Apoyo en Procesamiento

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA
INTRODUCCIÓN
ÉSTE ES UN EJEMPLO DE ÁNÁLISIS
E S TA D Í S T I C O C O N F I N E S P E D AG Ó G I C O S Y
D E A P OYO A L A L U M N O C O M O M AT E R I A L
C O N S U LTA . F U E E X T R A Í D O D E L A N Á L I S I S D E
D AT O S D E L A I N V E S T I G A C I Ó N :
« I M P O R TA N C I A D E L A C O M U N I C A C I Ó N O R A L
PA D R E - H I J O C O M O FAC TO R I N C I D E N T E E N
EL RENDIMIENTO ACADÉMICO DE ALUMNOS
DE EDUCACIÓN BÁSICA: ESTUDIO DE CASO
DEL SEXTO GRADO A DE LA ESCUELA
P R I M A R I A C E Y L Á N » P R E S E N TA D A C O M O
T R A B A J O F I N A L PA R A L A M AT E R I A D E
PROCESAMIENTO Y ANÁLISIS DE LA
INFORMACIÓN EN EL SEMESTRE 2010 -1.

PREGUNTA
La pregunta de investigación a partir de la

que se desarrolló todo el protocolo del
estudio fue: «¿por qué los alumnos de le
sexto grado A de la Escuela Primaria
Ceylán presentan bajas calificaciones en
los exámenes de conocimientos durante
al primera mitad del ciclo escolar
2009/2010?»

HIPÓTESIS
La hipótesis de trabajo para responder a la pregunta
fue: «los alumnos del sexto grado A de la Escuela
Primaria Ceylán presentan bajas calificaciones en
los exámenes de conocimientos durante la primera
mitad del ciclo escolar 2009/2010 porque poseen
deficiencias en la comunicación oral que sostienen
con sus padres que repercuten en su capacidad
cognoscitiva, lo que se refleja en una baja
calificación en el examen de diagnóstico 2009».

OBJETIVO
Por consiguiente, el objetivo del estudio fue: «demostrar
que los alumnos del sexto grado A de la Escuela
Primaria Ceylán presenten bajas calificaciones en los
exámenes de conocimientos durante la primera mitad
del ciclo escolar 2009/2010 porque posean deficiencias
en la comunicación oral que sostienen con sus padres
que repercutan en su capacidad cognoscitiva, lo que se
refleje en una baja calificación en el examen de
diagnóstico 2009».

MUESTREO
Una vez definido el tamaño de la muestra n=8 sobre una población
N=32 usando 2  y 5 errores muestrales, se realizó un muestreo
selectivo intencionado tomando como criterio de cuotas a los 4
promedios más altos en las pruebas bimestrales y, por contraparte,
los 4 promedios más bajos, quienes constituyeron dos grupos a
contrastar con el fin de encontrar semejanzas y diferencias entre
sus números. Se usó la fórmula para obtener la muestra de
poblaciones finitas:
N= ()2(p.q)N
E2(N-1)+(3)(p.q)

PERFIL
Para definir el perfil muestral, se tomaron en cuenta
los datos básicos de sexo, edad, promedio, nivel de
estudios de los padres y nivel socioeconómico. Con
ello se trazaron los datos principales que definirían la
pauta a seguir para la aplicación de pruebas
estadísticas. De aquí, se tomó la variable promedio
como principal para la definición de la muestra debido
a que es la que permitió hacer la división entre las dos
submuestras en estudio que conforman la muestra.
Los datos aparecen desglosados en el siguiente
cuadro.

Género Promedio Grado de estudios Grado de estudios Actores con Nivel
del padre de la madre quien habita socioeconómico
Primer grupo: alto rendimiento.

Masculino 7.4 Preparatoria. Carrera técnica. Padre, madre, Medio.
tío.
6.1 Primaria Secundaria Padre, madre, Bajo.

abuela (alternos) Edad. * Género
Género.
Masculin Femenin
Femenino 6.6 Desconocido Secundaria Madre. Bajo.
o o Total
5.3 Licenciatura Desconocido Padre, madre. Medio.
Edad. 11 años 4 3 7
Segundo grupo: bajo rendimiento.
12 años 0 1 1
Masculino 2.5 Desconocido Carrera técnica Abuela. Bajo.
Total 4 4 8
3.0 Preparatoria Secundaria Padre, madre, Bajo.
hermana.
Femenino 2.9 Primaria Secundaria Madre, abuela, Bajo.

inconclusa hermanas,
hermano.
3.3 Primaria Primaria Padre, madre. Bajo.

ANÁLISIS DE MEDIAS
Para comenzar el análisis de medidas de

tendencia central, que indica la posición
de los datos respecto a su semejanza con
un centro teórico, se estimó a media (x),
mediana (mdn) y moda (Mo) de toda la
muestra y de los dos subgrupos: alto
rendimiento y bajo rendimiento.

MEDIAS
Muestra total:
X= Fxi = 2.5+2.9+3.0+3.3+5.3+6.1+6.6+7.4 = 4.6375 (dato de SPSS= 4.6375)
n 8
Las medias indican
Bajo rendimiento:
los centros teóricos
X= Fxi = 2.5+2.9+3.0+3.3 = 2.925 (dato de SPSS= 2.9250)
n 4 de las submuestras
que definen el patrón
Alto rendimiento: para establecer las
X= Fxi = 5.3+6.1+6.6+7.4 = 6.35 (dato de SPSS= 6.35)
semejanzas y
n 4
diferencias entre los
valores agrupados.

MEDIANAS
2.5 5.3
2.5
2.9 2.9 2.9+3.0 = 2.95
6.1 6.1+6.6 = 6.35
3.0 2
3.3 3.0 2
6.6
3.3+5.3 = 4.3
5.3
6.1
2 3.3 7.4
6.6 En este caso, las tres medianas reflejan valores
7.4 normales y se acercan a los centros teóricos que definen
las medias. La mediana grupal sería, en este caso, la
que más difiere de la media por -0.3, lo que significa una
ligera desviación de los valores hacia la izquierda de la
distribución.

MODAS 2.5 5.3
2.5
2.9 2.9 6.1
3.0 3.0 6.6
3.3 3.3 7.4
5.3 No hay valores repetidos, así que NO
6.1 hay moda en los tres grupos. Ello
6.6 indica que la distribución es
7.4 heterogénea.

MEDIDAS DE DISPERSIÓN
Después se realiza el análisis de medidas de dispersión, que es el
cómo los valores se encuentran dispersos respecto de un centro
teórico, es decir, alejados, desperdigados en el espacio. Para
obtenerlo, se utilizará el método de momentos. Es importante
señalara que en los cálculos l cantidad de decimales usados altera
de manera considerable el resultado. Se recomienda en estadística
manejar un promedio de 4 a 6 decimales para tener datos
confiables, pero SPSS, Excel, las calculadoras con funciones
estadísticas (Casio S.P.V.A.M) puden trabajar hasta con más de 12
decimales, lo que genera en ocasiones contrastes fuertes entre lo
que se obtiene por cálculo manual y computarizado.

MÉTODO DE MOMENTOS
Varianza: indica el grado de variabilidad entre uno y
otro dato dentro de la distribución, es decir, el
promedio de la distancia que existe entre los datos
al agruparlos todos. Sirve para determinar la
homogeneidad o heterogenidad de la población en
la relación directamente proporcional.
MOMENTO 1: 2= (Fxi-x)2
n

Desviación estándar: indica la desviación que existe entre el centro
teórico de la muestra y los datos dispersos. Sirve para calcular el
ancho de la curva y, por consiguiente, el alcance de
representatividad que tienen los datos de la muestra respecto de la
población en una relación directamente proporcional: si se tienen
datos muy cercanos a la media, la muestra no es muy
representativa, si se tienen datos muy lejanos, eso quiere decir que
se abarca mucho más y la muestra es más representativa. De ahí
los criterios de confibialidad: 1= 60% de confiabilidad, 2= 95%
de confiabilidad, 3= 97% de confiabilidad.
MOMENTO 2: = (Fxi-x)2
n

Asimetría: indica cómo la muestra se inclina hacia uno u
otra lado de su centro teórico sobre el eje de las X,
señalando precisamente una asimetría ya que no
concuerda perfectamente con el centro. Sirve para
determinar la tendencia en la muestra hacia ciertos
valores, como sucede comúnmente con las gráficas de
barras.
MOMENTO 3: A = momento3  (Fxi-x)3

()3 n

Kurtosis: indica la altura del puto máximo de la
distribución (moda Mo) con respecto al aje de las y.
Puede ser de tres tipos: platicúrtica, cuando la kurtosis
es baja y la distribución es más o menos plana;
mesocúrtica, si la kurtosis es media y la curva toma
forma normal; y leptocúrtica, cuando el valor de la
kurtosis es alto y la distribución muestra un «pico»
pronunciado. Sirve para saber la diversidad de
respuestas otorgadas o la tendencia hacia la
concentración en ciertos valores.
MOMENTO 4: K = momento4  (Fxi-x)4
()4 n

Aplicando el método de momentos sobre los valores obtenidos, tenemos los siguientes
resultados:
Muestra grupal:
M1 M2 M3 M4
2.5 – 4.6375 = (-2.1375) = 4.5689
2 = -9.7660 = 20.8748
2.9 – 4.6375 = (-1.7375) = 3.0189
2 = -5.2453 = 9.1137
3.0 – 4.6375 = (-1.7365) = 2.6814
2 = -4.3907 = 7.1897
3.3 – 4.6375 = (-1.3375) = 1.7889
2 = -2.3926 = 3.2001
5.3 – 4.6375 = (0.6625)2 = 0.4389 = 0.2907 = 0.1925
6.1 – 4.6375 = (1.4625) = 2.1389
2 = 3.1281 = 4.5748
6.6 – 4.6375 = (1.9625) = 3.8514
2 = 7.5583 = 14.8331
7.4 – 4.6375 = (2.7625) = 7.6314
2 = 21.0817 = 58.2381
= 26.1189 = 3.2618 = 10.2642= 1.2860 = 0.2175 = 118.2168 = 14.7771 = .3865
8 8 (1.8068)3 8 (1.8068)4
2=3.2618 (dato SPSS: 3.731) A=0.2175 (dato SPSS 0.271 K=1.3865
con error de 0.752) (dato SPSS
=3.2618 = 1.8068 (dato SPSS: 1.93164) 1-989 con
error de 1.481

Los resultados señalan que se trata de una muestra con alta variabilidad entre un
valor y otro, una desviación estándar pequeña que señala una población poco
dispersa (no rebasa el 2), una tendencia ligera a inclinarse hacia el lado derecho del
centro teórico, y una kurtosis pequeña que da a entender una distribución platiforme
sin concentración específica de valores en algún punto determinado (ello es de
entenderse puesto que ningún valor se repite y no existe moda).
Esta sería a grandes rasgos la gráfica de la muestra respecto al promedio

Bajo rendimiento:
M1 M2 M3 M4
2.5 – 2.925 = (-0.425)2 = 0.1806 = -0.2444 = 0.0326
2.9 – 2.925 = (-0.025)2 = 0.0006 = -0.00001 = 0.00003
3.0 – 2.925 = (0.075)2 = 0.0056 = 0.0806 = 0.1556
3.3 – 2.925 = (0.375)2 = 0.1406 = 0.0527 = 0.0197
= 0.3274=0.08185 = -0.1111= -0.0277= -1.1888 = 0.20793= 0.0519=0.0465
4 4 (0.2860)3 4 (0.2860)4
2=0.08185 (dato SPSS: 0.109) A=-1.1888 (dato SPSS -0.437) K=0.0465
=0.08185 = 0.2860 (dato SPSS: 0.33040)

REPITIENDO EL MISMO PROCESO CON LOS
ALUMNOS DE ALTO RENDIMIENTO SE OBTIENE:
Con ello se deducen las siguientes distribuciones para ambos
2 = 0.777 grupos
 = 0.8812
A= 0.0
K= -.023

PRUEBAS Y CORRELACIONES
Ya caracterizadas las muestras con las MTC y las MD, se
prosigue a hacer pruebas estadísticas y correlaciones.
Debe recordarse que éstas pertenecen al rubro
matemático de pruebas para grupos de números
pequeños, emanado de la teoría de los pequeños
números. Siempre que se ejecuten debe tenerse a la
mano la hipótesis de trabajo para saber cuál prueba es
la más conveniente de aplicar (no es necesario usarlas
todas) y qué es lo que se espera que nos diga.

Prueba de hipótesis: es el mecanismo mediante el cual se trata de
comprobar estadísticamente la hipótesis planteada en términos de cambio
o no cambio. Se le llama hipótesis alternativa (Ha) a aquella que parte de la
idea de que sí existe un cambio en la variable dependiente generado por
cierta conducta de la variable independiente, es decir, que la hipótesis que
hemos propuesto como respuesta tentativa a la pregunta de investigación
tiene posibilidades de ser comprobada. Por contraparte, siempre habrá una
hipótesis nula (Ho) que señalará que en realidad no existe tal relación de
causa-efecto y que, por lo tanto, no existe tal cambio. Ambas hipótesis son
mutuamente excluyentes, es decir, si se comprueba una se debe refutar la
otra y viceversa. De manera que cuando se aplica cualquier prueba
estadística o de correlación, se intenta, de acuerdo con el objetivo
planteado, de comprobar una Ha o refutar una Ho, aunque también suele
haber casos en los que el éxito se encuentre en comprobar la Ho. Cuando
alguna de las dos hipótesis se comprueba o se refuta sin ser en verdad
dignar de tal conclusión, se producen los llamados errores de hipótesis de
tipo I y II.

Prueba Z: permite realizar una especie de «promedio ponderado»
distinto de la media, para evaluar la posición que ocuparía un valor
si se considera como parámetro el total de los valores que le rodean
en la muestra. Esta prueba implica un desplazamiento en el valor
desde su lugar original hasta el nuevo lugar ponderado respecto de
los demás. Suele ser muy útil para la evaluación de productividad
en empresas.
Z= Fxi-X El cálculo de esta fórmula permitirá obtener el patrón

 de variación del valor en la recta numérica, por lo que tras
obtenerse deberá de sumársele (o en caso de ser negativa
restársele) al valor de la media para hallar el nuevo lugar
correspondiente.

Prueba T de Student: esta prueba es una especie de comparativo entre las
pruebas Z de dos grupos, es decir, entre el promedio ponderado de
eficiencia de un valor respecto al promedio ponderado de eficiencia de otro
valor, para detectar si existen elementos en común entre ambas. La prueba
T de Student parte del supuesto de que dos grupos completos de valores
pueden hallar semejanzas en sus centros teóricos, por lo que cierta parte
de sus distribuciones llegarían a intersectarse a manera de diagramas de
Venn-Euler (Teoría de conjuntos). Con la prueba T se intenta comprobar la
correlación positiva entre los dos grupos, lo que corresponde a la
comprobación de la Ha.
T= X1+X2
S1 + S2
 n1 n2
T

Prueba Ji cuadrada: esta prueba es contraria a la prueba T, pues parte del
supuesto de que no existe correlación entre dos grupos de valores. Sería
como un intento de refutar pruebas Z entre sí para indicar que la eficiencia
de sus promedios ponderados es muy distante. Para ello, se parte de la
observación de una diferencia entre dos grupos que podrían en un
hipotético caso presentar igualdad de condiciones en sus valores. Se
calcula el término medio entre ambos –es decir el valor que equilibraría a
ambos grupos eliminando sus diferencias–, y se toma este como una
frecuencia teórica o ideal que habría de seguirse. Luego se comparan las
frecuencias reales de ambos grupos en relación con esta frecuencia ideal y
así se estima si la diferencia entre ambos es lo suficientemente amplia
como para considerarse significativa, o por el contrario, tan estrecha que no
existe en realidad una polarización de extremos.
Ji2 = (Fr1-Ft)2 + (Fr2-Ft)2

Ji2
Ft Ft

Tanto las pruebas Z, T y Chi2 funcionan con
base en los llamados valores críticos, que son
valores predeterminados para saber si el
resultado de la aplicación de las pruebas puede
considerarse o no lo suficientemente relevante
como para comprobar la Ha o refutarla dando
paso a la Ho. De esa manera es como
estadísticamente se comprobarían las hipótesis
establecidas en el protocolo de investigación.
Para hacerlo, deben de tenerse presentes 2
cuestiones:

1. Los grados de libertad: se trata de las variaciones que pueden
tenerse hacia arriba y hacia debajo de la distribución normal, la
cual no es del todo fija: permite cierto margen de movimiento.
Con base en ese margen de movimiento se obtendrá el valor
crítico a usar. Cada una de las pruebas tiene su propia fórmula
para detectarlos (aunque existen varias de común). Para la
prueba T, la fórmula convencional es gl=(n1+n2)-2, aunque
bien existe otra más rigurosa, que marca (n1+n2) -1. Para la
prueba ji2, la fórmula es k-m-1 –donde k es un parámetro que
la gran mayoría de las veces no opera y m es la cantidad de
categorías analizadas. De ahí que lo más común es calcular los
valores de la ji2 con n-1 grados de libertad–.

2. El nivel de confianza deseado: este se estima a criterio
propio del investigador, de acuerdo con qué tan riguroso
quiere que sea el estudio. Por supuesto, mientras mayor sea
la demanda de confianza, las colas de la distribución serán
más amplias y se tendrá mayor probabilidad de caer en la
zona de error, por lo que la comprobación de la Ha se vuelve
más difícil. Por el contrario, si se relaja el margen de
confianza, se incrementan las posibilidades de comprobar a
Ha, pero ello no significa que esa comprobación se halla
realizado sobre bases verdaderamente significativas. Se trata
de un juego de acuerdo con los intereses de la investigación,
su naturaleza y su presupuesto.

Para conocer la significatividad de los resultados de las pruebas,
una vez que ya se han obtenido los valores de los grupos o datos en
confrontación a través de sus respectivas fórmulas, se calculan sus
grados de libertad y se hace uso de las tablas de frecuencias
especialmente diseñadas para encontrar en ellas los valores
críticos.
Es como un juego de submarino: en el eje de las x se encuentran los
niveles de confianza, y en el de las y los grados de libertad.
Entonces se localiza el grado de libertad correspondiente de
acuerdo a lo obtenido en su respectiva fórmula, y se elige a criterio
propio el nivel de confianza deseado –para la prueba T el estándar
es de 0.05, para la Ji2 de 95.0– , entonces se triangulan las
coordenadas que ambos marcan hasta llegar al número de la lista
que marca el valor crítico a tomar.

Después, se traza sobre el eje de las x en la distribución
la ubicación del resultado de la prueba, y los valores
críticos ofrecidos por la tabla tanto en negativo como en
positivo, y de acuerdo con su comparación se
comprueba o refuta alguna de las hipotésis: en el caso
de la prueba T, si e valor de la T queda acotado en
medio de los límites que marcan los valores críticos,
significa que sí hay correlación. De manera inversa, si en
la chi2 el resultado queda fuera de los valores críticos,
significa que no hay correlación.
Ahora se procederá a mostrar la aplicación de las tres
pruebas en el ejemplo has ahora manejado:

Se tienen los datos de ambos grupos:
Bajo rendimiento: Alto rendimiento:

X= 2.925 X= 6.35
2 = 0.08185 2 = 0.777
 = 0.2860  = 0.8812
A= 1.1888 A= 0.0
K= O.0465 K= -.023
2.5 5.3
2.9 6.1
3.0 6.6
3.3 7.4

Se aplica la prueba Z para comparar los rendimientos del alumno de mayor puntaje dentro
del grupo de alto rendimiento y el de menor puntaje del grupo de bajo rendimiento:
Z= Fxi-X = 2.5-2.925 = -1.4860 desplazamiento
 0.2860
2.925+(-1.4860)= 1.439 calificación ponderada
Z= Fxi-X = 7.4-6.35 = 1.1915desplazamiento

 0.8812
6.35+1.1915= 7.5415calificación ponderada
Como puede verse, los rendimientos efectivos de cada alumno cambian de acuerdo a su
contexto. Entre aquellos de bajo rendimiento, el de más bajo rendimiento decrece aún más
en su calificación, mientras que en quienes tienen alto rendimiento, el mayor alcanza aún un
poco más de promedio. Estos resultados no serían los mismos, por supuesto, si el puntaje Z
se aplicara al total de la muestra en vez de a las submuestras dividas.

Luego, la prueba T nos permite comparar el
rendimiento de un grupo y del otro. De acuerdo con
la hipótesis inicial de trabajo, la Ha espera que esta
prueba falle en la demostración correlación entre
ambos grupos a fin de poder demostrar las
diferencias entre los alumnos con alto y bajo
rendimiento en relación con su comunicación
familiar.
T= X1+X2 2.925 + 6.35 = 17.17 gl=(n1+n2)-2 = (4+4)-2

= =6
S1 + S2 0.2860 + 0.8812
 n1 n2  4 4

Al buscar en la tabla el equivalente a 6 grados de libertad con 0.05
niveles de significancia (estándar común), el valor crítico obtenido
es de 3.707 para una sola cola (no se usan dos porque en este
caso no hay lugar a números negativos, no puede haber
calificaciones negativas). Ahora bien, el resultado de la prueba T fue
de 17.1700, cuyo margen queda afuera del límite crítico establecido
por 3.707. Por consiguiente, se concluye que ambos grupos –alto
rendimiento y bajo rendimiento– no encuentran por mucho ningún
punto de correlación, de manera que la Ha queda comprobada en el
sentido en que fue especificada desde el principio de la
presentación (demostrar que ambos grupos son diferentes, y que lo
son debido a la comunicación de sus padres).

Al aplicar la ji2, se espera el efecto contrario: la
corroboración del análisis de extremos de los dos grupos,
que confirme su diferencia. Si el promedio de un grupo es
de 2.925 y el otro de 6.35, el punto de equilibrio se
encuentra en 4.6375, ya que es el promedio de ambas y si
los dos grupos sacaran eso la diferencia se mitigaría. Por
consiguiente, esta es la frecuencia teórica esperada contra
la que hay que contrastar las frecuencias reales para ver si
tal diferencia es verdaderamente significativa.
Ji2 = (Fr1-Ft)2 + (Fr2-Ft)2 = (2.925-4.6375)2 + (6.35-4.6375)2 = 1.2646

Ft Ft 4.6375 4.6375
gl= k-m-1 = 2-1 = 1

Al buscar en la tabla el valor crítico para la distribución
ji2 con 1 grado de libertad y 0.95 niveles de
significancia (estándar), el valor crítico que se da es de
.00393. Si el valor obtenido en la prueba fue de 1.2646,
éste excede el límite establecido para 1 cola, lo que
significa que la diferencia se ubica, efectivamente, en
los extremos, comprobando la Ha sobre la diferencia
existente entre ambos grupos y marcando la tendencia a
la dispersión entre los alumnos de alto rendimiento y los
de bajo rendimiento.

CONCLUSIÓN
Con todos los datos arrojados, se concluye que la muestra recolectada es una
muestra representativa medianamente heterogénea y sin amplio margen de
variación. No existen puntos medulares de concentración de fenómenos de
respuesta sobre la variable estudiada.
A correlacionar las dos submuestras delimitadas, se demuestra que son disímiles y
tienden a alejarse hacia los extremos de la distribución sin compartir elementos
en común. El rendimiento ponderado sobre los individuos de ambos grupos se
modifica de acuerdo con el nivel general de cada uno, y existe una leve tendencia
por parte de uno a inclinarse hacia valores negativos por debajo del centro
teórico, mientras que el otro se ubica en el centro teórico perfecto.
Interpretando estos datos, se descubre que en realidad el aprovechamiento del
alumnado del 6ª de la Escuela Primaria Ceylán es deficiente y que el llamado
grupo «de alto rendimiento» no es más que un grupo con un nivel de
conocimiento promedio, como lo demuestra su asimetría perfecta y su curtosis
plana, mientras que el otro sí denota rasgos de rezago académico e
insuficiencias considerables.

COMENTARIO FINAL
Por último, no debe olvidarse que todas estas pruebas están sujetas a
interpretación y perfeccionamiento. Las fórmulas aquí dadas no son las
únicas existentes para determinar los valores e las pruebas y la capacidad
de manejar hasta cierta cantidad de decimales influye mucho en la
precisión de los resultados. En este caso, se trabaja con hipótesis
estadísticas que se obtienen del manual de variables por criterio de jueces,
de manera que cada variable pueda ser analizada numéricamente. La
definición de la muestra puede realizarse bajo los criterios de perfil, pero
debe de seleccionarse cuál de ellos es el más importante (como en este
caso se hizo con la calificación). Sólo se pueden aplicar medidas de
tendencia central y dispersión a una variable a la vez, mientras que las
pruebas y las correlaciones sirven para cruzar variables, por lo que es
preferible seguir tal orden: primero dentro de las variables y después entre
variables; ello es parte del orden metodológico. Al final, sólo la teoría
indicará el sentido de estos datos.

SITIOS WEB SUGERIDOS
http://www.itch.edu.mx/academic/industrial/estadistica1/toc.html
http://guajiros.udea.edu.co/descriptiva/articulos/Curso%20de%20EstadIstica%20Basica.
pdf
http://aathosc.tripod.com/introinfest.htm
Http://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm
http://www.cie.unam.mx/Curso_Est/ ojo revisen éste. Es un curso de una semana del 22

al 26 de noviembre en la UNAM. Lo va a dar un Dr. Del SNI. Si les interesa
aprovechen!!!!!
http://www.abcdatos.com/tutoriales/tutorial/l7209.html

Apoyo en Procesamiento

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apoyo en Procesamiento

Enviado por

Direitos autorais:

Formatos disponíveis

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

La pregunta de investigación a partir de la

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

Primer grupo: alto rendimiento.

6.1 Primaria Secundaria Padre, madre, Bajo.

Femenino 2.9 Primaria Secundaria Madre, abuela, Bajo.

3.3 Primaria Primaria Padre, madre. Bajo.

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

Para comenzar el análisis de medidas de

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

MOMENTO 3: A = momento3  (Fxi-x)3

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

=0.08185 = 0.2860 (dato SPSS: 0.33040)

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

Z= Fxi-X El cálculo de esta fórmula permitirá obtener el patrón

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

Ji2 = (Fr1-Ft)2 + (Fr2-Ft)2

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

Bajo rendimiento: Alto rendimiento:

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

Z= Fxi-X = 7.4-6.35 = 1.1915desplazamiento

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

T= X1+X2 2.925 + 6.35 = 17.17 gl=(n1+n2)-2 = (4+4)-2

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

Ji2 = (Fr1-Ft)2 + (Fr2-Ft)2 = (2.925-4.6375)2 + (6.35-4.6375)2 = 1.2646

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

http://www.cie.unam.mx/Curso_Est/ ojo revisen éste. Es un curso de una semana del 22

ELABORÓ: EDUARDO JULIÁN LÓPEZ ESPINOSA

Você também pode gostar