Está en la página 1de 22

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008

tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

INVEstIGacIoNEs

SIGNIFICADO DEL TEOREMA CENTRAL DEL LIMITE EN TEXTOS UNIVERSITARIOS DE PROBABILIDAD Y ESTADISTICA meaning of central limit theorem in University statistics and Probability textbooks Hugo Alvarado1, Carmen Batanero2
1Universidad

catlica de la santsima concepcin, alvaradomartinez@ucsc.cl 2Universidad de Granada, batanero@ugr.es

Resumen En este trabajo se analiza la presentacin del teorema central del lmite en una muestra de libros de textos de estadstica destinados a la formacin de ingenieros. siguiendo un modelo terico sobre el significado de un objeto matemtico, los textos ms utilizados en la enseanza a ingenieros en chile muestran una gran riqueza de lenguaje, herramientas de resolucin de problemas, conceptos asociados, propiedades y tipos de argumentos que le confieren una gran complejidad y posibilita presentaciones muy diferentes a los alumnos. como consecuencia se deducen algunos criterios para el diseo de futuras propuestas de enseanza, como la implementacin de diferentes formulaciones y representaciones de la suma de variables aleatorias segn su naturaleza, en orden creciente de complejidad. Palabras clave: teorema central del lmite, significado de objetos matemticos, anlisis de libros de texto.

Abstract In this paper we analyse the presentation of the central limit theorem in a sample of statistics textbooks for engineers. our work is based on a theoretical model on the meaning of mathematical objects. the more employed textbooks in chile present a great wealth of language, tools for solving problems, associated representations, problems fields and arguments that confer a great complexity and allow several quite different presentations for the students. as a consequence of such an analysis we infer some criteria for the future designing of teaching proposals, like the implementation of different formulations and representations of the sum of random variables according to its nature and in an increasing order of complexity. Key words: central limit theorem, meaning of mathematical objects, analysing textbooks.

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

INtrodUccIoN El teorema central del lmite, uno de los fundamentales en estadstica, estudia el comportamiento de la suma de variables aleatorias, cuando crece el nmero de sumandos, asegurando su convergencia hacia una distribucin normal en condiciones muy generales. Este teorema, del cual existen diferentes versiones que se han ido desarrollando a lo largo de la historia, tiene una gran aplicacin en inferencia estadstica, pues muchos parmetros de diferentes distribuciones de probabilidad, como la media, pueden expresarse en funcin de una suma de variables. Permite tambin aproximar muchas distribuciones de uso frecuente: binomial, Poisson, chi cuadrado, t-student, gamma, etc., cuando sus parmetros crecen y el clculo se hace difcil (devore 2001: 232). Por otro lado, la suma de variables aleatorias aparece en forma natural en muchas aplicaciones de la ingeniera: determinacin de masa forestal, carga soportada por una estructura, tiempo de espera de servicios, etc. todo ello explica por qu muchos mtodos estadsticos requieren la condicin de normalidad para su correcta aplicacin y, en consecuencia, este teorema es un componente importante de la formacin estadstica de los ingenieros, ya que, por otro lado, su enseanza plantea interrogantes importantes al profesor. El teorema se apoya y relaciona entre s con otros conceptos y procedimientos bsicos en estadstica, como los de variable aleatoria y sus transformaciones, distribucin muestral, convergencia, tipificacin, clculo de probabilidades, etc., algunos de los cuales podran plantear problemas de aprendizaje. En este trabajo se analiza el significado del teorema central del lmite en los libros de texto de probabilidad y estadstica dirigidos a ingenieros, siguiendo la misma metodologa en anlisis del significado de otros conceptos estadsticos en los libros de texto (tauber 2001; cobo y batanero 2004). En el modelo de la teora de los significados institucionales y personales de los objetos matemticos (Godino y batanero 2003), las matemticas se asumen como una actividad humana implicada en la solucin de cierta clase de situaciones problemticas de la cual emergen y evolucionan progresivamente los objetos matemticos. El anlisis de los textos, aunque no sustituye la observacin de la enseanza en el aula, puede proporcionar informacin para la construccin de instrumentos de evaluacin o para mejorar la enseanza. se han encontrado significados sesgados en la presentacin de la probabilidad en algunos libros (ortiz, serrano y batanero 2002). considerando las investigaciones relacionadas con la enseanza del teorema se estudia la siguiente hiptesis: es complejo el significado del teorema central del lmite presentado en los textos de estadstica aplicada a la ingeniera y se encontrarn una variedad de enfoques y aproximaciones. asimismo, puede ser un recurso para los profesores, contribuyendo a tomar decisiones sobre cules pueden recomendar a sus alumnos, proporcionndoles ideas para enriquecer su actividad docente en el aula y mostrando algunas dificultades que podran tener los estudiantes al estudiar estos textos. FUNdamENtos Marco terico. la perspectiva didctica que se emplear est basada en el modelo terico denominado enfoque ontosemitico propuesto por Godino y sus colaboradores (Godino

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

2002; Godino y batanero 2003; Godino, batanero y Font 2007; Godino, contreras y Font 2006). Este enfoque terico proporciona una perspectiva pragmtico-antropolgica sobre el conocimiento matemtico y propone tres dimensiones en el anlisis de la enseanza y el aprendizaje de las matemticas: epistemolgica, cognitiva e instruccional. cada una de ellas se aborda con herramientas agrupadas en tres modelos tericos: teora de los significados institucionales y personales de los objetos matemticos, teora de las funciones semiticas y teora de las configuraciones didcticas. se pretende elaborar un modelo de los procesos de comprensin de las matemticas que tenga en cuenta los factores institucionales y socioculturales implicados en los mismos. se considerar para el anlisis del teorema central del lmite la siguiente tipologa de objetos matemticos primarios, denominada elementos del significado y que a su vez se organizan en sistemas conceptuales, teoras, etc. Situaciones-problemas: situaciones fenomenolgicas que originan actividades matemticas (situaciones-problemas, aplicaciones) de donde surge el objeto; a veces las podemos categorizar en tipos o campos de problema. Por ejemplo, para el teorema central del lmite seran situaciones problemas la bsqueda de una aproximacin a la distribucin binomial cuando n es grande o determinacin de la distribucin de la suma o la media de variables aleatorias. Lenguaje: representaciones materiales utilizadas en la actividad matemtica. las notaciones, grficos, palabras y otras representaciones del objeto que se pueden usar para referirnos a l. El lenguaje es esencial en la teora del aprendizaje debido a su funcin comunicativa e instrumental, que modifica el propio sujeto que los utiliza como mediadores. Procedimientos: modos de actuar ante situaciones o tareas (algoritmos, operaciones, reglas de clculo). cuando un sujeto se enfrenta a un problema y trata de resolverlo o comunicar la solucin a otras personas, validar y generalizar la solucin a otros contextos y problemas, etc., realiza distintos tipos de acciones que se llegan a algoritmizar. Conceptos-definicin: (introducidos mediante definiciones o descripciones, por ejemplo: media, distribucin muestral, ...). El caso que aborda este trabajo, y puesto que el objeto a estudiar es un teorema considerar sus diversos enunciados en esta categora, ya que se dan las descripciones del objeto. se podran tambin incluir en esta categora las definiciones de objetos ligados al teorema, como distribucin muestral, muestra, etc. Pero, por limitar la investigacin, sta no se centra especficamente en ellas, aunque es posible en un momento dado referirse a alguno. Proposiciones: se tratarn especficamente en este trabajo las propiedades asociadas al teorema central del lmite y objetos relacionados, que no se limitan a descripciones de dichos objetos sino los ponen en relacin. aparte del propio teorema (que se ha incluido en la categora anterior), aparecern propiedades tales como las referidas a la media o varianza de la suma de variables aleatorias o la correccin de continuidad. Argumentos: Finalmente, todas estas acciones y objetos se ligan entre s mediante argumentos o razonamientos que se usan para comprobar las soluciones de los problemas o explicar a otro la solucin. la forma usual de demostracin en matemticas es la deductiva, que es la ms extendida en los libros universitarios.

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

Este tipo de argumentacin se completa o sustituye por otras como la bsqueda de contraejemplos, generalizacin, anlisis y sntesis, simulaciones con ordenador, demostraciones, etc. Investigaciones sobre el teorema central del lmite. las investigaciones psicolgicas y didcticas han llamado la atencin sobre los errores frecuentes en la realizacin e interpretacin de la estadstica, en relacin al incumplimiento de los supuestos para aplicar la inferencia, intervalos de confianza y con los contrastes de hiptesis (Vallecillos 1996; batanero 2000). muchos de estos errores tienen su origen en una comprensin deficiente del concepto de distribucin muestral y del teorema central del lmite, pero la investigacin didctica sobre la enseanza y aprendizaje de conceptos avanzados de estadstica es todava muy escasa. Por otro lado, se han comparado las creencias sobre el teorema en estudiantes de doctorado y alumnos noveles, representando el conjunto de conocimientos implcito en el teorema por medio de un mapa conceptual, estableciendo cuatro propiedades bsicas que deben entenderse para poder lograr una comprensin slida del teorema (mndez 1991): a) la media de la distribucin muestral es igual a la media de la poblacin, e igual a la media de una muestra cuando el tamao de la muestra tiende al infinito; b) la varianza de la distribucin muestral es menor que la de la poblacin (cuando n > 1); c) la forma de la distribucin muestral tiende a ser acampanada a medida que se incrementa el tamao muestral, y aproximadamente normal, independientemente de la forma de la distribucin en la poblacin; d) la forma de la distribucin muestral crece en altura y decrece en dispersin a medida que el tamao muestral crece. la enseanza basada en la simulacin, utilizando un programa de elaboracin propia, sugiere que la tecnologa por s sola no es suficiente para la comprensin del teorema, sino que las actividades y la enseanza de tipo constructiva juega un papel relevante (delmas, Garfield y chance 1999). tambin se han descrito los mltiples elementos de significado relacionados con la distribucin normal, que son necesarios para la comprensin del teorema, puesto que en ste es necesario el uso de esta distribucin (tauber 2001). los anteriores trabajos, aunque proporcionan un primer anlisis, no completan el estudio del significado del teorema central del lmite, que es el objeto de esta investigacin. El estudio de la evolucin histrica del teorema (alvarado 2004) revela diferentes versiones del mismo desarrolladas, entre otros, por de moivre, laplace, Poisson, dirichlet, bessel, chebyshev, markov, liapounov y Fller para resolver diferentes campos de problemas. su utilidad principal es proporcionar esta informacin a los profesores, tanto para planificar la enseanza y evaluacin del tema como para fundamentar la enseanza posterior de la estimacin por intervalos y los contrastes de hiptesis.

mEtodoloGIa se eligieron 16 textos que se listan en el apndice, de manera que se contemplasen distintas categoras y teniendo en cuenta los que aparecen en las bibliografas recomendadas para estudiantes de ingeniera, principalmente de chile. Para elegir esta muestra se tomaron diferentes tipos de libros: a) textos de estadstica aplicada a la ingeniera;

10

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

b) textos de probabilidad y estadstica matemtica; c) textos clsicos de autores de prestigio; d) textos recientes de enfoque novedoso, y e) textos con nfasis en los ejercicios y problemas. sobre ellos se llev a cabo un anlisis de contenido, que sirve para efectuar inferencias mediante la identificacin sistemtica y objetiva de las caractersticas especficas de un texto buscando el significado del discurso. Es un proceso complejo, seguramente el que ms esfuerzo intelectual requiere de entre todas las tcnicas de anlisis de datos y es uno de los pocos campos de los comprendidos en las etapas finales del proceso de investigacin en la que el investigador desempea un papel individual y creativo (Ghiglione y mataln 1991). En la lnea de didctica de la probabilidad y estadstica un libro de texto se considera como un segundo nivel de transposicin didctica, despus del primer nivel que lo constituirn los currculos y programas oficiales. si en un texto aparece un significado sesgado, ste puede llegar a transmitirse a los alumnos, debiendo el profesor que los usa mantener una permanente vigilancia epistemolgica sobre el contenido de los libros de texto (ortiz 1999). los pasos a seguir en el anlisis de contenido son los siguientes: determinar los textos de estadstica universitaria a analizar; seleccionar los captulos, mediante una lectura detallada de los que tratan el tema, clasificando y agrupando las diferentes definiciones, propiedades, representaciones y justificaciones prototpicas; determinar los elementos de significados, a partir del anlisis epistmico, como gua para establecer el significado del teorema que se da en la institucin universitaria; Elaborar tablas comparativas que recogen los elementos de significados en los distintos textos seleccionados; anlisis comparativo de contenido, entre lo que los autores de los libros seleccionados consideran ms adecuado para este nivel educativo y el anlisis del significado de referencia; Presentacin de conclusiones, mediante el anlisis descriptivo de la informacin obtenida. a continuacin se presentan los resultados y conclusiones de este anlisis, proporcionando ejemplos que ayuden a clarificar las diferentes categoras encontradas.

camPos dE ProblEmas En primer lugar se analizarn los campos diferenciados de problemas cuya resolucin hace surgir la idea del teorema central del lmite y su presencia en los libros de texto seleccionados. se referir indistintamente a la distribucin de la suma o la media de variables aleatorias, pues son equivalentes salvo una constante. cP1: Obtener una aproximacin de la distribucin binomial para valores grandes de n. En el clculo de la distribucin binomial bin(n,p) y otras distribuciones discretas intervienen los trminos factoriales, que crecen muy rpidamente al aumentar el valor

11

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

de n. mucho antes de la aparicin de los ordenadores, este problema llev a distintos matemticos a tratar de encontrar valores aproximados de estas probabilidades para valores de n grandes. Este desarrollo es debido a abraham de moivre (1667-1754) y constituye el primer paso en el desarrollo histrico del teorema (Xiuyu 2003). se ha encontrado este tipo de problemas en los libros, como en el siguiente ejemplo situado en el rea de la ingeniera:
las compaas elctricas podan los rboles que crecen cerca de sus lneas para evitar cortes elctricos debidos a la cada de rboles durante las tormentas. la aplicacin de un producto qumico para retrasar el crecimiento de los rboles es ms barato que podar los rboles, pero estos productos matan algunos de los rboles. suponga que un producto qumico de este tipo matar el 20% de los arces. la compaa prueba este producto con una muestra aleatoria de 250 arces. cul es la probabilidad de que mueran al menos 60 rboles (el 24% de la muestra)? (moore 1995: 327)

cP2: Determinar la distribucin de la suma de variables aleatorias discretas independientes e idnticamente distribuidas. la distribucin binomial bin(n,p) puede considerarse como la suma de n variables aleatorias independientes e idnticamente distribuidas bin(1,p) o variables de bernoulli. la demostracin que la distribucin binomial se aproximaba a la distribucin normal llev a tratar de generalizar este resultado a la suma de otras variables discretas. se distinguen tres subcampos: cP2.1. Variables con distribucin uniforme discreta. Este primer caso fue estudiado por laplace, quien se interes por la distribucin de la suma de errores, hacia 1810. afront el problema de la desviacin entre la media aritmtica de los datos (diferentes medidas con errores observacionales) y los valores tericos, suponiendo que todos stos estn distribuidos aleatoriamente. El teorema proporciona la distribucin de la media muestral, incluso si la poblacin muestreada no es normal, como vemos en el siguiente ejemplo en que la poblacin tiene una distribucin uniforme.
considrese una poblacin que consta de cinco enteros igualmente probables: 1, 2, 3, 4 y 5. comprobar la veracidad de los tres hechos especficos sobre la distribucin muestral de medias muestrales: a) la media de la distribucin muestral es igual a la media de la poblacin, b) el error estndar de la media para la distribucin muestral es igual a la desviacin estndar de la poblacin dividida entre la raz cuadrada del tamao de la muestra, c) la distribucin de la media muestral ser aproximadamente distribuida normalmente. (Johnson y Kuby 2004: 278).

cP2.2. Variables discretas acotadas. laplace generaliz en forma posterior, en el ao 1809, el trabajo de de moivre a la suma de variables aleatorias discretas idnticamente distribuidas con media y varianza finita. Este campo es ms general que el anterior; un caso particular podra ser considerar la distribucin binomial como poblacin inicial (Wisniewski y Velasco 2001: 228). se presenta el siguiente ejercicio:

12

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

la variable aleatoria X, que representa el nmero de cerezas en una empanada, tiene la siguiente distribucin de probabilidad: x P (X = x) 4 0,2 5 0,4 6 0,3 7 0,1

Encuentre la probabilidad de que el nmero promedio de cerezas en 36 empanadas sea menor que 5,5. (Walpole, myers y myers 1999: 223).

cP2.3. Variables discretas no acotadas. debido a que la distribucin lmite obtenida por laplace slo depende de la media y la varianza, el resultado es vlido tambin para una distribucin discreta con rango infinito, en el caso de que existan los momentos finitos. El siguiente ejemplo se refiere a variables con distribucin Poisson, que, aunque en la prctica est acotada, no lo est tericamente:
Unos bilogos aseguran que el nmero de semillas por limn, en cierta variedad de limones sigue una distribucin de Poisson con parmetro = 5. determinar la probabilidad de que el nmero promedio de semillas por limn sea menor a 5,5 en una muestra aleatoria de n = 125 limones. (Wisniewski y Velasco 2001: 231).

cP3: Establecer la distribucin de la suma de variables aleatorias discretas no idnticamente distribuidas. Poisson generaliz la demostracin de laplace a la suma de variables aleatorias discretas perteneciente a una misma familia de distribuciones aunque con parmetros diferentes. Un ejemplo es el siguiente, donde las distribuciones son todas uniformes, pero el valor de n vara para cada variable:
sean X1 , X 2 ,... variables aleatorias independientes, X n ~ U n, n y Sn = Xi . mostrar que
n

linderberg y liapounov. (James 1981: 267).

Sn E ( Sn n converge a la distribucin normal estndar, verificando las condiciones de

i =1

cP4: Determinar la distribucin de la suma de variables aleatorias continuas. Posteriormente Poisson da una demostracin ms rigurosa para una variable continua (de este modo sembr la semilla para el concepto de variables aleatorias). se presenta un ejemplo en este campo que tiene gran frecuencia de uso e introduce el concepto de variable continua.
se tienen n voltajes V1 , V2 ,..., Vn que se reciben en una especie de concentrador (sumador), de tal suerte que V = Vi es la suma de los voltajes recibidos en ese punto. cada voltaje es Vi una variable aleatoria distribuida uniforme en el intervalo [0,10]. luego, E (Vi ) = 5 volts y Var (Vi ) ) = 100 / 12 . si n = 20, podemos calcular la probabilidad de que el voltaje total de entrada sobrepase los 105 volts. (meyer 1992: 263).

13

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

cP5: Estimar el error de aproximacin en el teorema central del lmite. dirichlet fue el primero en intentar estimar el error de aproximacin, aunque no tuvo xito. Fue cauchy, mediante la funcin caracterstica, quien dio una demostracin del teorema siguiendo la demostracin de Poisson y estableci una cota superior para la diferencia entre el valor exacto y la aproximacin. Este estudio del error de estimacin tuvo como precedente la ley de los grandes nmeros, que establece que la media observada X de un nmero grande de observaciones tiene que estar cerca de la media de la poblacin. se presenta el siguiente ejemplo:
El decano de una universidad desea estimar cuntos puntos se puede esperar que obtengan los aspirantes que se someten a un examen de ingreso. si utiliza una muestra aleatoria de 100 aspirantes y supone que la desviacin estndar es 20 puntos, qu puede aseverar acerca de la probabilidad de que su error sea menor que tres puntos si emplea a) el teorema de chebyshev; b) el teorema central del lmite? (Freund y smith 1989: 312).

cP6: Encontrar condiciones necesarias y suficientes para el teorema. la demostracin de cauchy, limitada slo al caso de distribuciones de rango finito, no explicita las condiciones de validez ni estudia la razn de convergencia. Estos problemas fueron resueltos por chebychev y sus discpulos markov y liapunov. linderberg consider que los momentos de tercer orden han de estar acotados para validar la convergencia, como condicin suficiente del teorema. Feller y levy probaron la condicin necesaria del teorema. Un ejemplo es el siguiente:
sea Xn una sucesin de variables aleatorias independientes, cada una distribuida uniformemente en el intervalo de 0 a . sea {An} una sucesin de constantes positivas. Establezca condiciones bajo las cuales la sucesin Xn = an cos Un obedezca el teorema central del lmite (Parzen 1987: 477).

cP7: Obtener la distribucin de la suma de variables aleatorias dependientes. El supuesto de dependencia es menos frecuente y presenta una dificultad de especificar modelos en ms de dos variables. se ilustra un ejemplo puramente matemtico, referido a procesos autorregresivos de primer orden y cadenas de markov en dos estados.
Proceso autorregresivo de primer orden estacionario. se definen sucesivamente las variables X i +1 = + ( X i ) + Ui +1 , < 1 , i = 1, 2,... donde las variables independientes U N 0, 2 . i 0 Vemos que Xi + k = k ( Xi ) + k 1Ui +1 + + Ui + k 1 + U i + k . adems, la varianza de las 2 variables satisface lo siguiente Var ( Xi +1 ) = 2Var ( X i ) + 0 . si la sucesin de las variables 2 es estacionaria, debemos tener Var ( Xi +1 ) = Var ( Xi ) i = 1, 2,... y por tanto 2 = 0 1 2 , donde 2 es la varianza comn de las Xi . suponga que la sucesin comienza con un X1 el cual es normal N , 2 . Entonces, esta es la distribucin para todos los Xi , y por tanto la sucesin es estacionaria. (lehmann 1999: 109).

14

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

los campos de problemas mencionados estn directamente relacionados con la evolucin histrica del teorema central del lmite (alvarado y batanero 2006). tambin se han encontrado otros campos de problemas indirectos, cuyas soluciones no llevan directamente al teorema, sino a uno de los problemas anteriores, es decir, a la bsqueda de una distribucin que aproxime la suma de variables aleatorias. son los siguientes: cP8: Obtener el tamao adecuado de una muestra de poblaciones desconocidas cP9: Obtener la distribucin de la suma de los logaritmos de variables aleatorias independientes cP10: Obtener la distribucin de diferencias de medias muestrales en dos poblaciones cP11: Determinar la distribucin de funciones de variables aleatorias cP12: Estimar por intervalos de confianza la media y otros parmetros para muestras grandes cP13: Establecer pruebas de hiptesis de la media y otros parmetros para muestras grandes. En la tabla 1 se observa que los campos de problemas comunes en todos los libros son el de aproximacin de la distribucin binomial (cP1) y la distribucin de la suma de variables aleatorias continuas (cP4). En cambio, los campos cP7 y cP3, carcter terico, son inexistentes en la mayora de los libros. los ocho textos especficos de estadstica aplicada a la ingeniera, ordenados por ao, carecen de la mayora de estos campos de problemas; slo uno de ellos muestra aplicaciones basadas en la distribucin de Poisson; modelo que es de importancia para los ingenieros. Entre los campos de problemas indirectos (cP8 a cP13), los campos de intervalos de confianza (cP12) y pruebas de hiptesis (cP13) son los ms frecuentes y estn presentes hoy en da en la mayora de los textos de estadstica para ingenieros. En general, los libros de textos muestran muchos ejercicios de aplicacin de esta proposicin para variables con distribucin continua, en particular a la distribucin exponencial y uniforme, y, por otro lado, carecen de problemas elementales, basados en extraccin a partir de urnas, lanzamientos de dados o monedas, que permitan un primer acercamiento tangible del teorema. adems, falta rigurosidad en los ejemplos resueltos en algunos libros, pues no mencionan explcitamente que se est utilizando el teorema en el desarrollo del ejercicio, ni tampoco indican que el resultado es slo aproximado. Estos seran puntos a mejorar en la presentacin de los problemas. asimismo, si se quiere que los alumnos aprecien la utilidad y alcance de este teorema, sera necesario mostrar diferentes aplicaciones de los campos de problemas a problemas especficos en su profesin.

15

Tabla 1 campos de problemas que presentan los libros seleccionados 1


x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x

16
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
x x x x x

situaciones problemas

cP1: aproximacin de la distribucin binomial

cP2.1: distribucin suma v.a. discretas uniforme

cP2.2: distribucin suma v.a. discretas acotadas

cP2.3: distribucin suma v.a. discretas no acotadas

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008

cP3: distribucin suma v.a. no idnticamente distribuidas

cP4: distribucin de la suma de variables aleatorias continuas

cP5: Estimacin del error de aproximacin

cP6: condiciones necesarias y suficientes

cP7: distribucin de la suma de v.a. aleatorias dependientes

cP8: tamao adecuado de una muestra aleatoria de poblaciones desconocidas

cP9: distribucin de la suma de logaritmos

tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

cP10: distribucin de diferencias de medias muestrales

cP11: distribuciones de funciones de variables aleatorias

cP12: Estimacin por intervalos de confianza

cP13: Pruebas de hiptesis para muestras grandes

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

lENGUaJE El lenguaje matemtico utilizado es el segundo elemento de significado, considerando las palabras, notaciones y todas las representaciones materiales del objeto abstracto y sus propiedades, as como los utilizados para describir los problemas y operar con sus datos (Godino 2002). se diferencian tres tipos (ortiz 1999): Trminos y expresiones verbales. Un primer tipo son las palabras y frases que se usan para describir los conceptos, sus operaciones y transformaciones. se diferencian tres categoras de palabras usadas en la enseanza de las matemticas: 1. Palabras o expresiones matemticas especficas que, normalmente, no forman parte del lenguaje cotidiano. Por ejemplo: distribucin lmite, teorema, distribucin asinttica en el muestreo, convergencia en ley y de sucesiones de variables aleatorias, error de estimacin, variable transformada, funcin caracterstica. 2. Palabras que aparecen en las matemticas y en el lenguaje ordinario, aunque no siempre con el mismo significado en los dos contextos. Por ejemplo: suficientemente grande, simulacin manipulable, contraejemplo, muestra grande, generalizacin, bajo ciertas condiciones. 3. Palabras que tienen significados iguales o muy prximos en ambos contextos. Por ejemplo: central, muestra, caso particular. En estas categoras podramos incluir un gran nmero de expresiones asociadas al teorema, debido a los diversos elementos relacionados con el tema. la categora con mayor nmero de palabras y frases es la de palabras especficas ya que el teorema es un objeto puramente matemtico, que ha sido analizado a lo largo de la historia con un nivel avanzado de conocimiento matemtico y ltimamente por simulacin. Notaciones y smbolos. las notaciones simblicas permiten realizar operaciones con los conceptos, trabajando a un alto nivel de complejidad. se han encontrando las siguientes expresiones simblicas del teorema tales como X1 , X 2 , , X n para referirse a una muestra aleatoria, Sn = Xi al enunciar la suma de n variables aleatorias, X N , 2 n al describir la distribucin muestral de la media de la muestra para n suficientemente grande, la frmula de estandarizacin de la media muestral x 0 , etc.
s n
i =1 n

Representaciones grficas. Uno de los elementos caractersticos de la estadstica son los grficos. En la mayora de los textos es comn ver el histograma como primer acercamiento al teorema. se han encontrado histogramas para representar la distribucin emprica de las medias muestrales y grficos de control de medias para representar que la distribucin de las medias muestrales estarn ms prximas a una distribucin normal que las mediciones individuales. al hablar de conceptos relacionados aparecen grficos de barras para ilustrar la distribucin de probabilidad terica de la poblacin, distribucin de frecuencias relativas y distribuciones poblacionales.

17

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

Simulaciones. la simulacin es una representacin en el sentido que sustituye un experimento estocstico por otro y su empleo es especialmente til en la enseanza de conceptos en el campo de las distribuciones en el muestreo. los textos de mendenhall y sincich (1997) y Johnson y Kuby (2004) proponen ejercicios para generar muestras aleatorias de observaciones de diversas distribuciones de probabilidad, usando los paquetes de software estadstico mINItab, sas o planilla electrnica EXcEl. En la tabla 2 se aprecia que los trminos especficos del teorema estn presentes en los textos de estadstica matemtica [N 9,10,11,12], adems del texto para ingenieros scheaffer y mcclave (1993). lo ms comn para referirse al teorema es a travs de los smbolos, presentes en todos los textos a excepcin de Johnson y Kuby (2004). Es dbil la presencia de representaciones grficas y la simulacin; de los ocho textos de estadstica para ingenieros slo tres la presentan.
Tabla 2 lenguaje y representaciones del teorema presente en los textos Expresin trminos smbolos Grficos simulacin x x x x 1 2 3 x x x x x x x x x x x x x x 4 5 6 7 8 9 x x 10 x x 11 x x 12 x x 13 x x x x x 14 15 x x x x 16

ProcEdImIENtos las situaciones-problemas relacionadas con el teorema se pueden resolver mediante las siguientes tcnicas: aP1: Clculo algebraico y transformacin de variables aleatorias. El clculo algebraico de la media muestral de variables aleatorias es el ms tpico y presente en todos los libros de textos analizados. las situaciones planteadas no son explcitas en la aplicacin del teorema, en cuanto a separar el procedimiento de clculo, primero para la suma de variables aleatorias y luego para la media aritmtica, lo que puede ser una dificultad de aprendizaje del tema en los alumnos. aP2: Tipificacin/destipificacin del clculo de probabilidades para obtener una muestra aleatoria de tamao adecuado. El siguiente ejemplo donde se desarrolla la expresin P ( X 0.3) = 0.95 conduce a encontrar un tamao de muestra adecuado.

18

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

Una mquina para llenar botellas tiene una varianza en las cantidades de llenado aproxi2 madamente de = 1 onza. sin embargo el promedio de las onzas de llenado depende de un ajuste que puede cambiar de da a da. cuntas observaciones se deben efectuar en la muestra para que X quede a menos de 0,3 onzas de con una probabilidad de 0,95? (scheaffer y mc clave 1993: 236).

aP3: Clculo de probabilidades referidas al teorema con calculadora, tablas de distribucin o programa de ordenador. Para muestras de tamao grande es til el clculo de probabilidades mediante simulacin con el ordenador, en la cual la obtencin de muestras de tamao n en una poblacin se sustituye por obtencin de nmeros aleatorios y a partir de ellos se calcula el estadstico. de los textos analizados slo dos libros plantean problemas con ordenador, a pesar de los enfoques actuales de la enseanza de la estadstica basados en los paquetes estadsticos, datos reales y situaciones de inters del educando. aP4: Clculo de probabilidades referidas al teorema a partir de simulacin con materiales manipulables. Johnson y Kuby (2004: 284) presentan una poblacin para la que puede elaborarse la distribucin muestral terica de todas las muestras posibles de tamao 2 y a partir del procedimiento de resolucin establece diferentes propiedades del teorema, incluyendo una aproximacin emprica a la distribucin normal. se observa en la tabla 3 que la estrategia ms comn para resolver problemas es el clculo algebraico de la suma o media de variables aleatorias (aP1) presente en todos los textos analizados. Por el contrario, la tcnica menos empleada es la operacin inversa a la transformacin estndar (aP2), que le exige al alumno habilidad en la operatoria algebraica y dominio del teorema.
Tabla 3 algoritmos y procedimientos que presentan los libros seleccionados
Procedimientos aP1: clculo algebraico y transformacin de variables aleatorias aP2: tipificacin/ destipificacin aP3: clculo de probabilidades con calculadora, tablas estadsticas u ordenador aP4: clculo de probabilidades a partir de simulacin 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x 10 x 11 x 12 x 13 x 14 x 15 x 16 x

19

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

En los textos nuevos, la simulacin, que no aparece en los textos de orientacin matemtica, se hace presente cada vez ms como tcnica especfica de presentar el teorema, aunque slo en tres textos para ingenieros se apoyan con el ordenador. se destacan los textos para ingenieros, scheaffer y mc clave (1993) y devore (2001) que presentan tres de los cuatro algoritmos de aplicacin del teorema, as tambin el texto moderno de Johnson y Kuby (2004). ENUNcIados dIFErENcIados dEl tEorEma se encuentran diversos tipos de presentaciones para el teorema, segn el grado de formalizacin, y que enfatizan diferentes aspectos del significado de los conceptos o se remiten a diferentes formas de aplicacin: E1: Enunciado del teorema mediante la convergencia de sucesiones de variables aleatorias, de manera formal y rigurosa con un nivel de matemtica avanzado, como el dado por cuadras (1999: 189):
si es una sucesin de v.a. independientes de medias Var ( X i ) =
(Sn i )

E ( X i ) = i

y varianzas

i2

, entonces, en ciertas condiciones generales, la variable suma, reducida:

i2

N (0,1).

CONVERGE EN LEY

E2: Enunciado del teorema como lmite ordinario de una sucesin de funciones. En este caso la convergencia tiene un matiz determinista, mientras que en el anterior es aleatoria (en probabilidad). se reproduce la formulacin del teorema por Kalbfleisch (1984: 189):
denotemos por fn la funcin densidad de probabilidad de la suma Sn, o la altura del historeal z, Lim fn ( z ) = 1 exp( z 2 / 2) .
n

grama de Sn en el caso discreto. El teorema central del lmite afirma que, para todo nmero
2

E3: Enunciado del teorema para la suma de variables independientes no idnticamente distribuidas.

sea X1 , X 2 ,......., X n ... una sucesin de variables aleatorias independientes con E ( X i ) = i y Var ( X i ) = i2 , i = 1,2,... sea Sn = X1 + X 2 + + X n . luego bajo ciertas condiciones generales Z n = ( Sn i ) 1973: 259).
i =1 n

i =1 i2
n

tiene aproximadamente la distribucin N (0, 1). (meyer,

20

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

E4: Enunciado del teorema para la suma de variables independientes idnticamente distribuidas. Esta presentacin ms restringida del teorema es la ms comn en los libros, pero en la mayora se presenta para la media muestral. se presenta un ejemplo para el caso de la suma:
si se extrae una muestra aleatoria de n observaciones de una poblacin con una media finita y una varianza finita 2 , entonces, si n es lo bastante grande, la distribucin de muestreo de la suma Sn = Xi se puede aproximar con una funcin de densidad normal cuya media 2 es n y varianza n . (mendenhall y sincich 1997: 315).

E5: Enunciado del teorema de forma general. son varios los textos aplicados a la ingeniera que introducen el tema sin formulacin matemtica. Hoy en da es ms conocido el teorema de manera general para el estimador de medias muestrales.

obtn una muestra aleatoria simple de tamao n de cualquier poblacin de media y desviacin tpica finita . cuando n es grande, la distribucin de la media muestral X se aproxima mucho a la distribucin normal N ( , n ) con media y desviacin tpica n . moore (1995: 304).

E6: Enunciado intuitivo del teorema. otra forma de presentar el teorema es a travs de la manipulacin con objetos didcticos concretos de un experimento. montgomery y runger (1996: 302) introducen el teorema mostrando grficamente que la aproximacin normal para X depende del tamao n de la muestra, mediante la distribucin de lanzamientos de varios dados legal de seis caras. se observa en la tabla 4 que los enunciados presentes en la mayora de los textos es el correspondiente a la suma de variables aleatorias independientes idnticamente distribuidas (E4). los menos encontrados en los libros son los presentados con rigor matemtico (E1 y E2), seguido del enunciado del teorema para variables no idnticamente distribuidas. la tendencia de los textos actuales es hacia la presentacin intuitiva del teorema, contrario a los libros ms antiguos que introducen de manera formal el teorema. Por ltimo, los enunciados E4 a E6 no son dados en forma precisa y clara, lo hacen por medio de un ejercicio planteado.

21

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

Tabla 4 Enunciados que presentan los libros seleccionados


Enunciados del teorema E1: mediante convergencia de sucesiones de v.a. E2: como lmite ordinario de una sucesin de funciones E3: Para la suma de variables independientes no idnticamente distribuidas E4: Para la suma de variables independientes idnticamente distribuidas E5: Enunciado de forma general E6: Enunciado intuitivo del teorema 1 2 3 4 5 6 7 8 9 x 10 x 11 12 13 14 15 16

x x x

x x x

x x

x x

x x

ProPIEdadEs tauber (2001: 139 a 144) encontr nueve propiedades de la distribucin normal que clasific en geomtricas, estadsticas y algebraicas. Entre ellas, las siguientes ponen en correspondencia diferentes elementos de definicin, lenguaje, representacin y procedimiento del teorema central del lmite: P1: La media de una suma de variables aleatorias es siempre la suma de las medias, sea aproximada o exacta la distribucin de dicha suma; P2: La varianza de la distribucin de la suma de variables aleatorias independientes es la suma de las varianzas; P3: La media aritmtica de una muestra aleatoria de tamao suficientemente grande sigue una distribucin aproximadamente normal; P4: La aproximacin mejora con el nmero de sumandos; P5: Las transformaciones lineales de variables aleatorias tambin siguen una distribucin asinttica normal.

22

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

adems se han encontrado las siguientes propiedades que tratan aplicaciones del teorema: P6: Las medias muestrales en dos poblaciones siguen una distribucin aproximadamente normal; P7: Aproximacin de una distribucin discreta por una continua; P8: Aproximacin de algunas distribuciones clsicas a la distribucin normal; P9: Los errores aleatorios siguen una distribucin normal; P10: Los estimadores de mxima verosimilitud tienen distribucin asinttica normal; P11: Los estimadores de los momentos tienen distribucin asinttica normal; P12: Correccin de continuidad.
Tabla 5 Propiedades que presentan los libros seleccionados
Proposiciones P1: media de la distribucin de la suma de variables aleatorias P2: Varianza de la distribucin de la suma de variables aleatorias P3: media aritmtica sigue una distribucin aproximadamente normal P4: la aproximacin mejora con el nmero de sumandos P5: transformaciones lineales de variables aleatorias P6: medias muestrales en dos poblaciones siguen aproximacin normal P7: aproximacin de una distribucin discreta por una continua P8: aproximacin de distribuciones clsicas a la distribucin normal P9: Errores aleatorios con aprox. normal P10: Estimadores de mxima verosimilitud con distribucin asinttica normal P11: Estimadores de momentos con distribucin asinttica normal P12: correccin de continuidad x x x x x x x x x x x x x x x x x x x x x 1 2 3 x x x x x x 4 5 x x x x x x x x 6 7 8 x x x x x x x x x 9 x x x x 10 11 x x x 12 x x x 13 x x x x x x 14 x x 15 16

x x

x x

23

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

las propiedades ms frecuentes en los textos son las relacionadas con la correccin de continuidad (P12) presente en todos los textos pero con diferente intensidad y la convergencia a la normal (P5 y P3), siendo escasa la presencia de las propiedades referida a los errores (P9) y estimadores de mxima verosimilitud (P10), a pesar de que este mtodo de estimacin, segn Pea (1995), es el ms utilizado y produce estimadores con buenas propiedades estadsticas. slo la mitad de los textos consultados inicia el teorema con el clculo algebraico de las propiedades de la suma y varianza de variables aleatorias (P1 y P2), lo que implica que en los otros textos el estudiante debe conocer esto anteriormente. los textos de estadstica matemtica son los que ms propiedades tienen, siendo meyer (1992) el mayor con nueve propiedades. lo siguen los textos clsicos que tambin trabajan las propiedades algebraicas, a diferencia de los libros para ingenieros. las propiedades P6 y P7 no son definidas en forma precisa y clara; por ejemplo, scheaffer y mc clave (1993) presentan la propiedad P6 slo como un ejercicio planteado. Finalmente, de los 16 textos analizados, la mitad presenta el tema especfico del teorema y a continuacin como caso especial la aproximacin de la binomial por la normal. didcticamente sera preferible iniciar la enseanza del teorema partiendo con el caso particular del estudio de la distribucin binomial para muestras grandes, seguido del caso general para cualquier distribucin, como lo enfoca meyer (1992). arGUmENtos todos los enunciados, propiedades, problemas y algoritmos anteriores se ligan entre s mediante argumentos o razonamientos que se usan para comprobar las soluciones de los problemas o demostrar las propiedades y relaciones que se pueden clasificar en la forma siguiente: a1: Demostraciones formales algebraicas y/o deductivas. Un primer argumento para validar el teorema es la demostracin matemtica de forma lgico-deductiva. la ms comn es usando la funcin generadora de momentos que se puede ver en mendenhall, Wackerly y scheaffer (1994), meyer (1973) y canavos (1988) y usando la funcin caracterstica en Parzen (1987). a2: Presentacin del teorema como caso especial de un resultado general. meyer (1992) lo presenta mediante un ejemplo y Parzen (1987) lo argumenta mediante la funcin caracterstica de la normalidad asinttica de variables aleatorias binomiales. a3: Simulaciones manipulables de distribuciones en el muestreo. aunque una demostracin matemtica establece la validez del teorema, puede que no contribuya mucho a la idea intuitiva del resultado. algunos libros como meyer (1992), incluyen otra forma de validar el teorema. a partir de una poblacin sencilla se realiza una simulacin con lpiz y papel de la eleccin de la muestra aleatoria de distintos tamaos de esta poblacin. a4: Simulacin grfica con ordenador del teorema. Una forma moderna de ilustrar y argumentar esta proposicin consiste en realizar simulaciones con el ordenador aumentando

24

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

progresivamente el tamao muestral. Johnson y Kuby (2004) muestran la aproximacin de la distribucin normal a la binomial para diferentes valores de los parmetros n y p. a5: Comprobacin de ejemplos y contraejemplos, sin pretensin de generalizar. algunos textos utilizan distribuciones clsicas, la binomial o Poisson, para verificar la exactitud de la aproximacin (Wisniewski y Velasco 2001; Pea 1995). En la tabla 6, se observa que la forma de demostrar ms reiterativa en los textos es mediante la comprobacin de ejemplos, principalmente la distribucin binomial. Parzen (1987) es el nico que propone como contraejemplo la distribucin de cauchy.
Tabla 6 argumentos que presentan los libros seleccionados argumentos a1: demostraciones formales algebraicas y/o deductivas a2: caso especial de un resultado general a3: simulaciones manipulables a4: simulacin grfica con ordenador a5: comprobar ejemplos y contraejemplos x x x x x x x x 1 2 3 4 5 6 7 8 9 x x 10 11 12 13 14 15 16 x x x x x x x x x x

son pocos los textos que utilizan la simulacin con ordenador, o bien dispositivos de dados y monedas como un tipo de argumento que, aunque no proporciona una demostracin, puede ayudar a la comprensin intuitiva del teorema. las demostraciones algebraicas del teorema tienden a desaparecer en los textos ms recientes. los libros de estadstica matemtica son los ms completos en las demostraciones aunque no trabajan la simulacin como elemento validativo. En general, las demostraciones formales estn ausentes en los textos para ingenieros; al parecer estn ms all del propsito de los autores, dejndolo para cursos ms avanzados. coNclUsIoNEs El anlisis de contenido ha mostrado la complejidad del teorema y la riqueza de sus variados campos de problemas y representaciones. se han identificado los elementos de significado ms importantes del teorema, aunque muestra que no todos se utilizan de 25

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

manera significativa, debido a las orientaciones particulares de cada texto. Es preocupante que no todos los libros destinados a estudiantes de ingeniera consideren las representaciones y simulaciones, medios didcticos relevantes en el aprendizaje del teorema. En cuanto a los procedimientos de resolucin de problemas, los textos son pobres al mostrar un algoritmo nico y se inclinan por el clculo algebraico. respecto al enunciado del teorema, se ha pasado en los ltimos aos del rigor matemtico actualmente a la presentacin intuitiva. de las propiedades con significado asociado por la mayora, la de mayor presencia es la aproximacin de la media aritmtica a la distribucin normal. Percibimos una tendencia de la demostracin deductiva a desaparecer en los textos, y obtuvimos el contraejemplo como elemento validativo ms recurrente por los autores. los ejemplos y situaciones no mencionan claramente que se est aplicando el teorema. adems no se diferencia la aplicacin del teorema para la suma de variables aleatorias y la media aritmtica, no se enfatizan problemas reales de la ingeniera con salida de software estadstico, ni tratan las propiedades matemticas del teorema en tpicos tan importantes de la inferencia estadstica como los mtodos de estimacin, errores de estimacin y aplicaciones a las distribuciones de probabilidades clsicas. la informacin proporcionada por los libros, aunque valiosa es limitada, ya que slo proporciona una primera aproximacin a la enseanza del teorema. sin embargo, se ha establecido un significado de referencia para disear una propuesta didctica especfica de enseanza. su adecuacin se basar en el anlisis de textos realizado y de las investigaciones previas, el uso de la tecnologa como recurso didctico y el marco terico mencionado. El contenido de la leccin ser en orden creciente de complejidad, implementando diferentes formulaciones y representaciones de la suma de variables aleatorias discretas y continuas. Un primer acercamiento del alumno hacia la construccin del significado del teorema en el aula deber considerar la simulacin manipulable con lpiz y papel para muestras pequeas. luego continuar la introduccin para muestras grandes de forma intuitiva por medio de la simulacin grfica con apoyo del ordenador y posteriormente analizar de forma algebraica con distintos campos de problemas que requieren de la proposicin como herramienta de anlisis de datos en ingeniera. bIblIoGraFIa
alvarado, H. (2004). Significados del teorema central del lmite y sus campos de problemas en los textos de estadstica para ingenieros. memoria de tercer ciclo, Universidad de Granada, Espaa. alvarado, H. y c. batanero (2006). El significado del teorema central del lmite: Evolucin histrica a partir de sus campos de problemas. En a. contreras, l. ordez y c. batanero (eds.), Investigacin en Didctica de las Matemticas/ Congreso Internacional sobre Aplicaciones y Desarrollos de la Teora de las Funciones Semiticas (pp. 257-277). Jan: Universidad de Jan, Espaa. batanero, c. (2000). controversies around significance tests, Mathematical Thinking and Learning 2 (1-2): 75-98. cobo, b. y c. batanero (2004). significado de la media en los libros de texto de secundaria. Enseanza de las ciencias 22 (1), 5-18. cuadras, c. (1999). Problemas de probabilidades y estadstica. barcelona: EUb.

26

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

delmas, r. c., J. b. Garfield y b. l. chance (1999). a model of classroom research in action: developing simulation activities to improve students statistical reasoning. Journal of Statistic Education, 7, 3. on line: http://www.amstat.org/publications/jse. Ghiglione, r. y b. mataln (1991). Les enqutes sociologiques. Thories et practique. Pars: armand colin. Godino, J. d. (2002). Un enfoque ontolgico y semitico de la cognicin matemtica. Recherches en Didactique des Mathematiques 22 (2 y 3). Godino, J. d. y c. batanero (2003). semiotic functions in teaching and learning mathematics. En m, anderson, a. senz-ludlow, s. Zellweger y V,V, cifarelli (eds.), Educational perspectives on mathematics as semiosis: From thinking to interpreting to knowing (pp. 149-168). New york: lEGas. Godino, J. d., c. batanero y V. Fonts (2007). the onto-semiotic approach to research in mathematics education. Zentralblatt fr Didaktik der Mathematik 39 (1-2): 127-135. Godino, J. d., a. contreras y V. Font (2006). anlisis de procesos de instruccin basado en el enfoque ontolgico-semitico de la cognicin matemtica. Recherches en Didactiques des Mathematiques 26 (1): 39-88. Kalbfleisch, J. (1984). Probabilidad e inferencia estadstica. madrid: ac. lehmann, E. l. (1999). Elements of large-sample theory. New york: springer. mndez, H. (1991). Understanding the central limit theorem. tesis doctoral. Universidad de california. UmI 6369. ortiz, J. J. (1999). Significado de los conceptos probabilsticos elementales en los textos de Bachillerato. tesis doctoral. Universidad de Granada. ortiz, J. J., l. serrano y c. batanero (2002). El lenguaje probabilstico en los libros de texto. SUMA 36. tauber, l. (2001). Significado y comprensin de la distribucin normal a partir de actividades de anlisis de datos. tesis doctoral. Universidad de sevilla. Vallecillos, a. (1996). Inferencia estadstica y enseanza: Un anlisis didctico del contraste de hiptesis estadsticas. madrid: comares. Xiuyu, J. (2003). Historical development of central limit theorem. on line: http://www.stat.rice. edu/~blairc/seminar/Files/julietalk.pdf.

aPENdIcE Libros de textos incluidos en el anlisis:


canavos, G. (1992). Probabilidad y estadstica. mxico: mcGraw-Hill. de Groot, m. (1988). Probabilidad y Estadstica. Wilmington: addison-Wesley. devore, J. (2001). Probabilidad y Estadstica para Ingeniera y Ciencias. Quinta edicin. mxico: thompson. Johnson, r. y P. Kuby (2004). Estadstica Elemental. tercera edicin. mxico: thompson. Kennedy, J. y a. Neville (1982). Estadstica para Ciencias e Ingeniera. segunda edicin. mxico: Harla. mendenhall, W. y t. sincich (1997). Probabilidad y Estadstica para Ingeniera y Ciencias. cuarta edicin. mxico: Prentice Hall. mendenhall, W., d. Wackerly y r. scheaffer (1994). Estadstica Matemtica con aplicaciones. segunda edicin. mxico: Grupo Editorial Iberoamericana. meyer, P. (1992). Probabilidad y Aplicaciones Estadstica. segunda edicin. mxico: addisonWesley. miller, I., J. Freund y r. Johnson (1992). Probabilidad y Estadstica para Ingenieros. cuarta edicin. mxico: Prentice Hall.

27

Estudios Pedaggicos XXXIV, N 2: 7-28, 2008


tEorEma cENtral dEl lImItE EN tEXtos dE ProbabIlIdad y EstadIstIca

montgomery, d. y G. runger (1996). Probabilidad y Estadstica aplicadas a la Ingeniera. mxico: mcGraw-Hill. Parzen, E. (1987). Teora Moderna de Probabilidades y sus Aplicaciones. Quinta edicin. mxico: limusa. Pea, d. (1995). Estadstica. Modelos y Mtodos. octava edicin. madrid: alianza Universitaria. scheaffer, r. y J. mcclave (1993). Probabilidad y Estadstica para Ingenieros. tercera edicin. mxico: Grupo Editorial Iberoamericana. Velasco, G. y P. Wisniewski (2001). Probabilidad y Estadstica para Ingeniera y Ciencias. mxico: thompson. Walpole, r., r. myers y s. myers (1999). Probabilidad y Estadstica para Ingenieros. sexta edicin. mxico: Prentice Hall, Pearson. Wisniewski, P. y G. Velasco (2001). Problemario de Probabilidad. mxico: thompson.

28