Infostat como herramienta didáctica

Numerosas organizaciones han potenciado el proceso de enseñanza-aprendizaje de la Estadística a partir del uso de InfoStat. Instituciones de nivel medio, terciario, y universitario de grado y de posgrado desarrollan cursos masivos sobre la base de la versión estudiantil. No se necesitan laboratorios de computación especiales para realizar estas actividades. InfoStat es fácil de aprender. Pocas horas de instrucción son necesarias para su uso. Cada alumno puede profundizar luego hasta el nivel que desee en su computador personal. Seguramente ellos descubrirán una valiosa herramienta para el desarrollo de sus trabajos.

La transformación de datos en información representa nuestra visión. Queremos que las nuevas generaciones cuenten con la capacidad de explorar datos viendo más allá de las cifras y los algoritmos las claves para cambiar inteligentemente su realidad.

Aplicaciones Didácticas para favorecer el pensamiento bajo incertidumbre

Análisis exploratorio de datos

  • Histogramas interactivos
  • Representaciones gráficas de medidas de confianza
  • Suavizados
  • Distribuciones empíricas
  • Matrices de diagramas de dispersión
  • Árboles de mínimo recorrido
  • Bi-plot
  •  

Simulación: “aprendiendo desde la experimentación”

- Generador de variables aleatorias
  • Realizaciones de variables continuas y discretas
  • Funciones de distribución
  • Funciones de distribución inversa
  • Función de probabilidad

- Visualización interactiva de funciones de densidad con distintos parámetros

- Calculador de probabilidades

 

“El muestreo como generador de variables aleatorias”

- Simulación de distribuciones de estadísticos muestrales
  • Obtención e identificación de todas las muestras posibles por muestreo aleatorio simple o sistemático
  • Obtención automática de estadísticos en cada muestra para el estudio de su distribución
  • Obtención de muestras aleatorias simples de la distribución empírica de una variable aleatoria
  •  

“Conceptualizando la inferencia”

- Representación gráfica de intervalos de confianza obtenidos por muestreo repetido desde una distribución normal caracterizada por el alumno
  • Efecto del tamaño muestral
  • La varianza de la distribución
  • El concepto de confianza

- Contraste de hipótesis

  • Representación gráfica de las regiones críticas
  • Cálculo de potencia
  • Efecto sobre la potencia de la especificación de la alternativa
  • Efecto de la varianza de la distribución
  • El concepto de valor p
  • Diseño del tamaño muestral apropiado para la inferencia sobre valores promedios
  •  

 “Identificando fuentes de variación”

- Modelación estadística. ANAVA

  • Modelación lineal avanzada
  • Comparaciones múltiples tradicionales y basados en conglomerados
  • Estimación de contrastes
  • Generación directa de residuos y valores predichos
  • Sumas de cuadrados parciales y secuenciales
  • Ajustes automáticos por covariables
  • ANAVA y comparaciones múltiples no-paramétricas
  • Simulación de datos bajo un modelo de clasificación
  •  

“Identificando relaciones”

- Modelación estadística. Regresión

  • Mínimos cuadrados ordinarios y generalizados
  • Sumas de cuadrados secuenciales y parciales
  • Ajustes polinómicos automáticos
  • Estadísticos diagnóstico, residuos parciales
  • Contrastes de hipótesis lineales generales
  • Gráficos de Intervalos de confianza, predicción
  • Regresión no lineal
  • Medidas de correlación
  • Correlación parcial y análisis de sendero
  • Simulación de datos bajo un modelo de regresión
  •  

"Modelando series"

- Modelación estadística. Series de tiempo
  • Graficación automática de series
  • Identificación y estimación de modelos ARIMA,
  • Obtención de correlogramas
  • Series suavizadas, pruebas de raíces unitarias
  • Predicción de valores faltantes
  • Pronósticos
  • Simulación de series de tiempo basadas en modelos especificados por el usuario 
  •  

Explorando espacios multidimensionales 

- Variedad de técnicas de Análisis Multivariado

  • Análisis de conglomerados
  • Medidas de distancia/similitud
  • Criterios de agrupamiento
  • Generación automática de dendrogramas
  • Análisis discriminante
  • Facil representación gráfica de las observaciones en el espacio discriminante. Representación de nuevas observaciones
  • Análisis de componentes principales (biplot –Arboles de recorrido mínimo)
  • Análsis de coordenadas principales
  • Análsis de correspondencia simple y múltiple


Hay que superar la obsolescencia de muchas aproximaciones clásicas a la enseñanza de la estadística y abrazar decididamente las herramientas que la informática y las telecomunicaciones están ofreciendo. La materia prima de la estadística son los datos, su objeto de estudio la información. Ambos abundan y fluyen por redes cibernéticas.

Internet representa un enorme espacio de oportunidades para los estadísticos involucrados en la docencia. Los latinoamericanos debemos sacar provecho de la instancia actual de democratizadora de la información vía redes cibernéticas.

La estadística nunca tuvo una oportunidad como la actual para aprenderse de manera atractiva y jugar un importante rol en el desarrollo de las ciencias.

  UNC