Modelización estadística para el aprendizaje de la correlación y regresión lineal

Elkin Alejandro Osorio Amaya; Santiago Inzunza Cázares; Silvia Evelyn Ward Bringas

doi:10.30827/pna.v17i3.23937

Autores/as

Elkin Alejandro Osorio Amaya Fundación Universitaria Colombo Germana https://orcid.org/0000-0002-3811-5394
Santiago Inzunza Cázares Universidad Autónoma de Sinaloa https://orcid.org/0000-0003-4014-6031
Silvia Evelyn Ward Bringas Universidad Autónoma de Sinaloa https://orcid.org/0000-0002-7075-1091

DOI:

https://doi.org/10.30827/pna.v17i3.23937

Palabras clave:

Modelación Estadística, Estadística Educativa, Correlación Lineal, Regresión Lineal, Actividades Generadoras de Modelos

Resumen

Este trabajo muestra los resultados del uso de Actividades Generadoras de Modelos para el aprendizaje de la correlación y regresión lineal. Los participantes adquirieron, ampliaron y refinaron sus conocimientos y habilidades estadísticas, organizando, analizando y representando datos, estableciendo correlaciones y determinando líneas de regresión y coeficientes de determinación; además, con los modelos planteados, realizaron conclusiones, explicaciones, descripciones y predicciones del comportamiento del modelo. Se avanzó en el entendimiento de la importancia del uso de representaciones gráficas adecuadas y las bondades de la tecnología en el procesamiento de los datos estadísticos bivariados.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Abassian, A., Safi, F., Bush, S. y Bostic, J. (2020). Five different perspectives on mathematical modeling in mathematics education. Investigations in Mathematics Learning, 12(1), 53-65. https://doi.org/10.1080/19477503.2019.1595360 DOI: https://doi.org/10.1080/19477503.2019.1595360

Artigue, M., Douady, R., Moreno, L. y Gómez, P. (1995). Ingeniería didáctica en educación matemática: un esquema para la investigación y la innovación en la enseñanza y el aprendizaje de las matemáticas. Grupo Editorial Iberoamérica.

Aridor, K. y Ben-Zvi, D. (2018). Statistical modeling to promote students’ aggregate reasoning with sample and sampling. ZDM-Mathematics Education, 50(7), 1165-1181. https://doi.org/10.1007/s11858-018-0994-5 DOI: https://doi.org/10.1007/s11858-018-0994-5

Aridor, K. y Ben-Zvi, D. (2019). Students’ aggregate reasoning with covariation. En G. Burril y D. Ben-Zvi (Eds.), Topics and trends in current statistics education research. ICME-13 monographs (pp. 71-94). Springer. https://doi.org/10.1007/978-3-030-03472-6_4 DOI: https://doi.org/10.1007/978-3-030-03472-6_4

Blomhøj, M. (2009). Different perspectives in research on the teaching and learning of mathematical modelling – categorising the TSG21 papers. En M. Blomhøj y S. Carreira (Eds.), Mathematical applications and modelling in the teaching and learning of mathematics. pp. 1–17. Roskilde: Department of Science, Systems and Models, Roskilde University. https://rucforsk.ruc.dk/ws/portalfiles/portal/3820977/IMFUFA_461.pdf#page=6

Constantinou, C. P., Nicolaou, C. T. y Papaevripidou, M. (2019). A framework for modeling-based learning, teaching, and assessment. En A. Upmeier zu Belzen, D. Krüger y J. van Driel (Eds.), Towards a competence-based view on models and modeling in science education (Vol. 12, pp. 39-58). Springer. https://doi.org/10.1007/978-3-030-30255-9_3 DOI: https://doi.org/10.1007/978-3-030-30255-9_3

Doerr, H. y English, L. D. (2003). A modeling perspective on students’ mathematical reasoning about data. Journal for Research in Mathematics Education, 34(2), 110–136. https://doi.org/10.2307/30034902 DOI: https://doi.org/10.2307/30034902

Engel, J. y Sedlmeier, P. (2011). Correlation and regression in the training of teachers. En C. Batanero, G. Burril y C. Reading (Eds.) Teaching statistics in school mathematics-challenges for teaching and teacher education (Vol. 14, pp. 247-258). Springer. https://doi.org/10.1007/978-94-007-1131-0_25 DOI: https://doi.org/10.1007/978-94-007-1131-0_25

Gea, M. (2014). La correlación y regresión en bachillerato análisis de libros de texto y del conocimiento de los futuros profesores. [Tesis de doctorado, Universidad de Granada]

https://digibug.ugr.es/bitstream/handle/10481/34257/24031550.pdf?sequence=1

Gea, M., Batanero, C. y Roa, R. (2014). El sentido de la correlación y regresión. Números, 87, 25-35.

Kaiser, G., Blomhøj, M. y Sriraman, B. (2006). Towards a didactical theory for mathematical modelling. ZDM-Mathematics Education, 38(2), 82-85. https://doi.org/10.1007/BF02655882 DOI: https://doi.org/10.1007/BF02655882

Lehrer, R. y English, E. (2018). Introducing children to modeling variability. En D. Ben-Zvi, K. Makar y J. Garfield (Eds.), International handbook of research in statistics education (pp. 229–260). Springer. https://doi.org/10.1007/978-3-319-66195-7_7 DOI: https://doi.org/10.1007/978-3-319-66195-7_7

Lesh, R., Hoover, M. Hole, B., Kelly, A. y Post, T. (2000). Principles for developing thought-revealing activities for students and teachers. En A. Kelly y R. Lesh (Eds.). Handbook of research design in mathematics and science education (pp. 591-646). Routledge.

Lesh, R. y Doerr, H. (Eds.) .(2003). Beyond constructivism – Models and modeling perspectives on mathematics problem solving, learning and teaching. Routledge. https://doi.org/10.4324/9781410607713 DOI: https://doi.org/10.4324/9781410607713

Lesh, R. y Sriraman, B. (2010). Re-conceptualizing mathematics education as a design science. En B. Sriraman y L. English (Eds.), Theories of mathematics education. Advances in mathematics education (pp. 123-146). Springer. https://doi.org/10.1007/978-3-642-00742-2_14 DOI: https://doi.org/10.1007/978-3-642-00742-2_14

López, J. L., Pontes, A. y Varo, M. (2019). Las TIC en la enseñanza científico-técnica hispanoamericana: una revisión bibliográfica. Digital Education Review, 1(35), 229-243. https://doi.org/10.1344/der.2019.35.229-243 DOI: https://doi.org/10.1344/der.2019.35.229-243

Moliní, F. y Sánchez, D. (2019). Fomentar la participación en clase de los estudiantes universitarios y evaluarla. REDU: revista de docencia universitaria, 17(1), 211-227. https://doi.org/10.4995/redu.2019.10702 DOI: https://doi.org/10.4995/redu.2019.10702

Patel, A. y Pfannkuch, M. (2018). Developing a statistical modeling framework to characterize Year 7 students’ reasoning. ZDM-Mathematics Education, 50(7), 1197-1212. https://doi.org/10.1007/s11858-018-0960-2 DOI: https://doi.org/10.1007/s11858-018-0960-2

Pfannkuch, M., Ben-Zvi, D. y Budgett, S. (2018). Innovations in statistical modeling to connect data, chance and context. ZDM-Mathematics Education, 50(7), 1113-1123. https://doi.org/10.1007/s11858-018-0989-2 DOI: https://doi.org/10.1007/s11858-018-0989-2

Seber, G. A. y Lee, A. J. (2003). Linear regression análisis. John Wiley y Sons. https://doi.org/10.1002/9780471722199 DOI: https://doi.org/10.1002/9780471722199

Upmeier zu Belzen, A., van Driel, J. V. y Krüger, D. (2019). Introducing a framework for modeling competence. En A. DOI: https://doi.org/10.1007/978-3-030-30255-9_1

Upmeier zu Belzen, D. Krüger y J. van Driel (Eds.) Towards a competence-based view on models and modeling in science education (pp. 3-19). Springer.

Wild, C. J. y Pfannkuch, M. (1999). Statistical Thinking in Empirical Enquiry. International Statistical Review, 67(3), 223-248. https://doi.org/10.1111/j.1751-5823.1999.tb00442.x DOI: https://doi.org/10.1111/j.1751-5823.1999.tb00442.x

Zieffler, A., Garfield, J. y Fry, E. (2018). What Is Statistics Education?. En D. Ben-Zvi, D. Makar y J. Garfield (Eds.), International handbook of research in statistics education (pp. 37–70). Springer. https://doi.org/10.1007/978-3-319-66195-7_2 DOI: https://doi.org/10.1007/978-3-319-66195-7_2