Significados del contraste de hiptesis, configuraciones epistmicas

asociadas y algunos conflictos semiticos

Meanings of hypothesis testing, linked epistemic configurations and some semiotic
conflicts

Carmen Batanero1, Carmen Daz2 y M del Mar Lpez-Martn1

1
Universidad de Granada, 2Universidad de Huelva
Resumen
Aunque la inferencia estadstica es una herramienta esencial en muchas ramas de la
actividad humana, y su enseanza es generalizada, una extensa bibliografa crtica su uso
inadecuado. Ello ha originado una lnea de investigacin y desarrollo denominada
inferencia informal que est cobrando gran importancia. En este trabajo se resumen tres de
las aproximaciones actuales al contraste de hiptesis y se utilizan algunas ideas del enfoque
ontosemitico con un doble objetivo: a) Identificar algunos componentes de las
configuraciones epistmicas ligadas a dichos significados del contraste de hiptesis; b)
Explicar mediante la idea de conflicto semitico algunos errores y sesgos de razonamiento
que se han descrito en las investigaciones sobre el tema. Se finaliza con algunas
recomendaciones para la enseanza del contraste de hiptesis.
Palabras clave: Contraste de hiptesis; diversos significados institucionales; enfoque
ontosemitico, configuraciones epistmicas y cognitivas; conflicto semitico; idoneidad
didctica.

Abstract
Although statistical inference is an essential tool in many human activities, and its teaching
is generalised, a wide bibliography criticises its incorrect use. These facts let to a research
and development focus in what is being called informal inference, which is taking a great
relevance. In this work, we summarise three current approaches to statistical tests and use
some ideas from the onto-semiotic approach with a double aim: a) Identifying some
components in the epistemic configurations linked to these meanings of statistical tests; b)
Using the idea of semiotic conflicts to explain some reasoning errors and biases described
in previous research. We finish with some recommendations for the teaching of statistical
tests.
Keywords: Statistical tests; different institutional meanings; onto-semiotic approach;
epistemic and cognitive configurations; semiotic conflicts.

1. Introduccin

La inferencia estadstica se incluye en la actualidad en el segundo curso de bachillerato

de Humanidades y Ciencias Sociales, la mayora de las carreras universitarias y estudios
de postgrado. Adems, en las pruebas de acceso a la universidad de Matemticas
Aplicadas a las Ciencias Sociales se ha venido proponiendo con frecuencia un problema
sobre contraste de hiptesis (Lpez-Martn, Batanero, Daz-Batanero y Gea, 2016).
En lo que sigue analizamos, en primer lugar, tres aproximaciones diferentes del
contraste de hiptesis, incluyendo el enfoque didctico dentro de la lnea de inferencia
informal (ver, por ejemplo, Batanero, 2013; 2015; Noll, Gebresenbet y Glover, 2016;
Rossman, 2008; Rubin, Hammerman y Konold, 2006; Zieffler, Garfield, del Mas y
Reading, 2008). Seguidamente utilizamos la idea de conflicto semitico para explicar
algunos errores y sesgos de razonamiento que se han descrito en la investigacin sobre
Batanero, C., Daz, C. y Lpez-Martn, M. M. (2017). Significados del contraste de hiptesis,
configuraciones epistmicas asociadas y algunos conflictos semiticos. En J. M. Contreras, P. Arteaga, G.
R. Caadas, M.M. Gea, B. Giacomone y M. M. Lpez-Martn (Eds.), Actas del Segundo Congreso
International Virtual sobre el Enfoque Ontosemitico del Conocimiento y la Instruccin Matemticos.
Disponibles en, enfoqueontosemiotico.ugr.es/civeos.html
2 Significados del contraste de hiptesis, configuraciones epistmicas asociadas

el contraste de hiptesis o que hemos encontrado en algunas propuestas de la

denominada inferencia informal. Finalmente se incluyen unas recomendaciones para la
enseanza del contraste de hiptesis.

2. Significado institucional de un objeto matemtico y configuraciones epistmicas

asociadas

Para llevar a cabo este anlisis es importante partir de un marco terico fuerte, que
considere tanto el significado como la comprensin de un objeto matemtico ms all
de la simple definicin del mismo. En nuestro caso partiremos del enfoque
ontosemitico, en el que hemos venido trabajando a lo largo de 20 aos. Este enfoque
surge con la finalidad de proporcionar apoyo a un programa de investigacin sistemtica
en didctica de la matemtica, e incluye diversos instrumentos que permiten analizar los
componentes de los procesos de enseanza y aprendizaje. En este trabajo nos centramos
en las ideas de objeto matemtico, prctica y significado, que han sido analizadas desde
los comienzos del desarrollo del marco terico (por ejemplo, en Godino 2002; Godino y
Batanero, 1994; 1998; Godino, Batanero y Roa 2005; Godino, Batanero y Font, 2007).
Ya en Godino y Batanero (1999) tombamos de Vygostki (1934) la idea de que el
anlisis de la actividad matemtica debe partir del estudio previo del significado de las
palabras que usamos en dicha actividad, pues estas reflejan la unin de pensamiento y
lenguaje.
Este anlisis parte de las ideas de problema y prctica; considerada sta como toda
actuacin o expresin (verbal, grfica, etc.) realizada por alguien para resolver
problemas matemticos, comunicar a otros la solucin obtenida, validarla o
generalizarla a otros contextos y problemas (Godino y Batanero, 1994, p. 334). Los
objetos matemticos emergen de las prcticas, que pueden ser personales o
institucionales (compartidas en una institucin) y el significado de un objeto se concibe
como el sistema de prcticas asociadas al mismo (Godino, Batanero y Font, 2007). El
trmino objeto se considera de una forma muy amplia, diferencindose, en un primer
nivel, los siguientes tipos, que se relacionan entre s, como muestra la Figura 11:
Los problemas. Son aquellos de los que emerge un objeto. En el caso del
contraste de hiptesis seran las situaciones en que se desea poner a prueba una
conjetura o hiptesis en una ciencia de tipo emprico.
El lenguaje matemtico. Permite representar el objeto, dentro de ste bloque se
incluira las palabras como contraste, hiptesis, experimento, dato; smbolos y
expresiones algebraicas como, por ejemplo, N , ; lenguaje grfico

n
(representaciones grficas de la distribucin de datos, la distribucin muestral o
la distribucin en la poblacin, etc.).
Los procedimientos. Algoritmos o estrategias que permiten operar con los datos
para resolver el problema o generalizarlo. Por ejemplo, recoger datos de una
muestra, calcular su media, calcular una probabilidad con las tablas de la
distribucin o con ordenadores.

1
Vase las diferentes referencias citadas para una definicin ms precisa de objeto y significado, as
como de las diferentes facetas desde las cules se puede diferenciar un objeto matemtico o de los
procesos matemticos asociados. En este trabajo, nos restringimos a una definicin elemental y simple de
dichos trminos.
 Carmen Batanero, Carmen Daz y Mara del Mar Lpez-Martn 3

Las definiciones del objeto, sus propiedades caractersticas y las relaciones con
otros objetos. Por ejemplo, poblacin y muestra, variable aleatoria y estadstica,
estadstico muestral y parmetro poblacional o las relaciones y propiedades de
los mismos.
Los argumentos. Aquellos que usamos para probar las propiedades o relaciones
o demostrar las soluciones de los problemas y, en general, para comunicar a
otras personas nuestros resultados. En el trabajo de un estadstico se utilizara un
razonamiento de tipo deductivo para llevar a cabo el procedimiento de contraste
o para demostrar algunas propiedades; en la enseanza secundaria, se podra
utilizar la simulacin para mejorar la comprensin de los estudiantes.

Figura 1. Configuracin de objetos primarios (Godino, Batanero y Font, 2008)

La enumeracin anterior, incluso sencilla, muestra el carcter polifactico de los
objetos matemticos, y la necesidad de tener en cuenta los tipos de objetos
anteriormente descritos al organizar la enseanza. Por supuesto, para cada uno de ellos
son posibles diferentes niveles de formalizacin, dependiendo del nivel educativo. No
sera lo mismo el trabajo con el contraste de hiptesis en bachillerato, la estadstica
profesional o la investigacin en estadstica. Cada una de las anteriores situaciones
define una institucin y hablamos del significado institucional del contraste de hiptesis.
Por otro lado, en el marco terico se diferencia entre el significado institucional y
personal de un objeto matemtico, para tener en cuenta la comprensin particular que
una persona, dentro de la institucin, puede alcanzar del objeto y que puede no coincidir
con el significado institucional del mismo2.
Por otro lado, la inferencia estadstica (y el contraste de hiptesis que es parte de ella)
tiene un estatuto particular, en el sentido que, a lo largo de la historia, incluso dentro de
la actividad matemtica profesional podemos describir diversas acepciones (que
interpretamos en nuestro marco terico como significados diferenciados). En lo que
sigue, comenzamos describiendo brevemente la relacin de la inferencia con el

2
Adems se tiene en cuenta diversos tipos de significado, tanto institucional (de referencia,
implementado, pretendido, evaluado), como personal.
4 Significados del contraste de hiptesis, configuraciones epistmicas asociadas

problema de la justificacin de la induccin emprica y seguidamente analizamos

algunas de estas acepciones y los objetos matemticos que las caracterizan

3. Inferencia estadstica y la justificacin de la induccin emprica

La inferencia estadstica se cre como respuesta al problema consistente en obtener un

conocimiento general (una nueva teora cientfica) a partir del anlisis de casos
particulares (induccin emprica). Esto es, nace con la bsqueda de mtodos que
permitan justificar el razonamiento inductivo y la extensin de sus conclusiones,
problema de gran importancia en las ciencias empricas (Cabri, 1994; Mayo y Cox,
2006; Rivadulla, 1991). Dicho problema fue estudiado desde Aristteles, aunque fue
Hume el primero que los plante con claridad en 1739, argumentando que ningn
conjunto de observaciones pasadas puede justificar sucesos que ocurran en el futuro
(Hacking, 2006).
En el razonamiento inductivo emprico, la conclusin se obtiene del anlisis de casos
particulares que se tratan de generalizar; en consecuencia, dicha conclusin es ms
amplia que las premisas, y puede ser falsa, aunque se parta de premisas ciertas. La
justificacin de la validez de estas conclusiones ha sido motivo de discusin en filosofa
y estadstica, sin que se haya obtenido una solucin aceptada por consenso (Black,
1979; Cabria, 1994; de la Fuente y Daz, 2004).
Supongamos, por ejemplo, que el responsable sanitario de un distrito quiere probar que
el ndice de masa corporal (IMC) de los adolescentes en su distrito es adecuado, es
decir, no supera el valor fijado de 25. Sabe que la variable sigue una distribucin normal
con desviacin tpica igual a 5, Cmo podra probar esta conjetura? Para resolver
problemas similares a ste, Popper (1934/ 1967) propuso poner a prueba la hiptesis
mediante experimentos u observaciones y comparar los datos obtenidos con los patrones
deducidos de la hiptesis, para aceptarla, provisionalmente, si los datos siguiesen estos
patrones. En el ejemplo dado, se comenzara tomando datos del IMC en muestras
sucesivas de adolescentes; si en todas estas muestras obtenemos un IMC medio dentro
del rango esperado (menor que 25), se aceptara la conjetura del director sanitario,
provisionalmente. Pero es importante comprender que la confirmacin de una teora a
partir de datos empricos nunca es definitiva, porque los datos futuros podran
contradecirla. En cambio, si los datos del experimento se apartasen del patrn esperado,
la teora sera refutada, por lo que el rechazo de la hiptesis tiene mayor fuerza que su
confirmacin.
El comienzo del desarrollo de la inferencia estadstica es anterior a Popper; entre 1764 y
1786, Bayes y Laplace resolvieron independientemente lo que hoy conocemos como
problema de la probabilidad inversa (obtencin de la distribucin a posteriori de un
parmetro a partir de datos de una muestra y de la distribucin de probabilidad a priori
del parmetro), que corresponde a la metodologa bayesiana (Hald, 2008). Laplace
tambin desarroll el primer test de significacin para la media, para el caso particular
de una distribucin uniforme de datos. Posteriormente, entre 1809 y 1929 Laplace y
Gauss descubrieron que la distribucin aproximada de las medias muestrales para
muestras grandes es aproximadamente normal.
 Carmen Batanero, Carmen Daz y Mara del Mar Lpez-Martn 5

4. Configuraciones epistmicas ligadas a tres significados institucionales del

contraste de hiptesis

Las ideas de Popper tuvieron una gran influencia en el desarrollo de la inferencia

frecuencial, sistematizada entre 1920 y 1940 por Fisher, Neyman y Pearson, quienes
desarrollan su teora sobre los contrastes de hiptesis (Batanero y Borovcnik, 2016).
Dado que mediante un razonamiento inductivo no es posible llegar a la certidumbre de
una proposicin (verdad cierta), estos y otros autores intentaron calcular la probabilidad
de que una hiptesis sea cierta (verdad probable) (Batanero, 2000; Rivadulla, 1991).
Ahora bien, diferentes escuelas de estadstica han proporcionado diferentes soluciones
al problema planteado. En las siguientes secciones describimos las metodologas
frecuencial y Bayesiana.
Dentro de la inferencia frecuencial hay dos concepciones sobre los contrastes
estadsticos: a) Las pruebas de significacin, que fueron introducidas por Fisher y b)
Los contrastes como reglas de decisin entre dos hiptesis, que fue la concepcin de
Neyman y Pearson. Estas aproximaciones no se diferencian en lo que concierne a los
clculos, pero si en sus objetivos.
La probabilidad de una hiptesis no tiene sentido en la inferencia frecuencial, porque en
ella la probabilidad se interpreta como el lmite de la frecuencia relativa en un gran
nmero de repeticiones independientes del experimento aleatorio. Pero una hiptesis es
siempre cierta o falsa. En el ejemplo dado, el IMC medio en la poblacin superar o no
el valor 25, no teniendo sentido concluir que la hiptesis es cierta un porcentaje de
veces.

4.1. Metodologa de Fisher: El test de significacin como refutacin emprica de

una hiptesis

El test de significacin fue propuesto por Fisher en su libro The design of experiments,
publicado en 1935, como procedimiento que permite rechazar una hiptesis, con un
cierto nivel de significacin. Fisher (1935/1971) introduce su teora de las pruebas de
significacin, que resumimos en lo que sigue.
Supongamos que se quiere comprobar si una cierta hiptesis H0 (hiptesis nula) es
cierta. Se suele tomar como hiptesis nula, o de no efecto, la contraria de la que se
pretende probar (en nuestro ejemplo, la hiptesis nula sera que el IMC medio no supera
el valor 25). Generalmente la hiptesis se refiere al valor supuesto de un parmetro,
pero no se tiene acceso a toda la poblacin, sino slo a una muestra de la misma. En el
ejemplo, estamos interesados en el IMC medio, , en toda la poblacin de adolescentes,
pero solo podemos tomar una muestra; calcularemos la media x en la muestra y lo
compararemos con el valor supuesto de la media en la poblacin.
Para poner la hiptesis a prueba se organiza un experimento aleatorio asociado a H0 y se
considera un cierto suceso S que puede darse o no en este experimento y que es muy
improbable de ser cierta la hiptesis. El experimento en el ejemplo sera recoger una
muestra aleatoria de 225 adolescentes y calcular la media de su IMC. Se sabe que si H0
fuese cierta (si el IMC medio en la poblacin no supera el valor 25), hay muy poca
probabilidad de que ocurra S (obtener un valor medio en la muestra mucho mayor que
25). En el ejemplo comparamos la media en la muestra con la supuesta media en la
poblacin, permitiendo as medir la discrepancia entre los datos muestrales y la
hiptesis planteada.
6 Significados del contraste de hiptesis, configuraciones epistmicas asociadas

Supongamos que, realizado el experimento, ocurre precisamente S, es decir, obtenemos,

por ejemplo que x 26 , que es muy improbable, bajo la suposicin de que la hiptesis
nula H0 es cierta. En esta situacin encontramos dos posibles conclusiones:
La hiptesis H 0 : 25 era cierta y ha ocurrido S (obtener un valor medio en la
muestra mucho mayor que 25), a pesar de su baja probabilidad, p=0.00133 (pues
un suceso improbable no es imposible).
La hiptesis H0 era falsa.
Lo razonable sera rechazar la afirmacin del director sanitario, pues si el IMC en su
distrito fuese igual o menor a 25; slo 13 de cada 10000 muestras de 225 adolescentes
daran un ndice medio igual o mayor que 26.
El razonamiento que apoya un test de significacin parte de la suposicin de que la
hiptesis nula es cierta. En dicho caso, al variar los datos aleatoriamente, el estadstico
define una distribucin que recibe el nombre de distribucin muestral, (Cabri, 1994;
Batanero, 2000). Un test de significacin efecta una divisin entre los posibles valores
del estadstico en dos clases: resultados estadsticamente significativos (para los cuales
se rechaza la hiptesis) y no estadsticamente significativos (para los cules no se puede
rechazar la hiptesis) (Ridavulla, 1991).
En resumen, en el enfoque de Fisher: 1) El inters es rechazar la hiptesis nula; 2) No se
identifica una hiptesis alternativa concreta (Batanero y Daz, 2006); 3) No hay un
criterio estndar sobre qu es un suceso improbable; 4) El valor de la probabilidad por
debajo de la cual rechazamos la hiptesis (nivel de significacin) lo fija el investigador
segn su juicio subjetivo y su experiencia (suele ser comn tomar un nivel de
significacin =0.05).

4.2. Metodologa de Neyman y Pearson: contraste de hiptesis como regla de

decisin

Neyman y Pearson por su parte estaban interesados en encontrar la regla ptima de

decisin para elegir entre una hiptesis dada H0 y otra hiptesis alternativa, denotada
por H1 (Rivadulla, 1991). Este enfoque tiene ms sentido cuando se trata de una prueba
que se repite muchas veces en las mismas condiciones. Supongamos, por ejemplo, un
contexto de control de calidad: Estamos en un proceso de llenado de paquetes de azcar
de 1 kg, donde se supone una distribucin normal N (0,1). Estamos interesados en
diferenciar entre dos hiptesis:
H0: El proceso est controlado, es decir, los paquetes tienen un peso medio de
1kg ( 1 ).
H1: Se ha descontrolado el proceso, es decir, los paquetes tienen un peso medio
mayor o menor de 1 kg ( 1 ).
Supongamos que, para realizar un adecuado control de calidad, todos los das se toma
una muestra aleatoria de 30 paquetes con el fin de obtener el peso de cada uno (pues
sera muy caro pesarlos todos) y cada da se repite el mismo procedimiento para ver si

3
Al tipificar la media muestral en el ejemplo, y como la muestra es muy grande podemos usar la
distribucin normal N (0,1) para calcular la probabilidad de obtener un valor igual o mayor que 3 (valor
obtenido en la tipificacin, (25 26) / (5 / 225) ). P( Z 3 | H 0 ) 0.0013.
 Carmen Batanero, Carmen Daz y Mara del Mar Lpez-Martn 7

paro o no la produccin. Teniendo en cuenta el beneficio de la empresa, nos interesar

encontrar la regla que a la larga, repitiendo el proceso muchas veces, d el menor
nmero de errores posibles.
Por ello contemplan dos posibles decisiones respecto a H0: rechazar esta hiptesis,
asumiendo que es falsa, aceptando la alternativa, o abstenerse de esa accin. Las dos
situaciones pueden llevar a un error que implica un coste.
Error tipo I. Rechazar una hiptesis nula cuando es cierta (en nuestro caso, parar
el proceso de produccin, cuando el proceso en realidad est controlado). El coste
implicado sera el de revisin de la maquinaria innecesariamente. La probabilidad
de cometer este tipo de error o nivel de significacin se fija antes de realizar el
contraste y es una constante. Generalmente se trabaja con =0.05.
Error tipo II. Aceptar una hiptesis nula que de hecho es falsa (considerar que el
proceso est controlado, cuando no lo est). Si supongo que el proceso est
controlado cuando no lo est, puedo estar vendiendo ms o menos peso del que
cobro; aunque vender un menor peso podra parecer no grave, puedo perder mi
calidad o mi imagen. La probabilidad de cometer este tipo de error se denomina
Beta () y su complemento (1 ) recibe el nombre de la potencia del contraste.
Dicha probabilidad es variable, ya que su valor depende del valor del parmetro
que se est contrastando (generalmente desconocido). En el ejemplo que se est
tratando, si en vez de envasar paquetes de 1 kg, el proceso fabrica paquetes de 999
gramos, la probabilidad de error tipo II es alta, porque hay poca diferencia entre el
peso medio supuesto del paquete (1 kg) y la media producida (999 gramos). Sin
embargo, si estamos fabricando paquetes de 1500 gramos ser difcil suponer que
el proceso est controlado, ya que el peso medio de los 30 paquetes ser muy
cercano a 1500 gramos y existir diferencias con respecto al valor supuesto del
parmetro.

4.3. Metodologa Bayesiana

En la inferencia bayesiana la probabilidad de una hiptesis es un grado de creencia

personal que oscila entre 0 (falsedad absoluta) y 1 (certeza absoluta) (Gigerenzer, 1993;
Lecoutre, Lecoutre y Poitevineau, 2001). Por ello puede ser distinta para diferentes
personas, pero, adems, se puede revisar su valor a partir de los datos.
Una diferencia con la inferencia frecuencial es que el parmetro (en el ejemplo, el IMC
medio de la poblacin de adolescentes) es una variable aleatoria a la cual se la asigna
una distribucin de probabilidad. De hecho se consideran dos tipos de distribucin del
parmetro:
Distribucin a priori o inicial. Representa el grado de creencia inicial en los
diferentes valores del parmetro antes de recoger datos de experimentos. Si no se
tiene ninguna creencia previa se suele emplear como distribucin inicial la
distribucin uniforme.
Distribucin a posteriori o final. Representa el grado de creencia en la hiptesis
una vez se han recogido los datos. El teorema de Bayes servir para combinar la
probabilidad inicial con los datos y llegar a la distribucin a posteriori. Este
teorema se puede representar simplificadamente en la forma siguiente (Daz,
2005),
8 Significados del contraste de hiptesis, configuraciones epistmicas asociadas

Distribucin final = K x Verosimilitud x Distribucin inicial,

1
donde K es una constante definida como, K (inversa del
P( Ai ) P B | Ai
i
teorema de la probabilidad total) y la verosimilitud es la probabilidad de obtener
un valor determinado de x (media muestral) para cada posible valor de (media
en la poblacin), es decir, la verosimilitud es P( x | ) . Dado que la distribucin
final depende de la distribucin inicial, el teorema de Bayes corrige
progresivamente las diferentes asignaciones de la distribucin inicial cuando
aumentamos el tamao de la muestra, de forma que se tiende a una distribucin
final no muy diferente aunque las distribuciones iniciales varen.
En el ejemplo del IMC, se tiene:
Puesto que no tenemos creencia previa sobre la distribucin inicial del
parmetro, suponemos que es una distribucin uniforme (o rectangular), es decir,
se considera que la distribucin inicial es K. Sabemos del enunciado que la
desviacin tpica de la poblacin es conocida y vale 5.
Si se extrae de la poblacin una muestra aleatoria de n elementos y su media fue
, la verosimilitud de obtener esta media, se obtiene a partir de la distribucin

normal N x , n N 26,5 225 N 26, 0.33 . Por tanto, la distribucin
final o a posteriori se obtiene como:
Distribucin final = K N x ,0.33 K ' K '' N x ,0.33 , siendo K '' K K ' .
En conclusin se puede decir que, en la metodologa bayesiana, para contrastar la
hiptesis nula 25 , lo que se hace es calcular la probabilidad de la hiptesis
contraria mediante el uso de la distribucin final del parmetro, es decir,
26 25 26
P( 25) P P( Z 3) 1 0.00135 0.99865
0.33 0.33
Como consecuencia, de los clculos realizados se tiene que la probabilidad de que los
adolescentes no tengan sobrepeso es P( 25) 0.00135 . Puesto que es ms probable
que los adolescentes tengan sobrepeso que no lo tengan, se rechaza la hiptesis del
responsable sanitario.
Ntese que hemos obtenido el mismo valor que al calcular el p-valor en la metodologa
frecuencial; esto ocurre porque hemos usado una distribucin inicial uniforme (en otro
caso no coincidira). Pero la interpretacin que tiene ahora esta probabilidad es muy
diferente ya que indica el grado de creencia en la hiptesis. Por tanto en la metodologa
bayesiana podemos calcular la probabilidad de que una hiptesis sea cierta (entendida
como nuestro gado de creencia en dicha hiptesis).

4.4. Una aproximacin informal al contraste de hiptesis

Como vemos, el contraste de hiptesis, en cualquiera de las metodologas descritas

 Carmen Batanero, Carmen Daz y Mara del Mar Lpez-Martn 9

requiere el uso de muchos conceptos y procedimientos, que dependen del problema4 y la

metodologa seguida. Cuando un alumno de bachillerato o primer curso de universidad
resuelve un contraste de hiptesis, con frecuencia no comprende todos los pasos, sino
que los aplica en forma mecnica. Para paliar este problema y mejorar la comprensin
son varias las investigaciones que proponen una aproximacin informal a la inferencia
(ver, por ejemplo, Batanero, 2013, 2015; Noll, Gebresenbet y Glover, 2016; Rossman,
2008; Rubin, Hammerman y Konold, 2006; Zieffler, Garfield, delMas y Reading,
2008).
Una de las posibilidades es utilizar un simulador para obtener una distribucin muestral
emprica, en lugar de trabajar con la distribucin muestral terica. El resto del
procedimiento sera similar. Por ejemplo, si seguimos la metodologa de Fisher y
queremos contrastar la hiptesis de que el IMC medio en la poblacin no supera el valor
25 (siendo la desviacin tpica 5) con ayuda del simulador, el alumno tambin debe
recordar que, para realizar un contraste de hiptesis sobre la media de la poblacin , ha
de utilizar la media de la muestra; en este caso x 26 . Pero no ha de realizar clculo
formal de probabilidad; por tanto el problema se simplifica bastante ya que no necesita
recordar la frmula de la desviacin tpica de la media, la frmula de tipificacin o
lectura de la tabla de la distribucin normal.
En el simulador nicamente tiene que introducir el dato supuesto de la media de la
poblacin, =25, y de la desviacin tpica, =5. A partir de dicha informacin se ha
realizado la simulacin de 1000 muestras cada una de 225 sujetos de la poblacin
normal N (25, 5) con Fathom (podramos haber usado Excel u otro programa). En la
Figura 2 hemos representado en un grfico de puntos las 1000 medias muestrales. Esta
distribucin sera una distribucin muestral emprica que tendera a la distribucin
muestral terica cuando se aumentase mucho el nmero de simulaciones. Pero 1000
muestras nos da una distribucin aproximada, con la cual podemos obtener una
estimacin sobre la probabilidad de obtener este suceso, si la hiptesis nula fuese cierta.
De las 1000 muestras simuladas se comprueba que dos de ellas estn por encima de 26,
luego dicha probabilidad (p-valor) ser:
2
p-valor = P( x 26) | H 0 cierta) 0.002
1000
Observamos una ligera diferencia de esta estimacin de la probabilidad con la
probabilidad exacta, calculada la seccin 4.1. Ello es debido a que, en vez de utilizar la
distribucin exacta de la media muestral, estamos simulndola; por tanto, introducimos
un pequeo error en el clculo. Sin embargo, si el nmero de simulaciones, como en el
ejemplo, es alto, los valores exactos y estimados de la probabilidad son muy parecidos.
En consecuencia, la simulacin (en vez del clculo formal) puede utilizarse al comenzar
la enseanza del contraste de hiptesis para poder concentrar al alumno en el
aprendizaje de la lgica del proceso y en los conceptos que son necesarios: muestra y
poblacin, media muestral y poblacional, distribucin de la media muestral, hiptesis
nula, valor p. Es importante hacer ver al alumno que el p-valor viene dado por una
probabilidad condicional ya que, en su estimacin, se supone cierta la hiptesis nula.
Esto es sencillo, pues utilizando el mismo simulador podemos cambiar la hiptesis de
partida; por ejemplo, suponer que la media de la poblacin =25.5 y el alumno

4
Encontraremos, adems, diferencias, segn se trate de un contraste unilateral o bilateral y segn el
parmetro contrastado.
10 Significados del contraste de hiptesis, configuraciones epistmicas asociadas

observara como cambia la probabilidad, que seguira siendo pequea, pero no tanto
como antes. Si la media de la poblacin fuese 25.5 no sera ya tan raro obtener un IMC
en la muestra igual a 26; en este caso es posible que no se pueda rechazar la hiptesis
nula para un nivel de significacin =0.05

Figura 1. Simulacin, con Fathom, de la distribucin muestral el IMC (1000 muestras)

4.5. Sntesis

Tabla 1. Algunos objetos matemticos ligados a los diferentes significados del contraste de
hiptesis
Significados Problema Conceptos/Propiedades Procedimientos
Test de -Recabar -Interpretacin frecuencial de -Fijar una hiptesis nula.
significacin evidencia en la probabilidad. -Calcular p-valor: probabilidad
contra de una -Hiptesis nula. de obtener el valor dado u otro
hiptesis -Distribucin muestral. ms extremo, bajo la hiptesis
-El parmetro es fijo y nula, usando la distribucin
desconocido. muestral.
Contraste de -Encontrar una -Interpretacin frecuencial de -Fijar una hiptesis alternativa.
hiptesis regla de la probabilidad. -Determinar las regiones crtica y
decisin ptima -Hiptesis nula y alternativa de aceptacin.
entre dos -Distribucin muestral. -Clculo de la potencia.
hiptesis -Error tipo I y II. -Determinar en qu regin cae el
-Potencia. estadstico.
Inferencia -Actualizar la -Interpretacin subjetiva de la -Asignar distribucin a priori.
Bayesiana distribucin del probabilidad. -Teorema de Bayes.
parmetro. -Distribucin a priori y a -Teorema Probabilidad Total.
-Calcular la posteriori. -Realizar clculos con la
probabilidad de -El parmetro es una variable distribucin a posteriori.
una hiptesis. aleatoria -Decidir qu hiptesis es ms
-Mltiples hiptesis. probable usando la distribucin a
posteriori.
Aproximacin -Estimar la -Interpretacin frecuencial de -Obtencin de muestras a partir
informal5 probabilidad de la probabilidad. de un simulador

5
Se puede realizar una aproximacin informal de cualquiera de las metodologas. En la tabla nos
limitamos al test de significacin de Fisher donde se sustituye la distribucin muestral terica por una
 Carmen Batanero, Carmen Daz y Mara del Mar Lpez-Martn 11

que un modelo6 -Modelo. -Obtencin de la distribucin

produzca unos -Distribucin muestral muestral emprica por simulacin
datos emprica. bajo el modelo supuesto.
-Calcular p-valor, usando la
distribucin muestral emprica

En la exposicin realizada, incluso resumida, se observa la complejidad del contraste de

hiptesis, que implica la comprensin de muchos objetos matemticos. Algunos como
poblacin y muestra, estadstico y parmetro, o hiptesis son comunes a todas las
metodologas. Finalmente, cada aproximacin cuenta con sus objetos matemticos
propios, por lo que podemos considerar los diferentes significados del contraste de
hiptesis como configuraciones epistmicas diferenciadas. La Tabla 1 muestra algunos
ejemplos de estos objetos.

5. Algunos ejemplos de conflictos semiticos relacionados con el contraste de

hiptesis

La complejidad descrita explica los numerosos errores e interpretaciones incorrectas del

contraste de hiptesis, que se han denunciado incluso en los trabajos de investigacin
(Batanero, 2000; Falk y Greenbaum, 1995; Harradine, Batanero y Rossman, 2011).
Otro componente del marco ontosemitico es la idea de funcin semitica, como
correspondencia entre un antecedente (expresin, significador) y un consecuente
(contenido, significado) establecido por un sujeto (persona o institucin). Cualquier tipo
de objeto matemtico puede actuar como antecedente o consecuente en la funcin
semitica. Godino (2003) interpreta la comprensin en trminos de las funciones
semiticas que un sujeto puede establecer a propsito de un objeto dado. En Godino,
Batanero y Font (2007) se describe el conflicto semitico como cualquier disparidad de
interpretacin en el significado que dos sujetos asignan a la misma expresin. En lo que
sigue interpretamos en trminos de conflicto semitico algunos errores sobre, el
contraste de hiptesis descritos en la literatura y otros que, inconscientemente, se
introducen en la enseanza cuando se realiza con una aproximacin informal.

5.1. Conflictos de aprendizaje

Un concepto que se suele comprender errneamente es el nivel de significacin .

Como se ha indicado anteriormente, es la probabilidad de rechazar la hiptesis nula,
supuesta cierta H 0 . En forma simblica: P(Rechazar H0 | H0 es cierta) .
Supongamos que trabajamos con un valor =0.05 o del 5%; esto quiere decir que si H0
es cierta, la rechazamos 5 de cada 100 veces, o lo que es lo mismo en 100 das que
hagamos el control de calidad y en los cules el proceso est controlado, pararemos el
proceso innecesariamente 5 das.

emprica obtenida por simulacin. Adems los conceptos no se explicitan, tan slo se usan en forma
intuitiva.
6
Para evitar introducir trminos tcnicos como hiptesis en las aproximaciones informales, con
frecuencia se habla de modelo, entendido coloquialmente, como el modelo implementado en el
simulador.
12 Significados del contraste de hiptesis, configuraciones epistmicas asociadas

Respecto a este concepto se pueden encontrar numerosos conflictos semiticos, es decir,

errores de interpretacin. El ms frecuente consiste en intercambiar los dos trminos de
la probabilidad condicionada en la expresin anterior, es decir, interpretar como la
probabilidad de que la hiptesis nula sea cierta, una vez que la decisin de rechazarla se
ha tomado, esto es, suponer que P( H0 es cierta | se ha rehazado H0 ) . Este tipo de
error se ha encontrado en investigaciones llevadas a cabo con estudiantes (Birnbaum,
1982; Falk, 1986; Vallecillos, 1994) y en profesores de universidad responsables de la
enseanza de mtodos de investigacin (Krauss y Wassner, 2002). Subyace en este
conflicto otro consistente en asignar a la probabilidad condicional la propiedad
conmutativa (se pueden intercambiar sus trminos).
Un segundo conflicto es la identificacin de las funciones que en el contraste tiene la
hiptesis nula y la hiptesis alternativa. Es decir, algunos estudiantes piensan que la
hiptesis nula es la que queremos demostrar (no la que queremos rechazar).
Vallecillos (1999) describi las siguientes creencias que tenan sus estudiantes sobre el
tipo de prueba que proporciona el contraste de hiptesis, cada una de las cules implica
un conflicto semitico:
El contraste de hiptesis en la metodologa frecuencial es una prueba
probabilstica de la hiptesis. Permite calcular la probabilidad de que una
hiptesis sea cierta. Sin embargo, como hemos dicho, la probabilidad de una
hiptesis no tiene sentido en inferencia frecuencial. Estos estudiantes daran una
interpretacin bayesiana a un procedimiento frecuencial.
El contraste estadstico es un mtodo matemtico; como tal, y al ser la
matemtica una ciencia exacta, al finalizar hemos probado la verdad o falsedad
de una hiptesis. Esta creencia, siempre errnea, supone un conflicto entre una
demostracin deductiva y el contraste de hiptesis.

5.2. Conflictos en la enseanza

Algunos de los conflictos, presentados en la Seccin 5.1, se transmiten

involuntariamente en la enseanza, en particular, algunas propuestas tratan de
desarrollar el razonamiento inferencial informal con poco rigor. Algunos ejemplos de
estos conflictos son los siguientes7:
Confusin entre frecuencia relativa y probabilidad. Es frecuente encontrar en la
literatura las expresiones probabilidad emprica o probabilidad frecuencial para
referirse a la estimacin frecuencial de la probabilidad a partir de la frecuencia
relativa. Este conflicto ya fue denunciado por Chaput, Girard y Henry (2011).
De la misma forma se encuentra en la literatura expresiones como probabilidad
terica para contraponerla con la frecuencial o subjetiva, mientras que toda
probabilidad es terica; lo emprico sera su estimacin por medio de la
frecuencia. Es igualmente desafortunado el trmino probabilidad experimental,
puesto que todas las probabilidades son tericas.
Confusin entre la distribucin muestral terica y emprica. Es importante que
el profesor comprenda los lmites y no slo las posibilidades de la simulacin.

7
Citaremos los conflictos encontrados en la literatura, sin incluir la referencia a los autores, que
posiblemente no sean conscientes de los mismos.
 Carmen Batanero, Carmen Daz y Mara del Mar Lpez-Martn 13

La simulacin introduce un error de estimacin aadido a los errores

tradicionales en el estudio del contraste de hiptesis (errores tipo I y II). Adems,
slo podemos controlar este error, a medida que aumenta considerablemente el
nmero de simulaciones, pues la distribucin muestral emprica, obtenida
mediante simulacin, converge a la terica cuando el nmero de muestras
tomadas tiende a infinito. Sin embargo, para un nmero finito de simulaciones,
las distribuciones muestrales empricas varan de una simulacin a otra. Luego,
si cada alumno simula su propia distribucin muestral, los resultados obtenidos
por cada uno de ellos pueden ser diferentes, lo que puede aadir complejidad a la
clase. Una forma de solventar este problema sera que el profesor acumule los
resultados de todas las simulaciones para que la clase trabaje con una nica
distribucin muestral ms precisa.
Confusin entre probabilidad e inferencia estadstica. En algunos trabajos se
plantean preguntas de tipo probabilstico, se consideran tales preguntas como
tareas propias de la inferencia estadstica, aunque falten los elementos mnimos
que las caracterizan.
En el caso del contraste de hiptesis, se simplifica excesivamente, sin considerar
los posibles errores asociados, y se puede transmitir una visin muy determinista
del contraste de hiptesis.
En ocasiones no se diferencia entre la distribucin estadstica de datos en la
muestra y la distribucin de probabilidad en la poblacin (detrs de las cuales
hay dos objetos matemticos diferenciados, variable estadstica y variable
aleatoria), sino se considera que se trata de dos puntos de vista diferente sobre la
misma distribucin.
Otras veces no se resalta la naturaleza condicional del valor p, es decir, no se
relaciona la probabilidad adecuadamente con la hiptesis supuesta y se produce
de nuevo el conflicto consistente en intercambiar los trminos en la probabilidad
condicional al trabajar con el p valor y el nivel de significacin. Al no explicitar
los conceptos subyacentes, estos quedan sin fijarse en la mente de los alumnos.
En otras propuestas de inferencia informal, simplemente se pide tomar una
decisin subjetiva sobre el rechazo de una hiptesis utilizando slo
procedimientos descriptivos; lo cual no sera una verdadera inferencia
estadstica. En esta situacin encontramos un conflicto entre la inferencia y
anlisis exploratorio de datos.
Finalmente en muchos casos, se trata de sustituir todo el razonamiento probabilstico
mediante la tecnologa, sin enfatizar en los procesos aleatorios involucrados en la
simulacin. Tampoco esto sera una inferencia estadstica, pues esta debe estar
justificada por un modelo de probabilidad que ligue los datos a la poblacin (Rossman,
2008). Por otro lado, en algunas propuestas se sustituye el aprendizaje de una de las
metodologas de Fisher o Neyman-Pearson por el aprendizaje de la construccin de
modelos de simulacin en un software especfico, aadiendo un tiempo innecesario al
aprendizaje, pues, salvo problemas muy triviales, construidos especficamente para la
enseanza y que no surgen de una investigacin real- la construccin de dichos
modelos no es tan simple. Si el estudiante construye un simulador inadecuado, la
distribucin muestral emprica obtenida no sera vlida para realizar el contraste.
Un conflicto an mayor, denunciado por Gigerenzer (1993) es la mezcla de elementos
14 Significados del contraste de hiptesis, configuraciones epistmicas asociadas

de las metodologas de Fisher, Neyman-Pearson y Bayesiana en la enseanza, incluso

en la enseanza formal. Dichas metodologas tienen diferentes fines y son apropiadas en
distintas situaciones que el profesor debe hacer ver a sus estudiantes, para promover un
uso razonable de la inferencia estadstica.

6. Conclusiones para la enseanza e investigacin

Los elementos utilizados del enfoque ontosemitico nos han ayudado, por un lado, a
analizar las diferencias fundamentales entre tres metodologas actuales de inferencia y
una aproximacin informal a una de ellas. Es claro que es posible una aproximacin
informal, pero rigurosa a cualquiera de las tres metodologas descritas. Sin embargo, a
la hora de realizar esa aproximacin es necesario, en primer lugar, seleccionar la
metodologa que se desea estudiar y presentarla con los elementos que la caracterizan.
En segundo lugar hay que realizar un anlisis profundo de cules elementos se pueden
simplificar, y hasta qu punto, para no distorsionar el procedimiento de contraste de
hiptesis ni la interpretacin de sus resultados.
Por otro lado, la idea de conflicto semitico nos ha permitido interpretar algunos errores
descritos en el aprendizaje y prctica del contraste de hiptesis y, adems, nos ha
permitido resaltar otros que se transmiten en forma inconsciente en la literatura sobre
inferencia informal. Es claro que la enseanza actual de la estadstica no lleva a un
aprendizaje correcto y los estudiantes se limitan a memorizar las reglas de aplicacin
del contraste. Sera importante apoyar ms la enseanza sobre la intuicin, para lo cual
contamos con la simulacin, que permite concretizar el muestreo aleatorio, el concepto
de distribucin muestral y su estimacin emprica.
Simultneamente, es importante que el profesor enfatice los pasos requeridos en el
procedimiento de contraste, discuta con los estudiantes la naturaleza de las
probabilidades que calcula (condicionales), as como la interpretacin correcta de las
probabilidades de error. En concreto, es necesario asegurar una idoneidad epistmica
razonable, que no siempre se alcanza en las propuestas de enseanza de inferencia
informal. Dicha idoneidad epistmica implica que se incluyan en la enseanza una
muestra representativa de los objetos matemticos implicados, que, aunque no sea
completa, no los distorsione introduciendo objetos o propiedades que no tienen
contrapartida en el significado institucional del concepto.
Puesto que la comprensin del contraste de hiptesis conlleva la de una gran cantidad de
conceptos relacionados, es necesario contar con tiempo suficiente para desarrollar una
adecuada comprensin en los estudiantes. Comenzando en la educacin secundaria con
el muestreo, se podra trabajar en el Bachillerato la distribucin muestral y estimacin
puntual y por intervalo, dejando el contrate de hiptesis para la universidad. Es
importante, tambin continuar la investigacin sobre el razonamiento inferencial de los
estudiantes, para determinar la enseanza ptima del tema en cada etapa educativa,
asegurando una adecuada idoneidad cognitiva de la misma.
Reconocimiento: Proyecto EDU2016-74848-P y grupo FQM126 (Junta de Andaluca).

Referencias

Batanero, C. (2000). Controversies around significance tests. Mathematical Thinking

and Learning, 2(1-2), 75-98.
Batanero, C. (2013). Del anlisis de datos a la inferencia: Reflexiones sobre la
 Carmen Batanero, Carmen Daz y Mara del Mar Lpez-Martn 15

formacin del razonamiento estadstico. Cuadernos de Investigacin y Formacin

en Educacin Matemtica, 8(11), 277-291.
Batanero, C. (2015). Aproximacin informal al contraste de hiptesis. M. Contreras
(Ed.), II Jornadas Virtuales de Didctica de la Estadstica, la Probabilidad y la
Combinatoria. Granada: SEIEM.
Batanero, C. y Borovcnick, M. (2016). Statistics and probability in high school.
Rotterdam: Sense Publishers.
Batanero, C. y Daz, C. (2006). Methodological and didactical controversies around
statistical inference. Actes du 36imes Journes de la Societ Franaise de
Statistique. CD ROM. Paris: Societ Franaise de Statistique.
Birnbaum, I. (1982). Interpreting statistical significance. Teaching Statistics, 4, 2427.
Black, M. (1979). Induccin y probabilidad. Madrid: Ctedra.
Cabri, S. (1994). Filosofa de la estadstica. Valencia: Servicio de Publicaciones de la
Universidad.
Chaput, B., Girard, J. C., y Henry, M. (2011). Frequentist approach: modelling and
simulation in statistics and probability teaching. En C. Batanero, G. Burrill, y C.
Reading (Eds.), Teaching Statistics in school mathematics-Challenges for teaching
and teacher education (pp. 85-95). New York: Springer.
Daz, C. (2005). Apuntes sobre inferencia bayesiana. Granada: La autora.
Falk, R. (1986) Misconceptions of statistical significance, Journal of Structural
Learning, 9, 8396.
Falk, R., y Greenbaum, C. W. (1995) Significance tests die hard: The amazing
persistence ofa probabilistic misconception, Theory and Psychology, 5 (1), 75-98.
Fisher, R. A. (1971). The design of experiments. Edinburgh: Oliver y Boyd (trabajo
original publicado en 1935).
de la Fuente, E. I., y Daz, C. (2004). Controversias en el uso de la inferencia en la
investigacin experimental. Metodologa de las Ciencias del Comportamiento,
Volumen especial 2004, 161-167.
Gigerenzer, G. (1993). The superego, the ego and the id in statistical reasoning. En G.
Keren y C. Lewis (Eds.), A handbook for data analysis in the behavioural sciences:
Methodological issues (pp. 311 339). Hillsdale, NJ: Erlbaum.
Godino, J. D. (2002). Un enfoque ontolgico y semitico de la cognicin matemtica.
Recherches en Didactique des Mathematiques 22 (2 y 3), 237-284.
Godino, J. D. (2003). Teora de las funciones semiticas. Un enfoque ontolgico-
semitico de la cognicin e instruccin matemtica. Departamento de Didctica de
la Matemtica. Universidad de Granada. Disponible en,
http://www.ugr.es/local/jgodino/indice_tfs.htm
Godino, J. D., y Batanero, C. (1994). Significado personal e institucional de los objetos
matemticos. Recherches en Didactiques des Mathmatiques, 14 (3), 325-355.
Godino, J. D. y Batanero, C. (1998) Clarifying the meaning of mathematical objects as a
priority area of research in Mathematics Education. In A. Sierpinska, and J.
Kilpatrick (Eds.) Mathematics Education as a Research Domain: A Search for
Identity (177-195). Dordrecht: Kluwer.
Godino, J. D. y Batanero, C. (1999). The meanings of mathematical objects as anlisis
units for didactics of mathematics. In I. Schwank (Ed.) Proceedings of the First
Conference of the European Society for Research in Mathematics Education (Vol.
2, 232244). Osnabrck: Forschungsinstitut fr Mathematikdidaktik.
Godino, J.D., Batanero, C. y Font, V. (2007). The onto-semiotic approach to research in
mathematics education ZDM, The International Journal on Mathematics
16 Significados del contraste de hiptesis, configuraciones epistmicas asociadas

Education, 39(1-2) 127-135.

Godino, J. D., Batanero, C. y Font, V. (2008). Un enfoque ontosemitico del
conocimiento y la instruccin matemtica. Acta Scientiae. Revista de Ensino de
Cincias e Matemtica, 10 (2), 7-37.
Godino, J. D., Batanero, C., y Roa, R. (2005). An onto-semiotic analysis of
combinatorial problems and the solving processes by university students.
Educational Studies in Mathematics, 60 (1), 3-36.
Hacking, I. (2006). The emergence of probability. A philosopfhical study of early ideas
about probability, induction and statistical inference. New York: Cambridge
University Press.
Hald, A. (2008). A history of parametric statistical inference from Bernoulli to Fisher,
1713-1935. New York: Springer.
Harradine, A., Batanero, C., y Rossman, A. (2011). Students and teachers knowledge
of sampling and inference. In C. Batanero, G. Burrill, y C. Reading (Eds.),
Teaching Statistics in School Mathematics-Challenges for Teaching and Teacher
Education (pp. 235-246). Springer Netherlands.
Lecoutre, B., Lecoutre M. P., y Poitevineau J. (2001). Uses, abuses and misuses of
significance tests in the scientific community: Won't the Bayesian choice be
unavoidable? International Statistical Review, 69, 399-418.
Lpez-Martn, M.M., Batanero, C., Daz-Batanero, C., y Gea, M.M. (2016). La
inferencia estadstica en las pruebas de acceso a la universidad en Andaluca.
Revista Paranaense de Educaao Matemtica, 5(8), 33-59.
Mayo, D. G., y Cox, D. R. (2006). Frequentist statistics as a theory of inductive
inference. IMS Lecture Notes-Monograph Series, 49, 77-97.
Noll, J., Gebresenbet, M., y Glover, E. D. (2016). A modeling and simulation approach
to informal inference: successes and challenges. En D. Ben-Zvi (Ed.), The teaching
and learning of statistics (pp. 139-150). New York: Springer.
Popper, K. R. (1967). La lgica de la investigacin cientfica. Madrid: Tecnos (Obra
original escrita en 1934).
Rivadulla, A. (1991). Probabilidad e inferencia cientfica. Barcelona: Anthropos.
Rossman, A. (2008). Reasoning about informal statistical inference: One statisticians
view. Statistics Education Research Journal, 7(2), 5-19.
Rubin, A., Hammerman, J. K. L., y Konold, C. (2006). Exploring informal inference
with interactive visualization software. In B. Phillips (Ed.), Proceedings of the
Sixth International Conference on Teaching Statistics. Cape Town, South Africa:
International Association for Statistics Education. Online:
www.stat.auckland.ac.nz/~iase/publications
Vallecillos, A. (1999). Some empirical evidence on learning difficulties about testing
hypotheses. Proceedings of the 52 session of the International Statistical Institute
(Vol.2, pp. 201204). Helsinki: International Statistical Institute.
Vygotski, L. S. (1934). Pensamiento y lenguaje. Madrid: Visor.
Zieffler, A., Garfield, J. B., delMas, R., y Reading, C. (2008). A framework to support
research on informal inferential reasoning. Statistics Education Research Journal,
7(2), 5-19. Online: www.stat.auckland.ac.nz/serj/.