¿Cómo puede la modelización estadística contribuir al desarrollo de una alfabetización estadística crítica en los educandos? ¿Es el modelado estadístico una simple receta algorítmica o una herramienta para comprender la incertidumbre del mundo real?
Estas preguntas resultan fundamentales en el contexto educativo actual, donde la enseñanza de la estadística no puede seguir reduciéndose a la aplicación de fórmulas y procedimientos aislados. Diversos estudios en didáctica de la estadística señalan la necesidad de transformar esta enseñanza hacia enfoques que promuevan el razonamiento crítico y la toma de decisiones informadas.
En esta línea, Maturana (2022), quien retoma a Batanero y Godino (2002) plantean que la estadística y la probabilidad deben contribuir al desarrollo personal del individuo, fomentando un razonamiento crítico basado en la valoración de la evidencia. En este sentido, ya sea como docentes universitarios o de los diferentes niveles educativos del Ministerio de Educación Pública costarricense necesitamos formar ciudadanos capaces de investigar, que desarrollen habilidades para modelizar estadísticamente y argumentar con sus datos.
Asimismo, el informe GAISE enfatiza que la estadística debe entenderse como “un proceso investigativo de resolución de problemas y toma de decisiones” (Carver et al., 2016), que permita hacer énfasis en el papel del contexto, los objetivos y, crucialmente, la variabilidad. Desde esta perspectiva, este texto propone reflexionar sobre la modelización estadística como un eje clave para transformar la enseñanza de la estadística y fortalecer la alfabetización estadística en contextos educativos, particularmente en Costa Rica.
La enseñanza de la estadística ha transitado desde enfoques centrados en el cálculo hacia propuestas que priorizan el análisis de datos y la comprensión del contexto. Este camino no es reciente; ya que Cobb (1992) proponía reorganizar la enseñanza en torno al pensamiento estadístico, el uso de datos y el aprendizaje.
En el contexto costarricense, el Programa de Estudios de Matemática (MEP, 2012) recoge está visión al promover procesos de indagación que emulan el trabajo de un investigador. Sin embargo, en la práctica, aún persiste una tendencia a priorizar el cálculo sobre el razonamiento estadístico, lo que limita el desarrollo de habilidades críticas en los estudiantes.
En este escenario, modelos como PPDAC (Problema, Plan, Datos, Análisis, Conclusiones) y SRLE (Ambiente de Aprendizaje del Razonamiento Estadístico) ofrecen una estructura didáctica que permite organizar la enseñanza desde preguntas significativas. Esto implica que la clase no debe iniciar con datos dados, sino con problemas contextualizados que inviten a los estudiantes a formular preguntas, recolectar información y construir interpretaciones.
Por ello, la modelización estadística debe complementarse en el Programa de Estudios de Matemática (MEP, 2012), con el fin de estructurar la enseñanza estadística como un proceso de indagación. Esto implica iniciar las lecciones con problemas contextualizados que promuevan la formulación de preguntas y conjeturas, en lugar de proporcionar datos preestablecidos. Así, se trasciende la aplicación mecánica de procedimientos para fomentar el pensamiento crítico, la verificación de información y la toma de decisiones basada en evidencia.
Entonces ¿será acaso que la modelización estadística la clave de mejorar los procesos de enseñanza?. La modelización estadística no debe entenderse únicamente como una técnica, sino como una forma de interpretar la realidad. Wild y Pfannkuch (1999) la conciben como un proceso que inicia con la traducción de un problema real en términos estadísticos, continúa con el análisis de datos y culmina con la interpretación contextualizada de los resultados.
En coherencia con esto, Franklin et al. (2007) destacan que el estudiante debe desarrollar la capacidad de formular preguntas investigables, comprender la variabilidad y comunicar conclusiones basadas en evidencia. Así, la modelización se convierte en un puente entre los datos y la realidad, permitiendo al estudiante comprender que los modelos no representan verdades absolutas, sino aproximaciones útiles para interpretar fenómenos complejos.
Por su parte, Chaves (s.f.) señala que hemos pasado de una visión determinista a una comprensión donde la incertidumbre es inherente a los sistemas. Este cambio tiene implicaciones didácticas profundas: enseñar estadística no es enseñar certeza, sino enseñar a tomar decisiones en condiciones de incertidumbre. Konold y Pollatsek (2004) proponen entender el análisis de datos como la búsqueda de patrones (señal) dentro de la variabilidad (ruido). Esta idea permite al estudiante reconocer que no todos los datos son exactos ni deterministas, sino que requieren interpretación.
En este sentido, la enseñanza de la probabilidad no puede limitarse a la frecuencia relativa. Cuando se abordan situaciones como “¿cuál es la probabilidad de que mañana llueva?”, se introduce al estudiante en problemas reales donde la modelización adquiere sentido social y ético.
Retomando las preguntas iniciales, la modelización estadística no puede reducirse a una receta algorítmica, sino que constituye una herramienta fundamental para comprender y actuar en un mundo marcado por la incertidumbre. Una enseñanza centrada en la modelización permite formar estudiantes capaces de cuestionar, interpretar y tomar decisiones informadas, superando una visión mecanicista de la estadística.
En el contexto educativo costarricense, esto implica un desafío importante: transitar de prácticas centradas en el cálculo hacia experiencias de aprendizaje auténticas, donde el estudiante interactúe con datos reales y construya significado a partir de ellos. Además, la alfabetización estadística crítica no solo es un objetivo educativo, sino una necesidad social, ya que permite formar ciudadanos capaces de comprender la información, cuestionarla y actuar con criterio en contextos complejos. Así, la estadística, entonces, dejará de ser un conjunto de fórmulas para convertirse en una verdadera brújula que orienta nuestra comprensión de la incertidumbre.
Para finalizar nos cuestionamos como docentes
·¿En qué medida la enseñanza actual de la estadística en nuestras aulas sigue basada en recetas algorítmicas?
·¿Cómo puede la modelización ayudar a que el estudiantado comprenda la incertidumbre en lugar de ocultarla detrás de cálculos?
·¿Qué tipo de tareas permitirían desarrollar realmente pensamiento estadístico en el aula?
Referencia Bibliográfica
Carver, R., Everson, M., Gabrosek, J., Horton, N., Lock, R., Mocko, M., Rossman, A., Roswell, G. H., Velleman, P., Witmer, J., et al. (2016). Guidelines for assessment and instruction in statistics education (GAISE) college report 2016.
Chaves, E. (s.f.). Determinismo, Azar y Modelización en la Enseñanza de la Estadística. Documento elaborado con fines didácticos para la Maestría Profesional en Didáctica de las Matemáticas, UNA.
Cobb, G. (1992). Teaching statistics. In L. A. Steen (Ed.), Heeding the call for change (pp. 3–34). The Mathematical Association of America.
Franklin, C., Kader, G., Mewborn, D., Moreno, J., Peck, R., Perry, M., & Scheaffer, R. (2007). Guidelines for assessment and instruction in statistics education (GAISE) report. American Statistical Association.
Maturana, I. (2022). Didáctica del azar y lo determinístico. https://upla.cl/pedagogiaenmatematica/wp-content/uploads/2024/05/didactica-del-azar-y-lo-deterministico-didactica-de-la-estadistica-6.pdf
MEP. (2012). Programa de estudio de matemáticas. Ministerio de Educación Pública de Costa Rica.
OpenAI. (2026). Evolución del pensamiento estadístico: del determinismo a la modelización probabilística [Imagen generada por IA]. ChatGPT (DALL·E).
Wild, C. J., & Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67(3), 223–248.
