidente un apoyo familiar en la realización de las tareas, v) el número de estudiantes es un obstáculo que sumado a la infraestructura del salón de clases, hace casi imposible que se consiga una comunicación fluida por el inmenso ruido que se desarrolla. Teniendo en cuenta lo anterior, se propone, en un segundo momento, un proyecto dónde se sugiriere a las matemáticas como estrategia para decidir respecto a la 360
371 logística de un compartir nutritivo, evento que da clausura a una actividad anterior que buscó vislumbrar por una parte, la realidad familiar, social y geográfica en la que los estudiantes se encuentran inmersos y por otra, el ambiente en que se desarrollan las actividades matemáticas en el colegio, particularmente en el aula de la clase. La actividad se centró en aceptar los postulados que han posibilitado juntar la modelación matemática con las expectativas de la Educación Matemática Crítica (Araujo, 2009), por lo que para este proyecto se condensó las siguientes fases: i) Contextualización del proyecto, ii) trabajo por equipos, iii) presentación y escogencia del menú y iv) compartir. Cada una de estas fases comprendió: Contextualización. El profesor explica las intenciones de la actividad considerando los siguientes puntos: i) Hacer un reconocimiento al trabajo y el empeño realizado por los estudiantes, en la actividad anterior; ii) presentar el compartir nutritivo como un proyecto, dónde se entrega $ y se les pide que propongan un menú nutritivo, para unas onces compartidas. Por onces nutritivas se entiende una porción que aporta alrededor de 300 Kcal y contiene los alimentos de tres tipos: formadores, reguladores y energéticos. Para ello los estudiantes se organizaron en cuatro grandes grupos y comenzaron a trabajar con la ayuda de un docente. Trabajo por equipos. Dada la poca experticia que tienen los niños y niñas en este tipo de proyectos, con antelación el profesor asesor cuenta para el trabajo con su grupo con una pequeña base de datos con información de tipo de alimentos de la canasta familiar precio e información nutricional- este referente, cuyos datos orientan la inversión presupuestal y mantienen la condición de ser nutricional se pretende clasificar. El propósito general es entonces que los estudiantes diseñen un proyecto utilizando la modelación matemática como herramienta de investigación y análisis de datos y elaboren representaciones de sus resultados, en función de la escogencia de un menú argumentado desde sus decisiones grupales respecto a los conceptos matemáticos y nutricionales que emplearon. Presentación y escogencia del menú. Se presentan las propuestas de menú de cada grupo y estrategias logísticas diferentes que se someten a votación grupal. Teniendo en cuenta el valor nutricional, los aportes y calorías suministrados por cada alimento que compone el compartir, los gastos relacionados para la preparación del menú y la posibilidad de prepararlo sin ninguna restricción. Compartir. Se pone en escena la estrategia concertada en la fase anterior. Un tercer y último escenario, se diseña con base en disposiciones de los niños hacía actividades deportivas; sin embargo, se amplía ésta visión considerando sus intenciones futuras en términos de proyección profesional; partiendo de las consideraciones hechas en los escenarios anteriores, identificamos cuatro tipos de participación en el aula por parte de los estudiantes. Quiénes intentan y desisten: se trata del grupo de estudiantes que al plantearles cualquier actividad empoderan acciones de trabajo evidentes que se derrumban ante cualquier conflicto, bien sea de tipo convivencial o cognitivo. De manera especial son estudiantes que desisten ante la necesidad del uso de la estadística o la formalización de los procesos que inician, no diseñan instrumentos para recolectar la información, al 361
372 distribuir funciones y asumir roles de participación activa, estas evidencias registran como nulas por su exclusión que para ser una decisión que ellos consideran natural, evadir y no cumplir no va mas allá de la nota; entonces deciden no enfrentar dichas situaciones sino abandonar el proceso. Quiénes muestran mucho interés por su estética y poco por las actividades académicas: se trata de un grupo de niñas que inician su adolescencia con un fuerte interés por su estética, se maquillan, revisan su cabello y accesorios con recurrencia; además de evidenciar su fuerte interés por el sexo opuesto Quiénes nunca participan de las actividades: este grupo admite subclasificaciones. Por un lado, están los estudiantes con mayores problemas disciplinarios, son quiénes evaden clase, algunos de ellos con problemas de venta y consumo de drogas; durante nuestra estadía en la institución fueron expulsados tres de éste grupo. Por otro lado, están quiénes por travesura evaden clase, y quiénes están en el aula todo el tiempo pero no muestran interés en socializar con sus compañeros y por ello se apartan de las actividades de clase. Niños extra - edad: se trata de un subgrupo que se encuentra incluido en términos de acciones en las descripciones anteriores. Se cita aparte en tanto son estudiantes que no se relacionan muy bien con sus compañeros de menor edad en tanto tienen intereses de adolescencia distintos a quiénes se muestran aún como niños, tienen amigos de otros grados y algunos promueven iniciativas ejerciendo liderazgo en los grupos anteriores, es decir, lideran la no participación, la indiferencia, o el excesivo cuidado de la estética. Quiénes cumplen con las actividades: son los estudiantes juiciosos, que acatan las normas del profesor de manera eficiente y no promueven en mayor grado la indisciplina. Dicha caracterización, promueve la distribución grupal de trabajo para el desarrollo de la primera fase, de dos que constituyeron el escenario. En consecuencia, ésta primera fase sugiere un espacio de reflexión y sensibilización, que incluye un video foro y la escritura de Review grupales. De ella emerge, en un segundo momento, una nueva fase, que inicia con una reorganización de los estudiantes, ésta vez por sus proyecciones similares de futuro evidenciadas en sus Review grupales; así, en ésta fase se incluye el trabajo con técnicas de recolección de información, específicamente la realización de una encuesta, gráficas estadísticas como el histograma y el gráfico de torta o circular. La ejecución de éste escenario, se prolonga dadas actividades institucionales y curriculares que se cruzan, tiempo suficiente para evidenciar que el trabajo que emplea escenarios de investigación en últimas ha cobrado fuerza, al menos al hacer un contraste con el trabajo grupal de los días de inicio del trabajo, situación que ha permitido sentir que los niños han desarrollado nuevas maneras de trabajo en colectivo, su nivel de autoconfianza al iniciar acciones individuales o por equipos han empezado a transformarse, por lo menos ahora hay iniciativas de escucha y de concertación grupal, lo que no pudimos ver al inicio, lo evidenciamos en acciones como una película que crearon en grupo para ilustrar la funcionabilidad de sus 362
373 carreras en una situación en la que intervino un ladrón, un policía, médicos, forenses y una abogada; en un video-reportaje de la estudiante con dificultad cognitiva para cumplir con sus tareas, en la confianza de las exposiciones grupales, ya que al inicio escoger un expositor era difícil, al final todos querían exponer su trabajo, ilustramos semillitas que pudimos ver en sus estructuras de trabajo, pero que serían infructuosas de dejarse sin alimento así sea por iniciativa de cada cual. Logros y dificultades evidenciadas Como primera medida, las dificultades de la experiencia que se relaciona, pueden denominarse obstáculos políticos, ya que relacionan variables de tipo físico, en tanto el aula usual de clase de matemáticas, maneja altos niveles de ruido, esto impide la comunicación y ejecución de las acciones propuestas (hecho que dificultó el trabajo en grupos). En cuanto a la sistematización y clasificación de la información, la institución no cuenta con redes de Internet inalámbrico de acceso libre para soportar las búsquedas que se necesiten. Por otro lado, se ratifica aspectos de las disposiciones de los niños, tales como: su baja experticia en el desarrollo de sus actividades curriculares, su tendencia intencional de escoger bajo el criterio de la estimación y el gusto; se identificó los grupos de trabajo mejor consolidados junto con sus líderes quiénes motivan acciones-, se ratifica su disposición de encaminar sus acciones de aprendizaje hacia el uso de medios electrónicos o virtuales, y se reflexiona en general sobre el trabajo del docente y sus moderadores en función del desarrollo del escenario mediante el uso del enfoque de la EMC (Educación Matemática Crítica). CONCLUSIONES Se logró establecer características específicas de la cultura de la clase de matemáticas del 602, imprescindibles para pensar, ahora, en estrategias de un diseño efectivo de enfoques temáticos que promuevan en los niños y niñas el pensamiento crítico, basado en argumentos de tipo matemático. Teniendo en cuenta lo anterior debe partirse por entender que enseñar no consiste únicamente en trasladar conocimientos a la mente de los estudiantes (como sujetos cognitivos a quienes se les ofrece la posibilidad de aprender únicamente centrados en una reflexión sobre los contenidos a estudiar), sino principalmente en crear las condiciones favorables para que ellos pueda formar sus propios conocimientos (en tanto sujetos que se relacionan familiar, social y culturalmente como personas con gustos, disgustos, creencias, sentimientos, entre otras). Así se establece que para el diseño de enfoques temáticos deben conjugarse las disposiciones e intenciones de aprendizaje de los niños y niñas del 602 y poner en consideración otras dimensiones en la comprensión de quiénes son estudiantes en el aprendizaje de la estadística, como sujetos y como actores protagónicos. A continuación se relacionan algunos aspectos relevantes sobre los que vale la pena relacionar: En función de proveer cambios en la práctica educativa, la propuesta generó ambientes de enseñanza de la estadística descriptiva univariada más motivadores que los tradicionales, y ofreció la oportunidad a los estudiantes de asumir un rol 363
374 protagónico, decisivo y dinámico, en el proceso de enseñanza-aprendizaje de las matemáticas. Se generó un cambio en las creencias de los estudiantes sobre la clase de estadística, gestando en el aula dinámicas de trabajo diferentes, empleando como alternativa el escenario de investigación. Los escenarios propuestos cumplieron un papel diferente al de evaluación, se convirtieron en un medio para que los estudiantes comprendieran la existencia de otros contextos de aplicación diferente a los problemas y ejercicios rutinarios. Se refleja en el aula, que los estudiantes comprenden elementos básicos con relación al análisis de la información, pues son capaces de recolectar datos, ordenarlos, y organizarlos en categorías sencillas. Se consigue promover una comunicación abierta entre los estudiantes y el profesor con la facilidad de consultar recursos de diferente naturaleza para que todos cooperen, lo que indudablemente tiene un efecto positivo sobre el proceso de enseñanza-aprendizaje, para ir avanzando hacia un aprendizaje dialógico. REFERENCIAS Alro, H., y Skovsmose, O. (2010). Diálogo y aprendizaje en educación Matemática. Traducción de Orlando de A. Figueiredo. Belo Horizonte, Brasil: Autêntica. Alro, H. y Skovsmose, O (2002). Aprendizaje dialógico. En Dialogue and learning in mathematics education: intention, reflection, critique. Araujo, J. (2009). Uma Abordagem Sócio-Crítica da Modelagem Matemática: a perspectiva da educação matemática crítica. Alexandria Revista de Educação em Ciência e Tecnologia. 2(2), Arteaga. P. (2011). Evaluación de conocimientos sobre gráficos estadísticos y conocimientos didácticos de futuros profesores. Tesis de doctorado. Granada: Universidad de Granada. Batanero, C. y Díaz, C. (Eds.). (2011). Estadística con proyectos. Granada: Universidad de Granada. Bejarano, Y. (2011). Razonamiento estadístico en escenarios de situaciones de conjuntos de datos con estudiantes de grado sexto de la ensd María Montessori. Tesis de maestría. Universidad Pedagógica Nacional. Bogotá, Colombia. Blanco, H. (2011). La postura sociocultural de la educación matemática y sus implicaciones en la escuela. Educación y Pedagogía, 23(59), Cohen, L. y Manion, L. (1990). Métodos de investigación educativa. Madrid: Editorial la Muralla. Fernández, F., Andrade, L. y Sarmiento, B. (2010). Experimentos de enseñanza para el desarrollo de razonamiento estadístico con estudiantes de secundaria. Bogotá: Universidad Pedagógica Nacional. García, J.L. (2003). Los paradigmas de investigación en educación. En Métodos de investigación en educación (vol. II). Madrid: UNED. García, G., y Valero, P. (2010). Estudio del papel de los escenarios y ambientes de aprendizaje de las matemáticas en los procesos de inclusión en las clases. Bogotá, Colombia: Documento presentado a Colciencias. García, G., Valero, P., Peñaloza, G., Mancera, G., Romero, J. y Camelo, F. (2007). Reinventando el currículo y los escenarios de aprendizaje de las matemáticas. Un estudio desde la perspectiva de la educación matemática critica. Documento Impreso. Bogotá: IDEP Colciencias. 364
375 Gómez, P. y Valero, P. (2000). La potenciación del Sistema de Educación Matemática en Colombia. Bogotá: una empresa docente. Mayén, S. (2009). Comprensión de las medidas de tendencia central por estudiantes mexicanos de Educación Secundaria y Bachillerato. Tesis de doctorado. Granada: Universidad de Granada. Mora, D. (2005). Didáctica crítica, educación crítica de las matemáticas y etnomatemáticas. La Paz, Bolivia: Editorial Campo Iris. Ortiz, J. (Ed.). (2011). Investigación en Educación Estadística. Formación de Profesores. Granada: Departamento de Didáctica de la Matemática, Universidad de Granada. Parra, D.H., y Rojas, J. (2011). Matemáticas y Loncheras saludables: Un ambiente de aprendizaje de Exploración e Indagación. Tesis de maestría. Bogotá: Universidad Pedagógica Nacional. Planas, N. (2010). Las teorías socioculturales en la investigación en educación matemáticas: reflexiones y datos bibliométricos. En M. Moreno, A. Estrada, J. Carrillo, y T.A. Sierra, (Eds.), Investigación en educación matemática, XIV SEIEM (pp ). Lleida. Rodríguez, D y Valldeoriola, J. (s.f). Metodología de la investigación. Rojas, N.Y. y Martínez, A. (2011). El papel de los escenarios de investigación, relacionados con el pensamiento funcional, en los procesos de inclusión en las clases: un estudio en séptimo grado. Tesis de maestría. Bogotá: Universidad Pedagógica Nacional. Ruiz, B. (2013). Análisis epistemológico de la variable aleatoria y comprensión de objetos matemáticos relacionados por estudiantes universitarios. Tesis de doctorado. Granada: Universidad de Granada. Skovsmose, O. (1999). Hacia una filosofía de la educación matemática crítica. Bogotá: una empresa docente. Skovsmose, O. (2000). Escenarios de investigación. Revista EMA, 6 (1), Skovsmose, O. (s.f.). Porvenir y política de los obstáculos de aprendizaje. Skovsmose.pdf. Triana, A. (2013). Lo sociocultural vs. matemática escolar. Construcción de una secuencia didáctica para la enseñanza de la estadística descriptiva univariada. Tesis de maestría. Bogotá: Universidad Nacional de Colombia. Triana, A., Cortés, S., Mancera, G. y Camelo, F. (2012). Disposiciones e intensiones en un escenario de investigación para una clase de matemáticas: el caso de un compartir nutritivo. Trabajo presentado en el 13 Encuentro Colombiano de Matemática Educativa. Valero, P. (2000). Reforma, democracia y educación matemática en la escuela Secundaria. En J.F. Matos y E. Fernandes (Eds.), Investigação em educação matemática perspectivas e problemas (pp ). Funchal, Portugal: Associação de Professores de Matemática de Portugal. Valero, P., García, G., Salazar, C., Mancera, G., Camelo, F. y Romero, J. (2013). Procesos de inclusión / exclusión, subjetividades en Educación Matemática. Bogotá: Fondo editorial Universidad Pedagógica Nacional. 365
376 UN MODELO PARA CARACTERIZAR EL RAZONAMIENTO ESTADÍSTICO DE ESTUDIANTES DE SECUNDARIA AL COMPARAR CONJUNTOS DE DATOS REPRESENTADOS MEDIANTE GRÁFICOS DE CAJA Jorge Zambrano y Rosa María Palacios Secretaría de Educación Distrital (Colombia) willzam@hotmail.com, rosamariwill@hotmail.com En este trabajo se presenta un modelo para caracterizar el razonamiento estadístico de los estudiantes al interpretar la información que es representa por el gráfico de gajas. El origen de dicho modelo se motiva en una experiencia de aula que considera y aplica los resultados obtenidos en una investigación realizada como trabajo de grado de la Maestría en Docencia de las Matemáticas y adscrita a la línea de investigación en Educación Estadística de la Universidad Pedagógica Nacional en el año Esta investigación pretende categorizar el razonamiento estadístico de un grupo de estudiantes de secundaria en un colegio público de la ciudad de Bogotá. Para obtener dicha categorización se propuso comparar conjuntos de datos representados mediante gráficos de caja. y, se empleó la teoría de clasificación conocida como taxonomía SOLO, la cual a su vez fue articulada con siete elementos de razonamiento sugeridos por los autores del presente trabajo. PALABRAS CLAVE Razonamiento estadístico, gráfico de cajas, taxonomía SOLO. INTRODUCCIÓN Los contenidos y la manera en la cual se debe enseñar la estadística en la escuela, sigue siendo un tema poco trabajado en nuestro país a pesar del notable auge y crecimiento del interés por parte de la comunidad académica sobre la Educación Estadística. En cuanto a la calidad y cantidad de trabajos sobre Educación Estadística en el contexto educativo colombiano, la situación merece que se le preste más atención. Basta con revisar las investigaciones que se han realizado al respecto en las comunidades de educadores matemáticos del país, para darse cuenta que a pesar de que existe interés en el tema, las referencias no son suficientes para establecer un precedente claro sobre la Educación Estadística en Colombia. A propósito, Rocha (2007) plantea que existen algunos problemas estructurales en la educación estadística en el país como las escasas investigaciones en torno a la enseñanza y aprendizaje de la probabilidad y estadística en el país, la ausencia de una comunidad académica que oriente y oxigene los diferentes procesos a desarrollar dentro de la enseñanza
377 y el aprendizaje de la estadística, la carencia de medios de comunicación entre los profesores de estadística y el débil vínculo entre la investigación y la instrucción. (p. 24) Esto tiene como consecuencia que la situación en el aula no sea la esperada por quienes se interesan por mejorar el aprendizaje de la estadística escolar y que su enseñanza sea una disculpa para usar otros temas matemáticos y ejercitar la capacidad del cálculo o la representación gráfica sin tener en cuenta la actividad con datos reales y las orientaciones hacía el razonamiento estadístico. Trabajos, como el de Fernández, Sarmiento y Soler (2008), caracterizan los conocimientos estadísticos y probabilísticos de profesores de educación básica y media de colegios oficiales de Bogotá, y dan cuenta de las actitudes hacia la enseñanza, el aprendizaje y la utilidad de la estadística en el contexto escolar, visto desde la perspectiva del razonamiento estadístico. Por otro lado, es necesario reconocer que la enseñanza de la estadística se ha limitado al enfoque descriptivo, cuyo propósito en palabras de Inzunza (2006): [ ] se centra en la descripción de los datos, utilizando para ello procedimientos de agrupamiento a través de tablas o distribuciones de frecuencia y el cálculo de medidas descriptivas, como la tendencia central y la dispersión. Si bien, en estadística descriptiva se utilizan representaciones gráficas, [ ], el análisis no enfatiza en el uso de ellas en forma sistemática, sino más bien como recurso adicional al cálculo de estadísticos que permiten dar una idea global del comportamiento de los datos. (p. 1) Esto dificulta que los estudiantes estén en capacidad de desarrollar habilidades básicas que según Gal (2002) se establecen para la alfabetización estadística en términos de su capacidad para interpretar y evaluar críticamente la información estadística y para discutir y comunicar opiniones respecto a estas informaciones. Una de las razones fundamentales es que, como ya se mencionó, la enseñanza de la estadística descriptiva se centra principalmente en el trabajo sobre algoritmos y cálculo de estadísticos numéricos, en detrimento de establecer relaciones o generar comprensiones al comparar muestras. Afortunadamente con la aparición de los lineamientos curriculares se integró la enseñanza de la estadística y la probabilidad al pensamiento aleatorio y en los estándares básicos de competencias matemáticas se establece que los conceptos de estadística y probabilidad deben enseñarse en la educación colombiana. También se presenta el enfoque del Análisis exploratorio de datos como la propuesta curricular sugerida, lo cual da gran importancia al estudio del gráfico de cajas. En consecuencia, en el documento titulado pensamiento estadístico y tecnologías computacionales (MEN, 2004), han propuesto la introducción del AED para la enseñanza de la estadística, ya que esta nueva filosofía en el tratamiento de la información concibe: los propósitos de la formación estadística menos desde el uso fundamentado en las reglas del cálculo, y más desde el uso fundamentado en la comprensión de los datos y sus características. Esta concepción nos permite sostener que un alumno que es capaz de hacer inferencias, extrapolar en los datos o los gráficos la información que está más allá de la percepción, adquiere una mejor formación que le permita tomar decisiones en presencia de la incertidumbre con soporte en sus exploraciones sobre los datos. (p. 15) 367
378 De esta manera, el interés principal de la presente investigación es el de reportar una caracterización sobre el razonamiento estadístico de los estudiantes cuando utilizan el gráfico de cajas para comparar dos distribuciones de datos. Se espera que, en consonancia con lo sugerido por el MEN (2004), esta caracterización aporte elementos para el diseño y aplicación de propuestas curriculares que contribuyan en la enseñanza y aprendizaje de la estadística. Por ello, consideramos importante dar respuesta a la siguiente pregunta de investigación: Cómo puede ser caracterizado el razonamiento estadístico de los estudiantes de grado undécimo (15 a 17 años) cuando interpretan y comparan distribuciones de datos representados por gráficos de caja? MARCO DE REFERENCIA CONCEPTUAL El marco teórico en el cual se fundamentó esta investigación está dividido en tres dimensiones fundamentales. La primera, está encaminada a presentar, de una manera breve, la filosofía del Análisis Exploratorio de Datos (AED) como una de las corrientes actuales del análisis de datos, además de las características educativas que lo han llevado a proponerse como enfoque de reforma curricular para posteriormente, presentar el gráfico de cajas el cual fue objeto de estudio de esta investigación, abordando elementos importantes como su origen, construcción y estructura. Una segunda sección está destinada a la presentación de la metodología de clasificación, es decir, la taxonomía SOLO; la cual es un intento por hacer una categorización por niveles de complejidad de las estrategias que los estudiantes presentan al aprender un objeto estadístico, aunque también tiene aplicaciones a otras áreas del conocimiento. Finalmente, se presenta el componente del conocimiento estadístico, el cual se centra en la caracterización de los términos alfabetización, pensamiento y razonamiento estadístico, desarrollando especialmente lo relacionado al razonamiento, por ser la perspectiva teórica del aprendizaje estadístico que nos interesó observar. Fundamentos del análisis exploratorio de datos El AED es una filosofía relativamente nueva en el tratamiento de la información estadística, la cual emplea una variedad de técnicas gráficas para explorar los datos. Este grupo de técnicas gráficas y analíticas creado por el estadístico norteamericano Jhon Tukey (1977), permite conseguir un conocimiento previo de los datos a analizar siempre desde una perspectiva exploratoria, considerándose como una nueva rama de la estadística. Sin embargo, algunos autores como Bakker (2004) sostienen que a diferencia de la estadística descriptiva tradicional el objetivo en el AED no es probar una hipótesis preestablecida con datos de un muestreo aleatorio, sino más bien éste se enfoca en la dirección de patrones y tendencias no anticipadas de todo tipo de datos, ya asea una muestra aleatoria o no (p. 2). Las técnicas estadísticas empleadas por el AED, buscan favorecer el estudio de estadísticos robustos que permitan observar la estructura de un conjunto de datos sin que esta se vea demasiado afectada por la presencia de datos atípicos. En ocasiones se selecciona una muestra donde se nota la presencia de alguno de estos datos inusitados y es necesario establecer si tal observación hace parte importante de la muestra y si se 368
379 debe retener o rechazar, pues la presencia de este dato hace que las medidas descriptivas que generalmente se calculan, pueden verse afectadas y por ejemplo, la media aritmética ya no sea una medida representativa del conjunto de datos. El gráfico de cajas Este gráfico cuyo nombre original es Box and whisker plot, es decir, gráfico de caja y bigotes fue introducido por Tukey (1977) en el segundo capítulo de su libro Exploratory Data Analysis. Esta representación gráfica pretende proporcionar los valores de los datos pero sin que estos aparezcan con todo detalle, a fin de no perder su configuración espacial; para ello mantiene únicamente sus valores indicativos principales, que pueden resumirse en: localizaciones y agrupaciones significativas de valores, zonas en las que predomine la dispersión, referencia visual de la simetría central y de los extremos, referencia visual de la curtosis, relacionando la longitud de la caja y de los bigotes, rango valores atípicos, anomalías o valores significativamente alejados. Es un gráfico representativo de las distribuciones de un conjunto de datos en cuya construcción se usan cinco medidas descriptivas de los mismos, a saber: mediana, primer cuartil, tercer cuartil y dos valores extremos: el valor máximo y el valor mínimo; además presenta al mismo tiempo, información sobre la tendencia central, la dispersión y la simetría de un conjunto de datos permitiendo identificar con claridad y de forma individual observaciones que se alejan de manera poco usual del resto de los datos; a estas observaciones se les llama valores atípicos. Admite igualmente comparar a la vez varios grupos de datos sin perder información Límite Inferior 2. Primer Cuartil (Q1) 3. Media aritmética 4. Mediana o Segundo Cuartil 5. Tercer Cuartil (Q3) 6. Límite Superior o Cuarto Cuartil 7. Datos atípicos 8. Rango Intercuartílico 7 Gráfica 1. Elementos de un diagrama de cajas o box plot Fundamentos y niveles de la taxonomía SOLO Biggs y Collis (1982) basaron su modelo sobre la noción de que en cualquier situación de aprendizaje, los resultados tanto cuantitativos, cuánto aprendió?, como cualitativos, qué tan bien y de qué manera se aprendió?, están determinados por una compleja interacción entre las técnicas de enseñanza usadas y las características de los estudiantes, ya mencionadas. En cuanto a la perspectiva cuantitativa, Biggs y Collis, (1982) conciben el aprendizaje como la agregación de contenido; al ser un aprendizaje en el que más se aprende, el más exitoso (p. 2), mientras que desde la perspectiva cualitativa se asume que los 369
380 estudiantes aprenden acumulativamente, al interpretar y combinar el nuevo material con el que ellos ya conocen, de manera que al cambiar su comprensión progresivamente van aprendiendo (p. 3). Así, las construcciones de los estudiantes vienen a ser los resultados de aprendizaje, por lo que el objetivo de la evaluación es determinar en qué punto están actualmente los estudiantes acerca de su comprensión del concepto o habilidad evaluada. De esta manera, en la evaluación cualitativa, en la que tiene sentido la taxonomía SOLO, es necesario determinar cómo sería la evolución de un concepto para definir el desarrollo que presentarían los estudiantes acerca de su aprendizaje. A continuación se presentan los niveles que la conforman. En el nivel idiosincrásico o preestructural, las respuestas de los estudiantes en este nivel se caracterizan por no demostrar ninguna aproximación a la posibilidad de hacer conexiones entre los componentes de la información que se presenta. En el nivel Uniestructural, las respuestas de los estudiantes se enfocan sobre sólo un aspecto del concepto evaluado, sin hacer ningún tipo de conexión con otras ideas, pero es capaz de razonar sobre algún contenido significativo. Para el nivel multiestructural, las respuestas de los estudiantes identifican más de un aspecto del concepto evaluado, pero no determinan el significado del todo pues las ideas involucradas están desordenadas y sin relación. En el nivel relacional, los estudiantes a este nivel pueden indicar conexiones entre los hechos y la teoría, las acciones y los propósitos. Las respuestas muestran cierta compresión de algunos componentes, los cuales son integrados conceptualmente, demostrando cómo las partes contribuyen al todo para darle estructura y significado. Por último el nivel abstracto extendido se caracteriza porque las respuestas a este nivel consideran toda la información relevante y relaciona sus componentes bajo una estructura hipotética abstracta que hace posible realizar deducciones acerca de información que no fue incluida originalmente. Razonamiento estadístico Al referirnos al razonamiento estadístico es posible caracterizarlo en términos de habilidades específicas que emergen principalmente en la actividad estadística de resolución de problemas y que lo diferencian en varios aspectos del tratamiento de problemas matemáticos. En trabajos no tan recientes como los de Chervaney, Collier, Fienberg, Jonson y Neter (1977, citados en Garfield, 2002), lo definían como lo que una persona es capaz de hacer con el contenido estadístico, como recordar, reconocer y discriminar entre conceptos estadísticos, y las habilidades que demuestra tener en la utilización de conceptos estadísticos para la resolución de problemas; en este sentido se le caracteriza como un proceso de tres etapas: comprensión del problema, en el cual se identifica la situación dada con una clase de problemas; planificación y ejecución, que implica la aplicación de métodos apropiados para resolver el problema y su ejecución; y finalmente la evaluación e interpretación que exige la explicación de los resultados en relación con el problema original. 370
381 ASPECTOS METODOLÓGICOS El estudio se puede caracterizar como descriptivo e interpretativo, en el que se plantea un nuevo modelo que permite categorizar los razonamientos estadísticos de los estudiantes cuando comparan dos conjuntos de datos representados mediante gráficos de caja. La primera fase de la investigación fue el diseño y aplicación de actividades que aproximaron a los estudiantes a la construcción, interpretación y uso del gráfico de caja, la segunda fase tuvo que ver con el diseño del cuestionario piloto que generó el cuestionario de estudio, el cual proporcionó información para el diseño de las categorías de análisis sobre el razonamiento estadístico siendo ésta la última fase. Las categorías de análisis se diseñaron sobre una tabla de doble entrada que relaciona siete elementos de razonamiento que los autores consideran están presentes en cualquier lectura del gráfico de caja con cuatro niveles de razonamiento inspirados en la taxonomía SOLO. Estos son: tamaño de la muestra, escala, localización, dispersión, intervalos de concentración, datos adyacentes y datos atípicos. Dichos elementos de análisis fueron determinados por los autores, considerando la investigación de Pfannkuch (2006) y algunos otros que se han considerado importantes. La construcción del modelo de razonamiento se ha diseñado a partir del análisis de los resultados evidenciados en la aplicación del cuestionario aplicado a los estudiantes de la muestra. PROPUESTA Para presentar las categorías del razonamiento estadístico manifestado por los estudiantes de la muestra de estudio al comparar dos muestras representadas por gráficos de cajas, se ha diseñado una tabla de contingencia en la que están relacionados los diferentes elementos de razonamiento planteados por los autores y cuatro niveles de razonamiento inspirados en la taxonomía SOLO. De esta manera, los elementos de razonamiento están ubicados en las filas de la Tabla 1 y para cada uno de estos se establecen los cuatro niveles organizados progresivamente, empezando con el nivel más bajo y terminando con el de mayor complejidad. Las celdas de dicha tabla contienen los descriptores del elemento de razonamiento para cada nivel y las frecuencias absolutas de estudiantes pertenecientes a la muestra de estudio que se pueden ubicar en dicha categoría. 371
382 NIVEL NIVEL 1 NIVEL 2 NIVEL 3 NIVEL 4 ELEMENTO TAMAÑO DE LA MUESTRA ESCALA LOCALIZACIÓN DISPERSIÓN IDIOSINCRÁSI CO Prestructural Afirma que el tamaño de la muestra está relacionado con la amplitud y forma del gráfico. No relaciona la escala de la recta numérica con la representación gráfica de cada caja. No identifica la mediana, en el gráfico de caja, como centro porcentual de un conjunto de datos. No identifica el rango intercuartílico en un gráfico de caja. TRANSICIONA L Uniestructural Independiza el tamaño de la muestra de la interpretación inicial del gráfico, asumiendo un solo gráfico de caja. Identifica los valores de los cinco resúmenes en un solo gráfico de cajas Reconoce la mediana como una medida de tendencia central representativa de todo el conjunto de datos en un solo conjunto de datos. Identifica el rango intercuartílico como una medida de dispersión en un solo gráfico de caja. CUANTITATIVO Multiestructural Caracteriza el efecto del muestreo en dos gráficos de caja, pero no establece relaciones entre ellos. Reconoce e interpreta separadamente para cada gráfico cada uno de las medidas de posición, pero no compara dichos resúmenes entre los dos gráficos. Describe las medianas de dos conjuntos de datos, pero no establece relaciones entre ellos. Reconoce los rangos intercuartílicos en dos gráficos de caja, pero no establece relaciones entre estas distribuciones. ANALÍTICO Relacional Reconoce que no se puede identificar el tamaño de la muestra en una lectura del gráfico, pero relaciona el tamaño de los gráficos para obtener conclusiones. Relaciona los valores de las medidas de resumen de cada gráfico y establece conclusiones acerca de las características de ambas distribuciones de datos. Establece relaciones entre dos gráficos de caja al comparar sus dos medianas. Identifica la dispersión como una característica de la forma del conjunto de datos relacionando los rangos intercuartílicos de los gráficos de caja. 372
383 INTERVALOS DE CONCENTRACIÓN DATOS ADYACENTES DATOS ATÍPICOS esta inclusión. Tabla 1. Categorías de razonamiento estadístico al comparar dos conjuntos de datos representados por gráficos de caja CONCLUSIONES No reconoce las agrupaciones de los datos respecto al recorrido de los valores de la variable. No identifica los valores que son límites de las cercas. No tiene en cuenta la presencia de datos atípicos en la distribución de datos. Describe el comportamiento de un conjunto de datos en particiones específicas de un solo gráfico de caja. Identifica el mayor y el menor dato considerados en los segmentos exteriores de un gráfico de caja. Considera y caracteriza los datos atípicos en un solo gráfico de caja. Identifica el comportamiento de la agrupación de los datos en dos gráficos de caja, pero sin establecer relaciones entre ellos. Describe los valores considerados como límites de los bigotes en dos conjuntos de datos por separado, sin establecer relaciones entre los conjuntos de datos. Determina los datos atípicos en los gráficos de caja para ambas distribuciones de datos pero sin establecer relaciones. Compara la concentración de los datos en zonas específicas de dos conjuntos de datos y establece conclusiones acerca de la relación entre ambas distribuciones de datos. Establece conclusiones acerca de la distribución de dos conjuntos de datos al comparar los datos adyacentes de ambas distribuciones. Caracteriza el efecto que tiene la inclusión de los valores atípicos en la distribución del conjunto de datos y establece conclusiones al comparar los cambios en las distribuciones por Este trabajo puede ser de utilidad para aquellas personas interesadas en investigar acerca de la introducción del AED en el currículo oficial colombiano, puesto que consideramos importante que antes de insertar las herramientas propias del AED se debe hacer un análisis de la manera que los estudiantes interpretan la información presentada a través de estas técnicas. El modelo jerárquico propuesto se puede adaptar a diferentes grados cuando se pretenda que los estudiantes interpreten y comparen gráficos de caja. Además, también se puede utilizar para analizar el razonamiento estadístico cuando se interpreten otros gráficos o cualquier objeto de estudio estadístico. Para esto es necesario identificar los elementos propios de cada una de las representaciones gráficas más usualmente empleadas en la enseñanza de la estadística. 373
384 La lista de elementos de razonamiento y los niveles propuestos se pueden considerar como fundamento para el diseño de unidades didácticas para el aula y en la construcción de instrumentos de evaluación del razonamiento estadístico sobre análisis de datos. REFERENCIAS Bakker, A. (2004). Reasoning about shape as a pattern in variability. Statistics Education Research Journal, 3 (2), Biggs, J. y Collis, K. (1982). Evaluating the quality of learning: The SOLO taxonomy. New York: Academic Press. Fernández, F., Sarmiento, B. y Soler, N. (2008). Conocimiento estadístico y probabilístico de profesores de educación básica y media. Bogotá: Universidad Pedagógica Nacional. Gal, I. (2002). Adult's statistical literacy. Meanings, components, responsibilities. International Statistical Review, 70 (1), Garfield, J. (2002). The challenge of developing statistical reasoning. Journal of Statistics Education, 10 (3). Inzunza, S. (2006). Qué enseñar, estadística descriptiva o análisis exploratorio de datos? Trabajo presentado en II Reunión Nacional de Análisis. La actividad experimental en la enseñanza de las Ciencias Naturales y Exactas. Culiacán Sinaloa: Centro de Ciencias de Sinaloa. MEN (2004). Pensamiento estadístico y tecnologías computacionales. Bogotá: MEN.. Pfannkuch, M. (2006). Comparing box plot distributions: teacher s reasoning. Statistics Education Research Journal, 5 (2), Rocha, P. (2007). Epistemología del razonamiento estadístico y aleatorio y su desarrollo a partir de proyectos de trabajo estadístico como innovación en la enseñanza de los objetos de estudio estocásticos. En Memorias del ENAES. Bogotá. Tukey, J. (1977). Exploratory data analysis. New York. Editorial Addison Wesley. 374
385 ANÁLISIS DE CORRESPONDENCIA. EL CASO DE LA EVALUACIÓN POR COMPETENCIAS Jorge Obando y María Teresa Castellanos Universidad Cooperativa (Colombia) - Universidad de los Llanos (Colombia) Jorge.obandob@campusucc.edu.co, Castellanosmaria@correo.ugr.es Partiendo desde la perspectiva de las técnicas multivariantes, se implementa la técnica de análisis de correspondencias para realizar discriminación de variables en el estudio de estrategias pedagógicas que propician formación y evaluación por competencias en el aula de clase. Se trata de uno de los resultados de la investigación Predicción de la calidad de la docencia universitaria a partir de la medición de instrumento de evaluación, realizada a 100 estudiantes del programa de contaduría pública en Villavicencio. Se identificaron relaciones existentes entre las asignaturas evaluadas y las diferentes variables que hacen parte de algunas de las estrategias pedagógicas que propician formación por competencias. Se concluye que en el programa de contaduría el ABP, la casuística, el resumen y la investigación son estrategias que adolecen de aplicación en el aula de clase. Los datos se analizaron en SPSS y R-estadístico. PALABRAS CLAVE Correspondencias, correlación, evaluación por competencias, estrategias de aprendizaje. INTRODUCCIÓN Las ciencias sociales, en particular en este caso la educación en la última década, han vuelto su atención a las investigaciones de tipo exploratorio (Parra, 1996), con técnicas que demuestran niveles de explicación a modelos teóricos tradicionales. Esta tendencia ha coincidido, a su vez, con el redescubrimiento de modelos estadísticomatemáticos que posibilitan el manejo simultáneo de muchas variables para explorar los rasgos más relevantes de cualquier fenómeno o situación. La investigación inicia con la aplicación de un instrumento que consta de 72 ítems con el propósito de evaluar el desempeño docente y propiciar elementos que permitan predecir la calidad docente. Uno de los bloques de preguntas hace relación con las estrategias pedagógicas que propician tanto formación como evaluación de competencias en el aula de clase. Para el análisis de estos resultados aplicados a 100 estudiantes con altos niveles de desempeño y escogidos bajo un muestreo no probabilístico de conveniencia, se aplica la técnica multivariante, análisis de correspondencias. Esta técnica estadística favorece la interpretación del resultado de manera sencilla a través de gráficas. Con este procedimiento se puede evidenciar y hacer perceptible el grado de relación entre las categorías de cada variable mediante los mapas perceptuales. El grado de asociación alto, puede notarse en el diagrama cuando las variables se evidencian relativamente juntas (Salvador, 2003). Esta técnica
386 permite en este estudio, obtener y comprender de las variables discriminadas que generan impacto en el aula de clase con respecto a las variables indagadas. PROBLEMÁTICA En un estudio exploratorio inicial a partir de la recopilación documental se aprecian estrategias de formación y evaluación en los diferentes planes de estudio diseñados por los docentes, los resultados y manifestaciones de los educandos comprometen la realidad de estas. Aunque la universidad cuenta con estructuras curriculares que cuidadosamente diseñadas permiten realizar al inicio de cada semestre una planeación que apunta al proceso de formación por competencias. Se presume que las estrategias propuestas en la planeación producen elementos significativos, que propician dicha formación, sin embargo en el contexto del aula de clase las estrategias tradicionales y conductistas son los referentes académicos que más se repiten. Consecuencia de estas prácticas durante la formación universitaria ubican a los futuros profesionales en desventaja frente a las respuestas que deben dar a pruebas estandarizadas por ítems para la medición de competencias; ubicándolos en la mayoría de las convocatorias con resultados poco satisfactorios que dejan entre dicho la calidad de la educación superior en el contexto universitario de la ciudad de Villavicencio. MARCO DE REFERENCIA En el Análisis de Correspondencias Múltiples se utilizan los cálculos de ajuste que: recurren esencialmente al álgebra lineal y produce representaciones gráficas donde los objetos a describir se transforman en puntos sobre un eje o en un plano. El análisis de correspondencias es una técnica que busca describir, en un espacio de pocas dimensiones o factores, la estructura de asociaciones entre un grupo de variables categóricas, así como las similitudes y diferencias entre los individuos a los cuales esas variables se aplican (Ledesma, 2008). Las técnicas enmarcadas dentro de los métodos estadísticos factoriales, están diseñadas para estudiar las relaciones entre cualquier número de modalidades de distintas variables categóricas (Parra, 1996), lo que es factible en este campo de la pedagogía y de las estrategias pedagógicas de formación y evaluación por competencias, encontrar relaciones entre estas permite determinar una metodología para definir su asociación y para producir efectos positivos en el proceso de enseñanza aprendizaje. Lacapacidad descriptiva del método, en el aspecto disociador de categorías de diferentes variables proporciona ventajas en el estudio, en particular cuando éstas son suficientes en número para hacer difícil un estudio global de ellas. (Sánchez, 1984). Matemáticamente, esta técnica propone elementos de carácter geométrico, a través de gráficos sencillos, que explican la correlación, el acercamiento y la discriminación de las variables, haciendo sencillo el análisis descriptivo de las diferentes variables intervinientes en el estudio. Los procedimientos que se mostraran a través de las variables inscritas en el instrumento del estudio en mención incluyen un proceso algorítmico, están determinadas por una tabla de significancia de Cronbach, una 376
387 matriz de doble entrada con sus respectivas correlaciones entre las variables, el peso numérico de la discriminación en una gráfica de discriminación, y un boxplot de distancias que permite asociar las diferentes variables. ESTRATEGIAS DE FORMACIÓN Y EVALUACIÓN POR COMPETENCIAS Las estrategias, son los elementos relevantes a contemplar dentro de las variables a analizar, entre ellas tenemos: el debate, que consiste en defender o rebatir un punto de vista acerca de un tema controversial, bajo la conducción de una persona que hace de interrogador (Ortiz, 2003); el resumen; se constituye en una reescritura que involucra, la lectura del texto fuente y el sujeto produce su texto original (Perelman, 1994); el ABP es una estrategia didáctica para formar en competencias y se basa en el análisis, comprensión y resolución de problemas contextualizados (Tobón, 2005); la casuística está relacionada con el estudio de un caso, constituye una relación escrita que describe una situación acaecida en la vida de una persona, familia, grupo o empresa (Torres, 2010), su aplicación como estrategia o técnica de aprendizaje entrena a los alumnos en la elaboración de soluciones válidas para los posibles problemas de carácter complejo que se presenten en la realidad futura. La formación por proyectos es otra de las estrategia que propicia un proceso de formación por competencias (Tobón, 2005), estos son una estrategia general para formar y evaluar las competencias en los estudiantes mediante la resolución de problemas pertinentes del contexto (personal, familiar, social, laboral-profesional, ambiental-ecológico, cultural, científico, artístico, recreativo, deportivo, etc.) mediante acciones de direccionamiento, planeación, actuación y comunicación de las actividades realizadas y de los productos logrados. Por otro lado, los mapas mentales, son un método efectivo para la generación de ideas por asociación, ésta juega un papel dominante en casi toda función mental (Buzan y Buzan, 1996). Toda simple palabra tiene numerosas conexiones o apuntadores a otras ideas o conceptos. Se utilizan para la generación, visualización, estructura, clasificación taxonómica de las ideas y como ayuda para el estudio, organización, solución de problemas y toma de decisiones. El mapa mental permite el análisis de los saberes previos y fortalece un proceso de formación por competencias (Tobón, 2011). Ahora todo el conocimiento práctico y teórico del hombre es posible a través de los casos que le van sucediendo a través de su diario vivir, incluso el aprendizaje de las matemáticas, la captación de principios lógicos se da a partir de ejemplos concretos, existiendo una conexión directa entre competencias y contextos los ejemplos llevados a la clase y que corresponden a situaciones reales propicia también un aprendizaje significativo. ASPECTOS METODOLÓGICOS El estudio selecciona de un grupo conformado por 450 estudiantes una muestra intencionada integrada por 100 estudiantes. Los participantes del estudio cumplen con las siguientes condiciones para la muestra: tener buenos promedios; tener desempeño académico sobresaliente; tener desempeño disciplinario sobresaliente. El instrumento indaga por 75 variables que permite reflexionar sobre el actuar idóneo 377
388 de los docentes desde la perspectiva de los estudiantes. Las variables agrupadas que se indagaron se muestran en la Tabla 1. Variable Mapas ABP Casuística Debate Resúmenes Lectura Investigación Portafolio Vida real Noticias Descripción Usa como estrategia de evaluación los mapas mentales y conceptuales Usa como estrategia de formación y evaluación el aprendizaje basado en problemas (ABP) Recurre como practica de evaluación y medición del conocimiento la casuística Usa como practica de evaluación los debate Usa como practica de evaluación la capacidad de hacer resúmenes Propicia como estrategia de evaluación la lectura de libros Lleva a la clase ejemplos de investigaciones realizadas en el contexto Utiliza como estrategia de evaluación el portafolio Lleva al aula de clase ejemplos de la vida real Lleva a la clase ejemplos de periódicos, noticias locales e internacionales Tabla 1. Variables que intervienen en el estudio Las categorías se codificaron numéricamente en escala ordinal, siendo 1 la más baja valoración de la respuesta dada y 5 la más alta. Una vez finalizada la fase de recolección de datos, se procedió a la codificación de los ítems y a su tabulación mediante la grabación de los datos contenidos en cada uno de los cuestionarios considerados válidos. Se utilizó el paquete estadístico SPSS para Windows y R- estadístico. DESARROLLO DE LA PROPUESTA El método de las correspondencias estadística validado para este caso desde la perspectiva de la significancia de Cronbach, indica un procedimiento de correlaciones aceptable y altamente significativo entre las diferentes variables que conforman este bloque de preguntas.los valores propios y la inercia señalados en la tabla 2, indican la importancia de cada una de las dimensiones, que como se observa, ambas comportan importancia relativa, aun cuando la primera es claramente superior. Dimensión Dimensión Alfa Varianza explicada de Total % de la Cronbach (Autovalores) Inercia varianza Tabla 2. Significancia El valor de la significancia de α = 0.917; observado en la Tabla 2, implica que los resultados de opinión de los 100 estudiantes respeto a la implementación de las estrategias que permiten evaluar por competencias, se encuentran correlacionados de manera altamente confiable y muy significativa. Lo que permite establecer una relación de confianza vista desde la óptica del estudiante entre las diferentes variables 378
389 para este caso evaluadas. Todo el peso de la varianza explicada y los pesos de las inercias recaen en la primera dimensión. Mapa s ABP Casuístic a Debat e Resume n Lectur a Investigació n Portafoli o Vida Real Noticia s Mapas ABP Casuística Debate Resumen Lectura Investigació n Portafolio Vida Real Noticias Tabla 3. Tabla de correlaciones La correlación (Tabla 3), muestra relación o dependencia entre las dos variables que intervienen en la distribución bidimensional. Cuando el valor de la correlación se acerca a uno es fuerte, y se establece dependencia entre estas. Figura 1. Gráfico de correlaciones Por ejemplo en la Tabla 3 y la Figura 1, se visualiza que entre el ABP, y la casuística, guardan una estrecha relación. Esta pareja relaciona elementos que implican necesariamente el uso de los contextos, son estrategias que se complementan cuando se usa el problema como estrategia para aprender y como estrategia para hacer de la resolución de problemas un elemento revelador de evaluación. Frente a los referentes teóricos la importancia de estas correlaciones es muy importante, ya que en todo instante están relacionando el contexto y sus problemas. Desde la óptica del estudiante la correlación de estas variables es importante, sin embargo se encuentran divorciada del proceso de formación en el aula de clase en la Universidad Cooperativa de Colombia de Villavicencio. Una relación estrecha de correlación y que impacta en el proceso de formación por competencias es la encontrada en las variables casuística y ABP. Estasdos variables se complementan una a una, sin embargo en el contexto del aula de clase estas están ausentes. Otra correlación está dada en la capacidad de hacer resúmenes con la lectura y con el debate. Existen otras correlaciones de menor fuerza estadística pero 379
390 de gran impacto en el proceso de formación por competencias, tales relaciones como: casuística- investigación, ABP- vida real, entre otras. De acuerdo a la Figura 2, las variables, casuística y ABP, son las de más peso. Se puede afirmar que estas son las variables más críticas en el proceso de implementación de estrategias bajo el modelo de las competencias en el aula de clase. La discriminación estadística permitirá en este caso a la luz de los estudiantes determinar cuáles son las variables más críticas y evaluadas dentro un contexto de poco y nada importante. Figura 2. Gráficos de correlación y discriminaciónde variables Así, las variables ABP y Casuística preguntadas desde el instrumento de evaluación: Usa como estrategia de formación y evaluación el aprendizaje basado en problemas (ABP), y recurre como práctica de evaluación y medición del conocimiento la casuística ; son las variables que más importancia le dan los estudiantes y de las que menos hacen uso los docentes evaluados. Dimensión 1 2 Media Mapas ABP Casuística Debate Resumen Lectura Investigaciones Portafolio VidaReal Noticias Tabla 4. Discriminación de variables La Tabla 4, muestra las variables de más peso, mostradas también en la Figura 1. Una de las variables que menos valor presenta es el portafolio, Basados en la evidencia documental del estudio exploratorio inicial evidenciado en la práctica, este recurso (o estrategia), es el de mayor utilidad en el proceso de evaluación de ahí su discriminación tan baja. La investigación como proceso de evaluación, discrimina con un peso moderado, lo que permite evidenciar que en el aula de clase poco se propician ambiente de aprendizaje haciendo uso de investigaciones realizadas. En la misma situación se encuentran los resúmenes y los debates. Finalmente en la Figura 2, también se observa una asociación entre variables, lo que permite determinar como para los encuestados las estrategias determinadas por la 380
391 casuística, los ejemplos de la vida real, el ABP, el portafolio y la investigación son estrategias que unidas funcionan muy bien en un ambiente de aprendizaje y evaluación por competencias. De la misma manera los mapas mentales, las noticias, el resumen y la lectura se unen para formar estrategias que benefician el proceso de formación y evaluación de competencias. CONCLUSIONES El análisis de correspondencias simple y múltiple ha permitido, en el contexto de la Universidad Cooperativa de Colombia encontrar variables que se correlacionan perfectamente para producir una necesidad de una con respecto a la otra y propiciar de esta manera una verdadera formación y evaluación por competencias. La ausencia de las estrategias de aprendizaje del ABP, de la casuística, de los procesos de Investigación, de la capacidad de hacer resúmenes y la ausencia de la lectura, es evidente en los procesos de evaluación y de formación por competencias. Uno de los instrumentos para la evaluación más utilizados en el contexto del programa de contaduría es el portafolio. Existen otras estrategias como los mapas mentales, el debate, las noticias regionales, la ejemplificación con problemas reales del contexto, esporádicamente se usan. De la misma manera el análisis de correspondencia ha permitido encontrar asociaciones de variables en donde la unión de ellas impacta favorablemente en el proceso de formación y evaluación por competencias en el contexto de la Universidad Cooperativa. Una de los aportes importantes que se ajustan al uso de los análisis de correspondencias es la relación existente entre diferentes variables de tipo cualitativo, siendo esta herramienta una alternativa para futuros estudios en donde la correlación y la relación de variables es importante, aparte de obtener perfiles marginales, fila y columna de una tabla de contingencia bidimensional e interpretarlos con facilidad, de la misma manera esta herramienta facilita calcular e interpretar los resultados de un Análisis de correspondencias tanto desde un punto de vista gráfico como numérico. Para el estudio realizado el hecho de haber aportado visualización grafica directa de fácil interpretación y con validación bajo el coeficiente de correlación de Cronbach, ha permitido la identificación de una problemática que a la luz del contexto universitario difícilmente se visualiza REFERENCIAS Buzan, T. y Buzan, B. (1996). El libro de los mapas mentales: cómo utilizar al máximo las capacidades de la mente. Ediciones Urano, SA. Clavijo, A. (2008). La evaluación del proceso de formación. Aljibe. Ledesma, R. (2008). Software de análisis de correspondencias múltiples: una revisión comparativa. Metodología de Encuestas, 10 (1), Parra, J. (1996). Modelo de análisis de correspondencias múltiples. Revista de Ciencias Sociales, 2 (2), Ortiz, L. (2003). Selección de estrategias pedagógicas que ofrecen distintas puertas de acceso a los aprendizajes esperados y diversas hojas de ruta para el diseño de un plan de clases. Piura. 381
392 Perelman, F. (1994). La construcción del resumen. Lectura y vida, 15 (2), Salvador, M. (2003). Análisis de Correspondencias, Sanchez, J.J. et al. (1984). Introducción a las técnicas de Análisis multivariables aplicadas a las Ciencias Sociales. Madrid:Centro de Investigaciones Sociológicas. Tobón, S. (2005). Formación basada en competencias. Bogotá: Ecoe. Tobón, S. (2011). La evaluación de las competencias por medio de mapas de aprendizaje: una propuesta frente a los métodos tradicionales de evaluación. En J. Moya y F. Luengo (Eds.), Estrategias de cambio para mejorar el currículum escolar: hacia una guía de desarrollo curricular de las competencias básicas (pp ). Torres, C. (2010). El arte de enseñar con alegría. Documento en línea: estudio_de_casos.pdf. Consultado el 16/03/. [Consultado: ]. 382
393 POSTERS
394 PROPUESTA PARA SUPERAR SESGOS Y HEURI STICAS EN LA INTERPRETACIO N DE SITUACIONES DE PROBABILIDAD Pedro Nel Pacheco y Luz Dary Castelblanco Universidad Nacional de Colombia pnpachecod@unal.edu.co, ldcastelblancos@gmail.com Se presenta una propuesta de creación didáctica mediada por las TIC, para superar algunos sesgos y heurísticas tales como: la heurística de la representatividad, el sesgo de equiprobabilidad y la falacia del eje temporal, los cuales se presentan al momento de resolver problemas de probabilidad. Las actividades diseñadas se plantean mediante la estructura que proponen Batanero (2001) para el desarrollo de proyectos estadísticos en el aula, los cuales se caracterizan por su carácter contextualizado, lo cual permite hacer uso de datos que se interpretan desde el contexto y son motivadores. Estos proyectoa se presentan mediante Ambientes Virtuales de Aprendizaje (AVA) a través de la plataforma Moodle, con el objetivo de que pueda ser utilizada por docentes que deseen aplicarla en sus aulas de clase. Asimismo se destaca el uso de las simulaciones de problemas de probabilidad, puesto que éstos permiten al estudiante visualizar experimentos que difícilmente pueden observarse en la vida real. Se espera que las actividades puedan ser aprovechadas por los docentes en una fase previa al desarrollo de conceptos de probabilidad en el aula, con estudiantes de educación media vocacional, y que las experiencias obtenidas en el trabajo con los proyectos pueda ser compartido por los profesores con el objetivo de recoger resultados respecto de la efectividad de las mismas en la superación de las heurísticas y sesgos inicialmente mencionados. PALABRAS CLAVE Heurísticas, sesgos, proyectos de aula, plataforma virtual. DESARROLLO DEL TEMA Investigaciones como las realizadas por Serrano, Batanero, Ortiz y Cañizares (1998), evidencian dificultades por parte de los estudiantes aun después de instrucciones formales en matemáticas y probabilidad, lo cual evidencia que no es suficiente el conocimiento en el uso de técnicas estadísticas y probabilísticas. Diferentes estudios, como los realizados por Fischbein y Schnarch (1997), han evidenciado que las heurísticas y sesgos usados en la interpretación de sucesos aleatorios, se deben a tipos de razonamiento incorrectos que inciden en interpretar erróneamente problemas de probabilidad. La propuesta que se presenta, está dirigida a estudiantes de educación media, y está enfocada en proponer una serie de actividades para lograr superar los siguientes sesgos y heurísticas: 1) la heurística de la representatividad, 2) el sesgo de la equiprobabilidad y 3) la falacia del eje temporal. En esta propuesta, se hace un énfasis específico en partir de las intuiciones de los estudiantes, proporcionándoles
395 experiencias tales que les permitan resolver problemas de probabilidad en los que regularmente se hace uso de sesgos y heurísticas que inciden en una solución errada. La propuesta parte de una revisión respecto de qué es una intuición, un sesgo y una heurística, la definición de cada uno de los tres sesgos y heurísticas que serán abordados en la propuesta, una breve revisión histórica de la probabilidad, y el uso de los proyectos de aula y objetos virtuales de aprendizaje que serán la base fundamental para el planteamiento de las actividades. A continuación se resumen los pasos realizados para el desarrollo de la propuesta y la construcción de la plataforma virtual: Figura 1 Descripción de pasos para el desarrollo y finalización de la propuesta Sesgos y heurísticas En relación con las heurísiticas y sesgos que serán abordados mediante los 4 proyectos, se hacen las siguientes definiciones: Heurística de la representatividad: la heurística de la representatividad se presenta cuando se considera que una muestra pequeña es altamente representativa de la totalidad de la población; al respecto se menciona que se suelen considerar las muestras pequeñas como más representativas, sin embargo lo que se desconoce es que, según Kahneman, Slovic y Tversky (1982), las muestras pequeñas son más variables. Los autores han denominado este sesgo de representatividad como la ley de los números pequeños. Sesgo de equiprobabilidad: se refiere a la creencia en la equiprobabilidad en todos los sucesos aleatorios (Serrano, Batanero, Ortiz y Cañizares, 1998). Las personas que tienen este sesgo consideran que el resultado del experimento depende del azar, y en consecuencia todos los posibles resultados son equiprobables (Díaz, 2003). La falacia del eje temporal: está relacionada con los trabajos realizados por Falk (citado en Castro, 1995), respecto de los errores cometidos por los estudiantes al enfrentarse a problemas referidos a independencia y probabilidad condicional, 385
396 dificultades que se presentan cuando el suceso condicionante ocurre después del suceso que condiciona (Castro, 1995, p. 102), y se ignora el suceso anterior el cual es fundamental para poder determinar el conjunto de posibilidades; por lo tanto este error dificulta la identificación del espacio muestral. Intuiciones Fischbein (1982, p.9), en su artículo dedicado a las intuiciones, explica cómo las ciencias y las matemáticas han tratado de excluir la intuición, la percepción y lo subjetivo de sus investigaciones. Destaca que esto se ve prioritariamente en las matemáticas, donde el proceso de resolución de problemas está orientado a la formalidad y a los procesos objetivos, y se ignora lo subjetivo, las creencias y la intuición. Sin embargo en la educación matemática, específicamente en la probabilidad, los sesgos intuitivos aparecen más fuertemente. Batanero (2001) manifiesta que uno de los problemas que se presentan en el aprendizaje de la probabilidad es la falta de reversibilidad de los experimentos aleatorios, porque la repetición de un suceso en probabilidad, no siempre da el mismo resultado, situación que sí se presenta en el caso de la geometría o la aritmética. De acuerdo con lo anterior, se ve la necesidad de modificar o crear en el individuo nuevas intuiciones, que permitan analizar y estudiar experimentos aleatorios, es decir, proponer actividades a los estudiantes que les permita llegar a desarrollar intuiciones correctas, las cuales interiorice y aplique en la resolución de esta clase de problemas (Fischbein, 1982). Trabajo por proyectos Los proyectos que se proponen para superar los sesgos y heurísticas ya antes mencionados, se alojaron en una plataforma Moodle, ( en la cual se encuentran simulaciones y actividades adicionales. Se proponen un total de 4 proyectos, con sus respectivas actividades, las cuales se construyeron con el objetivo de superar la heurística de la representatividad, el sesgo de equiprobabilidad y la falacia del eje temporal. Proyecto No. 1. Lanzamiento de una moneda Se observa cuando en un suceso se presentan o no resultados equiprobables, haciendo una reiterada experimentación y observando los resultados de las frecuencias relativas. También le permite al estudiante hacer una aproximación inicial a la ley de los grandes números, donde tendrá la oportunidad de comparar las frecuencias relativas del experimento junto con su probabilidad teórica. Proyecto No. 2. Cuántos pimpones hay en la urna? Los estudiantes deben determinar la cantidad de pelotas de ping pong que hay en la urna desde la observación de las frecuencias relativas de un experimento simulado; de esta manera, los estudiantes deberán hacer uso de la ley de los grandes números para determinar el número de bolas de ping pong que se encuentran dentro de la urna, y se les dará la oportunidad de observar situaciones equiprobables y no equiprobables para que puedan identificar las características de estos sucesos. 386
397 Proyecto No. 3. Cuántos peces hay en el lago? Se lleva al estudiante a involucrarse en una situación propia de las ciencias naturales donde debe estimarse el tamaño de una población. Como en los problemas anteriores se hace una simulación y se lleva al estudiante a realizar inferencias partiendo de la observación de los datos y los gráficos. Proyecto No. 4. El problema de Montyhall Para superar el sesgo de accesibilidad, específicamente hablando de la falacia del eje temporal, se hará uso del problema de Montyhall. Como el sesgo de accesibilidad y la falacia del eje temporal se refieren a sesgos presentados en la resolución de problemas de probabilidad condicional, se considera como ideal enfrentar a los estudiantes al problema de Monty Hall. Éste problema consiste en un concurso donde el concursante escoge una puerta entre tres y el premio se encuentra detrás de la puerta seleccionada. Una de ellas oculta un coche y en las otras dos se encuentra una cabra. Antes de que el presentador le muestre lo que hay detrás de la puerta seleccionada, abre una de las otras dos puertas donde hay una cabra. Ahora se da la oportunidad al concursante de cambiar la puerta escogida Debe el concursante mantener su elección original o escoger la otra puerta? Hay alguna diferencia? La simulación del problema, ofrece la oportunidad al estudiante de observar los sucesos teniendo en cuenta diferentes experimentos; las sucesivas experimentaciones al respecto brindan la posibilidad al estudiante de superar las intuiciones incorrectas que se presentaron en la mayoría de la población que se enfrentó a situaciones similares. Se usará la simulación del juego para obtener datos, que permitan a los estudiantes obtener soluciones correctas, mediante la experimentación con eventos aleatorios, que ayuden a los estudiantes a evaluar la mayor probabilidad de un suceso y les permita tomar decisiones acertadas. CONCLUSIONES Las conclusiones de este trabajo, son resultado de la reflexión realizada durante la elaboración de la propuesta, ya que por el momento no se han aplicado los proyectos en las aulas de clase. Dentro de las reflexiones realizadas se encuentran las siguientes: El desarrollo de intuiciones correctas en estudiantes de educación media vocacional, anterior a la enseñanza de conceptos formales de probabilidad, proporcionará las bases del desarrollo formal de éste concepto, puesto que el estudiante tendrá la oportunidad de relacionar el tratamiento formal con una interpretación correcta del fenómeno Es fundamental que los docentes de matemáticas, indaguen respecto del desarrollo de intuiciones, que permitan a los estudiantes interpretar problemas de probabilidad sin caer en heurísticas y sesgos que lleven a soluciones erróneas. La simulación de experimentos aleatorios permite al estudiante involucrarse en situaciones que difícilmente pueden observarse en la vida real, es el caso del proyecto de la pesca o el lanzamiento de una moneda. Asimismo brinda la oportunidad observar el comportamiento del experimento desde la tabulación de los datos y la representación gráfica de los mismos, lo cual permite que los estudiantes realicen inferencias teniendo en cuenta de la información obtenida. 387
398 Se destaca la importancia de que el docente de estadística y/o probabilidad tenga la oportunidad de conocer programas para simular problemas, los cuales se convierten en herramientas importantes de apoyo en el aula. REFERENCIAS Batanero, C. (2001). Didáctica de la estadística. Castro, C.S. (1995). Intuición y matemática en el razonamiento y aprendizaje probabilístico. Tesis de doctorado. México: Universidad Autónoma. Díaz, C. (2003). Heurísticas y sesgos en el razonamiento probabilístico. Implicaciones para la enseñanza de la estadística. En Memorias del 27 Congreso Nacional de Estadística e Investigación Operativa (pp. 1-11). Fischbein, E. (1982). Intuition and proof. For the learning of mathematics, 3 (2) Fischbein, E. y Snarch, D. (1997). The Evolution with age of probabilistic, intuitively based misconceptions Journal for Research in Mathematics Education, 28 (1), Serrano, L., Batanero, C., Ortiz, J. y Cañizares, J. (1998). Heurísticas y sesgos en el razonamiento probabilístico de los estudiantes de secundaria. Educación Matemática, Kahneman, D., Slovic, P. y Tversky, A. (1982). Judgment under uncertainty: Heuristics and biases. New York: Cambridge University Press. 388
399 ENSEÑANZA DE LA DESVIACIÓN ESTÁNDAR UTILIZANDO EL MÉTODO SEIS SIGMA EN GRADO NOVENO Alexander Guataquira y Pedro Nel Pacheco Universidad Nacional de Colombia aguataquirar@unal.edu.co, pnpachecod@unal.edu.co Esta es una propuesta didáctica para la enseñanza de la desviación estándar en el grado noveno de educación básica secundaria, está basada en la teoría de los campos conceptuales, que enfocan la adquisición del conocimiento a partir de la experiencia que tiene el estudiante en un contexto directo. Por lo cual el desarrollo del trabajo se fundamentó sobre el concepto de calidad, utilizando para tal fin la metodología Seis Sigma, la cual permite aplicar y contextualizar el significado de la desviación estándar. Para la presentación y aplicación de las unidades, se creó un objeto virtual de aprendizaje (OVA), con el que se logra una mayor interacción del estudiante con las nuevas tecnologías y el concepto estudiado. La aplicación de Seis Sigma en el estudio de la Desviación Estándar logra fundamentar el concepto de variabilidad y permite establecer de forma significativa la relación entre lo conceptual y lo algorítmico, consiguiendo formalizar dinámicamente la adquisición y comprensión del nuevo conocimiento. PALABRAS CLAVE Desviación estándar, Seis Sigma, campos conceptuales. DESARROLLO DEL TEMA En el poster se presenta el trabajo desarrollado con estudiantes de grado noveno, con los cuales se trabajó utilizando unidades didácticas las cuales fueron presentadas mediante el uso de un objeto virtual de aprendizaje (OVA), el cual permitió guiar cada uno de los procedimientos necesarios para la conceptualización de la desviación estándar. La unidad didáctica se fundamenta utilizando como eje de articulación el concepto de calidad mediante el uso de la metodología Seis Sigma, la cual formaliza la utilidad e importancia de la desviación en un contexto real. Figura 1. Portada OVA
400 LA SIGNIFICACIÓN DE JUEGO JUSTO EN EVENTOS NO EQUIPROBABLES Henry Correa y Pedro Nel Pacheco Universidad Nacional de Colombia hocorreav@unal.edu.co, pnpachecod@unal.edu.co Cuando se analizan situaciones de incertidumbre, se cuantifica la probabilidad recurriendo a convenciones como la de suponer que los eventos son equiprobables, desconociendo que es difícil de asociarlo para cualquier fenómeno natural o situación cotidiana; de ahí que se pierdan fundamentos para llegar a construir argumentos sólidos, con los cuales justificar criterios de decisión necesarios para reconocer y promover un Juego Justo. Y es que los juegos deberían privilegiar el garantizar unas condiciones justas para los apostadores, posible de asociar con valores éticos que promuevan el bienestar, la equidad y la armonía, definidas como un equilibrio, el cual, además es un término privilegiado en estudios de diferentes ciencias. Se construyó un Objeto Virtual de Aprendizaje (OVA) divido en unidades didácticas por curso, involucrando situaciones problema para abordar el azar y la probabilidad como fundamento de decisiones, tomadas, privilegiando el beneficio equilibrado para las partes antes que el beneficio personal. PALABRAS CLAVE Equiprobabilidad, toma de decisiones, OVA, juego justo. DESARROLLO DEL TEMA En la página web henrycorrea86.wix.com/ovajuegojusto se orienta a reconocer los pro y contra de la definición clásica de la probabilidad, la construcción de una definición de Juego justo desde el riesgo (relación ganancia-apuesta) en contextos que varían desde situaciones de juego, situaciones cotidianas y situaciones de la ciencias (Leyes de Mendel). Figura 1. Decidir un Juego Justo Figura 2. Objeto Virtual de Aprendizaje
401 391
402 La Significación De Juego Justo En Eventos No Equiprobables Henry Oswaldo Correa Vargas Pedro Nel Pacheco Durán Maestría en Enseñanza de las Ciencias Exactas y Naturales Universidad Nacional de Colombia 392
Mostrar más