El Bootstrap como herramienta para la enseñanza de la distribución muestral
Tipo de documento
Autores
Lista de autores
Rodríguez, María Inés y Agnelli, Hector
Resumen
La distribución muestral es un concepto básico para la adecuada comprensión de procedimientos inferenciales tales como test de hipótesis e intervalos de confianza. Existe un extenso conjunto de trabajos de investigación educativa en los que se reporta evidencia empírica acerca de que esta idea no es comprendida de manera adecuada. Creemos que la enseñanza de técnicas de remuestreo tales como bootstrap y test de permutación, además de brindar nuevas herramientas que puedan ser comprendidas y utilizadas por el futuro usuario de la estadística, contribuyen desde el punto de vista educativo a facilitar el aprendizaje de conceptos estadísticos claves tales como, distribución muestral, error estandar, intervalos de confianza y pruebas de significación. En este trabajo describimos la metodología bootstrap para el cálculo del error estandar de la mediana muestral.
Fecha
2014
Tipo de fecha
Estado publicación
Términos clave
Enfoque
Idioma
Revisado por pares
Formato del archivo
Título libro actas
IV Encuentro sobre Didáctica de la Estadística, la Probabilidad y el Análisis de Datos
Editores (actas)
Lista de editores (actas)
Instituto Tecnológico de Costa Rica, Costa Rica
Editorial (actas)
Lugar (actas)
Rango páginas (actas)
1-8
ISBN (actas)
Referencias
[1] Belia, S., Fidler, F., Williams, J. and Cumming., G. Researchers misunderstand confidence intervals and standard error bars. Psychol. Methods,2005,10:389–39 [2] Boos, D. Stefanski, L. Efron´s bootstrap. Significance,2010,. Vol.7, 4, 186-188 [3] Castro Soto, A; Vanhoof, S; Van den Noorgate,W; Onghena, P. Students’ misconceptions of statistical inference: A review of the empirical evidence from research on statistics education. Educational Research Review, 2007, 2.98-113 [4] Cumming, G.,Williams, J., & Fidler, F. Replication and researchers’ understanding of confidence intervals and standard error bars. Understanding Statistics, 2004, 3, 299- 311. [5] Chance, B., delMas, R., & Garfield, J. Reasoning About Sampling Distributions. In D. Ben-Zvi & J. Garfield, The Challenge of Developing Statistical Literacy, Reasoning and Thinking, 2004, Dordrecht: Kluwer Academic Publishers. [6] DiCiccio; T; Efron, B. Bootstrap Confidence Intervals. Statistical Science,1996, Vol, 11 Nº 3, 189-228. [7] Efron, B. Bootstrap Methods:Another look at the Jacknife. The Annals os Statistics,1979, 7, 1-26.. [8] Efron, B. An introduction to the bootstrap. New-York, Chapman & Hall, 1993. [9] Hubbard, R., and Bayarri, M.J. “Confusion Over Measures of Evidence (p’s) Versus Errors (α’s) in Classical Statistical Testing,” The American Statistician, 2003, 57, 171–182. [10] Kline, R.B. Beyond significance testing: Reforming data analysis methods in behavioral research. Washington DC, USA: APA, 2004. [11] Nickerson, R. Null hypothesis significance testing: A review of an old and continuing controversy. Psychological Methods,2000, 5, 241-301. [12] Rodríguez M.I., Albert A. Prueba de hipótesis estadística:estudio de dificultades conceptuales en estudiantes de grado y de postgrado. Memoria de la XI Escuela de Invierno de Educación Matemática. Red de Centros de Investigación en Matemática Educativa. 2007, 328-343. ISBN: 978-970-9971-14-9. [13] Vallecillos, A. (1996). Inferencia estadística y enseñanza: un análisis didáctico del contraste de hipótesis estadísticas. Ed. COMARES. Granada. España [14] Yu, C.H. Resampling: a conceptual and procedural Introduction. In J. W. Osborne (ed.). Best Practice in Quantitative Methods.Thousand Oaks, CA: Sage Publications, 2008.