Ingeniare. Revista chilena de ingeniera, vol.

15 N 1, 2007
6
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007, pp. 6-17
COMPRENSIN DE LAS DISTRIBUCIONES MUESTRALES
EN UN CURSO DE ESTADSTICA PARA INGENIEROS
UNDERSTANDING OF SAMPLE DISTRIBUTIONS FOR A
COURSE ON STATISTICS FOR ENGINEERS
Lidia Retamal P.
1
Hugo Alvarado M.
1
Rodrigo Rebolledo V.
2
Recibido 10 de abril de 2006, aceptado 2 de marzo de 2007
Received: April 10, 2006 Accepted: March 2, 2007
RESUMEN
Se describe una propuesta didctica de enseanza contextualizada y con uso del programa @risk de las distribuciones
muestrales en el aula de estadstica para ingenieros de segundo ao universitario. Apropindonos de la teora de las funciones
semiticas, desarrollada en la Universidad de Granada-Espaa, caracterizamos los elementos de signicados de las propiedades
importantes de las distribuciones muestrales y evaluamos, mediante campos de problemas algebraicos y de simulacin, los
errores o dicultades que los alumnos ponen de maniesto en las aplicaciones de simulacin de procesos en las ciencias de
la ingeniera. Como consecuencia, al considerar los elementos de signicados adquiridos en las respuestas de los estudiantes,
proponemos la simulacin para muestras pequeas y grandes de forma intuitiva, como primer acercamiento del alumno
hacia la construccin del signicado de las distribuciones muestrales, usando el lenguaje grco con apoyo del computador,
para posteriormente analizar con los estudiantes su forma algebraica segn la naturaleza de las variables aleatorias.
Palabras clave: Enseanza y aprendizaje de la estadstica, distribuciones muestrales, signicado y comprensin,
simulacin.
ABSTRACT
In this work we describe a contextual didactic approach using the software @risk, for teaching sample distributions
in a Statistics course for engineers. Using the theory of semiotic functions, developed by Universidad de Granada in
Spain, we characterize the meaning elements of the main properties of sample distributions. Then, using algebraic and
simulation problems, we determine and evaluate the different errors and difculties that emerge when the students
simulate processes in Engineering. After considering the meaning elements obtained from the students answers, we
propose simulation as a rst approach towards the construction of the meaning for sample distributions for small and big
samples, using intuitive forms by means of a graphic language via computer support, so as to analize with the students
the algebraic form, depending on the nature of the random variables.
Keywords: Teaching and learning of Statistics, sample distributions, meaning and understanding, simulation.
1
rea de Ciencias Bsicas, Universidad Catlica de la Santsima Concepcin. Concepcin, Chile. lretamal@ucsc.cl, alvaradomartinez@ucsc.cl
2
Facultad de Ingeniera, Universidad Catlica de la Santsima Concepcin. Concepcin, Chile. rrebolledo@ucsc.cl
INTRODUCCIN
Una problemtica generalizada en las aulas universitarias
es determinar y secuenciar los elementos prioritarios que
debe considerar el profesor para una buena enseanza de
conceptos y proposiciones matemticas. Esto nos conduce a
reexionar acerca de si en la clase de estadstica se favorece
la comprensin de conceptos y si buenas presentaciones
en el aula consideran ms de una forma de acercarnos
a los enunciados estadsticos o simplemente llegan a
los alumnos como un producto dogmtico y acabado
[1]. En la enseanza actual de la estadstica aumenta el
inters didctico sobre la enseanza de las Distribuciones
Muestrales, en adelante DM, donde enunciados como el
teorema central del lmite se considera frecuentemente
en situaciones profesionales a la ingeniera y como
herramienta de investigacin.
Entendiendo la Estadstica como la ciencia que comprende
la recopilacin, tabulacin, anlisis e interpretacin de
Retamal et al.: Comprensin de las distribuciones muestrales en un curso de estadstica para ingenieros
7
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
los datos cuantitativos y cualitativos, se pretende que
los estudiantes de ingeniera adquieran, mediante la
correcta aplicacin de propiedades importantes de las
DM a situaciones de la ingenera, razonar a partir de
los datos empricos, considerar las variaciones de los
tamaos muestrales y evaluar el riesgo al tomar decisiones
en ambiente de incertidumbre. Este trabajo de diseo y
aplicacin de las DM conjuga el conocimiento matemtico
en s mismo con la teora didctica y los antecedentes
de investigaciones sobre el tema. Se destaca que, en la
lnea actual de la docencia matemtica universitaria de
pregrado, se incorporan recursos computacionales a la
accin didctica. Elegimos el programa de simulacin
estadstica @risk para Microsoft Excel, debido a que el
uso de los computadores debe reforzar el aprendizaje de los
conceptos a tratar, al proporcionar varias representaciones
aportando al signicado del tema.
En esta propuesta se analizan algunas propiedades
fundamentales de las DM en una muestra de libros de
estadstica aplicada, usados en la enseanza a ingenieros
en Chile, que varan desde su enunciado ms simple a la
presentacin formal avanzada. Nuestra metodologa se
inspira en el marco terico de las funciones semiticas,
desarrollado en la Universidad de Granada, donde se
consideran los objetos matemticos como emergentes de
la actividad de resolucin de campos de problemas y se
diferencian diversos elementos en su signicado. Durante
el primer semestre acadmico 2005 se analiz el diseo de
un proceso de estudio en el que pretendemos en el aula de
estadstica la apropiacin de conceptos principales de las
DM por parte de los alumnos, plasmado en una correcta
aplicacin en diversos elementos de signicados de las
DM en la resolucin de problemas propios de la ingeniera.
Una vez establecida la metodologa de enseanza de las
DM se llev a cabo su aplicacin en el segundo semestre
y evaluacin de los errores y dicultades en las respuestas
de los estudiantes a los diversos problemas algebraicos
y de simulacin de las DM.
Considerando las investigaciones relacionada con
su comprensin, se presentan algunos campos de
problemas contextualizados que requieren de las DM
como herramienta de anlisis de datos en ingeniera e
intentamos responder algunas cuestiones de investigacin
que orientan y fundamentan el diseo del proceso de estudio
de las distribuciones muestrales, tales como: es posible
introducir la simulacin en conceptos de las distribuciones
muestrales, debido a la gran complejidad de su aparato
analtico?, los estudiantes aplican correctamente los
diversos elementos de signicados de propiedades en
la resolucin de problemas?, adquieren destrezas en
plantear un diseo muestral?
FUNDAMENTOS DEL ESTUDIO
Se describe el marco terico empleado, que ha situado
los elementos de signicado institucional y personal
de la distribucin muestral y a continuacin algunas
investigaciones previas relacionadas con sus propiedades
y la simulacin en ingeniera.
Significado y comprensin de la distribucin
muestral
En el marco terico considerado [9-11] las matemticas
se asumen como una actividad humana implicada en
la solucin de cierta clase de situaciones problemticas
de la cual emergen y evolucionan progresivamente los
objetos matemticos. Se pretende elaborar un modelo de
los procesos de comprensin de las matemticas que tenga
en cuenta los factores institucionales y socioculturales
implicados en los mismos. El autor considera diferentes
entidades primarias como constituyentes del signicado
de un objeto matemtico (por ejemplo, distribucin
muestral), que son las que se analizan en este trabajo:
- Problemas y situaciones que inducen actividades
matemticas y definen el campo de problemas
asociado al objeto.
- Procedimientos, algoritmos, operaciones. Cuando un
sujeto se enfrenta a un problema y trata de resolverlo,
realiza distintos tipos de prcticas, que llegan a
convertirse con el tiempo en objeto de enseanza.
- Representaciones materiales utilizadas en la actividad
de resolucin de problemas (trminos, expresiones,
smbolos, tablas, grcos).
- Abstracciones (conceptos, proposiciones). Las
deniciones y propiedades caractersticas del objeto
y sus relaciones con otros conceptos.
- Demostraciones que empleamos para probar sus
propiedades y que llegan a formar parte de su
signicado.
Importancia de las distribuciones muestrales en la
ingeniera
La importancia de la estadstica en la ingeniera ha sido
subrayada por la participacin de la industria en el aumento
de la calidad, ya que las tcnicas estadsticas pueden
emplearse para describir y comprender la variabilidad,
que es el resultado de cambios en las condiciones bajo
las que se hacen las observaciones [14]. La simulacin
en la industria es apropiada en situaciones complejas
donde el tamao del problema diculta el uso de tcnicas
analticas [6]. La simulacin es el proceso de disear un
modelo de un sistema real y llevar a cabo experiencias
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
8
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
con l a travs del computador, con la nalidad de
estudiar el comportamiento de sistemas y evaluar
las estrategias para organizar el funcionamiento del
modelo que representa [4]. En este trabajo consideramos
una simulacin simplemente como un experimento
estadstico de muestreo [15], que plantea un problema
del anlisis estadstico de las muestras. Segn Vallecillos
[18] muchos alumnos tienen dicultad con el clculo
de probabilidades y, sin embargo, es necesario que
adquieran comprensin y competencia en las diferentes
distribuciones de probabilidad y en las nociones bsicas
de muestreo. Estas dicultades de comprensin de las
mismas podran inuir en los errores de aplicacin a la
ingeniera en tpicos de estimacin por intervalos o los
contrastes de hiptesis.
Partiendo de la base que las distribuciones muestrales son
el puente entre las distribuciones de probabilidades y la
inferencia estadstica, colegas de ingeniera nos indicaron
posibles reas especcas de aplicacin de procesos de
simulacin mediante la estimacin de distribuciones de
probabilidades de la media muestral. Algunas situaciones
problemas a la ingeniera de donde surge la distribucin
muestral son:
a. Procesos de llegada: clientes a un servicio, piezas a una
mquina, vehculos a un semforo, clientes a un hospital,
buses a un paradero, etc. En este caso la variable aleatoria
representa el tiempo entre llegadas y las distribuciones
ms utilizadas son: uniforme y de la familia gamma la
exponencial y erlang.
b. Datos de desembarque: simulacin de los desembarques
y sus utilidades, de das con pesca, de los tiempos de
proceso de leteado, congelado, etc. (generalmente hay
colas o tiempos de espera en cada etapa del proceso).
c. Diseo de edicios: las cargas mximas a la que estn
sometidos no se conoce de manera exacta, por lo que se
puede considerar una variable aleatoria. De igual forma,
la resistencia de los materiales tampoco se conoce de
manera exacta, ya que en el proceso de fabricacin,
transporte y montaje pueden ocurrir solicitaciones no
calculadas.
d. Duracin de servicios: tiempo en procesar una pieza,
tiempo de atencin en un hospital o un cajero automtico.
Distribuciones continuas son usadas, como gamma,
weibull, lognormal.
e. Nmero de piezas o fraccin de unidades falladas en una
muestra (muestreo de calidad utilizando la distribucin
binomial o beta, respectivamente).
Investigaciones previas sobre las distribuciones
muestrales
Las investigaciones sobre el tema buscan medios didcticos
que hagan asequibles estos conceptos a los alumnos, en
que muchos mtodos estadsticos requieren la condicin
de normalidad para su correcta aplicacin, puesto que la
omnipresencia de la distribucin normal ha hecho que
se hayan desarrollado muchos ms mtodos basados en
dicha distribucin. Sin embargo, los estudios sobre la
comprensin de las distribuciones muestrales no han
sido tratados con estudiantes de ingeniera.
Well, Pollatsek y Boyce [19] realizaron tres experimentos
con estudiantes de psicologa sobre la comprensin de
las distribuciones de la media en el muestreo, cuyo n
era identicar las razones que conducen a utilizar la
heurstica de la representatividad y los diversos juicios
que realizan los sujetos al justicar sus respuestas. En
general, los sujetos parecen comprender que los promedios
de muestras ms grandes se acercan ms a la media de la
poblacin, pero no comprenden las implicaciones de esto
sobre la variabilidad de la media muestral. La variable
ms importante que inuye en el xito de la tarea es la
similitud entre la media muestral y poblacional. Mndez
[13], al comparar las creencias sobre el teorema central
del lmite en estudiantes de doctorado y alumnos noveles,
represent el conjunto de conocimientos implcito en el
teorema por medio de un mapa conceptual, utilizando
cuatro propiedades bsicas que deben entenderse para
poder lograr una comprensin slida del teorema: a)
La esperanza de la distribucin muestral de la media
muestral es igual a la media de la poblacin, a medida que
el tamao de la muestra tiende al innito; b) La varianza
de la distribucin muestral es menor que la de la poblacin
(cuando n>1); c) La forma de la distribucin muestral tiende
a ser acampanada a medida que se incrementa el tamao
muestral, y aproximadamente normal, independientemente
de la forma de la distribucin en la poblacin; d) La forma
de la distribucin muestral crece en altura y decrece en
dispersin a medida que el tamao muestral crece.
Tanto la investigacin anterior como la de Vallecillos
[17] indican que estas propiedades no son sencillas. En
la investigacin de esta ltima autora se observa falta de
comprensin del efecto del tamao de la muestra sobre
la variabilidad de la distribucin muestral y confusin
entre la media de la poblacin (parmetro) y la media
muestral. Estas mismas dicultades son observadas por
delMas, Gareld, y Chance [7] tras una enseanza basada
en la simulacin, utilizando un programa de elaboracin
propia. Los autores sugieren que la tecnologa por s
sola no es suciente para la comprensin, sino que las
Retamal et al.: Comprensin de las distribuciones muestrales en un curso de estadstica para ingenieros
9
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
actividades y la enseanza de tipo constructiva tienen un
rol importante. Otros trabajos recientes de propiedades
importantes relacionados con las DM son el de Tauber
[16], quien describe los mltiples elementos de signicado
relacionados con la distribucin normal y Alvarado [2]
sobre el signicado del teorema central del lmite.
METODOLOGA
Esta es una investigacin que analiza principalmente
variables cualitativas, como los elementos de signicados
institucional y personal de las distribuciones muestrales
y los errores presentados en un curso de estadstica a
nivel universitario. Nuestro trabajo contiene componentes
tericos y aplicados [5]. Consta de un estudio cuasi-
experimental. Por su objetivo sera una investigacin
evaluativa, segn las fuentes de datos, emprica y por
su enfoque, descriptiva y exploratoria [12].
Poblacin de estudio
La poblacin objetivo fueron 134 estudiantes de ingeniera
de cinco especialidades (Acuicultura y Pesca, Portuario,
Informtico, Industrial y Civil) que cursan Estadstica.
La asignatura impartida en la Facultad de Ingeniera
de la Universidad Catlica de la Santsima Concepcin
es de carcter mnimo del rea de Ciencias Bsicas
y tiene prerrequisito el curso de Probabilidades. Por
tanto, los alumnos tienen conocimiento de estadstica
descriptiva, clculo de probabilidades, variables aleatorias,
distribuciones de probabilidades clsicas y distribuciones
bivariadas. Adems, han trabajado con los procesadores
de planilla Excel y de texto Word.
La inscripcin de los alumnos en el curso la realizaron
por Internet (requisito es haber aprobado el curso de
probabilidades), de manera que una vez que se completa
una seccin debe incorporarse a la que est con cupos
disponibles. Por lo tanto, los alumnos participantes se
dividieron de forma aleatoria en dos secciones de 55 y
79 alumnos.
Desarrollo de la enseanza
La planicacin de la secuencia de enseanza de la
distribucin muestral se concluy al nal del primer
semestre (agosto); considerando, por ejemplo, el tiempo
de ejecucin, las condiciones de recurso tecnolgico
disponible en el aula y el nmero de alumnos inscritos,
y se naliz con la aplicacin y evaluaciones del proceso
de estudio en diciembre. Las actividades desarrolladas
fueron:
a. Se establecieron los contenidos propios que abarca
el tema de las distribuciones muestrales; revisando 10
libros de textos de estadstica matemtica y aplicada a
la ingeniera que tratan el tema analizando la estructura
de cmo presentan el tema, su secuencia y contenidos
previos. Hemos determinado que un 80% de los textos
conducen el proceso de estudio de DM y luego la estimacin
puntual, lo cual discutimos y modicamos debido a
nuestra experiencia docente, favoreciendo la base de
conceptos previos. Usualmente vemos las distribuciones
muestrales, estimacin puntual de parmetros y luego
intervalos de conanza, lo que hace verse de forma un
tanto discontinuada. La propuesta es comenzar con las
propiedades deseables de estimadores y criterios para
encontrar buenos estimadores (media muestral), seguido
de encontrar la funcin de distribucin de los estimadores,
que nos permitir conocer mejor las caractersticas de
los estimadores utilizados.
b. Se seleccionaron las categoras de los elementos de
signicados de las DM; determinando los campos de
problemas especcos de las DM que vamos a desarrollar,
apoyado en las investigaciones [16, 2, 3].
c. La leccin (desarrollada en cada Unidad con teora,
propiedades y actividades) de la DM para estudiantes de
ingeniera considera la siguiente secuencia:
Unidad 0. Contenidos previos. Introduccin y conceptos
bsicos: denicin de estadstica, muestreo estadstico,
poblacin, muestra.
Estimacin puntual de parmetros: Muestra aleatoria,
estimadores, propiedades de los estimadores, mtodos
de estimacin.
Unidad 1. Distribucin de los estimadores de poblaciones
con distribucin Normal en una y dos muestras. Distribucin
muestral de la media muestral y sus aplicaciones de
proximidad al parmetro que estima calcular el tamao
de muestra necesario dada una probabilidad de cercana.
Obtener un intervalo de conanza para el parmetro.
Calcular probabilidades de estimadores de la media y
varianza muestrales, usando tablas estadsticas de las
distribuciones Chi-cuadrado, t-student y de Fisher.
Unidad 2. Distribucin de los estimadores de variables
discretas de poblaciones no Normales en una y dos
muestras
Unidad 3. Distribucin de los estimadores de variables
continuas de poblaciones no Normales en una y dos
muestras
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
10
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
d. Se establecieron las funciones del docente y del
alumno; evaluando la adecuacin del tiempo disponible
de la ejecucin de la leccin y de los conocimientos
previos. En el proceso de enseanza el profesor gua a los
estudiantes a denir un problema, llevar a cabo un plan
de diseo muestral y su administracin de la informacin,
recoleccin de datos y su exploracin, plantear hiptesis,
y nalmente resultados, conclusiones y comunicacin. Se
destacan conceptos importantes mostrando su necesidad
en la presentacin de algunos problemas con base de datos
usando el computador (comparando de forma visual los
datos empricos con la distribucin normal), seguido
de su formalizacin y aplicacin de tipo algebraica.
El profesor conduce a los estudiantes en la aplicacin
de resolucin de un problema ingenieril. Los alumnos
intentaron resolver, individualmente y en grupos de dos,
los problemas dirigidos a descubrir la necesidad de uso
de algunas propiedades de la DM y luego el profesor
gua al grupo a la solucin correcta, destacando las
actividades de clculo e interpretacin de aplicaciones
a la ingeniera.
e. La experiencia de aula se desarroll en la asignatura
de Estadstica, con inscripcin inicial de 134 alumnos de
ingeniera y divididos en dos secciones. Las dos ctedras
fueron realizadas por profesores de jornada completa y las
prcticas por profesores con algunos aos de experiencia
prctica en la docencia de estadstica. Las sesiones de clase
en el aula estuvieron en funcin de resolucin de campos
de problemas, partiendo de situaciones concretas y luego
a situaciones de la ingeniera. Previo a la evaluacin en el
laboratorio de una situacin problema, estaba disponible
en la plataforma un demo del programa @risk con los
pasos tcnicos de construccin de un histograma y la
generacin de nmeros aleatorios en forma de matriz;
se destin una tarde de asesora por parte de un profesor
a consulta de prctica en el laboratorio y una semana a
consulta va correo electrnico o en ocina.
f. El tiempo dedicado en el aula al estudio de la DM fue
de cuatro semanas (16 mdulos de 80 minutos) y cuatro
mdulos en el laboratorio de computacin. Se llevaron a
cabo cuatro sesiones por semana, 3 de ctedra y una de
prctica. En dos sesiones paralelas de ctedra se trabaj
con apoyo de notebook y can multimedia y la otra
sesin con el pizarrn.
g. Se utiliz el paquete estadstico @risk del programa
Excel para el trabajo nal de aplicacin a la ingeniera.
h. Se evalu al final de cada semana y al final del
semestre acadmico, aplicando una prueba escrita a
ambas secciones.
i. Se utiliz como apoyo a la gestin administrativa del
curso, la plataforma de entorno virtual de aprendizaje
EV@ de la direccin de Docencia y en el laboratorio
la planilla Excel y procesador de texto Word para
los informes de las tareas. El material escrito estuvo
disponible a los estudiantes en la plataforma EV@ previo
a cada unidad.
j. Cada tres clases se recogan las respuestas escritas de los
alumnos a los controles propuestos. Por la limitacin de
espacio describimos slo dos evaluaciones aplicadas.
Instrumentos de recoleccin de la informacin
Se utilizaron dos instrumentos de recoleccin de datos para
la evaluacin en estadstica, que recogen la lectura directa
de datos y reconocimiento de propiedades clasicando las
respuestas como correctas o incorrectas, y la capacidad de
anlisis de datos reales, las estrategias utilizadas [8]. Para
medir la ecacia docente del profesor o qu comprenden
los estudiantes de la DM, consideramos la evaluacin en
el estudio como la correspondencia entre el signicado
institucional presentado en la enseanza y el signicado
personal efectivamente construido por los alumnos [9],
identicando sus dicultades y errores.
Diseo de prueba conceptual y de desarrollo algebraico.
Presentamos el instrumento en la Tabla 1, con tems
referidos a escribir una sntesis de enlaces de contenido,
tems de tipo verdadero/falso con justicacin en caso
de responder falso, de seleccin mltiple y nalmente
de desarrollo algebraico de clculo de probabilidades de
estimadores. El alumno debe relacionar varios conceptos
(tem 1) y expresarse en trminos de lenguaje simblico
(tem 2a). El objetivo de los tems 3 y 4 es determinar la
comprensin de conceptos y aplicar propiedades de las
DM. Tambin se ha medido en problemas de desarrollo
(tems 5 y 6), denir la variable aleatoria, calcular
probabilidades de estimadores y su interpretacin (tem
2b), mediante el comportamiento de la distribucin de
probabilidades de la media muestral y varianza muestral.
Analizar patrones de variabilidad de algunas distribuciones
clsicas de probabilidades (normal, uniforme) de valores
observados para distintos tamaos muestrales. Contestaron
134 alumnos los tems 1, 2 y 5; 106 los tems 3 y 4; 129
el tem 6.
Diseo de prueba de aplicacin contextualizada con
programa estadstico. Otro instrumento utilizado,
que evala la comprensin de informacin de datos y
capacidad de anlisis y sntesis, fue las respuestas escritas
de los estudiantes a una actividad prctica individual
propuesta al nal del semestre, de desarrollo de un informe
Retamal et al.: Comprensin de las distribuciones muestrales en un curso de estadstica para ingenieros
11
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
investigativo de un problema a la especialidad aplicando
la DM mediante la simulacin con apoyo del programa
@risk de Excel. En un plazo de dos semanas el alumno
debera utilizar las propiedades de la DM a un problema de
ingeniera, deniendo la variable de estudio sea discreta o
continua, objetivos y referencias (bsqueda de problemas
en las tesis de ingenieros egresados, libros de ciencias de
la ingeniera, o recoleccin personal de bases de datos),
incorporar tablas de datos y grcas como el histograma,
obtener la distribucin de probabilidad clsica asociada,
estimar la solucin mediante la simulacin para valores
distintos de muestras y las conclusiones.
ANLISIS DE LOS RESULTADOS
De acuerdo al marco terico del signicado institucional
y personal de un objeto matemtico [10] se ha establecido
el signicado institucional local, que corresponde a lo
planicado por el profesor cuando disea la secuencia
didctica de la Distribucin Muestral.
A continuacin, pasamos a caracterizar los principales
elementos de signicados de las distribuciones muestrales
adquiridos por los estudiantes y los errores manifestados en
las respuestas a los dos diseos de pruebas. Ver tabla 1.
Prueba conceptual y de desarrollo algebraico
Tauber [16] y Alvarado [2] han determinado una
variedad de elementos de signicados relacionados con
la distribucin normal y el teorema central del lmite;
conceptos importantes que nos permiten acercarnos a la
comprensin de la Distribucin Muestral. A continuacin
se describen, tabla 2, los elementos de signicados
considerados en la enseanza durante el segundo semestre
acadmico y los porcentajes de respuestas contestadas
correctamente.
Campos de problemas. Los alumnos respondieron
correctamente en reconocer y escribir las diferentes
situaciones-problemas de las DM, considerando la
poblacin inicial normal o no. La dicultad se mostr
en las aplicaciones de las propiedades de las DM, donde
slo un 47% respondi correctamente un problema de
obtener tamao de muestra adecuado y un 58% logr
resolver la situacin de intervalo de conanza.
Lenguaje. Un 63% de los alumnos han escrito correctamente
los trminos verbales y simblicos y se han apropiado de
las notaciones en el caso de variables continuas. Cabe
sealar que un 35% de los alumnos presentan errores de
lectura de las tablas estadstica de la distribucin normal
y chi-cuadrado.
Procedimientos. Se observa que los estudiantes han
realizado de forma correcta el procedimiento de clculo
de probabilidades del estadstico de varianza muestral y
tambin para el caso de la suma de variables aleatorias
continuas. Continan presentando un 51% de errores en
llegar a la solucin correcta de la probabilidad usando la
media de la distribucin muestral, y slo un 34% logr
resolver el caso de aplicacin de obtener el tamao de
muestra, proceso inverso a la tipicacin.
Conceptos. Este elemento de signicado es el ms dbil,
donde el grupo curso carece de sintetizar conceptos
relacionados, slo son capaces de reproducir deniciones
de forma aislada.
Propiedades. En promedio ms de un 70% de las
respuestas de tipo conceptual de las propiedades
sealadas han sido reconocidas e incorporadas al
conocimiento del tema por los alumnos. Cabe sealar
que slo un 22% contest correctamente la propiedad
que relaciona los conceptos de media muestral y media
poblacional; esto puede justicarse por trabajar con la
simbologa ms que con trminos verbales o la rpida
lectura del tem.
Argumentos. Este elemento de signicado no ha sido
comprendido por los alumnos; en general utilizan bien
en su algoritmo algunas propiedades, deniciones y
procedimiento algebraicos, pero no interpretan ni hacen
sntesis de los resultados; un 30% aplica el teorema
central del lmite pero no lo fundamenta de acuerdo
al tamao muestral, la naturaleza de las variables y
los parmetros de la distribucin que consideran. Ver
tabla 2.
Prueba de aplicacin contextualizada de las DM con
el programa @risk
El trabajo final de aplicacin fue formulado en el
procesador Word, analizada la experimentacin con
el programa @risk, y enviado a la plataforma virtual
EV@. Previo a la ejecucin de este trabajo, se levant
en la plataforma un demo de una actividad de comandos
y grca de simulacin con @risk de la distribucin de
weibull (ver gura 1).
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
12
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
Tabla 1. Frecuencias de respuestas contestadas correctamente en los tems de las evaluaciones.
tems
Contestadas
correctamente
Frec. %
[1] Enuncie una denicin que involucre los conceptos de Distribucin Muestral, estadstico y
muestra aleatoria.
4 3
[2] Hemos dado el siguiente teorema en clase; Teorema 1: Considere una muestra aleatoria extrada
de una poblacin normal de media y varianza o
2
. Entonces, la variable aleatoria de la media
muestral tiene distribucin normal con media y varianza o
2
/n.
a) Enuncie en lenguaje simblico el teorema 1.
b) Explique su importancia y alcance de aplicacin.
a) 85 63
b) 42 31
[3] Responda Verdadero (V) si la proposicin es siempre verdadera. En caso contrario
justique sustituyendo las palabras en el casillero Falso para las que hagan siempre verdadera la
proposicin:
a) Una distribucin muestral describe los valores que tomara un estadstico en muchas repeticiones
de una muestra o de un experimento en las mismas condiciones. (V)
b) La desviacin estndar de la media muestral aumenta a medida que crece el tamao de la
muestra. (F, disminuye)
c) Los histogramas de todas las distribuciones muestrales tienen forma simtrica. (F, algunas)
d) Un parmetro es la medida de alguna caracterstica de una muestra. (F, estadstico)
e) Cuando el estadstico de prueba es t y el nmero de grados de libertad se hace muy grande, el
valor crtico de t est bastante prximo al normal estndar z. (V)
f) El valor esperado de la distribucin muestral de las X es igual a la media de la muestra.
(F, poblacin)
a) 74 70
b) 70 66
c) 79 75
d) 15 14
e) 80 75
f) 23 22
[4] Marque con una X su respuesta. El peso promedio de alumnas de primer ao universitario es 52 k
con desviacin estndar 12 k. Se toma una muestra aleatoria de 36 alumnas de ingreso a la UCSC.
Con probabilidad del 68% podemos decir que la media de la muestra estar comprendida:
(a) Entre 40 y 64 kilos (b) Entre 50 y 54 kilos
(c) Entre 48 y 56 kilos (d) Entre 51 y 53 kilos
a) 11 10
b) 62 58
c) 07 07
d) 26 25
[5] Algebraico. Un inspector federal de pesos y medidas visita una planta de empacado para vericar
que el peso neto de las cajas sea el indicado en stas. Considere la v.a. peso neto de las cajas con
una distribucin normal. El gerente de la planta asegura al inspector que el peso promedio de cada
caja es de 750 g con una desviacin estndar de 5 g. El inspector selecciona, al azar, 100 cajas y
encuentra que el peso promedio es de 748 g.
a) Bajo estas condiciones, qu tan probable es tener un peso medio de 748 g o menos? Qu
actitud debe tomar el inspector?
b) Cul es la probabilidad de que la diferencia entre la media de la muestra y la media verdadera
no exceda de 1 gramo?
c) Calcular la probabilidad de que el peso de una caja, seleccionada al azar de un lote, supere los
754 gramos.
d) Si el inspector selecciona, al azar, 81 cajas, encuentre la probabilidad de que la varianza muestral
sea mayor que 31,84 gramos
2
.
a) 66 49
b) 83 62
c) 91 68
d) 98 73
[6] Algebraico. Al sumar nmeros, un computador aproxima cada nmero al entero ms prximo.
Supongamos que todos los errores de aproximacin son independientes y distribuidos uniformemente
entre (-0.5, 0.5).
a) Si se suman 1500 nmeros, cul es la probabilidad de que la magnitud del error total exceda
de 15?
b) Cuntos nmeros pueden sumarse juntos a n de que la magnitud del error total sea menor
que 10, con probabilidad 0,90?
a) 108 84
b) 44 34
Retamal et al.: Comprensin de las distribuciones muestrales en un curso de estadstica para ingenieros
13
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
Tabla 2. Elementos de signicados de las DM considerados en el cuestionario.
Tipo de elementos Elementos de signicados %
Campos de
problemas
Bsqueda de distribucin de la media muestral de poblacin normal
Obtener la distribucin del error muestral de poblacin normal
Distribucin de una variable aleatoria normal
Distribucin de la varianza muestral
Estimacin por intervalos de conanza de la media para muestras grandes
Distribucin de la suma de variables aleatorias continuas
Obtener el tamao de muestra de variables aleatorias continuas
80
67
81
73
58
69
47
Lenguaje Distribucin de la media muestral de poblacin normal (simblico)
Tabla de la distribucin normal, chi-cuadrado
Notacin de suma de variables aleatorias continuas
63
65
90
Procedimientos Clculo de probabilidad de media muestral de poblacin normal
Clculo y transformacin algebraica de una variable aleatoria normal
Clculo de probabilidad de la varianza muestral
Clculo de probabilidad de suma de variables aleatorias continuas
Operacin inversa a la tipicacin en variables continuas
49
68
83
84
34
Conceptos Distribucin Muestral
Relacionar Distribucin Muestral, estadstico y muestra aleatoria
Estadstico
70
3
14
Propiedades La desviacin estndar de la media muestral aumenta para n grande
Estandarizar la media muestral de poblacin normal
Simetra de las distribuciones muestrales
Teorema central del lmite para la distribucin t-student
Valor esperado de la media muestral coincide con la media poblacional
Media de la distribucin de una suma de variables aleatorias continuas
Varianza de la distribucin de la suma de variables aleatorias continuas
66
66
75
75
22
95
95
Argumentos Explicativo en palabras de la distribucin de media muestral
Teorema central del lmite para variables continuas
31
30
Figura 1. Distribucin de muestreo de X cuando la distribucin de la poblacin es Weibull, con o = 2 y = 5 utilizando
el programa @risk.
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
14
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
A continuacin se presentan los principales elementos de
signicados de las DM explicitados por los alumnos en
su informe de aplicacin con apoyo del computador.
Situaciones. Los alumnos han empleado variados temas de
su inters; seleccionaron 42 variables aleatorias discretas
y 22 variables aleatorias continuas, deniendo diversas
variables a la ingeniera tales como: Nmero de salmnidos
contagiados por el parsito nematodo Hysterothycacium en
cultivos marinos del sur de Chile (binomial), Nmero de
camiones cargados por el cargador frontal en un perodo
de una hora (Poisson), Tiempo en horas que demora una
mquina de pino en obtener un metro cbico de produccin
(exponencial), Precio de cada paquete comprado en la
transaccin en la bolsa de comercio (uniforme).
En general, los problemas planteados no fundamentaron
su importancia y muy pocos denieron correctamente la
variable aleatoria con alguna distribucin clsica. Adems,
notamos una confusin en denir una variable aleatoria
con distribucin Poisson con la exponencial.
En la tabla 3 se muestra un resumen de las distribuciones
de probabilidad consideradas y el rea de especialidad
analizada a la ingeniera.
Lenguaje. Los trminos y expresiones verbales ms
utilizados fueron: Variable aleatoria, distribucin de
probabilidad, distribucin normal, muestra aleatoria,
estadstico, distribucin muestral, teorema central del
lmite, suma de variables aleatorias independientes
e idnticamente distribuida, simulacin, histograma,
intervalo de confianza, dispersin, poblacin. Las
notaciones simblicas permiten realizar operaciones con los
conceptos, trabajando a un alto nivel de complejidad.
En los trabajos, las expresiones simblicas de la distribucin
muestral ms recurridas son: X
1
, X
2
,, X
n
para referirse
a una muestra aleatoria,
S X
n i
i
n

1
al enunciar la suma
de n variables aleatorias, X N n =
( )
o ,
2
al describir la
distribucin muestral de la media de la muestra para n
sucientemente grande, la frmula de estandarizacin de la
media muestral
x
s n

.

En cuanto a las Representaciones
grcas, las consideradas fueron: Grco de barras,
Histograma, Polgono de frecuencia, Curva densidad
normal y Distribuciones clsicas de probabilidad. En la
simulacin se trabaj con la planilla Excel y el programa
estadstico @risk.
Procedimientos. El algoritmo ms reiterativo de resolucin
de la situacin-problema fue el siguiente:
Denir la variable aleatoria a la ingeniera; generar
una matriz de datos, tablas de datos; representar por un
histograma la distribucin muestral de la media muestral
o suma de variables aleatorias; interpretar grcas, por
ejemplo, el histograma; obtener distribucin probabilidad
clsica asociada, clculo de parmetros de la distribucin
de probabilidad escogida; obtener la distribucin de
muestreo de la media muestral cuando la poblacin no
es normal; comparar valores tericos esperados con su
correspondiente valor emprico, clculo de probabilidad
en intervalos de la distribucin normal.
Conceptos. Los ms empleados por los alumnos son los
siguientes: distribucin muestral, enunciado del teorema
central del lmite, estadstico, media muestral, distribucin
de probabilidades.
Propiedades. Las que utilizaron los alumnos fueron:
La media muestral sigue una distribucin normal cuando
la muestra es grande;
La convergencia de la suma de variables aleatorias a la
distribucin normal mejora conforme aumenta el tamao
de la muestra;
Tabla 3. Distribuciones de probabilidades y temas de ingeniera empleados por los estudiantes
Distribucin Terica Especialidad de Ingeniera rea de desarrollo
Binomial 24
Poisson 18
Normal 3
Exponencial 14
Uniforme 2
Gamma 1
Logstica 1
Weibull 1
No dene distribucin 3
Acuicultura y Pesca 11
Martimo Portuario 7
Informtica 10
Industrial 34
Civil 7
Apcola, cultivo, industria salmonera, Transporte, ota,
pesca, computacin, programacin, control de calidad,
servicio atencin clientes, consumo empresas, forestal,
central hidroelctrica, tiempo de falla, seguridad vial,
educacin, deporte, automotriz, encuesta laboral, bolsa
de comercio, ganadera, estructura de construccin,
resistencia de materiales
Retamal et al.: Comprensin de las distribuciones muestrales en un curso de estadstica para ingenieros
15
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
Aproximacin de la distribucin binomial por la normal
como caso particular del teorema central del lmite;
Aproximacin de algunas distribuciones clsicas a la
distribucin normal;
Aproximacin a la normal mejora segn la naturaleza
de las variables aleatorias;
La media del promedio de la muestra es igual a la media
de la poblacin;
La forma de la distribucin muestral tiende a ser
acampanada a medida que se incrementa el tamao
muestral, y aproximadamente normal, independiente de
la forma de la distribucin en la poblacin.
Argumentaciones. Para validar y explicar las proposiciones
los estudiantes emplearon la comparacin de los
valores tericos y empricos, representacin grca y
la sntesis.
Muy pocos estudiantes llegan a una conclusin nal
correcta en el contexto del problema, relacionando gran
parte de los elementos de signicados, realizando un
anlisis de cada propiedad y concluyendo con una sntesis.
Un ejemplo, es la alumna de ingeniera en Acuicultura
y Pesca que inici bien su trabajo, obtuvo una variable
aleatoria, X: nmero de prdidas de especies en los
sistemas de cultivo por linterna, a partir de un problema
situado a su rea de especialidad, y en su resolucin
asocia correctamente la variable con la distribucin de
Poisson. A continuacin, toma una muestra aleatoria
de linternas y dene la suma de variables aleatorias
con aproximacin a la distribucin normal, por medio
del teorema central del lmite (propiedad). Determina
los valores exactos de la distribucin terica Poisson y
de la normal y luego los compara. En el clculo utiliza
correctamente la correccin por continuidad (propiedad).
Tambin relaciona las propiedades con la forma para
varios polgonos de frecuencias (lenguaje) mediante el
programa @risk (gura 2). Interpret las grcas mediante
la curtosis (propiedad) comentando que a medida que se
va aproximando a la normal, se vuelve ms simtrica.
Concluye, para varias muestras aleatorias de tamao 100,
300, 1000 y distintas iteraciones de 20, 500 y 5000, que
a ms grande el nmero de iteraciones, manteniendo el
parmetro de Poisson =5 y aumentando la cantidad de
especies de ostras (argopecten purpuratus), la distribucin
Poisson se aproxima bien a la distribucin normal,
adems la varianza disminuye a medida que aumenta la
muestra ya que depende de la cantidad de especies que
se utilizaron. Un comentario es que las representaciones
grcas obtenidas del programa estadstico entrega los
resmenes estadsticos con el clculo de intervalos de
conanza clsicos, que en este caso no fue analizado e
interpretado.
Sistema de linterna (consta de 10 pisos) Simulacin de 300 especies de ostras con =5
Figura 2. Anlisis de muestreo en el campo de acuicultura: situacin de cultivo de ostras por medio del sistema de
linterna en suspensin mediante @risk.
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
16
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
CONSIDERACIONES FINALES
Debido a la amplitud de las propiedades y elementos
relacionados de la Distribucin Muestral y su apropiacin
de conceptos por parte de los alumnos, la evaluacin de
habilidades generales es slo parcial, ya que los controles
fueron varios con objetivos especcos.
La descripcin de las caractersticas principales en el
signicado personal que los alumnos construyeron sobre
las distribuciones muestrales, en base a los signicados
institucionales dado en la tabla 1, indican que ms de la
mitad del grupo de estudiantes respondi correctamente
los elementos de signicados de las DM en las dos pruebas
analizadas en este trabajo, destacando la aplicacin de
estimadores de la media de variables aleatorias provenientes
de muestras de una distribucin binomial.
Los alumnos respondieron correctamente la resolucin
de un problema algebraico del caso de variables de tipo
continua a un promedio del 63%, lo que indica que muchos
de los elementos considerados en la enseanza de este
tema pasarn a formar parte del signicado personal de
los alumnos.
Si bien, aplican en un contexto situado las ideas bsicas de
parmetro, estadstico y distribucin de probabilidades,
observamos dicultades en interpretar los resultados
de aproximaciones a la distribucin normal y tambin
ciertos grcos.
Observamos que los errores ms comunes que se
deducen de las respuestas, y que denotan desajustes con
el signicado institucional pretendido en el curso, son:
aplican el teorema central del lmite pero no lo justican;
no denen correctamente la variable aleatoria de la suma
de variables aleatorias en un contexto a la ingeniera; no
aplican la correccin por continuidad del caso discreto
aproximado por una distribucin continua (normal); an
persisten errores en la lectura de la tabla estadstica de la
distribucin normal estndar y chi-cuadrado; y nalmente,
los alumnos calculan la probabilidad de estimadores de
variables aleatorias pero no interpretan correctamente.
Tambin, hubo errores en los estudiantes de ingeniera
en relacionar correctamente la media poblacional y
la media muestral, lo que coincide con el estudio de
Vallecillos [17].
Consideramos positiva la experiencia de trabajar la DM
mediante la simulacin con el computador, que a pesar
de disponer con un 25% de equipos con el programa
utilizado en el laboratorio, los alumnos bajaron por
Internet el @risk con vigencia limitada. Un anlisis
detallado de las respuestas de los estudiantes muestra
que ellos aprendieron a utilizar el programa @risk,
obteniendo tablas de la distribucin de la suma de
variables aleatorias con muestras de distintos tamaos
muestrales y la grca de barras e histograma como un
medio de validar la forma simtrica de la distribucin
de la media muestral a medida que aumenta el tamao
muestral; una de las propiedades propuesta por Mndez
[13]. Los estudiantes en general utilizan como criterio de
anlisis el tipo de variables aleatorias para identicar la
distribucin clsica de probabilidades y aplicar algunas
propiedades de aproximacin a la distribucin normal.
Aunque, observamos en algunos estudiantes que confunden
una variable discreta con una continua, como es el caso de
la distribucin Poisson con la distribucin exponencial.
La mitad del grupo curso manifest adquirir ciertas
habilidades, como la de identificar y formular un
problema a la ingeniera, trabajar en equipo con sus
pares en las actividades planteadas. Sin embargo, es
dbil la predisposicin a realizar experimentos, analizar
la informacin y la correcta interpretacin de resultados
del anlisis de datos. No hacen un trabajo de anlisis
en las tareas al plantear un problema a la ingeniera,
para comprobar las propiedades importantes de la DM
y sntesis para obtener una conclusin del conjunto de
anlisis realizado. Son capaces de manejar la planilla
Excel y el software @risk pero no su interpretacin de
resultados. La mayora de los alumnos se conforma con
aplicar la estimacin de la media en distintas muestras
pero no justican si es adecuado o no tal solucin.
Debemos continuar este trabajo, identificando las
competencias estadsticas prioritarias de un ingeniero
y su desarrollo en la asignatura.
La investigacin didctica sobre la enseanza y aprendizaje
de conceptos avanzados de estadstica es todava muy
escasa. Este trabajo descrito es slo una primera fase de
investigacin que nos ha permitido de forma sistemtica
caracterizar en base a las respuestas de los alumnos, los
errores en la comprensin de las propiedades de las DM
y que puede orientar la labor del profesor, tanto para
planicar la enseanza y evaluacin del tema, como para
fundamentar la enseanza posterior de la estimacin por
intervalos y los contrastes de hiptesis. Una segunda
etapa ser repetir la metodologa de enseanza con otros
estudiantes de ingeniera y validar las evaluaciones
construidas.
Retamal et al.: Comprensin de las distribuciones muestrales en un curso de estadstica para ingenieros
17
Ingeniare. Revista chilena de ingeniera, vol. 15 N 1, 2007
AGRADECIMIENTOS
Este informe ha contado con el apoyo de la Direccin de
Investigacin y Postgrado de la Universidad Catlica de
la Santsima Concepcin, mediante la adjudicacin del
proyecto interno de investigacin DIN 06/2005.
REFERENCIAS
[1] H. Alvarado. Significado y comprensin de
un teorema estadstico: elementos bsicos en el
desarrollo profesional del profesor para una buena
enseanza. Boletn de Investigacin Educacional.
Vol. 19 N 1, pp. 227-244. 2004.
[2] H. Alvarado. Elementos del signicado del teorema
central del lmite en textos de estadstica para
ingenieros. Memoria de Tercer Ciclo. Universidad
de Granada. 2004.
[3] H. Alvarado y C. Batanero. El signicado del
teorema central del lmite: evolucin histrica a
partir de sus campos de problemas. Investigacin
en Didctica de las Matemticas. Editorial A.
Contreras, pp. 13-36. ISBN: 84-8439-268-6. Grupo
FQM126. Universidad de Granada. 2005.
[4] R. Ardanuy y Q. Martn. Estadstica para
ingenieros. Salamanca: Hesprides. 1998.
[5] R. Bisquerra. Mtodos de investigacin educativa.
Barcelona, Espaa. P.P.U. 1989.
[6] R. Chase, N. Aquilano y F. Jacob. Administracin
de produccin y operaciones. McGraw-Hill. Santa
Fe, Bogot. 2000.
[7] R. C. del Mas, J. B. Gareld y B. L. Chance.
A model of classroom research in action:
developing simulation activities to improve
students statistical reasoning. Journal of Statistic
Education. Vol. 7 N 3. 1999. Online:
http://www.amstat.org/publications/jse/secure/
v7n3/delmas.cfm.
[8] I. Gal. Assessing students` interpretations of
data: Conceptual and pragmatic issues. Papers on
Statistical Education presented at ICME-8. Editorial
B. Phillips, pp. 49-58. Swinburne University of
Technology. 1997.
[9] J. D. Godino. Un enfoque ontolgico y semitico
de la cognicin matemtica. Recherches en
Didactique des Mathmatiques. Vol. 22 N 2/3,
pp. 237-284. 2002.
[10] J.D. Godino. Teora de las funciones semiticas.
Un enfoque semitico de la cognicin e instruccin
matemtica. Granada: El autor. 2003.
[11] J.D. Godino y C. Batanero. Clarifying the
meaning of mathematical objects as a priority
area of research in Mathematics Education. En
A. Sierpinska y J. Kilpatrick (Eds.), Mathematics
education as a research domain: A search for
identity, pp. 177-195. Dordrecht: Kluwer. 1998.
[12] R. Hernndez, C. Fernndez y C. Baptista.
Metodologa de investigacin. McGraw-Hill.
Mxico. 1998.
[13] H. Mndez. Understanding the Central limit
Theorem. Tesis para optar al grado de doctor.
Universidad de California. UMI 6369. 1991.
[14] D. Montgomery y G. Runger. Probabilidad y
estadstica aplicadas a la ingeniera. Mxico:
McGraw-Hill. 1996.
[15] J. Pazos, A. Surez y R. Daz. Teora de colas y
simulacin de eventos discretos. Prentice Hall.
Madrid, Espaa. 2003.
[16] L. Tauber. Significado y comprensin de la
distribucin normal a partir de actividades de
anlisis de datos. Tesis para optar al grado de
doctor. Universidad de Sevilla. Espaa. 2001.
[17] A. Vallecillos. Estudio terico-experimental
de errores y concepciones sobre el contraste de
hiptesis en estudiantes universitarios. Tesis para
optar al grado de doctor. Universidad de Granada.
1994.
[18] A. Vallecillos. Comprensin de la lgica del
contraste de hiptesis en estudiantes universitarios.
Recherches en Didactique des Mathematiques.
Vol. 15 N 3, pp. 53 - 81. 1996.
[19] A. Well, A. Pollatsek y S. Boyce. Understanding
the effects of sample size on the variability of
the mean. Organizational Behavior and Human
Decision Processes. Vol. 47, pp. 289-312. 1990.