Documente Academic
Documente Profesional
Documente Cultură
(UNAN Managua)
Recinto Universitario Rubén Darío
Facultad de Educación e Idiomas
Departamento de Matemática Educativa
Carrera: Matemática Educativa
Asignatura: Investigación Aplicada
1
ÍNDICE
Introducción 2
Objetivos 3
Objetivo General
Objetivo Específico
Planteamiento del Problema 4
Antecedentes 4
Justificación 5
Bibliografía 29
2
INTRODUCCIÓN
Nos limitamos a tratar la relación afectiva y social existente entre el docente que
imparte la asignatura de matemática y los alumnos con el fin de dar continuidad al
proyecto elaborado por el Lic. Fernando Antonio Sánchez López, tesis en la cual
tratamos de hacer una replica con la diferencia que en ese entonces no se
introdujeron otros tipos de análisis que en ese momento no se abordaron como:
• Análisis de varianza(ANOVA)
• Regresión Lineal
• Y la utilización del Software estadístico SPSS para realizar los análisis
anteriores.
Con los aportes que agreguemos al proyecto de Fernando Sánchez L., haremos
recalcar que la relación afectiva y social entre el docente y el estudiante es uno de
los factores que influye en el alto o bajo rendimiento académico del educando.
A la vez se pondrá en evidencia que el sistema educativo, el cual esta enfrascado
en valorar solamente el aspecto cuantitativo del aprendizaje, puede dar énfasis a los
aspectos emocionales e íntimos del funcionamiento total del ser humano, lo cual
provoca que el docente pase inadvertida la presencia del auto concepto.
3
OBJETIVO GENERAL
OBJETIVOS ESPECIFICOS
4
PLANTEAMIENTO DEL PROBLEMA
¿Por qué los estudiantes al conocer a sus maestros en el inicio de clases, ligan la
aprobación de la asignatura?
¿Por qué a los docentes de matemáticas, los estudiantes les dan los calificativos: ´´
el terror de las aulas, el aplastador de estudiantes, los que llenan las aulas para
reparación, etc.?
5
ANTECEDENTES
En Nicaragua es muy difícil encontrarnos con algún tipo de trabajo que trate el
tema relacionado con: La parte emocional y social en el aula, por lo general solo
hay trabajos que hablan de: metodología, funciones y principios didácticos, la
planificación, etc.
6
JUSTIFICACIÓN
Una de las razones porque se escogió este tema fue para tratar un factor que influye
en el bajo o alto rendimiento académico del estudiante, dicho factor no es el único
pero si uno de los más importantes como lo es la relación afectiva que existe entre
un docente y un alumno independientemente de la asignatura. Entre una de las
bibliografías consultadas se encontró la tesis del Lic. Fernando López la cual
aborda este factor, que en aporte a ella en este trabajo de fin de curso se tratará la
relación afectiva específicamente entre un docente de matemática con los
estudiantes.
Se aborda este tema ya que en la actualidad existen muchos trabajos los cuales
están basados en las matemáticas abordando tópicos como: deserción escolar,
rendimiento académico, metodología para la enseñanza, etc., pero pocos tratan el
tema de relación afectiva y social que tiene el docente de matemática en el aula de
clase.
En el fenómeno de la parte afectiva se interviene en la tesis mencionada con el
propósito de lograr mejorías en las formas matemáticas como es el análisis de
datos recopilados durante la aplicación del pilotaje, en los cuales se dará una
interpretación estadística mediante el uso de agresión lineal, análisis de varianza
(ANOVA) con el auxilio del software estadístico SPSS.
Cabe señalar que estos aportes que se darán a la tesis de Fernando López son
adicionales y que en ningún momento se le da continuidad a la hipótesis
demostrada ya que se asumen que dichas hipótesis se cumplen.
7
ESCALA LIKERT
Los métodos más conocidos para medir por escalas las variables que constituyen
actitudes son: el método de escalamiento tipo Likert, el diferencial Semántico y la
escala de Guttman.
El método de la escala tipo Likert fue desarrollado por Rensis Likert a principios
de los años treinta. Consiste en formar de afirmaciones o juicios ante los cuales se
pide la reacción de los sujetos a los que se les administra. Es decir, se presenta cada
afirmación si pide al sujeto que exteriorice su reacción eligiendo uno de los cinco
puntos u opiniones de la escala. A cada punto se le asigna un valor numérico, de
esta forma el sujeto obtendrá una puntuación respecto a la afirmación y al final se
obtiene su puntuación total sumando las puntuaciones obtenidas con relación a
todas las afirmaciones, por está razón, se les conoce también como `` Escalas
aditivas ´´.
Es decir, estar más deacuerdo implica una puntuación mayor .Si la afirmación es
negativa que califica desfavorable al objeto de actitud, y entre los sujetos estén más
deacuerdo con la afirmación, su actitud es menos favorable, esto es, más
desfavorable.
8
Si la afirmación es negativa significa que califica desfavorablemente al objeto de
actitud y entre los sujetos estén más de acuerdo con la afirmación, su actitud es
menos favorable, o sea, más desfavorable. Las afirmaciones negativas se califican
al contrario de las positiva, por ejemplo:
9
ESTADÍSTICA INFERENCIAL: DE LA MUESTRA A LA POBLACIÓN
La inferencia de los parámetros se lleva a cabo mediante técnicas estadísticas apropiadas para
ello. Estas técnicas se explicaran más adelante.
Pruebas de hipótesis.
Distribución muestral
Una distribución muestral consiste en un conjunto de valores sobre una estadística calculada de
todas las muestras posibles en un determinado tamaño. Las distribuciones muestrales de medidas
son -probablemente- las más conocidas. Se explica este concepto con un ejemplo. Suponer que el
universo o población son los automóviles de una ciudad y se desea averiguar cuánto pasan
diariamente “al volante”. De este universo se podría extraer una muestra representativa. Suponer
que el tamaño adecuado de muestra es de quinientos doce automóviles (n=512). Del mismo
universo se podrían extraer diferentes muestras, cada una con 512 personas. Teóricamente,
incluso podría hacerlo al azar una vez, dos, tres, cuatro y las veces que fuera necesario hasta
agotar todas las muestras posibles de 512 automovilistas de esa ciudad (todos los sujetos serian
seleccionados en varias muestras). En cada muestra se podría obtener una media del tiempo que
pasan los automovilistas manejando. Se tendrá pues, una gran cantidad de medias, tantas como la
muestra extraída ( X 1 , X 2 , X 3 ,... X k ).Y con estas medias se podría elaborar una distribución de
medias. Habría muestras que -en promedio- pasan más tiempo “al volante” que otras. Este
concepto se representa en la figura siguiente.
DISTRIBUCIÓN MUESTRAL DE MEDIAS
10
Son Medias ( X ), no se trata de puntuaciones. Cada media representa una muestra.
Si se calcula la media de todas las medias de las muestras, se obtiene el valor de la media
poblacional.
Desde luego, muy rara vez se obtiene la distribución muestral (la distribución de las medias de
todas las muestras posibles).
En el ejemplo de los automovilistas, sólo una de las líneas verticales de la distribución muestral
presentada en la figura anterior es la media obtenida para la única muestra seleccionada de 512
personas. La pregunta es ¿la media seleccionada esa cerca de la media de la distribución
muestral?, debido a que si está cerca se puede tener una estimación precisa de la media
poblacional (el parámetro poblacional es prácticamente el de la distribución muestral). Esto se
expresa en el teorema central del límite que dice: “Si una población (no necesariamente normal)
tiene de media m y de desviación estándar σ(s), la distribución de las medias en el muestreo
aleatorio realizado en esta población tiende, al aumentar n, a una distribución normal de medida
σ
m y de desviación estándar n , donde ‘n’ es el tamaño de muestra”.
El teorema especifica que la distribución muestral tiene una media igual a la de la población,
una varianza igual a la varianza de la población dividida por el tamaño de muestra, y se
distribuye normalmente. σ es un parámetro normalmente desconocido, pero puede ser estimado
por la desviación estándar de la muestra.
El concepto de distribución normal es importante y se da una explicación a continuación.
Una gran cantidad de los fenómenos del comportamiento humano se manifiestan de la siguiente
forma: la mayoría de las puntuaciones se concentran al centro de la distribución y en los
extremos sólo encontramos algunas puntuaciones. Por ejemplo, la inteligencia: hay pocas
personas sumamente inteligentes (genios), pero también hay pocas personas con muy baja
inteligencia (retardos mentales). La mayoría de los seres humanos somos mediamente
inteligentes. Esto podría representarse así:
INTELIGENCIA
11
Debido a ello se creo un modelo de probabilidad llamado curva normal o distribución normal.
Como todo modelo es una distribución teórica que difícilmente se presenta en la realidad tal cual,
pero se presentan aproximadamente a éste. La curva normal tiene la siguiente configuración:
Media=0
Desviación estándar (s)=1
El 68.26% del área de la curva normal es cubierta entre -1s y +1s, el 95.44% del área de la curva
es cubierta entre -2s y +2s y el 99.74% se cubre con -3s y +3s.
Las principales características de la distribución normal son:
1) Es unimodal, una sola moda.
2) La asimetría es cero. La mitad de la curva es igual exactamente a la otra mitad. La
distancia entre la media y +3s es la misma que la distancia entre la media y -3s.
3) Es una función particular entre desviaciones con respecto a la media de una distribución y
la probabilidad de que éstas ocurran.
4) La base esta dada en unidades de desviación estándar (puntuaciones “z”), destacando las
puntuaciones -1s, -2s, -3s, +1s, +2s, +3s. Las distancias entre puntuaciones “z” representan
áreas bajo la curva. De hecho, las distribuciones de puntuaciones “z” es la curva normal.
5) Es mesocúrtica (curtosis de cero).
6) La media, la mediana y la moda coinciden en el mismo punto.
Nivel de Significancia.
12
una probabilidad muy elevada para estar muy tranquilo. Porque sabe que puede haber error de
muestreo, y aunque la evidencia parece mostrar una aparente “cercanía” entre el valor calculado
en la muestra y el parámetro, esta “cercanía” puede ser no real y deberse a errores en la selección
de la muestra.
¿Y con que porcentaje tiene confianza el investigador para generalizar?, ¿para suponer que tal
carencia es real y no debida a un error de muestreo? Existen dos niveles convenidos en ciencias
sociales:
a) El nivel de significancia del .05, el cual implica que el investigador tiene el 95% de
seguridad para generalizar sin equivocarse, y sólo un 5% en contra. En términos de
probabilidad, 0.95 y .05 respectivamente, ambos suman la unidad.
b) El nivel de significancia de .01, el cual implica que el investigador tiene un 99% en su
favor para generalizar sin temor y un 1% contra (0.99 y 0.01=1.00)
A veces en nivel de significancia puede ser todavía más exigente y confiable (.001, .00001,
.00000001). Pero lo mínimo es el .05, no se acepta un nivel de .06 (94% a favor de la
generalización confiable). Porque se busca hacer ciencia, no intuición.
El nivel de significancia es un valor de certeza que fija el investigador “a priori”. De certeza
respecto a no equivocarse.
13
Intervalo de confianza.
Se ha hablado de la distribución Muestral por lo que respecta a la prueba de hipótesis, pero otro
procedimiento de la estadística inferencial es construir un intervalo donde se localiza un
parámetro. Por ejemplo, en lugar de pretender probar una hipótesis acerca de la media
poblacional, puede buscarse obtener un intervalo donde se ubique dicha media. Esto requiere un
nivel de confianza, al igual que en la prueba de hipótesis inferenciales. El nivel de confianza es
al intervalo de confianza lo que el nivel de significancia es a la prueba de hipótesis. Es decir, el
nivel de confianza es una probabilidad definida de que un parámetro se va a ubicar en un
determinado intervalo. Los niveles de confianza utilizados más comúnmente en la investigación
social son 0.95 y 0.99. Su sentido es del 0.95, quiere decir que tenemos 95% a favor de que el
parámetro se localice en el intervalo estimado. Contra un 5% de escoger un intervalo
equivocado, igualmente con el nivel de 0.99. Estos niveles de confianza (lo mismo que los
niveles de significancia) se expresan en unidades de desviación estándar. Una vez más se acude a
la distribución muestral, concretamente a la tabla de áreas bajo la curva normal, y se selecciona
la puntuación “z” correspondiente al nivel de confianza seleccionada. Una vez hecho esto, se
aplica la siguiente fórmula:
+
Intervalo de confianza = estadígrafo (puntuación “z” que expresa el nivel de confianza
elegido) (desviación estándar de la distribución muestral correspondiente)
Donde el estadígrafo es la estadística calculada en la muestra, puntuación “z” es 1.96 con nivel
de .95 y 2.58 con un nivel de .99 y el error estándar depende del estadígrafo en cuestión.
Nunca podemos estar completamente seguros de nuestra estimación. Trabajando con altos
niveles de confianza o seguridad –aunque el riesgo sea mínimo- podría cometerse un error.
Antes de continuar con la decisión durante un contraste de hipótesis, es necesario observar los
posibles casos relacionados con la veracidad de la hipótesis nula y lo correcto de la decisión que
se tome. Puede llegarse a cuatro resultados posibles como consecuencia de que la hipótesis nula
sea verdadera o falsa, y que a decisión sea “no rechazar” o bien “rechazar”. La siguiente tabla
exhibe esos cuatro resultados posibles:
Hipótesis Nula
Decisión Verdadera Falsa
Error
No se rechaza Ho Dedición correcta Tipo II
Tipo A
Ocurre una decisión correcta tipo A cuando la hipótesis nula es verdadera y se decide a favor
de ella. Ocurre decisión correcta tipo B cuando la hipótesis nula es falsa y la decisión tomada es
contraria a esta hipótesis. Se comete un error tipo I cuando se rechaza una hipótesis nula siendo
ésta verdadera, es decir, cuando es cierta la hipótesis nula pero se decide en su contra. Se comete
error tipo II cuando se decide a favor de una hipótesis nula cuando en realidad es falsa.
14
Seria conveniente que siempre que se tome una decisión esta resultara correcta. Sin embargo,
lo anterior es estadísticamente imposible puesto que la decisión se estará tomando con base en
información muestral. Lo mejor que puede esperarse es el control de riesgo, o probabilidad con
la que ocurre un error. La probabilidad asignada al error tipo I se llama alfa α. La probabilidad
del error tipo II se denomina beta β. Para controlar estos errores se les asigna una probabilidad
pequeña. Los valores de α que se utilizan con mayor frecuencia son 0.01 o bien 0.05. La
probabilidad asignada a cada error dependerá de la gravedad del mismo. Cuánto más grave sea
un error, con menor frecuencia se estará dispuesto a cometerlo y, en consecuencia, se le asignará
una probabilidad más pequeña. En este informe se centrará la atención en α, la P(error de tipo
I). El nivel de preparación no permite una discusión más profunda de β, o sea la P(error de
tipoII). La siguiente tabla muestra la probabilidad con que ocurre un error:
Ambos tipos de errores son indeseables y puede reducirse la posibilidad de que se presenten
mediante:
a) Muestras representativas probabilísticas.
b) Inspección cuidadosa de los datos.
c) Selección de las pruebas estadísticas apropiadas.
d) Mayor conocimiento de la población.
ε = K * SE ( X ) Es el error de
σ2 es la Varianza Poblacional.
muestreo.
15
H0 Unilateral Izquierda H0 Bilateral H0 Unilateral Derecha
0.00.10.20.30.4
0.00.10.20.30.4
0.00.10.20.30.4
-4 -2 0 2 4 -4 -2 0 2 4
-4 -2 0 2 4
x <- seq(-4, 4, by = 0.1)
; SE (δ µ ) = σX2 / n1 +σY2 / n2
σ 2 = σ Y2 = σ 2 No se puede asumir Igualdad de Varianzas
Asumir Igualdad de Varianzas X σ x2 ≅ S x2 y σ y ≅ S y para t(α/2) con
2 2
S 2
S 2 Estimar
Estimar σ2= [(n1–1)* x + (n2–1)* y ] /γ
Con γ = (n1–1) + (n2–1) los grados de libertad de γ =
[ SE (δ µ )] 4
t-Student para el valor t(α /2).
2 2
S X2 / n1 /(n1 − 1) + S Y2 / n 2 /(n 2 − 1) [ ] [ ]
Para ambas varianzas desconocidas si los tamaños muestrales n1 y n2 son grandes, puede
σ 2 ≅ S y2
suponerse que σ x ≅ S x y y
2 2
tomando el valor Z(α/2) de la Normal Standard (γ =∞).
ANÁLISIS PARÁMETRICO
Hay dos tipos de análisis que pueden realizarse: los análisis paramétricos y los no paramétricos.
Cada tipo posee sus propias características y presuposiciones que lo sustentan y la elección del
investigador sobre de qué clase de análisis efectuar depende de estas presuposiciones. Asimismo,
cabe destacar que en una misma investigación pueden llevarse a cabo análisis paramétricos para
algunas hipótesis y variables, y análisis no paramétricos para otras.
Presupuestos o presuposiciones de la estadística paramétrica.
16
3) Cuando dos o más poblaciones son estudiadas, éstas tienen una varianza homogénea: las
poblaciones en cuestión tienen una dispersión similar en sus distribuciones.
Regresión Lineal
Definición: Es un modelo matemático para estimar el efecto de una variable sobre otra.
Variables involucradas: Dos. Una se considera como independiente y la otra como dependiente.
Pero para poder hacerlo se debe tener un sólido sustento teórico.
17
Correlación negativa considerable.
Ausencia de correlación
Así, cada punto representa un caso y es resultado de la intersección de las puntuaciones en ambas
variables.
El diagrama de dispersión puede ser resumido a una línea (producto de las medias de las
puntuaciones).
Conociendo la línea y la tendencia, podemos predecir los valores de una variable conociendo los
de la otra variable.
Existe una clara distancia entre las variables en cuanto a su papel dentro el proceso experimental.
Muy a menudo se tiene una sola variable dependiente de respuesta y, la cual no se controla en el
experimento. Esta respuesta depende de una o más variables independientes o de regresión,
como sean x1, x2,…, xk, las cuales se miden con error despreciable y en realidad, en la
generalidad de los casos se controlan en el experimento. Así, las variables independientes no son
aleatorias y por lo tanto tienen propiedades distribucionales.
18
La relación fija para un conjunto de datos experimentales se caracteriza por una ecuación de
predicción que recibe el nombre de ECUACIÓN DE REGRESIÓN. En el caso de una sola y y
una sola x, la situación cambia a una regresión de y en x, para k variables independientes, se
habla en términos de una regresión de y en
x1, x2,…, xk
En términos de regresión lineal implica que µy/x está linealmente relacionada con x por la
ecuación de regresión lineal poblacional.
µy = α + βx
x
donde los coeficientes de regresión α y β son parámetros que deben estimarse a través de los
datos muestrales. Si a y b representan estas estimaciones, respectivamente, se puede entonces
estimar µy/x por
ŷ de la regresión muestral o de la línea de regresión ajustada.
yˆ = a +bx
donde los estimaciones a y b representan la intercepción y pendiente de y respectivamente. El
símbolo ŷ se utiliza aquí para distinguir entre el valor estimado que da la línea de regresión
muestral y un valor experimental real observado y para algún valor x.
En el caso de una regresión lineal simple donde hay una sola variable de regresión independiente
x y una sola variable aleatoria dependiente y, los datos pueden representarse por pares de
observaciones {(xi, yi); i=1,2,3,…,n}. Es conveniente utilizar los conceptos de la sección anterior
para definir cada variable aleatoria yi= y/ xi, por medio de un modelo estadístico.
Si se postula que todas las medias µy/xi caen sobre una línea recta, cada yi puede describirse por el
modelo de regresión simple:
Yi = µ y + Ei = α + βi + Ei
xi
donde el error aleatorio Ei, el error del modelo, debe tener necesariamente una media de cero.
Cada observación (xi, yi) en la muestra satisface la ecuación:
Yi = α + βi xi + εi
donde εi es el valor que asume Ei cuando Yi toma el valor yi. La ecuación anterior puede
considerarse como el modelo para una sola observación yi.
De manera similar, al utilizar la línea de regresión estimada o ajustada:
yˆ = a +bx
Cada par de observaciones satisface la relación:
Yi = α + βi xi + ei ,
donde i
e = y − yˆ i i se llama residuo y describe el error en el ajuste del modelo en el punto
i de los datos. La diferencia entre εi y ei se muestra claramente.
El método de mínimos cuadrados
19
Se encuentran a y b, y los estimadores de α y β de tal forma que la suma de los cuadrados de los
residuos sea mínima. Con frecuencia, la suma de los cuadrados de los residuos recibe el nombre
de suma de los cuadrados de los errores alrededor de la línea de regresión y se representa por
SSE. Este procedimiento de minimización se llama métodos de mínimos cuadrados.
( xi , y i )
yi yˆ = a + bx
εi ei
µ y = α + βx
x
xi
De aquí que se encontrarán a y b con objeto de minimizar:
n n n
∑ei2 = ∑( y i − yˆ ) = ∑( y i − a − bxi )
2 2
i =1 i =1 i =1
∂ ( SSE ) n
∂( SSE )
= −2∑ ( y i − a − bxi )
n
= −2∑( y i − a − bxi ) xi
∂a i =1 ∂b i =1
Al igualar las derivadas parciales a cero y reacomodar los términos, se obtienen las ecuaciones
siguientes (llamadas ecuaciones normales):
n n n n n
( na + b ) ∑ xi = ∑ y i a ∑ x i + b ∑ x = ∑ xi y i 2
i
i =1 i =1 i =1 i =1 i =1
Las cuales se pueden resolver simultáneamente para dar las fórmulas de cálculo de a y b.
n
n 2 ∑y i − b∑ x i
∑x 2
i − ∑x i a= i =1 i =1
i =1 i =1 n
Análisis de varianza unidireccional (oneway).
20
El análisis de la varianza es un procedimiento, creado por R. A. Fisher en 1925, para
descomponer la variabilidad de un experimento en componentes independientes que pueden
asignarse a causas distintas.
Definición: Es una prueba estadística para analizar si más o dos grupos difieren
significativamente entre sí en cuanto a sus medias y varianzas. La prueba “t” es utilizada para
dos grupos y el análisis de varianza unidireccional se usa para tres, cuatro o más grupos. Y
aunque con dos grupos, el análisis de varianza unidimensional se puede utilizar, no es una
práctica común.
Si los grupos difieren realmente entre sí sus puntuaciones variaran más de lo que puedan variar
las puntuaciones entre los integrantes de un mismo grupo, es decir lo que se espera es
homogeneidad entre grupos de la misma categoría y heterogeneidad entre grupos diferentes
categorías.
Esta misma lógica se aplica en la razón “F”, la cual nos indica si las diferencias entre los grupos
son mayores que las diferencias intragrupos (dentro de éstos). Estas diferencias son medidas en
términos de varianza. La varianza es una medida de dispersión o variabilidad alrededor de la
media y es calculada en términos de desviaciones elevadas al cuadrado.
El problema que se estudia es el siguiente: se dispone de n elementos que se diferencian en un
factor. Por ejemplo estudiantes de distintas clases, vehículos de distintas marcas o componentes
producidos por distintas máquinas o procesos. En cada elemento se observa una característica
continua, que varía aleatoriamente de un elemento a otro: las notas de los estudiantes; el
consumo de gasolina de cada vehículo o la duración de vida de los componentes. Se desea si hay
o no relación entre el valor medio esperado de la característica estudiada y el factor: ¿tienen
todas las clases la misma nota media a largo plazo?, ¿los componentes producidos por las
diferentes máquinas tienen la misma vida media?
Para concretar, se supone que se desea comprobar si la vida de los elementos producidos por
un grupo de I máquinas es la misma a largo plazo (no depende de la máquina). Supongamos que
la vida de los elementos producidos por una misma máquina varía debido a muchos factores no
controlables (pureza de la materia prima, desajustes aleatorios de la máquina, temperatura de
21
funcionamiento, habilidad del operario, etc.), y que se ha medido la vida de n1 elementos de la
máquina 1, y ni de la máquina i, con un total de n datos para el conjunto de las máquinas:
∑ni =n
Sea yij la variable aleatoria vida del elemento j producido por la máquina i. El objeto del estudio
es: 1) comprobar si todas las máquinas son idénticas: producen elementos con la misma vida
media; 2) si las máquinas no son iguales, estimar la vida media de los elementos producidos
porcada una. Para ello se tendrá que formalizar esta situación con un modelo matemático.
Entre ∑ ni ( y i − y .. ) 2 I-1
sˆ =
2 VE sˆR2 / sˆe2 α
grupos e
I −1
(VE)
Interna, no
explicada ∑∑ ( y ij − y i. ) 2 n-I sˆR2 =
VNE
o residual n −I
(VNE)
TOTAL ∑ ∑ (y ij − y .. ) 2 n-1 s
ˆy
2
( I − 1) sˆe2
σ 2 ( I − 1) sˆe2
F( I −1, n − I ) = = 2
( n − I ) sˆR2 sˆR
σ 2(n − I )
se obtendrá una distribución F de Fisher con I-1 y n-I grados de libertad. Cuando H0 sea falsa,
sˆ y2
tendrá la misma distribución pero el número será, en promedio mayor, por lo que
22
rechazaremos H0 cuando el valor F calculado con esta expresión sea significativamente grande
con relación a la distribución F.
El procedimiento operativo de realización del test será:
1. Decidir el nivel α de significación para el test, y buscar en las tablas de F de Fisher I-1 y
Fαc
n-I un valor tal que:
P ( F > Fαc ) = α
F( I −1,n − I )
sˆe2
2
> Fαc
sˆR
rechazar H0; en otro caso, aceptar.
3. Como siempre que se realiza un contraste, conviene obtener el nivel de significación
crítico del test; es decir, aquel nivel de significación que, de haber sido escogido, hubiese
llevado a rechazar H0. Como se ha comentado, conocer este valor crítico αc, es más
indicativo que decir si el test se ha aceptado o rechazado, porque el valor crítico describe
la situación de los datos dentro la zona de aceptación o rechazo, para obtener αc en este
F( I −1,n−I )
caso, se buscará en las tablas cual es la probabilidad de que un valor al azar F
sˆ / sˆR2
2
de esta distribución se mayor que e . Cuanto mayor se αc, más seguro se estará en
la aceptación de la hipótesis H0.
23
Para dos grupos, este contraste es idéntico al contraste t de comparación de dos medias,
sˆe2 / sˆR2
estudiado en estadística inferencial. El lector debe comprobar que el cociente es
entonces el cuadrado del estadístico t, con n1+n2-2 grados de libertad, que se obtuvo entonces.
24
Universidad Nacional Autónoma de Nicaragua
UNAN-Managua
Facultad de Ciencias de la Educación e Idiomas
Departamento de Matemática Educativa
I DATOS GENERALES:
No es necesario que escribas tu nombre.
1. Edad (en años cumplidos):______
2. Sexo: Masculino ( ) Femenino ( )
3. Promedio alcanzado en los parciales anteriores:________
4. Nivel y sección_____________
II Estimado estudiante, el objetivo de esta encuesta es determinar el comportamiento del prof. (a)
de esta asignatura es su RELACION AFECTIVA Y SOCIAL con sus alumnos en el aula de clase,
sea lo más sincero posible y lea cuidadosamente cada ítem, de modo que puedas escoger una y
solo una de las cuatro opciones de forma veraz y objetiva.
III Instrucciones: Se pretenderán situaciones que usted vive en el aula de clases en su relación
MAESTRO-ALUMNO. Marque con una x dentro del paréntesis de la alternativa que considere
expresa su opinión. Por ejemplo:
( ) Totalmente de acuerdo
( X) De acuerdo
( ) En desacuerdo
( ) Totalmente en desacuerdo.
2) Mantiene una relación amistosa y cordial con todos los estudiantes de esta sección.
3) Cuando le solicitamos ayuda ya sea dentro o fuera del aula, nos atiende amablemente.
25
EL PROFESOR DE ESTA ASIGNATURA
6) En el trato con nosotros, no demuestra privilegios para alumnos y nos trata igual
independiente el sexo, color, religión, o partido político que tengamos.
7) En su comentarios y acciones nos hace ver que cada uno de nosotros tenemos suficiente
capacidad para atender su asignatura.
10) Escucha y aclara las opiniones e ideas expresadas por los alumnos.
26
EL PROFESOR DE ESTA ASIGNATURA
11) Valora en público o privado el esfuerzo y la dedicación de aquellos alumnos que tienen
dificultad en su asignatura.
12) Cuando nos equivocamos en las participaciones, es tajante y grosero en sus comentarios.
15) Al evaluar nuestro rendimiento en las pruebas, hace comentarios desfavorables en el aula
o fuera de ella, con relación a los que salen aplazados.
16) En cada una de sus clases, propicia un ambiente de confianza donde todos podemos
preguntar dudas sin temor a quedar en ridículo.
27
Universidad Nacional Autónoma de Nicaragua
UNAN-Managua
Facultad de Ciencias de la Educación e Idiomas
Departamento de Matemática Educativa
I DATOS GENERALES:
No es necesario que escribas tu nombre
1. Fecha: ________________
2. Años que imparte: _______________
3. Sexo: Masculino ( ) Femenino ( )
5. Antigüedad Laboral: ________
6. Graduado en: Matemática en ciencias puras ( )
Matemática en ciencias de la educación ( )
Otras ( )
III Instrucciones: Se pretenderán situaciones que suelen ocurrir en el aula de clases en nuestra
relación con los estudiantes. Se pretende que expreses tu “Auto-Apreciación”, con relación a
estas afirmaciones. Para tal fin, te damos 4 alternativas. Marca con una X la alternativa que
mejor expresa tu opinión. Por Ejemplo:
( ) Totalmente de acuerdo
( X) De acuerdo
( ) En desacuerdo
( ) Totalmente en desacuerdo.
2) Mantengo una relación amistosa y cordial con todos mis alumnos, en los diferentes
grupos.
28
CON RELACION A MIS ALUMNOS
3) Soy receptivo a la solicitud de ayuda de mis alumnos tanto dentro como fuera del aula.
4) En ocasiones, en mis sesiones de clases, hago uso del sentido del humor.
7) Considero y lo hago evidente que cada uno de mis alumnos tienen la suficiente capacidad
para dominar la asignatura que imparto.
10) Escucho atentamente y aclaro las opiniones e ideas expresadas por mis alumnos.
29
CON RELACION A MIS ALUMNOS
11) Valoro en público o privado el esfuerzo y al dedicación de aquellos alumnos que tiene
dificultad en mi asignatura.
12) Cuando mis alumnos se equivocan en sus participaciones, soy tajante y grosero en mis
comentarios.
15) En relación con los estudiantes que salen aplazados en las evaluaciones, hago
comentarios desfavorables.
16) Propicio un ambiente donde todos mis alumnos puedan preguntar sobre sus dudas sin que
tenga temor a quedar en ridículo.
30
Bibliografía
• Archivo de Ecuaciones editadas por Msc. William Milton Carvajal Herradora Docente
del Dpto. de estadística UNAN-LEÓN.
• Información estratégica por Msc. Pablo Morales. Docente del Dpto. de matemática
educativa UNAN-Managua.
31