¿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.
Considero que el desarrollo de la alfabetización estadística mediante la modelización se ve limitado, en gran medida, por los enfoques de la micro y macro evaluación que tienden a privilegiar respuestas cerradas, limitando así las oportunidades del estudiantado para explorar, tomar decisiones o cuestionar los supuestos involucrados. Debido a esto las prácticas de enseñanza continúan centradas en la aplicación de fórmulas y en la obtención de resultados numéricos, frecuentemente desvinculados del análisis de contextos reales y de la incertidumbre inherente a los fenómenos estudiados.
Para que el estudiantado comprenda la incertidumbre en lugar de ocultarla detrás de cálculos, es necesario fortalecer la formación docente y modificar los criterios de evaluación. No basta con el dominio técnico de los contenidos, sino que se requiere una comprensión didáctica de la modelización como proceso interpretativo, que permita diseñar tareas abiertas y promover la argumentación, la toma de decisiones y la revisión crítica de los modelos. La formación continua debería propiciar espacios de reflexión sobre la coherencia entre enseñanza, modelización y evaluación.
Desde el aula, según lo que vimos en el módulo una vía concreta para que la estadística funcione como herramienta para enfrentar la incertidumbre es el trabajo con datos reales y contextos significativos. Actividades basadas en el análisis exploratorio de datos, que fomenten la discusión colectiva y la interpretación de resultados, esto permite que la estadística deje de percibirse como un conjunto de técnicas y se convierta en un medio para comprender la realidad.
Considero que algunas ideas esenciales planteadas en la reflexión atienden a la vinculación sinérgica entre la modelización y la enseñanza/aprendizaje de la Estocástica en la educación secundaria, también en como la modelización matemática y aplicada en un contexto estadístico o probabilístico resulta clave para la formación de competencia matemática, razonamiento y alfabetización estocástica, posibilitando visiones mecanicistas de esta disciplina.
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.
Una enseñanza centrada en la modelización permite formar estudiantes capaces de cuestionar, interpretar y tomar decisiones informadas, superando una visión mecanicista de la estadística. Por último, y no menos importante, cómo la exposición a situaciones problemáticas reales brinda al estudiantado oportunidades para el cuestionamiento, el desarrollo de la criticidad en un mundo lleno de información, en el cual se deben tomar decisiones todos los días, de mayor o menor impacto, mas estas deberían ser fundamentadas en datos objetivos.
En la realidad educativa costarricense, la modelización matemática, y particularmente en Estadística y Probabilidad, forma parte del currículo oficial, donde se destaca: su vínculo inevitable con el trabajo en contextos reales y así “El espíritu de la modelización reside en la identificación, manipulación, diseño y construcción de modelos matemáticos sobre situaciones auténticas del entorno.” (Ministerio de Educación Pública, 2012, p.31)
Hola, compañero. Respecto a la pregunta ¿en qué medida la enseñanza actual de la estadística en nuestras aulas sigue basada en recetas algorítmicas?, desde mi punto de vista esto todavía ocurre en una medida importante. Muchas veces la enseñanza de esta área se reduce a procedimientos mecánicos, en los que el estudiantado aprende a construir gráficos, calcular medidas o aplicar pasos específicos, pero sin profundizar realmente en la interpretación de los datos, la variabilidad y el análisis de situaciones contextualizadas.
Además, considero que esta situación también se ve reflejada en la importancia limitada que, en muchos casos, se le da al área de estadística, incluso en evaluaciones nacionales, donde históricamente ha tendido a ocupar un lugar menos protagónico que otras áreas de la matemática. Precisamente por ello, resulta fundamental que el docente le otorgue el valor que merece dentro del aula y no la aborde de forma apresurada o superficial. Pues ante estos apuros es que se dejan muchos contenidos sin abordar.
Hola compañeros, buenas tardes.
Desde mi experiencia en el aula, coincido en que muchas veces la enseñanza de la estadística sigue siendo bastante algorítmica. Aunque los y las estudiantes logran aplicar procedimientos, cuando les pido interpretar resultados o tomar decisiones a partir de datos reales, aparecen dificultades importantes. Esto me hace pensar que, en buena medida, aún mantenemos prácticas cercanas a recetas, donde el énfasis está más en el cálculo que en la comprensión.
En relación con la pregunta sobre cómo la modelización puede ayudar a comprender la incertidumbre, he notado que el cambio ocurre cuando dejo de darles todo estructurado.
Cuando los estudiantes tiene que decidir qué datos recolectar, cómo organizarlos y qué conclusiones son razonables, empiezan a reconocer que los datos no son exactos ni deterministas. Ahí surgen discusiones interesantes, comparaciones y distintas interpretaciones que les permiten entender que la incertidumbre es parte del proceso.
Por eso, considero que el tipo de tareas que propongo es clave. Cuando trabajo con situaciones más abiertas y cercanas a su realidad, se genera más participación y argumentación. El estudiantado comienza a justificar sus decisiones y a cuestionar resultados, lo cual fortalece el pensamiento estadístico. En ese sentido, la modelización deja de ser un procedimiento y se convierte en una herramienta para interpretar y tomar decisiones en contextos reales.
Muy válidos los cuestionamientos que el compañero autor plantea al inicio del debate, en nuestra búsqueda profesional por aportar a una enseñanza significativa, resalta la modelización estadística como respuesta a nuestras inquietudes. Podríamos pensar que sí, siempre y cuando su planteamiento sea consiente de hacerse acorde a lo que necesita nuestra educación. En el currículo actual costarricense, se ha querido introducir como metodología general en todos los componentes de la matemática, y por ende de la Estadística y la Probabilidad también, para promover alfabetización y razonamientos estadísticos. Por ello, es relevante comprender lo que implica el tratar de enseñar estadística crítica, los elementos a tomar en cuenta y el trabajo o rol que el docente y los estudiantes deben de asumir.
El buscar mejorar con nuevas técnicas el aprendizaje de conceptos de la disciplina, involucra estar claros sobre lo que se pretende, y en ese aspecto los entes internacionales como la NCTM o las pruebas PISA, han planteado la necesidad de resolver problemas contextualizados de una manera crítica y estructurada, y modelos como el PPDAC y el SRLE han surgido como respuestas. A su vez, la metodología mediante la que se estructuró el currículo MEP (2012), a través de competencias, buscan precisamente esa mejora de actividades curriculares orientadas a crear una sociedad cada vez más crítica de sus respuestas y aprendizajes.
Por último, muchos autores coinciden en que analizar la variabilidad y la incertidumbre como elementos primordiales de la estadística, debe de ser un elemento esencial en su aprendizaje, y la modelización estadística viene a integrar esos elementos al ser una técnica completa que inicia desde la lectura de un problema, identificación de sus datos, comprensión del contexto, análisis de los datos y construcción de posibles modelos; ratifica lo importante de construir una respuesta en base a evidencias estadísticas. Como plantean Aymerich y Albarracín (2022), mediante la modelización estadística, se promueve razonamiento estadístico al promover que los alumnos construyan sus propios conceptos y métodos estadísticos para estudiar situaciones realistas y complejas.
Esta reflexión parte de la necesidad de resignificar la modelización estadística no como una secuencia algorítmica cerrada, sino como un proceso epistemológico y didáctico que coloca la variabilidad, la incertidumbre y la argumentación basada en evidencia en el centro del aprendizaje. En sintonía con los marcos GAISE II, el enfoque SRLE y el Programa de Matemática del MEP (2012), la propuesta enfatiza que enseñar estadística exige transitar del cálculo aislado hacia ciclos de indagación auténtica (PPDAC), donde los modelos surgen de preguntas contextualizadas y se validan críticamente frente a la realidad. Matemáticamente, se prioriza la variabilidad como propiedad estructural y no como error; didácticamente, se reclama un docente mediador que fomente la conjetura, la contrastación empírica y la explicitación de supuestos; y curricularmente, se alinea con la formación de una ciudadanía capaz de leer, cuestionar y actuar con criterio ético frente a la sobreabundancia de datos y algoritmos en la sociedad contemporánea.
Los aprendizajes que se buscaban desarrollar apuntan a consolidar una alfabetización estadística crítica donde el estudiantado no solo ejecute procedimientos, sino que interprete límites, reconozca la provisionalidad de los modelos y tome decisiones informadas bajo incertidumbre. Como estudiante de maestría, comprendo que la modelización no es un fin técnico, sino una herramienta cognitiva para navegar la complejidad real, superando la intuición determinista y entendiendo la probabilidad como un lenguaje de lo posible. Responder a las interrogantes finales implica diseñar tareas que obliguen a formular preguntas investigables, contrastar predicciones con datos reales y reflexionar sobre el contexto y los sesgos del modelo, transformando así el aula en un espacio donde la estadística deje de ser una caja de fórmulas para convertirse en una brújula crítica y ética ante un mundo inherentemente incierto.
Saludos, me parece muy interesante cómo el blog plantea la modelización estadística como algo más que una técnica, sino como una forma de interpretar la realidad. Muchas veces en la enseñanza se reduce la estadística a aplicar fórmulas, pero aquí se resalta que el proceso inicia desde la formulación de preguntas y la comprensión del contexto. Esto me parece clave, ya que es precisamente en esa etapa donde el estudiante comienza a darle sentido a los datos y a desarrollar un pensamiento más crítico.
Además, considero muy valioso el énfasis en modelos como PPDAC, que estructuran la enseñanza como un proceso de investigación. Esto rompe con la práctica tradicional de dar los datos ya listos y, en su lugar, invita a los estudiantes a involucrarse desde el problema hasta la interpretación de resultados. Desde mi experiencia, este cambio no es sencillo, pero sí necesario si queremos que los estudiantes realmente comprendan la estadística y no solo la ejecuten de forma mecánica.
Finalmente, me parece muy potente la idea de que la modelización permite entender la incertidumbre como parte natural de los fenómenos y no como un error. Esto cambia completamente la visión de la estadística en el aula, ya que el objetivo deja de ser “encontrar la respuesta correcta” y pasa a ser “tomar decisiones fundamentadas con la información disponible”. Sin duda, este enfoque aporta mucho a la formación de ciudadanos críticos, capaces de interpretar y cuestionar la información en contextos reales.
Desde mi perspectiva, coincido en que la modelización estadística no puede reducirse a una receta algorítmica, sino que debe asumirse como una herramienta para interpretar la incertidumbre y tomar decisiones informadas. En muchas ocasiones, aunque los programas de estudio promueven la indagación, en la práctica seguimos priorizando el cálculo, lo que limita el desarrollo del pensamiento crítico en el estudiantado .
Me parece especialmente valioso el énfasis en iniciar los procesos de enseñanza a partir de problemas contextualizados. Esto cambia completamente la lógica de la clase: ya no se trata de resolver ejercicios, sino de investigar, cuestionar y construir significado a partir de los datos. En este sentido, modelos como PPDAC no solo organizan la enseñanza, sino que permiten acercar al estudiante a una experiencia más auténtica del quehacer estadístico.
Asimismo, considero clave la idea de asumir la incertidumbre como un elemento central y no como algo que debe “eliminarse” mediante cálculos. Enseñar estadística implica, precisamente, ayudar a los estudiantes a convivir con la variabilidad, interpretar resultados y reconocer que los modelos son aproximaciones, no verdades absolutas. Esto tiene un valor formativo enorme, ya que prepara a los estudiantes para enfrentarse a situaciones reales donde la información es incompleta o ambigua.