Academia de Matemáticas ORE Caguas · Taller 10
60 min · Taller facilitado
Portada

¿Cómo sabemos si nuestros datos son confiables?

Muestras, sesgos, encuestas, instrumentos y decisiones estadísticas responsables.

Producto del taller: una mini investigación estadística confiable lista para implementar en la Sala de Clases.
  • La meta no es que el maestro pida una encuesta bonita.
  • La meta es que diseñe investigaciones donde los estudiantes cuestionen población, muestra, sesgo, instrumento y conclusión.
  • Pregunta guía: ¿qué hace que un dato sea útil para tomar decisiones y no solo un número recolectado?
100 respuestas
¿confiables?
muestrasesgoinstrumentocautela
Apoyo visual: Guía visual: muestre la cadena de confiabilidad de datos.
Modelo visible: “No basta con tener 100 respuestas; necesito saber quién respondió, cómo se preguntó y qué limitaciones tiene la conclusión.”
Problema profesional

Más datos no siempre significan mejores datos

Un grupo puede recolectar muchas respuestas y aun así llegar a una conclusión poco confiable.

¿Qué evidencia demuestra que el estudiante entiende la calidad de los datos?
  • Define población y muestra.
  • Explica cómo se seleccionó la muestra.
  • Identifica posibles sesgos.
  • Evalúa si la pregunta mide lo que pretende medir.
  • Comunica conclusiones con limitaciones.
n = 200
pero… ¿quién respondió?
representaciónneutralidadmétodo
Apoyo visual: Guía visual: separe cantidad de calidad.
Modelo visible: “El cálculo puede estar correcto, pero la muestra puede estar mal seleccionada.”
Trabajo estudiantil

“El 90% prefiere juegos en la clase”

Un estudiante encuestó a 10 amigos durante el recreo y concluyó que el 90% de la escuela prefiere juegos en Matemáticas.

¿Qué problemas ves en esa conclusión?
  • La muestra es pequeña.
  • La muestra no parece representar a toda la escuela.
  • Puede haber sesgo por amistad o conveniencia.
  • La conclusión generaliza demasiado.
Escuela
10 amigos
90% ≠ toda la escuela
Apoyo visual: Guía visual: compare círculo de amigos con población escolar.
Modelo visible: “10 amigos no representan a toda la escuela; representan, como mucho, a ese grupo cercano.”
Pensamiento estadístico

Una investigación estadística es una cadena

Si un eslabón falla, la conclusión se debilita aunque los cálculos estén correctos.

¿Dónde puede romperse la cadena de confiabilidad?
  • Pregunta de investigación.
  • Población.
  • Muestra.
  • Instrumento.
  • Recolección.
  • Análisis.
  • Conclusión.
PreguntaPoblaciónMuestraInstrumentoAnálisisConclusión
Apoyo visual: Guía visual: cadena con eslabones.
Modelo visible: “Si la pregunta está cargada, todo lo que venga después queda débil.”
Rutina transferible

Pregunta, Muestra, Sesgo, Evidencia, Cautela

Antes de confiar en una conclusión, los estudiantes necesitan una rutina de auditoría.

¿Qué deben revisar antes de decir “los datos muestran que…”?
  • Pregunta: ¿qué queremos saber?
  • Muestra: ¿quiénes respondieron?
  • Sesgo: ¿qué pudo inclinar el resultado?
  • Evidencia: ¿qué sostienen realmente los datos?
  • Cautela: ¿qué limitación debo mencionar?
PreguntaMuestraSesgoEvidenciaCautela
Apoyo visual: Guía visual: rutina de auditoría.
Modelo visible: “Antes de concluir, reviso muestra, sesgo, evidencia y cautela.”
Población y muestra

¿A quién queremos representar?

La población es el grupo sobre el que queremos concluir; la muestra es el grupo que realmente observamos.

¿Qué ocurre si la muestra no se parece a la población?
  • La conclusión puede ser injusta.
  • Puede representar solo una parte del grupo.
  • Puede ocultar voces importantes.
  • Puede llevar a decisiones equivocadas.
Población
Muestra
¿se parece a la población?
Apoyo visual: Guía visual: población grande y muestra marcada.
Modelo visible: “Población: estudiantes de 7.º. Muestra: 30 estudiantes seleccionados de varias secciones.”
Interactividad

Selecciona una muestra

Compare métodos de selección de muestra y evalúe el riesgo de sesgo.

¿Cuál método produce datos más confiables para la pregunta?
  • Muestra aleatoria.
  • Muestra por conveniencia.
  • Muestra voluntaria.
  • Muestra estratificada.
  • Cada método tiene fortalezas y riesgos.
Apoyo visual: la barra ahora cambia la distribución visible de la muestra, los subgrupos cubiertos y el nivel de cautela. No solo cambia el número.
Modelo visible: “Si aumento la muestra de 20 a 80, pero todos vienen del mismo grupo, tengo más datos, no necesariamente mejores datos. Miro cobertura de subgrupos y método de selección.”
Tamaño de muestra

Grande no siempre es representativo

Una muestra grande puede estar sesgada si se selecciona mal.

¿Qué pesa más: el tamaño de la muestra o cómo se selecciona?
  • Ambos importan.
  • Una muestra pequeña puede ser limitada.
  • Una muestra grande de un solo grupo puede ser sesgada.
  • La selección debe conectar con la población.
n=300una sola sección
n=60varias secciones

El tamaño no compensa una selección pobre.

Apoyo visual: Guía visual: tamaño vs selección.
Modelo visible: “300 respuestas de una sola sección pueden ser menos representativas que 60 respuestas bien distribuidas.”
Sesgo de selección

Cuando solo escuchamos a los que están cerca

Recolectar datos solo de estudiantes disponibles, amigos o voluntarios puede distorsionar la conclusión.

¿Qué grupos podrían quedar fuera?
  • Estudiantes ausentes.
  • Estudiantes tímidos.
  • Otros grados.
  • Estudiantes con experiencias distintas.
  • Familias sin acceso digital.
incluidosausentestímidossin acceso¿quién quedó fuera?
Apoyo visual: Guía visual: grupos incluidos y excluidos.
Modelo visible: “Si pregunto solo a quienes están en el club, no represento a quienes no participan.”
Sesgo de respuesta

La gente no siempre responde lo que piensa

La forma en que se hace una pregunta puede influir en la respuesta.

¿Qué puede provocar una respuesta poco honesta o poco precisa?
  • Deseo de complacer.
  • Miedo a ser identificado.
  • Pregunta cargada.
  • Opciones limitadas.
  • Ambiente no neutral.
Preguntapresión socialRespuesta

El contexto puede inclinar la respuesta.

Apoyo visual: Guía visual: respuesta influida por contexto.
Modelo visible: “Si el maestro está mirando, algunos estudiantes contestan lo que creen que se espera.”
Interactividad

Reescribe la pregunta

Compare preguntas neutrales y preguntas cargadas.

¿Cuál pregunta produce datos más confiables y por qué?
  • Una pregunta neutral no empuja una respuesta.
  • Las opciones deben cubrir respuestas posibles.
  • El vocabulario debe ser claro.
  • La pregunta debe medir una sola idea.
Apoyo visual: Guía visual: reescritura neutral.
Modelo visible: “Pregunta cargada: ¿Cuánto te ayudan las excelentes actividades lúdicas? Pregunta neutral: ¿Qué tan útiles fueron las actividades?”
Instrumentos

La encuesta también se diseña

Un instrumento mal construido puede producir datos imposibles de interpretar.

¿Qué hace que una pregunta de encuesta sea débil?
  • Pregunta doble.
  • Lenguaje confuso.
  • Opciones que se solapan.
  • Opciones incompletas.
  • Escala sin significado claro.
claridadneutralidaduna ideaopcionesprivacidad
Apoyo visual: Guía visual: detectar pregunta doble.
Modelo visible: “¿Te gusta Matemáticas y Ciencias? mezcla dos ideas; no sé cuál contestó el estudiante.”
Checklist

Auditoría rápida de una encuesta

Antes de usar una encuesta, revise si cada pregunta cumple criterios mínimos de calidad.

¿Qué revisarías antes de aplicarla?
  • Claridad.
  • Neutralidad.
  • Una sola idea por pregunta.
  • Opciones completas y no solapadas.
  • Privacidad.
  • Relación con la pregunta de investigación.
¿clara?¿neutral?¿una idea?¿opciones completas?¿privada?¿alineada?
Apoyo visual: Guía visual: checklist.
Modelo visible: “Antes de aplicar, reviso claridad, neutralidad, opciones y privacidad.”
Interactividad

Diagnostica el instrumento

Seleccione el problema principal de una pregunta y reciba una intervención.

¿Cómo mejorarías la pregunta sin perder la intención original?
  • Identificar el defecto.
  • Nombrar por qué afecta los datos.
  • Reescribir de forma neutral.
  • Alinear con la pregunta de investigación.
Apoyo visual: Guía visual: diagnóstico y reparación.
Modelo visible: “El defecto es opciones solapadas; la mejora es usar rangos que no se crucen.”
Datos faltantes

Los silencios también dicen algo

Las personas que no responden pueden cambiar la interpretación de los resultados.

¿Qué pasa si solo contestan quienes tienen una opinión fuerte?
  • Puede aparecer sesgo de no respuesta.
  • La conclusión puede exagerar posturas extremas.
  • Se debe reportar cuántos respondieron.
  • La limitación debe aparecer en la conclusión.
Respondieron
18
No respondieron
82

El silencio también afecta la conclusión.

Apoyo visual: Guía visual: respuestas y no respuestas.
Modelo visible: “Si contestaron 18 de 100, reporto tasa de respuesta y cautela.”
Privacidad y ética

Datos con responsabilidad

Recolectar datos de estudiantes requiere cuidado ético, privacidad y propósito pedagógico claro.

¿Qué datos realmente necesitamos y cuáles no debemos pedir?
  • Recolectar solo lo necesario.
  • Evitar datos personales sensibles.
  • Explicar el propósito.
  • Cuidar anonimato cuando aplique.
  • Usar datos para aprender, no para señalar.
propósito clarodatos necesariosanonimatouso pedagógicono señalar
Apoyo visual: Guía visual: datos necesarios vs innecesarios.
Modelo visible: “No necesito nombre completo para saber qué estrategia de estudio prefieren.”
Investigación auténtica

Pregunta investigable, no opinión suelta

Una buena investigación estadística comienza con una pregunta que puede contestarse con datos.

¿Cuál de estas preguntas permite recolectar evidencia útil?
  • ¿Cuál modalidad de práctica ayuda a estudiar mejor?
  • ¿Qué temas generan más confianza antes de una prueba?
  • ¿Cómo varía el tiempo de estudio por grado?
  • ¿Qué recurso usan más los estudiantes para repasar?
Opinión sueltaPregunta investigable

Debe poder contestarse con datos recolectables.

Apoyo visual: Guía visual: pregunta investigable.
Modelo visible: “¿Cuánto tiempo estudias antes de una prueba? sí se puede investigar con datos.”
De datos a decisión

No saltes de encuesta a acción

Antes de tomar una decisión, hay que mirar qué tan confiables son los datos.

¿Qué decisión sería demasiado fuerte para estos datos?
  • Cambiar toda la estrategia escolar con 10 respuestas.
  • Generalizar de un grado a toda la escuela.
  • Asumir causa por una encuesta descriptiva.
  • Ignorar limitaciones de muestra o instrumento.
Datos+Confiabilidad+Cautela=Decisión razonable
Apoyo visual: Guía visual: conclusión razonable vs demasiado fuerte.
Modelo visible: “Con esta encuesta puedo explorar preferencias, no probar que una estrategia causa mejor aprovechamiento.”
Grupos pensantes

Auditoría de datos en superficies verticales

Los maestros auditan una investigación estadística simulada usando marcadores, tarjetas y evidencia visible.

¿Qué debe quedar visible en la superficie vertical?
  • Pregunta de investigación.
  • Población y muestra.
  • Riesgos de sesgo.
  • Instrumento mejorado.
  • Conclusión con cautela.
PreguntaPoblación / muestraSesgoInstrumentoConclusión
Apoyo visual: Guía visual: superficie vertical.
Modelo visible: “Grupo 1 audita muestra; Grupo 2 audita pregunta; Grupo 3 reescribe conclusión.”
Cierre matemático

Confiabilidad no es perfección

Ninguna investigación escolar es perfecta, pero sí puede ser más transparente y más justa.

¿Qué aprendimos sobre confiar en datos?
  • La muestra importa.
  • El sesgo puede aparecer en varias etapas.
  • El instrumento influye en las respuestas.
  • La conclusión debe reconocer limitaciones.
  • La transparencia aumenta confianza.
MuestraSesgoInstrumentoConclusión
Apoyo visual: Guía visual: cierre por criterios.
Modelo visible: “Confiable no significa perfecto; significa transparente y suficientemente justo para la decisión.”
Alineación curricular

Competencias oficiales que pueden apoyar este taller

Seleccione indicadores oficiales según grado y propósito; no use indicadores como decoración.

Ejemplos oficiales localizados en las Competencias Esenciales.
  • 7.E.14.1 y 8.E.10.1: examina resultados de encuestas para determinar selección de muestra y método utilizado.
  • 7.E.15.1 y 8.E.10.2: identifica fuentes de sesgos que pueden afectar resultados de la encuesta.
  • 6.E.13.1: clasifica y representa variables cuantitativas o cualitativas con la gráfica apropiada.
  • 5.E.10.1: representa, interpreta y compara información de gráficas para contestar preguntas.
  • 8.E.10.3: analiza e identifica gráficas engañosas, dudosas o ambiguas.
CompetenciaAuditoría de datosEvidencia
Apoyo visual: Guía visual: competencia → acción → evidencia.
Modelo visible: “Si uso 8.E.10.2, la evidencia debe identificar sesgos y explicar cómo afectarían el resultado.”
Evaluación auténtica

¿Qué evidencia demuestra confiabilidad?

El producto debe mostrar cómo se diseñó, revisó y comunicó la investigación.

¿Qué recogerías como evidencia?
  • Pregunta investigable.
  • Población y muestra definidas.
  • Método de selección explicado.
  • Instrumento auditado o mejorado.
  • Riesgos de sesgo identificados.
  • Conclusión con limitaciones.
Pregunta investigableMuestra definidaSesgo identificadoInstrumento revisadoConclusión con limitación
Apoyo visual: Guía visual: evidencia del proceso.
Modelo visible: “Recojo pregunta investigable, muestra definida, instrumento revisado y conclusión con limitación.”
Banco de errores

Errores que debemos anticipar

Los errores de investigación son oportunidades para enseñar pensamiento estadístico.

Seleccione un error y piense en una pregunta de intervención.
  • Generalizar desde una muestra de amigos.
  • Usar preguntas cargadas.
  • No reportar cuántos respondieron.
  • Confundir encuesta con prueba de causa.
  • Pedir datos innecesarios.
  • Ocultar limitaciones.
Apoyo visual: Guía visual: banco de errores.
Modelo visible: “Si generaliza desde amigos, pregunto: ¿quién quedó fuera de tu muestra?”
Planificador

Constructor: mini investigación estadística confiable

Complete los campos y genere una experiencia lista para ajustar.

Use grado, estándar, indicador, modalidad, ASR, duración y DOK para producir una experiencia completa.
  • Objetivo.
  • Apertura.
  • Desarrollo.
  • Cierre.
  • Evidencia.
  • Evaluación formativa.
  • Diferenciación.
  • Conexión CRECE.
Apoyo visual: Guía visual: complete campos antes de generar.
Modelo visible: Grado 8 / E / 8.E.10.2 / Presencial / Galería / 45 min / DOK 3.
Producto transferible

Mi mini investigación confiable

Diseñe una experiencia de investigación estadística para la Sala de Clases.

Incluya pregunta, población, muestra, método, instrumento, sesgo anticipado, evidencia y cierre matemático.
  • Debe quedar implementable.
  • Debe incluir ejemplo dado.
  • Debe tener una pregunta investigable.
  • Debe comunicar una conclusión con cautela.
  • Debe incluir una auditoría de sesgo.
Apoyo visual: Guía visual: plantilla de diseño.
Modelo visible: “Pregunta: ¿qué recurso ayuda a estudiar? Muestra: 20 por grado. Sesgo anticipado: voluntarios.”
Dos lentes

Revisión entre pares

Evalúe el diseño como especialista curricular y como maestro que lo implementará mañana.

¿Hay pensamiento estadístico? ¿Se puede aplicar con claridad?
  • Lente curricular: población, muestra, sesgo, instrumento, evidencia y conclusión.
  • Lente docente: instrucciones, tiempo, materiales, ejemplo dado y manejo.
  • Si no hay limitación explícita, todavía no está listo.
Especialista curricular
¿hay confiabilidad?
Maestro
¿lo uso mañana?
Apoyo visual: Guía visual: dos lentes.
Modelo visible: “Tu pregunta es clara, pero la muestra no representa la población que quieres concluir.”
Implementación

¿Qué harás distinto mañana?

Seleccione una encuesta o tarea de datos que ya usa o podría usar.

Complete la frase: antes yo aceptaba ___; ahora verificaré ___.
  • Antes: contar respuestas.
  • Ahora: revisar quién respondió y cómo se preguntó.
  • Antes: conclusión rápida.
  • Ahora: conclusión con limitación.
  • Antes: encuesta bonita.
  • Ahora: investigación confiable.
Antes: aceptar porcentajes
Ahora: verificar muestra + pregunta + limitación
Apoyo visual: Guía visual: compromiso.
Modelo visible: “Antes aceptaba porcentajes; ahora verificaré muestra, pregunta y limitación.”
Reflexión final

Los datos confiables tienen historia

Un dato no es confiable solo porque está en una tabla. Es confiable cuando sabemos cómo fue producido.

La pregunta final: ¿qué podrán cuestionar sus estudiantes antes de aceptar una conclusión?
  • Quién respondió.
  • Cómo se preguntó.
  • Qué sesgos pudieron aparecer.
  • Qué se puede concluir.
  • Qué no se debe concluir todavía.
Datos
con
historia
Apoyo visual: Guía visual: cierre con historia del dato.
Modelo visible: “La confianza en los datos empieza preguntando cómo nacieron esos datos.”