UNIVERSIDAD AUTÓNOMA DE ICA
FACULTAD DE INGENIERÍAS, CIENCIAS Y ADMINISTRACIÓN
PROGRAMA ACADÉMICO DE INGENIERÍA INDUSTRIAL
TÍTULO DEL ESTUDIO:
“ESTUDIO DEL RENDIMIENTO ACADÉMICO EN EL CURSO DE CÁLCULO
MEDIANTE MEDIDAS DE DISPERSIÓN EN ESTUDIANTES DE LA UNIVERSIDAD
AUTÓNOMA DE ICA, SEDE CHINCHA”
DOCENTE:
Hernández Félix Jacinto Julio
CURSO:
Estadística y probabilidades
INTEGRANTES:
Anchante Calderón Cristian
Bautista Huillcahua Aracely
Cardenas Villegas Cristopher
Levano Mendoza Víctor
Quijaite Flores Daniel
Saravia Tasayco Dayron
CHINCHA ALTA, 2025
ÍNDICE
I. INTRODUCCIÓN 1
II. PROBLEMÁTICA 1
2.1 Planteamiento del problema 1
III. OBJETIVOS 1
3.1 Objetivo General 1
3.2 Objetivos específicos 1
IV. RELACIÓN CON LAS ODS 1
V. MARCO TEÓRICO 1
5.1 Concepto general de Medidas de tendencia central y dispersión
5.2 Antecedentes Internacionales 1
5.3 Antecedentes Nacionales 1
5.4 Antecedentes Regionales 1
5.5 Antecedentes Locales 1
VI. DESARROLLO 1
6.1 Importancia de 1
6.2 Análisis de interpretación 1
6.3 Recolección de datos 1
6.4 Interpretación de resultados 1
6.5 Propuesta de mejora 1
VII. CONCLUSIONES 1
VIII. CONCLUSIONES PERSONALES 1
IX. REFERENCIAS BIBLIOGRÁFICAS 1
I. INTRODUCCIÓN
El análisis estadístico ha cobrado una importancia creciente en los entornos educativos,
en los cuales se busca comprender con mayor profundidad las dinámicas que caracterizan el
desempeño académico estudiantil. La estadística es considerada una herramienta fundamental
para la investigación educativa, ya que interviene en diversas etapas del proceso, desde la
exploración del problema hasta la validación de resultados (Graus, 2022).
Dentro de este ámbito, las medidas de dispersión desempeñan un papel crucial, pues
permiten observar no solo los resultados promedio, sino también la variabilidad entre las
calificaciones, aportando una visión más completa del rendimiento de los alumnos. En este
contexto, herramientas como la varianza, la desviación estándar y el coeficiente de variación se
convierten en instrumentos esenciales para evaluar la homogeneidad o dispersión de los datos
académicos.
El presente estudio se basa del análisis estadístico de las calificaciones obtenidas por
estudiantes de la Universidad Autónoma de Ica – sede Chincha, utilizando como eje principal
las medidas de dispersión. Esta sede universitaria acoge a una población diversa, con múltiples
realidades académicas, sociales y económicas, lo que hace pertinente la aplicación de
herramientas estadísticas para examinar y comprender las fluctuaciones en el rendimiento
académico. Las calificaciones no representan únicamente cifras, sino reflejo del desarrollo de
enseñanza, aprendizaje y grado de preparación de los estudiantes. Comprender cómo varían
esas notas puede contribuir al diseño de estrategias más eficaces para fortalecer el rendimiento
estudiantil.
En definitiva, este estudio parte del punto de la necesidad de analizar cómo varía el
rendimiento académico dentro de un grupo determinado, y cómo dicha variabilidad puede ser
gestionada o atendida con base en datos objetivos.
II. PROBLEMÁTICA
Planteamiento del problema:
En el contexto universitario actual, evaluar el rendimiento académico de los estudiantes
únicamente a través de promedios globales puede resultar insuficiente para comprender la
diversidad real de desempeños dentro de un aula o una cohorte. Este enfoque limitado omite
considerar la dispersión de las calificaciones, es decir, las diferencias individuales que reflejan
no solo las capacidades cognitivas de los alumnos, sino también factores como el contexto
socioeconómico, el acceso a recursos educativos, la motivación personal, entre otros. En
instituciones como la Universidad Autónoma de Ica – sede Chincha, donde confluyen
estudiantes con realidades heterogéneas, se vuelve imprescindible aplicar herramientas
estadísticas que permitan analizar más allá de los valores centrales.
Estudios como el de Peña y Sánchez (2005) resaltan que el rédito académico se ve
perjudicado ante los conocimientos previos del estudiante y por la secuencia en que cursa
determinadas asignaturas, lo cual repercute directamente en su desempeño posterior. Esta
relación entre materias también puede expresarse como parte de la variabilidad identificada en
los resultados.
Pese a que las notas obtenidas en evaluaciones periódicas constituyen una fuente
directa de información cuantitativa, pocas veces se realiza un análisis profundo de su
variabilidad. Al centrarse únicamente en los promedios, se corre el riesgo de invisibilizar a
grupos con rendimientos, lo cual puede distorsionar la percepción del progreso académico
general y limitar la toma de decisiones pedagógicas adecuadas. En este escenario, las
medidas de dispersión como la varianza, la desviación estándar y el coeficiente de variación
ofrecen una oportunidad para identificar patrones ocultos y diferencias significativas entre
subgrupos de estudiantes.
Además, la ausencia de este tipo de análisis dificulta detectar con precisión si los
métodos de enseñanza actuales están logrando resultados homogéneos o si, por el contrario,
están profundizando las brechas académicas entre los alumnos. Al no comprender las causas
ni la magnitud de la dispersión, las estrategias de mejora educativa pueden resultar ineficaces
o demasiado generalizadas, sin atender a las verdaderas necesidades del alumnado.
III. OBJETIVOS
Objetivo General
Analizar la utilidad de la varianza, la desviación estándar y el coeficiente de
variación como herramientas estadísticas para interpretar la dispersión y
consistencia de las notas universitarias.
Objetivos Específicos
o Identificar las medidas de tendencia central y su papel en el análisis de datos
académicos.
o Explicar las principales medidas de dispersión y su aplicación en el contexto
educativo.
o Calcular e interpretar la varianza, desviación estándar y coeficiente de variación
de un conjunto de calificaciones universitarias.
o Evaluar el grado de homogeneidad en el rendimiento académico mediante el uso
del coeficiente de variación.
IV. RELACIÓN CON LAS ODS
ODS 4: EDUCACIÓN DE CALIDAD
Centrado en garantizar una educación inclusiva, equitativa y de calidad, constituye el eje
fundamental para los estudios que analizan el rendimiento académico de los estudiantes. Este
objetivo busca asegurar que todos los individuos, sin importar su contexto, puedan acceder a
oportunidades educativas significativas que fomenten su desarrollo integral mediante
herramientas estadísticas como la desviación estándar, la varianza y el coeficiente de variación
ODS 10: REDUCCIÓN DE LAS DESGUALDADES
Promueve la inclusión social y educativa en todos los niveles, cuando se analiza la dispersión
de notas entre estudiantes de diferentes contextos, se pueden visualizar las brechas educativas
generado por condiciones socioeconómicas, culturales o territoriales
ODS 17: ALIANZAS PARA LORAR OBJETIVOS
La mejora del rendimiento académico no puede depender solo del sistema escolar. Se
requieren de alianzas interinstitucionales entre gobiernos, centros educativos, ONGS,
empresas y familias
VI. MARCO TEÓRICO
5.1 Concepto general de Tendencia Central y dispersión
Las medidas de tendencia central son herramientas estadísticas que permiten identificar
un valor que representa el comportamiento general de un conjunto de datos. Este valor resume
la información y facilita su análisis, ya que indica el punto alrededor del cual se concentran la
mayoría de los datos. Las principales medidas son la media, la mediana y la moda, cada una
útil según el tipo de datos y el objetivo del estudio. Según el Instituto Nacional de Estadística y
Geografía (INEGI, 2020), estas medidas son fundamentales para interpretar conjuntos
numéricos, ya que muestran dónde se localiza la mayor parte de los datos dentro de una
distribución)
Las medidas de dispersión permiten conocer el grado de variabilidad o dispersión de un
conjunto de datos respecto a una medida de tendencia central, usualmente la media. Estas
medidas muestran si los datos están concentrados o si varían ampliamente. Las más comunes
son el rango, la varianza, la desviación estándar y el coeficiente de variación, y su
interpretación es clave para evaluar la estabilidad de los datos.
De acuerdo con la Universidad Nacional Autónoma de México (UNAM, 2021), las medidas de
dispersión permiten comprender mejor el comportamiento de un conjunto de datos, ya que dos
muestras pueden tener la misma media, pero distinta dispersión, lo cual cambia completamente
su interpretación.
.5.2 Antecedentes Internacionales
En el ámbito internacional, el uso de medidas estadísticas como la media, la mediana,
la moda, así como la desviación estándar y la varianza, ha sido clave para interpretar grandes
volúmenes de información en sectores como la educación, la economía y la salud. Estas
herramientas permiten resumir los datos y conocer su comportamiento general, al mismo
tiempo que muestran la variabilidad o desigualdad existente entre los distintos grupos o
regiones evaluadas.
Un ejemplo importante es el informe PISA, desarrollado por la Organización para la
Cooperación y el Desarrollo Económicos (OCDE). Este programa mide el rendimiento de
estudiantes en países de todo el mundo y aplica la media para obtener un valor representativo
de desempeño, mientras que utiliza la desviación estándar para identificar qué tan homogéneos
o desiguales son esos resultados. Esto permite observar no solo el nivel promedio de logros,
sino también la equidad en el acceso y la calidad de la educación.
La OCDE (2020) sostiene que los promedios por sí solos no son suficientes para
describir una situación educativa, por lo que es necesario analizar también la dispersión de los
resultados a fin de identificar desigualdades internas que puedan estar ocultas.
De forma similar, organismos como el Banco Mundial y la UNESCO emplean estas
herramientas estadísticas en estudios sobre el desarrollo humano. Por ejemplo, para evaluar la
distribución de los ingresos, los años de escolaridad o el acceso a servicios básicos, se utilizan
tanto medidas de centralización como de dispersión. Así, es posible no solo saber cuánto tiene
una población en promedio, sino también cuánto varía o cuán equitativa es esa distribución.
Según el Banco Mundial (2021), el análisis conjunto de medidas de tendencia central y
dispersión permite detectar con mayor precisión las desigualdades entre regiones o grupos, lo
que resulta crucial para el diseño de políticas inclusivas.
5.3 Antecedentes Nacionales
En el Perú, las herramientas estadísticas como la media, mediana, moda, y las medidas
de dispersión como la desviación estándar o la varianza, se han convertido en instrumentos
fundamentales para analizar fenómenos sociales, económicos y educativos. Estas medidas
permiten resumir grandes volúmenes de información y detectar desigualdades entre distintos
sectores de la población.
El Instituto Nacional de Estadística e Informática (INEI) ha aplicado constantemente
estas herramientas en estudios como la Encuesta Nacional de Hogares (ENAHO), con el
objetivo de evaluar las condiciones de vida de los ciudadanos. Mediante el uso de promedios y
análisis de dispersión, se han identificado diferencias significativas entre los ingresos y niveles
de bienestar de personas que viven en zonas urbanas y rurales.
Por ejemplo, el INEI (2022) evidencia que los datos promedio, acompañados de la
dispersión, ayudan a comprender mejor las brechas regionales que afectan el desarrollo
económico y social del país.
En educación, el Ministerio de Educación (MINEDU) emplea estas medidas en
evaluaciones nacionales como la Evaluación Censal de Estudiantes (ECE), con el propósito de
medir el rendimiento académico en áreas clave. Los puntajes obtenidos son analizados
utilizando medias y desviaciones estándar, lo que permite no solo conocer los resultados
generales, sino también detectar disparidades educativas entre regiones, tipos de escuela y
niveles socioeconómicos.
MINEDU (2021) señala que observar únicamente el promedio de notas no es suficiente,
y que es necesario considerar cuánto se alejan los estudiantes del valor medio para tomar
decisiones pedagógicas más inclusivas.
Por su parte, investigaciones universitarias, como las desarrolladas por la Universidad
Nacional Mayor de San Marcos (UNMSM), han aplicado estas medidas para analizar el
rendimiento académico de los estudiantes de nivel superior. Estas investigaciones revelan
cómo las medidas de tendencia central y dispersión permiten evaluar con mayor precisión la
equidad en el acceso, el desempeño y la permanencia dentro del sistema universitario
5.4 Antecedentes Regionales
En Ica, el análisis del rendimiento escolar ha incluido el uso de medidas como la media
y la desviación estándar para identificar diferencias entre instituciones educativas. Por ejemplo,
estudios recientes indican que, si bien el promedio general en comprensión lectora es
aceptable, existen altos niveles de dispersión entre provincias como Chincha y Nasca, lo que
sugiere desigualdades en los aprendizajes de los estudiantes.
Según la Dirección Regional de Educación de Ica (2021), estas estadísticas ayudan a
entender que un buen promedio puede ocultar deficiencias profundas en determinados
sectores de la región.
5.5 Antecedentes local
En la provincia de Chincha, la Unidad de Gestión Educativa Local (UGEL) ha
desarrollado planes estratégicos que incorporan el uso de herramientas estadísticas como
parte de la evaluación educativa. En su Plan Operativo Institucional 2022, se reconoce la
importancia de analizar datos como el promedio de matrícula, la asistencia escolar y las tasas
de permanencia, aplicando medidas de tendencia central y dispersión para evaluar el
comportamiento de estos indicadores en los distintos distritos de la provincia.
Dicho informe muestra que, aunque se establecen metas comunes para todas las
instituciones educativas, existen diferencias importantes en el cumplimiento de esas metas
entre zonas rurales y urbanas. Esto refleja que el análisis estadístico no solo permite identificar
los valores centrales del rendimiento o la asistencia, sino también revelar las disparidades
internas entre los diferentes entornos escolares, lo cual es clave para una planificación
educativa más equitativa.
Según la UGEL Chincha (2022), utilizar estos indicadores permite diseñar
intervenciones diferenciadas que respondan a las realidades específicas de cada comunidad
educativa.
5.6 Aplicación en Notas Universitarias
En el contexto educativo, el uso de estas medidas permite:
Detectar si hay uniformidad o heterogeneidad en el rendimiento de los estudiantes.
Comparar resultados entre diferentes grupos o evaluaciones.
Tomar decisiones pedagógicas basadas en evidencias estadísticas.
“La estadística aplicada a la educación permite evaluar no solo el rendimiento
académico, sino también la eficacia de estrategias de enseñanza” (McClave, Benson & Sincich,
2013, p. 305).
VI. DESARROLLO
6.1 Importancia de la dispersión
Según Ccanto et al. (2022) son instrumentos estadísticos fundamentales son de gran
importancia, ya que nos permiten conocer que tan esparcidos o agrupados están los datos
basados a una medida central. Su función principal es poder complementar dicha información
que brinda las medidas de tendencia central, ya que estas por si solas no muestran en su
totalidad la conducta de datos.
Algunos de sus usos más relevantes que la medida de dispersión nos ofrece, es la
ayuda para la comprensión de conceptos, como se distribuyen los datos y cómo se mantienen
sobre el valor central.
En el contexto académico universitario, es necesario comprender el promedio de los
estudiantes. En este aspecto es donde las medidas de dispersión adquieren un valor esencial.
En oposición a las medidas de tendencia central, presentan un resumen general de
datos, por otro lado, las medidas de dispersión revelan cuán consistentes o dispares son esas
calificaciones. Por ejemplo, dos conjuntos de universitarios pueden tener una media de nota
idéntica, no obstante presentar comportamientos académicos diferentes si uno muestra una
alta dispersión y la otra baja.
La varianza: Cuantifica la variabilidad general al calcular la sumatoria de la frecuencia
multiplicada por la marca de clase elevada al cuadrado si los datos totales son mayores a 30.
La desviación estándar: Es la raíz cuadrada de la varianza, facilita una interpretación
más directa y comprensible en las mismas unidades que los datos originales. Esto permite a los
docentes y analistas educativos evaluar cuán predecible o disperso es el rendimiento dentro de
un grupo.
El coeficiente de variación: Este por su parte, aporta una medida relativa útil para
comparar grupos con medias diferentes, expresando la dispersión en términos porcentuales. La
cual se calcula hallando la desviación estándar que se divide por la media aritmética
multiplicado por el 100%.
Estas medidas permiten identificar grupos con desempeño homogéneo, detectar focos
de rezago académico y orientar decisiones pedagógicas basadas en evidencia. En síntesis, las
medidas de dispersión no solo complementan la estadística descriptiva de las notas, sino que
la enriquecen al mostrar la realidad académica desde una dimensión muchas veces ignorada:
la diversidad del aprendizaje. (Medidas de Tendencia Central y Dispersión, s. f.)
6.2 Análisis de interpretación
Figura 1
Sistema de categorías sobre la enseñanza de la estadística
Nota: Adaptado de “Sistema de categorías sobre la enseñanza de la estadística”
[Diagrama] por C. López, & P. Gómez, 2023, Articulo, ([Link]
pid=S1665-24362023000100081&script=sci_arttext)
En lo que respecta a los conceptos y procedimientos estadísticos (Figura 1), estos se
emplean para describir y examinar características relevantes de una población determinada.
Dado que en muchas situaciones no se dispone de datos completos sobre toda la población, se
recurre a la utilización de muestras que permitan analizar diversas variables. Estas variables
pueden ser cualitativas, como las nominales u ordinales, o cuantitativas, ya sean discretas o
continuas. A partir de este análisis, es posible formular inferencias acerca de la población
general. Asimismo, se hace uso de herramientas como las medidas de tendencia central
(media, mediana y moda), medidas de posición (como los cuantiles) y medidas de dispersión
(rango y varianza), que son fundamentales para describir y comprender la distribución de los
datos.
En cuanto a los métodos de representación gráfica, la elección de estos varía en
función de los aspectos que se desean resaltar o sintetizar de los datos. Por ejemplo, un
histograma permite visualizar la distribución de frecuencias de los datos agrupados en
intervalos, mientras que un diagrama de caja y bigotes facilita la identificación de la forma de
distribución y posibles valores atípicos mediante la segmentación en cuartiles. Por otro lado, los
gráficos de barras son útiles para comparar frecuencias entre diferentes categorías, y los
gráficos circulares permiten visualizar la proporción de cada categoría en relación con el total
dentro de un conjunto de datos cualitativos.
Por último, el componente de fenomenología aborda el uso de la estadística en
contextos de resolución de problemas, mediante la organización, análisis e interpretación de
datos. Este enfoque contempla tres aspectos clave: (a) la estructuración, visualización y
síntesis de información relevante; (b) la exploración de relaciones o características presentes
en los datos analizados; y (c) la interpretación de los resultados obtenidos, contextualizándolos
según la situación planteada. Este análisis puede desarrollarse tanto en contextos matemáticos
como en situaciones no matemáticas, ampliando así el alcance y aplicabilidad del pensamiento
estadístico.
6.3 Recolección de datos
Según Narvaez (2023) La primera etapa en cualquier estudio estadístico es la
recolección de datos que representa el punto de partida para aplicar correctamente medidas
como la varianza, la desviación estándar y el coeficiente de variación. En el contexto del
análisis de notas universitarias, este proceso implica reunir información cuantitativa con ciertas
herramientas relacionadas con el rendimiento académico de un grupo específico de
estudiantes.
El proceso puede realizarse mediante diferentes métodos como: La recopilación de
registros académicos físicos o digitales, o incluso la aplicación de encuestas si se requiere
información adicional sobre el contexto del rendimiento. (Clientify, 2025).
Los datos fueron recolectados a través de una manera digital, específicamente
mediante Google Forms, donde se diseñó un formulario estructurado con preguntas específicas
orientadas a obtener información sobre las calificaciones finales en cursos seleccionados, el
nivel de asistencia, y el número de prácticas aprobadas. Este formulario fue distribuido de
forma virtual a estudiantes voluntarios, garantizando un proceso ágil, accesible y ético.
En total, se recopilaron los datos de 100 estudiantes de diferentes programas
académicos. Las calificaciones fueron organizadas en tres categorías para su análisis:
Datos no agrupados, correspondientes a calificaciones individuales tal como fueron
reportadas.
Datos agrupados continuos, organizados en intervalos de clases.
Datos agrupados discretos, en los casos donde las notas se repetían con alta
frecuencia.
Además, se recogieron dos variables adicionales para complementar el estudio con una
regresión lineal: asistencia promedio (%) y número de prácticas aprobadas. Estas variables se
utilizarán para identificar posibles relaciones con el rendimiento académico y enriquecer la
interpretación de los resultados.
La recolección de datos se llevó a cabo bajo criterios de confidencialidad y uso ético,
garantizando el anonimato de los participantes y el uso exclusivo de la información con fines
académicos.
6.4 Interpretación de resultados
6.5 Propuesta de mejora
Six Sigma es un enfoque diseñado para optimizar procesos a través de la reducción de
la variabilidad y la erradicación de defectos. Su objetivo primordial es alcanzar niveles de
calidad muy altos, permitiendo un máximo de 3. 4 errores por cada millón de oportunidades.
Para conseguir esto, se adopta un método sistemático llamado DMAIC, que incluye las etapas
de Definir, Medir, Analizar, Mejorar y Controlar.
La variabilidad en la producción puede surgir de múltiples motivos, tales como errores
humanos, problemas técnicos o falta de organización en el trabajo. Six Sigma implementa
herramientas estadísticas y técnicas analíticas para descubrir las causas fundamentales de
estas variaciones. Al aplicar soluciones fundamentadas en datos, las empresas pueden
homogenizar sus procesos, logrando así una mayor consistencia y calidad en sus productos o
servicios.
Este enfoque meticuloso y basado en hechos no solo disminuye la variabilidad, sino que
también incrementa la eficacia operativa y mejora la satisfacción del cliente. Como resultado, la
implementación de Six Sigma produce beneficios claros en diversas industrias y aporta de
forma significativa al éxito continuo de las organizaciones.
VII. CONCLUSIONES
o Sobre el análisis de las medidas de tendencia central, se concluye que herramientas
como la media, la mediana y la moda permiten realizar una síntesis cuantitativa del
rendimiento académico de los estudiantes. Estas medidas no solo muestran el
comportamiento central de los datos, sino que facilitan la comprensión del nivel general
de aprendizaje dentro de un grupo. Su utilización es fundamental en contextos
educativos para establecer comparaciones entre distintos cursos, periodos o
poblaciones estudiantiles, y sirven como punto de partida para una evaluación
diagnóstica más precisa del desempeño global.
o En cuanto a las medidas de dispersión, se evidencia que variables como la varianza, la
desviación estándar y el coeficiente de variación ofrecen una visión complementaria al
análisis de tendencia central, ya que permiten determinar la consistencia o desigualdad
en los resultados académicos. Estas herramientas permiten identificar no solo qué tan
alto o bajo es el promedio, sino cuán homogéneos son los desempeños entre los
estudiantes. Esto es clave para detectar situaciones de desigualdad educativa, brechas
de aprendizaje y necesidades de apoyo pedagógico en contextos específicos.
o Respecto al proceso de cálculo e interpretación de la varianza, la desviación estándar y
el coeficiente de variación en las calificaciones universitarias, se observó que su
correcta aplicación permite conocer con mayor exactitud la distribución y dispersión del
rendimiento estudiantil. Estos indicadores permiten establecer si las diferencias entre
notas son mínimas o significativas, ayudando a comprender si el entorno educativo es
equitativo o si existen factores que afectan el aprendizaje de manera desigual, como
carencias de recursos, estilos de enseñanza poco inclusivos o diferencias en el acceso
a tecnología y acompañamiento académico.
o En relación con la evaluación del grado de homogeneidad del rendimiento académico
mediante el coeficiente de variación, se determinó que esta medida es especialmente
útil cuando se desea comparar la dispersión relativa entre diferentes grupos,
asignaturas o semestres. Un coeficiente bajo refleja un grupo con resultados similares,
lo cual puede indicar una enseñanza uniforme y efectiva
VIII. CONCLUSIONES PERSONALES
A partir de este estudio, comprendí que las medidas de dispersión son esenciales para
analizar el rendimiento académico de forma más precisa y justa. Herramientas como la
varianza o la desviación estándar permiten identificar desigualdades entre estudiantes que los
promedios no revelan. Relacionar estos análisis con el ODS 4 me ayudó a entender que la
estadística también cumple una función social: visibiliza brechas educativas y orienta
decisiones que promuevan una enseñanza más equitativa. Esta experiencia me deja como
aprendizaje el valor de aplicar la estadística no solo para interpretar datos, sino para
transformar realidades educativas.
Este trabajo me permitió comprender que la estadística no solo interpreta datos, sino
también realidades educativas. Al aplicar medidas de dispersión, pude identificar desigualdades
que suelen ocultarse tras los promedios. Descubrí que entender la variabilidad del rendimiento
académico es clave para proponer mejoras reales. Esta experiencia fortaleció mi pensamiento
crítico y mi responsabilidad como futuro profesional. También aprendí a valorar la utilidad social
de la estadística, especialmente cuando se vincula con los ODS. Las cifras reflejan más que
resultados: revelan contextos y necesidades. Analizar con conciencia permite educar con
equidad, entendiendo que los datos bien interpretados pueden ser una herramienta de cambio
y que la enseñanza justa necesita evidencias.
IX. REFERENCIAS BIBLIOGRÁFICAS
Aparicio, J. A., Mora Castañeda, E., & López Cruz, G. (2024). Herramientas estadísticas
para reducir la variabilidad en los procesos con Six Sigma. Ciencia Latina: Revista
Multidisciplinar, 8(6), 1764–1781. [Link]
Banco Mundial. (2021). World Development Indicators. The World Bank Group
[Link]
Ccanto, F. F., Morales, L. G., Mego, C. L., Lira, M. M. V., Huamán, V. C. D., & Vargas, I.
M. (2022). Medidas de dispersión. En Fondo Editorial Professionals On Line eBooks.
[Link]
Clientify. (2025, 16 abril). Recolección de datos: métodos, técnicas e
instrumentos. Clientify. [Link]
metodos-tecnicas-e-instrumentos
Dirección Regional de Educación de Ica. (2021). Informe regional de logros de
aprendizaje 2020–[Link] de: [Link]
Graus, M. E. G. (2018). Estadística aplicada a la investigación educativa. Dilemas
Contemporáneos: Educación, Política y Valores. Estadística aplicada a la investigación
educativa | Dilemas contemporáneos: Educación, Política y Valores
Universidad Nacional Autónoma de México. (2021). Estadística descriptiva: conceptos
básicos. UNAM.
[Link]
[Link]
UNESCO Institute for Statistics. (2020). Global Education Monitoring Report: Inclusion
and Education.
Unidad de Gestión Educativa Local Chincha (UGEL Chincha). (2022). Plan Operativo
Institucional 2022. [Link]
[Link]
[Link]
Universidad Nacional Mayor de San Marcos (UNMSM). (2020). Análisis del rendimiento
académico universitario con enfoque estadístico.
[Link]
Instituto Nacional de Estadística e Informática [INEI]. (2021). Informe técnico:
Resultados educativos y condiciones socioeconómicas en estudiantes universitarios del Perú.
[Link]
Instituto Nacional de Estadística e Informática (INEI). (2022). Condiciones de vida en el
Perú - Informe Técnico ENAHO.
[Link]
[Link]
Instituto Nacional de Estadística y Geografía. (2020). Medidas de tendencia central y de
dispersión. INEGI.
[Link]
Naciones Unidas. (2023). Objetivos de Desarrollo Sostenible: Educación de calidad
(ODS 4[Link]
López, C., & Gómez, P. (2023). Revisión curricular de los temas de estadística en
educación primaria. Revista Latinoamericana de Investigación en Matemática Educativa, 26(1).
[Link]
.Medidas de tendencia central y dispersión. (s. f.). Medwave.
[Link]
Ministerio de Educación del Perú (MINEDU). (2021). Resultados de la Evaluación
Censal de Estudiantes (ECE).
[Link]
Narvaez, M. (2023, 19 junio). Técnicas de recolección de datos: Qué son y cuáles
existen. QuestionPro. [Link]
datos/
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura
[UNESCO]. (2022). Informe de seguimiento de la educación en el mundo: Equidad y
aprendizaje para todos. [Link]
Organización para la Cooperación y el Desarrollo Económicos (OCDE). (2020). PISA
2018 Results: Effective Policies, Successful Schools (Vol. V). OECD Publishing.
[Link]
Peña, R., & Sánchez, I. (2005). Análisis estadístico del rendimiento académico de una
asignatura con relación a asignaturas anteriores. [Link]
