EL NIVEL DE INGLÉS DESPUÉS

DE CURSAR LA EDUCACIÓN
SUPERIOR EN COLOMBIA:
UNA COMPARACIÓN DE
DISTRIBUCIONES
Julio César Alonso*
Juan David Martin**
Beatriz Gallo***

E l dominio de una segunda lengua ha pasado de ser una cualidad

deseable a una necesidad para mantener la competitividad. Desde
hace más de treinta años se han diseñado políticas para fortalecer
la enseñanza del idioma inglés en el país. En 1982 el Ministerio de
Educación Nacional (MEN), con apoyo del Consejo Británico y del
Centro Colombo Americano, creó el programa The English Syllabus
para enseñanza secundaria. A este le siguió el Colombian Framework
for English (COFE), para mejorar la capacitación de los profesores de
inglés. En 1994 la Ley General de Educación incluyó una lengua
extranjera como materia obligatoria en educación primaria, pero solo
en 1999 el MEN propuso los lineamientos curriculares (Usma, 2009).
Hoy el MEN lidera el Programa de Fortalecimiento al Desarrollo
de Competencias en Lenguas Extranjeras (PFDCLE), cuyo objetivo es
formar “ciudadanos y ciudadanas capaces de comunicarse en inglés,
con estándares internacionalmente comparables, que inserten al país
en los procesos de comunicación universal, en la economía global y
en la apertura cultural”. Para ellos se establecieron los estándares de
competencia en inglés como lengua extranjera (MEN, 2006) acordes
con los estándares del Marco Común Europeo de Referencia para
las Lenguas (MCERL), que se emplearon para alinear los exámenes
* Doctor en Economía, director del Cienfi, Universidad ICESI, Cali, Colombia,
[jcalonso@icesi.edu.co].
** Economista, asistente de investigación del Cienfi, Universidad ICESI, Cali,
Colombia, [juandavid.de@hotmail.com].
*** Magíster en Economía, investigadora del Cienfi, Universidad ICESI, Cali,
Colombia, [begallo@icesi.edu.co]. Fecha de recepción: 4 de abril de 2014, fecha
de modificación: 5 de septiembre de 2014, fecha de aceptación: 29 de octubre
2015. Sugerencia de citación: Alfonso, J. C.; J. D. Martin y B. Gallo. “El nivel
de inglés después de cursar la educación superior en Colombia: una comparación
de distribuciones”, Revista de Economía Institucional 17, 33, 2015, pp. 275-298.
DOI: http://dx.doi.org/10.18601/01245996.v17n33.12

R  E I, . , .º ,  /, . -
276 Julio César Alonso, Juan David Martin y Beatriz Gallo

de inglés realizados por el Icfes. Además, se trazaron diversas estra-

tegias para mejorar la preparación de los docentes del sector oficial y
fortalecer los programas de licenciatura en inglés.
El gobierno fija las metas del nivel de dominio que deben alcan-
zar los estudiantes al finalizar cada ciclo: al terminar la secundaria
deben alcanzar el nivel de usuario independiente de umbral (grado
B1 del MCERL); al terminar la educación profesional, el de dominio
operativo eficaz (grado C1) si se licencian en idiomas, y el de usuario
independiente avanzado (grado B2) para otras carreras (MEN, 2004). El
PFDCLE ha recibido diversas críticas. Entre ellas que los profesores de
inglés fueron excluidos de su formulación y que no está bien adaptado
al contexto colombiano, como es el caso de los estándares que fijó el
MCERL. Según Sánchez y Obando (2008), las políticas son creadas
con un esquema piramidal, en el que solo unos pocos saben lo que se
debe hacer y por qué, y los profesores de los colegios prácticamente
no han participado en la formulación de los estándares. Crítica que
comparten Shohamy (2009), Cárdenas (2006) y Usma (2009).
En cuanto a si el PFDCLE se adapta o no al contexto colombiano,
Cárdenas argumenta que el sistema educativo y las características
socioculturales, políticas y económicas del país no se reflejan en la
clasificación del MCERL. Usma advierte que el problema no es la
adopción de estándares extranjeros, sino las condiciones de aprendizaje
y enseñanza que el gobierno parece ignorar. Y señala que aunque el
PFDCLE y la reforma lingüística y educativa que lo acompañan ofre-
cen oportunidades para algunos grupos, generan inequidad, exclusión
y estratificación. Para Shohamy, el PFDCLE es resultado de planes
económicos y políticos ambiciosos, pero que dejan de lado aspectos
educativos que afectan su factibilidad; y cuestiona la pertinencia de una
política de bilingüismo para todos los estudiantes, en especial, para los
indígenas, que además de su lengua deben dominar el español. Por su
parte, García y García (2012) sostienen que el bilingüismo castellano-
inglés interfiere el conocimiento de las lenguas minoritarias.
A pesar de estas críticas, pocos estudios se ocupan del dominio
del idioma inglés, en particular desde el punto de vista cuantitativo;
y se centran en el Valle del Cauca y la Costa Caribe. Alonso, Gallo y
Torres (2012) describen la situación del bilingüismo en los municipios
del Valle del Cauca, comparan la situación del departamento con la
de otros departamentos; y encuentran que muy pocas personas dicen
hablar inglés (el 3,85% de la población colombiana) y que hay grandes
disparidades entre algunos departamentos, así como diferencias entre
géneros, situación laboral y grupos de edad. Para tener una medida

R  E I, . , .º ,  /, . -
E           C... 277

objetiva del nivel de dominio del inglés, Alonso, Casasbuenas et al.

(2012) también analizan datos de las pruebas Saber 11 y Saber Pro.
Encontraron que en Barranquilla, Bogotá, Cali y Medellín las personas
de 18 a 20 años de edad, los hombres, quienes estudian en jornada
completa o en la mañana y quienes pagan una pensión superior a
0,49 SMMLV tienden a clasificarse como “usuario independiente de
umbral” (B1) o en niveles superiores (B+, en la clasificación del Icfes).
Por su parte, Sánchez (2012) utiliza los resultados de la prueba
Saber 11 de inglés para explicar por qué el desempeño de los estu-
diantes bilingües de la costa Caribe colombiana es superior al de los
estudiantes de otras regiones, aunque el desempeño de los bachilleres
colombianos en esa prueba no es satisfactorio. De acuerdo con este
autor, los estudiantes con mejor desempeño tienen características
socioeconómicas más favorables, son costeños y egresan de colegios
bilingües. Más recientemente, el mismo autor hizo un análisis des-
criptivo del bilingüismo en Colombia (Sánchez, 2013) y encontró
que la mayoría de los estudiantes y los profesores se clasifican en
los niveles más bajos. Además, que el desempeño de quienes hacen
exámenes internacionales de competencias en inglés es también muy
bajo, frente a los resultados de personas de otros países.
Hasta donde sabemos, en Colombia aún no se han examinado el
efecto de la educación superior en el dominio del inglés, y en particular
no se ha evaluado si la educación mejora ese dominio. En este artículo
se examinan los cambios en la distribución de los resultados de una
prueba estandarizada que se aplica a los estudiantes que han cursado
educación superior. En particular, analiza los posibles cambios en la
forma de la distribución del nivel de competencias luego de graduar-
se, e identifica los grupos de población con menores competencias.
Para ello, se emplea el nivel en el que se clasifica el estudiante en el
módulo de inglés de las pruebas que se hacen al terminar secundaria
(Saber 11) y al terminar la educación superior en sus niveles técnico,
tecnológico y profesional (Saber Pro).
Para comparar el comportamiento de una población antes y des-
pués de una intervención, o dos poblaciones, se suelen usar estadís-
ticas descriptivas como la media, antes y después del tratamiento, o
modelos de regresión del comportamiento promedio condicionado. A
veces el análisis se complementa usando otras medidas de tendencia
central, como la mediana, y de dispersión, como la varianza1. Pero
una estadística descriptiva como la media oculta mucha información
1
Los textos de estadística aplicada en general incluyen uno o varios capítulos
sobre estas herramientas estadísticas; ver Lind et al. (2011), Pfenning(2010) y
Hanneman et al. (2012).

R  E I, . , .º ,  /, . -
278 Julio César Alonso, Juan David Martin y Beatriz Gallo

sobre el comportamiento de una población; por ello nos centramos

en el comportamiento de la distribución y no en momentos centrales
de la distribución.
La metodología que empleamos se basa en el concepto de dis-
tribución relativa de Handcock y Morris (1999), quienes proponen
comparar directamente las distribuciones de dos poblaciones, en vez
de usar únicamente medidas de tendencia central. Esa herramienta
estadística ayuda a representar en forma integral las diferencias entre
las distribuciones y hace posible analizar las diferencias en su com-
posición en todo momento.

Cuadro 1
Clasificación del componente de inglés de las pruebas Saber 11 y Saber Pro
Puntaje en Puntaje en
Nivel Capacidades Saber 11 Saber Pro
(Y0) (Y)
A- 0 ≤ Y0 < 43 0 ≤ Y ≤ 9.4
Comprender y utilizar expresiones cotidianas de uso fre-
cuente, con frases sencillas; que pueda presentarse a sí mis-
A1 mo y a otros; dar y pedir información personal; relacionarse 43 ≤ Y0 < 53 9.5 ≤ Y ≤ 10
en forma elemental cuando la comunicación es lenta y se
habla claramente.
Comprender frases de uso frecuente relacionadas con áreas
de experiencia relevantes; comunicarse para llevar a cabo
10.1 ≤ Y ≤
A2 tareas simples y cotidianas con intercambios sencillos y di- 53 ≤ Y0 < 63
10.5
rectos de información sobre cuestiones habituales o de su
pasado y su entorno.
Comprender los puntos principales de textos claros y en
lengua estándar sobre temas conocidos; desenvolverse en
situaciones de viaje donde se utilice la lengua; ser capaz 10.6 ≤ Y ≤
B1 63 ≤ Y0 < 83
de producir textos sencillos y coherentes sobre temas fa- 11.9
miliares; describir experiencias, acontecimientos y deseos;
justificar su opinión o explicar sus planes.
Entender las ideas principales de textos complejos sobre
temas concretos o abstractos, aun si son técnicos, siempre
que estén dentro de su especialización; relacionarse con
B+ hablantes nativos de manera fluida y natural, sin mayores Y0 ≥ 83 12 ≤ Y ≤ 15
esfuerzos de alguna de las partes; producir textos claros y
detallados sobre temas diversos y defender su punto de vis-
ta identificando pros y contras.
Fuente: Icfes (2012), elaboración propia.

Handcock et al. (1997) usan este método para analizar la desigualdad

económica, y Hermeto y Rangel (2009) para estudiar la distribución
relativa de los salarios. Otros autores usan distribuciones relativas en
trabajos sobre la educación2. En este artículo se usan para comparar la
distribución de la clasificación en el dominio de inglés antes y después
2
Ver Badr et al. (2012), Guimarães et al. (2013), Penner (2008) y Sousa et
al (2014).

R  E I, . , .º ,  /, . -
E           C... 279

de cursar educación superior. El Icfes administra las pruebas Saber 11

y Saber Pro que contienen pruebas de inglés acordes con los estándares
del MCERL. Estas dos pruebas permiten clasificar a los examinados
en diferentes niveles de dominio del idioma como indica el cuadro 1.
En la siguiente sección se describe la metodología, y después la
naturaleza y las bondades de los datos. Luego se presentan los resulta-
dos para la muestra total, el tipo de institución (IES) y el sector al que
esta pertenece (oficial o privado). Al final se comentan los resultados
y se hacen algunas recomendaciones de política.

METODOLOGÍA: LA DISTRIBUCIÓN RELATIVA

Las medidas de tendencia central que se usan para detectar cambios

en la población ocultan información relevante para ciertos análisis.
En particular, no permiten saber si la diferencia entre dos poblacio-
nes se debe a desplazamientos hacia la cola superior o inferior de la
distribución. Para resolver este inconveniente, Handcock y Morris
proponen comparar directamente las distribuciones en vez de emplear
únicamente medidas de tendencia central, un método que llaman
distribución relativa (DR) y que es adecuado para analizar cambios
en la distribución de variables en ciencias sociales. Este método se
emplea para representar en forma integral las diferencias entre dos
distribuciones; compara el comportamiento de ambas distribuciones
en sus extremos y en su centro, y proporciona un marco que incluye
un componente gráfico que simplifica el análisis exploratorio de los
datos. Además, permite un nivel de desagregación que facilita el
análisis de las características de las distribuciones.
Handcock et al. usan la DR de los salarios por hora de los hombres
estadounidenses entre 16 y 66 años para mostrar en forma gráfica
y analítica la creciente polarización de estos salarios entre 1975 y
1993. Descomponen la distribución relativa entre trabajadores de
medio tiempo y de tiempo completo, y encuentran que este cambio
en la composición solo explica una pequeña parte de la polarización.
Hermeto y Rangel la emplean para analizar y descomponer los cam-
bios en la distribución relativa del ingreso en Brasil entre hombres
y mujeres por cohortes, entre 1981 y 2005. El análisis por grupos de
edad indica que en las cohortes más recientes la brecha de salarios es
menor entre hombres y mujeres.
Penner (2008) fue el primero que aplicó este método al sector
educativo, para comparar las distribuciones del desempeño en mate-
máticas entre hombres y mujeres de todo el mundo. Penner destaca la
utilidad de las distribuciones relativas para entender el comportamien-
R  E I, . , .º ,  /, . -
280 Julio César Alonso, Juan David Martin y Beatriz Gallo

to en los extremos de la distribución del desempeño en matemáticas.

Encuentra que los hombres se desempeñan mejor que las mujeres en
la cola superior, pero tienen peores puntajes que las mujeres en la cola
inferior. Badr et al. (2012) emplean el método para comparar el puntaje
de hombres y mujeres en la prueba de matemáticas TIMSS 2007, en
países del Medio Oriente y el Norte de África. Encuentran que las
diferencias entre hombres y mujeres varían y que, en la mayoría de los
países, las brechas se encuentran en los extremos de la distribución y
no en el centro. Guimarães et al. (2013) usan las DR para determinar
si la reducción del puntaje promedio en matemáticas de los niños de
cuarto grado en Brasil entre 1997 y 2005 se debe a un cambio en la
cola superior o inferior de la distribución. Y encuentran que toda la
distribución se desplazó a la izquierda en el periodo. Por último, Sousa
et al. (2014) usan las DR para comparar la distribución del ingreso y
los años de educación en Portugal entre 1985 y 1991. Encuentran que
en ese periodo aumentó la desigualdad en ingresos y en educación.
La DR es en esencia la serie de cuantiles que resulta de asignar a la
distribución de probabilidad de referencia el nivel que toma la varia-
ble de estudio en la población (comparación). Es decir, representa la
proporción de individuos de la población de comparación asociada a
un nivel dado de la variable de estudio, en el caso hipotético de que
esos individuos se comporten conforme a la distribución de referencia.
En suma, la DR es la probabilidad de encontrar un individuo, perte-
neciente a una población de comparación, dentro de la población de
referencia. En lo que resta de la sección se discute el método de DR
en términos formales.

LA FUNCIÓN DE DENSIDAD RELATIVA

Siguiendo a Handcock y Morris, sea Y0 una variable aleatoria generada

por la distribución de referencia, con una función de probabilidad
acumulada F0(Y) y una función de densidad f0(y); F0(Y) y f0(y) son las
funciones de referencia de probabilidad acumulada y de densidad.
Además, sea Y la misma variable aleatoria, pero generada por otro
proceso generador de datos, cuyas funciones de probabilidad acu-
mulada y de densidad se denotan como F(Y) y f(y), y corresponden a
las funciones de comparación de probabilidad acumulada y densidad,
respectivamente.
El objetivo del método de DR es determinar si ambas distribu-
ciones de probabilidad acumulada son estadísticamente iguales o no.
Es decir, si el comportamiento de F(Y) es suficientemente parecido
al de F0(Y) para afirmar que en ambos casos la variable Y es generada
R  E I, . , .º ,  /, . -
densidad se denotan como F(Y) y f(y), y corresponden a las funciones de comparación
de probabilidad acumulada y densidad, respectivamente.
El objetivo del método de DR es determinar si ambas distribuciones de
probabilidad acumulada son estadísticamente iguales o no. Es decir, si el
comportamiento
E de F(Y)es
    suficientemente de F0(Y) para afirmar
parecidoalC...
   281 que en
ambos casos la variable Y es generada por la misma distribución; y por tanto, que
ambas
por tienen eldistribución;
la misma mismo comportamiento.
y por tanto,Es decir,
que ambasque tienen
corresponden a la misma
el mismo
población. La distribución
comportamiento. Es decir, relativa
que de Y con respecto
corresponden a Ymisma
a la 0 se define como la variable
población.
aleatoria:
La distribución relativa de Y con respecto a Y0 se define como la va-
riable aleatoria:
R = F0(Y) (1)
R = F0(Y) (1)
Handcock yy Morris
Handcock Morrisdemuestran
demuestranque queR Resescontinua
continuaenenelel espacio
espacio[0,1] , con
[0,1],
una
distribución de probabilidad acumulada G(r), definida así:
con una distribución de probabilidad acumulada G(r), definida así:
𝐺𝐺 𝑟𝑟 = 𝐹𝐹 𝐹𝐹!!! 𝑟𝑟 = 𝐹𝐹 𝑄𝑄! 𝑟𝑟 , 0 ≤ 𝑟𝑟 ≤ 1 (2) (2)

donde Q0 es la función cuantil de F0 y r representa la realización de

donde Q0 es lapalabras,
R. En otras
función la cuantil de F0 y r relativa
distribución representa
es lala realización
probabilidadde Rde
. En otras
encontrar un individuo de una población de comparación con ciertas de una
palabras, la distribución relativa es la probabilidad de encontrar un individuo
población de comparación
características con ciertas
(Y) en una población características
de referencia en función
(F0).(Y)Y la una población
de de
referencia (relativa
densidad F0). Y la (función
FDR) esdeladensidad
funciónrelativa (FDR) es
de densidad delaR,g(r)
función de densidad de
, definida
R,g(r) , definida como
como la derivada de G(r): la derivada de G(r) :
! !!
𝑔𝑔 𝑟𝑟 = , 𝑦𝑦! ≡ 𝑄𝑄! 𝑟𝑟 ≥ 0 (3) (3)
!! !!

La FDR se puede interpretar como una razón de densidad, es decir,

La FDR se puede interpretar como una razón de densidad, es decir, como la razón de
como la razón de probabilidades entre la población de comparación
probabilidades entre la población de comparación y la población de referencia
y la población de referencia asociada a un cierto nivel de la variable
asociada a un cierto nivel de la variable de estudio. Pero, a diferencia de una razón de
de estudio. Pero, a diferencia de una razón de probabilidades común,
probabilidades común, g(r) tiene la propiedad básica de una función de densidad: su
g(r) tiene la propiedad básica de una función de densidad: su integral
integral en todo el espacio de r es 1.
en todo el espacio de r es 1.
La formalización anterior corresponde al caso en que la variable aleatoria
La formalización anterior corresponde al caso en que la variable
en estudio es continua. Pero se puede extender fácilmente al caso de variables
aleatoria en estudio es continua. Pero se puede extender fácilmente
discretas (como es nuestro caso). Handcock y Morris demuestran que, al hacer
al caso de variables discretas (como es nuestro caso). Handcock y
cualquier transformación aleatoria de la distribución discreta, los resultados se
Morris demuestran que, al hacer cualquier transformación aleatoria
mantienen.
de De mododiscreta,
la distribución que la distribución relativase
los resultados discreta será continua
mantienen. De modo a pesar de que
mantienen.
las
que De modo
distribuciones
la distribución que la distribución
que relativa
la conforman relativa
sean será
mantienen.
discreta discretas.
De modo discreta
que laaserá
continua continua
distribución
pesar de que a pesar
relativa de que será c
las discreta
las distribuciones
distribucionesSan Y0queyquelalaconforman
conforman
Y variables las sean
aleatorias discretas.
discretas
distribuciones
sean queque provienen de
la conforman
discretas. lasdiscretas.
sean poblaciones de
referencia San
y deY 0 y Y variablesrespectivamente,
comparación aleatorias
San Y0 Y variables aleatorias discretas discretas
con
San Y0 que que
unprovienen
número
provienen
y Y variables de las
finito depoblaciones de
realizaciones
de las discretas
aleatorias pobla- que provienen
referencia
N definidas
ciones y de comparación
en el conjunto
de referencia respectivamente,
!!! Y, además,
!
y de comparación
𝑦𝑦!referencia con un número
y respectivamente, finito de realizaciones
con un númerocon un número
de comparación respectivamente,
N definidas
finito en el conjuntoN 𝑦𝑦definidas
de realizaciones
!
!N!!! Y, además,
enenelelconjunto
definidas Y, además,
conjunto 𝑦𝑦! !!!! Y, además,
𝑝𝑝!! = 𝑃𝑃 𝑌𝑌! = 𝑦𝑦!  y  𝑝𝑝! = 𝑃𝑃 𝑌𝑌 = 𝑦𝑦! , 𝑖𝑖 = 1,2, … , 𝑁𝑁
𝑝𝑝!! = 𝑃𝑃 𝑌𝑌! = 𝑦𝑦!  y  𝑝𝑝! = 𝑃𝑃 𝑌𝑌 = 𝑦𝑦! 𝑝𝑝, 𝑖𝑖 ==1,2,
𝑃𝑃 𝑌𝑌… , 𝑁𝑁
!! ! = 𝑦𝑦!  y  𝑝𝑝! = 𝑃𝑃 𝑌𝑌 = 𝑦𝑦! , 𝑖𝑖 = 1,2, … , 𝑁𝑁
son las funciones de densidad discretas correspondientes. Se tiene entonces que la
son
son las funcionesdededensidad
las funciones densidad discretas
discretas correspondientes.
correspondientes. Se Seentonces
tiene tiene que la
función de probabilidad acumulada
son lasdefunciones
Y0 es: de densidaddediscretas correspondientes. Se
entonces que la función de probabilidad
función de probabilidad acumulada acumulada Y0 es:
funcióndedeY0probabilidad
es: acumulada de Y0 es:
𝐹𝐹! 𝑦𝑦 = 𝑃𝑃 𝑌𝑌! = 𝑦𝑦! , 𝑦𝑦 ∈ ℝ
𝐹𝐹! 𝑦𝑦 = !:!! !! 𝑃𝑃 𝑌𝑌! = 𝑦𝑦! , 𝑦𝑦 ∈ ℝ 𝐹𝐹 𝑦𝑦 = 𝑃𝑃 𝑌𝑌! = 𝑦𝑦! , 𝑦𝑦 ∈ ℝ
!
!:!! !!
!:!! !!
Dado que F0(Y) no necesariamente es continua, para obtener una transformación,
Dado
como la
Rque
de (Y) no
F0(1),
Eque necesariamente
produzca
Dado
I,una es
que
. , continua,
escala
F 0(Y)
.º adecuada
,no para/,
 deobtener una
comparación,
necesariamente transformación,
Handcock
es.continua,
- para yobtene
como lamodifican
Morris de (1), que produzca
la función comounala escala
discreta (1),adecuada
empleando
de que la de comparación,
distribución
produzca uniforme.
una escala Handcock y com
Así, los
adecuada de
Morris
“huecos”modifican
entre los la función
posibles discreta
valores de empleando
la distribución la distribución
se “llenan” uniforme.
con la Así, los
distribución
Morris modifican la función discreta empleando la distribuc
“huecos”
uniforme,entre
cuyoslosvalores
posiblessevalores de entre
integran
“huecos” ala 1distribución
en se valores
los elposibles “llenan”
intervalo antesdecon la distribución
vacío. La versión
la distribución se “llena
uniforme, cuyos valores se integran a 1 en el intervalo antes vacío. La !versión
 son
son las
son las funciones
las sonde
funciones
funciones de
delasdensidad
densidad
densidad discretas
funcionesdiscretas
discretas
de densidad correspondientes.
correspondientes.
correspondientes. Se
Se tiene
Se tiene entonces
tiene entonces
entonces
discretas correspondientes. que
que la
que
Se tienelalaentonces
son las
función funciones
de de
probabilidad densidad discretas
acumulada de Y correspondientes.
00 es: Se tiene entonces que la
función
función dede probabilidad
probabilidad
función deacumulada
acumulada de 0 es:
de YY0acumulada
probabilidad es: de Y0 es:
entes. Se tienefunción
entoncesde que
probabilidad
la acumulada de YY00 es:
𝐹𝐹
𝐹𝐹𝐹𝐹!!!! 𝑦𝑦
𝑦𝑦𝑦𝑦 =
= 𝑃𝑃
𝑃𝑃𝑃𝑃 𝑌𝑌
𝑌𝑌𝑌𝑌!!!𝐹𝐹=
= 𝑦𝑦 , 𝑦𝑦 ∈ ℝ
= =𝑦𝑦𝑦𝑦𝑦𝑦!! =,,𝑦𝑦𝑦𝑦 ∈∈ ℝ
ℝ𝑃𝑃 𝑌𝑌! = Julio
𝑦𝑦! , 𝑦𝑦César
∈ ℝ Alonso, Juan David Martin y Beatriz Gallo
282
𝐹𝐹!! 𝑦𝑦𝑦𝑦
𝐹𝐹 = !:!
= !:! !! !!
!!
𝑃𝑃 𝑌𝑌
𝑃𝑃 𝑌𝑌!!!!= = 𝑦𝑦𝑦𝑦!!!! ,, 𝑦𝑦𝑦𝑦 ∈
∈ℝ ℝ
!:! !!
!:!! ! !! !:!! !!
!:!!!!!
!:! !!

Dado
DadoDado
Dado que
queque
que FFF0000(Y) Fno (Y) necesariamente
no noquenecesariamente
0no necesariamente
(Y)Dado
(Y) necesariamente es
es continua,
es es continua,
continua,
continua,
F0(Y) no necesariamente
para
para
para obtener
obtener
obtener
es continua, una
para obtenerparatransformación,
una
una una una transform
transformación,
transformación,
obtener
Dado
como quedeFF00(1),
la
transformación, (Y) no
(Y) que
comonecesariamente
produzca
la de una
(1), es continua,
escala
que adecuada
produzca paraunadeobtener una
comparación,
escala transformación,
adecuada Handcock yyy Handc
como
como la la dede (1), (1),comoque
que la produzca
de (1), una
produzca que escala
una escala adecuada
produzca adecuada
una escala de
de comparación,
adecuada de Handcock
comparación, Handcock
comparación,
como
ra obtener unade la de
transformación,
Morris modifican
comparación, (1), que
la produzca
función
Handcock una
discreta
y escala
Morris adecuada
empleando
modifican la de comparación,
distribución
la función uniforme.Handcock
discreta Así, los y
Morris
Morris modifican
modifican Morrislala función
función
modifican discreta
discreta empleando
empleando
la función discreta lala distribución
distribución
empleando la uniforme.
uniforme.
distribución Así, los
Así, uniforme.
los A
Morris
a de comparación,
empleando modifican
Handcock
“huecos” entre la y
los la función
posibles
distribución discreta
valores
uniforme.de empleando
la distribución
Así, los la distribución
se
“huecos” “llenan”
entre uniforme.
con
los la Así, los
distribución
posi-
“huecos” entre
“huecos” entre “huecos” los posibles
los posibles valores
entrevalores de la distribución
de la distribución
los posibles se “llenan”
valores de lase distribución con la distribución
“llenan” consela“llenan”
distribución con la distrib
“huecos”
distribución uniforme.
bles entre
Así,
valores de los
los posiblessevalores
lavalores
distribución se de ala 1distribución
“llenan” con se “llenan” con la distribución
uniforme,
uniforme,
uniforme, cuyos
cuyos
cuyos valores
valores
uniforme, se
se integran
integran
cuyosintegran
valoresaa 1se
1 en
en
en elellaintervalo
el
integran distribución
intervalo
intervalo
a 1 enantes
antes
antes
el uniforme,
vacío.
vacío.
vacío.
intervalo La
La
Laantes versión
versión
versión vacío. La v
uniforme,
n se “llenan” con
continua decuyos
la distribución
cuyos valores la se valores
integran
función se aintegran
acumulada 1 endeelaprobabilidad
1 en el intervalo
intervalo antes antes
vacío.
discreta de La vacío.
versión
referencia, La𝐹𝐹 !!!!versión
𝑦𝑦 ,,, se
continua
continua de
de lala continua
función
función acumulada
acumulada
de la de
funciónde probabilidad
probabilidad
acumulada dediscreta
discreta de
de
probabilidad referencia,
referencia,
discreta ! 𝑦𝑦 , se
𝐹𝐹𝐹𝐹!!!de 𝑦𝑦
𝑦𝑦 se
referencia, 𝐹𝐹!!
continua
tervalo antes vacío.
define La
continuacomo:de
versiónla
de ladefine función
función acumulada de probabilidad discreta
acumulada de probabilidad discreta de refe- de referencia, 𝐹𝐹
𝐹𝐹 !
!
!
𝑦𝑦 se
define
define como:
como: como: !
define como:
discreta de referencia,
rencia, 𝐹𝐹!! 𝑦𝑦 , se se define como:
!
=
= 𝐹𝐹
𝐹𝐹𝐹𝐹!!!!!!!! 𝑦𝑦
𝑈𝑈 𝐹𝐹 𝑦𝑦!!! !,, 𝐹𝐹
!
𝑦𝑦𝑦𝑦 𝑦𝑦!!  con  𝑦𝑦 < 𝑦𝑦 ≤ 𝑦𝑦  ,  , 𝑖𝑖𝑖𝑖 = 1,2, … , 𝑁𝑁
= 𝑈𝑈𝑈𝑈 𝐹𝐹𝐹𝐹!!!! 𝑦𝑦𝑦𝑦!!! 𝐹𝐹! ,𝐹𝐹𝐹𝐹
!!! 𝑦𝑦!! 𝑦𝑦= 𝑦𝑦 𝑈𝑈  con  𝑦𝑦 !!! <
𝐹𝐹! 𝑦𝑦!!!
 con  𝑦𝑦!!! ,<𝐹𝐹𝑦𝑦
!𝑦𝑦 ≤
𝑦𝑦≤ 𝑦𝑦𝑦𝑦!!  con  𝑦𝑦
 , 𝑖𝑖 == 1,2, …
…,𝑦𝑦,𝑁𝑁𝑁𝑁≤ 𝑦𝑦!  , 𝑖𝑖 = 1,2, … , 𝑁𝑁
1,2,<
= 𝑈𝑈
= 𝐹𝐹
𝐹𝐹!! 𝑦𝑦𝑦𝑦
𝑈𝑈 𝐹𝐹
𝐹𝐹!! 𝑦𝑦𝑦𝑦!!! !!! 𝐹𝐹!!!! 𝑦𝑦𝑦𝑦!!!!  con  𝑦𝑦
!!! ,, 𝐹𝐹  con  𝑦𝑦 !!!
!!! <
!!!
< 𝑦𝑦𝑦𝑦 ≤≤! 𝑦𝑦𝑦𝑦!!!!  ,  , 𝑖𝑖𝑖𝑖 = !!!
= 1,2,
1,2, … ,, 𝑁𝑁
… 𝑁𝑁
donde
donde 𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦∈∈
donde
donde ∈ 𝑦𝑦 !! y 𝑈𝑈[𝑎𝑎, 𝑏𝑏] denotan
!
!
yyy 𝑈𝑈[𝑎𝑎,
donde denotan
∈ denotan
denotan una
una
una
una distribución
denotan unauniforme
distribución
𝑏𝑏]distribución
distribución uniforme
uniforme
uniforme en
en el
en
en el
el intervalo
intervaloen(a,b]
intervalo
inter-
eluniforme el.... intervalo
𝑦𝑦𝑦𝑦!! ! !!! 𝑈𝑈[𝑎𝑎,𝑦𝑦𝑏𝑏]𝑏𝑏] !!! y 𝑈𝑈[𝑎𝑎,
𝑦𝑦! ! distribución (a,b]
(a,b]
!!!
donde
Handcock !!! y 𝑈𝑈[𝑎𝑎,
∈ y𝑦𝑦𝑦𝑦!!!Morris
!!!!
!!!
! 𝑈𝑈[𝑎𝑎, 𝑏𝑏] denotan
demuestran que una distribución
es una extensión uniforme en
continua eldeintervalo y (a,b]
que
que la
𝑦𝑦 ∈ 𝑏𝑏] 𝐹𝐹 !
! 𝑦𝑦 F (Y) (a,b]
Handcock
valo
Handcock yy Morris
(a,b]. Handcock Morris
Handcock
!!!
demuestran
y Morris
demuestran y Morris que
que 𝐹𝐹𝐹𝐹!!!! 𝑦𝑦𝑦𝑦 es
demuestran
demuestran
!
es unaque
una extensión
que 𝐹𝐹!! 𝑦𝑦 es
extensión escontinua
unaextensión
continua
una de
extensión
de F yy que
continua
F000(Y)
0
(Y) lalade F0(Y) y
uniforme en elHandcock
intervalo
transformación y Morris(a,b] .
no demuestran
afecta las que 𝐹𝐹𝐹𝐹!!!!! 𝑦𝑦𝑦𝑦 de
propiedades es la
unadistribución
extensión continua
discreta. de
La F (Y) y que la
Fdistribución
00(Y)
transformación
continua
transformación no
no yafecta
de F0transformación
(Y) que la
afecta las propiedades
lastransformación
propiedades
no afecta las de la
la distribución
no afecta las
depropiedades
distribución discreta.
depropiedades
discreta.
la La
La distribución
distribución dediscreta. La distrib
distribución
transformación
ensión continuarelativa
dedistribucióny que lano
F0(Y)discreta se afecta las propiedades de la distribución discreta. La distribución
define
la
relativa discreta
relativa discreta
discretarelativa
se define se define así:
discreta.
así: se define así:
discreta La distribución relativa discreta se define así:
así:
bución discreta.relativa
La distribuciónse define así:
𝑅𝑅
𝑅𝑅𝑅𝑅= 𝐹𝐹 !! 𝑌𝑌 (4) (4)
= 𝐹𝐹𝐹𝐹!!!!!!!! 𝑌𝑌𝑌𝑌
= 𝑅𝑅 = 𝐹𝐹!! 𝑌𝑌 (4)
(4) (4)
𝑅𝑅 =
𝑅𝑅 = 𝐹𝐹
𝐹𝐹!! 𝑌𝑌 𝑌𝑌 (4)
(4)
En
En esta versión R mantiene las mismas propiedades que cuando se
En esta
En
emplean esta versión
esta EnR
versión
versión RResta
directamente
mantiene
mantiene
mantiene
versión las
las
variableslas mismas
mismas propiedades
mismas
mantiene
R continuas. propiedades
propiedades
las
Es mismas
decir,
que
que
que
R
cuando
cuando se
cuando
propiedades
es continua se emplean
seque
y emplean
emplean
cuando se em
En esta
directamente versión R
variables
R mantiene
continuas. lasEs mismas
decir, Rpropiedades
es continua que
y cuando
acotada en se
el emplean
intervalo
directamente
directamente
acotada en variables
variables
directamente
elvariables
intervalo continuas.
continuas. Es
Es
variables
[0,1]. De decir,
decir,
continuas.
R
R es
es continua
continua
Es decir, yy
R acotada
acotada
es en
en
continua el
el intervalo
intervalo
lasintervalo en el int
y acotada
directamente
dades que cuando
[0,1] ...seDe emplean
modo análogo continuas.
al caso Esmodo
continuo, análogo
decir,lasR funciones
R al caso
es continuade continuo,
yprobabilidad
acotada en acumulada,
el
[0,1]
[0,1]
funciones De
De modo
modo análogo
análogo
[0,1] . De
de probabilidad al
al
modocaso
caso continuo,
continuo,
análogo
acumulada, al las
las
caso
G(r)funciones
funciones
continuo, de
de
lasprobabilidad
, y de densidad,probabilidad
funciones acumulada,
deacumulada,
g(r), están probabilidad acum
[0,1]
ntinua y acotada en
[0,1]
G(r)
G(r)
G(r)
,,,.yyyDe
elde
de
de
modo
intervalo
densidad,
densidad,
análogo
densidad,
G(r) ,g(r)
y de
g(r)
g(r)
al caso
,,,están
están
están dadas
dadas
continuo,
dadas
densidad, por:
por:
por:
g(r) ,
las
están
funciones
dadas por:
de probabilidad acumulada,
dadas depor:
G(r), yacumulada,densidad, g(r) g(r), están dadas por:
nes de probabilidad
G(r)
!
𝐺𝐺
𝐺𝐺𝐺𝐺 𝑟𝑟𝑟𝑟𝑟𝑟 =
= 𝑟𝑟 − 𝐹𝐹 𝑥𝑥!!! !!!!!!! !     + 𝐹𝐹 𝑥𝑥𝑥𝑥!!! !! (5)
(5) (5)
= 𝑟𝑟𝑟𝑟− −𝐹𝐹𝐹𝐹!!!! 𝑥𝑥𝑥𝑥!!! 𝐺𝐺 𝑟𝑟 !!!!=
!!!
!!!  +
𝑟𝑟 𝐹𝐹
+ −𝐹𝐹 𝐹𝐹𝑥𝑥!!!
!!   + 𝐹𝐹 𝑥𝑥! !!!𝑥𝑥!!!
!!!   + 𝐹𝐹 𝑥𝑥!!! (5) (5)
𝐺𝐺 𝑟𝑟𝑟𝑟
𝐺𝐺 = 𝑟𝑟𝑟𝑟 −
= − 𝐹𝐹𝐹𝐹!! !!𝑥𝑥𝑥𝑥!! !!!
!!!
!!
!!!
!!   + 𝐹𝐹 𝑥𝑥 !!!
!! !!! (5)
(5)
𝑔𝑔𝑔𝑔 𝑟𝑟𝑟𝑟𝑟𝑟
𝑔𝑔 =
= 𝑔𝑔 𝑖𝑖 = !!! ! !!!!!! !!!!! (6)
(6)
= 𝑔𝑔𝑔𝑔 𝑖𝑖𝑖𝑖 =
=!!!!!! 𝑔𝑔 𝑟𝑟 = 𝑔𝑔 𝑖𝑖 = (6) (6)
𝑔𝑔 𝑟𝑟𝑟𝑟
𝑔𝑔 = 𝑔𝑔
= 𝑔𝑔 𝑖𝑖𝑖𝑖 = = !!!!!!!! !! !!! (6)
(6) (6)
!!!
!!!
Handcock
Handcock yyyy Morris
Handcock
Handcock yMorris
Morris
Morris aclaran
aclaran
Handcock y que
que g(i)
aclaran
aclaran que
Morris que
g(i)
g(i)
es
es discreta
es discreta
discreta
aclaran
g(i) pero
esquepero
pero que
discreta
que
que
g(i) es
se
se puede
pero
se que
puede
puede
discreta peroseguir
se
seguir
seguir interpretando
quepuede
interpretando
seinterpretando
puede seguir interpre
Handcock
como la FDR Morris
definidaaclaran
en que
(3). Una
g(i) es
g(i) vez discreta
se pero
construye que
una se puede
FDR se seguir
procede interpretando
aaa comparar
seguir
como lalainterpretando
como FDR definida
FDR definida
como la como
en
en (3).
FDR(3). la
UnaFDR
Una
definida vez
vezdefinida
ense
se envez
construye
construye
(3). Una . una
Una
unase vez se
seprocede
se
construye
FDR
FDR construye
procede
una FDR comparar
comparar
se procede a com
como
ue se puede seguir
las la FDR
FDR definida
interpretando
distribuciones de en (3). Una
referencia y de vez se construye
comparación. De una FDR se
acuerdo conprocede
(6), la adecomparar
es
es una
una se procede a comparar las distribuciones FDR
de referencia y FDR
las distribuciones
FDR
las distribuciones de
las de referencia y de comparación.
referencia y de referencia
distribuciones comparación. De
y deDe acuerdo con
acuerdo conDe
comparación. (6),
(6), la
la FDR
acuerdo FDRcon
FDR es una
una
(6), la FDR
las
una FDR se procede distribuciones
a comparar
comparación. de referencia y de comparación. De acuerdo
De acuerdo con , la FDR es una razón entre la probabili- con (6), la FDR es una
e acuerdo con (6),
dadlaen FDR es una
la población de comparación y la probabilidad en la población
de referencia para un cuantil dado. Así, la probabilidad de encontrar
individuos en la población de comparación con un nivel dado de la
variable de estudio es g(i) veces la probabilidad correspondiente en
la población de referencia: es decir, si g(i)=1, las dos distribuciones
coinciden en el cuantil i. Si g(i)>1 la probabilidad de la población de
comparación es mayor que la de referencia para ese cuantil. Y si g(i)<1
la distribución de probabilidad de la población de comparación es
menor que la de referencia.
Aquí la población de comparación corresponde a la clasificación
del estudiante (A-, A1, A2, B1 o B+) en las pruebas de inglés Saber Pro,
y la de referencia a su clasificación en el módulo de inglés de la prueba
Saber 11. La gráfica 1 ilustra el caso en que ambas distribuciones son
R  E I, . , .º ,  /, . -
E           C... 283

idénticas, y la FDR es estadísticamente igual a 1. La gráfica 2 muestra el

caso en que hay un cambio “favorable” o “deseable” en la distribución
de la clasificación de los estudiantes. La FDR toma una forma con
menor proporción de estudiantes en niveles bajos y mayor en niveles
altos. En la gráfica 3 ocurre lo contrario, la distribución “empeora” y
la FDR tiene forma decreciente.

Gráfica 1
Comparación de dos distribuciones hipotéticas sin diferencia
(a) Distribución de referencia (b) Distribución de comparación (c) FDR
40% 40%

2.0

30% 30%
1.5
Frecuencia relativa

Frecuencia relativa

Densidad relativa
20% 20% A− A1 A2 B1 B+
1.0

10% 10%
0.5

0% 0% 0.0

A− A1 A2 B1 B+ A− A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Nivel de la variable en estudio Nivel de la variable en estudio Proporción de población de referencia

Fuente: datos simulados, cálculos propios.

Gráfica 2
Comparación de dos distribuciones hipotéticas con cambio deseable en la
distribución de los resultados
(a) Distribución de referencia (b) Distribución de comparación (c) FDR
40% 40%

B+

3.0
30% 30%

2.4 B1
Frecuencia relativa

Frecuencia relativa

Densidad relativa

20% 20%
1.8

1.2 A2
10% 10%

0.6 A1
A−

0% 0% 0.0

A− A1 A2 B1 B+ A− A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Nivel de la variable en estudio Nivel de la variable en estudio Proporción de población de referencia

Fuente: datos simulados, cálculos propios.

En la práctica no se suelen conocer ambas distribuciones y es necesario

estimarlas de algún modo. Dadas unas muestras de tamaño n (para la
población de referencia) y m (para la de comparación), Handcock y
Morris demuestran que un estimador insesgado para g(i) se define así:

R  E I, . , .º ,  /, . -
 algún modo. Dadas unas muestras de tamaño n (para la población de referencia) y m
algún modo. Dadas unas muestras de tamaño n (para la población de referencia) y m
En la(para
práctica no se
la de suelen conocerHandcock
comparación), ambas distribuciones y es necesarioque
y Morris demuestran estimarlas de
un estimador
(para la de comparación), Handcock y Morris demuestran que un estimador
algúninsesgado
modo. Dadas unas muestras
para g(i) se define así: de tamaño n (para la población de referencia) y m
insesgado para g(i) se define así:
(para la de comparación), Handcock y Morris demuestran que un estimador
284
insesgado Julio César Alonso, Juan David Martin y Beatriz Gallo
𝑔𝑔!,! !!𝑖𝑖 !!para se1,2,
define
… , 𝑁𝑁así:
!
= !g(i)
 , 𝑖𝑖 = (7)
𝑔𝑔!,!
!,! 𝑖𝑖 =  , 𝑖𝑖 !=!! 1,2, … , 𝑁𝑁 (7)
!!!
! !!
!!
𝑔𝑔!,! donde
𝑖𝑖 =  , 𝑖𝑖 = 1,2, … , 𝑁𝑁 (7) (7)
donde !!!
donde !
donde1 !! 1
𝑝𝑝1!! = 𝑦𝑦 , ∀𝑦𝑦 ∈ 𝑌𝑌!
𝑝𝑝!!
!! = 𝑛𝑛 𝑦𝑦 , ∀𝑦𝑦 !∈ 𝑌𝑌!!!
𝑛𝑛 ! !:!!!! !!! !!
1 !:!
!:!!!!!
!!!!
𝑝𝑝!! = 𝑦𝑦! !
, ∀𝑦𝑦! ∈ 𝑌𝑌!
𝑛𝑛 ! 1!
!:!!!!!
𝑝𝑝1!! = 𝑦𝑦 , ∀𝑦𝑦 ∈ 𝑌𝑌
𝑝𝑝!!
!! = 𝑚𝑚 𝑦𝑦 , ∀𝑦𝑦 !∈ 𝑌𝑌 !
𝑚𝑚 ! !:!!!! !!! !!
1 !:!
!:!!!!!
!!!!
𝑝𝑝!! = 𝑦𝑦! , ∀𝑦𝑦! ∈ 𝑌𝑌
𝑚𝑚
En particular,
En!:!particular, demuestran
demuestranque sigueuna
que 𝑔𝑔!,! 𝑖𝑖 sigue unadistribución
distribución asintó-
asintóticamente normal:
En particular, demuestran que 𝑔𝑔!,!
! !!!
!,! 𝑖𝑖 sigue una distribución asintóticamente normal:
ticamente normal:
En particular, demuestran
𝑔𝑔!,!!! 𝑖𝑖  ~!  𝑁𝑁 𝑓𝑓 𝑖𝑖 , Var 𝑔𝑔que 𝑔𝑔
!,! 𝑖𝑖 !,!
𝑖𝑖 sigue una distribución
(8) asintóticamente normal:
!,! 𝑖𝑖  ~  𝑁𝑁 𝑓𝑓 𝑖𝑖 , Var 𝑔𝑔!,!
𝑔𝑔!,! !,! 𝑖𝑖 (8) (8)
!
𝑖𝑖  ~  𝑁𝑁 3𝑓𝑓[hacer
𝑔𝑔!,! Gráfica
Gráfica 𝑖𝑖 , Varlo𝑔𝑔mismo (8)
!,! 𝑖𝑖 que en las gráficas anteriores]
Gráfica 33[hacer lo mismo que en las gráficas anteriores]
Comparación
Comparación de dos distribuciones hipotéticas con
concambio indeseable en laendistribución de
Comparación dede dosdos distribuciones
distribuciones hipotéticas
hipotéticas con cambio cambio indeseable
indeseable en la distribución de
la los
Gráfica resultados
distribución
3 [hacer lo demismo
los resultados
que en las gráficas anteriores]
los resultados
Comparación de dos distribuciones hipotéticas con cambio indeseable en la distribución de
(a) Distribución de referencia (b) Distribución de comparación (c) FDR

los resultados 50% 50%

2.0

A−
40% 40%
1.5

A1
Frecuencia relativa

Frecuencia relativa

30% 30%
Densidad relativa

1.0

20% 20%

A2
0.5
10% 10%
B1

B+
0% 0% 0.0

A− A1 A2 B1 B+ A− A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Nivel de la variable en estudio Nivel de la variable en estudio Proporción de población de referencia

Fuente: datos simulados, cálculos propios.

La expresión (7) permite estimar fácilmente la FDR. Esta función

indica la proporción entre la probabilidad de la distribución de
comparación (Saber Pro) y la probabilidad de la distribución de re-
ferencia (Saber 11) asociada al i-ésimo cuantil de la distribución de
referencia. Y (8) permite construir intervalos de confianza para los
valores estimados de g(i). Así se tiene una herramienta gráfica para
determinar si las dos distribuciones se parecen o no (gráficas 1 a 3),
que incluye un intervalo de confianza para los valores estimados de g(i).
Además, en caso de que las distribuciones no sean similares, permite
identificar dónde ha ocurrido el cambio, en la parte superior o en la
parte inferior, y su magnitud.

R  E I, . , .º ,  /, . -
E           C... 285

ÍNDICE MEDIANO DE POLARIZACIÓN

La FDR permite saber qué tan iguales son dos distribuciones. Pero en
algunos casos es necesario conocer detalles relacionados con la forma
de la distribución; por ejemplo, si una distribución es más igualitaria
que otra. En este trabajo se intenta determinar si la distribución de
los niveles de inglés sigue siendo polarizada después de terminar la
educación superior, si es más igualitaria o si la polarización llega a
ser más “deseable”.
Las medidas de polarización detectan los niveles de desigualdad
entre poblaciones, es decir, qué tan concentrada está una variable en
los extremos (polos). Por ello, están diseñadas para captar discrepancias
en toda la distribución y no solo con respecto a una de sus caracte-
rísticas. Handcock y Morris proponen un indicador de polarización
que se ajusta al concepto de DR, revela las similitudes o diferencias
entre las distribuciones de referencia y de comparación, y detecta
polarizaciones, cambios en ambas colas y aumentos del número de
individuos en la superior o en la inferior.
Como ellos señalan, una medida de polarización idealmente
debería medir las desviaciones en la forma de la distribución de una
distribución uniforme. En el caso de este trabajo, con respecto a una distribución
población con respecto a una distribución uniforme. En el caso de
relativa uniforme.
distribución Si seEnconsidera
uniforme. la distribución
el caso de este trabajo, relativa de YL acon
con respecto unarespecto a Y0
distribución
este trabajo, con respecto a una distribución relativa uniforme. Si se
(denotada
relativa por R0L),Sidonde
uniforme. YL corresponde
se considera a Y ajustada
la distribución a la mediana
relativa de YL conderespecto
Y0, o de a
otra
Y0
considera la distribución relativa de YL con respecto a Y0 (denotada
manera: por R0L), donde YL corresponde a Y ajustada a la mediana de Y0, o de otra
(denotada
por R0L), donde YL corresponde a Y ajustada a la mediana de Y0, o de
manera:
otra manera: ! !
𝑅𝑅!! = 𝐹𝐹! 𝑌𝑌 − 𝜌𝜌 , con 𝜌𝜌 = 𝑄𝑄 − 𝑄𝑄!
! !
! !
𝑅𝑅!! = 𝐹𝐹! 𝑌𝑌 − 𝜌𝜌 , con 𝜌𝜌 = 𝑄𝑄 − 𝑄𝑄!
! !
el índice de polarización mediano o MRP (Median Relative Polarization) de Y se
el índice de polarización mediano o MRP (Median Relative Polariza-
define
el así:de polarización mediano o MRP (Median Relative Polarization) de Y se
índice
tion) de Y se define así:
define así:
!
MRP 𝐹𝐹, 𝐹𝐹! = 4𝐸𝐸 𝑅𝑅!! − −1 (9) (9)
!
!
MRP 𝐹𝐹, 𝐹𝐹! = 4𝐸𝐸 𝑅𝑅!! − −1 (9)
La razón para usar R ! en vez de R es que se elimina el efecto de las
La razón para usar R0L 0L en vez de R es que se elimina el efecto de las diferencias de
diferencias de ubicación y se pueden analizar únicamente las diferen-
ubicación
La razón paray se usar
pueden
R0L enanalizar
vez deúnicamente
R es que se las diferencias
elimina el efectoen de la las
forma de ambas
diferencias de
cias en la forma de ambas distribuciones. Un MRP positivo indica un
distribuciones. Un positivo indica un aumento del grado
ubicación y se pueden analizar únicamente las diferencias en la forma de ambas
MRP de polarización; es
aumento del grado de polarización; es decir, un mayor estiramiento de
decir, un mayorUn
distribuciones. estiramiento
MRP positivo de lasindica
colas de unlaaumento
distribución
del de comparación
grado frente a es
de polarización; la
las colas de la distribución de comparación frente a la de referencia.
de referencia.
decir, un mayor Un MRP negativo
estiramiento de las colas indica
de lamenor polarización,
distribución de comparaciónes decir, mayor
frente a la
Un MRP negativo indica menor polarización, es decir, mayor conver-
convergencia
de hacia hacia
referencia.
gencia elUn el centro
MRP
centro la de
denegativo laindica
distribución
distribución menor de comparación
polarización,
de comparación es que
que laen mayor
decir,
en la de
referencia.
convergencia
de Si no
referencia. Sihay
hacianodiferencias
elhaycentro en lalaforma
de
diferencias en ladeforma
las distribuciones,
distribución de
de comparación MRP que
las distribuciones, es 0. en la de
referencia.
MRP es 0.
Además,
Si no hay el MRP se sitúa
diferencias en en
la el
forma intervalo
de las [-1,1] y se puede
distribuciones, MRP interpretar
es 0. como
unaAdemás,
proporción
Además, de cambio.
el MRP seUn sitúa en
MRP>0 el ( MRP<0) indica
intervalo [-1,1] yun
el MRP se sitúa en el intervalo [-1,1] y se puede inter- se cambio
puede de
interpretar
MRP xcomo100%
mayor
una
pretar en la “masa
proporción
como una poblacional”
de proporción
cambio. Un de hacia
MRP>0 los
cambio. extremos
(MRP<0Un) indica(centro)
MRP>0un cambio
(MRP<0 de la) indica
distribución
de MRP x 100% de
comparación
mayor con respecto
en la “masa a la distribución
poblacional” hacia los extremosde referencia.
(centro) Otra de propiedad
la distribuciónútil del
de
MRP es la
comparación simetría.
con Si el
respecto MRPa es
la el índice
distribución para la
de de
referencia.
DR Y en Otra
Y 0 , y
R  E I, . , .º ,  /, . - el
propiedad
MRP 0 índice
útilpara
del
la DRes
MRP delaY0simetría.
en Y, entonces
Si el MRPMRPes= MRP 0.
el índice para la DR de Y en Y0, y MRP0 el índice para
la DR de Y0Así,
en Yel MRP se puede
, entonces MRP = descomponer
MRP0. para las colas inferior (baja) y superior
(alta) de laAsí,
distribución
el MRP sedepuede
R0L. Entonces,
descomponer se obtienen
para las índices de polarización
colas inferior para la
(baja) y superior
cola
(alta)baja
de la(LRP , Lower Polarization
distribución de R0L. Entonces, Index)se yobtienen
para la índices
cola altadedepolarización
las distribuciones
para la
distribuciones.
distribuciones.
distribuciones. Un Un
Un MRP positivo
positivo indica
MRP positivo
MRP indica un
indica un aumento
un aumento del
aumento del grado
del grado de
grado de polarización;
de polarización; es
polarización; es
es
decir, un
decir, un
decir, mayor
un mayor estiramiento
mayor estiramiento
estiramiento de de las
de las colas
las colas
colas de de
de lala distribución
la distribución
distribución de de comparación
de comparación
comparación frente frente
frente aa la
a la
la
de
de referencia.
referencia. Un
Un MRP negativo
MRP negativo indica
indica menor
menor
de referencia. Un MRP negativo indica menor polarización, es decir, mayor polarización,
polarización, es
es decir,
decir, mayor
mayor
convergencia
convergencia
convergencia hacia hacia
hacia el el centro
el centro
centro de de la
la
deJulio distribución
distribución
la César
distribución de
de
de comparación
comparación
comparación que
que
que en
en la
en la
la dede
de
286
referencia. Si no hay diferencias en la forma de
Alonso,las distribuciones,
Juan David Martin y es
Beatriz 0.
Gallo
referencia.
referencia. Si Si no
no hayhay diferencias
diferencias en en lala forma
forma de de las distribuciones, MRP
las distribuciones, MRP es
MRP es 0.
0.
Además,
Además,
Además, el el MRP se
el MRP
MRP se se sitúa
sitúa en
sitúa en el
en el intervalo
el intervalo [-1,1] y
intervalo [-1,1]
[-1,1] yy se
se puede
se puede interpretar
puede interpretar como
interpretar como
como
un
una
una cambio
proporción
proporción de MRP
de
de x 100%Un
cambio.
cambio. mayor
Un MRP>0 en (
(la “masa
MRP<0 )
) poblacional”
indica
indica un
un cambio
cambio hacia
de
de los xx 100%
MRP
una proporción de cambio. Un MRP>0 (MRP<0) indica un cambio de MRP x 100%
MRP>0 MRP<0 MRP 100%
extremos
mayor
mayor en
en
(centro)
la
la “masa
“masa
de la distribución
poblacional”
poblacional” hacia
hacia
de
los
los
comparación
extremos
extremos
con respecto
(centro)
(centro) de
de la
la
a la
distribución
distribución de
de
mayor
distribuciónen la “masa poblacional”
de referencia. Otra hacia los
propiedaddeútilextremos (centro)
del MRPOtra de la
es la propiedad distribución
simetría. útil del de
comparación
comparación con
comparación con respecto
con respecto
respecto aa laa la distribución
la distribución
distribución de referencia.
de referencia.
referencia. Otra Otra propiedadpropiedad útil útil del
del
Si el es es el índice
MRPsimetría. para es la elDR de Yparaen Yla0,DR y MRP el índice para la
MRP
MRP es
MRP
DR dees Yla
la simetría.
la en
simetría.
Y,
Si
Si el
Si
entonces el MRP
el MRP es
MRP
MRP
es =el índice
índice
índice. para
elMRP para la DR de
la DR de en
en YYY000,,, yyy MRP
de YYY0en 0 el índice para
MRP00 el
MRP el índice
índice para
para
la
la DR de
la DR de 0YY00 en
DR de Y
en YY,, entonces
entonces MRP MRP == MRP MRP0.. 0
0 en Y, entonces MRP = MRP00.
Así, elAsí, MRP el se puedese descomponer
puede descomponer para laslas
para colas
colas inferior
inferior (baja)
(baja) y superior
superior
Así,
Así, el
(alta) eldeMRP
MRP se
MRP
la se puede
puede descomponer
distribución descomponer
de R .
para
para las
Entonces, las colas
colas
se
inferior
inferior índices
obtienen (baja) yyy superior
(baja) superior
(alta)
(alta)
(alta) de
de la
la distribución
distribución
de la distribución de
de R
R
decola0L. Entonces,
. Entonces,
R0L. Entonces,
0Lse obtienen índices de polarización para la
se obtienen índices de polarización para la
(LRPse obtienen índices de polarización y para la
0L
de
cola polarización
baja ( LRP,, Lowerpara la
Lower Polarization baja Index) , Lower
y para Polarization
la cola alta de Index)
las distribuciones
cola baja
cola baja ( LRP
(LRPalta, Lower Polarization Index) y para la cola alta de las distribuciones
para
URP,,laUpper
cola de lasPolarization
distribuciones Index)(URP y para
,gradola colaPolarization
Upper alta de las distribuciones
In-
(((URP
URP , Upper
Upper Polarization
Polarization
Polarization Index)
Index)
Index) que
que
que miden
miden
miden el
el
el grado
grado de
de
de polarización
polarización
polarización en
en cada
en cada cola.
cada cola.
cola.
dex)
Estos que
índicesmidense el grado
definen así: de polarización en cada cola. Estos índices
Estos
Estos índices
índices se
se definen
definen así:
así:
se definen así:
! !
LRP 𝐹𝐹, 𝐹𝐹! =
LRP 𝐹𝐹, = 4𝐸𝐸 |𝑅𝑅 − !! || 𝑅𝑅
𝑅𝑅!! ≤
≤ !! −
−11 (10)
(10) (10)
LRP 𝐹𝐹, 𝐹𝐹
𝐹𝐹!! = 4𝐸𝐸
4𝐸𝐸 |𝑅𝑅!! −
|𝑅𝑅!!
!! − !! | 𝑅𝑅!!
!! ≤ !! −1 (10)
! !
! !
URP 𝐹𝐹,
URP 𝐹𝐹, 𝐹𝐹! == 4𝐸𝐸 |𝑅𝑅 − !|
!! − ! 𝑅𝑅 > !
!! > ! −
−1 (11)
(11)
URP 𝐹𝐹, 𝐹𝐹
𝐹𝐹!! = 4𝐸𝐸
4𝐸𝐸 |𝑅𝑅!!
|𝑅𝑅!! − !
! || 𝑅𝑅
𝑅𝑅!!
!! > !
! − 1
1 (11) (11)
! !

A
A partir
partir de
partir de estas definiciones el MRP se puede expresar como el
el promedio simple
A partir
A de estas
de estas definiciones
estas definicionesel
definiciones el elMRP
MRP
MRPse puede
sese
puede expresar
expresar
puede como
como
expresar el
como promedio
el pro- simple
promedio simple
entre el
entre el LRP y
el simple
LRP y el
y el URP :
URP:: el LRP y el URP:
URP
medio
entre LRP elentre
! !
MRP 𝐹𝐹,
MRP 𝐹𝐹, 𝐹𝐹! = ! LRP 𝐹𝐹, 𝐹𝐹 + !
= !! LRP ! URP 𝐹𝐹,
𝐹𝐹, 𝐹𝐹! (12)
(12) (12)
MRP 𝐹𝐹, 𝐹𝐹
𝐹𝐹!! = 𝐹𝐹, 𝐹𝐹!! +
! LRP 𝐹𝐹, 𝐹𝐹! + !! URP
URP 𝐹𝐹, 𝐹𝐹
𝐹𝐹!! (12)
Esta descomposición ayuda
! ! a identificar la contribución de las diferencias de las colas
Esta descomposición
Esta descomposición ayuda a identificar
ayuda la contribución
a identificar laresaltar de las diferencias
contribución de de las colas
las di-
bajas y altas a la polarización
Esta descomposición mediana.
ayuda a identificar la Cabe
contribución deque
las un MRP=0 no
diferencias implica
de las colas
ferencias de
bajas y altas
necesariamente
las
a lacolas bajas
polarizacióny altas a
mediana. la polarización
Cabe resaltar quemediana. Cabe
un MRP=0 no implica
bajas y altas a que la forma de mediana.
la polarización las distribuciones sea idéntica,
Cabe resaltar que unyaMRP=0
que puede ser el
no implica
resaltar que un que
necesariamente no implica
la forma
MRP=0 necesariamente
de las distribuciones que la forma
sea idéntica, de
ya que puede ser el
resultado de la compensación
necesariamente que la forma de de las
un distribuciones
LRP y un URP sea de signos
idéntica,opuestos
ya quepero de ser
puede igual
el
las distribuciones
resultado sea idéntica,
de la compensación de unyaLRP
quey puede
un URPser el resultado
de signos opuestosdepero
la de igual
magnitud.
resultado deHandcock y Morrisdesugieren
la compensación un LRPlos siguientes
y un URP de estimadores
signos opuestosde los índices
pero de igualde
compensación
magnitud. Handcock de un yLRP y unsugieren
Morris URP delos signos opuestos
siguientes pero de
estimadores deigual
los índices de
polarización:
magnitud. Handcock y Morris sugieren los siguientes estimadores de los índices de
magnitud.
polarización:Handcock y Morris sugieren los siguientes estimadores
polarización:
de los índices
!
LRP 𝐹𝐹, 𝐹𝐹! = ! !
de polarización:
! !
𝑄𝑄! − !− 1, ∀ 𝑄𝑄! ≤ ! (13)
!!!
!
LRP 𝐹𝐹, 𝐹𝐹! =! !
! !!!! 𝑄𝑄! −! − 1, ∀ 𝑄𝑄! ≤!
! (13)
LRP 𝐹𝐹, 𝐹𝐹! = ! 𝑄𝑄! − − 1, ∀ 𝑄𝑄! ≤
! ! (13) (13)
! !!!
! ! !! !!
URP 𝐹𝐹, 𝐹𝐹! = ! !!! !
𝑄𝑄! − !− 1, ∀ 𝑄𝑄! > ! (14)
URP 𝐹𝐹, 𝐹𝐹 =! !
! !
!!! 𝑄𝑄! −! ! − 1, ∀ 𝑄𝑄! >! ! (14)
 URP 𝐹𝐹, 𝐹𝐹! ! = ! ! 𝑄𝑄! − − 1, ∀ 𝑄𝑄! > (14) (14)
  ! !!! ! !
donde
  𝑄𝑄! = 𝐹𝐹!! 𝑦𝑦! − 𝜌𝜌
donde donde 𝑄𝑄! = 𝐹𝐹!!! 𝑦𝑦! − 𝜌𝜌
donde 𝑄𝑄! = 𝐹𝐹! 𝑦𝑦! − 𝜌𝜌
Por último, el estimador del MRP se define simplemente como
Por Porúltimo,
último, el el estimador
estimador deldel
MRP se define
se define
MRP simplemente
simplemente como como
Por último, el estimador del MRP se define simplemente como
! !
MRP 𝐹𝐹, 𝐹𝐹! = !LRP 𝐹𝐹, 𝐹𝐹! + !URP 𝐹𝐹, 𝐹𝐹! (15) (15)
MRP 𝐹𝐹, 𝐹𝐹! =!! LRP 𝐹𝐹, 𝐹𝐹! +!! URP 𝐹𝐹, 𝐹𝐹! (15)
MRP 𝐹𝐹, 𝐹𝐹! = LRP 𝐹𝐹, 𝐹𝐹! + URP 𝐹𝐹, 𝐹𝐹!
! ! (15)
Aquí usamos ! los índices
! ! de polarización para determinar si la distri-
!
Aquí usamos los índices de polarización para determinar si la distribución de quienes
bución de quienes
Aquí usamos terminan
los índices la educación
de polarización superior es
para determinar si lamás o menosde quienes
distribución
terminan
Aquí usamos la educación
los índicessuperior es más o para
de polarización menos polarizada
determinar si hacia los nivelesdealtos
la distribución con
quienes
polarizada
terminan lahacia los niveles
educación superioraltos
es máscono respecto a la de quienes
menos polarizada hacia los termi-
niveles altos con
respecto
terminanalala educación
de quienessuperior
terminan eslamás
educación
o menosbásica. Es decir,
polarizada haciasi los
después dealtos
niveles cursarcon
la
nan la educación
respecto básica.
a la de quienes Es decir,
terminan si después
la educación de cursar
básica. Es decir, lasieducación
después de cursar la
educación
respecto a lasuperior hay terminan
de quienes cambios favorables
la educación en básica.
la distribución
Es decir, del dominio
si después dede inglés
cursar la
superior
educaciónhay cambios
superior favorables
hay cambios en la distribución
favorables en la distribución del dominio
del dominio de de inglés
entre la población
educación superiorenhay estudio.
cambios favorables en la distribución del dominio de inglés
inglés entre
entre la la población
población en estudio.en estudio.
entre la población en estudio.
DATOS Y APLICACIÓN
DATOS
R Y APLICACIÓN
 E I, . , .º ,  /, . -
DATOS Y APLICACIÓN
Los datos que usamos corresponden a los resultados de las pruebas Saber 11 y Saber
Los datos que usamos corresponden a los resultados de las pruebas Saber 11 y Saber
Pro
Los de los que
datos estudiantes que presentaron
usamos corresponden ambas
a los pruebas
resultados deallasterminar
pruebas elSaber
nivel11
educativo
y Saber
Pro de los estudiantes que presentaron ambas pruebas al terminar el nivel educativo
respectivo, y provienen que
Pro de los estudiantes directamente
presentarondelambas
Icfes. La muestra
pruebas se describe
al terminar en más
el nivel detalle
educativo
respectivo, y provienen directamente del Icfes. La muestra se describe en más detalle
E           C... 287

DATOS Y APLICACIÓN

Los datos que usamos corresponden a los resultados de las pruebas

Saber 11 y Saber Pro de los estudiantes que presentaron ambas pruebas
al terminar el nivel educativo respectivo, y provienen directamente
del Icfes. La muestra se describe en más detalle en el Anexo 1. En
total, se tienen 28.422 estudiantes que tomaron la prueba Saber 11
entre el segundo semestre de 2007 y el segundo semestre de 2011, y
la prueba Saber Pro desde 2008 hasta el segundo semestre de 2011.
Así, la muestra solo cubre a los estudiantes que terminaron educación
superior y cuyas pruebas Saber 11 se pudieron rastrear, y no a todos
los estudiantes que terminaron alguno de esos niveles.
La prueba Saber 11 reporta un resultado criterio-referenciado y
muestra el desempeño “absoluto” de cada estudiante. La prueba Saber
Pro reporta un resultado normal-referenciado y muestra cómo se
desempeñó en comparación con los demás, es decir, su desempeño
“relativo”. Los puntajes que se obtienen en ambas pruebas de inglés
no son entonces directamente comparables pero permiten clasificar
el dominio del inglés conforme a los criterios del cuadro 1. Toman-
do esta clasificación como variable de interés se pueden analizar los
cambios en la distribución poblacional ajustando la escala ordinal del
MCERL como se indica en el cuadro 2.

Cuadro 2
Escala numérica para las categorías MCERL
Nivel Escala ordinal
A- 1
A1 2
A2 3
B1 4
B+ 5

La secuencia para determinar si existe o no un cambio en la distri-

bución del dominio del inglés antes y después de cursar educación
superior es la siguiente: primero se estima la DR, usando como pobla-
ción de referencia la clasificación de los estudiantes en la prueba de
inglés de Saber 11 y, como población de comparación, la clasificación
en la prueba Saber Pro. Y si se detecta un cambio entre la primera
y la segunda distribución, se usan los índices MRP, LRP y URP para
determinar dónde ocurrió el cambio.
El patrón de cambio “ideal” correspondería a una reducción de
la población situada en niveles de inglés muy bajos (A-) junto a un
aumento en los niveles más altos (B1 o B+). La combinación de los
índices de polarización que describe este patrón de cambio corres-

R  E I, . , .º ,  /, . -
288 Julio César Alonso, Juan David Martin y Beatriz Gallo

pondería a un LRP negativo y un URP positivo (preferiblemente de

mayor magnitud al inferior).
Hicimos este análisis para los siguientes subconjuntos de la mues-
tra: total, por tipo de formación y por sector de la institución educativa
(oficial o privado). En la siguiente sección se presentan los resultados.

RESULTADOS

La gráfica 4 muestra la clasificación de cada estudiante en ambas

pruebas. Alrededor del 47% mantiene el mismo nivel de desempe-
ño, un poco más del 41% avanza y un 12% empeora. Casi el 50% de
quienes tienen nivel A2 al terminar la educación básica mejoran el
nivel de dominio al terminar la educación superior. El 82% de los
estudiantes de nivel B+ (el más alto) en Saber 11 mantiene ese nivel
en Saber Pro. Esta descripción indica que sí existen cambios en el
nivel de desempeño de los estudiantes entre el final de la educación
básica y el final de la educación superior.

Gráfica 4
Resultados de las pruebas de inglés en Saber 11 y Saber Pro

B+
Clasificación MCERL en Saber PRO

B1

A2

A1

A-

A- A1 A2 B1 B+
Clasificación MCERL en Saber 11

Fuente: Icfes, cálculos propios.

La gráfica 5 presenta los histogramas de los resultados de ambas

pruebas (paneles a y b) para la muestra. En ambas, más de la mitad
de la población se concentran en niveles inferiores a A1. Y en los
cuantiles más altos se observa un aumento de la proporción con nivel
A2 o superior. En el panel c se presenta la FDR estimada correspon-
diente y sus intervalos de confianza respectivos. En el eje horizontal
se ordenan los cuantiles de corte (i) de la distribución de referencia
(Saber 11), cada uno asociado a la clasificación del MCERL. En el eje
vertical se ordena el valor estimado de la FDR para cada cuantil g(i).

R  E I, . , .º ,  /, . -
E           C... 289

Las líneas punteadas alrededor de la curva indican el intervalo de

confianza respectivo del 95%.

Gráfica 5
Distribución de los resultados y FDR para toda la muestra
(a) Distribución de probabilidad Saber 11 (b) Distribución de probabilidad Saber PRO (c) FDR Saber PRO en Saber 11

50% 50% 2.5

B+

40% 40% 2.0

A2
Proporción sobre 28422

Proporción sobre 28426

Densidad relativa
30% 30% 1.5

A1
20% 20% 1.0
A−

10% 10% 0.5

0% 0% 0.0

A− A1 A2 B1 B+ A− A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Clasificación MCERL Clasificación MCERL Proporción de Saber 11

Fuente: Icfes, cálculos propios.

Para cuantiles inferiores a la mediana de Saber 11 (A-), la FDR está

cerca de 0,70 (significativamente diferente de 1), es decir, la proba-
bilidad de encontrar estudiantes con calificación A- en Saber Pro es
un 30% menor que en Saber 11. Para cuantiles situados entre 0,4 y
0,8, el intervalo de confianza incluye la unidad, es decir, en el nivel
A1 las distribuciones de probabilidad de Saber 11 y Saber Pro no son
estadísticamente diferentes. Y para menos del 20% de la población,
con niveles A2, B1 y B+, la FDR aproximada es de 1,5, 2,0 y 2,3, res-
pectivamente, lo que indica que en Saber Pro hay una probabilidad
un 50% mayor de encontrar estudiantes con nivel A2, y que en los
niveles B1 o B+ la probabilidad es más del doble que en Saber 11. Los
índices de polarización confirman que hay un cambio en la forma de
la distribución. El MRP estimado para la FDR de la gráfica 5 es 0,07
y significativo con un 99% de confianza. El LRP es no significativo
y el URP es 0,15 (significativo con un 99% de confianza). Estos re-
sultados indican un patrón de cambio “deseable”, dado por un paso
del 7% de la masa de la distribución de niveles medios de inglés a
niveles más altos.
Cabe resaltar tres resultados: primero, a nivel agregado, la forma
de la distribución cambia en la dirección “deseable” luego de cursar
educación superior; segundo, hay un aumento de la desigualdad, una
mayor proporción de la población en las colas altas de la distribución
con una masa relativamente grande en la cola inferior. Tercero, de

R  E I, . , .º ,  /, . -
290 Julio César Alonso, Juan David Martin y Beatriz Gallo

acuerdo con la FDR, la magnitud del cambio es mayor cuanto mayor

es el nivel de competencias. No obstante el resultado “deseable” a
nivel agregado, es necesario determinar si el cambio en la distribu-
ción agregada se mantiene en todos los tipos de educación superior
y en todos los sectores. En los siguientes apartados se comparan las
distribuciones de ambas pruebas para cada subconjunto.

POR TIPO DE FORMACIÓN

En este apartado se analiza si hay diferencias en las distribuciones de

dominio del inglés por el tipo de formación en educación superior:
universitario, técnico profesional y tecnológico terminal.

Gráfica 6
Resultados de las pruebas para todos los tipos

B+
Clasificación MCERL en SABER PRO

B1
Tipo de formación
Técnico profesional
A2
Tecnológico terminal
Universitario

A1

A A1 A2 B1 B+
Clasificación MCERL en SABER 11

Fuente: Icfes, cálculos propios.

Gráfica 7
Distribución de los resultados y FDR
Universitario
(a) Distribución de probabilidad Saber 11 (b) Distribución de probabilidad Saber PRO (c) FDR Saber PRO en Saber 11

B+
30% 30% 2.0

1.5
Proporción sobre 4526

Proporción sobre 4526

B1
Densidad relativa

20% 20%
A2
1.0

10% 10% A

0.5

0% 0% 0.0

A A1 A2 B1 B+ A A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Clasificación MCERL Clasificación MCERL Proporción de Saber 11

Fuente: Icfes, cálculos propios.

R  E I, . , .º ,  /, . -
E           C... 291

Al observar los resultados de ambas pruebas (gráfica 6) se ve que el

patrón que sigue la población en su conjunto se mantiene cuando se
desagrega por tipo de formación. Pero la proporción de universitarios
que mejoran (casi el 50%) supera a la de técnicos (42%) y tecnólogos
(39%), que también obtienen mejores resultados en Saber Pro que
en Saber 11.

Gráfica 8
Distribución de los resultados y FDR
Técnico profesional
(a) Distribución de probabilidad Saber 11 (b) Distribución de probabilidad Saber PRO (c) FDR Saber PRO en Saber 11

3.0 B1
B+

2.5
40% 40%
Proporción sobre 5100

Proporción sobre 5103

2.0 A2

Densidad relativa
1.5

20% 20%
A1
1.0
A−

0.5

0% 0% 0.0

A− A1 A2 B1 B+ A− A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Clasificación MCERL Clasificación MCERL Proporción de Saber 11

Fuente: Icfes, cálculos propios.

Gráfica 9
Distribución de los resultados y FDR
Tecnológico terminal
(a) Distribución de probabilidad Saber 11 (b) Distribución de probabilidad Saber PRO (c) FDR Saber PRO en Saber 11
60% 60%
B+

3.5

B1

40% 40% 2.8

Proporción sobre 17272

Proporción sobre 17273

Densidad relativa

2.1
A2

20% 20% 1.4

A1

A−
0.7

0% 0% 0.0

A− A1 A2 B1 B+ A− A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Clasificación MCERL Clasificación MCERL Proporción de Saber 11

Fuente: Icfes, cálculos propios.

En educación técnica y tecnológica, la mayor parte de la masa de

la distribución de Saber Pro se concentra en A- y A1, con una gran
similitud a la de Saber 11. Pero aumenta la proporción de personas

R  E I, . , .º ,  /, . -
292 Julio César Alonso, Juan David Martin y Beatriz Gallo

que llega al nivel superior. Esto lo confirma la FDR de cada tipo. En

educación universitaria es estadísticamente diferente de 1 para todas
las clasificaciones, salvo el nivel A2. En las clasificaciones más bajas, se
ubica entre 0,6 y 0,7, lo que indica una reducción de hasta el 40% en la
proporción de individuos que obtienen estos resultados. En los niveles
B1 y B+, en cambio, la FDR estimada es de 1,4 y 2, respectivamente, es
decir, la probabilidad de encontrar estudiantes con clasificación B+ es
casi el doble después de cursar educación universitaria.
En educación técnica y tecnológica también se reduce la propor-
ción de personas con bajo dominio del inglés, como indica la FDR;
cuyos valores son cercanos a 0,7 en A-, muy cercanos a 1 en A1 y a
2 en A2. Pero en las clasificaciones más altas, el cambio es más pro-
nunciado en la educación tecnológica. Mientras que en la educación
técnica la FDR estimada para estas clasificaciones es cercana a 2,8, en
la educación tecnológica la FDR correspondiente a B1 y B+ es igual a
3,0 y 3,8, respectivamente.
Otro resultado que cabe resaltar es que, cuanto mayor es el nivel
educativo del programa de educación superior, mayor es la proporción
de personas que modifican su dominio del idioma. En educación
universitaria, por ejemplo, el paso a las clasificaciones B1 y B+ se pre-
senta en más del 30% (1,0-0,7), mientras que en educación técnica y
tecnológica la proporción que pasa a estos niveles no supera el 12%
y el 10%, respectivamente.

Cuadro 3
Índices de polarización relativa por tipo de educación
Tipo MRP LRP URP
0,07 *** -0,02 0,15 ***
Muestra total
(0,00) (0,31) (0,00)

0,06 *** -0,02 0,15 ***

Universitario
(0,00) (0,34) (0,00)

0,09 *** -0,02 0,19 ***

Técnico profesional
(0,00) (0,75) (0,00)

0,06 *** -0,08 ** 0,20 ***

Tecnológico terminal
(0,00)   (0,02)   (0,00)  
Nota: el valor p va entre paréntesis.
* Nivel de significancia: 10%, ** nivel de significancia: 5%, *** nivel de significancia: 1%.
Fuente: Icfes, cálculos propios.

El cuadro 3 presenta los índices de polarización correspondientes al

análisis gráfico anterior. En educación universitaria, su comporta-
miento es muy similar al del agregado, con un MRP estimado de 0,07
y mayor polarización hacia niveles altos de dominio del idioma. En

R  E I, . , .º ,  /, . -
E           C... 293

educación técnica, el MRP es mayor que el del agregado e indica un

paso del 9% de la masa de la distribución a los niveles más altos. La
educación tecnológica presenta la combinación de índices más “de-
seable”; con un MRP similar al de la educación universitaria, muestra
un LRP negativo y un URP positivo mayores (-0,08 y 0,2). En suma,
el cambio en la distribución del nivel de inglés que se observa en la
muestra total difiere parcialmente en los tres tipos de educación su-
perior. En la educación universitaria es relativamente más pequeño,
pero es más uniforme a lo largo de la población. Y en la técnica y
tecnológica el cambio en las clasificaciones más altas es relativamente
mayor pero el porcentaje de población que mejora es bajo. En otras
palabras, hay una relación inversa entre la magnitud del cambio y
la proporción de población en las clasificaciones más altas: a menor
nivel de formación, mayor es el cambio en el nivel de competencias,
pero menor la proporción de la población que mejora su desempeño.

POR SECTORES

En esta sección se examinan las diferencias en las distribuciones del

desempeño de quienes estudian en instituciones de educación superior
(IES) por sectores: oficial y privado.

Gráfica 10
Resultados por sectores

B+
Clasificación MCERL en SABER PRO

B1

Sector
A2 Oficial
Privado

A1

A-

A- A1 A2 B1 B+
Clasificación MCERL en SABER 11

Fuente: Icfes, cálculos propios.

La gráfica 10, que muestra los resultados de los estudiantes de los

dos sectores educativos, indica que hay una diferencia visible entre
estudiantes de IES oficiales y privadas. Mientras que el 46% de los
estudiantes de IES privadas mejoran el dominio del inglés, un 38%
de los egresados de instituciones oficiales aumentan su puntaje. Pero

R  E I, . , .º ,  /, . -
294 Julio César Alonso, Juan David Martin y Beatriz Gallo

casi la mitad de estos últimos se clasifican en el mismo nivel antes y

después de ingresar a la educación superior.

Gráfica 11
Distribución de los resultados y FDR, sector oficial
(a) Distribución de probabilidad Saber 11 (b) Distribución de probabilidad Saber PRO (c) FDR Saber PRO en Saber 11
60% 60%

3.6 B+

3.0

40% 40%
B1
Proporción sobre 15843

Proporción sobre 15844

2.4

Densidad relativa
1.8 A2

20% 20%
1.2 A1

A−

0.6

0% 0% 0.0

A− A1 A2 B1 B+ A− A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Clasificación MCERL Clasificación MCERL Proporción de Saber 11

Fuente: Icfes, cálculos propios.

Gráfica 12
Distribución de los resultados y FDR, sector privado
(a) Distribución de probabilidad Saber 11 (b) Distribución de probabilidad Saber PRO (c) FDR Saber PRO en Saber 11

40% 40% B+
2.0
B1

A2
Proporción sobre 12575

30% 30%
Proporción sobre 12575

2.4
Densidad relativa

1.8
20% 20% A1
1.0

A−

10% 10% 0.5

0% 0% 0.0

A− A1 A2 B1 B+ A− A1 A2 B1 B+ 0.0 0.2 0.4 0.6 0.8 1.0

Clasificación MCERL Clasificación MCERL Proporción de Saber 11

Fuente: Icfes, cálculos propios.

El análisis de la distribución relativa muestra que los estudiantes de

IES oficiales pasan a los niveles A1, A2 y B1 después de la educación
superior: la probabilidad de encontrar estudiantes clasificados en A1
después de estudiar en una IES oficial es 1,04 veces mayor que antes de
ingresar a la educación superior. También es más probable encontrar
estudiantes en A2 (1,6 veces más) y B1 (2,35 veces más). La gráfica 11
muestra que a esos niveles llega una proporción mayor de estudiantes.
En las IES privadas (gráfica 12) los estudiantes pasan a los niveles
A2, B1 y B+. La reducción de la proporción de clasificados en A- (que

R  E I, . , .º ,  /, . -
E           C... 295

disminuye un 35%) y A1 (que se reduce en un 6%) es compensada

por un aumento de la proporción que logra clasificarse en A2 (1,55
veces más que en Saber 11), B1 (1,84 veces más) y B+ (2,04 veces más).
Los índices de polarización que se muestran en el cuadro 4 indican
una polarización media positiva para los estudiantes de ambos secto-
res. En particular, que el 6% de la masa de la distribución de las IES
oficiales pasa del nivel A- a niveles más extremos. Además, puesto que
el URP es positivo y el LRP es negativo, este cambio va en dirección
de niveles más altos de dominio del idioma. En cambio, en las IES
privadas el 5% de la masa de la distribución pasa de A2 a niveles más
extremos. Y de nuevo, como el URP es positivo y el LRP es negativo,
este cambio también va en esa dirección.

Cuadro 4
Índices de polarización relativa por sectores
Sector MRP LRP URP
Oficial 0,06 *** -0,04 * 0,16 ***
(0,00) (0,08) (0,00)
Privado 0,05 *** -0,06 ** 0,17 ***
  (0,00)   (0,03)   (0,00)  
Nota: el valor p va entre paréntesis.
* Nivel de significancia: 10%, ** nivel de significancia: 5%, *** nivel de significancia: 1%.
Fuente: Icfes, cálculos propios.

Cabe destacar que el cambio es más favorable en las instituciones

privadas que en las oficiales, pues la FDR es significativa en todos los
percentiles y los índices de polarización muestran un paso a niveles
más altos, junto con un menor aumento de la desigualdad.

COMENTARIOS FINALES

La distribución del nivel de inglés dista mucho de seguir una forma

“ideal” al comenzar la educación superior. Más del 80% de los ba-
chilleres se ubican en el nivel más bajo (usuario básico). Pero mejora
después de cursar la educación superior. El análisis de la distribución
relativa indica que, en la muestra total, los resultados de las pruebas
Saber 11 y Saber Pro varían en la dirección “deseable”3; en otras
palabras, hay un mejor nivel al finalizar la educación superior. En
particular se reduce el porcentaje situado en los niveles más bajos y
aumenta el porcentaje situado en los niveles medios y altos. La mag-
nitud del cambio es mayor cuanto mayor es el nivel de competencias,
y aumenta la polarización.

3
No obstante aún lejos de la meta de que los egresados del sistema de
educación superior lleguen al nivel de usuario independiente avanzado ( B2).

R  E I, . , .º ,  /, . -
296 Julio César Alonso, Juan David Martin y Beatriz Gallo

Este patrón de cambio no es uniforme en los tres tipos de for-

mación profesional. La magnitud del cambio es mucho mayor en los
egresados de programas técnico profesional y tecnológico terminal que
en los de formación universitaria. Y el aumento del nivel de polariza-
ción es más alto en los dos primeros tipos. Esta particularidad quizá
se deba a que, en esta parte de la población estudiantil, la proporción
de bachilleres que obtienen las clasificaciones más altas es muy baja,
y el margen para que la distribución mejore es mucho mayor. Cuando
la población se divide por sectores educativos, los cambios son mucho
más favorables en las instituciones privadas, donde el paso a mejores
niveles de desempeño en la prueba Saber Pro no está asociado con
un mayor nivel de desigualdad.
Los resultados de este trabajo se pueden resumir en los siguientes
puntos: 1. El paso por la educación superior modifica la distribución
de la competencia en inglés en la dirección deseable; 2. La distribu-
ción de la prueba Saber 11 difiere por tipos de formación y sector
educativo: la distribución del nivel de inglés de los estudiantes que
ingresan a universidades privadas es más favorable que la de los que
ingresan a educación tecnológica y al sector oficial; 3. Este segmento
de población estudiantil tiene el mayor potencial de mejora y, por
tanto, amplio margen de intervención mediante políticas públicas,
las cuales deben dar prioridad a la enseñanza de inglés en las insti-
tuciones oficiales y en la formación técnica y tecnológica para cerrar
las brechas en materia de bilingüismo.
Puesto que el tiempo requerido para que una persona pase al nivel
es menor cuanto más bajo es su nivel inicial, la relación costo-beneficio
de un peso destinado a la enseñanza de inglés es mucho más alta para
niveles bajos, y se requieren menos recursos para que un estudiante
pase de A- a A1 o de A1 a A2 que de B1 a B+ (Ministerio de Educación,
Cultura y Deporte, 2002). Cabe resaltar que los resultados muestran
una gran diferencia entre el nivel de competencia después de terminar
la educación secundaria y superior y las metas del PFDCLE. No sobra
recordar que los resultados de este análisis no indican relaciones cau-
sales, es decir, que terminar la educación superior cause una mejora en
la distribución del dominio del idioma. Y es tarea de investigaciones
futuras el estudio de los efectos de la educación superior en el dominio
del idioma y de sus determinantes.

R  E I, . , .º ,  /, . -
E           C... 297

ANEXO

ESTRUCTURA DE LA MUESTRA

El total agregado se compone de 28.426 observaciones que inclu-

yen 4 faltantes. En el nivel de agregación por nivel de formación se
presentan 1,524 faltantes, tanto para Saber 11 como para Saber Pro.
Estos corresponden a ciertos individuos que no clasifican en ninguno
de los grupos de referencia establecidos por el Icfes (2013) y, por lo
tanto, se desconoce el nivel de formación de su programa.

Cuadro 5
Número de observaciones por nivel de formación y sector educativo
Número de observaciones
Prueba Saber 11 Saber Pro
Muestra total 28.422 28.426
Tipo de formación
Universitario 4.526 4.526
Técnico profesional 5.100 5.103
Tecnológico terminal 17.272 17.273
Sector educativo
Oficial 15.843 15.844
Privado 12.575 12.575
Fuente: Icfes, cálculos propios.

REFERENCIAS BIBLIOGRÁFICAS
1. Alonso, J.; P. Casasbuenas, B. Gallo y G. Torres. Bilingüismo en San-
tiago de Cali: análisis de los resultados de las Pruebas Saber 11 y Saber
Pro, Cali, Universidad Icesi, 2012.
2. Alonso, J.; B. Gallo y G. Torres. “Elementos para la construcción de
una política pública de bilingüismo en el Valle del Cauca: un análisis
descriptivo a partir del censo ampliado 2005”, Estudios Gerenciales 28,
125, 2012, pp. 59-67.
3. Badr, M.; O. Morrissey y S. Appleton. “Gender differentials in maths
test scores in MENA countries”, CREDIT research paper 12/04, Uni-
versity of Nottingham, 2012.
4. Cárdenas, M. L. “Bilingual Colombia: Are we ready for it? What is
needed?”, paper presented at the 19th Annual EA Education Conference
2006, Australia, 2006, [http://qa.englishaustralia.com.au/index.cgi?E=
hcatfuncs&PT=sl&X=getdoc&Lev1=pub_c07_07&Lev2=c06_carde].
5. García, J. y D. García. “Políticas lingüísticas en Colombia: tensiones
entre políticas para lenguas mayoritarias y lenguas minoritarias”,
Boletín de Filología 47, 2, 2012, pp. 47-70.
6. Guimarães R., C.; E. Gonçalves y C. Campos. “Changes in test sco-
res distribution for students of the fourth grade in Brazil: A relative
distribution analysis for the years 1997-2005”, Economics of Education
Review 34, 2013, pp. 227-242.
7. Handcock, M. S. y M. Morris. Relative distribution methods in the
social sciences, Nueva York, Springer-Verlag, 1999.

R  E I, . , .º ,  /, . -
298 Julio César Alonso, Juan David Martin y Beatriz Gallo

8. Handcock, M. S.; M. Morris y A. Bernhardt. “A distributional ap-

proach to measuring changes in economic inequality”, 1997, [http://
sites.stat.psu.edu/reports/1997/tr9703.pdf ].
9. Hanneman, R.; A. Kposowa y M. Riddle. Basic statistics for social
research, San Francisco, Ca., Bossey-Bass, 2012.
10. Hermeto, A. M. y R. Rangel. “Cohort trends in the relative wage
distribution by gender in Brazil”, paper presented at the Population
Association of America, 2009 Annual Meeting, Detroit, 2009.
11. Icfes. Guías Saber Pro – Inglés, Bogotá, 2012.
12. Icfes. “Grupos de referencia 2013-2”, 2013, [http://www2.icfes.gov.co/
examenes/saber-pro/informacion-general/estructura-general-del-examen/
grupos-de-referencia-2014-1/104-saber-pro/informacion-general/estructura-
general-del-examen/483-grupos-de-referencia-2013-2].
13. Lind, D.; W. Marchal y S. Wathen. Statistical techniques in business
& economics, 15 th ed., Irwin, McGraw-Hill, 2011.
14. Ministerio de Educación, Cultura y Deporte. Marco común europeo de
referencia para las lenguas: aprendizaje, enseñanza, evaluación, Madrid,
Consejo de Europa para la publicación en inglés y francés, 2002.
15. MEN . “Programa de fortalecimiento de competencias en lengua
extranjera”, consulta del 25 de febrero de 2014, [http://www.colom-
biaaprende.edu.co/html/micrositios/1752/w3-article-315515.html].
16. MEN. Programa Nacional de Bilingüismo, Colombia 2004-2019, Bogotá,
Ministerio de Educación Nacional, 2004.
17. MEN. Estándares básicos de competencias en lenguas extranjeras: inglés,
Guía 22, Bogotá, 2006.
18. Penner, A. M. “Gender differences in extreme mathematical achieve-
ment: An international perspective on biological, social, and societal
factors”, American Journal of Sociology 114, 2008, supl., pp. 138-170.
19. Pfenning, N. Elementary statistics: Looking at the big picture, Boston,
Cengage Learning, 2010.
20. Shohamy, E. “Language teachers as partners in crafting  educational
language policies?”, Íkala, Revista de lenguaje y cultura 14, 22, 2009,
pp. 45-67.
21. Sousa A., J.; A. Duarte y M. C. Simões. “Earnings and education
in Portugal”, International Journal of Social Economics 41, 7, 2014, pp.
586-608.
22. Sánchez, A. “El bilingüismo en los bachilleres colombiano”, Do-
cumentos de trabajo sobre economía regional, Cartagena, Banco de la
República, 2012.
23. Sánchez, A. C. y G. V. Obando. “Is Colombia ready for ‘bilingualism’”?,
Prof ile Issues in Teachers’ Professional Development 9, 2008, pp. 181-195.
24. Sánchez J., A. “Bilingüismo en Colombia”, documento de trabajo
sobre economía regional 191, Cartagena, Banco de la República, 2013.
25. Usma, J. A. “Education and language policy in Colombia: Exploring
processes of inclusion, exclusion, and stratification in times of global
reform”, Prof ile Issues in Teachers’ Professional Development 11, 2009,
pp. 123-141.

R  E I, . , .º ,  /, . -