Formas de Razonamiento Con Fathom

Artículo
Revista digital Matemática, Educación e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol. 9, No 2. 2009
Formas de razonamientos que muestran

estudiantes de maestría de Matemática
Educativa sobre las distribuciones uniforme
discreta y binomial mediante problemas de
simulación en Fathom
Greivin Ramírez A.
[email protected]
Escuela de Matemática
Instituto Tecnológico de de Costa Rica
Resumen
Según Garfield, et al ([3, pág. 300,]), uno de los prerrequisitos que deben tener los estu-
diantes antes de estudiar las distribuciones muestrales, siendo estas la piedra angular de la
inferencia estadística ([16, pág. 277,], [3, pág. 295,]), es la idea de distribución: describir
distribuciones de datos (como la uniforme y la binomial), caracterizar su forma, centro,
dispersión y variabilidad (es el corazón de la estadística según [11], [12], [4], [5], [15]).
Así, esta investigación responde a la pregunta ¿Cuáles son las formas de razonamiento que
muestran estudiantes de maestría de Matemática Educativa al estudiar las distribuciones
uniforme discreta y binomial mediante problemas de simulación en Fathom?
Palabras claves:Formas de razonamiento, Distribución, Variabilidad, Simulación y Fathom.
1.1 Introducción
2 Revista digital Matemática, Educación e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol 9, No 2. , 2009.
Un problema en la formación de profesores de matemática, es que en la mayoría de

currículos sólo está contemplado aprobar uno o dos cursos de probabilidad y estadística
e inferencia estadística; donde la metodología de enseñanza se desarrolla mediante un
enfoque clásico deductivo cuyo resultado algunas veces parece ser la memorización y la
aplicación de métodos en forma de recetas con muy poca o ninguna comprensión. Además,
muchas veces se pone atención a los resultados finales más que a los procesos intermedios
de creación de las distribuciones ([7], [9]).
La tecnología, mediante el software Fathom, ofrece una oportunidad para cambiar de

metodología en la formación de profesores, pues permite evaluar los procesos subyacentes
mediante la manipulación de parámetros y de datos (en los diferentes tipos de distribuciones
discretas y continuas), la simulación en la extracción de muestras (sugerida por [13], [2],
Sánchez, 2002; [9], [7]), el cambio de ejes en las gráficas (histogramas y diagramas de
cajas) y el movimiento de escalas (en los diagramas de muestras) para resolver problemas
específicos, extraer conclusiones y generalizar resultados.
[7] resume el éxito de los estudiantes al usar la simulación computacional en el estudio de

las distribuciones:
Los estudiantes encuentran sentido a la resolución de problemas de distribuciones me-

diante la simulación en Fathom, ya que construyen por ellos mismos las distribuciones,
generando las poblaciones, tomando muestras, definiendo estadísticos y calculado sus
probabilidades. Además, pueden resolver los problemas de distribuciones mediante
simulación computacional, una vez que se apropiaron de los recursos del software y
después de haber abordado algunas actividades. (ibid., pág., 215)
Sin embargo, son pocas las investigaciones que se han hecho para evaluar la efectividad de
la simulación en los procesos de enseñanza aprendizaje de las distribuciones, por lo que
queda aún mucho camino por andar para evaluar el impacto de la simulación computacional
en este tema ([3], Sánchez, 2002; [10]). La presente investigación busca colaborar en dicha
evaluación.
Formas de razonamientos que muestran estudiantes de maestría... Greivin Ramírez.

Derechos Reservados © 2009 Revista digital Matemática, Educación e Internet (www.cidse.itcr.ac.cr/revistamate/)
Revista digital Matemática, Educación e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol 9, No 2. , 2009. 3
1.2 Problema de Investigación
La presente investigación es un estudio de caso, con 7 estudiantes (2 hombres y 5 mujeres)

de maestría en Matemática Educativa de nivel medio superior en México. Su objetivo es
investigar las formas de razonamiento de los estudiantes en los temas de distribuciones
uniforme discreta y binomial. La investigación se desarrolló mediante un enfoque frecuen-
cial1 respaldado con el recurso de computadora durante el segundo semestre del año 2005,
de tal manera que permitiera mediante la simulación con Fathom un desarrollo empírico2
de las distribuciones. Además, al ser la investigación de tipo cualitativo, se pretendía con
el desarrollo de las actividades, que los estudiantes establecieran las propiedades y carac-
terizaciones de las distribuciones a partir de la simulación computacional en la toma de
muestras de la población construida por los mismos estudiantes.
Según [8], aunque se ha ido incorporando el uso de paquetes estadísticos en los cursos,
se ha manejado una idea tradicional del uso del software que es hacer estadística más que
aprender estadística. Para él:
Fathom: es uno de los paquetes recientes que tiene mayor énfasis en proveer una
atmósfera en el cuál los estudiantes pueden investigar conceptos estadísticos y facilitar
el aprendizaje. Una premisa clave es que todos los aspectos del análisis están vinculados,
entonces los estudiantes pueden ver cómo los cambios que hacen en un área afectan a
otra. Los diseñadores de Fathom han hecho un esfuerzo por producir una interfase que
permita a los estudiantes “arrastrar y soltar” para construir los análisis de los ladrillos
base. (ibid.,pág., 1)
Específicamente la pregunta de investigación que guía este trabajo es la siguiente:
¿Cuáles son las formas de razonamiento que muestran estudiantes de maestría

de Matemática Educativa al estudiar las distribuciones uniforme discreta y bino-
mial mediante problemas de simulación en Fathom?
1 Se basa en el estudio de la probabilidad desde el punto de vista frecuencial. Se entiende por probabilidad como
el límite de la frecuencia relativa con que ocurre un evento cuando n tiende a infinito.
2 Es el estudio de las distribuciones a través del acercamiento que surge de un proceso de muestreo repetitivo, con
el fin de que se relacione con el proceso físico de muestreo.

Con esta pregunta se pretende identificar cómo los niveles de razonamiento que los es-
tudiantes tienen al estudiar las distribuciones uniforme discreta y binomial evolucionan
a través del tiempo de instrucción con el software. El desarrollo de las actividades está
intencionado con el fin de que los estudiantes vayan adquiriendo en forma intuitiva los
conceptos involucrados en las distribuciones. Dichas actividades están mediadas con el uso
del software, de tal manera que su utilización les permita desarrollar funciones cognitivas
de nivel superior.
1.3 Marco Conceptual
Para analizar las respuestas de los estudiantes se adaptó el marco conceptual propuesto por
[3] sobre distribuciones muestrales en el que estos autores definen los niveles de desarrollo
del razonamiento de las distribuciones. Así, se adapta para las distribuciones uniforme
discreta y binomial de la siguiente manera:
Nivel 1. Razonamiento ideosincrático (RI): Los estudiantes conocen palabras y símbolos

relacionados con la distribución uniforme discreta y binomial, quienes los usan incorrecta-
mente y sin un entendimiento completo. Además, podrían usar estos simultáneamente con
información no relacionada.
Nivel 2. Razonamiento verbal (RV): Los estudiantes tienen un entendimiento verbal de

la distribución uniforme discreta y binomial; pueden seleccionar una definición correcta y
centrarse en ella, pero no entienden por ejemplo, conceptos claves de cómo la variabilidad
de los datos y la forma de la distribución están relacionadas.
Nivel 3. Razonamiento de transición (RT): Los estudiantes son capaces de identificar

una o dos características de la distribución uniforme discreta y la distribución binomial.
Esas características se refieren a: caracterizar su forma, centro, dispersión y variabilidad.
Por ejemplo, una característica es relacionar el promedio con la forma.
Nivel 4. Razonamiento de procedimiento (RP): Los estudiantes son capaces de iden-

tificar correctamente las cuatro características de la distribución uniforme discreta y la
distribución binomial, pero no hacen una integración total de ellas.
Nivel 5. Razonamiento de procesos integrados (RPI): Los estudiantes tienen un en-

tendimiento completo de la distribución uniforme discreta y la distribución binomial, las
reglas y los conocimientos de estocástica son coordinados. Por ejemplo, pueden explicar la
caracterización con sus propias palabras para describir por qué la variabilidad de los datos
en la toma de muestras hace que el promedio varíe.
Algunas literaturas de investigación estadística sugieren que los términos variación y vari-
abilidad sean usados indistinguiblemente. Una revisión en varios diccionarios demostró
que variación es un sustantivo usado para describir el acto de variar o condición de cambio,
y variabilidad es una forma sustantiva del adjetivo variable, lo que significa que algo es
capaz o está obligado a variar o cambiar.
Según el [6], variabilidad es la cualidad o característica esencial de la naturaleza que

obedece a que nada es constante.
En esta investigación tomamos los términos dados por [14] sobre variabilidad y variación.
Variabilidad se tomará como la característica o cualidad de una entidad que es observable,
entre tanto, variación es la medida de esa característica.
1.4 Metodología
1.4.1 Participantes en la investigación

Esta investigación es un estudio de caso, en la que se trabajó con 7 estudiantes (5 mujeres y 2
hombres) que estaban inscritos en el primer semestre de Maestría en Matemática Educativa,
cuya área es Medio Superior.
Los datos que se muestran en la siguiente tabla fueron recolectados en el cuestionario

diagnóstico que se les aplicó al inicio de la investigación, y que resumen las características
de la población en estudio:
Las edades de los estudiantes oscilan entre 23 y 40 años y su promedio es de 31 años.

A excepción de la estudiante S, todos tienen al menos dos años de experiencia como
profesores. Todos tienen el grado de licenciatura. Todos los estudiantes había trabajado con
Fathom y tan sólo E y S no han utilizado el programa Excel. A pesar de que sólo M y A
no han recibido ningún curso de probabilidad y estadística, el estudiante M ha impartido
un curso de probabilidad o estadística; el otro estudiante que ha impartido un curso de
probabilidad o estadística es H.
1.4.2 Instrumentos de recolección de datos y procedimiento de trabajo
Se utilizaron como instrumentos de recolección de datos: cuestionarios, notas de campo,

bitácoras, archivos computacionales y reportes escritos de las actividades.
La investigación constó de 14 sesiones (una actividad por cada sesión) distribuidas de la

siguiente manera:
1. Una sesión para el cuestionario diagnóstico.

2. Dos sesiones para el conocimiento del software.
3. Cinco sesiones de investigación sobre medidas de tendencia central y variabilidad.
4. Cinco sesiones para la investigación sobre distribuciones muestrales mediante cinco
actividades-problema.
5. Una sesión para el cuestionario posterior.
Las sesiones fueron semanalmente con una duración de 2 horas cada una para un total de
28 horas de trabajo. Se procura tener un espacio de veinte a treinta minutos al final de cada
sesión de manera que se expusieran y discutieran los resultados obtenidos.
En la primera sesión se aplicó un cuestionario diagnóstico (ver anexo I) y luego se im-

partieron dos sesiones de conocimiento del software (actividades de instrumentalización).
Pero, según [3] los prerrequisitos que deben tener los estudiantes antes de estudiar las dis-
tribuciones muestrales son: la idea de variación, la idea de distribución, familiarizarse con
distribuciones comunes como la uniforme, binomial y normal y la idea de muestreo. Sigu-
iendo la sugerencia de estos autores, se desarrolló una investigación previa a este estudio
que constó de siete actividades (dos del dominio del software y cinco sobre temas básicos)
donde se trabajó la centralidad y la variabilidad en un contexto de estadística dinámica con
tecnología [1].
El cuestionario diagnóstico consta de 19 preguntas que los estudiantes respondieron en

forma individual aproximadamente en tres horas sin ayuda de algún software computa-
cional. El objetivo de este cuestionario era determinar los conocimientos previos que tenían
los estudiantes al estudiar distribuciones muestrales, además de las nociones de probabili-
dad y estadística con que partían en la investigación.
En la primera actividad se trabajó el pre-requisito de estudio de las distribuciones uniforme

discreta y binomial, cuyos resultados son los que reportamos en este trabajo. En la segunda
actividad se trabajó el pre-requisito señalado por los autores al estudiar la distribución
normal. En las tres actividades siguientes se trabajaron los conceptos involucrados en el
tema de distribuciones muestrales y su relación con la distribución poblacional para que los
estudiantes alcanzaran un desarrollo intuitivo del teorema del límite central. Y se aplicó un
cuestionario al final de las actividades.
Cuatro actividades se desarrollaron en forma individual y una en forma grupal (actividad

4), aunque no se restringía el intercambio social en las actividades individuales. Por el
contrario, el profesor investigador y su asistente, invitaron a los estudiantes a la reflexión y
a la discusión y, fungieron como mediadores de la experiencia de aprendizaje. El profesor
investigador y su asistente intervenían cuando era necesario aclarar algo, haciendo preguntas
claves, resaltando aspectos relevantes y dirigiendo la palabra en la presentación y discusión
del trabajo al final de cada actividad.
El investigador facilitó información teórica sobre las distribuciones uniforme discreta y

binomial (ver conceptos teóricos, anexo IV) que los estudiantes podían consultar en el
transcurso de las actividades.
1.4.3 Selección y características de las actividades
Se implementaron siete actividades (incluyendo el cuestionario diagnóstico y final) en cada

una de las cuales se buscó que los estudiantes expresaran sus hipótesis, comparaciones,
conjeturas y generalizaciones.
Las actividades fueron creadas con un propósito secuencial en el desarrollo de los conocimien-
tos sobre el tema, pues las nociones adquiridas en una sesión eran fundamentales para la
siguiente actividad. Excepto por los cuestionarios, las actividades se debían realizar con el
Fathom. Se implementaron dos actividades de instrumentalización (adaptación al software)
relacionadas con el cálculo de medidas de tendencia central, construcción de gráficas, ex-
tracción de muestras, simulación, entre otros. Se consideró que 1000 muestras daban una
buena aproximación de la distribución empírica a la distribución teórica, por lo que fue el
número propuesto por el investigador en el desarrollo de las actividades, sin embargo, no
estaba estrictamente limitado a ese valor, pues se les sugería a los estudiantes calcular más
muestras si lo consideraban necesario.
1.4.4 Estrategias de análisis de datos
El análisis cualitativo de los datos de esta investigación se llevó a cabo mediante tres ac-
tividades coexistentes (sugeridas por Miles & Huberman en la figura 4.5.1, 1994):
La colección de
datos La presentación de
datos
La reducción de
datos
Obtención y
verificación de
conclusiones
Figura 1.1 Modelo de análisis de datos (Miles & Huberman, 1994, pág. 12)
Algunas técnicas o métodos que se utilizaron para organizar los datos y que más tarde
sirvieron para realizar un análisis profundo fueron: hojas de contacto, codificación, mem-
orandos, hojas de cálculo y viñetas.
1.5 Análisis
1.5.1 Descripción cuestionario diagnóstico (ver anexo I)

De las 19 preguntas planteadas en el cuestionario, se tomaron 11 (6 cerradas y 5 abiertas)
para este estudio, de las cuáles 4 correspondían al tema de distribuciones muestrales y
las otras sobre nociones de probabilidad y estadística, incluyendo preguntas sobre las
distribuciones uniforme discretas y binomial.
1.5.2 Análisis del cuestionario diagnóstico

Se presentan aquí los resultados obtenidos por los estudiantes en el cuestionario diagnós-
tico. La escala de calificación fue:
0: si la respuesta es incorrecta.
1: si la respuesta es más o menos correcta, esto será si se ubica en niveles intermedios de
razonamiento.
2: si la respuesta es correcta.
Espacio en blanco: el estudiante no contestó.
En el caso de las preguntas cerradas (1, 7, 9, 11, 13 y la 15) se les asignaba cero o dos.
Est. P.16(a) Pr.14 Pr.16(b) Pr.1 Pr.9 Pr.5 Pr.4 Pr.15 Pr.3 Pr.13 Pr.11 Pr.7 Cal.
L 0 0 0 2 2 2 1 2 2 2 54
S 0 2 2 0 1 1 0 2 0 2 42
R 0 1 0 0 0 1 1 1 2 0 2 2 38
M 0 1 2 1 0 2 2 33
E 0 0 0 0 0 0 2 1 2 2 29
A 0 0 1 0 0 2 2 2 29
H 0 0 2 0 0 1 0 0 1 1 0 2 21
Total 0 1 2 2 3 4 5 6 7 8 10 14
Abreviaturas. Est.: Estudiante, Pr.: Pregunta,Cal.: Calificación
Tabla 1.1 Resultados del cuestionario diagnóstico
La tabla 1.1, está ordenada verticalmente del estudiante con mayor puntaje al de menor
puntaje y horizontalmente, de la pregunta con menor cantidad de respuestas correctas a
la preguntas con más respuestas correctas. El objetivo de la matriz anterior es observar
las preguntas que los estudiantes tuvieron mayor dificultad con el fin de analizarlas con
detalle, y trabajar situaciones similares en el desarrollo de las actividades para evaluar la
evolución de los estudiantes en estas preguntas. Además, determinar cuáles estudiantes
tenían mayores conocimientos sobre distribuciones muestrales y nociones de estocástica.
Se presenta a continuación sólo el análisis de la pregunta 4 del diagnóstico que se refiere

propiamente a la distribución binomial que interesa en este trabajo. Las otras preguntas se
refieren al estudio de las distribuciones muestrales, cuyos resultados no son fundamentales
para esta investigación.
Análisis pregunta 4:
Figura 1.2 Pregunta 4 del cuestionario diagnóstico
Los estudiantes debían reconocer que la distribución teórica que representaba el experi-
mento era binomial, sin embargo se pretendía que tomaran en cuenta la probabilidad y
la omnipresencia de variabilidad en la toma de muestras aleatorias, como lo sugiere [3],
percatándose que la distribución del grupo c era la única opción donde los datos pueden
provenir de una situación real.
Las respuestas de los estudiantes son las siguientes:
Binomial
Probabilidad
(a) Inventados, por que los valores están simétricamente distribuidos con
Variabilidad
RPI respecto al valor promedio y eso parece muy poco probable
(b) Inventados, por que parece que la ruleta está cargada, la mayoría tuvo
pocos éxitos que en este caso representa el número 2
(c) Reales, por que parece más conveniente que hayan obtenido un número
regular aceptable de éxitos a excepción de casos aislados.
NE
(a) Inventados, por que los valores son 1 y 2
RI
(b) Inventados, por que los valores son 1 y 2
(c) Inventados, por que los valores son 1 y 2
Binomial
Probabilidad
(a) Reales, se ve que la gráfica es simétrica, lo cual indica 50% de
Homogeneidad
RT probabilidad
(b) Inventados, hay bastante disparidad
(c) Reales, es un consenso homogéneo.
S
Binomial
Probabilidad
(a) Reales, la probabilidad de que caiga 2 es 1/2 por lo que si experimen-
Variabilidad
RT taron 50 veces entonces las probabilidades son la mitad. 1/2

1
(b) Inventados, pues la probabilidad es
2
(c) Reales, las posibilidades de obtener menos de 25 veces es posible, pero
es más posible obtener 25 veces.
NE
(a) Inventados
RI
(b) Reales
(c) Reales
Binomial
Variación
(a) Inventados, por que los resultados son muy homogéneos
Variación
RT (b) Reales, por que existe una mayor variación en los resultados
(c) Reales, por que existe una mayor variación en los resultados
Se califica esta pregunta de la siguiente manera:
0: Si no contesta o bien contesta que en el grupo C los datos son inventados. (RI o RV)
1: Si elige al grupo C y algún otro grupo como datos reales justificadamente. (RT o RP)
2: Si elige al grupo C como reales y los otros dos inventados. (RPI)
Estudiante Argumento Evolución

L Binomial, probabilidad y variabilidad (*) Ev - RPI
R Binomial (*), variación (**) y variación (*) Ev - RT
M Ev - RI
S Binomial (***), probabilidad y variabilidad (*) Ev - RT
A Binomial (***), probabilidad (*) y homogeneidad (**) Ev - RT
H NE Ev - RI
E NJ Ev - RI
Tabla 1.2
(*) Bien hecha la justificación con este argumento.

(**) Mal hecha la justificación con este argumento.
(***) Bien hecha la justificación con este argumento, pero la respuesta es incorrecta.
Espacio en blanco: no responde.
NE, NJ: No entiende el ejercicio y no justifica.
R y L logran determinar en forma correcta que el modelo binomial presentado en los datos
grupo A son inventados, pues la distribución de estos no tienen tanta variabilidad. Caso
contrario las estudiantes A y S quienes contemplan la distribución binomial pero al no
contemplar la variabilidad mencionan que los datos son reales. Los otros estudiantes no
justifican sus respuestas.
L, S y A usan el argumento de la probabilidad para establecer que el grupo B representa

datos falsos, pues existe muy poca posibilidad que los datos estén tan dispersos. R usa un
argumento incorrecto presentando un sesgo de aleatoriedad para mencionar que los datos
son reales. Los otros estudiantes no justifican sus respuestas.
L, R y S contemplaron la variabilidad para escoger la distribución del grupo C como los

datos reales. A selecciona bien el grupo C, pero usa un argumento de homogeneidad que
le llevó a contestar que el grupo A también eran datos reales, eliminando toda posibilidad
de contemplar la variabilidad. Los otros estudiantes no justifican sus respuestas.
1.5.3 Conclusiones del cuestionario diagnóstico
La mayoría de estudiantes utilizaron lenguaje estadística y algunas fórmulas pero sin

aplicarlas correctamente en el contexto en que se manifiestan; de esta manera, se ubican en
un nivel ideosincrático de razonamiento.
Los estudiantes algunas propiedades de las distribuciones binomial, pero tienen dificultades
para reconocer la variabilidad en sorteos aleatorios y en sus representaciones gráficas. Por
ejemplo en la pregunta 4, dos estudiantes aceptan la distribución teórica como real (inciso
a) y también dos aceptan la distribución dispersa como real. De hecho sólo un estudiante
responde la secuencia correcta: inventados, inventados y reales. Entonces el resto del grupo
se ubica en los dos primeros niveles de razonamiento.
En general, los resultados observados nos indican que los sujetos del estudio tenían pocos
antecedentes de conocimientos de estadística y, con excepción del estudiante R, tampoco
han desarrollado nociones de variabilidad (fenómenos aleatorios, rango de los datos, dis-
persión, entre otros) y distribuciones muestrales.
1.5.4 Descripción de la actividad uno (ver anexo II)

El previo de esta actividad consta de 2 preguntas en las que los estudiantes respondieron en
forma individual sin el uso de algún paquete computacional en 15 minutos. El objetivo del
previo era determinar los conocimientos que tenían los estudiantes al estudiar la distribución
uniforme discreta y la distribución binomial; además de comparar sus respuestas con los
resultados obtenidos después del proceso de instrucción. La actividad consta de 11 preguntas
en las que los estudiantes debían responderlas conforme iban haciendo las construcciones
con ayuda de Fathom. El objetivo era que el estudiante pudiera caracterizar la forma, centro,
dispersión y variabilidad de las distribuciones uniforme discreta y la binomial a través de
la manipulación de parámetros.
En esta actividad se estudiaron dos variables aleatorias. La primera variable aleatoria fue
el resultado que se obtiene al lanzar un dado, con el fin de estudiar la distribución uniforme
discreta. Según [7], es importante que el estudiante construya el modelo de la población,
por lo que debía construir un dado justo y lanzarlo 1000 ocasiones (simulación en la toma
de muestras), para empezar a caracterizar la distribución uniforme discreta a partir de las
representaciones y manipulaciones que permite el software. La segunda variable aleatoria
era el número de caras obtenidas en 10 lanzamientos de una moneda, para estudiar la

distribución binomial. En forma similar, el estudiante construía el modelo de la moneda y
repetía el experimento 1000 veces para empezar a caracterizar la distribución binomial.
Se presenta a continuación el análisis de las pregunta 4, 5, 6 y 10 de esta actividad que son

las más representativas del tema y se consideran claves para su análisis.
1.5.5 Análisis de la actividad uno

Pregunta 1 del Previo (Distribución uniforme discreta)
Se lanza un dado justo 1000 veces ¿Cuántas veces crees que cae cada número?
Número Número de ocasiones que cae

1
2
3
4
5
6
Tabla 1.3
La mayoría de estudiantes brindan una respuesta determinista ubicándose en un nivel de

razonamiento ideosincrático, ya que pueden determinar la probabilidad del evento, pero no
consideran la variabilidad. Sólo H (entre 120 y 200 ) y R (entre 150 y 170 ) dan intervalos
como respuestas, los demás escriben 166, 66 para cada número.
Pregunta 2 del Previo (Distribución binomial)
Se lanza una moneda justa 10 veces y se cuenta el número de caras que se obtuvo. Se
repite este procedimiento 100 veces y se grafican el número de caras que se obtuvo en cada
experimento ¿Cuál crees que es la gráfica que mejor representa la situación?
Figura 1.3 Pregunta 2 del previo
Se esperaba que los estudiantes tomaran en cuenta la variabilidad de los datos para se-
leccionar la forma que se obtiene en el experimento, sin embargo, sólo R, E y S eligen
correctamente la colección 4, H elige la colección 3 y los otros tres prefieren la colección
2. H no comprende la variable aleatoria involucrada en el problema y los otros tres no
contemplan la variabilidad en el experimento.
Distribución uniforme discreta
Los estudiantes modelaron con el software en forma correcta el dado y realizaron los 1000
lanzamientos del mismo. Algunos histogramas construidos con las 1000 muestras son los
siguientes:
Figura 1.4 Histograma del estudiante A Figura 1.5 Histograma del estudiante H
Una vez que realizaron la práctica en la que construían una tabla con las frecuencias
obtenidas (pregunta 4 de la actividad), se les preguntó: ¿Los resultados de la tabla anterior
era lo que esperabas? ¿Por qué? (pregunta 5 de la actividad). Con el fin de que confrontaran
sus observaciones con lo que habían respondido en el previo. A continuación presentamos
las respuestas y argumentos de los estudiantes:
Variablilidad
RP
Figura 1.6 Respuesta del estudiante R
Esperaba que los resultados estuvieran en un intervalo; un rasgo característico de compren-

sión de la variabilidad.
L
Determinista
RV
Figura 1.7 Respuesta del estudiante L
Muestra que tiene como referencia las frecuencias de una distribución uniforme y reconoce
que sólo es un modelo (“ideal”). Ve las diferencias como resultado del azar (“diferentes
factores”).
RT
Figura 1.8 Respuesta del estudiante A
Acepta la desviación de 15 unidades (con el valor 152) pero rechaza la de 23 (con el valor
190). Implícitamente toma en cuenta la estructura y una intuición de la variabilidad.
Determinista
RV
Figura 1.9 Respuesta del estudiante E
Afirma que si era lo que esperaba ya que el valor esperado es 166.6 . En su respuesta
parecería que da por hecho que las frecuencias empíricas caen alrededor de 166.6 . En
realidad no es sensible al problema pues no considera como diferente haber propuesto una
distribución uniforme y que hayan ocurrido frecuencias que se alejas hasta en 16 unidades
del valor esperado.
No responde.
Intervalo
RT
Figura 1.10 Respuesta del estudiante S
Reconoce también diferencias entre lo que esperaba y lo que ocurrió, pero “si una situación
parecida”. Afirma que ahora “esperaría un intervalo” pero que en la primera oportunidad
no lo hizo así.
Determinista
Intervalo
RT
Figura 1.11 Respuesta del estudiante M
Ella no esperaba lo que arrojaron los resultados. En su respuesta considera la incertidumbre

en los resultados y que es mejor proponer un intervalo en lugar de números exactos.
Esta pregunta se califica de la siguiente forma:
0: En caso de no responder o de insistir en forma determinista que la probabilidad es de

166.66 . (RI)
1: En caso de empezar a contemplar que la mejor respuesta es un intervalo, pero no se
desprenden totalmente del determinismo. (RV o RT)
2: Mencionan que la mejor respuesta es un intervalo debido a la variabilidad. (RP)
Estudiante Argumentos Evolución

L Determinista (*) Razonamiento verbal
E Determinista (*) Razonamiento verbal
A No la del 3 Razonamiento de transición
R Variabilidad Razonamiento de procedimiento
S Intervalo (*) Razonamiento de transición
M Determinista, intervalo (*) Razonamiento de transición
H Razonamiento ideosincrático
Tabla 1.4
(*) No tan aferrados al determinismo.
L, R y A aceptan el resultado como lo que esperaban, aunque A considera sólo un dato

fuera de lo que esperaba. M y S reconocen que no era lo que esperaban y expresan lo que
aprendieron. E parece no comprender bien el problema y responde de manera contradictoria.
A pesar de que se hicieron varios sorteos y se construyeron los histogramas para mostrar la
variabilidad, es muy difícil desprender completamente el determinismo que presentan los
estudiantes. Sin embargo, se muestra mejoría con relación a las respuestas obtenidas en la
pregunta uno del previo, pues ahora algunos están de acuerdo que la mejor respuesta debía
ser un intervalo. Sólo H muestra un nivel de razonamiento ideosincrático.
Durante la discusión, S dice que no era lo que esperaba, pues pensaba que debía ser
más variado y no alrededor de 166 .
M dice que esperaba que cayera 166 ocasiones el uno, pues es la probabilidad de un
sexto.
También lo manifiesta E.
R aporta que la mejor respuesta debe ser un intervalo, pues hay variación. Por lo que
el grupo está de acuerdo con él.
Construcción de la distribución teórica y la distribución empírica en el mismo gráfico
Algunos histogramas construidos son:

Figura 1.12 Gráfica del estudiante A
Figura 1.13 Gráfica del estudiante E
Análisis pregunta 6:
¿Por qué hay barras que sobrepasan la gráfica teórica y otras que no lo alcanzan?
Con esta pregunta se pretendía que los estudiantes justificaran la diferencia entre las dis-
tribuciones (empírica y teórica) debido a que la variabilidad de los datos entre un sorteo y
otro, se produce al ser fenómenos aleatorios.
Las respuestas de los estudiantes fueron:
Muestreo
RT
Figura 1.14 Respuesta del estudiante E
Responde correctamente mencionando que la gráfica sólo representa una muestra.
Esperanza
RV
Figura 1.15 Respuesta del estudiante H
Relaciona en forma incorrecta la expresión teórica de la distribución uniforme discreta con

la esperanza.
M
Experimental
RT
Responde correctamente a la pregunta al mencionar que sólo es una muestra de los muchos
resultados que se pueden obtener.
No
Distribución
Muestral
Uniforme
RI Figura 1.17 Respuesta del estudiante S
“Se puede decir que se definió como uniforme”
No considera la distribución de la variable aleatoria experimental como uniforme discreta,

pues como son experimentos, no los cree similares a la distribución teórica, aún cuando
tiene construidas las gráficas experimental y teórica en una misma representación.
Variabilidad
RP
Toma en cuenta la variabilidad, pero no hace referencia a que fue solo una muestra la que
se obtuvo.
Aleatoriedad
“Por que tengo un evento aleatorio”
RT
No
Variabilidad
RV
Figura 1.19 Respuesta del estudiante A
Cree erróneamente que una muestra debe ser igual al comportamiento de la población.
Se califica esta pregunta de la siguiente manera:
0: Quien no considera la distribución muestral obtenida del experimento como una dis-
tribución uniforme discreta o no justifica su respuesta. (RI)
1: Quien considera que la distribución muestral es uniforme discreta pero no contempla la
variabilidad de los datos para explicar las diferencias en las formas o pensar que ambas
distribuciones debían ser iguales. (RV)
2: Quien contempla la variabilidad o el muestreo aleatorio para explicar las diferencias
entre la gráfica de la distribución teórica y la distribución muestral. (RT o RP)
Estudiante Argumentos Evolución

L Aleatoriedad Razonamiento de transición
E Muestreo Razonamiento de transición
A No Variabilidad Razonamiento verbal
R Variabilidad Razonamiento de procedimiento
S No Distribución Razonamiento ideosincrático
M Experimental Razonamiento de transición
H Distribución Teórica es la Esperanza Razonamiento verbal
Tabla 1.5
S no contempla la distribución muestral como una distribución uniforme discreta, H consid-

era que la distribución teórica es la esperanza y A cree que ambas distribuciones deberían
ser iguales. Los otros cuatro responden acertadamente considerando la aleatoriedad en la
toma de las muestras y la variabilidad de los datos como las razones de las diferencias entre
las formas de las distribuciones.
La construcción de la distribución teórica al lado de la distribución empírica es fundamental

para que los estudiantes empiecen a tomar en cuenta la variabilidad en la toma de muestras.
Distribución Binomial
Se les pidió a los estudiantes que construyeran la representación de una moneda en Fathom
y contaran el número de caras que obtenían al realizar 10 lanzamientos.
Los estudiantes construyeron la moneda y simularon en forma correcta los lanzamientos,

sin embargo, definían como variable aleatoria el resultado de la moneda (cara o cruz); por lo
que hubo que guiarlos para que tomaran como variable: el número de caras que se obtenían
al realizar los 10 lanzamientos. Una vez comprendida la variable aleatoria, los estudiantes
hicieron 1000 veces el experimento y construyeron una tabla resumen para observar las
frecuencias de cada uno de los resultados. Algunas tablas fueron las siguientes:
Figura 1.20 Tabla del estudiante A
Figura 1.21 Tabla del estudiante S
Además, construyen los histogramas de los datos obtenidos en los experimentos y en la

misma gráfica construyen la distribución teórica con el objetivo de que los estudiantes
empezaran a apreciar la variabilidad muestral de los datos que había entre un sorteo y otro.
Algunos histogramas construidos son:
Figura 1.22 Gráfico de M Figura 1.23 Gráfico de R
El estudiante H construye la distribución binomial dependiendo de los parámetros anima-

dos v1 y v2 con el fin de establecer relaciones al estudiar la forma de la distribución y el
valor de esos parámetros. Así, la gráfica muestra las probabilidades de obtener x éxitos en
un número v1 de lanzamientos con una probabilidad de éxito de v2 .
Figura 1.24 Gráfico de H
Análisis pregunta 10
¿Los resultados de la tabla anterior (tablas resumen) era lo que esperabas?¿Por qué?
Binomial
RT
Responde correctamente tomando en cuenta la variabilidad que hay alrededor de cinco.
Binomial
RT
Figura 1.26 Respuesta del estudiante S
Utiliza la probabilidad para responder correctamente mencionando que tiene pocas posi-
bilidades de obtener los extremos, y que la concentración en el centro se debe a que tiene
mayor probabilidad.
Binomial
RT
Figura 1.27 Respuesta del estudiante H
Hace referencia a la parte central de la distribución, sin darle importancia a los valores
extremos. No menciona nada sobre la variabilidad de los datos.
M
Dist. Uniforme
RI
No entendió la variable que se planteaba en el problema, cree que la variable aleatoria es

uniforme.
Ingenua
“No imaginaba que el cinco fuera el número de caras que obtuviera con
RI
mayor frecuencia”.
Según A se podría obtener cualquier valor, incluso no esperaba que cinco fuera el resultado
más probable, por lo que muestra ingenuidad en experimentos aleatorios.
Determinismo
“Obtener 5 caras es lo que tiene mayor probabilidad”.
RV
Determinismo
RV
Figura 1.29 Respuesta del estudiante L
Los estudiantes L y E no contemplan la variabilidad, pues basan su respuesta en el deter-

minismo del valor esperado.
Sólo R, S y H consideran que eran lo que esperaban, pues es natural que la mayor cantidad de
datos estén alrededor de la media. L y E mantienen una idea determinista, pues manifiestan
que esperar cinco caras es el resultado más probable y en el caso de A y M no entendieron
la variable aleatoria.
M durante la discusión dice no entender la tabla, pues ella esperaba que de los 1000
lanzamientos se obtuviera 500 y 500, por lo que no entiende el muestreo que se hizo,
y no comprende la variable aleatoria del ejercicio.
Dice no entender las frecuencias de cada unos de los valores del 1 al 10.
Pregunta cuál es la diferencia entre una distribución binomial y distribución normal.
La mediación del investigador fue fundamental para guiar al grupo a comprender la
caracterización de la distribución binomial.
Una vez más fue difícil erradicar las respuestas deterministas de los estudiantes, aunque
hay mejoría respecto a la pregunta dos del previo, pues ahora son cinco estudiantes los que
contestan correctamente a la distribución binomial. Sin embargo, M y A mostraron en la
actividad las mismas dificultades del previo.
1.5.6 Conclusiones de la actividad uno
Las conclusiones que se obtuvieron con el análisis de la primera actividad sobre la famil-
iarización de las distribuciones uniforme discreta y binomial fueron:
1. Cinco estudiantes cambiaron de un nivel de razonamiento ideosincrático mostrado

en el diagnóstico a un nivel de razonamiento verbal y de transición al caracterizar la
distribución uniforme discreta y binomial como resultado de la experiencia de apren-
dizaje mediada. Los otros se mantienen en un nivel de razonamiento ideosincrático.
2. El instrumento mediador facilitó la construcción de diversas representaciones (his-

togramas, diagramas de cajas, tablas resumen) y de la distribución teórica al lado
de la distribución empírica (sugerida por el mediador humano), como instrumen-

tos materiales fundamentales para que, los estudiantes empezaran a contemplar la
variabilidad de los datos en la toma de muestras aleatorias para los dos tipos de
distribuciones vistas.
1.5.7 Descripción del cuestionario posterior (ver anexo III)
Este cuestionario consta de 12 preguntas (4 cerradas y 8 abiertas) que los estudiantes re-
spondieron en forma individual aproximadamente en una hora sin ayuda del algún software
computacional. El objetivo general de este cuestionario es documentar y comparar los
niveles de razonamiento que los estudiantes muestran después del proceso de instrucción
en el tema de distribuciones muestrales y algunas nociones de probabilidad y estadística.
1.5.8 Análisis del cuestionario posterior

En la siguiente tabla resumen, se presentan los resultados obtenidos por los estudiantes en
el cuestionario posterior. Además, el nivel de dificultad que representó cada pregunta con
respecto a las respuestas de los estudiantes.
La escala de calificación fue:
0: si la respuesta estaba incorrecta.

1: si la respuesta estaba más o menos correcta.
2: si la respuesta estaba correcta.
Espacio en blanco: el estudiante no contestó.
En el caso de las preguntas cerradas (2, 4, 5, 10) se les asignaba cero o dos.
Est. Pr.8 Pr.5 Pr.6 Pr.1 Pr.9(b) Pr.9(c) Pr.11 Pr.10 Pr.9(a) Pr.3(b) Pr.3(c) Pr.4 Pr.2 Pr.3(a) Pr.7 Cal.
R 1 2 1 2 2 1 1 2 2 2 2 2 2 2 2 87
H 2 2 2 2 1 1 1 2 1 2 2 2 1 2 2 83
E 1 2 2 1 1 2 2 2 1 2 0 2 2 2 2 80
L 0 0 1 1 2 2 2 1 2 2 2 2 2 2 2 77
M 0 0 0 1 2 1 2 2 2 2 2 2 2 2 2 73
A 0 0 0 1 2 1 1 1 1 2 2 2 2 2 2 63
S 1 1 1 1 0 2 1 1 2 0 2 0 2 2 2 53
D Pr. 5 6 6 9 10 10 10 11 11 12 12 12 13 14 14
% 36% 43% 43% 64% 71% 71% 71% 79% 79% 86% 86% 86% 93% 100% 100%
Abreviaturas. Est.: Estudiante, Pr.: Pregunta,Cal.: Calificación, D Pr.: Dificultad de la pregunta.
Tabla 1.6 Resultados del cuestionario posterior
La tabla 1.6, aunque no es cuadrada, está ordenada de manera que en las entradas bajo la
diagonal existan muchos unos y ceros, entendiéndose por esto que las respuestas de los
estudiantes fueron incorrectas o más o menos correctas a preguntas que resultaron difíciles
para gran parte del grupo. En caso contrario, las entradas sobre la "diagonal" de la tabla son
es su mayoría dos, que corresponden a respuestas correctas de los estudiantes a preguntas
que resultaron sencillas para el grupo.
El objetivo de la matriz anterior es observar las preguntas que los estudiantes tuvieron
mayor dificultad con el fin de analizarlas con detalle y compararlas con los resultados de
la actividad correspondiente según sus objetivos. Además, determinar cuáles estudiantes
mostraron mayores avances sobre distribuciones muestrales y nociones de probabilidad y
estadística en relación con el cuestionario diagnóstico y el desarrollo de las actividades.
Se presenta a continuación el análisis de la pregunta 1 que se refiera propiamente a la

distribución binomial que nos interesa en este trabajo. Las otras preguntas se refieren al
estudio de las distribuciones muestrales, cuyos resultados no son fundamentales para esta
investigación.
Análisis pregunta 1
1. La compañía M & M’s dice que el 30% de sus chocolates en la presentación Milk son
color café. Antes de ser empacados en bolsas los chocolates se encuentran en un gran de-
pósito donde son mezclados de manera uniforme. Si se seleccionan de forma independiente
5 muestras de tamaño 10, una tras otra ¿Cuántos chocolates de color café esperarías en
cada muestra?
N° de chocolates de color café en la primera muestra:

N° de chocolates de color café en la segunda muestra:
N° de chocolates de color café en la tercera muestra:
N° de chocolates de color café en la cuarta muestra:
N° de chocolates de color café en la quinta muestra:
Los estudiantes L, A, S, E y M contestan esta pregunta en forma determinista, sin con-

siderar la variabilidad como elemento fundamental en el experimento. A pesar de ello,
éstos 5 estudiantes calculan en forma correcta la probabilidad teórica correspondiente a la
esperanza matemática de la distribución binomial. Sólo los estudiantes H y R contemplan
la variabilidad como aspecto presente en el experimento, dando el primero respuestas en el
intervalo de uno a cuatro y el segundo sus respuestas son intervalos.
A pesar de que se diseñó una actividad (actividad 1) que simulaba el lanzamiento de una
moneda, en las que se tomaban muestras de 10 lanzamientos para obtener una determinaba
cantidad de éxitos; además, el software fathom permitió observar la diferencia que tenían
los resultados del experimento graficando la distribución teórica junto a la distribución
empírica, es muy difícil que los estudiantes hagan suya la posibilidad de contemplar la
variabilidad como un elemento omnipresente en sorteos aleatorios. Una de las causas por
las cuales no se contempla la variabilidad se debe a que la experiencia nos ha dictado la
exactitud, por lo que un intervalo no sería una respuesta precisa.
1.5.9 Conclusiones cuestionario posterior
Los niveles de razonamiento mostrados por los estudiantes en el cuestionario posterior sobre
las distribuciones uniforme y binomial son verbal y de transición; superando por poco el
nivel idiosincrático mostrado en el cuestionario diagnóstico; esto debido a que es difícil
que los estudiantes hagan suya la posibilidad de contemplar la variabilidad de los datos
como un elemento omnipresente en sorteos donde interviene la aleatoriedad; por ejemplo,
el lanzamiento de una moneda, el lanzamiento de un dado, extracción de chocolates con
una probabilidad de acierto dada.
1.6 Conclusiones y Recomendaciones
El objetivo general era investigar las formas de razonamiento de los estudiantes en el tema de
las distribuciones uniforme discreta y binomial basado en un enfoque frecuencial mediado
con el recurso computacional, que permitiera un desarrollo empírico de las distribuciones
con la simulación ofrecida por el software Fathom .
Se ratificaron los prerrequisitos que proponen [3] como fundamentales antes de iniciar una
instrucción al estudiar distribuciones muestrales: análisis de gráficos, medidas de tendencia
central y de dispersión, caracterización de las distribuciones uniforme discreta y binomial,
cálculo de probabilidades como áreas bajo la curva, la idea de muestreo aleatorio y a nuestro
parecer, el más importante, un estudio detallado de la variabilidad.
Se logró la génesis instrumental en la medida que la repetición simulada en la extracción de

las muestras, las representaciones, el cambio de escalas y la manipulación de parámetros,
desarrollaron funciones psicológicas de nivel superior como: la generación de hipótesis,
la interpretación semiótica, las comparaciones, las conjeturas y las generalizaciones de los
conceptos envueltos en las distribuciones uniforme discreta y binomial, mostrando niveles
altos de razonamiento.
Los diagramas de muestras (ya sea con gráfico de puntos, diagramas de cajas o histogramas)
de las distribuciones fueron instrumentos psicológicos esenciales que permitieron el estudio
simultáneo de múltiples representaciones tales como: el promedio, la desviación estándar
y la forma de las distribuciones.
Los estudiantes usaron el software como un instrumento que permitió erradicar o modificar
las conceptualizaciones erróneas que tenían los estudiantes sobre las distribuciones uni-
forme discreta y binomial. El software llega a dar evidencias creíbles para el estudiante, esto
se manifiesta a través del orden, la consistencia y la retroalimentación inmediata que ofrece
el programa, permitiendo poner especial atención al proceso de solución más a la respuesta
final, con el objetivo de que se puedan crear intuiciones sobre las características de las
distribuciones. Además, permitió contemplar el elemento más importante y omnipresente
en la estadística al realizar los muestreos aleatorios, como lo es la variabilidad. Aunque los
estudiantes mostraron algunas dificultades es este último.
Al igual que los prerrequisitos teóricos que fueron fundamentales para el desarrollo de
la investigación, la familiarización con el software (extracción de muestras, cálculos, rep-
resentaciones gráficas, manipulación de parámetros, diagramas de muestras, entre otros)
dentro del proceso de instrumentalización es importante para que los estudiantes desar-
rollen sin problemas funciones psicológicas de nivel superior. Este proceso se puede lograr
de forma sencilla si se trabaja en grupos, pues el software y las experiencias de aprendizaje
mediadas deben ser planeadas para trabajar en un ambiente de constante intercambio so-
cial. Otras potencialidades del software que mencionaron los estudiantes fueron: ahorra
el trabajo tedioso en la presentación y analizar datos, no es necesario normalizar para el
cálculo de probabilidades y se logra el trabajo de forma rápida, pero muchos van más allá
de presentarlo como un simple reductor de tiempo y trabajo.
Como estudios futuros que deben seguir a esta investigación, se recomienda analizar el
lenguaje utilizado por los estudiantes, además de poner especial atención a la simbología
matemática que usan, pues es un tema que requiere la combinación de muchos términos y
nomenclatura matemática.
Además, se considera fundamental el uso de datos reales para el estudio de las distribu-
ciones, ya sea que se obtengan de estudios realizados, en línea, incluso muy apropiado sería
contar con la posibilidad de que sea el mismo estudiante quien recolecte los datos bajo la
asignación de proyectos, de tal manera que le permita al estudiante manipular los datos en
un contexto que tenga significado para él.
Apéndice A
Cuestionario Diagnóstico
Este cuestionario se fundamenta en concepciones básicas de probabilidad y estadís-

tica, no se requiere del dominio del tema para resolverlo. Se agradece de antemano su
colaboración honesta y verás, que nos compromete de manera fiel tratar los datos con
la mayor confidencialidad y determinar conclusiones representativas de sus opiniones.
Nombre: Edad: Años

Experiencia laboral en docencia: Años Grado Académico:
Número de cursos que ha llevado de Probabilidad o Estadística:
Ha impartido cursos de Probabilidad o Estadística: Sí No
En las preguntas de selección única, marque con una X dentro del paréntesis que considere
corresponde con la respuesta correcta.
1. Al lanzar una moneda justa, ¿cuál de los siguientes eventos considera que es más
probable?
( )Obtener dos águilas en cuatro volados

( )Obtener dos águilas en cuatro volados
( )Los dos anteriores son igualmente probables
*
( )No se puede determinar
2. La altura media de los alumnos de un colegio es 140 cm . Si extraemos una mues-

tra aleatoria de cinco estudiantes y resulta que la altura de los cuatro primeros es de
138 cm , 142 cm , 160 cm , 140 cm ¿Cuál sería la altura esperada del quinto estudiante?
3. Carlos y Luis se disponen a jugar con dos dados. Carlos gana $10 si la suma de los
dados es 7, en caso contrario Luis gana $1 ¿Crees que el juego es justo para ambos?
En caso contrario diga quien tiene ventaja.
4. Tres grupos A, B y C, realizaron el experimento de girar la ruleta (50 veces por

alumno), cada alumno anotó el número de veces que obtuvieron un 2, reunieron los
resultados de todo el grupo y los graficaron como se muestra a continuación.
2 1
1 2
GRUPO A GRUPO B
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Formas de razonamientos que muestran estudiantes de maestría... Greivin Ramírez. 43

44 CUESTIONARIO DIAGNÓSTICO
GRUPO C
0 5 10 15 20 25 30 35 40 45 50
Se cree que algunos resultados fueron inventados y otros son reales. Responde las
siguientes preguntas:
(a) ¿Qué piensas de los resultados del Grupo A, son reales o inventados?
( ) Inventados ( ) Reales
Explica por que piensas así
(b) ¿Qué piensas de los resultados del Grupo B, son reales o inventados?
(c) ¿Qué piensas de los resultados del Grupo C, son reales o inventados?
5. Un grupo escocés cuenta con 5738 soldados, para los cuáles se requiere saber la
medida del ancho de su pecho en pulgadas. Sin embargo, en las oficinas de reg-
istro se han desaparecido varias medidas, por lo que no se cuenta con todos los
registros de la población. Aunque se sabe que el promedio de la medida de pecho
en este grupo de soldados escoceses es µ = 39.8 pulgadas con desviación estándar
σ = 2.05 pulgadas . Siendo así, se toman muestras aleatorias de tamaño 6 de los
CUESTIONARIO DIAGNÓSTICO 45
registros existentes.
Por ejemplo, las medidas de pecho en pulgadas de los primeros 6 soldados muestrea-
dos son:
40.5 41.5 39.5 39.6 44.3 39.3
Esta muestra tiene un promedio de 40.78 pulgadas
En la segunda muestra que se tomó de 6 soldados se obtuvo las medidas:
43 39.7 37.8 41.3 40.1 39.8
Esta muestra tiene un promedio de 40.28 pulgadas
A continuación se presentan en el gráfico 1, 12 muestras aleatorias de tamaño 6 que

se han tomado de los registros existentes. Además, en el gráfico 2 se presentan 12
muestras aleatorias de tamaño 24 . Para ambos gráficos, el promedio de cada una de
las muestras se representa por una barra vertical “ | ”
Haciendo un análisis entre los gráficos, ¿qué puede decir de ambas distribuciones?
6. Hay 10 personas en un ascensor: 4 mujeres y 6 hombres. El peso medio de las mu-

jeres es de 60 kilos y el de los hombres 80 kilos. ¿Cuál es el peso medio de las 10
personas del ascensor?
7. En la siguiente representación, se muestra la gráfica de tres distribuciones normales

con media µ y desviación estándar σ
Se puede decir que:
( ) Las tres distribuciones tienen la misma media µ y lo que varía es su desviación

estándar σ
( ) En las tres distribuciones varían la media µ y la desviación estándar σ
( ) En las tres distribuciones varían la media µ y se mantiene constante su desviación
estándar σ
( ) No se puede decir nada de las distribuciones
8. Al medir la altura en cm que puede saltar un grupo de escolares, antes y después de

haber efectuado un cierto entrenamiento deportivo, se obtuvo los valores siguientes:
Altura Saltada en cm
Alumnos Ana Bea Carol Diana Elena Fanny Gia Hilda Ines Juana
Antes del entrenamiento 115 112 107 119 115 138 126 105 104 115
Después del entrenamiento 128 115 106 128 122 145 132 109 102 117
¿Piensas que el entrenamiento es efectivo? ¿Por qué?
9. ¿Cuál de las siguientes distribuciones tiene más variabilidad?

Collection 1 Histogram Collection 2 Histogram

10
10
8
8
Count
6
Count
6
4 4
2 2
0 2 4 6 8 10 0 2 4 6 8 10
CALIFICACION CALIFICACION
Marca él o los enunciados que le permitieron seleccionar la distribución anterior:
a) Porque es más irregular
b) Porque es más extendida
c) Porque tiene un mayor número de calificaciones distintas
d) Porque los valores difieren más del centro
e) Otro (explicar)
10. Los siguientes bloques A y B, contemplan una serie de mediciones de un mismo

objeto:
Bloque A Bloque B
10 20 30 10 10 10
40 50 60 60 60 60
x = 35 x = 35
σ = 18.71 σ = 27.39
¿Cuál de los dos conjuntos presenta mayor variabilidad?

11. En la siguiente representación, se muestra la gráfica de tres distribuciones normales

con media µ y desviación estándar σ
Se puede decir que:
( ) En la gráfica I hay mayor variación

( ) En la gráfica II hay mayor variación
( ) En la gráfica III hay mayor variación
( ) Las tres se distribuyen con igual variación
12. En la columna de la izquierda se muestran los gráficos de las frecuencias acumuladas

y en la columna de la derecha sus respectivos histogramas, usted debe asociar cada
gráfico de frecuencias acumuladas con el histograma que considere sea el correcto
13. De una población con media µ y desviación estándar σ , se toma una muestra de
tamaño n , escriba F (Falso) o V (Verdadero) dentro del paréntesis según considere
hace correcta la afirmación:
( ) El promedio muestral tiende a ser igual al promedio poblacional

( ) La desviación estándar muestral tiende a ser igual a la desviación estándar pobla-
cional
( ) Al graficar los promedios de muchas muestras tienden a comportarse de forma
normal sin importar el comportamiento de los datos poblacionales
( ) Los promedios de muchas muestras tienen la misma variación que los datos pobla-
cionales
14. La probabilidad para una mujer de tener cáncer de mama sin haber presentado sín-
tomas previos es de 0.8% . Si tiene cáncer y se realiza la mamografía, la probabilidad
de salir positiva es del 9?mt15%, pero el 7% de mujeres sanas dan positivo en este
examen. Suponga que una mujer decide hacerse una mamografía y el resultado es
positivo, ¿cuál es la probabilidad de que la mujer tenga cáncer?
15. De las siguientes afirmaciones sobre distribuciones normales:
I. Cuando varío el promedio y mantengo constante la desviación estándar, su

gráfica sufre una traslación horizontal.
II. Cuando varío el promedio y varío la desviación estándar, su gráfica per

manece igual
III. Cuando varío la desviación estándar y mantengo constante el promedio, su

gráfica sufre una traslación vertical.
¿Cuál o cuáles son verdades?
( ) Sólo la I
( ) Sólo la II
( ) Sólo la III
( ) Las tres son verdaderas
16. De una población con distribución normal se extraen 500 muestras aleatorias de cada
tamaño (5, 10, 15, 20 y 25). Se calculó la media de cada muestra y los resultados se
dibujaron en los histogramas que se muestran en la siguiente figura.
a) Coloque al lado de cada histograma, el tamaño de la muestra (5, 10, 15, 20 y 25)
que corresponda y explica la razón de tu asignación.
Measures from Sample of Collection 1 Histogram

200
160
120
80
40
0
200
160
120
80
40
0
200
160
120
80
40
0
200
160
120
80
40
0
200
160
120
80
40
85 90 95 100 105 110 115 120
Media
b) ¿Cuál es el valor de la media de la población de donde se extrajeron las muestras?

Explique
17. Los siguientes parámetros describen un conjunto de datos que han sido previamente
recolectados en una investigación:
Parámetro Valor
Media 17
Mediana 16
Moda 31
Rango 38
Percentil(75) 27
Coeficiente de variación 20%
Varianza 121
Desviación Estándar 11
Explique cada uno de estos datos
18. Conteste cada una de las siguientes preguntas:
a. ¿Qué es una medida de “variación”?
b. Escriba una oración en la que utilice la palabra “variación” o derivadas de

ella
c. Escriba un ejemplo de algo que es variable
19. Suponga que se tiene una caja que contiene 100 dulces (mezclados dentro de la caja),
de los cuales 60 son rojos y 40 son amarillos. Seis estudiantes hacen un experimento
donde cada uno sacará 10 dulces (Luego de que el primer estudiante saque sus 10
dulces, deberá regresarlos a la caja para que el siguiente estudiante realice su exper-
imento, y así sucesivamente para los siguientes)
¿Qué piensas que podría ocurrir con el número de dulces rojos que cada estudiante
sacará de la caja?
, , , , , .
¿Porqué piensas que eso es lo que puede ocurrir?
Apéndice B
Actividad 1
Nombre:
Objetivos:
- Compresión de variables aleatorias.
- Familiarizarse con distribuciones comunes como la uniforme y la binomial. Carac-

terizar su forma, centro y dispersión (desviación estándar).
Distribución Uniforme
Construya en una colección llamada “dado” una tabla que contenga en una columna los
números del uno al seis de un dado. Defina la variable aleatoria X como el resultado que se
obtiene al lanzar el dado.
Lance el dado 1000 ocasiones dejando seleccionada la colección y usando el comando

Sample Cases ubicado en la opción Collection del menú.

56 ACTIVIDAD 1
Ahora haga un histograma de los resultados obtenidos en los 1000 lanzamientos.
1. ¿Cuál es la media de los 1000 lanzamientos?
2. ¿Cuál es la dispersión (desviación estándar)?
Manteniendo seleccionada la nueva colección Sample of dado, presione Ctrl Y para

volver a lanzar los dados otras 1000 ocasiones.
3. ¿El promedio y la desviación estándar de estos 1000 lanzamientos son los mismos
que los obtenidos en el experimento anterior? ¿Por qué?
Construya una tabla resumen dejando el Shift presionado y arrastrando la columna

dado sobre la tabla para que observe la frecuencia de cada uno de los resultados.
ACTIVIDAD 1 57
4. ¿Cuántas veces cayó cada número?
Número Número de ocasiones que cae

1
2
3
4
5
6
5. ¿Los resultados de la tabla anterior era lo que esperabas?¿Por qué?

58 ACTIVIDAD 1
Sobre el mismo histograma vamos a

graficar la distribución uniforme teórica
para la variable X.
Sobre el gráfico presione el botón dere-
cho y seleccione Plot Function. De las
distribuciones en la opción de funciones
de la calculadora escoja la opción Uni-
form y luego uniformDensity.
Haga un cambio de escala a Density en
la opción Graph del menú, para ajustar la
gráfica a los datos.
Defina la función como:
6. ¿Por qué hay barras que sobrepasan la gráfica teórica y otras que no lo alcanzan?
Guarde el archivo con el nombre “distribucionuniforme” en el diskette.
Distribución Binomial
En un nuevo archivo llamado “distribucionbinomial” construya una nueva colección

llamada moneda de la siguiente forma:
ACTIVIDAD 1 59
Ahora vamos a lanzar la moneda 10 veces, esto se puede hacer en forma similar
al primer problema resuelto tomando una muestra de tamaño 10 con reemplazo y
quitando la opción de animación.
Defina la variable aleatoria X como el número de caras obtenidas en los 10 lanza-

mientos.
Por lo tanto, cuente el número de veces que la moneda cayó cara. Esto en la opción
measures del inspector de la nueva colección Sample of Moneda.
Así:
60 ACTIVIDAD 1
7. ¿El resultado que obtuviste era lo que esperabas? ¿Por qué?
Ahora vas a hacer lo anterior 1000 veces, es decir el mismo proceso lo llevamos
a cabo 1000 ocasiones. Esto se hace dejando seleccionada la colección Sample of
Moneda con el comando Collect Measures en la opción del menú Collection.
Modifique las opciones del inspector de la siguiente manera:
Obtenga la tabla de la nueva colección Measures from Sample of moneda donde

están los 1000 experimentos llevados a cabo.
8. ¿Cuál es la media de caras obtenidas?
9. ¿Cuál es el valor de la desviación estándar?
Construya una tabla resumen para que observe las frecuencias de cada uno de los
resultados.
10. Los resultados de la tabla anterior era lo que esperabas? ¿Por qué?
Construya un histograma con los resultados de la última tabla.
Teniendo seleccionada la colección Measures from Sample of Moneda, presione Ctrl

Y, para volver a realizar el proceso. Grafique sobre el mismo histograma la distribu-
ción binomial teórica de la variable X . Seleccione de las distribuciones la siguiente
ACTIVIDAD 1 61
opción:
Y ajuste la escala a Density. Grafique también el valor del promedio sobre el mismo
gráfico y presione Ctrl Y varias veces y observe lo que pasa.
11. ¿Varía mucho el promedio entre un sorteo y otro? por qué? el promedio guarda alguna
relación con la forma de la distribución?
Apéndice C
Cuestionario Posterior
Nombre:
Lea cuidadosamente las instrucciones en cada pregunta. Responda en forma detallada

las preguntas donde se requiera una explicación. Se agradece de antemano su colabo-
ración honesta y veraz, que compromete de manera fiel a tratar los datos con la mayor
confidencialidad y determinar conclusiones representativas de sus opiniones
1. La compañía M & M’s dice que el 30% de sus chocolates en la presentación Milk
son color café. Antes de ser empacados en bolsas los chocolates se encuentran en un
gran depósito donde son mezclados de manera uniforme. Si se seleccionan de forma
independiente 5 muestras de tamaño 10, una tras otra ¿Cuántos chocolates de color
café esperarías en cada muestra?
N° de chocolates de color café en la primera muestra:

N° de chocolates de color café en la segunda muestra:
N° de chocolates de color café en la tercera muestra:
N° de chocolates de color café en la cuarta muestra:
N° de chocolates de color café en la quinta muestra:
Explique por qué:
*
2. En las siguiente grafica aparecen tres distribuciones poblacionales cuya media es
µ = 10 y sus desviaciones estándar son σ = 1, σ = 2 y σ = 3 . Coloca sobre cada
una de ellas la desviación estándar que le corresponde.
no data Function Plot
0.40
0.35
0.30
0.25
y
0.20
0.15
0.10
0.05
0.00
2 4 6 8 10 12 14 16 18
y = normalDensity ( x , 10 , 1 ) x
y = normalDensity ( x , 10 , 2 )
y = normalDensity ( x , 10 , 3 )
Explique las razones de tu asignación:
3. De una población con media u y desviación estándar σ , se tomó una muestra de

tamaño 30 y se obtuvo su media x y su desviación estándar s . Luego se obtuvo 100
muestras de tamaño 30 para los cuáles se calculo el promedio de cada una de ellas
para formar la distribución
de los promedios muestrales X . Se obtuvo la media de la
distribución X , E X y su desviación estándar SX .

a. ¿Cuál valor entre x y E X se aproxima más a u ?
b. ¿Cuál desviación estándar entre s y SX es menor?
c. ¿Quién tiene mayor variabilidad, la muestra individual o la distribución de

los promedios muestrales?
4. El peso de paquetes de cierto tipo de dulces presenta una distribución normal con
media 16.2 onzas y desviación estándar de 0.5 onzas. Se toman muestras aleatorias
de 16 paquetes de esa población de dulces. La distribución de los promedios mues-
trales tendrá:

64 CUESTIONARIO POSTERIOR
a. Una desviación estándar más grande que 0.5 onzas.
b. Una desviación estándar igual a 0.5 onzas.
c. Una desviación estándar menor que 0.5 onzas.
d. Es imposible predecir el valor de la desviación estándar.
5. Se midió la estatura de una muestra aleatoria de 100 estudiantes de la población del

IPN y se encontró que la media era de 160 cm ¿Cuál sería tu estimación de la media
poblacional?
a) Sería exactamente 160 cm .
b) Sería cercana a 160 cm .
c) No sería posible hacer una estimación, pues la información obtenida se refiere

sólo a una muestra.
d) Otra respuesta:
6. Otra persona hizo lo mismo, tomó una muestra aleatoria de 100 estudiantes del
IPN y encontró que la media era 157 cm ¿Cómo podrías explicar la diferencia de
resultados?
7. En la figura siguiente se muestra la distribución de una población y dos distribu-

ciones muestrales para muestras de tamaño 2 y 15 . Coloca el tamaño de muestra
a la distribución que corresponda. Nota: Se tomaron 500 muestras en cada caso.
Distribución de la población
CUESTIONARIO POSTERIOR 65
no data Function Plot

0.30
0.25
0.20
y
0.15
0.10
0.05
5 10 15 20 25 30
y = exponentialDensity ( x , 5, x
2)
Distribuciones muestrales
Histogram
Measures fromSample of Poblacion Exponencial
Measures fromSample of Poblacion ExponencialHistogram
0.30
0.30
0.25
0.25
0.20
Density
0.20
Density
0.15
0.15
0.10
0.10
0.05
0.05
5 10 15 20 25 30
5 10 15 20 25 30
Media
n=________ Media
n= _______
Explique las razones de tu asignación:
8. En una población de estudiantes el peso se distribuye en forma normal con media 60

kg. y una desviación estándar de 5 kg. ¿Si se seleccionan dos muestras aleatorias de
dicha población, una de tamaño 10 y otra de tamaño 100 en cual consideras que sea
más probable obtener una media muestral entre 55 kg y 65 kg?
a) En la muestra de tamaño 10.

66 CUESTIONARIO POSTERIOR
b) En la muestra de tamaño 100.
c) En ambos muestras se tiene la misma probabilidad.
Explique por qué
9. A continuación se muestran tres distribuciones muestrales de la media (para muestras

de tamaño n = 5, n = 10 y n = 30 ), las cuales se han construido tomando 500
muestras de una misma población.
Measures from Sample of Collection 1Histogram

200
160
120
80
40
0
200
160
120
80
40
0
200
160
120
80
40
1.45 1.50 1.55 1.60 1.65 1.70 1.75 1.80

estatura_media
a) Coloca sobre cada una de ellas el tamaño de muestra que le corresponde.

Explique con todo detalle las razones de tu asignación.
b) Sobre la gráfica de las distribuciones, coloca 1 a la distribución de menor

dispersión (desviación estándar) y 2 a la distribución de mayor dispersión
(desviación estándar). Explique con todo detalle las razones de tu asignación.
c) ¿Cuál será la media de la población de la que se extrajeron las muestras?

Explique.
CUESTIONARIO POSTERIOR 67
10. Los puntajes de un examen de admisión para ingresar a una Universidad, no se dis-
tribuyen normalmente. La distribución está muy sesgada hacia calificaciones muy
bajas con un promedio de 20 y una desviación estándar de 3,5 .
Un equipo de investigación planea tomar muestras aleatorias de 50 estudiantes de

diferentes colegios a lo largo del país donde realizaron el examen. La distribución de
los promedios muestrales tendrá una forma que es:
a. Muy sesgada hacia calificaciones bajas.
b. Sesgada hacia calificaciones bajas, pero no tanto como la distribución pobla

cional.
c. Muy similar a la distribución normal.
d. Imposible predecir.
11. Se tiene una población X con media u y desviación estándar σ , se obtienen muestras
de tamaño específico n de la población. Se calcula el promedio de cada una de las
y se forma la distribución de los promedios muestrales X que tiene media
muestras
E X y desviación sX ¿Cuál es la relación entre la población X y la distribución de
los promedios muestrales X ? Utilice como puntos de comparación los que considere
necesarios entre: la forma, el tamaño de la muestra, la variabilidad, el promedio y la
dispersión (desviación estándar)
12. ¿Cuáles fueron las ventajas, desventajas, virtudes o limitaciones que se te presentaron
al utilizar Fathom en el estudio de las distribuciones muestrales?
Apéndice D
Conceptos teóricos sobre
distribuciones uniforme
discreta y binomial
Distribuciones de probabilidad discretas:
En aplicaciones estadísticas nos interesa medir u observar diferentes aspectos o caracterís-

ticas del resultado de un experimento. Tales resultados son impredecibles, por lo que estos
resultados se deben asociar a una variable a la que llamaremos variable aleatoria.
Definición D.1 (Variable aleatoria) Es un tipo de medida tomada de los resultados de un

experimento aleatorio.
Notación:
Nosotros usamos letras mayúsculas para representar las variables aleatorias.
*
Por ejemplo, si nosotros estamos interesados que nuestro experimento sea seleccionar una
muestra aleatoria de una persona de una población. Podemos estar interesados en:
X = su ingreso mensual
Y = su presión arterial.
Pero también podemos tener una variable Z = “estado marital” con tres categorías a las
que podemos llamar con letras minúsculas x = soltero, y = casado y z = comprometido.
Así podemos hablar entonces de la probabilidad de que el estado marital de una persona
sea comprometido. Simbólicamente P(Z) = z
EJEMPLO D.1 Considere el experimento de lanzar una moneda al aire dos veces. Y se
define la variable aleatoria X = número de caras obtenidas. El espacio muestral para este
experimento está dado por S = {RR, CR, RC, CC} , dónde C denota cara y R denota cruz.
La variable X puede tomar los valores de 0, 1 y 2 ; pues se puede observar que X = 0 si
el resultado es RR , X = 1 si el resultado es RC ó CR , y X = 2 si el resultado es CC .
La probabilidad de que salga cero caras es:
1
P(X = 0) =
4
La probabilidad de que salga una cara es:
2 1
P(X = 1) = =
4 2
Y la probabilidad de que salgan dos caras es:
1
P(X = 2) =
4
Así P(X = 0) + P(X = 0) + P(X = 0) = 1

70 CONCEPTOS TEÓRICOS SOBRE DISTRIBUCIONES UNIFORME DISCRETA Y BINOMIAL
Distribuciones Discretas:
Definición D.2 (Distribución de probabilidad de una variable aleatoria discreta) La dis-

tribución de probabilidad de una variable aleatoria discreta X está dada por:
f (x) = P(X = x)
Para todo valor x que X pueda tomar.
Una distribución satisface:
1. f (xk ) ≥ 0 ∀ xk
2. ∑ f (xk ) = 1
k
La esperanza, valor esperado o también llamado media de una variable aleatoria discreta es:
µ = E(x) = ∑ xk f (xk )
k
La varianza de una variable aleatoria discreta es:
σ2 = E (x − µ)2 = ∑ (xk − µ)2 f (xk )

h i
Así que la desviación estándar está dado por:
√
σ= σ2
Distribuciones Uniforme
CONCEPTOS TEÓRICOS SOBRE DISTRIBUCIONES UNIFORME DISCRETA Y BINOMIAL 71
Considérese el lanzamiento de un dado, la variable aleatoria X será el resultado obtenido

en el dado. Así que la variable aleatoria puede tomar valores de 1, 2, 3, 4, 5 y 6 . Pero
1
tienen la particularidad de que todos ocurren con una misma probabilidad .
6
La distribución de probabilidad de X recibe el nombre de distribución uniforme.
Definición D.3 Si la variable aleatoria X toma valores con idénticas probabilidades, en-
tonces la distribución ç uniforme discreta está dada por:
1
f (x; k) = , x = x1 , x2 , . . . , xk
k
La media y la varianza de la distribución uniforme f (x, k) son:
k
∑ xi
i=1
µ=
k
k
∑ (xi − µ)2
σ2 = i=1
k
Volviendo al ejemplo del lanzamiento de los dados:

1+2+3+4+5+6
µ= = 3.5
6
(1 − 3.5)2 + (2 − 3.5)2 + (3 − 3.5)2 + (4 − 3.5)2 + (5 − 3.5)2 + (6 − 3.5)2 35

σ2 = =
6 12
Distribución binomial
Considere el experimento de lanzar una moneda justa un número n de veces, es decir que
1
la probabilidad de caer cara es de p = ; sea X la variable aleatoria el número de caras
2
que se obtienen en esos n lanzamientos.
Así que X puede tomar valores de 1, 2, 3, . . . , n .
La distribución de probabilidad de X es llamada la distribución binomial, y se escribe

X ∼ Binomial(n, p). Formalmente la distribución binomial, es la distribución del número de
éxitos en n lanzamientos para los cuales la probabilidad de éxito de cualquier lanzamiento
es p .
Definición D.4 La distribución del número x de éxitos en n experimentos independientes

con probabilidad p de éxito cada uno, es llamada distribución binomial.
Los valores n y p son llamados parámetros de la distribución.
Si p es la probabilidad éxito, entonces q = 1 − p es la probabilidad de fracaso.

n x (n−z)
Simbólicamente su distribución es: B(x, n, p) = f (x) = x p q , x = 0, 1, 2, . . . , n
La media y la varianza de la distribución binomial B(x, n, p) son:
µ = E(x) = np
σ2 = npq
Por ejemplo, se lanza una moneda justa 10 veces (esto quiere decir que la probabilidad de
éxito “salir cara” es de 1/2 ).
La variable aleatoria X es el número de éxitos (caras) obtenidos, el valor esperado y la

varianza es de:
1
µ = E(x) = 10 · =5
2
CONCEPTOS TEÓRICOS SOBRE DISTRIBUCIONES UNIFORME DISCRETA Y BINOMIAL 73
1 1 10
σ2 = 10 · · = = 2.5
2 2 4
Bibliografía
[1] E, Ballester. “Pensamiento estadístico que muestran los profesores al estudiar la
centralidad y la variabilidad en un contexto de estadística dinámica con tecnología”.
CINVESTAV-IPN. 2006.
[2] G, Burrill. “Simulation as a tool to develop statistical understanding” en Proceed-
ings of the Sixth International Conference on Teaching Statistics. Cape Town South
Africa.2002.
[3] J, Garfield; R, delMas; B, Chance. “Reasoning about sampling distributions” en
The Challenge of Developing Statistical Literacy, Reasoning and Thinking. Kluwer
Academic Publishers. 2004.
[4] J, Garfield; D, Ben Z-vi. “A framework for teaching and assessing reasoning about
variability”. Statistic Education Research Journal. 2005.
[5] J, Hammerman; A, Rubin. “Strategies for managing statistical complexity with new
software tool”. Statistic Education Research Journal. 2004.
[6] Instituto de Investigación en Matemáticas Aplicadas y Sistemas de la UNAM (IIMAS)
y el Instituto Nacional de Estadística, Geografía e Informática (INEGI). (2001). “El
mundo de los números: la estadística en la vida cotidiana”. Variabilidad. México. D.
F.
[7] S, Inzunsa. “Significados que estudiantes universitarios atribuyen a las distribuciones
muestrales en un ambiente de simulación computacional y estadística dinámica”
CINVESTAV-IPN.2006.
[8] R, Lock.“Using Fathom to promote interactive explorations of statistical concepts” en
Proceedings of the Sixth International Conference on Teaching Statistics. Cape Town
South Africa. 2002.
[9] K, Lipson.“The role of computer based technology in developing understanding of the
concept of sampling distribution” en Proceedings of the Sixth International Conference
on Teaching Statistics. Cape Town South Africa. 2002.
[10] J.D, Mills. “Using Computer Simulation Methods to Teach Statistics: A Review of
the Literature” en Journal of Statistics Education.
[11] M, Pfannkuch; C, Wild. “Towards and understanding of statistical thinking” en The
challenge of developing statistical literacy, reasoning and thinking. Kluwer Academic
Publishers. 2004.
[12] J, Shaughnessy. “Missed opportunities in research on the teaching and learning of

data and chance” en People in mathematics education. MERGA. 1997.
[13] M, Shaughnessy . “Research in Probability and Statistics: Reflections and Direc-
tions” en Handbook of Research on Mathematics Teaching and Learning. Macmillan
Publishing Company. 1997.
[14] M, Shaughnessy; C, Reading. “Reasoning about variation” en The Challenge of De-
veloping Statistical Literacy, Reasoning and Thinking. Kluwer Academic Publishers.
2004.
[15] J, Watson; B, Kelly; R, Callingham; M, Shaughnessy. “The measurement of school
students’ understanding of statistical variation”. Journal of Mathematical Education
in Science and Technology. 2003.
[16] C, Wild; G, Seber “Chance Encounters: a first course in data analysis and inference”
John Wiley & Sons, Inc. 2000.
Formas de razonamientos que muestran estudiantes de maestría... Greivin Ramírez.


Formas de Razonamiento Con Fathom

Cargado por

Copyright:

Formatos disponibles

Formas de Razonamiento Con Fathom

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Formas de Razonamiento Con Fathom

Cargado por

Copyright:

Formatos disponibles

Artículo

Revista digital Matemática, Educación e Internet (www.cidse.itcr.ac.cr/revistamate/). Vol. 9, No 2. 2009

Formas de razonamientos que muestran

Palabras claves:Formas de razonamiento, Distribución, Variabilidad, Simulación y Fathom.

Un problema en la formación de profesores de matemática, es que en la mayoría de

La tecnología, mediante el software Fathom, ofrece una oportunidad para cambiar de

[7] resume el éxito de los estudiantes al usar la simulación computacional en el estudio de

Los estudiantes encuentran sentido a la resolución de problemas de distribuciones me-

Formas de razonamientos que muestran estudiantes de maestría... Greivin Ramírez.

1.2 Problema de Investigación

La presente investigación es un estudio de caso, con 7 estudiantes (2 hombres y 5 mujeres)

Específicamente la pregunta de investigación que guía este trabajo es la siguiente:

¿Cuáles son las formas de razonamiento que muestran estudiantes de maestría

el fin de que se relacione con el proceso físico de muestreo.

1.3 Marco Conceptual

Nivel 1. Razonamiento ideosincrático (RI): Los estudiantes conocen palabras y símbolos

Nivel 2. Razonamiento verbal (RV): Los estudiantes tienen un entendimiento verbal de

Nivel 3. Razonamiento de transición (RT): Los estudiantes son capaces de identificar

Nivel 4. Razonamiento de procedimiento (RP): Los estudiantes son capaces de iden-

distribución binomial, pero no hacen una integración total de ellas.

Nivel 5. Razonamiento de procesos integrados (RPI): Los estudiantes tienen un en-

Según el [6], variabilidad es la cualidad o característica esencial de la naturaleza que

1.4.1 Participantes en la investigación

Los datos que se muestran en la siguiente tabla fueron recolectados en el cuestionario

Las edades de los estudiantes oscilan entre 23 y 40 años y su promedio es de 31 años.

1.4.2 Instrumentos de recolección de datos y procedimiento de trabajo

Se utilizaron como instrumentos de recolección de datos: cuestionarios, notas de campo,

La investigación constó de 14 sesiones (una actividad por cada sesión) distribuidas de la

1. Una sesión para el cuestionario diagnóstico.

En la primera sesión se aplicó un cuestionario diagnóstico (ver anexo I) y luego se im-

El cuestionario diagnóstico consta de 19 preguntas que los estudiantes respondieron en

En la primera actividad se trabajó el pre-requisito de estudio de las distribuciones uniforme

Cuatro actividades se desarrollaron en forma individual y una en forma grupal (actividad

El investigador facilitó información teórica sobre las distribuciones uniforme discreta y

transcurso de las actividades.

1.4.3 Selección y características de las actividades

Se implementaron siete actividades (incluyendo el cuestionario diagnóstico y final) en cada

1.4.4 Estrategias de análisis de datos

1.5.1 Descripción cuestionario diagnóstico (ver anexo I)

1.5.2 Análisis del cuestionario diagnóstico

Tabla 1.1 Resultados del cuestionario diagnóstico

Se presenta a continuación sólo el análisis de la pregunta 4 del diagnóstico que se refiere

Figura 1.2 Pregunta 4 del cuestionario diagnóstico

provenir de una situación real.

Las respuestas de los estudiantes son las siguientes:

Se califica esta pregunta de la siguiente manera:

Estudiante Argumento Evolución

(*) Bien hecha la justificación con este argumento.

L, S y A usan el argumento de la probabilidad para establecer que el grupo B representa

L, R y S contemplaron la variabilidad para escoger la distribución del grupo C como los

1.5.3 Conclusiones del cuestionario diagnóstico

La mayoría de estudiantes utilizaron lenguaje estadística y algunas fórmulas pero sin

1.5.4 Descripción de la actividad uno (ver anexo II)

era el número de caras obtenidas en 10 lanzamientos de una moneda, para estudiar la

Se presenta a continuación el análisis de las pregunta 4, 5, 6 y 10 de esta actividad que son

1.5.5 Análisis de la actividad uno

Número Número de ocasiones que cae

La mayoría de estudiantes brindan una respuesta determinista ubicándose en un nivel de

Pregunta 2 del Previo (Distribución binomial)