Statistica Descrittiva Bivariata: Correlazione

L'analisi della correlazione richiede agli studenti di passare dalla teoria alla pratica con dati reali, dove la manipolazione attiva delle variabili aiuta a comprendere la differenza tra associazione e causalità. Gli studenti imparano meglio quando collegano concetti astratti a misurazioni concrete, come altezze e pesi, che rendono tangibile la relazione lineare tra due variabili quantitative.

• 3a Liceo
• Geometria Analitica e Funzioni: Il Linguaggio del Piano
• 4 attività
• 30 min–45 min

Obiettivi di apprendimento

1. Calcolare il coefficiente di correlazione di Pearson per un dato set di dati bivariati.
2. Confrontare la forza e la direzione delle relazioni lineari tra diverse coppie di variabili quantitative.
3. Spiegare il significato di un coefficiente di correlazione positivo, negativo e prossimo allo zero.
4. Valutare criticamente se una forte correlazione osservata tra due variabili suggerisce una relazione causale, giustificando la risposta.

Apprendimento basato su progetti

⏱ 35 min·Coppie

Misurazioni in Coppia: Altezza e Peso

In coppia, gli studenti misurano altezza e peso dei compagni, inseriscono dati in fogli elettronici, creano scatter plot e calcolano r. Confrontano risultati in plenaria e interpretano la forza della correlazione. Discutono potenziali fattori confondenti.

Preparazione e dettagli

Cosa indica il coefficiente di correlazione di Pearson riguardo alla relazione tra due variabili?

Suggerimento per la facilitazione: Durante 'Misurazioni in Coppia', guidate gli studenti a discutere in coppia come potrebbero influenzare la correlazione tra altezza e peso variabili nascoste come l'età o lo sport praticato.

Setup: Ambiente di lavoro flessibile con accesso a materiali e tecnologie

Materials: Project brief con driving question (domanda guida), Template di pianificazione e cronoprogramma, Rubrica di valutazione con tappe intermedie, Materiali per la presentazione finale

• Applicare
• Analizzare
• Valutare
• Creare
• Autogestione
• Abilità Relazionali
• Processo Decisionale

Apprendimento basato su progetti

⏱ 45 min·Piccoli gruppi

Stazioni di Correlazione

Prepara tre stazioni con dataset: positiva (ore studio-voti), negativa (temperatura-riscaldamento), nulla (numeri casuali). I gruppi ruotano ogni 10 minuti, graficano, calcolano r e giustificano l'interpretazione. Condividono osservazioni finali.

Preparazione e dettagli

Differenzia una correlazione positiva da una negativa e da una assenza di correlazione.

Suggerimento per la facilitazione: Nelle 'Stazioni di Correlazione', posizionate un timer visibile per mantenere il ritmo e assicuratevi che ogni stazione abbia dati eterogenei per stimolare discussioni diverse.

Setup: Ambiente di lavoro flessibile con accesso a materiali e tecnologie

Materials: Project brief con driving question (domanda guida), Template di pianificazione e cronoprogramma, Rubrica di valutazione con tappe intermedie, Materiali per la presentazione finale

• Applicare
• Analizzare
• Valutare
• Creare
• Autogestione
• Abilità Relazionali
• Processo Decisionale

Apprendimento basato su progetti

⏱ 40 min·Piccoli gruppi

Correlazioni Spurie: Caccia al Tesoro

Fornisci grafici con associazioni forti ma non causali, come formaggio per capita e incidenti strangolamento. I gruppi analizzano, identificano perché non causale e presentano spiegazioni con diagrammi di causa-effetto. Vota la migliore.

Preparazione e dettagli

Giustifica perché correlazione non implica necessariamente causalità.

Suggerimento per la facilitazione: Nella 'Caccia al Tesoro', assegnate ruoli specifici ai gruppi (es. chi ricerca, chi calcola, chi argomenta) per responsabilizzare tutti gli studenti nel processo.

Setup: Ambiente di lavoro flessibile con accesso a materiali e tecnologie

Materials: Project brief con driving question (domanda guida), Template di pianificazione e cronoprogramma, Rubrica di valutazione con tappe intermedie, Materiali per la presentazione finale

• Applicare
• Analizzare
• Valutare
• Creare
• Autogestione
• Abilità Relazionali
• Processo Decisionale

Simulazione

⏱ 30 min·Coppie

Simulazione Dati Casuali

Usando calcolatrici o app, generano coppie di variabili casuali, calcolano r ripetutamente e tracciano istogrammi dei valori. Osservano che r tende a zero senza relazione. Discutono implicazioni per dati reali.

Preparazione e dettagli

Cosa indica il coefficiente di correlazione di Pearson riguardo alla relazione tra due variabili?

Suggerimento per la facilitazione: Durante la 'Simulazione Dati Casuali', usate un proiettore per mostrare in tempo reale come cambia r quando aggiungete o rimuovete valori anomali dai dati.

Setup: Spazio flessibile organizzato in postazioni per i gruppi

Materials: Schede ruolo con obiettivi e risorse, Valuta di gioco o token, Tabella di marcia dei round

• Applicare
• Analizzare
• Valutare
• Creare
• Consapevolezza Sociale
• Processo Decisionale

Insegnare questo argomento

Insegnare la correlazione richiede un equilibrio tra calcolo meccanico e pensiero critico: evitate di presentare r come una formula da memorizzare, ma focalizzatevi su come interpretare il suo valore nel contesto di un problema reale. Usate dataset autentici piuttosto che esercizi preconfezionati, perché i dati reali nascondono sempre complessità che costringono gli studenti a riflettere. Ricordate che gli studenti spesso confondono correlazione e causalità perché i libri di testo presentano esempi troppo semplici: introducete presto esempi di correlazioni spurie per costruire un mindset statistico robusto.

Cosa aspettarsi

Al termine delle attività, gli studenti dovrebbero saper calcolare il coefficiente di correlazione di Pearson, interpretare scatter plot e discutere criticamente la differenza tra correlazione e causalità. Il successo si misura non solo nei calcoli, ma nella capacità di argomentare con esempi concreti e di riconoscere pattern spurii in dataset complessi.

Attenzione a questi errori comuni

Errore comune

Durante 'Misurazioni in Coppia', alcuni studenti potrebbero affermare che 'più sei alto, più pesi' implica che l'altezza causi il peso.

Cosa insegnare invece

Durante l'attività, chiedete agli studenti di elencare variabili confondenti (età, massa muscolare, dieta) e di discutere come queste possano spiegare la relazione osservata, usando i dati reali raccolti come prova.

Errore comune

Durante 'Correlazioni Spurie: Caccia al Tesoro', gli studenti potrebbero generalizzare che tutte le correlazioni tra variabili temporali implicano causalità.

Cosa insegnare invece

Durante la caccia, fornite dataset come 'numero di ombrelli venduti vs. incidenti stradali' e guidate gli studenti a identificare la terza variabile (es. pioggia) che spiega la correlazione, usando fogli di lavoro con spazio per annotazioni.

Errore comune

Durante 'Simulazione Dati Casuali', alcuni studenti potrebbero pensare che una correlazione negativa debole (es. r = -0.3) significhi che le variabili non sono correlate affatto.

Cosa insegnare invece

Usate la simulazione per mostrare come, anche con r vicino a zero, pattern sistematici (es. un cluster di punti) possono emergere, spingendo gli studenti a interpretare il grafico prima del valore numerico.

Idee per la Valutazione

Biglietto di Uscita

Dopo 'Misurazioni in Coppia', fornite un set di dati con 6 coppie di altezza e peso. Chiedete agli studenti di calcolare r e di scrivere una frase che interpreti il risultato, specificando se la correlazione è positiva, negativa o assente e motivando la scelta con un riferimento al grafico.

Spunto di Discussione

Durante 'Correlazioni Spurie: Caccia al Tesoro', dividete la classe in gruppi e assegnate a ciascuno uno scenario spurio (es. 'numero di insegnanti vs. consumi di cioccolato'). Chiedete: 'La correlazione in questo scenario suggerisce una causalità? Perché sì o perché no?' I gruppi presentano le loro argomentazioni ai compagni.

Verifica Rapida

Dopo 'Stazioni di Correlazione', mostrate tre scatter plot (forte positiva, forte negativa, nessuna correlazione) e chiedete agli studenti di abbinare ciascun grafico a un valore di r (-0.9, 0.2, 0.85) usando i post-it. Poi, in plenaria, chiedete a tre studenti di spiegare le loro scelte, correggendo eventuali errori in tempo reale.

Estensioni e supporto

• Challenge: Chiedete agli studenti di creare un dataset di 20 punti con una correlazione artificiale forte (r vicino a 0.9) ma con un pattern non lineare nascosto, come una parabola o un'onda. Presentate poi il grafico senza la formula e chiedete ai compagni di gruppo di scoprire il pattern con l'aiuto di una calcolatrice grafica.
• Scaffolding: Fornite agli studenti una tabella con dati mancanti o errati da correggere prima di calcolare r, usando la 'Stazione di Correlazione' come esercizio guidato con domande stimolo come 'Quale punto sembra un outlier e perché?'.
• Deeper: Proponete una ricerca guidata su come la correlazione viene usata in ambiti professionali (es. medicina, economia, sport) e chiedete agli studenti di presentare un caso studio in cui la correlazione è stata fraintesa, estraendo dati da fonti affidabili come ISTAT o WHO.

Vocabolario Chiave

Correlazione di Pearson (r)	Una misura statistica che quantifica la forza e la direzione della relazione lineare tra due variabili quantitative. Varia tra -1 e 1.
Correlazione positiva	Indica che all'aumentare di una variabile, anche l'altra variabile tende ad aumentare. Il coefficiente r è positivo.
Correlazione negativa	Indica che all'aumentare di una variabile, l'altra variabile tende a diminuire. Il coefficiente r è negativo.
Assenza di correlazione lineare	Suggerisce che non esiste una relazione lineare evidente tra le due variabili. Il coefficiente r è vicino a zero.
Scatter plot	Un grafico che visualizza i dati bivariati come punti, dove ogni punto rappresenta una coppia di valori per le due variabili. Utile per osservare visivamente la tendenza.