Statistical Literacy as a Goal for Introductory

Statistics Courses
Deborah J. Rumsey 
The Ohio State University

Journal of Statistics Education Volume 10, Number 3 (2002),

www.amstat.org/publications/jse/v10n3/rumsey2.html

Copyright © 2002 by Deborah J. Rumsey, all rights reserved. This text may be freely shared
among individuals, but it may not be republished in any medium without express written
consent from the author and advance notification of the editor.

Key Words: Introductory statistics; Statistical literacy.

Abstract
In this paper, I will define statistical literacy (what it is and what it is not) and discuss how we
can promote it in our introductory statistics courses, both in terms of teaching philosophy and
curricular issues. I will discuss the important elements that comprise statistical literacy, and
provide examples of how I promote each element in my courses. I will stress the importance
of and ways to move beyond the "what" of statistics to the "how" and "why" of statistics in
order to accomplish the goals of promoting good citizenship and preparing skilled research
scientists.

1. Introduction: Goals for our Introductory Statistics Courses

Many statistics educators agree that any introductory statistics course should raise students’
awareness of data in everyday life and prepare them for a career in today’s “age of
information.” To achieve this objective, in my view, we must work toward two overarching
goals for our introductory statistics courses. First, we want our students to be good “statistical
citizens,” understanding statistics well enough to be able to consume the information that they
are inundated with on a daily basis, think critically about it, and make good decisions based
on that information. Some researchers call this “statistical literacy.”

The second goal for our introductory statistics courses, and one that in my opinion is often
underemphasized, is to develop research scientist skills in our students. We must be sure to
promote the use of the scientific method in all of our students: the ability to identify
questions, collect evidence (data), discover and apply tools to interpret the data, and
communicate and exchange results. While it is true that many of our students many never
conduct a scientific study of their own, it is hard to imagine a student in today’s society who
will never encounter data or statistical results, over the course of a career. Statistics is
involved in every aspect of the scientific method. It should also be the case that statistics
presented in our daily lives are based on either the proper or improper use of the scientific
method.
I believe that for students to achieve both of these overarching goals, they need to understand
and use statistical ideas at many different levels. To begin, they need a certain level of
competence, or understanding, of the basic ideas, terms, and language of statistics. But being
a good statistical citizen and research scientist requires more than this; it requires that the
student be able to explain, decide, judge, evaluate, and make decisions about the information.
These require additional skills in statistical reasoning and thinking, but the foundation for
these skills should first be developed at the statistical literacy level.

In order to understand where statistics fits into achieving our goals, consider what I call the
“chain of statistical information.” Think of the latest statistic that you have encountered on the
television. What process did this information go through in order to get to you? First, the
information was produced, or generated, by a researcher (for example, a medical doctor,
professor, U.S. government, or independent company). Then the information was picked up
by someone, deciphered, and communicated to the intended audience (often by members of
the media). Finally, the information is consumed, or received, by the audience (the general
public). This extends the ideas presented by  Gal (2000), who identified students as (mainly)
consumers and (at times) producers of information.

Regardless of where a person is involved in the chain of statistical information, there will be a
need for a basic understanding of the concepts and language, a level of reasoning (the abilities
to question, compare, and explain) and a level of statistical thinking (applying the ideas to
new problems and identifying questions of your own).

In this paper, I will define statistical literacy (what it is and what it is not) and discuss how we
can promote it in our introductory statistics courses, both in terms of teaching philosophy and
curricular issues. I will discuss the important elements that comprise statistical literacy, and
provide examples of how I promote each element in my courses. I will stress the importance
of and ways to move beyond the “what” of statistics to the “how" and "why” of statistics in
order to accomplish the goals of promoting good citizenship and preparing skilled research
scientists.

2. What is Statistical Literacy? Identifying the Learning

Outcomes
The statistics education literature includes several definitions of statistical literacy. Some of
these definitions are given by the following:

 “People’s ability to interpret and critically evaluate statistical information and data-
based arguments appearing in diverse media channels, and their ability to discuss their
opinions regarding such statistical information” (Gal 2000);
 “The understanding of statistical language: words, symbols, and terms. Being able to
interpret graphs and tables. Being able to read and make sense of statistics in the news,
media, polls, etc.” (Garfield 1999);
 “... the ability to understand statistical concepts and reason at the most basic level”
(Snell 1999);
 “... comprehend text and the meaning and implications of the statistical information in
it, in the context of the topic to which (it) pertains” (Watson 1997).
A review of the literature tells that many statistics educators, as well as national councils and
education boards, have formulated various lists containing the basic requirements, or learning
objectives, for someone who is statistically “literate” or “competent.”

Watson (1997) identifies three stages as components of the "ultimate aim" of development of

statistical literacy:

1. the basic understanding of statistical terminology,

2. the understanding of statistical language and concepts embedded in a context of wider
social discussion, and
3. the development of a questioning attitude which can apply more sophisticated concepts
to contradict claims that are made without proper statistical foundation.

As Moore (1998a) stated, “What statistical ideas will educated people who are not specialists
require in the twenty-first century? That is the issue of statistical literacy. What specific
concepts and skills will be needed in the context of specific jobs? That is the issue of
statistical competence.”

Gal (2000) has identified characteristics of a scientific study that a consumer of information

should be able to discuss at a basic level:

 The type of study used

 The sample that was selected
 The measurements that were made
 The statistics that were generated from the data
 The graphs (visual displays) that were generated from the data
 Any probability statements that were made based on the data
 Claims that were made based on the data
 The amount of information that was provided to the consumer
 Limitations of the study

Note that a discussion of each of these items begins by understanding the terminology and
identifying each characteristic within the context of the problem. At the next level, the student
would be asked to describe the results of study by interpreting the results. Students may be
asked to produce data on a similar study. Then they might be asked to evaluate the study
(which involves critical thinking, and questioning the study at every phase). Finally, the
student may be asked to communicate this information to peers. Some of these tasks require
basic statistical competence, and others require higher order knowledge skills, such as
statistical reasoning and thinking.

Additional lists of learning outcomes for statistical literacy are provided by  Cobb (1992),
Moore (1998a, 1998b), and Garfield (1999), among others. Each list seems to encompass two
different types of learning outcomes for our students: being able to function as an educated
member of society in this age of information, and having a basic foundational understanding
of statistical terms, ideas, and techniques.

A review of the many papers published and presented on this topic reveals that the phrase
“statistical literacy” is not defined consistently. In light of the above discussion involving the
overarching goals for our students, it is clear that while all of these definitions apply to the
goals, the use of the phrase “statistical literacy” is too broad. I will attempt to clarify the
issues by omitting the phrase “statistical literacy” from my discussion, and instead I will use
two distinct phrases to refer to the two distinct learning outcomes that we have discussed.
“Statistical competence” refers to the basic knowledge that underlies statistical reasoning and
thinking, and “statistical citizenship” refers to the ultimate goal of developing the ability to
function as an educated person in today’s age of information. Statistical citizenship may very
well require high order statistical reasoning and thinking.

3. Statistical Competence: What it is, and what it is not!

Basic statistical competence, as it is defined above, involves the following components:

1. data awareness,
2. an understanding of certain basic statistical concepts and terminology,
3. knowledge of the basics of collecting data and generating descriptive statistics,
4. basic interpretation skills (the ability to describe what the results mean in the context of
the problem), and
5. basic communication skills (being able explain the results to someone else).

3.1 Promoting Data Awareness promovendo a percepção dos dados

Data awareness provides a motivation for students to want to learn statistics. The important
aspects of data awareness include the following:

1. data are a part of everyday life and are an important component of all aspects of the
working world,
2. data are often misused, leading to misinformation, and
3. decisions made based on data can have a strong impact on our lives.

Resources for promoting data awareness include  Chance News (Snell and Finn
1992, www.dartmouth.edu/~chance/chance_news/news.html), the Data and Story
Library (DASL, lib.stat.cmu.edu/DASL), journal articles, and examples that you or your
students find in the media. Look for examples in which non-statisticians explain or debate
statistical ideas, or examples that contain misleading statistics. Pay special attention to
examples that highlight the impact of the decision that was made (for example, the decision to
make airbags powerful enough to protect the “average man” ended up killing children and
some women). Students seem to give more credibility to examples gleaned from the real
world; these examples can serve as a powerful motivator for students to ask more questions.
Remember, what is important and interesting to us as teachers may not be interesting and
important to our students. The best way to find out what is interesting to students is to ask
them to provide their own ideas, and then to save those ideas for future use.

We can promote data awareness by always providing a relevant context for the ideas that we
present in class. This holds throughout the course, not just during the first few days. In my
opinion, we should always present data in a context so that students can see why it was
collected, and what the researcher wants to know about it -- even if the questions we ask of
our students don’t necessarily require full data analysis and interpretation. After all, if our
students will be expected to work with statistics in their jobs, shouldn’t they gain insight into
the entire process of the scientific method, rather than just the second half of it -- data
analysis? To discourage students from becoming too skeptical about statistics, it is also
important to provide examples where statistics are used correctly, not only to show the bad
examples with which we are all so familiar.

To assess data awareness, I typically ask students to answer questions of an open-ended

nature:

1. Give an example of how you might encounter statistics in your chosen major.
2. Describe three ways in which statistics are presented to you through the media.
3. Identify the source of this study, discuss how statistics were used to answer the
question, and describe the impact of the study on the general public.

In my experience, students typically don’t come into the class knowing why they need to
know the subject of statistics. My advice is to get them on your side early and keep them there
with relevant, interesting examples.

3.2 Promoting the Understanding of the Basics Promover a compreensão das noções
básicas

We are all familiar with the popular  For Dummies ... series of books geared to educate the
“common man” about any given topic, from Web page design to choosing wines for dinner. If
someone were to write such a book about statistics, what would be included? I assume that a
good book about statistics for the “person on the street” would include the basics. What
exactly are the basics of statistics? Most lists are similar to the ones given byCobb (1992),
Moore (1998a,1998b), Garfield (1999), Snell (1999), and Gal (2000), among others.

Which specific content and methods should appear on an introductory statistics syllabus is a
topic that has received much attention in the literature; it is not something I will attempt to
resolve in this paper. However, I would like for us to rethink what it means for a student to
understand any statistical idea.

What does it mean to understand a statistical idea? Basically, understanding a statistical idea
means to be able to relate the concept within a nonstatistical subject matter; to explain what
the concept means, to use it in a sentence or within a broader problem, and to answer
questions about it. These skills are critical to developing a student’s ability to interpret and
carry out research involving data. How should a student demonstrate understanding? There
are several misconceptions that statistics education researchers are trying to dispel. Here are
some of them.

 Misconception 1: Calculations demonstrate understanding of statistical ideas.

Gal (2000) tells us that doing statistics is not equivalent to understanding statistics.

Calculations should not be the center of attention in the classroom. While it is
important to understand how we compute a standard deviation and the steps that are
involved in the calculation, simply being able to calculate the standard deviation does
not demonstrate a student’s ability to understand what the standard deviation is, what it
measures, or how it is used.  Chance (1997) tells us: “Statistics (is) not just plugging in
numbers into formulas, but a process for gaining information.”

 Misconception 2: Formulas help students understand the statistical idea.

 The best example I can think of to illustrate this misconception is the “calculation
formula” for calculating the standard deviation. Just because a student can plug and
chug and come up with a number doesn’t mean the student knows what it is measuring
or how to use it to solve a problem. It amazes me that even modern textbooks still
include the calculation formula for standard deviation, which has no intuitive meaning
at all. It emphasizes the mathematics, not the statistics. I have been successful in
getting students to come up with their own measure of variability through a sequence
of exercises. Often, they will provide an absolute value instead of the square, and
divide by n instead of n-1, but other than that, they have the idea (and all without a
formula). I believe the students were able to accomplish this because they thought
about what they wanted to measure, and how to measure it; and they were able to
verbally express (through examples) what they wanted to do.

Some textbook authors, such as  Utts (1996) teach statistical ideas with with minimal
use of formulas. I have also used fewer formulas in my class, and have found that I am
more successful when I demonstrate the need for the statistic, lead students to discover
ways to measure it, then talk them through the steps of finding it, all before a formula is
used. I never motivate an idea with a formula. The formula always appears at the end,
almost as an afterthought. If a formula is presented first, I feel that some students lose
motivation, some experience increased anxiety, and others simply think that is all they
need to know about the idea. These are not the attitudes we want to reinforce.

A statistical formula is simply mathematical shorthand for a process of obtaining a

statistic. I find that students tend to easily forget formulas once the exams have passed.
But if asked to explain the idea behind the formula to a teammate, I believe they are
more likely to retain that information (further research is needed to support this claim).
Formulas are not a part of students’ everyday language, but explaining how to do
something in words can be a useful life skill.  Moore (1998a) put it this way:

“We need to find ways to convey broadly applicable intellectual skills that will
outlast the more specific facts and methods that we teach. ... We too often ignore
broad ideas in our rush to convey technical content. We spend too much time
calculating and too little time discussing. In short, we are too narrow.”

 Misconception 3: Students who can explain things in statistical language demonstrate

their understanding of a statistical idea.

Let me give you an example of what I mean here. Suppose you give students a
hypothesis test for two population means, where the variable is response times for men
and women. You ask students to describe a Type II error. Going by what they learned
from us and from their textbooks, students often refer to the statistical definition: “A
Type II error occurs when we fail to reject H 0 given that the H0 was false;” But do the
students really understand this? Do all teachers really understand this? And perhaps a
more important question is, did it make sense to you the first time you explained it that
way? Did your two-by-two table showing the “truth” classified with the “errors” really
help students? Why don’t students demonstrate their understanding by answering
questions in the context of the problem? I believe it is because we don’t demonstrate or
reinforce the ideas to students that way. In my opinion, we shouldn’t define terms using
strong statistical and mathematical language -- it doesn’t help. Regarding our example,
 it might be better to say something like this: “A Type II error would occur if the
average response times between the populations of males and females really were
different, but according to our samples, we were unable to detect this difference.”

Other concepts that are hard to understand, partially because of the way they are presented in
a traditional introductory statistics textbook, include the Central Limit Theorem, sampling
distributions, spread or variability in the population (as opposed to variability in estimates),
critical values of z, and standard error. In my opinion, textbooks often miss the opportunity to
connect big ideas with common threads; rather they present the theory, then discuss the
calculation, and apply it to an example at the end. I’d like to see a nice example in the
beginning, followed by the statistical concept and how it connects to the big picture, and then
add math and calculations (only) where they are useful in terms of understanding and
practicing the statistics. If we take the ideas and present them using more relevant and usable
language for our students, connecting the big ideas with common threads, I believe students
will be able to incorporate those ideas more readily into their own knowledge base.

In defense of formulas and calculations, they do play an important role in a student being
statistically competent. However, they should not be the focal point, or the endpoint of their
knowledge.

How can we promote statistical understanding in our students? I believe the HOW we do
statistics must be motivated by WHY we should do the statistics and WHAT we are trying to
do with the statistics. Promoting the HOW at the expense of the WHY is a mistake. Examples
of the latter include students who spend enormous amounts of time calculating a correlation
coefficient, when a simple division of the  X-Y plane into four quadrants using the mean
of X and the mean of Y can provide a simple intuitive understanding of what the correlation
coefficient measures. The calculations seem to become an obstacle to understanding.

Here are some ideas that I have to promote understanding among our students. First, help
students learn proper techniques and tools, when they are used, and why they are used.
Present them with definitions that they can take hold of, rather than struggle against.
Emphasize big ideas and common threads, and not the teaching and testing of knowledge as it
falls within certain chapters of a book. Keep cross-referencing and comparing ideas to
highlight connections. Be realistic about the language used in class, and be willing to give up
some “technicalities” for broader understanding (for example, using plus or minus “2”
standard errors instead of 1.96 has meant the world to my students, and to me. What little
precision I have lost has been made up in intuitive understanding of the big idea of margin of
error). And finally, be willing to let go of the little side trails to save the big picture; for
example, does spending a whole day learning how to calculate “n choose k” really help
students understand a binomial model for binary data?

I feel that we should distribute statistical terms and ideas on a “what you need to know, when
you need to know it” basis, and make sure students “need to know.” Just because a textbook
author includes an idea in a book doesn’t mean you have to teach it. Be selective. Some ideas,
such as “standard error” can take you a long way in a course, and are worth spending a great
deal of time developing. Other terms, like “precision,” “accuracy,” “reliability,” “bias,” and
“consistency” all sound the same to students. In my opinion, splitting hairs about these terms
will only create confusion and frustration. My advice is to choose the most important ideas,
and stick to them. Big ideas and common threads have taken me a long way in my courses.
David Moore taught me to consider that if you are not going to use an idea later, then why
spend a lot of time on it now? This has become a teaching theme for me (the first things to go
were permutations and combinations).

We can assess student understanding with questions that ask them to identify ("what is the
population?" or "what is the sample?"), explain what statistical technique should be used,
explain how to do it, think about what happens if we change the numbers, for example. We
can also give students many opportunities to explain and discuss statistical ideas with each
other, and watch closely while they do this. I am convinced that students who are most likely
to be good statistical citizens and research scientists are those that are successful at
incorporating statistical concepts, terms, and ideas into their own language.

To extend this idea of understanding to collaboration, I assign student teams on the first day
of class, and I rotate teams randomly several times during the semester. Throughout the
semester, I see a language emerge throughout the class that is correct, but unlike the language
I use as a teacher to explain ideas. This simulates a true collaborative, team-based, student-
driven environment, much like the environment that many students will encounter in the
workplace. If I lectured all the time, think of how much my students (and I, myself) would be
missing!

We have to be aware that sometimes students’ misunderstandings of a basic idea can cause
big problems down the road. My advice is to not assume too much. For example, after
discussing histograms in the traditional way, along with the concepts of descriptive statistics
that help us discuss shape, center, and spread, I asked students to choose (from three
possibilities) a picture of a data set that had the least amount of variability (I gave them no
numbers). The options were a bell-shaped curve, a flat histogram, and a histogram where all
the values were located in two bars that were very close together. Almost 3/4 of my students
chose the uniform distribution. I was astounded!

When asking them to explain, they said the data showed no change from left to right in the
uniform distribution. I then realized they had the wrong concept of a histogram, and that it
was probably based on their experiences from the media -- which shows mostly line graphs
(values tracked over time). In that case a flat graph does indicate lack of variability. Now
when I hear teachers talk about how students “hit a wall” when it comes to the Central Limit
Theorem, I wonder, could it be that they don’t see the sequence of ever tightening
distributions as an indicator of less and less variability?

3.3 Data production and results

When we give students opportunities to produce their own data and find basic statistical
results, I think we are helping them to gain ownership of their own learning. We also promote
their skills to take charge of a problem involving data, much like they will have to do in the
workplace. If they are also given the opportunity to define their own research questions, then
producing their own data will greatly increase their motivation to “do some statistics” in order
to see what is going on, and to help answer their research question. This may also help them
to discover or determine methods and techniques on their own. For example, I gave my
students the Mark McGwire/Sammy Sosa home run data set, and asked students to first write
a question, and then organize the data in order to answer that question. It’s amazing how
many interesting data displays I got. It’s also amazing how much you don’t have to tell
students.
When I teach a specific technique, I try to develop the big ideas that underlie the technique,
and then use it to generalize to other situations. For example, once students see how a
confidence interval is created to estimate a population mean in a general way, they can
quickly see how it applies to a proportion, to two samples, and even to small samples, with
small variations.

I can’t stress enough the importance of putting problems and tasks within a context.  Mallows
(1998) calls this the “Zeroth Problem,” the problem that comes before the data were ever
collected. Students are so much more motivated by research questions. Statistics are the tools
that help them to answer the questions. Once they realize that, they appreciate statistics so
much more.

3.4 Interpretation at a Basic Level

Given results (statistics, graphs, computer output, tables, or raw data) can a student explain in
his or her own words what the results mean? Again, a research question will provide a proper
context. When I ask students to give the conclusion of a hypothesis test, I stress that they must
tell me what the decision was (reject H 0 or do not reject H0), and why they decided that (p-
value and test statistic). This is called the “statistical conclusion.” But this is not the final
answer. They also need to explain what it means in the context of the original research
question (since we rejected H0, we conclude that there is a home field advantage in Major
League baseball, for example). We call this the “research conclusion.” The ability to interpret
statistical information and draw proper conclusions is critical in the workplace, and those who
are good at it will be more able to advance and be successful in their positions. Moreover, this
is the truly fun part of statistics for students -- seeing it used to answer questions in which
they are most interested. Students don’t have to love statistics for statistics sake; they can
come to love statistics for what it can do -- help them to understand their world.

How can we assess the ability of students to interpret results? I think the best thing we can do
is give them opportunities to interpret their own results, using their own data. I have had the
best success with this; it gives students ownership, and allows them to really focus on what
information they want to tell us, and what it means to them. Data ownership goes a long way
here. I also try to provide situations in which teams of students work together, addressing
different pieces of a bigger problem within a common context. I think this helps students to
simulate a collaborative work environment that is focused, yet offers opportunities for
individual choices.

On exams and homework, I like to ask questions that specifically focus on interpretation (not
on the whole process of conducting the hypothesis test, for example). As an illustration,
suppose a researcher wants to know if there is any difference in average grade point average
between male and female students. His test statistic, based on 100 male and 100 female
students, is 3.28. The p-value is less than 0.0001. What is your conclusion?

I also notice that when students create statistical results themselves, they seem to develop a
better understanding of how to interpret the results. For example, when covering Chi-Square
tests as a tool for determining whether two qualitative variables are associated, I used to find
that students had difficulty reading the two-way tables that I gave them. Students were unable
to discern which direction the conditional probabilities were in; they seem to get rows and
columns mixed up. I wondered if they would do better if they created their own tables from
the raw data, instead of trying to interpret someone else’s table the first time around. This
worked. In one class of 50 students, not one of them missed the interpretation when they
organized the tables themselves. From here, they went on to understand how a given table can
be interpreted.

Interpretation should also involve some basic ability to assess the correctness of the technique
used. For example, a bar chart shows how often certain numbers are chosen in a state lottery.
The graph makes it appear that the number “2” is chosen much more often than the others.
Why is this? The answer is because the scale for the graph starts at 200 and goes in
increments of 5. If I ask a student to interpret this and he says that 2 is chosen most often, he
would be wrong. Moore (1997) provides many excellent examples that teach “data sense.”

3.5 Basic Communication Skills

Basic statistical communication skills involve reading, writing, demonstrating, and

exchanging statistical information. While interpretation demonstrates a student’s own
understanding of the statistical ideas, communication involves passing the information on to
another person in a way that they will understand it. This is an entirely different skill. Among
recruiters who hire new graduates, one of the top criteria they look for is the ability to
communicate their ideas to others. Certainly this is a skill worth developing in our students
when it comes to statistical information.

Communication involves being able to decipher something from one “language,” “style,”
“notation,” or “wording” to another. The key to developing good communication skills in our
students is to expose them to different styles. I use team teaching and team learning in my
introductory classes, and it really helps students to see another viewpoint. They also see that
teachers might not always be in perfect agreement. I believe that this is healthy for students.

Exposure to alternative notations, symbols, and definitions is essential for good statistical
citizenship, in my opinion. We can teach students that “our” notation for the sample mean is
“x-bar” others may call this “mu-hat.” This helps students broaden their understanding, and
not retain such as narrow view of what we have taught them. How many times has a student
accused you of “tricking them” by changing the numbers, the letter of the variable used, or the
context of the problem? How many times have you felt bound by a textbook to use its
notation? Broadened exposure will help minimize these problems.

I also stress communication skills through simulations of real life experiences. Examples
include the following:

1. Write a letter to the editor explaining why a graph showing the number of crimes for
1997 versus 1987 should have also included the population size for each year.
2. Suppose your friend is a journalist trying to figure out why two polls regarding public
opinion on campaign finance form do not agree, because she has to submit an article on
it. What would you tell her?
3. Organize and conduct a debate over whether or not city funds should be spent to hire
more police officers. Use statistics to back up your points.
4. You are working at a factory and are convinced that the company is losing money by
keeping a large inventory of parts that won’t be needed for several years, if the
warranty information is correct. How do you make your point to your manager?
5. Find someone who has never had a statistics class, and explain the idea of margin of
error to them.
 6. Conduct a mock TV interview where you are asked to answer questions from the
public regarding polls -- how they are conducted, why “no one ever calls me to
participate,” why you only need about 1500 people to be reasonably accurate, and why
we sometimes get conflicting results from different polls.

4. Conclusions: Statistical Competence Alone?

The goals of our introductory statistics courses are two-fold. First we want to promote and
develop good statistical citizenship, and we also want to produce good research scientists (on
whatever level students will be involved). In order to do that, we begin by developing a basic
foundation of knowledge of statistical concepts and ideas, which I call statistical competence.
Statistical competence promotes and develops skills in data awareness, production,
understanding, interpretation, and communication.

Is this all that a good statistical citizen or research scientist needs to successfully function in
today’s age of information? In my opinion, the answer is no. It is a good beginning, but it is
not the end. Once students have a basic functional knowledge, they need the ability to
question, to inquire, to probe, to compare and contrast, to explain, and to evaluate at a higher
level. They might know what a matched pairs experiment is, and that it reduces variability,
but they need to be able to explain HOW this results in a more powerful hypothesis test, and
WHY we are able to draw a cause-effect relationship in some cases, and not in others. They
also need to be able to think on their own, to identify their own questions, and come up with
their own solutions using statistics. And that requires statistical reasoning and thinking.
However, it is important to note that statistical competence is a requirement for statistical
reasoning and thinking. If you haven’t got the basic ideas down, you won’t be able to build
upon them.

Finally, I do not want to imply that in a statistics course, all the statistical competence is built
first, then all the reasoning, then all the thinking. I think that it is important to always present
a statistical problem in a relevant context with a legitimate, and relevant, research question. I
think that as students learn more, they will ask more involved questions, and we can revisit
and reinforce the scientific method over and over again throughout the course. Each time they
go through the process, they will reinforce their understanding of terms and concepts, and
their reasoning and thinking skills.

References
Chance, B. L. (1997), “Experiences with Authentic Assessment Techniques in an Introductory
Statistics Course,” Journal of Statistics Education [Online], 5(3).
(www.amstat.org/publications/jse/v5n3/chance.html)

Cobb, G. (1992), “Teaching Statistics,” in  Heeding the Call for Change: Suggestions for
Curricular Action, ed. L. A. Steen, Washington, DC: Mathematical Association of America,
3-43.

Gal, I. (ed.), (2000), Adult Numeracy Development: Theory, Research, Practice, Cresskill, NJ:
Hampton Press.
Garfield, J. (1999), “Thinking about Statistical Reasoning, Thinking, and Literacy,” Paper
presented at First Annual Roundtable on Statistical Thinking, Reasoning, and Literacy
(STRL-1).

Mallows, C. (1998), “1997 Fisher Memorial Lecture: The Zeroth Problem,”  The American
Statistician, 52, 1-9.

Moore, D. S. (1997), Statistics: Concepts and Controversies  (4th ed.), New York: W. H.

Freeman and Company.

----- (1998a), “Shaping Statistics for Success in the 21st Century: A Panel Discussion,”
Kansas State University Technical Report II-98-1.

----- (1998b), “Statistics Among the Liberal Arts,”  Journal of the American Statistical
Association, 93, 1253-1259.

Snell, L., and Finn, J. (1992), “A Course Called Chance,”  Chance, 5, 12-16.

Snell, L. (1999), “Using Chance media to Promote Statistical Literacy,” Paper presented at

the 1999 Joint Statistical Meetings, Dallas, TX.

Utts, J. (1996), Seeing Through Statistics, Belmont, CA: Duxbury Press.

Watson, J. (1997), “Assessing Statistical Thinking Using the Media,” in  The Assessment
Challenge in Statistics Education, eds. I. Gal and J. Garfield, Amsterdam: IOS Press and
International Statistical Institute.

Deborah J. Rumsey 
Department of Mathematics 
The Ohio State University 
Columbus, OH 43210 
USA 
[email protected]

Volume 10 (2002) | Archive | Index | Data Archive | Information Service | Editorial Board | Guidelines for

Authors | Guidelines for Data Contributors | H
Literacia estatística como uma meta para cursos
introdutórios Estatísticas
Deborah J. Rumsey 
The Ohio State University

Jornal de Estatística da Educação  Volume 10, Número 3 (2002),

www.amstat.org/publications/jse/v10n3/rumsey2.html

Copyright © 2002 por Deborah J. Rumsey, todos os direitos reservados.  Este texto pode ser
livremente compartilhado entre os indivíduos, mas não pode ser republicado em qualquer
meio sem a expressa autorização por escrito do autor e notificação prévia do editor.

Palavras-chave: estatísticas introdutórias; literacia estatística.

Abstrato
Neste artigo, vou definir literacia estatística (o que é eo que não é) e discutir como podemos
promovê-la em nossos cursos introdutórios estatísticas, tanto em termos de filosofia de ensino
e questões curriculares. Vou discutir os elementos importantes que compõem a literacia
estatística e fornecer exemplos de como promover cada elemento em meus cursos.  Vou
destacar a importância e formas para superar o "quê" de estatísticas para o "como" eo
"porquê" das estatísticas, a fim de realizar os objetivos de promover a cidadania e preparar
pesquisadores qualificados.

1. Introdução: Objectivos para os nossos cursos introdutórios

Estatísticas
Muitos educadores estatísticas concordam que qualquer curso de estatística introdutória deve
sensibilizar os alunos de dados na vida cotidiana e prepará-los para uma carreira no atual "era
da informação." Para atingir este objectivo, na minha opinião, devemos trabalhar para dois
objetivos primordiais para nossos cursos introdutórios de estatística.  Primeiro, queremos que
os nossos alunos a serem bons cidadãos "estatísticos", estatísticas compreensão bem o
suficiente para ser capaz de consumir a informação de que eles são inundados com uma base
diária, pensar criticamente sobre isso, e tomar boas decisões com base nessa
informação. Alguns pesquisadores chamam isso de "literacia estatística."

O segundo gol para os nossos cursos introdutórios estatísticas, e um que na minha opinião é
muitas vezes subestimado, é desenvolver habilidades cientista em nossos
estudantes. Devemos ter a certeza de promover o uso do método científico em todos os nossos
alunos: a capacidade de identificar questões, coletar evidências (dados), descobrir e aplicar as
ferramentas para interpretar os dados e resultados comunicar e trocar.  Embora seja verdade
que muitos dos nossos alunos nunca muitos conduzir um estudo científico próprio, é difícil
imaginar um aluno na sociedade de hoje que nunca vai encontrar dados ou resultados
estatísticos, ao longo de uma carreira.  Estatísticas está envolvido em todos os aspectos do
método científico. Deve também ser o caso que as estatísticas apresentadas em nossas vidas
diárias são baseadas em um ou o uso adequado ou inadequado do método científico.

Acredito que para os alunos para alcançar estes dois objectivos fundamentais, eles precisam
entender e usar ideias estatísticas em muitos níveis diferentes.  Para começar, eles precisam de
um certo nível de competência, ou entendimento, das idéias básicas, termos e linguagem de
estatísticas. Mas ser um bom cidadão estatístico e cientista de pesquisa requer mais do que
isso, que exige que o aluno ser capaz de explicar, decidir, julgar, avaliar e tomar decisões
sobre as informações. Estes requerem competências adicionais em raciocínio estatístico e do
pensamento, mas a base para essas habilidades devem primeiro ser desenvolvidas ao nível da
literacia estatística.

A fim de entender onde as estatísticas se encaixa em atingir nossos objetivos, considere o que
eu chamo de "cadeia de informação estatística." Pense na última estatística que você
encontrou na televisão. O processo que esta informação passar para chegar até
você? Primeiro, a informação foi produzida, ou geradas, por um pesquisador (por exemplo,
um médico, professor, o governo dos EUA, ou empresa independente).  Em seguida, a
informação foi pego por alguém, decifrado, e comunicada ao público-alvo (muitas vezes por
membros da mídia). Finalmente, a informação é consumida, ou recebida, pelo público (o
público em geral). Isso amplia as idéias apresentadas por Gal (2000), que identificou os alunos
como (principalmente) e consumidores (às vezes) produtores de informação.

Independentemente de onde uma pessoa está envolvida na cadeia de informação estatística,

haverá a necessidade de uma compreensão básica dos conceitos e da linguagem, um nível de
raciocínio (as habilidades de questionar, comparar e explicar) e um nível de pensamento
estatístico (aplicação das idéias para novos problemas e identificar as questões de seu
próprio).

Neste artigo, vou definir literacia estatística (o que é eo que não é) e discutir como podemos
promovê-la em nossos cursos introdutórios estatísticas, tanto em termos de filosofia de ensino
e questões curriculares. Vou discutir os elementos importantes que compõem a literacia
estatística e fornecer exemplos de como promover cada elemento em meus cursos.  Vou
destacar a importância e formas para superar o "quê" de estatísticas para o "como" eo
"porquê" das estatísticas, a fim de realizar os objetivos de promover a cidadania e preparar
pesquisadores qualificados.

2. O que é literacia estatística? Identificar os resultados de

aprendizagem
A literatura de educação estatísticas inclui várias definições de literacia estatística.  Algumas
destas definições são dadas pelo seguinte:

 "A capacidade das pessoas de interpretar e avaliar criticamente a informação estatística

e de dados baseados em argumentos que aparecem em diversos canais de mídia e sua
capacidade de discutir as suas opiniões sobre informações estatísticas" (  Gal 2 mil );
 "O entendimento da linguagem estatística: as palavras, símbolos e termos.  Ser capaz de
interpretar gráficos e tabelas.  Ser capaz de ler e dar sentido de estatísticas nas notícias,
meios de comunicação, pesquisas, etc "(  Garfield 1999 );
  "... a capacidade de compreender conceitos estatísticos e razão no nível mais básico
"( Snell 1999 );
 "... compreender o texto eo significado e as implicações da informação estatística em
que, no contexto do tópico para o qual (it) refere-se "(  Watson 1997 ).

Uma revisão da literatura diz que muitos educadores estatísticas, bem como conselhos
nacionais e Conselhos de Educação, têm formulado várias listas contendo os requisitos
básicos, ou objetivos de aprendizagem, para alguém que é estatisticamente "alfabetizado" ou
"competente".

Watson (1997) identifica três fases como componentes do "objetivo final" de

desenvolvimento da literacia estatística:

1. o conhecimento básico da terminologia estatística,

2. a compreensão da linguagem estatística e conceitos incorporados em um contexto mais
amplo da discussão social, e
3. o desenvolvimento de uma atitude de questionamento que pode aplicar os conceitos
mais sofisticados para contradizer afirmações que são feitas sem base estatística
adequada.

Como Moore (1998a ) afirmou: "Que idéias estatísticos pessoas educadas que não são
especialistas exigem no século XXI? Essa é a questão da literacia estatística.  Que conceitos e
habilidades específicas serão necessárias no contexto de trabalhos específicos?  Essa é a
questão da competência estatística. "

Gal (2000) identificou características de um estudo científico que um consumidor de

informação deve ser capaz de discutir em um nível básico:

 O tipo de estudo utilizou

 A amostra que foi seleccionado
 As medições que foram feitas
 As estatísticas que foram gerados a partir dos dados
 Os gráficos (indicadores visuais) que foram gerados a partir dos dados
 Todas as declarações de probabilidade que foram feitas com base nos dados
 Reivindicações que foram feitas com base nos dados
 A quantidade de informação que foi prestada ao consumidor
 Limitações do estudo

Note que uma discussão de cada um desses itens começa por compreender a terminologia e
identificação de cada característica dentro do contexto do problema.  No próximo nível, o
aluno será convidado a descrever os resultados do estudo de interpretação dos resultados.  Os
alunos podem ser convidados a produzir dados sobre um estudo similar.  Então, eles poderiam
ser solicitados a avaliar o estudo (que envolve o pensamento crítico, e questionando o estudo
em cada fase). Finalmente, o estudante pode ser convidado a comunicar esta informação aos
seus pares. Algumas dessas tarefas exigem competência estatística básica, e outros exigem
habilidades de ordem mais elevada de conhecimento, como raciocínio estatístico e do
pensamento.

Listas adicionais de resultados de aprendizagem para a alfabetização estatística são fornecidos

por Cobb (1992) , Moore ( 1998a , 1998b ) e Garfield (1999) , entre outros. Cada lista parece
abranger dois tipos diferentes de resultados de aprendizagem para nossos alunos: ser capaz de
funcionar como um membro educado da sociedade na era da informação, e ter um
entendimento básico e fundamental de termos estatísticos, idéias e técnicas.

Uma revisão dos trabalhos publicados e apresentados diversos sobre o tema revela que a frase
"literacia estatística" não está definida de forma consistente.  À luz da discussão acima
envolvendo os objectivos globais para nossos alunos, é claro que, enquanto todas essas
definições aplicam-se aos objetivos, o uso da expressão "literacia estatística" é demasiado
amplo. Vou tentar esclarecer as questões, omitindo a frase "literacia estatística" da minha
discussão, e em vez disso, usará duas frases distintas para se referir aos dois distintos
resultados de aprendizagem que temos discutido.  "Competência estatística" refere-se ao
conhecimento básico que subjaz raciocínio estatístico e do pensamento, e "cidadania
estatística" refere-se ao objetivo final de desenvolver a capacidade de funcionar como uma
pessoa educada na idade de hoje da informação.  Cidadania estatística pode muito bem exigir
raciocínio de alta ordem estatística e pensamento.

3. Competência estatística: O que é, eo que não é!

Competência estatístico de base, como é definido acima, envolve os seguintes componentes:

1. sensibilização de dados,
2. uma compreensão de certos conceitos estatísticos básicos e terminologia,
3. conhecimento das noções básicas de coleta de dados e geração de estatísticas
descritivas,
4. conhecimentos básicos de interpretação (a capacidade de descrever o significado dos
resultados no contexto do problema), e
5. habilidades básicas de comunicação (podendo explicar os resultados de outra pessoa).

3,1 Conscientização Dados

Conscientização de dados fornece uma motivação para que os alunos querem aprender
estatísticas. Os aspectos importantes de conscientização de dados incluem o seguinte:

1. dados fazem parte da vida cotidiana e são uma componente importante de todos os
aspectos do mundo do trabalho,
2. dados são muitas vezes mal utilizados, levando a desinformação, e
3. decisões tomadas com base nos dados pode ter um forte impacto sobre nossas vidas.

Recursos para promover a conscientização dados incluem  notícias Possibilidade ( Snell e Finn

1992 , www.dartmouth.edu/ ~ oportunidade / chance_news / news.html  ), os dados e
Biblioteca de História ( DASL ,lib.stat.cmu.edu / DASL ), revista artigos, e os exemplos que
você ou seus alunos encontrar na mídia.  Procure exemplos em que os não-estatísticos explicar
ou debater idéias estatísticos, ou exemplos que contêm estatísticas enganosas.  Preste especial
atenção aos exemplos que destacam o impacto da decisão que foi tomada (por exemplo, a
decisão de fazer airbags poderoso o suficiente para proteger o "homem médio" acabou
matando crianças e algumas mulheres).  Os estudantes parecem dar mais credibilidade a
exemplos recolhidos do mundo real, esses exemplos podem servir como um poderoso
motivador para os alunos a fazer mais perguntas.  Lembre-se, o que é importante e interessante
para nós, professores não pode ser interessante e importante para nossos alunos.  A melhor
maneira de descobrir o que é interessante para os alunos é pedir-lhes para fornecer suas
próprias idéias, e, em seguida, para salvar essas idéias para o uso futuro.

Podemos promover a conscientização de dados sempre fornecendo um contexto relevante

para as idéias que apresentamos em sala de aula.  Isto é ao longo do curso, não apenas durante
os primeiros dias. Na minha opinião, devemos sempre apresentar os dados em um contexto
para que os alunos podem ver por que foi coletado, e que o pesquisador quer saber sobre isso -
mesmo que as perguntas que fazemos dos nossos alunos não precisam necessariamente de
análise de dados completo e interpretação.  Afinal, se os nossos alunos deverão trabalhar com
estatísticas em seus empregos, eles não deveriam ganhar a introspecção em todo o processo
do método científico, ao invés de apenas a segunda metade dela - análise de dados?  Para
desencorajar os estudantes de se tornarem muito céticos sobre estatísticas, também é
importante para fornecer exemplos onde as estatísticas são usadas corretamente, não só para
mostrar os maus exemplos que nos são tão familiares.

Para avaliar a consciência de dados, eu geralmente peço aos alunos para responder a
perguntas de natureza aberta:

1. Dê um exemplo de como você pode encontrar estatísticas na sua grande escolhido.

2. Descreva três maneiras pelas quais as estatísticas são apresentadas a vocês por meio da
mídia.
3. Identificar a fonte deste estudo, discutir como as estatísticas foram usadas para
responder à pergunta, e descrever o impacto do estudo sobre o público em geral.

Na minha experiência, os alunos normalmente não entram na classe saber por que eles
precisam saber o tema das estatísticas.  Meu conselho é levá-los ao seu lado no início e mantê-
los lá com exemplos relevantes, interessantes.

3,2 Promover a compreensão dos princípios básicos

Estamos todos familiarizados com o popular  For Dummies ... série de livros voltados para
educar o "homem comum" sobre um determinado tópico, de design da página Web para
escolher vinhos para o jantar.  Se alguém fosse escrever um livro sobre as estatísticas, o que
seria incluído? Presumo que um bom livro sobre estatísticas para o "homem da rua" incluiria
o básico. O que exatamente são os princípios básicos de estatística?  A maioria das listas são
semelhantes aos dados por Cobb (1992) , Moore ( 1998a , 1998b ), Garfield (1999) , Snell
(1999) , e Gal (2000) , entre outros.

Que conteúdo específico e métodos devem aparecer em um programa de estatísticas

introdutório é um tema que tem recebido muita atenção na literatura, não é algo que vou tentar
resolver neste trabalho. No entanto, eu gostaria que nós a repensar o que significa para um
aluno a compreender qualquer idéia estatística.

O que significa entender uma idéia estatística?  Basicamente, a compreensão de uma idéia
estatística significa ser capaz de relacionar o conceito dentro de um assunto não-estatística,
para explicar o que o conceito significa, para usá-lo em uma frase ou dentro de um problema
mais amplo, e para responder a perguntas sobre o assunto.  Essas habilidades são essenciais
para desenvolver a capacidade de um aluno de interpretar e realizar pesquisas envolvendo
dados. Como deve um aluno demonstrar a compreensão?  Há vários equívocos que os
pesquisadores de educação estatísticas estão tentando dissipar.  Aqui estão alguns deles.
 Equívoco 1: Cálculos demonstram a compreensão de idéias estatísticas.

Gal (2000) nos diz que fazer as estatísticas não é equivalente a estatísticas

compreensão. Os cálculos não devem ser o centro das atenções na sala de aula.  Embora
seja importante para entender como calcular um desvio padrão e as etapas que estão
envolvidas no cálculo, basta ser capaz de calcular o desvio padrão não demonstra a
capacidade do aluno para entender o que o desvio-padrão é, o que mede, ou como ela é
usada. Possibilidade (1997) nos diz: ". Estatística (é), não bastando para isso conectar
números em fórmulas, mas um processo para a obtenção de informações"

 Equívoco 2: alunos Fórmulas ajudar a compreender a idéia de estatística.

O melhor exemplo que posso pensar para ilustrar esse equívoco é a "fórmula de
cálculo" para o cálculo do desvio-padrão.  Só porque um estudante pode ligar e fazer
barulho e chegar a um número não significa que o aluno sabe o que está de medição ou
como usá-lo para resolver um problema.  Espanta-me que até mesmo livros didáticos
modernos incluem ainda a fórmula de cálculo para o desvio padrão, que não tem
significado intuitivo em tudo. Ela enfatiza a matemática, e não as estatísticas.  Eu tenho
sido bem sucedido na obtenção de estudantes para chegar a sua própria medida de
variabilidade através de uma seqüência de exercícios.  Muitas vezes, eles vão dar um
valor absoluto, em vez da praça, e dividir por  n em vez de n -1, mas além disso, eles
têm a idéia (e tudo isso sem uma fórmula).  Eu acredito que os alunos foram capazes de
realizar isso porque pensavam sobre o que eles queriam medir e como medi-la, e eles
foram capazes de expressar verbalmente (através de exemplos) o que eles queriam
fazer.

Alguns autores de livros didáticos, tais como  Utts (1996) ensinar idéias com estatísticas
com o uso mínimo de fórmulas.  Eu também tenho usado fórmulas menos na minha
classe, e descobri que eu sou mais bem sucedido quando eu demonstrar a necessidade
para a estatística, levar os alunos a descobrir maneiras de mensurá-la, então convencê-
los através das etapas de encontrá-lo, antes de tudo uma fórmula é usado.  Eu nunca
motivar uma idéia com uma fórmula.  A fórmula sempre aparece no final, quase como
uma reflexão tardia. Se uma fórmula é apresentada em primeiro lugar, sinto que alguns
estudantes perder a motivação, alguma experiência aumento da ansiedade, e outros
simplesmente acho que é tudo o que precisa saber sobre a idéia.  Estas não são as
atitudes que queremos reforçar.

A fórmula estatística é uma simples taquigrafia matemática para um processo de

obtenção de uma estatística.  Acho que os alunos tendem a esquecer facilmente
fórmulas uma vez que os exames já passaram.  Mas, se solicitados a explicar a ideia por
trás da fórmula para um companheiro, eu acredito que eles são mais propensos a
manter essa informação (são necessárias mais pesquisas para apoiar esta afirmação).  As
fórmulas não são parte da linguagem cotidiana dos alunos, mas explicando como fazer
algo em palavras pode ser uma habilidade de vida útil.  Moore (1998a) colocar desta
forma:

"Precisamos encontrar maneiras de transmitir amplamente aplicáveis habilidades

intelectuais que vai durar os fatos mais específicos e métodos que
ensinamos. ... Nós muitas vezes ignoram as ideias gerais em nossa pressa para
 transmitir conteúdo técnico. Nós gastamos muito tempo calculista e muito pouco
tempo discutindo. Em suma, estamos muito estreito. "

 Resistência 3: Os estudantes que podem explicar as coisas em linguagem estatística

demonstrar a sua compreensão de uma idéia estatística.

Deixe-me dar um exemplo do que quero dizer aqui.  Suponha que você dê aos alunos
um teste de hipóteses para duas médias de população, onde a variável é o tempo de
resposta para os homens e mulheres. Você pede aos alunos para descrever um erro do
Tipo II. Indo por aquilo que eles aprenderam de nós e de seus livros, os alunos muitas
vezes se referem à definição estatística: "Um erro Tipo II ocorre quando deixamos de
rejeitar H 0 , dado que a H 0 foi false; "Mas será que os alunos realmente entender
isso? Não todos os professores realmente entender isso?  E talvez uma questão mais
importante é, será que faz sentido para você a primeira vez que explicou que
maneira? A sua tabela de duas a duas mostrando a "verdade" classificados com os
"erros" realmente ajudar os alunos?  Por que não os alunos demonstrem sua
compreensão, respondendo a perguntas no contexto do problema?  Eu acredito que é
porque nós não demonstrar ou reforçar as ideias para os estudantes dessa forma.  Na
minha opinião, não devemos definir os termos em linguagem estatística e matemática
forte - não ajuda. Quanto o nosso exemplo, talvez seja melhor dizer algo como isto:
"Um erro Tipo II poderia ocorrer se os tempos médios de resposta entre as populações
de homens e mulheres realmente eram diferentes, mas de acordo com nossas amostras,
que foram incapazes de detectar essa diferença . "

Outros conceitos que são difíceis de entender, parcialmente por causa da forma como são
apresentadas em um livro introdutório, as estatísticas tradicionais incluem o Teorema do
Limite Central, as distribuições de amostragem, propagação ou variabilidade na população
(em oposição à variabilidade nas estimativas), os valores críticos de  z , e erro padrão. Na
minha opinião, os livros didáticos muitas vezes perdem a oportunidade de conectar grandes
idéias com fios comuns, mas eles apresentam a teoria, então, discutir o cálculo, e aplicá-lo
para um exemplo no final. Eu gostaria de ver um bom exemplo no início, seguido pelo
conceito estatístico e como ele se conecta a grande figura, e depois adicionar matemática e
cálculos (apenas) onde eles são úteis em termos de compreender e praticar as estatísticas.  Se
tomarmos as ideias e apresentá-los usando a linguagem mais relevante e útil para os nossos
alunos, que liga as grandes idéias com tópicos comuns, acredito que os alunos serão capazes
de incorporar essas idéias mais facilmente em sua própria base de conhecimento.

Em defesa de fórmulas e cálculos, eles desempenham um papel importante em um aluno

sendo estatisticamente competente.  No entanto, eles não devem ser o ponto focal, ou o ponto
final de seu conhecimento.

Como podemos promover a compreensão estatística em nossos alunos?  Eu acredito que o
COMO fazemos estatísticas devem ser motivados por POR QUE devemos fazer as estatísticas
e que estamos tentando fazer com as estatísticas.  Promover o COMO em detrimento do POR
QUÊ é um erro. Exemplos destes últimos incluem estudantes que passam enormes
quantidades de tempo de calcular um coeficiente de correlação de, quando uma simples
divisão do X - Y plano em quatro quadrantes utilizando a média de  X ea média de Y pode
fornecer uma compreensão simples intuitiva do que a correlação medidas coeficiente.  Os
cálculos parecem tornar-se um obstáculo à compreensão.
Aqui estão algumas idéias que eu tenho que promover o entendimento entre os nossos
alunos. Em primeiro lugar, ajudar os alunos a aprender as técnicas e as ferramentas
apropriadas, quando eles são usados, e por isso eles são usados.  Apresentá-los com as
definições que podem tomar a preensão de, em vez de lutar contra.  Enfatizar grandes idéias e
fios comuns, e não o ensino e testes de conhecimento à medida que cai dentro de alguns
capítulos de um livro. Mantenha cruzamento e comparação de idéias para destacar as
ligações. Seja realista sobre a linguagem utilizada em sala de aula, e estar disposto a desistir
de alguns "técnicos" para um entendimento mais amplo (por exemplo, usando mais ou menos
"2" erros comuns em vez de 1,96 significou o mundo para os meus alunos, e para mim. O que
pouca precisão eu perdi foi feito em compreensão intuitiva da idéia de grande margem de
erro). E, finalmente, estar disposto a deixar de lado as trilhas pouco de lado para salvar a
imagem grande, por exemplo, não passar um dia inteiro aprendendo como calcular
" n escolhe k "realmente ajudar os alunos a compreender um modelo binomial para dados
binários?

Eu sinto que devemos distribuir termos estatísticos e idéias sobre "o que você precisa saber,
quando você precisa saber que" a base, e certifique-se de alunos "precisa saber." Só porque
um autor de livro didático inclui uma idéia em um livro doesn 't significa que você tem que
ensiná-la. Seja seletivo. Algumas idéias, como "erro padrão" você pode ter um longo caminho
em um curso, e que vale a pena gastar uma grande quantidade de tempo em
desenvolvimento. Outros termos, como "precisão, a" precisão "", "confiabilidade",
"preconceito" e "coerência" tudo o mesmo som para os alunos.  Na minha opinião, dividir os
cabelos sobre esses termos só vai criar confusão e frustração.  Meu conselho é escolher as
idéias mais importantes, e cumpri-los. Grandes idéias e fios comuns me levaram um longo
caminho nos meus cursos. David Moore ensinou-me a considerar que se você não estiver indo
para usar uma idéia mais tarde, então por que gastar muito tempo com isso agora?  Isto tornou-
se um tema de ensino para mim (as primeiras coisas a ir foram permutações e combinações).

Podemos avaliar a compreensão do aluno com as questões que pedir-lhes para identificar ("o
que é a população?" Ou "qual é a amostra?"), Explica que a técnica estatística deve ser usado,
explicar como fazê-lo, pense sobre o que acontece se alterar os números, por
exemplo. Podemos também dar aos alunos muitas oportunidades para explicar e discutir
idéias estatísticos uns com os outros, e assistir de perto enquanto eles fazem isso.Estou
convencido de que os alunos que têm mais probabilidade de ser bons cidadãos estatísticos e
cientistas são aqueles que são bem sucedidos em incorporar conceitos estatísticos, termos e
idéias em sua própria língua.

Para estender essa idéia de compreender a colaboração, eu atribuir as equipes de alunos no

primeiro dia de aula, e eu rodar equipes vezes de forma aleatória várias vezes durante o
semestre. Ao longo do semestre, eu vejo uma linguagem emergir em toda a classe que é
correto, mas ao contrário da linguagem que eu uso como um professor para explicar
ideias. Este simula uma colaboração verdadeira, baseada em equipes, estudante orientado
ambiente, bem como o ambiente que muitos alunos vão encontrar no local de trabalho.  Se eu
palestras o tempo todo, pensar o quanto meus alunos (e eu, eu mesmo) estaria faltando!

Temos de estar cientes de que, por vezes, mal-entendidos dos alunos de uma idéia básica pode
causar grandes problemas no caminho.  Meu conselho é não assumir muito.  Por exemplo,
depois de discutir histogramas da maneira tradicional, juntamente com os conceitos de
estatística descritiva que nos ajudam a discutir forma, o centro eo spread, eu perguntei aos
alunos a escolher (a partir de três possibilidades) a imagem de um conjunto de dados que teve
a menor quantidade da variabilidade (eu dei-lhes nenhum número).  As opções eram uma
curva em forma de sino, um histograma plana, e um histograma em que todos os valores
foram localizados em duas barras que foram muito próximas umas das outras.  Quase 3/4 dos
meus alunos escolheram a distribuição uniforme.  Fiquei espantado!

Ao pedir-lhes para explicar, eles disseram que os dados não mostraram nenhuma mudança da
esquerda para a direita na distribuição uniforme.  Então eu percebi que eles tinham o conceito
errado de um histograma, e que provavelmente foi baseado em suas experiências de mídia -
que mostra a maioria gráficos de linha (valores monitorados ao longo do tempo).  Neste caso
um gráfico plana faz indicar a ausência de variabilidade.  Agora, quando ouço falar sobre os
professores como os alunos "bater em uma parede" quando se trata do Teorema do Limite
Central, eu me pergunto, será que eles não vêem a seqüência de nunca apertar distribuições
como um indicador de variabilidade cada vez menos?

3.3 Produção de Dados e resultados

Quando damos aos alunos a oportunidade de produzir seus próprios dados e encontrar básicos
resultados estatísticos, eu penso que nós estamos ajudando-os a obter a propriedade de sua
própria aprendizagem. Nós também promover as suas competências para tomar conta de um
problema envolvendo dados, bem como terão que fazer no trabalho.  Se eles também têm a
oportunidade de definir suas próprias questões de investigação, em seguida, produzir seus
próprios dados aumentará significativamente a sua motivação para "fazer algumas
estatísticas" para ver o que está acontecendo, e para ajudar a responder sua pergunta da
pesquisa. Isso também pode ajudá-los a descobrir ou determinar métodos e técnicas por conta
própria. Por exemplo, eu dei os meus alunos a McGwire Mark / Sammy Sosa home run
conjunto de dados, e pediram a estudantes que primeiro escrever uma pergunta, e, em seguida,
organizar os dados, a fim de responder a essa pergunta.  É incrível como muitos mostradores
de dados interessantes que eu tenho. Também é surpreendente o quanto você não tem que
dizer aos alunos.

Quando eu ensino uma técnica específica, tento desenvolver as grandes idéias que
fundamentam a técnica e usá-lo para generalizar para outras situações.  Por exemplo, uma vez
que os alunos vêem como um intervalo de confiança é criada para estimar uma média da
população de um modo geral, eles podem rapidamente ver como se aplica a uma proporção,
para duas amostras, e até mesmo para pequenas amostras, com pequenas variações.

Eu não posso enfatizar o suficiente a importância de colocar os problemas e tarefas dentro de

um contexto. Mallows (1998) chama isso de "Problema Zeroth," o problema que vem antes
que os dados nunca foram recolhidas. Os alunos estão muito mais motivados por questões de
pesquisa. As estatísticas são as ferramentas que os ajudem a responder as perguntas.  Logo eles
percebem que, eles apreciam estatísticas muito mais.

3,4 Interpretação em um nível básico

Resultados dados (estatísticas, gráficos, saída para computador, tabelas ou dados em bruto)
pode um aluno explicar em suas próprias palavras o que significam os
resultados? Novamente, uma questão de pesquisa será fornecer um contexto
adequado. Quando eu peço aos alunos para dar a conclusão de um teste de hipótese, gostaria
de salientar que eles devem me dizer o que a decisão foi (rejeitar H  0 ou não rejeitar H 0 ), e
por isso eles decidiram que (  p -valor e estatística de teste).  Essa é a chamada "conclusão
estatística." Mas essa não é a resposta final.  Eles também precisam explicar o que significa no
contexto da questão de pesquisa original (já que rejeitada H  0 , concluímos que há uma
vantagem de jogar em casa na Major League de beisebol, por exemplo).  Chamamos isso de
"conclusão da pesquisa." A capacidade de interpretar a informação estatística e tirar
conclusões adequadas é fundamental no ambiente de trabalho, e aqueles que são bons no que
será mais capaz de avançar e ser bem sucedido em suas posições.  Além disso, esta é a parte
realmente divertida de estatísticas para os alunos - vê-lo usado para responder a questões em
que estão mais interessados. Os alunos não têm a amar as estatísticas da estatística, pois eles
podem vir a amar as estatísticas de que ele pode fazer - ajudá-los a compreender o seu mundo.

Como podemos avaliar a habilidade dos alunos para interpretar os resultados?  Acho que a
melhor coisa que podemos fazer é dar-lhes oportunidades para interpretar os seus próprios
resultados, utilizando seus próprios dados.  Eu tive o melhor sucesso com este, que dá posse
aos alunos, e permite que eles realmente se concentrar nas informações que eles querem nos
dizer, eo que isso significa para eles.  Propriedade dos dados vai um longo caminho aqui.  Eu
também tento proporcionar situações em que as equipes de alunos trabalham em conjunto,
abordando diferentes peças de um problema maior dentro de um contexto comum.  Acho que
isso ajuda os alunos a simular um ambiente de trabalho colaborativo que é focado, ainda
oferece oportunidades de escolhas individuais.

Em exames e trabalhos de casa, eu gosto de fazer perguntas que enfoquem especificamente

interpretação (não em todo o processo de realização do teste de hipótese, por exemplo).  Como
ilustração, suponha que um pesquisador quer saber se existe alguma diferença na média do
ponto médio grau entre estudantes do sexo masculino e feminino.  Sua estatística de teste, com
base em 100 machos e 100 estudantes do sexo feminino, é 3,28.  O p -valor é inferior a
0,0001. Qual é a sua conclusão?

Eu também noto que quando os alunos criam-se os resultados estatísticos, eles parecem
desenvolver uma melhor compreensão de como interpretar os resultados.  Por exemplo, na
cobertura do qui-quadrado como uma ferramenta para determinar se duas variáveis
qualitativas estão associados, eu costumava achar que os alunos tinham dificuldade de ler as
tabelas de duas vias que eu lhes deu.  Os alunos eram incapazes de discernir em que direção as
probabilidades condicionais foram, pois eles parecem ter linhas e colunas misturadas.  Eu me
perguntei se eles fariam melhor se eles criaram os seus próprios quadros a partir dos dados
brutos, em vez de tentar interpretar de outra pessoa tabela da primeira vez.  Isso funcionou. Em
uma classe de 50 alunos, nenhum deles perdeu a interpretação quando eles se organizaram as
próprias tabelas. A partir daí, eles passaram a entender como uma determinada tabela pode ser
interpretado.

Interpretação também deve envolver alguma habilidade básica para avaliar a exatidão da
técnica utilizada. Por exemplo, um gráfico de barras mostra como muitas vezes alguns
números são escolhidas de uma loteria estadual.  O gráfico faz com que pareça que o número
"2" é escolhido com muito mais frequência do que os outros.  Por que isso? A resposta é
porque a escala do gráfico começa em 200 e vai em incrementos de 5.  Se eu perguntar a um
aluno a interpretar isso e ele diz que 2 é escolhida na maioria das vezes, ele estaria
errado. Moore (1997) fornece muitos exemplos excelentes que ensinam "dados dos sentidos."

3,5 habilidades básicas de comunicação

Habilidades básicas de comunicação estatísticos envolvem leitura, escrita, demonstrando, e
troca de informação estatística. Embora a interpretação demonstra própria compreensão do
aluno das idéias estatísticos, a comunicação envolve a passagem a informação sobre a outra
pessoa de uma maneira que eles vão entender.  Esta é uma habilidade totalmente
diferente. Entre os recrutadores que contratam recém-formados, um dos principais critérios
que eles procuram é a capacidade de comunicar suas idéias aos outros.  Certamente esta é uma
habilidade vale a pena desenvolver em nossos alunos quando se trata de informação
estatística.

A comunicação envolve ser capaz de decifrar algo de uma "linguagem", "estilo", "notação",
ou "fórmula" para outro. A chave para desenvolver boas habilidades de comunicação em
nossos alunos é expô-los a diferentes estilos.  Eu uso o ensino em equipa ea equipa de
aprendizagem nas minhas aulas introdutórias, e isso realmente ajuda os alunos a ver um outro
ponto de vista. Eles também vêem que os professores não podem estar sempre em perfeito
acordo. Acredito que isto é saudável para os alunos.

A exposição a notações alternativas, símbolos e definições essenciais para a cidadania

estatística boa, na minha opinião.  Podemos ensinar aos alunos que o "nosso" notação para a
média da amostra é "x-bar" outros podem chamar isso de "mu-chapéu." Isso ajuda os alunos a
ampliar sua compreensão, e não reter tais como visão estreita do que lhes ensinei.  Quantas
vezes um aluno acusou de "enganar-los", alterando os números, a letra da variável utilizada,
ou o contexto do problema? Quantas vezes você já se sentiu obrigado por um livro didático
para usar sua notação? Exposição ampliada vai ajudar a minimizar estes problemas.

Eu também ressaltar as habilidades de comunicação através de simulações de experiências da

vida real. Exemplos incluem o seguinte:

1. Escreva uma carta para o editor de explicar por que um gráfico que mostra o número de
crimes em 1997 contra 1987 deveria ter incluído também o tamanho da população de
cada ano.
2. Suponha que seu amigo é um jornalista tentando descobrir por que duas pesquisas
sobre a opinião pública sobre a forma de financiamento de campanha não concordo,
porque ela tem que apresentar um artigo sobre ele.  O que você diria a ela?
3. Organizar e realizar um debate sobre se ou não os recursos da cidade deve ser gasto
para contratar mais policiais. Use as estatísticas para fazer backup de seus pontos.
4. Você está trabalhando em uma fábrica e estão convencidos de que a empresa está
perdendo dinheiro mantendo um grande estoque de peças que não serão necessários
durante vários anos, se as informações de garantia está correta.  Como você faz seu
ponto com seu gerente?
5. Encontrar alguém que nunca teve uma aula de estatísticas, e explicar a idéia de margem
de erro para eles.
6. Conduzir uma entrevista de TV simulação onde você está convidado a responder a
perguntas dos enquetes públicas relativas - como eles são conduzidos, porque "nunca
ninguém me chama para participar," porque você só precisa de cerca de 1500 pessoas a
serem razoavelmente precisas, e por que às vezes obter resultados conflitantes de
pesquisas diferentes.

4. Conclusões: Competência Estatística Sozinho?

Os objetivos dos nossos cursos introdutórios estatísticas são duas vezes.  Primeiro queremos
promover e desenvolver a cidadania estatística boa, e nós também queremos produzir bons
cientistas (em qualquer nível os alunos serão envolvidos).  Para fazer isso, começamos por
desenvolver um fundamento básico do conhecimento de conceitos estatísticos e idéias, que eu
chamo de competência estatística. Competência estatística promove e desenvolve habilidades
em dados conscientização, produção, compreensão, interpretação e comunicação.

Isso é tudo que um bom cidadão estatístico ou cientista precisa funcionar com êxito na era da
informação? Na minha opinião, a resposta é não. É um bom início, mas não é o fim. Uma vez
que os alunos têm um conhecimento básico funcional, eles precisam da capacidade de
questionar, de perguntar, sondar, para comparar e contrastar, para explicar, e avaliar em um
nível superior. Eles podem saber o que é uma experiência combinada de pares é, e que reduz a
variabilidade, mas eles precisam ser capazes de explicar como isso resulta em um teste de
hipótese mais poderoso, e porque nós somos capazes de desenhar uma relação causa-efeito,
em alguns casos, e não em outros. Eles também precisam ser capazes de pensar por conta
própria, para identificar suas próprias perguntas, e chegar a suas próprias soluções, usando
estatísticas. E isso exige raciocínio estatístico e do pensamento.  No entanto, é importante
notar que a competência estatística é um requisito para o raciocínio estatística e pensar.  Se
você não tem as idéias básicas para baixo, você não será capaz de construir sobre eles.

Finalmente, eu não quero dar a entender que em um curso de estatística, todas as

competências estatística é construída primeiro, depois toda a fundamentação, em seguida,
todo o pensamento. Eu acho que é importante sempre apresentar um problema estatístico em
um contexto relevante com uma questão de pesquisa legítima e relevante.  Eu acho que como
os alunos aprendem mais, eles vão fazer perguntas mais envolvidos, e podemos rever e
reforçar o método científico e outra vez durante o curso.  Cada vez que passar pelo processo,
eles vão reforçar a sua compreensão de termos e conceitos, e seu raciocínio e habilidades de
pensamento.

Referências
Chance, BL (1997), "Experiências com Técnicas de Avaliação autênticos em um Curso
Introdutório de Estatística," Jornal de Estatística da Educação [Online], 5
(3). ( www.amstat.org/publications/jse/v5n3/chance.html)

Cobb, G. (1992), "Ensino de Estatística", em atendendo ao chamado para a mudança:

Sugestões para ação Curricular , ed. LA Steen, Washington, DC: Mathematical Association
of America, 3-43.

Gal, I. (ed.), (2000), Noções Elementares de Desenvolvimento Adulto: Teoria, Pesquisa,

Prática , Cresskill, NJ: Hampton Press.

Garfield, J. (1999), "Pensando em raciocínio estatístico, pensar e Alfabetização",

Comunicação apresentada na primeira mesa-redonda anual sobre Pensamento Estatístico,
raciocínio e Alfabetização (STRL-1).

Mallows, C. (1998), "1997 Fisher Palestra Memorial: O Problema Zeroth,"  O estatístico

americano , 52, 1-9.
Moore, DS (1997), Estatística: Conceitos e Controvérsias  (4 ª ed.), New York: WH Freeman
and Company.

----- (1998a), "Shaping Estatísticas para o Sucesso no Século 21: um painel de discussão",
Kansas State University Relatório Técnico II-98-1.

----- (1998b), "Estatísticas Entre as Artes Liberais",  Jornal da Associação Americana de

Estatística , 93, 1253-1259.

Snell, L., e Finn, J. (1992), "um curso chamado Chance,"  Possibilidade , 5, 12-16.

Snell, L. (1999), "Uso Possibilidade de mídia para promover a literacia estatística ", Trabalho
apresentado no de 1999 reuniões estatísticas conjuntas, Dallas, TX.

Utts, J. (1996), Vendo por meio de estatísticas , Belmont, CA: Duxbury Press.

Watson, J. (1997), "Avaliação Pensamento Estatístico Usando a mídia", em  O Desafio de

Avaliação em Educação Estatística  , eds. I. Gal e J. Garfield, Amsterdam: IOS Press e
Instituto Internacional de Estatística.

Deborah J. Rumsey 
Departamento de Matemática 
da Ohio State University 
Columbus, OH 43210 
EUA [email protected]

Volume 10 (2002) | Arquivo | Índice | Data Archive | Serviço de Informação | Editorial | Orien