Programación computacional y análisis de datos en educación estadística

Autores/as

  • Humberto Cuevas Tecnológico Nacional de México
  • Cristina Solís Moreira Universidad Técnica Nacional
  • Ixrael Silva Contreras ULSA Chihuahua / Tecnológico Nacional de México

Palabras clave:

educación estadística, programación computacional, análisis exploratorio de datos

Resumen

Se presentan los resultados de un estudio cuyo propósito fue conocer y comparar la opinión de un grupo de estudiantes de Ingeniería respecto de las características más representativas de los lenguajes de programación R y Python a la luz de su uso en el análisis estadístico de un caso de estudio real. A los 61 estudiantes participantes, quienes cursaban asignaturas de probabilidad y estadística; se les presentó un caso de estudio real y contextual para su examen. El 98,3% realizó el análisis y documentó sus resultados de acuerdo con los lineamientos establecidos; en el caso de R, el 81,97% optó por usar paquetes externos al núcleo básico para elaborar el informe reproducible, el 52,45% indicó usar R Markdown en detrimento de otra tecnología. En el caso de Python, el 88,52% usó las librerías Scipy, Matplotlib, Numpy y Pandas para el análisis; el 67,21% utilizó Markdown-Python para la redacción del informe. De Python destacaron la facilidad para escribir código; de R distinguieron su potencia para organizar, visualizar y efectuar cálculo estadístico. Se recomienda efectuar un estudio experimental que permita probar métodos pedagógicos que integren prácticas distintas a las predominantes durante las últimas tres décadas en la educación estadística.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Humberto Cuevas, Tecnológico Nacional de México

Ingeniero Industrial, Especialista en Docencia, Maestro en Ciencias y Doctor en Educación. Sus líneas de trabajo son Estadística Computacional, Educación Estadística e Innovación y Desarrollo Tecnológico en Educación. Tiene más de 50 participaciones como conferencista, ponente y tallerista en foros académicos realizados en Centroamérica, Sudamérica y Europa, así como publicaciones en revistas arbitradas e indexadas. Actualmente se desempeña como profesor-investigador en el Tecnológico Nacional de México.

Cristina Solís Moreira, Universidad Técnica Nacional

Docente y Filóloga por la Universidad de Costa Rica, Licenciada en Ciencias de la Educación con énfasis en Enseñanza del Español por la Universidad de las Ciencias y el Arte de Costa Rica y candidata al grado de Maestría en Tecnología Educativa por la Universidad Estatal a Distancia. Las líneas de investigación que cultiva son Lingüística Computacional, Diseño de Recursos Educativos Virtuales, Análisis en Modismos del Lenguaje. 

Ixrael Silva Contreras, ULSA Chihuahua / Tecnológico Nacional de México

Ingeniero Industrial por el Instituto Tecnológico de Chihuahua y Maestro en Ciencias en Matemática Educativa por el Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional, México. Sus líneas de investigación son Tecnología Computacional Aplicada a la Educación y Educación Matemática Universitaria. Actualmente trabaja como profesor-investigador en el Instituto Tecnológico de Chihuahua II del Tecnológico Nacional de México y la Universidad La Salle Campus Chihuahua.

Citas

Ben-Zvi, D., y Garfield, J. (2004) Statistical Literacy, Reasoning, and Thinking: Goals, Definitions, and Challenges. En: Ben-Zvi D., Garfield J. (eds.) The Challenge of Developing Statistical Literacy, Reasoning and Thinking. Springer, Dordrecht.

Boxuan, C. (2018). Package DataExplorer (software). Tomado de https://CRAN.R-project.org/package=DataExplorer.

Chambers, J. (2008). Software for data analysis: programming with R. Springer Science & Business Media.

Gal, I. (2004). Statistical literacy. In The challenge of developing statistical literacy, reasoning and thinking (pp. 47-78). Springer, Dordrecht.

Ihaka, R. (1998). R: Past and future history. Computing Science and Statistics, 392396.

Ihaka, R. & Gentleman, R. (1996). R: a language for data analysis and graphics. Journal of computational and graphical statistics. 5(3), 299-314.

Johansson, R. (2015). Numerical Python. A Practical Techiques Approach for Industrial. Uruyasu, Japan: Apress.

Kabacoff, R. (2018). Data Visualization with R. EEUU: Wesleyan University.

Kassambara, A. (2017). R Graphics Essentials for Great data Visualization. México: IPP.

López, C. C., & Ramírez, M. M. O. (2018). La opinión de los estudiantes sobre el uso de las metas de aprendizaje de la estadística en cursos introductorios en la universidad veracruzana. Investigación Operacional, 39(2), 181-191.

McKinney, W. (2012). Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. O’Reilly Media, Inc.

R Core Team, F. (2018). Writing R Extensions. Viena, Austria: R Foundation Project. Tomado de https://cran.r-project.org/doc/manuals/r-release/R-exts.html

Rüde, U., Willcox, K., McInnes, L., & Sterck, H. (2018). Research and Education in Computational Science and Engineering. SIAM Review, 60 (3), 707-754. Tomado de https://doi.org/10.1137/16M1096840

Solano, J. (2011). Introducción a la programación en Python. Costa Rica: Editorial Tecnológica del ITCR.

Toomey, D. (2018). Jupyter Cookbook. Birmingham, UK: Packt Publishing.

Tukey J. (1977). Exploratory Data Analysis. UK: Pearson

Van Dijke-Droogers, M., Drijvers, P., & Tolboom, J. (2017). Enhancing statistical literacy. In CERME 10

Watson, J. (2013). Statistical literacy at school: Growth and goals. Routledge.

Wickham, H. & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. O’ Reilly Media, Inc.

Zetterqvist, L. (2017). Applied problems and use of technology in an aligned way in basic courses in probability and statistics for engineering students-a way to enhance understanding and increase motivation. Teaching Mathematics and its Applications: An International Journal of the IMA. 36 (2), 108-122. Tomado de https://doi.org/10.1093/teamat/hrx004

Zimek, A., & Filzmoser, P. (2018). There and back again: Outlier detection between statistical reasoning and data mining algorithms. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 8(6), 1280.

Descargas

Cómo citar

Cuevas, H., Solís Moreira, C., & Silva Contreras, I. (2019). Programación computacional y análisis de datos en educación estadística. Areté, Revista Digital Del Doctorado En Educación, 5(9), 11–27. Recuperado a partir de http://caelum.ucv.ve/ojs/index.php/rev_arete/article/view/16277

Número

Vol. 5 Núm. 9 (2019)

Sección

Artículos de Investigación

Licencia

Esta revista provee acceso libre, inmediato a su contenido bajo el principio de que hacer disponible gratuitamente la investigación al público, lo cual fomenta un mayor intercambio de conocimiento global.

Los autores que publican en Areté, Revista Digital del Doctorado en Educación, están de acuerdo con los siguientes términos:

  1. Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo, al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
  2. Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista y no se use para fines comerciales.
  3. Los contenidos e imágenes que se incluyen en los artículos son responsabilidad del autor/es. Areté, Revista Digital del Doctorado en Educación, no se hace responsable de la información incluida en ellos.
  4. Los autores están de acuerdo con la licencia de uso utilizada por la revista, con las condiciones de auto-archivo y con la política de acceso abierto.
  5. Se permite a los autores difundir electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) la versión publicada de sus obras, ya que favorece su circulación y difusión más temprana y con ello un posible aumento en su citación y alcance entre la comunidad académica.
  6. En caso de reutilización de las obras publicadas, debe mencionarse la existencia y especificaciones de la licencia de uso, además de mencionar la autoría y fuente original de su publicación.