Un Recorrido de Estudio e Investigación para el aprendizaje del concepto devariable aleatoria discreta mediante métodos de Monte Carlo

Autores/as

  • Vicente D. Estruch Universitat Politècnica de València https://orcid.org/0000-0002-0365-6481
  • Francisco J. Boigues Planes Universitat Politècnica de València
  • Anna Vidal Universitat Politècnica de València

DOI:

https://doi.org/10.4995/msel.2017.6561

Palabras clave:

Variable aleatoria discreta, modelización, simulación, métodos de Monte Carlo, Microsoft ©, Matlab©

Resumen

El concepto de variable aleatoria es un constructo matemático que presenta cierta complejidad teórica.  No obstante, el aprendizaje de dicho concepto puede facilitarse si se plantea como el   final de un proceso secuencial de modelización de un suceso real.  Más concretamente, para aprender el concepto de variable aleatoria discreta, la simulación de Monte Carlo puede ofrecer una herramienta sumamente útil puesto que en el proceso de modelización/simulación podremos abordar el concepto teórico de variable aleatoria, al tiempo que se observa a la variable aleatoria “en acción”. Este trabajo expone un Recorrido de Estudio e Investigación (REI) basado en una serie de actividades relacionadas con variables aleatorias como entrenamiento e introducción de elementos de simulación, presentándose después la construcción de un modelo, que es la parte substancial de la actividad, generando una variable aleatoria y su función de probabilidad. Partiendo de una situación sencilla, relacionada con la reproducción y supervivencia de la camada de un roedor, con componentes aleatorios, se construye, paso a paso, el modelo que representa la situación planteada mediante una variable aleatoria "original". En las etapas intermedias de la construcción del modelo tienen un papel fundamental las distribuciones uniforme discreta y binomial. El recorrido de tales etapas permite reforzar el concepto de variable aleatoria al tiempo que se exploran las posibilidades que ofrecen los métodos de Monte Carlo para simular casos reales y se comprueba la sencillez que supone implementar dichos métodos mediante el lenguaje de programación de Matlab©.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Blanco Blanco, A. (2008). Una revisión crítica de la investigación sobre las actitudes de los estudiantes universitarios hacia la estadística. Revista Complutense de Educación, 19(2), 311–330.

Boigues F. J., Estruch V. D., Roig B., Vidal A. (2011).Un modelo de transmisión de plagas para la enseñanza del álgebra linealen el contexto de estudios en ciencias ambientales.Modelling in Science Education and Learning, 4, 5-117. https://doi.org/10.4995/msel.2011.3058

Brase C.H., Brase C.P. (2016). Understanding Basic Statistics. Metric Version. Seventh Edition CENGAGE Learning.

COLABORADORES DE WIKIPEDIA, Generador de números aleatorios, Wikipedia, La enciclopedia libre, <https://es.wikipedia.org/w/index.php?title=Generador_de_n%C3%BAmeros_aleatorios&oldid=88483665>

COLABORADORES DE WIKIPEDIA 1, "Generador de números pseudoaleatorios", Wikipedia, La enciclopedia libre, <https://es.wikipedia.org/w/index.php?title=Generador_de_n%C3%BAmeros_pseudoaleatorios&oldid=88579925>

Escalante Gómez, E. (2008). Actitudes de alumnos de posgrado hacia la estadística aplicada a la investigación. Encuentro 2010/ Año XLII, n° 85, 27-38.

Kay, S.M. (2006). Intuitive probability and random processes using MATLAB. New York;  Springer. https://doi.org/10.1007/b104645

Peck, R. (2014). Statistics. Learning from Data. Preliminary edition. Brooks/Cole, CENGAGE Learning, Boston.

Descargas

Publicado

01-08-2017

Cómo citar

Estruch, V. D., Boigues Planes, F. J., & Vidal, A. (2017). Un Recorrido de Estudio e Investigación para el aprendizaje del concepto devariable aleatoria discreta mediante métodos de Monte Carlo. Modelling in Science Education and Learning, 10(2), 67–84. https://doi.org/10.4995/msel.2017.6561

Número

Sección

Artículos