El sentido estadístico y su desarrollo

              Sociedad Canaria Isaac Newton
de Profesores de Matemáticas
http://www.sinewton.org/numeros
ISSN: 1887-1984
Volumen 83, julio de 2013, páginas 7-18
M O N O G R Á F I C O: E S T A D Í S T I C A
El sentido estadístico y su desarrollo
Carmen Batanero (Universidad de Granada. España)
Carmen Díaz (Universidad de Huelva. España)
José Miguel Contreras (Universidad de Granada. España)
Rafael Roa (Universidad de Granada. España)
Artículo solicitado a los autores por la revista
Resumen En este trabajo concebimos el sentido estadístico como unión de la cultura y
razonamiento estadístico. Se describen las ideas estadísticas fundamentales como
componentes de la cultura estadística y los componentes del razonamiento estadístico.
También se sugiere que el desarrollo efectivo en los estudiantes se favorece
especialmente con una enseñanza basada en investigaciones y proyectos que permite
dotar de sentido a los diversos objetos estadísticos e involucra a los estudiantes en el
ciclo de investigación y modos de razonamiento estadístico, desarrollando su espíritu
crítico e iniciativa personal.
Palabras clave Sentido estadístico, cultura estadística, razonamiento estadístico.
Abstract In this paper we conceive statistical sense as the union of statistical literacy and statistical
reasoning. We describe the fundamental statistical ideas that constitute statistical literacy
and the components of statistical reasoning. We also suggest that an effective
development of statistical sense is specially favoured with a teaching based on
investigations and projects. This method gives sense to the diverse statistical objects and
involves students in the research cycle and the statistical reasoning modes, at the times
that develop their critical spirit and personal initiative.
Keywords Statistical sense, statistical literacy, statistical reasoning.
1. Introducción
Aunque la estadística se enseña hoy día en todos los niveles educativos, al ser una herramienta
fundamental en la vida personal y profesional, son muchos los estudiantes, que finalizan los cursos de
estadística sin comprender correctamente o ser capaces de aplicar los conceptos y procedimientos
estadísticos, como se muestra en la amplia investigación sobre el tema (ver, por ejemplo, el resumen
de estas investigaciones en Shaughnessy, 2007).
Esta situación paradójica plantea un problema didáctico, pues es claro que la enseñanza actual
transmite una estadística sin sentido para los estudiantes. Como solución al mismo, son muchos los
investigadores que insisten en la especificidad de la estadística (frente a otras ramas de la matemática).
Moore (1991) incluso la considera como una disciplina científica autónoma, con sus métodos
específicos de razonamiento. Para ello argumenta que la relación entre estadística y matemáticas no es
biunívoca: la estadística toma conceptos matemáticos para el desarrollo de sus métodos, en cambio la
matemática no usa conceptos estadísticos. Cabriá (1994) también coincide en que la estadística tiene
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
8 Vol. 83 julio de 2013 NÚMEROS
M O N O G R Á F I C O: E S T A D Í S T I C A
un modo propio de razonamiento, el método estadístico, que es necesario enseñar a los estudiantes. La
estadística tiene también controversias específicas (por ejemplo, sobre el significado de la
probabilidad), y la posición que un estadístico toma sobre ellas tiene un impacto inmediato en su
práctica.
La expresión “sentido numérico” se encuentra con frecuencia en la investigación en didáctica
de la matemática e incluso en los diseños curriculares. Por ejemplo, en el Decreto de Enseñanzas
Mínimas de la Educación Primaria (MEC, 2006) encontramos la siguiente descripción del sentido
numérico:
“el dominio reflexivo de las relaciones numéricas que se puede expresar en
capacidades como: habilidad para descomponer números de forma natural,
comprender y utilizar la estructura del sistema de numeración decimal,
utilizar las propiedades de las operaciones y las relaciones entre ellas para
realizar mentalmente cálculos” (p. 43096).
Observamos en esta descripción y otras semejantes un doble componente de adquisición de
conocimiento y razonamiento. Para el caso de la estadística no ha habido una preocupación semejante
entre los educadores estadísticos por definir o listar los componentes de lo que sería el “sentido
estadístico”. Por un paralelismo con la acepción dada a “sentido numérico” hemos de aceptar que el
sentido estadístico debiera tener un doble componente de conocimiento (o cultura) y razonamiento.
En consecuencia en lo que sigue concebimos el sentido estadístico como unión de la cultura
estadística y el razonamiento estadístico. Asimismo, también consideramos que la cultura estadística
implica la comprensión adecuada de las ideas estadísticas fundamentales (Burrill y Biehler, 2011),
pues estas ideas aparecen en la mayoría de las situaciones en que hay que aplicar la estadística; por
tanto son necesarias para enfrentarse con éxito a dichas situaciones. Además, pueden ser enseñadas
con diversos niveles de formalización y, por tanto, son asequibles en cualquier nivel educativo, siendo
potentes como herramientas de modelización estadística. En segundo lugar, se requiere un
razonamiento específico, el razonamiento estadístico que permite tomar decisiones adecuadas o
efectuar predicciones a partir de datos y en presencia de incertidumbre. La competencia de análisis de
datos se ve hoy en día facilitada por la abundancia de software, tanto para el almacenamiento y
transmisión de datos, como para el cálculo y graficación. Sin embargo la competencia en análisis de
datos no siempre implica un grado adecuado de razonamiento estadístico, que es más difícil de
transmitir.
El objetivo de este trabajo es desarrollar estas ideas y proponer el trabajo con proyectos e
investigaciones como estrategia metodológica para desarrollar el sentido estadístico de los estudiantes
en los diferentes niveles educativos.
2. Cultura estadística
La importancia que actualmente recibe la enseñanza de la estadística se debe a la necesidad,
reclamada por la UNESCO y otras instituciones de proporcionar una cultura estadística que permita al
ciudadano participar en la sociedad de la información. Dicha cultura es necesaria en actividades tan
habituales como la lectura de la prensa o la interpretación de información en Internet, la participación
en encuestas o elecciones o la interpretación de un diagnóstico médico. El término “statistical literacy”
ha ido surgiendo de forma espontánea entre los estadísticos y educadores estadísticos, para resaltar el
hecho de que la estadística se considera hoy día como parte de la herencia cultural necesaria para el
ciudadano educado. Gal (2002) propone que la cultura estadística implica dos competencias
relacionadas:
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
9 Sociedad Canaria Isaac Newton
de Profesores de Matemáticas
Vol. 83 julio de 2013
M O N O G R Á F I C O: E S T A D Í S T I C A
a) Capacidad para interpretar y evaluar críticamente la información
estadística, los argumentos apoyados en datos o los fenómenos que las
personas pueden encontrar en diversos contextos, incluyendo los medios de
comunicación, pero no limitándose a ellos, y b) capacidad para discutir o
comunicar sus opiniones respecto a tales informaciones estadísticas cuando
sea relevante (Gal, 2002, pp. 2-3).
Watson (2006) propone los siguientes elementos de la cultura estadística: (a) El desarrollo del
conocimiento básico de los conceptos estadísticos y probabilísticos; (b) La comprensión de los
razonamientos y argumentos estadísticos cuando se presentan dentro de un contexto más amplio de
algún informe en los medios de comunicación o en el trabajo; (c) Una actitud crítica que se asume al
cuestionar argumentos que estén basados en evidencia estadística. En el proyecto GAISE (Franklin et
al., 2007) se concibe la misma como la comprensión del lenguaje básico de la estadística (saber el
significado de los términos y símbolos estadísticos y ser capaz de leer gráficos estadísticos) y
comprender las ideas fundamentales de estadística.
Vemos que los diferentes autores que la definen incluyen tanto la parte de conocimientos
teóricos formales relacionados con la estadística, así como la capacidad de afrontar un problema o
situación en el que se pongan en juego estos conocimientos.
3. Ideas estadísticas fundamentales
Los modelos descritos de cultura estadística, además de asumir una actitud crítica frente a la
información estadística, coinciden en la necesidad de un conocimiento del lenguaje estadístico y las
ideas estadísticas fundamentales. Sería entonces importante identificar cuáles son estas ideas
fundamentales. Burrill y Biehler (2011), basándose en un estudio detallado de diversos marcos
teóricos educativos y el currículo de estadística en diversos países proponen las siguientes: datos,
gráficos, variabilidad aleatoria, distribución, asociación y correlación, probabilidad, muestreo e
inferencia.
Datos. Moore (1991) definió la estadística como la ciencia de los datos y señaló que el objeto de
la estadística es el razonamiento a partir de datos empíricos, subrayando la importancia del contexto.
Mientras que en la enseñanza de otras ramas de matemáticas los datos y contextos suelen ser
imaginarios y el interés se centra en los conceptos, el contexto de los datos es esencial en estadística.
Además, los estudiantes no están acostumbrados a trabajar con datos de situaciones reales, que
frecuentemente requieren de interpretaciones y razonamientos de alto nivel. La aleatoriedad de las
situaciones hace que los resultados no sean únicos, presentándose mayor variabilidad en los datos
estadísticos que otras áreas de las matemáticas (Sánchez y Batanero, 2011).
Gráficos. Debido a su presencia en los medios de comunicación e Internet, el aprendizaje de los
gráficos estadísticos es importante. Por su papel esencial en la organización, descripción y análisis de
datos, las tablas y gráficos son un instrumento esencial de transnumeración, uno de los modos
esenciales de razonamiento estadístico que consiste en obtener una nueva información de un conjunto
de datos al cambiar el sistema de representación (Wild y Pfannkuch, 1999).
Variabilidad aleatoria. Aunque en otras ramas de matemáticas se usan variables, se supone que
los datos se ajustan perfectamente a un modelo y no suele haber estudio de la bondad de ajuste o de los
residuos del modelo. El estudio de la variabilidad es característico de la Estadística, estudiándose tanto
el modelo como los residuos (Engel y Sedlmeier, 2011). La Estadística permite buscar explicaciones y
causas de la variabilidad para poder hacer predicciones, por lo que dos fines importantes de la
enseñanza de la Estadística son que los estudiantes perciban la variabilidad y manejen modelos que
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
10 Vol. 83 julio de 2013 NÚMEROS
M O N O G R Á F I C O: E S T A D Í S T I C A
permitan controlarla y predecirla (Reading y Shaughnessy, 2004).
Distribución. Otra característica esencial del análisis estadístico es que trata de describir y
predecir propiedades de los agregados de datos y no de cada dato aislado (Bakker y Gravemeijer
(2004). Por ello la enseñanza de la Estadística ha de desarrollar la capacidad de leer, analizar, criticar y
hacer inferencias a partir de distribuciones de datos (Shaughnessy, 2007). El razonamiento
distribucional implica también conectar los datos (distribución de datos), la población de donde se
tomaron (distribución de probabilidad) y las posibles muestras de la misma (distribución muestral).
Asociación y correlación. Mientras que en una dependencia funcional a cada valor de una
variable X (independiente) corresponde un solo valor de otra variable Y (dependiente), en el estudio de
la asociación a cada valor de X corresponde una distribución de valores de Y, por lo que este concepto
amplía el de dependencia funcional. La importancia del concepto de asociación en la toma de
decisiones en ambiente de incertidumbre es alta, pero la investigación en psicología muestra que los
adultos no suelen emplear las reglas matemáticas, sino estrategias intuitivas, con frecuencia
incorrectas en los juicios de asociación. Por ejemplo la creencia infundada en la transitividad del
coeficiente de correlación es común en muchos estudiantes (Castro-Sotos, Van Hoof, Van den
Noortgate y Onghena, 2009).
Probabilidad. La característica principal de la Estadística es hacer uso de modelos aleatorios, a
diferencia de otras ramas de la matemática donde se usan modelos deterministas. Pero, al contrario
que para otros conceptos matemáticos, no hay una única acepción de la probabilidad. Las tres
aproximaciones principales para la escuela son:
· En la concepción clásica, se define la probabilidad de un suceso como el cociente entre el
número de casos favorable al suceso y el número de todos los casos posibles, siempre que
todos sean equiprobables.
· En el enfoque frecuencial se obtiene una estimación experimental de la probabilidad. Su
valor teórico sería el límite de la frecuencia relativa de aparición del suceso al realizar la
experiencia un número infinito de veces en las mismas condiciones. Un aspecto importante
en este enfoque es comprender la diferencia entre probabilidad (valor teórico constante que
nunca alcanzamos) y frecuencia relativa (estimación experimental de la probabilidad, que
puede cambiar de una estimación a otra). También hay que entender que los resultados de
una experiencia son impredecibles, pero se puede predecir el comportamiento general de un
gran número de resultados (Batanero, Henry y Parzysz, 2005).
· En el enfoque subjetivo, la probabilidad no es una propiedad objetiva de los sucesos, sino
una percepción o grado de creencia en la verosimilitud de la persona que asigna la
probabilidad sobre la plausibilidad de ocurrencia del suceso. Muchos problemas de toma de
decisión o elaboración de un juicio son abiertos o tienen más de una posible decisión y en su
solución intervienen tanto factores matemáticos como extra matemáticos. Esta concepción de
la probabilidad sería adecuada para modelizar este tipo de situaciones.
Muestreo e inferencia. Relacionar las características de las muestras con las de la población que
representan es el principal fin de la estadística y nos sirve para decidir qué datos recoger y para
obtener conclusiones con algún grado de probabilidad. Varios autores sugieren que es posible una
comprensión informal de la inferencia, desde la secundaria. Para ello se comenzaría por la
discriminación entre la posición central y variabilidad en las distribuciones de datos y el uso de estas
dos características para decidir cuándo dos distribuciones son iguales o diferentes (Rubin,
Hammerman y Konold, 2006). Más adelante se puede hacer una aproximación al contraste de
hipótesis en la forma siguiente (Rossman, 2008): (a) Comenzar con una hipótesis sobre los datos; (b)
usar la simulación para concluir que los datos observados son poco plausibles si la hipótesis es cierta;
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
11 Sociedad Canaria Isaac Newton
de Profesores de Matemáticas
Vol. 83 julio de 2013
M O N O G R Á F I C O: E S T A D Í S T I C A
y (c) rechazar la hipótesis inicial basándose en los resultados. Con apoyo de la simulación también
puede llevarse al estudiante a comprender el concepto de estimación por intervalo.
4. Pensamiento y razonamiento estadístico
Además de la comprensión de las anteriores ideas, su uso adecuado en la resolución de
problemas estadísticos requiere del desarrollo del razonamiento estadístico1. Uno de los modelos para
describir este razonamiento es debido a Wild y Pfannkuch (1999), quienes lo conciben como la suma
de cuatro dimensiones: (a) El ciclo de investigación, que consiste en la serie cíclica de pasos a seguir
desde que se plantea un problema estadístico hasta que se resuelve o bien se modifica y que es
bastante similar al proceso general de resolución de problemas; (b) los modos fundamentales de
razonamiento estadístico; (c) el ciclo de interrogación, que se aplica constantemente en la solución de
problemas estadísticos, tanto a nivel global como en cada posible paso y consiste en la búsqueda y
comprobación sucesivas de explicaciones, hipótesis o preguntas, desde los datos, los análisis
realizados o los resultados; y (d) una serie de actitudes, como el escepticismo, la mentalidad abierta, la
perseverancia, el espíritu crítico o la curiosidad. Los modos fundamentales de razonamiento
estadístico, según estos autores son los siguientes:
· Reconocer la necesidad de los datos: Mientras que en otras ramas de las matemáticas los
datos son anecdóticos, la base de la investigación estadística es el hecho constatado de que
muchas situaciones de la vida real sólo pueden ser comprendidas a partir del análisis de datos
que han sido recogidos en forma adecuada. La experiencia personal o la evidencia de tipo
anecdótico no es fiable y puede llevar a confusión en los juicios o toma de decisiones. Se
trata de basarse en la evidencia proporcionada por los datos empíricos.
· Transnumeración: Este término indica la comprensión que surge al cambiar la
representación de los datos; por ejemplo, al pasar de una lista desordenada de datos al
histograma se visualiza el rango y la moda. En general puede hablarse de tres tipos de
transnumeración: (1) la que produce al definir una medida que “captura” las cualidades o
características de un cierto fenómeno; por ejemplo, cuando utilizamos una escala de
actitudes para “medir” la actitud hacia la matemática de un conjunto de estudiantes; (2) al
pasar de los datos brutos a una representación tabular o gráfica que permita extraer sentido
de los mismos, como el ejemplo citado del histograma; (3) al “traducir” el significado que el
estadístico ha captado y que surge de los datos, en forma que sea comprensible a otras
personas; por ejemplo, cuando explicamos en forma simplificada las conclusiones que se
deducen de un gráfico de caja o de los resultados de un contraste estadístico.
· Percepción de la variación. Como hemos indicado, la variabilidad aleatoria es una idea
fundamental en estadística. Un componente del razonamiento estadístico es la identificación
de las fuentes que producen dicha variación, que pueden ser la propia medida, los datos, el
muestreo, el análisis, ser producida por factores específicos (como la diferencia de altura en
chicos y chicas). El trabajo estadístico también asume como variación aleatoria aquella cuyas
fuentes no quedan explicadas. El razonamiento estadístico permite buscar explicaciones y
causas para la variación y realizar inferencias y predicciones, con un cierto margen de error,
teniendo en cuenta la variación no explicada o aleatoria.
· Razonamiento con modelos estadísticos. Al igual que en otras ramas de las matemáticas, el
trabajo estadístico es esencialmente un proceso de modelización. La principal diferencia es la
presencia de aleatoriedad, así como la relevancia que adquieren los modelos probabilísticos
como por ejemplo, la curva normal. También se utilizan modelos matemáticos como
1 La adquisición de una competencia mínima de análisis de datos, no es hoy día un problema, pues se ve
favorecida por la abundancia de software “amistoso”.
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
12 Vol. 83 julio de 2013 NÚMEROS
M O N O G R Á F I C O: E S T A D Í S T I C A
gráficos, o funciones (por ejemplo, en regresión); todos ellos han de contemplarse como
representaciones de la realidad e instrumentos para comprenderla, diferenciando el modelo
de la realidad.
· Integración de la estadística y el contexto: Debido a la importancia que adquiere el contexto,
la capacidad de integrarlo es también un componente esencial del razonamiento estadístico.
Este tipo de razonamiento aparece especialmente en las fases iniciales (planteamiento del
modelo) y finales (interpretación del modelo en la realidad) del ciclo de modelización.
El desarrollo del razonamiento y la producción de sentido son resaltados para el caso de la
estadística por Shaughnessy, Chance y Kranendonk (2009), sugiriendo las siguientes competencias de
razonamiento para reforzar la comprensión de las ideas fundamentales: (a) análisis de problemas,
búsqueda de patrones y relaciones en los datos, percepción de la estructura y planteamiento de
conjeturas; (b) elegir y evaluar estrategias, aplicando el ciclo interactivo de investigación estadística;
(c) buscar y utilizar conexiones entre las conclusiones y el contexto; (d) reflexionar sobre si la
solución es razonable y suficiente.
5. Desarrollo del sentido estadístico a través del trabajo con proyectos
El sentido estadístico, como unión de la cultura y razonamiento estadísticos debe construirse en
forma progresiva desde la educación primaria, secundaria, bachillerato y hasta la universidad. En este
sentido, las nuevas propuestas curriculares proporcionan una oportunidad de introducir gradualmente
ideas estadísticas desde la educación primaria, aumentando el nivel de formalización progresivamente.
Pensamos que la mejor forma de ayudar al estudiante a desarrollar su sentido estadístico es basar las
clases de estadística en el trabajo con proyectos, bien planteados por el profesor o escogidos
libremente por los alumnos. En lugar de introducir los conceptos y técnicas descontextualizadas, o
aplicadas únicamente a problemas tipo, difíciles de encontrar en la vida real, se trataría de presentar las
diferentes fases de una investigación estadística: planteamiento de un problema, decisión sobre los
datos a recoger, recogida y análisis de datos y obtención de conclusiones sobre el problema planteado.
A continuación analizamos un ejemplo de proyecto adaptado de Shaughnessy, Chance y
Kranendonk (2009), quienes a la vez se inspiraron en un debate surgido a partir de una noticia en el
Daily News el 12 de Marzo de 2012, con el título “Will women some day run faster than men in a
marathon? The answer might surprise you”2. El proyecto comenzaría presentando a los alumnos la
citada noticia y el debate surgido y planteando la siguiente pregunta: ¿Llegarán a superar las mujeres a
los hombres en las pruebas de 200 metros lisos en las olimpiadas? ¿En qué año?
Les proporcionaríamos los datos de los tiempos alcanzados por los ganadores de la medalla de
oro en las olimpiadas, disponibles en la Tabla 1. Un primer análisis de estos datos puede servir para
trabajar las ideas de distribuciones bivariantes y el uso de estadísticos descriptivos para la descripción
de cada uno de los grupos. Si se observa, la mejora de las marcas en los hombres se ha pasado de 22,2
segundos a 19,32 en 112 años; para las mujeres el cambio ha sido de 24,4 a 21,8 en 64 años; en mucho
menos tiempo que los hombres han ganado aproximadamente 3 segundos.
Sin embargo, la disminución de los tiempos no es sistemática; se observan fluctuaciones y
cuando hay decrecimiento de una olimpiada a otra, no es constante. Incluso el mismo atleta (ver el
ejemplo de Usain Bolt) puede empeorar su marca de una olimpiada en la siguiente. Nos encontramos
2 Ver noticia en http://www.nydailynews.com/sports/more-sports/running-doc-women-run-faster-men-marathon-answer-
surprise-article-1.1037443
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
13 Sociedad Canaria Isaac Newton
de Profesores de Matemáticas
Vol. 83 julio de 2013
M O N O G R Á F I C O: E S T A D Í S T I C A
delante de un problema en que necesitamos datos y donde percibimos una variación aleatoria que
tratamos de explicar; pero el listado de datos en sí mismo es poco explicativo. Necesitamos representar
los datos de un modo adecuado para observar mejor la tendencia; es decir, hemos de realizar un
proceso de transnumeración.
Una posible representación de los datos sería un diagrama de dispersión (Figura 1), en el cuál se
coloree o se represente con un carácter diferenciado las marcas de las mujeres y de los hombres.
Observamos claramente que las mujeres tardan más que los hombres en todas las olimpiadas y que las
dos series de puntos son decrecientes; se trataría de una relación inversa entre el tiempo en segundos
tardado en la prueba de 100 metros y el tiempo de calendario (año de celebración de la olimpiada);
conforme pasa el tiempo mejoran las marcas. Asimismo se observa una pendiente más pronunciada en
la serie de puntos correspondiente a las mujeres.
Año Atleta País Tiempo Atleta País Tiempo
1900 Walter Tewksbury USA 22,2
1904 Archie Hahn USA 21,6
1908 Robert Kerr Canadá 22,6
1912 Ralph Craig USA 21,7
1920 Allan Woodring USA 22
1924 Jackson Scholz USA 21,6
1928 Percy Williams Canadá 21,8
1932 Eddie Tolan USA 21,12
1936 Jesse Owens USA 20,7
1948 Mel Patton USA 21,1 Fanny Blankers NED 24,4
1952 Andy Stanfield USA 20,81 Marjorie Jackson AUS 23,89
1956 Bobby Morrow USA 20,75 Betty Cuthbert AUS 23,55
1960 Livio Berruti ITA 20,62 Wilma Rudolph USA 24,13
1964 Henry Carr USA 20,36 Edith McGuire USA 23,05
1968 Tommie Smith USA 19,83 Irena Szewinska Poland 22,58
1972 Valeriy Borzov USSR 20 Renate Stecher GDR 22,4
1976 Don Quarrie JAM 20,23 Barbel Eckert GDR 22,37
1980 Pietro Mennea ITA 20,19 Barbel Wockel GDR 22,03
1984 Carl Lewis USA 19,8 Valerie Brisco USA 21,81
1988 Joe DeLoach USA 19,75 Florence Griffith USA 21,34
1992 Mike Marsh USA 20,01 Gwen Torrence USA 21,81
1996 Michael Johnson USA 19,32 Marie-Jose Perec FRA 22,12
2000 Konstantinos Kenteris GRE 20,09 Marion Jones USA 21,84
2004 Shawn Crawford USA 19,79 Veronica Campbell JAM 22,05
2008 Usain Bolt JAM 19,3 Veronica Campbell JAM 21,74
2012 Usain Bolt JAM 19,32 Allyson Felix USA 21,88
Tabla 1. Datos sobre tiempos de los ganadores de las pruebas olímpicas de 200 metros
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
14 Vol. 83 julio de 2013 NÚMEROS
M O N O G R Á F I C O: E S T A D Í S T I C A
Figura 1. Marcas olímpicas en las pruebas de 200 metros
Aunque el proyecto se puede resolver con calculadora y papel, otra posibilidad de trabajo es con
Excel (u otro software estadístico como SPSS o R), para que los alumnos aprendan a introducir los
datos en la hoja de cálculo y representarlos. La Figura 1 se ha obtenido con Excel, con la cual se puede
representar automáticamente un diagrama de dispersión o superponer (como hemos hecho en este
caso) dos diagramas correspondientes a dos series de datos. Entre las muchas opciones de Excel nos
encontramos con una serie de facilidades para realizar un estudio de regresión. Utilizando la opción
“añadir línea de tendencia”, se puede elegir entre varias posibles familias de funciones para ajustar al
diagrama de dispersión (siguiendo el criterio de mínimos cuadrados). Nosotros hemos comenzado
probando el ajuste lineal; Excel también proporciona la opción de añadir al gráfico la ecuación (en este
caso, la ecuación de la recta de regresión).
Figura 2. Rectas de regresión ajustadas a los datos de mujeres y hombres
Nosotros hemos utilizado dicha opción, obteniendo las dos ecuaciones siguientes (Figura 2):
· y = -0,0394x + 100,62; para la recta de mejor ajuste a los datos de los tiempos de los
hombres;
· y = -0,0259x + 71,343 para la recta de mejor ajuste a los datos de los tiempos de las
mujeres;
Es visible en la gráfica que las rectas no son paralelas; por lo tanto llegarán en algún momento a
encontrarse. El valor x en que las dos rectas se cortarían corresponderá a un año; este sería el año en
que, si los ajustes que hemos realizado son correctos y las tendencias continúan, ¡hombres y mujeres
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
15 Sociedad Canaria Isaac Newton
de Profesores de Matemáticas
Vol. 83 julio de 2013
M O N O G R Á F I C O: E S T A D Í S T I C A
llegarían a correr a la misma velocidad en la prueba de los 200 m. lisos! ¿Cuál sería este año? Lo
podemos determinar algebraica o gráficamente. Para determinarlo algebraicamente, bastaría resolver
el sistema de ecuaciones formado por las expresiones algebraicas de las dos rectas, esto es;


y + 0,0259x = 71,343
y + 0,0394x = 100,62 ; restando estas ecuaciones, obtenemos: 0,0135x = 29,276, de donde
Es decir, a partir del año 2168, se produciría el empate; podemos también observar la misma
solución (Figura 3) utilizando la opción de Excel de extrapolación de las ecuaciones de regresión. En
dicha gráfica, aparentemente a partir de esta fecha, las mujeres correrían más que los hombres, dando
la razón al periodista. Observamos que, hasta este momento, hemos utilizado dos componentes nuevos
del razonamiento estadístico: el razonamiento con modelos (en este caso, el modelo de recta de
regresión) y la integración de la estadística y el contexto, interpretando lo que los gráficos y
ecuaciones nos quieren indicar sobre la realidad (marcas olímpicas en las pruebas de 200 metros).
Figura 3. Extrapolación de las rectas de regresión
Hasta acá hemos utilizado los cinco tipos de razonamiento estadístico fundamental; también
hemos realizado un ciclo completo de investigación estadística (problema, datos, análisis, conclusión).
Hemos trabajado muchas de las ideas estadísticas fundamentales: datos, gráficos, variabilidad,
asociación, distribución, inferencia. Nos faltaría ejercitar nuestro espíritu crítico y escepticismo; es
decir, el componente actitudinal de la cultura y razonamiento estadístico.
Hemos de recordar en este punto la diferencia entre datos (en este caso las marcas olímpicas) y
modelo (las rectas de regresión) y hacer observar que el modelo no es exactamente igual que los datos
y que podrían existir otros modelos que explicasen los datos. Será importante, entonces complementar
el análisis realizado hasta el momento, con alguna medida de la bondad del ajuste y, en caso necesario,
probar otros modelos que se ajusten mejor a los datos.
Otra información importante proporcionada por Excel es el coeficiente de determinación R2,
siendo R el coeficiente de correlación (en este caso, de correlación lineal). El coeficiente de
determinación, R2 nos indica la proporción de varianza de la variable dependiente en la recta de
regresión Y (en este caso esperanza de vida) explicada por el modelo lineal utilizado (por la ecuación
de la recta de regresión). En el proyecto que estamos analizando, obtenemos R2=0,8971 (R=0,947)
para el caso de los hombres, que es muy alto, pues como sabemos, el máximo valor absoluto del
2168,66
0,0135
29,277 x = =
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
16 Vol. 83 julio de 2013 NÚMEROS
M O N O G R Á F I C O: E S T A D Í S T I C A
coeficiente de correlación es 1 (correspondiente a R=1 o R=-1), que son los casos en que los puntos
del diagrama de dispersión se alinearían perfectamente sobre una línea recta. En la Figura 1 podemos
ver que, en efecto los tiempos de los hombres se sitúan casi sobre la recta, que al ser decreciente,
correspondería a un coeficiente de correlación R=-1. Para los datos sobre las mujeres obtenemos R2=
0,7313 (R=0,855) algo menor que el anterior, pero también alto. También podemos observar la mayor
distancia de estos datos a la recta de regresión.
En este segundo caso, queda más de un 25% de la varianza de los datos no explicada por el
modelo y podríamos tratar de mejorar la predicción, eligiendo para ello una función de regresión
diferente, siempre que el valor del coeficiente de determinación aumente (que otro modelo explique
mayor proporción de varianza). Por suerte Excel proporciona diferentes opciones para la línea de
tendencia: lineal, polinómica, potencial, logarítmica, etc. (que se pueden obtener pulsando sobre dicha
línea). El alumno puede ensayar con diferentes opciones, obtener para cada una la gráfica, ecuación y
coeficiente de determinación y decidir, entre todas ellas, cuál proporciona un mejor ajuste. Como
ejemplo, si usamos una función polinómica de grado cuatro, conseguimos subir el coeficiente de
determinación a R2=0,93, suficientemente elevado, pues se explica el 93% de la variación de los datos
(Figura 4)
Figura 4. Ajuste de un modelo polinómico a los datos de mujeres
Concluimos que en este segundo modelo, no es tan clara la conclusión de que las mujeres
lleguen a superar a los hombres en las olimpiadas. Es verdad que conseguiríamos encontrar el punto
de corte entre las dos funciones, pero la tendencia ya no se conserva decreciente en las mujeres, sino
que aparecen oscilaciones que podrían o no continuar en el futuro. Será entonces necesario esperar a
tener nuevos datos para ajustar otra vez el modelo de regresión y obtener una conclusión definitiva.
Por otro lado, recordamos que modelo y realidad no siempre coinciden y que las tendencias
observadas podrían variar en el futuro.
6. Reflexiones finales
Como señalaron Anderson y Loynes (1987), la estadística es inseparable de sus aplicaciones, y
su justificación final es su utilidad en la resolución de problemas externos a la propia estadística. En el
ejemplo de proyecto analizado hemos trabajado los dos componentes del sentido estadístico: cultura y
razonamiento.
Respecto a la cultura, se han trabajado multitud de ideas fundamentales: comenzando con la
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
17 Sociedad Canaria Isaac Newton
de Profesores de Matemáticas
Vol. 83 julio de 2013
M O N O G R Á F I C O: E S T A D Í S T I C A
recopilación de unos datos reales, hemos analizado su distribución bivariante, comparando dos
distribuciones diferentes, analizando en cada una su tendencia y variabilidad a través de estadísticos y
gráficos. Diferentes modelos de regresión (lineal, polinómico) nos han permitido describir los datos y
hacer predicciones; complementadas mediante el coeficiente de determinación para analizar la bondad
del ajuste. Otras propiedades de la correlación y regresión (como son por ejemplo el signo y el valor
del coeficiente, el signo de la pendiente según sea la relación directa o inversa, la relación entre
pendiente y el coeficiente de correlación), aunque han quedado implícitas podrían analizarse con más
detalle con los estudiantes según los objetivos del profesor.
En el proyecto también se han ejercitado actitudes propias de la cultura y el razonamiento
estadístico como la creatividad, espíritu crítico e imaginación. Se utilizaron también todos los tipos
fundamentales de razonamiento estadístico y se involucró a los estudiantes en un ciclo completo de
investigación y modelización estadística. Con todo ello los estudiantes adquieren competencia en
conocimiento estratégico, es decir ser capaz de aplicar un conocimiento. La habilidad para aplicar los
conocimientos matemáticos es frecuentemente mucho más difícil de lo que se supone, porque requiere
no sólo conocimientos técnicos (tales como preparar un gráfico o calcular un promedio), sino también
conocimientos estratégicos (saber cuándo hay que usar un concepto o gráfico dado). Los problemas y
ejercicios de los libros de texto sólo suelen concentrarse en los conocimientos técnicos, mientras que
los proyectos incluyen también conocimientos estratégicos, a la vez que aumentan la motivación del
estudiante.
Todo ello se pone de manifiesto en el ejemplo presentado. El lector interesado puede encontrar
otros ejemplos de cómo es posible desarrollar un currículo de estadística para la educación secundaria
o universitaria mediante proyectos debidamente secuenciados (ver Batanero y Díaz, 2011).
Agradecimientos: Proyecto EDU2010-14947 (MCINN-FEDER) y grupo FQM126 (Junta de Andalucía).
Bibliografía
Anderson, C. W. y Loynes, R. M. (1987). The teaching of practical statistics. New York: Wiley.
Bakker, A. y Gravemeijer, K. P. E. (2004). Learning to reason about distribution. En J. Garfield y D.
Ben Zvi (Eds.), The challenge of developing statistical literacy, reasoning and thinking (pp 147-
168). Dordrecht, The Netherlands: Kluwer.
Batanero, C. y Díaz, C. (Eds.) (2011). Estadística con proyectos. Granada: Departamento de Didáctica
de la Matemática
Batanero, C., Henry, M., Parzysz, B., (2005). The nature of chance and probability. En G. A. Jones
(Ed.), Exploring probability in school: Challenges for teaching and learning (pp. 15-37). New
York: Springer.
Burrill, G., & Biehler, R. (2011). Fundamental statistical ideas in the school curriculum and in
trainingteachers. En C. Batanero, G. Burrill y C. Reading (Eds.), Teaching statistics in school
mathematics. Challenges for teaching and teacher education - A joint ICMI/IASE study (pp. 57-
69). Dordrecht: Springer.
Cabriá, S. (1994). Filosofía de la estadística. Servicio de Publicaciones de la Universidad de Valencia.
Castro-Sotos, A. E., Vanhoof, S., Noortgate, W. y Onghena, P. (2007). Students’ misconceptions of
statistical inference: A review of the empirical evidence from research on statistics education.
Educational Research Review, 2 98–113
Engel, J. y Sedlmeier (2011). Correlation and regression in the training of teachers. En C. Batanero, G.
Burrill, C. Reading y A. Rossman (Eds.). Teaching statistics in school mathematics- challenges for
teaching and teacher education. A joint ICMI/IASE study (pp. 247-258). New York: Springer.
Franklin, C., Kader, G., Mewborn, D. S., Moreno, J., Peck, R., Perry, M. y Scheaffer, R. (2007). A
curriculum framework for K-12 statistics education. GAISE report. Online:
El sentido estadístico y su desarrollo
C. Batanero, C. Díaz, J.M. Contreras, R. Roa
18 Vol. 83 julio de 2013 NÚMEROS
M O N O G R Á F I C O: E S T A D Í S T I C A
http://www.amstat.org/education/gaise/.
Gal, I. (2002). Adult's statistical literacy: Meaning, components, responsibilities. International
Statistical Review 70(1), 1-25.
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.
Reading, C. y Shaughnessy, J. M. (2004). Reasoning about variation. En J. Garfield y D. Ben-Zvi
(Eds.), The challenge of developing statistical literacy, reasoning and thinking (pp. 201-226).
Dordrecht, The Netherlands: Kluwer.
Rossman, A. (2008). Reasoning about informal statistical inference: One statistician’s view. Statistics
Education Research Journal, 7(2), 5-19. Online: http://www.stat.auckland.ac.nz/serj.
Rubin, A., Hammerman, J. K. L & Konold, C. (2006). Exploring informal inference with interactive
visualization software. En B. Phillips (Ed.), Proceedings of the Sixth International Conference on
Teaching Statistics. Cape Town, South Africa: International Association for Statistics Education.
Online: www.stat.auckland.ac.nz/~iase/publications.
Sánchez, E. y Batanero, C. (2011). Manejo de la información. En E. Sánchez (Coord.), Enseñanza y
aprendizaje de las matemáticas, Casos y perspectivas (pp. 64-92). México, D. F.: Secretaría de
Educación Pública.
Shaughnessy, J. M. (2007). Research on statistics learning and reasoning. En F. Lester (Ed.), Second
handbook of research on mathematics teaching and learning (pp. 957-1010). Greenwich, CT:
Information Age y NCTM.
Shaughnessy, J. M., Chance, B., & Kranendonk, H. (2009). Focus in high school mathematics:
Reasoning and sense making in statistics and probability. Reston, VA: NCTM.
Watson, J. M. (2006). Statistical literacy at school: growth and goals. Mahwah, NJ: Lawrence
Erlbaum Associates.
Wild, C. y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical
Review, 67 (3), 221-248.
Carmen Batanero Bernabeu, Facultad de Ciencias de la Educación, Universidad de Granada. Fue
miembro del Comité Ejecutivo de ICMI (International Comisión on Mathematical Instruction y
Presidenta de IASE (International Association for Statistical Education). Ha coordinado varios congresos
y proyectos de educación estadística. batanero@ugr.es
Carmen Díaz Batanero, Facultad de Ciencias de la Educación, Universidad de Huelva, es doctora en
Psicología. Fue becaria del Plan de Formación del Profesorado Universitario y es actualmente Profesora
Contratado Doctor en área de Metodología de las Ciencias del Comportamiento. Su línea de investigación
es la enseñanza y aplicaciones de la estadística, tema en el que ha codirigido dos tesis doctorales. Ha
publicado trabajos sobre inferencia estadística y didáctica de la estadística. carmen.diaz@dpsi.uhu.es
José M. Contreras García, nacido en Granada, fue becario de Plan de Fornación del Personal
Investigador y es actualmente profesor ayudante doctor de la Universidad de Granada. Licenciado en
Ciencias Matemáticas y en C.C. y T.T. Estadísticas, Máster en Estadística Aplicada y doctor en Didáctica
de la Matemática. Ha realizado publicaciones en didáctica de la estadística. jmcontreras@ugr.es
Rafael Roa Guzmán, es doctor en Didáctica de la matemática y profesor Titular de Universidad de la
Universidad de Granada. Ha participado en varios proyectos de investigación en educación estadística y
ha publicado artículos y comunicaciones en congresos sobre esta temática.