ECUACIONES ESTRUCTURALES EN LA

ENSEÑANZA-APRENDIZAJE DE MATEMÁTICAS

Irene Sánchez Guevara

Profesora del departamento de Política y Cultura

RESUMEN

El tema de la presente exposición se refiere a los problemas de enseñanza–aprendizaje en

los cursos de matemáticas para estudiantes de las licenciaturas de Administración,
Economía y de Política y gestión social. Las consideraciones que se hacen se apoyan
fundamentalmente en: obras desarrolladas en la perspectiva de la pedagogía constructivista
de J Eccles y los trabajos de M Risnes en torno a antecedentes escolares, creencias,
motivaciones y desempeño en matemáticas.

Puede considerarse que los resultados, no obstante que tienen carácter preliminar,
brindan elementos que eventualmente podrían servir para adecuar el proceso de enseñanza-
aprendizaje y los respectivos programas de modo que se alcance una mejoría en el
aprovechamiento y desempeño de los estudiantes.

Palabras clave: proceso de enseñanza-aprendizaje, pedagogía constructivista,

ecuaciones estructurales.

Introducción

Una preocupación de los docentes que imparten matemáticas en la DCSH de la UAMX es el

desempeño de los alumnos en el proceso de enseñanza aprendizaje de la materia que
imparten. Al respecto surgen una cantidad de cuestiones sobre las causas del bajo
rendimiento que los alumnos tienen en cuanto a las calificaciones de esta materia. Esto
conduce al planteamiento de una serie de cuestiones que se pueden tipificar en tres clases:
1. El ambiente sociocultural y familiar del alumno
2. El ambiente curricular e institucional de sus antecedentes escolares
3. Las motivaciones, intereses y sentimientos que le produce al aprendizaje de las
matemáticas.

1
 En la primera clase, el educador puede hacer muy poco para cambiar las condiciones,
sólo tener la información presente y plantear la pregunta sobre su situación laboral, como
una variable que explique el rendimiento, ya que es de esperarse que los alumnos de tiempo
completo tengan un significativo mejor desempeño que lo alumnos que trabajan y estudian.

Sobre el ambiente curricular es posible plantearse las cuestiones: si desempeño de los

alumnos en el logro de la adquisición de conocimientos de matemáticas durante su carrera,
depende del: turno; matutino o vespertino; sus antecedentes escolares, es decir que tipo de
preparatoria cursaron y cuales fueron sus promedios; las calificaciones obtenidas en el curso
inmediato anterior y el número de cursos de matemáticas cursados. Estas cuestiones se
representan por variables curriculares cuyas respuestas son cuantitativas y por lo tanto es
posible responderlas con el contraste de hipótesis, tales como no hay diferencia en las
calificaciones promedio entre los alumnos del turno vespertino con el matutino.

Finalmente, El tercer tipo de preguntas surge de la psicología educativa

constructivista, (Davis, 2002; Risnes, 1998; Sigh et al., 2002) que afirma que la manera en
cómo los alumnos conciben a la matemática y cómo se ven a si mismos con respecto a su
capacidad de aprenderla, puede influir en su desempeño: Por ello se plantean:
1) que la concepción que el alumno tiene sobre las matemáticas en cuanto al su
desarrollo profesional,

2) la autoconfianza en su forma de adquirir conocimientos,

3) la ansiedad que le producen los exámenes o preguntas durante el proceso de

enseñanza aprendizaje y

4) el gusto o no por la materia misma, son determinantes de manera conjunta en el

desempeño del logro de adquisición de conocimientos y resolución de exámenes.
La metodología adecuada para explorar en esta cuestión es la construcción de un
modelo de ecuaciones estructurales que tiene por objetivo explicar las relaciones
entre variables con eficiencia estadística, la cual examina una serie de relaciones
de dependencia simultáneamente y tiene la capacidad para representar conceptos
no observados en estas relaciones y la medida de error en el proceso de
estimación, pues cada una de las preguntas conlleva a la construcción de una
variable denominada latente, que será la representan de un conjunto de preguntas
en un cuestionario que generalmente se califica con la escala ordinal de Lilkert. Por
ejemplo la variable utilidad de la matemática, se construye con base en preguntas
del estilo: Considero las matemáticas como una materia muy necesaria en la
2
 carrera, Las Matemáticas pueden ser útiles tanto para el que se dedique a la
investigación como para el profesionista.

En este trabajo se presenta en la primera sección una breve discusión sobre el afecto
en el conocimiento, en la segunda sección una descripción de la modelación estructural y en
la tercer sección la metodología, finalmente, los resultados de un ejercicio de la aplicación de
un cuestionario y examen a los alumnos de la carrera de economía, en estos resultados, se
presenta un análisis descriptivo, inferencial y estructural sobre la población de estudiantes de
la carrera de economía. Para el análisis estructural se construyó un modelo conceptual sobre
algunas actitudes que influyen en el desempeño de los estudiantes. Las estimaciones del
modelo se llevaron a cabo usando los métodos del análisis multivariado, con el programa
AMOS 4.0 (AMOS (1998) Amos User´s Guide versión 4.0, Smallwaters Corpporation.) que
esencialmente consisten en usar dos o más variables para representar el comportamiento
interrelacionado, multidimensional y complejo del proceso de aprendizaje.

I. El papel del afecto en el conocimiento.

Una de las nociones más intuitivas y comunes de la motivación involucra la idea de que la
gente sólo está motivada si está interesada en algo o está preocupada por alguna cosa. En
años recientes, Jacqueline Eccles y Allan Wigfield (1995), desarrollaron un modelo sobre las
componentes del valor asociado con una actividad, en un marco de referencia de valor
esperado. Este modelo supone que tanto las expectativas como los valores son creencias
cognitivas relacionadas con las decisiones que las personas hacen de manera consciente
sobre sus logros y que pueden influir sobre su comportamiento. Estos investigadores de la
educación, definen valor de logro en término de cuatro componentes: valor intrínseco, valor
utilitario, valor adquirido y costo, cuyas caracterizaciones son las siguientes:

1. El valor adquirido, o éxito de una actividad, es la importancia que las personas dan al
hecho de hacer bien esa actividad y lo que importa es el resultado, por ejemplo la
calificación final

2. El valor de interés intrínseco, se define como la diversión o el placer que las personas
experimentan cuando realizan una actividad, éste es el interés subjetivo en la
realización de una actividad, por lo que está más relacionado con los medios, y no con
los resultados finales de la actividad, lo cual genera mayor compromiso y persistencia
en la realización de una actividad cognitiva. Se dice entonces, que las personas están
intrínsecamente motivadas para realizar esa actividad.

3
 3. El valor utilitario extrínseco se define como la utilidad que la actividad tiene para las
personas en términos de sus metas futuras, que por supuesto incluyen las metas
profesionales. Este valor está más relacionado con los fines que se logran con la
actividad, que con los medios.

4. La cuarta componente es el costo, que se define como el costo que conlleva tener que
dejar de hacer otras actividades para poder realizar esa actividad particular. De
acuerdo con esto, la elección de una actividad siempre tiene algún costo asociado, así
por ejemplo, a los estudiantes siempre les representa un cosnto tener que hacer la
tarea de matemáticas cuando tal vez tengan que leer los textos de la teoría de su
especialidad. Pero además, también es posible que surja algún costo emocional
anticipado en determinada actividad, como por ejemplo la ansiedad que produce
resolver un examen de matemáticas.

Estas cuatro componentes asociadas a una actividad se utilizan conjuntamente para

determinar el valor que pueda tener esa actividad para una persona. De acuerdo con este
modelo, todas las personas perciben las cuatro componentes: el valor adquirido, el valor de
utilidad, el interés y los costos asociados de cualquier acción que vayan a realizar. En este
sentido, es un modelo racional de toma de decisiones de la motivación. En este tipo de
trabajos empíricos se toma en cuenta la forma en que las cuatro componentes se combinan
para formar las actitudes que influyen en el comportamiento de los estudiantes en las
escuelas.

Para el caso particular del aprendizaje de las matemáticas, las cuatro componentes y
las preguntas tipo que se usan se muestran de manera esquemática en el siguiente cuadro.

4
 Cuadro No. 1 Muestra de preguntas usadas para medir las componentes del valor asociado a una
actividad. (Pintrich, 1996, p. 294)
Valores Pregunta asociada
Valor adquirido Trato de obtener buenas calificaciones en los cursos de
Valor de éxito o importancia matemáticas.
Interés Intrínseco. Me da una gran satisfacción poder resolver problemas de
matemáticas
Valor de utilidad Considero que las matemáticas van a ser de utilidad en mi
1
extrínseco vida profesional .
Costo Creo que el tiempo que dedico a resolver problemas de
matemáticas es excesivo
Se utilizó la escala de Likert de 1 al 5. para responder las preguntas
Donde 1 = nunca, 2 =casi nunca, 3 = a veces, 4 = casi siempre, y 5 = siempre

Con el objeto de representar esta teoría sobre el valor de la realización de una

actividad se recurre a la modelación estructural.

II. Los modelos con ecuaciones estructurales

Cuando el investigador se enfrenta con un conjunto de cuestiones interrelacionadas, por

ejemplo las variables de los valores asociados a la realización de una actividad de
aprendizaje que determinan el desempeño del estudiante en el proceso de aprendizaje de
matemáticas. La técnica apropiada es la modelación con ecuaciones estructurales SEM
(Structural equations Modeling), la cual examina una serie de relaciones de dependencia
simultáneamente. Esto es particularmente útil cuando una variable dependiente se convierte
en independiente en las relaciones subsecuentes de dependencia. El conjunto de relaciones
entre las variables independientes y dependientes es la base de la modelación con
ecuaciones estructurales.

El desarrollo de la modelación con ecuaciones estructurales incluye un conjunto de

modelos conocidos por diversos nombres tales como: análisis de la estructura de
covarianza,(Carmines, E., Mclver 1981, Dillon, Kumar y Mulani 1987, Jöreskog 1970) análisis
de variables latentes (Bentler 1980) , análisis de factor confirmatorio (Davis W 1993,
Jöreskog 1969)), análisis de LISREL (Linear estructure relationships) (Jöreskog y Sorborn
1988).

5
 Las características distintivas de la técnica de la modelación de ecuaciones estructurales
son:
1. Estimación de relaciones múltiples y de dependencia interrelacionada.
2. La capacidad para representar conceptos no observados en estas relaciones y la
medida de error en el proceso de estimación.

En general un modelo de ecuaciones estructurales está compuesto por dos

submodelos. El modelo que corresponde a la parte que se puede medir, que describe la
forma en que las variables latentes se miden por los indicadores manifiestos
correspondientes. Esta parte del modelo también da información sobre la validez y confianza
de los indicadores observables. En el modelo desarrollado en este trabajo, se hizo la
hipótesis de que la parte afectiva del aprendizaje se puede caracterizar por las variables
latentes de interés, confianza, utilidad y ansiedad, medidas por algunos indicadores del tipo
reflexivo. El modelo estructural, por otra parte, describe las relaciones entre las variables
latentes.

Si una variable no está influida por cualquier otra variable del modelo, la variable es
una variable exógena; las variables exógenas actúan siempre como variables
independientes. Las variables que están influidas por otras variables en el modelo se
conocen como variables endógenas. Una variable endógena puede afectar a otra variable
endógena (pueden actuar tanto como variable independientes como dependientes). La
diferencia importante con la regresión lineal es que las variables involucradas son latentes,
cada una medida por múltiples indicadores, por lo cual también se les conoce como
constructos Es precisamente por esta causa que no se pueden utilizar las técnicas de
regresión comunes.

Las mediciones empíricas siempre tendrán alguna falla, por lo que las
representaciones de las variables latentes nunca son perfectas. Además de esto, se tiene el
hecho de que las variables latentes estudiadas no tiene porque estar completa y
exclusivamente determinadas por los indicadores medidos, por lo que habrá una variación
que no se pueda explicar y que se debe a aquellas influencias sobre la variable latente que
no han sido explícitamente modeladas.

Se tienen dos tipos de errores, el error de medición, y el error estructural. El programa

AMOS permite examinar las relaciones entre las variables latentes (la teoría sustantiva), así
como las relaciones entre las variables latentes y sus indicadores (la calidad de la medición).

6
a. La construcción del modelo

Para formar el concepto del modelo es necesario que se hayan hecho dos cosas; especificar
las relaciones hipotéticas entre las variables latentes, esta etapa se enfoca en el modelo
estructural, y representa el marco teórico que se quiere probar. En este punto es importante
tener clara la diferencia entre las variables endógenas y exógenas del modelo. Una vez que
se han identificado las variables latentes que suponemos relevantes, se necesita especificar
las relaciones direccionales entre ellas. En otras palabras, se debe determinar las relaciones
de influencia entre las variables exógenas y endógenas. Es en este momento en que se
deben usar las teoría previas del tema, las evidencias empíricas y tal vez, alguna
investigación exploratoria; esto no significa que no se pueda complementar la literatura con
algún pensamiento original, sin embargo, es importante señalar que siempre es necesario
contar con algún conocimiento base indispensable para la construcción del modelo.

Los errores que se pueden cometer en este momento se deben principalmente a dos
cosas; por la omisión de importantes variables exógenas, y por la inclusión de ligas
irrelevantes.

La segunda etapa en la construcción del modelo se enfoca sobre el modelo medido,

que relaciona la forma en que las variables latentes están representadas por las variables
manifiestas. En general, este tipo de modelos supone a los indicadores como reflexivos,
(indicadores de efecto), y supone a los constructos como los que causan la variable
observada, o visto de otra forma, se supone que las variables observables son indicadores
de una causa de fondo (i.e. la variable latente). Se sugiere que no es adecuado considerar
un solo indicador para representar una variable latente. El mejor escenario se tiene cuando
hay múltiples medidas observables para cada variable latente.

Cuando se diseña el modelo se tienen que suponer las direcciones de influencia, o

relaciones causales, entre las variables. Cada una de las relaciones direccionales tiene un
valor numérico asociado, que son los coeficientes de regresión. Estos pesos y covarianzas
son los parámetros del modelo, y el objetivo principal de una aplicación de un modelo en
ecuaciones estructurales es estimar el valor de estos parámetros. Los modelos con
ecuaciones estructurales están compuestos por dos submodelos; el que corresponde a la
parte que se mide, y que describe la forma en que las variables latentes están relacionadas
con los indicadores, y el estructural, que describe las relaciones entre las variables latentes.
Sin embargo. las representaciones de las variables latentes son aproximaciones, ya que no
tienen porque estar determinadas completa y exclusivamente por los indicadores que la

7
miden, por lo que es necesario incluir un término residual, el error, que explique aquellas
influencias sobre la variable latente que no han sido explícitamente modeladas.

El modelo general se puede representar por el siguiente sistema de ecuaciones

matriciales:
η =B ∗η +Γ ∗ξ +ζ
(m×1) (m×m) (m×1) (m×n) (n×1) (m×1)
Y =Λ ∗η +ε
 p×1 
 Y(p×m) (m×1) (p×1)
 

X =Λ ∗ξ +δ
 q×1 x(q×n) (n×1) (q×1)


Donde η representa el vector de m variables latentes endógenas y ξ el vector de n

variables latentes exógenas.

b. Representación gráfica del modelo

La representación gráfica del modelo permite tener una visión global de las hipótesis
supuestas y de las relaciones entre las variables. Las relaciones entre las variables latentes y
los indicadores correspondientes se representan por medio de flechas que se originan en la
variable latente (representada por una elipse) y termina en el indicador (que se representa
por un rectángulo). Las flechas direccionales se usan típicamente para describir las
relaciones en los modelos, pero no deben tomarse necesariamente para indicar hipótesis de
dirección causal a menos que se haga de forma explícita. (Asher, 1983). Cada trayectoria
estructural representa una hipótesis teórica. La ausencia de una flecha entre dos variables
indica el supuesto de que no hay un efecto directo entre ellas, no obstante, no significa
precisamente que no tenga ninguna influencia, sino que este impacto se puede describir
como un efecto indirecto, vía otra variable, y se le llama efecto de mediación, que se puede
considerar como el efecto principal en la modelación con ecuaciones estructurales.
(Diamantopoulos y Siguay, 2000). Los términos de error asociadas con las variables
endógenas representan los errores en las ecuaciones e indican que la variable dependiente
en el modelo no está perfecta y completamente explicada por las variables independientes. A
continuación se muestra un diagrama que representa un modelo prototipo con ecuaciones
estructurales para el caso de dos variables latentes exógenas, ξ1 y ξ2, tres variables latentes
endógenas η1, η2 y η3, y los indicadores, o variables observables, que corresponden a cada
una de ellas, Xi para las exógenas y Yj para las endógenas.

8
 ε1 ε2

δ1 X1 Y1 Y2
γ11
ξ1
δ
2
X2 η1
Φ12 β12

δ3 X3 Y3 ε3
η2
ξ2 γ23

δ4 X4 η3 β32

Y4

ε4

Los parámetros:

γij representan los coeficientes de regresión entre las variables latentes exógenas y
endógenas . βij representan los coeficientes de regresión entre variables endógenas, y por
último Φij significan las covarianzas entre las variables latentes exógenas.
Las variables manifiestas.

Xi se usa para las variables manifiestas, o indicadores, es decir son las medidas y
puntajes de las variables latentes exógenas (los datos observados de la aplicación de los
cuestionarios)., de la misma forma las variables Los parámetros Yi se usan para representar
las variables manifiestas de las variables latentes endógenas.

9
III. Metodología

Se aplicaron 327 cuestionarios y exámenes a todos los alumnos de la licenciatura de

economía, en el trimestre I08. conel objeto de responder a los t4res tipos de cuestiones
planteadas se hicieron las siguientes preguntas:

1. Para el ambiente sociocultural y familiar del alumno. sólo se preguntó si trabajaba o

no.
2. Para el ambiente curricular e institucional de sus antecedentes escolares, se hicieron
las siguientes preguntas:
edad, sexo, turno, trimestre, tipo de preparatoria.
3. Para las motivaciones, intereses y sentimientos que le produce al aprendizaje de las
matemáticas.

Se aplicó un cuestionario modificado del de la doctora en pedagogía a Elena

Auzmendi y consta de 22 preguntas, calificadas con escala de likert para construir las
variables latentes de: utilidad con 6 preguntas sobre la utilidad que el alumno le encuentra a
los conocimientos de matemáticas; ansiedad con 7 preguntas; confianza con 3 preguntas;
agrado con 4 preguntas y 2 preguntas para la construcción de la variable motivación 2.
Además un examen de 20 preguntas, que van desde procedimientos aritméticos como el
obtener un porcentaje, planteamiento de problemas sencillos, despejes algebraicos y
reconocimiento de conceptos matemáticos básicos.

El examen se aplicó sin previo aviso pero con la advertencia de no interferir con su
calificación.

El análisis de las variables manifiestas: edad, sexo, turno, trimestre tipo de

preparatoria y turno se hizo de manera descriptiva e inferencial.

Sobre el resultado del examen y su relación con las variables latentes: utilidad,
ansiedad, confianza, agrado y motivación se hizo el análisis de ecuaciones estructurales, en
un proceso de construcción de varios modelos hasta encontrar el modelo que mejor se ajustó
a los datos.

10
IV. Resultados

a. Descripción de la población encuestada

La población encuestada presentó que el 48% son mujeres y el 52% hombres, la edad
promedio es de 23 años, aunque hay personas de mas de 40 años estudiando la carrera,

Gráfica de la distribución de frecuencias de la variable edad

EDAD
120

100

80

60

40
Frequency

20 Std. Dev = 3.09

Mean = 23.1

0 N = 292.00
20.0 22.5 25.0 27.5 30.0 32.5 35.0 37.5 40.0 42.5

EDAD

La población tiene una distribución asimétrica con respecto a la variable turno ; el 62%
corresponde a la cantidad de alumnos que cursan en el turno matutino mientras que el 38% a
los que cursan en el turno vespertino.

La situación de los alumnos en cuanto a su dedicación de estudiante de tiempo

completo o de estudiante que trabaja y estudia mostró que el 44% de los estudiantes
trabajan, mientras que el 56% se dedican de tiempo completo a estudiar

• ¿De dónde provienen los alumnos; de preparatoria pública o preparatoria privada? La

mayoría, el 75% proviene de preparatoria pública.

11
 TIPO DE PREPARATORIA

Missing

2.4%
PRIV A DA
22.6%

PUBLICA
74.9%

• La distribución de los alumnos encuestados por módulo es al siguiente:

90

80
79
70

60
61
55
50
50 51

40

30
31
Count

20
4 6 7 9 10 12

MODULO

b. Cruce de Variables.

A continuación se muestra el análisis de cruce de variables.

SEXO * TRABAJA
TRABAJA Total

SI NO
SEXO HOMBRE 74 85 159
MUJER 59 85 144
Total 133 170 303

12
TURNO * TRABAJA
TRABAJA Total

TURNO SI NO
MATUTINO 68 118 186
VESPERTINO 65 52 117
Total 133 170 303

c. Análisis Descriptivo de los promedios de preparatoria, calificación previa y del

examen diagnóstico de la encuesta

VARIABLE N MÍNIMO MÁXIMO MEDIA DESVIACIÓN

ESTÁNDARD
PROMEDIO EN PREPA 331 5.9 9.86 8.21
CALIFICACIÓN PREVIA DE 314 3 10 7.8 1.26
MATEMÁTICAS
EXAMEN DE LA ENCUESTA 326 0.5 10 5.2 1.8

PROMEDIO EN PREPA
80
CALIFICACIÓN PREVIA MATEMÁTICAS
140
70

120
60

50 100

40
80
30

20
60
Frequency

Std. Dev = .65

10 40
Mean = 8.21
N = 311.00
F re q u e n c y

0
Std. Dev = 1.26
6.00 6.50 7.00 7.50 8.00 8.50 9.00 9.50 20
6.25 6.75 7.25 7.75 8.25 8.75 9.25 9.75 Mean = 7.78
0 N = 314.00
PROMEDIO EN PREPA
3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
3.50 4.50 5.50 6.50 7.50 8.50 9.50

EXAMEN DE LA ENCUESTA
100 CALIFICACIÓN PREVIA MATEMÁTICAS

80

60

40
Frequency

20
Std. Dev = 1.73
Mean = 5.2
0 N = 326.00
1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0

E XAMEN DE LA ENCUE STA

13
 d. Análisis inferencial

Con respecto a las calificaciones promedios de la preparatoria tienen una correlación positiva
con las calificaciones en trimestres previos a la encuesta.

• El desempeño en la calificación del examen es mejor por 0.5 en el turno matutino que en
el vespertino

• Los alumnos de tiempo completo tienen mejor calificación, también por 0.5 que los que
trabajan, por lo que la diferencia no es severa.

• Los promedios de los alumnos de los últimos trimestres de la licenciatura se muestran

ligeramente superiores en su desempeño en el examen de conocimientos matemáticos
generales.
Mean of EXAMEN DE LA ENCUESTA

6.5

6.0

5.5

5.0

4.5

4.0
CRECIMIENTO Y DESARR
DINERO Y POL ECO

DINÁMICA DE LA EC
MER Y COMP

MER REG

CRISIS Y EST

MODULO

e. MODELO DE ECUACIONES ESTRUCTURALES

Finalmente se propuso el siguiente modelo de ecuaciones estructurales con base en la

teoría de la doctora Ecles (1995) y en Risnes (1999) para ver que efecto tienen las
concepciones sobre la utilidad, la ansiedad la confianza, agrado y motivación en el resultado
del examen.

14
 EMPLEO SATISFACCIÓN
1.49 DOMINO
0 1.00 1.33
0
.56 1
Motiv confianza c
1.00

INTER ES UTIL

.90
UTILIZAR
CONOCER OTRAS
ASIGNA ESTIM DIVERSIÓN
NECESARIA 1.00 -.53 .78 MÁS CUR
0.53
OCUPACIÓN 1.39 -.72
útil agradable
DESARROLLO
PROF

-.48 .29 .31

DIFICIL ME ASUSTA
5.20
CALMADO 0
-.29 EXAMEN
ansiedad
CONFIANZA
ENCUESTA
ALTERO

INCAPAZ NO LE TEMO

VARABLES DEL MODELO

Observadas No observadas exógenas endógenas total

22 32 27 27 54

Estimaciones del modelo

Medias y desviaciones estándar Parámetros estimados grados de libertad

275 73 202

Resultados del modelo

Se logró un ajuste mínimo con Chi-square = 744.869

Grados de libertad = 202 y nivel de probabilidad p = .000

15
 Índice de bondad de ajuste del modelo

Índice modelo criterio decisión

CMIN/GL 744.869/202
entre 1 y 3 ajuste aceptable
=chi cuadrada /grados de libertad =3.68

RMSA (0,0.5) buen ajuste

Raíz de los cuadrados del error de .091 es mayor a .1 mal ajuste aceptable
aproximación ajuste

CFI Baseline Comparisons

Índice comparativo de ajuste (0,1) buen ajuste
.781 ajuste aceptable
=1 ajuste perfecto

CONCLUSIONES

El hecho de que los alumnos a quienes les impartimos clases no todos son de tiempo
completo, pues casi la mitad de la población trabaja y estudia y esto, consecuentemente se
refleja en el desempeño académico. Esta situación es un factor clave que debe considerarse
durante el proceso de enseñanza aprendizaje, en el sentido que los índices de reprobación
se pueden deber a esta situación y no a la falta de interés o motivación por parte del alumno,
por otro lado, fue muy satisfactorio, para los que apostamos por la educación pública, que el
desempeño no se ve afectado por el tipo de preparatoria en la que estudiaron.

En consideración con las variables latentes o constructos como conceptos no

tangibles ni manifiestos; su uso puede tener consecuencias empíricas, y por tanto, pueden
resultar benéficas para entender algunos aspectos complejos del mundo en que vivimos.
Como por ejemplo, la influencia que puede tener la ansiedad en el logro académico de los
alumnos. Es importante resaltar que los modelos de ecuaciones estructurales, permiten
probar hipótesis de manera estadística mucho más complejas de lo que se pueden probar
con otros métodos. De hecho, estos modelos hacen inferencias sobre la existencia de una
relación causal sobre la base de la observación del patrón de comportamiento de los datos y
de las suposiciones sobre las relaciones entre las variables.

16
 Con base en estos resultados y el modelo gráfico se observaron las siguentes
trayectorias:

Rutas que logran un desempeño favorable del examen

1. Motivación → Confianza → Utilidad
2. Motivación → Confianza → Utilidad → Agradable

Rutas que no logran un desempeño favorable del examen

3. Motivación → Confianza → Utilidad →Agradable → Ansiedad
4. Motivación → Confianza

EFECTOS TOTALES ENTERE LAS VARIABLES LATENTES

Confianza Utilidad Agrado Ansiedad examen
Motivación +
Confianza + -
Utilidad + - +
Agrado - +
Ansiedad -

Conclusiones del modelo de ecuaciones estructurales

1. La sola motivación y confianza nos fueron suficientes para un buen logro en el

resultado del examen
2. La variable ansiedad siempre ocasiona malos resultados, aunque, ésta baja
cuando hay una percepción de utilidad y agrado.

Finalmente se considera, que, una razón importante para explorar las relaciones entre
las variables afectivas y el aprendizaje, radica principalmente en que esta información puede
contribuir con la construcción o modificación de los planes de estudios curriculares en
diferentes orientaciones educativas. Así como explorar prácticas de enseñanza y aprendizaje
con base en la reflexión sobre las motivaciones y desarrollo de los valores de logro entre los
alumnos.

17
Bibliografía

• Arbuckle, J. L. & W. Wothke (1999). Amos 4.0 User's Guide. Chicago: SmallWaters
Corporation.
• Auzmendi, E. (1992). Las actitudes hacia la Matemática Estadística en las enseñanzas
medias y universitarias. Mensajero, Bilbao. España.
• Bollen, (1989). Structural Equations with Latent Variables. New York: John Wiley &
sons
• DeBellis, V. A. & Goldin, G. A. (1997). The Affective Domain in Mathematical
Problem- Solving. In Proceedings of the 21st Conference of the International Group for
the Psychology of Mathematics Education, 2, 209-216.
• Evans, J. (2000). Adults’ Mathematical Thinking and Emotions: a Study of Numerate
Practices. Falmer Press. Hembree, R. (1990). The Nature, Effects, and Relief of
Mathematics Anxiety. Journal for Research in Mathematics Education, 21, 33-46.
• Eccles, J. & Wigfield, A. (1995), In the mind of the actor: The structures of adolscents´
achievement task values and expectancy beliefs. Personality and Social Phychology
Bulletin, vol,21.
• McLeod, D. B. (1993). Affective Responses to Problem Solving. In The Mathematics
Teacher, 86(9), n, The Ontario Institute for Studies in Education of the University of
Toronto (OISE/UT).
• McLeod, D. B. (1992). Research on affect in mathematics education: a
reconceptualization. In D. A. Grouws (Ed.), NCTM Handbook of Research on
Mathematics Teaching and Learning, New York, NY: Macmillan, 575-596.
• Pólya George (1963). On Learning, Teaching, and Learning Teaching. Mathematical
Discovery, Vol. 2 . John Wiley & Sons publishers. Estados Unidos.
• Pintrich,P.R. & Shunk,D.H. (1996), Motivation in Education Theory, Research and
Applications. Prentice Hall, Columbus Ohio. Cap. 8.
• Risnes, Alan. (1999) School Background, Motivational Belief and Achievement in
Mathematics. Proceedings of the Twenty First Annual Meeting Phychology of
Mathematics Education. Vol. 1 Centro de Investigación y Estudios Avanzados-IPN.
Universidad Autónoma de Morelos.

18
19