Enseñanza de la Probabilidad Parte 1

El pensamiento aleatorio y los sistemas de datos

(Tomado de los lineamientos curriculares MEN)
Este tipo de pensamiento, llamado también probabilístico o estocástico, ayuda a tomar
decisiones en situaciones de incertidumbre, de azar, de riesgo o de ambigüedad por falta
de información confiable, en las que no es posible predecir con seguridad lo que va a
pasar. El pensamiento aleatorio se apoya directamente en conceptos y procedimientos
de la teoría de probabilidades y de la estadística inferencial, e indirectamente en la
estadística descriptiva y en la combinatoria. Ayuda a buscar soluciones razonables a
problemas en los que no hay una solución clara y segura, abordándolos con un espíritu
de exploración y de investigación mediante la construcción de modelos de fenómenos
físicos, sociales o de juegos de azar y la utilización de estrategias como la exploración
de sistemas de datos, la simulación de experimentos y la realización de conteos.

El azar se relaciona con la ausencia de patrones o esquemas específicos en las

repeticiones de eventos o sucesos, y otras veces con las situaciones en las que se ignora
cuáles puedan ser esos patrones, si acaso existen, como es el caso de los estados del
tiempo; de la ocurrencia de los terremotos, huracanes u otros fenómenos de la
naturaleza; de los accidentes, fallas mecánicas, epidemias y enfermedades; de las
elecciones por votación; de los resultados de dispositivos como los que se usan para
extraer esferas numeradas para las loterías y de las técnicas para efectuar los
lanzamientos de dados o monedas o para el reparto de cartas o fichas en los juegos que
por esto mismo se llaman “de azar”.

En las experiencias cotidianas que los estudiantes ya tienen sobre estos sucesos y estos
juegos, empiezan a tomar conciencia de que su ocurrencia y sus resultados son
impredecibles e intentan realizar estimaciones intuitivas acerca de la posibilidad de que
ocurran unos u otros. Estas estimaciones conforman una intuición inicial del azar y
permiten hacer algunas asignaciones numéricas para medir las probabilidades de los
eventos o sucesos, así sean inicialmente un poco arbitrarias, que comienzan con asignar
probabilidad 0 a la imposibilidad o a la máxima improbabilidad de ocurrencia; asignar
½ a cualquiera de dos alternativas que se consideran igualmente probables, y asignar la
necesidad o a la máxima probabilidad de ocurrencia.

Las situaciones y procesos que permiten hacer un conteo sistemático del número de
combinaciones posibles que se puedan asumir como igualmente probables, junto con el
registro de diferentes resultados de un mismo juego, así como los intentos de
interpretación y predicción de los mismos a partir de la exploración de sistemas de
datos, desarrollan en los estudiantes la distinción entre situaciones deterministas y
situaciones aleatorias o azarosas y permiten redefinir las mediciones de la probabilidad
con números entre 0 y 1. Más tarde, esas situaciones y procesos pueden modelarse por
medio de sistemas matemáticos relacionados con la teoría de probabilidades y la
estadística.

El empleo cada vez más generalizado de las tablas de datos y de las recopilaciones de
información codificada llevó al desarrollo de la estadística descriptiva, y el estudio de
los sistemas de datos por medio del pensamiento aleatorio llevó a la estadística
inferencial y a la teoría de probabilidades. El manejo y análisis de los sistemas de datos
se volvió inseparable del pensamiento aleatorio.
Los sistemas analíticos probabilísticos y los métodos estadísticos desarrollados durante
los siglos XIX y XX se han refinado y potenciado en los últimos decenios con los
avances de la computación electrónica y, por ello, hoy día ya no es tan importante para
los estudiantes el recuerdo de las fórmulas y la habilidad para calcular sus valores, como
sí lo es el desarrollo del pensamiento aleatorio, que les permitirá interpretar, analizar y
utilizar los resultados que se publiquen en periódicos y revistas, que se presenten en la
televisión o que aparezcan en pantalla o en hojas impresas como productos de los
distintos programas de análisis de datos.

Por ello, no es ya necesario aprender las fórmulas y procedimientos matemáticos para

calcular la media o la mediana, la varianza o la desviación estándar, sino avanzar
gradualmente en el desarrollo de habilidades combinatorias para encontrar todas las
situaciones posibles dentro de ciertas condiciones, estimar si son o no igualmente
probables y asignarles probabilidades numéricas, así como en dominar los conceptos y
procedimientos necesarios para recoger, estudiar, resumir y diagramar sistemas de datos
estadísticos y tratar de extraer de ellos toda la información posible con la ayuda de
calculadoras, hojas de cálculo y otros programas de análisis de datos, con el fin de
intentar predecir dentro de ciertos rangos el curso de los acontecimientos respectivos y
de tomar decisiones lo más razonables posibles ante la imposibilidad de saber con
certeza lo que va a pasar.

Ampliación conceptual desde diversos referentes teóricos.

(Por, Víctor Burbano y Margoth Valdivieso)

Algo de Historia
Desde tiempos remotos las ideas sobre los fenómenos aleatorios y acerca del azar han
estado presentes de distintas formas, en la mente humana; en cambio, el ‘concepto de
probabilidad’ fue evolucionando de manera paulatina, al principio y por cientos de
siglos, fue incipiente e informal, matizado por creencias religiosas, aspectos filosóficos,
morales y aritméticos asociados con el reparto de apuestas (Burbano & Valdivieso,
2015). Desde el punto de vista matemático, este concepto empieza a gestarse en la
búsqueda de soluciones a problemas relacionados con los de ‘juegos de azar’ y el
reparto de apuestas, pero su formalización apenas se inicia al terminar la edad media
con los trabajos de matemáticos como Cardano, Tartaglia, Pascal, Fermat, Leibiniz,
Bernoulli, De Moivre y Bayes, entre otros, la cual es plasmada por Laplace (1812) en la
denominada ‘teoría clásica de probabilidad’.

En el transcurso del siglo XIX, esta teoría se tornó poco satisfactoria para los científicos
por sus escasas aplicaciones, circunstancias que hicieron que la probabilidad
frecuencial, subjetiva y otras, tomaran fuerza para intentar un incremento en sus
aplicaciones aunque no generaron una teoría matemática consistente como la que
propuso Kolmogórov en 1933 denominada teoría axiomática de probabilidad, la cual
posibilita construir diversas medidas a fin de modelar los fenómenos aleatorios. Ya que
hoy, el tema de probabilidad es una rama de las matemáticas con grandes repercusiones
y aplicaciones en el campo de la investigación científica, los negocios, la industria, la
política, y la vida cotidiana (Swenson, 1998), diversos organismos internacionales y
nacionales han sugerido su abordaje tanto en el currículo escolar (NTCM, 1989, 2000;
CCSSI, 2010; MEN, 2003) como en los planes de estudio a nivel universitario; por lo
tanto, se requiere enseñarla de la mejor manera para que se consolide en una de las
‘doce capacidades matemáticas esenciales’ que las personas necesitan para enfrentar el
siglo XXI (NCSM, 1989).

Adicionalmente, en los últimos 40 años, el estudio de este tema ha despertado un

particular interés en diversas instituciones educativas tanto del nivel preuniversitario
como del universitario en distintas titulaciones; asimismo, con el apoyo de diversos
docentes universitarios, se ha decidido incrementar su enseñanza dentro del programa
de matemáticas o como parte del plan curricular de otras carreras profesionales, con la
elaboración de documentos, materiales y textos que impulsen su uso en distintos
contextos (Burbano & Valdivieso, 2015). Esta decisión obedece a la necesidad de
proporcionar elementos conceptuales que amplíen la visión clásica en la enseñanza del
‘concepto de probabilidad’ predominante en las aulas y en los libros de texto destinados
a orientar tal concepto en la vida escolar (Sánchez, 2010; Sánchez y Monroy, 2013;
Burbano, 2017) o a nivel universitario.

Actualmente el estudio de la probabilidad, es un tema obligado en el currículo, de allí la

necesidad de que el profesor lo enseñe de manera pertinente, con el apoyo de didácticas
específicas fundamentadas en una conceptualización amplia del tema y no solamente
focalizado en la teoría clásica de probabilidad; para este propósito, se requiere que
inicialmente, el docente elabore una revisión consciente de su epistemología quizá
desde una mirada histórica (Burbano, 2017); en otro caso, su comprensión sobre el tema
resultará reducida y le impedirá abstraer objetos matemáticos como las medidas de
probabilidad e identificar obstáculos cognitivos, sesgos o heurísticas presentes en sus
estudiantes o en el propio profesor, encontrándose con similares ‘paradojas’ y
situaciones ‘contra intuitivas’ que se suscitaron a lo largo del desarrollo del cálculo de
probabilidades (Batanero, 2007).

El MEN ha establecido en los lineamientos curriculares el denominado pensamiento

aleatorio y los sistemas de datos, el cual está directamente relacionado con la
probabilidad y la estadística; además en los Derechos Básicos de Aprendizaje que son
un conjunto de aprendizajes estructurantes que han de aprender los estudiantes en cada
uno de los grados de educación escolar y en el área de matemáticas, está especificado lo
que se debe abordar en cada grado de escolaridad.

Se puede conceptualizar la probabilidad como la medida de la posibilidad de que un

evento o suceso pueda ocurrir (Blanco, 2004; Valdivieso, 2010); dicha medida
corresponde a un número real entre 0 y 1. Por ejemplo, si se lanza un dado justo (que
cada cara tenga la misma posibilidad de quedar hacia arriba) entonces la probabilidad de
que caiga en cinco será p=1/6=0.1666 aproximadamente. Ahora, si el dado no es justo,
y se lanza 100 veces y de ellas, 30 corresponden al cinco entonces la probabilidad de
que la siguiente vez caiga en cinco sería p=30/100=0.3. De similar modo se puede
trabajar con monedas, ruletas u otros artefactos que posibiliten desarrollar estrategias
didácticas para la enseñanza de la probabilidad y el desarrollo del pensamiento aleatorio
(Batanero, 2001) tratando de predecir resultados en los juegos de azar, estableciendo
secuencias aleatorias o analizando diversos fenómenos aleatorios.

La estadística es la ciencia de los datos (Batanero, 2001; Aliaga y Gunderson, 2005).

Los datos son los valores que admite una variable (o característica) que interese estudiar
en los individuos de una población o de una muestra. La estadística presenta dos
divisiones básicas: La estadística descriptiva y la estadística inferencial. Sin embargo,
también existe la estadística no paramétrica y la estadística bayesiana, ente otras. La
estadística descriptiva se encarga de describir las variables de una población o de una
muestra; para ello realiza diversas actividades como (Lindgren, 1993; Valdivieso,
2011): recoger información (datos), organizar los datos mediante tablas de frecuencia,
representar la información (usar diversos gráficos), interpretar y analizar información.
La estadística inferencial utiliza una muestra aleatoria y con base en ella saca
conclusiones válidas para la población; para ello, se formulan hipótesis (afirmaciones)
las cuales es necesario probar si son verdaderas o falsas a fin de aceptarlas o rechazarlas
(Mayorga, 2003).

De manera intuitiva, en la combinatoria se utilizan técnicas de conteo para determinar el

número de combinaciones o de permutaciones que se pueden obtener de un conjunto
dado. La combinación de los “n” elementos de un conjunto, tomados “r” a la vez
corresponde a la cantidad de subconjuntos con “r” elementos que se pueden obtener del
conjunto dado. Por ejemplo, si en un salón se encuentran reunidos: Pedro, Rosa, Ana y
Juan; el número de las posibles combinaciones de dos personas son seis, a saber: Pedro
y Rosa, Pedro y Ana, Pedro y Juan, Rosa y Ana, Rosa y Juan, Ana y Juan. ¿Cuántas y
cuáles serían las combinaciones tomadas de a tres personas? (Escriba su respuesta). En
cambio, una permutación es una ordenación de los elementos de un conjunto; Por
ejemplo, si en un salón se encuentran reunidos: Pedro, Rosa, Ana y Juan; el número de
las posibles permutaciones considerando grupos de dos personas son doce, a saber:
Pedro-Rosa, Pedro-Ana, Pedro-Juan, Rosa-Ana, Rosa-Juan, Ana-Juan, Rosa-Pedro,
Ana-Pedro, Juan-Pedro, Ana-Rosa, Juan-Rosa y Juan-Ana. ¿Cuántas y cuáles serían las
permutaciones tomadas de a tres personas? (Escriba su respuesta). Tanto las
combinaciones como las permutaciones se pueden utilizar para determinar
probabilidades de eventos. Finalmente, en el desarrollo del pensamiento aleatorio se han
de tener presentes los conocimientos previos adquiridos por el alumno y su desarrollo
intelectual teniendo en cuenta tres etapas fundamentales: preoperatoria, operaciones
concretas y operaciones abstractas (Piaget e Inhelder, 1951). Además, las intuiciones
primarias y secundarias han de direccionarse hacia el desarrollo del razonamiento
probabilístico (Fischbein, 1975).

Ideas estocásticas fundamentales

La estocástica se encarga del estudio de los conceptos estadísticos y probabilísticos.
Una de las características principales de la estadística corresponde al uso de modelos
aleatorios y a considerar la variación en los fenómenos estudiados, en tanto que en otras
ramas de la matemática y los pensamientos distintos al aleatorio se usan modelos
deterministas. Sin embargo, acerca del concepto de probabilidad para la enseñanza pre
universitaria es conveniente tener presentes al menos las tres concepciones siguientes:

1) Concepción frecuencial consiste en obtener una estimación experimental de la

probabilidad. Su valor teórico corresponde al límite de la frecuencia relativa de
aparición del evento al realizar la experiencia un número grande de veces en las
mismas condiciones. Debido a que no siempre se puede tener un número grande
de ensayos, en la práctica se estima la probabilidad teórica, a partir de la
frecuencia relativa en un número considerable de repeticiones en las mismas
condiciones. Un aspecto interesante en esta concepción es comprender la
diferencia entre probabilidad como un valor teórico constante que aspiramos
alcanzar (generalmente desconocido) y la frecuencia relativa o estimación
experimental de la probabilidad, (la cual puede cambiar de un ensayo a otro, por
 ejemplo lanzar una moneda 30 veces a fin de determinar la probabilidad de que
caiga en sello). (Batanero, Henry y Parzysz, 2005).
Mises (1928) propuso una definición formal del ‘concepto de probabilidad
frecuencial’ así:

‘la probabilidad es el valor hipotético hacia el cual tiende la frecuencia relativa

de un evento al estabilizarse, asumiendo la existencia teórica de dicho límite’

Esta cita puede interpretar del siguiente modo: ‘sin un proceso se puede repetir
un número grande de veces denotado con n y si algún evento de interés en ese
proceso ocurre m veces, entonces la frecuencia relativa resultante de la división
de m entre n es aproximadamente la probabilidad del evento’.

2) Concepción subjetiva, en diversas situaciones la probabilidad no es una

propiedad objetiva de los eventos, sino una percepción o grado de creencia en la
verosimilitud de la persona que asigna la probabilidad sobre la plausibilidad de
ocurrencia del suceso (Batanero, 2006). Algunos problemas referentes a la toma
de decisión o a la elaboración de un juicio son abiertos o tienen más de una
posible decisión y en su solución intervienen tanto factores matemáticos como
extra matemáticos. Por ejemplo, cual es la probabilidad de que se presente un
accidente en la vía Bogotá-Cali mañana?

3) Concepción clásica, aquí se define la probabilidad de un evento como el cociente

entre el número de casos favorable al evento de interés y el número de todos los
casos posibles, siempre que todos sean equiprobables (tengan la misma
posibilidad de ocurrir). Esta definición parece simple; sin embargo, su
complejidad consiste en identificar eventos equiprobables. Frecuentemente los
niños tienen ideas propias acerca de las situaciones de azar que no corresponden
a las de la teoría, aun cuando ésta se les haya enseñado (Amir y Williams, 1999).

Adicionalmente, en el proceso enseñanza aprendizaje el profesor ha de ser consciente de

la posible existencia de heurísticas, sesgos y concepciones erróneas que en un
determinado momento pueden dificultar el aprendizaje de la probabilidad en los niveles
correspondientes a la educación básica; las heurísticas pueden entenderse como patrones
utilizados por los individuos para tomar decisiones en presencia del azar de la
aleatoriedad, los cuales llevan a que el individuo haga juicios probabilísticos
equivocados mediante el uso sistemático de unos pocos patrones de inferencia
(Kahneman y Tversky, 1972).

Al momento de asignar la probabilidad de un evento, en los individuos pueden

presentarse razonamientos equivocados basados en las heurísticas de accesibilidad,
representatividad y el sesgo de equiprobabilidad. La heurística de accesibilidad consiste
en estimar la probabilidad de un evento o suceso de acuerdo con la facilidad con que el
individuo (alumno, profesor) recuerde ejemplos en los cuales ese evento haya ocurrido
o por la facilidad con que puedan generarse ejemplos sobre el evento en estudio
(Scholz, 1991).

En la heurística de representatividad, el individuo estima la probabilidad de un evento

en concordancia con lo representativo que dicho evento resulte en cierta población
(Kahneman y Tversky, 1972). Generalmente, en esta heurística se asignan
probabilidades altas a los sucesos que ocurren con mayor frecuencia y bajas
probabilidades a los que parecen poco frecuentes en una población (Sáenz, 1998).

De la heurística de representatividad surgen dos concepciones erróneas: la

insensibilidad al tamaño de la muestra e ideas erróneas sobre la forma como han de
configurarse las secuencias aleatorias. La primera conduce a que los individuos piensen
que cualquier muestra seleccionada de una población reproduce sus características, así
corresponda a una muestra pequeña (Serrano, 1998). Respecto a la segunda, los
individuos creen que las secuencias cuyos resultados aparecen ordenadas no se
consideran aleatorias puesto que no tienen aspecto aleatorio (Muñoz, 1998). Estas ideas
pueden llevar a pensar que un número de una rifa como 4567 no sea tan probable como
otros cuyos dígitos tengan apariencia desordenada.

El sesgo de equiprobabilidad se genera cuando los individuos creen que todos los
resultados obtenidos de un experimento aleatorio ocurren con la misma probabilidad
Lecoutre (1992). Por ejemplo, al lanzar dos dados, ¿Qué es más probable, “obtener un
cinco y un seis” u “obtener dos seises”?. En general, los individuos tienen la creencia de
que ambos eventos tienen igual posibilidad de ocurrir pero al obtener el espacio
muestral conformado por 36 resultados se deduce que es menos probable que se
obtengan dos seises.

Por otro lado, en el campo de la estadística, algunos conceptos asociados con las
variables de interés son: 1) la frecuencia absoluta, la cual indica la cantidad de veces
que se repite un dato, ya sea que se trate de variables cualitativas o cuantitativas, 2) Para
variables de tipo cuantitativo, el promedio corresponde a un valor calculado como el
resultado de sumar los datos y de dividir el total entre el número de datos, 3) la moda
corresponde al dato con mayor frecuencia absoluta, 4) la mediana es un valor que divide
a una secuencia de datos en dos partes iguales, de modo que el 50% de los datos son
inferiores a ese valor y el otro 50% resultan superiores a ese valor.

El siguiente ejemplo es adaptado de Valdivieso (2011), para la variable,

X: calificaciones de matemáticas obtenidas por los estudiantes del grado cuarto en la
institución educativa B, se obtienen los siguientes datos:
5.0, 4.0, 5.0, 4.0, 3.5, 3.8, 5.0, 4.0, 5.0, 4.0, 3.5, 3.8, 3.5, 2.5, 3.0, 2.5, 3.0, 2.5, 3.0, 2.5,
3.0, 2.5, 2.5, 2.5, 1.0, 2.0, 1.0, 2.0, 1.0, 2.0
Su representación gráfica se presenta en un diagrama de barras en la Figura 1.
El número de estudiantes en este grupo es de 30.
La moda corresponde a la calificación de 2.5 lo que indica que hay una tendencia a que
los estudiantes obtengan una calificación de 2.5
El promedio de las calificaciones para el grado cuarto es de 3.086 aproximadamente.
El número de estudiantes que reprobó matemáticas en el grado cuarto fue de 13 por
obtener una calificación inferior a 3.0
Para obtener la mediana, se ordenan los datos y se toma el dato central cuando el
número de datos es impar, o se toma el promedio de los dos datos centrales cuando el
número de datos es impar; en este caso la mediana corresponde a una calificación de 3.0
 Figura 1
Fuente: Autoria propia

El siguiente ejemplo es adaptado de las pruebas Saber (MEN).

En una bolsa se depositan balotas marcadas con algunos elementos del sistema de los
números naturales, como se indican en la Figura 2, la probabilidad de seleccionar
cualquiera de los números que aparecen en la Figura 2 es la misma (equiprobabilidad)
Si selecciona aleatoriamente una balota marcada con uno de los números, entonces la
probabilidad de que resulte un número par es 4/10
Si selecciona aleatoriamente una balota marcada con uno de los números, entonces la
probabilidad de que resulte un número impar es 6/10
Si selecciona aleatoriamente una balota marcada con uno de los números, entonces la
probabilidad de que resulte un número primo es 9/10
Si selecciona aleatoriamente una balota marcada con uno de los números, entonces la
probabilidad de que resulte un múltiplo de dos es 4/10
Si selecciona aleatoriamente una balota marcada con uno de los números, entonces la
probabilidad de que resulte un divisor de diez es 8/10

Figura 2
Fuente: Pruebas SABER MEN

Algunos Preliminares

Principio Fundamental del Conteo

Para un experimento que consta de k eventos sucesivos donde: el primer evento puede
resultar de m1 maneras distintas, el segundo evento puede resultar de m2 maneras
distintas y así sucesivamente. El k-ésimo evento puede resultar de mk maneras distintas.
El número total de resultados para el experimento completo está dado por:

m1  m2  m3  ...  mk
Si n es el número total de elementos diferentes disponibles y r es el número de objetos
que se seleccionarán con repetición, entonces el número total de resultados posibles es:

n  n  n  ...  n  n r

r veces
Permutaciones
Si se tiene un conjunto de n objetos diferentes, las permutaciones son subconjuntos de r
objetos, en donde una permutación es distinta de otra si difiere en al menos un elemento
o en el orden de estos. Condición: r  n .
Para escoger el primer elemento hay n formas distintas.
Para escoger el segundo elemento hay (n-1) formas distintas.
Para escoger el tercer elemento hay (n-2) formas distintas.
Y así sucesivamente,
Para escoger el r-ésimo elemento hay [n - (r-1)] formas distintas, o bien, (n-r+1). Por el
principio fundamental del conteo, el número total de permutaciones es:
P(n, r )  n Pr  n (n -1) (n - 2) ... (n - r  1)
n!
P(n, r )  n Pr 
 n  r !
Si en las permutaciones n = r entonces:
P(n,n) = n!

Permutaciones circulares: n objetos pueden distribuirse en un círculo de (n-1)(n-

2)...(3)(2)(1) formas distintas
PCn   n  1!
Ejemplo: En la clase de educación física cinco estudiantes se encuentran formando la
figura circular, ellos presentan las siguientes estaturas en centímetros: 132, 119, 110,
138 y 120. De cuántas maneras se pueden organizar a los estudiantes?
PC5   5  1!  4!  24 maneras posibles

Permutaciones con repetición: Si se tiene un conjunto de n objetos diferentes, se

forman conjuntos de r objetos, en donde se permite la repetición y además se permite: r
< n, r > n ó r = n
Para escoger el primer elemento hay n formas distintas.
Para escoger el segundo elemento nuevamente hay n formas distintas.
Para escoger el tercer elemento también hay n formas distintas
Para escoger el r-ésimo elemento hay n formas distintas.
Por el principio fundamental del conteo, el número total de permutaciones es:
PRrn  nr

Permutaciones con grupos de objetos iguales: Si en un conjunto de tamaño n, existen

objetos iguales objetos iguales y así sucesivamente objetos iguales, donde
m1  m2  ...  mk  n
El número de permutaciones de n objetos es:
n!
Pmn1 ,m2 ,...,mk  n Pr 
m1 ! m2 ! ...  mk !

Ejemplo: En la clase de educación física los estudiantes esperan les den el color de su
camiseta, sabiendo que hay 2 camisetas azules, 3 camisetas rojas y 4 camisetas blancas,
de cuántas maneras se puede repartir a los estudiantes las camiseta según su color?

9!
9
P2,4,3   1260 maneras
2!4!3!
Combinaciones
Si se tiene un conjunto de n objetos diferentes, las combinaciones son subconjuntos de r
objetos, en donde una combinación es distinta de otra si difiere en al menos un
elemento, sin importar el orden de éstos.
Condición: r  n .
Pero como para cada combinación hay r! permutaciones, se tiene que:
P(n, r )  r !(n Cr )
La anterior expresión se puede expresar de la forma:
n n!
 r  n Cr 
  r !(n  r )!

Ejemplo: En la clase de educación física cinco estudiantes se encuentran formados, ellos

presentan las siguientes estaturas en centímetros: 132, 119, 110, 138 y 120. De cuántas
formas diferentes se pueden organizar grupos de a dos estudiantes?
5 5! 5!
 2   5 C2    10 formas diferentes
   5  2 !2!  3!2!
Conjuntos

Un conjunto E es finito si se puede poner en correspondencia biunívoca con el conjunto

1, 2,3,..., n para algún n 
Un conjunto E es infinito si E no es finito.

Un conjunto E infinito es numerable si se puede poner en correspondencia biunívoca

con el conjunto de los números naturales (E es equipotente con ), es decir, se puede
definir una función biyectiva entre los elementos del conjunto E y los conjunto . Por
ejemplo, , .
Si E es un conjunto finito o numerable, entonces E es contable.
Un conjunto E es no numerable si siendo infinito no es equipotente (equivalente) con el
conjunto de los números naturales, ejemplo, ,  a, b ,  , b (Apóstol, 2007).

Teorema fundamental del cálculo

Dada una función f integrable (Riemann) sobre el intervalo  a, b , para F definida
sobre  a, b de la siguiente manera:
x
F ( x)   f (t )dt
a

Si f es continua en el intervalo  a, b  , entonces F es derivable en c y se cumple que

F'(c) = f(c).

Integral de Riemann-Stieltjes
La integral de Riemann-Stieltjes es una generalización de la integral de Riemann, esta
integral de la forma:

b
a
h( x)dF ( x)
donde la función h(x) ha de ser una función acotada en el intervalo  a, b , la función
integradora F(x) ha de ser continua por la derecha, monótona no decreciente y tal que
F ()  F ()  M para M > 0. Así F(x) es la función de distribución de X.

Experimento aleatorio 
Un experimento aleatorio es aquel en el cual no se puede determinar a priori el resultado
de tal experimento (Lindgren, 1993; Blanco, 2004). (Se conocen los posibles resultados,
pero no se puede predecir cuál va a ocurrir hasta que el experimento culmine)

Ejemplo:  : Se elige aleatoriamente 3 de los parciales de Geometría Analítica,

realizados por los estudiantes de Matemáticas de la UPTC en el II del 2018, con el fin
de determinar si fue aprobado (a) o no aprobado (n).

Espacio Muestral 
Para un experimento aleatorio  , al conjunto de todos los posibles resultados de  se le
llama espacio muestral.

Ejemplo: El espacio muestral de  es:

 = {aaa, aan, ana, ann, naa, aan, nna, nnn}

Ejemplo  : se observa el número de personas que posiblemente transiten por un puente

peatonal peligroso por día en la ciudad de Cali en Colombia. El espacio muestral es:
   0, 1, 2, 3, . . . 
.
Ejemplo  : duración (en tiempo continuo) de un artefacto electrónico de la marca HW.
El espacio muestral es:
   x  : x  0
Donde x corresponde al tiempo de duración del artefacto electrónico mencionado y
es el conjunto de los números reales.
Con frecuencia, para obtener el espacio muestral se puede recurrir a elaborar un
diagrama de árbol, el cual permite visualizar los posibles resultados del experimento
aleatorio (Chernoff & Zazkis, 2011).

Sigma álgebra
El concepto que se indica a continuación involucra los axiomas 1 y 2 de Kolmogórov
(1933). Sea    . Una sigma (  )-álgebra  es una familia de ‘subconjuntos’ de 
que satisface los siguientes axiomas:
i)  
ii) Si E   entonces E c  

iii) Si E1 , E2 ,....   entonces Ei  
i 1

A la pareja  ,  se le denomina espacio medible y a los elementos de la familia  se

les llama eventos (Blanco, 2004; Burbano & Valdivieso, 2015). Lo anterior indica que
no todo ‘subconjunto’ del espacio muestral es un evento.
Ejempol: Sea  : se eligió aleatoriamente a un estudiantes de la sección nocturna de la
UPTC en el II-2018, con el fin de identificar si trabaja (s) o no (n).
   s, n el espacio muestral de  , las colecciones de subconjuntos de  siguientes
son sigma-álgebras:
1   , 
2   , s , n , 
.
A la familia de subconjuntos de  denotada con 1 y conformada por el evento
imposible y el evento seguro se le denomina sigma-álgebra trivial.
A la colección 2 correspondiente al conjunto de partes de  ,   ,se le llama sigma-
álgebra total y se constituye en el sigma-álgebra más grande que se puede construir
sobre  .
n
Al número de subconjuntos de un conjunto se lo calcula con la expresión 2 , donde n
representa el número de elementos de  , #  =2, luego 2 =4 subconjuntos de
2

2   , s , n , 
La colección:
3   , s ,  no es un sigma-álgebra sobre  , ya que
s  n  3
c

Una sigma-álgebra muy importante para luego definir variables aleatorias reales y la
medida de probabilidad inducida por tales variables es la sigma-álgebra de Borel, la
cual corresponde a la menor sigma-álgebra definida sobre el espacio muestral  
que contiene a todos los intervalos de la forma  , x  con x  , se denota con 
(Blanco, 2004).

Medidas de probabilidad
En este apartado se define de manera formal o axiomática una medida de probabilidad,
para ello, se recurre a un sistema de definiciones axiomas, y teoremas que permiten
obtener una estructura matemática denominada espacio de probabilidad. En este
contexto los teoremas son proposiciones demostrables que indican la forma como una
probabilidad se obtiene a partir de otras (Díaz, Batanero y Cañizares, 1996).
De forma resumida, en la ‘teoría axiomática’ de Kolmogórov (1933), los axiomas 1 y 2
tienen implícitos los siguientes elementos: un espacio muestral denotado con    ,
una sigma-álgebra  . Ahora, para abordar los cuatro restantes axiomas explicitados en
la teoría de Kolmogorov, hay necesidad de definir una ‘medida de probabilidad P’. En
efecto, si  ,  es un espacio muestral medible, una función de conjunto,

P:
Tal que:
i) P( E )  0 pata todo E  
ii) P()  1
iii) Si E1 , E2 ,.... es una sucesión de eventos en  tales que Ei  E j   para todo
i  j entonces

  
P  E n    PE n 
 n 1  n 1 .
se llama una medida de probabilidad P, la cual se define sobre el sigma álgebra y toma
valores en el intervalo [0, 1], a la tripleta ordenada  , , P  se le denomina un
espacio de probabilidad (Blanco, 2004; Burbano & Valdivieso, 2015; Burbano, 2017).

Axiomas de Probabilidad
En seguida se presentan los axiomas de la teoría de la probabilidad de Kolmogórov
(1933):

Axioma 1: Los eventos forman un sigma-álgebra S; es decir, una clase cerrada respecto
a las operaciones de unión, intersección y complemento de conjuntos numerables de
eventos y del límite de sucesiones de eventos, o sea,

i) Si E j  S , j  1, 2,... entonces Ej  S
j 1

ii) Si E j  S , j  1, 2,... entonces E j  S , y Lim E j  S
j 
j 1

Axioma 2:  S
Axioma 3: Asociado a cada evento E  S , existe un número real no negativo, P( E ) , al
que se denominará probabilidad de ocurrencia del evento E.
Axioma 4: La probabilidad de que ocurra al menos uno de los eventos incluidos en el
espacio muestral es igual a uno, P()  1
Axioma 5 (de aditividad): Sean E1 y E2 eventos incompatibles, es decir, tales que no
pueden presentarse en forma simultánea ( E1  E2   ), entonces se verifica que,

P( E1  E2 )  P( E1 )  P( E2 )

Axioma 6 (teorema de continuidad): Dada una sucesión monótona de eventos

Ei  Ei 1 , i  1, 2,3,... , entonces se verificará que:

Lim P( Ei )  P( Lim Ei )
i  i 

Esta formulación axiomática, hoy es considerada como la teoría de probabilidad en un

sentido clásico, ya que la teoría de la probabilidad formulada por Kolmogórov es
general e incluye como caso particular a la concepción clásica de probabilidad
formulada por Laplace. Kolmogórov también formuló la llamada teoría de la
probabilidad cuántica de mucha aplicación en el campo de la mecánica cuántica
(Khrennikov, 2014).

Ejemplo: Sea  : se eligió aleatoriamente a dos estudiantes de la sección nocturna de la

UPTC en el II.2018, para determinar si trabajan (s) o no trabajan (n).
  ss, sn, ns, nn con el sigma-álgebra total:

 , ss , sn , ns , nn , ss, sn , ss, ns , ss, nn , sn, ns , ns, nn , 
 
 

 sn , nn ,  ss , sn, ns ,  ss , sn, nn ,  ss , ns , nn ,  sn, ns , nn ,  

Con base en la sigma-álgebra  la cual corresponde al conjunto partes del espacio
muestral,
se ha definido una medida de probabilidad de la siguiente manera:
P:
tal que:
1
P( ss)  P( sn)  P(ns)  P(nn) 
4
Es evidente, que la anterior función define una medida de probabilidad clásica o
laplaciana; en este contexto, es factible calcular diversas probabilidades, por ejemplo,
para los eventos:
E  ss, sn, ns
F  ss, nn
se tiene:
3
P  E    0.75
4
2
P  F    0.5
4
P  Ec   1 P  E   1
3 1
  0.25
4 4
P  F c   1  P  F   1    0.5
2 2
4 4
E  F  ss
1
P( E  F )   0, 25
4
P  E  F   P  E   P  F   P  E  F   0.75  0.5  0.25  1
2 1
Puesto que E  F  sn, ns entonces, P( E  F )    0.5 .
4 2
Este ejemplo también permite visualizar que la probabilidad clásica se constituye en un
caso particular de la probabilidad axiomática.

Medida de probabilidad condicional

Sea , , P  un espacio de probabilidad sobre  y sea F un evento en  talque
P( F )  0 , sea E un evento en  entonces la probabilidad de E una vez ha sucedido
F está dada por (Lindgren, 1993):
P( E  F )
P( E / F )  .
P( F )
A la anterior expresión se le denomina probabilidad condicional de E dado F .
Es conveniente mencionar que si E  F   entonces P( E / F )  0 . El recíproco no es
cierto (Burbano y Valdivieso, 2015).
De la definición de probabilidad condicional se tiene que,
P( E  F )  P( E / F ) P( F )
A la expresión anterior se le denomina regla de multiplicación para eventos
dependientes.
Ahora, si E1 ,..., En   con P( E1  E2  ...  En1 )  0 entonces
P( E1  E2 ... En )  P( E1) P( E2 / E1) P( E3 / E1 E2 )...P( En / E1 E2 ...En 1)
De manera general, sea , , P  un espacio de probabilidad sobre  y sea F un
evento fijo en  talque P( F )  0 , sea E un evento cualesquiera en  entonces la
función definida por
P  / F  :  
E  P( E / F )
es una medida de probabilidad, la cual se denomina medida de probabilidad
condicional.

Ejemplo: El siguiente ejemplo se ha adaptado de Feller (1993). La licitación enviada

por la empresa TW para la construcción de un edificio en la ciudad M, será estudiada
por la junta directiva del departamento de planeación de dicha ciudad para su revisión y
posible adjudicación. La probabilidad de que la licitación sea estudiada es de 0.95, la
probabilidad de que la licitación sea estudiada y adjudicada es de 0.88. ¿Cuál es la
probabilidad de que la licitación será adjudicada dado que fue estudiada?
Para realizar el cálculo de dicha probabilidad, se definen los siguientes eventos:
E : la licitación será adjudicada a la empresa TW.
F : la licitación será estudiada por la junta directiva, entonces P( F )  0.95 .
E  F  F  E : la licitación será estudiada y adjudicada, entonces P( E  F )  0.88 .
P( E  F ) 0.88
P( E / F )    0.9263 .
P( F ) 0.95
La probabilidad de que la licitación presentada por la empresa TW sea adjudicada, dado
que fue estudiada por la junta directiva del departamento de planeación de la ciudad M,
es de 0.9263 aproximadamente, es decir del 92.63 % aproximadamente.

Variable aleatoria absolutamente continua

La variable aleatoria X continua con función de distribución F(x) se llama
absolutamente continua, si existe una función no negativa e integrable f talque para
cualquier valor x se cumple (Rincón, 2010):
x
F ( x)   f (u)du

En tal caso a la función f(x) se le llama función de densidad de X.
En el caso de que f(x) sea una función Riemann integrable, se aplica el teorema
fundamental del cálculo integral para calcular probabilidades como por ejemplo:
b
P(a  X  b)   f (u )du  F (b)  F (a)
a

Variable Aleatoria Real

Sea
 , , P  un espacio de probabilidad y ( ,  ) el espacio medible de Borel, una
variable aleatoria real es una aplicación
X : 

tal que para todo E en el   álgebra de Borel  se tiene que

X 1 ( E )  .

En este contexto, la variable aleatoria X es una función real que tiene la propiedad de
ser una función medible (función de Borel o función Borel medible).
 Figura 3
Fuente: Autoria propia

RX denota el rango de la variable aleatoria real X , si dicho rango resulta ser un conjunto
contable (finito o infinito numerable) entonces X se denomina variable aleatoria
discreta. En otras palabras una v.a.d transforma los eventos en números relacionados
con números enteros.
Si R es un conjunto no contable (infinito no contable) entonces X se denomina
X
variable aleatoria continua. En otras palabras una v.a.d transforma los eventos en
números relacionados con números pertenecientes a un intervalo de números reales.

Finalmente, se recomienda al lector, revisar y ampliar los conceptos, ejemplos y

ejercicios expuestos en el presente material; asimismo consultar otras fuentes
relacionadas con el conocimiento estadístico-probabilístico y sus didáctica específicas
(por ejemplo consultar el texto “didáctica para maestros” de Juan Godino, disponible en
internet)

Bibliografía referenciada
Alexander, R., & Kelly, B. (1999). Mathematics 12: Western Canadian edition. Don
Mills: Addison-Wesley.
Aliaga, M. y Gunderson, B. (2005). Interactive Statistics. (3rd Edition). Prentice Hall.
American Statistical Association (ASA). (2007). GAISE College Report.
Recuperado el 12 de julio de 2008, de http://www.amstat.org/education/gaise.
Apostol, T. M. (2007). Calculus, Volume I, One-variable Calculus, with an Introduction
to Linear Algebra (Vol. 1). John Wiley & Sons.
Amir, G. S., Williams, J. S. (1999). Cultural influences on children’s probabilistic
thinking. Journal of Mathematical Behavior, 18 (1), 85-107.
Batanero, C. (2001). Didáctica de la Estadística. Granada: Grupo de Investigación En
Educación Estadística. Universidad de Granada.
Batanero, C. (2006). Razonamiento probabilístico en la vida cotidiana: Un desafío
educativo. En P. Flores y J. Lupiáñez (Eds.), Investigación en el aula de
matemáticas. Estadística y Azar . Granada: Sociedad de Educación Matemática
Thales. CD ROM.
Batanero, C., Henry, M., Parzysz, B., (2005). The nature of chance and probability. In
G. A. Jones Ed., Exploring Probability in School: Challenges for Teaching and
Learning pp. 15-37. New York: Springer.
Blanco, L. (2004). Probabilidad. Universidad Nacional de Colombia.
Burbano, V. & Valdivieso M. (2015). Elementos de probabilidad. Apoyo al estudio
independiente. Tunja: Editorial UPTC. 190 p.
Burbano, V. (2017). Un acercamiento a la didáctica de la probabilidad desde el PCK
para el nivel preuniversitario. Tunja: Editorial UPTC. 260 p.
De Moivre, A. (1756). The doctrine of chances: or, A method of calculating the probabilities of
events in play (Vol. 1). Chelsea Publishing Company.
Feller, W. (1993). Teoría de probabilidades y sus aplicaciones. Volumen II. México:
Limusa.
Fischbein (1975). The intuitive sources of probabilistic thinking in children. Dordrecht:
 Reidel.
Kolmogórov, A. (1956). Foundations of the theory of probability. New York: Chelsea (trabajo
original publicado en 1933).
Krengel, U. (2000). Einführung in die Wahrsecheinlichkeitstheorie und Statistik.Vieweg Verlag.
Laplace, P. S. (1812). Théorie analytique des probabilités. Mme Ve Courcier.
Laplace, P. S. (1985). Ensayo filosófico sobre las probabilidades. Madrid, España: Alianza
Editorial (Trabajo original publicado en 1814).
Lecoutre, M. P. (1992), “Cognitive models and problem spaces in ‘purely random’
situations”, Educational Studies in Mathematics, núm. 23, pp. 557-568.
Lindgren, B. (1993): Statistical Theory. Fourth Edition, Editorial Chapman Hall. United
of States of América.
Kahneman, D. y Tversky, A. (1972). Subjetive Probability: a judgment of
representativeness. Cognitive Psychology, 5, pp. 430-454.
Mayorga, H. (2003). Inferencia estadística. Notas de clase. Universidad Nacional de
Colombia.
Ministerio de Educación Nacional de Colombia-MEN. (2003). Estándares básicos de
competencias en matemáticas. Santafé de Bogotá: Colombia. Online:
www.mineducacion.gov.co/.
Muñoz, A. (1998). Algunas ideas preconcebidas sobre probabilidad. Suma, 29,
pp. 29-34. National Council of Teachers of Mathematics (1989). Curriculum and
evaluation standards for school mathematics. Reston, VA: National Council of
Teachers of Mathematics (NCTM).
Pascal, B. (1963). Correspondance avec Fermat. En Oeuvres Complètes (pp. 43-49).
París, France: Seuil. (Trabajo original publicado en 1654).
Piaget, J., e Inhelder, B. (1951). La genése de l'idée de hasard chez l'enfant. Paris:
Presses Universitaires de France.
Rincón, L. (2007). Curso intermedio de probabilidad. UNAM, Facultad de Ciencias.
Rincón, L. (2012). Introducción a los procesos estocásticos. Ciudad de México:
Universidad Nacional Autónoma de México.
Scholz, R.W. (1991). Psychological Research in Probabilistic Understanding, en
Kapadia, R. y Borovcnik, M. (eds.). Chance encounters: probability in
education, pp. 213-253. Holanda: Kluwer Academic Publishers.
Serrano, L., Batanero, C., Ortiz, J. J. y Cañizares, M. J. (1998). Heurísticas y sesgos en
El razonamiento probabilístico de los estudiantes de secundaria. Educación
Matemática, (22), pp. 7-25.
Shao, J. (1999). Mathematical Statistics. New York: Springer.
Shulman, L. S. (1986). Those who understand: Knowledge growth in teaching.
Educational Research, 15 (2), 4-14.
Shulman, S. (1987). Knowledge and teaching: foundations of the new reforms. Harvard
Educational Review, 57(1), 1-22
Stewart, W. (2009). Probability, Markov chains, queues and simulation, Princeton
University Press.
Valdivieso, M. A. (2010). Probabilidad Básica y Distribuciones. Apoyo al estudio
independiente. Tunja- Boyacá: Impresores, Jotamar.
Valdivieso, M. A. (2011). Estadística Descriptiva. Apoyo al estudio independiente.
Tunja- Boyacá: Editorial Grupo imprenta y publicaciones. Universidad
Pedagógica y Tecnológica de Colombia.
Vega, O. (2002). Surgimiento de la teoría matemática de la probabilidad. Apuntes de historia de
las matemáticas, Vol. 1, No. 1.