Advertisement

Case Study: Project-Based Learning to Evaluate Probability Distributions in Medical Area

  • Lorenzo Cevallos-TorresEmail author
  • Miguel Botto-Tobar
Chapter
Part of the Studies in Computational Intelligence book series (SCI, volume 824)

Abstract

This study presents the use of probability distributions and the theory of systems simulation applied to real-life problems, with the aim of giving researchers and Students a guide to facilitate its application within of investigative work. It was carried out project-based learning (PBL) through a project in the classroom in order to help students to recognize, develop and apply feasibly the different types of probability distributions in real life problems.

References

  1. 1.
    Savery, John R. 2015. Overview of problem-based learning: Definitions and distinctions. Essential Readings in Problem-Based Learning: Exploring and Extending the Legacy of Howard S. Barrows 9: 5–15.Google Scholar
  2. 2.
    Storer, Terry. 2018. The effect of project based learning on the creativity of elementary students. Ph.D. thesis, Wilkes University.Google Scholar
  3. 3.
    Bilgin, Ibrahim, Yunus Karakuyu, and Yusuf Ay. 2015. The effects of project based learning on undergraduate students’ achievement and self-efficacy beliefs towards science teaching. Eurasia Journal of Mathematics, Science and Technology Education 11 (3): 469–477.Google Scholar
  4. 4.
    Lee, Jean S., Sue Blackwell, Jennifer Drake, and Kathryn A. Moran. 2014. Taking a leap of faith: Redefining teaching and learning in higher education through project-based learning. Interdisciplinary Journal of Problem-Based Learning 8 (2): 2.Google Scholar
  5. 5.
    Egilmez, Gokhan, Dusan Sormaz, and Ridvan Gedik. 2018. A project-based learning approach in teaching simulation to undergraduate and graduate students.Google Scholar
  6. 6.
    Moreno, Amable, José Cardeñoso, and Francisco González-García. 2015. Los significados de la probabilidad en los profesores de matemática en formación: un análisis desde la teoría de los modelos mentales.Google Scholar
  7. 7.
    Estruch, Vicente D., Francisco J. Boigues, and Anna Vidal. 2017. Un recorrido de estudio e investigación para el aprendizaje del concepto devariable aleatoria discreta mediante métodos de monte carlo. Modelling in Science Education and Learning, vol. 10, 67–84. Universitat Politècnica de València.Google Scholar
  8. 8.
    García, José Miguel Contreras, María del Carmen Batanero Bernabeu, María del Mar López Martín, and Magdalena S. Carretero Rivas. 2015. Los problemas de probabilidad propuestos en las pruebas de acceso a la universidad en andalucía. Areté: Revista Digital del Doctorado en Educación de la Universidad Central de Venezuela 1 (1): 39–60.Google Scholar
  9. 9.
    Jean, Neal, Michael Xie, and Stefano Ermon. 2016. Semi-supervised deep kernel learning. In NIPS Bayesian deep learning workshop.Google Scholar
  10. 10.
    Calvo, Lourdes, and Cristina Prieto. 2016. The teaching of enhanced distillation processes using a commercial simulator and a project-based learning approach. Education for Chemical Engineers 17: 65–74.Google Scholar
  11. 11.
    Seman, Laio Oriel, Romeu Hausmann, and Eduardo Augusto Bezerra. 2018. Agent-based simulation of learning dissemination in a project-based learning context considering the human aspects. IEEE Transactions on Education, 61 (2): 101–108.Google Scholar
  12. 12.
    Calderón, Alejandro, and Mercedes Ruiz. 2014. Evaluación automática en dirección y gestión de proyectos software a través de un juego basado en simulación. Jornadas de Enseñanza Universitaria de la Informática (20es: 2014: Oviedo).Google Scholar
  13. 13.
    Huerta Palau, M. 2015. La manera de resolver problemas de probabilidad por simulación. Didáctica de la Estadística, Probabilidad y Combinatoria, 53.Google Scholar
  14. 14.
    Juan, Elena Sánchez, Peregrina Del Carmen Coll Aliaga, Damián Ginestar Peiro, and Esther Sanabria Codesal. 2017. Transformada de laplace con mathematica.Google Scholar
  15. 15.
    Ruiz Moreno, Leonsio, Patricia Camarena Gallardo, and Socorro del Rivero Jiménez. 2016. Prerrequisitos deficientes con software matemático en conceptos nuevos: transformada de laplace. Revista mexicana de investigación educativa 21 (69): 349–383.Google Scholar
  16. 16.
    Martínez-Marín, Francisco Alejandro, and Irma Adriana Cantú-Munguía. 2017. Manejo de la simulación en la enseñanza de la ingeniería. Revista Educación en Ingeniería 12 (24): 58–62.Google Scholar
  17. 17.
    Gutiérrez Rodas, Daniel Alejandro. 2016. Diseño e implementación de una herramienta de software para el análisis de confiabilidad de sistemas eléctricos de potencia basado en el método de simulación de montecarlo. B.S. thesis, Quito.Google Scholar
  18. 18.
    Osorio Angarita, María Alejandra, Augusto Suárez Parra, and Carmen Constanza Uribe Sandoval. 2013. Revisión de alternativas propuestas para mejorar el aprendizaje de la probabilidad. Revista Virtual Universidad Católica del Norte 1 (38): 127–142.Google Scholar
  19. 19.
    Vélez, Lizzette Mestey. 2015. La simulación clínica y su relación con el desarrollo de pensamiento crítico y la toma de decisiones. Revista Experiencia Docente 2 (2): 37–42.Google Scholar
  20. 20.
    Ruiz-Gómez, José Luis, José Ignacio Martín-Parra, Mónica González-Noriega, Carlos Godofredo Redondo-Figuero, and José Carlos Manuel-Palazuelos. 2018. La simulación como modelo de enseñanza en cirugía. Cirugía Española 96 (1): 12–17.Google Scholar
  21. 21.
    Estelrrich, Pedro Martín Alfredo. 2017. Enseñanza de la Otorrinolaringología en el curriculum de la carrera de Medicina de la Facultad de Ciencias Médicas de la Universidad Nacional de La Plata, utilizando la simulación clínica y el aprendizaje basado en la resolución de problemas. Ph.D. thesis, Facultad de Ciencias Médicas.Google Scholar
  22. 22.
    Pantoja, Víctor Miguel Ángel Burbano, Jesús Enrique Pinto Sosa, and Margoth Adriana Valdivieso Miranda. 2015. Formas de usar la simulación como un recurso didáctico. Revista Virtual Universidad Católica del Norte (45): 17–37.Google Scholar
  23. 23.
    Velasco, Juan, and Laura Buteler. 2017. Simulaciones computacionales en la enseñanza de la física: una revisión crítica de los últimos años. Enseñanza de las Ciencias 35 (2): 0161–0178.Google Scholar
  24. 24.
    Nuñez, J., J. Cepeda, and G. Salazar. 2015. Comparación técnica entre los programas de simulación de sistemas de potencia digsilent powerfactory y pss/e. Revista Técnica Energía (11).Google Scholar
  25. 25.
    López Fernández, Ana Gloria, Jaime Cruañas Sospedra, Adys H. Salgado Friol, Lourdes H. Lastayo Bourbón, and Carlos Manuel Pérez Yero. 2015. La enseñanza de la estadística utilizando herramientas dinámicas computacionales. Revista Habanera de Ciencias Médicas 14 (2): 218–226.Google Scholar
  26. 26.
    Flowers-Cano, Roberto S., Robert Jeffrey Flowers, and Fabián Rivera-Trejo. 2014. Evaluación de criterios de selección de modelos probabilísticos: validación con series de valores máximos simulados. Tecnología y ciencias del agua 5 (5): 189–197.Google Scholar
  27. 27.
    Hernández, Giovany Orozco, Jhon Jairo Olaya Flórez, and Elisabeth Restrepo Parra. 2014. Fundamentos de simulación de materiales por medio del método de monte carlo. Avances: Investigación en Ingeniería 11 (1): 100–110.Google Scholar
  28. 28.
    García Martínez, Tomás, José Luis Fernández Sánchez, and José Mira Mcwilliams. 2018. Simulación de monte carlo de los riesgos de proyecto para el desarrollo de software de domótica.Google Scholar
  29. 29.
    Peralta, Wilian M. 2015. El docente frente a las estrategias de enseñanza aprendizaje. Revista Vinculando.Google Scholar
  30. 30.
    Merino, José M., María E. Mathiesen, Olga Mora, Ginette Castro, and Gracia Navarro. 2014. Efectos del programa talentos en el desarrollo cognitivo y socioemocional de sus alumnos. Estudios pedagógicos (Valdivia) 40 (1): 197–214.Google Scholar
  31. 31.
    Bourguignon, Marcelo, Rodrigo B. Silva, and Gauss M. Cordeiro. 2014. The Weibull-G family of probability distributions. Journal of Data Science 12 (1): 53–68.Google Scholar
  32. 32.
    Ojeda, Cesar, and Luz Adriana Pereira. 2018. Comparación de intervalos de confianza obtenidos mediante aproximación normal y bootstrap para los parámetros de la distribución weibull. Comunicaciones en Estadística 11 (1): 63–75.Google Scholar
  33. 33.
    Chen, Chunlin, Robert C. Elliott, and Witold A. Krzymień. 2018. Empirical distribution of nearest-transmitter distance in wireless networks modeled by matérn hard core point processes. IEEE Transactions on Vehicular Technology 67 (2): 1740–1749.Google Scholar
  34. 34.
    Pérez Iglesias, Silma, Godofredo Maurenza González, Luis Nafeh Abi-Resk, and Víctor M. Romero González. 1998. Enfermedad cerebrovascular: factores de riesgo en un área de salud. Revista Cubana de Medicina General Integral 14 (2): 135–140.Google Scholar

Copyright information

© Springer Nature Switzerland AG 2019

Authors and Affiliations

  1. 1.Faculty of Mathematical and Physical SciencesUniversity of GuayaquilGuayaquilEcuador
  2. 2.Eindhoven University of TechnologyEindhovenThe Netherlands
  3. 3.University of GuayaquilGuayaquilEcuador

Personalised recommendations