DIPLOMADO EN ACTUALIZACIN DOCENTE: USO DE SOFTWARE EDUCATIVO PARA MATEMTICAS

MDULO IV.

Probabilidad y Tratamiento de la Informacin con Software Matemtico. Material del Participante

Elaboracin del Material: Dr. Santiago Inzunza Czares. M.C. Edmar Mota Garca. 2011 Centro de Ciencias de Sinaloa. Universidad Autnoma de Sinaloa.

Introduccin.
En los ltimos aos, la estadstica y la probabilidad han venido ganando un espacio cada vez mayor en el currculo de matemticas, desde el nivel elemental hasta el nivel universitario. Hasta antes de la dcada de los noventa, el estudio de estas reas estaba prcticamente reservado para estudiantes universitarios que cursaban estudios superiores. Sin embargo, ante la relevancia que la estadstica est teniendo en la sociedad moderna, se han realizado reformas a los currculos de matemticas en diversos pases para incorporar contenidos estadsticos en los niveles preuniversitarios (Inzunza, 2006). Entre las causas que han propiciado este notable inters por probabilidad y la estadstica, Batanero y Godino (2005) sealan el carcter instrumental de la estadstica como herramienta metodolgica en la investigacin de una diversidad de ciencias, y el valor que tiene en el desarrollo del razonamiento estadstico en una sociedad caracterizada por la disponibilidad de informacin y la necesidad de toma de decisiones en ambiente de incertidumbre. En cuanto a este ltimo aspecto, Moore (1997) seala a la cuantificacin de la sociedad como uno de los factores que han generado presin a los sistemas educativos, al requerir que los estudiantes sean ms analticos y que desarrollen habilidades de razonamiento y pensamiento estadstico. Ciertamente, la informacin de tipo cuantitativo se ha vuelto cada vez ms comn en la sociedad actual. De esta manera, poder evaluar la evidencia y argumentos basados en datos es una importante habilidad que los estudiantes deben desarrollar en el transcurso de su formacin acadmica. El estudio de la estadstica proporciona herramientas que los ciudadanos informados necesitan para actuar inteligentemente ante informacin cuantitativa en el mundo que los rodea. En el caso de Mxico, a partir de 1993, con la reforma curricular para la educacin secundaria, se incorporan contenidos especficos de estadstica y probabilidad bajo el nombre de presentacin y tratamiento de la informacin y nociones de probabilidad en los planes de estudios de matemticas. Dichos contenidos se profundizan an ms ahora bajo el ttulo de tratamiento de la informacin, y se replantea su enseanza sugiriendo la utilizacin de herramientas computacionales en la ms reciente reforma para la educacin secundaria (SEP, 2006). Estadstica Descriptiva y Anlisis Exploratorio de Datos

Actualmente, el enfoque centrado en la descripcin de los datos se ha cambiado hacia un enfoque centrado en la exploracin. Dicho enfoque se denomina Anlisis Exploratorio de Datos (AED), y en l, las representaciones grficas ocupan un lugar fundamental. Este cambio de enfoque ha sido derivado del trabajo de John Tukey (1977), quien en la dcada de los setenta, desarroll diversas herramientas para el anlisis de datos, las cuales tuvieron como catalizador principal a la tecnologa computacional y al software estadstico con capacidades de representacin grfica y tratamiento de datos que en dicha poca empezaban a estar disponibles cada vez por un mayor nmero de personas e instituciones. El AED emplea una variedad de tcnicas, principalmente grficas para obtener la mxima informacin de los datos. Explorar un conjunto de datos incluye examinar forma, centro y dispersin, e investigar varias grficas para ver si revelan agrupamientos de datos, huecos o datos atpicos, para descubrir patrones y plantear hiptesis (Ben-Zvi, 2004). Con base en lo anterior, es evidente que la tecnologa computacional juega un papel muy importante para la implementacin de un enfoque basado en los principios del AED, ya que las computadoras hacen posible manipular y desplegar datos en forma rpida y de diversas formas, a travs de paquetes de software estadstico. En concordancia con lo anterior, actualmente existe la tendencia que la enseanza de la estadstica sea orientada a datos, donde se espera que los estudiantes realicen investigaciones, formulen preguntas de investigacin, recolecten datos diseando encuestas y experimentos, describan y comparen conjuntos de datos, utilicen y comprendan grficas estadsticas y medidas descriptivas, propongan y justifiquen conclusiones basadas en datos (NCTM, 2000; SEP, 2006) La probabilidad en la escuela secundaria En recientes reformas curriculares en varios pases -incluido el nuestro -, y propuestas de organizaciones como la NCTM (2000) se ha llamado la atencin para fomentar en la enseanza las relaciones entre los datos y la probabilidad. Un enfoque de probabilidad experimental contribuye de manera importante a mostrar dicha relacin. El fundamento terico de una enseanza de la probabilidad apoyada en experimentos, est dado por el enfoque frecuencial de la probabilidad y la ley de los grandes nmeros, que afirma que entre mayor sea el nmero de repeticiones de un experimento aleatorio la diferencia entre la probabilidad experimental y la terica tiende a ser nula.

Una metodologa de enseanza apropiada para la enseanza de la probabilidad en el nivel secundaria consiste en desarrollar en el saln de clase diversos experimentos aleatorios como ruletas con reas sombreadas en diferentes proporciones, urnas y tmbolas con canicas de diversos colores, dados, monedas, chinchetas. Con el fin de tener el mayor nmero de repeticiones posibles, se pueden reunir los datos de varios equipos de estudiantes para lograr que la probabilidad experimental se acerque ms a la probabilidad terica. Una vez que los estudiantes van adquiriendo mayor familiaridad con el clculo de probabilidades empricas con dispositivos fsicos, se puede pasar a la simulacin de los fenmenos mediante el apoyo de algn paquete de computadora o una calculadora graficadora. Lo importante es que los estudiantes exploren activamente situaciones probabilsticas mediante experimentos y simulaciones con el objetivo que los estudiantes desarrollen intuiciones y conceptos. Es importante trabajar con datos reales o simulados en contextos que generen el inters de los estudiantes y su participacin activa en la construccin de su propio conocimiento. Un aspecto de mucha relevancia en la implementacin de este enfoque es relacionar los experimentos con situaciones anlogas que ocurren en la vida real. De acuerdo con el programa de estudios de matemticas ms reciente para la educacin secundaria en Mxico, el eje de Manejo de la Informacin tiene un significado muy amplio. Se ha considerado que la informacin puede provenir de situaciones tanto deterministas como aleatorias, en las que se puede identificar una tendencia a partir de su representacin grfica o tabular. En este eje se abordan problemas que requieren el anlisis, la organizacin, la representacin y la interpretacin de datos provenientes de diversas fuentes. Este trabajo se apoya fuertemente en nociones matemticas tales como porcentaje, probabilidad, funcin y en general en el significado de los nmeros enteros, fraccionarios y decimales (SEP 2006, p. 7)

Encuadre del Mdulo.

El mdulo tiene una duracin de 50 horas: 32 en aula, presenciales, esperndose que los participantes realicen trabajos extraclase e interacten en plataforma un mnimo de 18 horas. Para tal efecto el mdulo propone una serie de dinmicas y discusiones que enriquecern la perspectiva del docentealumno acerca de la importancia de la enseanza de la estadstica y la probabilidad en el nivel de secundaria. El nmero de sesiones presenciales es de 8 sesiones, de 4 horas cada una. Al final de cada sesin par se espera la entrega de los participantes de un producto para cada sesin. Cada sesin esta divida en la introduccin de un problema y su solucin a travs de alguna herramienta computacional, as como trabajo por equipos para obtener un plan de clase para cada tema trabajado.

Contenidos Temticos:
Los contenidos a abordar en el presente diplomado sern los que marca el programa de estudios de matemticas en los tres grados sobre el eje de Manejo de la Informacin. 1. Anlisis de la Informacin 1. Proporcionalidad. 1. Escalas y factor de proporcionalidad. 2. Relacin directa e inversa. 3. Hoja de Clculo y Proporcionalidad. 2. Nociones de Probabilidad. 1. Experimentacin y sucesos aleatorios. 2. Estimacin de Probabilidades. 3. Simulacin de sucesos aleatorios mediante software. 2. Representacin de la Informacin 1. Medidas de Tendencia Central y de Dispersin. 1. Definiciones de las medidas de tendencia central y de dispersin. 2. Hoja de clculo y estimacin de las medidas de tendencia central 3. Software para la representacin y clculo de las medidas de tendencia central y de dispersin. 2. Diagramas y Tablas 1. Tablas de frecuencias, diagramas de rbol, arreglos.

2. Tipos de diagramas en probabilidad y estadstica. 3. Diferentes tipos de software para la didctica de diagramas. 3. Grficas 1. Representaciones grficas de experimentos. 2. Tipos de representaciones grficas. 3. Uso de Excel para la generacin de representaciones.

Metodologa de evaluacin.
Dado el carcter de actualizacin profesional del mdulo, la evaluacin del mismo estar basada en rbricas de desempeo de los participantes. Para tener derecho a la aprobacin, se requiere lo siguiente: Un mnimo de 75% en asistencias a las sesiones de clase. Las inasistencias, an justificadas, se tomarn como faltas. La realizacin adecuada del respectivo trabajo final La realizacin adecuada de las prcticas y ejercicios sugeridos en cada sesin de clase La realizacin adecuada de los ejercicios en la plataforma virtual Cumplimiento de tareas y participaciones asignadas. Las tareas y el trabajo final representan el 50% de la calificacin. Las asistencias y participacin en foros y trabajos en plataforma el otro 50%.

La acreditacin del mdulo ser evaluado de la siguiente manera:

Sesin 1. El tratamiento de la Informacin en Secundaria.

Temas a desarrollar.
Primer momento. Reflexiones acerca de la reforma 2006. Cul es el enfoque de tratamiento de la informacin segn la reforma 2006? Cuales son las razones para evitar su tratamiento en la prctica diaria. Ejercicio ejemplo. Desarrollo de un plan de clase informal. Segundo momento. Esquema de tratamiento de la informacin en secundaria y herramientas de software. La probabilidad y la estadstica. Herramientas generales en la red. Recordatorio de Hoja de Clculo.

Productos de esta sesin

Cuadro sinptico de la manera de trabajar el eje temtico en educacin secundaria.

Que dice la Reforma 2006 respecto al eje de Manejo de la Informacin?

Cul es el objetivo de la incorporacin del dicho eje como parte del programa de Educacin Bsica? El programa de Secundara 2006, nos da una versin al respecto, acerca de los propsitos del Eje dentro de la Enseanza de las Matemticas en los tres grados de Educacin Secundaria: En cuanto al eje Manejo de la informacin se resuelven problemas que requieren el anlisis, la organizacin, la representacin y la interpretacin de datos provenientes de diversas fuentes. Este trabajo se apoya fuertemente en nociones matemticas tales como porcentaje, probabilidad, funcin y en general en el significado de los nmeros enteros, fraccionarios y decimales Es decir, el eje de Manejo de la Informacin se ve como una manera de incorporar el anlisis, la inferencia y la resolucin de problemas dentro de un contexto realista, donde el alumno pueda evidenciar la utilidad de la matemtica en la vida cotidiana. Y no slo resolviendo problemas, sino realizando inferencias y proponiendo razones y significados acerca de lo que los resultados obtenidos nos arrojan. Actividad 1: Observemos un reactivo tipo del Examen de PISA.

Segn su experiencia, cree que alguno de sus alumnos respondera correctamente el reactivo?

Formados en equipos, comente el problema con sus compaeros y de sus respuestas. Actividad 2: Despus de haber resuelto el ejercicio anterior, acceda al archivo de planes y programas de estudio 2006 de Secundaria y aisle los temas del eje de manejo de la informacin que intervendran o no en su caso en la Actividad 1. Con estos datos y reunidos en equipos, puntualice la ubicacin de este ejercicio en planes y programas.

La probabilidad y la estadstica tienen mucha relacin entre si (literalmente los resultados y axiomas de una se utilizan en la otra) y estn fundamentadas en el anlisis de sucesos aleatorios. Hay autores que consideran la estadstica un ciencia a parte, separada de las matemticas por que involucra adems aspectos empricos y su enfoque es mayormente de aplicacin.

Los planes y programas 2006, pretenden incorporar las nuevas tecnologas en la prctica diaria, para esto se hace referencia a la utilizacin especfica de materiales que incorporar el equipo de cmputo en ciertos temas especficos. Actividad 3. Reunidos en equipos, utilice la informacin recabada en la actividad 2 y desarrolle un plan de clase sencillo en el que incorpore el ejercicio de la actividad 1. Reflexione sobre los siguientes cuestionamientos al momento de realizar la actividad. Se beneficiara el plan de clase con el uso de tecnologa? Planes y programas me ayudan al respecto (para encontrar herramientas tecnolgicas aptas para el plan de clase)? Cul seria la herramienta tecnolgica propuesta para apoyar el plan de clase?

Recordando una herramienta sencilla para el eje de Tratamiento de la Informacin

En el caso de ejercicios del eje de tratamiento de la informacin en el que se involucren grficas y datos (es decir ejercicios de estadstica) la herramienta ms sencilla para apoyarnos es la hoja electrnica de clculo.

El programa EMAT (Enseanza de las Matemticas con Tecnologa) de la Direccin General de Materiales Educativos de la SEP surge para proporcionar aplicaciones de las herramientas tecnolgicas en la educacin secundaria. Entre estas herramientas proporciona un manual denominado Matemticas con la Hoja electrnica de Clculo. Conceptos Bsicos de Hoja de Clculo.

. Un archivo de cualquier paquete de hoja electrnica de clculo esta formada por una o ms hojas de clculo divididas en columnas y renglones (arreglo bidimensional) en las cuales podemos realizar operaciones y representar datos de una manera sencilla. Entre las operaciones que podemos realizar se encuentran: operaciones lgicas, matemticas, de texto, moneda. El elemento bsico de una hoja de clculo es la CELDA. Una celda se representa por coordenadas, la columna y el rengln donde se ubica. Existen 2 formas de ubicar una celda, la primera forma las ubica a travs de representar las columnas por una sucesin alfabtica y los renglones por una sucesin numrica, ejemplo: A1, B2. La segunda forma es a travs de nmeros de rengln y columna anteponiendo las letras maysculas L y C, ejemplo: L1C1, L2C2 (Representan las mismas celdas anteriores). Para incorporar una frmula en una celda y poder realizar clculos existen varias formas, la ms sencillas es iniciar el texto de la celda con el smbolo = (igual). Las celdas dentro de una frmula pueden referenciarse de forma absoluta o relativa. La segunda es la forma normal de operacin en hoja de clculo e implica que el movimiento del contenido de una celda con frmulas mantiene la distancia entre la frmula y las referencias

fija. La primera forma, en la que mantenemos los valores referenciados fijos, se logra mediante anteponer un signo de $, a cada coordenada. Con los datos incorporados en una hoja de clculo podemos realizar grficas que representen la informacin contenida en ellos. Las hojas de clculo manejan una gran cantidad de tipos de representacin grfica de datos. Actividad 4: Utilizando Excel u otra hoja de clculo, trate de realizar el ejercicio expresado en la Actividad 1. Esquematice los pasos mnimos que realiz para representar el ejercicio de forma electrnica. Juegue con las escalas de los ejes de la grfica resultante y reflexione sobre si este u otro elemento pudiera apoyar la comprensin del ejercicio. Actividad 5: Por equipos intercambie los hallazgos y en su caso modifique el Plan de Clase incorporando los elementos comunes encontrados en el equipo. Actividad de Cierre: Con todo lo realizado en la sesin construya un cuadro sinptico donde resuma la forma de trabajar el eje de tratamiento de la informacin en tres mbitos, a) el propuesto en planes y programas, b) el que hemos realizado hasta ahora en nuestra prctica diaria y c) cmo se pudiera beneficiar con el uso de las tecnologas. EL TRABAJO FINAL DE LA ACTIVIDAD ES SU PRIMER PRODUCTO DE TRABAJO.

Sesin 2. Proporcionalidad

Temas a desarrollar.
Primer momento. Proporcionalidad en educacin secundaria. Proporcionalidad como un factor de escala. Proporcionalidad como una relacin funcional. Relacin proporcional. Directa e Inversa. Segundo momento. Proporcionalidad con Software. Ejemplos de proporcionalidad con Excel.

Producto de la sesin.
Un plan de clase utilizando Excel con algn aspecto del plan de estudios referente al tema de proporcionalidad.

Proporcionalidad

Introduccin: Resolvamos los siguientes problemas:

Ana y Mara corren a igual velocidad en una pista. Ana empez primero. Cuando ella llevaba 9 vueltas, Mara llevaba 3 vueltas. Cuando Mara complete 15 vueltas, cuntas llevar Ana?

Para hacer 15 hotcakes se ocupan 3 huevos. Cuntos se ocupan para hacer 32 hotcakes?

Cul representa una relacin de proporcionalidad?

El componente crtico de las situaciones de proporcionalidad es la relacin multiplicativa que existe entre las cantidades que representan la situacin. Proporcionalidad en Educacin Secundaria. En la educacin secundaria los temas de proporcionalidad son una extensin de los vistos a final del tercer ciclo de educacin primaria, poniendo nfasis en la bsqueda de los factores y elementos que intervienen en la relacin. Un elemento que se incorpora en este tema en educacin secundaria son la relaciones inversas de proporcionalidad y las relaciones mltiples de proporcionalidad. Todos estos elementos son necesarios para que ms tarde el alumno logre comprender propiedades bsicas de estadstica. Proporcionalidad Utilizando Hoja de Clculo. Actividad 1: Realicemos los siguientes ejercicios del programa EMAT: Matemticas con Hoja Electrnica de Clculo

V ariacin proporcional (1)

Nombre Escuela

Aritmtica

Edad Fecha

La cantidad de dlares y su equivalente en pesos, as como la distancia recorrida por un coche y el tiempo que tarda en recorrerla son cantidades relacionadas. A continuacin se abordar este tema. Pensemos primero en la situacin en la que un dlar se puede cambiar por 8 pesos. A cuntos pesos equivaldran 2 dlares? A cuntos pesos equivaldran 4 dlares? A cuntos pesos equivaldran 5 dlares? Construye una hoja de clculo relacionando estas dos cantidades. A 1 2 3 4 5 6 La frmula de A3 es = A2 + 1. La frmula de B2 es = 8 * A2. Escribe ahora la frmula de la celda B3. Escribe la frmula de la celda B6. En general podemos escribir: columna B = factor * columna A Cul es el factor en el ejemplo anterior? Piensa ahora en un coche que va a una velocidad constante de 80 km/h. Las dos cantidades que consideraremos son la distancia recorrida (d) y el tiempo que tarda en recorrerla (t).
CANTIDAD DE DLARES

B
CANTIDAD DE PESOS

1 2 3 4 5

8 16 24 32 40

actividades

expresivas

53 @

Variacin proporcional (1)

Qu distancia recorri en 2 horas? Qu distancia recorri en 4 horas? Qu distancia recorri en 5 horas y media? Construye una hoja de clculo relacionando ambas cantidades. A 1 2 3 4 5 6 7
TIEMPO (EN HORAS)

B
DISTANCIA (EN KILMETROS)

C
VELOCIDAD CONSTANTE

0 1 2 3 4 5

0 80 160 240 320 400

v (km/h) 80

La frmula de la celda A3 es = A2 + 1. La frmula de la celda B2 es = A2 * v. Escribe la frmula de la celda B3: Escribe la frmula de la celda B6: Cul es el factor en el ejemplo anterior? Cuando una cantidad se obtiene multiplicando otra por un factor constante se obtiene una variacin proporcional. A continuacin se plantean algunas preguntas para conocer otra propiedad de este tipo de variaciones. Qu le pasa a la distancia recorrida si duplicamos el tiempo?

Por ejemplo: Cuntos kilmetros recorre el coche en cinco horas? Si se duplica el tiempo, ocurre lo mismo con la distancia?

@ 54

actividades

expresivas

Variacin proporcional (1)

Qu le pasa a la distancia recorrida si triplicamos el tiempo?

Qu le pasa a la distancia recorrida si el tiempo se reduce a la mitad?

Qu le pasa a la distancia recorrida si el tiempo se reduce a la quinta parte?

A qu conclusin general puedes llegar entonces?

actividades

expresivas

55 @

V ariacin proporcional (2)

Nombre Escuela

Aritmtica

Edad Fecha

Resuelve el siguiente problema: si 0.45 kg equivalen a una libra, cuntas libras habr en 90 kg? Construye una hoja de clculo como la siguiente; para ello relaciona ambas cantidades y encuentra las frmulas para las columnas A y B.

A 1 2 3 4 5 6 7
LIBRAS

B
KILOGRAMOS

1 2 3 4 5 6

0.45 0.9 1.35 1.8 2.25 2.7

Cul es el factor de proporcionalidad en el ejemplo anterior?

Contina llenando la tabla hasta que encuentres cuntas libras equivalen a 90 kg y escribe la respuesta:

Observa ahora el tercer rengln de la hoja. Podras haber resuelto el problema considerando slo esta informacin? Cmo?

Usa solamente los primeros 10 datos de tu tabla para responder las siguientes preguntas: Cuntas libras equivalen a 3 600 kg? Cuntos kilogramos equivalen a 500 libras?

@ 56

actividades

expresivas

Variacin proporcional (2)

Cuntos kilogramos equivalen a 0.5 libras? Usa el sexto rengln de tu hoja para responder esta pregunta. Cuntos kilogramos equivalen a 1.5 libras? Usa el resultado anterior para encontrar la respuesta. Cuntos kilogramos equivalen a 2.6 libras? Usa la misma estrategia

Regresemos ahora al tercer rengln de tu hoja, donde se indica que 2 libras equivalen a 0.9 kg (casi 1 kg), y busca cuntas libras equivalen aproximadamente a 1 kg.

Ahora toma en cuenta la siguiente tabla para responder las preguntas que aparecen abajo.
MILLAS KILMETROS

1 2 3 4 5 6 7 8 9

1.6 3.2 4.8 6.4 8.0 9.6 11.2 12.8 14.4

Cuntos kilmetros equivalen a 70 millas? Cuntos kilmetros equivalen a 75 millas? Cuntos kilmetros equivalen a 0.5 millas? Cuntos kilmetros equivalen a 2.5 millas? Cuntos kilmetros equivalen a 4.7 millas? Cuntas millas equivalen a 96 kilmetros? Cuntas millas equivalen a 10 kilmetros?
actividades expresivas

57 @

V ariacin proporcional (3)

Nombre Escuela

Aritmtica

Edad Fecha

Si una embarcacin puede navegar 360 millas con 16 galones de combustible diesel, qu distancia recorrer con 300 galones? Construye una hoja de clculo como la siguiente para relacionar los galones con las millas recorridas. Para responder la pregunta, conviene preguntarnos cuntas millas puede navegar la embarcacin con un solo galn. Escribe una frmula en B3 para relacionar las cantidades de A2 y B2. A 1 2 3 4 Cul es el factor de proporcionalidad en el ejemplo anterior? Ahora contesta la pregunta original. Inserta el nmero 300 en la celda A4 y escribe una frmula en B4 que calcule la cantidad de millas correspondiente. Qu distancia recorrer entonces con 300 galones? Usa tu hoja de clculo para responder las siguientes preguntas: Qu distancia recorrera la embarcacin con 200 galones? Qu distancia recorrera la embarcacin con 80 galones? Cuntos galones necesitar para recorrer 1 000 millas? Construye ahora una hoja de clculo para resolver las siguientes situaciones: Si un frasco de caf de 400 gramos cuesta $12.50, cunto debera costar uno de 250 gramos? Si se determin que el precio de un frasco de caf es de $10, cuntos gramos contiene?
GALONES

B
MILLAS

16 1

360 ?

@ 58

actividades

expresivas

Al terminar analicemos lo siguiente:

Cmo facilita Excel el trabajo con el campo de Proporcionalidad?

Analicemos en plenaria los tres ejercicios y el nivel de dificultad asociado a ellos, tanto en relacin con la situacin de nuestras aulas de medios como de nuestros alumnos.

Los elementos ms difciles de comprender por parte de los alumnos son la situaciones de proporcionalidad mltiple y las situaciones de proporcionalidad inversa. En el caso de proporcionalidad inversa, es necesario recordar que, en este tipo de relaciones, la relacin multiplicativa se da entre un valor y el inverso o recproco de otro. Si expresamos cualquier valor en forma fraccionaria, podramos escribir por ejemplo: 5 Ahora el recproco de un valor es
1 . valor

1 2

5.5 1

Cuando trabajamos con situaciones de proporcionalidad inversa, podemos utilizar las distintas estrategias para la proporcionalidad directa, pero utilizando el recproco. Actividad 2: Construye un nuevo ejercicio con la hoja de clculo donde se observe claramente que las relaciones son de proporcionalidad inversa. Actividad FINAL DE SESIN (Tarea semanal) Utilizando las reflexiones anteriores construyan en equipo un plan de clase donde utilices los elementos vistos para tratar de aumentar la comprensin de los temas. Aplcalo durante la semana con alumnos y observa sus reacciones. Registra lo observado y entrega tu reporte al inicio de la siguiente sesin.

Sesin 3 Nociones de Probabilidad Temas a desarrollar.

Primer momento. La probabilidad como una manera de analizar sucesos aleatorios. Qu es aleatorio? Experimentacin en probabilidad. Muestreo y realizaciones de un suceso particular. Segundo momento. Ejemplificacin de sucesos aleatorios con software. La funcin Aleatorio en Excel. La ruleta. Otros ejemplos de sucesos aleatorios en software.

Producto de la sesin.
Desarrollar una dinmica de trabajo para realizar experimentos y cmo obtener datos de ejemplo dentro del mbito escolar.

Qu es aleatorio?
Uno de los temas ms difciles de tratar en educacin secundaria es las implicaciones de la aleatoriedad y las nociones del trmino aleatorio. Aun cuando esas nociones son incorporadas en la enseanza desde finales del segundo perodo de educacin bsica, an en secundaria se notan deficiencias en la comprensin de estos temas.

Aleatorio implica incertidumbre. Es aquel suceso que no es posible atribuirlo a una situacin humana. Es decir cuando un fenmeno es aleatorio no es posible determinar con exactitud su ocurrencia con anticipacin. Lo contrario a un fenmeno aleatorio es un fenmeno determinista. Existen fenmenos aleatorios en casi toda la naturaleza e incluso en situaciones humanas. Por ejemplo el que un medicamento haga ms o menos efecto en un paciente es aleatorio, la cantidad de lluvia en un lugar durante un tiempo determinado tambin lo es. La cantidad de personas que nacern en un territorio determinado es otro fenmeno altamente aleatorio. Por el contrario existen otros fenmenos deterministas: La sucesin de los nombres de los das por ejemplo. Actividad 1: Nombra 3 situaciones aleatorias y 3 situaciones deterministas. Busca que al menos una situacin sea relacionada, por ejemplo: El que una persona sana se convierta en adulta biolgicamente (esto es que pueda reproducirse) es determinista, pero el punto exacto en el que esto sucede no lo es y varia aleatoriamente de persona a persona. Tpicamente las situaciones aleatorias se analizan desde primaria, como decamos, utilizando varios ejercicios que directamente van incorporando las nociones necesarias para comprender y poder estudiar los fenmenos estocsticos. Estos ltimos, son aquellos que dan sentido en cierto grado a las tcnicas de manejo de la informacin que denominamos estadstica. Entre los ejercicios tpicos se encuentran los ejercicios con elementos concretos, como los denominados de bolsa de canicas. Para entender estos ejercicios es necesario contar con varios conceptos.

Actividad 2 En grupo y utilizando el material del mdulo y en su caso la red internet, busque la definicin y de un ejemplo de los siguientes puntos: a) Experimento. b) Suceso. c) Suceso elemental. d) Suceso compuesto. e) Suceso seguro. f) Suceso imposible. g) Probabilidad. h) Muestreo.

Una situacin muy interesante de analizar para entender las implicaciones de la probabilidad es el anlisis de sucesos que se denominan justos. Analiza el siguiente problema: Mara y Esteban juegan a los dados. Mara gana veinte pesos si el dado sale 2, 3, 4, 5. Cunto debe ganar Esteban para que el juego sea equitativo? Construyan en equipos un problema de juego justo.

Otro elemento importante para considerar es la comprensin del efecto que tiene la cantidad de experimentos dentro de un fenmeno aleatorio, es decir el efecto del tamao de la muestra. Analiza el siguiente problema: La probabilidad de que nazca un varn es 1/2. A lo largo de un ao completo, habr ms das en los cuales al menos el 60% de los nacimientos corresponden a varones: a) en un hospital grande (100 nacimientos al da) b) en un hospital pequeo (10 nacimientos al da) c) no hay ninguna diferencia. Resulvelo y comparte tus resultados. Existe relacin con la estadstica? Pudieras decir que informacin necesitaras conocer adicionalmente para contestar adecuadamente el problema?

Generando Nmeros aleatorios.

Ahora utilizaremos la hoja de clculo para generar nmeros aleatorios.

C onstruyendo dados
Nombre Escuela

Probabilidad

Edad Fecha

Abre una hoja de clculo (por ejemplo en Excel) y escribe en la celda B1 la frmula: = ALEATORIO( ). Esta funcin escoge al azar un nmero entre cero y uno. Qu nmero te dio? Aprieta varias veces la tecla F9 y observa que cada vez te da otro nmero con esta propiedad. Escribe en la celda B2 la frmula: = B1 * 6. En qu rango caen los nmeros de esta celda?

Escribe ahora en la celda B3 la frmula: = ENTERO (B2). Esta funcin quita la parte decimal del nmero en B2 y deja slo su parte entera. Cules son los seis nmeros diferentes que se pueden obtener en esta celda?

Son los que tiene un dado? Por ltimo, escribe en la celda B4 la frmula: = B3 + 1 Cules son los seis nmeros diferentes que se pueden obtener en esta celda?

Son los que tiene un dado? Ya tienes construido un dado en la celda B4 (destaca la celda con algn color, centra el nmero y dale un tamao ms grande). Realiza ahora el siguiente experimento. Aprieta la tecla F9 120 veces. Para cada una, registra en la tabla de abajo el resultado de la celda B4.
VALOR DADO CONTEO (MARCA UNA DIAGONAL

/ DONDE CORRESPONDA)

TOTALES

1 2 3 4 5 6
actividades expresivas

105 @

Construyendo dados

Analiza estos resultados y responde las siguientes preguntas: A qu se debe que las cantidades no sean iguales?

Crees que cada valor debera haber aparecido exactamente 20 veces?

Crees que un dado real se comportara de la misma manera?

Por qu decimos entonces que cada cara de un dado tiene la misma probabilidad de salir y que sta es de un sexto?

Discute con el grupo estas preguntas. A continuacin usa la misma hoja de clculo y sigue para la columna D los mismos pasos que en la columna B, para que tengas simultneamente dos dados. Realiza ahora el siguiente experimento. Aprieta la tecla F9 120 veces. Para cada una, registra en la tabla de abajo la suma de los resultados de las celdas B4 y D4.
SUMA DE LOS DOS DADOS CONTEO (MARCA UNA DIAGONAL

/ DONDE CORRESPONDA)

TOTALES

1 2 3 4 5 6 7 8 9 10 11 12

@ 106

actividades

expresivas

Probabilidad

Analiza estos resultados y responde las siguientes preguntas. Tienen todos los valores la misma probabilidad de aparecer? Qu valor es ms probable? Qu valor es menos probable? Compara tus resultados con otros equipos. Considera ahora la siguiente pregunta: En qu proporcin cae un doble cuando se tira un par de dados muchas veces? (Recuerda que un doble sucede cuando en los dos dados sale el mismo nmero.)

Para responder aprieta la tecla F9 100 veces y registra en la tabla de abajo si los valores de las celdas B4 y D4 coinciden o no.
LOS DOS DADOS CONTEO (MARCA UNADIAGONAL / DONDE CORRESPONDA) TOTALES

No coinciden Coinciden Divide ahora los totales para que obtengas esta proporcin. Cul es?

Por cada doble que sale, debe ocurrir que los dados no coincidan cinco veces. Dicho de otra manera, un doble aparece en promedio, una de cada seis veces. ste es el resultado que obtuviste? Por qu fue diferente? Guarda tu hoja de calculo para que la utilices en la sesin siguiente.

actividades

expresivas

107 @

Sesin 4 Nociones de Probabilidad II Temas a desarrollar.

Primer momento. Estimacin de probabilidades con Probability Explorer. Uso de software para la estimacin de probabilidades. Segundo momento. Desarrollo de un plan de clase para la temtica. Resumen de la temtica de nociones de probabilidad. Planteamiento de un experimento aleatorio basado en sucesos comunes. La probabilidad como una herramienta para la toma de decisiones.

Producto de la sesin.
Un plan de clase utilizando Excel o alguno de los materiales de software revisado basado en algn aspecto del plan de estudios referente al tema de probabilidad. Dicho producto deber ser subido a la plataforma como tarea del mdulo.

Usemos Probability Explorer.

Adems de Excel, existen muchos otros programas computacionales que nos permiten interactuar con lo aleatorio y generar experimentos. Las nociones que se analizaron la sesin anterior pueden ser apoyadas a travs de numerosos recursos que se encuentran disponibles en la red. Primeramente analizaremos la base de datos de manipulables virtuales y buscaremos un interactivo que permita iniciar con los conceptos probabilsticos. Actividad 1: Ingrese a la direccin: http://nlvm.usu.edu pulse primeramente en el enlace que dice Espaol.

Luego seleccione Anlisis de Datos y Probabilidad.

Seleccione el Interactivo Ruleta, analcelo y despus seleccione el interactivo Lanzamiento de una Moneda. Observe que el interactivo ruleta puede usarse desde educacin preescolar. No as el interactivo de la moneda, que se recomienda a partir de sexto de primaria.

Qu es inusual? Generalmente es algo poco probable. Pero, tenemos la intuicin de dicho trmino? Cmo lo podramos verificar? Utilizando el manipulable lanza una moneda 10 veces. Es inusual observar 5 o ms caras? Registra las veces que caen 5 o ms caras sucesivas. Experimentos Caras sucesivas Este ejercicio permite iniciar con la compresin de trminos ms avanzados. Por ejemplo la probabilidad de obtener 5 o ms caras sucesivas en 10 intentos es: 1 P 5= 10 5 2 Actividad 2: Siga las instrucciones del facilitador para trabajar con Probability Explorer. Use el manual rpido que aparece en el material del participante. Podemos realizar la actividad 1? 1 2 3 4 5 6 7 8 9 10

1 1 1 63 =252 = 0.25 2 32 32 256

Se cumple con los 10 experimentos anteriores? Por qu si? Por qu no?

Actividad FINAL (Tarea de la Semana) Despus de trabajar con Probability Explorer y formados en equipos realicen un plan de clase que ser aplicado durante la semana a alumnos de Secundaria. Realice un reporte al respecto y anote las observaciones de manera individual para exponer al inicio de la siguiente sesin y en plataforma.

Sesin 5 Representacin de la Informacin Temas a desarrollar.

Primer momento. Introduccin a la representacin de la informacin. Diferencias entre las distintas representaciones. Ejemplificacion mediante software. Segundo momento. Herramientas para la representacin. Uso de Excel para la representacin. Otras herramientas para la representacin de datos.

Producto de la sesin.
Cuadro sinptico con los distintos tipos de representacin.

Cmo representamos la informacin?

Cuando analizamos datos debemos representarlos de alguna manera coherente que permita su interpretacin adecuada. Dentro de las competencias necesarias y el perfil de egreso de educacin bsica, uno de los pilares ms importantes tiene que ver con la representacin de la informacin. El alumno debe tener los conocimientos y competencias necesarios, para, en su momento, poder representar adecuadamente la informacin proporcionada, esto se plantea como parte de uno de los rasgos deseables: Selecciona, analiza, evala y comparte informacin proveniente de diversas fuentes y aprovecha los recursos tecnolgicos a su alcance para profundizar y ampliar sus aprendizajes de manera permanente. Adems es una de la principales competencias para la vida (Plan 2006): Competencias para el manejo de la informacin. Se relacionan con: la bsqueda, evaluacin y sistematizacin de informacin; el pensar, reflexionar, argumentar y expresar juicios crticos; analizar, sintetizar y utilizar informacin; el conocimiento y manejo de distintas lgicas de construccin del conocimiento en diversas disciplinas y en los distintos mbitos culturales. Actividad 1: Analice la siguiente grfica:
Precipitacin Media Anual
Mxico
1000 900 800 700 600 Total

mm

500 400 300 200 100 0 1990 1995 2000 2005 2006 2007 2008 2009

Ao

y la siguiente:

Precipitacin Media Anual

Mexico
1990 1995 2000 2005 2006 2007 2008 2009

Cul tiene ms significado? Cul tiene errores? Por qu? En equipos describe los diferentes tipos de representaciones que conoces. La representacin adecuada de la informacin permite interpretar de manera correcta su significado y su significancia (ciertas representaciones son ms significativas para unos que para otros). Existen muchas maneras de representar la informacin, darle sentido. En particular utilizamos las representaciones tabulares para los datos en volumen y la representaciones grficas.

Curcio (1989) nos proporciona categoras de niveles comprensin de grficos y su informacin inherente. 1. Leer los datos (representados por la grfica) 2. Leer entre los datos (integrar y comprender la grfica) 3. Leer ms all de los datos (predecir e inferir a travs de la grfica) Actividad 2 Capture los siguientes datos en una hoja de excel:

Estos datos representan los niveles de partculas suspendidas en gotas de agua y la cantidad de lluvia diaria registrada en una estacin meteorolgica. Que grfico utilizara si lo que necesita en tratar de encontrar la relacin entre partculas y lluvia? Seleccione ambas columnas de datos e incorpore un grfico de lineas. Puede comparar los valores con esa grfica? Con la de barras? Explore con otros tipos de grficas. Cul es la que mejor nos permite la interpretacin de los datos?

Los tipos de datos a analizar y la informacin que requerimos obtener son lo que nos dictarn el tipo de grfico a utilizar. As como para datos estadsticos y muestrales, los grficos de dispersin son la representacin obligada para representar relaciones entre variables por lo que su utilidad es directa al tratar los temas al respecto del eje Sentido Numrico y Pensamiento Algebraico. Actividad 3: Analice y lea en equipo los anexos Nociones Bsicas de Estadstica y Estadstica Descriptiva. Genere por equipos un cuadro sinptico donde resuma los distintos tipos de representaciones analizados en los textos. Ingrese al sitio de manipulables http://nlvm.usu.edu y registre si existe un manipulable para observar alguna de las formas de representacin, haga lo mismo con el programa de hoja de clculo. Con este estudio complete el cuadro sinptico agregando que software utilizara hasta ahora para cada tipo de representacin (deje en blanco si no encuentra por el momento algn paquete).

Sesin 6 Representacin de la Informacin Temas a desarrollar.

Primer momento. Medidas de tendencia central y dispersin. Media, Mediana y Moda. Varianza y Desviacin Estndar. La dispersin como un ndice de probabilidad. La funcin Normal o de campana. Segundo momento. Ejercicios con software de medidas de tendencia central. Uso de Excel para el clculo de las medidas de tendencia central. Uso de Tinkerplots.

Producto de la sesin.
Por equipos generar un plan de clase modelo para la seleccin de datos y la construccin de las medidas de tendencia central, continuando las temticas utilizadas en los anteriores planes de clase.

Medidas de Tendencia Central

Que conocemos de las medidas de tendencia central? Actividad 1: Basados en la lecturas de la seccion 3.1. Medidas de Tendencia Central del anexo Conocimientos Matemticos. Estadstica. de Batanero y Godino, as como de las seccin de medidas de tendencia central del anexo Nociones Bsicas de Estadstica, trate de resolver los siguientes problemas: 1. En un elevador hay 5 mujeres y 3 hombres. El promedio de las mujeres pesa 56 Kg. El promedio de los hombres pesa 89 Kg. Cul es el promedio en peso de todos los ocupantes del elevador? 2. Observe las siguientes grficas de resultados de tiempos de respuesta en los frenos de los vehculos de dos marcas distintas A y B:

A
Cul recomendara y por qu? Realice por equipos un resumen donde justifique la seleccin de una u otra marca.

Actividad 2: Utilizando el anexo Estadstica descriptiva con Excel 2007, ingrese los datos que se le proporcionarn por plataforma y calcule las medidas de tendencia central de los datos. Actividad 3:

Utilizando el manual del anexo Tinkerplots 2.0, ingrese los datos que se le proporcionarn en plataforma y calcule las medidas de tendencia central de los datos. Actividad FINAL (Tarea) Utilizando Hoja de Clculo o Tinkerplots como software de ayuda, realice por equipos un plan de clase donde incorpore un problema tipo en el cual sea necesario una representacin de la informacin como paso intermedio para dar conclusiones. Pruebe el plan de clase con sus alumnos y registre las incidencias en un resumen que entregar a inicio de la siguiente sesin y en plataforma.

Sesin 7 Anlisis de Datos Temas a desarrollar.

El anlisis exploratorio de datos en educacin secundaria.

Producto de la sesin.
Construir un mapa conceptual de los parmetros ms importantes para la creacin de ejercicios adecuados que hagan que los alumnos usen las herramientas de anlisis de datos. Este mapa servir para la construccin del proyecto integrador de la sesin final.

Enfoques confirmatorio y exploratorio en el anlisis de datos

Las capacidades de clculo y representacin grfica de las computadoras actuales, permiten de una forma sencilla, la obtencin de una amplia variedad de grficos y estadsticos diferentes y han hecho posible la aparicin de una nueva filosofa en los estudios estadsticos: el anlisis exploratorio de datos, introducido por Tukey [3]. Anteriormente a este enfoque, el anlisis de datos se basaba fundamentalmente en el clculo de estadsticos, conduciendo a dos consecuencias: En primer lugar se disminua la importancia visual de la representacin de los datos, dndosela exclusivamente a los clculos y en segundo se equiparaba el anlisis con el modelo confirmatorio. En este tipo de anlisis el conjunto de valores de las variables observadas se supone que se ajusta a un modelo preestablecido, calculando los estadsticos para aceptar o no una hiptesis, que es previa a la toma de las observaciones, las cuales han sido recogidas con el nico propsito de poner tal hiptesis a prueba. Al contemplar solamente dos alternativas, confirmacin o no de la hiptesis, los datos no se suelen explorar para extraer cualquier otra informacin que pueda deducirse de los mismos. Para entender los principios por los que se gua el anlisis exploratorio, se ha de tener en cuenta que los datos estn constituidos por dos partes: la regularidad y las desviaciones. La regularidad indica la estructura simplificada de un conjunto de observaciones (en una nube de puntos, por ejemplo, es la recta a la cual se ajusta). Las diferencias de los datos con respecto a esta estructura (diferencia en nuestro caso respecto a la recta), representan las desviaciones o residuos de los datos, que usualmente no tienen por qu presentar una estructura determinada. Tradicionalmente el estudio se ha concentrado en la bsqueda de un modelo que exprese la regularidad de las observaciones. Por el contrario. el anlisis exploratorio de datos es bsicamente el desglose de los mismos en las dos partes que hemos citado. En lugar de imponer, en hiptesis, un modelo a las observaciones, se genera dicho modelo desde las mismas. Por ejemplo, cuando se estudian las relaciones entre dos variables, el investigador no solamente necesita ajustar los puntos a una lnea recta, sino que estudia los estadsticos, compara la lnea con los residuos, estudia la significacin estadstica del coeficiente de correlacin u otros parmetros para descubrir si la relacin entre las variables se debe o no al azar. Aunque los estadsticos calculados presenten un valor estadsticamente significativo (en el ejemplo, el coeficiente de correlacin sea significativamente distinto de cero), la relacin entre las variables puede no ajustarse bien a una lnea recta. En este caso al investigador le faltara descubrir algo importante: el modelo latente no es el esperado.

Caractersticas del anlisis exploratorio de datos Como hemos indicado, nos encontrarnos ante una nueva filosofa en la aplicacin de los mtodos de anlisis de datos, aunque unida a ella se han desarrollado tambin algunas tcnicas concreta para su aplicacin. Esta filosofa consiste en el estudio de los datos desde todas las perspectiva, y con todas las herramientas posibles, incluso las ya existentes. El propsito es extraer cuanta informacin sea posible, generar hiptesis nuevas, en el sentido de conjeturar sobre las observaciones de las que disponemos. Como contrapartida, tales hiptesis no quedan contrastadas en el sentido estadstico del trmino al finalizar el anlisis, por lo que seria preciso la toma de nuevos datos (una replicacin) sobre el fenmeno y efectuar sobre ellos un anlisis estadstico tradicional con el fin de contrastarlas. Por ello, el anlisis exploratorio se utiliza especialmente en las fases iniciales del estudio experimental en las diversas ciencias Biologa, Ciencias Humanas, Economa, en las que se dispone de poca informacin sobre los objetos bajo estudio, siendo especialmente til en el denominado paradigma cualitativo de investigacin. Al considerar la conveniencia o no de incluir un tema como objeto de enseanza hemos de tener en cuenta su utilidad y que este tema se halle al alcance de los alumnos. Adems de la utilidad, ya razonada, el anlisis exploratorio de datos tiene las siguientes caractersticas que lo hacen un tema apropiado de estudio en la enseanza secundaria: Posibilidad de generar situaciones de aprendizaje referidas a temas de inters para el

alumno. Lo usual es trabajar sobre un fichero de datos que han sido codificados previamente e introducidos en el ordenador, ya que se pretende estudiarlos mediante cuantas perspectivas y tcnicas tengamos a nuestro alcance. Estos conjuntos de datos pueden ser obtenidos por los mismos estudiantes, mediante la realizacin de una encuesta a sus compaeros sobre temas diversos, como caractersticas fsicas, aficiones, empleo del tiempo libre, etc., o incluyendo valores de variables relacionadas con otras reas curriculares obtenidos en anuarios o publicaciones estadsticas. Fuerte apoyo en representaciones grficas: Una idea fundamental del anlisis exploratorio de datos es que al usar representaciones mltiples de los datos se convierte en un medio de desarrollar nuevos conocimientos y perspectivas. Esto puede ejempliflicarse al pasar de tablas a grficos, de lista de nmeros a representaciones como la del tronco, reduciendo los nmeros a una variedad discreta en un mapa estadstico para facilitar la exploracin de la estructura total, construyendo grficos, como el de la caja que hace posible la comparacin de varias muestras. (Biehler [4],pg.2). Empleo preferente de los estadsticos de orden, porque son sensibles a la mayor parte de los datos y con ellos se disminuye el efecto producido por los valores atpicos, escasos y muy alejados de la norma. No necesita una teora matemtica compleja, Como el anlisis de datos no supone que estos se distribuyen segn una ley de probabilidad clsica (frecuentemente la normal, no utiliza sino nociones matemticas muy elementales y procedimientos grficos fciles de realizar. Hasta aqu es, pues,. bastante parecida a la estadstica descriptiva tradicional, pero se aleja de ella por su intencin. Pues, al contrario que en ella, la representacin o el clculo no son en el anlisis exploratorio de datos un fin, sino un medio de descubrir la informacin oculta en los mismos. Jullien y Nin [5]. pgs. 30-3 1.) Uso de diferentes escalas o reexpresin: La escala en la que una de las variables es observada y registrada no es nica. A veces, transformando los valores originales de la variable a una nueva escala se puede lograr que dichos valores sean ms manejables. De este modo se incluye tambin el empleo de otros contenidos matemticos, especialmente los referidos al concepto de funcin y el estudio de las propiedades de las funciones elementales.

En resumen, como indica Biehler [4], pg. 5: El currculum tradicional de Estadstica Descriptiva debiera transformarse en direccin al anlisis exploratorio de datos. Seria esencial, sin embargo, dar apoyo sustancial a la actitud investigadora, contra la tendencia de la mayor parte de las transposiciones didcticas de reducir el conocimiento a la tcnica. C. Batanero, A. Estepa y J. D. Godino, AED: Sus posibilidades en La Escuela Secundaria.

Actividad 1: AED a mano. Utilizando Diagramas de Caja.

Los Diagramas de Caja o Boxplots se construyen utilizando 5 estadsticos de la distribucin de frecuencias: el mnimo, el primer cuartil Q1, la mediana, el tercer cuartil Q 3, y el mximo. Tambin se requiere calcular el intervalo intercuartilico IR=Q3Q1

Al analizar los pesos de los alumnos de una clase se obtuvieron los siguientes datos: Peso en Kg. Hombres 55 64 70 74 75 70 64 93 60 62 70 80 61 60 62 68 65 65 66 68 70 72 72 71 Mujeres 60 45 46 50 47 55 49 52 50 46 50 52 52 48 52 63 53 54 54 54 53 55 57 44 56 56 56 53 60 65 67 61 68 55 64 60

Construya el Diagrama de Caja y explique los resultados. Ingrese a http://nlvm.usu.edu yescoja el manipulable de diagrama de caja. Ingrese los datos y corrobore los resultados que obtuvo. Abra Tinkerplots e ingrese los datos del problema. Construya el Boxplot y comparelo. Hubo diferencia? Compare la forma de construccin y el resultado que obtuvo a mano con el que recomienda el plan de estudios de matematicas 2006 de la RS. Cul es la diferencia? Por qu? Cual usara ud.? Actividad 2: Volvamos al primer ejercicio del mdulo:

Resuelva el ejercicio y explique por que de la respuesta. Como hemos estudiado, una de las razones del estudio del eje de tratamiento de la informacin es que los alumnos logren expresar juicios crticos y fundamentados acerca de situaciones en la vida cotidiana. Como nos dicen Batanero et al (1991), el AED permite realizar esa tarea tan importante y apartarnos de nicamente dejar al alumno en el anlisis de descriptivo, dar valores a los estadsticos, y pasar a desarrollar conclusiones sobre la informacin obtenida.

Actividad 2: Los siguientes son los puntos obtenidos por Elena y Mara en las prcticas semanales de basquetbol. El entrenador duda entre escoger una u otra. Cul debera escoger y por qu?

Concluyamos con una actividad de reforzamiento. Actividad 3: Cajeme es un municipio del estado de Sonora. Tiene una superficie de 403,711 has. La distribucin de dichas hectreas por tipo de uso es el siguiente:

Cuantas son las hectreas que se usan para el ganado? De las hectreas para uso agrcola el 59.4% usa sistema de riego. De cuntas hectreas estamos hablando? Que implicaciones pudiera tener toda esta informacin? Comparta en plenaria las conclusiones.

Sesin 8 Construccin de un Proyecto Educativo con Tecnologas para el Eje de Tratamiento de la Informacin. Temas a desarrollar.
Primer momento. Recapitulacin de la informacin vista en el mdulo. Exposicin de las experiencias de aplicacin de los planes de clase. Segundo momento. Creacin de un proyecto educativo con tecnologas.

Producto de la sesin.
Construir un proyecto educativo de clase que permita trabajar los temas de tratamiento de la informacin con tecnologas siguiendo la dinmica expuesta en la reforma 2006 de educacin secundaria, as como las herramientas tecnolgicas presentes en el aula, principalmente del programa Habilidades Digitales para Todos. El participante tambin comprender las competencias que se van incorporando y desarrollando al trabajar el eje de tratamiento de la informacin a travs de un proyecto de estas caractersticas. Propondr una manera de evaluar dicho proyecto basado en las competencias bsicas que se ven involucradas y las constrastar con aquellas requeridas para cada grado de educacin secundaria.

ACTIVIDAD DE CIERRE DE MODULO. Por equipos construya un proyecto educativo utilizando Tecnologa que apoye la enseanza del eje de Tratamiento de la Informacin. El proyecto debe de contener las siguiente informacin: Grado del proyecto. Bloque o bloques que impacta. Competencias a fortalecer. Aprendizajes esperados. Conocimientos previos y/o ruta de aprendizaje. Calendario de actividades. Forma de evaluacin del proyecto.

El proyecto debe de tener una duracin esperada de ms de una sesin y tener productos de cada actividad propuesta y 1 producto final para evaluacin del proyecto. Los proyectos terminados sern incorporados al sitio: Proyectos Colaborativos y Secuencias Didcticas del Departamento de Tecnologa Educativa para ser realizados por los docentes de todo el estado.

Bibliografa
ARTEAGA, P y BATANERO, C. Relating graph semiotic complexity to graph comprehension in statistical graphs produced by prospective teachers. Proceedings of the CERME 7, Rzeszw, Poland. 2011. C. Batanero, A. Estepa y J. D. Godino, AED: Sus posibilidades en La Escuela Secundaria. Suma, n 9, 1991: 25-31 LUPIAEZ, JOSE LUIS, Seleccin de Tareas y Competencias Matemticas. Los Materiales y Recursos. Universidad de Granada. Fuengirola. 2007. NCTM, (2000) , Principles and Standards for School Mathematics, National Council of Teachers of Mathematics; Tercera edicin, Reston, VA, 402pp. SEP, Reforma y plan de estudios de la educacin secundaria 2006. DGME. Mxico. 2006. SEP-ILCE,(2000) Matemticas con la Hoja Electrnica de Clculo, DGME, Mxico, 2000. SEP, (2000) Fichero de Actividades Didcticas, DGME, 2000. SEP, (2001) Libro del Maestro Matemticas Secundaria, DGME, 2001. Universidad de Chile (2008) Nociones Bsicas de Estadstica en Educacin. Documento Electrnico. Descargado 05/09/2011. http://www.demre.cl/text/doc_tecnicos/p2009/estadistica_descriptiva.pdf Universidad de Massachusetts en Amherst. Tinkerplots 2.0 Help. Recuperado y Traducido: 05/09/2011. Utah University (2007) National Library of Virtual Manipulatives. NVLM. Sitio Web. http://nlvm.usu.edu

LECTURAS Y MANUALES

GUIA RPIDA DE PROBABILITY EXPLORER.

Probability Explorer (Stohl, 1999-2005) es una aplicacin de software basada en investigacin diseada con herramientas que permiten a los estudiantes y los profesores para disear, simular y analizar una variedad de situaciones probabilsticas. El entorno de software puede ser utilizado para las actividades de los grados superiores de primaria hasta preparatoria. Probabily Explorer (PE) fue diseado a propsito como un entorno abierto de aprendizaje con mltiples formas de representar los datos para que los estudiantes participen en el diseo, simulacin y anlisis de los resultados de experimentos de probabilidad. En un nivel fundamental, los datos se representan en el PE con los iconos generados al azar que se pueden clasificar, apilar (en un pictograma) o alineados en la secuencia en que ocurrieron. Un grfico de pastel (frecuencia relativa), grfico de barras (frecuencia), y la tabla de datos (cuentas, fracciones, decimales y porcentajes) tambin estn disponibles para mostrar los resultados, tanto en forma esttica como dinmica, cambiante durante una simulacin.

Uso general de probability explorer (PE).

Para iniciar PE pulse en el icono correspondiente. Esto iniciar el micromundo. Cuando el micromundo se abre, el usuario puede elegir un experimento con monedas, dados de 6 caras, y canicas en una bolsa, o la opcin de disear su propio experimento.

Con la opcin de "Disea tu propio experimento", el usuario es llevado a la pantalla siguiente.

Hay muchos iconos del mundo ldico y real entre los que elegir para el diseo de un experimento nico.Los nios pueden, jugando, idear sus experimentos, o use los iconos para modelar fenmenos del mundo real como el tiempo. Con todos los experimentos, con excepcin de la bolsa de canicas, los usuarios pueden utilizar la herramienta de peso para cambiar la probabilidad de un resultado y cambiar el Peso de la herramienta en tres diferentes puntos de vista. Se trata de un diseo especfico para conectar el aprendizaje de la probabilidad con nmeros racionales y el razonamiento proporcional. 1) Peso: una relacin parte-parte (3:1:2) como en el azar. 2) Peso / (peso total): una relacin parte-todo (3 / 6, 1 / 6 y 2 / 6) como en probabilidad. 3) Porcentaje: muestra un por ciento del total y que la probabilidad total debe ser 100%.

En el experimento de una bolsa de canicas, un usuario puede realizar cualquier combinacin de 6 colores diferentes en la bolsa, para realizar un experimento con reemplazo.

Para estudiantes que necesitan ayuda para conectar los conceptos de parte / todo dentro de la relacin de probabilidad, el herramienta de Peso se puede mostrar junto con la bolsa de canicas y se actualizar de forma dinmica como vayamos incorporando canicas generadas en la bolsa. Con un experimento de bolsa de canicas diseado anteriormente, una simulacin de 100 realizaciones con remplazo fue realizada y se obtuvieron los resultados de la grfica inferior. Los resultados estn alineados en el orden en que ocurrieron y las grficas de pastel y de barra son visibles. Adems, las imgenes de los grficos se han copiado y guardado como una imagen la seccin de notas para que los estudiantes se refieren a ellas en una sesin posterior de anlisis. Este tipo de capacidad de diseo fomenta la reflexin sobre los datos y la capacidad de ver las tendencias a travs de conjuntos de datos.

Si un usuario disea un experimento y quiere simular dos eventos a la vez, el entorno de software puede ser utilizado para explorar las ideas a partir de combinaciones y permutaciones. Los datos son simulados en parejas y se pueden apilar ya sea ordenados o no ordenados para que los estudiantes puedan analizar los datos en dos formatos diferentes. Muchos de los estudiantes inicialmente analizan experimentos (por ejemplo, el anlisis del juego de piedra, papel y tijeras) teniendo en cuenta slo los 6 resultados posibles, ya que no toman en cuenta el orden (jugador A y luego jugador B). Estos dos puntos de vista diferentes puede ayudar a los estudiantes a entender la importancia del orden.

Manual Rpido de TinkerPlots Version 2.0

Introduccin
TinkerPlots es software de desarrollo para la visualizacin y simulacin de datos. Con l, los estudiantes pueden crear datos con una toma de muestras, introducirlos datos que se recogen o buscar en Internet, y puede crear sus propios resmenes estadsticos (con grficos o tablas) de estos datos. Tambin pueden utilizar TinkerPlots para producir informes que incluyen estos grficos, junto con el texto que explica sus resultados y fotos hasta que tome o localizar en Internet. Lo que hace TinkerPlots diferente de cualquier otro paquete de "grficos" u hoja de clculo es que, con TinkerPlots, los estudiantes realmente pueden disear sus propios resmenes estadsticos. Esto les da una sensacin de estar en control de lo que producen. Al igual que un procesador de textos u hoja de clculo, TinkerPlots es una herramienta general que los profesores y los estudiantes vern de utilidad a travs de una amplia gama de temas. Viene con una variedad de listas para el anlisis de las colecciones de datos, elaborada a partir de temas como matemticas, ciencias, historia, geografa, salud, deportes, y mucho ms.

Trminos utilizados en Tinkerplots

Coleccin (Collection) Una coleccin es un conjunto de datos acerca de varios casos. Por ejemplo, la coleccin encontrada en Cats.tp, que viene con TinkerPlots, contiene informacin sobre 24 gatos. Caso (Case) Un caso es la unidad bsica de un conjunto de datos o coleccin. Por ejemplo, en una coleccin de gatos, cada gato es un caso. En una coleccin de diferentes pases del mundo, cada pas es un caso. La informacin sobre cada caso se registra en una tarjeta de las tarjetas de datos. Cada caso tiene tambin un icono de caso en una pantalla de salida de TinkerPlots. Atributo (Attribute) Casos tienen atributos (tambin conocidos como variables). Por ejemplo, una coleccin de gatos podran incluir, por cada gato, el gnero, longitud, y color del pelo. Los nombres de atributos de una coleccin se enumeran en el lado izquierdo de cada tarjeta de datos. Valor (Value) Cada caso tiene un valor para cada atributo. Un gato en particular puede tener los valores de "Hombre" de gnero, "21" de longitud, y "Negro" para color de pelo. El valor aparece justo a la derecha del nombre del atributo en las tarjetas de datos. Atributo numrico (Numeric Attribute)

Un atributo numrico, como la longitud o la edad, tiene nmeros para los valores. Puede representar los atributos numricos en una recta numrica y encontrar a su media. Atributo categrico (Category Attribute) Un atributo categrico tiene valores que son letras o palabras. El gnero es un atributo categrico con los posibles valores de "Hombre" y "Mujeres". Color de pelo es tambin un categrico con los valores de "Negro", "Blanca", "Pinto", Barsino, y as sucesivamente. Puede representar grficamente los atributos de la categora por la separacin de los casos en sus diferentes categoras. A diferencia de los atributos numricos, no puede representar los atributos de la categora en una recta numrica o encontrar su media. Barra de Colores de Atributos (Attribute color bar) A la izquierda de cada nombre de atributo en las tarjetas de datos est una barra de color del atributo que muestra el esquema de color utilizado para ese atributo. En una tabla de casos, la barra de colores est por debajo de un nombre de atributo. Puede modificar el esquema de color de un atributo haciendo doble clic sobre la barra de color.

Atributos seleccionados (Selected Attribute) Este es el atributo seleccionado en las tarjetas de datos o tabla de casos. Cuando se selecciona un atributo, un rectngulo de color gris alrededor de su nombre en las tarjetas de datos, y los iconos del caso en la trama de color con paleta de colores de atributo. Impresin Colorizada (Color Plot) Cuando se selecciona un atributo de las tarjetas de datos, los iconos del caso toman los colores seleccionados para dicho caso. Para los atributos numricos, como la edad, los iconos de casos son de color con un gradiente de colores diferentes-rojo, por ejemplo. Los casos con los valores ms grandes tienen el tono ms oscuro (rojo oscuro, por ejemplo), mientras que los casos con los valores ms pequeos son casi blanco. Para los atributos categricos, los iconos de casos con diferentes valores se colorean con matices distintos, como el rojo, verde y morado. Contenedores (Bins) Contenedores son divisiones de las pantallas de salida de Tinkerplots que contienen todos los casos de un tipo determinado. Los contenedores estn separados por lneas gris claro. Es posible que desee tener "hombres" y "mujeres" en recipientes separados, por ejemplo. Para un atributo numrico como la edad, puede colocar los 16-23 aos de edad en una bandeja, 24-31 en la 32-39 que viene, en el siguiente, y as sucesivamente.

Atributo totalmente separados (Totally separated bins) Cuando se separa un atributo en un contenedor tanto como sea posible dentro de una pantalla de salida, el atributo se denomina que est totalmente separado. Cuando un atributo numrico, tal como la edad es totalmente separado, el eje aparece como una lnea continua y las marcas de separacin no estn visibles.

Los casos excluidos (Casos excluidos) A menudo, un caso no podr contar con un valor de un atributo. La edad de un gato, por ejemplo, podra haber sido dejado en blanco porque era un gato callejero y nadie saba su edad. En este caso, cuando el atributo Edad est seleccionado, el icono del caso para que dicho gato se pondr color gris. Si pones la edad en un eje de la trama, el icono del caso se trasladar a la parte derecha de la ventana de dibujo en la seccin de casos excluidos. Adems, suponga que quera que su grfica slo mostrara los gatos que eran mayores de 2 aos. Usted puede establecer el valor mnimo del eje de Edad en 2, lo que provocara que todos los gatos menores de 2 aos entraran en la seccin de casos excluidos. Tipo de Icono de Caso (Case Icon Type)

Hay varios tipos de iconos de caso que usted puede elegir para un grfico TinkerPlots, incluyendo crculo (por defecto), cuadrado, barra de valores, y el rectngulo difuminado. Cambiar el tipo de icono de caso le permite hacer una grfica con iconos de gatos, por ejemplo. Frmula en Atributo (Attribute Formula) Puede utilizar una frmula dentro de un atributo para calcular los valores de un atributo. Por ejemplo, podra utilizar una frmula para convertir las alturas medidas en pulgadas a la altura medida en centmetros, o de dividir el atributo ingreso de varios pases por el atributo poblacin para hacer un nuevo atributo, Ingreso por Poblacin.

Trabajando con documentos Tinkerplots.

Partes de un documento.
La imagen inferior muestra las partes de una pantalla de salida de tinkerplots. Cuando abrimos un documento nuevo esta pantalla aparece en blanco. Debemos arrastrar un objeto de la barra de objectos (Object toolbar) para ir creando nuestro reporte Tinkerplots.

Los documentos en Tinkerplots estn formados por graficadores (plots), tablas de caso, tabla de propiedades y texto (como ttulos y resmenes).

Crear un nuevo documento.

Seleccione New del men File.

Iconificar objetos y presentarlos en otra ventana.

Los objetos dentro de una pantalla de tinkerplot puede iconificarze para mejorar su visualizacin. Para iconificar hay que hacerlo pequeo y el sistema automticamente lo convertir en un cono.

Para volverlos a su tamao normal hay que arrastrar la esquina del icono hasta que lo hagamos del tamao deseado. Tambin podemos mandarlos a una ventana nueva. Para esto seleccionamos el objeto y pulsamos derecho para activar el men contextual, seleccionamos a su vez la opcin View in Window.

Trabajando con Colecciones.

En TinkerPlots, los conjuntos de datos, o las colecciones, se almacenan en una pila de tarjetas de datos o tabla de casos. Con las tarjetas de datos se puede ver un caso en el momento, agregar o cambiar los datos, arrastre los atributos en las pantallas de grficos, y cambiar el esquema de color de los atributos. Puede utilizar otros objetos, es decir, las tablas de casos y las pantallas, para ver los datos de muestra de otras maneras.

Haciendo una nueva coleccin.

Hay dos manera de crear una nueva coleccin. Introduciendo valores con tarjetas de datos o con tablas de casos. La primera forma incorpora un caso, experimento o muestra a la vez, incorporando informacin sobre el caso (a travs de los atributos) como si fueran tarjetas o cartas de una baraja. Este tipo de forma de introducir datos es la mas sencillas pero la mas laboriosa.

La segunda forma incorpora los datos en forma tabular. Cada columna es un atributo y cada fila un caso, muestra, experimento o realizacin. Usando Tarjetas de casos. 1. Abra un archivo nuevo, pulsando en File y despus en New. 2. Arrastre el objeto de pila de cartas desde la barra de objetos hacia el documento. Esto crear una pila de cartas o casos en el documento nuevo. 3. En cada tarjeta, pulsa doble en la seccin que dice < new attribute> para incorporar un nuevo valor para la tarjeta. Primero hay que darle nombre al atributo: por ejemplo Peso. Una vez dado el nombre automticamente se nos dar la opcin de colocar el valor para ese atributo en la columna Value. 4. Para incorporar un nuevo atributo hay que pulsar doble en la seccin de nuevo atributo justo abajo de donde dejamos el anterior atributo. 5. Para crear un nuevo caso, hay que pulsar en la flecha derecha justo en la esquina superior derecha de la pila de cartas. 6. Guarde inmediatamente para no perder la informacin. Usando Tablas de casos. 1. Abra un archivo nuevo, pulsando en File y despus en New. 2. Arrastre el objeto de tabla de casos desde la barra de objetos hacia el documento. Esto crear una nueva tabla de casos en el documento nuevo. Los nombres de los atributos se incorporan en la primer fila y cada color descriptivo del caso en la primer columna. Esto asemeja mucho a hoja de clculo. 3. Pulse en el titulo de cada columna, donde dice new para incorporar un nuevo atributo.

4. Grabe inmediatamente su trabajo.

Trabajando con atributos.

Un atributo es un rasgo o caracterstica de un caso. Si usted recolect datos sobre el peso que sus estudiantes llevan en sus mochilas, peso de la mochila sera uno de los atributos que estara interesado en ingresar. Tambin podramos obtener de sus estudiantes el grado, sexo, edad y peso corporal. Cada una de estas caractersticas es tambin un atributo. En las tarjetas de datos, los nombres de atributos se enumeran en la columna de la izquierda. En las tablas de casos, los atributos se enumeran en la fila superior. En las pantallas, los casos estn dispuestos a lo largo del eje vertical u horizontal de acuerdo a los valores de sus atributos.

Algunos atributos tienen unidades. La altura se puede medir en centmetros, por ejemplo, y el peso se puede medir en kilos. Usted puede entrar la unidad de medida en la columna de Unidad de las tarjetas de datos. A diferencia de los nombres de atributos, los nombres de las unidades pueden tener espacios y smbolos ("$ dlares EE.UU.", por ejemplo). Para entrar una unidad de medida, 1.En las tarjetas de datos, haga clic en la columna de la Unidad del atributo. 2. Escriba el nombre de la unidad. 3. Pulse Intro. De manera predeterminada, la unidad aparecer junto con el nombre del atributo en los ejes del grfico. Para controlar esta opcin de visualizacin, seleccione la pantalla adecuada y elija Hide Attribute Units en el submen de opciones del men Plot. Tambin puede ver y agregar unidades en una tabla de casos. Primero es necesario que la fila de unidades sea visible, para esto seleccione Show Units en el men Options que se encuentra en la parte superior derecha de la tabla de casos.

Agregando nuevos casos.

Para agregar nuevos casos: En una tarjeta de casos:

Como vimos es sencillo agregar un nuevo caso en una tabla de casos, solo hay que seleccionar el ltimo caso y pulsar flecha abajo. Ingresar un nuevo valor y pulsar Enter. En una pantalla: Hay que pulsar el icono de Add Case.

Trabajando con el muestreador (Sampler)

Puede utilizar un sampler para modelar los procesos probabilsticos y la generacin de datos. Por ejemplo, usted puede construir un modelo de toma de muestras para lanzar una monedas (sesgada o no) o la probabilidad de lluvia, ejecutar la toma de muestras y recolectar datos en una tabla de resultados, y analizar los datos de la tabla de resultados en una pantalla para explorar las cuestiones acerca de la probabilidad de varios eventos. Vistazo al Muestreador. Para agregar un sampler a su documento, arrastre el icono de la toma de muestras de la barra de herramientas de objetos en el documento.

Para cambiar el tipo de dispositivo de un mezclador (o bolsa de canicas, por defecto) a una ruleta u otro dispositivo, arrastre el nuevo dispositivo al ya existente. Para aadir un elemento a un dispositivo (mezclador, ruleta, barras o pilas), sita el cursor sobre el dispositivo, haga clic en el botn + debajo del dispositivo. Para quitar un elemento de un dispositivo, haga clic en el - (menos) abajo del dispositivo. Esto elimina el ltimo elemento aadido. Para eliminar varios elementos a la vez, arrastre un rectngulo de seleccin alrededor de ellos, a continuacin, haga clic en el botn -. Ajuste el nmero de elementos por resultado, cambiando el valor del atributo Draw.. Ajuste el nmero de resultados recogidos por realizacin, cambiando el valor del atributo Repeat. Ajuste la velocidad de muestreo mediante el ajuste del regulador de velocidad de ejecucin. Para iniciar la recopilacin de datos, haga clic en el botn RUN. Detener la recopilacin de datos, haga clic en el botn Detener o pulse la tecla Esc. Haga una pausa la recopilacin de datos haciendo clic en el botn de pausa. El men desplegable de opciones en la parte inferior izquierda del dispositivo incluye varias opciones, incluyendo el muestreo sin reemplazo.

Partes del Muestreador.

La siguiente figura muestra un muestreador a la izquierda. El dispositivo en el muestreador (mezclador) se ha llenado con dos elementos, una H y T una, y est diseado para representar la situacin de lanzar una moneda tres veces (Draw 3). Al hacer clic en el botn RUN crea automticamente la tabla de resultados a la derecha. Se muestran los resultados de la ejecucin del muestreador cinco veces (repetir 5). El atributo Join combina los resultados de cada tres juntos en un solo atributo.

Tipos de Dispositivos en un Muestreador.

Hay seis tipos de dispositivos se pueden utilizar en la toma de muestras. Aqu se da una breve descripcin de ellos y para lo que cada uno es particularmente til.

Mezclador y Pilas. Usted puede llenar los mezcladores y las pilas con un cierto nmero de elementos discretos. Mezcladores son muy tiles cuando se tiene un pequeo nmero de elementos para entrar, como en el mezclador mostrado abajo, diseado para modelar el lanzamiento de una moneda. Simplemente haga clic en el botn + en la barra de dispositivo para agregar ms elementos y haga clic y edite los nombres de los elementos. Tambin son tiles cuando se tienen muchos elementos distintos, como los estudiantes mencionados por su nombre.

Para ingresar un gran nmero de elementos duplicados, utilice el dispositivo pilas. Supongamos, por ejemplo, que desea determinar las probabilidades asociadas con muestrear a los nios y nias de una escuela en la que hay 41 nios y 45 nias. Para ello sera necesario mucho trabajo para entrar directamente los valores a un mezclador. En un dispositivo de pilas, basta con editar las etiquetas a lo largo del eje inferior. Luego, utilizando el cursor, puede arrastrar la parte superior de cada pila, para ajustar el nmero en la pila. Tambin puede seleccionar Show Count del men del dispositivo en Options en la esquina inferior izquierda del dispositivo, y luego editar el nmero que aparece arriba de cada tipo de elemento.

Dado que los dispositivos de mezcla y las pilas tienen un nmero fijo de elementos discretos, se puede muestrear de ellos, ya sea con (por defecto) o sin reemplazo. Para especificar el muestreo sin reemplazo, seleccione Replacement | Without Replacement en el men de opciones del dispositivo. La parte superior o "apertura" de la mezcla o de las pilas va a cambiar cuando se establece "sin sustitucin", mostrndola abierta para sugerir que los elementos salen para no regresar. Cuando se ejecuta la toma de muestras a baja velocidad, se puede ver como los elementos son eliminados uno a uno conforme el muestreo contina.

Ruleta y Barras Las Ruletas y las barras consisten en elementos que tienen reas en lugar de las frecuencias. Puede ajustar estas reas, ya sea por arrastre directamente en el dispositivo, o mediante la seleccin de Show Percent o Show Proportion en el men Options de dispositivo, y editar los valores. Para hacer que todos los elementos sean iguales, tambin puede seleccionar los Equalize Angles (para la ruleta) o Equalize Heights (para las barras) en el men de opciones del dispositivo. Supongamos que queremos un modelo de moneda que se inclinaba ligeramente a favor de la cara. Una forma de hacerlo sera crear, por ejemplo, 3 caras y 2 cruces en un mezclador. Pero si usted quiere un sesgo muy pequeo, tendra que aadir, por ejemplo, 100 elementos y que 51 de ellos fueran caras y 49 fueran cruces. Usando la ruleta, se puede crear un pequeo sesgo arrastrando el lmite entre las dos rebanadas, como se muestra a continuacin.

Algunas personas encuentran que la ruleta es la manera ms fcil para modelar diversos dispositivos de azar, como los dados, que consisten en un nico objeto con mltiples caras o elementos. Las barras son tiles cuando se tienen muchos elementos diferentes con una variedad de probabilidades. Por ejemplo, suponga que desea hacer una distribucin del nmero de minutos que tiene que esperar para el siguiente autobs. Usted puede especificar un rango de, por ejemplo, de 0 a 10, que inicialmente le da una serie de barras que estn a la misma altura y por lo tanto de igual rea (una distribucin uniforme). Haciendo clic y arrastrando el cursor sobre cada barra, usted puede cambiar la altura de estas barras para dibujar una forma aproximada a la distribucin (nocin de distribucin). La forma en este ejemplo sugiere que lo ms probable es que el prximo autobs llegar dentro de 7 minutos.

Dado que las barras y la ruleta se componen de reas en lugar de nmeros discretos de elementos, no se puede muestrear de ellos sin reemplazo. Curva de Distribucin. La curva de distribucin permite ampliar las posibilidades del dispositivo de barras, al crear un rea bajo una curva que represente las probabilidades de una distribucin particular.

Contador de Datos. El contador de datos permite construir una distribucin emprica sistemtica, esto es que sus valores siempre sern los mismo para cada experimento.

Trabajando con Pantallas (Plots)

TinkerPlots no tiene un men de tipos de grficos. No tiene grficos de dispersin, histogramas o grficos circulares. En TinkerPlots, la construccin de grficos sea hace de manera progresiva mediante la organizacin de los iconos en las pantallas o plots. Se utilizan comandos como ordenar, separar y apilar y diferentes tipos de iconos y sus opciones para crear lo que quieres lo que se denomina escenarios o stages. Casi todas las operaciones trabajan con todas las dems operaciones, y mediante la combinacin de estos se puede hacer muchos tipos de grficos. Debido a esto, la mejor manera de aprender TinkerPlots es simplemente empezar a experimentar con el programa. Partes de las Pantallas

Para crear una pantalla hay que arrastrar el icono de Plot hacia el documento. Si la pantalla est en blanco es por 2 razones: O no hemos ingresado ningn dato. O tenemos dos o ms colecciones de datos en el documento, por lo que hay que relacionar una pantalla con una coleccin en particular. Operaciones Bsicas. Las operaciones bsicas con los datos en las pantallas, son: Apilar Ordenar. Separar

Apilar simplemente apila los elementos ya sea vertical u horizontalmente. Ordenar, ordena los valores de acuerdo a un atributo seleccionado. Separar, separa los elementos en categoras de valores.

Creando Grficos y Tablas comunes.

Grfico de puntos apilados. La figura muestra la forma de crear un grfico de un atributo nmerico mienstras mostramos los casos individuales de una manera separada y limpia.

Para generarlo: 1. Arrastre un atributo numrico desde una tarjeta de datos hacia el eje horizontal. La pantalla mostrar la zona en la que la podemos dejar, justo en la parte inferior de la zona de dibujo. 2. Separar completamente al atributo. Seleccionar un caso y arrastrarlo hacia la derecha para eliminar las marcas de los bines.Esto separar el atributo de manera horizontal. 3. Pulsar el botn de apilar verticalmente. Este grfico se puede convertir a este:

Si arrastramos un atributo categrico al eje vertical. Lo cual hace til en analizar distribuciones de diferentes poblaciones por ejemplo. Grficos de barras. Un grfico de puntos puede convertirse en barras como este

si pulsamos el boton Count N de la barra de herramientas de pantalla. Histrograma

Para crear un histograma como este

Podemos iniciar con el grfico de puntos, pero conservando los bines (paso 2), hasta un mximo de 8. Luego pulsamos Stack Vertically apilar verticalmente y luego Fusionar (Fuse) Rectangularmente, de la barra de tipos de icono.

Grficos de Pastel. Para generar grficos de pastel:

1. Selecciona la opcin de icono a Fusion Circular Fusionar circularmente. 2. Colocar un atributo en el eje horizontal. 3. Colorea con otro atributo. Selecciona que atributo vas a utilizar para colorear el grfico. 4. Ordena los valores. Crear un diagrama de caja.

1. Selecciona un atributo y colcalo en el eje vertical. 2. Separa el atributo completamente. Arrastra un caso todo hacia la derecha hasta que desaparezcan los bines. 3. Selecciona boxplot al pulsar en la marca de triangulo a la derecha del icono de grficoHat.

Haciendo un reporte
TinkerPlots cuenta con las herramientas bsicas necesarias para escribir e imprimir un informe, pero TinkerPlots no es un procesador de textos. Si su informe es largo y complejo, quizs sea mejor copiar los resultados de TinkerPlots y pegarlos en otra aplicacin diseada especficamente para la redaccin del informe. Para un ejemplo de un informe, consulte Backpack Report.tp, localizado en la carpeta de demostracin. Texto 1. Arrastra el icono de texto a un lugar dentro de del documento.

2. Escribe texto dentro. Solo algunas consideraciones: Para editar el texto (formateo del texto) se debe visualizar la herramienta de formato de texto, desde el menu Edit. Se pueden tener un numero indeterminado de cuadros de texto. Si un cuadro de texto no contiene nada, se le incorpora un borde gris para su fcil localizacin y manipulacin. Tambin se puede copiar y pegar imgenes y texto desde otras aplicaciones hacia Tinkerplots para enriquecer lo que contiene un reporte. A su vez podemos copiar las pantallas de Tinkerplots hacia otra aplicacin, seleccionando Copy Picture del menu Edit al seleccionar un objeto de un documento. Solo cabe recordar que si realizamos algn cambio necesitaremos repetir la operacin ya que el objeto se copia a la aplicacin destino como Imagen.

Crditos
Traduccin: M.C. Edmar Mota Garca
Software Designers: Clifford Konold, Craig D. Miller Lead Software Engineer: Craig D. Miller Development Team: Clifford Konold, Craig D. Miller, Laurel Shortell, Sibel Kazak, Khalimahtul Khalil, Amy Robinson, Rachel Wing, Ibrahim Dahlstrom-Hakki, Antony Partensky, Stephen Chu, Leonid Vainerovsky

Collaborating Software Engineers: Kirk Swenson, William Finzer, Matt Litwin, Scott Johnson, Rommel Manuel Design Consultants: Rich Lehrer, Josh Konold Icon Design: Suzanne Anderson, Stephen Chu, Dan Konold, Craig D. Miller Activity Consultants: Julie Downs, John Gambino, Anthony Harradine, Jim Hammerman, Minjoung Kim, Kosoom Kreetong, Rich Lehrer, Dick Lesh, Deborah Lucas, Andee Rubin, Leona Schauble, Mike Shaughnessy, Jim Williamson, Arthur Bakker, Rick Billstein, Amy Brodesky, Susan Friel, Meg Meyer, Jim Williamson
Field Test Teachers: Deborah Lucas, Nancy Moriarty, Amy Doherty, Ann Frederickson, Rebecca Gibson, Jim Hammerman, Teri Hedges, Kathy Jansen, Jim Mamer, Doug McFarlane, Bill O'Connor, Jim Stoddard, Linda Tetley

Advisors: Heather Dever, Amy Doherty, William Finzer, Ira Papick, Steve Rasmussen, Paul Velleman, Uri Wilensky, Joan Garfield, Robert Gould, Koeno Gravemeijer, Richard Lehrer, Andee Rubin Evaluators: Joan Garfield, Robert Gould
Content Editors: Jocelyn Van Vliet, Andres Marti, Josephine Noah, Tamar Chestnut, Heather Dever Production Editors: Andrew Jones, Kristin Ferraioli, Heather Gomez, Zhihui Zhang, Brandy Vickers, Christine Osborne Publisher: Steven Rasmussen NSF Program Officer: John Bradley Funded by the National Science Foundation under awards ESI-9818946, REC-0337675, and ESI-0454754. Any opinions, findings, and conclusions or recommendations expressed in this publication are those of the authors and do not necessarily reflect the views of the National Science Foundation. KCPT Framework, Dynamic Document Model, and Fathom Data Engine 2004 by KCP Technologies, Inc. Formula Editor 1999 by Pacific Tech www.PacificT.com. All rights reserved. Macintosh Tooltips using

SolarPanel Gabriele de Simone, 199899

Pthreads-win32 - POSIX Threads Library for Win32 Copyright 1998 John E. Bossom Copyright 1999,2006 Pthreads-win32 contributors The pthreads-win32 library and its use are covered under the terms of the GNU Library General Public License a copy of which may be found in the reference materials that come with TinkerPlots. TinkerPlots is a trademark of the University of Massachusetts. Fathom Dynamic Data is a trademark of KCP Technologies. All other trademarks are held by their respective holders.
Key Curriculum Press 1150 65th Street Emeryville, CA 94608 techsupport@keypress.com www.keypress.com

Probabilidad

B: Conocimientos Matemticos
1. FENMENOS ESTOCSTICOS La principal razn para introducir el estudio de las situaciones aleatorias y las nociones bsicas sobre probabilidad en la enseanza primaria es que las tales situaciones son frecuentes en la vida cotidiana. 1.1. Azar y lenguaje En nuestras conversaciones, juegos, cuentos y canciones infantiles, prensa y literatura encontramos con frecuencia referencias al azar. Por ejemplo, los nios usan canciones como Pito pito para echar a suertes en el escondite o en el rescate, juegan al parchs, la oca, organizan sorteos, etc. Si buscamos la palabra aleatorio en el "Diccionario del uso del espaol" (M. Moliner (1983) encontramos: "Incierto. Se dice de lo que depende de la suerte o el azar", siendo el azar la "supuesta causa de los sucesos no debidos a una necesidad natural ni a una intervencin intencionada humana ni divina". Si buscamos la palabra azar encontramos: "Del rabe 'zahr', flor, por la que se pintaba en una de las caras del dado".

Esta definicin nos remite al juego de dados, un ejemplo tpico de lo que todo el mundo acepta como fenmenos aleatorios, donde una caracterstica es el carcter imprevisible del resultado. Hay muchas otras palabras relacionadas con azar y aleatorio: casual, accidental, eventual, fortuito, impensado, imprevisible, inesperado inopinado, ocasional, .... Tambin hay muchas expresiones que se usan en los juegos infantiles, con este mismo significado: por suerte, por suerte, por chiripa, por chamba , de rebote, de rechazo, sin querer, sin intencin, sin plan,... Esta variedad de expresiones indica que los fenmenos aleatorios son cercanos a nuestra experiencia y que incluso los nios son capaces de observar el carcter imprevisible de estos fenmenos. 1.2. El azar en la realidad Al tratar de buscar ejemplos de fenmenos aleatorios encontramos cuatro grandes campos de aplicacin de la estadstica relacionados con el hombre: el mundo biolgico, fsico, social y poltico. Nuestro mundo biolgico Dentro del campo biolgico, vemos que muchas caractersticas heredadas en el nacimiento no se pueden prever de antemano: el sexo, color de pelo, peso al nacer, etc. Algunos rasgos como la estatura, nmero de pulsaciones por minuto, recuento de hemates, etc, dependen incluso del momento en que se miden. 739

C. Batanero y J. D. Godino En medicina, la posibilidad de contagio o no en una epidemia, la edad en que se sufre una enfermedad infantil, la duracin de un cierto sntoma, o la posibilidad de un diagnstico correcto cuando hay varias posibles enfermedades que presentan sntomas parecidos varan de uno a otro chico. El efecto posible de una vacuna, el riesgo de reaccin a la misma, la posibilidad de heredar una cierta enfermedad o defecto, o el modo en que se determina el recuento de glbulos rojos a partir de una muestra de sangre son ejemplos de situaciones aleatorias. Cuando se hacen predicciones sobre la poblacin mundial o en una regin dada para el ao 2050, por ejemplo, o sobre la posibilidad de extincin de las ballenas, se estn usado estudios probabilsticos de modelos de crecimiento de poblaciones, de igual forma que cuando se hacen estimaciones de la extensin de una cierta enfermedad o de la esperanza de vida de un individuo. En agricultura y zootecnia se utilizan estos modelos para prever el efecto del uso de fertilizantes o pesticidas, evaluar el rendimiento de una cosecha o las consecuencias de la extensin de una epidemia, nube txica, etc. Por ltimo, y en el mbito de la psicofisiologa, observamos el efecto del azar sobre el cociente intelectual o en la intensidad de respuesta a un estmulo, as como en los tipos diferentes de caracteres o capacidades de los individuos. El mundo fsico Adems del contexto biolgico del propio individuo, nos hallamos inmersos en un medio fsico variable. Qu mejor fuente de ejemplos sobre fenmenos aleatorios que los meteorolgicos?. La duracin, intensidad, extensin de las lluvias, tormentas o granizos; las temperaturas mximas y mnimas, la intensidad y direccin del viento son variables aleatorias. Tambin lo son las posibles consecuencias de estos fenmenos: el volumen de agua en un pantano, la magnitud de daos de una riada o granizo son ejemplos en los que se presenta la ocasin del estudio de la estadstica y probabilidad. Tambin en nuestro mundo fsico dependemos de ciertas materias primas como el petrleo, carbn y otros minerales; la estimacin de estas necesidades, localizacin de fuentes de energa, el precio, etc, estn sujetos a variaciones de un claro carcter aleatorio. Otra fuente de variabilidad aleatoria es la medida de magnitudes. Cuando pesamos, medimos tiempo, longitudes, etc, cometemos errores aleatorios. Uno de los problemas que se puede plantear es la estimacin del error del instrumento y asignar una estimacin lo ms precisa posible de la medida. Por ltimo, citamos los problemas de fiabilidad y control de la calidad de los aparatos y dispositivos que usamos: coche, televisor, etc. El mundo social El hombre no vive aislado: vivimos en sociedad; la familia, la escuela, el trabajo, el ocio estn llenos de situaciones en las que predomina la incertidumbre. El nmero de hijos de la familia, la edad de los padres al contraer matrimonio, el tipo de trabajo, las creencias o aficiones de los miembros varan de una familia a otra. En la escuela, podemos prever las preguntas del prximo examen?; quin ganar el prximo partido?, ... Para desplazarnos de casa a la escuela, o para ir de vacaciones, dependemos del transporte pblico que puede sufrir retrasos. Cuntos viajeros usarn el autobs? Cuntos clientes habr en la caja del supermercado el viernes a las 7 de la tarde? En nuestros ratos de ocio practicamos juegos de azar tales como quinielas o loteras. Acudimos a encuentros deportivos cuyos resultados son inciertos y en los que tendremos que hacer cola para conseguir las entradas, ... Cuando hacemos una pliza de seguros no sabemos si la cobraremos o por el

740

Probabilidad contrario perderemos el dinero pagado; cuando compramos acciones en bolsa estamos expuestos a la variacin en las cotizaciones,... El mundo poltico El Gobierno, a cualquier nivel, local, nacional o de organismos internacionales, necesita tomar mltiples decisiones que dependen de fenmenos inciertos y sobre los cuales necesita informacin. Por este motivo la administracin precisa de la elaboracin de censos y encuestas diversas. Desde los resultados electorales hasta los censos de poblacin hay muchas estadsticas cuyos resultados afectan las decisiones de gobierno y todas estas estadsticas se refieren a distintas variables aleatorias relativas a un cierto colectivo. Entre las ms importantes citaremos: el ndice de precios al consumo, las tasas de poblacin activa, emigracin - inmigracin, estadsticas demogrficas, produccin de los distintos bienes, comercio, etc, de las que diariamente escuchamos sus valores en las noticias. 2. PROBABILIDAD. ASIGNACIN SUBJETIVA DE PROBABILIDADES 2.1. Experimento y suceso aleatorio Un ejemplo cotidiano de situacin aleatoria es el pronstico del tiempo. Para llevarlo a cabo se aplican las tcnicas de recogida de datos estadsticos y para un da dado no sabemos con seguridad cul ser la temperatura o si llover. Sin embargo, dependiendo de la poca del ao unos sucesos nos parecen ms probables que otros. Utilizamos la expresin "experimento aleatorio" para describir este tipo de situaciones.
Ejercicios 1. Daniel y Ana son nios cordobeses. Acuden a la misma escuela y su profesor les ha pedido que preparen una previsin del tiempo para el da 24 de Junio, fecha en que comenzarn sus vacaciones. Puesto que estn an en el mes de Mayo, Daniel y Ana no pueden predecir exactamente lo que ocurrir. Por ello, han buscado una lista de expresiones para utilizar en la descripcin del pronstico. He aqu algunas de ellas: cierto; posible; bastante probable; hay alguna posibilidad; seguro; es imposible; casi imposible; se espera que; incierto; hay igual probabilidad; puede ser; sin duda, ... Podras acabar de clasificar estas palabras segn la mayor o menor confianza que expresan en que ocurra un suceso? Busca en el diccionario nuevas palabras o frases para referirte a hechos que pueden ocurrir y compralas con las dadas anteriormente. 2. Busca en la prensa frases o previsiones sobre hechos futuros en que se usen las palabras anteriores. Clasifcalas segn la confianza que tienes en que ocurran. Compara tu clasificacin con la de otros compaeros.

En probabilidad llamamos "experimento" tanto a los verdaderos experimentos que podamos provocar como a fenmenos observables en el mundo real; en ste ltimo caso, la propia accin de observar el fenmeno se considera como un experimento. Por ejemplo, la comprobacin del sexo de un recin nacido se puede considerar como la realizacin de un experimento. Diferenciamos entre experimentos deterministas y aleatorios. Los primeros son aquellos que, realizados en las mismas circunstancias slo tienen un resultado posible. Por el contrario, un experimento aleatorio se caracteriza por la posibilidad de dar lugar, en idnticas condiciones, a diferentes resultados. 741

C. Batanero y J. D. Godino Suceso es cada uno de los posibles resultados de un experimento aleatorio. Distinguimos entre sucesos elementales, cuando no pueden descomponerse en otros ms simples y suceso compuestos cuando se componen de dos o ms sucesos elementales por medio de operaciones lgicas como la conjuncin, disyuncin o negacin.
Ejercicio 3. Poner tres ejemplos de experimentos aleatorios y deterministas. Para cada uno de ellos describir un suceso simple y otro compuesto.

2.2. Suceso seguro e imposible El conjunto de todos los resultados posibles de un experimento aleatorio se denomina espacio muestral o suceso seguro. Suele representarse mediante la letra E. Por ejemplo, el espacio muestral obtenido al lanzar un dado sera E = {1, 2, 3, 4, 5, 6}. Este espacio muestral es finito, pero podemos considerar un espacio muestral con infinitos resultados posibles. Por ejemplo, la duracin de una lmpara podra variar en un intervalo continuo [0, 1000], donde hay infinitos puntos. Otros casos seran el peso o la talla de una persona tomada al azar de una poblacin. Puesto que el suceso seguro consta de todos los resultados posibles, siempre se verifica. Tericamente podramos tambin pensar en un suceso que nunca pueda ocurrir, como obtener un 7 al lanzar un dado ordinario. Lo llamaremos suceso imposible y lo representamos por .
Ejercicios: 4. Describir el espacio muestral asociado a cada uno de los siguientes experimentos: a) lanzamiento simultneo de dos monedas. b) suma de los puntos obtenidos al lanzar simultneamente dos dados. 5. Describir un suceso imposible asociado a cada uno de los experimentos del ejercicio 2. 6. En una caja hay 4 bolas rojas, 3 verdes y 2 blancas. Cuntas bolas se deben sacar sucesivamente para estar seguro de obtener una bola de cada color? 7. Dos sucesos que no pueden ocurrir a la vez se llaman incompatibles. Por ejemplo, no pueden ocurrir a la vez los sucesos "obtener par" y "obtener impar" cuando lanzamos un dado. Tampoco podran ocurrir a la vez "ser menor que 3" y "ser mayor que 5". Podras dar ejemplos de otros sucesos incompatibles?

2.3. Asignacin de probabilidades subjetivas La asignacin de probabilidades mediante palabras o expresiones no es muy precisa. Por ello, para asignar probabilidades a sucesos, se hace corresponder un valor numrico entre 0 y 1. Esto permite comparar diferentes sucesos, o bien situarlos sobre un grfico, que llamaremos la escala de la probabilidad (Figura 1). Una vez realizado el ejercicio 1 individualmente o por parejas, pueden compararse los resultados de los diversos grupos. Puesto que cada alumno o grupo ha trabajado independientemente del resto, las probabilidades asignadas tienen un carcter subjetivo. Cada alumno podra usar diferente informacin o distintos criterios seguidos en su asignacin. 742

Probabilidad Finalmente, podremos obtener unas probabilidades en las que toda la clase se muestre de acuerdo, tomando el valor medio o la mediana de las probabilidades asignadas individualmente a los diversos sucesos por los diferentes alumnos.

Hay igual probabilidad Imposible 0 Seguro

1 2

0 10

5 10

10 10

Figura 1

2.4 Probabilidad, como grado de creencia Para medir la mayor o menor posibilidad de que ocurra un suceso en un experimento, le asignamos un nmero entre 0 y 1 llamado su probabilidad. La probabilidad vara entre 0 y 1 El suceso seguro siempre ocurre y el suceso imposible no puede ocurrir. Asignamos una probabilidad 0 a un suceso que nunca puede ocurrir, por ejemplo, que salga un 7 al lanzar el dado. Asignamos un 1 a un suceso que ocurre siempre que se realiza el experimento; por ejemplo, al lanzar una moneda es seguro que saldr o "cara o cruz". Entre estos dos casos se encuentran el resto de los sucesos asociados a cada experimento. A pesar de que no sabemos cual de ellos ocurrir en una prueba particular, algunos de ellos nos merecen ms confianza que otros, en funcin de nuestros conocimientos sobre las condiciones de realizacin del experimento. Por medio de la probabilidad cuantificamos nuestro grado de creencia acerca de la ocurrencia de cada uno de los sucesos asociados a un experimento. A cualquier otro suceso distinto del "imposible" y del "seguro" se le asigna un nmero entre 0 y 1. Este valor lo asignamos de acuerdo con nuestra informacin y la creencia que tengamos en la ocurrencia del suceso. Por ello, diferentes personas podran asignar una probabilidad distinta al mismo suceso. Por ejemplo, si nos preguntan por la probabilidad de que una cierta persona llegue a cumplir 25 aos, diremos que es muy alta. Pero, si su mdico sabe que esta persona sufre una enfermedad incurable dar un valor bajo para esta misma probabilidad.
Ejercicios: 8. Esperanza de vida: A partir de una tabla de vida, hacer predicciones sobre la probabilidad de vivir x aos, o de vivir en el ao 2010, segn sea un chico o una chica, el profesor, etc. 9. Investigacin. Discutir y ordenar las probabilidades de que se produzcan diversos inventos antes de 5, o 10 aos (vacunas, viajes interplanetarios, energa,...)

743

C. Batanero y J. D. Godino
10. Accidentes:. Escribir una serie de frases sobre la reduccin o aumento del nmero de accidentes, probabilidad de que se produzcan en una fecha dada y ordenarlas de mayor a menor probabilidad. 11. Resultados de elecciones. Con motivo de algunas elecciones escolares, locales, etc, plantear la mayor o menor probabilidad de que resulte elegido un candidato, o de que logre todos los votos, los 2/3, etc. Para ello utiliza los grficos de alguna encuesta publicada en la prensa local (por ejemplo, un grfico de barras o sectores). 12. Recoger de la prensa los datos de las temperaturas mxima y mnima durante una semana en las capitales de provincia. Confeccionar una tabla estadstica con estos datos. Cul crees que ser la temperatura mxima y mnima ms probable la prxima semana? 13. Busca dos grficos estadsticos diferentes que hayan aparecido en la prensa local recientemente. Para cada uno de ellos describe el experimento aleatorio al que se refieren; los sucesos asociados y cul de ellos es ms probable. Podras hacer un grfico alternativo para representar la informacin en cada uno de los casos?

3. ESTIMACIN DE PROBABILIDADES 3.1. Frecuencia absoluta y relativa. Estabilidad de las frecuencias relativas Cuando realizamos un experimento N veces, llamamos frecuencia absoluta del suceso A el nmero NA de veces que ocurre A. Al cociente h(A)=NA/N le llamamos frecuencia relativa del suceso. Se pueden observar las tres propiedades siguientes en las frecuencias relativas: 1. La frecuencia relativa del suceso vara entre 0 y 1; 2. La frecuencia relativa del suceso seguro siempre es 1 en cualquier serie de ensayos. 3. Supongamos que un suceso A se forma uniendo sucesos que no tienen elementos comunes. En este caso, la frecuencia relativa del suceso A es la suma de las frecuencias relativas de los sucesos que lo componen. Por ejemplo, al lanzar un dado, h(par)= h(2)+h(4)+h(6). El valor de la frecuencia relativa de un suceso no es fijo para N, puesto que se trata de un fenmeno aleatorio. Dos alumnos de la clase que realicen el mismo experimento 50 veces pueden obtener diferentes valores de las frecuencias absoluta y relativa del mismo suceso. Sin embargo, para una serie larga de ensayos, las fluctuaciones de la frecuencia relativa son cada vez ms raras y de menor magnitud. Este hecho tiene una demostracin matemtica, en los teoremas conocidos como "leyes de los grandes nmeros". Tambin puede observarse experimentalmente; por ejemplo, en las estadsticas recogidas en grandes series de datos sobre natalidad, accidentes, fenmenos atmosfricos, etc. 3.2. Estimacin frecuencial de la probabilidad La estabilidad de la frecuencia relativa en largas series de ensayos, junto con el hecho de que haya fenmenos para los cuales los sucesos elementales no son equiprobables, hace que pueda estimarse el valor aproximado de la probabilidad de un suceso a partir de la frecuencia relativa obtenida en un nmero elevado de pruebas. Este es el nico mtodo de asignar probabilidades en experimentos tales como "lanzar una 744

Probabilidad chincheta" o "tener un accidente de coche en una operacin retorno". Recuerda, no obstante, que el valor que obtenemos de esta forma es siempre aproximado, es decir, constituye una estimacin de la probabilidad. Sabemos, por ejemplo, que, debido a las leyes genticas la probabilidad de nacer varn o mujer es aproximadamente la misma. Sin embargo, si en un hospital hacemos una estadstica de nacimientos no sera raro que un da dado, de diez recin nacidos, 7 u 8 fuesen varones. Sera ms raro que fuesen varones 70 o ms entre cien recien nacidos, y todava ms difcil que ms del 70% de entre 100.000 recin nacidos lo fuesen. Con este ejemplo, vemos tambin que es muy importante el tamao de la muestra en la estimacin de las probabilidades frecuenciales. A mayor tamao de muestra, mayor fiabilidad, porque hay ms variabilidad en las muestras pequeas que en las grandes.
Ejercicios 14 Cul de las siguientes afirmaciones te parece verdadera cuando lanzamos un dado? Por qu? a) la probabilidad de obtener un 3 es mayor que la de obtener un 6 b) la probabilidad de obtener un 6 es mayor que la de obtener un 3; c) la probabilidad de obtener un 6 es igual que la de obtener un 3; d) la probabilidad de obtener un 1es mayor que 1/2 ; e) Asigna un valor numrico a la probabilidad de obtener un 1. 15. Experimentos con chinchetas. Por parejas, los alumnos lanzan una caja de chinchetas sobre una mesa, contando cuntas de ellas caen de punta o de cabeza. Con los resultados de toda la clase puede estimarse, aproximadamente, la probabilidad de estos dos sucesos y el profesor puede aprovechar para hacer observar a los chicos que existen ejemplos de experimentos en los que la aplicacin de la regla de Laplace no es pertinente.

3.3. Simulacin de experimentos aleatorios La realizacin de experimentos aleatorios usando dispositivos fsicos, como dados, fichas, bolas, ruletas, etc. puede requerir bastante tiempo. A veces, incluso puede que no se dispongan de tales dispositivos en nmero suficiente para toda la clase. Una alternativa vlida consiste en simular tales experimentos por medio de una tabla de nmeros aleatorios. Este procedimiento incluso permite resolver problemas de probabilidad reales haciendo las simulaciones con un ordenador. Llamamos simulacin a la sustitucin de un experimento aleatorio por otro equivalente con el cual se experimenta para obtener estimaciones de probabilidades de sucesos asociados al primer experimento. La estimacin de la probabilidad que se obtiene con el experimento simulado es tan vlida como si se tratase del experimento real. Este es el mtodo que se emplea para obtener previsiones en las siguientes situaciones: a) Experimentos complejos, como sera planificar el trfico durante una operacin salida de vacaciones. b) Experimentos peligrosos, como estimar la temperatura de control o la velocidad de reaccin permitida en una central nuclear. c) Situaciones futuras: estudios ecolgicos o sobre contaminacin ambiental.

745

C. Batanero y J. D. Godino
Ejercicios 16. Explica cmo usar la tabla de nmeros aleatorios de la figura 3, o los nmeros aleatorios generados por tu calculadora, para simular los siguientes experimentos: a) Lanzar una moneda. Figura 2 b) Tirar un dado. c) Sacar bolas numeradas del 1 al 100 de una bolsa. d) Girar una ruleta como la de la figura 2. B 45 A 135 e) Observar el sexo de un recin nacido. f) Observar el sexo de 2 recin nacidos
C 90 D 90

8231 1581 4496 6922 4871 3781 2179 7023 2125 5108

4167 1649 8048 7832 0564 8989 8540 5233 5297 7098

2530 564 9488 9461 2895 5516 9166 9033 0125 6403

7720 3295 3297 9526 0249 2423 3163 9349 8071 6207

5676 5354 7785 1473 4688 1518 8419 1256 9371 1817

Figura 3: Tabla de nmeros aleatorios 4. ASIGNACIN DE PROBABILIDADES. REGLA DE LAPLACE

Ejercicios 17. Cuando lanzamos un dado, obtenemos el espacio muestra E = {1, 2, 3, 4, 5, 6}. Supongamos que este dado est perfectamente construdo. No tenemos, por tanto, motivos para dar ventaja a ninguno de los resultados. Cul sera la probabilidad de cada uno de los resultados elementales, P(1) = ; ... ; P(6)= ? Razona la respuesta. 18. En el espacio muestral obtenido al lanzar un dado podemos formar subconjuntos suyos o sucesos, por ejemplo, A = "obtener par" = {2, 4, 6 }. Escribe los elementos de los siguientes subconjuntos de E: B = "nmero impar" = C "nmero primo" = D = "nmero compuesto" = F = "mltiplo de 3" = Asigna probabilidades a cada uno de los sucesos B, C, D, E. Razona las respuestas.

Si un espacio muestral consta de un nmero finito n de sucesos elementales y no tenemos motivo para suponer que alguno de ellos pueda ocurrir con mayor frecuencia que los restantes, la probabilidad de cada uno de estos sucesos elementales es 1/n En estos casos, podemos aplicar la regla de Laplace para calcular las probabilidades de los sucesos compuestos. Un suceso compuesto que se compone de k sucesos elementales, tiene, en este caso una probabilidad igual a k/n (regla de Laplace) En el caso de que tengamos motivos para pensar que algn suceso puede darse con mayor frecuencia que otros (por ejemplo, al usar un dado sesgado) o bien cuando el espacio muestral es infinito, no podemos aplicar esta regla. 746

Probabilidad

Ejercicios 19. Un experimento consiste en lanzar un dado con forma de dodecaedro, con los nmeros del 1 al 12 en sus caras. Encontrar la probabilidad de cada uno de los siguientes sucesos: a) Obtener un nmero par; b) Obtener un nmero primo; c) Obtener un divisor de 12. 20. Se toma un nmero comprendido entre 0 y 999 a) Cul es la probabilidad de que el nmero sea mltiplo de 5? b) Cul es la probabilidad de que la cifra central sea mayor que las otras dos? 21. A un congreso asisten 100 personas. De ellas, 80 hablan francs y 40 ingls. Cul es la probabilidad de que un asistente hable los dos idiomas?

Axiomas de la probabilidad En los apartados anteriores hemos visto tres modos diferentes de asignar probabilidades, segn el tipo de experimento aleatorio: a) En el caso de espacios muestrales con un nmero finito de sucesos elementales en los que pueda aplicarse el principio de indiferencia, calculamos las probabilidades usando la regla de Laplace. b) Si no podemos usar la regla de Laplace, pero tenemos informacin estadstica sobre las frecuencias relativas de aparicin de distintos sucesos, podemos obtener una estimacin frecuencial de las probabilidades. c) En los dems casos, el nico modo de asignar las probabilidades a los sucesos es de modo subjetivo. En todos los casos, las probabilidades cumplen unas mismas propiedades, que se recogen en la definicin axiomtica de la probabilidad. Toda teora matemtica se desarrolla a partir de una serie de axiomas. Generalmente estos axiomas se basan en la abstraccin de ciertas propiedades de los fenmenos que se estudian, que para el caso de la probabilidad son las tres primeras propiedades que hemos citado sobre las frecuencias relativas. Como consecuencia, se considera que la probabilidad es toda aplicacin, definida en el conjunto de los sucesos asociados a un experimento aleatorio, que cumpla las tres siguientes propiedades: 1. A todo suceso A le corresponde una probabilidad P(A), nmero comprendido entre 0 y 1. 2. La probabilidad del suceso seguro es 1, P(E)=1. 3. La probabilidad de un suceso que es unin de sucesos incompatibles es la suma de las probabilidades de los sucesos que lo componen. 5. PROBABILIDADES EN EXPERIMENTOS COMPUESTOS Con frecuencia, los problemas de probabilidad involucran dos o ms experimentos. Algunos ejemplos de estas situaciones son: Lanzar al aire dos monedas, tres monedas, ... Adivinar el sexo de una pareja de mellizos no idnticos, antes de hacer la ecografa. El nmero de bombillas defectuosas en una caja de 10 bombillas 747

C. Batanero y J. D. Godino El nmero de estudiantes en una clase que ha estudiado la leccin En estas situaciones, algunas reglas sencillas pueden ser tiles para calcular la probabilidad. Estudiaremos algunos ejemplos para deducir estas reglas a partir de los mismos. 5.1. Resultados de un experimento compuesto Ejemplo: Al lanzar simultneamente dos monedas, es ms fcil obtener una o dos caras? Solucin: Se trata de un experimento compuesto de dos experimentos simples: Primer experimento: Lanzar la primera moneda. E = { C, +} Segundo experimento: Lanzar la segunda moneda. E = { C, +} Las posibilidades que se pueden presentar en el experimento compuesto se presentan en la tabla siguiente:
Segundo Experimento Primer Experimento C +

C +

CC +C

C+ ++

Observamos por tanto que la probabilidad de obtener dos caras es y la de obtener una cara es puesto que tenemos dos posibilidades.
Ejercicios 22. Describe con la ayuda de una tabla todos los sucesos que puedes obtener en los siguientes experimentos compuestos: a) Sexo de dos recin nacidos b) Nmeros al lanzar dos dados a la vez c) Grupo sanguneo de dos recin nacidos 23. De una bolsa con 3 bolas blancas y 3 bolas azules sacamos dos bolas. Describe todos los resultados si : a) Devolvemos la primera bola a la caja despus de ver el color b) No la devolvemos

5.2. Clculo de probabilidad a partir del diagrama en rbol Otra forma de representar las posibilidades en este experimento compuesto es mediante un diagrama en rbol, que nos sirve tambin para observar la forma en que se obtiene la probabilidad. Observa el diagrama que hemos construido para representar el experimento que consiste en lanzar dos monedas. En este diagrama anotamos, para cada experimento sus posibilidades y la probabilidad de los diferentes resultados

748

Probabilidad

Primer Experimento Segundo Experimento C CC C + C+ C +C + + ++

Experimento Compuesto

Regla de clculo: Puesto que la mitad de las veces obtenemos cara en el primer experimento y de esta mitad, la mitad de las veces obtenemos cara en el segundo, la probabilidad de obtener dos caras es la mitad de un medio, esto es un cuarto. En el diagrama en rbol, la probabilidad final de un resultado es el producto de las probabilidades en cada rama que lleva a este resultado.

5.3. Experimentos dependientes e independientes En el ejemplo del lanzamiento de dos monedas, el resultado de la segunda moneda no depende de lo que sali en la primera. As observamos que: Los resultados del segundo experimento seran los mismos, si no se hubiera llevado a cabo el primero. Los resultados del segundo experimento tienen la misma probabilidad, sin depender del resultado del primero. La probabilidad de obtener cara en el segundo lanzamiento es y esto no depende del resultado en el primer lanzamiento. En otros casos, el segundo experimento depende del primero, por ejemplo: La probabilidad de aprobar un examen mejora con el nmero de exmenes. La probabilidad de que una persona tenga un infarto es mayor si ha tenido otro previamente. La probabilidad de que un nio tenga los ojos azules es diferente, segn el color de los ojos de sus padres.

Tambin en estos casos podemos usar el diagrama en rbol, pero teniendo en cuenta que ahora las probabilidades del segundo experimento dependen del resultado del primero. Ejemplo: En una caja tengo tres bolas rojas y dos verdes. Tomo dos bolas al azar sin devolver la primera, Cul es la probabilidad de tomar las dos verdes? Solucin: Puedo construir de nuevo el diagrama en rbol, teniendo en cuenta las probabilidades en cada experimento y cmo varan las del segundo en funcin de los resultados en el primero: 749

C. Batanero y J. D. Godino

Primer Experimento 3/5 2/5 Segundo Experimento 2/4 R 3/10 RR R 2/4 V 3/10 RV 3/4 R 3/10 VR V 1/4 V 1/10 VV

Experimento Compuesto

Observa que en el experimento compuesto, de nuevo la suma de todas las probabilidades es igual a uno. 6. TALLER DE MATEMTICAS 1. Se lanza un moneda tres veces seguidas. a) Cul es la probabilidad de obtener 2 caras? b) Cul es la probabilidad de obtener ms caras que cruces? 2. Se lanza un dado dos veces seguidas y se suman los puntos obtenidos. a) Cul es la probabilidad de que la suma de los puntos sea 8? b) Cul es la probabilidad de que la suma de puntos sean menor o igual que 10? 3. Carmen y Daniel han inventado un juego de dados con las siguientes reglas: - Lanzan dos dados sucesivamente y calculan la diferencia de puntos entre el mayor y el menor. - Si resulta una diferencia de 0, 1 o 2 entonces Carmen gana 1 ficha. - Si resulta 3, 4, o 5 es Daniel quien gana una ficha. - Comienzan con un total de 20 fichas y el juego termina cuando no quedan ms. Te parece que este juego es equitativo? Si tuvieras que jugar, cul jugador preferiras ser? Cuntas fichas debera ganar cada jugador para que el juego sea equitativo sin cambiar el resto de las reglas? 4. En una caja con 10 bombillas hay 3 fundidas. Tomamos dos bombillas de la caja. Depende la probabilidad de que la segunda bombilla sea defectuosa de si la primera estaba fundida? Con ayuda del diagrama en rbol calcula la probabilidad de que las dos bombillas sean defectuosas, de que ninguna est fundida, de que al menos una est fundida. Cul es el resultado ms probable? 5. El 85 % de votantes en una ciudad acude a las elecciones. En una familia donde hay tres personas con edad de votar, Cul es la probabilidad de que las tres hayan votado? 6. Un jugador de baloncesto que suele encestar el 70 por ciento de sus tiros desde el punto de lanzamiento de personales tiene que lanzar una personal. Esto implica que si el jugador acierta el primer lanzamiento puede repetir otro. Por tanto puedo obtener 0, 1 o 2 puntos en el juego, fallando el primer lanzamiento (0 puntos) acertando el primero y fallando el segundo (1 punto) o encestando los dos (2 puntos).

750

Probabilidad a) Utiliza la tabla de nmeros aleatorios para simular el experimento y estima la probabilidad de que el jugador obtenga 0, 1, 2 puntos. b) Con ayuda de un diagrama en rbol calcula la probabilidad de que el jugador obtenga 0, 1, 2 puntos. 7. Ponemos a un ratn al comienzo de este laberinto. Cul es la probabilidad de que acabe en la parte A? Y en la B? Simula este experimento y da una respuesta aproximada. Con la ayuda de un diagrama en rbol calcula las probabilidades de llega a A y a B.

8. Al lanzar tres monedas, Maria gana 1 euro si se obtiene 0 o 1 caras. Juan gana un euro si se obtienen 2 o 3 caras. Mara dice que el juego es justo porque solo hay 4 posibilidades y cada uno de ellos tiene ventajas con dos. Juan no est de acuerdo. a) Quin tiene razn? b) Cul sera la cantidad de dinero que tiene que pagar Maria a Juan en caso que este gane, para que el juego sea equitativo?

751

Estadstica

B: Conocimientos Matemticos
1. ESTADSTICA Y SUS APLICACIONES 1.1.Qu es la estadstica? Son muchas las definiciones posibles de estadstica, y entre ellas hemos elegido las dos siguientes que reflejan bien las caractersticas de esta ciencia: "La estadstica estudia el comportamiento de los fenmenos llamados de colectivo. Est caracterizada por una informacin acerca de un colectivo o universo, lo que constituye su objeto material; un modo propio de razonamiento, el mtodo estadstico, lo que constituye su objeto formal y unas previsiones de cara al futuro, lo que implica un ambiente de incertidumbre, que constituyen su objeto o causa final.1 La estadstica es la ciencia de los datos. Con ms precisin, el objeto de la estadstica es el razonamiento a partir de datos empricos. La estadstica es una disciplina cientfica autnoma, que tiene sus mtodos especficos de razonamiento. Aunque es una ciencia matemtica, no es un subcampo de la Matemtica. Aunque es una disciplina metodolgica, no es una coleccin de mtodos.2 1.2. Breves notas histricas Los orgenes de la estadstica son muy antiguos, ya que se han encontrado pruebas de recogida de datos sobre poblacin, bienes y produccin en las civilizaciones china (aproximadamente 1000 aos a. C.), sumeria y egipcia. Incluso en la Biblia, en el libro de Nmeros aparecen referencias al recuento de los israelitas en edad de servicio militar. No olvidemos que precisamente fue un censo lo que motiv del viaje de Jos y Mara a Beln, segn el Evangelio. Los censos propiamente dichos eran ya una institucin el siglo IV a.C. en el imperio romano. Sin embargo, slo muy recientemente la estadstica ha adquirido la categora de ciencia. En el siglo XVII surge la Aritmtica poltica, desde la escuela alemana de Conring, quien imparte un curso con este ttulo en la universidad de Helmsted. Posteriormente su discpulo Achenwall orienta su trabajo a la recogida y anlisis de datos numricos, con fines especficos y en base a los cuales se hacen estimaciones y conjeturas, es decir se observan ya los elementos bsicos del mtodo estadstico. Para los aritmticos polticos de los siglos XVII y XVIII la estadstica era el arte de gobernar; su funcin era la de servir de ojos y odos al gobierno. La proliferacin de tablas numricas permiti observar la frecuencia de distintos sucesos y el descubrimiento de leyes estadsticas. Son ejemplos notables los estudios de Graunt sobre tablas de mortalidad y esperanza de vida a partir de los registros estadsticos de Londres desde 1592 a 1603, o los de Halley entre 1687 y 1691 para resolver el problema de las rentas vitalicias en las compaas de seguros. En el siglo
1 2

Cabri, S. (1994). Filosofa de la estadstica. Servicio de Publicaciones de la Universidad de Valencia. Moore, D. S. (1991). Teaching Statistics as a respectable subject. En F. Gordon y S. Gordon (eds.), Statistics for the Twenty-First Century, (pp. 14-25). Mathematical Association of America.

701

C. Batanero y J. D. Godino XIX se descubren las leyes de los grandes nmeros con Bernouilli y Poisson. Otro problema que recibe gran atencin por parte de los matemticos de su tiempo, como Euler, Simpson, Lagrange, Laplace, Legendre y Gauss es el del ajuste de curvas a los datos. La estadstica logra con estos descubrimientos una relevancia cientfica creciente, siendo reconocida por la British Association for the Advancement of Science, como una seccin en 1834, naciendo as la Royal Statistical Society. En el momento de su fundacin se defini la estadstica como "conjunto de hechos, en relacin con el hombre, susceptibles de ser expresados e nmeros, y lo suficiente n numerosos para ser representados por leyes". Se crearon poco a poco sociedades estadsticas y oficinas estadsticas para organizar la recogida de datos estadsticos; la primera de ellas se cre en Francia en 1800. Como consecuencia, fue posible comparar las estadsticas de cada pas en relacin con los dems, para determinar los factores determinantes del crecimiento econmico y comenzaron los congresos internacionales, con el fin de homogeneizar los mtodos usados. El primero de ellos fue organizado por Quetelet en Bruselas en 1853. Posteriormente, se decidi crear una sociedad estadstica internacional, naciendo en 1885 el Instituto Internacional de Estadstica (ISI) que, desde entonces celebra reuniones bianuales. Su finalidad especfica es conseguir uniformidad en los mtodos de recopilacin y obtencin de resultados e invitar a los gobiernos al uso correcto de la estadstica en la solucin de los problemas polticos y sociales. En la actualidad el ISI cuenta con 5 secciones, una de las cuales, la IASE, fundada en 1991, se dedica a la promocin de la Educacin Estadstica. 1.3. Panorama actual Aunque es difcil dividir la estadstica en partes separadas, una divisin clsica hasta hace unos aos ha sido distinguir entre estadstica descriptiva y estadstica inferencial. La estadstica descriptiva tiene como fin presentar resmenes de un conjunto de datos y poner de manifiesto sus caractersticas, mediante representaciones grficas. Los datos se usan para fines comparativos, y no se usan principios de probabilidad. El inters se centra en describir el conjunto de datos y no se plantea el extender las conclusiones a otros datos diferentes o a una poblacin. La inferencia estadstica, por el contrario, estudia los resmenes de datos con referencia a un modelo de tipo probabilstico. Se supone que el conjunto de datos analizados es una muestra de una poblacin y el inters principal es predecir el comportamiento de la poblacin, a partir de los resultados de la muestra. Las capacidades de clculo y representacin grfica de los ordenadores actuales permiten la obtencin de una amplia variedad de grficos y clculos estadsticos de una forma sencilla y han hecho posible la aparicin de una nueva filosofa en los estudios estadsticos: el anlisis exploratorio de datos, introducido por Tukey. Es una perspectiva intermedia entre la estadstica descriptiva y la inferencia y se da un papel importante a la visualizacin por medio de diferentes grficos. 1.4. Estudios estadsticos La estadstica se ocupa del diseo de estudios en los que sea necesario la recogida de datos, el anlisis de estos datos, y la prediccin o toma de decisiones a partir de los resultados. El siguiente ejercicio muestra un ejemplo de los tipos de predicciones que podemos hacer usando la estadstica.

702

Estadstica

Ejercicios 1. Se toma una caja con 100 bolas blancas y el profesor sustituye r de ellas por bolas negras sin que los alumnos vean cuntas ha sustituido. Por turno cada uno de los alumnos con los ojos cerrados toma 10 bolas de la caja y rellena la ficha siguente: Nombre-----------Nmero de bolas negras en la muestra Porcentaje de bolas negras en la muestra Estimacin del nmero de bolas negras en la caja 2. El profesor en la pizarra completa con ayuda de los alumnos el siguiente grfico de puntos. Se coloca un punto encima del valor del nmero de bolas negras en la muestra de 10, para cada uno de los alumnos. Nmero de bolas negras en la muestra de 10 bolas

______________________ 0 1 2 3 4 5 6 7 8 9 10 3. Cul ser la mejor estimacin del porcentaje de bolas negras en una muestra tpica de 10 bolas? Cul ser la mejor estimacin del nmero de bolas negras en la caja? Finalmente se comprueba la fiabilidad de la estimacin contando las bolas negras en la caja.

2. VARIABLES ESTADSTICAS. TABLAS Y GRFICOS 2.1. Poblacin individuos y caracteres

Proyecto 1. Cmo son los alumnos de la clase? Objetivo: Se trata de elaborar un perfil de los alumnos, identificando el alumno tpico y analizando si hay diferencias entre el chico y la chica tpicos. Datos: Se preparar una lista de las caractersticas de los alumnos que queremos estudiar analizando las diferentes formas en que podran obtenerse los datos: Por simple observacin: como el sexo, color de pelo y ojos, si usa o no gafas; Se requiere una medicin: como el peso, talla o longitud de brazos extendidos; Habra que preguntar a los alumnos; es decir realizar una pequea encuesta: nmero de hermanos, cmo viene al instituto; cunto deporte practica, etc. Los datos sern recogidos por los propios alumnos, mediante las diversas tcnicas sealadas. Se requerir un metro y una bscula, para tomar datos de los alumnos con un mismo instrumento. Se prepara una ficha como la siguiente para recoger datos de cada uno de los alumnos de la clase: SEXO: HACES DEPORTE? (Nada, poco, mucho): PESO (kg.): ALTURA (cm.): LONGITUD DE LOS BRAZOS EXTENDIDOS EN CRUZ (cm.): NUMERO DE CALZADO: PESETAS QUE LLEVA EN ESTE MOMENTO EN EL BOLSILLO:

Una poblacin (o universo) es el conjunto total de objetos que son de inters 703

C. Batanero y J. D. Godino para un problema dado. Los objetos pueden ser personas, animales, productos fabricados, etc. Cada uno de ellos recibe el nombre de elemento (o individuo) de la poblacin. En el proyecto 1 recogemos datos de diferentes variables para los alumnos de la clase. Cada alumno de la clase es un elemento de la poblacin clase. Generalmente, en un estudio estadstico, estamos interesados en analizar algn aspecto parcial de los individuos que componen la poblacin; por ejemplo, si se trata de personas, puede que nos interese, la altura, el peso, el color del pelo, el sueldo mensual que recibe, la opinin que le merece el partido que gobierna, etc. Estos aspectos parciales reciben el nombre de caracteres de los elementos de una poblacin y son, por su naturaleza, variables, de forma que en distintos individuos pueden tomar valores o modalidades diferentes. Las variables de los estudios estadsticos reciben el nombre de variables estadsticas.
Ejercicios: 4. Cules son las posibles modalidades de las variables recogidas en la clase, cuyos datos se incluyen en la tabla 1? 5. Sugiere otras variables que podras recoger en este proyecto y analiza sus modalidades.

2.2. Tipos de estudios estadsticos. Censos y muestras extradas de una poblacin El principal objetivo del anlisis estadstico es conocer algunas de la propiedades de la poblacin que interesa. Si la poblacin es finita, el mejor procedimiento ser la inspeccin de cada individuo (siempre que esto sea posible). Un estudio estadstico realizado sobre la totalidad de una poblacin se denomina censo. Como todos recordais el ltimo censo se ha llevado a cabo el ao 2001. Sin embargo, la mayora de los problemas de inters, implican, bien poblaciones infinitas, o poblaciones finitas que son difciles, costosas o imposibles de inspeccionar. Esto obliga a tener que seleccionar, por procedimientos adecuados, un subconjunto de n elementos de la poblacin, que constituyen una muestra de tamao n, examinar la caracterstica que interesa y despus generalizar estos resultados a la poblacin. Esta generalizacin a la poblacin se realiza por medio de la parte de la Estadstica que se conoce con el nombre de Inferencia Estadstica. Por ejemplo, el da que se hizo la recogida de datos de la clase, se obtuvieron datos de 60 alumnos, aunque haba en total 94 alumnos matriculados. El anlisis de los datos de esta muestra puede servir, sin embargo, para sacar conclusiones de toda la clase. Para que estas conclusiones ofrezcan las debidas garantas es preciso comprobar que se cumple el requisito bsico de que la muestra sea representativa. Los distintos mtodos de seleccin de muestras representativas de una poblacin se conocen con el nombre de mtodos de muestreo. La infomacin estadstica se puede usar tambin para estimar probabilidades de sucesos relativos a la poblacin de inters. Tabla 1: Datos sobre los alumnos
n. sexo deporte peso altura longitud calzado ptas n. sexo deporte peso altura longitud calzado ptas

1 2 3 4 5

2 1 2 1 1

2 1 2 2 2

59 62 50 69 74

161 178 159 176 175

160 181 153 179 179

37 41 36 42 43

770 385 500 325 740

31 32 33 34 35

2 1 1 1 2

2 3 1 1 3

58 86 70 64 64

164 191 161 166 166

166 180 185 171 155

38 46 44 40 38

125 60 625 310 0

704

Estadstica
6 2 3 62 169 165 7 2 2 56 162 158 8 2 2 58 162 163 9 2 1 52 170 171 10 1 1 68 170 172 11 1 3 72 184 185 12 1 2 74 180 182 13 1 2 66 175 177 14 2 2 60 170 168 15 2 1 60 165 161 16 2 3 55 163 160 17 2 2 60 167 165 18 2 2 50 167 165 19 2 2 52 160 157 20 2 1 53 164 160 21 2 2 58 163 166 22 2 2 74 175 178 23 2 2 63 173 180 24 2 2 60 161 164 25 2 2 53 162 162 26 1 3 82 174 180 27 1 2 68 178 180 28 2 1 64 172 175 29 2 2 65 165 165 30 2 1 46 160 158 Sexo: 1= hombre; 2= mujer; 37 36 37 38 42 43 42 41 38 38 36 37 37 35 37 38 40 39 38 37 41 42 37 40 37 2600 250 225 501 5450 7500 1785 0 200 4400 700 120 700 2016 875 285 560 3010 500 1000 275 175 690 605 5135 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 2 2 2 2 1 1 1 2 1 2 2 2 1 2 2 2 2 1 2 2 1 1 2 2 2 1 2 2 2 3 3 3 3 3 1 3 1 2 3 1 1 2 2 1 2 2 2 2 2 2 70 51 62 58 71 68 74 55 68 57 57 68 69 50 58 66 50 81 60 50 65 65 62 58 63 156 165 167 160 185 175 183 160 185 161 169 158 172 155 163 168 163 184 165 155 179 164 174 162 172 152 160 159 160 187 172 178 154 185 155 164 150 172 155 162 168 161 188 160 155 171 158 179 160 171 35 37 38 37 43 42 45 37 42 37 38 36 41 37 38 39 36 43 36 35 35 36 40 36 41 175 100 1200 215 700 475 1600 400 125 450 1115 400 0 500 1290 125 480 5120 255 500 90 700 0 200 2000

Deporte: 1=nada, 2=poco; 3= mucho Ejercicios: 6. A partir de los datos de toda la clase, haz un recuento de las frecuencias en las diferentes modalidades para las variables sexo y hacer deporte. Si tomo una ficha al azar, cul sera la probabilidad de que corresponda a una chica? y la de que el alumno en cuestin haga mucho deporte?

2.3. Variables estadsticas Para representar los distintos tipos de datos empleamos variables. Una variable es un smbolo que puede tomar valores diferentes. Cuando estos valores son los resultados de un recuento estadstico, la llamamos variable estadstica, y representa generalmente un cierto carcter de los individuos de una poblacin. Usualmente, las variables estadsticas se clasifican en cualitativas y cuantitativas, segn que las modalidades del carcter que representan sean o no numricas (Algunos autores no consideran las variables cualitativas, al considerar que tambin se puede asignar un nmero diferente a cada una de las modalidades de las variables cualitativas, con lo que quedaran asimiladas a las cuantitativas). Ejemplos de variables cualitativas son el grupo sanguneo o la religin de una persona. Dentro de las variables cuantitativas se distingue entre variables discretas y continuas, siendo discretas aquellas que por su naturaleza slo pueden tomar valores aislados -generalmente nmeros enteros- y continuas las que pueden tomar todos los valores de un cierto intervalo. As, los experimentos que consisten en el recuento de objetos, como pueden ser: nmero de miembros de una familia, nmero de nidos de aves en una parcela, etc. dan 705

C. Batanero y J. D. Godino lugar a variables discretas, mientras que al medir magnitudes tales como el peso, el tiempo, capacidad, longitud, etc. se obtienen variables continuas.
Ejercicios: 7. Clasificar las variables del estudio realizado en la clase, segn su tipo. 8. Pon otros ejemplos de variables estadsticas cualitativas, cuantitativas discretas y cuantitativas continuas.

2.4. Tablas de frecuencias El listado de los distintos valores o modalidades de una variable estadstica, junto con las frecuencias (absolutas o relativas) de aparicin de cada valor es el resumen ms primario de una coleccin de datos y recibe el nombre de distribucin de frecuencias. Las distribuciones de frecuencias de datos cualitativos pueden representarse mediante una tabla de frecuencias, como se muestra en la Tabla 2. La frecuencia absoluta es el nmero de veces que aparece cada modalidad. La frecuencia relativa se obtiene dividiendo la frecuencia absoluta por el total de casos en la muestra. El porcentaje es igual a la frecuencia relativa multiplicada por 100. Tabla 2 : Distribucin del 'color de los ojos' de los alumnos de una clase Modalidad Frecuencia absoluta Frecuencia relativa Porcentaje Negro 15 0.50 50.0 marrn 7 0.233 23.3 azul 3 0.100 10.0 otros 5 0.166 16.6 Total 30 1.00 100 Cuando la variable es numrica interesa tambin calcular las frecuencias acumuladas. Para cada valor de la variable, la frecuencia acumulada es el nmero de elementos con un valor de la variable menor o igual que el dado. Se obtienen sumando a la frecuencia de un valor todas las anteriores. Las frecuencias relativas acumuladas se obtienen dividiendo las frecuencias absolutas acumuladas por el nmero de datos. Tambin pueden obtenerse sumando a la frecuencia relativa ordinaria todas las anteriores, como se muestra en la Tabla 3. Tabla 3. Distribucin de frecuencias del nmero de calzado Nmero de Frecuencia Frecuencia Frecuencia Frecuencia relativa calzado relativa acumulada acumulada 35 4 0.0667 4 0.0667 36 8 0.1333 12 0.2000 37 14 0.2333 26 0.4333 38 10 0.1667 36 0.6000 39 2 0.0333 38 0.6333 40 4 0.0667 42 0.7000 41 5 0.0833 47 0.7833 42 6 0.1000 53 0.8833 43 4 0.0667 57 0.9500 44 1 0.0167 58 0.9667 45 1 0.0167 59 0.9833 46 1 0.0167 60 1.0000
Ejercicios:

706

Estadstica
9. Cul es el valor o valores ms frecuentes del nmero de calzado? Qu tanto por ciento de alumnos calzan el 40 o un nmero mayor de calzado? 10. Cules son las principales diferencias en la distribucin de frecuencias del nmero de calzado de chicos y chicas? (Usa la informacin dada en la tabla 1)

2.5. Grficos estadsticos Las distribuciones de frecuencias de las variables estadsticas pueden representarse mediante tablas y grficos. A menudo es preferible un grfico, porque permite resaltar las principales caractersticas de la distribucin. El denominado grfico de barras permite ilustrar visualmente ciertas comparaciones de tamao, especialmente cuando se precisa comparar dos muestras. En el diagrama de barras, cada uno de los valores de la variable correspondiente se representa en el eje de abscisas de un grfico cartesiano, a intervalos igualmente espaciados. Para cada valor se dibuja una barra (o rectngulo) cuya altura ha de ser proporcional a la frecuencia absoluta o relativa de dicho valor. Otro tipo de representacin es el grfico de lnea poligonal, usado con ventaja para mostrar cambios de una variable a lo largo del tiempo. El grfico de barras se puede usar para variables cualitativas pero el grfico de lneas no.

25 20 15 10 5 0 1 2 3

chicos chicas

Prctica de deporte

Figura 1: Diagrama de barras (prctica de deporte segn sexo) El grfico de sectores (que informalmente se denomina a veces grfico de la 'tarta' o 'pastel') muestra claramente cmo una cantidad total se reparte, as como el tamao relativo de las distintas partes. El rea de cada sector es proporcional a la frecuencia de la modalidad que representa. En el grfico de sectores cada modalidad o valor de la variable se representa por un sector circular cuyo ngulo central y, por lo tanto tambin su rea, es proporcional a la frecuencia. Una forma sencilla de construirlo es multiplicando la frecuencia relativa por 360; de este modo se obtiene la amplitud del ngulo central que tendr cada una de las modalidades observadas. En la elaboracin de grficos estadsticos es fundamental la precisin, la claridad en los ttulos, la eleccin del tipo de grfico y el uso de escalas adecuadas. Si uno de estos aspectos no se tiene en cuenta, el grfico puede dar una idea inadecuada de la informacin que se trata de comunicar.

707

C. Batanero y J. D. Godino

Grfico de sectores
21,67%
25,00%

deporte 1 2 3
53,33%

Figura 2: Grfico se sectores de prctica de deporte

Ejercicios: 11. Representa mediante un diagrama de barras la distribucin de la variable "prctica de deporte" y analiza las ventajas de cada una de las dos representaciones. 12. Busca en la prensa ejemplos de grficos estadsticos realizados inadecuadamente, razonando dnde se hallan los errores en su elaboracin. 13. Completa los datos de la Tabla 4 y represntalos grficamente.

Tabla 4: Frecuencia de la variable 'nmero de hermanos' Valor Frecuencia Frecuencia Frecuencia Frecuencia relativa absoluta relativa acumulada acumulada 1 1 0.033 2 10 0.333 3 5 0.166 4 7 0.233 5 3 0.100 6 1 0.033 7 3 0.100 Total 30 1.00 2.6. Agrupacin de variables en intervalos Cuando la variable estadstica que estudiamos es continua, como la altura de l s o alumnos, los valores observados suelen ser distintos unos de otros, o las frecuencias pequeas, con lo cual una tabla de frecuencias y su correspondiente representacin grfica no constituyen buenos resmenes estadsticos. Por dicho motivo se procede a definir unos intervalos de valores y se recuentan las frecuencias de los valores en cada intervalo de clase (Tabla 5). Los extremos de este intervalo se denominan extremos de clase y el punto medio marca de clase. El histograma de frecuencias es la grfica apropiada para representar estas tablas de frecuencias de datos agrupados en intervalos. En el histograma la frecuencia de cada intervalo se representa por medio de un rectngulo cuya rea es proporcional a la frecuencia en dicho intervalo. Los histogramas pueden representar frecuencias absolutas o relativas. Tambin podemos comparar una misma variable en dos muestras, utilizando histogramas con la misma amplitud de intervalos, como se muestra en la figura 4.

708

Estadstica

Histograma para altura

20 16

Frecuencias

12 8 4 0 150 160 170 180 190 200

altura

Figura 3: Histograma de frecuencias absoluta de la altura de los alumnos sexo=1

55 35 15 5 25 45 44 54 64 74 84 94

sexo=2 Figura 4: Histograma de frecuencias relativas de peso de alumnos segn sexo Tabla 5: Distribucin de frecuencias de "pesetas en el bolsillo"
N de clase 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Lmite inferior 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 7000 Lmite superior 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 7000 7500 Marca de clase 250 750 1250 1750 2250 2750 3250 3750 4250 4750 5250 5750 6250 6750 7250 Frecuencia 33 13 3 3 1 1 1 0 1 0 3 0 0 0 1 Frecuencia relativa 0.5500 0.2167 0.0500 0.0500 0.0167 0.0167 0.0167 0.0000 0.0167 0.0000 0.0500 0.0000 0.0000 0.0000 0.0167 Frec. abs. acumulada 33 46 49 52 53 54 55 55 56 56 59 59 59 59 60 Frec. rel. acumulada 0.5500 0.7667 0.8167 0.8667 0.8833 0.9000 0.9167 0.9167 0.9333 0.9333 0.9833 0.9833 0.9833 0.9833 1.0000

Porcentaje

709

C. Batanero y J. D. Godino
Ejercicio: 14. Con los datos de la tabla de frecuencias 5, representa grficamente el histograma de frecuencias absolutas de las "pesetas en bolsillo" con intervalos de amplitud 500.

2. 7. Representacin grfica de frecuencias acumuladas En las figuras 5 y 6 representamos grficamente las frecuencias acumuladas de las variables nmero de calzado y pesetas en bolsillo. En los dos casos obtenemos una grfica creciente, pues las frecuencias acumuladas son mayores a medida que aumentamos el valor de la variable. Sin embargo, las grficas son ligeramente diferentes. En la variable sin agrupar nmero de calzado tiene forma de escalera, correspondiendo a cada valor de la variable una altura igual a su frecuencia acumulada. En la variable agrupada marcamos en el extremo superior de cada intervalo de clase una altura igual a su frecuencia acumulada, uniendo a continuacin los puntos obtenidos mediante una lnea poligonal que se llama polgono acumulativo de frecuencias.

100 80

Frecuencia

60 40 20 0 34 36 38 40 42 44 46

calzado

Figura 5: Diagrama de frecuencias acumuladas del nmero de calzado

100 80

Frecuencia

60 40 20 0 0 2 4 6

pesetas

8 (X 1000)

Figura 6: Polgono acumulativo de frecuencias de las pesetas en bolsillo 2. 8. Grfico del tronco El grfico del tronco (en ingls -stem and leaf-) es utilizado para la representacin de distribuciones de variables cuantitativas, consiguiendo con l, adems de una grfica de la distribucin, la visualizacin de los valores de los datos que estamos estudiando. Para ejemplificarlo trabajaremos con el conjunto de datos que se muestra en la Figura 7, y que supondremos ha sido recogido en clase por los propios alumnos.

710

Estadstica

Peso en Kg. Varones Hembras 55 64 70 74 75 70 60 45 46 50 47 55 64 93 60 62 70 80 49 52 50 46 50 52 61 60 62 68 65 65 52 48 52 63 53 54 66 68 70 72 72 71 54 54 53 55 57 44 56 56 56 53 60 65 67 61 68 55 64 60 Figura 7 Para realizar este grfico procederemos de la siguiente forma: Se redondean los datos a dos o tres cifras, expresando los valores con nmeros enteros. En nuestro ejemplo, puesto que los datos disponibles constan slo de dos cifras, este paso no es necesario. Se ordenan de menor a mayor, como se muestra en la Figura 8 44 45 46 46 47 48 49 50 50 50 52 52 52 52 53 53 53 54 54 54 55 55 55 55 56 56 56 57 60 60 60 60 60 61 61 62 62 63 64 64 64 65 65 65 66 67 68 68 68 70 70 70 70 71 72 72 74 75 80 93 Figura 8 Se separan por la izquierda uno o ms dgitos de cada dato, segn el nmero de filas que se quiera obtener, en general no ms de 12 15. Cada uno de estos valores se escriben uno debajo del otro, trazando una lnea a la derecha de los nmeros escritos. Estas cifras constituyen el "tronco".En nuestro caso tomaremos la primera cifra para formar con ella el "tronco". Para cada dato original se buscan los dgitos escritos de su tronco y a la derecha de los mismos se escriben las cifras que nos haban quedado. Estas cifras forman las "hojas". De este modo obtenemos el grfico del tronco para nuestros datos (Figura 9). 4 5 6 7 8 9 4566789 000222233344455556667 000001122344455567888 000012245 0 3

Figura 9: Grfico del trondo del peso de los alumnos Como se observa, el resultado es, en la prctica, un histograma de amplitud de intervalo 10, que adems de mostrarnos la forma de la distribucin, presenta todos los datos ordenados. Esta representacin puede ser ampliada o condensada para aumentar o disminuir el nmero de filas, subdividiendo o fundiendo dos o ms filas adyacentes. Por ejemplo, para extender el grfico de la Figura 9, podemos subdividir en dos cada fila de la siguiente forma: marcamos con un asterisco las filas cuyos dgitos de la derecha varian de 0 a 4 y con un punto las filas cuyos dgitos de la derecha varian de 5 a 9. Este 711

C. Batanero y J. D. Godino nuevo diagrama, que podemos observar en la Figura 10 recibe el nombre de grfico del "tronco extendido". 4* 4. 5* 5. 6* 6. 7* 7. 8* 9. 4 5 0 5 0 5 0 5 0 3

6 0 5 0 5 0

6 0 5 0 5 0

7 2 5 0 6 0

8 2 6 0 7 1

9 2 6 1 8 2

2 6 1 8 2

3 3 3 4 4 4 7 2 2 3 4 4 4 8 4

Figura 10: Grfico del tronco extendido d peso de los el alumnos

Al comparar el grfico del tronco con un histograma de frecuencias observamos las siguientes ventajas: Su fcil construccin, especialmente con papel cuadriculado. Se pueden observar los datos con ms precisin que en el histograma, pues los rectngulos pueden ocultar diferencias importantes entre los valores, mientras que en el grfico del tronco estas lagunas pueden ser fcilmente detectadas y observadas. Pueden obtenerse a partir de l rpidamente los estadsticos de orden, como los valores mximo y mnimo, la mediana, cuartiles, percentiles y sus rangos, as como la moda. Es fcil comparar dos muestras de datos en el mismo grfico, como vemos en la figura 11. Como contrapartida observamos que no podemos elegir la amplitud del intervalo, como en el caso del histograma, sino que viene impuesta por el sistema de numeracin. Tampoco podemos escoger la escala de la representacin grfica, que viene impuesta por el espaciado del papel empleado.

CHICOS

CHICAS

4* 4 4. 5 6 6 7 8 9 5* 0 0 0 2 2 2 2 3 3 3 4 4 4 5 5. 5 5 5 6 6 6 7 4422100 6* 0 0 0 1 3 4 8 8 6 5 5 6. 5 7 8 2210000 7* 5 7. 0 8* 3 9. Figura 11: Grfico del tronco extendido del peso para chicos y chicas

712

Estadstica

3. CARACTERSTICAS DE POSICIN CENTRAL Y DISPERSIN DE UNA DISTRIBUCIN DE FRECUENCIAS

Supongamos que tenemos que elegir en la clase al alumno/a cuyas caractersticas representen mejor cada una de las variables recogidas. A quien elegiras? Qu valores elegiras como mejor representante de cada una de las variables analizadas? En lo que sigue estudiaremos la forma de resumir una distribucin de datos. 3.1. Medidas de tendencia central La comparacin de dos distribuciones de frecuencias correspondientes, por ejemplo, a muestras distintas de una misma variable (como "nmero de hermanos", "altura", etc.), puede hacerse de una manera directa por medio de la tabla, o visualmente con ayuda de grficos estadsticos. Pero tambin puede hacerse eligiendo un valor representativo de cada muestra. La media, la moda y la mediana son soluciones matemticas idneas para este problema segn distintas circunstancias. Reciben el nombre de 'estadsticos' o caractersticas de posicin (o tendencia) central. La media aritmtica: Es la principal medida de tendencia central. Es el nmero que se obtiene sumando todos los valores de la variable estadstica (xi) y dividiendo por el nmero de valores (N). Si un valor aparece varias veces debe ponderarse por su frecuencia (fi). Simblicamente, xi fi x= i N La media es la mejor estimacin de una cantidad desconocida, cuando hemos hecho varias medidas de la misma. Esta es la propiedad de la media que usamos cuando calificamos a un alumno a partir de varias evaluaciones o cuando estimamos el tiempo de espera en la parada de un autobs. Por tanto sirve para resolver problemas como el siguiente:
Un objeto pequeo se pesa con un mismo instrumento por ocho estudiantes de una clase, obtenindose los siguientes valores en gramos: 6'2, 6'0, 6'0, 6'3, 6'1, 6'23, 6'15, 6'2 Cul sera la mejor estimacin del peso real del objeto?

La media es la cantidad equitativa a repartir cuando tenemos diferentes cantidades de una cierta magnitud y queremos distribuirla en forma uniforme, como cuando hablamos del nmero medio de nios por familia o de la renta per cpita, o en el siguiente ejemplo:
Unos nios llevan a clase caramelos. Andrs lleva 5, Mara 8, Jos 6, Carmen 1 y Daniel no lleva ninguno. Cmo repartir los caramelos de forma equitativa?

Otras propiedades de la media son las siguientes: 1) La media es un valor comprendido entre los extremos de la distribucin. 2) El valor medio es influenciado por los valores de cada uno de los datos. 3) La media no tiene por qu ser igual a uno de los valores de los datos. Incluso puede no tener "sentido" para los datos considerados (como decir que el nmero medio de hijos en las familias espaolas es 1.1). 4) Hay que tener en cuenta los valores nulos en el clculo de la media. 5) La media es un "representante" de los datos a partir de los que ha sido calculada.

713

C. Batanero y J. D. Godino 6) La media se expresa en las mismas unidades de medida que los datos.
Ejercicios: 15. Hay 10 personas en un ascensor, 4 mujeres y 6 hombres. El peso medio de las mujeres es de 58 kgs y el de los hombres de 72. Cul es el peso medio de las 10 personas del ascensor? 16. La media en fluidez verbal de una clase de un colegio es de 400. Si extraemos una muestra aleatoria de 5 estudiantes y resulta que la puntuacin de los 4 primeros es de 380, 420, 600, 400. Cul sera aproximadamente la puntuacin esperada para el quinto estudiante? 17. Para aprobar cierta asignatura, un estudiante necesita obtener una puntuacin media de 6 (o ms) entre cuatro exmenes. Las puntuaciones de Pedro en los tres primeros fueron de 3'5, 6'6 y 6'2. Qu puntuacin mnima necesita obtener en el cuarto examen para aprobar la asignatura? 18. La edad media de los 175 alumnos de una escuela es de 8 aos, y la de los 12 adultos (profesores y personal) es de 40 aos. Cul es la edad media de todas las personas de esa escuela?

La moda Es el valor de la variable que tiene mayor frecuencia. Por ejemplo, en la Tabla 3 la moda del nmero de calzado es el 37. En una distribucin puede haber ms de una moda. Si existe una sola moda se llama unimodal, si existen dos bimodal, si hay ms de dos se llama multimodal. En general es una medida de tendencia central poco eficaz ya que si las frecuencias se concentran fuertemente en algunos valores al tomar uno de ellos como representante los restantes pueden no quedar bien representados, pues no se tienen en cuenta todos los datos en el clculo de la moda. Sin embargo, es la nica caracterstica d valor central e que podemos tomar para las variables cualitativas. Adems su clculo es sencillo. La mediana Si suponemos ordenados de menor a mayor todos los valores de una variable estadstica, se llama mediana al nmero tal que existen tantos valores de la variable superiores o iguales como inferiores o iguales a l. Por ejemplo si en una familia los nios tienen 3, 5 y 8 aos, la edad del nio mediano es 5 aos. La mediana es igual a 5. Si nace un nuevo beb (0 aos) ahora tenemos dos nios medianos, uno de 3 y otro de 5 aos. En este caso hay una indeterminacin y para resolverla tomamos como mediana el valor 4 (media entre 3 y 5). Para calcular la mediana a partir de una tabla de frecuencias o de un polgono de frecuencias acumuladas, observamos que la frecuencia relativa acumulada que corresponde a la mediana es exactamente igual a 1/2. Por tanto, en la Tabla 3 (nmero de calzado) y ya que al nmero de calzado 37 corresponde una frecuencia acumulada 043 y al nmero 38 una frecuencia acumulada 060 la mediana es igual a 38. Esto lo podemos ver mejor en el diagrama de frecuencias acumuladas (figura 5). La mediana presenta ciertas ventajas como medida de tendencia central frente a la media en algunas distribuciones, ya que no se ve afectada por los valores extremos de las observaciones; por ello su uso es particularmente indicado en las distribuciones asimtricas. Tambin se puede aplicar con variables estadsticas ordinales, mientras que la media no se puede aplicar en estos casos.

714

Estadstica 3.2. Caractersticas de dispersin Las caractersticas de dispersin son estadsticos que nos proporcionan una medida del mayor o menor agrupamiento de los datos respecto a los valores de tendencia central. Todas ellas son valores mayores o iguales a cero, indicando un valor cero la ausencia de dispersin. Una de tales medidas puede ser la diferencia entre el valor mayor y el menor de la distribucin de frecuencias, que recibe el nombre de recorrido (o rango). En su clculo slo intervienen dos valores (el mximo y el m nimo) por lo que es escasamente representativa de la dispersin del conjunto de datos. El rango para la distribucin del nmero de calzado es igual a 11 ( 46 35). La medida de dispersin ms utilizada es la desviacin tpica (s), que es la raz cuadrada de la suma de los cuadrados de la diferencia entre cada valor y la media dividida dicha suma por el nmero de valores; su cuadrado recibe el nombre de varianza y viene dada, por tanto, por la siguiente expresin: s =
Ejercicios: 19. Qu se puede decir sobre el resultado de un examen, si la distribucin de las puntuaciones de los alumnos verifican lo siguiente?: a) La desviacin tpica es cero. b) El rango es grande, pero la desviacin tpica es pequea c) El rango es pequeo, pero la desviacin tpica es grande. 20. Inventa un problema referido a calificaciones de matemticas de un curso cuya media sea aproximadamente 5 y cuya desviacin tpica sea aproximadamente 2. 21. En los exmenes realizados por Luca, la mediana fue de 8'8, su puntuacin media fue de 9'0 y el rango fue 0'8. Cules fueron las puntuaciones de los tres exmenes?
2

f i( x i - x ) 2 f i x 2 2 i = -x N N

4. TALLER DE MATEMTICAS
1. En la tabla adjunta presentamos los resmenes estadsticos de las variables

consideradas en la encuesta realizada en clase. a) Razona qu promedio es ms adecuado para cada variable. b) Cul de las variables tiene mayor /menor dispersin? c) Qu alumno (ver Tabla 1 de datos) sera ms representativo en cada una de las variables? d) Hay algn alumno que sea representativo en todas las variables?
Estadsticos de las variables del muestreo realizado en clase Variable Peso Altura Longitud Calzado Media 62.38 168.46 167.7 38.8 Mediana 62 166.5 165 38 Moda 58 161 160 37 Desviacin tpica 8.57 8.41 10.29 2.77 Mnimo 46 155 150 35 Mximo 86 191 188 46 Rango 40 36 38 11 Tamao de muestra 60 60 60 60 Pesetas 1026.87 500 0 1530.50 0 7500 7500 60

715

C. Batanero y J. D. Godino 2. En relacin a los datos recogidos en clase (Tabla 1), a) Son ms altos los alumnos que practican mucho deporte? b) Reciben las chicas ms dinero que sus compaeros? Razona las respuestas basndote en lo que has aprendido sobre la estadstica. 3. En este diagrama de dispersin, indica si existe relacin entre la altura y el peso. Estima la altura de una persona que pesa 60 kg. Podras dibujar una recta que sirva para calcular aproximadamente la altura en funcin del peso?

200 190 180 170 160 150 40 60 Peso kg 80 100

4. A partir del grfico del tronco de la variable "Longitud de brazos extendidos", que se muestra a continuacin, calcula a) el mximo, mnimo, mediana y cuartiles. b) Calcula el tanto por ciento de alumnos con brazos ms largos y ms cortos que los tuyos.
15* 15. 16* 16. 17* 17. 18* 18. 0234 555578889 00000001122344 55556688 1111222 5788999 000012 55578

5. Al medir la altura en cm. que pueden saltar un grupo de escolares, antes y despus de haber efectuado un cierto entrenamiento deportivo, se obtuvieron los valores siguientes. Piensas que el entrenamiento es efectivo?
Altura saltada en cm. Carol Diana Elena Fanny Gia 107 119 115 138 126 106 128 122 145 132

Alumno Ana Antes del entrenamiento 115 Despus del entrenamiento 128

Bea 112 115

Altura cm

Hilda Ines 105 104 109 102

Juana 115 117

6. A continuacin reproducimos datos sobre nmero de pulsaciones por minuto en diversas especies animales3
3

Ejemplo tomado de Friel, Mokros y Russell (1992). Statistics: Middles, means and in-betweens. Palo Alto, CA: Dayle Seymour.

716

Estadstica
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 . . 58 59 60 6 59 055788 00247888 5599 6 00005 0 025 0 0 05 0 0 0 Ballena Camello, Tiburn Elefante, Caballo, Trucha, Merluza, Salmn, Dorada Mula, Burro, Len, Foca, Caimn, Cocodrilo, Bacalao, Rana Vaca, Oso, Carpa, Perca Jirafa Hombre, Ciervo, Avestruz, Cerdo, Oveja Ganso Perdiguero, Mastn. Fox Terrier Collie Delfn Canguro, Pekins Gato Conejo Paloma

Pavo

0 8

Zorro Pavo

01 2 0 27

Puercoespn, Aguila Codorniz Pollo Halcn, Buitre

8 08 0 1

Cuervo Grajo Comadreja Ardilla Gaviota

8 0

Murcilago Ratn

a) Te parece que la media sera un estadstico que representara bien este conjunto de datos? Y la moda? b) Encuentras que alguna de las especies es atpica, debido a que su nmero de pulsaciones est claramente alejada de la mayora? 7. Cuatro jugadoras de baloncesto se han sometido a la siguiente prueba: Cada una de ellas ha hecho 10 lanzamientos a canasta a una distancia de 1m, otros 10 lanzamientos desde 2m, y as sucesivamente hasta 8m. En cada caso se han anotado los siguientes encestes:

717

C. Batanero y J. D. Godino
Jugadora A B C D 1m 9 7 3 10 2m 10 6 4 8 3m 6 7 0 9 4m 4 4 1 9 5m 2 2 0 6 6m 0 4 2 7 7m 1 1 1 4 8m 0 0 3 5

Qu jugadora es ms eficaz en el enceste?

15 10 5 0 1m 2m 3m 4m 5m 6m 7m 8m A B C D

Razona la respuesta usando resmenes numricos de los datos y la grfica que se adjunta.

8. En la figura presentamos las frecuencias acumuladas de la altura de 1000 chicas. a) Calcula aproximadamente la mediana, mximo y mnimo. b) Entre qu lmites vara el 50 por ciento de los valores centrales? c) Cul es el valor de la altura tal que el 70 % de las chicas tiene una altura igual o inferior (percentil del 70%)? d) Si una chica mide 1.65, En qu percentil est? e) Compara tu altura con la de estas chicas. Qu porcentaje de chicas son ms altas/ bajas que t? f) Qu valores de la estatura consideraras atpicos en esta distribucin?
Frecuencias acumuladas de alturas de 1000 chicas
100 90 80 70 60 50 40 30 20 10 0

porcentaje
140 145 150 155 160 165 170 175 180

altura

718

UNIVERSIDAD DE CHILE
VICERRECTORA DE ASUNTOS ACADMICOS
DEPARTAMENTO DE EVALUACIN, MEDICIN Y REGISTRO EDUCACIONAL

NOCIONES BSICAS DE ESTADSTICA UTILIZADAS EN EDUCACIN

SANTIAGO, septiembre de 2008

NOCIONES BSICAS DE ESTADSTICA UTILIZADAS EN EDUCACIN

QU ES LA ESTADSTICA?

La estadstica es una disciplina que disea los procedimientos para la obtencin de los datos, como asimismo proporciona las herramientas que permiten extraer la informacin. Los mtodos estadsticos constituyen uno de los medios por los que el hombre trata de comprender la generalidad de la vida. Los mtodos objetivos y controlados que permiten abstraer grupos de tendencias de muchos individuos aislados, son llamados mtodos estadsticos. Estos son fundamentalmente los mismos, independientemente de que se apliquen en el anlisis de fenmenos fsicos, en el estudio de mediciones educacionales, en el estudio de datos provenientes de experimentos biolgicos, o del anlisis cuantitativo del material en economa Los ejemplos de estas nociones bsicas son tomados de aquellos usados en educacin y principalmente en la etapa de trmino de la Educacin Media y su postulacin a la Educacin Superior.

Estadstica descriptiva La estadstica descriptiva es un conjunto de procedimientos que tienen por objeto presentar masas de datos por medio de tablas, grficos y/o medidas de resumen. De acuerdo a lo anterior, la estadstica descriptiva es la primera etapa a desarrollar en un anlisis de informacin.

Tablas de Frecuencias: Una forma de presentar ordenadamente un grupo de observaciones, es a travs de tablas de distribucin de frecuencias. La estructura de estas tablas depende de la cantidad y tipo de variables que se estn analizando, siendo las ms simples las que se refieren a una variable.

EJEMPLO : Se tienen las notas de una prueba de matemtica para 1000 alumnos de enseanza media de un determinado colegio. Se resume la informacin en la siguiente tabla de frecuencia.

NOTA

FRECUENCIA

NOTA

FRECUENCIA

1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 2,8 3,0 3,2 3,4 3,6 3,8 4,0

1 2 3 8 15 18 19 22 25 26 28 31 35 38 45

4,2 4,4 4,6 4,8 5,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4 6,6 6,8 7,0

46 48 52 58 60 56 54 51 50 46 44 40 32 31 18

En una tabla se pueden distinguir los siguientes tipos de frecuencias:

Frecuencia Absoluta

Es el nmero de repeticiones que presenta una observacin. Se denota por ni Es la frecuencia absoluta dividida por el nmero total de datos. Se denota por fi Es la suma de los distintos valores de la frecuencia absoluta tomando como referencia un individuo dado. La ltima frecuencia absoluta acumulada es igual al nmero de casos. Se denota por Ni Es el resultado de dividir cada frecuencia absoluta acumulada por el nmero total de datos. Se denota por Fi

Frecuencia Relativa

Frecuencia Absoluta Acumulada

Frecuencia Relativa Acumulada

Para el ejemplo propuesto se determinaron las distintas frecuencias, las que se muestran en la siguiente tabla:

NOTA

FREC. ABSOLUTA

FREC. ABSOLUTA ACUMULADA

FREC. RELATIVA

FREC RELATIVA ACUMULADA

1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 2,8 3,0 3,2 3,4 3,6 3,8 4,0 4,2 4,4 4,6 4,8 5,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4 6,6 6,8 7,0
TOTAL

1 2 3 8 14 18 19 22 25 26 27 31 35 38 45 46 48 52 58 60 56 54 51 50 46 44 40 32 31 18
1000

1 3 6 14 28 46 65 87 112 138 165 196 231 269 314 360 408 460 518 578 634 688 739 789 835 879 919 951 982 1000

0,001 0,002 0,003 0,008 0,014 0,018 0,019 0,022 0,025 0,026 0,027 0,031 0,035 0,038 0,045 0,046 0,048 0,052 0,058 0,060 0,056 0,054 0,051 0,050 0,046 0,044 0,040 0,032 0,031 0,018

0,00 0,00 0,01 0,01 0,03 0,05 0,07 0,09 0,11 0,14 0,17 0,20 0,23 0,27 0,31 0,36 0,41 0,46 0,52 0,58 0,63 0,69 0,74 0,79 0,84 0,88 0,92 0,95 0,98 1

Nota: Si la frecuencia relativa y relativa acumulada la multiplicamos por 100, los valores obtenidos representan porcentajes, lo que facilita la interpretacin de los datos.

De esta tabla se pueden sacar conclusiones como: 45 alumnos obtuvieron nota 4,0 578 alumnos obtuvieron nota inferior o igual a 5,0 El 1,8 % de los alumnos obtuvo nota 7,0 El 31 % obtuvo nota 4.0 o inferior a sta, mientras que el 69% obtuvo una nota superior a 4,0

Esta informacin tambin puede ser representada en forma grfica como se muestra a continuacin:

HISTOGRAMA
70 60 FRECUENCIAS 50 40 30 20 10 0 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5 5,2 5,4 5,6 5,8 6 6,2 6,4 6,6 6,8 7 NOTAS

En el histograma se observa grficamente la distribucin de las notas de la prueba, y que los puntos ms altos estn en las notas 4,8; 5,0 y 5,2 las que coinciden con las frecuencias ms altas de la tabla.

Otra forma de representar los datos es a travs de un polgono de frecuencias que es un grfico de puntos en el cual se muestra la distribucin dibujada punto por punto representando los valores especficos de la variable bajo estudio.

En el ejemplo se puede observar que se representan los 30 valores que toman las notas. La frecuencia ms alta de alumnos la alcanza la nota 5,0

POLIGONO DE FRECUENCIA
70 60 FRECUENCIA 50 40 30 20 10 0 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5 5,2 5,4 5,6 5,8 6 6,2 6,4 6,6 6,8 7 NOTAS

La ojiva o polgono de frecuencia acumulada nos muestra justamente las frecuencias acumuladas. En nuestro ejemplo la Ojiva nos dice que hay alrededor de 800 alumnos que obtuvieron nota 6 o menos en la prueba de matemtica.

OJIVA O POLIGONO DE FRECUENCIA ACUMULADA

1200 1000 FRECUENCIA 800 600 400 200 0 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 2,8 3 3,2 3,4 3,6 3,8 4 4,2 4,4 4,6 4,8 5 5,2 5,4 5,6 5,8 6 6,2 6,4 6,6 6,8 7 NOTAS

MEDIDAS DE TENDENCIA CENTRAL Las medidas de tendencia central son valores numricos que tienden a localizar la parte central de un conjunto de datos. Nos dan un centro de la distribucin de frecuencias, es un valor que se puede tomar como representativo de todos los datos. Hay diferentes modos para definir el "centro" de las observaciones en un conjunto de datos. A continuacin se presentan los ms usados. La Media aritmtica: tambin denominada promedio, es la que se utiliza principalmente y se define como la suma de los valores de todas las observaciones divididas por el nmero total de datos. Se representa por x o por la letra segn se calcule en una muestra o en la poblacin, respectivamente.
NOTA FREC. ABSOLUTA FREC. ABSOLUTA ACUMULADA FREC. RELATIVA % FREC RELATIVA ACUMULADA % xi*ni

1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 2,8 3,0 3,2 3,4 3,6 3,8 4,0 4,2 4,4 4,6 4,8 5,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4 6,6 6,8 7,0
TOTAL

1 2 3 8 14 18 19 22 25 26 27 31 35 38 45 46 48 52 58 60 56 54 51 50 46 44 40 32 31 18
1000

1 3 6 14 28 46 65 87 112 138 165 196 231 269 314 360 408 460 518 578 634 688 739 789 835 879 919 951 982 1000

0,1 0,2 0,3 0,8 1,4 1,8 1,9 2,2 2,5 2,6 2,7 3,1 3,5 3,8 4,5 4,6 4,8 5,2 5,8 6,0 5,6 5,4 5,1 5,0 4,6 4,4 4,0 3,2 3,1 1,8

0,1 0,3 0,6 1,4 2,8 4,6 6,5 8,7 11,2 13,8 16,5 19,6 23,1 26,9 31,4 36,0 40,8 46,0 51,8 57,8 63,4 68,8 73,9 78,9 83,5 87,9 91,9 95,1 98,2 100,0

1,2 2,8 4,8 14,4 28,0 39,6 45,6 57,2 70,0 78,0 86,4 105,4 126,0 144,4 180,0 193,2 211,2 239,2 278,4 300,0 291,2 291,6 285,6 290,0 276,0 272,8 256,0 211,2 210,8 126,0
4717,0

La frmula para calcular el promedio es entonces:

x=

x
i =1

En el ejemplo dado que se tiene una distribucin de frecuencias el promedio se calcula por:

x= Donde: ni xi n

x n
i =1 i

: Representa la frecuencia absoluta de cada grupo. : Corresponde a la clase de cada grupo. : Cantidad total de datos.

Aplicando la frmula se obtiene:

x=

4717 = 4,717 1000

Por lo tanto, la media de notas de los alumnos en la prueba de matemtica es de 4,7

Propiedades de la media aritmtica: Puede ser calculada en distribuciones con escala relativa e intervalar. Todos los valores son incluidos en el clculo de la media. Una serie de datos solo tiene una media. Es una medida muy til para comparar dos o ms poblaciones. Es la nica medida de tendencia central donde la suma de las desviaciones de cada valor respecto a la media es igual a cero. Por lo tanto, podemos considerar a la media como el punto de balance de una serie de datos.

Desventajas de la media aritmtica Si alguno de los valores es extremadamente grande o extremadamente pequeo, la media no es el promedio apropiado para representar la serie de datos. No se puede determinar si en una distribucin de frecuencias hay intervalos de clase abiertos.

Observaciones:

1.

A veces se interpreta errneamente a la media como aquel valor que es tpico, o que se esperara que la mayora de las personas tuvieran. Esta interpretacin puede ser bastante absurda en algunos casos, por ejemplo, cuando se calcula la media de hijos en un grupo de mujeres, se obtiene que es de 2.3 nios y, obviamente, no se puede esperar encontrar una madre con exactamente 2.3 nios. Todo lo que la cifra dice, es que si dividimos el nmero total de nios de las mujeres consideradas por el nmero de mujeres, el resultado es 2.3 nios por mujer. Esto puede ser un conocimiento til en la comparacin de tamao de familia, de dos o ms grupos, pero no sugiere que alguna mujer tenga 2.3 nios. Otras veces se piensa que la media aritmtica tiene la caracterstica que la mitad de las observaciones es menor o igual que la media. Este concepto es totalmente errado en algunos casos, por ejemplo, si la distribucin es asimtrica a la derecha, como puede ser la distribucin de salarios donde hay muchas personas que ganan poco y hay pocas personas que ganan mucho, la media aritmtica resultar mucho ms grande de lo que uno esperara encontrar, si se piensa que el valor central debe ser tal que la mitad de las personas tiene un salario inferior a l y la otra mitad un salario superior. Esto se debe a la presencia de unos pocos valores excesivamente grandes que al tener demasiada influencia en el valor de la media aritmtica hacen que ella se ubique en una posicin ms extrema a la esperada. En consecuencia debera pensarse en otras medidas para evaluar un valor central con esta caracterstica.

2.

Mediana:

Se define como el valor que deja igual nmero de observaciones a su izquierda que a su derecha, es decir, divide al conjunto de datos en dos partes iguales y se denota por Me. Si los datos no estn tabulados la mediana se determina, ordenando las observaciones de menor a mayor y determinando el valor central. Si la cantidad de datos es impar, la mediana se representa justamente por ese valor. En cambio, si la cantidad es par, la mediana es el promedio de los datos centrales. Si los datos estn agrupados la mediana se calcula observando los siguientes pasos: primero se debe determinar cuanto es n/2, luego se ver en cul intervalo estar contenido este valor. Una vez ubicado el intervalo que lo contiene se procede a reemplazar en la siguiente frmula:

n 2 ( N i )Me1 Me = Li + a (ni )Me

Donde: Li (Ni)Me-1 (ni)me ni a : : : : : Es el lmite inferior de la clase que contiene la mediana. Frecuencia absoluta acumulada de la clase que precede (antes) a la clase que contiene a la mediana. Nmero de observaciones en la clase que contiene a la mediana. Nmero de observaciones. Amplitud del intervalo seleccionado.

Reemplazando los valores del ejemplo en la frmula se obtiene: Para nuestro ejemplo
1000 2 460 Me = 4,8 + 0 = 4,8 518 En este caso los datos no estn agrupados en intervalo, por lo tanto a = 0 La mediana de los alumnos que rindieron la prueba de matemticas es de 4,8

Propiedades:

No le afectan las observaciones extremas. Es fcil de calcular. Es siempre un valor de la variable. La mediana divide el rea total del histograma en dos porciones iguales.
Moda:

Es el valor de la variable que ms veces se repite, es decir, aquella cuya frecuencia absoluta es mayor. Puede haber ms de una moda en una distribucin. Se denota por Mo.

En la tabla de frecuencias del ejemplo, se observa claramente que la moda de los alumnos que rindieron la prueba de matemtica es 5.

MEDIDAS DE POSICIN

Las medidas de posicin dividen un conjunto ordenado de datos en grupo con la misma cantidad de individuos.
Percentiles:

Son 99 valores que dividen en cien porciones iguales el conjunto de datos ordenados. Ejemplo, el percentil de orden 15 deja por debajo al 15% de las observaciones, y por encima queda el 85% Cuando los datos estn agrupados en una tabla de frecuencias, se calculan mediante la frmula:

n k N i 1 100 Pk = Li + *a ni
con k= 1,2,3,... 99

Donde
Li n Ni-1 ni a

: Lmite real inferior de la clase del percentil k. : Cantidad total de datos. : Frecuencia acumulada de la clase que antecede a la clase del percentil k. : Frecuencia de la clase del percentil k. : Longitud del intervalo de la clase del percentil k.

Para el ejemplo calcularemos el percentil 87

P87

1000 87 835 100 * 0 = 6,2 = 6,2 + 44

El 87% de los alumnos obtuvieron una nota igual o inferior a 6,2 En la publicacin de los resultados de pruebas del examen de seleccin los puntajes se expresan en puntaje estndar asocindose al percentil correspondiente.
Deciles:

Son los nueve valores que dividen al conjunto de datos ordenados en diez porciones iguales, son tambin un caso particular de los percentiles, pues corresponden a los percentiles 10, 20, 30, 40, 50, 60, 70, 80 y 90. Para datos agrupados los deciles se calculan mediante la frmula.
n k N i 1 10 *a Dk = Li + ni

con k= 1,2,3,... 9

Donde: Li n Ni-1 ni a : Lmite real inferior de la clase del decil k. : Cantidad total de datos. : Frecuencia acumulada de la clase que antecede a la clase del decil k. : Frecuencia de la clase del decil k. : Longitud del intervalo de la clase del decil k.

Para el ejemplo calcularemos el decil 4

1000 4 360 10 D4 = 4,4 + * 0 = 4,4 48

El 40% de los alumnos obtuvieron una nota igual o inferior a 4,4

Cuartiles:

Son los tres valores que dividen al conjunto de datos ordenados en cuatro porciones iguales, son un caso particular de los percentiles, correspondiendo a los percentiles 25, 50 y 75. - El primer cuartil Q1 es el valor de la variable que deja a la izquierda el 25% de la distribucin. - El segundo cuartil Q2 (la mediana), es el valor de la variable que deja a la izquierda el 50% de la distribucin. - El tercer cuartil Q3 es el valor de la variable que deja a la izquierda el 75% de la distribucin. Para el ejemplo, se tienen los siguientes cuartiles Q 1:

n = 250 Primero N i n = 269 ; luego Q1 =3,8 4 4

El 25% de los alumnos obtuvieron una nota igual o inferior a 3,8 Q 2:

2n = 250 Primero N i 2n = 518 ; luego Q2 = 4,8 4 4

El 50% de los alumnos obtuvieron una nota igual o inferior a 4,8 Q 3:

3n = 250 Primero N i 3n = 789 ; luego Q3 = 5,8 4 4

El 75% de los alumnos obtuvieron una nota igual o inferior a 5,8, o bien, el 25% de los alumnos tuvieron nota superior a 5,8.

Quintiles

Son los cuatro valores que dividen al conjunto de datos ordenados en cinco porciones iguales, son un caso particular de los percentiles, correspondiendo a los percentiles 20, 40, 60, 80. El primer quintil es el valor de la variable que deja a la izquierda el 20% de la distribucin. El segundo quintil es el valor de la variable que deja a la izquierda el 40% de la distribucin. El tercer quintil es el valor de la variable que deja a la izquierda el 60% de la distribucin. El cuarto quintil es el valor de la variable que deja a la izquierda el 80% de la distribucin.
n k N i 1 5 K k = Li + *a ni

con k = 1, 2, 3, 4

Donde:

Li n Ni-1 ni a

: Lmite real inferior de la clase del quintil k. : Nmero de datos. : Frecuencia acumulada de la clase que antecede a la clase del quintil k. : Frecuencia de la clase del quintil k. : Longitud del intervalo de la clase del quintil k.

Para el ejemplo calcularemos el quintil 3

1000 3 578 5 K 3 = 5,2 + * 0 = 5,2 56

El 60% de los alumnos obtuvieron una nota igual o inferior a 5,2 o bien, el 40% de los alumnos tuvieron nota superior a 5,2

MEDIDAS DE DISPERSIN

Las medidas de dispersin indican la mayor o menor concentracin de los datos con respecto a las medidas de centralizacin
Desviacin estndar: tambin llamada desviacin tpica, es una medida de dispersin usada en estadstica que nos dice cunto tienden a alejarse los valores puntuales del promedio en una distribucin. Especficamente, la desviacin estndar es "el promedio de la distancia de cada punto respecto del promedio". Se suele representar por una S o con la letra sigma, , segn se calcule en una muestra o en la poblacin.

Una desviacin estndar grande indica que los puntos estn lejos de la media, y una desviacin pequea indica que los datos estn agrupados cerca de la media.

La frmula para calcular la desviacin estndar es:

S=

(x x )
i =1

n 1

En el ejemplo dado que se tiene una distribucin de frecuencias, la desviacin se calcula por:
K ni x i K ni xi2 i =1 n i =1 n 1
FREC. RELATIVA %
2

S=
FREC. ABSOLUTA ACUMULADA

NOTA

FREC. ABSOLUTA

FREC RELATIVA ACUMULADA %

xi*ni

xi2*ni

1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6 2,8 3,0 3,2 3,4 3,6 3,8 4,0 4,2 4,4 4,6 4,8 5,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4 6,6 6,8 7,0
TOTAL

1 2 3 8 14 18 19 22 25 26 27 31 35 38 45 46 48 52 58 60 56 54 51 50 46 44 40 32 31 18
1000

1 3 6 14 28 46 65 87 112 138 165 196 231 269 314 360 408 460 518 578 634 688 739 789 835 879 919 951 982 1000

0,1 0,2 0,3 0,8 1,4 1,8 1,9 2,2 2,5 2,6 2,7 3,1 3,5 3,8 4,5 4,6 4,8 5,2 5,8 6,0 5,6 5,4 5,1 5,0 4,6 4,4 4,0 3,2 3,1 1,8

0,1 0,3 0,6 1,4 2,8 4,6 6,5 8,7 11,2 13,8 16,5 19,6 23,1 26,9 31,4 36,0 40,8 46,0 51,8 57,8 63,4 68,8 73,9 78,9 83,5 87,9 91,9 95,1 98,2 100,0

1,2 2,8 4,8 14,4 28,0 39,6 45,6 57,2 70,0 78,0 86,4 105,4 126,0 144,4 180,0 193,2 211,2 239,2 278,4 300,0 291,2 291,6 285,6 290,0 276,0 272,8 256,0 211,2 210,8 126,0
4717,0

1,44 3,92 7,68 25,92 56,00 87,12 109,44 148,72 196,00 234,00 276,48 358,36 453,60 548,72 720,00 811,44 929,28 1100,32 1336,32 1500,00 1514,24 1574,64 1599,36 1682,00 1656,00 1691,36 1638,40 1393,92 1433,44 882,00
23970,12

Reemplazando en la frmula los valores del ejemplo se obtiene: 23970,12 999 4717 2 1000 = 1,72

S2 =

S = S 2 = 1,3114

La desviacin estndar en las notas de la prueba de matemtica es de 1,3.

MEDIDAS DE FORMA

Las distribuciones pueden tener diferentes formas, y una manera de caracterizar la forma es observar su simetra. Una distribucin de frecuencias puede ser simtrica o asimtrica. Para saber si es simtrica tenemos que tomar una referencia, es decir, ver respecto a qu es simtrica. El coeficiente de asimetra de Pearson, mide la desviacin de la simetra, expresando la diferencia entre la media y la mediana con respecto a la desviacin estndar del grupo de mediciones. Su frmula es:

As =

3( x Me) Sx

Si As = 0 diremos que la distribucin es simtrica, en ese caso las desviaciones a la derecha y a la izquierda de la media se compensan. Si As < 0 diremos que es asimtrica negativa ya que la mayora de las observaciones estn a la derecha de la proyeccin de la media. Si As > 0 diremos que es asimtrica positiva ya que la mayora de las observaciones estn a la izquierda de la proyeccin de la media.

Reemplazando en la frmula los valores del ejemplo se obtiene:

As =

3(4,717 4,8 ) = -0,1898 13114 ,

Por lo tanto, las notas de los alumnos tienen una distribucin ligeramente asimtrica negativa. En el siguiente histograma se pueden observar las medidas de tendencia central y posicin de nuestro ejemplo, adems, se puede ver fcilmente que la distribucin es asimtrica negativa.

DISTRIBUCIN NORMAL

La distribucin normal es una de las distribuciones ms usadas e importantes. Se ha desenvuelto como una herramienta indispensable en cualquier rama de la ciencia, la industria y el comercio.

Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya forma es muy parecida a la distribucin normal, llamada tambin campana de Gauss por su forma acampanada. La forma de la campana de Gauss depende de los parmetros y . La media indica la posicin de la campana, de modo que para diferentes valores de la grfica es desplazada a lo largo del eje horizontal. Por otra parte, la desviacin estndar determina el grado de apuntamiento de la curva. Cuanto mayor sea el valor de S, ms se dispersarn los datos en torno a la media y la curva ser ms plana. Un valor pequeo de este parmetro indica, por tanto, una gran probabilidad de obtener datos cercanos al valor medio de la distribucin.

La distribucin de probabilidad normal y su curva tiene las siguientes caractersticas:

La curva normal tiene forma de campana. La media, la moda y la mediana de la distribucin son iguales y se localizan en el centro de la distribucin. La distribucin de probabilidad normal es simtrica alrededor de su media. Por lo tanto, la mitad del rea bajo la curva est antes del punto central y la otra mitad despus, es decir, la mitad de curva tiene un rea de 0,5. El rea total bajo la curva es igual a 1. La escala horizontal de la curva se mide en desviaciones estndar. La forma y la posicin de una distribucin normal dependen de los parmetros y , por lo que hay un nmero infinito de distribuciones normales.

REA BAJO LA CURVA EN UNA DISTRIBUCIN NORMAL

El rea bajo la curva, entre dos puntos, indica la probabilidad de que la frecuencia se encuentre entre dichos valores. As, por ejemplo, un puntaje en la PSU, que tiene una distribucin con media de 500, significa que bajo 500 puntos se encuentra el 50% de la poblacin. Esto se obtiene de ver la probabilidad entre 150 (menor valor en la prueba) y 500 puntos, que es justamente la mitad. Lo mismo ocurre hacia la derecha, dado que la curva normal es simtrica, por lo tanto el promedio es igual a la mediana y al modo.

NORMALIZACIN

Se asocia con la accin de transformar una distribucin cualquiera a una distribucin normal. Corresponde ajustar los datos de la distribucin inicial a una distribucin normal. En este caso se cambia la forma de la distribucin original manteniendo la proporcin de casos entre valores contiguos.

EJEMPLO: NORMALIZACIN DE LAS PRUEBAS (PSU)

Los puntajes de las PSU se normalizan desde el Proceso de Admisin 2005, con una media de 500 puntos y desviacin estndar de 110 puntos, truncando los extremos en 150 y 850 puntos. El 99% central de los puntajes se normalizan con un promedio de 500 y desviacin estndar 110; el 0,5% de cada extremo se ajusta interpolando linealmente. En el caso de la prueba de Ciencias, se normalizar luego de estimar la equivalencia de puntajes entre sus tres versiones, empleando el mdulo comn como base para establecer dicha equivalencia.

Ejemplo: Si en la PSU de Lenguaje y Comunicacin, rendida en la Admisin 2007 por 212.723 postulantes, el 15,87 % de stos tienen 610 o ms puntos, esto significa que 33.759 de ellos sacaron 610 o ms puntos y el resto obtuvo puntajes menores.

Nota:

Por normalizacin se entiende una transformacin de la distribucin de los puntajes corregidos, manteniendo el orden. Para ello se calculan los percentiles asociados a cada puntaje corregido, y luego se identifica su equivalente en puntaje estandarizado en la distribucin normal (puntaje Z). Este puntaje Z es finalmente convertido a la escala que se desee, en este caso, con promedio 500 y desviacin estndar 110, obtenindose el puntaje final PS, haciendo PS=110*Z+500.

ANEXO

MEDIA ARITMTICA PONDERADA: En ocasiones no todos los valores de la variable tienen el mismo peso. Esta importancia que asignamos a cada variable, es independiente de la frecuencia absoluta que tenga. Ser como un aumento del valor de esa variable, en tantas veces como consideremos su peso.

Por lo tanto la media aritmtica ponderada se utiliza cuando a cada valor de la variable (xi) se le otorga una ponderacin o peso distinto de la frecuencia o repeticin. Para poder calcularla se tendr que tener en cuenta las ponderaciones de cada uno de los valores que tenga la variable Se la suele representar como:

Xw =

x w n w n
i i i

i i

Siendo wi la ponderacin de la variable xi y ponderaciones.

la suma de todas las

Un ejemplo es la obtencin de la media ponderada de los puntajes segn las distintas ponderaciones dadas por las universidades para alguna carrera especfica: Ponderacin o peso = NEM LyC MAT CS = = = = 20% 25% 25% 30%

Puntajes

= NEM LyC MAT CS

= = = =

600 680 620 650

x=

20% 600 + 25% 680 + 25% 620 + 30% 650 20% + 25% + 25% + 30% 12.000 + 17.000 + 15.500 + 19.500 100% 64.000 = 640 ptos. 100%

x=

x=

Esta misma frmula se emplea para calcular el promedio de un grupo a partir del conocimiento del promedio y de la cantidad de casos que hay en cada subgrupo de l. Un ejemplo de este caso es el clculo del promedio de notas en Educacin Media a partir de los promedios de 1, 2, 3 y 4 ao medio. Normalmente los postulantes suman los promedios de sus notas de enseanza media y lo dividen por 4, ignorando la ponderacin de cada promedio por cuanto el nmero de asignaturas de cada curso es distinto. A continuacin, se describen otros conceptos de media de escasa utilizacin en educacin.

LA MEDIA GEOMTRICA: en una cantidad finita de nmeros (digamos 'n' nmeros) es la raz n-sima del producto de todos los nmeros.

Se calcula con la siguiente frmula

Por ejemplo, la media geomtrica de 2 y 18 es

Otro ejemplo, la media de 1, 3 y 9 sera

Slo es relevante la media geomtrica si todos los nmeros son positivos. Si uno de ellos es 0, entonces el resultado es 0. Si hay un nmero negativo (o una cantidad impar de ellos) entonces la media geomtrica es, o bien negativa o bien inexistente en los nmeros reales. En muchas ocasiones se utiliza su trasformacin en el manejo estadstico de variables con distribucin no normal. La media geomtrica es relevante cuando varias cantidades son multiplicadas para producir un total.
MEDIA ARMNICA: Es la inversa de la media aritmtica de los inversos de los valores de la variable, se representa por H, y responde a la siguiente expresin:
H= n n xii

Esta media no es aconsejable en distribuciones de variables con valores pequeos. Se suele utilizar para promediar variables tales como productividades, velocidades, tiempos, rendimientos, cambios, etc. Ventajas e inconvenientes: En su clculo intervienen todos los valores de la distribucin. Su clculo no tiene sentido cuando algn valor de la variable toma valor cero. Es nica. Como ejemplo se muestra el caso de las edades de las tres personas 80, 55 y 30 aos.

H=

3 3 3 132000 3 = = = 1 +1 +1 1650 + 2400 + 4400 8450 8450 80 55 30 132000 132000

396000 = 46,86 aos 8450

Puedes no imprimir este archivo y consultarlo en formato digital, ahorrars papel y tinta. Si decides imprimirlo, por favor hazlo en papel reciclado, a doble cara y con poca tinta. S ecolgico. Muchas gracias.

Estadstica descriptiva bsica

con

Excel 2007
Mis alumnos de la Licenciatura en Documentacin han demandado que actualizase a Excel 2007 este breve guin de Estadstica Descriptiva que hice cuando an esta versin de Excel no estaba muy difundida. Quiz todava haya personas que trabajan con la anterior, as que conservo tambin aquel guin en este enlace Excel00ED.pdf. Quiero dejar claro, para que lo tenga en cuenta el lector, que apenas s algo de Excel. Y no slo esto sino que ni utilizo Microsoft Office Excel 2007 ni el sistema operativo Microsoft Windows. Por tanto, quiz haya maneras ms sencillas de hacer algunos de los pasos que se describen en estas hojas.

Cargar o importar datos Frmulas programadas Cargar el mdulo para Estadstica Obtener un resumen de medidas de una muestra Dibujar el histograma de una muestra Si no indicamos las clases Si queremos indicar las clases Diagrama de dispersin entre dos variables Recta de regresin entre dos variables

Estadstica con Excel

Cargar o importar datos

Podemos meter los datos a mano, generarlos con el programa o cargarlos desde un archivo en el que estn. Utilizaremos esto ltimo. Normalmente este tipo de programas pueden abrir archivos que estn en varios formatos, adems del suyo propio. El conjunto de datos que se utiliza en este guin, paises, est tomado del libro Introduccin a la Estadstica para las Ciencias Sociales, de Daniel Pea y Juan Romo.

Para abrir los datos de los formatos de Excel:

Pulsar y luego seleccionar Abrir

Para importar datos de otros formatos:

En la pestaa Datos seleccionar Obtener datos externos

Estadstica con Excel

Si los datos estn en formato de texto, se abre un asistente que va haciendo preguntas sobre cmo deben leerse los datos. El asistente nos muestra los datos abajo, pero siempre podemos abrirlos primero con un editor de texto para ver si los datos estn dados en columnas, si estas columnas estn separadas por tabulaciones, si los decimales se indican con coma o con punto (forma anglosajona) y si en la primera fila se indica en nombre de las columnas o variables. En este caso, una vez cargados los datos:

Vemos que cada pas est en una fila y cada variable en una columna. Los nombres de los pases estn en la segunda columna (la primera es un ndice para numerarlos) y los de las variables estn en la primera fila. Es importante tener esto presente para no incluir esos nombre entre las celdas de la muestra a la hora de hacer clculos con ellos.

Estadstica con Excel

Frmulas programadas
Excel 2007 tiene, entre otras mejoras, ms accesibles sus funciones programadas. En la pestaa Frmulas, son de especial inters para nosotros las funciones estadsticas:

Estadstica con Excel

Cargar el mdulo para Estadstica

Excel tiene un mdulo para hacer clculos estadsticos. Como no es un mdulo bsico, no aparece en la pestaa Datos por defecto y hay que cargarlo expresamente. Para hacer que el submen Anlisis de datos aparezca en esa pestaa, la ayuda de Excel aconseja seguir los siguientes pasos (yo me he encontrado con problemas, indico ms abajo cmo los he resuelto):

Yo he hecho:

Pulsar en

y luego Ms comandos...

Estadstica con Excel

Aparece la siguiente ventana

Seleccionar Complementos Marcar Herramientas para anlisis Pulsar Aceptar

Estadstica con Excel

Sin embargo, esto no es suficiente (al menos en mi caso) para que el mdulo se cargue, por lo que vuelvo a hacer que aparezca la ventana de opciones como antes, es decir, con

Pulsar en

y luego Ms comandos...

y ahora

Seleccionar Complementos y pulsar

en

que aparece en la parte de abajo. Ahora aparece el cuadro que apareca en las anteriores versiones de Excel:

Seleccionar Herramientas para anlisis Pulsar

Estadstica con Excel

La primera vez que he hecho esto, Excel ha iniciado un proceso de instalacin del mdulo que ha llevado unos minutos. Las siguientes veces que he repetido los pasos de desagregar y agregar el mdulo (para hacer este guin), no ha necesitado instalacin. Ahora ya aparece la opcin Anlisis en la pestaa Datos.

Ahora

Al pulsar

aparece

Estadstica con Excel

Obtener un resumen de medidas de una muestra

Ahora vamos a obtener un resumen de estadsticos de una muestra de datos. Para ello:

Al pulsar

aparece

Seleccionar Estadstica descriptiva Pulsar

Aparece

Estadstica con Excel

Tenemos que indicar con el ratn en qu celdas estn los datos. Pulsamos el botn que est en la circunferencia roja del dibujo. Aparece el siguiente cuadro

No le hacemos caso, sencillamente seleccionamos con el ratn la segunda celda de la columna AGRICUL y extendemos la seleccin con el ratn hasta el final de esa columna. Al soltar el botn del ratn se introduce automticamente ese rango de valores en el cuadro anterior:

Pulsamos el botn que est en el crculo azul y automticamente se introduce la seleccin en el campo adecuado del cuadro inicial. Le indicamos tambin si los datos estn por columnas o por filas, que muestre los resultados en una nueva hoja de clculo, por ejemplo, y que muestre el resumen de medidas.

Al pulsar

aparece

10

Estadstica con Excel

11

Estadstica con Excel

Dibujar el histograma de una muestra

Para hacer el histograma de una muestra de datos:

Al pulsar

aparece

Seleccionar Histograma Pulsar

La informacin que necesita Excel para hacer un histograma es la muestra y los intervalos. Si no se le indican los intervalos, l los construye. Veamos primero este caso.

Si no indicamos las clases

Le indicamos como se ha hecho antes dnde est la muestra, si queremos que muestre la frecuencias acumuladas porcentuales y que cree el grfico.

Al pulsar

en el cuadro de la izquierda siguiente aparece la tabla de la derecha

12

Estadstica con Excel

Es decir, en Rango de entrada le hemos indicado el lugar donde est la muestra. En una hoja nueva (o en un libro nuevo, segn se le haya indicado) proporciona la tabla con las clases (indica el extremo inferior) y con las frecuencias absolutas. Si no le hemos indicado que haga el grfico, podemos hacerlo ahora.

Si queremos indicar las clases

Para indicrselo tenemos que introducir los extremos inferiores de los intervalos en una columna. En este caso, del resumen anterior vemos que:

La muestra tiene 132 datos El valor mximo es 65 El valor mnimo es 0

13

Estadstica con Excel

Como 132 = 11,49 podemos considerar 11 12 intervalos que cubran todo el rango. Como 65/11 = 5,90 y 65/12 = 5,42 parece que es ms cmodo tomar 11 intervalos de longitud 6. Ahora, 116=66 , as que podemos centrar los intervalos y empezar desde el -0,5 al 65,5. Si tuvisemos que hacer los clculos a mano, no pasara nada grave por empezar el primer intervalo en 0 y terminar en 66. Vemos en el apartado anterior que el programa ha tomado precisamente 11 intervalos de longitud 5,90 empezando en el 0, es decir, para calcular el nmero de clases Excel aplica la regla de la raz del nmero de datos, y luego redondea. Vamos a elegir una columna que est en blanco y vamos a escribir en una celda el nmero -0,5. Seleccionamos la celda de debajo y vamos a la barra de funciones. Escribimos lo siguiente:

porque en mi caso la celda en que he puesto la primera cantidad es la A2 (de una nueva hoja).

Al pulsar

o pulsar con el ratn en cualquier celda

se aplica la frmula en la celda A3. Ahora queremos que Excel entienda que queremos hacer esa misma operacin en las celdas de debajo, es decir, que la generalice y haga que cada celda sea la anterior ms 6. Esto es fcil, basta seleccionar esta segunda celda y arrastrar con el ratn de la esquina inferior hasta la fila que queramos. En nuestro caso, como hemos empezado en la segunda, queremos que lo aplique hasta la decimotercera. Esta seleccin se muestra a la izquierda en las siguientes imgenes. Ya hemos generado el Rango de clases. En Rango de entrada le tenemos que indicar, como antes, las celdas donde est la muestra:

Los resultados son

14

Estadstica con Excel

Vemos que ha metido los dos datos que valan 0 en la clase del 5,5, no en la del -0,5. Esto se debe a que el programa mete en cada clase los valores que hay entre su lmite inferior y el del intervalo siguiente, pero para los intervalos de los extremos computa respectivamente el nmero de datos que hay menores y mayores que sus lmites. Es decir, para la clase del -0,5 ve que no hay ningn valor menor que l y pone frecuencia 0. Para arreglar esto, podemos empezar en 0.

y ahora los resultados son

15

Estadstica con Excel

16

Estadstica con Excel

Diagrama de dispersin entre dos variables

Para hacer cualquier grfico primero hay que preparar convenientemente los datos (mirar la ayuda de Excel sobre Crear un grfico). Dado que es fcil copiar y pegar columnas enteras, habra que copiar aparte las dos columnas que contienen a las variables que queremos dibujar, de manera que estn una al lado de la otra. En nuestro caso, si queremos hacer el diagrama de dispersin de las variables MORT INF y ESP M, como ya estn en columnas contiguas en la hoja de datos original, no es necesario copiarlas y pegarlas para ponerlas juntas. Una vez que estn los datos preparados, se seleccionan todas las celdas de las dos columnas contiguas y, en la pestaa Insertar, se elige
Grficos Dispersin

y se pulsa en el primer tipo

Automticamente, se obtiene la salida (que se puede mover a otro sitio, si se quiere)

Vemos que claramente hay una relacin lineal entre las dos variables. Lo que sucede adems es que cuanto mayor es la mortalidad infantil, menor es la esperanza de vida de las mujeres, y viceversa. Esto es lgico, porque ambas cosas estn relacionadas con el nivel de vida del pas.

17

Estadstica con Excel

Recta de regresin entre dos variables

Queremos ahora expresar con una frmula la relacin entre las dos variables; a esto se le llama modelizar (esta palabra es la ms conveniente que modelar. Consultar ambas en http://www.rae.es). Para eso:

Al pulsar

aparece

Ahora

Seleccionar Regresin Pulsar

Aparece un cuadro de dilogo, que relleno queda:

18

Estadstica con Excel

donde le hemos indicado bien (muy importante!) cul tomamos como variable independiente (en el eje X) y cul como dependiente (en el eje Y; la que queremos estudiar en funcin de la independiente). Entre otros, aparecen los resultados nmericos:

que nos dice que el modelo ajustado es

Y =0,26063532X 80,10760518

19

Estadstica con Excel

Vemos que la pendiente el negativa, como esperbamos. Si queremos dibujar la recta de regresin se puede hacer agregando al diagrama de dispersin una lnea de tendencia (que coincide con la recta de regresin cuando suponemos que la tendencia es lineal); hay que situarse (con cuidado, no es fcil) encima de los datos y pulsar el botn secundario del ratn. Aparece el cuadro

Seleccionar Agregar lnea de tendencia Elegir Lineal

20

Estadstica con Excel

Ntese que desde este cuadro se pueden extrapolar valores, es decir, predecir valores de relacin entre las dos variables que no han salido realmente en las muestras.

Fechas de creacin y ltima actualizacin: 27/10/08

Universidad Carlos III de Madrid

Facultad de Ciencias Sociales y Jurdicas
Departamento de Estadstica: C/ Madrid 126 28903 Getafe (Madrid)
David Casado de Lucas: http://www.est.uc3m.es/dcasado/

21

Estadstica con Excel

documentos

La nocin de proporcionalidad1
Alejandra Rodrguez Daz
Maestra en Psicogentica. IMCED

Jess Roberto Prez Garca

Matemtica Educativa. UMSNH

Introduccin En el presente artculo se reportan los resultados obtenidos de la investigacin realizada sobre el proceso constructivo de la nocin de proporcionalidad en estudiantes del tercer ciclo de educacin primaria. El estudio se centra en las competencias que manifiestan los estudiantes, en las estrategias que utilizan y en las dificultades que obstaculizan la solucin de problemas que involucran el uso del razonamiento proporcional. En los actuales planes y programas de estudio de matemticas para la escuela primaria se plantean como propsitos bsicos la adquisicin de conocimientos y el desarrollo de habilidades a partir de la resolucin de problemas. En lo que respecta a la proporcionalidad, sta ocupa un lugar importante en el mapa curricular al ser considerada como una herramienta cognitiva que permite la apropiacin de conocimientos adems de desarrollar el pensamiento relacional que posibilita vincular las matemticas con otras asignaturas como la Fsica, la Qumica, la Biologa, la Historia, Geografa y Arte. No obstante la importancia de esta nocin, considerada como la sntesis de la aritmtica y que a pesar de la frecuencia con que las empleamos, las ideas de proporcionalidad son en general mal entendidas. Esto se debe a que, adems de ser un tema relativamente complicado, est enfocado de manera mecnica a la regla de tres,2 lo que conlleva a deficiencias constructivas en los estudiantes.

1 2

Ttulo autoral: La construccin de la nocin de proporcionalidad. Un estudio psicogentico sobre la construccin de las nociones aritmticas. MOCHN, S. Razn y Proporcin en O. Figueras, G. Lpez y S. Mochn. Matemticas. Gua para el maestro. Sexto grado de Educacin Primaria. SEP, Mxico, 1992. p. 14
ETHOS EDUCATIVO 28 septiembrediciembre 2003 91

documentos

Se abordan los principios de orden terico y metodolgico que se emplearon en la investigacin. Asimismo se incluye una seccin donde se presentan los resultados obtenidos y algunas implicaciones para su enseanza. 1. Antecedentes tericos Dentro del campo de la Psicologa y de la Educacin Matemtica, la proporcionalidad ha sido objeto de varias investigaciones desde diferentes perspectivas, las cuales han aportado importante informacin. Winch3 estudia la habilidad de los estudiantes de la escuela elemental para resolver correctamente problemas de proporcin y en su reporte da cuenta de tres mtodos de solucin que ellos emplean: La bsqueda del valor unitario, que consiste en encontrar el valor correspondiente a la unidad, en ella subyace la pregunta cuntos para uno?, accediendo a ste por medio de una divisin. El razonamiento aditivo, el cual se basa en comparaciones por medio de diferencias. El razonamiento cualitativo se basa en comparaciones como mayor que, ms que o igual que sin llegar a una cuantificacin de las mismas.

El primer mtodo de la bsqueda del valor unitario se reconoce como el usado con mayor frecuencia, lo cual lo lleva a expresar la siguiente hiptesis: Los problemas en los que hace mencin explcita de las cantidades unitarias son ms sencillos que aquellos en los que no hace referencia de dichas cantidades.4 Piaget,5 en relacin con el pensamiento proporcional centra su atencin en las caractersticas cuantitativas y cualitativas de los acercamientos de los nios y adolescentes para resolver tareas que requieren del razonamiento proporcional, el cual es caracterizado de acuerdo a varios momentos: Primeras etapas en las cuales el pensamiento hace uso de correspondencias y seriaciones cualitativas.
Citado en Karplus, R. Acquisition of Mathematics concepts and processes. 1983. Ibid. p.45. Piaget, citado en Gmez, H. Indicios del pensamiento proporcional. 1996.

3 4 5

92 ETHOS EDUCATIVO 28 septiembrediciembre 2003

documentos

Etapas intermedias de compensaciones aditivas o el uso de razones 2:1. Etapas avanzadas en las cuales se aplica el razonamiento proporcional sin importar los valores numricos de los datos y las razones.

Piaget tambin afirma que el razonamiento proporcional, junto con la habilidad de formular hiptesis y trabajar con un cierto nmero de variables en un problema, resultaban especialmente indicativos de la habilidad para razonar formalmente. En relacin a las estrategias que utilizan los nios Karplus6 propone cuatro categoras, producto del anlisis de los diferentes mtodos de solucin empleados por los alumnos en tareas que involucran el razonamiento proporcional: IncompletaIlgica, cuando adivinan la respuesta o emplean una operacin cuantitativa inapropiada. Cualitativa, si comparan las cuatro cantidades dadas, usando los trminos ms, menos o trminos equivalentes. Aditiva, al comparar los datos a partir de diferencias o residuos. Razonamiento proporcional, si usan datos para calcular y comparar relaciones proporcionales.

Hart,7 identifica y caracteriza una estrategia denominada Preproporcional que se caracteriza por un razonamiento correcto que no se basa en el planteamiento de una proporcin mediante la comparacin de dos razones; sino en una combinacin de duplicar, triplicar, tomar medios, o procesos de ese tipo y sumar las contribuciones correspondientes. Lesh y Cramer8 al estudiar el razonamiento proporcional, lo ubican como un cimiento del lgebra y como una sntesis de la aritmtica. Investigan las dificultades por las que atraviesan los estudiantes al resolver tareas de proporcionalidad y por el tipo de estrategias que utilizan. Dos son los aspectos que destacan estos autores:

6 7 8

KAPLUS. Op.cit. p. 47 Ibid. p. 48 GMEZ. Op.cit. p. 11

ETHOS EDUCATIVO 28 septiembrediciembre 2003 93

documentos

a) El reconocimiento del uso y la importancia de los mtodos intuitivos. b) La reconsideracin de las situaciones de tipo cualitativo como favorecedoras del empleo del razonamiento proporcional a diferencia de quienes han planteado que las respuestas de tipo cualitativo identifican a los sujetos que no aplican el razonamiento proporcional. En un contexto nacional tambin se han realizado investigaciones al respecto. En el Departamento de Matemtica Educativa, dependiente del Centro de Investigacin de Estudios Avanzados del Instituto Politcnico Nacional (CINVESTAVIPN), se han desarrollado investigaciones sobre los Indicios del Pensamiento Proporcional y temas directamente relacionados como son los de Razn y Fracciones. Hilda Gmez9 considera importante el estudio con adolescentes y a la vez, intenta rastrear el pensamiento proporcional en los estudiantes de nivel primaria, es decir, de 6 a 12 aos de edad. Identifica competencias que los nios despliegan para dar la respuesta, as como las estrategias ms comunes que se presentan en la solucin y, por otro lado, identifica aquellos elementos que vienen a complejizar la tarea. El trabajo que aqu se reporta considera al razonamiento proporcional como el concepto que sustenta esta investigacin, entendido ste como un proceso cognitivo que parte de la caracterizacin que hace Lesh el cual lo considera como:
una forma de razonamiento matemtico que involucra un sentido de covariedad y de comparaciones mltiples, as como la habilidad de acumular y procesar mentalmente varios fragmentos de informacin, se encuentra muy relacionado con la inferencia y la prediccin e involucra ambos mtodos de pensamiento: el cualitativo y el cuantitativo.10

Dos aspectos se derivan de esta caracterizacin del razonamiento proporcional: El razonamiento cualitativo, se refiere al uso de comparaciones, correspondencias y seriaciones de tipo cualitativo. Por ejemplo: un nio al

GMEZ, H. Indicios del pensamiento proporcional. Un estudio en la escuela primaria sobre competencias al resolver situaciones de cambio. Tesis de Maestra. Departamento de Matemtica Educativa, CINVESTAV IPN , Mxico, 1996. 1 0 Ibid p. 12.
94 ETHOS EDUCATIVO 28 septiembrediciembre 2003

documentos

comparar el tamao de la ropa de su hermano mayor con la suya; o bien, al relacionar proposiciones como: el oro es un metal como el oxgeno es un gas. El razonamiento cuantitativo, se refiere a comparaciones que dependen de valores numricos, siendo ste el campo ms frecuente de aplicacin de la proporcionalidad. Lo anterior muestra la importancia de la nocin de proporcionalidad, como un conocimiento matemtico y una herramienta intelectual. Al mismo tiempo expresa algunos problemas, tales como: La manifestacin de un bajo dominio por parte de los profesores sobre el tema, lo que implica dificultades para su enseanza y su aprendizaje. Un enfoque mecanicista con el cual ha sido abordado el tema en su enseanza, manejado como regla de tres. Es uno de los contenidos que representa una mayor dificultad en el nivel de primaria tanto en su enseanza como en su aprendizaje. La falta de investigaciones a nivel local.

2. Preguntas de investigacin Para orientar la investigacin referida a la problemtica mencionada, el trabajo que aqu se reporta asume como problema central la interrogante: Cmo se caracteriza el desarrollo del concepto de proporcionalidad en los estudiantes de educacin primaria y cules son las competencias y estrategias que despliegan y dificultades que enfrentan al resolver problemas que implican el uso del razonamiento proporcional? Y especificada con los cuestionamientos: Los nios de la escuela primaria identifican la naturaleza cualitativa, aditiva o multiplicativa del cambio en situaciones en las que vara la cantidad de manera proporcional o no proporcional? Cules son las competencias, estrategias y dificultades que manifiestan los alumnos del tercer ciclo al resolver problemas que involucran proporciones o nociones consideradas precursoras de stas?
ETHOS EDUCATIVO 28 septiembrediciembre 2003 95

documentos

A partir de estas preguntas los objetivos especficos que persigue esta investigacin son: Contar con un instrumento que permita inferir el estado en el cual se encuentra la construccin del concepto de probabilidad en los nios de primaria de nuestro sistema escolar. Conocer qu estrategias emplean alumnos del tercer ciclo, de nuestra localidad, para resolver situaciones que implican proporciones o nociones consideradas precursoras de stas. Conocer las competencias y las dificultades que tienen los estudiantes del tercer ciclo, de nuestra localidad, al solucionar problemas que implican cambios cualitativos, aditivos o multiplicativos de tipo proporcional.

3. Aspectos metodolgicos. El enfoque metodolgico desde el cual se desarrolla esta investigacin, es de corte cualitativo, al explicar, desde un referente terico, el sentido de las respuestas que dan los nios al resolver situaciones que involucran el razonamiento proporcional. Instrumento Los instrumentos de recoleccin de datos que dan soporte a esta investigacin son: un cuestionario con una serie de situaciones y el protocolo de una entrevista de tipo clnico; diseados ambos con el propsito de obtener evidencias acerca de las competencias y estrategias que emplean los alumnos en problemas vinculados con la proporcionalidad. En este apartado se definen y organizan los aspectos a indagar y, en consecuencia, se seleccionan, adecuan y disean las tareas que conforman el cuestionario considerando: La diversidad de problemas planteados por investigadores de la educacin matemtica que se han interesado en el estudio del razonamiento proporcional, eligiendo y adaptando algunos de ellos para integrarlos al cuestionario. Basados en las siguientes fuentes documentales: Fiol y Fortuny (1990), Karplus (1981), Hart (1978), Noelting (1980), Gmez et al. (1996). Los problemas sobre razn y proporcin contenidos en los libros de texto vigentes en la educacin primaria del segundo y tercer ciclo.

96 ETHOS EDUCATIVO 28 septiembrediciembre 2003

documentos

Los problemas sobre razn y proporcin contenidos en la Gua para el maestro de 6 ao (1992).

Para la eleccin de las tareas se consider inicialmente los aspectos: cualitativo, numrico y geomtrico. El aspecto cualitativo se sustenta en planteamientos de diversos investigadores como Cramer (1993) y Streefland (1978), quienes consideran que el desarrollo del razonamiento proporcional empieza con la comparacin cualitativa e implica un razonamiento a largo plazo; o Piaget, quien describe que en las etapas tempranas del desarrollo intelectual se hace uso de correspondencias y seriaciones cualitativas. Las consideraciones de estos autores sustentan el inters de esta investigacin, por conocer las competencias de los alumnos pequeos ante situaciones de este tipo as como las estrategias que emplean al resolver dichas tareas. La incorporacin de nociones geomtricas, como semejanza y escala, se justifican con afirmaciones como la de Freudhental11 quien dice que el nio desde pequeo aprecia algunas relaciones proporcionales a partir de visualizar el mundo que lo rodea. Por otro lado Piaget12 afirma que ...la gnesis de la proporcin se tiene que buscar en la percepcin de las figuras. La aplicacin de situaciones que incluyen Escalas, tiene la ventaja de que pueden visualizarse geomtricamente, por lo cual pueden servir para indagar nociones relacionadas con la razn y proporcin. En lo que respecta al aspecto numrico, consideramos que ste es el campo donde la proporcionalidad tiene su mayor aplicacin y es el que ms se relaciona con la vida cotidiana del nio. Por lo cual las situaciones incluyen comparaciones que dependen de valores numricos y por lo tanto demandan una respuesta del mismo tipo. Algunas de las tareas que se aplicaron en esta investigacin fueron usadas en otras investigaciones, otras fueron adaptadas a contextos familiares con los estudiantes y los propsitos de la investigacin. La versin final del cuestionario que se disea considerando los puntos anteriores, se conforma de diecisiete tareas.

1 1 FREUDHENTAL, en Fiol, M. Proporcionalidad directa. Sntesis. Espaa, 1990. p. 122 1 2 ibid p. 105.
ETHOS EDUCATIVO 28 septiembrediciembre 2003 97

documentos

A continuacin se describen cada una de las situaciones puntualizando el propsito especfico que se persigue para fines de esta investigacin. Para una organizacin de las tareas y para fines de su explicacin, stas se agrupan dependiendo de la nocin que subyace y de las relaciones numricas que involucran. Procesos comparativos en situaciones de variabilidad Las situaciones aqu incluidas vinculan comparaciones cualitativas de escalas, comparaciones partetodo y situaciones de covariacin relacionada. Estos tres aspectos se consideran precursores en el desarrollo de la nocin de proporcionalidad, por ser procesos en los que se pone de manifiesto la habilidad del resolutor para establecer comparaciones en situaciones de variabilidad, que le permitan reconocer el cambio implicado, el sentido del mismo y su posible regularidad. CasosSucesiones. Esta situacin est ligada a una variacin conjunta variando la posicin de cada uno de los trminos. El propsito es que el nio proporcione los nmeros objeto de la pregunta, teniendo qu identificar la regularidad de los datos en una parte de la progresin aritmtica y extendindola de acuerdo con la posicin del trmino buscado. Fotografa. La tarea consiste en que el nio identifique una figura que sea semejante a un modelo dado de entre cuatro imgenes diferentes. Conceptos simples relacionados con la proporcionalidad. En las tareas que integran este rubro la demanda implica el establecimiento de relaciones ligadas a las nociones de doble, triple, un medio, un cuarto, etc. Las tareas incluidas en este grupo tienen como caracterstica en comn: encontrar un trmino desconocido en una proporcin. Rectngulo. La tarea corresponde a un problema de valor perdido en la modalidad de escalas con figuras bidimensionales, en una superficie reticular. La demanda es reproducir un rectngulo dado un lado que indica una escala 1:3, la cual tiene que ser determinada Perro. Esta actividad es un problema con informacin pictrica. Se demanda reproducir la figura a una escala de doble, donde se proporciona la figura de referencia bidimensionalmente y en un contexto geomtrico reticular, donde la unidad de medida a considerar es el cuadro.
98 ETHOS EDUCATIVO 28 septiembrediciembre 2003

documentos

Muecos de Alambre. Esta situacin es un problema con informacin pictrica y un cdigo grfico. La demanda es construir una figura a escala, dando otra de referencia y el factor de proporcionalidad en un contexto cuantitativo grfico. El propsito es indagar acerca de las nociones de 1/4 y 2/ 3 en un contexto grfico . Carretera. ste es un problema en la modalidad de escala. Se demanda hallar el trmino desconocido de una proporcin, cuyos tres valores restantes estn dados en forma grfica y numrica. No se da el valor unitario aunque la relacin que se favorece orienta su bsqueda. Tazas de arroz. Esta actividad corresponde a un problema con informacin de tipo pictrico y numrico. Se demanda hallar el valor desconocido de una proporcin . Receta. Esta actividad corresponde a varios problemas relacionados con informacin numrica y tabular. Se demanda hallar valores desconocidos de una tabla en la que intervienen distintos tipos de cantidades y se mantiene una constante de proporcionalidad. ( 1/2, doble, 3/2) Chocolates. Esta tarea corresponde a un problema, el enunciado proporciona informacin pictrica y numrica, que orienta a la bsqueda del valor unitario. Monedas. Esta tarea plantea un problema y la informacin se proporciona en forma tabular . La demanda consiste en hallar el valor desconocido de una proporcin; en el enunciado no se proporciona el valor unitario, pero se orienta a su bsqueda. Relaciones complejas de proporcionalidad Las situaciones que se agrupan bajo este rubro, vinculan relaciones numricas con mayor complejidad que los bloques anteriores. Dos son las caractersticas de este tipo de tareas: uno es encontrar el valor desconocido en una proporcin, donde las cantidades que se manejan llegan a millares, o bien se encuentran enunciadas con nmeros decimales y tambin se involucra la nocin de porcentaje. El otro tipo de situacin corresponde a la comparacin de dos razones para identificar la respectiva igualdad o desigualdad. Situaciones descritas a continuacin:
ETHOS EDUCATIVO 28 septiembrediciembre 2003 99

documentos

Morelia. El enunciado corresponde a un problema verbal de densidad de poblacin, la informacin se proporciona en forma verbal con apoyo pictogrfico. En esta tarea se demanda encontrar el valor desconocido de una proporcin, y expresarlo como porcentaje. Supermercado. Se demanda encontrar un valor desconocido de una proporcin, se trata de un problema de tipo verbal con informacin numrica. Uno de los datos es una cantidad expresada porcentualmente el cual se tendr que aplicar a una cantidad que es potencia de diez. El enunciado enfatiza el significado de operador. Piso. Considerada como de comparacin de razones, es un problema que se presenta en el contexto de densidad. El enunciado no contiene datos numricos, stos se presentan en forma pictrica. Se demanda una comparacin de elementos, rea y cantidad de nios. Son cinco las variantes que presenta esta situacin. Mecangrafas. Esta situacin, que se establece en el contexto de velocidad, demanda la comparacin de dos razones numricas equivalentes, en la que se favorece una razn entera; la peticin no est implicando una respuesta cuantitativa. Naranjada. Comparacin de razones, que no implica una respuesta numrica, se presenta en el contexto de mezclas y corresponde a una desigualdad de razones. Excursin. Comparacin sucesiva de cuatro razones, el enunciado no proporciona informacin numrica, sino en forma pictrica. Esta tarea implica la comparacin de 4 razones en la que se favorece una razn fraccionaria, en esta tarea los alumnos tienen que determinar cul es la razn mayor y cul la menor. Mermelada. Formada por dos preguntas donde subyace la nocin de porcentaje. Una de las preguntas demanda una respuesta de tipo cualitativo y la otra una respuesta numrica. Se pretende indagar el significado de porcentaje y las estrategias que utilizan los alumnos al solucionar la tarea. En la tabla siguiente se presenta de una manera global, las tareas aplicadas a los estudiantes en la que se puede identificar: El nombre de la misma, el contexto que se empleo as como la relacin que involucra y la demanda.

100 ETHOS EDUCATIVO 28 septiembrediciembre 2003

documentos

ETHOS EDUCATIVO 28 septiembrediciembre 2003 101

documentos

4. Resultados Como resultado del anlisis realizado a las respuestas registradas por los estudiantes a las tareas planteadas, se caracterizan las ideas y procesos que manejan los nios identificando, en particular, las competencias, estrategias y dificultades. Competencias Se identifican tres niveles de competencia: Nivel inferior de competencia: los nios no relacionan los datos contenidos en la informacin, ya que su comportamiento da muestra de una focalizacin en parte de la informacin. Competencia intermedia: los estudiantes dan muestra de una bsqueda de las relaciones, consideran la totalidad de los datos proporcionados; sin

102 ETHOS EDUCATIVO 28 septiembrediciembre 2003

documentos

embargo se presentan algunas deficiencias conceptuales en nociones precursoras, que imposibilitan que el nio establezca las relaciones necesarias. Competencia relacional: los estudiantes manifiestan una puesta en relacin de los elementos de la informacin, identifican la constante de proporcionalidad o el patrn de regularidad y utilizan adecuadamente los algoritmos.

Estos niveles no son propios de un grado en especifico, ms bien caracterizan un comportamiento que los nios realizan dependiendo en particular de tres factores: la relacin que subyace a la tarea (razones enteras, no enteras, doble triple, comparacin de razones, porcentajes), la representacin empleada para presentar la tarea (verbal, numrica, pictrica, grfica, geomtrica) y el tipo de nmeros (enteros, decimales). El nivel de competencia est relacionado con el grupo de tareas establecidas en el cuestionario. En general podemos decir que el nivel de competencia de los estudiantes del tercer ciclo es intermedio. Estrategias Los factores que determinaron el empleo de alguna estrategia dependan bsicamente de la representacin utilizada para presentar la tarea, el tipo de variacin implcito (simple o mltiple), la estructura matemtica del problema, la relacin subyacente y el tipo de nmeros. Estrategias ilgicas: tienden a repetir parte de la informacin o a realizar operaciones de manera arbitraria sin poner en relacin la informacin Estrategias de tipo aditivo: utilizacin de comparaciones aditivas por medio de diferencias. Estrategias de tipo multiplicativo: comparaciones multiplicativas, entre la que destaca la reduccin a la unidad por medio de la divisin .

Las estrategias utilizadas estn directamente relacionadas con la competencia; a un nivel inferior de competencia, el estudiante manifiesta un centramiento en algn elemento de la informacin y con l realiza clculos de manera arbitraria. En un nivel de competencia intermedio, el empleo de estrategias se

ETHOS EDUCATIVO 28 septiembrediciembre 2003 103

documentos

caracteriza por ser de tipo aditivo, considerando la informacin. Y en un nivel de competencia relacional la estrategia empleada es de tipo multiplicativo. Dificultades Las dificultades estn directamente relacionadas con la representacin, la estructura matemtica y el tipo de nmeros. Adems es importante sealar que las tareas que implicaban la aplicacin de una comparacin mltiple, en sus respuestas, los nios manifestaron la imposibilidad de establecer dicha comparacin. De igual manera las tareas que requeran la aplicacin del porcentaje, como una variante de la proporcin, resultaron complejas para los nios. Ante esta situacin resulta conveniente preguntar Qu tanto ha favorecido la escuela para que se desarrolle la nocin de proporcionalidad y junto con ella el razonamiento proporcional? Si consideramos la caracterizacin que hace Lesh del razonamiento proporcional como
una forma de razonamiento matemtico que involucra un sentido de covariedad y de comparaciones mltiples, as como la habilidad de procesar mentalmente varios fragmentos de informacin () e involucra ambos mtodos de pensamiento: cualitativo y cuantitativo.

cabe entonces sealar que en general los nios del tercer ciclo se encuentran en un proceso de construccin del concepto, ubicndose en un nivel intermedio, ya que se valen de comparaciones aditivas y utilizan procesos como una combinacin de duplicar o triplicar cantidades y sumar sus respectivas contribuciones para resolver tareas que impliquen el uso del razonamiento proporcional. 5. Conclusiones Las conclusiones a las que se ha llegado en este trabajo, con respecto al desarrollo del concepto de proporcionalidad, son las siguientes: 1 Existe una dificultad en los estudiantes para coordinar la atencin en situaciones en las que se presenta una variacin simultnea de dos cantidades.

104 ETHOS EDUCATIVO 28 septiembrediciembre 2003

documentos

Influencia de la representacin como factor importante que se manifiesta en el nivel de competencia evidenciado por los estudiantes. Ausencia casi total de conversiones entre representaciones. La no utilizacin, en general, de la estrategia del valor unitario. Falta de construccin de un significado del porcentaje, como una aplicacin especfica del concepto de proporcin.

3 4 5

Aunque estas conclusiones surgen de un estudio cualitativo basado en un nmero reducido de estudiantes, permite identificar comportamientos tpicos que, nos atrevemos a conjeturar, ocurren con frecuencia en muchas aulas de la escuela primaria en nuestro pas. Por otro lado las conclusiones expuestas nos llevan a plantear algunas sugerencias para la enseanza del concepto de proporcionalidad para la escuela primaria: Disear actividades que reforcen las nociones precursoras: a) identificar diferentes patrones de cambio (cuantitativo) en situaciones de variacin simple; b) identificar patrones de cambio (cualitativo) en situaciones de variacin mltiple. Disear actividades que desarrollen la atencin sobre la variacin cuantitativa de dos cantidades, ya sea aditiva o multiplicativa. Emplear diferentes representaciones para ejemplificar situaciones de variacin proporcional y no proporcional. Promover diferentes estrategias para la resolucin de problemas que impliquen proporciones y comparacin de razones, particularmente la bsqueda del valor unitario y el uso de diversas representaciones para una misma situacin. Disear actividades que promuevan el aprendizaje del tanto por ciento con significado, antes de que se emplee de manera mecnica.

ETHOS EDUCATIVO 28 septiembrediciembre 2003 105

documentos

Bibliografa
BERMEJO, V. El nio y la aritmtica. Instruccin y construccin de las primeras nociones aritmticas. Paids/Educador. Espaa, 1990. BERMEJO, V. Desarrollo Cognitivo. Sntesis. Madrid, 1994. BRUNER. Investigaciones sobre el desarrollo cognitivo. Pablo del Ro. Madrid, 1980. CARPENTER, T. Research incognitive development. National Council of Mathematics Teachers. 1980. CARRAHER, T., et al. En la vida diez, en la escuela cero. Siglo XXI. Mxico, 1991. CASTRO, E. y Castro E. Representaciones y Modelizacin. En HORSORI. La Educacin Matemtica en la Enseanza Secundaria. Luis Rico. Barcelona, 1997. p.p. 95124. CASTRO, E.; Rico, L. y Castro, E. Estructuras aritmticas elementales y su modelacin. Trillas. Mxico, 1995. CHAMORRO, M. y Belmonte, J. El problema de la medida. Sntesis. Espaa, 1991. FIGUERAS, O. y Waldegg, G. La medicin en la escuela secundaria. Cuadernos de investigacin 2. Programa Nacional de Formacin y Actualizacin de Matemticas. Mxico, 1982. FIOL, M. Y Fortuny, J. Proporcionalidad Directa. La forma y el nmero. Sntesis. Espaa, 1990. FLORES, A. Nexos en el razonamiento proporcional: palancas, media aritmtica, promedio ponderado, mezclas, porcentajes de bateo y velocidades. Educacin Matemtica N 2. VII. Iberoamrica. 1995. FREUDENTHAL, H. Fenomenologa didctica de las estructuras matemticas. Trad. de Luis Puig. Centro de Investigacin y Estudios Avanzados del IPN Departamento de Matemtica Educativa. 1994. GARCA, R. Representaciones en resolucin de problemas. Un estudio comparativo con estudiantes espaoles y mexicanos. Memoria de tercer ciclo. Granada, 2000. GMEZ, H. Indicios del pensamiento proporcional. Un estudio en la escuela primaria sobre competencias al resolver situaciones de cambio. Tesis de Maestra. Departamento de Matemtica Educativa, CINVESTAV IPN , Mxico, 1996. HERNNDEZ, A. La enseanza de la Geometra en el Bachillerato Nicolaita. Tesis de Maestra. Universidad Autnoma de Morelos. Cuernavaca, 1999. HOYOS, V. Un estudio exploratorio sobre la asignacin de sentido a las representaciones bsicas de la variacin, al trmino de la primaria y el inicio de la secundaria Educacin Matemtica N 3. VI. Iberoamrica. 1994 INHELDER, B. y Piaget, J. De la lgica del nio a la lgica del adolescente. Ensayo sobre la construccin de las estructuras operatorias formales. Paids. Buenos Aires, 1972. KARPLUS, R. Pulos, S. Y Stage, E. Proportional reasoning of early adolescents. En Lesh, R. Y M. Landau, (comps). Acquisition of Mathematics concepts and processes. Academic Press. Londres, 1983. KLINE, M. El pensamiento matemtico de la Antigedad a nuestros das. I. Alianza Universidad. Madrid, 1992. MOCHN, S. Razn y Proporcin en O. Figueras, G. Lpez y S. Mochn. Matemticas. Gua para el maestro. Sexto grado de Educacin Primaria. SEP. Mxico, 1992. MORENO, E. Constructivismo y educacin matemtica . Educacin Matemtica N 2. IV. Iberoamrica. Mxico, 1992. NUNES, T. y Bryant, P. Las Matemticas y su aplicacin: La perspectiva del nio. Siglo XXI. Mxico, 1997. PERRAUDEAU, M. Piaget hoy. Respuesta a una controversia. FCE. Mxico, 1996. PIAGET, J. La formacin del smbolo en el nio. FCE. Mxico, 1979. PIAGET, J. e Inhelder, B. La representation de lespace chez lenfant. PUF . 1948 POZO, J. Teoras cognitivas del aprendizaje. Morata. Madrid, 1989. RESNICK, Laurent y Ford Wendy. La enseanza de las matemticas y sus fundamentos psicolgicos. Paids. Barcelona, 1990. Plan y programas de estudio, educacin primaria. SEPCONATEG. Mxico, 1993. La enseanza de las Matemticas en la Escuela Primaria. Programa nacional de actualizacin

106 ETHOS EDUCATIVO 28 septiembrediciembre 2003

documentos

permanente. SEP . Mxico, 1995 Libro para el maestro. Matemticas, Educacin Secundaria. SEPCONATEG. Mxico, 1996. Matemticas, Cuarto Grado. SEPCONATEG. Mxico, 1998. Matemticas, Tercer Grado. SEPC ONATEG . Mxico, 1998. Matemticas, Segundo Grado. SEPCONATEG. Mxico, 1998. Libro para el maestro. Matemticas, Sexto Grado. SEPCONATEG. Mxico, 1998. Matemticas, Sexto Grado. SEPCONATEG. Mxico, 1998. Talleres Generales de Actualizacin. Matemticas. SEPCONATEG. Mxico, 1999 Matemticas, Quinto Grado. SEPCONATEG . Mxico, 1998. Libro para el maestro, Matemticas, Quinto Grado. SEPCONATEG. Mxico, 1998. Docencia Rural: proyecto escolar para mejorar las competencias de razonamiento. Trabajo en el aula. SEPCONAFE. Mxico, 1998. SKEMP, R. Psicologa del aprendizaje de las matemticas. Morata. Madrid, 1980. VERGANUD, G. El nio las matemticas y la realidad. Problemas de la enseanza de las matemticas en la escuela primaria. Trillas. Mxico, 1991. VYGOTSKI, S. El desarrollo de los procesos psicolgicos superiores. Grijalbo. Mxico, 1988.

ETHOS EDUCATIVO 28 septiembrediciembre 2003 107