OMISSÃO CONCEITUAL NO RELATÓRIO ESTATÍSTICO DO MICROSOFT EXCEL: IMPLICAÇÕES PARA O RIGOR EM EDUCAÇÃO MATEMÁTICA
Resumo
Planilhas eletrônicas desempenham papel estruturante na mediação do conhecimento estatístico em contextos educacionais. Este estudo examina a apresentação das medidas de dispersão no relatório de estatística descritiva do Microsoft Excel, em sua configuração padrão, com foco na consistência entre denominação e procedimento de cálculo. A investigação baseia-se na análise do output gerado pelo software e na reconstrução algébrica das expressões correspondentes. Os resultados evidenciam uma assimetria interna: a variância é explicitamente identificada como amostral, enquanto o desvio padrão correspondente é apresentado sem qualificação, embora seja calculado sob o mesmo regime inferencial associado à correção de Bessel. Tal configuração preserva a coerência matemática do cálculo, mas introduz uma discrepância na explicitação conceitual no próprio relatório. Os resultados indicam que essa assimetria reduz a visibilidade, no próprio relatório, de uma distinção estruturante da estatística inferencial, ao dissociar parcialmente a denominação da medida de seu critério de cálculo. Conclui-se que a explicitação terminológica das medidas em ambientes computacionais contribui para o alinhamento entre automatização e compreensão teórica em práticas formativas mediadas por tecnologias digitais.
Biografia do Autor
Escritor e professor universitário em temas relacionados às ciências exatas e às tecnologias educacionais. Mestre em Ciências Naturais e Matemática pela Universidade Regional de Blumenau (FURB, 2012). Especialista em Metodologia do Ensino de Matemática pelo IBPEX (2006). Bacharel em Ciências Contábeis pela Universidade da Região de Joinville (UNIVILLE, 2000). Possui formação pedagógica de docentes pelo Centro Universitário de Jaraguá do Sul (UNERJ, 2006).
Referências
BORBA, Marcelo C.; VILLARREAL, Monica E. Humans-with-media and the reorganization of mathematical thinking: information and communication technologies, modeling, experimentation and visualization. New York: Springer, 2005. DOI: https://doi.org/10.1007/b105001
BURRELL, Jenna. How the machine “thinks”: understanding opacity in machine learning algorithms. Big Data & Society, v. 3, n. 1, p. 1–12, 2016. DOI: https://doi.org/10.1177/2053951715622512 DOI: https://doi.org/10.1177/2053951715622512
CASELLA, George; BERGER, Roger L. Statistical inference. 2. ed. Pacific Grove: Duxbury Press, 2002.
CHANCE, Beth L. et al. The role of technology in improving student learning of statistics. Technology Innovations in Statistics Education, v. 1, n. 1, 2007. Disponível em: https://escholarship.org/uc/item/8sd2t4rr Acesso em: 18 mar. 2026. DOI: https://doi.org/10.5070/T511000026
FLORIDI, Luciano. The philosophy of information. Oxford: Oxford University Press, 2011. DOI: https://doi.org/10.1002/9781444396836.ch10
GAL, Iddo. Adults’ statistical literacy: meanings, components, responsibilities. In: GAL, Iddo (ed.). Adult numeracy development: theory, research, practice. Cresskill: Hampton Press, 2002. p. 1–25. DOI: https://doi.org/10.1111/j.1751-5823.2002.tb00336.x
GARFIELD, Joan; BEN-ZVI, Dani. Developing students’ statistical reasoning: connecting research and teaching practice. New York: Springer, 2008.
GILLESPIE, Tarleton. The relevance of algorithms. In: GILLESPIE, T.; BOCZKOWSKI, P. J.; FOOT, K. A. (ed.). Media technologies: essays on communication, materiality, and society. Cambridge: MIT Press, 2018.
GONÇALVES, Rafael A.; MEDEIROS, Jonas de. Aplicações tecnológicas em ambiente acadêmico: um olhar sobre o uso de planilhas eletrônicas e seus impactos sócio-mercadológicos. In: CARRARA, Rosangela Martins; ORTH, Miguel Alfredo (org.). Educação e tecnologia na América Latina. Florianópolis: Contexto Digital Tecnologia Educacional, 2018. p. 51–77.
GONÇALVES, Rafael A.; MEDEIROS, Jonas de. Erros sutis, grandes impactos: identificando fragilidades em planilhas eletrônicas. In: GONÇALVES, Rafael A.; MEDEIROS, Jonas de (org.). Tecnologias da informação e comunicação: desafios e perspectivas na integração academia e mercado. Curitiba: Editora Bagai, 2020. p. 143–163.
KNOX, Jeremy. What does the “postdigital” mean for education? Postdigital Science and Education, v. 1, n. 2, p. 357–370, 2019. DOI: https://doi.org/10.1007/s42438-019-00045-y DOI: https://doi.org/10.1007/s42438-019-00045-y
MOOD, Alexander M.; GRAYBILL, Franklin A.; BOES, Duane C. Introduction to the theory of statistics. 3. ed. New York: McGraw-Hill, 1974.
MOORE, David S.; MCCABE, George P.; CRAIG, Bruce A. Introduction to the practice of statistics. 9. ed. New York: W. H. Freeman, 2017.
PASQUALE, Frank. The black box society: the secret algorithms that control money and information. Cambridge: Harvard University Press, 2015. DOI: https://doi.org/10.4159/harvard.9780674736061
SELWYN, Neil. Education and technology: key issues and debates. 2. ed. London: Bloomsbury, 2016. DOI: https://doi.org/10.5040/9781474235952
SKOVSMOSE, Ole. Educação matemática crítica: a questão da democracia. Campinas: Papirus, 2001.
TROUCHE, Luc. Managing the complexity of human/machine interactions in computerized learning environments: guiding students’ command process through instrumental orchestrations. International Journal of Computers for Mathematical Learning, v. 9, n. 3, p. 281–307, 2004. DOI: https://doi.org/10.1007/s10758-004-3468-5
WILLIAMSON, Ben. Datafication and automation in education during and after the COVID-19 crisis. Postdigital Science and Education, v. 2, p. 1–21, 2020.
