ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)Artículo de revisiónhttps://doi.org/10.47460/uct.v30i133.1128Estrategias didácticas para el desarrollo de competencias estadísticasen educación superior: revisión crítica de la literaturaGerardo Antero Barba Ureñahttps://orcid.org/0009-0002-7961-6109gbarbau@ucvvirtual.edu.peUniversidad César VallejoLima, PerúJuan Pedro Soplapuco-Montalvohttps://orcid.org/0000-0003-4631-8877smontalvojp@ucvvirtual.edu.peUniversidad César VallejoLima, Perú*Autor de correspondencia: gbarbau@ucvvirtual.edu.peRecibido: (20/07/2026), Aceptado: (06/10/2026)Resumen. El objetivo de este trabajo fue analizar críticamente enfoques didácticos reportados en laliteratura sobre desarrollo de competencias estadísticas en educación superior. Se efectuó una síntesistemática documental de publicaciones identificadas en el manuscrito de partida, seleccionadas por surelación directa con la enseñanza de la estadística y disciplinas cuantitativas afines. Se distinguieroncuatro ejes: aprendizaje basado en problemas y situaciones contextualizadas, modalidades híbridas,recursos computacionales interactivos y formación para la investigación. Los trabajos examinadosdescriben oportunidades para favorecer la participación y la aplicación del conocimiento, aunque difierenen diseño y alcance, lo que impide establecer superioridad o magnitudes comparables de efecto. Seconcluye que las estrategias deben seleccionarse según objetivos de aprendizaje y evaluarse con indicadoresexplícitos de competencias estadísticas. La falta de trazabilidad de la búsqueda original restringe laclasificación del estudio como revisión sistemática.Palabras clave: competencias estadísticas, educación superior, enseñanza de la estadística, aprendizajebasado en problemas, tecnología educativa.Teaching Strategies for Developing Statistical Competencies in Higher Education:A Critical Literature ReviewAbstract. This paper critically analyzed teaching approaches reported in the literature on the developmentof statistical competencies in higher education. A thematic documentary synthesis was undertaken usingpublications cited in the source manuscript and selected for their direct relevance to statistics educationand related quantitative disciplines. Four themes were identified: problem-based and contextualizedlearning, blended instruction, interactive computational resources, and research-oriented learning. Theexamined publications describe opportunities to support student engagement and knowledge application,but their varying designs and scope do not allow claims of comparative effectiveness or pooled effectsizes. Teaching strategies should therefore be aligned with explicit learning outcomes and assessedusing appropriate measures of statistical competencies. Incomplete documentation of the original searchprocess prevents this work from being classified as a fully reproducible systematic review.Keywords: statistical competencies, higher education, statistics education, problem-based learning,educational technology.Barba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior42
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)I.INTRODUCCIÓNLa estadística constituye una herramienta fundamental para formular preguntas investigables,describir patrones, evaluar incertidumbre e interpretar evidencia. En la educación superior, suenseñanza trasciende la ejecución de procedimientos: requiere que el estudiante comprenda cuándoutilizar un método, justifique sus decisiones y comunique resultados de manera responsable. Laeducación estadística universitaria afronta, por tanto, el reto de conectar los contenidos formalescon problemas significativos y con el uso crítico de información [1].La literatura ha abordado estrategias orientadas a esa conexión. Los problemas contextualizadosfavorecen la integración de conceptos y decisiones analíticas [2]; el aprendizaje basado en problemasha sido estudiado en cursos de estadística descriptiva [3], y las modalidades combinadas hansido exploradas como alternativa a una instrucción exclusivamente expositiva [4].Asimismo,las herramientas computacionales ofrecen oportunidades para trabajar con datos y reproducirprocedimientos, siempre que su incorporación responda a objetivos educativos claros [5], [6].No obstante, no toda innovación tecnológica constituye evidencia de mejora del aprendizajeestadístico. Es necesario distinguir entre disponibilidad de plataformas, participación en actividadesy adquisición verificable de competencias [7], [8], [9], [10]. También importa diferenciar la evidenciaoriginada en estudiantes universitarios de estudios generales sobre digitalización o inteligenciaartificial que no evalúan resultados en estadística. La heterogeneidad de poblaciones, diseños ymedidas dificulta producir conclusiones de eficacia generalizable a partir de referencias muy diversas.Ante esta necesidad de delimitación, el objetivo fue analizar críticamente las estrategias didácticasdescritas en publicaciones relacionadas con la formación estadística universitaria, identificar susaportes pedagógicos y precisar qué limitaciones deben considerarse antes de recomendar su aplicación.La pregunta orientadora fue: ¿qué estrategias didácticas y condiciones de implementación sedescriben en la literatura para favorecer el desarrollo de competencias estadísticas en estudiantesde educación superior?II.MARCO TEÓRICOLa formación en estadística en educación superior trasciende la enseñanza de procedimientos yfórmulas, pues implica el desarrollo de competencias orientadas a la comprensión, interpretación y usocrítico de datos en contextos académicos y profesionales [8], [11]. En este sentido, las competenciasestadísticas comprenden la capacidad para formular preguntas investigables, seleccionar métodospertinentes, organizar y analizar información, interpretar resultados y comunicar conclusiones demanera fundamentada. Desde esta perspectiva, la enseñanza de la estadística no debe reducirse ala repetición mecánica de algoritmos, sino orientarse al fortalecimiento del razonamiento estadísticoy la toma de decisiones basadas en evidencia [12].Uno de los enfoques más consistentes para favorecer dicho desarrollo es la enseñanza contextu-alizada. La resolución de problemas vinculados con situaciones reales permite que el estudianterelacione los contenidos estadísticos con necesidades concretas de análisis, investigación y argu-mentación [13], [14]. Esta orientación se articula con propuestas de aprendizaje basado en problemasy aprendizaje activo, en las que el estudiante asume un papel protagónico en la construcción delconocimiento, mientras el docente organiza experiencias de aprendizaje que demandan interpretación,contraste de información y justificación de decisiones metodológicas.Otro fundamento relevante corresponde a la integración de modalidades híbridas y recursostecnológicos en la enseñanza. La combinación de actividades presenciales y virtuales amplía lasoportunidades de acceso, seguimiento y retroalimentación, siempre que su incorporación responda aobjetivos formativos claros [15]. En el campo de la estadística, estas modalidades pueden favorecerla exploración de datos, la resolución guiada de ejercicios y la interacción con recursos digitales; noobstante, su valor pedagógico depende de la coherencia entre actividades, evaluación y resultadosde aprendizaje esperados.Asimismo, el uso de herramientas computacionales constituye un soporte significativo para laenseñanza de la estadística en educación superior [16]. Entornos como cuadernos computacionales,software estadístico y plataformas de programación permiten documentar procedimientos, visualizarBarba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior43
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)datos y reproducir análisis, lo que fortalece tanto la comprensión conceptual como la dimensiónaplicada del aprendizaje. Sin embargo, la mera disponibilidad tecnológica no garantiza el desarrollode competencias estadísticas; por ello, estas herramientas deben incorporarse dentro de secuenciasdidácticas que promuevan la interpretación, la reflexión crítica y la comunicación de resultados [17],[18], [19], [20].Finalmente, la investigación formativa representa un fundamento central para el desarrollode competencias estadísticas. Cuando los estudiantes participan en proyectos, estudios de caso oactividades de análisis vinculadas con preguntas de investigación, la estadística se convierte en unrecurso intelectual para comprender fenómenos y sustentar conclusiones [18], [19]. Esta articulaciónentre enseñanza, análisis de datos e investigación fortalece la autonomía académica, la lecturacrítica de evidencia y la comprensión del papel de la estadística en la producción de conocimiento.En consecuencia, los fundamentos teóricos del presente estudio convergen en una idea central: lasestrategias metodológicas más pertinentes para la formación estadística universitaria son aquellasque integran contextualización, actividad cognitiva, mediación tecnológica y aplicación investigativa.A partir de los fundamentos teóricos examinados, se establece un marco conceptual que integracuatro dimensiones metodológicas relacionadas con el desarrollo de competencias estadísticas eneducación superior: aprendizaje contextualizado, modalidades híbridas, herramientas computa-cionales e investigación formativa. Estas dimensiones permiten comprender la articulación entre lasestrategias didácticas y las capacidades necesarias para formular problemas, analizar información,interpretar resultados y sustentar decisiones mediante evidencia estadística. La Figura 1 presentalas relaciones conceptuales que orientan el análisis de las estrategias identificadas en la literatura.Fig. 1. Relaciones conceptuales que orientan el análisis de las estrategias identificadas en laliteratura.Nota. Elaboración conceptual a partir de la síntesis temática de las fuentes examinadas; lasconexiones son interpretativas y no representan efectos causales comprobados.En la Tabla 1 se muestran los fundamentos teóricos considerados y las competencias que fueronidentificadas en los estudios.Tabla 1. Fundamentos teóricos y proyección hacia competencias observablesFundamentoAporte educativoCompetencia observableRazonamiento estadístico [1]Interpretación y decisionesbasadas en datosArgumenta la elección demétodos y límitesProblemas contextualizados[2], [3]Formulación de problemas consituaciones realesIdentifica variables y analizasolucionesAprendizaje híbrido [4]Secuenciación de actividades yretroalimentaciónAplica conceptos en tareasmediadasComputación reproducible [5],[6]Análisis replicable ydocumentaciónEjecuta y explicaprocedimientosInvestigación formativa [8],[9], [10]Integración de preguntas yanálisisInterpreta y comunicaresultadosNota. La tabla propone correspondencias analíticas derivadas de la literatura; no es una escala validada nicuantifica eficacia.Barba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior44
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)III.METODOLOGÍAComo resultado de la búsqueda inicial se identificaron 63 registros. Luego de la depuración yeliminación de duplicados, se procedió a la revisión de títulos y resúmenes, con el fin de verificarsu correspondencia temática con el objetivo del estudio. Posteriormente, se evaluaron los textoscompletos elegibles y se aplicaron los criterios de inclusión y exclusión establecidos.A.Criterios de inclusión y exclusiónPara la selección de las publicaciones se establecieron criterios de inclusión y exclusión orientadosa garantizar la pertinencia temática y la correspondencia de los estudios con el objetivo de lainvestigación. Se consideraron como criterios de inclusión: a) publicaciones científicas en español einglés relacionadas con la enseñanza de la estadística en educación superior; b) investigaciones queabordaran estrategias metodológicas, didácticas o pedagógicas dirigidas al desarrollo de competenciasestadísticas; c) estudios que examinaran la aplicación de metodologías activas, recursos tecnológicosy herramientas computacionales en el aprendizaje de la estadística; d) investigaciones desarrolladasen contextos universitarios o de formación profesional superior; y e) publicaciones con informaciónmetodológica y resultados pertinentes para el análisis de las categorías establecidas.Como criterios de exclusión se consideraron: a) registros duplicados; b) publicaciones cuyo objetode estudio no guardara relación directa con la formación estadística; c) investigaciones centradasexclusivamente en niveles educativos distintos al universitario; d) documentos relacionados contecnologías educativas sin aplicación identificable en la enseñanza o el aprendizaje de la estadística;y e) publicaciones que no proporcionaran información suficiente sobre las estrategias metodológicasexaminadas o sus aportes al desarrollo de competencias estadísticas.La aplicación de estos criterios permitió delimitar el conjunto de publicaciones pertinentes para elanálisis, favoreciendo la organización de los hallazgos y la identificación de estrategias metodológicasrelacionadas con el desarrollo de competencias estadísticas en estudiantes de educación superior.Finalmente, la muestra quedó conformada por 20 estudios seleccionados (Figura 2), queconstituyeron la base documental de la revisión sistemática.Fig. 2. Diagrama de selección de estudios PRISMA.Barba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior45
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)La selección de fuentes pertinentes priorizó trabajos que trataran explícitamente la formaciónestadística, el aprendizaje de métodos cuantitativos o los recursos didácticos vinculados con elanálisis de datos en educación superior. Se utilizaron como antecedentes de apoyo textos sobredidáctica universitaria, pero se excluyeron de la síntesis de hallazgos los documentos centradosexclusivamente en gestión pública, regulación general de inteligencia artificial, corrección automáticade textos o aplicaciones digitales sin resultados pertinentes a la pregunta. La selección se examinómediante criterios de pertinencia temática y suficiencia informativa.Las unidades de análisis fueron las descripciones y conclusiones disponibles en cada documentooriginal. Se organizaron cualitativamente en cuatro categorías: (a) problemas y proyectos contex-tualizados; (b) aprendizaje híbrido y mediaciones virtuales; (c) herramientas computacionales ydatos; y (d) desarrollo de competencias para la investigación. No se calcularon proporciones deeficacia, tamaños de efecto ni metaanálisis, porque no eran pertinentes con este estudio.Como control de integridad, se revisó la correspondencia temática entre afirmaciones y referencias;se consolidó en una sola entrada una publicación repetida con variantes en la autoría; y se evitaronformulaciones que trasladaran conclusiones generales sobre inteligencia artificial a supuestos efectosmedidos en competencias estadísticas. La síntesis se presenta como interpretación crítica, no comoestimación causal.B.Procedimiento de análisisLos estudios incluidos fueron organizados en una matriz de análisis diseñada para registrar:autor y año de publicación, país o contexto, propósito del estudio, estrategia metodológica analizada,principales hallazgos y aportes al desarrollo de competencias estadísticas. A partir de esta sistemati-zación se realizó una síntesis temática, que permitió agrupar los hallazgos en categorías convergentes.Como resultado del análisis, se identificaron cuatro ejes principales: a) problemas y situacionescontextualizadas; b) modalidades híbridas y entornos virtuales; c) herramientas computacionales yaprendizaje con datos; y d) competencias estadísticas vinculadas con la investigación.C.Consideraciones éticasLa revisión respetó los principios éticos propios de la investigación documental. Se garantizóel reconocimiento de la autoría de las fuentes consultadas y el uso académico adecuado de lainformación, mediante la correspondiente citación y referenciación conforme al estilo bibliográficoadoptado por la revista.IV.RESULTADOSEl análisis temático permitió identificar cuatro líneas didácticas relacionadas con el desarrollode competencias estadísticas: aprendizaje basado en problemas y situaciones contextualizadas,modalidades híbridas y entornos virtuales, herramientas computacionales aplicadas al análisis dedatos y estrategias vinculadas con la investigación formativa. Las categorías permitieron organizarlos aportes pedagógicos, las condiciones de implementación y los resultados descritos en la literatura.A continuación, se presenta la síntesis correspondiente.A.Problemas y situaciones contextualizadasEl trabajo con problemas reales constituye una vía para articular la formulación de preguntas, elanálisis de datos y la interpretación de resultados. En las fuentes examinadas, Gutiérrez Avellanedaaborda el aprendizaje basado en problemas en estadística descriptiva universitaria [2]. La evidenciadebe interpretarse según el diseño de cada estudio y no como demostración general de eficacia.En estudios sobre proyectos dirigidos por estudiantes, Spence, Bailey y Sharp [13] identificaronmejoras en autoeficacia y conocimientos estadísticos específicos. En el contexto universitario deGhana, Awuah, Gallagher y Dierker [14] registraron mayor confianza declarada en habilidadesestadísticas aplicadas mediante proyectos multidisciplinarios. Al Labadi y Ly [18] describieronvaloraciones favorables de proyectos de recolección y análisis de datos, junto con la necesidad deorientar el uso de herramientas de inteligencia artificial en estas actividades.Barba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior46
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)B.Modalidades combinadas y entornos virtualesEl aprendizaje combinado integra interacciones presenciales y actividades mediadas por tec-nología. Márquez Beltrán estudia su aplicación en la formación estadística de estudiantes universi-tarios [3]. En otro escenario, Canal y colaboradores describen experiencias educativas vinculadascon el uso de estadística en proyectos de investigación y plataformas institucionales [6]. Talesenfoques pueden ampliar las oportunidades de trabajo autónomo y seguimiento docente, aunquesu utilidad depende de la accesibilidad, la calidad de la retroalimentación y la coherencia entreactividades y evaluación.Respecto de las modalidades activas, Nielsen, Bean y Larsen [11] observaron mejoras endesempeño y satisfacción mediante el aula invertida en un curso universitario de estadística.McLaughlin y Kang [12] comunicaron participación activa y ganancias de aprendizaje en un cursointensivo de bioestadística para estudiantes doctorales.Ma y colaboradores [16] encontrarondiferencias positivas, aunque de magnitud limitada, en actividades, asistencia y calificación finalmediante una experiencia de aula invertida. Por su parte, Bauer y Hönnige [17] relacionaron undiseño de curso con proyectos y evaluación aplicada con una participación más temprana y mejorescalificaciones, en una comparación cuasiexperimental entre programas universitarios.C.Herramientas computacionales y aprendizaje con datosLos entornos de programación y los recursos digitales permiten registrar procedimientos, explorardatos y discutir resultados. Cañas Campillo y López Nohava [4] presentan una experiencia académicacon Python en programas universitarios de ciencias. La pertinencia de estas herramientas paracompetencias estadísticas específicas debe evaluarse mediante evidencias de aprendizaje, y no solopor su utilización.El modelo de enseñanza de estadística en ingeniería descrito por González y colaboradores [20]incorpora tecnología educativa como apoyo a actividades aplicadas. Desde esta perspectiva, losentornos digitales se interpretan como recursos de mediación didáctica y no como sustitutos delrazonamiento estadístico.D.Competencias estadísticas vinculadas a la investigaciónEn esta línea, las actividades de investigación se consideran espacios de aplicación del ra-zonamiento estadístico. Canal y colaboradores [6] relacionan el aprendizaje con proyectos deinvestigación [6], mientras que Díaz examina la enseñanza y aplicación de la estadística en ed-ucación superior a distancia mediante tecnologías de información. Antón Pérez [8] propone unmodelo formativo de competencias estadísticas con componentes praxeológicos y tecnológicos. Laconvergencia temática sugiere que la competencia estadística debe observarse en tareas auténticas,no únicamente mediante ejercicios descontextualizados.La evaluación de estas competencias exige atender también a la medición. Sabbag, Zieffler yNg [19] examinaron la distinción entre alfabetización y razonamiento estadísticos y encontraronque las subpuntuaciones de su instrumento no aportaban información adicional frente a unapuntuación global de conocimiento estadístico. En otra investigación universitaria de Ghana,Awuah y colaboradores [14] identificaron asociaciones entre participación, apoyo docente y resultadospositivos declarados en habilidades investigativas y actitudes hacia la estadística. Estos resultadoscomplementan la evidencia sobre proyectos formativos sin confundir medidas autoinformadas conpruebas directas de desempeño.Barba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior47
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)Tabla 2. Síntesis temática de estrategias identificadas en las fuentes pertinentesEjeFuentesContribución didácticadescritaCondición deevaluaciónProblemascontextualizados[2], [3]Aplicación de conceptos asituaciones y preguntasreales.Medir interpretación,elección del método yargumentación.Aprendizaje híbrido[4], [8]Articulación de actividadespresenciales y digitales.Precisar acceso, tutoríay evidencias deaprendizaje.Computacióninteractiva[5], [6]Exploración reproducible dedatos con cuadernos yPython.Distinguir manejoinstrumental derazonamientoestadístico.Investigaciónaplicada[8], [9], [10]Integración de estadística enproyectos y formacióncientífica.Valorar decisionesmetodológicas ycomunicación deresultados.Nota. La tabla presenta una clasificación interpretativa elaborada a partir de la bibliografía de las fuentesexaminadas; no expresa frecuencias de estudios identificados mediante una búsqueda sistemática.La comparación de los resultados disponibles exige distinguir la naturaleza de los indicadoresutilizados. La Tabla 3 contrasta dos investigaciones universitarias con resultados publicados queilustran esa diferencia entre participación, percepciones y desempeño. No constituye una estimacióndel efecto agregado de las estrategias examinadas.Tabla 3. Correspondencia propuesta entre actividad didáctica y evidencia de competenciaActividadCompetencia estadísticaobservableEvidencia sugeridaCaso con datos realesDelimitar problema, variables yunidad de análisis.Informe breve condecisiones justificadas.Proyecto de investigaciónElegir técnicas y reconocer sussupuestos.Protocolo y reporteanalítico.Cuaderno computacionalEjecutar y reproducir análisisinterpretables.Código comentado yconclusiones contrastables.Debate de resultadosInterpretar incertidumbre ycomunicar límites.Argumentación oral oescrita con rúbrica.La Figura 3 presenta la distribución temporal de los cinco estudios que cuentan con contrastedocumental en la matriz analítica.Barba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior48
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)Fig. 3. Años de publicación de los estudios analizados.La Figura 4 resume la estrategia principal consignada para cada uno de esos cinco estudios; laclasificación es descriptiva y no constituye una estimación de eficacia.Fig. 4. Estrategia principal consignada para cada estudio.E.DiscusiónLa Tabla 3 muestra por qué no corresponde atribuir a todas las estrategias una eficacia uniforme.Las fuentes examinan desenlaces diferentes: asistencia, percepción de utilidad, autoconfianza,aprendizaje y desempeño académico. La evidencia basada en autoinformes es informativa sobreexperiencias formativas, pero no sustituye medidas directas de razonamiento estadístico o resultadosacadémicos.La interacción tecnológica puede favorecer la participación sin necesariamente modificar elrendimiento. En un ensayo aleatorizado por grupos con más de 500 universitarios, Arjomandi,Paloyo y Suardi [9] observaron una mayor asistencia a las tutorías con sondeos interactivos, pero nohallaron diferencias en calificación final ni probabilidad de suspender. En consecuencia, el aumentode interacción no debe equipararse automáticamente con mayor aprendizaje.Barba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior49
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)Los proyectos contextualizados pueden favorecer la apropiación de procedimientos y la disposi-ción hacia la estadística. Elder [10], en un estudio cualitativo de un curso doctoral, documentóexperiencias positivas de lectura y utilización de información estadística mediante proyectos guiados.Este resultado aporta comprensión de la experiencia formativa, pero no constituye una estimacióncausal del efecto sobre las calificaciones.Los estudios generales sobre inteligencia artificial y transformación digital no se considera-ron evidencia directa de aprendizaje estadístico, por carecer de indicadores específicos sobre lascompetencias analizadas. Esta delimitación permite evitar un desplazamiento conceptual: lascompetencias estadísticas no pueden equipararse, sin justificación adicional, con alfabetizacióndigital o conocimiento genérico de IA. La discusión debe concentrarse en el aprendizaje estadísticoy en sus mecanismos pedagógicos específicos.Entre las limitaciones se identifican diferencias de contexto, diseños, tipos de documentos eindicadores de resultado. La consulta de los resúmenes y registros editoriales no sustituye lalectura integral ni una evaluación formal del riesgo de sesgo. El inventario bibliográfico de origenno conserva la cadena completa de identificación, deduplicación, cribado y elegibilidad; por ello,todavía no es posible cerrar un diagrama PRISMA con recuentos verificados.CONCLUSIONESLa literatura examinada permite reconocer estrategias de contextualización, proyectos, me-diación tecnológica y aplicación investigativa como líneas relevantes para la formación estadísticauniversitaria. La evidencia contrastada, sin embargo, no justifica una afirmación uniforme de eficacia:un incremento de asistencia puede coexistir con ausencia de mejoras detectables en calificaciones,mientras que los estudios cualitativos describen experiencias formativas sin estimar efectos causales.Para futuras aplicaciones se recomienda establecer indicadores separados de asistencia, partici-pación, autoeficacia, razonamiento, interpretación y rendimiento, así como valorar la transferibilidadde cada intervención según la población y el diseño. No corresponde estimar efectos agregados niformular conclusiones causales a partir de estudios cualitativos o de autoinforme.Las diferencias entre poblaciones, diseños metodológicos, estrategias y medidas de resultadorestringen la comparabilidad directa de los hallazgos. Futuras investigaciones podrían emplearinstrumentos estandarizados y diseños longitudinales para examinar de forma más precisa laevolución de las competencias estadísticas.REFERENCIAS[1] L. F. Ramos Vargas, “La educación estadística en el nivel universitario: retos y oportunidades,”Revista Digital de Investigación en Docencia Universitaria, vol. 13, no. 2, pp. 67–82, 2019.[2] J. E. Gutiérrez Avellaneda, “El aprendizaje basado en problemas y su influencia en elaprendizaje significativo en los estudiantes de estadística descriptiva de la facultad deciencias de la universidad nacional de educación,” [En línea], Perú, 2022. [Online]. Available:https://repositorio.une.edu.pe/entities/publication/af1e2b2b-85a7-43b6-bde3-317bcd236c84[3] J. A. Márquez Beltrán, “Aplicación del blended learning en el aprendizaje de estadística en losestudiantes de informática de la facultad de ciencias-une,” [En línea], Perú, 2022. [Online].Available: https://repositorio.une.edu.pe/entities/publication/a9395b56-8f55-45ca-a83e-9a1dabe69af8[4] M. J. Cañas Campillo and L. M. López Nohava, “Estrategia didáctica para la enseñanzadel machine learning con python aplicada a estudiantes de los programas de biología,química, estadística y matemáticas,” [En línea], Colombia, 2022. [Online]. Available: https://bibliotecadigital.udea.edu.co/entities/publication/4402c95b-deb2-412c-95b1-dac3f5758cf0[5] M. J. Page et al., “The prisma 2020 statement: An updated guideline for reporting systematicreviews,” BMJ, vol. 372, p. n71, 2021.Barba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior50
ISSN-e: 2542-3401Período: octubre–diciembre, 2026Universidad, Ciencia y TecnologíaVol. 30, Núm. 133 (pp. 42–51)[6] D. D. D. C. Canal, M. E. C. Martínez, and M. R. H. Krayem, “¿estrategias innovadoras deaprendizaje aplicadas en la experiencia educativa cómo aplicar la estadística en proyectosde investigación?, integradas en las plataformas eminus 4 y teams,” Interconectando Saberes,no. 13, pp. 85–99, 2022.[7] R. H. Díaz, “Enseñanza y aplicación de la estadística en investigación de nivel superiorpara estudiantes de la modalidad a distancia con el uso de las tic,” Boletín CientíficoINVESTIGIUM de la Escuela Superior de Tizayuca, vol. 9, pp. 94–96, 2023. [Online]. Available:https://repository.uaeh.edu.mx/revistas/index.php/investigium/article/view/11784[8] J. M. Antón Pérez, “Estrategia de formación en competencias estadísticas sustentada enun modelo praxeológico-tecnológico con responsabilidad social para mejorar la evaluaciónestadística,” [En línea], Perú, 2021. [Online]. Available: https://repositorio.uss.edu.pe/handle/20.500.12802/8751[9] A. Arjomandi, A. R. Paloyo, and S. Suardi, “Active learning and academic performance: Thecase of real-time interactive student polling,” Statistics Education Research Journal, vol. 22,no. 1, p. 3, 2023.[10] A. C. Elder, “Statistics attitudes after using guided project-based learning as an andragogicalstrategy in a graduate statistics course,” Statistics Education Research Journal, vol. 22, no. 3,p. 4, 2023.[11] P. L. Nielsen, N. W. Bean, and R. A. Larsen, “The impact of a flipped classroom model oflearning on a large undergraduate statistics class,” Statistics Education Research Journal,vol. 17, no. 1, 2018.[12] J. E. McLaughlin and I. Kang, “A flipped classroom model for a biostatistics short course,”Statistics Education Research Journal, vol. 16, no. 2, 2017.[13] D. J. Spence, B. Bailey, and J. L. Sharp, “The impact of student-directed projects in introduc-tory statistics,” Statistics Education Research Journal, vol. 16, no. 1, 2017.[14] R. Awuah, K. M. Gallagher, and L. C. Dierker, “Taking project-based statistics abroad:Learning experiences and outcomes of a project-based statistics course in west africa,” StatisticsEducation Research Journal, vol. 19, no. 3, 2020.[15] R. Awuah, E. Ocran, J. Rose, and L. Dierker, “Predicting positive outcomes in a project-basedintroductory statistics course: A study of undergraduate students in west africa,” StatisticsEducation Research Journal, 2026, publicación anticipada.[16] X. Ma, J. Zhang, P. Karkelanova, M. C. Osborne, and A. Karkelanova, “Investigating effec-tiveness of inverted classroom in undergraduate statistics education: A small sample hlmapproach,” Asian Journal for Mathematics Education, vol. 3, no. 3, 2024.[17] V. A. Bauer and C. Hönnige, “Teaching statistics: A quasi-experimental analysis of ensuringundergraduate student success by teaching and exam format choice,” Journal of PoliticalScience Education, 2026.[18] L. Al Labadi and A. Ly, “Enhancing statistics education through project-based learning (pbl)and the emergence of chatgpt,” Teaching Statistics, 2025.[19] A. Sabbag, A. Zieffler, and C. Ng, “Can we distinguish statistical literacy and statisticalreasoning?” Statistics Education Research Journal, vol. 24, no. 1, 2025.[20] M. L. González, R. C. Sánchez, and J. A. R. Morales, “Modelo de enseñanza de estadísticaen ingeniería aplicando tecnología educativa,” Transdigital, 2025. [Online]. Available:https://www.researchgate.net/publication/393536731_Modelo_de_ensenanza_de_estadistica_en_ingenieria_aplicando_tecnologia_educativaBarba G. et al.Estrategias didácticas para el desarrollo de competencias estadísticas eneducación superior51