Accettato per la pubblicazione su:L'insegnamento della matematica e delle scienze integrate
SOFTWARE
PER L'INSEGNAMENTO DELLA MATEMATICA:
INTRODUZIONE ALLA STATISTICA
Stefania Delucchi
Nucleo di
Ricerca Didattica MaCoSa
presso il Dipartimento di Matematica
dell'Università di Genova
via Dodecaneso, 35 - 16136
Genova
macosa@dima.unige.it
01 | Introduzione e considerazioni generali |
02-04 | Modelli statistici elementari |
05-06 | Strumenti per l'elaborazione delle informazioni |
07-09 | Indici di posizione |
10-12 | StatFile |
13 | Indici di posizione |
Riferimenti |
Introduzione
01 Questo
articolo sviluppa le considerazioni introdotte in [2] prendendo in
esame l'impiego del computer nell'insegnamento nella scuola
secondaria superiore della statistica elementare, disciplina che, pur
essendo ormai presente nei curricula del biennio, spesso viene
trascurata o affrontata alla fine, come argomento a sé, senza
sfruttarne i collegamenti con altri temi matematici.
Attraverso
alcuni esempi si cercherà di mettere in luce come il computer:
• sia
oggi uno strumento indispensabile e integrato alle attività
statistiche (senza di esso non si possono analizzare numericamente e
graficamente quantità significative di dati, e la nascita e la
forma dei nuovi concetti statistici è legata alla presenza del
computer),
• possa
essere impiegato per introdurre in modo intuitivo e/o sgravato da
aspetti calcolistici concetti e proprietà che altrimenti, per
la loro complessità, non sarebbero affrontabili,
• faciliti
o stimoli l'integrazione con altre aree matematiche.
Il
software a cui ci si riferirà in alcuni casi è il
foglio di calcolo elettronico, in altri è costituito da
Stat, StatFile o Grafun, applicazioni software
elaborate nellambito del progetto MaCoSa ( [10]).
Considerazioni generali su questo software, in particolare su Grafun,
sono presenti in [2], dove sono approfonditi anche alcuni aspetti
generali e teorici sullimpiego del calcolatore
nellinsegnamento della matematica. In altri casi verrà
proposto anche luso della calcolatrice tascabile (CT) e di
semplici programmi in Basic strutturato (sulla scelta di questo
linguaggio di programmazione: [2]).
Nell'ambito
del progetto si è scelto di non usare applicazioni statistiche
più complesse, come ad esempio Minitab, oltre che per problemi
di licenza, anche per non aggiungere difficoltà tecniche di
utilizzazione del software a quelle connesse alla comprensione dei
nuovi argomenti (ciò non esclude un loro successivo impiego
per attività più specifiche in alcuni indirizzi
scolastici). Inoltre, il "nostro"
software è stato realizzato in modo da poter gestire con
facilità sovrapposizioni e confronti di grafici non facilmente
realizzabili con Minitab.
Nel
progetto abbiamo dato molto rilievo, sin dalle prime unità
didattiche, alla statistica in quanto essa si presta molto bene ad
affrontare semplici problemi di modellizzazione mediante strumenti
matematici elementari, consentendo di mettere in luce la natura dei
modelli matematici: ruolo e fasi della matematizzazione, valutazione
dellefficacia e dei limiti dei modelli,
.
Per
esemplificazioni più estese di attività didattiche (di
matematizzazione riferite alla statistica e di integrazione tra
statistica ed altre aree) si rimanda a [7].
Per
approfondimenti tecnici si rinvia a [1], [6], [11] e [12], oltre che
a [8], che può essere utilizzato direttamente per attività
di formazione in servizio e in cui sono sviluppati alcuni degli
esempi trattati nel presente articolo assieme ad altri riferiti più
specificamente all'insegnamento della probabilità e della
statistica inferenziale, sul quale si soffermerà un successivo
articolo. Altre considerazioni ed esemplificazioni sono presenti in
[4], che documenta le prime elaborazioni del Gruppo su questi temi, e
in [5], in cui sono motivate le scelte culturali e didattiche operate
in [8].
Modelli statistici elementari
02 L'analisi di variabili statistiche qualitative può costituire un semplice approccio alla statistica. Introducendo i soli concetti elementari di distribuzione e distribuzione percentuale ed alcune rappresentazioni grafiche è possibile, partendo ad esempio dai dati della tabella-Istat riportata alla fine di 03, fare delle considerazioni su come è mutata la distribuzione delle spese degli Italiani (cioè la distribuzione della variabile "settore di spesa") dal 1926 al 1985. A tale scopo ci si può servire, in prima battuta, della CT e della carta millimetrata, successivamente di un programma (da redigere o solo da utilizzare) o di un foglio di calcolo. Le rappresentazioni che seguono la tabella sono state ottenute usando il programma Stat.
03 Attività
come questa, riferite a concetti già introdotti nella scuola
dellobbligo, se proposte allinizio del biennio,
danno lopportunità sia di valutare il livello di
ingresso della classe, sia di mediare il passaggio a una sistemazione
più formalizzata dei concetti.
Ad es.
lutilizzo di istogrammi relativi a modalità non
numeriche permette di riprendere l'uso dei grafici e
lassociazione tra numeri e punti in una situazione semplice, in
quanto riferita ad una sola retta numerica (l'asse orizzontale non è
una retta numerica). Rivedendo e sviluppando il concetto di
proporzionalità diretta si può poi
introdurre la rappresentazione grafica delle funzioni lineari.
La
realizzazione delle rappresentazioni proporzionali (calcolo delle
distribuzioni percentuali, dell'ampiezza dei settori circolari,
)
pone problemi (quante cifre considerare? perché
la somma delle frequenze percentuali
ottenute non è esattamente 100% o quella delle ampiezze dei
settori non è 360°?
)
che
introducono al calcolo numerico elementare
(approssimazioni, ordini di grandezza, cifre
significative, notazione esponenziale,
)
e consente di avviare al concetto
di numero reale.
Questo
contesto offre anche lopportunità di introdurre formule
e variabili in modo motivato (per descrivere in modo sintetico e
generale le elaborazioni numeriche da eseguire) e tale da consentire
e stimolare forme di controllo e autocorrezione sulle
manipolazioni eseguite (interpretare nella "situazione" i
risultati numerici ottenuti, confrontarli tra loro e con le relative
rappresentazioni grafiche,
),
favorendo linteriorizzazione dei concetti.
anno |
alimentari |
tabacco |
vestiario |
abitazione |
trasporti |
altro |
totale |
in milioni di lire |
|||||||
1926 |
77749 |
3226 |
17659 |
6849 |
3420 |
15302 |
124205 |
in miliardi di lire |
|||||||
1985 |
116148 |
9306 |
35756 |
45238 |
58919 |
168733 |
434100 |
04 Attività
come questa, semplici e realizzate con strumenti
elementari, consentono anche di mettere bene a fuoco il
concetto di modello matematico. Introdurre
per gli stessi dati rappresentazioni diverse (dati assoluti,
percentuali, istogrammi, diagrammi circolari, grafici in funzione del
tempo,
)
consente di mostrare vantaggi e svantaggi di ciascun modello,
evidenziando gli aspetti del problema che ognuno di essi esclude o
approssima. Il riferimento ai contesti consente di mettere in luce
l'opportunità di tener conto dei limiti dei modelli:
dall'istogramma e dalle percentuali si potrebbe dedurre che nel 1985
si spendeva in alimenti meno che nel 1926, mentre
occorre tener conto che è calata solo l'incidenza relativa di
questa voce di consumo (trasformati i dati del 26 in lire dell'85 e
utilizzando i dati relativi alla popolazione si trova che mediamente
un italiano ha speso di più anche in alimenti; infatti è
aumentata la spesa complessiva: per "sopravvivere" sono
diventati necessari nuovi beni e servizi: elettrodomestici,
trasporti, istruzione,
).
Per
un altro esempio si pensi alla introduzione dei numeri indici
per confrontare l'evoluzione della specialità del
salto in alto per gli uomini e per le donne: essi consentono di
evidenziare i maggiori progressi rispetto al 1932 verificatisi in campo
femminile, ma sembrano suggerire che le donne continuino a guadagnare
rapidamente terreno sugli uomini. L'ulteriore modellizzazione
attraverso le variazioni percentuali
ogni 4 anni (non rispetto al 1932) consente una migliore
interpretazione del fenomeno. Si vedano i grafici seguenti.
Strumenti per l'elaborazione delle informazioni
05 Come accennato in 02, lintroduzione dei primi concetti statistici può costituire un contesto significativo per lavvio allautomazione degli algoritmi, dalla riorganizzazione dei calcoli in modo da ottimizzare l'uso della calcolatrice, al come ovviare ai problemi di approssimazione che si incontrano nella costruzione degli areogrammi a settori circolari (vedi 03): l'osservazione che Stat riesce a superare questa difficoltà può motivare la messa a punto di un procedimento che, calcolando man mano la frequenza assoluta cumulata, consenta di determinare direttamente la posizione dei raggi separatori senza sommare valori approssimati, e nella successiva implementazione con la CT (usando [M+]) e con un semplice linguaggio di programmazione o un foglio di calcolo. ( [7]).
06 L'ambito
della statistica elementare, oltre a offrire contesti (calcolo di
distribuzioni, medie,
) per
l'implementazione di algoritmi semplici ma significativi dal punto di
vista informatico, consente di mettere a fuoco in modo motivato le
varie forme di introduzione degli input e le differenze
nella gestione dei dati delle diverse applicazioni (fogli
di calcolo, linguaggi generali e programmi applicativi):
• separazione/integrazione
di dati, algoritmo e uscite (celle di dati e celle di formule,
finestre di input/output e di lista, file di programma e file di
dati, istruzioni data/read, finestre di dialogo o istruzioni per
configurare uscite numeriche e grafiche, ...)
• uso
delle variabili indiciate, realizzazione dei cicli,
(indici
fisici o indici logici, riproduzione di formule o cicli-for,
rettangoli di celle o variabili indiciate, ...)
• flessibilità
e interazione con altre applicazioni, convenienza a seconda della
complessità dell'algoritmo, della quantità dei dati,
...
Ad
esempio i grafici alla fine di 04 per essere realizzati con un
foglio di calcolo richiedono (a meno che qualcuno non abbia
pre-elaborato opportune macro) la costruzione di varie righe di
formule mentre con un programma specifico, come Grafun, essi
possono essere realizzati operando con opportuni comandi direttamente
sui file di dati; inoltre le elaborazioni numeriche vengono
registrate in nuovi file, che, come i precedenti, possono essere
letti e modificati con un qualunque editor ed essere poi
rappresentati sovrapponendosi ad altre rappresentazioni grafiche (con
un foglio di calcolo occorre invece realizzare contemporaneamente le
rappresentazioni grafiche che si vogliono confrontare sullo stesso
sistema di riferimento). Più avanti si vedrà come
Grafun si interfacci con il programma statistico StatFile.
Indici di posizione
07 L'analisi
di variabili statistiche quantitative (o,
comunque, ordinabili: 09)
comporta elaborazioni statistiche più complesse in cui l'uso
del computer si dimostra decisivo per la trattazione dei dati e
didatticamente utile, in quanto consente di
concentrare l'attenzione maggiormente sugli aspetti concettuali, che
non sono affatto banali.
I ragazzi, tramite le
statistiche presentate nei giornali o alla televisione (o in libri di
geografia o altre materie), hanno già lidea intuitiva di
valore medio (identificato per lo più con la
media aritmetica) come di un numero impiegato per sintetizzare il
comportamento di un certo fenomeno, ma, in genere, non sono
consapevoli dei limiti di queste modellizzazioni, non solo
legati al fatto che esse possono essere frutto di indagini su
campioni poco rappresentativi, ma insiti nel concetto stesso di media
aritmetica (su questi ci soffermeremo in 09).
Sul concetto di media sono
diffuse anche misconcezioni. A confusioni concettuali
in ambito statistico abbiamo implicitamente accennato riferendoci
alle percentuali e ai numeri indici, altre (per le quali rimandiamo a
[7]) sono legate alla composizione di variazioni percentuali (spesso
confuse con la loro somma), all'uso dei valori medi che esprimono
rapporti tra grandezze ( ad es. la velocità media o la densità
di popolazione il cui valore su un intervallo di tempo o una regione
non è la media dei valori sui sottointervalli o le
sottoregioni), alla presenza di fattori di scala (negli
ideogrammi occorre usare scale quadratiche o cubiche) e alla lettura
degli istogrammi (su quest'aspetto ci soffermeremo in 10).
Nel caso della media
aritmetica alcune difficoltà concettuali sono legate alla sua
interpretazione come operazione su un "insieme di numeri".
L'uso di programmi come Stat, di molte CT o di un foglio di
calcolo, coi quali è facile calcolare media aritmetica e somma
di un certo numero di dati, aggiungere dati, ..., può aiutare
a percepire la media come una funzione avente come dominio
"sequenze" di lunghezza finita di numeri reali. A livello
di biennio non è significativo e sarebbe troppo complesso
definire formalmente questo dominio, ma può valere la pena far
provare, con lo strumento scelto, come inserendo come input ad
esempio (3,3,7) si ottenga un risultato diverso che inserendo (3,7),
mentre, insiemisticamente, {3,3,7} e {3,7} indicano lo stesso oggetto
matematico. Per quanto riguarda lelaborazione di dati "dotati
di frequenza", mentre non si hanno problemi ad usare Stat o una
CT, può essere utile far riflettere i ragazzi sul motivo per
cui non è possibile usare la funzione predefinita di media (o
altre funzioni statistiche predefinite) dei fogli di calcolo.
Altri
problemi sorgono quando si ha a disposizione solo una classificazione
dei dati, cioè una sequenza di intervalli con le relative
frequenze. Per valutare la media occorre, ad es., supporre che
allinterno di ciascun intervallo i dati si distribuiscano
uniformemente, in modo da potersi ricondurre al caso precedente
rappresentando ogni intervallo come dato avente come valore il centro
dell'intervallo stesso.
Non crea
particolari problemi l'uso del termine variabile per
indicare la grandezza analizzata statisticamente e l'impiego di
espressioni come "i valori della variabile ... che cadono in ...
sono ...": infatti essa viene indicata con un nome
(altezza, età, ...) a cui si possono associare vari valori,
analogamente a quanto accade in ambito "algebrico".
Tuttavia, pur gradualmente, è bene, sin dall'inizio, mettere a
fuoco le diverse caratteristiche delle variabili casuali e di quelle
deterministiche. Per un approfondimento della questione e un
confronto tra le diverse formalizzazioni del concetto di variabile
casuale, rinviamo a [8].
08 Le
attività sulle medie offrono ulteriori intrecci con altre aree
matematiche: si pensi alla messa a punto di algoritmi per
facilitare il calcolo della media aritmetica in casi di dati
particolari (ad es. dati tutti vicini a un particolare valore o dati
di segni diversi), alla loro generalizzazione e traduzione in
formule, alla verifica della equivalenza algebrica tra
queste; l'uso di Stat o di una CT dotata di tasti statistici può
consentire di congetturare o controllare sperimentalmente queste
proprietà, anche attraverso esercizi del tipo "trova
3/4/... numeri diversi la cui media sia 50".
Si tratta di attività algebriche in cui gli studenti hanno la
possibilità di controllare semanticamente (dal punto di vista
numerico e del significato contestuale delle singole manipolazioni
formali operate) il procedimento seguito. La sperimentazione
con mezzi di calcolo può condurre anche all'osservazione che
termini algebricamente equivalenti possono non essere tali dal punto
di vista del calcolo numerico.
Per un
esempio particolare, si consideri la possibilità di
interpretare come media aritmetica (a+b)/2 il centro
dell'intervallo [a, b], il cui modello matematico
"naturale" sarebbe a+(b-a)/2, e al
confronto tra i due termini: nel calcolo mentale, a seconda dei
valori di a e b, può convenire l'uno o l'altro,
dal punto di vista di un mezzo di calcolo, il primo comporta meno
operazioni ma può essere meno "preciso": se
a=6.1234566 e b=6.1234568,
utilizzando il primo termine con una CT ad 8 cifre si ottiene
6.1234565, mentre col secondo si ha 6.1234567.
Sempre a proposito di
approssimazioni, si pone il problema di quante cifre significative
considerare nella media di m dati considerati con n
cifre significative. Sebbene a questo livello non sia possibile
affrontare esaurientemente l'argomento (che potrà essere
ripreso con lintroduzione del Teorema Limite Centrale), va
tuttavia svolta qualche prima considerazione intuitiva/operativa (se
i dati sono arrotondati al posto J e sono una decina / un migliaio /
... puoi arrotondare la media, rispettivamente, al posto J-1 / J-2 /
...) e messa a fuoco la differenza tra il caso dei dati approssimati
e quello dei dati troncati (per questi occorre aggiungere mezza unità
alla media); per approfondimenti ed esempi si rinvia all'help di
Statfile.
09 Un
altro aspetto importante da mettere a fuoco è quello dei
limiti del modello "media", legati sia alla perdita di
informazioni sulla distribuzione dei dati, sia all'impossibilità
di utilizzo nel caso di variabili qualitative. Al riguardo può
essere didatticamente utile introdurre e confrontare altri
valori medi.
La
media può essere usata come indicatore di posizione
anche per una variabile non numerica solo quando abbia senso
ordinare le modalità (cioè i "valori" che la
variabile può assumere): ad esempio le regioni ordinate per
latitudine del capoluogo, qualifiche di una categoria di lavoratori,
titolo di studio. In queste situazioni si possono etichettare
ordinatamente le modalità con numeri naturali, far la media di
questi e "convenire" di considerare come "modalità
media" quella associata all'arrotondamento del numero ottenuto
( [8]).
Considerazioni
analoghe valgono per la mediana; nel caso di dati
già classificati si può assumere l'ipotesi di
uniformità come si è fatto per la media (a questa
ipotesi corrisponde l'assunzione che la frequenza cumulata sia una
funzione lineare in ciascun intervallo, per cui la mediana viene
stimata mediante un ragionamento di proporzionalità: [7]). Il calcolo della mediana offre anche agganci
"informatici" (uso e confronto di comandi e/o algoritmi di
ordinamento) e non (concetti di ordinamento e, nel triennio, ordine
di infinito, ...: [9],
scheda 8).
La moda
è una funzione più "complicata"
rispetto a media e mediana: ha come insieme di input o dati
classificati o una sequenza di dati numerici più il modo in
cui classificarli (in genere, per dati numerici, si forniscono un
intervallo [a, b] che li contenga e il numero dei sottointervalli in
cui suddividerlo), e non è univoca: ha come output una o più
modalità o intervalli (per esempi didattici ( [8]). È solo nel caso dell'analisi teorica delle variabili
casuali continue che la moda diventa un numero: è una moda
ogni massimo assoluto della funzione densità ( [7]).
Nei
prossimi paragrafi verranno approfondite le diverse potenzialità
di media, moda e mediana.
StatFile
10 Statfile
è un programma che consente di creare file di dati numerici
(classificati o da classificare) e di analizzarli statisticamente
(per dati non numerici è necessario etichettare le modalità
con dei numeri). I file sono di "lettura" trasparente e
possono essere costruiti, letti o modificati direttamente con un
semplice editor (come Edit del Dos o Blocco Note di Windows).
Nella
figura seguente è riportato che cosa si può ottenere
analizzando con Statfile i pesi (non ancora classificati in intervalli) dei ragazzi liguri rilevati alle
visite di leva per la Marina nel 1997.
Il successivo esempio mostra invece l'utilizzo di STATFILE per l'analisi di dati già classificati, in questo caso i dati relativi alletà di morte in Italia nel 1951 e nel 1990, classificati in intervalli di età diversi.
Sono riportati per gli stessi dati sia (a destra) gli istogrammi in cui le frequenze sono rappresentate dalle altezze delle colonne sia (a sinistra) quelli in cui sono rappresentate dalle loro aree (le altezze in questo caso sono le frequenze percentuali unitarie, o densità di frequenza): è utile introdurre questi ultimi sia perché il confronto tra i due tipi di rappresentazione consente di mettere a fuoco meglio il (e far emergere/superare misconcezioni sul) problema di come associare grandezze quantitative e entità geometriche ( [7]), sia perché il secondo tipo di istogrammi, oltre a rappresentare meglio l'andamento del fenomeno in esame (in quanto rappresenta proporzionalmente gli intervalli di età), consente anche di confrontare dati riferiti alla stessa variabile ma diversamente classificati e di individuare l'eventuale stabilizzarsi della forma dell'istogramma all'aumentare dei dati e del numero degli intervalli in cui classificarli; consente, in altre parole, di introdurre il concetto di funzione di densità.
11 Il
confronto tra i due file può essere ulteriormente approfondito
esaminando le caratteristiche numeriche fornite da STATFILE. In
questo caso (vedi la seconda figura di 10) sia media che
mediana danno un'idea di come, nel complesso, è aumentata
l'età di morte delle persone anche se per questo tipo di
distribuzione (non simmetrica) la mediana è un
indicatore più adeguato in quanto non è influenzata da
come si distribuiscono i dati verso gli estremi dell'intervallo.
Analoghe considerazioni possono essere fatte per quanto riguarda gli
indici di dispersione scarto quadratico medio e distanza
interquartile (differenza tra 75° e 25° percentile): il
secondo, oltre a essere spesso più rappresentativo, è
di più immediata comprensione nel suo significato statistico
(non è facile percepire la natura del legame tra entità
dello s.q.m. e dispersione dei dati).
STATFILE rappresenta i
dati anche sotto forma di box-plot, che sintetizzano in
una figura "lineare" informazioni sia sulla posizione che
sulla dispersione dei dati (il "box" rappresenta la
collocazione del 50% centrale dei dati, la tacca che lo taglia indica
la mediana, le tacche lungo i "baffi" indicano il 5° e
il 95° percentile) e si rivelano utili anche per confrontare
l'evoluzione temporale di un fenomeno. Ad es. nella precedente figura
sono riprodotti alcuni box-plot relativi all'età di morte
nell'ultimo secolo.
I percentili
possono costituire un primo strumento per affrontare problemi del
tipo "si consideri un particolare valore assunto da una
variabile e si valuti se può essere considerato normale",
problemi che, oltre a introdurre importanti sviluppi probabilistici,
possono essere riferiti a contesti reali particolarmente motivanti e
coinvolgenti per alunni in fase adolescenziale ("il mio peso è
normale?", "sono abbastanza alta?", ...).
Spesso i ragazzi cercano
risposta alle domande citate consultando tabelle e indicazioni che si
trovano su riviste o opuscoli pubblicitari e che, in genere,
proponendo le situazioni "ideali", nascondono i limiti dei
modelli utilizzati, cioè la convenzionalità dei criteri
scelti, la dispersione associata agli indicatori medi, ... e la
presenza di correlazioni con altra variabili (ad esempio tra peso e
struttura ossea, altezza e regione di provenienza, ...).
12 STATFILE
lavora con variabili casuali a uscite in R (o, meglio, in
numeri macchina a virgola mobile). Si pone dunque il problema di come
analizzare dati interi, come ad esempio quelli relativi all'esito del
lancio ripetuto di un dado o a variabili qualitative codificate
numericamente (vedi 09). In casi come questi la variabile
aleatoria ha come dominio un segmento di N. Per tracciare
l'istogramma si può allora considerare un intervallo reale che
contenga tale dominio e suddividerlo in classi centrate sui valori di
tale dominio.
Queste
considerazioni possono inserirsi in riflessioni più generali
sul concetto di numero reale, inteso come modello matematico
che consente di facilitare e/o generalizzare l'analisi dei fenomeni:
dal fatto che, anche se le misure di grandezze fisiche ci sono note
solo come decimali limitati (e se le grandezze stesse sono in realtà
discrete, e il loro rilevamento è soggetto al principio di
indeterminazione), è utile modellizzarne le relazioni mediante
formule a variabili reali, al fatto che ha senso parlare di valori
medi non interi anche nel caso di variabili casuali intere (3.5 è
la media dell'uscita di un dado) e, più in generale, di
considerare valori medi con più cifre significative dei dati
analizzati (vedi 08). Si tratta di considerazioni che
troveranno sviluppo nella formalizzazione del concetto di variabile
casuale continua, nell'impiego del generatore di numeri casuali - con
distribuzione uniforme in [0,1) - per simulare fenomeni discreti, ...
Ruolo delle rappresentazioni grafiche
13 Negli
esempi riportati si è fatto largo uso di rappresentazioni
grafiche (grafici a punti congiunti, istogrammi, areogrammi,
box-plot, ecc.) innanzitutto perché nelle pubblicazioni, nelle
professioni, ... le valutazioni statistiche sono presentate sempre
più spesso in forma grafica, ritenuta di più immediata
lettura e più facile interpretazione, anche da parte di
persone che non possiedono nozioni di statistica particolarmente
approfondite, oltre che dotata di una peculiare potenza informativa
ed espressiva (vedi [3]): insegnare statistica senza riferimenti alla
grafica sarebbe anacronistico e cognitivamente poco efficace, e non
offrirebbe agli alunni motivazioni e occasioni di riscontro/esercizio
in contesti extrascolastici.
Occorre, poi, tener conto
del fatto che spesso, ad esempio in ambito pubblicitario, ma non
solo, vengono utilizzate rappresentazioni grafiche errate o ambigue
(per ignoranza e/o al fine di indurre convinzioni non vere negli
utenti): l'educazione all'uso delle rappresentazioni grafiche è
quindi importante anche per prevenire/superare misconcezioni ed
educare all'uso critico delle informazioni.
Oltre a queste motivazioni
generali, ve ne sono altre legate più strettamente
all'apprendimento/insegnamento della matematica, come quella di
rafforzare negli studenti la capacità di associare aspetti
geometrici (forma, presenza/assenza di simmetrie, pendenza, ...)
ad aspetti numerici ed analitici, che, ovviamente, deve essere
sviluppata in modo integrato attraverso attività di geometria
analitica e delle trasformazioni.
Vi è, infine, la
motivazione più specifica, già richiamata, di avviare,
attraverso l'uso degli istogrammi di densità di frequenza e
l'analogia con il concetto di area, al concetto di funzione di
densità. La geometria, quindi, può essere un elemento
di mediazione nel passaggio dalla statistica descrittiva alla
probabilità. Su questo aspetto e su altri legami tra geometria
e statistica/probabilità (ad esempio nell'ambito dell'analisi
bivariata) e tra questa e l'analisi infinitesimale ci si
soffermerà in un successivo articolo.
Riferimenti
[1] | Byrkit D.R.: 1987, Statistics Today, Benjamin-Cummings, Menlo Park |
[2] | Capelli, L., Dapueto, C. & Greco, S.: 1999, 'Software per linsegnamento della matematica: rappresentazione grafica di funzioni ed equazioni', L'insegnamento della matematica e delle scienze integrate, vol. 22B, n. 2 |
[3] | Dapueto, C.: 1999, 'Analogical and digital artifatcts: cultural and didactical problems', Proceedings of 'Workshop on Graphic and Digital Representations in Teaching/learning Mathematics' (Genoa, 1998), Dipartimento di Matematica, Università di Genova |
[4] | Dapueto, C., Ghio, S. & Pesce, G.: 1994, 'Probabilità e Statistica nel biennio: nodi culturali e didattici da affrontare', I e II parte, L'insegnamento della matematica e delle scienze integrate |
[5] | Delucchi,S.:1995, Progettazione e sperimentazione di un corso di aggiornamento sullinsegnamento della probabilità e la statistica nella scuola secondaria superiore, Tesi di laurea, Università di Genova |
[6] | Gilchrist, W.: 1984, Statistical Modelling, John Wiley, New York |
[7] | Gruppo Didattico MaCoSa: 1997, Matematica per Conoscere e per Sapere, Schede di lavoro - Gli Oggetti Matematici, Editrice Maggi, Ceranesi |
[8] | Gruppo Didattico MaCoSa: 1997, Probabilità, Statistica ed Elaborazione automatica delle informazioni: aspetti teorici e didattici, Rapporto Tecnico, Dipartimento di Matematica dellUniversità, Genova |
[9] | Gruppo Didattico MaCoSa: 1997, Matematica e Calcolatore, Rapporto Tecnico, Dipartimento di Matematica dellUniversità, Genova |
[10] | http://www.dima.unige.it/macosa |
[11] | Rogantin, M.P.: 1996, Introduzione alla Statistica con esempi sviluppati in linguaggio Minitab, CLUT, Torino |
[12] | Ventsel E. S.: 1983, Teoria delle probabilità, Edizioni Mir |