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

Sección

Artículos de Investigación