Revista de Didáctica de las Matemáticas

N

N

Ú

_Ú

M

_M

E

_E

R

_R

O

_O

S

_S

Revista de Didáctica de las Matemáticas

J

Volumen 83, julio de 2013, página 2

N

N

ú

ú

m

m

e

e

r

r

o

o

s

s

N

N

ú

ú

m

m

e

e

r

r

o

o

s

s

Directora

Alicia Bruno (Universidad de La Laguna)

Comité editorial

Hugo Afonso, Dolores de la Coba, Miguel Domínguez, Fátima García, Israel García, Mª Aurelia Noda, Josefa Perdomo e Inés Plasencia.

Consejo asesor

José Luis Aguiar, Luis Balbuena, Carmen Batanero, Teresa Braicovich, Juan Contreras, Norma Cotic, Juan Díaz Godino, Salvador Llinares, Antonio Martinón, Jacinto Quevedo, Victoria Sánchez y Arnulfo Santos.

Portada

Edita

Sociedad Canaria Isaac Newton de Profesores de Matemáticas Apartado 329.

38200 La Laguna (Tenerife) España Email: [email protected] Web: http://www.sinewton.org

Junta Directiva de la Sociedad Canaria "Isaac Newton" de Profesores de Matemáticas

N

N

ú

ú

m

m

e

e

r

r

o

o

s

s

,

Newton de Profesores de Matemáticas. Se editan tres números ordinarios al año, los meses de marzo, julio y noviembre.

Volumen 83, julio de 2013, páginas 3-4

Índice

Editorial

Israel García 5

Monográfico: Estadística

El sentido estadístico y su desarrollo

7

C. Batanero, C. Díaz, J.M. Contreras, R. Roa

El Proyecto Internacional de Alfabetización Estadística

19

A. Serradó Bayés

Estadística en la Toma de Decisiones

35

M. M. Suárez Rancel

Elementos de interés en la investigación didáctica y enseñanza de la dispersión

estadística 43

A. Estepa Castro y J. del Pino Ruiz

Problemas de mediciones repetidas y de riesgo para desarrollar el razonamiento de estudiantes de secundaria en los temas de media y dispersión 65

E. Sánchez, J. A. Orta Amaro

Artículos

Algunas posturas con respecto al sistema de numeración muisca

79

C. C. Fuentes Leal

Matemáticas en los estudios de Maestro de Educación Infantil en la Universidad de

Castilla-La Mancha: de la diplomatura al grado 95

M. Sotos Serrano, J. M. Aguilar Idáñez

Identificación de figuras geométricas en fotografías de objetos reales. Un estudio

con maestros en formación 105

J.M. Muñoz Escolano y A.M. Oller Marcén

Isaac Barrow y su versión geométrica del Teorema Fundamental del Cálculo

123

J. C. Ponce Campuzano

¿Yerra el niño o yerra el libro de Matemáticas?

131

Índice (continuación)

Secciones

Astronomía

Disco Solar Didáctico

149

Á. Martín González

En la red

Explica, un portal web divulgativo dedicado a la estadística

169

R. Almeida

Juegos

Hexágonos coloreados y Mi casa (Juegos 22)

179

J. A. Rupérez Padrón, M. García Déniz (Club Matemático)

Problemas

Juegos y Torneo. Problemas Comentados XXXIV

187

J. A. Rupérez Padrón, M. García Déniz (Club Matemático)

Experiencias de aula

Khan Academy: Una Experiencia de Aula en Secundaria

199

A. T. Antequera Guerra

Leer Matemáticas

Borges y la matemática. Guillermo Martínez

211

Reseña: F. J. Hernández Bonilla

Desafíos Matemáticos propuestos por la Real Sociedad Matemática Española

en su centenario. Adolfo Quirós (Coord.) 213

Reseña: R. Nortes Martínez-Artero

Informaciones 217

Volumen 83, julio de 2013, páginas 5-6

E

D

I

T

O

R

I

A

L

Israel García, Miembro del Comité Editorial deNNúúmmeerrooss El 2013 se ha dedicado a la celebración del Año Internacional de la Estadística. Este evento internacional tiene como finalidad que fijemos nuestra atención en la contribución que el Conocimiento Estadístico ha tenido y está teniendo en el avance de nuestra sociedad: en investigación científica, en los negocios y gobiernos, en los medios, en la toma de decisiones, los estudiantes y el público general. Desde la revista Números queremos hacer nuestra especial aportación a través de este monográfico dedicado a la Estadística.

La Estadística la define David Moore de forma concisa, pero precisa: “números en contexto”. Esta definición esconde el enorme Conocimiento en el que nos sumerge la Estadística: recopilar, analizar, decidir y predecir. Casi todo lo que nos rodea hace referencia en algún momento al uso del lenguaje estadístico: la prensa, las noticias, la economía, la política, la medicina, la psicología, la escuela, la investigación,… Es más, la vida de cualquier persona está llena de “datos estadísticos” e informaciones que nos permiten tomar decisiones en función de los hechos o acontecimientos que nos van sucediendo. La Estadística es la formalización de todo lo que cualquiera de nosotros hacemos en nuestra vida cotidiana.

Un problema que puede asociarse a las dificultades en la comprensión del conocimiento estadístico es lo que John Allen Paulos denotó por “anumerismo”. Este autor describe así a “la incapacidad para manejar cómodamente conceptos fundamentales de número y azar”. Paulos señala que carecer de este sentido de número es particularmente alarmante cuando nos encontramos “en una sociedad en la que la ingeniería genética, la tecnología láser y los circuitos en microchip incrementan a diario nuestra comprensión del mundo”.

La estadística es un buen medio para llegar a comprender y conocer los números que explican nuestro mundo. Y los profesores de matemáticas, de todos los niveles educativos, tenemos el deber de hacer crecer el Conocimiento Estadístico en nuestros estudiantes, de forma que consigamos ciudadanos capaces de comprender el mundo que les rodea y capaces de crecer “con cultura numérica”.

En el presente monográfico realizaremos un viaje por diferentes usos de la estadística en nuestro entorno de la mano de grandes profesionales que utilizan la estadística como herramienta de conocimiento y de trabajo.

Comenzaremos nuestro viaje de la mano de Carmen Batanero, Carmen Díaz, José Miguel

Contreras y Rafael Roa nos sumergiremos en el desarrollo del sentido estadístico. Para ello partirán

del término cultura estadística y junto con algunos términos estadísticos básicos, nos mostrarán cómo estos elementos se conjugan para conformar el pensamiento y razonamiento estadístico que se conjuga en lo que los autores denominan “sentido estadístico”. Centran su artículo en la defensa de los proyectos como ejes para el desarrollo del razonamiento estadístico y la puesta en marcha de diferentes conocimientos: conceptuales, estratégicos y técnicos.

Ana Serradó, como coordinadora española del Proyecto Internacional de Alfabetización

Estadística, nos presenta un artículo que contextualiza el trabajo internacional enfocado a la alfabetización estadística llevada a cabo durante los últimos años, centrando la atención en el proyecto

E

D

I

T

O

R

I

A

L

internacional que “nace para comprender las necesidades de numeración estadística y, que tiene como misión actual divulgar y promover la alfabetización estadística”.

Seguidamente, Mercedes Suárez nos introducirá en el mundo de la empresa y el uso de la estadística como herramienta para la toma de decisiones y los diferentes agentes que se ven implicados en dicha toma de decisiones.

En el siguiente artículo, de Antonio Estepa y Jesús del Pino viajaremos hacia el análisis de la dispersión estadística y cómo esta, en la enseñanza Secundaria, suele aparecer en segundo plano sin casi protagonismo en el trabajo estadístico del aula. Se propone que sea guía, pues lo es dentro del conocimiento estadístico y que, de esta forma, se contribuya en el desarrollo del razonamiento estadístico.

Por último, y no por ello menos importante, Ernesto Sánchez y José Antonio Orta nos presentarán el análisis de tres problemas centrados en el desarrollo del razonamiento sobre la media y dispersión de datos. Estos problemas se enmarcan en contextos que facilitan el estudio de la dispersión y cómo se gestiona en el aula.

Confiamos que estos trabajos nos permitan reflexionar sobre el conocimiento estadístico y que, como fruto de dicha reflexión, nos animemos a adentrar a nuestros alumnos en la toma de decisiones y en el razonamiento estadístico, propiciando en los estudiantes la denominada cultura estadística.

Volumen 83, julio de 2013, páginas 7-18

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

El sentido estadístico y su desarrollo

Carmen Batanero (Universidad de Granada. España) Carmen Díaz (Universidad de Huelva. España) José Miguel Contreras (Universidad de Granada. España) Rafael Roa (Universidad de Granada. España)

Artículo solicitado a los autores por la revista

Resumen En este trabajo concebimos el sentido estadístico como unión de la cultura y razonamiento estadístico. Se describen las ideas estadísticas fundamentales como componentes de la cultura estadística y los componentes del razonamiento estadístico. También se sugiere que el desarrollo efectivo en los estudiantes se favorece especialmente con una enseñanza basada en investigaciones y proyectos que permite dotar de sentido a los diversos objetos estadísticos e involucra a los estudiantes en el ciclo de investigación y modos de razonamiento estadístico, desarrollando su espíritu crítico e iniciativa personal.

Palabras clave Sentido estadístico, cultura estadística, razonamiento estadístico.

Abstract In this paper we conceive statistical sense as the union of statistical literacy and statistical reasoning. We describe the fundamental statistical ideas that constitute statistical literacy and the components of statistical reasoning. We also suggest that an effective development of statistical sense is specially favoured with a teaching based on investigations and projects. This method gives sense to the diverse statistical objects and involves students in the research cycle and the statistical reasoning modes, at the times that develop their critical spirit and personal initiative.

Keywords Statistical sense, statistical literacy, statistical reasoning.

1. Introducción

Aunque la estadística se enseña hoy día en todos los niveles educativos, al ser una herramienta fundamental en la vida personal y profesional, son muchos los estudiantes, que finalizan los cursos de estadística sin comprender correctamente o ser capaces de aplicar los conceptos y procedimientos estadísticos, como se muestra en la amplia investigación sobre el tema (ver, por ejemplo, el resumen de estas investigaciones en Shaughnessy, 2007).

Esta situación paradójica plantea un problema didáctico, pues es claro que la enseñanza actual transmite una estadística sin sentido para los estudiantes. Como solución al mismo, son muchos los investigadores que insisten en la especificidad de la estadística (frente a otras ramas de la matemática). Moore (1991) incluso la considera como una disciplina científica autónoma, con sus métodos específicos de razonamiento. Para ello argumenta que la relación entre estadística y matemáticas no es biunívoca: la estadística toma conceptos matemáticos para el desarrollo de sus métodos, en cambio la matemática no usa conceptos estadísticos. Cabriá (1994) también coincide en que la estadística tiene

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

un modo propio de razonamiento, el método estadístico, que es necesario enseñar a los estudiantes. La estadística tiene también controversias específicas (por ejemplo, sobre el significado de la probabilidad), y la posición que un estadístico toma sobre ellas tiene un impacto inmediato en su práctica.

La expresión “sentido numérico” se encuentra con frecuencia en la investigación en didáctica de la matemática e incluso en los diseños curriculares. Por ejemplo, en el Decreto de Enseñanzas Mínimas de la Educación Primaria (MEC, 2006) encontramos la siguiente descripción del sentido numérico:

“el dominio reflexivo de las relaciones numéricas que se puede expresar en capacidades como: habilidad para descomponer números de forma natural, comprender y utilizar la estructura del sistema de numeración decimal, utilizar las propiedades de las operaciones y las relaciones entre ellas para realizar mentalmente cálculos” (p. 43096).

Observamos en esta descripción y otras semejantes un doble componente de adquisición de conocimiento y razonamiento. Para el caso de la estadística no ha habido una preocupación semejante entre los educadores estadísticos por definir o listar los componentes de lo que sería el “sentido estadístico”. Por un paralelismo con la acepción dada a “sentido numérico” hemos de aceptar que el sentido estadístico debiera tener un doble componente de conocimiento (o cultura) y razonamiento.

En consecuencia en lo que sigue concebimos el sentido estadístico como unión de la cultura estadística y el razonamiento estadístico. Asimismo, también consideramos que la cultura estadística implica la comprensión adecuada de las ideas estadísticas fundamentales (Burrill y Biehler, 2011), pues estas ideas aparecen en la mayoría de las situaciones en que hay que aplicar la estadística; por tanto son necesarias para enfrentarse con éxito a dichas situaciones. Además, pueden ser enseñadas con diversos niveles de formalización y, por tanto, son asequibles en cualquier nivel educativo, siendo potentes como herramientas de modelización estadística. En segundo lugar, se requiere un razonamiento específico, el razonamiento estadístico que permite tomar decisiones adecuadas o efectuar predicciones a partir de datos y en presencia de incertidumbre. La competencia de análisis de datos se ve hoy en día facilitada por la abundancia de software, tanto para el almacenamiento y transmisión de datos, como para el cálculo y graficación. Sin embargo la competencia en análisis de datos no siempre implica un grado adecuado de razonamiento estadístico, que es más difícil de transmitir.

El objetivo de este trabajo es desarrollar estas ideas y proponer el trabajo con proyectos e investigaciones como estrategia metodológica para desarrollar el sentido estadístico de los estudiantes en los diferentes niveles educativos.

2. Cultura estadística

La importancia que actualmente recibe la enseñanza de la estadística se debe a la necesidad, reclamada por la UNESCO y otras instituciones de proporcionar una cultura estadística que permita al ciudadano participar en la sociedad de la información. Dicha cultura es necesaria en actividades tan habituales como la lectura de la prensa o la interpretación de información en Internet, la participación en encuestas o elecciones o la interpretación de un diagnóstico médico. El término “statistical literacy” ha ido surgiendo de forma espontánea entre los estadísticos y educadores estadísticos, para resaltar el hecho de que la estadística se considera hoy día como parte de la herencia cultural necesaria para el ciudadano educado. Gal (2002) propone que la cultura estadística implica dos competencias relacionadas:

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

a) Capacidad para interpretar y evaluar críticamente la información estadística, los argumentos apoyados en datos o los fenómenos que las personas pueden encontrar en diversos contextos, incluyendo los medios de comunicación, pero no limitándose a ellos, y b) capacidad para discutir o comunicar sus opiniones respecto a tales informaciones estadísticas cuando sea relevante (Gal, 2002, pp. 2-3).

Watson (2006) propone los siguientes elementos de la cultura estadística: (a) El desarrollo del conocimiento básico de los conceptos estadísticos y probabilísticos; (b) La comprensión de los razonamientos y argumentos estadísticos cuando se presentan dentro de un contexto más amplio de algún informe en los medios de comunicación o en el trabajo; (c) Una actitud crítica que se asume al cuestionar argumentos que estén basados en evidencia estadística. En el proyecto GAISE (Franklin et al., 2007) se concibe la misma como la comprensión del lenguaje básico de la estadística (saber el significado de los términos y símbolos estadísticos y ser capaz de leer gráficos estadísticos) y comprender las ideas fundamentales de estadística.

Vemos que los diferentes autores que la definen incluyen tanto la parte de conocimientos teóricos formales relacionados con la estadística, así como la capacidad de afrontar un problema o situación en el que se pongan en juego estos conocimientos.

3. Ideas estadísticas fundamentales

Los modelos descritos de cultura estadística, además de asumir una actitud crítica frente a la información estadística, coinciden en la necesidad de un conocimiento del lenguaje estadístico y las ideas estadísticas fundamentales. Sería entonces importante identificar cuáles son estas ideas fundamentales. Burrill y Biehler (2011), basándose en un estudio detallado de diversos marcos teóricos educativos y el currículo de estadística en diversos países proponen las siguientes: datos, gráficos, variabilidad aleatoria, distribución, asociación y correlación, probabilidad, muestreo e inferencia.

Datos. Moore (1991) definió la estadística como la ciencia de los datos y señaló que el objeto de la estadística es el razonamiento a partir de datos empíricos, subrayando la importancia del contexto. Mientras que en la enseñanza de otras ramas de matemáticas los datos y contextos suelen ser imaginarios y el interés se centra en los conceptos, el contexto de los datos es esencial en estadística. Además, los estudiantes no están acostumbrados a trabajar con datos de situaciones reales, que frecuentemente requieren de interpretaciones y razonamientos de alto nivel. La aleatoriedad de las situaciones hace que los resultados no sean únicos, presentándose mayor variabilidad en los datos estadísticos que otras áreas de las matemáticas (Sánchez y Batanero, 2011).

Gráficos. Debido a su presencia en los medios de comunicación e Internet, el aprendizaje de los gráficos estadísticos es importante. Por su papel esencial en la organización, descripción y análisis de datos, las tablas y gráficos son un instrumento esencial de transnumeración, uno de los modos esenciales de razonamiento estadístico que consiste en obtener una nueva información de un conjunto de datos al cambiar el sistema de representación (Wild y Pfannkuch, 1999).

Variabilidad aleatoria. Aunque en otras ramas de matemáticas se usan variables, se supone que los datos se ajustan perfectamente a un modelo y no suele haber estudio de la bondad de ajuste o de los residuos del modelo. El estudio de la variabilidad es característico de la Estadística, estudiándose tanto el modelo como los residuos (Engel y Sedlmeier, 2011). La Estadística permite buscar explicaciones y causas de la variabilidad para poder hacer predicciones, por lo que dos fines importantes de la

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

permitan controlarla y predecirla (Reading y Shaughnessy, 2004).

Distribución. Otra característica esencial del análisis estadístico es que trata de describir y predecir propiedades de los agregados de datos y no de cada dato aislado (Bakker y Gravemeijer (2004). Por ello la enseñanza de la Estadística ha de desarrollar la capacidad de leer, analizar, criticar y hacer inferencias a partir de distribuciones de datos (Shaughnessy, 2007). El razonamiento distribucional implica también conectar los datos (distribución de datos), la población de donde se tomaron (distribución de probabilidad) y las posibles muestras de la misma (distribución muestral).

Asociación y correlación. Mientras que en una dependencia funcional a cada valor de una variable X (independiente) corresponde un solo valor de otra variable Y (dependiente), en el estudio de la asociación a cada valor de X corresponde una distribución de valores de Y, por lo que este concepto amplía el de dependencia funcional. La importancia del concepto de asociación en la toma de decisiones en ambiente de incertidumbre es alta, pero la investigación en psicología muestra que los adultos no suelen emplear las reglas matemáticas, sino estrategias intuitivas, con frecuencia incorrectas en los juicios de asociación. Por ejemplo la creencia infundada en la transitividad del coeficiente de correlación es común en muchos estudiantes (Castro-Sotos, Van Hoof, Van den Noortgate y Onghena, 2009).

Probabilidad. La característica principal de la Estadística es hacer uso de modelos aleatorios, a diferencia de otras ramas de la matemática donde se usan modelos deterministas. Pero, al contrario que para otros conceptos matemáticos, no hay una única acepción de la probabilidad. Las tres aproximaciones principales para la escuela son:

• En la concepción clásica, se define la probabilidad de un suceso como el cociente entre el número de casos favorable al suceso y el número de todos los casos posibles, siempre que todos sean equiprobables.

• En el enfoque frecuencial se obtiene una estimación experimental de la probabilidad. Su valor teórico sería el límite de la frecuencia relativa de aparición del suceso al realizar la experiencia un número infinito de veces en las mismas condiciones. Un aspecto importante en este enfoque es comprender la diferencia entre probabilidad (valor teórico constante que nunca alcanzamos) y frecuencia relativa (estimación experimental de la probabilidad, que puede cambiar de una estimación a otra). También hay que entender que los resultados de una experiencia son impredecibles, pero se puede predecir el comportamiento general de un gran número de resultados (Batanero, Henry y Parzysz, 2005).

• En el enfoque subjetivo, la probabilidad no es una propiedad objetiva de los sucesos, sino una percepción o grado de creencia en la verosimilitud de la persona que asigna la probabilidad sobre la plausibilidad de ocurrencia del suceso. Muchos problemas de toma de decisión o elaboración de un juicio son abiertos o tienen más de una posible decisión y en su solución intervienen tanto factores matemáticos como extra matemáticos. Esta concepción de la probabilidad sería adecuada para modelizar este tipo de situaciones.

Muestreo e inferencia. Relacionar las características de las muestras con las de la población que representan es el principal fin de la estadística y nos sirve para decidir qué datos recoger y para obtener conclusiones con algún grado de probabilidad. Varios autores sugieren que es posible una comprensión informal de la inferencia, desde la secundaria. Para ello se comenzaría por la discriminación entre la posición central y variabilidad en las distribuciones de datos y el uso de estas dos características para decidir cuándo dos distribuciones son iguales o diferentes (Rubin, Hammerman y Konold, 2006). Más adelante se puede hacer una aproximación al contraste de hipótesis en la forma siguiente (Rossman, 2008): (a) Comenzar con una hipótesis sobre los datos; (b) usar la simulación para concluir que los datos observados son poco plausibles si la hipótesis es cierta;

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

y (c) rechazar la hipótesis inicial basándose en los resultados. Con apoyo de la simulación también puede llevarse al estudiante a comprender el concepto de estimación por intervalo.

4. Pensamiento y razonamiento estadístico

Además de la comprensión de las anteriores ideas, su uso adecuado en la resolución de problemas estadísticos requiere del desarrollo del razonamiento estadístico1. Uno de los modelos para describir este razonamiento es debido a Wild y Pfannkuch (1999), quienes lo conciben como la suma de cuatro dimensiones: (a) El ciclo de investigación, que consiste en la serie cíclica de pasos a seguir desde que se plantea un problema estadístico hasta que se resuelve o bien se modifica y que es bastante similar al proceso general de resolución de problemas; (b) los modos fundamentales de razonamiento estadístico; (c) el ciclo de interrogación, que se aplica constantemente en la solución de problemas estadísticos, tanto a nivel global como en cada posible paso y consiste en la búsqueda y comprobación sucesivas de explicaciones, hipótesis o preguntas, desde los datos, los análisis realizados o los resultados; y (d) una serie de actitudes, como el escepticismo, la mentalidad abierta, la perseverancia, el espíritu crítico o la curiosidad. Los modos fundamentales de razonamiento estadístico, según estos autores son los siguientes:

• Reconocer la necesidad de los datos: Mientras que en otras ramas de las matemáticas los datos son anecdóticos, la base de la investigación estadística es el hecho constatado de que muchas situaciones de la vida real sólo pueden ser comprendidas a partir del análisis de datos que han sido recogidos en forma adecuada. La experiencia personal o la evidencia de tipo anecdótico no es fiable y puede llevar a confusión en los juicios o toma de decisiones. Se trata de basarse en la evidencia proporcionada por los datos empíricos.

• Transnumeración: Este término indica la comprensión que surge al cambiar la representación de los datos; por ejemplo, al pasar de una lista desordenada de datos al histograma se visualiza el rango y la moda. En general puede hablarse de tres tipos de transnumeración: (1) la que produce al definir una medida que “captura” las cualidades o características de un cierto fenómeno; por ejemplo, cuando utilizamos una escala de actitudes para “medir” la actitud hacia la matemática de un conjunto de estudiantes; (2) al pasar de los datos brutos a una representación tabular o gráfica que permita extraer sentido de los mismos, como el ejemplo citado del histograma; (3) al “traducir” el significado que el estadístico ha captado y que surge de los datos, en forma que sea comprensible a otras personas; por ejemplo, cuando explicamos en forma simplificada las conclusiones que se deducen de un gráfico de caja o de los resultados de un contraste estadístico.

• Percepción de la variación. Como hemos indicado, la variabilidad aleatoria es una idea fundamental en estadística. Un componente del razonamiento estadístico es la identificación de las fuentes que producen dicha variación, que pueden ser la propia medida, los datos, el muestreo, el análisis, ser producida por factores específicos (como la diferencia de altura en chicos y chicas). El trabajo estadístico también asume como variación aleatoria aquella cuyas fuentes no quedan explicadas. El razonamiento estadístico permite buscar explicaciones y causas para la variación y realizar inferencias y predicciones, con un cierto margen de error, teniendo en cuenta la variación no explicada o aleatoria.

• Razonamiento con modelos estadísticos. Al igual que en otras ramas de las matemáticas, el trabajo estadístico es esencialmente un proceso de modelización. La principal diferencia es la presencia de aleatoriedad, así como la relevancia que adquieren los modelos probabilísticos como por ejemplo, la curva normal. También se utilizan modelos matemáticos como

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

gráficos, o funciones (por ejemplo, en regresión); todos ellos han de contemplarse como representaciones de la realidad e instrumentos para comprenderla, diferenciando el modelo de la realidad.

• Integración de la estadística y el contexto: Debido a la importancia que adquiere el contexto, la capacidad de integrarlo es también un componente esencial del razonamiento estadístico. Este tipo de razonamiento aparece especialmente en las fases iniciales (planteamiento del modelo) y finales (interpretación del modelo en la realidad) del ciclo de modelización.

El desarrollo del razonamiento y la producción de sentido son resaltados para el caso de la estadística por Shaughnessy, Chance y Kranendonk (2009), sugiriendo las siguientes competencias de razonamiento para reforzar la comprensión de las ideas fundamentales: (a) análisis de problemas, búsqueda de patrones y relaciones en los datos, percepción de la estructura y planteamiento de conjeturas; (b) elegir y evaluar estrategias, aplicando el ciclo interactivo de investigación estadística; (c) buscar y utilizar conexiones entre las conclusiones y el contexto; (d) reflexionar sobre si la solución es razonable y suficiente.

5. Desarrollo del sentido estadístico a través del trabajo con proyectos

El sentido estadístico, como unión de la cultura y razonamiento estadísticos debe construirse en forma progresiva desde la educación primaria, secundaria, bachillerato y hasta la universidad. En este sentido, las nuevas propuestas curriculares proporcionan una oportunidad de introducir gradualmente ideas estadísticas desde la educación primaria, aumentando el nivel de formalización progresivamente. Pensamos que la mejor forma de ayudar al estudiante a desarrollar su sentido estadístico es basar las clases de estadística en el trabajo con proyectos, bien planteados por el profesor o escogidos libremente por los alumnos. En lugar de introducir los conceptos y técnicas descontextualizadas, o aplicadas únicamente a problemas tipo, difíciles de encontrar en la vida real, se trataría de presentar las diferentes fases de una investigación estadística: planteamiento de un problema, decisión sobre los datos a recoger, recogida y análisis de datos y obtención de conclusiones sobre el problema planteado.

A continuación analizamos un ejemplo de proyecto adaptado de Shaughnessy, Chance y Kranendonk (2009), quienes a la vez se inspiraron en un debate surgido a partir de una noticia en el Daily News el 12 de Marzo de 2012, con el título “Will women some day run faster than men in a marathon? The answer might surprise you”2. El proyecto comenzaría presentando a los alumnos la citada noticia y el debate surgido y planteando la siguiente pregunta: ¿Llegarán a superar las mujeres a los hombres en las pruebas de 200 metros lisos en las olimpiadas? ¿En qué año?

Les proporcionaríamos los datos de los tiempos alcanzados por los ganadores de la medalla de oro en las olimpiadas, disponibles en la Tabla 1. Un primer análisis de estos datos puede servir para trabajar las ideas de distribuciones bivariantes y el uso de estadísticos descriptivos para la descripción de cada uno de los grupos. Si se observa, la mejora de las marcas en los hombres se ha pasado de 22,2 segundos a 19,32 en 112 años; para las mujeres el cambio ha sido de 24,4 a 21,8 en 64 años; en mucho menos tiempo que los hombres han ganado aproximadamente 3 segundos.

Sin embargo, la disminución de los tiempos no es sistemática; se observan fluctuaciones y cuando hay decrecimiento de una olimpiada a otra, no es constante. Incluso el mismo atleta (ver el ejemplo de Usain Bolt) puede empeorar su marca de una olimpiada en la siguiente. Nos encontramos

http://www.nydailynews.com/sports/more-sports/running-doc-women-run-faster-men-marathon-M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

delante de un problema en que necesitamos datos y donde percibimos una variación aleatoria que tratamos de explicar; pero el listado de datos en sí mismo es poco explicativo. Necesitamos representar los datos de un modo adecuado para observar mejor la tendencia; es decir, hemos de realizar un proceso de transnumeración.

Una posible representación de los datos sería un diagrama de dispersión (Figura 1), en el cuál se coloree o se represente con un carácter diferenciado las marcas de las mujeres y de los hombres. Observamos claramente que las mujeres tardan más que los hombres en todas las olimpiadas y que las dos series de puntos son decrecientes; se trataría de una relación inversa entre el tiempo en segundos tardado en la prueba de 100 metros y el tiempo de calendario (año de celebración de la olimpiada); conforme pasa el tiempo mejoran las marcas. Asimismo se observa una pendiente más pronunciada en la serie de puntos correspondiente a las mujeres.

Año Atleta País Tiempo Atleta País Tiempo

1900 Walter Tewksbury USA 22,2

1904 Archie Hahn USA 21,6

1908 Robert Kerr Canadá 22,6

1912 Ralph Craig USA 21,7

1920 Allan Woodring USA 22

1924 Jackson Scholz USA 21,6

1928 Percy Williams Canadá 21,8

1932 Eddie Tolan USA 21,12

1936 Jesse Owens USA 20,7

1948 Mel Patton USA 21,1 Fanny Blankers NED 24,4

1952 Andy Stanfield USA 20,81 Marjorie Jackson AUS 23,89

1956 Bobby Morrow USA 20,75 Betty Cuthbert AUS 23,55

1960 Livio Berruti ITA 20,62 Wilma Rudolph USA 24,13

1964 Henry Carr USA 20,36 Edith McGuire USA 23,05

1968 Tommie Smith USA 19,83 Irena Szewinska Poland 22,58

1972 Valeriy Borzov USSR 20 Renate Stecher GDR 22,4

1976 Don Quarrie JAM 20,23 Barbel Eckert GDR 22,37

1980 Pietro Mennea ITA 20,19 Barbel Wockel GDR 22,03

1984 Carl Lewis USA 19,8 Valerie Brisco USA 21,81

1988 Joe DeLoach USA 19,75 Florence Griffith USA 21,34

1992 Mike Marsh USA 20,01 Gwen Torrence USA 21,81

1996 Michael Johnson USA 19,32 Marie-Jose Perec FRA 22,12

2000 Konstantinos Kenteris GRE 20,09 Marion Jones USA 21,84

2004 Shawn Crawford USA 19,79 Veronica Campbell JAM 22,05

2008 Usain Bolt JAM 19,3 Veronica Campbell JAM 21,74

2012 Usain Bolt JAM 19,32 Allyson Felix USA 21,88

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

Figura 1. Marcas olímpicas en las pruebas de 200 metros

Aunque el proyecto se puede resolver con calculadora y papel, otra posibilidad de trabajo es con Excel (u otro software estadístico como SPSS o R), para que los alumnos aprendan a introducir los datos en la hoja de cálculo y representarlos. La Figura 1 se ha obtenido con Excel, con la cual se puede representar automáticamente un diagrama de dispersión o superponer (como hemos hecho en este caso) dos diagramas correspondientes a dos series de datos. Entre las muchas opciones de Excel nos encontramos con una serie de facilidades para realizar un estudio de regresión. Utilizando la opción “añadir línea de tendencia”, se puede elegir entre varias posibles familias de funciones para ajustar al diagrama de dispersión (siguiendo el criterio de mínimos cuadrados). Nosotros hemos comenzado probando el ajuste lineal; Excel también proporciona la opción de añadir al gráfico la ecuación (en este caso, la ecuación de la recta de regresión).

Figura 2. Rectas de regresión ajustadas a los datos de mujeres y hombres

Nosotros hemos utilizado dicha opción, obteniendo las dos ecuaciones siguientes (Figura 2):

• y = -0,0394x + 100,62; para la recta de mejor ajuste a los datos de los tiempos de los hombres;

• y = -0,0259x + 71,343 para la recta de mejor ajuste a los datos de los tiempos de las mujeres;

Es visible en la gráfica que las rectas no son paralelas; por lo tanto llegarán en algún momento a encontrarse. El valor x en que las dos rectas se cortarían corresponderá a un año; este sería el año en que, si los ajustes que hemos realizado son correctos y las tendencias continúan, ¡hombres y mujeres

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

llegarían a correr a la misma velocidad en la prueba de los 200 m. lisos! ¿Cuál sería este año? Lo podemos determinar algebraica o gráficamente. Para determinarlo algebraicamente, bastaría resolver el sistema de ecuaciones formado por las expresiones algebraicas de las dos rectas, esto es;

  71,343 = 0,0259x + y 100,62 = 0,0394x +

y _{; restando estas ecuaciones, obtenemos: 0,0135x = 29,276, de donde}

Es decir, a partir del año 2168, se produciría el empate; podemos también observar la misma solución (Figura 3) utilizando la opción de Excel de extrapolación de las ecuaciones de regresión. En dicha gráfica, aparentemente a partir de esta fecha, las mujeres correrían más que los hombres, dando la razón al periodista. Observamos que, hasta este momento, hemos utilizado dos componentes nuevos del razonamiento estadístico: el razonamiento con modelos (en este caso, el modelo de recta de regresión) y la integración de la estadística y el contexto, interpretando lo que los gráficos y ecuaciones nos quieren indicar sobre la realidad (marcas olímpicas en las pruebas de 200 metros).

Figura 3. Extrapolación de las rectas de regresión

Hasta acá hemos utilizado los cinco tipos de razonamiento estadístico fundamental; también hemos realizado un ciclo completo de investigación estadística (problema, datos, análisis, conclusión). Hemos trabajado muchas de las ideas estadísticas fundamentales: datos, gráficos, variabilidad, asociación, distribución, inferencia. Nos faltaría ejercitar nuestro espíritu crítico y escepticismo; es decir, el componente actitudinal de la cultura y razonamiento estadístico.

Hemos de recordar en este punto la diferencia entre datos (en este caso las marcas olímpicas) y modelo (las rectas de regresión) y hacer observar que el modelo no es exactamente igual que los datos y que podrían existir otros modelos que explicasen los datos. Será importante, entonces complementar el análisis realizado hasta el momento, con alguna medida de la bondad del ajuste y, en caso necesario, probar otros modelos que se ajusten mejor a los datos.

Otra información importante proporcionada por Excel es el coeficiente de determinación R2, siendo R el coeficiente de correlación (en este caso, de correlación lineal). El coeficiente de determinación, R2 nos indica la proporción de varianza de la variable dependiente en la recta de regresión Y (en este caso esperanza de vida) explicada por el modelo lineal utilizado (por la ecuación de la recta de regresión). En el proyecto que estamos analizando, obtenemos R2=0,8971 (R=0,947)

6 6 , 2168 0135 , 0 277 , 29 = = x

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

coeficiente de correlación es 1 (correspondiente a R=1 o R=-1), que son los casos en que los puntos del diagrama de dispersión se alinearían perfectamente sobre una línea recta. En la Figura 1 podemos ver que, en efecto los tiempos de los hombres se sitúan casi sobre la recta, que al ser decreciente, correspondería a un coeficiente de correlación R=-1. Para los datos sobre las mujeres obtenemos R2= 0,7313 (R=0,855) algo menor que el anterior, pero también alto. También podemos observar la mayor distancia de estos datos a la recta de regresión.

En este segundo caso, queda más de un 25% de la varianza de los datos no explicada por el modelo y podríamos tratar de mejorar la predicción, eligiendo para ello una función de regresión diferente, siempre que el valor del coeficiente de determinación aumente (que otro modelo explique mayor proporción de varianza). Por suerte Excel proporciona diferentes opciones para la línea de tendencia: lineal, polinómica, potencial, logarítmica, etc. (que se pueden obtener pulsando sobre dicha línea). El alumno puede ensayar con diferentes opciones, obtener para cada una la gráfica, ecuación y coeficiente de determinación y decidir, entre todas ellas, cuál proporciona un mejor ajuste. Como ejemplo, si usamos una función polinómica de grado cuatro, conseguimos subir el coeficiente de determinación a R2=0,93, suficientemente elevado, pues se explica el 93% de la variación de los datos (Figura 4)

Figura 4. Ajuste de un modelo polinómico a los datos de mujeres

Concluimos que en este segundo modelo, no es tan clara la conclusión de que las mujeres lleguen a superar a los hombres en las olimpiadas. Es verdad que conseguiríamos encontrar el punto de corte entre las dos funciones, pero la tendencia ya no se conserva decreciente en las mujeres, sino que aparecen oscilaciones que podrían o no continuar en el futuro. Será entonces necesario esperar a tener nuevos datos para ajustar otra vez el modelo de regresión y obtener una conclusión definitiva. Por otro lado, recordamos que modelo y realidad no siempre coinciden y que las tendencias observadas podrían variar en el futuro.

6. Reflexiones finales

Como señalaron Anderson y Loynes (1987), la estadística es inseparable de sus aplicaciones, y su justificación final es su utilidad en la resolución de problemas externos a la propia estadística. En el ejemplo de proyecto analizado hemos trabajado los dos componentes del sentido estadístico: cultura y razonamiento.

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

recopilación de unos datos reales, hemos analizado su distribución bivariante, comparando dos distribuciones diferentes, analizando en cada una su tendencia y variabilidad a través de estadísticos y gráficos. Diferentes modelos de regresión (lineal, polinómico) nos han permitido describir los datos y hacer predicciones; complementadas mediante el coeficiente de determinación para analizar la bondad del ajuste. Otras propiedades de la correlación y regresión (como son por ejemplo el signo y el valor del coeficiente, el signo de la pendiente según sea la relación directa o inversa, la relación entre pendiente y el coeficiente de correlación), aunque han quedado implícitas podrían analizarse con más detalle con los estudiantes según los objetivos del profesor.

En el proyecto también se han ejercitado actitudes propias de la cultura y el razonamiento estadístico como la creatividad, espíritu crítico e imaginación. Se utilizaron también todos los tipos fundamentales de razonamiento estadístico y se involucró a los estudiantes en un ciclo completo de investigación y modelización estadística. Con todo ello los estudiantes adquieren competencia en conocimiento estratégico, es decir ser capaz de aplicar un conocimiento. La habilidad para aplicar los conocimientos matemáticos es frecuentemente mucho más difícil de lo que se supone, porque requiere no sólo conocimientos técnicos (tales como preparar un gráfico o calcular un promedio), sino también conocimientos estratégicos (saber cuándo hay que usar un concepto o gráfico dado). Los problemas y ejercicios de los libros de texto sólo suelen concentrarse en los conocimientos técnicos, mientras que los proyectos incluyen también conocimientos estratégicos, a la vez que aumentan la motivación del estudiante.

Todo ello se pone de manifiesto en el ejemplo presentado. El lector interesado puede encontrar otros ejemplos de cómo es posible desarrollar un currículo de estadística para la educación secundaria o universitaria mediante proyectos debidamente secuenciados (ver Batanero y Díaz, 2011).

Agradecimientos: Proyecto EDU2010-14947 (MCINN-FEDER) y grupo FQM126 (Junta de Andalucía).

Bibliografía

Anderson, C. W. y Loynes, R. M. (1987). The teaching of practical statistics. New York: Wiley. Bakker, A. y Gravemeijer, K. P. E. (2004). Learning to reason about distribution. En J. Garfield y D.

Ben Zvi (Eds.), The challenge of developing statistical literacy, reasoning and thinking (pp 147-168). Dordrecht, The Netherlands: Kluwer.

Batanero, C. y Díaz, C. (Eds.) (2011). Estadística con proyectos. Granada: Departamento de Didáctica de la Matemática

Batanero, C., Henry, M., Parzysz, B., (2005). The nature of chance and probability. En G. A. Jones (Ed.), Exploring probability in school: Challenges for teaching and learning (pp. 15-37). New York: Springer.

Burrill, G., & Biehler, R. (2011). Fundamental statistical ideas in the school curriculum and in trainingteachers. En C. Batanero, G. Burrill y C. Reading (Eds.), Teaching statistics in school mathematics. Challenges for teaching and teacher education - A joint ICMI/IASE study (pp. 57-69). Dordrecht: Springer.

Cabriá, S. (1994). Filosofía de la estadística. Servicio de Publicaciones de la Universidad de Valencia. Castro-Sotos, A. E., Vanhoof, S., Noortgate, W. y Onghena, P. (2007). Students’ misconceptions of statistical inference: A review of the empirical evidence from research on statistics education. Educational Research Review, 2 98–113

Engel, J. y Sedlmeier (2011). Correlation and regression in the training of teachers. En C. Batanero, G. Burrill, C. Reading y A. Rossman (Eds.). Teaching statistics in school mathematics- challenges for teaching and teacher education. A joint ICMI/IASE study (pp. 247-258). New York: Springer. Franklin, C., Kader, G., Mewborn, D. S., Moreno, J., Peck, R., Perry, M. y Scheaffer, R. (2007). A

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

Gal, I. (2002). Adult's statistical literacy: Meaning, components, responsibilities. International Statistical Review 70(1), 1-25.

Moore, D. S. (1991). Teaching statistics as a respectable subject. En F. Gordon y S. Gordon (Eds.), Statistics for the twenty-first century (pp. 14-25). Mathematical Association of America.

Reading, C. y Shaughnessy, J. M. (2004). Reasoning about variation. En J. Garfield y D. Ben-Zvi (Eds.), The challenge of developing statistical literacy, reasoning and thinking (pp. 201-226). Dordrecht, The Netherlands: Kluwer.

Rossman, A. (2008). Reasoning about informal statistical inference: One statistician’s view. Statistics Education Research Journal, 7(2), 5-19. Online: http://www.stat.auckland.ac.nz/serj.

Rubin, A., Hammerman, J. K. L & Konold, C. (2006). Exploring informal inference with interactive visualization software. En B. Phillips (Ed.), Proceedings of the Sixth International Conference on Teaching Statistics. Cape Town, South Africa: International Association for Statistics Education. Online: www.stat.auckland.ac.nz/~iase/publications.

Sánchez, E. y Batanero, C. (2011). Manejo de la información. En E. Sánchez (Coord.), Enseñanza y aprendizaje de las matemáticas, Casos y perspectivas (pp. 64-92). México, D. F.: Secretaría de Educación Pública.

Shaughnessy, J. M. (2007). Research on statistics learning and reasoning. En F. Lester (Ed.), Second handbook of research on mathematics teaching and learning (pp. 957-1010). Greenwich, CT: Information Age y NCTM.

Shaughnessy, J. M., Chance, B., & Kranendonk, H. (2009). Focus in high school mathematics: Reasoning and sense making in statistics and probability. Reston, VA: NCTM.

Watson, J. M. (2006). Statistical literacy at school: growth and goals. Mahwah, NJ: Lawrence Erlbaum Associates.

Wild, C. y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67 (3), 221-248.

Carmen Batanero Bernabeu, Facultad de Ciencias de la Educación, Universidad de Granada. Fue miembro del Comité Ejecutivo de ICMI (International Comisión on Mathematical Instruction y Presidenta de IASE (International Association for Statistical Education). Ha coordinado varios congresos y proyectos de educación estadística. [email protected]

Carmen Díaz Batanero, Facultad de Ciencias de la Educación, Universidad de Huelva, es doctora en Psicología. Fue becaria del Plan de Formación del Profesorado Universitario y es actualmente Profesora Contratado Doctor en área de Metodología de las Ciencias del Comportamiento. Su línea de investigación es la enseñanza y aplicaciones de la estadística, tema en el que ha codirigido dos tesis doctorales. Ha publicado trabajos sobre inferencia estadística y didáctica de la estadística. [email protected]

José M. Contreras García, nacido en Granada, fue becario de Plan de Fornación del Personal Investigador y es actualmente profesor ayudante doctor de la Universidad de Granada. Licenciado en Ciencias Matemáticas y en C.C. y T.T. Estadísticas, Máster en Estadística Aplicada y doctor en Didáctica de la Matemática. Ha realizado publicaciones en didáctica de la estadística. [email protected]

Rafael Roa Guzmán, es doctor en Didáctica de la matemática y profesor Titular de Universidad de la Universidad de Granada. Ha participado en varios proyectos de investigación en educación estadística y ha publicado artículos y comunicaciones en congresos sobre esta temática.

Volumen 83, julio de 2013, páginas 19-33

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

El Proyecto Internacional de Alfabetización Estadística

Ana Serradó Bayés (Colegio La Salle-Buen Consejo. Cádiz. España)

Fecha de recepción: 15 de octubre de 2012 Fecha de aceptación: 22 de enero de 2013

Resumen En este artículo se analiza el significado de los conceptos de alfabetización, competencia y cultura estadística que se usan en la actualidad para describir las necesidades de la población con el fin de participar de forma efectiva en la sociedad y la economía. Se presenta el Proyecto Internacional de Alfabetización Estadística que tiene por misión promover la difusión de la alfabetización estadística a nivel mundial. A su vez, se describen las acciones llevadas a cabo por los miembros de dicho proyecto que tienen en cuenta al profesorado, aportándoles: conocimientos teóricos, recursos para la enseñanza y actividades para promocionar la alfabetización estadística entre el alumnado.

Palabras clave Estadística, alfabetización, competencia, cultura, profesorado.

Abstract In this paper we analyse the meaning of statistical literacy, competency and culture nowadays used to describe the citizenry needs to effectively participate in the society and economy. We present the International Statistical Literacy Project which mission is promoting worldwide diffusion of the statistical literacy. Also, we describe the actions done by the members of this project for the teachers, giving them: theoretical knowledge, teaching resources and activities to promote statistical literacy between their students.

Keywords Statistics, literacy, competence, culture, teachers.

1. Introducción

Cada día la mayoría de la población española amanece pendiente de los datos económicos del país: la evolución de la prima de riesgo, el IBEX 35, los datos del paro,…Todos ellos son indicadores estadísticos al alcance de cualquier ciudadano que esté conectado a Internet. Sin embargo, a pesar de la ingente cantidad de información a la que puede acceder un ciudadano en la era de la Web 2.0, el acceso a la misma no es suficiente para garantizar una participación efectiva en la sociedad y en la economía (OECD, 2011). Se necesitan herramientas que permitan comprender, por una parte, el significado matemático de estos indicadores y, por otra, la complejidad de sus repercusiones a nivel mundial. Para ello, se debe ser proveer a los individuos del conocimiento, las destrezas y las competencias necesarias que les permita participar activamente en las decisiones sociales, económicas y políticas,… Estos nuevos retos curriculares deben entenderse desde una perspectiva sociocultural de la educación matemática que rompa con la anquilosada visión positivista de la misma.

Ante esta realidad uno se cuestiona: ¿tienen los ciudadanos y adquiere el alumnado, a lo largo de su escolarización, la cultura estadística necesaria para poder comprender e intervenir en la realidad actual? Esta pregunta quedará abierta en este artículo ya que el objeto del mismo no es un ensayo sobre cultura escolar sino la presentación del significado teórico los conceptos de alfabetización,

M

O

N

O

G

R

Á

F

I

C

O

:

E

S

T

A

D

Í

S

T

I

C

A

competencia y cultura estadística, y también de las acciones que lleva a cabo el Proyecto Internacional de Alfabetización Estadística (ISLP) para promover dicha alfabetización, a nivel global, en los diferentes campos de producción, consumo y comunicación de datos estadísticos, y la presentación, detallada, de las destinadas al profesorado.

2. Alfabetización, competencia y cultura

Las nociones de alfabetización, competencia y cultura estadística surgen de las disquisiciones en torno al significado de la noción de alfabetización. La presentación de dicha noción se realiza desde una perspectiva histórica que permitirá entender el por qué de la misma y como ha evolucionado para atender las necesidades culturales, sociales y políticas de las personas.

2.1. Evolución histórica de la noción de alfabetización

La Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura utiliza por primera vez el término alfabetización en 1951, refiriéndose a una persona considerada “alfabeta si es capaz de leer y escribir, comprendiendo, una breve y sencilla exposición de hechos relativos a su vida cotidiana” (UNESCO, 1997, p. 123). Esta definición ha ocasionado numerosos debates al intentar dar respuesta a para qué alfabetizar, a quién alfabetizar y cómo evaluar y cuantificar quién es alfabeto, o dicotómicamente, analfabeto.

De dichos debates se concluye que es un criterio mínimo y funcional, expresado en términos de las circunstancias personales (Triebel, 2005). Este mismo autor analiza la insuficiencia de la misma en cuanto no hace referencia a las necesidades de actuación de la persona alfabeta en un grupo o comunidad, “que le permitan seguir valiéndose de la lectura, la escritura y la aritmética al servicio de su propio desarrollo y del desarrollo de la comunidad” (UNESCO, 1978, p. 18). Esta insuficiencia es consecuencia de considerar que el tipo y el nivel de alfabetización funcional varía y depende del entorno y del contexto de cada sociedad o comunidad en un momento concreto, e implica una definición de la cultura como “identidad colectiva” de forma más general (Lind, 2008).

Desde 1978 las necesidades sociales, la pluralidad de contextos, lenguajes y usos han variado y, en consecuencia, ha surgido el concepto de “alfabetizaciones” (científica, digital, emocional,…), siendo muchas de estas alfabetizaciones necesarias para la intervención en la vida actual. La UNESCO, consiente de los cambios sociales acontecidos y de las necesidades personales actuales, redefine la alfabetización como: “la habilidad de identificar, comprender, interpretar, crear, comunicar y computar, usando materiales impresos y escritos en diversos contextos” (UNESCO, 2005, p. 21).

Con la misma se pone de manifiesto que la alfabetización implica un continuo en el aprendizaje que otorga a los individuos la consecución de sus objetivos, desarrollar su conocimiento y potencial, y participar plenamente en comunidad y en sociedad. Este proceso continuo de aprendizaje tiene lugar tanto fuera como dentro de la escuela durante la escolarización obligatoria o en cursos de alfabetización para adultos (Lind, 2008). Dicha noción ha evolucionado de forma paralela al incremento de los conocimientos, habilidades o destrezas mínimos que necesitan las personas para enfrentarse a situaciones cotidianas. Pero si se solicita que estas personas se enfrenten a demandas complejas, apoyándose en y/o movilizando recursos psicosociales (incluyendo destrezas y actitudes), entonces se habla de personas no se habla de personas alfabetas sino competentes.

La distinción de ambas nociones, alfabetización y competencia, es producto de los trabajos realizados por Rychen & Salganik (2001) al Definir y Seleccionar las Competencias Clave (DeSeCo).