Professional Documents
Culture Documents
EN EDUCACIN EN CIENCIAS
ISSN 1850-6666
alvaradomartinez@ucsc.cl , nsegura@ucsc.cl
1, 2
Departamento de Matemtica y Fsica Aplicadas
1, 2
Universidad Catlica de la Santsima Concepcin, Chile
Resumen
En este trabajo se analiza la presentacin de las distribuciones muestrales en una muestra de 22 libros de texto de
estadstica ms utilizado en la enseanza a estudiantes de ingeniera en Chile. Mediante el modelo del significado de un
objeto matemtico, se han diferenciado los elementos ms importantes del tema y revelado la riqueza en las aplicaciones
a situaciones de la ingeniera. Los textos muestran, en general, que son cada vez ms tcnicos en ausencia de la
fundamentacin de propiedades estadsticas, la forma usual de expresin es simblica, descuidando las representaciones
grficas y simulaciones. En consecuencia, se deducen algunos criterios para el diseo de futuras propuestas de
enseanza, como la complementacin de la experimentacin y la generalizacin de las distribuciones muestrales por
medio de variadas formulaciones, representaciones y herramientas de resolucin de problemas.
Palabras clave: Distribuciones muestrales, significado de objetos matemticos, anlisis de libros de texto.
In this paper we analyse the presentation of sampling distributions in a sample of 22 statistics textbooks more employed
in teaching engineering students in Chile. Our work is based on a theoretical model on the meaning of mathematical
objects. The most important elements of the subject revealed a wealth of applications to engineering situations. The texts
show, in general, are becoming more technical in the absence of the foundations of statistical properties, the usual form
of symbolic expression, neglecting the graphic representations and simulations. As a consequence of such an analysis we
infer some criteria for the future designing of teaching proposals, like the complementation of the experimentation and
generalization of sampling distributions through various formulations, representations and tools for solving problems.
Dans ce travail on analyse la prsentation des distributions dchantillonnage dans un chantillon de 22 livres de
statistiques les plus utiliss dans lenseignement des tudiants dune carrire de ingnierie au Chili. Grce au modle du
signifi dun objet mathmatique, on a diffrenci les lments les plus importants du sujet et relev leurs richesses dans
les applications aux situations de lingnierie. Les textes montrent, en gnral, quils sont chaque fois plus techniques
en absence de fondements des proprits statistiques; la forme usuelle dexpression est symbolique, en ngligeant les
reprsentations graphiques et les simulations. Par consquent, on en dduit quelques critres pour la conception de
futures propositions dapprentissage, comme la complmentarit de lexprimentation et la gnralisation des
Mots cls: Distributions dchantillonnage, signifi des objets mathmatiques, analyse des livres de textes
No presente artigo analisa-se a apresentao das distribuies amostrais em uma amostra de 22 livros de texto de
estatstica mais utilizados no ensino a engenheiros no Chile. Por meio do modelo do significado de um objeto
matemtico, foram diferenciados os elementos mais importantes do tema e revelada uma abundncia das aplicaes a
situaes da engenharia. Os textos mostram que, em geral, eles so mais e mais tcnicos em ausncia da fundamentao
de propriedades estatsticas, a forma habitual de expresso simblico, descuidando-se as representaes grficas e
simulaes. Por conseguinte, inferem-se alguns dos critrios para a concepo de futuras propostas de ensino, tais como
a complementaridade de experimentao e a generalizao das distribuies amostrais por meio de diversas formulaes,
representaes e ferramentas de resoluo de problemas.
Palavras chave: Distribuies amostrais, significado de objetos matemticos, anlise de livros de texto.
1. INTRODUCCIN
En este trabajo se analiza el significado de las
Las distribuciones muestrales son consideradas la piedra distribuciones muestrales en los libros de texto de
angular de la inferencia estadstica (Gardfiel, delMas y probabilidad y estadstica dirigidos a ingenieros. Se utiliza
Chance, 2004) y tienen como prerrequisitos esenciales para la metodologa de anlisis de textos empleadas por
su comprensin apropiarse de la idea de distribucin y investigadores acerca del estudio de otros conceptos
variabilidad (Pfannkuh y Wild, 2004), y familiarizacin estadsticos (Tauber, 2001; Cobo y Batanero, 2004;
con distribuciones comunes como la binomial y la normal Alvarado y Batanero, 2008). Como una primera etapa, se
(Ramrez, 2008). Es un tpico de la estadstica considerada lleva a cabo un estudio epistmico acerca del significado
difcil para los estudiantes, ya que conjuga muchos de referencia de las distribuciones muestrales, y nos
conceptos asociados, diversos tipos de lenguaje y apoyamos en el modelo de la teora de los significados
representaciones, propiedades, procedimientos y institucionales y personales de los objetos matemticos
argumentos. Especficamente, las distribuciones muestrales (Godino y Batanero, 2003). Se han obtenido veinticinco
se consideran importantes en el trabajo del ingeniero, al situaciones-problemas relacionadas con la distribucin de
proporcionarles herramientas metodolgicas para el la suma de dos variables aleatorias y su extensin al caso
desarrollo de su trabajo en situaciones de incertidumbre. de la media muestral y varianza muestral obtenidas de
Una cuestin general de estudio es la siguiente Los libros poblaciones normales, las situaciones que estn
de texto de estadstica cubren un espectro amplio de las directamente relacionados con la evolucin histrica del
distribuciones muestrales con variadas situaciones a la teorema central del lmite (Alvarado y Batanero, 2006), y
ingeniera, graduando su nivel de dificultad? las situaciones-problemas indirectas cuyas soluciones
llevan a la bsqueda de una distribucin que aproxime la
Un curso tradicional de estadstica en estudios de suma de variables aleatorias de poblaciones que no son
ingeniera incluye el estudio de las distribuciones normales (Alvarado y Batanero, 2008). Se describen cuatro
muestrales, considerado un puente entre las distribuciones tipos de lenguaje y representaciones (Ortiz, 1999) y ocho
de probabilidades y la estimacin de parmetros (puntual y procedimientos para resolver los problemas. Se establecen
por intervalo de confianza). Estos tpicos, adems de catorce proposiciones de la distribucin de la suma de
contribuir a la adquisicin de conocimientos conceptuales variables aleatorias asociada a poblaciones normales; de las
y procedimentales sobre objetos estadsticos variados, cuales seis estn en correspondencia con las propiedades
permiten generar competencias estadsticas especficas que de la distribucin normal encontradas por Tauber
pueden alcanzarse, tales como: identificar, modelar y (2001:139 a 144), y siete que tratan aplicaciones del
resolver problemas que describan fenmenos aleatorios en teorema central del lmite (Alvarado y Batanero, 2008).
la prctica de ingeniera; usar paquetes computacionales Por ltimo se han obtenido cinco tipos de argumentos para
para resolver problemas del rea de estadstica; interpretar comprobar las soluciones de los problemas de aplicacin
crticamente informacin estadstica; habilidad para de las distribuciones muestrales.
realizar experimentos de simulacin en el diseo de
procesos, entre otros. Todas estas competencias se deben El anlisis de los textos, aunque no sustituye la
reforzar para una formacin ptima del profesional en las observacin de la enseanza en el aula, proporciona
Escuelas de Ingeniera. informacin para la construccin de instrumentos de
REIEC Volumen 7 Nro.2 Mes diciembre 55 pp. 54-71
Recepcin:06/12/2011 Aceptacin: 03/08/2012
evaluacin y puede ser un recurso para los profesores, matemticos primarios, y que se organizan en sistemas
contribuyendo a tomar decisiones sobre cules pueden conceptuales, teoras, etc.
recomendar a sus estudiantes. Adems, provee ideas para
enriquecer su actividad docente en el aula, atendiendo a las 2.2. Investigaciones sobre las Distribuciones
dificultades que podran tener los estudiantes al estudiar Muestrales
estos textos (Alvarado y Batanero, 2008). Se intenta
acercarse a los conceptos de las distribuciones muestrales
Son escasas las investigaciones acerca de la enseanza de
desde una diversidad de campos de problemas de donde
las distribuciones muestrales en la educacin superior. A
surgen las propiedades. Considerando las investigaciones
continuacin, se presentan los estudios relacionados con la
relacionadas con la enseanza de las distribuciones
enseanza de las distribuciones muestrales con apoyo
muestrales se estudia la hiptesis: es complejo el
informtico, y sobre el anlisis de contenido de
significado de las distribuciones muestrales presentados en
proposiciones presentes en las distribuciones muestrales.
los textos de estadstica aplicada a la ingeniera y se
Enseanza con recursos informticos. En general, las
encontrarn una variedad de enfoques y aproximaciones.
investigaciones destacan la falta de comprensin del efecto
del tamao de la muestra sobre la variabilidad de la
distribucin muestral, y tienden a confundir la media de la
poblacin (parmetro) y la media muestral. Estas
2. FUNDAMENTO DEL ESTUDIO dificultades son observadas por delMas, Garfield, y Chance
2.1. Marco Terico (2004) mediante una enseanza basada en la simulacin,
utilizando un programa de elaboracin propia. Los autores
Al hacer matemticas emergen objetos matemticos que sugieren que la tecnologa por s sola no es suficiente para
son representados en forma escrita, oral, grfica o incluso la comprensin, sino que las actividades y la enseanza de
por gestos. Se incluye en la idea de objetos personales las tipo constructivista tienen un rol importante. Otros trabajos
concepciones, esquemas, representaciones internas, etc. La recientes relacionados con las distribuciones muestrales
actividad matemtica queda modelada en trminos de son el de Inzunza (2006), que analiza el significado de las
sistemas de prcticas operativas y discursivas. Font, distribuciones muestrales en un ambiente de simulacin
Godino y D`Amore (2007) sealan que de estas prcticas computacional. Concluye, que a pesar que el software
emergen diferentes tipos de objetos matemticos primarios, Fathom permite evaluar procesos en la manipulacin de
que se que denominan elementos del significado y parmetros y datos en distintas distribuciones de
corresponden a: situaciones y problemas que inducen probabilidades, los estudiantes cometen errores frecuentes
actividades matemticas y definen el campo de problemas en el uso de representaciones numricas, tienen un manejo
asociado al objeto, en nuestro caso las distribuciones superficial de los conceptos y propiedades de las
muestrales; procedimientos y operaciones que se realiza en distribuciones muestrales y presentan pocos elementos
distintos tipos de prcticas que pueden llegar a convertirse argumentativos. Retamal, Alvarado y Rebolledo (2007)
en objeto de enseanza; representaciones materiales llevan a cabo una enseanza contextualizada de las
utilizadas en la actividad de resolucin de problemas distribuciones muestrales con uso del programa @risk en
(trminos, expresiones, smbolos, tablas, grficos); estudiantes de ingeniera. Sugieren para su comprensin
definiciones y propiedades caractersticas del objeto y sus desarrollar el lenguaje grfico en la simulacin, seguido de
relaciones con otros conceptos y proposiciones; la representacin algebraica segn la naturaleza de las
demostraciones que empleamos para probar sus variables aleatorias.
propiedades y que llegan a formar parte de su significado.
La forma usual de demostracin en matemticas es la Los trabajos anteriores confirman la importancia de
deductiva, que es la ms extendida en los libros apropiarse de conceptos previos de las distribuciones
universitarios. Este tipo de argumentacin se completa o muestrales, que segn Gardfiel, delMas y Chance (2004)
sustituye por otras como la bsqueda de contraejemplos, corresponden al anlisis de grficos, medidas de tendencia
generalizacin, anlisis y sntesis, simulaciones con central y de dispersin, construccin de la distribucin
ordenador, demostraciones, etc. normal, clculo de probabilidades como rea bajo la curva,
nocin de muestreo aleatorio y exploracin de la
Adems, los autores establecen que si las interpretaciones variabilidad. Ramrez (2008) analiza las formas de
realizadas por los alumnos no son las esperadas por el razonamiento que muestran estudiantes de maestra en el
profesor se produce un conflicto semitico; entendido estudio de la distribucin normal basado en un enfoque
como cualquier disparidad entre los significados atribuidos frecuencial y con un desarrollo emprico de la distribucin
a una expresin por dos sujetos (profesor y alumno). Los con la simulacin en el software Fathom. Concluye que
elementos de significado estn relacionados entre s este recurso le permiti erradicar o modificar las
formando configuraciones de redes de objetos conceptualizaciones errneas que tenan los estudiantes
intervinientes y emergentes de los sistemas de prcticas sobre la distribucin normal, aunque destaca poner
(Godino, Batanero y Font, 2009). Segn los autores, se dir atencin al lenguaje y simbologa matemtica utilizado por
que un sujeto comprende un determinado objeto los estudiantes, como el uso de datos reales para el estudio
matemtico cuando lo usa de manera competente en de la distribucin normal.
diferentes prcticas. Se considerar para el anlisis de las
distribuciones muestrales la tipologa de objetos
4. RESULTADOS
4.1 Situaciones Problemas indirectas cuyas soluciones llevan a la bsqueda de una
Se analizarn la presencia de las situaciones problemas distribucin que aproxime la suma de variables aleatorias
(SP) en los libros de texto seleccionados. Las situaciones de poblaciones que no son normales.
SP1 a SP12 corresponden a la distribucin de la suma de
dos variables aleatorias y su extensin al caso de la media SP1. Determinar la distribucin de la suma de dos
muestral y varianza muestral obtenidas de poblaciones variables aleatorias discretas independientes e
normales; SP13 a SP19 estn directamente relacionados idnticamente distribuidas (v.a.d.i.i.d.). Para describir las
con la evolucin histrica del teorema central del lmite; y variables aleatorias discretas asociadas a determinados
SP20 a SP25 son consideradas situaciones problemas experimentos basta con determinar la distribucin de
probabilidad. Presentamos un ejemplo del lanzamiento de
dos dados:
En el juego ms o menos que siete en las ferias, se lanza una vez un par de dados no cargados y la suma obtenida determina
si el jugador gana o pierde su apuesta. Por ejemplo, el jugador puede apostar 1.00 dlar a que la suma ser menor que 7 (es
decir 2, 3, 4, 5 o 6). Para esta apuesta el jugador perder 1.00 dlar si el resultado es igualar o exceder a 7, o ganar 1,00 dlar
si el resultado ser menor que 7. De manera similar, el jugador puede apostar 1,00 dlar a que el resultado ser mayor que 7
(es decir, entre los nmeros 8 y 12). El jugador gana 1,00 si el resultado es mayor que 7, pero pierde 1,00 dlar si el resultado
es 7 o menos. Una tercera forma de jugar es apostar 1,00 dlar al 7. Para esta apuesta el jugador ganar 4,00 dlares si la suma
es 7 y perder 1,00 dlar si es otro nmero. a) Obtenga la funcin de distribucin de probabilidad que representa los resultados
posibles para una apuesta de 1,00 dlar a que la suma es menor que 7. b) dem para el caso que la suma es mayor que 7. c)
dem para el caso que la suma es igual a 7. d) Muestre que el beneficio (o prdida) esperada a largo plazo son los mismos para
el jugador, sin importar qu mtodo de juego use. (Berenson, Levine , Krehbiel 2000: 185)
SP2. Determinar la distribucin de la suma de dos variables aleatorias perteneciente a una misma familia de
variables aleatorias continuas. En estadstica aplicada a la distribucin aunque con parmetros diferentes. El
ingeniera a menudo se necesita conocer la suma de siguiente ejemplo ilustra la distribucin exponencial:
El tiempo que se utiliza para atender a un cliente en la caja registradora de un pequeo supermercado es una variable aleatoria,
que tiene una distribucin exponencial con parmetro . Suponga que X1 y X2 son los tiempos para atender a dos clientes
diferentes, los cuales se supone son independientes uno del otro. Consideremos el tiempo total de atencin To= X1 +X2 para los
dos clientes, como un estadstico.
a) Determine la funcin de distribucin de la variable To.
b) Calcule la media y varianza de la distribucin de To (Devore 2001: 223).
Cinco automviles del mismo tipo viajarn 300 millas. Los primeros dos utilizarn una gasolina econmica y los otros tres
gasolinas de marca. Sean X1,, X5 los valores observados de millas por galn para los cinco automviles y suponga que estas
variables son independientes y normalmente distribuidas con 1= 2=20, 3 = 4= 5 =21 y 2= 4 para la econmica y 2
SP4. Determinar la distribucin de la suma de n variables combinacin lineal igual a 1. Se ha encontrado este tipo de
aleatorias normales. Este campo es un caso particular del problemas situado en el rea de la ingeniera:
caso anterior, al considerar las constantes de la
La manufactura de cierto componente requiere el uso tres mquinas diferentes. El tiempo de uso de las mquinas para cada
operacin tiene una distribucin normal y los tres tiempos son independientes entre s. Los valores medios son 15, 30 y 20 min.,
respectivamente, y las desviaciones estndar son 1, 2 y 1,5 min., respectivamente. Determine la funcin de distribucin de
manufactura de cierta componente? Cul es la probabilidad de que tome a lo ms 1 hora la manufactura de producir un
componente seleccionado al azar? (Devore 2001: 238)
SP5. Obtener la distribucin de la media muestral en distribucin normal con media y varianza 2 y sea X
poblaciones normales. Este campo aparece de manera
habitual en los textos para determinar la distribucin de la la media muestral. Entonces X tiene una distribucin
media muestral en poblaciones normales, de la siguiente normal con media y varianza 2/n (De Groot, 1988:
forma: Supngase que las variables aleatorias 257). Un ejemplo se presenta a continuacin:
X1,X2,,Xn constituyen una muestra aleatoria de una
Se sabe que la dureza Rockwell de pernos, de cierto tipo, tiene un valor medio de 50 y desviacin estndar de 1.2. Si la
distribucin es normal, cul es la probabilidad de que la dureza muestral media para una muestra aleatoria de 9 pernos sea por
lo menos 51? (Devore 2001: 235)
SP6. Determinar la distribucin de la diferencia de medias de X 1 X 2 tambin es normal. Estas caractersticas se
muestrales en poblaciones normales. Las principales
pueden deducir de forma matemtica utilizando los
caractersticas de la distribucin de la diferencia X 1 X 2 teoremas de probabilidad, o colocar de manifiesto en las
entre las medias muestrales de dos muestras aleatorias simulaciones. La diferencia X 1 X 2 entre las dos medias
simples independientes son: a) La media X 1 X 2 es 1 - muestrales es la base en la construccin de los intervalos
2. Es decir, la diferencia de las medias muestrales es un de confianza para la diferencia entre las medias
estimador insesgado de la diferencia de las medias poblacionales 1 -2.
poblacionales; b) La varianza de la diferencia es la suma de
Un especialista en adquisiciones compra 25 resistores del vendedor 1, y 30 del vendedor 2. Sean X1, , X25 las resistencias
observadas del vendedor 1, las cuales se supone que estn distribuidas de manera normal e independiente, con media 100 y
desviacin estndar 1,5. De manera similar, sean Y1,..,Y30 las resistencia observadas del vendedor 2, las cuales se
supone que estn distribuidas de manera normal e independiente, con media 105 y desviacin estndar 2,0. Cul es la
distribucin de muestreo de ? (Montgomery y Runge 1996: 319)
En IEEE Transacciones (junio de 1990) se present un algoritmo hbrido para resolver problemas de programacin
matemticos polinomiales 0 1. El tiempo de resolucin (en segundos) de un problema escogido al azar empleando el
algoritmo hbrido tiene una distribucin de probabilidad normal con media = 0,8 segundos y = 1,5 segundos. Considere
una muestra aleatoria de n= 30 problemas resueltos con el algoritmo hbrido. a) Describa la distribucin de muestreo de s2 de
los tiempos de resolucin para los 30 problemas. b) Calcule la probabilidad aproximada que s2 sea mayor que 3,30.
(Mendenhall y Sincich 1997: 327)
SP8. Determinar el error de estimacin en poblaciones poblacional. El tamao del error estndar se ve afectado
normales. El error estndar es una medicin de la por dos variables. La primera es la desviacin estndar, si
dispersin de la media muestral alrededor de la media la desviacin estndar es grande, entonces el error estndar
REIEC Volumen 7 Nro.2 Mes diciembre 59 pp. 54-71
Recepcin:06/12/2011 Aceptacin: 03/08/2012
tambin lo ser. La segunda es el tamao de la muestra, distribucin muestral de la media muestral. Un ejemplo es
conforme aumenta el tamao de la muestra el error el siguiente:
disminuye; esto indica que hay menos variabilidad en la
Suponga que se estudian varias transacciones de retiro realizada en un cajero automtico de un banco en particular durante un
ao, que representa a la poblacin, y que en ese tiempo, se hicieron 36,500 transacciones. Si la desviacin estndar de esta
poblacin, considerada normal, de la cantidad de dinero retirado por transaccin es 50 dlares, Cul es el error estndar de la
media si se seleccionan muestras de tamao 400 con reemplazo? (Berenson, Levine y Krehbiel 2000: 256)
SP9. Obtener el tamao adecuado de una muestra de que un tamao de la muestra ideal sea inviable por razones
poblacin normal. Para realizar cualquier trabajo de econmicas (Moore, 1995). Este campo de problemas es
investigacin estadstico se necesita un tamao de muestra uno de los principales en ingeniera, aunque suponemos
adecuado para verificar las hiptesis. Al obtener suficientes que no se refuerza su relevancia en el aula. La obtencin
observaciones puede ocurrir un nivel de confianza elevado del tamao de muestra adecuado requiere conocer el error
y un error de estimacin pequeo, pero en la prctica de estimacin, la variabilidad y un nivel de confianza,
determinar los datos cuesta tiempo y dinero. Puede ocurrir como se muestra en el siguiente ejemplo:
Un grupo de consumidores desea estimar el monto de las facturas de energa elctrica, distribuida de forma normal, para el mes
de julio para las viviendas unifamiliares en una ciudad grande. Con base en estudios realizados en otras ciudades, se supone que
la desviacin estndar es 25 dlares. El grupo desea estimar el monto promedio para julio dentro de 5 dlares del promedio
verdadero con 99% de confianza. a) Qu tamao de muestra necesita? b) Si desea 95% de confianza, qu tamao de muestra
requiere? (Berenson, Levine y Krehbiel 2000: 289)
SP10. Estimar parmetro de forma puntual. Cuando obtiene un solo valor del parmetro. En el ejemplo
tenemos una poblacin conocida pero desconocemos algn siguiente se pide estimar el parmetro puntual de la media
parmetro de ella, entonces se puede estimar dicho a travs de una poblacin.
de datos muestrales. Un estimador es puntual cuando se
El departamento de vida silvestre proporciona alimentacin especial a las cras de trucha arcoris en un estanque. Una muestra
del peso de 40 truchas revel que la media de la muestra es 402.7 gramos y la desviacin estndar de dicha muestra es 8.8
gramos. Cul es el peso medio estimado de la poblacin? Cmo se le llama a esta estimacin? (Lind, Mason y Marchal
2000: 249)
SP11. Obtener intervalo de confianza para la media una muestra aleatoria bajo algunos supuestos (condiciones
muestral de poblaciones normales. Rara vez los que deben existir para aplicar correctamente un
estimadores puntuales coincidirn con el parmetro, debido procedimiento estadstico). Se presenta un ejemplo de
a que depende de la muestra que se escoge. La estimacin precisin de los intervalos en el contexto de resistencia de
por intervalos considera estimadores puntuales insesgados materiales:
para parmetros tales como p, , 1- 2, p1-p2 con base en
Un ingeniero civil analiza la resistencia a la compresin de concreto. Esta se distribuye aproximadamente en forma normal
con varianza 2 =1000 (psi)2. Una muestra aleatoria de 12 especimenes tiene una resistencia media a la compresin de x =
3250 psi. a) Construya un intervalo de confianza de 95% con respecto a la resistencia media de compresin. b) Construya un
intervalo de confianza de 99% con respecto a la resistencia media de compresin. Compare el ancho de este intervalo con el
encontrado en (a) (Wisniewski 2001:231)
SP12. Establecer pruebas de hiptesis de la media estadsticas (conjeturas o afirmaciones) de lo que creemos
muestral de poblaciones normales. En la prctica con sobre los parmetros de la poblacin. En general se refiere
frecuencia tenemos que tomar decisiones relativas a una a parmetros de la poblacin de la cual se requiere hacer la
poblacin sobre la base de la informacin proveniente de afirmacin. Se presenta el siguiente ejemplo:
una muestra. Para ello, es til plantear hiptesis
Una operacin en una lnea de produccin debe llenar cajas con detergente hasta un peso promedio de 32 onzas.
Peridicamente se selecciona una muestra de cajas llenas, que se pesan para determinar si estn faltas o sobrante de llenado. Si
los datos de la muestra, que provienen de poblaciones normales, llevan a la conclusin de que les faltan o sobran detergente, se
deben parar la lnea de produccin, y hacer los ajustes necesarios para que el llenado sea correcto. a) Formule las hiptesis nula
y alternativa que ayuden a decidir si es conveniente parar y ajustar la lnea de produccin. b) Comente la conclusin y la
decisin cuando no se puede rechazar H0. (Anderson, Sweeney y Willians 2001: 332)
La Tabla 4.1.1 indica que los campos de problemas intervalos de confianza de la media y las pruebas de
comunes en los 22 textos fueron la estimacin por hiptesis de parmetros, ya sea para poblaciones normales
Trminos y expresiones verbales. El vocabulario de las Representaciones grficas. Adems, del lenguaje y los
palabras y frases para describir los conceptos, sus smbolos, encontramos diversos tipos de representaciones
operaciones y transformaciones son las que debe tener en grficas. El ms usual son los histogramas, presentes en
cuenta el profesor para asegurar la comprensin por parte textos como Canavos (1992), Hanke y Reitsch (1997),
de los estudiantes. Se diferencian tres subtipos (Ortiz, Hildebrand y Lyman, Newbold (1997), Berenson, Levine y
1999): Krehbiel (2000). Lo siguen los grficos de barras para
representar las distribuciones de frecuencias relativas.
1) Palabras o expresiones matemticas especficas, que
normalmente no forman parte del lenguaje habitual. Por Simulaciones. La simulacin es una representacin en el
ejemplo: distribucin muestral, axiomas, teoremas, error de sentido que sustituye un experimento estocstico por otro y
estimacin, factor de correccin por poblacin finita, error su empleo es especialmente til en la enseanza de
estndar, etc. conceptos y propiedades de las distribuciones muestrales.
2) Palabras que aparecen en la matemtica y el lenguaje Los siguientes textos proponen ejercicios para generar
comn, aunque no siempre con el mismo significado entre muestras aleatorias con simulaciones manipulables:
los dos contextos. Por ejemplo: media, esperanza, Hildebrand y Lyman (1997), Berenson, Levine y Krehbiel
poblacin, muestra grande, simulacin manipulable, (2000), Lind, Mason y Marchal (2000), Anderson,
modelo, etc. Sweeney y Willians (2001), Mendenhall y Sincich (1997),
3) Palabras que tienen significados iguales o muy Devore (2001), Meyer (1992), Johnson y Kuby (2004).
prximos en ambos contextos. Por ejemplo: promedio, Otros textos, como Hildebrand y Lyman (1997), usan para
moda, central, muestras moderadamente grandes, etc. la simulacin software estadstico tales como Minitab, SAS
o la planilla electrnica Excel.
En estos tres subtipos existen un gran nmero de
expresiones asociadas a las distribuciones muestrales, En la Tabla 4.2.1 se muestra un resumen de las expresiones
debido a los diversos elementos relacionados con el tema. y representaciones de las distribuciones muestrales. Las
Por lo tanto, los tres subtipos estn presentes en todos los notaciones y smbolos es el ms comn en los textos, y
textos seleccionados, siendo la ms frecuente la categora presente mayoritariamente en los textos clsicos y
de palabras especficas. En particular, Tauber (2001) modernos [N 17 al 22]. En los textos aplicados a la
presenta una gama de elementos de significados administracin y economa utilizan tambin el lenguaje
especficos relacionado con la distribucin normal y grfico. La simulacin, como apoyo didctico a la
Alvarado y Batanero (2008) establecen los mltiples comprensin de las distribuciones muestrales, est presente
significados del teorema central del lmite. slo en ocho textos. Cabe destacar que los textos Devore
(2001), Johnson y Kuby (2004), Hildebrand y Lyman
Notaciones y smbolos. Las notaciones simblicas, (1997), Berenson, Levine y Krehbiel (2000), Lind, Marchal
caractersticas del lenguaje matemtico, permiten trabajar a y Wathen (2008), Anderson, Sweeney y Williams (2001)
un alto nivel de complejidad en el sistema de operaciones conducen al lector desde la simulacin manual a la
de las distribuciones muestrales. Por tanto, consideramos simulacin con uso del computador, transferencia de
importante el uso de smbolos en el aprendizaje de las secuencia didctica que consideramos importante. Mientras
distribuciones muestrales. Algunas de las expresiones que es dbil la presencia de la simulacin en los textos para
encontradas fueron x1, x2,.., xn para referirse a una muestra ingeniera civil.
aleatoria, para enunciar la media aritmtica,
Trminos x x x x x x x x x x x x x x x x x x x x x x
Smbolos x x x x x x x x x x x x x x x x x x x x x
Grficos x x x x x x x x x x x x x
Simulacin x x x x x x x x
Sea X el nmero de paquetes que enva por correo un cliente seleccionado al azar, en cierta oficina de envos. Suponga que la
distribucin de X es como sigue:
X 1 2 3 4
P(x) 0.4 0.3 0.2 0.1
a) Considere una muestra aleatoria de tamao n = 2 (dos clientes) y sea X el nmero medio muestral de paquetes enviados.
Obtenga la distribucin de probabilidad de X . b) Consulte en inciso a) y calcule P ( X 2.5)
c) Otra vez considere una muestra aleatoria de tamao n = 2, pero ahora concntrese en la estadstica R = rango muestral
(diferencia entre los valores mximos y mnimos de la muestra). Obtenga la distribucin de R. [Sugerencia: calcule el valor de
R para cada resultado y utilice las probabilidades del inciso a)] (Devore 2001:228).
AP2: Clculo de estadstico para datos agrupados en algoritmo de clculo, primero para la suma de variables
clases. Este tipo de clculo para datos agrupados es poco aleatorias y luego para la media aritmtica, lo que puede
frecuente en los textos analizados. Aparece en los textos ser una dificultad de aprendizaje del tema en los
Anderson, Sweeney y Williams (2001), Miller, Freund y estudiantes.
Johnson (1992) y Canavos (1992).
AP4: Clculo de probabilidades en poblaciones normales
AP3: Clculo algebraico de variables aleatorias normales para obtener una muestra aleatoria adecuada. El clculo
con calculadora y/o tablas estadsticas. Este procedimiento algebraico de la media muestral de variables aleatorias con
aparece en diez textos de los 22 analizados, y se presentan distribucin normal es el ms tpico y presente en la
generalmente para el caso del clculo algebraico de la mayora de los libros de texto analizados. El siguiente
media muestral obtenidas de distribuciones normales. No ejemplo conduce a encontrar un tamao de muestra
obstante, las situaciones no son explcitas en separar el adecuado.
La longitud de las barras de metal producidas por una cadena de produccin es una variable aleatoria con distribucin normal y
desviacin estndar 1.8 milmetros, cuya longitud a cada lado de la media muestral no sea superior a 0.5 milmetros. Cuntas
observaciones debe tener la muestra para construir tal intervalo? Utilice un nivel de significancia 0.01. (New Bold 1997: 274)
AP5: Clculo algebraico y transformacin de n variables pretende determinar la probabilidad de obtener ms de 495
aleatorias. Esta tcnica se presenta principalmente en los caras. Para ello, el estudiante puede utilizar el clculo
textos de estadstica para ingeniera y los textos clsicos de algebraico aplicando el teorema central del lmite para el
estadstica, para el clculo algebraico de la media muestral caso particular de la aproximacin de la distribucin
de variables aleatorias. binomial por la normal, obteniendo una probabilidad
aproximada. Cabe sealar, que para muestras grandes es
AP6: Clculo de probabilidades aproximada para obtener til la experimentacin con el ordenador, obteniendo el
una muestra aleatoria adecuada. Este procedimiento se clculo del estadstico a partir de la obtencin de los
presenta en nueve textos de estadstica para administracin nmeros aleatorios, por ejemplo, con la planilla Excel. De
e ingeniera. Scheaffer y Mc Clave (1993:236) presentan los textos considerados menos de la mitad plantean
un ejemplo de una mquina de llenado de botellas, donde problemas con ordenador.
se requiere encontrar un tamao de muestra adecuado a
partir de la informacin de la varianza de las cantidades de AP8: Clculo de probabilidades referidas al teorema
llenado, error de estimacin y una probabilidad dada. central del lmite a partir de simulaciones con materiales
manipulables. Hanke y Reitsch (1997:211) presentan una
AP7: Clculo de probabilidades referidas al teorema poblacin de las edades 10, 20, 30, 40 y 50, para la que
central del lmite con calculadora, tablas de distribucin o puede elaborarse la distribucin de la media muestral de
programa computacional. De Groot (1988:262) exhibe la todas las muestras posibles de tamao 2 con reemplazo.
situacin del lanzamiento de una moneda 900 veces y se Mediante el algoritmo de resolucin se establecen
diferentes propiedades del teorema central del lmite.
Un vendedor contacta telefnicamente con clientes potenciales para estudiar si merece la pena una visita a domicilio. Su
experiencia le indica que el 40% de sus contactos por telfono vienen seguidos de una visita a domicilio. Si contacta con 100
personas por telfono Cul es la probabilidad de que se realicen entre cuarenta y cinco y cincuenta visitas como resultado?
Newbold (1997:180)
A3. Simulaciones manipulables de distribuciones en el Wackerty y Sheaffer (1994), Johnson y Kuby (2004) y
muestreo. Algunos textos presentan como argumentos la Triola (2004). El texto Anderson, Sweeney y Willians
simulacin con dispositivos manipulativos en pequeas (2001: 265) muestra la aplicacin del teorema central del
poblaciones para validar alguna proposicin; aunque no lmite para tres poblaciones distintas a la distribucin
representa una demostracin matemtica sino ms bien una normal. Sin embargo, se observa para muestras de tamao
verificacin. Los textos que tienen este tipo de situaciones 5 que la distribucin muestral de x obtenida en cada
son: Hanke, Reitsch (1997), Hilebrand, Lyman (1997), poblacin comienzan con una apariencia acampanada.
Lind, Mason y Marchal (2000), Lind, Marchal y Wathen Cuando el tamao de la muestra es de 30 las tres
(2008), Milton y Amold (2004), Meyer (1992), Johnson y distribuciones muestrales tienen una distribucin
Kuby (2004) y Triola (2004). aproximadamente normal.
A4. Simulacin grfica con el computador. Otra forma de A5. Comprobacin de ejemplos y contraejemplos, sin
verificacin es la simulacin con un ordenador para pretender generalizar. Algunos textos utilizan ejemplos
observar tendencias de distintos grficos de histogramas al para verificar las propiedades de las distribuciones
variar los tamaos de muestras. Los textos que presentan muestrales. El siguiente ejemplo muestra uno de los casos
esta argumentacin son: Hanke, Reitsch (1997), Hilebrand, ms utilizados de aproximacin de la distribucin normal a
Lyman (1997), Berenson, Levine y Krehbiel (2000), Lind, la distribucin binomial.
Mason y Marchal (2000), Lind, Marchal y Wathen (2008),
Mendenhall y Sincich (1997), Devore (2001), Mendenhall,
Una moneda legal se lanza 300 veces. Empleando la aproximacin normal a la distribucin binomial, encuentre la probabilidad
de obtener: a) entre 155 y 165 caras, inclusive, b) Exactamente 150 caras, c) Menos de 140 o ms de 160 caras. Wisnieswski y
Velasco (2001, pp. 214).
En la Tabla 4.5.1 se establece los argumentos presentes en Los textos de estadstica matemtica son los ms
los textos, que se relacionan con los elementos de completos en las demostraciones aunque no trabajan la
significado a travs de las propiedades. Se observa que son simulacin. En general, las demostraciones formales estn
pocos los textos de estadstica que utilizan la demostracin ausentes en los textos para administracin, que al parecer
formal para validar los teoremas o proposiciones de las no es el propsito de los autores para este nivel educativo.
distribuciones muestrales. Su presencia estn en los textos para ingenieros Miller,
Freund y Johnson (1992) Montgomery Runge (1996),
En casi todos los textos analizados presentan el ejemplo de Walpole, Myres y Myres (1999) y Devore (2001). No
aproximacin de la distribucin normal a la binomial como obstante, los textos para administracin y economa
un caso particular de un resultado general. Son pocos los destacan las aplicaciones del teorema central del lmite
textos que usan las simulaciones manipulables de mediante la simulacin grfica con el ordenador;
distribuciones en el muestreo, las cuales consideramos encontrados en textos como Berenson, Levine y Krehbiel
contribuyen a comprender de mejor forma la utilizacin de (2000), Lind, Mason y Marchal (2000), Anderson,
las propiedades, a pesar que no es una demostracin Sweeney y Willians (2001). Mientras que en los libros de
formal. Las demostraciones algebraicas de los teoremas de ingeniera presentan una mayor cantidad de argumentos de
las distribuciones muestrales tienden a desaparecer en los demostraciones formales algebraica y/o deductiva,
libros de textos ms actuales tales como Lind, Marchal y presentacin de casos particulares de un resultado general
Wathen (2008), Levin, Balderas (2004), Triola (2004), y mayor argumentacin para poblaciones normales, en
Johnson y Kuby (2004) Velasco y Wisniewski (2001) y Miller, Freund y Johnson (1992), Walpole, Myers y Myers
Berenson, Levine y Krehbiel (2000). (1999), Montgomery y Runge (1996) y Devore (2001).
A1:Demostraciones x x x x x x x x x
formales
A2: Caso especial de un x x x x x x x x x x x x x x x x x x x
resultado general
A3: Simulaciones x x x x x x x x x x x x x x
manipulables
A4: Simulacin grfica x x x x x x x x x x x
con ordenador
A5:Comprobar ejemplos x x x x x x x x x x x x x x
y contraejemplos
Alvarado, H. y Batanero, C. (2006). El significado del Ortiz, J. J. (1999). Significado de los conceptos
teorema central del lmite: Evolucin histrica a partir de probabilsticos elementales en los textos de Bachillerato.
sus campos de problemas. En A. Contreras, L. Ordoez y Tesis Doctoral. Universidad de Granada.
C. Batanero (Eds.). Investigacin en Didctica de las
Matemticas/ Congreso Internacional sobre Aplicaciones y Pfannkuch, M. & Wild, C. (2004). Towards and
Desarrollos de la Teora de las Funciones Semiticas (pp. understanding of statistical thinking. En D. Ben-Zvi & J.
257-277). Jan: Universidad de Jan, Espaa. Garfield (Eds). The challenge of developing statistical
literacy, reasoning and thinking (pp. 17-46). Dordrecht, the
Alvarado, H. y Batanero, C. (2007). Dificultades de Netherlands: Kluwer Academic Publisher.
comprensin de la aproximacin normal a la distribucin
binomial. Nmeros, 67. Ramrez, G. (2008). Formas de razonamiento que muestran
estudiantes de maestra de matemtica educativa sobre la
Alvarado, H. y Batanero, C. (2008). Significado del distribucin normal mediante problemas de simulacin de
teorema central del lmite en textos universitarios de fathom. Revista electrnica de investigacin en educacin
probabilidad y estadstica. Estud. pedagg. Vol. 34 (2), pp. en ciencias. Vol. 3 (1), pp. 10-23.
7-28.
Retamal, L., Alvarado, H. y Rebolledo, R. (2007).
Cobo, B. y Batanero, C. (2004). Significados de la media Understanding of sample distributions for a course on
en los libros de texto de secundaria. Enseanza de las statistics for engineers. Ingeniare, Vol. 15, pp. 6-17.
ciencias, 22(1), 5-18.
Tauber, L. (2001). Significado y comprensin de la
delMas, R., Garfield, J., & Chance, B. (2004). Using distribucin normal a partir de actividades de anlisis de
assessment to study the development of students` reasoning datos, Tesis doctoral, Universidad de Sevilla.
about sampling distributions, Trabajo presentado en el
American Educational Research Association. Annual
Meeting. California. APENDICE
Font, V., Godino, J. D. & D`amore, B. (2007). An Libros de textos incluidos en el anlisis:
ontosemiotic approach to representations in mathematics
education. For the Learning of Mathematics, 27 (2), 2-7. 1. Hanke, J. y Reitsch, A. (1997). Estadstica para
Negocios. Segunda edicin. Madrid: McGraw Hill-
Garfield, J., delmas, R. & Chance, B. (2004). Reasoning Interamericana.
about sampling distributions. En D. Ben-Zvi & J. Garfield 2. Hildebrand, D. y Lyman, R. (1997). Estadstica aplicada
(Eds), The Challenge of developing Statistical Literacy, a la administracin y a la economa. Delaware: Addison-
Reasoning and Thinking. Netherlands: Kluwer Academic Wesley
Publishers.