Ficha 4: ¿Cómo nos ayudan las medidas de dispersión en la toma de decisiones?
Construimos nuestros aprendizajes
Propósito
Recopilamos datos de una variable cuantitativa de una muestra pertinente con el objetivo de estudiarlos. Adaptamos y combinamos procedimientos para determinar medidas de tendencia central, como la media, y medidas de dispersión, como el rango, la desviación media, la desviación estándar y la varianza.
Analizamos los resultados de una prueba de Matemática
En muchos ámbitos del quehacer laboral y de la investigación, es frecuente escuchar frases como “la desviación típica de la masa de los estudiantes es muy grande” o “la media de las estaturas presenta poca desviación”. Estas son medidas estadísticas de dispersión respecto a la media, que se utilizan para tomar decisiones, y constituyen importantes fuentes para el análisis de datos y variables.
Al respecto, Rafael, profesor de Matemática, desea saber el grado de dispersión de los puntajes que han obtenido sus 10 estudiantes de quinto grado de secundaria en la prueba de Matemática para decidir si volverá a tomar otra prueba. Los puntajes se muestran en la siguiente tabla:
Estudiante/Puntaje: Ana 14, Juan 16, Sergio 14, Luz 12, Carlos 17, Pedro 10, Julio 16, Inés 12, Elva 17, Erick 17
Considerando la información brindada y los datos de la tabla, resuelve la situación y responde las siguientes preguntas:
Ejecutamos la estrategia o plan
Organiza los datos de la situación inicial en la tabla. Luego, completa la frecuencia absoluta y el producto de la frecuencia absoluta por cada dato de la variable.
-> VER TABLA AQUÍ <-
Determina la diferencia entre el puntaje mayor y el menor. En tu opinión, ¿qué significa que la diferencia sea grande o pequeña? Explica.
EJEMPLO DE RESPUESTA:
El rango de los puntajes obtenidos en la prueba es el siguiente:
R = Vmáx. – Vmín.
R = 17 – 10
R = 7
Explicación: Que la diferencia sea grande o pequeña evidencia que los valores del conjunto de datos están dispersos o juntos entre ellos, respectivamente. Además, sirve para conocer si los datos son homogéneos o no.