Protocolo

Universidad Nacional Autónoma de Nicaragua
(UNAN Managua)
Recinto Universitario Rubén Darío
Facultad de Educación e Idiomas
Departamento de Matemática Educativa
Carrera: Matemática Educativa
Asignatura: Investigación Aplicada
Relación afectiva y social entre el docente de matemática y los

estudiantes de secundaria del colegio público Dr. Salvador
Mendieta Cascante (Mayo de 2008, Managua)
Presentado por los: Br. Daniel Herradora

Br. Renato Montenegro
Br. Francisco Aguirre
Docente: Msc. Julio César Sánchez Aguilar

Departamento de Matemática
1
ÍNDICE
Contenidos: Número de páginas:
 Introducción 2
 Objetivos 3
Objetivo General
Objetivo Específico
 Planteamiento del Problema 4
 Antecedentes 4
 Justificación 5
 Marco teórico 6-22
 Bibliografía 29
2
INTRODUCCIÓN
El bajo rendimiento académico en muchos casos, se atribuye a problemas de

metodología o personalidad del maestro, en otras a diferencias de preparación del
mismo o a escasa intervención entre profesores y alumnos.
Las causas también son atribuidas al alumno: falta de experiencia e interés,

deficiencias del aprendizaje, problemática personal, su estado físico o anímico,
bien se relaciona con planes y programas de estudio que no concuerdan con la
realidad que vive y envuelve al propio alumno; a diferencias en el material
didáctico y ambiente en que se desarrolla la enseñanza, o bien la escasa
comunicación y relación entre escuela y hogar.
Tomando en cuenta que la mejor manera de establecer una comunicación amena y

sociable entre el docente y el alumno, es que el profesor gane la confianza de sus
alumnos, estableciendo un dominio de grupo no impositivo ni exigente sino
ecuánime e imparcial. Consideramos que la parte afectiva y humana del alumno
que obtiene con el docente, influye positiva o negativamente el rendimiento de
dicho alumno.
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
• Investigar si la relación afectiva y social establecida por un docente de

matemática el aula de clases es favorable o desfavorable, la diferencia entre la
apreciación de los alumnos y la autoapreciación del profesor en torno a lo
afectivo y social sostenida en el aula por dicho docente.
OBJETIVOS ESPECIFICOS
1. Reconstruir los instrumentos adaptados por Fernando Sánchez L. en su tesis

“RELACIÓN AFECTIVA Y SOCIAL EN EL AULA DE UN DOCENTE DE
MATEMÁTICA EN LA CIUDAD DE BOACO”, para aplicarlo a estudiantes
del Colegio Público Dr. Salvador Mendieta Cascante.
2. Analizar los datos que se recolecten mediante la encuesta de la monografía

antes mencionada de modo que se pueda afirmar la vigencia del instrumento, es
decir `` La relación afectiva y social en el aula de un docente de Matemática en
la ciudad de Boaco´´. Es vigente en este tiempo y en otros centros de
Educación.
3. Emplear algunas técnicas de análisis de datos (estadística inferencial) al

instrumento de la monografía del Lic. Fernando Antonio Sánchez López, para
agregar información complementaria que sustente dicho proyecto bajo los tipos
de análisis de datos mencionados en la introducción de este nuevo informe.
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.?
¿Por qué los estudiantes en su mayoría rechazan la signatura de Matemáticas con

solo el simple hecho de conocer el carácter de los maestros de Matemáticas?
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.
Pero en nuestro país ya existen, trabajos realizados, el primero de ellos realizado

por el profesor Santiago Aguilar llevado a cabo con estudiantes y docentes de la
UNA, el cual tenia como propósito estudiar la incidencia del docente en la relación
afectiva y social en el contexto del aula de clase, el se aproxima a través de las
variables: Clima social de aprendizaje en el aula, Autoestima académica de los
alumnos.
Y el segundo en Diciembre de 1999, por el bachiller Fernando Antonio Sánchez

López, en su tesis monográfica titulada: Relación afectiva y social en el aula de
clase de un docente de matemática en la ciudad de Boaco, el cual utiliza el estudio
realizado por el profesor Aguilar y modifica los instrumentos (dos instrumentos
uno aplicado a los estudiantes y el otro aplicado a los docentes), para aplicarlo a
estudiantes y profesores de secundaria, el cual hace uso de las herramientas de la
estadísticas y del paquete computacional SPSS, alcanzando los objetivos de su
trabajo, pero principalmente la apreciación y autoapreciación en torno a la relación
afectiva y social generado por él en el aula de clases.
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.
La importancia que se puede destacar es que si los resultados al aplicar los

instrumentos en el sector de Managua son vigentes para cualquier tipo de colegio
independientemente que sea publico o privado.
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
En la investigación del comportamiento disponemos de diversos tipos de

instrumentos para medir las variables de interés y en algunos casos se pueden
combinar dos o más métodos de recolección de los datos.
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 ´´.
DIRECCION DE LAS AFIRMACIONES
Algo indispensable es que el número de categorías de respuesta debe ser el mismo

para todas las afirmaciones. Las afirmaciones pueden tener dirección: favorable o
positiva y desfavorable o negativa.
Si la afirmación es positiva significará que califica favorablemente al objetivo de

actitud, y entre los sujetos es más deacuerdo con la afirmación, su actitud es más
favorable, las afirmaciones positivas se califican comúnmente así:
(5) Muy acuerdo

(4) De acuerdo
(3) Ni de acuerdo, ni en desacuerdo
(2) En desacuerdo
(1) Muy desacuerdo
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:
(1) Totalmente de acuerdo

(2) De acuerdo
(3) Ni de acuerdo, ni en desacuerdo
(4) En desacuerdo
(5) Totalmente en desacuerdo
FORMA DE OBTENER LAS PUNTUACIONES
Una puntuación se considera alta o baja según el número de ítems o afirmaciones.

Por ejemplo, en la escala al evaluar la actitud hacia el organismo tributario la
puntuación mínima posible es de 8 (1+1+1+1+1+1+1+1) y la máxima es de `` 40 ´´
(5+5+5+5+5+5+5+5).porque hay ocho afirmaciones.
La escala Likert es en estricto sentido, una medición ordinal, sin embargo, es

común que se trabaje como si fuera de intervalo, asimismo, a veces se utiliza un
rango de 0 a 4 de -2 a +2 de 1 a 5. Pero esto no importa porque se cambia el marco
de referencia de la interpretación. Un aspecto muy importante de la escala Likert es
que asume que los ítems o afirmaciones miden la actitud un único concepto
subyacente.
9
ESTADÍSTICA INFERENCIAL: DE LA MUESTRA A LA POBLACIÓN
Utilidad de la estadística inferencial.
Frecuentemente, el propósito de la investigación va más allá de las distribuciones de las

variables: se pretende generalizar los resultados obtenidos en la muestra a la población o
universo. Los datos casi siempre son recolectados de una muestra y sus resultados estadísticos
se denominan “estadígrafos”, la medida o la desviación estándar de la distribución de una
muestra son estadígrafos. A las estadísticas de la población o universo se le conoce como
“parámetros”. Los parámetros no son calculados, porque no se recolectan datos de toda la
población, pero pueden ser inferidos de los estadígrafos, de ahí el nombre de “estadística
inferencial”.
La inferencia de los parámetros se lleva a cabo mediante técnicas estadísticas apropiadas para
ello. Estas técnicas se explicaran más adelante.
La estadística inferencial puede ser utilizada dos procedimientos:

a) Probar hipótesis
b) Estimar parámetros
Pruebas de hipótesis.
Una hipótesis en un contexto de la estadística inferencial es una proposición respecto a uno o

varios parámetros, y lo que el investigador hace a través de un prueba de hipótesis es determinar
si la hipótesis es consistente con los datos obtenidos en la muestra. Si la hipótesis es consistente
con los datos, ésta es retenida como un valor aceptable del parámetro. Si la hipótesis no es
consistente con los datos, se rechaza ésta (pero los datos no son descartados). Para comprender lo
que es la prueba de hipótesis en la estadística inferencial es necesario revisar el concepto de
distribución muestral y nivel de significancia.
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.
CONCEPTO DE CURVA O DISTRIBUCIÓN NORMAL
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.
La probabilidad de que un evento ocurra oscila entre 0 y 1, donde 0 significa la imposibilidad de

la ocurrencia y 1 la certeza de que ocurra el fenómeno.
Aplicando el concepto de probabilidad a la distribución muestral, se puede tomar el área de ésta
como 1.00, y consecuentemente, cualquier área comprendida entre dos puntos de la distribución
corresponderá a la probabilidad de la distribución. Para probar hipótesis inferenciales respecto la
media, el investigador tiene que evaluar si la probabilidad de que la media de la muestra esté
cerca de la media de la distribución muestral es grande o pequeña. Si es grande el investigador
dudará de generalizar a la población. Si es grande, el investigador podrá hacer generalizaciones.
Es aquí donde entra el nivel de significancia o nivel alfa (nivel α). Éste es un nivel de
probabilidad de equivocarse y se fija antes de probar hipótesis inferenciales. Para obtener este
nivel de significancia el investigador obtiene una estadística en la muestra y analiza qué
porcentaje tiene de confianza de que dicha estadística se acerque al valor de la distribución
muestral (que es el valor de la población o parámetro). Busca un alto porcentaje de confianza,
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.
Relación de la distribución muestral y el nivel de significancia.
El nivel de significancia se expresa en término se probabilidad (.05 y .01) y la distribución

muestral también se expresa como probabilidad (el área total de ésta como1.00). Pues bien, para
ver si tenemos o no confianza al generalizar acudimos a la distribución muestral, probabilidad
apropiada para la investigación social. El nivel de significancia se toma como un área bajo la
distribución muestral, tal y como se muestra en la siguiente figura:
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.
Errores al realizar estadística inferencial (Errores tipos I y II).
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
Error Dedición correcta

Se rechaza Ho Tipo I Tipo B
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:
Error Error tipo I Error tipo II

Rechazo de una hipótesis verdadera I α
Falta de evidencia para rechazar una hipótesis nula II β
falsa
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.
Formulario de estadística inferencial
Estimadores y Estadísticos usuales para una muestra de tamaño n

Media Aritmética Varianza Muestral Insesgada Error Standard [ςε=σ/√n]
__
1 n
1  __
2 SE ( X ) = S X / n
∑ ∑ X i − n X 
2
X = Xi S X2 =
n i =1 n −1  
Desviación Standard Varianza Máximo-Verosímil Coeficiente de Variación
S X = S X2
∧ n −1 2 __
σ2 = SX CV = 100*(SX / X )%
n
Intervalo de Confianza del 100*(1-α) % para la media poblacional μ

__   t (α / 2) para σ 2 desconoc.
X −ε ≤µ≤X +ε K = 
 
 Z (α / 2) para σ conocida
2
ε = K * SE ( X ) Es el error de
σ2 es la Varianza Poblacional.
muestreo.
▪ Los valores t de la t-Student con γ=n–1 grados de libertad y Z de la distribución Normal.
▪ Simetría de las distribuciones Normal y t–Student: t(α) = –t(1–α) y Z(α) = –Z(1–α)
Contrastes de Hipótesis al nivel de significatividad α.
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)
0 t(α) -t(α/2) 0 t(α/2) -t(α) 0

H0: μ ≤ μ0 vs. HA: μ > μ 0 H0: μ = μ 0 vs. HA: μ ≠ μ0 H0: μ ≥ μ0 vs. HA: μ > μ0
Rechazar H0 si t > t(α/2)
Se rechaza H0 si t > t(α) [*] o bien si t < –t(α/2) Se rechaza H0 si t < –t(α)
__
▪ t = ( X − µ0 ) / SE ( X ) es el estadístico de prueba, γ =n–1 son los grados de libertad (g.l).

[*] Rechazar H0 equivale a verificar que µ0 no pertenezca al Intervalo de confianza para μ.
Intervalo de Confianza del 100*(1-α) % para la diferencia de medias μX–μY

  t (α / 2) var ianzas desconoc.
δµ −ε ≤ µX −µY ≤δµ +ε
∧ ∧
K =

 
 Z (α / 2) var ianzas conocidas
∧
ε = K * SE (δµ ) δµ = X −Y
∧
; 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 =∞).
Pruebas de Hipótesis para la comparación de medias

H0: µX ≤ µY vs. HA: µX > µY H0: µX = µy vs. HA: µX ≠ µY H0: µX ≥ µY vs. HA: µX < µy
(Unilateral ↰) [Percentil 1–α] (Bilateral) [Percentil 1–α/2] (Unilateral ↱) [Percentil 1–α]
Rechazar Ho: si τ > t Rechazar Ho: si Abs(τ) > t Rechazar Ho: si τ < –t
Dónde t proviene de una Distribución t-Student con ν =(n1–1)+(n2–1) grados de libertad.
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.
Para realizar análisis paramétricos debe partirse de los siguientes supuestos:

1) La distribución poblacional de la variable dependiente es normal: el universo tiene una
distribución normal
2) El nivel de medición de la variable dependiente es por intervalos o por razón.
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.
Métodos o pruebas estadísticas paramétricas más utilizadas.
Las pruebas estadísticas paramétricas más utilizadas son:

- Coeficiente de correlación de Pearson
- Regresión lineal
- Prueba “t”
- Prueba de contrastes de la diferencia de proposiciones
- Análisis de varianza unidimensional (ANOVA Oneway)
- Análisis de varianza factorial (ANOVA)
- Análisis de covarianza (ANCOVA)
En este informe se utilizará sólo dos que a continuación se enuncian
Regresión Lineal
Definición: Es un modelo matemático para estimar el efecto de una variable sobre otra.
Hipótesis a probar: Correlaciones y causales.
Variables involucradas: Dos. Una se considera como independiente y la otra como dependiente.
Pero para poder hacerlo se debe tener un sólido sustento teórico.
Nivel de medición de las variables: Itervalos o razón.
Procedimiento e interpretación: La regresión lineal se determina en base al diagrama de

dispersión. Éste consiste en una gráfica donde se relacionan las puntuaciones de una muestra en
dos variables.
Los diagramas de dispersión son una manera de visualizar gráficamente una correlación por
ejemplo:
Correlación positiva muy fuerte: La tendencia es ascendente, altas puntuaciones en X, altas

puntuaciones en Y.
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.
Regresión lineal simple
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
Diferenciando SSE con respecto a a y b, se tiene:
∂ ( 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.
Estimación de los coeficientes de regresión

Dada la muestra {(xi, yi); i=1, 2,3,…, n}, los estimadores de mínimos cuadrados a y b de los
coeficientes de regresión α y β se calcula por medio de la fórmulas:
n
 n  n 
n∑x i y i −  ∑x i  ∑ y i  n n
 i =1  i =1 
b=
i =1
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.
Hipótesis a probar: De diferencia entre más de dos grupos. La hipótesis de investigación

propone que los grupos difieren significativamente entre sí y la hipótesis nula propone que los
grupos no difieren significativamente.
Variable involucrada: Una variable dependiente y una independiente.
Nivel de medición de las variables: La variable independiente es categórica y la dependiente es

por intervalos o razón. El que la variable independiente sea categórica significa que se pueden
formar grupos diferentes. Puede ser una variable nominal, ordinal, por intervalos o de razón
(pero en estos dos últimos casos la variable debe reducirse a categóricas). Por ejemplo: Religión,
Nivel socioeconómico (muy alto, alto, medio, bajo, muy bajo), antigüedad en la empresa (de 0 a
1 año, más de un año a 5 años, de más de 5 años a 10, más de 10 años a 20, etc.)
Interpretación: El análisis de varianza unidireccional produce un valor conocido como “F” o

razón “F”, que se basa en una distribución muestral, conocida como la distribución F , que es
otro miembro de la familia de distribuciones muestrales. La razón “F” compara las variaciones
en las puntuaciones debidas a dos diferentes fuetes: variaciones entre los grupos que se comparan
y variaciones entre los dos grupos.
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.
Tabla de ANOVA (Analisys of variance) y el contrate de la F
El contrate básico del análisis de la varianza utiliza la descomposición de la variabilidad total en

parte explicada y no explicada. La columna de varianzas de esta tabla se obtiene siempre
dividiendo cada suma de los cuadrados por sus grados de libertad correspondientes.
Fuentes Suma de Grados Varianzas Razón “F” Significancia

de Cuadrados de de “F”
Variación Libertad
Entre ∑ ni ( y i − y .. ) 2 I-1
sˆ =
2 VE sˆR2 / sê2 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
Si H0 (µ1=µ2=...=µΙ) es cierta, las fuentes de variación de la tabla de ANOVA siguen

distribuciones 2 independientes. Por tanto dividiendo estas distribuciones por sus grados de
libertad y calculando el cociente
( I − 1) sê2
σ 2 ( I − 1) sê2
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
Tomar como región de aceptación

F ≤ Fαc y como región de rechazo
F > Fαc (ver figura
siguiente)
F( I −1,n − I )
sê2 , sˆR2 Fαc

2. Calcular y su cociente. Si
sê2
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,
sê2 / 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
UNAN-Managua
Facultad de Ciencias de la Educación e Idiomas
RELACION AFECTIVA Y SOCIAL DEL ESTUDIANTE EN EL AULA DE CLASES
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.
EL PROFESOR DE ESTA ASIGNATURA:
1) Sabe el nombre de los estudiantes que cursan su asignatura.
( ) Totalmente de acuerdo ( ) En desacuerdo

( ) De acuerdo ( ) 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
4) En ocasiones, en la clase hace uso del sentido del humor.

5) Es irónico, grosero y no le importa herir el sentimiento de sus alumnos.

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.

8) Emite elogios ante un trabajo bien hecho.

9) Genera en nosotros una sensación de ansiedad y miedo a fracasar en 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.

13) Alienta, anima las iniciativas provenientes de los alumnos.

14) Retoma ideas sugeridas por nosotros.

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.

17) Ha contribuido el profesor para que me sienta un estudiante inútil e incapaz en su

asignatura.

27
UNAN-Managua
Facultad de Ciencias de la Educación e Idiomas
AUTO VALORACION SOBRE LA RELACION AFECTIVA-SOCIAL

ENTRE EL DOCENTE EN EL AULA.
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 ( )
II Estimado docente, el objetivo de esta encuesta es determinar el comportamiento del

alumno(a) en la asignatura con su RELACION DOCENTE-ALUMNO en el aula de clase, sé lo
más sincero en tus valoraciones, las cuales serán de incalculable valor en este trabajo
investigativo. 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 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.
CON RELACION A MIS ESTUDIANTES:
1) Conozco el nombre de todos mis alumnos, en los diferentes grupos.

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.

5) Soy irónico, sarcástico, no me importa herir el sentimiento de mis alumnos.

6) En el trato con mis alumnos me comporto de manera imparcial, independientemente del

género, raza, religión u ocupación política que tenga.

7) Considero y lo hago evidente que cada uno de mis alumnos tienen la suficiente capacidad
para dominar la asignatura que imparto.

8) Emito elogios ante un trabajo bien hecho.

9) Genero en mis alumnos una sensación de ansiedad y miedo a fracasar en mi asignatura.

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.

13) Aliento y animo las iniciativas provenientes de los alumnos.

14) Retomo ideas sugeridas por mis alumnos.

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.

17) He hecho que mis alumnos se sientan inútiles e incapaces en mi asignatura.

30
Bibliografía
• Metodología de la Investigación. Roberto Hernández Sampieri. Mc Graw Hill. México

1996.
• Estadística Modelos y Métodos. Daniel Peña Sánchez de Rivera. Segunda edición.

Alianza Universidad Textos. Madrid 2000.
• Estadística Elemental. Robert Jonson. Grupo editorial Iberoamérica. México 1991.
• 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.
• Documentos de estadística Inferencial obtenidos en la carrera de matemática educativa

2007 I Semestre (Asignatura impartida por Msc. Pablo Morales).
• Relación afectiva y social de un docente de matemática en el aula de clase. Fernando

López Sánchez. UNAN-Managua. Diciembre 1999.
31

Protocolo

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Protocolo

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Nacional Autónoma de Nicaragua

Relación afectiva y social entre el docente de matemática y los

Presentado por los: Br. Daniel Herradora

Docente: Msc. Julio César Sánchez Aguilar

Contenidos: Número de páginas:

 Marco teórico 6-22

El bajo rendimiento académico en muchos casos, se atribuye a problemas de

Las causas también son atribuidas al alumno: falta de experiencia e interés,

Tomando en cuenta que la mejor manera de establecer una comunicación amena y

• Investigar si la relación afectiva y social establecida por un docente de

1. Reconstruir los instrumentos adaptados por Fernando Sánchez L. en su tesis

2. Analizar los datos que se recolecten mediante la encuesta de la monografía

3. Emplear algunas técnicas de análisis de datos (estadística inferencial) al

¿Por qué los estudiantes en su mayoría rechazan la signatura de Matemáticas con

Pero en nuestro país ya existen, trabajos realizados, el primero de ellos realizado

Y el segundo en Diciembre de 1999, por el bachiller Fernando Antonio Sánchez

La importancia que se puede destacar es que si los resultados al aplicar los

En la investigación del comportamiento disponemos de diversos tipos de

DIRECCION DE LAS AFIRMACIONES

Algo indispensable es que el número de categorías de respuesta debe ser el mismo

Si la afirmación es positiva significará que califica favorablemente al objetivo de

(5) Muy acuerdo

(1) Totalmente de acuerdo

FORMA DE OBTENER LAS PUNTUACIONES

Una puntuación se considera alta o baja según el número de ítems o afirmaciones.

La escala Likert es en estricto sentido, una medición ordinal, sin embargo, es

Utilidad de la estadística inferencial.

Frecuentemente, el propósito de la investigación va más allá de las distribuciones de las

La estadística inferencial puede ser utilizada dos procedimientos:

Una hipótesis en un contexto de la estadística inferencial es una proposición respecto a uno o

CONCEPTO DE CURVA O DISTRIBUCIÓN NORMAL

La probabilidad de que un evento ocurra oscila entre 0 y 1, donde 0 significa la imposibilidad de

Relación de la distribución muestral y el nivel de significancia.

El nivel de significancia se expresa en término se probabilidad (.05 y .01) y la distribución

Errores al realizar estadística inferencial (Errores tipos I y II).

Error Dedición correcta

Error Error tipo I Error tipo II

Formulario de estadística inferencial

Estimadores y Estadísticos usuales para una muestra de tamaño n

Intervalo de Confianza del 100*(1-α) % para la media poblacional μ

▪ Los valores t de la t-Student con γ=n–1 grados de libertad y Z de la distribución Normal.

▪ Simetría de las distribuciones Normal y t–Student: t(α) = –t(1–α) y Z(α) = –Z(1–α)

Contrastes de Hipótesis al nivel de significatividad α.

0 t(α) -t(α/2) 0 t(α/2) -t(α) 0

▪ t = ( X − µ0 ) / SE ( X ) es el estadístico de prueba, γ =n–1 son los grados de libertad (g.l).

Intervalo de Confianza del 100*(1-α) % para la diferencia de medias μX–μY

Pruebas de Hipótesis para la comparación de medias

Para realizar análisis paramétricos debe partirse de los siguientes supuestos:

Métodos o pruebas estadísticas paramétricas más utilizadas.

Las pruebas estadísticas paramétricas más utilizadas son:

Hipótesis a probar: Correlaciones y causales.

Nivel de medición de las variables: Itervalos o razón.

Procedimiento e interpretación: La regresión lineal se determina en base al diagrama de

Correlación positiva muy fuerte: La tendencia es ascendente, altas puntuaciones en X, altas

Regresión lineal simple

Diferenciando SSE con respecto a a y b, se tiene:

Estimación de los coeficientes de regresión

Hipótesis a probar: De diferencia entre más de dos grupos. La hipótesis de investigación

Variable involucrada: Una variable dependiente y una independiente.

Nivel de medición de las variables: La variable independiente es categórica y la dependiente es

Interpretación: El análisis de varianza unidireccional produce un valor conocido como “F” o

Tabla de ANOVA (Analisys of variance) y el contrate de la F

El contrate básico del análisis de la varianza utiliza la descomposición de la variabilidad total en

Fuentes Suma de Grados Varianzas Razón “F” Significancia