Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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.
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).
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’.
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.
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
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!
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 )!
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)
Espacio Muestral
Para un experimento aleatorio , al conjunto de todos los posibles resultados de se le
llama espacio muestral.
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
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 PE 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 )
Lim P( Ei ) P( Lim Ei )
i i
, 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.
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.
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.