Traducido del inglés al español - www.onlinedoctranslator.

com

Vea discusiones, estadísticas y perfiles de autor para esta publicación en:

https://www.researchgate.net/publication/232553705

Hacia una conceptualización del

conocimiento estadístico para la
enseñanza

ArtículoenRevista de Investigación en Educación Matemática · Noviembre

2007

CITAS LEE

45 61

1 autor:

Randall E. Groth
Universidad de Salisbury

38PUBLICACIONES226
CITAS

VER EL PERFIL

Disponible de: Randall E. Groth

Recuperado el: 29 Agosto 2016
Revista de Investigación en Educación Matemática
2007, vol. 38, núm. 5, 427–437

Co mentario de investigación

Hacia la Conceptualización del

Conocimiento Estadístico para la Enseñanza

Randall E. Groth
Universidad de Salisbury

El propósito de este artículo es esbozar un marco hipotético descriptivo del conocimiento estadístico para
la enseñanza. Debido a que la estadística es una disciplina por derecho propio más que una rama de las
matemáticas, es probable que el conocimiento necesario para enseñar estadística difiera del conocimiento
necesario para enseñar matemáticas. Hacer estadísticas involucra muchas actividades principalmente no
matemáticas, como construir significado para los datos al examinar el contexto y elegir diseños de estudio
apropiados para responder preguntas de interés. Aunque existen diferencias entre las matemáticas y las
estadísticas, las dos disciplinas comparten puntos en común en el sentido de que las estadísticas utilizan
las matemáticas. Esta conexión sugiere que la investigación existente sobre el conocimiento matemático
para la enseñanza puede ayudar a informar la investigación sobre el conocimiento estadístico para la
enseñanza. Propongo el uso de la investigación del proyecto Learning Mathematics for Teaching (LMT)
para ayudar a dar forma a la discusión. Concluyo identificando áreas de investigación necesarias y
sugiriendo direcciones para los esfuerzos de formación docente en estadística.

Palabras clave: Estadísticas; Educación estadística; Formación del profesorado; conocimiento del maestro

Recientemente, la naturaleza del conocimiento matemático necesario para la enseñanza ha

recibido una mayor atención de la investigación (p. ej., Ferrini-Mundy y Senk, 2006; Hill, Rowan y
Ball, 2005; Ma, 1999). Las preguntas que esta línea de investigación busca abordar incluyen:

¿Qué necesitan saber los profesores de matemáticas para poder enseñarlas? ¿Cuáles son las cuestiones y
problemas matemáticos a los que se enfrentan los docentes en su trabajo diario? ¿Qué está involucrado en
utilizandoconocimiento matemático en el contexto de la enseñanza? (Panel de estudio de matemáticas
RAND, 2003, p. 17)

Estas preguntas de investigación se basan en la premisa de que el conocimiento matemático de

los profesores influye en el aprendizaje de los estudiantes (Fennema & Franke, 1992). Partiendo de
esta premisa, un objetivo central es mapear la estructura del conocimiento necesario para
enfrentar los desafíos cotidianos de la enseñanza del contenido matemático.
Junto con el creciente interés en la estructura del conocimiento matemático para la
enseñanza, los estadísticos y los profesores de estadística han señalado importantes
diferencias entre las disciplinas de las matemáticas y la estadística (Cobb & Moore, 1997;
delMas, 2004; Gal & Garfield, 1997; Rossman, Chance, & Medina, 2006). Moore (1988)
precipitó gran parte de esta línea de discurso académico al argumentar:

La estadística no es más una rama de las matemáticas que la economía. . . . Es una disciplina
separada que hace un uso pesado y esencial de las herramientas matemáticas, pero tiene sus
orígenes, temas, preguntas fundamentales y estándares que son distintos de los de las
matemáticas. (pág. 3)

Copyright © 2007 El Consejo Nacional de Profesores de Matemáticas, Inc. www.nctm.org. Todos los derechos reservados.
Este material no se puede copiar ni distribuir electrónicamente ni en ningún otro formato sin el permiso por escrito de NCTM.
428 Conocimiento Estadístico para la Enseñanza

Moore sugirió que debido a que las matemáticas y la estadística son disciplinas distintas, el
conocimiento necesario para enseñar matemáticas difiere del necesario para enseñar estadística.
A medida que los investigadores continúan mapeando la estructura del
conocimiento de los docentes, es imperativo reconocer las diferencias entre
el conocimiento matemático para la enseñanza y el conocimiento estadístico
para la enseñanza. Toda la investigación se basa en supuestos conceptuales.
Algunas de esas suposiciones se hacen explícitas, mientras que otras
permanecen implícitas. Si no se lleva a cabo una consideración explícita de
las diferencias entre matemáticas y estadística cuando se lleva a cabo una
investigación sobre el conocimiento de los profesores de matemáticas, es
probable que se pasen por alto diferencias importantes entre el
conocimiento necesario para enseñar cada disciplina. A su vez, es probable
que se amplíe la brecha entre la estadística escolar y la disciplina real de la
estadística debido a la suposición errónea implícita de que la estadística es
una rama de las matemáticas.
Si bien uno de los objetivos de este artículo es hacer explícitas las diferencias entre el
conocimiento estadístico y el matemático para la enseñanza, se debe reconocer que es probable
que los dos tipos de conocimiento del contenido compartan algunas similitudes estructurales
porque la estadística utiliza las matemáticas. Esta relación entre las disciplinas sugiere que la
investigación actual sobre la estructura del conocimiento matemático para la enseñanza podría
proporcionar un punto de partida viable para examinar el conocimiento estadístico para la
enseñanza. Por lo tanto, en este comentario, me baso en aspectos del conocimiento matemático
para la enseñanza sugeridos por el proyecto Learning Mathematics for Teaching (LMT) (Hill & Ball,
2004; Hill et al., 2005; Hill, Schilling, & Ball, 2004) para ayudar a dar forma a la discusión del
conocimiento estadístico para la enseñanza.

ASPECTOS DEL CONOCIMIENTO MATEMÁTICO PARA LA ENSEÑANZA

colina et al. (2004) describieron dos tipos de conocimiento del contenido dentro del conocimiento
matemático para la enseñanza: el conocimiento común del contenido y el conocimiento especializado del
contenido.Conocimiento comúnse relaciona con las competencias desarrolladas en los cursos de
matemáticas convencionales, como calcular con precisión, hacer enunciados matemáticos correctos y
resolver problemas.Conocimiento especializadose desarrolla atendiendo cuidadosamente a los problemas
y dilemas matemáticos que surgen en los contextos de enseñanza. Se relaciona con tareas tales como
proporcionar explicaciones comprensibles, evaluar los métodos no convencionales de los estudiantes para
resolver problemas y construir y evaluar múltiples representaciones de conceptos. Si bien es probable que
los matemáticos estén familiarizados con los elementos de conocimiento común que se dan en una
prueba, "pueden sorprenderse, ralentizarse o incluso detenerse con los elementos de matemáticas como
se usan en la enseñanza" (Hill et al., 2004, p. 16 ).

ASPECTOS HIPOTETIZADOS DEL

CONOCIMIENTO ESTADÍSTICO PARA LA ENSEÑANZA

Para caracterizar la tarea de enseñar estadística y comenzar a diferenciarla de la enseñanza de

matemáticas, utilizo el marco para la resolución de problemas estadísticos dado en
Randall E. Groth 429

losDirectrices para la Evaluación y la Instrucción en Educación Estadística(gaise) Informe(

Franklin et al., 2007). El marco GAISE identifica cuatro componentes de la investigación
estadística: (a) formulación de preguntas, (b) recopilación de datos, (c) análisis de datos e (d)
interpretación de resultados. Propongo hipótesis sobre algunos de los conocimientos
comunes y especializados que los docentes necesitan para apoyar el aprendizaje de los
estudiantes en relación con cada uno de los componentes del marco GAISE y, en el proceso,
distingo entre conocimientos matemáticos y no matemáticos para la enseñanza de la
estadística. Frecuentemente uso el calificativoante todocuando se discuten los tipos de
conocimiento matemático y no matemático porque muchas actividades estadísticas
involucran la combinación de los dos tipos de conocimiento en lugar de compartimentarlos.
La Figura 1 esboza una estructura hipotética del conocimiento estadístico para la
enseñanza, y la Tabla 1 resume algunos de los puntos principales de la siguiente exposición.

Componente 1: Formulación de preguntas

Aunque la formulación de preguntas figura como el primer componente en el marco GAISE, las
preguntas e hipótesis pueden surgir en cualquier punto de una investigación estadística. Por
ejemplo, a veces los datos sugieren preguntas que se apartan del enfoque original de una
investigación (Wild & Pfannkuch, 1999). Para derivar preguntas coherentes a partir de los datos, se
debe tener conocimientos matemáticos comunes para respaldar la lectura precisa de los datos
presentados en una variedad de formas diferentes, como diagramas de tallo y hojas, diagramas de
puntos, diagramas de caja y diagramas de dispersión. Leer un gráfico es una actividad
principalmente matemática en la etapa de "leer los datos" que ocurre antes de "leer entre" o "leer
más allá" de los datos (Curcio, 1987). además de tener

Estadístico
Conocimiento para
Enseñando

Incluye Incluye

Ambos deben ser

Común Especializado
activado para muchos
Conocimiento Conocimiento
actividades pedagógicas

Ambos deben ser

Matemático activado para muchos no matemático

actividades estadísticas

Figura 1.Estructura hipotética del conocimiento estadístico para la enseñanza.

430 Conocimiento Estadístico para la Enseñanza

tabla 1
Aspectos hipotéticos del conocimiento estadístico para la enseñanza
gaise Ejemplos de tareas Ejemplos de tareas
marco de referencia Conocimiento requiriendo principalmente requiriendo principalmente
componente escribe conocimiento matemático conocimiento no matemático
formulando Común Leer con precisión un diagrama Comprender la diferencia entre
preguntas de caja para formular preguntas una pregunta determinista y
a partir de los datos. una estocástica
Especializado Comprender las diferencias entre Evaluación de la fecundidad potencial
cómo los estudiantes leen diagramas de las preguntas estadísticas
de caja y diagramas de puntos planteadas por los estudiantes

coleccionismo Común Construyendo con precisión Construcción de encuesta

datos algoritmos de simulación y preguntas y diseño de
cantidades de medición experimentos
correctamente

Especializado Comprender las estrategias de los Anticipando a los estudiantes

estudiantes para la medición e
identificar las dificultades que
puedan tener los estudiantes
construcción de algoritmos de
simulación
analizando Común Cálculo de estadísticas
datos descriptivas como la media,
la mediana y la moda
Dificultades para distinguir las
funciones y propósitos del
muestreo aleatorio de los del
muestreo aleatorio.
asignación
Navegación por “valor
típico” y “señal en ruido”
contextos estadísticos

Especializado Identificar las propiedades Darse cuenta de que los estudiantes

matemáticas de la pueden calcular la aritmética
significa que puede ser significa para un conjunto de datos sin
difícil para los estudiantes tener en cuenta el contexto de los
para comprender datos

Interpretación Común Interpretar correctamente Juzgar la idoneidad de un

resultados el significado matemático del nivel de significancia
concepto depagsvalor elegido por un investigador

Especializado Comprender las interpretaciones Anticipar la generalización excesiva del

de los estudiantes sobre los término por parte de los estudiantes
concepto depagsvalor significativo

el conocimiento común que permite leer gráficos estadísticos con precisión, los maestros pueden
beneficiarse del conocimiento matemático especializado de cómo los estudiantes decodifican tales
visualizaciones de datos. Por ejemplo, los diagramas de caja plantean dificultades para muchos
estudiantes porque ocultan los valores de los datos, mientras que los diagramas de puntos y los
diagramas de tallo y hojas muestran valores de datos individuales (Zawojewski & Shaughnessy, 2000). Los
maestros que tienen este conocimiento matemático especializado pueden entender por qué algunos
estudiantes pueden plantear preguntas coherentes sobre dos poblaciones cuando sus datos se muestran
en diagramas de puntos, pero no cuando se muestran en diagramas de caja uno al lado del otro.
La formulación de preguntas estadísticas también requiere algún conocimiento que es
principalmente no matemático. Un aspecto importante del conocimiento estadístico común
es comprender que las preguntas estadísticas anticipan respuestas basadas en datos que
varían (Franklin et al., 2007). En la comunidad matemática, es una práctica ordinaria
Randall E. Groth 431

plantear una pregunta con la intención de producir una prueba que contenga una respuesta
decisiva a la pregunta. En la comunidad estadística, sin embargo, es una práctica común plantear
una pregunta y luego reunir evidencia para formar conclusiones condicionales. Esta diferencia
entre preguntas estadísticas y matemáticas puede eludir a los profesores, ya que pueden esperar
respuestas deterministas a preguntas de naturaleza estocástica (Groth & Bergner, 2007). La
investigación también sugiere conocimientos no matemáticos principalmente especializados útiles
para enseñar la formulación de preguntas estadísticas. Por ejemplo, en situaciones de aula, la
investigación ha demostrado que los estudiantes pueden comenzar el proceso de formulación de
preguntas estadísticas formulando preguntas que son demasiado generales y no especifican
variables medibles (Konold & Higgins, 2003). Los estudiantes también pueden no comprender de
inmediato cómo la elección de la pregunta influye en todas las demás fases de una investigación
estadística (Heaton y Mickelson, 2002). Por lo tanto, un aspecto importante de la base de
conocimientos especializados es el conocimiento que permite a los profesores evaluar la utilidad
potencial de las preguntas estadísticas planteadas por los estudiantes.

Componente 2: Recopilación de datos

La recopilación de datos para el análisis a menudo requiere un grado de conocimiento

común que es principalmente matemático. La medición precisa de cantidades es vital para
muchos estudios, como cuando se comparan las alturas de dos poblaciones de individuos.
La construcción de algoritmos correctos para llevar a cabo simulaciones de probabilidad es
importante para situaciones en las que no se realizarán mediciones directas, sino que se
simulará la recopilación de datos. Estos dos aspectos del conocimiento común —medir
cantidades y construir algoritmos de simulación— sugieren dos áreas correspondientes de
conocimiento matemático especializado. Hay una rica base de literatura que describe la
comprensión de los estudiantes sobre la medición de varios tipos de cantidades, como
longitud, área y volumen (Owens & Outhred, 2006). También hay una base de literatura
emergente sobre la construcción de algoritmos de simulación de probabilidad por parte de
los estudiantes (Zimmerman & Jones, 2002). Por ejemplo, un conocimiento especializado
potencialmente útil es que los estudiantes a veces no reconocen cuando sus algoritmos de
simulación tergiversan el espacio muestral de una situación. Cuando se les pide que
construyan simulaciones que involucren eventos compuestos, los estudiantes pueden
modelar eventos simples relacionados (Zimmerman, 2006).
El proceso de recopilación de datos también requiere conocimientos no matemáticos. La
recopilación de datos implica muchas actividades principalmente no matemáticas, como
diseñar preguntas para encuestas, imponer controles de calidad a los experimentos y
decidir qué tipo de diseño de estudio se ajusta mejor a la pregunta de investigación en
cuestión. Estas actividades se discuten con frecuencia en los cursos de introducción a la
estadística con la intención de ayudar a los estudiantes a desarrollar conocimientos
comunes relacionados con la recopilación de datos de manera que brinden credibilidad a
los estudios. Sin embargo, los cursos de introducción a la estadística no suelen tratar con
conocimientos especializados para la enseñanza de la recopilación de datos. Por ejemplo, a
los profesores les puede resultar útil saber que a los estudiantes no siempre les preocupa si
los datos que recopilan con una encuesta representan con precisión a la población en
general (Groth, 2003).
432 Conocimiento Estadístico para la Enseñanza

2000). Decidir entre los dos depende de las actividades principalmente no

matemáticas de evaluar el propósito y el contexto de un estudio.

Componente 3: Análisis de datos

Un tipo de conocimiento matemático común frecuentemente asociado con el análisis de datos

es el cálculo de estadísticas descriptivas, como la media, la mediana y la moda. Aunque estos
involucran actividades aparentemente simples, la investigación ha demostrado que los maestros
pueden carecer del conocimiento común necesario para hacer afirmaciones matemáticas
correctas sobre los algoritmos utilizados para calcular cada estadística (Groth & Bergner, 2006).
Los estudios sobre la cognición de los estudiantes sobre la media sugieren aspectos del
conocimiento matemático especializado que pueden ser útiles en la tarea de enseñar. Strauss y
Bichler (1988), por ejemplo, describieron las concepciones de los estudiantes relacionadas con
siete propiedades matemáticas de la media aritmética. Los estudiantes en su estudio tuvieron
dificultad para entender que cuando se calcula la media, también se deben sumar los valores cero,
y también que la suma de las desviaciones de la media aritmética es cero. En otro estudio, Cai
(2000) encontró que los estudiantes que entendían cómo usar el simbolismo algebraico para
representar su pensamiento tenían más éxito con problemas que requerían la ejecución inversa
del algoritmo para la media aritmética (es decir, problemas donde el promedio y todos los valores
pero se da uno en un conjunto de datos, y la tarea es determinar el valor desconocido).

El análisis de datos requiere conocimientos tanto contextuales como matemáticos, por lo que parte del conocimiento común relacionado con este componente del

marco GAISE es principalmente no matemático. Por ejemplo, mientras que calcular la media aritmética es un aspecto del conocimiento matemático común, conocer la gama

de contextos del mundo real en los que puede ser útil pertenece al dominio del conocimiento común que es principalmente no matemático. Konold y Pollatsek (2002) dieron

varios ejemplos de tales contextos, incluida la determinación del valor típico de un conjunto de datos y la búsqueda de una "señal en el ruido" (p. ej., usar la media aritmética

para estimar el peso de un objeto cuando las mediciones repetidas producen valores ligeramente diferentes). resultados). La investigación sugiere aspectos

correspondientes del conocimiento especializado relacionado con conocer la variedad de contextos del mundo real a los que puede aplicarse la media aritmética. Mokros y

Russell (1995) encontraron que los estudiantes de secundaria pueden entender la media solo como un algoritmo y no entender que representa una medida de valor típico

en varias situaciones. Groth (2005) descubrió que algunos estudiantes de secundaria usan automáticamente la media para analizar datos en problemas de valor típico y

señal en ruido, incluso cuando el contexto y los datos sugieren que no es una estadística útil. Estos estudios indican que los estudiantes deben ser alentados a hacer el "ida y

vuelta entre el pensamiento en la esfera del contexto y la esfera estadística" (Wild & Pfannkuch, 1999, p. 228) que debe ocurrir continuamente a medida que se analizan los

datos. Mokros y Russell (1995) encontraron que los estudiantes de secundaria pueden entender la media solo como un algoritmo y no entender que representa una medida

de valor típico en varias situaciones. Groth (2005) descubrió que algunos estudiantes de secundaria usan automáticamente la media para analizar datos en problemas de

valor típico y señal en ruido, incluso cuando el contexto y los datos sugieren que no es una estadística útil. Estos estudios indican que los estudiantes deben ser alentados a

hacer el "ida y vuelta entre el pensamiento en la esfera del contexto y la esfera estadística" (Wild & Pfannkuch, 1999, p. 228) que debe ocurrir continuamente a medida que

se analizan los datos. Mokros y Russell (1995) encontraron que los estudiantes de secundaria pueden entender la media solo como un algoritmo y no entender que

representa una medida de valor típico en varias situaciones. Groth (2005) descubrió que algunos estudiantes de secundaria usan automáticamente la media para analizar

datos en problemas de valor típico y señal en ruido, incluso cuando el contexto y los datos sugieren que no es una estadística útil. Estos estudios indican que los estudiantes

deben ser alentados a hacer el "ida y vuelta entre el pensamiento en la esfera del contexto y la esfera estadística" (Wild & Pfannkuch, 1999, p. 228) que debe ocurrir

continuamente a medida que se analizan los datos. Groth (2005) descubrió que algunos estudiantes de secundaria usan automáticamente la media para analizar datos en problemas de valor típico y señ

Componente 4: Interpretación de los Resultados

Se pueden utilizar varias competencias matemáticas para interpretar los resultados de un

estudio. En la presente discusión, me centro en el conocimiento asociado con la interpretación
Randall E. Groth 433

pagsvalores, que se calculan con frecuencia en los estudios estadísticos. El concepto depagsEl valor, que
solía pertenecer exclusivamente a los planes de estudios universitarios, ha encontrado recientemente su
camino a los planes de estudio de la escuela secundaria a través del Examen de Estadística de Colocación
Avanzada (AP) (College Board, 2006). Se necesita algún conocimiento común de la probabilidad para
interpretar correctamente el significado matemático depagsvalor, específicamente que “siempre es la
probabilidad de observar un resultado al menos tan extremo como el resultado que realmente
obtuvimos” (Moore, 1997, p. 239) cuando la hipótesis nula es verdadera. Por otro lado, se necesita
conocimiento especializado para anticipar e interpretar las interpretaciones de los estudiantes depags
valores. Los estudiantes a menudo creen que elpagsEl valor da la probabilidad de que la hipótesis nula sea
verdadera o la probabilidad de que sea falsa (Garfield & Ben-Zvi, en prensa). Los maestros deben saber
que tales malas interpretaciones de los conceptos de probabilidad pueden ser muy persistentes y difíciles
de eliminar (Shaughnessy, 1992).
También hay aspectos principalmente no matemáticos en la
interpretación.pagsvalores y pruebas de hipótesis que sugieran ejemplos
tanto de conocimiento común como especializado. Por ejemplo, interpretar
la idoneidad de un nivel de significación que un investigador ha elegido para
una prueba de hipótesis es principalmente un problema no matemático
porque se debe tener en cuenta el contexto para juzgar la razonabilidad de
la elección. Un aspecto importante del conocimiento común es reconocer
que uno no ha terminado de interpretar un estudio tan pronto como sabe
que se estableció y logró un nivel de significancia de .05 (Rossman & Chance,
1999). Los estudiantes no siempre captan la importancia de mirar hacia atrás
al contexto para interpretar los resultados de los estudios que involucran
pruebas de hipótesis. En cambio, pueden hablar de significado estadístico y
significado práctico como conceptos equivalentes (Garfield & Ben-Zvi, en
prensa).

RESUMEN

Los ejemplos que he proporcionado hasta este punto del conocimiento estadístico para la
enseñanza no son de ninguna manera exhaustivos. La intención principal de la discusión anterior
fue catalizar más pensamiento, debate e investigación al establecer un marco descriptivo
hipotético para el conocimiento de los docentes para la enseñanza de la estadística. Así como una
trayectoria de aprendizaje hipotética para guiar la instrucción debería cambiar en respuesta a las
observaciones en el aula (Simon, 1995), espero que el marco hipotético que he descrito se añada y
se modifique a medida que se compara con los datos empíricos. No obstante, creo que la
discusión puede ayudar a guiar la investigación del conocimiento estadístico para la enseñanza a
lo largo de un camino que reconozca la estadística y las matemáticas como disciplinas distintas
pero que reconozca el papel que las matemáticas juegan en la práctica estadística.

DESARROLLO DEL CONOCIMIENTO ESTADÍSTICO PARA LA ENSEÑANZA

Por decir lo menos, hay una enorme cantidad de trabajo por realizar en la construcción de programas
que sean efectivos para ayudar a los maestros a desarrollar conocimientos para la enseñanza.
434 Conocimiento Estadístico para la Enseñanza

Estadísticas. De todas las materias que normalmente se les pide a los profesores de matemáticas
que enseñen, su conocimiento suele ser más débil en el área de estadística (Conference Board of
the Mathematical Sciences, 2001). Los maestros exhiben algunas de las mismas dificultades
cognitivas que los estudiantes jóvenes para comprender conceptos como medidas de centro
(Groth & Bergner, 2006) y muestras estadísticas (Groth & Bergner, 2005). Exigir a los profesores
que tomen más cursos de estadística estructurados matemáticamente no parece ser la respuesta,
porque tales cursos no resaltan los aspectos no matemáticos del conocimiento estadístico común
(Cobb y Moore, 1997). Incluso los cursos estructurados en torno a la investigación de datos no son
del todo adecuados, porque pueden no atender explícitamente al conocimiento especializado para
la enseñanza. Así como los maestros necesitannuevos tiposde los cursos de matemáticas en lugar
de sólomáscursos (Kilpatrick, Swafford y Findell, 2001), necesitannuevos tiposde cursos de
estadística que ayuden a desarrollar conocimientos matemáticos y no matemáticos comunes y
especializados.
Un enfoque que se ha utilizado para desarrollar simultáneamente varios aspectos del
conocimiento de los docentes para la enseñanza es utilizar artefactos de la práctica docente
como materiales de formación docente. Dichos artefactos incluyen muestras de trabajo de
estudiantes, planes de lecciones de maestros, videoclips de lecciones y casos escritos de
enseñanza (Lampert & Ball, 1998). En un estudio (Groth, 2006), los profesores en formación
que discutieron un caso que describía los conceptos erróneos de representatividad de los
estudiantes (Kahneman y Tversky, 1972) sobre la relación entre el tamaño de la muestra, la
probabilidad y la variación fueron capaces de construir su propio conocimiento de la
relación mientras también aprender sobre el pensamiento de los estudiantes. En otro
estudio (Confrey & Makar, 2001), un grupo de docentes desarrolló una comprensión más
profunda de la inferencia formal mientras examinaba el desempeño de los estudiantes en
una prueba estandarizada.no necesitadividirse en experiencias de aprendizaje o cursos
separados. Aquellos que adoptan una perspectiva de cognición situada (Putnam y Borko,
2000) podrían ir más lejos y decir que la compartimentaciónno deberíaocurren porque el
aprendizaje de los maestros debe basarse en situaciones que realmente surgen en el
contexto de la enseñanza.
Si se acepta la noción de que las experiencias de aprendizaje para los profesores de estadística deben
entrelazar el desarrollo de conocimientos matemáticos y no matemáticos comunes y especializados
centrándose en las tareas que surgen dentro de los contextos de enseñanza, entonces se necesita una
gran cantidad de investigación y desarrollo para transformar esa visión en realidad. En primer lugar, la
base de investigación sobre conocimientos especializados para la enseñanza de la estadística debe seguir
creciendo. Mientras que la base de conocimiento común para las estadísticas ha ido creciendo durante
más de tres siglos (Stigler, 1986), la base de conocimiento especializado se ha estudiado sistemáticamente
durante sólo unas pocas décadas. Las revistas dedicadas a la investigación en educación matemática
aparecieron solo en la última mitad del siglo XX, y las revistas dedicadas a la investigación en educación
estadística solo en las últimas 2 décadas (por ejemplo,Revista de investigación de educación estadísticay
Revista de Educación Estadística). Sin embargo, aumentar la base de conocimientos especializados no es
suficiente. La base de conocimientos especializados debe organizarse de manera que permita a los
docentes acceder a ella. Con este fin, los marcos para describir la cognición estadística de los estudiantes
(Jones, Langrall, Mooney y Thornton, 2004) deberían continuar desarrollándose, ya que
Randall E. Groth 435

un mapa organizado del pensamiento de los estudiantes ha sido un aspecto clave del
desarrollo profesional basado en la práctica que impulsa a los maestros hacia la reforma
(Carpenter, Fennema, Peterson, Chiang y Loef, 1989). Además, los artefactos de la práctica
deben organizarse en currículos integrales de formación docente que atiendan
sistemáticamente tanto al conocimiento común como al especializado (Smith, 2001). El
proceso de hacer crecer la base de conocimientos especializados, organizarlos y diseñar
secuencias curriculares integrales que entrelacen conocimientos comunes y especializados
podría beneficiarse de una colaboración enfocada y prolongada entre estadísticos,
educadores en estadística, educadores de matemáticas, matemáticos y otros encargados de
la tarea de formación docente. en estadísticas.

CONCLUSIÓN

La enseñanza de las matemáticas a veces ha sufrido de una separación artificial entre las
matemáticas escolares y las matemáticas como disciplina. De manera similar, la enseñanza de la
estadística escolar a veces se ha separado artificialmente de la disciplina de la estadística. Parte de
la separación entre la estadística escolar y la disciplina de la estadística, sin embargo, tiene una
causa única: la suposición errónea de que la estadística es una rama de las matemáticas. Al
examinar y desarrollar el conocimiento del contenido de los profesores, debemos tener cuidado de
no hacer suposiciones similares. Si los investigadores no reconocen explícitamente tanto las
similitudes como las diferencias entre el conocimiento estadístico y matemático para la enseñanza,
entonces es probable que las intervenciones de formación docente que tienen su base en la
investigación ayuden a ampliar la brecha entre las estadísticas escolares y la disciplina de las
estadísticas en lugar de cerrarla. Espero que este comentario proporcione una idea de los temas
críticos que se deben atender al investigar y desarrollar el conocimiento estadístico de los
docentes para la enseñanza y, por lo tanto, en última instancia, contribuir a cerrar la brecha entre
la disciplina de la estadística y la estadística realizada en el aula.

REFERENCIAS

Cai, J. (2000). Comprender y representar el algoritmo de promediación aritmética: un análisis y

comparación de las respuestas de estudiantes estadounidenses y chinos.Revista Internacional de Educación Matemática
en Ciencia y Tecnología, 31, 839–855.
Carpenter, TP, Fennema, E., Peterson, PL, Chiang, CP y Loef, M. (1989). Usando el conocimiento de
el pensamiento matemático de los niños en la enseñanza en el aula: un estudio experimental.Revista de investigación
educativa estadounidense, 26, 499–532.
Cobb, GW y Moore, DS (1997). Matemáticas, estadística y enseñanza.matemático americano
Mensual, 104, 801–823.
Consejo de Educación Superior. (2006).Descripción del curso de Estadística AP. Recuperado el 13 de abril de 2007, de www.college-
tablero.com.
Conferencia de la Junta de Ciencias Matemáticas. (2001).La formación matemática de los profesores.
(Problemas en Educación Matemática, Vol. 11). Providence, RI y Washington, DC: Sociedad Matemática
Estadounidense y Asociación Matemática de América.
Confrey, J. y Makar, K. (2001, agosto).Indagación de datos de profesores de secundaria. Trabajo presentado en el
Segundo Foro Internacional de Investigación sobre Razonamiento, Pensamiento y Alfabetización Estadística. Armidale,
Australia: Universidad de Nueva Inglaterra.

Curcio, FR (1987). Comprensión de relaciones matemáticas expresadas en gráficos.Diario para

Investigación en Educación Matemática, 18, 382–393.
436 Conocimiento Estadístico para la Enseñanza

DelMas, RC (2004). Una comparación de razonamiento matemático y estadístico. En D. Ben-Zvi & J.

Garfield (Eds.),El desafío de desarrollar la alfabetización estadística, el razonamiento y el pensamiento(págs. 79–95).
Dordrecht: Kluwer.

Derry, SJ, Levin, JR, Osana, HP, Jones, MS y Peterson, M. (2000). Fomentar la estadística de los estudiantes
Pensamiento ético y científico: Lecciones aprendidas de un curso universitario innovador.Revista de investigación
educativa estadounidense, 37, 747–773.
Fennema, E. y Franke, ML (1992). El conocimiento de los profesores y su impacto. En DA Groups (Ed.),
manual de investigación sobre la enseñanza y el aprendizaje de las matemáticas(págs. 147–164). Nueva York: Macmillan.
Ferrini-Mundy, J., & Senk, SL (2006, abril).Conocimientos de álgebra para la enseñanza: Marco, ítem
desarrollo y resultados piloto. Trabajo presentado en la Presesión de Investigación de la Reunión Anual
del Consejo Nacional de Profesores de Matemáticas, St. Louis.
Franklin, C., Kader, G., Mewborn, D., Moreno, J., Peck, R., Perry, M. y Scheaffer, R. (2007).
Informe de las Directrices para la evaluación e instrucción en educación estadística (GAISE): un marco curricular
de prekínder a 12.º grado.Alexandria, VA: Asociación Estadounidense de Estadística. (También disponible en
http://www.amstat.org/)
Gal, I. y Garfield, J. (1997). Metas curriculares y desafíos evaluativos en la enseñanza de la estadística. en yo
Gal y J. Garfield (Eds.),El reto de la evaluación en la educación estadística(págs. 1–14). Ámsterdam: IOS
Press.
Garfield, JG y Ben-Zvi, D. (en prensa).Desarrollando el razonamiento estadístico de los estudiantes: Conectando
investigacion y practica docente. Emeryville, CA: Publicación universitaria clave.
Groth, RE (2003). Los niveles de pensamiento de los estudiantes de secundaria con respecto al diseño de estudios estadísticos.
Revista de investigación de educación matemática, 15, 252–269.
Groth, RE (2005). Una investigación del pensamiento estadístico en dos contextos diferentes: Detectar una señal
en un proceso ruidoso y determinando un valor típico.Revista de comportamiento matemático, 24, 109–124.
Groth, RE (2006). Análisis de una discusión de caso en línea sobre la enseñanza de la estocástica.Matemáticas
Formación y desarrollo docente, 7, 53–71.
Groth, RE y Bergner, JA (2005). Las metáforas de los maestros de escuela primaria en servicio para el concepto
de muestra estadística.Revista de investigación en educación estadística, 4(2), 27–42.

Groth, RE y Bergner, JA (2006). Conocimientos conceptuales y procedimentales de los futuros maestros de primaria.
borde de la media, la mediana y la moda.Pensamiento y aprendizaje matemático, 8, 37–63.
Groth, RE y Bergner, JA (2007). Perspectivas de los profesores sobre la investigación en educación matemática
informes.Enseñanza y formación del profesorado, 23,809–825.
Heaton, RM y Mickelson, WT (2002). El aprendizaje y la enseñanza de la investigación estadística en
la enseñanza y la formación del profesorado.Revista de Formación de Profesores de Matemáticas, 5, 35–59.

Hill, HC y Ball, DL (2004). Aprendiendo matemáticas para la enseñanza: resultados de las matemáticas de California
Institutos de desarrollo profesional en matemáticas.Revista de Investigación en Educación Matemática, 35, 330–
351.
Hill, HC, Rowan, B. y Ball, DL (2005). Efectos del conocimiento matemático de los docentes para la enseñanza
sobre el rendimiento de los estudiantes.Revista de investigación educativa estadounidense, 42, 371–406.

Hill, HC, Schilling, SG y Ball, DL (2004). Desarrollar medidas del conocimiento matemático de los maestros
borde para la enseñanza.diario de la escuela primaria,105,11–30.
Jones, GA, Langrall, CW, Mooney, ES y Thornton, CA (2004). Modelos de desarrollo en estadística
razonamiento tico. En D. Ben-Zvi y J. Garfield (Eds.),El desafío de desarrollar la alfabetización estadística, el
razonamiento y el pensamiento(págs. 97–117). Dordrecht: Kluwer.
Kahneman, D. y Tversky, A. (1972). Probabilidad subjetiva: Un juicio de representatividad.
Psicología Cognitiva, 3, 430–454.
Kilpatrick, J., Swafford, J. y Findell, B. (Eds.). (2001).Sumar: ayudar a los niños a aprender matemáticas
matices. Washington, DC: Prensa de la Academia Nacional.
Konold, C. y Higgins, TL (2003). Razonamiento sobre datos. En J. Kilpatrick, WG Martin y D. Schifter
(Editor),Un compañero de investigación de Principios y estándares para las matemáticas escolares(págs. 193–
215). Reston, VA: Consejo Nacional de Profesores de Matemáticas.
Konold, C. y Pollatsek, A. (2002). El análisis de datos como búsqueda de señales en procesos ruidosos.diario
de Investigación en Educación Matemática, 33, 259–289.
Randall E. Groth 437

Lampert, M. y Ball, DL (1998).Enseñanza, multimedia y matemáticas: investigaciones de la práctica real.

ticioNueva York: Teachers College Press.
Ma, L. (1999).Saber y enseñar matemáticas elementales. Mahwah, Nueva Jersey: Erlbaum.
Mokros, J. y Russell, SJ (1995). Conceptos infantiles de promedio y representatividad.Diario para
Investigación en Educación Matemática, 26, 20–39.
Moore, DS (1988). ¿Deberían los matemáticos enseñar estadística?Diario universitario de matemáticas, 19, 3–7.
Moore, DS (1997).La práctica activa de la estadística. Nueva York: Freeman.
Owens, K. y Outhred, L. (2006). La complejidad del aprendizaje de la geometría y la medida. En un.
Gutiérrez & P. Boero (Eds.),manual de investigación sobre la psicología de la educación matemática(págs. 83–
115). Róterdam: Sense Publishers.
Putnam, RT y Borko, H. (2000). ¿Qué tienen que decir las nuevas visiones del conocimiento y el pensamiento sobre
investigación sobre el aprendizaje de los profesores?Investigador Educativo, 29(1), 4–15.

Panel de estudio de matemáticas RAND. (2003).Competencia matemática para todos los estudiantes: Hacia una estrategia
programa de investigacion y desarrollo en educacion matematica. Santa Mónica, CA: RAND.
Rossman, AJ y Chance, BL (1999). Enseñar el razonamiento de la inferencia estadística: un “top ten”
lista.Revista universitaria de matemáticas, 30, 297–305.

Rossman, A., Chance, B. y Medina, E. (2006). Algunas comparaciones importantes entre estadísticas y
matemáticas y por qué los profesores deberían preocuparse. En GF Burrill y PC Elliot (Eds.),Pensar y
razonar con datos y azar(Sexagésimo octavo anuario anual del Consejo Nacional de Profesores de
Matemáticas, pp. 323–333). Reston, Virginia: NCTM.
Shaughnessy, JM (1992). Investigación en probabilidad y estadística: Reflexiones y direcciones. en AD
Crece (Ed.),manual de investigación sobre la enseñanza y el aprendizaje de las matemáticas(págs. 465–494). Reston, VA:
Consejo Nacional de Profesores de Matemáticas.

Simón, M. (1995). Reconstruyendo la pedagogía matemática desde una perspectiva constructivista.Diario para
Investigación en Educación Matemática, 26, 114–145.
Smith, MS (2001).Desarrollo profesional basado en la práctica para profesores de matemáticas. Reston, VA:
Consejo Nacional de Profesores de Matemáticas.
Strauss, S. y Bichler, E. (1988). El desarrollo de los conceptos infantiles de la media aritmética.
Revista de Investigación en Educación Matemática, 19, 64–80.
Stigler, SM (1986).La historia de la estadística: la medida de la incertidumbre antes de 1900. cambridge,
MA: Prensa de la Universidad de Harvard.

Wild, CJ y Pfannkuch, M. (1999). El pensamiento estadístico en la investigación empírica.Estadística Internacional

Reseña, 67, 223–265.
Zawojewski, JS y Shaughnessy, JS (2000). Datos y azar. En EA Silver y PA Kenney (Eds.),
Resultados de la séptima evaluación de matemáticas de la Evaluación Nacional del Progreso Educativo (págs.
235–268). Reston, VA: Consejo Nacional de Profesores de Matemáticas.
Zimmermann, G. (2006). Simulación de probabilidad: lo que un experimento de enseñanza reveló sobre el estudiante
razonamiento y creencias. En L. Van Zoest (Ed.),Docentes comprometidos con la investigación: Indagación en las aulas de
matemáticas, grados 9-12(págs. 19–37). Reston, VA: Consejo Nacional de Profesores de Matemáticas.
Zimmerman, G. y Jones, G. (2002). Simulación de probabilidad: ¿Qué significado tiene para alta
estudiantes de la escuela?Revista canadiense de educación científica, matemática y tecnológica, 2, 221–236.

Autor

Randall E. Groth,147 Caruthers Hall, Escuela Seidel de Educación y Estudios Profesionales, Salisbury
Universidad, Salisbury, MD 21801; regroth@salisbury.edu