Ruiz 2016 PDF

ANÁLISIS EPISTEMOLÓGICO DE LA VARIABLE ALEATORIA Y
COMPRENSIÓN DE OBJETOS MATEMÁTICOS RELACIONADOS POR

ESTUDIANTES UNIVERSITARIOS
Blanca Ruiz Hernández
Tesis Doctoral

Directora: Carmen Batanero
UNIVERSIDAD DE GRANADA

Departamento de Didáctica de la Matemática
Trabajo realizado en el marco del Proyecto EDU2010.14947 (MCIN) y
Grupo PAI FQM126 (Junta de Andalucía).

Resumen, 1 1

Inntroducció
ón, 5

PARTE I: FUNDAM
MENTACIÓN
Capítulo 1. Fundamen
ntación de lla investigaación
1. Introoducción, 11
1
2. El prroblema de investigació
ón, 11
2.1. Demanda ssocial y desarrrollo de la edducación en eestadística, 122
2.2. Rezago de las institucioones educativvas, 14
2.3. Problemass de la enseñaanza y el apreendizaje de laa estadística, 16
2.4. El objeto d
de estudio: Laa variable aleaatoria, 17
3. Marcco teórico, 2
20
3.1. Teoría de ssituaciones didácticas, 20
3.1.1. Teeoría de la equilibración mmayorante de Piaget, 21
3.1.2. Sittuaciones a‐ddidácticas, 22
3.1.3. Sittuación didácctica, 23
3.1.4. Cooncepciones y y errores, 25
3.2. Elementos del enfoque ontosemióticco, 27
3.2.1. Siggnificado de uun objeto maatemático, 27
3.2.2. Ob bjetos que inttervienen en los sistemas de prácticas, 28
3.2.3. Faacetas duales del conocimiiento matemáático, 30
3.2.4. Ido oneidad didááctica, 31
4. Objeetivos de inv
vestigación, 32
5. Metoodología de investigacióón, 34
5.1. Ingeniería didáctica, 377
5.2. Entrevista clínica, 39
5.3. Análisis dee contenido en produccion
nes escritas, 4
40
Capítulo 2. Anteceden
ntes
1. Intro
oducción, 45
5
2. Estu
udios de Piagget sobre el desarrollo eevolutivo dee la idea de d
distribución
n, 46
2.1. La idea de aleatoriedad
d según Piagett, 46
2.2. ones normalees, 49
Distribucio
2.3. Distribució
ón de Poisson
n, 51
i
Índice

3. Investigaciones sobre la comprensión de la idea de distribución, 53
3.1. Distribuciones de variables estadísticas, 54
3.2. Distribuciones de variables aleatorias, 58
4. Investigaciones sobre la comprensión de la distribución normal, 59
5. Investigaciones específicas sobre la variable aleatoria, 61
5.1. Investigaciones sobre libros de texto, 61
5.2. Otras investigaciones sobre la didáctica, 65
5.3. Investigaciones sobre aspectos epistemológicos, 67
5.4. Investigaciones cognitivas, 71
6. Investigaciones sobre percepción de la aleatoriedad, 74
6.1. Generación de resultados aleatorios, 76
6.2. Reconocimiento de resultados aleatorios, 77
7. Conclusiones del capítulo, 78
PARTE II: ESTUDIOS EPISTEMOLÓGICOS
Capítulo 3. Estudio 1: Análisis epistemológico desde la disciplina

1. Introducción, 82
2. La variable aleatoria, 84
3. Función de distribución de una variable aleatoria, 87
3.1. Distribución de probabilidad de la variable aleatoria discreta, 90
3.2. Función de densidad de las variables aleatorias continuas, 91
4. Otros conceptos relacionados, 92
4.1. Promedios, 93
4.2. Medidas de dispersión, 94
4.3. Momentos, 95
5. El orden en que son presentados los conceptos, 96
6. La variable aleatoria como función, 96
7. Variable aleatoria y variable estadística, 97
8. Variable aleatoria y asignación de probabilidades, 100
8.1. Asignación laplaciana de probabilidad, 101
8.2. Asignación frecuencial de probabilidad, 102
8.3. Asignación subjetiva de probabilidad, 103
9. Modelación y variable aleatoria , 105
9.1. Modelo y teoría, 106
9.2. Modelación y razonamiento estadístico, 107
9.3. La modelación en probabilidad, 110
9.4. Modelación por estratos, 112
9.5. Relación entre variable estadística y aleatoria en la modelación, 113
9.6. Experimentación como puente entre modelo matemático y realidad, 113
10. Variable aleatoria y modelos de distribuciones, 118
10.1. Modelos de variables discretas, 120
10.2. Modelos de variables continuas, 121
ii
Índice

Capítulo 4. Estudio 2: Análisis Epistemológico histórico
2. Primeros indicios. Previsión de la apuesta en juegos de azar. Esperanza
matemática, 130
3. Elaboración de censos y previsión de datos socioeconómicos. Variable
estadística, 134
4. Teorema central del límite y modelos generales de distribuciones, 140
4.1. Las aportaciones de Jacob Bernoulli, 140
4.2. Las aportaciones de Abraham de Moivre, 144
4.3. Las aportaciones de Gauss, Legendre, Laplace, 148
4.4. Las aportaciones de Simeón Denis Poisson, 152
4.5. Las aportaciones de Pafnuti L. Chebyshef y sus discípulos, 155
5. Inferencia estadística. Relación entre las variables estadística y aleatoria, 162
5.1. Las aportaciones de Lambert Adolphe Jacques Quetelet, 163
5.2. Las aportaciones de Francis Galton, 164
5.3. Las aportaciones de Karl Pearson, 168
5.4. Las aportaciones de Gosset, Fisher, Neyman y E. Pearson, 171
5.5. La variable estadística en la actualidad, 175
6. Formalización matemática de la variable aleatoria, 176
6.1. Aportaciones de Kolmogorov y Fréchet, 177
6.2. Aportaciones de Lévy, Petrov y Parzen, 181
7.1. Etapas históricas, 190
7.2. Interacciones entre los análisis estadísticos y probabilísticos, 195
7.3. Saltos cualitativos de las etapas históricas, 198
7.4. Algunos usos posibles en la didáctica, 199
PARTE III: ESTUDIOS COGNITIVOS
Capítulo 5. Estudio 3: Entrevista clínica

2. Preliminares, 208
2.1. Contexto escolar, 208
2.2. La variable aleatoria en los cursos de estadística del ITESM, 209
3. Objetivos del estudio, 210
4. Hipótesis de estudio, 211
5. El protocolo de investigación, 213
5.1. El problema, 214
5.2. Análisis del problema como situación de exploración, 216
5.3. Respuestas y soluciones esperadas en el protocolo, 219
6. Objetos de análisis en la entrevista, 224
6.1. Aleatoriedad, 224
6.2. Probabilidad, 226
6.3. Variable aleatoria, 227
6.4. Solución del problema, 229
iii
Índice

7. Implementación, 230
8. Análisis de los resultados, 231
8.1. Objeto de análisis: Aleatoriedad, 232
8.1.1. Aleatoriedad en la situación problema, 232
8.1.2. Relación establecida entre aleatoriedad y probabilidad, 234
8.1.3. Discusión de los resultados obtenidos en el objeto aleatoriedad, 235
8.2. Objeto de análisis: Probabilidad, 236
8.2.1. La probabilidad en el espacio muestral, 237
8.2.2. La distribución de probabilidad como función, 240
8.2.3. Discusión de los resultados obtenidos en el objeto probabilidad, 248
8.3. Objeto de análisis: Variable aleatoria, 252
8.3.1. La variable aleatoria en el problema, 253
8.3.2. La variable aleatoria como función, 254
8.3.3. La variable aleatoria y su distribución de probabilidad, 256
8.3.4. Lenguaje utilizado, 261
8.3.5. Discusión de los resultados obtenidos en el objeto variable aleatoria,
263
8.4. Objeto de análisis: Solución del problema, 266
8.4.1. Estrategias y recursos en la solución del problema, 266
8.4.2. Discusión de los resultados obtenidos en el objeto solución del
problema, 268
9.1. Confrontación de la entrevista con las hipótesis, 272
9.2. Idoneidad de la actividad propuesta, 277
Capítulo 6. Estudio 4: Evaluación a través de un proyecto abierto

2.2. Descripción de la muestra, 286
2.3. Descripción de la situación de enseñanza, 287
3. Objetivos del estudio de evaluación a partir de un proyecto, 288
4. Descripción y análisis del proyecto, 289
4.1. El proyecto: «Comprueba tus intuiciones sobre el azar», 290
4.2. La secuencia de actividades, 291
4.3. Respuestas y soluciones del proyecto: análisis de datos, 300
5. Objetos de análisis en el proyecto, 311
5.2. Variable estadística y su distribución, 317
5.3. Variable aleatoria y su relación con la variable estadística, 320
5.4. Ciclo de modelación, 322
7. Análisis de las producciones de los estudiantes, 326
7.1. Objeto de Análisis: Aleatoriedad, 326
7.1.1. Evaluación individual de concepciones de aleatoriedad, 328
7.1.2. Evaluación global de concepciones de aleatoriedad, 337
7.1.3. Discusión de resultados en el objeto aleatoriedad, 345
iv
Índice

7.2. Objeto de Análisis: Variable estadística, 348
7.2.1. Distribución de la variable estadística, 348
7.2.2. Momentos de la variable estadística, 372
7.2.3. Discusión de resultados en el objeto variable estadística, 377
7.3. Objeto de análisis: Variable aleatoria y su relación con la variable estadística,
377
7.3.1. Referencia a la variable, 380
7.3.2. Referencia a las probabilidades o distribución, 382
7.3.3. Referencia a los parámetros, 384
7.3.4. Discusión de resultados en el objeto relación entre la variable
aleatoria y su relación con la estadística, 386
7.4. Objeto de análisis: Ciclo de modelación, 387
7.4.1. Observación de la realidad, 388
7.4.2. Descripción simplificada de la realidad, 390
7.4.3. Construcción de un modelo, 392
7.4.4. Trabajo matemático con el modelo, 393
7.4.5. Interpretación de resultados en la realidad, 397
7.4.6. Discusión de resultados en objeto ciclo de modelación, 415
8.1. Confrontación de los resultados con las hipótesis, 418
8.2. Idoneidad del proyecto, 426
7. CONCLUSIONES
2. Sobre los estudios epistemológicos, 432
3. Sobre los estudios cognitivos, 438
4. Aportaciones y limitaciones de la investigación, 445
5. Algunas ideas para investigaciones futuras, 447
8. REFERENCIAS BIBLIOGRÁFICAS, 451
9. ANEXOS
Anexo 1. Actividad propuesta en la entrevista clínica (Estudio 3), 471
Anexo 2. Proyecto propuesto estudio de evaluación (Estudio 4), 473
Anexo 3. Transcripción de la entrevista clínica (Estudio 3), 479
Anexo 4. Ejemplos de producciones de alumnos en el proyecto (Estudio 4), 505

v

RESUMEN
Análisis epistemológico de la variable aleatoria y comprensión de objetos
matemáticos relacionados por estudiantes universitarios
La temática abordada en esta tesis es didáctica de la variable aleatoria, una de las ideas
fundamentales propuestas por Heitele (1975) en la enseñanza de la probabilidad, que,
como tal, proporciona modelos explicativos en cada etapa del desarrollo del concepto a
lo largo de la educación del individuo. Su comprensión se apoya en muchos conceptos,
como los de variable, distribución, centro, dispersión, forma o probabilidad, función y
función inversa. Otras razones que justifican el tema son las dificultades en su
aprendizaje y su interés como herramienta de modelación.
Se presentan cuatro estudios diferentes alrededor de la variable aleatoria desde la
perspectiva de la ingeniería didáctica, haciendo uso de algunos elementos del enfoque
onto-semiótico, y de los antecedentes de investigación:
 Estudio 1. Estudio epistemológico de la variable aleatoria desde la disciplina,
relacionándolo con la asignación de probabilidad y la actividad de
modelación.
 Estudio 2: Análisis del desarrollo histórico de la variable aleatoria que
permitirá proponer algunas posibles acciones didácticas e identificar algunas
dificultades ligadas a su desarrollo.
 Estudio 3. Se analiza una exploración cognitiva en profundidad de las
concepciones y comprensión de una pareja de estudiantes sobre la variable
aleatoria cuando se enfrentan a la resolución de un problema que requiere el
uso del objeto «variable aleatoria». La metodología empleada es una
entrevista clínica guiada.
 Estudio 4: Se analizan las soluciones escritas de una muestra de 101
estudiantes a un proyecto estadístico donde trabajan con tres pares de
variables estadísticas y las variables aleatorias subyacentes.
Los dos primeros estudios proporcionan información detallada sobre el objeto
matemático «variable aleatoria» desde el punto de vista matemático e histórico,
mientras en los dos últimos se analizan exhaustivamente los razonamientos de los
alumnos participantes cuando se enfrentan a las tareas propuestas, proporcionando
resultados nuevos sobre sus concepciones y dificultades cuando se enfrentan a
problemas vinculados con la variable aleatoria y otros objetos matemáticos relacionados
con ella. Estos resultados proporcionan información valiosa en un terreno en que la
investigación previa es casi inexistente y se han recogido en una serie de publicaciones
que se describen a lo largo de la memoria.

ABSTRACT
Epistemological analyses of random variable and university students' understanding
of related mathematical objects
The topic addressed in this dissertation is the random variable, one of the fundamental
ideas proposed by Heitele (1975) in the teaching of probability. As such, it provides
explanatory models at each developmental stage of the concept along the education of a
subject. Its understanding is based on many concepts, such as those of variable,
distribution, center, spread, probability, function and inverse function. Other reasons
supporting the interest of the topic are the learning difficulties and its interest as a tool
for modelling.
We present four different studies around the random variable from the
perspective of didactic engineering, using also some elements from the onto-semiotic
approach, and the research background:
 Study 1. Epistemological study of the random variable from the discipline,
relating it to the assignment of probability and the modelling activity.
 Study 2: Analysis of the historical development of random variable that is
used to propose some possible teaching activities and to identify some
difficulties linked to their development that may appear in the students.
 Study 3. We analyze in-depth a cognitive exploration of a couple of students’
conceptions and understanding of random variable when solving a problem
that requires the use of the object "random variable." The methodology is a
guided clinical interview.
 Study 4: The written solutions from a sample of 101 students to a statistical
project where they work with three pairs of statistical variables and the
underlying random variables are analyzed.
The first two studies provide detailed information about the random variable
from the mathematical and historical points of view, while the last two analyze in depth
the reasoning of the participants when faced with the tasks proposed, providing new
results on their conceptions and difficulties when faced with problems related to
random variable and related mathematical objects. These results provide valuable
information in an area where research is almost nonexistent and have been reflected in a
series of publications that are described throughout the dissertation.
INTRODUCCIÓN
Actualmente existe un rezago en las instituciones educativas, con respecto a la demanda

que las sociedades exigen del uso, cada vez más intenso y extenso, de la estadística a
sus ciudadanos y profesionistas. Para disminuir este rezago, se ha hecho necesario
abordar la enseñanza de la probabilidad y la estadística desde una perspectiva científica,
para trazar líneas que permitan ocuparse de este tema en nuestras instituciones
educativas.
Uno de los primeros en explotar esta perspectiva fue Heitele (1975), quien
propuso una lista de diez ideas fundamentales en la enseñanza de la estadística
basándose en un enfoque epistemológico-pragmático. Para él, una idea fundamental
proporciona modelos explicativos en cada etapa del desarrollo del concepto a lo largo
de la educación del individuo. Entre esas diez ideas fundamentales que los estudiantes
desarrollan desde niveles educativos básicos y que culminan en niveles superiores, el
autor incluyó la variable aleatoria. Sin embargo, es una idea que no ha recibido la
atención que amerita y en la que se centra esta Tesis.
La pertinencia del desarrollo de una investigación alrededor de la didáctica de la
variable aleatoria también se basa en otras razones, como las dificultades en su
aprendizaje y las características particulares del desarrollo del concepto en la
probabilidad y la estadística como ciencias. Por un lado, la variable aleatoria constituye
un pilar para el desarrollo de las habilidades de modelación en los estudiantes, puesto
que es una herramienta indispensable para vincular la realidad con la herramienta
matemática, pero también es básica para el desarrollo de la teoría sobre las
distribuciones de probabilidad, el teorema del límite central y el estudio de la inferencia.
En la variable aleatoria convergen muchos conceptos matemáticos, estadísticos, y
probabilísticos provenientes de los niveles educativos básico y medio superior, como los
de variable, distribución, centro, dispersión, forma o probabilidad, a la vez que está
relacionada con conceptos abstractos propios de niveles superiores, entre otros los de
función y función inversa.
En esta memoria reportaremos el trabajo realizado en cuatro estudios diferentes
alrededor de la variable aleatoria desde la perspectiva de la ingeniería didáctica y
también haciendo uso de algunos elementos del enfoque ontosemiótico, para
profundizar sobre las vertientes epistemológicas y cognitivas de la enseñanza y su
aprendizaje. El trabajo se ha organizado en los siguientes capítulos:
5
Introducción
 Capítulo 1. Se presentan los fundamentos del trabajo, mediante la

descripción precisa el problema, con énfasis en su relevancia para la
didáctica, una exposición de los objetivos y un resumen tanto del marco
teórico como de la metodología de la investigación.
 Capítulo 2. Está dedicado a los antecedentes del trabajo, que comienzan con
los estudios de Piaget sobre el desarrollo evolutivo de la idea de distribución.
Aunque son pocas las investigaciones específicas sobre la variable aleatoria,
describimos otros temas relacionados, que nos sirven de apoyo, como las
investigaciones sobre el concepto de distribución, la distribución normal y la
aleatoriedad.
 Capítulo 3. En éste se presenta el primer estudio epistemológico del trabajo
(Estudio 1). Tiene como objetivo analizar el objeto «variable aleatoria»
desde la disciplina con la intención de profundizar en él y fundamentar los
estudios posteriores. Se analiza el objeto matemático, relacionándolo con la
asignación de probabilidad y la actividad de modelación y delimitando.
Finalmente, se deducen los objetos de análisis que usaremos en los Estudios
3 y 4.
 Capítulo 4: Se describe el Estudio 2 donde se realiza un análisis del
desarrollo histórico de la variable aleatoria que complementa el análisis
epistemológico desde la disciplina, en el sentido de que permite conocer más
profundamente el objeto de estudio a lo largo de su devenir histórico. Este
estudio también permitirá proponer algunas posibles acciones didácticas e
identificar algunas dificultades ligadas a su desarrollo que podrían
presentarse en los estudiantes.
 Capítulo 5. Se analiza una exploración cognitiva en profundidad (Estudio 3)
de las concepciones y comprensión de una pareja de estudiantes sobre la
variable aleatoria cuando se enfrentan a la resolución de un problema que
requiere el uso del objeto «variable aleatoria». La metodología empleada es
una entrevista clínica guiada. Se trata de conocer cómo dos estudiantes
resuelven «en voz alta» y en consenso un problema propuesto.
 Capítulo 5: El Estudio 4 trata de complementar el anterior en un doble
sentido. En primer lugar amplía el tamaño de la muestra, de modo que los
resultados puedan tener mayor generalidad, por otro, se emplea una situación
en la que los estudiantes han de trabajar con tres pares de variables
estadísticas asociadas a las variables aleatorias subyacentes. Además se
añade una dificultad más, el estudiante se enfrenta con la necesidad de
6
Introducción
organizar los datos proporcionados, de modo que, en teoría, el primer paso

en el análisis de la situación es la construcción de la distribución por parte de
los estudiantes. De este modo accederemos a la comprensión que
manifiestan sobre la variable estadística y la relación que establecen entre
variable estadística y variable aleatoria, así como a las prácticas que realizan
al resolver una actividad centrada alrededor de la variable estadística.
La tesis finaliza con las conclusiones, referencias y algunos anexos incluidos en

un CD-ROM en donde se muestran, principalmente, las actividades que se usaron para
observar el comportamiento de los estudiantes en los estudios cognitivos.
Los dos primeros estudios descritos proporcionan información detallada sobre el
objeto matemático «variable aleatoria» desde el punto de vista matemático e histórico.
En los siguientes se analizan exhaustivamente los razonamientos de los alumnos
participantes cuando se enfrentan a las tareas propuestas, proporcionando resultados
nuevos sobre sus concepciones y dificultades cuando se enfrentan a problemas
vinculados con la variable aleatoria y otros objetos matemáticos relacionados con ella.
Aunque el concepto de variable aleatoria es muy amplio y los resultados podrían
ser diferentes en otras tareas o tipo de alumnos, nuestros estudios aportan una
información inicial en un terreno en que la investigación previa es casi inexistente.
Todos estos resultados se han recogido en una serie de publicaciones que se describen a
lo largo de la memoria.
7
Capítulo 1.
Fundamentación de la
investigación

ÍNDICE DE CAPÍTULO
2. El problema de investigación, 11
2.1. Demanda social y desarrollo de la educación en estadística, 12
2.2. Rezago de las instituciones educativas, 14
2.3. Problemas de la enseñanza y el aprendizaje de la estadística, 16
2.4. El objeto de estudio: La variable aleatoria, 17
3. Marco teórico, 20
3.1. Teoría de situaciones didácticas, 20
3.1.1. Teoría de la equilibración mayorante de Piaget, 21
3.1.2. Situaciones a‐didácticas, 22
3.1.3. Situación didáctica, 23
3.1.4. Concepciones y errores, 25
3.2. Elementos del enfoque ontosemiótico, 27
3.2.1. Significado de un objeto matemático, 27
3.2.2. Objetos que intervienen en los sistemas de prácticas, 28
3.2.3. Facetas duales del conocimiento matemático, 30
3.2.4. Idoneidad didáctica, 31
4. Objetivos de investigación, 32
5. Metodología de investigación, 34
5.1. Ingeniería didáctica, 37
5.2. Entrevista clínica, 39
5.3. Análisis de contenido en producciones escritas, 40
1. Introducción
En este primer capítulo se presentan el problema de investigación resaltando su
importancia, el marco teórico en que se apoya, los objetivos planteados y un resumen de
la metodología, que se detallará más ampliamente en los capítulos posteriores.
En primer lugar se describe la justificación del problema de investigación,
principiando con una perspectiva general de la problemática de la didáctica de la
estadística. El segundo apartado se concluye destacando la particularidad del tema
seleccionado. El tercer apartado está dedicado a la descripción del marco teórico.
Sustentamos la investigación en la teoría de situaciones didácticas (Brousseau, 1981)
complementada en algunos puntos con el análisis del sistema de prácticas matemáticas,
a través de la perspectiva semiótico-ontológica de la cognición e instrucción
matemática que sostiene Godino (2002). En ese apartado nos ocuparemos brevemente
de ellas. Los elementos teóricos seleccionados conducen, desde el punto de vista
metodológico, a la Ingeniería Didáctica (Artigue, 1995a y 1995b) y a algunas
metodologías auxiliares que le sirven de apoyo.
El capítulo finaliza con la descripción de los objetos de la investigación y una
breve exposición de su metodología, que se ampliará en cada uno de los estudios en que
se ha organizado la Memoria.
2. El problema de investigación
La educación en probabilidad y estadística es una demanda cada vez más urgente de
nuestras sociedades modernas. En respuesta a ello, tanto profesores como investigadores
y las mismas oficinas responsables de la producción de la estadística han comenzado a
abordarla esta educación de manera científica. Este interés está justificado puesto que es
necesario tanto que los especialistas en el área produzcan y analicen estadísticas, como
que profesionistas y ciudadanos sepan interpretarlas y tomar decisiones basándose en
ellas. Pero también está vinculado con el rápido desarrollo de la estadística como
ciencia, las dificultades intrínsecas de la asignatura en sí misma y su vinculación tan
cercana, y en ocasiones tan específica, con otras profesiones.
Así mismo dentro del sistema educativo vivimos cambios, no sólo en los temas
tratados sino también en la incorporación de nuevas estrategias de aprendizaje y usos de
la tecnología, que requieren una revisión cuidadosa de las modificaciones de los
11
Capítulo 1
contenidos que con ellos se ocasiona. Las directrices de diseños curriculares, como los
del NCTM (2000), de la SEP (2006) en México y del MEC (2006) en España,
introducen la estadística desde los primeros niveles escolares aunada a un cambio en la
metodología de enseñanza.
Se pretende que los niños sean capaces de comprender la idea de distribución de
datos, describir su forma y usar las características estadísticas, como el rango y las
medidas de tendencia central, para comparar conjuntos de datos. Deben considerar que
los datos son muestras recogidas de poblaciones mayores y llevar a cabo investigaciones
y proyectos, considerando el ciclo: formular preguntas, recoger datos y representarlos.
Los niños deberían, además, usar programas de ordenadores que les ayuden a
representar gráficos, por ejemplo, la hoja de cálculo electrónica. Sugerencias similares,
pero a nivel más avanzado, se presentan en los currículos de la enseñanza universitaria y
las directrices son muy similares en muchos otros países. Se pretende desarrollar el
razonamiento estadístico en los estudiantes e implícitamente se reconoce, como lo
indica Scheaffer (2006) y Gattuso y Ottaviani (2011), que este tipo de razonamiento es
diferente del matemático, pero ambos complementarios en el currículo global de
matemáticas y esenciales en la sociedad moderna.
Aunque la didáctica de la estadística está emergiendo con mucha fuerza en los
últimos años como área de investigación, la mayor parte de los trabajos realizados se
centran en la enseñanza primaria o secundaria, o bien abordan el tema sólo desde su
perspectiva psicológica, por demás necesaria, pero no suficiente. Muchas de las
dificultades de aprendizaje de varios conceptos básicos no han sido todavía exploradas y
el profesor se encuentra sin recursos para hacerles frente cuando se presentan en sus
clases con sus estudiantes.
Dentro de este contexto, en este apartado situamos nuestra investigación acerca
del aprendizaje del concepto de variable aleatoria como una idea fundamental dentro de
la enseñanza de la estadística sobre el que resulta pertinente detenernos a reflexionar.
Precisamos el problema específico que se aborda en este trabajo, continuación de otros
trabajos previos de didáctica de la probabilidad a nivel universitario realizados por
nuestros compañeros (Serrano, 1996; Tauber, 2001; Alvarado, 2007; Olivo, 2008;
Arteaga, 2011; Contreras, 2011).
2.1. Demanda social y desarrollo de la educación en estadística

El acelerado desarrollo de la tecnología, de la ciencia y de los medios de comunicación
en las sociedades actuales ha exigido que se incorpore a la educación formal una de las
12
Fundamentación
áreas matemáticas de más actualidad: la estadística. Los gobiernos y empresas exigen de

la estadística cifras más claras y fiables que permitan tomar decisiones más acertadas en
el orden de lo económico, social y político. Para ello es necesaria la cultura estadística
básica del ciudadano que ha de colaborar en la recolección de datos (Batanero, 2002),
pero que también será usuario de esos datos para establecer criterios al participar en las
decisiones que toma su sociedad. Como resultado, los institutos y asociaciones de
estadística se están implicando cada vez más en la preparación de materiales y
organización de acciones que ayuden a mejorar la cultura estadística de los ciudadanos.
Cabe aclarar que desde nuestra perspectiva, la cultura estadística es la capacidad de
comprender y evaluar críticamente los resultados estadísticos que impregnan nuestras
vidas a diario, unida a la valoración de la contribución que el razonamiento estadístico
puede hacer en la vida privada y pública y en la toma de decisiones (Gal, 2002).
Batanero (2002) indica que la UNESCO y otros organismos internacionales
acordaron que es prioritaria la promoción de la formación estadística como clave para el
crecimiento. El Instituto Internacional de Estadística (ISI) fundado en 1885 es otro
organismo que impulsa la educación a través de las Conferencias Internacionales sobre
Enseñanza de la Estadística (International Conferences on Teaching of Statistics,
ICOTS), iniciadas en 1982, de las cuáles la última edición se celebró en Eslovenia en
2008. La Asociación Internacional de Educación Estadística (International Association
for Statistical Education, IASE) fundada en 1991 se encarga específicamente de
impulsar las acciones educativas en estadística del ISI, como los ICOTS y las Mesas
Redondas (Round Table Conferences), congresos donde se discuten temas específicos
alrededor de la enseñanza de la estadística.
Por otro lado, la educación estadística también se ha desarrollado dentro de la
educación matemática, aunque con menor intensidad. El Comité Internacional para la
Instrucción en Matemática (International Committee on Mathematical Education, ICMI)
inició los Congresos Internacionales sobre Educación Matemática (International
Congresses on Matemátics Education, ICME) a partir de 1973, donde, entre otros temas,
se organizan grupos de trabajo en educación estadística, en su última edición, que tuvo
lugar en 2008 en Monterrey, México, se organizaron dos grupos diferentes. En este
mismo espacio, el ICMI también dedicó uno de sus ICMI Studies al tema particular de
la estadística, con el título «Teaching Statistics in School Mathematics. Challenges for
Teaching and Teacher Education». Este estudio en particular se realizó de manera
conjunta con una Mesa Redonda de la IASE y se celebró en el Instituto Tecnológico de
Estudios Superiores de Monterrey.
13
Capítulo 1
En los últimos años, tanto en los congresos celebrados por el Grupo

Internacional para la PME (Psychology of Mathematics Education), como en el
CERME (Congreso Europeo de Educación Matemática), CIBEM (Congreso
Iberoamericano de Educación Matemática) y RELME (Reunión Latinoamericana en
Matemática Educativa) se están incluyendo grupos temáticos de educación estadística.
Todas estas instancias dan cuenta de la importancia de la educación estadística y de la
preocupación de la sociedad por mejorarla.
También en psicología ha habido una gran cantidad de investigación sobre
desarrollo cognitivo, a partir del trabajo pionero de Piaget e Inhelder (1951), quienes
analizaron exhaustivamente el desarrollo de las ideas de aleatoriedad y probabilidad, del
razonamiento combinatorio, de la intuición de la frecuencia relativa, distribución y
convergencia, así como de la capacidad de cuantificación de probabilidades en los niños
desde sus primeros años a la adolescencia, determinando las diferentes etapas en el
desarrollo del razonamiento probabilístico. Este trabajo abrió un campo de investigación
muy fuerte en psicología que aún se continúa.
Finalmente, la psicología también ha influido fuertemente en la investigación en
educación estadística. Desde la perspectiva de Pérez Echeverría (1990), durante los años
80 hubo un cambio de enfoque en la investigación sobre el razonamiento humano. La
postura de un hombre pensante únicamente en términos de reglas de una lógica mental
fue cambiada por el de un ser humano que quebranta constantemente esas reglas gracias
al trabajo de Kahneman, Slovic y Tversky (1982). Un concepto fundamental de estos
autores, es el de heurística o estrategia inconsciente que reduce la complejidad de un
problema probabilístico, puesto que no se realiza un análisis exhaustivo de la
información. Aunque las heurísticas ayudan en muchos casos a obtener una solución
aproximada al problema, en otros, los mismos investigadores producen sesgos en las
conclusiones obtenidas, con las consiguientes implicaciones en las decisiones tomadas.
Este enfoque de investigación ha aportado resultados importantes, entre otros puntos,
sobre el razonamiento correlacional, la inferencia, la probabilidad condicional y la regla
de Bayes. Todas estas investigaciones, para el caso de la probabilidad, se resumen en
trabajos como los de Borovcnik, Bentz y Kapadia (1991 a y b), Shaughnessy (1992,
2007) y Jones, Langrall y Mooney (2007).
2.2. Rezago de las instituciones educativas

Hasta ahora, la demanda social de la educación estadística ha sido mayor que la
capacidad de las instituciones educativas para responder a la misma. Muchas veces,
14
Fundamentación
enseñar estadística en la escuela sólo consiste en realizar cálculos o demostrar teoremas

matemáticos y se pone poco empeño en diseñar experimentos, analizar datos o conectar
la estadística con el proceso general de indagación. Como consecuencia, los estudiantes
finalizan el bachillerato con escasa comprensión de los principios básicos que subyacen
en el análisis de datos, lo que explica muchos de sus problemas posteriores en el uso de
la estadística en su vida cotidiana o profesional o en los cursos de estadística en la
universidad.
Particularmente en México, los estudiantes llegan al nivel universitario con
serias deficiencias en el ámbito de probabilidad y estadística y de desarrollo del
pensamiento estocástico, como lo manifiestan las academias de estadística del sistema
ITESM (Instituto Tecnológico de Estudios Superiores de Monterrey), tomado en cuenta
el desempeño escolar, los índices de reprobación y el rápido olvido de los contenidos
estudiados en sus alumnos. La situación es similar en España, donde los profesores no
siempre encuentran apoyo en los libros de texto, pues las aplicaciones mostradas en los
mismos se limitan a juegos de azar o no se basan en datos tomados de aplicaciones
reales; encontrándose incluso definiciones incorrectas o incompletas (Serradó,
Cardeñoso y Azcárate, 2005).
Sin embargo este problema no es propio de un nivel educativo ni tampoco de
algún país aislado, como se puso de manifiesto en los trabajos del Joint ICMI/IASE
Study (Batanero, Burrill, Reading y Rossman, 2008; Batanero, Burrill y Reading, 2011)
y la incorporación de la estadística desde la educación básica no es todavía un hecho.
Esto se puede observar en México en el nivel básico, en donde, a pesar de que en los
programas oficiales están especificados contenidos de probabilidad y estadística, suele
ser la última unidad que, por falta de tiempo e incluso por dificultades del profesor en el
tema, no son estudiados o lo son superficialmente (Alatorre, 1998 y Alquicira, 1998).
En el nivel medio superior actualmente no hay una política educativa uniforme para
todo el país respecto a la enseñanza de la Probabilidad y Estadística (SEP, 2006), a
pesar de que la misma Secretaria de Educación Pública (SEP) de México lo maneja
como un tópico obligatorio desde 1982. De esta forma, en muchos planes de estudio de
bachillerato no es incluida como asignatura, en otros es una asignatura optativa y en
otros más es incluida sólo como tópico en alguna otra asignatura.
En el nivel profesional, hay también una necesidad patente de revisión de los
contenidos en la materia de probabilidad y estadística, para satisfacer la demanda de las
distintas ingenierías y licenciaturas, quienes exigen una orientación hacia sus áreas de
trabajo. Actualmente en el Sistema ITESM la asignatura está diversificada en
Estadística para Ciencias Sociales, Probabilidad y Estadística para Ingeniería,
15
Capítulo 1
Estadística para Economistas, Estadística para Ciencias Biológicas y hay intentos

encaminados a un programa de estudio sobre Estadística para Ingeniería Industrial.
En resumen, la adecuación de los contenidos de Probabilidad y Estadística a los
distintos contextos y necesidades profesionales, la necesidad de actualización
permanente de los profesores, así como las dificultades a las que tanto profesores como
estudiantes universitarios se enfrentan al tratar de cubrir contenidos propios del nivel y
subsanar deficiencias de niveles anteriores (Batanero, 2002), dificultan que las
instituciones educativas respondan adecuadamente a las demandas sociales de
formación en Probabilidad y Estadística.
2.3. Problemas de la enseñanza y el aprendizaje de la estadística

Existen también dificultades propias de la enseñanza y el aprendizaje de la estadística,
que contradicen la falsa creencia de que el discurso escolar es transparente. Estas
dificultades se han analizado en conceptos estadísticos aparentemente muy sencillos,
tales como los de gráficas estadísticas, medidas de posición central, variabilidad y
distribución, sobre los que se apoya la construcción de la idea de variable aleatoria (ver,
por ejemplo, Shaughnessy, 2007, las actas de los ocho congresos ICOTS, y las revistas
Journal of Statistics Education y Statistics Education Research Journal). Esto sugiere el
interés de analizar la comprensión de los estudiantes sobre la variable aleatoria, donde
los problemas en los contenidos previos seguramente incidirán.
Algunos de estos problemas también pudieran ser producto de una enseñanza de
la estadística no adecuada o heredados de la enseñanza formalista tradicional de la
matemática determinística. Así, por ejemplo, tanto en México como en España la
enseñanza de la estadística tiene una fuerte tendencia a prescindir de los fenómenos
aleatorios y de «algebraizar» los resultados de la estadística, con la consecuencia, entre
otras, que se fomenta muy poco el desarrollo del pensamiento estocástico.
Esto se recrudece en las clases de estadística universitarias debido a que se
tiende a pensar que las nociones estadísticas se deben enseñar con un mayor grado de
formalidad. La situación ha comenzado a cambiar poco a poco, observándose el interés
de algunos profesores por realizar proyectos de innovación docente en estadística, que
presentan en los congresos internacionales o bien en las reuniones de las sociedades de
estadística mexicana o española. Pero de hecho son pocos los profesores de matemáticas
que están bien preparados para enseñar estadística. En los niveles de primaria o
secundaria ocurre que, aunque los profesores hayan estudiado estadística, ha sido desde
el punto de vista teórico y no conocen bien las aplicaciones ni tienen experiencia en
16
Fundamentación
análisis de datos reales, como se reconoce en los trabajos del Joint ICMI/IASE Study.
En el nivel superior, los profesores generalmente no tienen una buena instrucción
pedagógica que les permita adentrarse en el pensamiento de los estudiantes y diseñar
estrategias de enseñanza efectivas.
El problema no sólo radica en la forma en cómo se le presente el contenido a los
estudiantes, pues algunas de las dificultades se repiten con estudiantes de diversa edad y
en contextos educativos muy diferentes. Gattuso y Ottaviani (2011) resaltan la fuerte
especificidad de la educación estadística, que se refleja en las cuestiones filosóficas,
éticas, procedimentales e incluso políticas que todavía son objeto de debate en la
estadística y sus aplicaciones. Pero, por otro lado, la estadística está mucho más
relacionada que las matemáticas con otras ciencias (como psicología, lingüística,
geografía, física, ingeniería o economía) que han contribuido al desarrollarlo de muchos
métodos estadísticos. Por este motivo, es también más sencillo establecer conexiones
con otras áreas curriculares de la escuela en estadística que en matemáticas (Scheaffer,
2006).
2.4. El objeto de estudio: La variable aleatoria

La variable aleatoria es un pilar para el desarrollo de habilidades de modelación en los
estudiantes, así como una base para el desarrollo de la teoría relativa a distribuciones de
probabilidad, el Teorema central del límite y el estudio de la inferencia entre otros
temas fundamentales para la Estadística. No es un objeto sencillo, pues en ella
convergen muchos conceptos matemáticos, estadísticos y probabilísticos provenientes
de los niveles educativos básico y medio superior, a la vez que está relacionada con
conceptos abstractos propios de niveles superiores, entre otros lo de función y función
inversa. Su interés curricular se manifiesta desde el nivel medio superior, puesto que
esta noción se puede considerar un indicador del aprendizaje de elementos revisados por
el estudiante en cursos previos al universitario.
Como analizamos con detalle en Ruiz y Sánchez (2007), la variable aleatoria
como idea central en la enseñanza estocástica fue propuesta por Heitele (1975), quien se
basa en la concepción de ‘Idea fundamental’ de Bruner (1960). Para Bruner las ideas
fundamentales son útiles desde la perspectiva curricular porque permiten definir cuáles
son los tópicos que se estudian en cada grado escolar y con qué profundidad, además de
vincularlos entre ellos y con los de otras ramas de las matemáticas. De este modo se
genera una red de conocimientos que no sólo propicia el aprendizaje formal de los
17
Capítulo 1
conceptos sino que también educa la intuición y desarrolla conexiones significantes con
la realidad.
Para Heitele una idea fundamental se puede enseñar de manera provechosa en
cualquier nivel escolar con niveles de aprendizaje bien definidos. Su lógica está de
acuerdo con un currículo en espiral en el que en cada etapa se desarrollan modelos
explicativos sobre una idea fundamental, que difieren en los niveles cognitivos, en su
forma lingüística y en sus niveles de profundización, pero no en su estructura. El
principio básico de currículum en espiral es que un niño es capaz de aprender
seriamente cualquier tema en un cierto nivel y que por lo tanto todos los tópicos pueden
ser introducidos en una edad temprana, pero que no pueden ser exhaustivos a ninguna
edad, sino que sólo pueden ser retomados para incrementar su profundidad.
Heitele pone como ejemplo de este proceso curricular el desarrollo cognitivo de
la idea de variable aleatoria. La primera aproximación es un modelo explicativo burdo
en donde el niño observa repeticiones del fenómeno e interpreta qué es lo que ocurrirá
más frecuentemente, a través de actividades de juego en donde no se involucra una
instrucción formal ni analítica. En este primer estadio, Heitele propone la noción de
esperanza vinculada con una variable de interés que el niño debe detectar, la percepción
de algunos valores que puede tomar y el criterio que se establecería para tomar una
decisión con respecto a por cuál valor es por el que más le conviene apostar. Aunque en
este nivel el modelo es meramente intuitivo, para Heitele se pre-establecen
conocimientos analíticos posteriores, como los de espacio muestral, probabilidad
frecuencial y esperanza matemática, además de pre-figuraciones del concepto de
variable aleatoria a través de la variable de interés.
En una etapa intermedia se pondría énfasis en un modelo más cuantitativo en
donde no sólo se detecten sino también se enumeren los eventos posibles y se
identifiquen los favorables. Así mismo, se retoma a la variable estadística como una
pre-figuración de la variable aleatoria y se pre-establece la distribución de probabilidad
y la esperanza matemática, pero ya se maneja conocimiento analítico como el concepto
de probabilidad clásica (laplaciana). Un modelo más elaborado daría cuenta de la
identificación e interpretación de la variable aleatoria, el análisis de la situación
completa y la observación de parámetros que definen el comportamiento del fenómeno.
El conocimiento aquí explorado sería analítico.
Heitele manifiesta que la variable aleatoria y todo el inventario conceptual
relacionado con ella, juegan un papel básico en la matematización de la probabilidad,
pero también en las aplicaciones de la estocástica a la vida diaria. Como idea
fundamental también tiene un sostén psicológico, porque considera que la intuición de
18
Fundamentación
magnitudes en las que participa el azar surge en una etapa más temprana que la de
experimento aleatorio.
Desde la perspectiva del modelo explicativo, Heitele considera que la variable
aleatoria tiene un papel fundamental en tres aspectos: su distribución, su esperanza y la
composición entre variables aleatorias. En la distribución juegan un papel importante la
equiprobabilidad, la distribución normal y el teorema central del límite que podrían
proporcionar modelos explicativos tanto en niveles primarios como universitarios. La
distribución de una variable aleatoria está innegablemente vinculada con sus dos
características más importantes, su esperanza y su dispersión, pero Heitele considera a
la esperanza como un capítulo especial en las teorías de aprendizaje por su valor
explicativo y por lo tanto, en la configuración de las etapas cognitivas de sus modelos
explicativos. Las operaciones entre variables aleatorias permitirían construir nuevos
modelos matemáticos complejos a partir de uno inicial, lo que daría lugar a un modelo
explicativo más complejo.
Miller (1998) también considera el concepto de variable aleatoria como
fundamental en la Estadística. Debido a la importancia que este concepto tiene en
posteriores nociones estadísticas, como las distribuciones de probabilidad, el modelo de
regresión o la obtención de estimadores, indica que la confusión que se puede generar
en este tema, tendría repercusiones posteriores importantes en los estudiantes. Por su
parte Batanero (2001) afirma que la variable aleatoria es la responsable del paso del
estudio de los sucesos aislados al estudio de las distribuciones de probabilidad, además
de que, junto con las funciones de distribución, son una herramienta muy potente que
permiten hacer uso del análisis matemático en los fenómenos aleatorios.
Los argumentos cognitivos y epistemológicos expuestos anteriormente para
afirmar que la variable aleatoria como idea fundamental resaltan la importancia de
realizar investigaciones que confirmen y sustenten de manera más detallada el
desarrollo de ese concepto a lo largo del currículo escolar. Nuestro trabajo se orientará a
realizar análisis epistemológicos y cognitivos sobre este objeto matemático.
Indirectamente, la metodología usada en los estudios cognitivos permitirá también
analizar posible situaciones a-didácticas que se podrían refinar posteriormente y serían
útiles para evaluar y desarrollar pre-figuraciones intuitivas y posteriormente la
profundización y abstracción del concepto.
A continuación presentamos el marco teórico y la metodología de nuestro
trabajo. El capítulo concluye con la clarificación de los objetivos de esta investigación
desde la perspectiva de nuestro marco teórico y la metodología utilizada.
19
Capítulo 1
3. Marco teórico
En esta sección primero expondremos el marco teórico que respalda nuestra
investigación para abordar y plantear la problemática tratada en los incisos anteriores, y
su metodología. Nos apoyamos fundamentalmente en la teoría de situaciones didácticas
planteada por Brousseau (1981, 1986 y 1997) que nos conduce, desde el punto de vista
metodológico, a la Ingeniería Didáctica (Artigue, 1995a y 1995b), aunque nos
limitaremos a la fase del análisis a priori. Aunado a este enfoque, nos parece útil usar
algunos elementos de la perspectiva semiótico-ontológica de la cognición e instrucción
matemática que propone Godino (2002).
Todo ello nos servirá de apoyo en la descripción y análisis del objeto variable
aleatoria, tanto desde la cognición matemática como desde su epistemología.
3.1. Teoría de situaciones didácticas

La teoría de situaciones didácticas toma como objeto de estudio al sistema didáctico y,
más ampliamente, al sistema de enseñanza, que se sustenta en el triángulo
epistemológico: docente-saber matemático-alumno y sus relaciones. A partir de esta
perspectiva, la ingeniería didáctica propone un análisis preliminar de los conceptos
desde tres dimensiones: la didáctica, la epistemológica y la cognitiva. Los resultados
aportados por las tres componentes dan lugar al diseño de una secuencia didáctica que
permitirá el estudio de la didáctica del objeto matemático en el aula a través de variables
de observación relevantes también fundamentadas en el análisis preliminar. Este análisis
requiere, por tanto, de una investigación seria que profundice en la naturaleza del objeto
matemático desde cada uno de sus componentes y sus interrelaciones.
Siguiendo esta teoría, en nuestro trabajo se aborda el análisis preliminar del
objeto «variable aleatoria». Los resultados de los análisis servirán como orientación
para el diseño de situaciones didácticas apropiadas a los tipos de estudiantes que
participaron en la investigación y proporcionará fundamentos para futuras
investigaciones basadas o no en esta teoría.
Brousseau (1997) vislumbró por primera vez la necesidad de utilizar un modelo
propio de la actividad matemática en la investigación en didáctica de la matemática a
partir de la problematización y cuestionamiento del conocimiento matemático enseñado.
A ese modelo le llamó Teoría de situaciones didácticas. Brousseau está de acuerdo con
la Teoría de equilibración mayorante de Piaget (1991). El reto está en construir
situaciones didácticas con las que el estudiante se involucre con situaciones a-
didácticas que permitan que un conocimiento matemático particular emerja de la
20
Fundamentación
actividad del estudiante. En los párrafos siguientes describiremos brevemente algunos

de los aspectos más relevantes de esta teoría.
3.1.1. Teoría de la equilibración mayorante de Piaget
Una de las ideas centrales de la Teoría de la Equilibración mayorante de Piaget (1991)

es que tanto la naturaleza como la validez de los conocimientos dependen de su modo
de formación. La postura de Piaget es que el conocimiento se adquiere mediante la
interacción entre el sujeto y el objeto. De aquí que la acción sea para él un principio
fundamental para el aprendizaje. La naturaleza dialéctica de la teoría de Piaget es un
proceso complejo de estructuraciones sucesivas a través de una jerarquía de niveles bien
definidos. El conocimiento es, desde un punto de vista metodológico, un proceso
continuo cuya iniciación o finalización no pueden alcanzarse nunca y por lo tanto debe
enfocarse siempre como un relativo a un estado anterior y de menor conocimiento y a su
vez susceptible de ser construido a partir de un estado anterior. No se trata, afirma
Piaget, de cortes arbitrarios en el seno de un proceso continuo o puramente aditivo, las
estructuras adquiridas en un nivel dan lugar a una reconstrucción antes de que estas
estructuras reconstruidas puedan ser integradas en las nuevas estructuras elaboradas
sobre los niveles anteriores.
Cada uno de los niveles constituye un estado de equilibrio dinámico a la manera
de los estados de equilibrio estático de un sistema de equilibrio (situaciones
«estacionarias») de un sistema termodinámico. Piaget lo llama equilibración. En la
medida que el desarrollo del conocimiento es concebido como un juego, se entra en
mecanismos de desequilibración del anterior nivel y de reequilibración en los nuevos
niveles que se van alcanzando. Esto tiene repercusiones importantes en la didáctica
porque no hay acumulación progresiva de saberes, sino una reorganización permanente
de conocimientos: los nuevos saberes son integrados al saber anterior, aun a veces
modificando o confrontando este último. Es necesario, por tanto que se establezca un
conflicto cognitivo que provoque un estado de desequilibración-reequilibración para que
surja un nuevo conocimiento.
La concepción básica más original de la teoría epistemológica de Piaget consiste
en afirmar que la acción es constitutiva a todo conocimiento. El conocimiento es
dependiente de la acción y la acción es productora de conocimiento. La actividad propia
del sujeto no se ejerce forzosamente mediante la manipulación de objetos materiales,
sino de una acción finalizada y problematizada que supone una dialéctica pensamiento-
acción muy diferente a una simple manipulación guiada, orientada con frecuencia a una
simple tarea de constatación.
21
Capítulo 1
En la acción elemental todavía no puede hablarse, en sentido estricto, ni de un

sujeto ni de un objeto. Poner en el punto de partida la acción es, por un lado, sustituir las
opciones clásicas (primacía del sujeto en el idealismo o del objeto en el empirismo) con
un nuevo enfoque: la primacía es la del vínculo práctico, de la interacción efectiva, de la
acción objetiva. Pero, por otro lado, es adoptar una perspectiva constructivista que dé
cuenta de la constitución del sujeto en tanto sujeto cognoscente y del objeto en tanto
objeto de conocimiento. Este papel de la acción rompe la vieja dicotomía entre
pensamiento y acción. Tal como lo señala Piaget: «todas las teorías no-genéticas
conciben al pensamiento como anterior a la acción y a ésta como una aplicación de
aquél» (Piaget, 1991, p. 16). De este modo, la acción en la didáctica de las matemáticas
juega un papel esencial, propone una forma de apropiación del conocimiento por parte
del alumno.
En esta investigación se tendrá en cuenta esta teoría en los dos estudios
cognitivos, en los que se pretenderá que el objeto «variable aleatoria» se construya a
partir de situaciones que requieren la implicación activa (acción) del estudiante.
3.1.2. Situaciones a‐didácticas
Brousseau (1997) sostiene que la concepción moderna de la enseñanza es pedir al

maestro que provoque en el alumno las adaptaciones deseadas, con una elección
acertada de los «problemas» que le propone. Para que el alumno pueda aceptar estos
problemas, deben hacerle actuar, hablar, reflexionar y evolucionar por sí mismo. Entre
el momento en que el alumno acepta el problema como suyo y aquél en el que produce
su respuesta, el maestro rehúsa intervenir, es decir, espera que el estudiante descubra
por sí solo los conocimientos que quiere ver aparecer. El alumno sabe bien que el
problema ha sido elegido para hacerle adquirir un conocimiento nuevo, pero también
que este conocimiento está enteramente justificado por la lógica interna de la situación y
que puede construirlo sin atender a razones didácticas a través de la interacción con el
problema. No sólo puede, sino que también debe, pues sólo habrá adquirido
verdaderamente este conocimiento cuando él mismo sea capaz de ponerlo en acción, en
situaciones que encontrará fuera de todo contexto de enseñanza, y en ausencia de
cualquier indicación intencional. Tal situación es llamada a-didáctica por Brousseau.
Cada conocimiento puede caracterizarse por una o más situaciones a-didácticas
que preservan su sentido y que llamaremos situaciones fundamentales. Pero el alumno
no puede resolver de golpe cualquier situación a-didáctica, por eso el maestro le
propone, entre las situaciones a-didácticas, aquéllas que están a su alcance. Estas
situaciones a-didácticas, ajustadas a fines didácticos, determinan el conocimiento
22
Fundamentación
enseñado en un momento dado y el sentido particular que este conocimiento va a tomar.

Para Brousseau la definición del conocimiento matemático enseñado se establece a
través de una situación fundamental, que, para un conocimiento matemático C en
particular, definió como «un conjunto mínimo de situaciones a-didácticas (específicas
de C) que permiten engendrar, por manipulación de los valores que toman sus variables
didácticas, un campo de problemas suficientemente extenso como para proporcionar
una buena representación de C en relación a cómo ha sido construido C en la institución
didáctica en cuestión» (Chevallard, Bosch y Gascón, 1997, p 216).
En nuestro estudio buscamos dos situaciones complementarias1 de las que surge
la idea de variable aleatoria y en las que el estudiante se interesa personalmente:
 La primera (Estudio 3) es una situación de sorteo, en la que el estudiante
debe tomar una decisión. Se asemeja a problemas de juego de los que surge
la idea de variable aleatoria y esperanza matemática y su análisis requiere el
manejo de la concepción clásica de probabilidad.
 La segunda (Estudio 4) es una investigación que precisa recoger y analizar
datos para poner a prueba sus propias intuiciones. En este caso el problema
propuesto es similar a otros de los que surge la necesidad de realizar estudios
estadísticos y de los que surge tanto la variable estadística como la aleatoria,
además de que el tipo de probabilidad empleado es frecuencial.
3.1.3. Situación didáctica
La situación o el problema elegido por el profesor es una parte esencial de la siguiente

situación más amplia: el maestro busca delegar al alumno una situación a-didáctica que
provoque en él una interacción lo más independiente y lo más fecunda posible. Para
ello, comunica o se abstiene de comunicar, según el caso, informaciones, preguntas,
métodos de aprendizaje, heurísticas, etc. En consecuencia, el enseñante está implicado
en un juego con el sistema de interacciones del alumno y con los problemas que él le ha
planteado. Esta situación más amplia es la situación didáctica (Brousseau, 1986).
Para construir buenas situaciones didácticas se consideran los siguientes
aspectos, que se han tenido en cuenta en cada uno de los dos estudios cognitivos
realizados:
 La actividad propuesta como punto de partida debe presentar un verdadero
problema para los alumnos, pero, a la vez, ser comprendido por ellos. Es
1
Que potencialmente, mejoradas podrían llegar a convertirse en situaciones a-didácticas.
23
Capítulo 1
decir, los estudiantes deben poder pensar y planear la respuesta del

problema.
 Debe permitir al alumno utilizar conocimientos anteriores (para que pueda
introducirse en el problema).
 Y debe ofrecer una resistencia suficiente para llevar al alumno a hacer
evolucionar sus conocimientos anteriores, a cuestionarlos, a elaborar nuevos
conocimientos.
 Debe contener, en lo posible, su propia validación, es decir, el alumno debe
poder por sí mismo – o confrontado con los otros alumnos – controlar su
solución, decidir su validez de respuesta.
 El conocimiento previsto debe ser el más apropiado para resolver el
problema.
La situación didáctica implica una interacción dialéctica del estudiante con

situaciones problemáticas, donde el sujeto anticipa y finaliza sus acciones y
compromete sus conocimientos anteriores, los somete a revisión, los modifica, los
complementa o los rechaza para formar concepciones nuevas. El objeto principal de la
didáctica desde la perspectiva de la teoría de situaciones didácticas es estudiar las
condiciones que deben cumplir las situaciones planteadas al alumno para favorecer la
aparición, funcionamiento o rechazo de esas concepciones.
Para Brousseau (1986) el principio fundamental de la teoría de situaciones
didácticas es el principio metodológico «definir todo ‘objeto matemático’ mediante una
situación». Esto es, la «planeación documentada» de situaciones didácticas. Desde una
perspectiva metodológica se habla de la búsqueda de fundamentos para diseñar
secuencias didácticas que planteen problemas de los que surja de manera natural el
objeto matemático al interactuar con ellos, del planteamiento de posibles conductas del
estudiante al abordar esos problemas y del estudio de las interacciones del profesor con
el estudiante al resolver el problema y de la verificación de tales hipótesis en el aula.
Estas ideas se ponen de manifiesto en la ingeniería didáctica, que ha sido utilizada
como la metodología de la teoría de situaciones didácticas. En este sentido, y aunque
somos conscientes de la necesidad de revisión y mejora, las situaciones utilizadas en
nuestros estudios cognitivos pueden ser punto de partida para unas futuras situaciones
didácticas y a-didácticas que formen parte de una serie de situaciones fundamentales
para la enseñanza de la variable aleatoria.
24
Fundamentación
3.1.4. Concepciones y errores
Como ya se ha mencionado, para Piaget el desarrollo del conocimiento se realiza a

través de mecanismos de equilibración y desequilibración con la consecuente
reorganización de conocimientos en el sujeto. En la teoría de situaciones didácticas, los
nuevos estadios están vinculados con la superación de obstáculos por los que el
estudiante necesariamente debe pasar para provocar un estado de desequilibración-
equilibración y por lo tanto surja un nuevo conocimiento.
Así, el estudio de las acciones y producciones de los estudiantes al enfrentarse a
un problema también debe ser un punto a tomar en cuenta en el análisis preliminar. Es
de esperar que de este análisis surjan hipótesis que sustenten nuevos análisis a-priori y
el diseño de la secuencia didáctica. De este modo, la didáctica de las matemáticas
también se dedica a estudiar las concepciones del sujeto que aprende y de las
condiciones en las cuales se construye el conocimiento.
El término «concepción» ha sido utilizado de una forma muy amplia en
didáctica, (Artigue, 1990) y como sinónimo de otros, como «concepto», «sentido»,
«noción», «comprensión» etc. Vergnaud (1990) propuso que la piedra angular de la
cognición era la conceptualización. Sin embargo se enfocó a la faceta epistémica de las
nociones «concepto» y «campo conceptual», sin mencionar una perspectiva cognitiva
(aunque es posible que las distinguiera implícitamente). Para Vergnaud, el «concepto»
se describe a través de la tripleta formada por el conjunto de situaciones que dan sentido
al concepto, el conjunto de invariantes operatorios que constituyen el concepto
(objetos, propiedades y relaciones) y el conjunto de representaciones simbólicas usadas
para presentar esos invariantes y las situaciones y procedimientos. También introduce la
idea de «campo conceptual» como un conjunto de situaciones que da sentido a un
concepto e incluye sus invariantes y significantes.
Artigue (1990) usa el término «concepción» para referirse a distintos puntos de
vista o forma de comprender un objeto matemático (diferenciándolo del término
«concepto»). La autora también indica que en este término se pueden considerar dos
puntos de vista complementarios: uno epistémico (objetos matemáticos y su
funcionamiento) y otro cognitivo (los conocimientos del sujeto en relación a un objeto
matemático particular). Artigue discute dos usos del término concepción por distintos
autores:
 Como estado cognitivo global, tiene en cuenta la totalidad de los
conocimientos y creencias (en general la estructura cognitiva) del sujeto
respecto a un cierto objeto matemático. En este sentido «concepción» está
25
Capítulo 1
muy próximo al «concepto» de Vergnaud, entendido como una tripleta

(situaciones, invariantes y significantes).
 Como un objeto local, estrechamente asociado al saber puesto en juego y a
los diferentes problemas en cuya resolución intervienen. Sería la parte de la
concepción que se pone en juego en unas circunstancias dadas.
Aunque en nuestro trabajo, en principio estamos interesados por el punto de

vista global de la concepción sobre la variable aleatoria de los sujetos participantes en
los estudios, reconocemos que en cada uno de ellos posiblemente observaremos una
parte local de estas concepciones; más específicamente la que se pone en juego para
resolver las tareas propuestas.
Sfard (1991) por su parte diferencia entre concepto y concepción. Usa
«concepto» para referirse al conocimiento matemático establecido, y «concepción» para
hacer referencia «al aglomerado completo de representaciones internas y asociaciones
evocadas por el concepto -la contrapartida del concepto en el universo interno o
subjetivo del conocimiento humano» (p. 3). Tanto para los conceptos como para las
concepciones Sfard diferencia los puntos de vista operacional (proceso que se usa en
unas circunstancias y conduce a una serie de acciones) y estructural (estructura estática
del concepto o concepción en un momento dado), que son complementarios. En este
punto de vista la parte estructural de la concepción sobre variable aleatoria implicaría el
conjunto de propiedades y relaciones que un sujeto es capaz de establecer en un
momento dado y la parte operacional la forma en que la variable aleatoria se pone en
juego al resolver problemas y la serie de acciones que implica (tales como formar su
distribución o comparar sus promedios).
Es frecuente que el análisis fino de los errores producidos en tareas propuestas
ayude al investigador a forjar hipótesis sobre las concepciones de los alumnos y en ese
sentido interpretamos el error en nuestro trabajo. Lo diferenciamos de la ignorancia,
que es un no-conocimiento, en que el error se ejerce sobre un material ya dado, es decir,
conlleva conocimiento, pero en su manipulación conceptual lo trastorna y lo ensambla
incorrectamente, de modo que no ajusta entre sí. El error aparece, por tanto, como algo
inherente al sistema de conocimientos (Muñoz y Valverde, 2000)2.
2
También hay errores que no son debidos a una mala manipulación conceptual, sino testimonio de un
conocimiento que tuvo su ámbito de validez en otro contexto o nivel de conocimiento, a este tipo de
errores, Brousseau (1981) los llamó obstáculos epistemológicos. No los estudiaremos en este trabajo.
26
Fundamentación
3.2. Elementos del enfoque onto‐semiótico

Como hemos indicado, utilizaremos algunos elementos del enfoque ontológico-
semiótico de la cognición e instrucción matemática, desarrollado principalmente por
Godino y colaboradores (Godino y Batanero, 1994, 1998; Godino, 2002; Godino,
Batanero y Font, 2007), que pretende ser un marco unificado para el estudio de las
formas del conocimiento matemático y sus interacciones dentro de los sistemas
didácticos. Godino se centra en la problematización de la naturaleza del objeto
matemático como base de estudio de los procesos de enseñanza y aprendizaje. Retoma
diversas aproximaciones teóricas de la didáctica de la matemática y establece un
enfoque útil para caracterizar los significados elementales y sistémicos de los objetos
matemáticos puestos en juego en los procesos de estudio matemático. Se apoya
fuertemente en las perspectivas ontológica y semiótica de la actividad matemática y
reconoce que sus planteamientos surgen de una perspectiva antropológica con
elementos de la didáctica francesa (Godino, Font, Contreras y Wilhelmi, 2006).
Los procesos de enseñanza y aprendizaje de los contenidos matemáticos se
sitúan en el seno de una institución educativa y unos alumnos tratando de apropiarse de
ellos con la ayuda de un profesor en circunstancias específicas. Esto es, el proceso es
sistémico y dinámico, de modo que Godino (2002) propone el desarrollo de un modelo
teórico que articule las facetas epistemológica (centrado en la naturaleza de los distintos
componentes del conocimiento matemático a estudiar en una institución en particular),
ontológica-cognitiva (centrado en los procesos de interpretación de significados
institucionales por parte de los sujetos interpretantes) e instruccional (centrado en la
interacción entre las funciones docentes, discentes y los distintos componentes
epistémicos y cognitivos) a partir del análisis del objeto matemático. En este trabajo nos
centraremos tanto en la faceta epistemológica (Estudios 1 y 2), como en la cognitiva
(Estudios 3 y 4).
3.2.1. Significado de un objeto matemático
También en concordancia con las ideas piagetianas anteriormente expuestas, este marco
teórico se sostiene en tres aspectos importantes del conocimiento matemático:
 Las matemáticas son un quehacer humano que surgen como respuesta o
solución a problemas externos o internos. Estos problemas y sus soluciones
son compartidos por un grupo de personas implicadas en el estudio de una
cierta clase de problemas. De modo que los objetos matemáticos son
27
Capítulo 1
entidades culturales socialmente compartidas que emergen y evolucionan

gracias a las acciones de las personas.
 Las matemáticas crean un lenguaje simbólico propio en el que se expresan
las situaciones problemas y sus soluciones, que cumple con una función
comunicativa, pero también instrumental.
 Uno de los propósitos de la actividad matemática es la construcción de un
sistema conceptual lógicamente organizado, que se ve modificado, en sus
relaciones internas y en su tamaño, cuando un nuevo conocimiento se le
añade (Godino y Batanero, 1998).
Para formular una ontología del objeto matemático de acuerdo con estos
aspectos, Godino (2002) retoma de Chevallard (1991) la idea de objeto matemático
como un emergente de un sistema de prácticas para relacionar el significado sistémico
de un objeto matemático con las prácticas que realiza un individuo o institución cuando
enfrenta una situación problema. De Chevallard (1992), también, retoma la relatividad
del conocimiento con respecto a las instituciones y añade una faceta personal, para
proponer los constructos de significado institucional y significado personal. El sentido
de ‘las prácticas’ en el contexto de esta teoría se refieren concretamente a prácticas
significativas que incluyen tanto componentes operatorios como discursivos, esto es,
cuando la práctica desempeña una función para la consecución del objetivo en los
procesos de resolución de un problema o bien para comunicar la solución, para validarla
o para generalizarla a otros contextos o problemas.
A su vez, el significado se concibe como el contenido asignado a una expresión
que designa un objeto (función semiótica) es decir, es aquello a lo cual se refiere un
sujeto en un momento y circunstancias dadas. Así, las prácticas significativas se
relacionan con un campo o tipo de problemas y se conciben en contexto institucional,
una persona (o institución) y los instrumentos semióticos que matizan la acción.
También se propone una investigación en didáctica que centre su atención
principalmente en el estudio de las relaciones de los significados institucionales de los
objetos matemáticos y los significados personales construidos por los sujetos y por lo
tanto se introduce la necesidad de un análisis más profundo de los componentes del
significado del objeto matemático.
3.2.2. Objetos que intervienen en los sistemas de prácticas
Godino se basa en diferentes autores principalmente para desglosar el significado del

objeto matemático en sus componentes. Toma la tripleta de la noción de «concepto» de
28
Fundamentación
Vergnaud (1990) y añade explícitamente las acciones de los sujetos en su afán por
resolver un problema, sus argumentos y las propiedades de los objetos puestas en juego.
La forma en que queda constituido el significado de un objeto matemático en esta teoría
y que tendremos en cuenta en nuestro trabajo, es a través de los siguientes elementos:
 Las situaciones-problema: Son los problemas y campos de problemas, que
incluyen tanto problemas de situaciones simples y complejas, como
problemas propiamente matemáticos, de donde emerge un objeto
matemático y que inducen la actividad matemática.
 El lenguaje matemático: Para resolver los problemas matemáticos,
generalizar su solución o describirlos a otra persona se hace uso de
expresiones, notaciones, gráficos, etc. Aquí también se incluye la notación
simbólica, que puede ser usada para representar objetos abstractos,
situaciones concretas y disposiciones tabulares. Estos sistemas de signos no
sólo tienen la función comunicativa sino un papel instrumental que modifica
al propio sujeto que los utiliza como mediadores.
 Las acciones del sujeto. Son los modos de actuar del sujeto (o institución)
ante las situaciones-problema o tareas. Con este término asignan las diversas
operaciones, algoritmos, técnicas de cálculo, procedimientos y estrategias
que llegan a automatizarse.
 Los conceptos-definición. Son los conceptos o nociones matemáticas que
previamente se conocen y en los que se apoya la resolución del problema
mediante sus definiciones o descripciones.
 Las propiedades o atributos. Propiedades específicas del objeto matemático.
Suelen darse mediante proposiciones o descripciones y se relacionan con las
diferentes definiciones que se le atribuya al objeto.
 Argumentos. Son razonamientos o argumentaciones que se usan para
comprobar la validez de las soluciones o de los procesos que se ponen en
juego. Pueden ser deductivas, con contraejemplos, generalización, análisis y
síntesis, simulaciones con computadora, demostraciones informales, etc.
Dentro de esta teoría, una persona comprende un objeto matemático cuando se

apropia del significado institucional del objeto, es decir, se apropia de los distintos
elementos que componen los significados institucionales correspondientes al objeto
matemático, pero además exige que el sujeto identifique en el objeto un para qué y una
intencionalidad. Godino (2002) no diferencia la competencia, entendida como un ‘saber
hacer’, y la comprensión, que implica qué hacer y por qué, tradicionales en la didáctica.
En su teoría, los seis elementos primarios del significado matemático están ligados tanto
29
Capítulo 1
a la competencia como a la comprensión puesto que en cada uno de ellos se puede

diferenciar un saber hacer y un saber por qué se hace. En este sentido utilizaremos el
término «comprensión» en nuestro trabajo.
3.2.3. Facetas duales del conocimiento matemático
Para el análisis de la actividad matemática también es necesario considerar una serie de

procesos interpretativos que involucran a los objetos matemáticos y sus elementos de
significado. Con esta finalidad, el modelo ontológico propuesto se complementa con la
consideración de las facetas tanto referidas a los objetos y sus significados como un
todo, como para cada elemento de significado. Las facetas son duales y dialécticas, se
presentan en parejas que se complementan y se pueden aplicar tanto a entidades
primarias como secundarias (Godino, Batanero y Font, 2007).
En este trabajo sólo nos ocupamos de la faceta personal-institucional, en cuanto
analizamos el significado personal que los alumnos asignan a la variable aleatoria y lo
comparamos con el significado institucional fijado en la actividad implementada.
 Facetas personal-institucional. Dependiendo de las circunstancias
contextuales del estudio, el significado del objeto matemático puede situarse
en una persona o en una institución. Si se trata de la manifestación de un
individuo, como respuesta a una prueba de evaluación, la realización de una
tarea escolar por un estudiante, se habla de objetos personales. Si se trata de
documentos curriculares, libros de texto, explicaciones de un profesor ante
su clase, se consideran objetos institucionales. Se trata de distinguir
«posiciones» en el sistema de didáctico que se refleja también en los propios
objetos de enseñanza. Dentro de esta faceta se pueden considerar también
diferentes tipos de significados tanto personales (referencial, pretendido,
implementado y evaluado) como institucionales (global, declarado y
logrado).
 Facetas elemental y sistémica. Los componentes del objeto matemático se
pueden ver como entidades compuestas, sistémicas, con una cierta
organización y estructura, o bien, por el contrario como entidades que se
ponen en juego de manera transparente, como si se tratara de entidades
unitarias o elementales.
 Facetas ostensiva y no ostensiva. Cualquier objeto matemático tiene una
faceta ostensiva, esto es perceptible, y una no ostensiva dependiendo del
contexto en el que se maneje. Las entidades lingüísticas se muestran
directamente ostensivas, pero el resto de las entidades no son directamente
30
Fundamentación
perceptibles como tales. El lenguaje es el medio por el cual se expresan los

no ostensivos (es la fase ostensiva de los objetos matemáticos), aunque
también tiene una faceta no ostensiva, puesto que se puede referir a una
palabra a través de un símbolo o de una representación.
 Facetas ejemplar y tipo. Esta faceta está relacionada con lo que en
matemáticas comúnmente se distingue como abstracto y concreto sólo que
en este marco teórico se puede aplicar a cualquiera de los componentes del
significado no sólo a los conceptos. Un objeto concreto (tipo) es algo que se
pone en juego por sí mismo, en cambio será un ejemplar cuando es el
representante de dichos objetos, como ejemplar de un cierto tipo o
componente de un sistema. Esta distinción surge para satisfacer la necesidad
del estudio de las matemáticas de generalizar los problemas, las soluciones y
el discurso en el que se suscriben y organizan. Una misma entidad puede ser
ejemplar o tipo dependiendo del juego de lenguaje en el que se encuentre.
 Facetas expresión y contenido. En esta faceta se encarna la característica
relacional de los objetos matemáticos, puesto que no se pueden concebir
como entidades aisladas. La expresión y el contenido están relacionados con
el significante y significado que relaciona cada uno de los distintos objetos
matemáticos, se trata, pues, de las correspondencias entre un antecedente
(significado, expresión) con un consecuente (contenido o significado)
establecidas por una persona (o institución) de acuerdo a un cierto criterio.
Las expresiones pueden ser de tipo instrumental (cuando un objeto usa a otro
como instrumento) o referencial (cuando un objeto se pone en lugar de otro).
Nosotros nos centramos en la faceta personal- institucional, porque partiendo del

análisis epistemológico disciplinar que define el significado de referencia en la
institución, analizamos las prácticas personales de los estudiantes en la exploración
cognitiva, que definen los significados personales de los estudiantes.
La faceta elemental-sistémica se tiene siempre en cuenta en forma implícita,
pues al objeto «variable aleatoria» le asociamos un sistema de objetos y prácticas.
3.2.4. Idoneidad Didáctica
Desde la perspectiva del enfoque onto-semiótico de la cognición matemática, la

idoneidad global de una configuración didáctica se evalúa a través de cinco criterios que
articulan las configuraciones docente y discente: idoneidad epistémica, cognitiva,
31
Capítulo 1
interaccional, mediacional y emocional (Godino, Wilhelmi y Bencomo, 2005; Godino,

Contreras y Font, 2006). Estos cinco criterios se describen como:
 Idoneidad epistémica: Representatividad de los significados institucionales
implementados (o pretendidos), respecto de un significado de referencia. Es
decir, se busca identificar si los significados de los objetos presentes en un
recurso son adecuados desde el punto de vista matemático.
 Idoneidad cognitiva: Grado en que los significados pretendidos/
implementados son asequibles a los alumnos, así como si los significados
personales logrados por los alumnos son los significados pretendidos por el
profesor (en nuestro caso por el investigador).
 Idoneidad interaccional: Grado en que la organización de la enseñanza
(investigación) permite identificar errores, dificultades y conflictos y si es
posible resolverlos a través del intercambio de opiniones, argumentos y
significados.
 Idoneidad mediacional: Disponibilidad y adecuación de los recursos
necesarios para el desarrollo del proceso de enseñanza-aprendizaje.
 Idoneidad emocional: Interés y motivación del alumnado en el proceso de
estudio (investigación).
Estos criterios de idoneidad tienen la finalidad de orientar el diseño, la

implementación y evaluación de los procesos de instrucción matemática. En nuestro
caso, hacemos uso de esta herramienta para evaluar un proceso cuyo objetivo principal
está en la investigación de los procesos de aprendizaje. Nuestra evaluación dará
prioridad a la profundización sobre los argumentos y razonamientos de los estudiantes,
más que a un proceso de enseñanza en sí. Pero para los estudiantes que participan en
una investigación, generalmente el proceso sí involucra una situación de enseñanza-
aprendizaje por lo que dichos criterios sí son pertinentes para valorar si los resultados
serán de utilidad para concretar futuras situaciones de enseñanza.
4. Objetivos de investigación
El objetivo general del presente trabajo es realizar algunos estudios preliminares sobre
la didáctica de la variable aleatoria que permitan posteriormente el diseño
fundamentado de situaciones didácticas. De acuerdo a las consideraciones hechas en el
capítulo y al marco teórico seleccionado, se puede descomponer en dos objetivos
fundamentales:
32
Fundamentación
1. Llevar a cabo un análisis a priori sobre la variable aleatoria desde el punto de

vista epistemológico, que aborde tanto los aspectos disciplinares como los
históricos.
Esta exploración se lleva a cabo en los Estudios 1 y 2. El primero de ellos
permite fijar el significado de referencia de la variable aleatoria para nuestra
investigación. Dicho significado se utiliza para seleccionar situaciones (que en
un futuro podrían derivar en situaciones a-didácticas y didácticas) y los
instrumentos de recogida de datos en los Estudios 3 y 4, establecer hipótesis
sobre los resultados de dichos estudios e interpretar algunas de las dificultades y
errores de comprensión que manifiestan los estudiantes que participan en los
mismos.
El Estudio 2 (histórico) proporciona apoyo para explicar algunas concepciones
parciales o incorrectas y errores observados en las respuestas de los estudiantes,
por su paralelismo con algunas de las observadas en periodos históricos
anteriores al desarrollo de la variable aleatoria. También provee criterios para
elegir las situaciones propuestas a los estudiantes en los Estudios 3 y 4; una de
ellas próxima a los campos de problemas en los que se desarrolla el significado
clásico y la otra a aquellos en los que se desarrolla el significado frecuencial de
la probabilidad y la inferencia informal.
2. Llevar a cabo una exploración cognitiva de la comprensión intuitiva que

muestran algunos estudiantes universitarios al trabajar con situaciones en las
que se manifiesta la variable aleatoria y otros objetos matemáticos relacionados
con ella, y que implican resolución de problemas y proyectos con una
orientación hacia la modelación.
Esta exploración se lleva a cabo en los Estudios 3 y 4, donde se toman dos
situaciones (potencialmente situaciones a-didácticas para la variable aleatoria) y
se recogen los datos de estudiantes cuando interactúan con ellas. Las situaciones
elegidas son complementarias bajo los criterios ya mencionados de concepción
de probabilidad subyacente, método de recogida de datos y tamaño de muestra.
Los resultados de esta exploración proporcionarán también elementos que
complementan el análisis a priori de la variable aleatoria desde el punto de vista
cognitivo.
33
Capítulo 1
5. Metodología de investigación
La metodología de esta investigación, tiene diversas fases y características y, acorde con
el marco teórico en el que se sustenta, sigue las directrices de la ingeniería didáctica.
Específicamente la centramos en los estudios preliminares que se suelen llevar a cabo
en esta metodología y dentro de ellos, a las componentes cognitiva y epistemológica.
En este último aspecto nos enfocamos al análisis del concepto desde la disciplina y
desde la historia. La estructura general de la memoria se presenta en la Figura 1.1.
LA VARIABLE ALEATORIA COMO INSTRUMENTO DE MODELACIÓN:

ESTUDIO EPISTEMOLÓGICO Y EXPLORACIÓN COGNITIVA
EXPLORACIÓN EXPLORACIÓN
JUSTIFICACIÓN FUNDAMENTACIÓN EPISTEMOLÓGICA COGNITIVA
Figura 1.1. Estructura general de la investigación
En la justificación y fundamentación de la investigación (Figura 1.2),

puntualizamos su pertinencia, consistencia y coherencia. La primera a través de su
justificación social, didáctica, epistemológica y cognitiva. El marco teórico y la
metodología proporcionan la fundamentación que dan coherencia y consistencia a la
investigación. Con esa base, se proponen dos tipos de acercamientos al estudio de la
variable aleatoria, uno de corte epistemológico y el otro de corte cognitivo.
JUSTIFICACIÓN FUNDAMENTACIÓN
MARCO TEÓRICO METODOLOGÍA ANTECEDENTES

Demanda
Social
Teoría de Ingeniería Desarrollo
Problemática Situaciones Didáctica cognitivo
de la Didácticas
enseñanza de
Entrevista Comprensión de
la estadística
Enfoque Onto clínica la idea de
semiótico distribución
Objeto de
estudio: la VA Estudio de
Evaluación Investigaciones
sobre VA
Investigaciones
sobre
Aleatoriedad
Figura 1.2. Puntos analizados en la justificación y fundamentación de la investigación
34
Fundamentación
La pertinencia de este trabajo se justifica con base en la demanda social de una

mejor enseñanza de la estadística en la escuela, los problemas particulares de la
enseñanza de la estadística y la importancia de la variable aleatoria como una idea
fundamental dentro del currículo escolar. La investigación se fundamenta en el marco
teórico descrito y en los antecedentes que analizaremos en el Capítulo 2 organizados en
los apartados que se muestran en la Figura 1.2.
Como ya se ha indicado, nuestra investigación consiste en la profundización del
estudio de la didáctica de la variable aleatoria bajo las vertientes epistemológica y
cognitiva. Los dos análisis realizados en cada una de ellas producen los cuatro estudios
(Figura 1.3) que se reportan en esta memoria y que se describen a continuación.
 Estudio 1. Es de tipo epistemológico. Se analiza la variable aleatoria desde la
disciplina, con la intención de indagar sobre su naturaleza e interrelaciones.
Se presenta un análisis del objeto matemático, relacionándolo con la
asignación de probabilidad y la actividad de modelación y delimitando,
finalmente, los objetos relacionados con la variable aleatoria que serán
tratados en los Estudios 3 y 4.
 Estudio 2. Es de tipo epistemológico. Se presenta un análisis del desarrollo
histórico de la variable aleatoria con fines didácticos. Complementa el
análisis epistemológico desde la disciplina y permitirá identificar algunas
dificultades y obstáculos ligados a su desarrollo y que podrían presentarse en
los estudiantes.
 Estudio 3. Consiste en una exploración cognitiva en profundidad de las
concepciones y comprensión de una pareja de estudiantes sobre la variable
aleatoria cuando se enfrentan a una situación de apuesta y en cuya resolución
se pone en juego a la variable aleatoria, desde la concepción clásica de
probabilidad. La metodología empleada es una entrevista clínica guiada.
 Estudio 4. Es de tipo cognitivo y trata de complementar el anterior en un
doble sentido. En primer lugar ampliando el tamaño de la muestra, de modo
que los resultados puedan tener mayor generalidad. Por otro lado, los
estudiantes tienen el reto de organizar una investigación estadística completa
(experimento, recogida de datos, análisis y producción de informes) para
responder a una pregunta sobre sus propias intuiciones sobre el azar. Se pone
en juego la variable aleatoria desde la concepción frecuencial. El primer paso
de los estudiantes en vías del análisis ha de ser la construcción de la
distribución. De este modo accederemos a la comprensión que manifiestan y
las prácticas que realizan sobre la variable estadística y la relación que
35
Capítulo 1
establecen entre variable estadística y variable aleatoria. Se trata de un

estudio de evaluación en un grupo, usando un proyecto abierto, que se
analiza, en primer lugar con métodos cualitativos, para posteriormente
elaborar tablas de frecuencias asociadas a diversas variables que
analizaremos.
EXPLORACIÓN EXPLORACIÓN
EPISTEMOLÓGICA COGNITIVA
1. ESTUDIO 2. ESTUDIO 3. ENTREVISTA 4. ANÁLISIS DE

DISCIPLINAR HISTÓRICO CLÍNICA UN PROYECTO
Diseño y análisis
Análisis a priori
a priori
Implementación Implementación
Análisis de los Análisis de los

objetos objetos
Conclusiones Conclusiones
Figura 1.3. Estructura de los Estudios
Como señala Artigue (1995a), la profundización sobre el análisis preliminar del

objeto matemático dentro de la ingeniería didáctica acepta el uso de metodologías
externas que ayuden en la búsqueda de elementos tendientes a proporcionar información
al análisis a priori y al diseño. Sin embargo, el objetivo explícito de las metodologías
externas estará supeditado a proporcionar elementos que sean útiles a la ingeniería
didáctica. La concordancia entre los sustentos teóricos de los elementos metodológicos
usados y la teoría de situaciones didácticas es un aspecto que cuidamos y
fundamentamos. En este trabajo nos auxiliamos de dos vertientes externas para el
análisis de la dimensión cognitiva: por un lado en la entrevista clínica (Confrey, 1980 y
Clement, 2000) y por otro el análisis de contenido de producciones escritas de los
estudiantes.
En el siguiente apartado se describen los rasgos generales de la ingeniería
didáctica y posteriormente se puntualiza cada una de las metodologías usadas en los
siguientes apartados.
36
Fundamentación
5.1. Ingeniería didáctica

Numerosos trabajos de investigación en didáctica –llamados ingenierías didácticas– se
centran en la tarea de producir situaciones de aprendizaje destinadas a asegurar de
manera controlada la emergencia de conceptos matemáticos en el contexto escolar.
Tales situaciones abarcan varias fases descritas por Brousseau: fase de investigación o
acción, fase de formulación, fase validación y fase de institucionalización.
La ingeniería didáctica ha sido propuesta como la metodología de investigación
de la teoría de situaciones didácticas principalmente por Artigue (1995a), se aplica en
situación escolar, su análisis es cualitativo y recurre a lo que llama validación interna.
Sus formas de validación son básicamente cualitativas, aunque también usa métodos
estadísticos cuando es conveniente, se basan en estudios de casos o de muestras y
consiste, en esencia, en la confrontación entre el análisis a priori y a posteriori. La
ingeniería didáctica, con respecto a su metodología experimental, está integrada por tres
fases:
 Análisis preliminar. Es una investigación previa al planteamiento de una
secuencia didáctica alrededor de un objeto matemático. Su objetivo es
conocer más de cerca la naturaleza de este objeto desde la perspectiva
didáctica, epistemológica y cognitiva con el propósito de identificar hipótesis
sobre el proceso de construcción del objeto matemático por parte de los
estudiantes en situación escolar, así como aportar elementos para el diseño
de la secuencia didáctica.
 Diseño de la secuencia y análisis a priori. El diseño de la secuencia supone
una vinculación de los aspectos epistemológicos, cognitivos y didácticos, así
como una planeación de la forma en la que el estudiante construirá el
conocimiento a partir de ella. La secuencia didáctica pretende desarrollar el
proceso de construcción del objeto matemático por parte de los estudiantes.
Los objetivos del análisis a priori son validar de la secuencia didáctica, poner
a prueba las hipótesis que emergieron del análisis preliminar y aportar
elementos de observación de la secuencia didáctica que de otro modo
podrían pasar desapercibidos (obstáculos epistemológicos, dificultades
vinculados con la problemática específica, etc.).
 Análisis a posteriori y validación interna. A la puesta en práctica de las
secuencias didácticas le sigue un análisis a posteriori que se basa en el
conjunto de datos recogidos a lo largo de la experimentación, a saber, las
observaciones realizadas de las secuencias. La validación interna es la
confrontación de este análisis con el a priori.
37
Capítulo 1
Aunque nuestra investigación se centrará únicamente en el análisis preliminar de

esta metodología, recorremos los mismos puntos propuestos por Artigue para la
ingeniería didáctica en los Estudios 3 y 4 (Figura 1.3). En cada uno de ellos se propone
a los estudiantes una situación que permitirá la recolección de datos sobre su forma de
abordar las situaciones propuestas. Se comienza con el análisis a priori de dichas
situaciones y el establecimiento de hipótesis previas, sustentadas en la revisión
bibliográfica. Se sigue con la experimentación de la situación y recogida de datos para
finalmente confrontar con las hipótesis previas. En cada caso se finaliza con el análisis
de la idoneidad de la situación, tanto desde el punto de vista de evaluación, como del
punto de vista de aprendizaje. No obstante, las situaciones propuestas están aún lejos de
constituir verdaderas situaciones a-didácticas probadas, consideramos que el estudio
realizado con ellas permite sentar las bases de su mejora para la futura construcción de
situaciones a-didácticas y didácticas sobre la variable aleatoria.
Análisis preliminar
Para Chevallard (1985) el objeto de estudio de la didáctica no puede ser visto como un
fenómeno aislado, sino como un fenómeno sistémico. La didáctica se interesa en el
juego que se realiza entre un docente, los alumnos y un saber matemático. Esta relación
ternaria forma una relación didáctica, a la que Chevallard denomina sistema didáctico y
que se sustenta en el triángulo epistemológico: docente-saber matemático-alumno y sus
relaciones. Así el objeto de estudio de la didáctica es el sistema didáctico, y más
ampliamente, el sistema de enseñanza, que reúne los sistemas didácticos y se ocupa de
todo lo que la sociedad organiza a través de instituciones para el funcionamiento de
dichos sistemas didácticos.
El análisis preliminar dentro de situaciones didácticas está sustentado en el
sistema didáctico. En él se analizan y se detectan aquellas restricciones o vínculos del
conocimiento matemático a partir de distinguir tres dimensiones que surgen del sistema
didáctico:
 Componente epistemológica. Ésta se refiere a los aspectos relacionados con
el conocimiento mismo. Pueden considerarse su emergencia histórica, estado
actual o su referencia teórica. En esta investigación, nos concentraremos en
el estudio histórico y el estudio disciplinar correspondiente a una
introducción elemental a la variable aleatoria en los cursos universitarios de
especialidades donde la estadística es sólo una herramienta instrumental3. Se
3
Es decir, no tratamos el estudio disciplinar en especialidades avanzadas como matemáticas o estadística.
38
Fundamentación
trataría de determinar el significado de referencia del objeto matemático para

nuestra investigación.
 Componente cognitiva. Hace referencia a las concepciones de los
estudiantes, a las dificultades y obstáculos, sus prácticas personales en la
resolución de problemas, que determinan la evolución de su aprendizaje.
Llevamos a cabo una primera aproximación a estas componentes utilizando
dos situaciones diferentes: un problema, dirigido en el contexto de una
entrevista clínica y un proyecto abierto planteado a un grupo de estudiantes
universitarios dentro de una situación normal de clase.
 Componente didáctica. Se consideran los elementos didácticos tales como
profesor, libros de texto, currículo, método de enseñanza, etc. En nuestro
estudio, no consideramos este componente.
5.2. Entrevista clínica

Esta técnica es considerada una herramienta metodológica que proporciona información
sobre los procesos cognitivos de los estudiantes a través del cuestionamiento sobre sus
concepciones por parte de un profesor (o investigador). Se enfoca al estudio de los
procesos de razonamiento y de la formación de estructuras del conocimiento. El primer
estudio cognitivo (Estudio 3) de nuestra investigación usará esta técnica.
La entrevista clínica ha sido muy utilizada en investigaciones psicológicas y
sobre resolución de problemas. Piaget (1991/1950) fue uno de sus pioneros. Tiene una
fuerte connotación constructivista porque supone que los procesos de razonamiento y
estructuras de conocimiento que siguen las personas no son los mismos que aquellos
seguidos por los académicos (Clement, 2000). Es una herramienta exploratoria que
propone el descubrimiento de lo que ocurre en la mente de los estudiantes, no de una
forma estática, sino también con la intención de modificar la estructura de conocimiento
del estudiante. Desde esta perspectiva, la entrevista clínica es una especie de «enseñanza
experimento» cuya finalidad no sólo estará en proporcionar al investigador (o al
profesor) una idea adecuada de «donde está» el estudiante, sino también una idea
adecuada de «la dirección que debe tomar». Esto proveerá un modelo hipotético de la
forma del razonamiento del estudiante complementado con otros estudios.
Para Confrey (1980) en las entrevistas clínicas se busca modelar la expresión
(verbalización) de un estudiante a través de la perspectiva de un conocedor mejor
informado, es decir, el modelo de las nociones del entrevistado será construido a partir
de elementos conceptuales del entrevistador. Pero la forma de indagación provoca que
39
Capítulo 1
también se modifique la perspectiva del investigador sobre el mismo conocimiento.

Ambas, la expresión (del estudiante) y la perspectiva (del profesor-investigador), según
Confrey «aportan importante contenido epistemológico a la interacción enseñanza-
aprendizaje» (1980, p 40). Puesto que no sólo proporciona al investigador un
conocimiento sobre la forma en que piensa el estudiante sino también un nuevo
conocimiento sobre el objeto matemático o problema sobre el que se está trabajando.
Hay una gran variedad de formas de llevar a cabo una entrevista clínica, desde
entrevistas con preguntas abiertas hasta resolución de problemas en voz alta. Clement
(2000) analiza la diversidad de entrevistas clínicas guiado por el protocolo de análisis
que se plantee. En particular, en el Estudio 3 de nuestra investigación se pretende
conocer la forma en que dos estudiantes, resuelven en «voz» alta una actividad
propuesta sin ayuda del profesor, pero en presencia de él. En este caso el papel del
profesor/investigador únicamente es intervenir para aclarar o profundizar, a sí mismo o
a la investigación, las ideas que los estudiantes expresan. Los estudiantes resuelven la
actividad en consenso, expresando sus ideas en voz alta y argumentando sus posiciones.
De acuerdo con la clasificación de Clement (2000), nuestra entrevista se sitúa en
un estudio generativo/interpretativo en donde se obtienen nuevas categorías de
observación y nuevos elementos de modelación de acuerdo a las respuestas que se
vayan obteniendo por parte de los estudiantes. Sus resultados serán la formulación de
variables relevantes de observación y modelos explicativos de procesos cognitivos
basándose en un protocolo más o menos abierto y algunas veces en hipótesis generales
y/o variables de observación a grandes rasgos que servirán para guiar y dirigir el
estudio, sin que ello limite su interpretación. Son apropiados para tópicos poco
estudiados (como lo es la didáctica de la variable aleatoria) o para los que se tiene poca
información para establecer una teoría previa puesto que se concentran en la viabilidad
y relevancia del modelo de acuerdo a las observaciones detectadas por el
profesor/investigador y sólo prestan atención a aspectos no formales de fiabilidad. La
generalización de los modelos producidos por nuestro estudio será hipotética y sólo
será válida en escasos contextos y algunos individuos. En este tipo de entrevista, es
necesario reproducir o confirmar las conclusiones así como ampliar la profundización
sobre los aspectos a investigar.
5.3. Análisis de contenido en producciones escritas

El análisis de contenido ha sido una técnica muy usada en educación para evaluar las
producciones escritas por los estudiantes y de alguna manera también para realizar
40
Fundamentación
estudios que requieran el análisis de documentos, como los estudios epistemológicos.

En nuestra investigación la usaremos tanto en el análisis de las producciones escritas del
Estudio cognitivo 4 como en los estudios epistemológicos.
En el Estudio 4 se realizó un análisis cualitativo de las producciones escritas de
una muestra de estudiantes en un Proyecto abierto de análisis de datos. Cada uno de
estos estudiantes resolvió el problema propuesto a través de un proyecto y elaboró un
reporte en donde se les pidió que plasmaran su método solución y respondieran a una
pregunta que debió guiar todo su análisis. La metodología empleada para el análisis de
estos reportes se engloba en el análisis de contenido que permite evaluar constructos
cognitivos de su autor -sus ideas, concepciones, conocimientos- mediante el análisis de
su discurso escrito. Se basa en el hecho de que las unidades de análisis en que se divide
el texto pueden clasificarse en un número reducido de categorías (Weber, 1985). Sirve
para efectuar inferencias sobre el constructo de interés mediante la identificación
sistemática y objetiva de las características específicas del texto (Ghiglione y Matalón,
1989).
En nuestro trabajo, los constructos de interés son las prácticas de los estudiantes
relacionadas con la variable aleatoria y estadística (como prácticas observables) y el
significado personal que los estudiantes asignan a dichas variables, donde podemos
englobar sus concepciones, las propiedades que le asignan, argumentos que emplean,
representaciones y procedimientos. Aunque dicho significado como constructo es
inobservable, podemos inferirlo al menos parcialmente de las prácticas observables
mediante el análisis de contenido.
En el estudio 4 se han seguido las técnicas lógico-semánticas del análisis de
contenido temático, donde se recurren a la lógica personal, y al conocimiento previo
sobre el tema adquirido a través de la revisión bibliográfica y el estudio histórico previo,
para resumir el texto escrito de los alumnos, definir variables y categorías y verificar la
validez de las mismas (Ghiglione y Matalón, 1989). El análisis permitió definir
variables, tales como:
 Nivel del gráfico mediante el cual el alumno representa una distribución de
frecuencias (variable ordinal con 4 niveles).
 Cálculo de determinados estadísticos, por ejemplo, la media. Esta variable
toma los valores: calcula correctamente, calcula en forma parcialmente
correcta, no calcula.
 Interpretación que se hace de los gráficos y estadísticos calculados. Variable
que toma los siguientes valores: interpreta correctamente, en forma
parcialmente correcta, o no interpreta
41
Capítulo 1
 Conclusión obtenida sobre el problema planteado: concluye correctamente,

conclusión parcial o no concluye/concluye incorrectamente.
De estas variables se han analizado cualitativamente las diferentes categorías

presentando un ejemplo de uso por parte de los alumnos y adicionalmente se presentan
tablas de frecuencias para informar de la proporción de estudiantes en cada categoría.
El marco teórico del enfoque onto-semiótico nos proporciona una categorización
de entidades matemáticas que aportan orientación y concreción al análisis de contenido.
El objetivo es la caracterización de los significados personales de los estudiantes
puestos de manifiesto en el proyecto. Siendo un análisis de datos cualitativo, el proceso
se realizó en varias etapas dividiendo el texto en unidades, que fueron clasificadas en
categorías y a continuación ensambladas y relacionadas para conseguir un todo
coherente. El proceso se dividió en tres etapas: la reducción de datos, el análisis de
datos y la obtención y verificación de conclusiones (Huberman y Miles, 1994):
 La primera operación fue la separación de segmentos o unidades de análisis,
en varios niveles. Siguiendo este criterio, una vez recogidos los protocolos,
una lectura detallada de los mismos permitió seleccionar los párrafos,
estadísticos o gráficos, relacionados con cada variable analizada.
 Para cada uno de estos fragmentos se compararon los clasificados en un
mismo apartado para cada categoría, depurándose la clasificación.
 Se elaboraron tablas recogiendo los resultados del análisis de cada variable
para poder analizar estos resultados para la extracción de conclusiones.
 Se elaboró el informe de análisis incluyendo ejemplos de las diferentes
categorías, elaboradas mediante un proceso interpretativo guiado por el
análisis epistemológico de los conceptos intervinientes y por los resultados
de las investigaciones previas.
42
Capítulo 2.
Antecedentes

2. Estudios de Piaget sobre el desarrollo evolutivo de la idea de
distribución, 46
2.1. La idea de aleatoriedad según Piaget, 46
2.2. Distribuciones normales, 49
2.3. Distribución de Poisson, 51
3. Investigaciones sobre la comprensión de la idea de distribución, 53
3.1. Distribuciones de variables estadísticas, 54
3.2. Distribuciones de variables aleatorias, 58
4. Investigaciones sobre la comprensión de la distribución normal, 59
5. Investigaciones específicas sobre la variable aleatoria, 61
5.1. Investigaciones sobre libros de texto, 61
5.2. Otras investigaciones sobre didáctica, 65
5.3. Investigaciones sobre aspectos epistemológicos, 67
5.4. Investigaciones cognitivas, 71
6. Investigaciones sobre percepción de la aleatoriedad, 74
6.1. Generación de resultados aleatorios, 76
6.2. Reconocimiento de resultados aleatorios, 77
1. Introducción
En este capítulo se describen los antecedentes sobre los que se basa nuestro trabajo.
Aunque la investigación sobre la didáctica de la probabilidad es muy abundante
(Borovcnik, Bentz y Kapadia, 1991a y b; Shaughnessy, 1992, 2007; Jones 2005; Jones,
Langrall y Mooney, 2007), hay poca literatura de investigaciones centradas
específicamente en la didáctica de la variable aleatoria. Sin embargo, son muy
abundantes las que tratan sobre cuestiones vinculadas con nuestro tema de interés, como
estudios sobre el desarrollo de la idea de distribución, la enseñanza y el aprendizaje de
las distribuciones de probabilidad (en particular de la Normal) y la idea de aleatoriedad.
De todos estos últimos estudios, revisaremos exclusivamente los que son más
necesarios para introducirnos en el estudio de la enseñanza-aprendizaje de la variable
aleatoria.
Como punto de inicio, en este apartado describiremos brevemente las
investigaciones de Piaget e Inhelder sobre el desarrollo de la idea de distribución en los
niños, pues esta investigación contempla los modelos de las variables aleatorias con las
distribuciones Normal y de Poisson y proporciona pautas sobre las concepciones de los
individuos en diversos estados de desarrollo. Estos autores, además de ser pioneros en la
investigación en didáctica de la probabilidad, también hicieron importantes aportaciones
que sirvieron de base para el desarrollo de la teoría de situaciones didácticas que hemos
incluido en el marco teórico que usamos en esta tesis (Capítulo 1).
A continuación analizaremos investigaciones más recientes que se centran en la
comprensión de la idea de distribución, tanto de la variable estadística, como de la
variable aleatoria. La revisión sobre los resultados de investigación en didáctica de la
variable estadística proporcionará, por un lado, fundamento al segundo estudio
cognitivo (Capítulo 6), en donde analizamos la comprensión de los estudiantes sobre
algunas variables estadísticas, sus distribuciones y su relación con algunas variables
aleatorias. También, por otro lado, es necesario ahondar sobre su estudio puesto que
existe una relación conceptual íntima entre las variables estadísticas y aleatorias (como
se describirá en el Capítulo 3), que se refleja en la vertiente cognitiva.
Después nos concentraremos en aquellos autores que, consideramos, se han
interesado directamente en el estudio de la enseñanza o el aprendizaje de la variable
aleatoria o que han obtenido resultados en esta área aunque su investigación no se centre
necesariamente en ella. Eso permitirá tener un panorama del estado actual de las
investigaciones que aportan resultados sobre la didáctica de la variable aleatoria. Esta
45
Capítulo 2
parte de la revisión bibliográfica se analiza y puntualiza de acuerdo a tres aspectos que

nos parecen de interés: el didáctico, epistemológico y el cognitivo.
Para finalizar resumimos algunos estudios sobre la percepción de la aleatoriedad
en sujetos adultos, pues, por un lado, el proyecto cuya solución analizamos en el
Capítulo 6 está basado en una situación experimental inspirada en los experimentos
realizados en dichas investigaciones, y, por otro lado, los resultados de nuestros dos
estudios cognitivos muestran las dificultades de los estudiantes con el concepto de
aleatoriedad, por lo que las investigaciones relacionadas proporcionan un marco
explicativo para dichas dificultades.
2. Estudios de Piaget sobre el desarrollo evolutivo de la idea de

distribución
El primer estudio conocido sobre la variable aleatoria y su distribución fue realizado por
Piaget e Inhelder (1951) y es parte de su investigación sobre la comprensión del
razonamiento probabilístico en los niños. Acorde con la teoría de desarrollo de
razonamiento en estadios de Piaget, ambos autores son de los principales precursores de
los estudios sobre el desarrollo evolutivo del razonamiento probabilístico y uno de los
más completos en esta materia, pues incluye el estudio de la forma en que el niño
percibe la aleatoriedad, la probabilidad simple y compuesta, su capacidad combinatoria
y de comparación de probabilidades, así como las ideas de distribución, convergencia y
correlación.
No entraremos en el detalle de todos sus estudios, sólo dedicaremos unos
párrafos a la concepción de Piaget sobre la aleatoriedad y su comprensión, pues ello da
explicaciones para comprender los experimentos relacionados con la evolución de la
idea de distribución y su desarrollo.
2.1. La idea de aleatoriedad según Piaget

Piaget e Inhelder consideraron que el desarrollo cognitivo del niño progresa en
diferentes etapas cuya transición entre ellas se da a través de procesos de asimilación y
acomodación. El orden en que las etapas se presentan no varía, pero sí la edad en la que
cada niño las alcanza y también la edad en que las alcanza para diversos conceptos
matemáticos. Para Piaget el desarrollo cognitivo consiste en un proceso de
transformación secuencial durante el que los esquemas sensorio-motores elementales
son reestructurados en estructuras cognitivas progresivamente más complejas,
46
Antecedentes
inicialmente las estructuras pre-operativas y después las operativas, en donde las

operaciones lógicas y aritméticas se podrán componer entre sí de modo riguroso y siempre
reversible. La reversibilidad (siempre se puede volver al estado primitivo mediante una
operación inversa, como la resta para el caso de la suma) en un nivel abstracto es lo que
hace posible la deducción. Las estructuras cognitivas operativas constituyen el
prerrequisito más importante para la emergencia de conceptos lógico-matemáticos
porque el niño es capaz de reconstruir las relaciones cuantitativas en un problema
únicamente por medio de operaciones lógicas. Piaget e Inhelder también aplicaron estos
principios a la construcción del concepto de probabilidad por los niños. En este campo
las tres etapas de desarrollo relevantes son: la pre operacional, de operaciones concretas
y de operaciones formales.
 En el estadio pre operacional (2-7 años) el niño organiza el espacio
situando y desplazando los objetos (dentro/fuera, encima/debajo); descubre
y compara propiedades físicas de los objetos que manipula; diferencia
colecciones numéricas de pocos elementos; contrasta magnitudes por
comparación y estima a partir de una cantidad la longitud, volumen y peso;
ordena en el tiempo; engloba aspectos de tipo espacial; se inicia en el
conteo; trabaja con una sola cantidad y resuelve problemas de cambio
sencillo. Sin embargo en esta etapa no efectúa operaciones reversibles.
 El periodo de las operaciones concretas (7-11) se caracteriza por la
aparición de operaciones reversibles con la adquisición de principios de
conservación de cantidad, peso y volumen; agrupa objetos en función de
propiedades aditivas o multiplicativas; ordena elementos en función de la
cualidad que varía; adquiere la noción de sistema de numeración y de
operación con números y orden de sucesión de los objetos en el espacio. Las
operaciones concretas se realizan sobre lo actual, presente u observable.
 El periodo de operaciones formales (11-15) constituye el último del
desarrollo intelectual del hombre. A este periodo se le atribuye la máxima
importancia en el desarrollo de los procesos cognitivos y sociales. En él se
contempla lo real como parte de lo posible; se depura el pensamiento
proposicional; se desarrollan y amplían las posibilidades combinatorias de
pensamiento y se da la integración de formas de pensamiento reversible. Las
operaciones sobre lo posible o potencial permiten el pensamiento hipotético
deductivo (Inhelder y Piaget, 1955).
Piaget e Inhelder (1951) aseguran que la comprensión de la aleatoriedad para el

niño es complementaria a la de la relación causa-efecto. De acuerdo con ellos, el azar es el
47
Capítulo 2
resultado de la interferencia de una serie de causas que actúan independientemente una de

otra produciendo resultados inesperados o impredecibles. Por lo tanto, las
transformaciones aleatorias no pueden componerse en forma rigurosa y son esencialmente
irreversibles. Así, estos dos autores conciben el azar como complementario a la
composición lógica de las operaciones reversibles, por lo que sugieren que el azar no
puede ser comprendido hasta que se adquiere un dominio de las operaciones reversibles, y
se le compare con ellas.
Piaget e Inhelder concluyeron que no había una intuición innata de la aleatoriedad
en el niño. Ya que en el período pre operacional el niño no tiene un pensamiento
reversible, no podría entender la aleatoriedad porque no podría diferenciar entre
acontecimientos reversibles y aleatorios originados por mezclas de causas irreversibles,
además de que no comprende bien la relación causa-efecto. Sin embargo una de las
características funcionales que diferencian el pensamiento formal del pensamiento
concreto en la teoría piagetiana es la subordinación de lo «real» a lo «posible», por lo
tanto una estructura cognitiva combinatoria daría al niño la posibilidad de abstraer hacia
lo «posible» y despegarse de su mera experiencia «real». Es decir, se requiere la posesión
de un esquema combinatorio para poder concebir las distintas posibilidades existentes en
estas situaciones (Batanero, 2001).
En consecuencia, Piaget e Inhelder (1951) supusieron que la idea de aleatoriedad
comenzaría a aparecer alrededor de los 7 años de edad en la etapa de las operaciones
concretas, en donde ya hay cierta apreciación de los factores que caracterizan a los
fenómenos causales. En esa etapa el niño iniciaría la comprensión de la interacción de
cadenas causales que conducen a sucesos impredecibles y la irreversibilidad de los
fenómenos aleatorios. Sin embargo, ya sea porque comprende la interferencia de las
causas sin reconocer su independencia, o porque comprende la independencia y no la
interferencia, no llega a completar el proceso. Durante este período, el pensamiento está
todavía muy ligado al nivel concreto y carece de un razonamiento combinatorio como
para que comprenda más profundamente la aleatoriedad.
En cambio, según Piaget e Inhelder, el adolescente (etapa de operaciones
formales) ya es capaz de relacionar los resultados posibles de los fenómenos aleatorios
según esquemas operacionales, en particular el combinatorio. Una vez que una situación
aleatoria se presenta, el uso de estos esquemas la hace inteligible, y la síntesis entre el
azar y lo operacional conduce al adolescente al concepto de probabilidad. Esto es, los
casos aislados son imprevisibles pero el conjunto de posibilidades puede determinarse
mediante un razonamiento de tipo combinatorio, con lo que la situación se vuelve
previsible. Esta es la vía por la que aparece la idea de probabilidad expresada por la
48
Antecedentes
razón entre las posibilidades de un caso y del conjunto de posibilidades (Pérez

Echeverría, 1990).
2.2. Distribuciones normales

El trabajo de Piaget e Inhelder (1951) indica que la comprensión progresiva de la
aleatoriedad conduce a la de la distribución de una serie de resultados en un
experimento aleatorio (que para nosotros sería la distribución de una variable aleatoria).
En la primera parte de su libro reportan sus estudios sobre la aparición del concepto de
azar físico, en donde enfrentaron a los niños con tareas de mezclas irreversibles y sobre
distribuciones simétricas y uniformes en las que introducen el azar de modo progresivo
en situaciones espacio-temporales. En la segunda parte estudian el azar y la
probabilidad desde la perspectiva lógico-matemática e incluso llegan a pedir la
cuantificación de las probabilidades. Todas las experiencias aleatorias comportaban
esquemas de simetría.
Para estudiar las concepciones de los niños con respecto a la distribución y
convergencia, Piaget e Inhelder realizaron diversas experiencias en las que les
preguntaron a los niños por las posiciones finales de distintos experimentos aleatorios.
Una de ellas, de la que nos ocuparemos en este apartado, consistió en dejar caer bolitas
a través de un pequeño orificio en dispositivos muy similares al aparato de Galton (Ver
Figura 2.1).
I II III IV V
Figura 2.1. Esquema de los aparatos de Galton utilizados en las experiencias de Piaget
El aparato de Galton tiene la forma de un plano inclinado de madera donde se

colocan unos clavos regularmente espaciados. Cuando se dejan caer bolitas por el
orificio superior, éstas se dispersan al azar y se recogen en unas casillas colocadas al
final del plano inclinado. Las casillas centrales deben recibir más bolitas que las casillas
situadas en los extremos de manera simétrica. Piaget diseñó cinco aparatos (Figura 2.1),
de los cuales cuatro tenían la abertura superior en la parte central y diferente número de
49
Capítulo 2
casillas: 2, 3, 4 y un número grande. El aparato V, con abertura en el extremo superior

derecho, sólo tenía dos casillas.
Haciendo uso de estos aparatos y a partir de las respuestas de los niños en
entrevistas clínicas, los investigadores analizaron si éstos llegaban a comprender el
mecanismo de convergencia, que hará que después de algún tiempo, la distribución de
bolitas tome la forma de la distribución normal (que ellos llamaron centrada). Para
Piaget e Inhelder esta comprensión implicaba captar la simetría de las trayectorias
posibles de las bolas con respecto al eje vertical cuando éstas caían por el orificio.
Batanero (2001) y Tauber (2001) explican que esta simetría es debida a que cada bolita
tiene la misma probabilidad de orientarse hacia la derecha o hacia la izquierda, hacia
adelante o hacia atrás, por lo que la distribución toma una forma regular, cuya
representación matemática sería la curva de Gauss.
Durante las entrevistas, en primera instancia se pedía a un niño que hiciera una
conjetura sobre la casilla en la que quedaría una de las bolitas si se le dejaba caer por el
orificio de una de las cajas. También se le pedía la razón de su respuesta. Después el
experimento se realizaba físicamente con unas cuantas bolitas y se le pedía al niño que
conjeturara sobre la forma que tomaría la distribución cuando se dejaran caer un número
grande de bolitas (alrededor de 60). Al final se dejaban caer las bolitas y se le pedía al
niño que interpretara la distribución obtenida.
El primer estadio (hasta 7 años) en la caja I los niños generalmente apostaron a
favor de una de las dos casillas, pero no conjeturaron que el número de bolas se igualará
en las dos casillas cuando se dejan caer muchas bolitas. En la caja II los niños prevén
una distribución igual en las tres casillas o piensan que todas las bolas quedarán en una
de las casillas. Con la caja III los niños centran su apuesta en uno de las casillas
centrales o por una distribución irregular. En la caja IV, espera una distribución
irregular. En resumen, no hay presencia de la idea de distribución en esta edad.
Los niños de entre 7 y 11 años fueron capaces de predecir la desigualdad entre
las frecuencias de bolitas que caerán en las casillas laterales y centrales; pero, aunque
predijeron la simetría global, no comprendieron la equivalencia de frecuencias
esperadas entre las casillas equidistantes del centro. En la caja I predijeron una igualdad
aproximada entre las dos casillas, pero sin concebir que esta igualdad se consiguiera
progresivamente cuando se incrementa el número de bolitas. En la caja II previeron un
máximo central, pero no la igualdad en las casillas laterales. En la caja III llegaron a la
conjetura correcta de mayor acumulación en las casillas centrales, pero no previeron
equivalencia entre en ellas ni entre las laterales. En la caja IV no previeron una
distribución simétrica regular, pero comenzó a haber una generalización de las
50
Anteceddentes
experiencias antteriores sobbre la configguración de conjunto. En

E suma, el segundo esstadio
se caracterizó por
p el recoonocimiento
o de un principio
p dee distribuciión de connjunto
generalizable.
Los niño
os mayores de 12 añoos sí previeeron una eqquivalencia entre las partes
p
simétricas correespondientess de la disppersión. Es decir, el tercer estadioo (a partir de
d los
12 añños) estuvo marcado por la cuantiificación dee la distribucción de connjunto. En laa caja
IV, ssin embarggo, fueron necesarios
n v
varios ensaayos de graaduación haasta descubbrir la
E progresoo más notabble fue la ccomprensión del
distriibución en forma de campana. El
papel de los granndes númerros en la reg
gularidad dee la distribución.
2
2.3. Disttribución
n de Poisson
ones de Piaaget e Inhellder (1951) sobre la coomprensión
Las investigacio
i n de lo que ellos
buciones unniformes, se basaron en la expeeriencia de los niños en la
llamaaron distrib
obserrvación de la distribución de las primeras
p gottas de lluviaa o copos de
d nieve sobbre un
piso embaldosado cuando empieza un
na lluvia o nevada. Piiaget e Inheelder usaronn una
hoja de papel blanco divvidida en cuadros
c de 2 ó 3 cm
m como reppresentaciónn del
embaaldosado y sobre ella pidieron
p a loos niños que simularann las gotas de
d lluvia o copos
c
de niieve con ficchas que dejjaban caer al
a azar o conn puntos quue dibujabann sobre ella.. Otra
experiencia fue directamennte sobre un e donde see les pidió a los
n piso embbaldosado, en
niñoss que coloccaran piedrrecitas sobrre el piso en
e el lugar donde ello
os pensabann que
caeríía la siguien
nte gota o copo cuand
do empezarra a llover o nevar. Piaget
P e Inhhelder
comeenzaron con
n unos pocos puntos y aumentaron
a su número progresivam
mente para vver la
distriibución globbal en el plaano (Ver Fig
gura 2.2) quue Batanero
o (2001) ideentifica com
mo una
distriibución Poissson en el pllano.
Figura 2.2
2. Dibujos o disposiciones de puntoss en la experiencia del em
mbaldosado
Los niñoos pequeñoss (etapa pre operacionaal) supusieroon que las gotas
g de lluvvia se
reparrtirían por toda
t la supeerficie y quee se distribuuirían regullarmente enn los cuadroos. En
el experimentoo, los niñoos colocaro
on las pieedrecitas o puntos siistemáticam
mente,
rellennando uno a uno todoos los cuaddros antes de
d repetir las
l piedreciitas o puntoos en
51
Capítulo 2
alguno de ellos. Si la retícula tenía un solo cuadro vacío, los niños colocaron la marca o
piedra en el cuadro vacío para completar un patrón uniforme. Piaget e Inhelder
interpretaron este comportamiento como falta de comprensión de la aleatoriedad en esa
etapa.
Los niños con edad situada en el periodo de las operaciones concretas aceptaron
la irregularidad de la distribución, aunque si había un solo cuadro sin marca, el cuadrado
«seco» se consideraba como el más probable para recibir la siguiente gota o copo. Sin
embargo, los puntos se colocaron desordenados dentro de cada cuadrado, mientras en la
etapa anterior se colocaban exactamente centrados.
En el periodo de las operaciones formales los niños usaron el mecanismo de la
convergencia progresiva. Entre más gotas haya, la diferencia en el número de gotas por
baldosa tiende a disminuir más, no en forma absoluta, sino en forma relativa, es decir,
en promedio. De acuerdo con Piaget e Inhelder, la ley de los grandes números se
comprende por su doble aspecto combinatorio y proporcional. Es decir, en este estadio
(12 años o más) también aparece el razonamiento proporcional y por lo tanto, los niños
comprenden la ley de los grandes números.
En resumen, las investigaciones de Piaget e Inhelder sobre el desarrollo del
razonamiento probabilista en el niño, suponen que la base para la adquisición de este
razonamiento es la construcción de relaciones lógicas tales como causa y efecto, porque
ello permitirá la comprensión de la diferencia entre los sucesos necesarios (y por tanto
predecibles) y los aleatorios (no predecibles). Pero también el desarrollo este tipo de
razonamiento requiere construir y representar la totalidad de los sucesos (razonamiento
combinatorio) y tener en cuenta múltiples relaciones para calcular proporciones. Piaget
e Inhelder también suponen que estas construcciones se adquieren paulatinamente a
diferentes edades, culminando en la adolescencia con el dominio de las operaciones
concretas. En particular concluyen que en esa etapa se tendrá una buena percepción de
la aleatoriedad y de las distribuciones uniformes y normales. Estas conclusiones han sido
contradichas, indicando que muchos adultos tienen sesgos respecto a su concepción sobre
los experimentos aleatorios y también que los niños tienen intuiciones sobre la
aleatoriedad. Sin embargo la obra de Piaget e Inhelder no puede ser pasada por alto, los
aportes al razonamiento probabilista han sido de gran utilidad en otras investigaciones con
adultos sobre la percepción de la aleatoriedad, además de que las tareas experimentales que
usaron son muy ingeniosas y se han incorporado y mejorado en otras muchas
investigaciones.
52
Antecedentes
3. Investigaciones sobre la comprensión de la idea de distribución

Al contrario de lo que hemos indicado sobre el reducido número de trabajos centrados
explícitamente en la variable aleatoria, el número de trabajos relacionados con la idea de
distribución es grande y en constante crecimiento, a tal punto que la conferencia STRL-
4 (Statistical Thinking, Reasoning and Literacy Research Forum:
srtl.stat.auckland.ac.nz/srtl4/) estuvo dedicada al tema «Razonamiento sobre la
distribución» y el volumen 4, número 1 de la revista Statistics Education Research
Journal fue asignado como un número monográfico alrededor de la idea de distribución.
Shaughnessy (2007) indica que uno de los fines básicos de la estadística es
desarrollar la capacidad de leer, analizar, criticar y hacer inferencias a partir de
distribuciones de datos. Frecuentemente las investigaciones no distinguen entre la
distribución de una variable aleatoria o estadística, Shaughnessy, sin embargo, sugiere
que el concepto de distribución es múltiple, pues se puede referir a distribución de datos
(variable estadística), distribución de probabilidad (variable aleatoria) y distribución
muestral (distribución del estadístico en el muestreo, que también es una variable
aleatoria). Shaughnessy también menciona que muchas investigaciones que analizan
otros conceptos, tienen como móvil subyacente la comprensión de la idea de
distribución en los estudiantes, puesto que dicha idea incluye las de posición central y
variabilidad o dispersión. Reading y Canada (2011) añaden las ideas de probabilidad,
proporcionalidad, forma, frecuencia y simetría. Todas estas ideas están interrelacionadas
en una tabla o gráfica puesto que se suele referir a las distribuciones a través de sus
representaciones tabular o gráfica (Shaughnessy, 2007).
El razonamiento distribucional también implica relacionar los datos muestrales
(variable estadística) con los de la población (variable aleatoria) y transitar entre una y
otra, así como comprender la diferencia entre los parámetros (vinculados con la
población) y los estadísticos (vinculados con las muestras). Esto es lo que permite hacer
inferencias y predicciones y requiere de un tránsito forzoso no sólo entre la distribución
de una variable estadística y una aleatoria sino también la relación que este tránsito
guarda con las distribuciones muestrales (otro tipo de variable aleatoria).
En su mayoría, las investigaciones educativas centradas en la idea de
distribución se refieren a la distribución de una variable estadística. En este punto
recogeremos, muy escuetamente, algunos de los principales trabajos y que también se
reportan en Shaughnessy (2007) y Reading y Canada (2011).
53
Capítulo 2
3.1. Distribución de variables estadísticas

Bakker y Gravemeijer (2004) indican que una característica esencial del análisis
estadístico es que trata sobre todo de describir y predecir propiedades de los agregados
de datos y no de cada dato aislado. Un problema para conseguirlo es que los estudiantes
a veces no ven el dato (por ejemplo altura de un estudiante) como un valor de una
variable (altura en el ejemplo), sino como una característica personal de un individuo.
Los estudiantes se centran en los datos aislados que usan para calcular, por ejemplo, la
media o el rango, pero no siempre ven estos estadísticos (media o rango) como una
propiedad del conjunto de datos como un todo (distribución). En su estudio, estos
autores analizaron específicamente el razonamiento de los estudiantes para pasar de la
idea de dato aislado a la de distribución como un todo cuando se les puso una tarea en la
que tuvieron que razonar y comparar conjuntos de datos utilizando un software
específico que los ayudó a transitar de los datos a la distribución y viceversa. Su
experiencia muestra que los estudiantes pueden razonar sobre algunos aspectos de la
distribución y llegar a desarrollar aspectos más avanzados de la misma como frecuencia,
clase (intervalo), dispersión, mediana o densidad, si se utiliza un enfoque apropiado.
Shaughnessy y Ciancetta (2002) presentan ejemplos de lo que piensan los
estudiantes sobre los promedios, forma y dispersión al razonar sobre las distribuciones
de datos. Por ejemplo, algunos de los estudiantes que se centraron demasiado en los
valores centrales, son incapaces de pasar de estos valores a la idea de distribución. La
dificultad de generar una distribución de datos a partir de un promedio dado, también ha
sido descrita en muchas investigaciones sobre promedios, donde al dar un promedio y
pedir a los estudiantes que describan una distribución correspondiente al promedio, los
estudiantes se limitan a repetir valores muy similares o equidistantes del promedio.
Otra noción importante para comprender las ideas de variable aleatoria y
distribución es la idea de variabilidad, que está siempre presente en los datos y tiene
múltiples significados en estadística (Reading y Shaughnessy, 2004), entre otros los
siguientes: variabilidad de resultados en un experimento aleatorio; variabilidad en los
datos; variabilidad en una variable aleatoria; variabilidad en las muestras o la
distribución muestral. Es por ello que dos fines importantes de la enseñanza de la
estadística es que los estudiantes perciban la variabilidad y manejen modelos que
permitan controlarla y predecirla.
Uno de los análisis más frecuentes en los usos de la estadística es la
comparación de dos distribuciones, ya sea de la misma variable estadística en dos
conjuntos de datos o de dos variables estadísticas en el mismo conjunto de datos. Es por
ello que algunos autores han descrito el razonamiento de los estudiantes alrededor de la
54
Antecedentes
idea de distribución cuando comparan dos distribuciones de datos e indican que los
estudiantes no suelen usar la media para comparar conjuntos de datos, sino que más
bien usan parte de los datos, por ejemplo, suelen comparan los valores máximos o las
longitudes del rango. Un ejemplo lo tenemos en los resultados obtenidos por Konold,
Pollatsek, Well, and Gagnon (1997) quienes trataron de detectar las barreras críticas que
encuentran los estudiantes para analizar los datos. A pesar de que formalmente estas
comparaciones se llevan a cabo a partir de los promedios y la dispersión de las
distribuciones, Konold et al. encontraron que ni siquiera el uso de la media como
representante para comparar dos conjuntos de datos es intuitivo para algunos
estudiantes, quienes, en su investigación, se centraron en las frecuencias absolutas y no
en las relativas. Incluso cuando las muestras eran de tamaño muy diferente, la
comparación la realizaron sobre las frecuencias de los valores de la variable que
coincidían en ambos grupos. Konold, et al. concluyen que el problema tiene sus
orígenes en que los estudiantes no han dado el paso de comparar los valores de la
variable como propiedades de los individuos aislados a comparar las propiedades de los
conjuntos de datos.
También Batanero, Estepa y Godino (1997) estudiaron las estrategias seguidas
por los estudiantes al comparar dos distribuciones como parte de un estudio sobre
asociación. Como estrategias correctas encontraron comparar medias o totales en las dos
distribuciones o reducir el conjunto de datos a una sola variable restando los valores
correspondientes en el caso de muestras relacionadas y luego comparar la media o el
total con cero. También encontraron estrategias incorrectas como comparar solo valores
aislados en las dos distribuciones o esperar un aumento/disminución similar en todos los
casos para las muestras relacionadas.
En una serie de estudios longitudinales, Watson analizó las estrategias utilizadas
por estudiantes de primaria y secundaria al comparar conjuntos de datos presentados en
forma gráfica (Watson y Moritz, 1999; Watson, 2001). En sus trabajos, clasificó estas
estrategias de acuerdo al modelo SOLO1, que es un modelo jerárquico, en tres niveles
cognitivos, que a su vez, se enmarcaron en dos ciclos por la dificultad de la tarea. Los
niveles cognitivos denotaron el tipo de razonamiento usado por los estudiantes para
resolver las tareas dadas: (a) uso de algún aspecto importante de la tarea
(Uniestructural); (b) procesamiento de varios aspectos disjuntos (Multiestructural); y,
finalmente, (c) integración de las relaciones entre varios aspectos del dominio de la
tarea (Relacional).
1
Structure of Observed Learning Outcome. La traducción al español es «estructura del resultado del
aprendizaje observado».
55
Capítulo 2
En el primer ciclo los estudiantes fueron capaces de comparar los conjuntos de

igual tamaño calculando el total o usando comparaciones visuales a partir de la gráfica.
En el segundo ciclo, los estudiantes pudieron comparar conjuntos de datos de diferente
tamaño usando un razonamiento proporcional. En este ciclo se incluyeron estrategias
numéricas, generalmente comparación de frecuencias relativas, porcentajes o
promedios; y estrategias visuales, a través de la comparación gráfica, y mixtas. En
algunos casos usaron las características de las representaciones gráficas para describir
variación entre conjuntos. Watson agrupó las estrategias de los estudiantes codificadas
bajo el modelo SOLO en visuales, numéricas y mezcla de ambas. Las respuestas
codificadas dentro del nivel uniestructural y multiestructural en ambos ciclos,
predominantemente usaron estrategias visuales o numéricas, mientras que los
relacionales, mezclaron las estrategias numéricas y visuales.
Bakker y Gravemeijer (2004) previeron que el razonamiento con graficas sería la
base para el razonamiento sobre distribuciones, y con esa base diseñaron actividades
con uso del ordenador en las que los estudiantes crearon sus propias gráficas basándose
en datos e hicieron predicciones. El diseño se basó en una trayectoria de aprendizaje que
involucraba tres niveles de comprensión de la distribución. En su artículo, los
investigadores reportan la forma en que se estimuló el razonamiento de los estudiantes
acerca de la idea de distribución. En el primer nivel (cada dato es representado como
una barra) la actividad haría que los datos se concibieran simplemente como un
conjunto de datos aislados, en el que, sin embargo, emergió razonamiento acerca de la
distribución en diferentes aspectos: uso de una estimación gráfica de la media (a través
de la compensación de las barras); ubicación de la mayoría de los datos (sesgo),
probabilidad para datos atípicos o extremos y dispersión (confiabilidad). En el segundo
nivel (los puntos remplazan a las barras) los datos se representaron a través de puntos
que después fueron sustituidos por un histograma. Los estudiantes manifestaron su
preferencia por esta representación porque «están mejor organizados» (p 156), así
mismo desarrollaron nociones cuantitativas de aspectos más avanzados de la
distribución tales como frecuencia, clases, dispersión, cuartiles, mediana y densidad. En
el último nivel (simbolizando los datos como un agregado), los estudiantes crean sus
propias gráficas sin datos, para analizar y describir lo que ellos esperan en varios
escenarios. Usan el término «aglomerado» (bump) con relación a nociones estadísticas
tales como mayoría, datos atípicos y tamaño de la muestra, incluso algunos de ellos
llegan a percibir la distribución como una entidad conceptual global. Bakker y
Gravemeijer concluyen haciendo explícitas las tres heurísticas para diseños didácticos
en la educación estadística que se sustentan en el análisis del comportamiento de los
56
Antecedentes
estudiantes en cada nivel y que, a su vez, sustentan esos tres niveles propuestos por
ellos.
Prodromou y Pratt (2006) proponen actividades de simulación en donde los
estudiantes hacen emerger datos a partir de una distribución de la que puedan manipulan
su centralización y su dispersión. De esta manera los estudiantes pueden observar el
efecto de esas manipulaciones sobre los datos que surgen a partir de ellas, ofreciéndoles
la visión de modelismo2 de la distribución. Prodromou y Pratt encontraron apoyo en los
niveles propuestos por Bakker y Gravemeijer (2004) en donde «las distribuciones
pueden ser leídas desde o hacia la colección de datos» (p. 84) pero sugieren un viaje
desde dos perspectivas: centrada en los datos y en el modelismo de la distribución y no
sólo desde las medidas (de centralización, dispersión, densidad y sesgo) hacia los datos
o hacia la distribución, en un solo sentido. Una perspectiva desde la distribución daría
oportunidad de visualizar el tipo de datos que se generan a partir de ella y, por tanto, de
abstraer conceptualmente la idea de distribución. Prodromou y Pratt consideran que lo
conceptual descansa en la coordinación que se puede dar entre las dos perspectivas.
Ciancetta (2007) refina y construye un marco teórico interpretativo basándose en
marcos teóricos propuestos por otros autores y en un análisis con estudiantes
universitarios. Su marco tiene la intención de establecer categorías que permitan el
estudio de las estrategias de razonamiento (reasoning strategies) que ponen en juego los
estudiantes cuando se enfrentan a tareas que requieren hacer inferencias informales
sobre pares de conjuntos de datos. Él considera cinco niveles de análisis: razonamiento
idiosincrático (0), local (1), transicional (2), distribucional inicial (3) y distribucional
(4). En el primero (Nivel cero: idiosincrático) incluye respuestas que no se centran en
un razonamiento de los datos y por lo tanto no proporcionan información sobre
razonamiento estadístico. En el Nivel 1, Local, se refiere a respuestas que implican una
vista local de los datos y el uso exclusivo de razonamientos aditivos. El razonamiento
transicional (Nivel 2) manifiesta una visión transicional entre la visión local y la global.
Un tercer nivel (distribucional inicial) llevaría al uso de razonamiento proporcional y
comenzar a reconocer los aspectos globales de los datos. Todos estos aspectos se
integrarían en el más alto nivel, el distribucional (Nivel 4).
Como se puede observar, las investigaciones sobre el concepto de distribución
de una variable estadística se centran en los conceptos sobre cuya comprensión descansa
este concepto y en la definición de niveles de comprensión de la distribución. Con
2
En inglés los autores usan la palabra modelling, refiriéndose a la capacidad de generar modelos. En el
sentido cotidiano, modelización se refiere, principalmente, a reproducciones (modelos) a escala. En el
contexto que Prodromou y Pratt, lo entendemos como la capacidad de una distribución de modelar
diversas situaciones al modificar sus parámetros.
57
Capítulo 2
frecuencia se utiliza la comparación de distribuciones para indagar en la comprensión

del concepto. En consecuencia, estos resultados serán útiles en el análisis de los datos
del Estudio 4 que implicará la comparación de varios pares de distribuciones por parte
de los estudiantes.
3.2. Distribuciones de variables aleatorias

Aunque con menor frecuencia, la idea de distribución también ha sido investigada en
relación con las variables aleatorias. Truran (1994) estudió la comprensión de los
estudiantes sobre los niveles de desviación de la probabilidad empírica (frecuencial) de
la probabilidad teórica. Él pidió a los estudiantes que conjeturaran sobre los resultados
que esperarían obtener en muestras de nueve elementos tomadas de una población con
1/3 de bolas de un color y el resto de otro. Obtener valores extremos resultó
sorprendente para los estudiantes, y casi todos esperaban aproximadamente la mitad de
bolas de cada color en cada muestra. Fueron muchas las respuestas de los estudiantes
que indicaban una teoría sobre el número de bolas que no guardaba relación con la
composición de la urna. La conclusión del autor es que los estudiantes no comprenden
la relación entre frecuencia y probabilidad ni la variabilidad de una variable aleatoria.
La mayoría de los estudios sobre el tema se enfocan al estudio de la distribución
de una o varias variables estadísticas o aleatorias independientemente, sin embargo, hay
estudios que sugieren enlazarlos. Así por ejemplo, Prodromou y Pratt (2006) en su
investigación proponen el análisis «desde las distribuciones», es decir, promover que los
estudiantes analicen los datos que surgen de manipular los parámetros de dispersión y
centralización de una distribución de probabilidad para relacionar el modelo teórico de
la variable aleatoria con el modelo empírico de la variable estadística y no sólo a la
inversa.
Kazak y Confrey (2007), también sugieren que estos dos conceptos debieran ser
relacionados tanto en la enseñanza como en la investigación. Las autoras manifiestan su
preocupación por la inexistencia en el currículo escolar básico de una conexión
conceptual entre la distribución teórica (usualmente enseñada dentro del tema de
«probabilidad») y las distribuciones empíricas de datos (usualmente tratadas dentro del
tema de «estadística»). Indican que esta vinculación no se puede posponer hasta el tema
de inferencia estadística (en niveles universitarios o más) por la implicación que esto
acarrea en la conceptualización de la idea de probabilidad como base para la
cuantificación de la incertidumbre estadística. Ellas proponen enfatizar en la noción de
distribución como una vinculación entre los datos y la probabilidad. En su
58
Antecedentes
investigación, ellas trabajan con un grupo pequeño de niños de 9 años a los que les
piden realizar una secuencia de tareas enfocadas en las ideas de probabilidad y de
ambos tipos de distribuciones y después los entrevistan para analizar sus concepciones.
Para Kazak y Confrey la idea de distribución comprende dos ideas: 1) una visión
estadística, como agregado de un conjunto de datos (distribución de la variable
estadística); y 2) una visión probabilística como conjunto de posibles resultados de un
experimento aleatorio. En la primera se manejan distribuciones de datos y son descritas
por los estadísticos de centralización y dispersión; la segunda se refiere al modelo
teórico de una variable aleatoria vinculada con los resultados de un experimento
aleatorio (distribución de probabilidad). Las tareas que ellas proponen a los niños
incluyen el análisis de distribuciones espaciales de objetos reales (como flores o rebaños
de animales), replicaciones de los experimentos de Piaget sobre la comprensión de la
distribución normal, lanzamiento de monedas y experimentos que pueden asociarse con
la distribución binomial. Concluyen que la comprensión intuitiva de la idea de
distribución estadística de los niños puede evolucionar a un modelo más formal de
distribución de una variable aleatoria, sobre todo si se realizan tareas de simulación.
En el estudio 4 de nuestra investigación, como Kazak y Confrey, trataremos de
coordinar estas dos visiones de la distribución. Propondremos, a estudiantes
universitarios, trabajar simultáneamente con variables estadísticas y aleatorias con el
objetivo de obtener información sobre las concepciones y errores de los estudiantes al
trabajar la vinculación de estos dos objetos matemáticos.
4. Investigaciones sobre la comprensión de la distribución normal

Los estudios descritos con anterioridad examinan la idea de distribución, sin referirse a
un modelo particular, tal como la distribución normal o binomial. Sin embargo, gran
parte de la utilidad de la variable aleatoria se debe precisamente a que se dispone de un
conjunto potente de modelos con un fuerte grado de abstracción que permite que la
distribución de la variable aleatoria quede determinada por la estimación de los
parámetros del modelo (usualmente la media u otros estadísticos).
Entre los estudios relacionados con la comprensión de los modelos de las
distribuciones, los más frecuentes son los relacionados con la distribución normal. En
muchos de los cuales se centran en la comprensión de propiedades aisladas. Así, con
relación a la tipificación (o estandarización), Huck, Cross y Clark (1986) identificaron
dos concepciones erróneas, referentes al rango de variación de las puntuaciones normales
tipificadas Z. El primer error se debe a que algunos alumnos creen que todas las
59
Capítulo 2
puntuaciones Z han de tomar un valor comprendido entre -3 y +3, mientras que el hecho es
que sólo el 99,7% de las observaciones se encuentra entre la media  3 desviaciones
típicas. Otros estudiantes creen que las puntuaciones Z no tienen límite superior ni inferior,
pues han aprendido que las colas de la curva normal son asintóticas al eje de abscisas y
hacen una generalización incorrecta.
Para Hawkins, Joliffe y Glickman (1992) los errores más comunes en relación a
la distribución normal vienen del rol dominante que tiene el teorema central del límite
en estadística que llega a inducir la creencia de que todas las variables tendrían una
distribución normal asintótica. También aparecen errores cuando los estudiantes usan la
distribución normal como una aproximación de la distribución binomial, porque no ven
la diferencia entre lo discreto y lo continuo, y en muchos casos aplican la corrección por
continuidad de una forma mecánica sin entender su significado.
En su tesis de doctorado, Tauber (Tauber, 2001; Batanero, Tauber y Sánchez,
2001 y 2004; Tauber, Batanero y Sánchez, 2004) estudió el aprendizaje de la
distribución normal en un curso de estadística con alumnos universitarios. Su estudio no
se centró en la variable aleatoria, aunque es uno de los conceptos que consideró
importantes en la descripción del significado de la distribución normal. La autora hizo
un estudio sistemático de la enseñanza y aprendizaje de la distribución normal.
Describió el significado del tema en los libros de texto universitarios y diseñó una
secuencia de enseñanza con uso de ordenadores. Este proceso de enseñanza no siguió la
pauta tradicional, sino que formuló problemas más realistas, incorporando los recursos
gráficos y de cálculo que posibilita el ordenador, entremezclando actividades
tradicionales, tales como exposición del profesor o resolución de problemas con papel y
lápiz, con otras basadas exclusivamente en el uso del ordenador. La investigación se
realizó en una muestra de 117 alumnos de la Facultad de Ciencias de la Educación y
permitió mostrar la diferencia entre el aprendizaje producido a través de esa secuencia
diseñada y el observado en una clase tradicional, sobre la que no se tuvo injerencia.
La evaluación del aprendizaje estuvo basada en los reportes escritos de
actividades que realizaron los alumnos en sus clases, en un cuestionario final y en una
prueba abierta de ensayo para ser resuelta con ayuda del ordenador. Como consecuencia
del análisis de estos datos se describen dificultades y errores en un tema en el que la
investigación previa era prácticamente inexistente. Asimismo, se describen las
diferencias en la evaluación de dos tipos de alumnos: aquellos que tienen conocimientos
previos de estadística, adquiridos en la educación secundaria o en cursos anteriores a la
universidad y los que no los tienen.
60
Antecedentes
La autora indica que muchos estudiantes que siguieron la secuencia diseñada

alcanzaron la idea de distribución normal como modelo de los datos y comprendieron la
utilidad de los modelos y la curva normal para resolver problemas prácticos. También
fueron bien comprendidas la simetría de la distribución normal, las posiciones relativas
de media, mediana y moda en distribuciones simétricas y asimétricas, el significado de
los parámetros (media y desviación típica) y el uso del software estadístico. Algunos de
los errores que se produjeron fueron la interpretación del área en un histograma de
frecuencias, interpretación de probabilidades como áreas bajo la curva normal y la
discriminación entre la variable estadística y aleatoria o entre la distribución de
frecuencias empírica y la distribución teórica de probabilidad. Estas últimas dificultades
pueden ser particularmente importantes en nuestro estudio.
5. Investigaciones específicas sobre la variable aleatoria

La mayoría de los estudios que se consultaron y que tratan específicamente sobre la
variable aleatoria (aunque no necesariamente estén centrados en ella) se enfocan al
aspecto didáctico del objeto, y dentro de ellos, la mayoría se encuadran en el análisis de
libros de texto. Hay escasas investigaciones, sin embargo, en los aspectos
epistemológicos y cognitivos. Dentro del primero de ellos, hay pocas referencias al
aspecto histórico de la variable aleatoria y una mayor mención de cuestiones referentes
a la disciplina.
La exposición en este apartado se divide en estos tres aspectos mencionados:
didáctico, epistemológico y cognitivo. Dentro de las investigaciones dedicadas a la
didáctica de la variable aleatoria, las enfocadas a libros de textos, por ser las más
abundantes, ameritan una sección aparte.
5.1. Investigaciones sobre libros de texto

Diversos autores han estudiado la presentación de la variable aleatoria en los libros de
texto, aunque algunos de ellos no se han centrado específicamente en la misma.
Ortiz (2002) hizo un estudio sobre la caracterización del significado de los
conceptos probabilísticos que se presentan, como resultado de la transposición
didáctica, en los libros de texto del primer curso de bachillerato español. Siguiendo un
procedimiento cualitativo, analizó las definiciones, tipos de problemas y
representaciones asociadas a los conceptos de aleatoriedad, frecuencia, probabilidad y
variable aleatoria, entre otros, en una muestra de libros de texto. A partir de este análisis
61
Capítulo 2
define los elementos de significado asociados a cada uno de ellos, siguiendo el marco
teórico de Godino y Batanero (1998). En particular, los elementos de significado
vinculados a la variable aleatoria que obtiene, los presentamos como un resultado de
tipo epistemológico importante (sección 5.3), puesto que con ellos, Ortiz definió el
significado de referencia de este objeto matemático.
Dentro de los resultados del análisis de los elementos de significado presentes en
su muestra de libros de texto, Ortiz reportó que en la mayoría de los textos que analizó
no se trata el concepto de variable aleatoria de manera explícita, pero aquellos que lo
hacen, lo ubican ya sea en los temas de probabilidad o en los de estadística y que sólo
contemplan una mínima parte de sus elementos de significado. Él encontró que el
concepto también es tratado de manera implícita, sobre todo cuando se describe la
variable estadística, que se obtiene a partir de los valores observados de una variable
aleatoria en una muestra. En uno de los textos observó cierta confusión entre los
conceptos de variable aleatoria y variable estadística, ya que atribuyen tanto la
distribución de probabilidad como la distribución muestral a la variable aleatoria.
Recomienda que, dada la importancia que tiene, la variable aleatoria debe ser tratada y
relacionada con la probabilidad, aunque de una manera no excesivamente formalizada.
Para lograrlo se deberá retomar con diferentes grados de profundización a lo largo de la
educación secundaria.
En la caracterización del tipo de actividades (ejercicios, problemas o ejemplos)
que se pueden resolver en el contexto de la variable aleatoria, define nueve tipos de
actividades, pero en los libros de texto analizados, cuatro de ellas no se presentan. Las
actividades presentes más frecuentemente se refieren a la determinación de la
distribución de probabilidad de una variable aleatoria y a la representación gráfica de
dicha distribución. Así mismo, reporta que las actividades presentes sólo se manejan
referidas a espacios muestrales finitos en contexto únicamente de juego, que la
asignación de probabilidades predominante es mediante la regla de Laplace y que la
forma de presentación más usada es la verbal, en ocasiones con tablas de datos. Ortiz
recomendó diversificar las actividades en los libros de texto, sin olvidar que los
conceptos deben introducirse acordes al nivel de enseñanza y edades de los alumnos. Él
considera que la categorización de la variable aleatoria que realizó de acuerdo a sus
elementos de significado (presentados en el apartado 5.3 de este capítulo), sería una
buena guía para lograrlo.
Oseguera (1994) hace un análisis del material de apoyo para el alumno que sirve
como base para el diseño de la enseñanza y la evaluación del tema de variable aleatoria
en la asignatura de probabilidad y estadística en la Unidad Profesional Interdisciplinaria
62
Antecedentes
de Ingeniería. Ciencias Sociales y Administrativas (UPIICSA) del Instituto Politécnico

Nacional en México. El análisis de este material de apoyo se basa en tres ejes
principales. Aquí desglosamos los dos de mayor interés para nuestra investigación:
 Los conceptos básicos de probabilidad relacionados con variable aleatoria.
Este criterio fue establecido por el mismo autor. Los conceptos básicos se
refirieron principalmente al tipo de distribución que se ponía en juego en
cada reactivo (normal, uniforme o exponencial) y al manejo de sus
respectivos parámetros, así como a la aproximación de la función de
distribución normal a una binomial. Dentro de estas categorías también se
incluyeron el área en la que incide el reactivo y si se requiere alguna
representación gráfica.
 La propuesta epistemológica de Heitele (1975) que describiremos
posteriormente (sección 5.3). Oseguera seleccionó aquellas ideas
fundamentales que se relacionan con la variable aleatoria y detectó si
estaban presentes en el material analizado.
En su trabajo, él observa que hay una tendencia predominante a interpretar los

reactivos meramente como modelos matemáticos, olvidándose del contexto y de la
forma en que los números fueron asignados a los valores de las variables aleatorias y
cómo estos números pueden relacionarse con las mediciones (datos) y con el modelo
matemático. Así mismo observa que hay una ausencia de vinculación entre el tópico de
estocásticos y las experiencias intuitivas de los estudiantes dando prioridad a
requerimientos puramente matemáticos.
Oseguera concluye asegurando que en el contexto que él analiza no hay aspectos
del surgimiento de la idea de variable aleatoria en el proceso de enseñanza-aprendizaje,
reduciéndolo al manejo metodológico de reglas y símbolos.
En su breve artículo, Miller (1998) hace una crítica al tratamiento de la variable
aleatoria en algunos libros de texto. Él afirma que en los libros de introducción a la
estadística casi no desarrollan esta idea y que cuando lo hacen, frecuentemente lo hacen
de una forma errónea que acarrea problemas en temas posteriores. Critica, en particular,
el tratamiento de la variable aleatoria como asociada al valor de los datos. Este
tratamiento que crea una confusión entre el resultado del fenómeno aleatorio
propiamente y el valor o dato asignado a la variable aleatoria, como si ese dato no
pudiera existir en sí mismo sin la presencia del fenómeno aleatorio.
63
Capítulo 2
Miller toma dos ejemplos de un libro de Moore3, en los que se ilustra el

concepto de variable aleatoria con la distribución de las calificaciones de un grupo de
estudiantes y con la distribución del tamaño de un grupo de casas. En ambos casos el
resultado del fenómeno aleatorio no es la calificación obtenida o la medida de la casa,
sino la casa o el estudiante seleccionado aleatoriamente. El valor numérico relacionado
con la casa o el estudiante están definidos para cada casa y para cada estudiante, no así
el estudiante o la casa seleccionada a través de un fenómeno aleatorio. Los problemas
son, afirma Miller, que (1) el valor numérico no determina claramente a la variable
aleatoria (el tamaño de la casa no es un «resultado» directo del fenómeno aleatorio) y
(2) que en el discurso estadístico sí aparecen variables aleatorias dadas por un valor
numérico calculado o determinado (como en el caso de la variable explicativa del
modelo de regresión), lo que conlleva, tarde o temprano, a una contradicción en el
discurso escolar.
En su tesis de doctorado, Tauber (2001) describe a la variable aleatoria como
uno de los objetos matemáticos importantes en el significado de la distribución normal.
Entre otros análisis, la autora estudia la forma en que se presenta la distribución normal
en una muestra de 11 libros universitarios de estadística aplicada de acuerdo con el
enfoque Onto-semiótico (Godino, 1996, 2002) e identifica los siguientes elementos de
significado:
 Campos de problemas: La distribución normal se utiliza para resolver
problemas de ajuste de modelos a datos reales, aproximar distribuciones
discretas, obtención de distribuciones muestrales exactas o asintóticas,
estimación y contraste de hipótesis
 Representaciones verbales, simbólicas, tabulares y gráficas;
 Procedimientos para resolver los problemas, tales como estudio descriptivo,
tipificación, cálculo de probabilidades y valores críticos a partir de tablas,
cálculo de límites del intervalo central y comparación de puntuaciones
normales.
 Definiciones y propiedades, tales como simetría, asíntota horizontal, área
bajo la curva, proporción de casos en intervalos centrales, curtosis, etc.
 Argumentos: deductivos, ejemplos- contraejemplos, análisis y síntesis,
prueba por contradicción, o simulación.
Tauber concluye que en los libros de texto no siempre se relaciona el estudio de

la estadística descriptiva con el de la variable aleatoria y con el de las distribuciones de
3
1995. The basic practice of stadistics. Freeman: New York
64
Antecedentes
probabilidad. También coincide con Oseguera (1994) en que los libros de texto
enfatizan sobre todo en los elementos simbólicos, algebraicos y numéricos,
particularmente las tablas de la distribución y se dedica gran espacio al cálculo de
probabilidades a partir de las tablas, con menor énfasis en la experimentación,
simulación y estudio de propiedades.
En resumen, estas investigaciones indican que algunos autores se enfocaron
directa o indirectamente al estudio del objeto de nuestro interés en los libros de texto
concluyendo que los libros de texto casi no desarrollan la idea de variable aleatoria de
manera explícita y cuando lo hacen sólo contemplan una mínima parte de sus elementos
de significado o bien cometen errores en su interpretación (Oseguera, 1994; Miller,
1998; Tauber, 2001 y Ortiz, 2002). También encontraron errores en los libros. Ortiz
reportó una confusión entre variable aleatoria y variable estadística en algunos libros de
secundaria. Miller (1998) muestra la inconveniencia de asociar a la variable aleatoria
con el valor de los datos directamente en los libros de introducción a la estadística
universitarios. En este mismo sentido Borovcnik et al (1991, citado por Ortiz, 2002, p.
121) da una definición práctica del concepto: «una variable aleatoria se determina como
resultado de un experimento aleatorio» (p. 121) que aunque sería considerada imprecisa
por Miller (puesto que relaciona la variable directamente con el resultado de un
fenómeno aleatorio), Ortiz la considera apropiada para el nivel secundaria.
5.2. Otras investigaciones sobre didáctica

Aparte del énfasis en el análisis de libros de texto, existen otras investigaciones
enfocadas a las diversas formas en que se presenta, o debería presentar, la variable
aleatoria en la enseñanza. Heitele (1975), por ejemplo, propone que el éxito en la
comprensión de la variable aleatoria en cada nivel escolar estará en ser tratada bajo
diferentes niveles cognitivos que desarrollen modelos explicativos que difieran en su
forma lingüística y en sus niveles de profundización. Heitele se pregunta qué será más
conveniente, si introducir el concepto de variable aleatoria vía el caso especial de
equidistribución o introducirlo hasta el final, vía las distribuciones generales. Sin
embargo, no encontramos más referencias a cuáles podrían ser esos estadios de la
variable aleatoria que propiciarían el crecimiento del concepto de variable aleatoria en
cada nivel escolar. Así pues, no se tiene muy claro qué es lo que se espera que los
estudiantes aprendan en cada nivel escolar, aunque se manifiesta una necesidad de que
la noción sea introducida en niveles escolares primarios.
65
Capítulo 2
Nardecchia y Hevia (2003), realizaron una investigación bibliográfica histórica

tendiente a encontrar los posibles obstáculos didácticos que el aprendizaje de la variable
aleatoria puede implicar. En uno de los resultados preliminares de su investigación,
ellos concluyeron que el concepto de variable aleatoria está fuertemente vinculado con
el de aleatoriedad, pero que la historia muestra que ha sido difícil aceptar esa relación de
modo que una de las principales dificultades con las que el estudiante se podría
enfrentar en la construcción de la noción de variable aleatoria sería no visualizar la
presencia del azar en el fenómeno aleatorio que se está tratando de modelar a través de
la variable aleatoria.
Ellos argumentan que, aunado a esto, los estudiantes tienen predominantemente
desarrollado el pensamiento determinístico sobre el probabilístico y que esto puede
influir aún más en la presencia de ese obstáculo principalmente en la enseñanza
superior. Concluyen, también, que históricamente no ha sido simple la construcción de
un modelo adecuado a partir de los datos observados, de modo que esta vinculación
entre la realidad y la variable aleatoria (como modelo matemático) puede constituir un
obstáculo con el que se podría enfrentar un estudiante. Así mismo, ellos enfatizan en la
importancia de realizar estudios que nos indiquen la transposición didáctica que el
objeto matemático ‘variable aleatoria’ ha sufrido para poder ser incorporado a la
enseñanza en las instituciones educativas.
Varios de los autores citados en esta tesis concuerdan en que en el material de
apoyo de la enseñanza hay un énfasis en el tratamiento de los elementos simbólicos,
algebraicos y numéricos de la variable aleatoria y en que hay una ausencia de
vinculación entre el tópico y las experiencias empíricas. Oseguera (1994) y Tauber
(2001) encontraron que no siempre hay una conexión entre el estudio del modelo
probabilístico y el análisis de los datos empíricos en el material de apoyo y textos
universitarios que analizaron, olvidándose del contexto y de la forma en que se
asignaron los valores a las variables aleatorias y cómo estos números pueden
relacionarse con las mediciones (datos) y con el modelo matemático.
Esto significa que hay un rompimiento entre el fenómeno aleatorio y la variable
aleatoria o su distribución de probabilidad. Nardecchia y Hevia (2003) ya mencionan la
dificultad en aceptar históricamente la relación entre la aleatoriedad y la variable
aleatoria. Cosa por demás grave si a esta ausencia añadimos las dificultades que han
sido señaladas en numerosas investigaciones sobre la percepción de la aleatoriedad en
los estudiantes y las dificultades filosóficas alrededor del concepto de aleatoriedad y
azar, que se describen más adelante y encontramos, por ejemplo, en Falk y Konold,
(1997) y Batanero y Serrano (1995 y 1999).
66
Antecedentes
5.3. Investigaciones sobre aspectos epistemológicos

Desde el punto de vista conceptual, Heitele (1975) considera que hay tres aspectos que
juegan un papel fundamental en la noción de variable aleatoria:
 Su distribución, caracterizada en muchos casos por su valor esperado y su
varianza o su desviación estándar. El análisis crítico de datos requiere de la
caracterización apropiada de una función de distribución, a través de su
esperanza y de su desviación estándar.
 Su esperanza, que ha mostrado ser una idea muy intuitiva y que tiene un
valor explicativo muy grande en un amplio campo de problemas.
 También considera importante la composición de variables aleatorias para
obtener otras nuevas, como modo de componer modelos complejos a partir
de otros más sencillos.
Así mismo, Ortiz (2002) hizo un desglose de los elementos de significado de la

variable aleatoria como objeto matemático, haciendo notar su complejidad epistémica,
la cantidad de conceptos que es necesario poner en juego para su comprensión y los
campos de problemas en los que se encuentra. Los elementos que desglosa se ocupan de
la variable aleatoria y de su distribución, así como de los elementos que la definen: su
media y su varianza. La base de su análisis fue una definición formal del concepto,
aunque su análisis en los libros de texto incluye nociones no dadas explícitamente,
aquéllas en las que el concepto se presenta y las relaciones que le son asociadas.
Identifica los siguientes elementos, que tendremos en cuenta, entre otros, en el análisis
conceptual sobre la variable aleatoria (Ortiz, 2002, p. 121):
 Definiciones y propiedades de la variable aleatoria:
VA1: La variable aleatoria toma sus valores dependiendo de los resultados de

un experimento aleatorio.
VA2: Es una función del espacio muestral en R.
VA3: Queda caracterizada mediante la distribución de probabilidad, que es el
conjunto de valores que toma la variable, dando para cada uno su
probabilidad.
VA4: Para que una variable definida sobre un espacio muestral sea variable
aleatoria, se requiere que, para cada intervalo I de R el conjunto original
de dicho intervalo sea un suceso del espacio muestral.
VA5: Una variable aleatoria define una medida de probabilidad sobre el
conjunto de números reales.
VA6: Para cada variable aleatoria podemos definir una función de distribución
de la forma siguiente:
67
Capítulo 2
R : 0,1
x : F x   P  x 
VA7: La función de distribución de una variable aleatoria es una función real
de variable real, monótona no decreciente.
VA8: La función de distribución de una variable aleatoria determina en forma
biunívoca la distribución de probabilidad.
VA9: Sea xi , pi  i  I la distribución de probabilidad de una variable aleatoria
discreta. Se define la media o esperanza matemática como
E    iI xi pi . Este concepto extiende la idea de media en una variable
estadística.
VA10: La moda es el valor más probable de la variable aleatoria y extiende la
idea de moda de una variable estadística
VA11: La mediana es el valor de la variable para el cual la función de
distribución toma el valor 1/2. Por tanto, la probabilidad de que una
variable aleatoria tome un valor menor o igual a la mediana es
exactamente 1/2.
 Las actividades (problemas y ejercicios) característicos de la variable
aleatoria, son categorizadas en los siguientes puntos (Ortiz, 2002, pp 199-
202):
SVA1: Determinar la distribución de probabilidad de una variable aleatoria.

SVA2. Determinar la probabilidad de que una variable aleatoria tome un valor
determinado.
SVA3. Dada una lista de variables aleatorias, decidir si son cualitativas o
cuantitativas y cuáles son discretas y cuáles continuas.
SVA4: Representar gráficamente la distribución de probabilidad de una variable
aleatoria.
SVA5: A partir de la representación gráfica, hallar la distribución de
probabilidad.
SVA6: Obtener la función de distribución dada la distribución de probabilidad.
SVA7: Obtener alguno de los valores de posición central, media, mediana o
moda o de dispersión.
SVA8: Dada una distribución de probabilidad comprobar si verifica los axiomas
de probabilidad.
SVA9: Calcular el valor de la variable aleatoria al que corresponde una cierta
probabilidad.
68
Antecedentes
Hay que hacer notar que estos problemas corresponden a problemas presentados
en libros, son, por tanto, problemas intra-matemáticos, pero no constituyen verdaderas
situaciones que den origen a la idea de variable aleatoria. Sobre estos tipos de ejercicios
identifica las siguientes variables adicionales, en función de lo encontrado en los libros
de texto (pp 50-51):
V1: Tipo de actividad que se pide al alumno, que puede ser: ejemplo
introductorio; ejemplo después de la definición; ejercicio introductorio;
ejercicio después de la definición y ejercicio después de haber hecho un
ejemplo similar.
V2: Concepto al que el ejercicio se refiere explícitamente o implícitamente,
entre los citados anteriormente.
V3: Tipos de espacio muestral, considerando espacio muestral infinito, finito,
con dos elementos equiprobables; finito, con más de dos elementos
equiprobables, finito, con sucesos no equiprobables e impreciso.
V5: Posible asignación de probabilidades a los sucesos; clásica, frecuencial o
bayesiana
V6: Contexto del enunciado del ejercicio: Se refiere al campo de aplicación
mostrado.
V7: Presentación de la información: Verbal, numérica o gráfica.
El desglose de los elementos de significado de la variable resulta valioso por ser
una propuesta de análisis epistémico del concepto para el nivel secundaria.
Tauber (2001) realiza un estudio conceptual detallado de la distribución normal
y sus elementos de significado en nivel universitario. En su análisis enfatiza la
dificultad de discriminar entre la variable aleatoria (modelos matemáticos) y variable
estadística (datos que se quieren modelar). Sin una adecuada discriminación entre ellos
se pierde el sentido de la modelación.
Heitele (1975) recalca la diferencia de la modelación en matemáticas y en
probabilidad y estadística. Wild y Pfannkuch (1999) consideran que cualquier forma de
representar la realidad puede considerarse modelo (un estadístico útil, un texto, un
gráfico o una línea de regresión), siempre y cuando se diferencie el modelo de los datos
y al mismo tiempo se relacione con ellos. Esta diferenciación se facilita cuando las
relaciones entre realidad y matemáticas se ven de acuerdo a la estructura de estratos que
propone Heitele. Esto es, los datos numéricos en estadística descriptiva se pueden
considerar datos de un modelo, a la vez que desde un nivel más alto (en otro estrato), se
les puede considerar parte de la realidad. Lo importante para él es definir cuál es el nivel
del estrato en el que se está trabajando y qué es lo que en ese estrato puede fungir como
«realidad» y qué como «modelo». Heitele no enfatiza en la variable aleatoria en
69
Capítulo 2
particular, pero sí menciona la importancia de considerar este problema en la

modelación en probabilidad y estadística, puesto que en el contexto estocástico, el
«modelo» puede modificar los datos que surgen de la «realidad».
Desde la perspectiva histórica se hace referencia a la importancia de la variable
aleatoria en la comprensión de nociones que eran difíciles de entender antes de su
surgimiento, tales como el teorema central del límite (Heitele, 1975) y la dificultad en la
aceptación histórica de la relación entre variable aleatoria y aleatoriedad. Nardecchia y
Hevia (2003) mencionan la posibilidad de que los estudiantes tengan esta misma
dificultad cuando se está tratando de modelar a través de la variable aleatoria.
Hemos encontrado algunos estudios epistemológicos históricos del teorema
central del límite, cuyo desarrollo también contribuye a la idea de variable aleatoria. En
particular Alvarado (2007) comenzó su estudio discutiendo los primeros campos de
problemas que parten de situaciones prácticas alrededor del teorema central del límite,
por ejemplo, la necesidad de aproximar la distribución de la suma de errores y la
búsqueda de aproximaciones para la suma de variables aleatorias. Continuó con el
razonamiento de Laplace, quien dio la primera formulación limitada del teorema central
del límite, que varios autores trataron de generalizar después, originando campos de
problemas cada vez más abstractos y ligados al método deductivo, propio de la
matemática.
De acuerdo con Alvarado, Poisson dio ejemplos de distribuciones que no pueden
ser aproximadas por el teorema central del límite y mejora la demostración para el caso
continuo. Dirichlet y Bessel introdujeron el factor de discontinuidad y probaron el
teorema de Poisson para un caso general. Cauchy definió la primera cota superior para
la diferencia entre la distribución de la suma y la distribución normal. Después los
matemáticos rusos consiguieron la primera demostración rigurosa del teorema central
del límite; primero Tchebychef y Markov, con el método de los momentos, y
posteriormente Liapounoff, con el uso de la condición que lleva su nombre y la función
característica. Linderberg finalizó la búsqueda de la condición suficiente y Feller y Lévy
hallaron la condición necesaria. Finalmente, fue rigurosamente demostrado por Cramer,
quien llegó a la versión moderna del teorema central del límite. Actualmente ya se han
obtenido las condiciones necesaria y suficiente para varias variables dependientes, pero
los principios básicos de Linderberg, Lévy y Feller aún permanecen (Alvarado y
Batanero, 2006). El estudio realizado destaca también algunas dificultades en el
desarrollo histórico del teorema central del límite, que podrían ser compartidas por los
estudiantes:
70
Antecedentes
 Aceptar que una distribución discreta (por ejemplo la binomial) pueda

aproximarse mediante una distribución continua. Esto requiere pasar de
considerar valores aislados de la variable a valores continuos y de la idea de
función de probabilidad a la de función de densidad de probabilidad. El
mismo De Moivre, aunque demostró la aproximación a la binomial a través
de la normal, no relacionó la fórmula obtenida con la función de densidad
de una variable aleatoria (que sería el límite de la sucesión correspondiente
de variables aleatorias binomiales).
 Aceptar las sucesivas generalizaciones del teorema central del límite. El
desarrollo histórico de este concepto no ha sido sencillo y ha requerido
numerosas etapas. Sin embargo, actualmente el teorema central del límite se
enseña con total generalidad, cuando la comprensión de esta generalidad de
aplicación podría requerir un tiempo más largo de maduración.
 Pensar que el teorema central del límite se puede aplicar en cualquier
condición. La manera tan general en que se enseña, puede llevar a pensar
que el teorema central del límite tiene una validez general cuando en
realidad está sujeto a condiciones necesarias y suficientes. Cauchy fue el
primero en encontrar algunos contraejemplos, pero tomó mucho más tiempo
encontrar cuáles eran esas condiciones para que se cumpliera. También es
posible que se confundan las condiciones necesarias con las suficientes.
Alvarado indica que es importante que el profesor sea consciente que estos
obstáculos pueden estar siendo fomentados por su enseñanza. También en que son
necesarias investigaciones que documenten la presencia de estos obstáculos en los
procesos de aprendizaje de los distintos niveles educativos.
5.4. Investigaciones cognitivas

En este apartado encontramos algunos aspectos reportados en los que los estudiantes se
pueden enfrentar a problemas con el aprendizaje de la variable aleatoria:
 La intuición sobre magnitudes en las que participa el azar surge en etapas
más tempranas que la de experimento aleatorio (Heitele, 1975 y Batanero,
2001).
 Los estudiantes tienen predominantemente desarrollado el pensamiento
determinístico sobre el probabilístico y eso puede influir en la no
visualización del azar en el fenómeno aleatorio cuando se está tratando de
modelar haciendo uso de la variable aleatoria (Nardecchia y Hevia, 2003).
71
Capítulo 2
En primer lugar analizamos la investigación de Vallecillos (1996 y 1999), en la

que hace un análisis didáctico del contraste de hipótesis desde la doble perspectiva,
teórica y experimental. Ella hace una investigación bibliográfica profunda sobre los
aspectos matemáticos, históricos, filosóficos y didácticos del contraste de hipótesis en
donde se pone de manifiesto la complejidad del significado de este concepto. Esta
investigación sirve de referencia para plantear una investigación experimental sobre el
aprendizaje del contraste estadístico de hipótesis en estudiantes universitarios. Su centro
está en la detección de los errores y las concepciones de estos estudiantes. Entre sus
principales conclusiones Vallecillos (1999) destaca la confusión entre estadístico (que
es un representante de la variable estadística) y parámetro (que es también un
representante, pero esta vez, referido a la variable aleatoria), ya que, indica «aunque los
alumnos diferencian entre la media de la muestra y la de la población, no perciben la
media muestral como una variable aleatoria» (p. 245). Así mismo indica que la
comprensión del estadístico como variable aleatoria y su dependencia del parámetro
puede ser una de las causas que influyan en la interpretación incorrecta del nivel de
significancia en las pruebas de hipótesis. En estos tres puntos se destacan las
dificultades del aprendizaje de la variable aleatoria cuando se trata de manera intuitiva y
en su papel dentro de la modelación de los fenómenos aleatorios.
En su propuesta de enseñanza, Tauber (2001) introduce la variable aleatoria
continua como la generalización de la idea de la distribución de frecuencias de una
variable estadística continua, es decir, presenta la función de densidad como el modelo
matemático al que tendería el histograma de la variable estadística cuando se aumenta
indefinidamente el tamaño de la muestra, haciendo progresivamente cada vez más
pequeños los intervalos. Su análisis se centra en las diferencias y concordancias
presentadas entre el significado de la distribución normal de los estudiantes que
siguieron su propuesta y el significado institucional local pretendido. La propuesta
didáctica implementada también está basada en el análisis de los elementos de
significado de la distribución normal que se presentan en una muestra de libros de texto
universitarios siguiendo su marco teórico.
Basándose en la confusión entre el modelo y los datos reportada por autores
como Vallecillos (1999), Tauber, entre unos de sus objetivos de evaluación, se propone
observar si los estudiantes discriminan correctamente los conceptos de parámetro y
estadístico y la distribución teórica de la empírica. De modo que parte de su análisis
desemboca en la comparación entre el manejo de la variable estadística y de la variable
aleatoria.
72
Antecedentes
Algunas de las conclusiones que Tauber obtiene, importantes dentro del contexto
que nos ocupa, son las siguientes:
 Pudieron observarse ciertas dificultades de los alumnos en la distinción de la
distribución teórica y empírica, sobre todo cuando se ven en la necesidad de
resolver problemas abiertos.
 Los alumnos llegan a un manejo razonable de la herramienta informática y a
realizar correctamente cálculos aislados. Sin embargo, cuando se trata de
poner en correspondencias diferentes elementos del significado para tomar
una decisión -por ejemplo decidir si la variable estadística podría modelarse
adecuadamente mediante la distribución normal- el número de respuestas
correctas baja drásticamente.
Observemos que tanto Vallecillos (1999) como Tauber (2001) hacen hincapié en
la importancia de una de las concepciones de la media muestral como variable aleatoria.
Por otro lado, Miller (1998) afirma que el tratamiento didáctico de las variables
aleatorias definidas como el resultado de un experimento aleatorio generará confusión
en el estudio de las variables aleatorias dadas por un valor calculado. Ambas cuestiones
están sumergidas dentro de la problemática de la composición de variables aleatorias,
que ya Heitele (1979) mencionaba como uno de los aspectos epistemológicos
fundamentales de este concepto.
Además de estas investigaciones en donde directamente se hace mención a
problemas cognitivos vinculados con la variable aleatoria, existen otros que aunque sus
autores no los relacionan como vinculados con la variable aleatoria, se puede observar
la vinculación directa con este concepto. Así por ejemplo, la creencia de que en el
lanzamiento de dos dados, la suma de las caras superiores puede ser 11 ó 12 con la
misma probabilidad (Lecoutre, 1992; Bennett, 1998) nos da evidencia, entre otras, de
una confusión conceptual: los valores que puede tomar la variable aleatoria se piensan
como los eventos posibles del espacio muestral.
De esta revisión podemos concluir que la investigación sobre la variable
aleatoria es aún muy somera, incluso cuando este tema forma parte fundamental del
discurso escolar de la Probabilidad y Estadística universitaria. Los autores citados
concuerdan en que el concepto es básico para introducirse en el estudio de la estadística
universitaria y algunos de ellos recomiendan que sea retomado una y otra vez a lo largo
de la educación previa a la universitaria con diferentes grados de profundidad (Heitele,
1975; Batanero, 2001; Miller, 1998 y Ortiz, 2002).
73
Capítulo 2
6. Investigaciones sobre la percepción de la aleatoriedad

Son diversos los motivos que nos impulsan a detenernos en las investigaciones sobre la
percepción de la aleatoriedad. En primera instancia, algunos autores, y en nuestro
mismo estudio histórico (Capítulo 4), detectaron relación entre las dificultades de la
variable aleatoria con la falta de comprensión de la idea de aleatoriedad. Por otro lado,
el análisis conceptual de la variable aleatoria reportado en el Estudio 1 (Capítulo 3) nos
hizo tomar a la aleatoriedad como uno de los objetos de análisis en los estudios
cognitivos que realizamos tanto en la entrevista clínica (Estudio 3) como en la
evaluación del proyecto (Estudio 4). Y, por último, puesto que está tomado de las
investigaciones sobre percepción de la aleatoriedad, el contexto del proyecto del Estudio
4 gira alrededor del cuestionamiento sobre la intuición de aleatoriedad de los
estudiantes.
En la actualidad, hay abundancia de trabajos reportados sobre las percepciones
de la aleatoriedad. A partir de los años ochenta han sido muchos los investigadores,
tanto en psicología como en educación matemática, que han tratado de evaluar el
significado atribuido a la aleatoriedad por niños y adultos, planteándoles problemas y
centrándose en la determinación de las propiedades que se les atribuye a este concepto
(e.g., Falk, 1981; Green, 1982; Falk y Konold, 1987; Serrano, 1996; Engel y Sedlmeier,
2005; Chernoff, 2009a y b). Todas estas investigaciones se basan en la respuesta de los
sujetos a problemas que se clasifican en dos tipos:
 Problemas de generación. En este tipo de tarea se les pide a los sujetos
simular una secuencia de resultados aleatorios. Por ejemplo, poner puntos
en un folio en una distribución que ellos consideren aleatoria o escribir una
sucesión de dígitos que parezca que fue obtenida al azar. Nosotros usaremos
este tipo de problema en el segundo estudio cognitivo descrito en el
Capítulo 7, donde pediremos a los estudiantes escribir una sucesión de 20
lanzamientos de una moneda equilibrada.
 En los problemas de reconocimiento a los participantes se les pone ante
ciertas situaciones, secuencias o patrones espaciales y se les pregunta si son
o no aleatorios o se les pide elegir entre varias, aquella que parezca obtenida
al azar. Este tipo de tarea ha sido considerada por Chernoff (2000a) como
tarea de comparación de verosimilitudes (CLT, por sus siglas en inglés).
Estas investigaciones muestran que los sujetos no son buenos para generar ni
reconocer la aleatoriedad. En general se tiende a encontrar patrones deterministas en las
situaciones aleatorias, es decir, tratan de encontrar asociaciones inexistentes, con objeto
74
Antecedentes
de reducir la incertidumbre. Simultáneamente, hay una tendencia a inferir aleatoriedad

en situaciones en las que no está presente. Otra de las conclusiones de estos estudios es
la existencia de sesgos en el razonamiento aleatorio. Uno de los más frecuentes es la
tendencia a generar rachas cortas de dos o tres símbolos adyacentes en algún sentido,
por ejemplo números consecutivos o letras sucesivas del alfabeto cuando se pide
generar secuencias que simulen provenir de procesos aleatorios. Resultados muy
similares se encuentran en experimentos con tareas bidimensionales, en las que las
personas no consideraron aleatorios los patrones en los que aparecen agrupaciones de
puntos en un espacio pequeño. Estos resultados son consistentes con la teoría de
Kahneman, Slovic y Tversky (1982) sobre la heurística de la representatividad, según la
cual, las personas evalúan la probabilidad de que ocurra un suceso de acuerdo con el
grado de similitud del mismo con la población de la que proviene, o al proceso del cual
se supone ha sido generado.
La teoría matemática indica que dos sucesiones aleatorias de igual longitud
obtenidas a partir del mismo experimento, y cuyos sucesos elementales son equiprobables,
también son equiprobables y por tanto son igualmente aleatorias. Sin embargo, la
investigación sobre la percepción subjetiva de la aleatoriedad indica que los sujetos
consideran más probables unas secuencias que otras (y por lo tanto más o menos factibles
de ser aleatorias). Generalmente los sujetos establecen criterios apoyándose en algunas de
las características de las secuencias, como el número de rachas o la longitud de la racha
más grande (Batanero y Serrano, 1995), y con base en ellos deciden si son o no aleatorias.
Por ejemplo, las siguientes secuencias son matemáticamente equiprobables:
OXOXOXOXOOOXXXXOXOXOO
OXOXXXXXOOOOOOXOOOXXO
Sin embargo, muchas personas pensarían que la primera es más probable porque en
la segunda secuencia se presentan rachas excesivamente largas. Esta creencia (de que las
rachas en una secuencia aleatoria son más cortas) puede estar sustentada en la falacia del
jugador, según la cual, las cruces serían consideradas más probables que las caras después
de una serie de caras consecutivas. En una tarea en donde se le pidiera a un sujeto decidir
cuál de las dos series no fue generada a través de un proceso aleatorio, él escogería la
segunda secuencia basándose en ese criterio.
Bennett (1998) realizó un estudio histórico-epistemológico sobre la emergencia de
la idea de aleatoriedad y los significados que ha recibido a lo largo de la historia,
identificando, entre otras, las siguientes concepciones:
75
Capítulo 2
 Aleatoriedad como falta de causalidad. Fue la primera visión del azar,

cuando aún la idea de aleatoriedad no estaba formada y, según Bennett, duró
hasta la edad media. De acuerdo con Batanero y Serrano (1999), aún hoy en
día aparecen concepciones de azar como falta de causa o bien, azar como la
conjunción de una multiplicidad de causas.
 Aleatoriedad como incertidumbre; falta de control o imposibilidad de
predicción.
 Aleatoriedad como equiprobabilidad. Según esta visión, un fenómeno es
aleatorio sólo si los posibles resultados son igualmente probables. Esta
concepción es errónea porque sí existen los experimentos aleatorios en
donde los sucesos no son equiprobables. Esta concepción estuvo asociada
con el comienzo del cálculo de probabilidades, cuando se seguía una
acepción clásica de la probabilidad.
 Análogamente, se le asignan diferentes visiones de la aleatoriedad a las
concepciones frecuencial y subjetiva de la probabilidad. Así, la aleatoriedad
podría ser vista como la estabilización de la frecuencia relativa en sucesivas
repeticiones de un mismo suceso o bien, se puede pensar que depende de la
información que un sujeto tiene sobre un suceso. Esto último es muy común
y está relacionado con una etapa histórica de la concepción de aleatoriedad.
 Aleatoriedad como modelo matemático, es la concepción del estadístico.
Konold et al. (1991a) exploraron las diferencias entre la concepción de

experimento aleatorio en personas sin instrucción en probabilidad y expertos y argumentan
que, de hecho, el término «aleatoriedad» comprende una familia de conceptos. Resultados
similares fueron encontrados por Batanero y Serrano (1999) en un trabajo con alumnos de
secundaria, donde describen con más precisión las concepciones anteriores.
6.1. Generación de resultados aleatorios

En la segunda situación experimental de esta investigación, propondremos a los
estudiantes que simulen el lanzamiento de una moneda equilibrada. Este tipo de
situaciones ha sido utilizado en otras investigaciones. Green y Hunt (1992) pidió a niños
de 7 a 11 años escribir una sucesión de caras y cruces que represente lo que ellos creen
que se obtendría al lanzar 50 veces una moneda equilibrada. Los resultados mostraron
que los niños son muy exactos al reflejar la equiprobabilidad. Además producen
sucesiones cuya primera y última mitad son altamente consistentes; quizás demasiado
consistentes para reflejar la variabilidad de una sucesión aleatoria.
76
Antecedentes
Green y Hunt también estudiaron la racha de mayor longitud en las secuencias

escritas por los niños. Observó que había casos en que la racha de mayor longitud era de
longitud 1, pero también había 25 o más signos iguales consecutivos. Asimismo se basó en
el número total de rachas en cada una de las sucesiones generadas por los alumnos
(relacionado con la variable anterior, pero no es idéntica). Observaron que la longitud
media de la racha más larga en su muestra era inferior al valor teórico en niños de todas las
capacidades y de diferentes edades. También comparó el número de rachas generadas por
los alumnos con las distribuciones teóricas esperadas y encontró que, en general, los
alumnos producen demasiadas rachas y que estas son de longitud corta.
Engel y Sedlmeier (2005) propusieron un experimento similar y realizaron el
mismo análisis que Green, encontrando resultados muy parecidos. Ellos además,
calcularon la probabilidad teórica de alternancia de los resultados de una secuencia
aleatoria, que sería de 0,5, y la compararon con el valor medio de la probabilidad de
alternancia calculada en cada una de las secuencias producidas por sus estudiantes. Estos
valores medios se encontraban entre 0,6 y 0,7 por lo que los autores concluyen, con este
nuevo procedimiento, que los sujetos que participaron en su investigación no percibieron
adecuadamente la independencia y ese es el motivo por el que producen demasiadas rachas
y cortas.
En el proyecto que reportamos en el Capítulo 6 de esta memoria analizamos las
mismas variables que analizó Green para observar si los estudiantes perciben la diferencia
entre las distribuciones de las mismas en secuencias simuladas y secuencias de resultados
aleatorios producidas mediante la realización de experimentos. A diferencia de las
investigaciones reportadas en este apartado, en el proyecto planteado en nuestra
investigación, a los estudiantes se les propone que sean ellos mismos los que analicen
cómo son sus intuiciones sobre la aleatoriedad, siguiendo la línea estipulada en Godino,
Batanero, Roa y Wilhelmi (2008) y Arteaga (2011). Así podremos observar, además de la
percepción sobre la aleatoriedad de ellos mismos, la forma en que los estudiantes analizan
las variables aleatorias y estadísticas involucradas en ese análisis.
6.2. Reconocimiento de resultados aleatorios

Las investigaciones de Green (1982) y Toohey (1995) incluyen también preguntas en
las que los niños deben diferenciar entre una sucesión generada por un mecanismo
aleatorio y otra que no cumple esta condición. Como resultado, descubren que la mayor
parte de los niños elige precisamente la secuencia no aleatoria y que no mejora la
77
Capítulo 2
apreciación de la aleatoriedad con la edad. Entre las razones aducidas por los niños para
justificar su decisión, encontró las siguientes:
 Razones correctas: el patrón de la sucesión es demasiado regular para ser
aleatorio; hay demasiadas rachas o rachas demasiado cortas.
 Razones incorrectas: no se apreciaba suficientemente bien la irregularidad
de una sucesión aleatoria; se espera que la frecuencia relativa sea
exactamente el 50% de caras y cruces o un valor muy próximo; rachas
demasiado largas; no se admite la posibilidad de este tipo de rachas en una
sucesión aleatoria.
Toohey quedó sorprendido al ver mejores respuestas en los niños más jóvenes,
entre los cuales casi la mitad seleccionó el patrón aleatorio correctamente. En general
encontró que los niños considerados más inteligentes seleccionaban con mayor frecuencia
que sus compañeros el patrón determinista.
Estos resultados fueron replicados y completados por Batanero y Serrano (1999) en
estudiantes universitarios. Ellos sugieren que los alumnos atribuyen diferentes significados
a la aleatoriedad y algunos de ellos coinciden con los admitidos en diferentes periodos
históricos dentro de la estadística descritos por Bennett (1998), por ejemplo:
 Aleatoriedad como inexistencia de causas o causa desconocida;
 Aleatoriedad como equiprobabilidad;
 Aleatoriedad como estabilidad de las frecuencias relativas;
 Aleatoriedad como impredecibilidad.
Batanero y Serrano concluyen que cada una de estas concepciones recoge

propiedades parciales del concepto y por ello pueden ser válidas en unas situaciones e
incompletas en otras más complejas. También mencionan que es importante que en la
clase el profesor presente a sus estudiantes ejemplos variados de situaciones aleatorias para
fomentar en ellos la construcción progresiva del concepto.
7. Conclusiones del capítulo

La mayoría de los estudios descritos en este capítulo se enfocan bien a aspectos
relacionados con otros objetos que se relacionan con la variable aleatoria (distribución,
aleatoriedad), en modelos particulares de distribuciones o bien al aspecto didáctico de la
variable aleatoria, con un mayor acento en el análisis de libros de texto. Hay pocas
investigaciones, por lo tanto, centradas en los aspectos cognitivo y epistemológico (a los
que dedicamos nuestra investigación), con excepción de los trabajos de Ortiz (2002),
78
Antecedentes
Tauber (2001) y Alvarado (2007) quienes no se centran específicamente en la variable

aleatoria. Observamos también que algunos de los estudios sobre el aprendizaje o
enseñanza del teorema central del límite, de las distribuciones muestrales, de las
distribuciones de probabilidad y de frecuencias, o de los contrastes de hipótesis, cuyo
interés principal no está en la variable aleatoria, describen dificultades y errores que
tienen los estudiantes, los textos o el material de apoyo sobre ese concepto.
Así, aunque hay algunos estudios preliminares sobre variable aleatoria y estudios
sobre la distribución, el teorema del límite, las distribuciones muestrales, la distribución
normal, los contrastes de hipótesis y algunos otros conceptos básicos asociados con la
variable aleatoria, la enseñanza misma de la variable aleatoria no se ha estudiado en
forma sistemática a nivel universitario. Sin embargo es un tópico que la investigación
en didáctica de otros conceptos estadísticos universitarios forzosamente tiene que
abordar. De aquí nuestro interés en centrarnos en este concepto.
Nuestra investigación continúa un estudio sobre la variable aleatoria iniciado en
Ruiz (2006) y Arteaga (2011) al abordar la investigación desde las dimensiones
cognitiva y epistemológica.
En la dimensión epistemológica profundizaremos en la naturaleza del concepto
de variable aleatoria a través del análisis del objeto matemático desde la disciplina que
lo formaliza y lo justifica, la estadística (Estudio 1 que se presenta en el Capítulo 3) y
del estudio de su emergencia histórica (Estudio 2 que se presenta en el Capítulo 4).
En la componente cognitiva planteamos dos estudios complementarios desde el
punto de vista de su metodología y de los objetos matemáticos sobre los que se centran,
todos ellos relacionados con la variable aleatoria:
En el Capítulo 5 presentamos una exploración cognitiva por medio del método
de entrevista clínica a una pareja de estudiantes (Estudio 3). La situación experimental
parte de la resolución de un problema en un contexto familiar a los estudiantes en una
toma de decisión. A lo largo de la entrevista el investigador explora sus concepciones
sobre las ideas de experimento aleatorio, variable aleatoria asociada a dicho
experimento, distribución de probabilidad, así como sus dificultades con la
representación gráfica de la variable y la solución del problema. La asignación de
probabilidades es a priori y laplaciana, por lo cual no se precisa el trabajo con variables
estadísticas. La entrevista trata también de aportar conocimiento sobre el grado de
comprensión alcanzado por las estudiantes de la noción formal de variable aleatoria
como función y la vinculación entre variable aleatoria y distribución de probabilidad.
En el Capítulo 6 presentamos un estudio de evaluación llevado a cabo sobre una
muestra mayor de estudiantes, y a través del análisis del contenido de sus producciones
79
Capítulo 2
escritas en un proyecto de análisis de datos. Dicho proyecto parte de una situación

experimental propuesta en la clase por el profesor, donde se pide a los estudiantes
analizar las intuiciones del grupo clase sobre la aleatoriedad. La asignación de
probabilidades será frecuencial. Los estudiantes realizan individualmente un
experimento similar a los descritos en el apartado 6.1 de este capítulo sobre la
generación de resultados aleatorios. A partir de los resultados que cada uno obtiene, la
clase genera un conjunto de datos que cada alumno analizará individualmente y
reportará en un informe escrito. La evaluación de las producciones de los estudiantes se
centrará sobre todo en el uso de las variables y distribuciones estadísticas, así como de
sus promedios, representaciones gráficas y dispersión que cada estudiante haga para
realizar su proyecto.
80
Capítulo 3.
Estudio 1.
Análisis Epistemológico
desde la Disciplina

2. La variable aleatoria, 84
3. Función de distribución de una variable aleatoria, 87
3.1. Distribución de probabilidad de la variable aleatoria discreta, 90
3.2. Función de densidad de las variables aleatorias continuas, 91
4. Otros conceptos relacionados, 92
4.1. Promedios, 93
4.2. Medidas de dispersión, 94
4.3. Momentos, 95
5. El orden en que son presentados los conceptos, 96
6. La variable aleatoria como función, 96
7. La variable aleatoria y la variable estadística, 97
8. La variable aleatoria y asignación de probabilidades, 100
8.1. Asignación laplaciana de probabilidad, 101
8.2. Asignación frecuencial de probabilidad, 102
8.3. Asignación subjetiva de probabilidad, 103
9. Modelación y variable aleatoria , 105
9.1. Modelo y teoría, 106
9.2. Modelación y razonamiento estadístico, 107
9.3. La modelación en probabilidad, 110
9.4. Modelación por estratos, 112
9.5. Relación entre las variables estadística y aleatoria en la modelación,
113
9.6. La experimentación como puente entre modelo matemático y la
realidad, 115
10. La variable aleatoria y los modelos de distribuciones, 118
10.1. Modelos de variables discretas, 120
10.2. Modelos de variables continuas, 121
1. Introducción
El análisis de la variable aleatoria desde la disciplina indaga sobre la naturaleza e
interrelaciones del objeto matemático que se estudia. Se trata de delimitar el saber
sabio, desde la perspectiva de Chevallard (1985) o el significado de referencia desde el
marco teórico de Godino (1996; 2002), desde la perspectiva de la ingeniería didáctica.
Este análisis permitirá fundamentar el resto de nuestra investigación, a la vez que podrá,
por sí mismo, ser utilizado en futuras ingenierías didácticas sobre la variable aleatoria.
Lo consideramos una primera aproximación que nos permitirá detectar puntos sobre los
que será necesario profundizar en futuros estudios.
Para llevarlo a cabo tomamos libros que consideramos de referencia para
nosotros tomando en cuenta que nuestra intención en los cursos universitarios no está
enfocada a la enseñanza de una teoría rigurosa de probabilidades. En primera instancia
recurrimos a libros de probabilidad, cuyo propósito principal está en la enseñanza de la
teoría de probabilidades en niveles universitarios o de postgrado. Cuatro de ellos, Meyer
(1989), Feller (1989), Wackerly, Mendenhall y Scheaffer (2002) y Devore (2011),
tratan de presentar, junto con el desarrollo de la teoría probabilística, aplicaciones, a la
misma probabilidad, a la estadística o a diversas áreas de la ingeniería y a sí mismos se
califican de no rigurosos. El resto de los libros: Mood y Graybill (1963), Krickeberg
(1973), Cuadras (1999) y Petrov y Mordecki (2002) describen la teoría matemática
desde una perspectiva más rigurosa y sin más aplicaciones que las propias de la misma
teoría. Uno más, Ríos (1967) presenta una perspectiva diferente. Su enfoque más bien
va hacia la estadística y la probabilidad la maneja desde una perspectiva útil para esta
última.
Los libros que utilizamos para este análisis tienen en común que se presentan a
sí mismos como adecuados para un primer curso de teoría de probabilidades o
estadística matemática, no presuponen conocimientos previos dentro de la probabilidad
o conocimientos muy profundos de la teoría de la medida, más bien sólo piden como
requisito profundización en el análisis matemático.
Recurrimos también a otros libros que añaden otros objetivos diferentes a la
propia exposición del tema y que sin embargo proporcionan elementos importantes para
concluir nuestro análisis. Nos referimos al libro de Boudot (1979) de corte filosófico y
al de Godino, Batanero y Cañizares (1996) que trata de mostrar los temas de azar y
probabilidad desde una perspectiva didáctica. De este último tomamos elementos que
completan sólo la perspectiva epistemológica.
83
Capítulo 3. Estudio 1
Son diversos los problemas relacionados con la variable aleatoria, desde hacer
una predicción, evaluar una hipótesis, determinar factores que influyan en una cierta
magnitud o tomar una buena decisión, hasta describir una cierta característica en una
población. A partir de ellos se derivan otros problemas de tipo matemático, tanto en
probabilidad como en estadística, como la estimación de parámetros, las pruebas de
hipótesis y la obtención de las distribuciones muestrales, o la definición de nuevas
variables aleatorias a partir de una o más variables aleatorias, como la definición de
suma, multiplicación, máximos y mínimos, o incluso la composición de variables
aleatorias.
La solución matemática a estos problemas pasa por definir cuál es la variable
aleatoria vinculada a un fenómeno aleatorio. Pero aparecen ligados otros muchos
conceptos (parámetro, estadístico, probabilidad, distribución, función), así como un
lenguaje específico (verbal, simbólico y gráfico), propiedades, definiciones y
argumentos específicos. Consideramos así, la variable aleatoria no sólo como un
concepto matemático, sino como una configuración de objetos matemáticos y a la vez
un instrumento de resolución de problemas en el que se requiere encontrar la regla de
correspondencia que asigne valores numéricos a los resultados de un experimento
aleatorio, que cumpla con ciertos criterios matemáticos y que, a su vez, esté vinculada
con un contexto real.
2. La variable aleatoria
El tema que nos ocupa parte de una situación aleatoria (experimento), cuyo resultado se
puede valorar mediante una medida cuantitativa (usualmente referida a una cierta
magnitud). Pero ante la imposibilidad de predecir con exactitud cada resultado en
particular, el estudio de un experimento requiere del análisis del espacio muestral que
nos brindará la posibilidad de establecer un criterio basado en las probabilidades de
todos los resultados posibles.
Esto es, en algunas situaciones «para caracterizar el resultado de un
experimento, no basta con decir que se ha producido un determinado suceso, sino que es
preciso dar cuenta de las diversas medidas que se hayan efectuado. La variable
aleatoria, es decir, la magnitud que ‘depende del azar’, es entonces indispensable»
(Boudot, 1979, p 332). La variable aleatoria es la herramienta matemática que permite
pasar del estudio de sucesos aislados al estudio de las distribuciones de probabilidad,
que son funciones reales y por lo tanto, hace posible la aplicación del análisis
matemático y de otras herramientas matemáticas a la estadística (Batanero, 2001).
84
Análisis desde la disciplina
En palabras muy simples, la variable aleatoria es una función que asocia un

valor numérico a cada evento del espacio muestral asociado a un cierto experimento
aleatorio (Walpole, Myers y Myers, 1999). Una vez en el contexto numérico, y por
intermedio de la probabilidad definida en el espacio muestral, es factible trabajar con las
probabilidades de los valores que adopta la variable aleatoria en lugar de con las
probabilidades de los sucesos. Esto significa que este concepto tan aparentemente
sencillo transforma los sucesos a términos numéricos y permite modelar la relación del
espacio muestral mediante la distribución de probabilidad en forma funcional. Pero su
definición formal no resulta fácil de interpretar por lo que nos detendremos en ella.
Una definición formal de variable aleatoria se reproduce a continuación. A fin de
establecer antecedentes y nomenclatura, antes se define espacio probabilístico.
Sea el espacio muestral asociado a un cierto experimento aleatorio, A un álgebra de

sucesos definida en dicho espacio muestral y P una medida de probabilidad definida
sobre  es decir una aplicación:
P : A  0,1
  P ( )
tal que se cumplen los tres axiomas:
1. 0 ≤ P(A) ≤ 1, para todo suceso A del álgebra de sucesos A
2. P(Ω)=1
3. Si ( A  B )   , entonces P(AB)= P(A) + P(B)1
En las condiciones anteriores se dice que (AP) es un espacio de probabilidad o

espacio probabilístico.
Sea ahora (AP) un espacio de probabilidad y R el cuerpo2 de los números reales. Se

dice que la aplicación:
:   R
   ( )  R
que a cada suceso elemental hace corresponder un número real, es una variable
aleatoria3 si para todo número real x, se verifica la relación:
(1)   {  ( )  x}  A
es decir, se verifica que A es un suceso. A se indica abreviadamente por   x .

(Cuadras, 1999, p 71-72).
1
El axioma 3 se generaliza para cualquier número de sucesos incompatibles dos a dos.
2
En algunos libros se le denomina campo.
3
Algunos autores las denominan magnitudes aleatorias.
85
La condición (1) indica, en palabras, que la imagen inversa en la aplicación

«variable aleatoria» para todos los intervalos reales acotados superiormente es medible,
puesto que, para cada conjunto del álgebra de sucesos está definida la probabilidad. Así,
la definición matemática de la variable aleatoria exige que la imagen inversa de todo
 1(  ) sea un elemento del álgebra A, porque una vez definida una medida de
probabilidad P sobre (AP), la variable aleatoria puede determinar una medida de
probabilidad sobre (R, B), en donde B es la sigma-álgebra construida por los conjuntos
de Borel en R. De esta forma, la variable aleatoria induce una medida normada sobre los
conjuntos que representan a los sucesos (Godino, Batanero y Cañizares, 1996).
En realidad la variable aleatoria está definida para todo suceso del álgebra de
sucesos, y no sólo para los puntos muestrales (elementos del conjunto ). Es decir se
trata de una aplicación de A en R, lo que garantiza que la imagen inversa de cualquier
elemento del conjunto imagen pertenezca a A y por tanto podamos posteriormente
calcular su probabilidad, que estaba definida previamente sobre A.
Existen experimentos aleatorios en los que aparentemente la variable aleatoria
está implícita en los puntos muestrales. Por ejemplo, el experimento consiste en
observar el tiempo de espera a un autobús, el número de llamadas telefónicas que espera
un conmutador o la medida de la altura de una mujer. En tal caso    (  ) porque en
ellos el espacio de descripciones muestrales de cada uno de estos experimentos
aleatorios es un conjunto de números reales. Sin embargo, generalmente a partir de un
mismo experimento aleatorio se pueden definir diferentes variables aleatorias o bien a
partir de operaciones algebraicas o analíticas entre variables (en donde se pueden incluir
variables no aleatorias) se generan nuevas variables aleatorias.
Por ejemplo, en el experimento aleatorio de extraer de una urna el nombre de un
trabajador de una fábrica (problema tratado en el Estudio 3, Capítulo 5), la variable
aleatoria podría ser el «número de miembros de la familia del trabajador ganador» pero
también podría ser el «número de años que tiene laborando en la fábrica el trabajador
ganador» o cualquier otra característica dependiendo del motivo por el que se está
interesado en efectuar esa extracción.
Así mismo, a partir de las repeticiones del experimento aleatorio del lanzamiento
de una moneda se puede generar la variable aleatoria «número de caras obtenidas en una
serie da lanzamientos» y no solo preguntarnos por la variable «si se obtuvo cara o no en
el lanzamiento» (este contexto es el usado en el Estudio 4, Capítulo 6). Entonces, la
definición de la variable aleatoria está condicionada por dos contextos, el matemático y
el dado por el problema. Es en este sentido que para Miller (1998) es tan importante
86
hacer la distinción sobre la forma en que se define a la variable aleatoria en el discurso

escolar4. Él alerta sobre las dificultades posteriores que puede traer consigo confundir el
resultado del experimento con la variable aleatoria o el espacio muestral del
experimento con el conjunto de valores que puede tomar la variable. Algunas de las
dificultades posteriores a las que se refiere Miller se reportaron en Sánchez, Albert y
Ruiz (2011).
En este sentido, una propuesta didáctica interesante es la que hace Parzen5
(1971). Él plantea introducir la variable aleatoria y «toda la abrumadora cantidad de
nociones que hay que introducir simultáneamente» (p. 8) a través de fenómenos
aleatorios con resultados numéricos (p. 172). En capítulos posteriores, Parzen define el
objeto variable aleatoria y aclara que en los fenómenos aleatorios con resultados
numéricos, ésta es la función identidad y pone énfasis en que «hay que aprender a
reconocer y formular matemáticamente como funciones los objetos descritos
verbalmente que sean variables aleatorias» (p. 300). De este modo Parzen enfatiza en
esclarecer la forma en que se constituye la regla de correspondencia que define a la
variable aleatoria y su papel como una función.
3. La variable aleatoria como función

La condición (1) que se explicita en la definición de variable aleatoria, para el caso
discreto se puede traducir como X 1(  )  A y significa que el conjunto de los
elementos de Ω que dan a X un valor determinado deberá pertenecer al álgebra de
sucesos A y por lo tanto que su valor de probabilidad también estará definido, en caso
contrario X no podría ser una variable aleatoria sobre A (Boudot, 1979). Nos
auxiliaremos del esquema mostrado en la Figura 3.1 para glosar esta definición.
La variable aleatoria, como toda función matemática, tiene tres componentes: El
espacio muestral asociado al experimento (dominio); la regla de correspondencia, que
definirá la forma en que se vinculan el espacio muestral y el número real (perteneciente
al conjunto imagen); y el conjunto de valores numéricos (imagen), que toma la variable
aleatoria. Para cada evento del espacio muestral (dominio), el valor numérico será
asignado mediante la regla de correspondencia que define a la variable aleatoria.
4
La preocupación de Miller (1998) por la definición de variable aleatoria como «el resultado de un
experimento aleatorio» se describe de manera más completa en el punto 5.1 del Capítulo 2.
5
La propuesta de Parzen será tratada más ampliamente en el apartado 6.2 del capítulo 4 de esta misma
memoria.
87
Concepción de
Aleatoriedad
probabilidad
Experimento
Espacio de probabilidad
Medida de probabilidad Espacio muestral
Número Suceso
Variable aleatoria
Regla de correspondencia
Figura 3.1. Interacciones asociadas a la definición de variable aleatoria
La imagen de la variable aleatoria es un conjunto de números reales relacionados

con el espacio muestral, pero que además cumplen con todas las propiedades de campo
del conjunto de los reales y que por lo tanto hacen factible establecer una relación
funcional (la función de distribución) entre R y el intervalo [0,1]. La imagen de la
variable aleatoria, cumple ahora, en la función de distribución, el papel de variable
independiente y la probabilidad asignada a cada uno de estos valores, el de variable
dependiente con la que es posible hacer uso de la herramienta del análisis. De modo que
los distintos roles que juega la variable aleatoria también podrían generar confusión en
los estudiantes.
Así mismo, es notorio que una vez definida la variable aleatoria, la función de
distribución también queda definida. En realidad el objetivo final del procedimiento
vinculado a la variable aleatoria es la definición de esta función porque ella es el
modelo útil para realizar el análisis de la situación problema. Es por ello que la variable
aleatoria es inseparable de ella. Los problemas de enseñanza y aprendizaje de la variable
aleatoria repercutirán en la comprensión de la función de distribución y viceversa.
4. Función de distribución de una variable aleatoria

La relación (1) hace factible establecer una relación funcional (función de distribución)6
entre el conjunto de números reales y el intervalo [0,1]. Mediante esta función podemos
6
Los autores de los libros estadísticos consultados difieren en la terminología utilizada. La función de
distribución de una variable aleatoria se denomina a veces función de distribución acumulada.
88
asignar a cada elemento x de R la probabilidad del subconjunto del espacio muestral;

aquél al que la variable aleatoria asigna un valor menor o igual al número x dado. Es
decir:
(2) F ( x)  P( X  x)  P X    x 
Este proceso se ilustra en la Figura 3.2. El conjunto imagen de la variable

aleatoria cumple ahora el papel de conjunto original (o dominio) en la función de
distribución, que es, por tanto, una función real de variable real. Se obtiene
componiendo la aplicación inversa de la variable aleatoria en el conjunto de valores
acotados por x con la probabilidad (que está definida para dicho conjunto). La inversa
de la variable aleatoria tiene como conjunto imagen el álgebra de sucesos, que es el
conjunto original de la probabilidad (que es una función de conjunto con imagen real).
Por ello es posible componer estas dos aplicaciones.
Dicho de otro modo, mientras que la variable x, que representa el resultado de
aplicar una variable aleatoria (ω) en un experimento, era la variable dependiente en la
función de conjunto (variable aleatoria), jugará el papel de variable independiente en la
función numérica (función de distribución). El valor numérico F(x) de la probabilidad
asignada al valor real x imagen de la variable aleatoria, que es un número en el intervalo
[0.1], sería la variable dependiente en la función de distribución.
X-1 P [0, 1]
R: A
x: A= P(A)
F
x: F(x)
Figura 3.2. Asignación de probabilidad a los valores de la variable aleatoria
Con la función de distribución es posible trabajar las operaciones usuales en las

funciones de variable real. Además, podemos extender la función a todos los números
reales (y no sólo a los valores que define la variable aleatoria sobre el espacio muestral),
definiendo F(x)=0 para x menor que el mínimo de la variable aleatoria y F(x)=1 para x
mayor que el valor máximo. Intuitivamente esto indica que la probabilidad de que la
variable aleatoria tome un valor menor que el mínimo es igual a cero y la probabilidad
de que la variable aleatoria tome un valor inferior o igual al máximo es igual a uno. Esto
es, la variable aleatoria puede tomar valores que no están estrictamente definidos a
través de la variable de interés ni como una aplicación de la función variable aleatoria
sobre el espacio muestral del evento aleatorio.
89
Los tres axiomas principales que deben cumplir las funciones de distribución
son:
1. La función debe ser monótona no decreciente. En el sentido que se cumple que
F a   F b  si a < b.
2. Los límites al infinito positivo y negativo de la función deben existir y ser:
lim x F  x   0 y lim x F x   1.
3. Es continua por la derecha. En el sentido de que lim b  x F b   F  x  .

Con estas tres condiciones se garantiza que F proporcione un valor de

probabilidad para cualquier conjunto de números reales que pueda tomar la variable
aleatoria x. A esta propiedad, Parzen (1971) la denomina «probabilizable». Dentro de
esta investigación no es nuestra intención caracterizar a los conjuntos reales
«probabilizables», solamente diremos que gracias a esa propiedad, la función de
distribución queda definida de manera congruente dentro del conjunto de los números
reales.
El conjunto imagen de una variable aleatoria puede ser discreto, cuando toma un
número finito o infinito numerable de elementos o continuo, si toma un número infinito
no numerable de elementos. Las variables aleatorias definidas sobre espacios muestrales
discretos se llaman discretas y las definidas sobre espacios muestrales continuos se
llaman continuas. Generalmente el tratamiento del tema es a través de esta división de
las variables aleatorias porque ello condiciona la forma en que se obtienen las
probabilidades.
4.1. Distribución de probabilidad de la variable aleatoria discreta

En el caso de la variable aleatoria discreta podemos calcular la probabilidad de que la
variable tome un valor aislado. La distribución de probabilidad7 quedaría definida de
una manera muy parecida a como se obtiene la función de distribución, pero haciendo
uso sólo de la igualdad, puesto que en este caso la función inversa de la variable
aleatoria arrojaría como resultado un evento compuesto en el espacio muestral.
p( xi )  P( X  xi )  P X    xi 
Es posible, sin embargo, también obtenerla haciendo uso de la función de

distribución. Bastaría para ello, hallar la diferencia entre el valor de la función de
7
Algunos autores la denominan función de probabilidad, pero usaremos el término distribución de
probabilidad para diferenciarla de la probabilidad definida sobre el espacio muestral que es también una
función de probabilidad, pero de conjunto.
90
distribución para dos valores consecutivos de la variable. Para cada valor xi, podemos
definir una nueva función, nuevamente de variable real, con imagen en el intervalo [0,
1] en la forma dada en la siguiente expresión.
(3)
p( xi )  F  xi   F  xi1 
El valor p(xi) no sería más que la probabilidad de que la variable tome el valor xi.
La definición formal de la distribución de probabilidad es:
Sean x1, x2, x3, ... xn los distintos valores que puede tomar la variable aleatoria discreta y
p(x1), p(x2),... p(xn) la probabilidad con que toma estos valores. El conjunto de pares de
valores (xj, p(xj)) de una variable aleatoria discreta se denomina distribución de
probabilidades de la variable aleatoria. La aplicación que a cada valor x en una variable
aleatoria discreta le asigna el valor p(x) es una función y debe cumplir con las siguientes
propiedades:
1. 0  p ( x j )  1 : p(x) es una probabilidad, y toma valores entre 0 y 1.

n
2.  p( x j )  1 : la suma de probabilidades repartidas entre todos los valores de la variable
j 1
debe ser igual a 1.
De la misma forma que se calculan frecuencias acumuladas, podemos sumar

probabilidades, obteniendo la función de distribución de probabilidades. La función de
distribución para estas variables se obtiene en una forma alternativa mediante la
expresión:
j
F x    p( x j )
(4) 1
4.2. Función de densidad de las variables aleatorias continuas

En el caso de variables aleatorias continuas, la probabilidad asociada a un suceso
elemental es siempre igual a cero, por lo que no tiene interés considerar directamente la
distribución de probabilidad (que en tal caso sería constante). Así, en lugar de trabajar
con la probabilidad de valores particulares de la variable, resulta más apropiado trabajar
directamente con la función de distribución o bien calcular probabilidades asociadas a
intervalos. Para esto último se usa una función que mide «concentración» de
probabilidades alrededor de un punto, que se denomina función de densidad de
91
probabilidad y se denota como f(x). Una función de densidad de probabilidad debe

cumplir con las siguientes propiedades:
1. f(x) > 0 (la función es no negativa para cualquier valor de x, f(x) no es una probabilidad,
y puede valer más de 1).
2.  f ( x)dx  1 (la acumulada para todos los valores de la variable suma 1, el área bajo
la curva de la función vale 1).
La función de distribución para una variable aleatoria continua se calcula

mediante la relación que liga con la función de densidad, que es la derivada de la
función de distribución (para el caso de variables aleatorias continuas), como se muestra
en la expresión (5).
a
(5) F(a) = P(X < a) = 

f ( x ) dx
La probabilidad de que la variable esté dentro de un intervalo [a, b] en una

variable aleatoria continua, también se calcula como diferencia de valores de la función
de distribución en sus extremos, mediante la expresión (6).
(6) P (a< X < b) = F(b) - F(a)
Como consecuencia, la probabilidad de que la variable tome un valor particular

es nula, como se expresa en (7).
(7) P (X=c ) = P (c< X <c) = F(c) - F(c) = 0
Esto explica matemáticamente que para el caso de una variable aleatoria

continua no tiene sentido trabajar con la probabilidad de un valor particular.
5. Otros conceptos relacionados

A partir de los conceptos anteriores se desprenden otros relacionados con la variable
aleatoria, la mayoría de ellos más vinculados con su función de distribución. Entre
otros, los momentos de la variable (medidas de posición central y dispersión) y los
modelos de funciones que describen las familias de distribuciones de probabilidad
(como la Binomial, Poisson, Uniforme o Normal) así como sus respectivos parámetros.
Estos conceptos no sólo son importantes desde una perspectiva epistémica, Heitele
(1975) propuso que la dispersión, la centralización y la idea de distribución, como las
componentes esenciales de la variable aleatoria.
92
5.1. Promedios
Los promedios evalúan la tendencia central de los datos y se manejan desde dos
visiones, muestral y poblacional. La diferencia entre ambas es que en la primera se
trabaja con datos o con conglomerados de datos resumidos generalmente en una tabla y
no se trabaja con el total de datos de la población. El cálculo puede ser muy simple
porque se limita al manejo directo de los datos. La visión poblacional, en cambio,
involucra al total de la población, que puede no ser numerable o finita. Bajo esta visión,
cuando en el problema de interés se involucra un fenómeno aleatorio, entonces se puede
definir un espacio de probabilidad y por lo tanto, también una variable aleatoria y su
función de densidad, para el caso continuo, o distribución de probabilidad, para el caso
discreto. En las variables aleatorias discretas finitas el cálculo de los promedios puede
resultar muy parecido al procedimiento que se sigue en el análisis de una muestra, pero
la interpretación es completamente diferente. Es por eso que es importante que se tenga
claro la visión desde la que se obtienen los promedios.
Por el objetivo de nuestro estudio, pondremos más énfasis en los promedios de
la variable aleatoria, sin embargo no hay que perder de vista la complejidad epistémica
que añade a este concepto el que los cálculos de los promedios puedan ser de la
población o de la muestra. Algunas de las confusiones que esto genera en los
estudiantes están reportadas en De la Cruz (2007).
Los promedios más socorridos son la esperanza matemática, la moda y la
mediana. La esperanza matemática es un concepto vinculado a la variable aleatoria y
que extiende la idea de media muestral. Para las variables aleatorias discretas se define
como:
Sea (xi, pi ) donde i I, la distribución de probabilidad de una variable aleatoria discreta.

Se define la media o esperanza matemática como:
E  X    xi pi
iI
Para el caso de variables continuas la esperanza matemática está dada por:


E  X    xf ( x ) dx

La esperanza matemática en las variables discretas finitas es una extensión de la

media ponderada. El procedimiento de cálculo sería muy similar en el caso que la
variable discreta sea finita y que los datos de la muestra estuvieran agrupados en una
tabla de frecuencias relativas.
93
La moda es el valor más probable de la variable. Viene dada por los valores de X
para los cuales la distribución de probabilidad (variable discreta) o la función de
densidad (variable continua) tiene un máximo. En el caso continuo el valor más
probable en realidad es un conjunto de valores dados por un intervalo alrededor del
máximo de la función de densidad. También es posible que se presente más de una
moda. Otra cuestión importante es el hecho de que en un experimento aleatorio la moda
sea el valor más probable, no significa que a largo plazo o a nivel masivo se espere que
ese sea el valor esperado. Ese papel preponderante lo tiene la esperanza matemática.
La mediana es el valor de la variable para el cual la función de distribución toma
el valor 1/2. Por tanto, la probabilidad de que una variable aleatoria tome un valor
menor o igual a la mediana es exactamente 1/2. Sería la solución de la ecuación:
F(a) = P(X < a)=1/2
Igualmente se pueden definir las medidas de posición, que son los percentiles,
deciles o cuartiles. Por ejemplo el percentil de r% es la solución de la ecuación:
F(a) = P(X < a)=r/100 (0 ≤ r ≤ 100)
Esta forma de calcular las medidas de posición requiere la definición de la

función de densidad o la distribución de probabilidad. Los cálculos de los percentiles de
muestras requieren supuestos y teorías en las que no profundizaremos aquí. La mediana,
que además de ser una medida de tendencia central también se puede considerar una
medida de posición, no es tan problemática por la facilidad que hay de dividir en dos
una muestra o una población discreta finita. El procedimiento para obtener la moda y la
mediana puede no diferir demasiado del efectuado para una variable aleatoria discreta
finita.
5.2. Medidas de dispersión

La variabilidad siempre se mide con respecto a las medidas de posición central,
generalmente con respecto a la media. Al igual que los promedios, las medidas de
dispersión se calculan de manera diferente y tienen diferentes connotaciones en una
muestra, que en una población. Algunas de las medidas de dispersión más importantes
en una variable aleatoria son el rango, que es la diferencia entre el máximo y el
mínimo, y el recorrido intercuartílico, que es la diferencia entre el tercer y primer cuartil
o lo que es lo mismo entre el percentil del 75 y 25%. Pero las medidas más importantes
desde la teoría de probabilidades son la varianza y la desviación estándar. El cálculo
para la obtención de las dos primeras es el mismo para una muestra que para una
94
población, pero la varianza se calcula de manera diferente para una población que para
una muestra. La varianza de una población en la que se involucra un fenómeno aleatorio
es la varianza de una variable aleatoria. La desviación estándar es la raíz cuadrada de la
varianza para ambos casos.
La varianza de una variable aleatoria discreta y continua respectivamente está
definida por:
Var  X    i 1  xi  E ( X ) 2 pi
n

V X    x  E x 
2
f ( x ) dx

La varianza puede interpretarse como el momento de inercia de una distribución,

mientras que la media sería el centro de gravedad.
Tanto las medidas de posición central como las de dispersión de una variable
aleatoria pueden confundirse con la obtención de esas mismas medidas en una muestra
si no queda claro si el estudio es sobre una muestra o sobre una población o bien, si no
quedan claras las diferencias de cálculo entre unas y otras.
5.3. Momentos
La media y la varianza son casos particulares de los momentos de la distribución de una
variable aleatoria. La media es un momento ordinario de orden 1 y la varianza es un
momento de orden 2 con respecto a la media.
En general, los momentos ordinarios se definen de la siguiente forma:
r
mr   i 1  xi  pi para las variables discretas
n

mr   x r f ( x ) dx para las variables continuas

Los momentos con respecto a la media se definen como:
 r   i 1  xi  E ( X ) r pi
n
para las variables discretas

r    x  E( X )
r
f ( x ) dx para las variables continuas

Otros momentos importantes son los de orden 3, que sirven para definir los
coeficientes de asimetría, y los de orden 4, que sirve para definir la curtosis. Otro
motivo por el cual son importantes los momentos es que la función generatriz de una
variable aleatoria puede desarrollarse en serie y los coeficientes del desarrollo son
95
precisamente los momentos. De modo que el desarrollo en serie hasta un cierto orden
usando los momentos proporciona una aproximación a la función generatriz, que a su
vez determina en forma unívoca la función de distribución.
6. El orden en que son presentados los conceptos

En los libros consultados (con excepción del Parzen, 1971) la presentación de los
objetos matemáticos más o menos corresponde al orden expuesto en esta memoria, que
es coherente con la axiomática de la probabilidad: se define la variable aleatoria,
después la función de distribución y a partir de ellas surgen las distribuciones de
probabilidad (variable discreta) y la función de densidad (variables continuas).
Posteriormente dan paso a la esperanza matemática, varianza y momentos de algunas
variables aleatorias.
Sin embargo algunos libros (Krickeberg, 1973; Wackerly, Mendenhall y
Scheaffer, 2002; Devore, 2011) inmediatamente después de la definición de la variable
aleatoria (o al mismo tiempo) introducen la distribución de probabilidad de una variable
aleatoria discreta, luego la definición y cálculo de la esperanza, varianza y momentos de
una variable aleatoria discreta y finalmente dan paso a la variable aleatoria continua, su
distribución y momentos. A diferencia de Krickerberg, Devore propone problemas más
aplicados y su intención no está enfocada a un curso de probabilidad, de modo que el
tema que nos ocupa es tratado con una mayor libertad y con menos herramientas
teóricas, pero obedeciendo al mismo orden de presentación.
Parzen (1971) propone otro orden diferente. Él define la función de distribución
de un fenómeno aleatorio con resultados numéricos, su esperanza, varianza y momentos
e introduce algunas funciones de distribución más conocidas (todas las que se trabajan
en un curso de probabilidad y estadística para Ciencias Sociales en el nivel universitario
y la mayoría de las que se manejan en el mismo curso para ingeniería) y posteriormente
define el concepto de variable aleatoria. En Parzen (1971), las funciones de distribución
posteriores a este tema involucran varias variables o funciones compuestas.
Ríos (1967), propone un seguimiento muy parecido al de Krickerberg y Devore,
pero rescata la asignación de probabilidades frecuentista y la definición de variable
estadística. Él define la variable aleatoria como una generalización de la variable
estadística para después continuar con las distribuciones discretas y continuas.
Previamente se ocupó de la definición de variables cuantitativas y de las medidas de
centralización y dispersión y momentos. Meyer (1989) propone un orden parecido al
que usamos en esta memoria y se ocupa del estudiante con pequeñas notas al pie de
96
página en donde advierte diversas dificultades con las que un estudiante se puede
enfrentar al tocar el tema.
Tanto Ríos (1967), como Parzen (1971), Krickerberg (1973), Meyer (1989) y
Devore (2011) defienden sus propuestas de orden de los temas tratados basándose en
visiones diferentes del mismo tema, enfocados a diferentes objetivos, pero cada uno de
ellos propone su propia visión como la mejor opción para introducir a los estudiantes en
el tema sin pedirles grandes antecedentes matemáticos de teoría de la medida o análisis
matemático. Sin embargo, en ninguno de los casos, sus posturas parten del análisis del
conocimiento de los estudiantes, sino más bien un análisis del conocimiento en sí
mismo. Así, podemos presumir que cada libro se sustenta en posturas epistémicas
diferentes para desarrollar en los estudiantes, aparentemente8, el mismo tema. Las
reflexiones diversas de estos autores, evidencian la complejidad epistémica del tema que
nos ocupa.
7. La variable aleatoria y la variable estadística

En los apartados anteriores se introdujo la variable aleatoria directamente a partir de la
idea de experimento aleatorio. Otra introducción presentada en algunos textos es a partir
de la idea de variable estadística (por ejemplo, en Ríos, 1967). Mientras que la variable
aleatoria se refiere a todos los valores posibles (teóricos) de una variable en un
experimento aleatorio, la variable estadística describe el conjunto de valores obtenidos
en los datos al realizar un número n concreto de veces el experimento:
Si consideramos un experimento aleatorio S y realizamos un cierto número n de pruebas

relativas al mismo, obtenemos un conjunto de observaciones, que se llama una muestra
aleatoria de extensión n. Este conjunto de resultados dará lugar a una tabla estadística
en que a unos ciertos valores de la variable corresponden una ciertas frecuencias. A tal
variable, que representa únicamente los n resultados de n realizaciones del
experimento aleatorio S la denominaremos variable estadística. (Ríos, 1967, p. 70. Las
cursivas son del texto original.)
La variable aleatoria se concibe como el resultado de la repetición indefinida del

experimento:
8
Nuestra referencia a lo aparente es porque cada uno de ellos lleva distintos objetivos al enunciar la
definición de variable aleatoria, como parte del engranaje de la postura conceptual de su libro. Lo cual
hace que su forma de abordar la definición, se impregne un poco de su postura aunque en ninguno de
ellos deja de ser el mismo concepto matemático.
97
Si imaginamos hechas una infinidad de pruebas relativas al experimento S la infinidad

de resultados posibles da origen a la noción de variable aleatoria asociada al
experimento S. En este caso la variable aleatoria toma los valores que representan los
sucesos elementales posibles de dicho experimento con unas ciertas probabilidades que
le corresponden. (Ríos, 1967, p. 70).
El autor explica que los conceptos concretos de muestra, frecuencia y variable

estadística, llevan, por un proceso de abstracción, a los de población, probabilidad y
variable aleatoria. Habla de la distribución de frecuencias o distribución acumulativa de
frecuencias que, al generalizarse, dan lugar a la distribución de probabilidad y función
de distribución.
Los momentos, medidas de valor central y dispersión de la variable estadística se
denominan estadísticos, mientras que en el caso de la variable aleatoria se habla de
parámetros. Ello es debido a que, en algunos modelos de distribución de las variables
aleatorias los momentos (particularmente la media) determinan la expresión algebraica
de la función de distribución (actúan como parámetros para una familia de funciones
dadas). Los estadísticos se suelen utilizar para estimar a los correspondientes
parámetros y en estos casos se habla de un estimador (por ejemplo, la media de la
variable estadística en la muestra se usa para estimar la media de la variable aleatoria en
la población).
Sin embargo, hay algunas acotaciones a estas definiciones que merece la pena
mencionar. De acuerdo con ellas, la variable estadística se relaciona con una muestra de
datos, en cambio la variable aleatoria se relaciona con la población, aunque en ambos
casos se supone la existencia de un «experimento aleatorio S» vinculado con la
recolección de los datos. Pero esta definición sólo se aplica cuando la asignación de
probabilidades es frecuencial, pues en este caso se parte de una variable estadística y es
mediante un proceso de inferencia que se llega a la variable aleatoria. Cuando la
asignación es clásica, por ejemplo, el espacio muestral puede provenir de un análisis
teórico o bien del recuento del total de datos de la población. En tal caso, la definición
de variable aleatoria no requeriría del proceso que menciona Ríos. También hay casos
en la probabilidad clásica en que sería necesario trabajar con la variable estadística si se
plantean problemas de muestreo, como ocurre en el experimento utilizado en el
Capítulo 6 en que se parte de una variable aleatoria binomial B(20,0.5), número de caras
al lanzar 20 veces una moneda, pero se toman muestras de tamaño n (en donde n es el
número de alumnos que realizan el experimento) por lo que aparece la correspondiente
variable estadística. También existen variables aleatorias o estadísticas compuestas que
se definen a partir de otras variables aleatorias o estadísticas.
98
Observemos también que Ríos establece la presencia del experimento aleatorio

en la conceptualización de ambas variables. Una definición más teórica de variable
aleatoria (apartado 2) está de acuerdo en la relación que ella guarda con un experimento
aleatorio, lo cual, en algunas ocasiones, no ocurre con la variable estadística. Estas
situaciones serían aquellas en las que se obtiene el total de datos de la población (censo)
con objetivos descriptivos. De acuerdo con la definición de variable estadística (dada
más atrás) habrá un experimento aleatorio que se usa para recolectar datos, pero en el
caso de un censo no hay un muestreo aleatorio, puesto que todos los miembros serán
seleccionados. En esta situación la definición de la variable como aleatoria o estadística
no depende del número de pruebas sino del uso que se le dé a los datos. Si el objetivo es
descriptivo, la variable sería estadística, sin la realización del experimento aleatorio en
la recolección de los datos, pero si el objetivo fuera conocer la probabilidad de que un
miembro tenga cierta característica, sería aleatoria, puesto que el experimento aleatorio
involucrado estaría dado por la selección aleatoria de un miembro de esa población y el
espacio muestral es conocido (obtenido empíricamente a través de la recolección total
de los datos). Es decir, en esta última situación la recolección de datos no estaría dada
por la repetición del experimento aleatorio.
Además, en el caso de un censo, y para una variable discreta, la distribución de
probabilidad aparentemente sería la misma que la distribución de frecuencias relativas:
su gráfica tendría la misma forma y sus valores serían los mismos, pero
conceptualmente serían muy diferentes. Más aún, la gráfica y los valores de la
distribución de una variable estadística, conceptualmente cambiarían por completo en el
momento en que una persona esté interesada por contestarse alguna pregunta
probabilística con respecto a esa población, puesto que esa misma gráfica y los mismos
números representarían la distribución de una variable aleatoria. Esto podría generar
confusiones en las conceptualizaciones de los estudiantes. En el Estudio 3 se presenta
una situación problema en donde se podría generar esta confusión. En ella se
proporciona a los estudiantes una tabla con los valores de una variable estadística y su
frecuencia correspondiente del total de la población de trabajadores de una fábrica (un
censo). Los alumnos tienen que darse cuenta que al predecir el resultado de una rifa
entre los trabajadores, se involucra un experimento aleatorio y por lo tanto, las
representaciones gráfica y tabular originales, conceptualmente son diferentes ya que
ahora corresponderían a la distribución de probabilidad de la variable aleatoria.
En resumen y de manera general, la variable estadística está relacionada con la
recolección de una muestra de datos y la variable aleatoria con un conocimiento del
espacio probabilístico (obtenido teórica o empíricamente a través de un censo). La
99
variable aleatoria siempre está vinculada con un experimento aleatorio, pero la

estadística no necesariamente. La aleatoria está vinculada con las diversas asignaciones
de probabilidad, ya sea laplaciana, frecuencial, subjetiva o alguna otra, en cambio la
estadística lo está con las frecuencias.
8. La variable aleatoria y asignación de probabilidades

Hemos visto que un concepto ligado al de variable aleatoria, e inseparable de ella, es el
de distribución de probabilidad, pues la variable determina unívocamente su
distribución de probabilidad y viceversa. En consecuencia, el trabajo con la variable
aleatoria pasará por la determinación de dicha distribución, lo que nos llevará, en un
sentido inverso, a un espacio muestral asociado y a su correspondiente probabilidad.
Así, aunado y vinculado a las controversias epistémicas ya enunciadas sobre la variable
aleatoria, se sitúa la asignación de probabilidades.
A lo largo de su desarrollo histórico, la probabilidad ha recibido diferentes
significados, que aún coexisten en la actualidad e influyen en la forma en que se asigna
probabilidades a los sucesos del espacio muestral (y por tanto la forma en que se
determina la distribución de probabilidad de la variable aleatoria).
Desde un punto de vista matemático, la probabilidad previamente definida en el
espacio probabilístico puede ser cualquier función medible que responda al sistema
axiomático teórico ya descrito, que Hawkins y Kapadia (1984) denominan probabilidad
formal y que proporciona el soporte del cálculo de probabilidades.
Sin embargo, esta definición formal, como señala Azcárate (1995), no mantiene
relación con los fenómenos naturales, por ello son otras las concepciones de
probabilidad las que permitirán asignar valores a la probabilidad en el experimento y,
por tanto, determinar la función de distribución de probabilidad.
Una vez determinada la función de distribución, la vinculación de la
probabilidad formal, desprovista de relación con la realidad, se reestablecerá a través de
la variable aleatoria, puesto que es ella la que mantendrá la relación con el fenómeno
aleatorio y con la variable de interés del problema que se esté resolviendo. Pero a su
vez, el trabajo de la variable aleatoria exige desproveer de significado a las distintas
concepciones de probabilidad porque de otra forma, no se podrá definir la función de
distribución. Así, la variable aleatoria en un sentido, vincula la probabilidad formal con
la realidad, pero en sentido inverso, es la que permite la abstracción del modelo
probabilístico.
100
La asignación de probabilidades por sí misma, involucra un problema

epistemológico (Godino, Batanero y Cañizares, 1996; Batanero, Henry y Parzysz, 2005)
y a la vez introduce nuevos objetos matemáticos. En los siguientes apartados
describimos la asignación de probabilidades en las concepciones clásica, frecuencial y
subjetiva, que son las utilizadas en las aplicaciones prácticas y reflexionaremos sobre la
forma en que ellas influyen en la definición de la variable aleatoria y la función de
distribución de probabilidad.
En nuestro trabajo se usará la asignación laplaciana de probabilidad en el
Estudio 3. En el Estudio 4 se ven involucradas distintas concepciones. La probabilidad
laplaciana estará presente en el experimento que realizan los estudiantes, el análisis de
datos recogidos de dicho experimento y la respuesta a la pregunta planteada requerirá de
la asignación frecuencial. Incluso podemos considerar que de algún modo interviene
una asignación subjetiva cuando los estudiantes inventan sus secuencias aleatorias, ya
que estas reflejan sus concepciones subjetivas sobre la probabilidad de los sucesos y
secuencias de sucesos en el experimento (Chernoff, 2009b).
8.1. Asignación laplaciana de la probabilidad

En 1814, Laplace dio la definición que hoy enseñamos con el nombre de «regla de
Laplace» ó «probabilidad clásica» para la probabilidad de un suceso que puede ocurrir
solamente en un número finito de modalidades. Él la definió como una fracción cuyo
numerador es el número de casos favorables y cuyo denominador el número de todos
los casos posibles» (Laplace, 2006/1814, p. 28), indicando también la necesidad de
reducir los acontecimientos de un cierto tipo a un cierto número de casos igualmente
posibles.
Lo característico de esta concepción de la probabilidad es el análisis a priori del
experimento para determinar todos los casos posibles y favorables, usualmente mediante
un razonamiento combinatorio. Una cuestión importante es que todos los sucesos se
consideran equiprobables, lo que plantea un problema filosófico, e hizo que esta
definición se encontrase inadecuada incluso en la época de Laplace, ya que es circular y
restrictiva puesto que la palabra definida (probabilidad) entra en la misma definición
(Godino, Batanero y Cañizares, 1996).
Esta definición permite trabajar con la variable aleatoria sin necesidad de
vincularla con la variable estadística, es decir, sin la relación empírica con los datos. Sin
embargo, no puede aplicarse a los experimentos con un número infinito de
posibilidades, por lo que carece de interés en el caso de las variables aleatorias
101
continuas. Tampoco puede aplicarse a aquellos casos en que el espacio muestral es

finito, pero en los que no puede aceptarse la condición de simetría, como al lanzar al
suelo una chincheta. Como hace notar Bernoulli (2006/1713) «la equiprobabilidad
apenas se encuentra fuera del campo de los juegos de azar».
Sin embargo, una vez asignadas algunas probabilidades iniciales (con algún otro
método), es muy útil en la definición de algunos modelos de distribuciones de
probabilidad muy conocidos. Por ejemplo, la distribución binomial se define mediante
probabilidad clásica, una vez asignado el valor del parámetro p. Otros ejemplos serían la
distribución geométrica o hipergeométrica. De hecho, algunos autores de libros de texto
(Wackerly, Mendenhall y Schaeffer, 2002; Devore, 2011) usan este tipo de
distribuciones para introducir el concepto de variable aleatoria por la facilidad con la
que, a partir de ella, se deriva esta definición y las sucesivas definiciones.
8.2. Asignación frecuencial de probabilidades

En respuesta a las desventajas de la concepción clásica de la probabilidad, Bernoulli
sugirió que se podrían asignar probabilidades a los sucesos aleatorios que aparecen en
diversos campos a partir de la frecuencia relativa observada en una serie grande de
ensayos del experimento (Bernoulli, 2006/1713). Su demostración de la primera Ley de
los Grandes Números, fue aceptada en su época como un apoyo al carácter objetivo de
la probabilidad (Batanero, 2005). Este teorema indica que la probabilidad de que la
frecuencia relativa de un experimento repetido en las mismas condiciones se acerque
tanto como queramos a la probabilidad teórica del suceso, puede aproximarse
suficientemente a uno, sólo aumentando el número de pruebas (Bernoulli, 2006/1713).
En esta visión se define la probabilidad como el número hipotético hacia el cual
tiende la frecuencia relativa al estabilizarse (von Mises, 1952/1928), asumiendo la
existencia teórica de dicho límite, del cual la frecuencia relativa observada es solo un
valor aproximado. La probabilidad se estimaría, entonces, a partir de la frecuencia de
aparición de un valor de la variable en un número elevado de repeticiones del
experimento (valores de la variable estadística), no siendo posible la determinación de
la probabilidad sólo a partir del análisis a priori del experimento, sino que se requiere la
recolección de datos. En esta concepción, por tanto, se conecta la estadística con la
probabilidad y la variable aleatoria se concebiría como un modelo teórico de la variable
estadística.
El enfoque frecuencial tiene diversos problemas prácticos. El primero de ellos es
que sólo se obtiene una estimación del valor de la probabilidad (nunca exacto). Además
102
de que es difícil realizar los experimentos exactamente en las mismas condiciones o

determinar el número de experimentos que necesarios para obtener una buena
estimación de la probabilidad. Más aún, ciertos sucesos (por ejemplo en el campo de la
economía o de la historia) son irrepetibles, aunque aleatorios y según esta concepción
no podríamos aplicar la teoría de la probabilidad a su estudio (Batanero, 2005).
Sin embargo, el enfoque frecuencial ha tenido un fuerte impulso en las últimas
décadas gracias a la proliferación y masificación de ordenadores capaces de realizar
simulaciones de fenómenos aleatorios con un número grande de repeticiones, lo que
permite encontrar buenas aproximaciones de modelos de funciones de distribuciones de
probabilidad a los que no se tenía acceso de manera teórica, incluso para casos de
variable continua. Esto ha hecho necesario que en la educación escolarizada se ponga
énfasis en esta concepción que había sido muy ignorada en la práctica docente de
décadas anteriores.
Una de sus grandes ventajas es que la probabilidad frecuencial es la que vincula
de manera más palpable el experimento aleatorio con la probabilidad (Azcárate, 1995).
No obstante, los problemas prácticos a los que se enfrenta este enfoque hacen que la
abstracción pueda resultar una dificultad epistémica. En esta concepción, no hay un
número de ensayos a partir del cual la variable estadística se aproxime lo suficiente a la
variable aleatoria, ni la frecuencia a la probabilidad. Es decir, como no es posible
obtener una probabilidad a priori, podría haber una confusión de los conceptos variable
estadística y variable aleatoria o bien entre los conceptos de frecuencia y probabilidad.
La variable aleatoria y la función de distribución tienen los mismos problemas prácticos
de construcción que la asignación de probabilidad.
8.3. Asignación subjetiva de probabilidad

En la concepción subjetiva, la probabilidad es un «grado de creencia racional» que
asigna un decisor a cada valor de la variable. Ese concepto de probabilidad surgió
porque los conceptos de probabilidad frecuentista o laplaciana no resuelven
satisfactoriamente los problemas que no pueden considerarse dentro del modelo del
espacio probabilístico del experimento aleatorio. Es necesario notar que las magnitudes
de las probabilidades no son estimadas por el individuo arbitrariamente, sino que están
sujetas a ciertas reglas de consistencia, establecidas como axiomas que el individuo está
dispuesto a aceptar. En las últimas décadas, las teorías subjetivistas han adquirido un
notorio interés práctico con la aparición de los métodos bayesianos de estimación.
103
De acuerdo con el método bayesiano, la regla de Bayes permite transformar una

probabilidad «a priori» (subjetiva) en probabilidad «a posteriori» en la que se incorpora
información (objetiva) que se ha obtenido a partir de datos observados. Esto es, el
interés de este enfoque estriba en la integración de información subjetiva con
información objetiva para encontrar la probabilidad de unas causas una vez se observan
sus consecuencias.
Supongamos que Ai representa el conjunto de posibles sucesos (causas) en el
experimento con probabilidades iniciales P(Ai) y se obtiene una muestra aleatoria de
datos D (consecuencias), cuya verosimilitud se conoce en función de estos datos
P(D/Ai). El teorema de Bayes permite calcular las probabilidades finales de los sucesos
P(Ai/D), es decir, las probabilidades de las causas Ai dado que se obtuvieron las
consecuencias D:
/
(8) /
/ / ⋯ /
Las probabilidades iniciales en el experimento P(Ai) podrían entonces

actualizarse (pasar de probabilidades a priori a probabilidades a posteriori) y pierden de
este modo el carácter objetivo que les asigna la concepción frecuencial. Keynes,
Ramsey y de Finetti describieron las probabilidades como grados de creencia personal,
basadas en el conocimiento y experiencia de la persona que las asigna sobre el suceso
dado. Para ellos la probabilidad de un suceso siempre está condicionada por un cierto
sistema de conocimientos y puede ser, por tanto, diferente, para distintas personas
(Batanero, 2005).
Una dificultad inicial del enfoque de estimación bayesiana es precisamente la
asignación subjetiva de la probabilidad al hallar una regla para asignar valores
numéricos a las probabilidades a priori, de forma que expresen los grados de creencia
personal, pero que estén sujetos a reglas de consistencia. Son diversos las autores que
han propuesto sistemas axiomáticos para darle consistencia a la probabilidad subjetiva,
entre ellos Ramsey, De Finetti, Koopman, Good, Savage y Anscombe-Aumann. Sin
embargo, también se considera que los datos y la aplicación sucesiva del teorema de
Bayes restarán importancia a la asignación inicial. Esto es que, al realizar un nuevo
experimento, el valor que se asigna a la probabilidad a priori es el valor que en el
experimento anterior se obtuvo como probabilidad a posteriori, así, al aumentar los
experimentos, los datos harán converger al mismo valor las asignaciones iniciales.
La visión subjetiva amplía también las aplicaciones de la probabilidad, puesto
que ya no se tiene el requisito de la repetición de una experiencia en las mismas
condiciones. Gradualmente se desarrolla la distinción entre probabilidad frecuencial,
104
empíricamente accesible a través de la frecuencia, y probabilidad epistémica o grado de

creencia en la ocurrencia de un suceso en un experimento único (Batanero y Díaz,
2007), mientras se conforman dos escuelas de estadística.
De importancia para nuestro análisis es que, mientras en estadística clásica un
parámetro  de una distribución de probabilidad se considera constante, en inferencia
bayesiana un parámetro  es una variable aleatoria con una distribución inicial de
probabilidades p(), de carácter epistémico puesto que indica el conocimiento (o falta
de conocimiento) sobre  antes de tomar los datos. Si se considera y = (y1,..., yn) un
conjunto de datos, cuya función de verosimilitud p(y/) depende del parámetro, entonces
la distribución final de  dados los datos observados y viene dada por el teorema de
Bayes (Batanero y Díaz, 2007):
(9) p ( y /  ) p ( )
p ( / y ) 
 p ( y /  ) p ( )
A pesar de que en la estadística bayesiana también se habla de variables
aleatorias, no tienen el mismo sentido que en la estadística paramétrica. El hecho de que
el parámetro también sea aleatorio hace la comprensión de este concepto adquiera
mayor realce. Así mismo, la distribución de probabilidades de una variable aleatoria es
en realidad una familia de distribuciones de variables aleatorias.
9. Modelación y variable aleatoria

En las situaciones experimentales que propondremos a los estudiantes en la parte
empírica de nuestro trabajo (Estudios 3 y 4) no sólo nos interesaremos por las
concepciones que ellos presentan de la variable aleatoria o de otros objetos asociados a
la misma, sino que también pretendemos analizar el uso que hacen de la variable
aleatoria dentro de un proceso completo (aunque sencillo) de modelación.
La variable aleatoria es un modelo matemático para describir situaciones reales y
a su vez, uno de los elementos que contribuyen a la modelación de la función de
distribución (inseparable de la variable). De este modo la variable aleatoria es un objeto
matemático que describe «la realidad» y se convierte en la «realidad matemática» que
se modela mediante la función de distribución.
En este apartado nos detendremos en la modelación como un proceso de
enseñanza y aprendizaje que en nuestros estudios usaremos para observar las
concepciones y procesos que usan para resolver el problema. Nuestra disquisición sobre
modelación empieza con el concepto de modelo y su relación con el concepto de teoría
105
desde una perspectiva científica, posteriormente enfocaremos nuestra atención a la

modelación con fines de enseñanza en donde nos detendremos en la vinculación entre el
razonamiento estadístico y modelación y la modelación en la enseñanza de la
probabilidad. Finalizaremos con la modelación del objeto matemático que nos ocupa, en
donde se ven involucrados otros objetos, en particular nos detendremos en la relación
que se establece entre la variable aleatoria y la variable estadística en la modelación.
9.1. Modelo y teoría

El concepto de modelo es muy amplio y recibe diferentes acepciones tanto en
matemáticas como en educación matemática, como se muestra en el ICMI Study
Modelling and applications in Mathematics Education (Blum, Galbratith, Henn y Niss,
2007). Conviene, por tanto, detenernos a explicitar el sentido que daremos al término en
esta sección.
Bunge (1973) menciona que los modelos son medios para comprender lo que la
teoría intenta explicar; enlazan lo abstracto con lo concreto. En un contexto escolar,
generalmente los estudiantes pasan de lo concreto (la situación problema en la que el
profesor los involucra) a lo abstracto (los modelos y las teorías), para, finalmente,
volver a valorar su solución en el contexto del problema. En el caso de la probabilidad y
estadística, son muchos los modelos que se manejan y se interrelacionan para llegar a
constituir una teoría.
Estamos de acuerdo con Yuren (2006) en que es importante la diferenciación
entre el término modelo del término teoría. Un proceso de investigación científica
culmina con la elaboración de teorías, es decir, con un sistema que relaciona leyes y que
ofrece una explicación de las mismas. Los datos tienen la función de concebir nuevas
hipótesis que puedan, en su momento, emplearse o sintetizarse en teorías, pero se
obtienen a la luz de otras teorías. La observación y la experimentación se realizan no
sólo para recoger información y producir hipótesis, sino también para contrastar las
consecuencias de la teoría, o bien para saber cuál es su dominio de validez. La función
explicativa y de predicción de la ciencia se realiza en el seno de las teorías; la acción
misma se basa en las teorías.
Por un lado, el modelo es una representación de la realidad que supone un
alejamiento o un distanciamiento de la misma. Es una representación conceptual,
simbólica y por lo tanto indirecta, que al ser necesariamente esquemática se convierte en
una representación parcial y selectiva de aspectos de esa realidad, forzando la atención
en lo que considera importante y despreciando aquello que no lo es y aquello que no
106
Análisis deesde la disciiplina
apreccia como peertinente a la realidad que considdera (Gimenno, 1984). Por

P otro laddo, la
teoríaa incluye modelos,
m quue describenn una zona restringidaa del campo
o cubierto por
p la
ncia que hacce la teoría de la
teoríaa y éstos laa representann justamentte mostranddo la referen
realiddad (Yurenn, 2006). Una
U de las característiccas del moodelo es quue, a la vezz que
faciliita la comprensión de la teoría, muestra
m sus aspectos más
m importanntes. Esto es,
e los
modeelos científi
ficos abarcaan tres signiificaciones:: representaan a la teorría, muestraan las
conddiciones ideaales en las que se prod
duce el fenóómeno al veerificarse un
na ley o teooría y
constituyen unaa muestra particular
p d la expliccación geneeral que daa la teoría de la
de
realiddad. Es en estos
e dos úlltimos sentiddos que el modelo
m vinccula la teoríía con la reaalidad
(Figuura 3.3).
see seleccionan
Formalizació ón
que ex
xplica
científica Aspeectos
(Teoría) Realiidad importan
ntes de la
realiidad
con
nstituyendo
se compara con
n
que permite
p M
Modelo Estructu
ura
Organizar el
e
conocimiennto que genera ell
Figura 3.3
3. Diagrama de la relacióón entre mod
delo y teoría
En nuesstro campoo, los moddelos mateemáticos soon parte de

d la teoríía de
probaabilidad. La
L variable aleatoria puede
p consiiderarse un modelo porque es el que
mación relevvante de la realidad e indica los alcances
sustrrae la inform a de la teoría, pero
p a
su veez, es una herramienta
h a para la ob
btención de un modeloo más generral que es el
e que
mite la aplicación de la teoría en la sittuación prooblemática: la funcióón de
perm
distriibución. Laa función de
d distribucción es el objeto quee permitirá la soluciónn del
probllema, pero la
l variable aleatoria
a es lo que vinccula a la reaalidad con laa teoría.
En este trabajo noss enfocamoos a la genneración de modelos probabilístic
p cos y
estaddísticos com
mo un proceso de con d conocimiiento en la escuela y en la
nstrucción de
vincuulación quee, a través de
d éste procceso, el esttudiante pueede estableccer con la teoría
t
cienttífica ya instaurada. No
N sólo noss interesam
mos en cóm
mo un grupo
o de estudiiantes
consttruye conoccimiento coon ayuda deel profesor, sino tambiéén por las actividades
a de la
modeelación quee favorecen que el estu
udiante se apropie
a del conocimiennto científicco. A
partirr del proceeso de connstrucción y de las teeorías adquuiridas se pretende
p que el
107
estudiante genere conocimiento nuevo no sólo para él mismo sino también, a largo
plazo, para la sociedad en la que vive. Describir el proceso de modelación que siguen
los estudiantes cuando se enfrentan a un problema en el que está en juego el objeto
matemático de variable aleatoria y la teoría alrededor de él, es uno de los objetivos de
nuestro estudio. Nuestro trabajo, por lo tanto, forzosamente deberá incluir el
razonamiento con y a través de la teoría, lo cual conlleva al estudio del razonamiento
con modelos probabilísticos y estadísticos, y la modelación como un proceso de
enseñanza.
9.2. Modelación y razonamiento estadístico

Para algunos cognoscitivistas, el pensamiento trabaja a través de modelos. Wild y
Pfannkuch (1999) describen el razonamiento estadístico como un complejo formado por
cuatro componentes, uno de los cuales son las formas fundamentales de razonamiento
estadístico. Entre ellas incluyen el razonamiento con modelos estadísticos e incluyen a
la modelación como uno de los tipos generales de pensamiento comunes en la
resolución de problemas matemáticos que también emerge en los procesos de
razonamiento estadístico. En estocástica en particular, son de interés los modelos que
contemplen componentes aleatorios.
Wild y Pfannkuch proponen a la modelación estadística como una herramienta
poderosa para el aprendizaje de nuestro entorno: «El objetivo fundamental de la
investigación estadística es el aprendizaje en el ámbito del contexto de un problema
real» (p. 244). También indican que en el proceso de construcción de un modelo
estadístico, el conocimiento estadístico es parte de la acumulación de «comprensión».
Wild y Pfannkuch afirman que la modelación es una vía para obtener conocimiento
(teoría), incluyendo el conocimiento estadístico. Para ellos, nuestro razonamiento se
basa en modelos puesto que el aprendizaje consiste en la construcción de modelos
mentales del sistema bajo estudio. Ellos no están interesados en la modelación como un
objeto de enseñanza, sino en el aprendizaje que se puede obtener a través de la
modelación. En este sentido, la propuesta de Wild y Pfannkuch resulta de gran utilidad
para nuestros objetivos de estudio.
Por otro lado, un modelo estadístico para estos autores es un concepto más
general que una ecuación e incluiría todos los objetos estadísticos que intervienen en la
resolución de un problema, desde la recolección de datos hasta cómo se analizan. Así,
los modelos son construcciones cognitivas en el individuo, pero también, objetos
108
abstractos que viven fuera de él y pueden ser menos complejos de lo que en contextos
diferentes al educativo se conciben.
El razonamiento estadístico trabaja a partir del conocimiento estadístico, el
conocimiento del contexto y la información proporcionada por los datos. En nuestros
estudios empíricos asumiremos esta idea, puesto que el trabajo de modelación con la
variable aleatoria requiere una síntesis entre el conocimiento del contexto y el
conocimiento estadístico en donde la variable aleatoria juega un papel importante: surge
del contexto y permite la matematización del problema, como se representa en la Figura
3.4.
Conocimiento Conocimiento
ESTADÍSTICO DEL CONTEXTO
IDEAS
PREGUNTAS
Generales
PREGUNTAS Variable aleatoria

Específicas o estadística
PLAN
Para la conexión de datos
Figura 3.4. Papel de la variable aleatoria en la interacción entre el contexto y la

estadística. (A partir de Wild y Pfannkuch, 1999, p. 228)
Como se ha indicado, todos los modelos son simplificaciones de la realidad.

Para Wild y Pfannkuch los modelos son formados con datos tomados del contexto real
incorporando «conocimiento experto» y en los modelos estadísticos alguna de esa
información que se toma de la realidad ya son datos estadísticos (o un modelo extraído
de la realidad, como se verá más adelante). Las primeras etapas de una investigación
están conducidas casi completamente por el conocimiento del contexto, pero el
conocimiento estadístico es el cristalizador del pensamiento en un plan de acción. La
formulación de una pregunta específica requiere de teoría estadística para que sea lo
suficientemente precisa y que pueda contestarse a través de un análisis de datos. En
nuestra investigación el proceso descrito por los autores lleva a construir un modelo de
variable aleatoria o estadística porque es en ellas en las que se abstraen las
características importantes del fenómeno de estudio tratando de evitar que la pérdida de
109
información no invalide las conclusiones en el contexto del problema. Por tanto, los
primeros indicios de trabajo con una variable aleatoria o estadística están en las
preguntas específicas que el estudiante se plantea al intentar resolver un problema que
darán lugar a la regla de correspondencia que permitirá el trabajo de la variable aleatoria
como función.
9.3. La modelación en probabilidad

Nos acogemos en la idea de la modelación como un proceso para la apropiación de
conocimiento, no como un objeto de enseñanza. Sin embargo, es necesario tener una
idea de las investigaciones que dan cuenta de la enseñanza de esta modalidad. Como
referente, tomamos la investigación de Coutinho (2001) sobre la actividad de
modelización de situaciones aleatorias elementales. Ella retoma la modelación
propuesta por Dantal (1997), quien describe el proceso de modelación deseable en el
salón de clases compuesto por los siguientes pasos: (1) Observación de la realidad, (2)
Descripción simplificada de la realidad, (3) Construcción de un modelo, (4) Trabajo
matemático con el modelo, (5) Interpretación de resultados en la realidad.
La distinción entre este ciclo de modelación con el descrito en la Figura 3.3 es
que en éste el objetivo final no es la obtención del modelo para la generación de teoría,
sino la solución de un problema haciendo uso de la teoría. No se trata de un proceso
rutinario, puesto que el estudiante no estará en posesión de todo el conocimiento
matemático necesario para resolver el problema, muy al contrario, en este proceso se
espera que el estudiante lo adquiera. La construcción se establece en un ritmo que
simula la generación del conocimiento científico.
Generalmente en el salón de clases únicamente se trabaja la construcción y el
trabajo matemático con el modelo, puesto que, desde una perspectiva tradicional, son
los más sencillos de enseñar. Sin embargo, todas las etapas son igualmente importantes
en el aprendizaje y todas tienen sus propios obstáculos. Coutinho (2001) describe las
siguientes dificultades en cada uno de los pasos anteriores:
 La observación de la realidad conlleva la dificultad de diferenciar entre
situación aleatoria contingente de una que no lo es. Una situación aleatoria
es, por lo menos potencialmente, reproducible. La situación se puede
reproducir en las mismas condiciones para analizar los diferentes resultados
que se producen. En una situación contingente también hay una presencia
del azar, pero no es reproducible en las mismas condiciones. En ambas, es
posible conocer los resultados posibles, pero no se puede tener la seguridad
110
de cuál será el que ocurrirá en una experiencia particular. Ambas situaciones

difieren en cuanto a la forma en que se puede asignar una medida de
probabilidad.
En los Estudios 3 y 4 los alumnos habrán de aceptar que los experimentos
individuales son reproducibles. En particular, en el estudio 4, habrán de
aceptar que las secuencias producidas por los distintos estudiantes son
equivalentes.
 La descripción simplificada de la misma permite pasar de la realidad
observada (paso 1) a la construcción del modelo (paso 3), lo que implica
una simplificación de la realidad prescindiendo de aspectos poco relevantes
para el problema que queremos resolver. Esto no sólo requiere de conocer
de la situación sino de tener una idea clara de las condiciones teóricas que
harían valida la teoría vinculada con el modelo. En probabilidad,
generalmente la simplificación de la realidad se vincula con el
planteamiento de un experimento aleatorio que permita tomar información
sobre la situación objeto de estudio, pero también puede ser la búsqueda de
información relevante y el contexto en que está sumergido el problema los
que hagan válida la teoría apropiada. En este paso la definición de la
variable aleatoria o estadística juegan un papel muy importante, puesto que
es lo que va a concretar qué es lo importante de observar en el experimento
aleatorio planteado.
 Una vez construido el modelo probabilístico para la situación y obtenidos
los resultados «matemáticos» a partir del trabajo con el modelo, queda
todavía la parte más importante: comparar estas conclusiones con el
comportamiento real de la situación analizada y decidir si el modelo elegido
nos proporciona una buena descripción de la realidad. Un modelo no es
«real», ni tampoco «verdadero»; en el mejor de los casos es consistente y
concordante con las observaciones.
Los pasos mencionados no se siguen necesariamente de manera lineal, ni

tampoco que se retoman una sola vez. La solución de un problema puede requerir el
regreso de un paso hacia cualquier otro anterior o la construcción de varios modelos
que, concatenados, proporcionen un modelo teórico más amplio que represente a la
realidad. Esto último es particularmente cierto en el caso de la solución de los
problemas a los que se enfrentan nuestros estudiantes en los Estudios 3 y 4, puesto que
el establecimiento de la función de distribución pasa antes por la definición de la
111
variable aleatoria o estadística, cuestión que por sí misma, constituye ya la formación de

un modelo.
9.4. Modelación por estratos

Heitele (1975) asegura que la modelación en contexto estocástico algunas veces los
mismos objetos son tomados como «realidad» y otras como «modelo». Así por ejemplo,
en muchas situaciones de modelación la simetría o las frecuencias relativas son
consideradas parte de la realidad, pero en otras se objeta que el concepto de simetría ya
es en sí un modelo y que registrar frecuencias relativas significa cuantificar la realidad,
lo cual presupone la generación de un modelo. Heitele resuelve esta aparente
inconsistencia estableciendo las relaciones entre realidad y objetos matemáticos en una
estructura de estratos. Esto es, sin duda los valores numéricos de los datos se pueden
considerar como un modelo (una vez que se ha establecido una variable, por ejemplo),
pero desde un estrato más alto, se les puede ver como parte de la realidad. Lo cual
significa que se ha pasado de una realidad palpable y visible a una «nueva realidad» en
la que los valores de una variable emergen como hechos reales. Este último sería el
esquema de acuerdo al cual las frecuencias relativas de una variable son mapeados
sobre probabilidades, concebidas en las mentes humanas dentro de un modelo
matemático. Es en este sentido que Heitele piensa que un modelo no es una afirmación
sobre la realidad más que de manera local y que comúnmente el modelo es algo que
reemplaza a la realidad como sustrato operacional en un estrato más alto.
Por otro lado, Henry (1997) afirma que la construcción de modelos y su
perfeccionamiento progresivo intervienen en cada fase de la resolución de problemas
estadísticos, no sólo en situaciones prácticas, sino también en trabajo de desarrollo
teórico. Para él, la modelación no sólo implica un proceso que requiere ser retomado
una y otra vez para su mejora sino también que la resolución de un problema estadístico
puede dar lugar a varios procesos de modelación sucesivos. En un cierto sentido, Henry
está de acuerdo con Heitele en que la modelación puede tener distintos estratos dentro
de un mismo proceso de resolución de problemas y afirma que por ello es importante
diferenciar el modelo de la realidad.
Tanto Heitele como Henry aportan propuestas útiles para nuestra investigación,
ya que en un proceso de resolución de problemas en el que la variable aleatoria se vea
involucrada, forzosamente se deberá pasar por lo menos por dos estratos de modelación,
o dos procesos de modelación de acuerdo con Henry. El primero es la formulación de la
variable (en el sentido mencionado en el apartado 9.2) y el segundo es la formulación de
112
la función de distribución como modelo matemático. En ambos estratos la variable

desempeñará un papel dual, en un primer estrato será el modelo obtenido y en el otro, la
realidad. Esto ocurre principalmente cuando se considera la probabilidad laplaciana
como modelo de asignación de probabilidades al espacio muestral, como se verá con
más detalle en el Estudio 3.
9.5. Relación entre las variables estadística y aleatoria en la

modelación
Mientras que los textos de estadística matemática o probabilidad, como Meyer (1989),
enfocan la variable aleatoria únicamente desde la probabilidad clásica laplaciana para
aplicar estos modelos al análisis estadístico, otros autores (como Ríos, 1967) hacen
compatibles las concepciones clásica y frecuencial, para posibilitar la aplicación de la
inferencia a las situaciones prácticas.
Para Ríos, la teoría de probabilidades es «el modelo matemático de las
regularidades que se observan en las series de frecuencias correspondientes a los
fenómenos aleatorios» (p 73). Desde esta perspectiva hay dos simplificaciones de la
realidad para pasar a un modelo matemático:
 Se eliminan resultados posibles inconvenientes o poco usuales: que un dado
caiga sobre una arista, que la moneda caiga de canto, que exista una carta en
blanco en un mazo de póker, etc.
 Se admite la estabilidad de las frecuencias de los sucesos posibles. Es decir,
que las frecuencias tienden a acercarse a un valor teórico de probabilidad.
Ríos presenta la base empírica de la teoría de probabilidades a partir de la

observación de la estabilidad de las frecuencias relativas que permite definir la
probabilidad frecuencial y por lo tanto, en la búsqueda de su regularidad, hace uso de la
variable estadística.
De acuerdo con él, el proceso de construcción del modelo del cálculo de
probabilidad se representa en dos esquemas (que se pueden simplificar en uno solo,
Figura 3.5). La realidad nos lleva a observar la estabilidad de las frecuencias y sus
propiedades. Por un proceso de conceptualización pensamos en la existencia de un
límite de las frecuencias relativas (probabilidad) admitiendo como axiomas las
propiedades observadas empíricamente en las frecuencias relativas. Una vez admitidos
los axiomas básicos, en coherencia con lo visto en el punto 8.2 de este capítulo, es
posible deducir todo el cálculo de probabilidades y a partir de él, los modelos que
constituyen la estadística matemática de manera inmediata, con lo cual ya es posible
113
trabajar con ellos para dar una solución al problema planteado. La última fase de la
modelación sería la interpretación del modelo en la realidad para determinar la solución
a las preguntas planteadas.
REALIDAD
MATEMATIZACIÓN
Punto de partida
Frecuencias y sus Conceptualización Probabilidades

propiedades y sus axiomas
DESARROLLO Construcción
MATEMÁTICO lógico
Desconceptualización Teoría de probabilidades y

Aplicaciones
Estadística Matemática
Figura 3.5. Fases de la modelación a partir de la variable estadística según Ríos

(1967, p. 73)
Si bien es cierto que el modelo de Ríos es muy acertado, de acuerdo a la

modelación por estratos propuesta por Heitele, observamos que su «realidad» es ya un
modelo matemático en un estrato más bajo del proceso. Previo a la obtención de las
frecuencias relativas y sus propiedades, tuvo que haber un trabajo con los datos en el
cual se tuvieron que obtener los valores de la variable y conformar una tabla o una
gráfica en donde se reflejara la distribución de las frecuencias relativas de la variable
estadística. Actualmente es fácil para nosotros imaginarnos una tabla o gráfica en algún
software estadístico que refleje las propiedades de la variable estadística, que se esté
actualizando constantemente a medida que se obtienen los datos y que nos permitiera
observar la estabilidad de las frecuencias y sus propiedades. La construcción de la
variable aleatoria y su distribución sería inmediata a la formulación de las
probabilidades y sus axiomas.
Sin embargo el proceso de modelación no resulta tan simple aun desde la
modelación estratificada. Después de la estabilización de las frecuencias relativas, la
conformación de la distribución de probabilidades sólo puede darse si hay un proceso de
descontextualización y los valores de la variable estadística se convierten en sucesos
para establecer la relación de conjunto con la probabilidad. En otro estrato del proceso,
la variable aleatoria convierte a la variable estadística en su «realidad» para convertirse
en el modelo teórico de la variable estadística. En un estrato más, la variable aleatoria se
vuelve la realidad de la distribución de probabilidad (o función de densidad), que es el
modelo matemático con el que se trabaja para la resolución del problema. A pesar de la
114
Análisis deesde la disciiplina
apareente simpliicidad del proceso dee modelacióón, el desg

glose respeetando todoos los
proceesos y la teoría que debe habeer detrás de ma en algo más
d ellos, see transform
compplicado de lo
l que Ríos lo conceptuualizó (Figuura 3.6).
CONTEXTO DEL PROBLEMA
Expeerimento aleatorio
definición dee
Resultaados del experim

mento
Variable
estadística
Valores dee la variable vin

nculados
a cada ressultado del expeerimento
Valorees de
MODELO Frecueencia
la variiable
ESTADÍSTICO
E relatiiva
estadíística
Estabilizacióón Estabilizzación
contextualización
de la frecuenccia descontextu
ualización de la freccuencia
Valores de
d la MODELO DE
M
Suceesos Probabiilidad
variable aleeatoria CONJUNTO
MODELO
PRO
OBABILÍSTIC
CO
Teoría de probabilidad
des y
Estaddística Matemáttica
Figura 3..6. Proceso de

d modelacióón de la variaable aleatoria en una asig
gnación de
probabilidaad frecuencial
Es notorio que aquí la variable aleatoria noo pierde su relación con

n los sucesoos del
espaccio muestraal, sino quee se relacioona con ellos a travéss de la variiable estadíística.
ue hacer nootar que la existencia del
Tambbién hay qu d modelo de conjuntto es meram
mente
teóricco, puesto que el prroceso de pasar de la
l variable aleatoria a la estaddística
e inmediatoo dando luggar a la distrribución de probabilidaad.
práctticamente es
9
9.6. La e
experime
entación ccomo puen
nte entre el modelo
mattemático y la realid
dad
Con frecuencia los problem
mas de prob
babilidad soon demasiaado complejjos para alggunos
estuddiantes. Porr ejemplo, en la situ
uación expeerimental propuesta
p e el Estuddio 4
en
115
plantearemos a los estudiantes analizar las variables aleatorias «número de caras»,

«número de rachas» y «longitud de la racha más larga» de los datos obtenidos al lanzar
una moneda equilibrada 20 veces seguidas y compararlas con las mismas variables en
secuencias inventadas por los mismos estudiantes. Es claro que el estudio probabilístico
de estos problemas está muy lejos de las capacidades de los estudiantes que participan
en el estudio.
En primer lugar, los estudiantes no conocen las distribuciones de las variables
aleatorias «número de caras», «número de rachas» y «longitud de la racha más larga» en
las secuencias inventadas por los estudiantes, pues no sabemos el modelo de secuencia
aleatoria que tienen los estudiantes (es decir, no saben si este modelo mental
corresponde al modelo matemático de secuencia de ensayos de Bernoulli). Por otro
lado, quizás exceptuando el «número de caras en 20 lanzamientos reales» que sigue la
distribución binomial Bin(20, 0.5), las otras dos variables aleatorias son demasiado
complejas para los estudiantes. Afortunadamente, es posible realizar un estudio intuitivo
de estos temas con ayuda de la experimentación o la simulación.
Para Heitele (1970) la simulación en estadística es algo parecido a lo que
constituye el isomorfismo en otras ramas de las matemáticas. En la simulación se ponen
en correspondencia dos experimentos aleatorios diferentes, uno simulado y otro real, de
modo que a cada suceso elemental del primer experimento le corresponda un suceso
elemental del segundo y sólo uno, y los sucesos puestos en correspondencia en ambos
experimentos son equiprobables. Al trabajar mediante simulación estamos ya
modelando, porque debemos no sólo simplificar la realidad, sino fijar los aspectos de la
misma que queremos simular y especificar hipótesis matemáticas sobre el fenómeno
estudiado (Chaput, Girard y Henry, 2011). De acuerdo con Henry (1997), el papel
didáctico de la simulación es inducir implícitamente el modelo teórico a los alumnos,
incluso aunque su formulación matemática formalizada no sea posible. En ella ya no se
está en la realidad sino en una situación abstracta idealizada, por ejemplo, se imagina
que está trabajando con monedas perfectas y prescinde de las condiciones del
lanzamiento.
En nuestro trabajo, la situación experimental es lo suficientemente simple como
para poder realizarse (simple no significa que no sea complejo) y obtener datos
directamente de ella. Se le pedirá a cada estudiante que realice la repetición del
experimento físicamente y, por otro lado, que dé los resultados que él cree se podrían
obtener si se lanza la moneda el mismo número de veces. Ambos son tipos de
experimentos que se pueden realizar en el salón de clases. De este modo, se recogen
datos de seis pares de variables estadísticas: número de caras, rachas y racha más larga
116
en cada una de las secuencias reales y simuladas obtenidas por cada uno de los
estudiantes. De cada una de estas variables estadísticas obtendremos la correspondiente
distribución empírica de frecuencias que podrán compararse por pares para resolver el
problema de interés. De este modo, en el Estudio 4, la variable estadística constituye un
puente entre el dominio de la realidad en que se encuentra la situación que queremos
analizar y en la que interviene el azar y el dominio teórico donde, con ayuda de la
probabilidad se contruye un modelo teórico de variable aleatoria desconocido para el
estudiante y, en el caso de sus intuiciones, incluso para nosotros. En el caso de la
estadística matemática, existen teorías que ayudan a subsanar la distancia y que generan
el modelo apropiado para la variable aleatoria.
En nuestro caso, el estudiante habrá de realizar un proceso de inferencia
informal (Rossman, 2008) para obtener conclusiones sobre la variable aleatoria a partir
de la estadística. Sin embargo este proceso informal no es posible si el estudiante no
tuviera como sustento la posibilidad teórica de la convergencia de la variable aleatoria
hacia la estadística. Es decir, puesto que sólo se trabaja con una muestra, el proceso de
modelación no pasará por la convergencia de la frecuencia relativa (repetición de
experimentos) ni la definición de la función de conjunto, pero sí exige el conocimiento
de que, teóricamente, eso ocurrirá. Es en ese sentido que la distribución de frecuencias
aporta información sobre la distribución de probabilidades. También es de observar que
no se obtiene propiamente al modelo probabilístico (la distribución de la variable
aleatoria) sino sólo se infiere de las características de la variable estadística. Es decir, en
el proceso de realizar una inferencia informal, se obvian cuestiones teóricas, de las que
el profesor debe ser consciente cuando la introduce en el salón de clases.
Esta otra forma de modelar a través del muestreo es diferente a la que implica
una asignación de probabilidades laplaciana o frecuencial, aunque comparte elementos
con ésta última puesto que la experimentación también funge como puente entre el
modelo teórico y la realidad en el primer estrato de modelación.
En la Figura 3.7 se observa que un primer estrato de modelación se finaliza
cuando se asignan valores de la variable estadística a cada resultado del experimento
aleatorio. Ese momento nos aporta un modelo matemático que será usado como la
«realidad» en un siguiente estrato en el que propiamente se establecerá la distribución
de frecuencias de la variable estadística. El puente entre el modelo estadístico y el
modelo probabilístico (la inferencia informal) está dado por el trabajo matemático con
la variable estadística, a través de la cual se efectúa propiamente la inferencia informal,
puesto que en una inferencia informal el modelo probabilístico sólo se infiere a través
de las medidas de la variable estadística. En este trabajo no se espera que se obtenga
117
Capíítulo 3. Estuudio 1
propiiamente el modelo prrobabilísticoo. La modeelación por estratos dee Heitele (11975)

tambbién es aproopiada en esta situaciión. Analizzado de acuuerdo con la estructurra en
estraatos propuessta, podríam
mos pensarr que en ell Estudio 4 hay un doble processo de
modeelización: entre
e la sittuación reaal y la varriable estaddística y entre
e la varriable
estaddística y la variable
v m detalle en el
aleeatoria. Estoos procesos los analizarremos con más
análiisis de los resutlados
r d los estuddiantes de acuerdo al Ciclo
de C de Mo
odelación (P
Punto
7.4 ddel Capítulo
o 6).
Exxperimento alea
atorio
Resu
ultados del expeerimento
Variablee
estadísticca
Valores de la variable vinculados

xperimento
a cada resultado del ex
contextualización
Valoores de MODELOO
ESTADÍSTIC
CO Freccuencia
la vaariable
rellativa
estaddística
Análisis Estadíístico
Inferencia info
ormal
Valoores de la
Probaabilidad
variablle aleatoria
MODELOO
PROBABILÍST
P TICO
F
Figura 3.7. Proceso de modelación
m e una infereencia informaal
en
10. La variable aleato

oria y los modelos de distrib
buciones
d modelación estadístiica a partir dde un
Batannero (2001)) indica quee un ejempllo notable de
probllema práctiico son lass distribucioones de proobabilidad, que permiiten describbir en
form
ma sintética el comportaamiento de las distribuuciones emp
píricas de datos
d estadíssticos
plo, el moddelo de la curva
y haacer prediccciones sobree su compoortamiento. Por ejemp
norm
mal de media cero desscribe con notable
n preecisión la distribución
d empírica de
d los
errorres al realizar medidas repetidas de
d una mism
ma cantidadd (o del tam
maño de un cierto
c
produucto). Una vez aceptaado este modelo
m com
mo una buenna descripcción de nueestros
118
datos, basta obtener una estimación de la dispersión en los errores de medida (una
estimación de la desviación típica  en la población de los posibles errores) para tener el
modelo completamente determinado. Las aplicaciones prácticas que podemos deducir a
partir de esto son muy variadas: previsión del número de defectos (piezas que se saldrán
de los límites considerados como «normales»); decisión sobre límites de garantías; coste
de la política de garantía; criterios para considerar que el proceso de producción está
«controlado», etc.
Krickeberg (1973) sostiene que si estamos interesados en la variable aleatoria X,
en realidad lo estamos en su función de distribución, puesto que ésta nos proporciona
las probabilidades con las cuales el valor X() está comprendido dentro de los
diferentes conjuntos de A en una observación aleatoria con resultado . Sin embargo
otros autores (Meyer, 1989; Feller, 1989) sostienen que es en la variable aleatoria en la
que radica la importancia de las distribuciones de probabilidad puesto que es ésta en la
que se manifiesta el espacio muestral y el experimento y por lo tanto la realidad. Lo
cierto es que cuando se define la variable aleatoria queda automáticamente definida su
función de distribución. Así, el estudio de una implica el estudio de la otra y también la
actividad de modelación que vincula la realidad con una representación matemática de
ella.
Como regla de correspondencia y desde una perspectiva puramente matemática,
la variable aleatoria podría ser arbitraria, siempre y cuando el espacio muestral definido
satisfaga las condiciones establecidas en la definición (Mood y Graybill, 1963), pero
desde una perspectiva de modelación, la regla de correspondencia debe tener un sentido
a partir de una pregunta que se pretenda resolver.
Esto significa que desde una perspectiva exclusivamente teórico-matemática a
un espacio muestral se le podrían asignar diferentes reglas de correspondencia (Godino,
Batanero y Cañizares, 1996), pero éstas se ven limitadas cuando se condicionan a la
pregunta de interés que nos mueve a ocuparnos del fenómeno aleatorio.
Cuando se aplica la teoría de la probabilidad a situaciones reales, no es necesario
encontrar una distribución distinta para cada modelo estudiado. A menudo nos
encontramos con que muchas situaciones muestran una serie de aspectos comunes,
aunque superficialmente parezcan diferentes. En este caso, podemos formular un
modelo probabilístico aplicable a estas situaciones. Por este motivo, se han definido
varios modelos de variables aleatorias que permiten resolver una gama amplia de
situaciones y cuyas distribuciones de probabilidad quedan determinadas, como se ha
dicho anteriormente, por uno o varios parámetros. Tradicionalmente los modelos se
dividen de acuerdo a la continuidad de las variables aleatorias en continuas y discretas.
119
Entre dichos modelos citaremos sólo algunos de los más importantes por la frecuencia
con la que se presentan en el contexto real.
10.1. Modelos de variables discretas

Distribución uniforme discreta. Se trata de una variable aleatoria que toma todos los
valores enteros entre a y b, que son los parámetros de la distribución, teniendo todos
ellos la misma probabilidad. La distribución de probabilidad está dada por la siguiente
expresión, donde x son valores enteros de la variable aleatoria incluidos entre a y b:
1
p   x   ; x  (a, b)
ba
Distribución binomial B (n, p). Consideremos un experimento aleatorio cualquiera, y en


relación a él, estudiemos un suceso A, de probabilidad p y su contrario A de
probabilidad q=1-p. Diremos que hemos tenido un éxito, si al realizar el experimento
obtenemos el suceso A, y que hemos obtenido un fracaso en caso contrario. Si, en lugar
de realizar únicamente una vez el experimento, efectuamos una serie de repeticiones
independientes del mismo, el número total de éxitos obtenido en las n realizaciones
constituye una variable aleatoria , que puede tomar los valores enteros comprendidos
entre 0 y n. Esta distribución será la que siga la variable «número de caras» de la
situación planteada a los alumnos en el Estudio 4 de este trabajo. La distribución de la
variable está dada por la siguiente expresión:
n
P (  r )    p r q n  r
r
Distribución de Poisson. Si en la distribución binomial aumentamos indefinidamente el

número de pruebas, manteniendo constante el producto np= , obtenemos una nueva
distribución que recibe el nombre de distribución de Poisson. Aunque no la
utilizaremos en los estudios empíricos se hace referencia a ella constantemente en el
Estudio 2. La variable aleatoria discreta sigue la distribución de Poisson si toma los
valores enteros 0,1,2, .... y su distribución de probabilidades es la dada por:
x e 
p  x  
x!
120
10.2. Modelos de variables continuas

Distribución continua uniforme. Se trata de una variable que toma cuya densidad de
probabilidad es constante en un intervalo (a, b). Sus parámetros son a y b y su función
de densidad está dada por la siguiente expresión:
1
f  x; a , b   ; x  (a, b)
ba
Distribución normal. Esta distribución es la más usada en la estadística clásica.

Describe la distribución de probabilidad de las variables cuya probabilidad es mayor
conforme los valores se acercan al centro de la distribución y decrece rápidamente hacia
ambos extremos. Se caracteriza principalmente por la simetría de la distribución. La
función de densidad normal depende de dos parámetros  y , que son su media y su
desviación típica respectivamente, y está definida por la siguientes expresión.

x   2
1 2 2
f ( x;  , )  e
 2 ,-  < x < 

A lo largo del capítulo se ha visto que, como un objeto matemático complejo, la
variable aleatoria se relaciona con otros objetos matemáticos que tienen sus propias
complejidades y que, a su vez, éstos influyen en cómo se conforma y las acepciones que
de él se tengan. Desde una perspectiva educativa, esto hace que el objeto de nuestro
interés sea difícil de analizar si no se tiene una clara definición del alcance que se
pretende en los estudiantes. Los libros analizados conforman una muestra de la
diversidad de alcances y enfoques con los que se puede enseñar y analizar la teoría en
los que se sustenta.
La visión en la escuela tendrá que ser limitada, sobre todo cuando se trata de
cursos introductorios en el nivel universitario, pero también completa porque las
concepciones tratadas tendrán que mostrarse como la conformación acabada de una idea
que les será útil profesionalmente a nuestros estudiantes, sobretodo porque para muchos
planes de estudio, los cursos introductorios son los únicos cursos de probabilidad y
estadística que se imparten. El concepto explícito de la variable aleatoria como el objeto
en el que está sustentado el paso de la matemática de conjuntos al análisis matemático
deberá ser pospuesto para cursos más especializados o carreras más específicas, sin
embargo no es deseable posponer el rol implícito que juega este concepto en la
121
aplicación de la teoría de probabilidad y estadística matemática en cualquier profesión y

en la cotidianeidad mundana. La modelación de situaciones aleatorias y el papel de la
variable aleatoria en ella son clave para lograrlo, aunque la modelación tampoco es un
aspecto simple. Las acepciones de los conceptos involucrados con nuestro objeto de
estudio también modifican la forma en que se desarrolla el proceso al resolver un
problema en el que está vinculado la variable aleatoria. Sin embargo, dentro de toda esta
diversidad, se condicionan las acepciones y construcciones de la variable aleatoria sobre
el significado de la probabilidad.
Como en los primeros apartados de este capítulo se pudo observar, la teoría de la
probabilidad no da cuenta de la forma en que se conforma el espacio de probabilidad.
Define las condiciones de una probabilidad que llamaremos axiomática (o formal, de
acuerdo con Hawkins y Kapadia, 1984) y con ello proporciona ciertas condiciones sobre
las que descansa el resto de la teoría. Sin embargo, la relación de esta teoría con la
realidad está dada a través de la forma en que se asigna el valor de probabilidad (Punto
8 de este capítulo) y por lo tanto, esta asignación también indicará como opera y surge
la variable aleatoria. Es decir, los significados que aporta la teoría a la realidad y
viceversa provienen de esa asignación. Así, en nuestro trabajo, definiremos las
configuraciones de objetos vinculados a la variable aleatoria de acuerdo al significado
de la probabilidad que esté en juego.
Entendemos por configuraciones de objetos las redes de objetos intervinientes y
emergentes de los sistemas de prácticas y relaciones que se establecen entre los mismos
(Godino, Batanero y Font, 2007). Puesto que la asignación de probabilidades sugiere un
distinto sistema de prácticas para la variable aleatoria, podríamos identificar cuatro
configuraciones epistémicas diferenciadas para la variable aleatoria: clásica, frecuencial,
subjetiva y axiomática, según la concepción subyacente de probabilidad que conlleva la
aparición de ciertos objetos matemáticos complementarios. En la Tabla 3.1 se muestran
los objetos vinculados a cada configuración de la variable aleatoria. La primera columna
contiene elementos comunes a todas las concepciones y que no se repiten en la columna
correspondiente. Los objetos vinculados a cada configuración se agrupan de acuerdo a
los elementos que conforman el significado de un objeto matemático (Godino, 2002):
 Situaciones-problemas. Aquí se incluyen los problemas mencionados a lo
largo del capítulo sobre predicción o toma de decisión (para la concepciones
clásica, frecuencial y subjetiva); en la concepción frecuencial y subjetiva se
añadiría el problema de estimación. Los problemas asociados a la
configuración axiomática serían intramatemáticos (por ejemplo, hallar la
distribución asintótica de la suma de variables aleatorias).
122
Tabla 3.1. Algunos objetos matemáticos vinculados a las configuraciones de la variable

aleatoria de acuerdo con la asignación de la probabilidad
Significado de la probabilidad
Clásico/Frecuencial
Clásico Frecuencial Subjetivo Axiomático
/Subjetivo
Situaciones Realizar inferencias Juegos de azar Análisis de Evaluar Problemas intra-
problemas Toma de decisiones datos grado de matemáticos
credibilidad
personal
Lenguaje Verbal, simbólico, Tablas, gráficos Formal
numérico
Conceptos Experimento Experimento Experimento
aleatorio estadístico aleatorio
Población Muestra Espacio muestral
Sucesos Álgebra de
sucesos, espacio
probabilístico
Probabilidad Frecuencia Probabilidad Función medible,
relativa inicial/final medida
Variable aleatoria, Variable Dato Función de
valor de la variable, estadística conjunto, original,
rango, máximo, Dato imagen; v.
mínimo. dependiente e
independiente
Distribución de Distribución de Distribución Función
probabilidad frecuencias inicial/final, compuesta;
verosimilitud inversa
Parámetros (media, Esperanza Estadísticos Distribución Parámetros
varianza, etc.) Matemática (media, del (media, varianza,
varianza, etc.) parámetro, etc.)
inicial y final
Función de Distribución Integral
distribución acumulada de
frecuencias
Función de Histograma de Derivada
densidad frecuencias
Distribución de Polígono de
probabilidad frecuencias
Propiedades Dependencia, Equi Repetibilidad Carácter Axiomas
Independencia probabilidad Convergencia subjetivo,
parámetros
variables
Procedimientos Análisis Combinatoria, Registro de Teorema de Conjuntistas
Matemático proporciones, datos Bayes,
análisis a priori estadísticos, probabilidad
de la estructura simulación, condicional
del ajuste de curvas
experimento
Argumentos Deductivo Combinatorios Inductivos Deductivo
123
 Conceptos-definiciones. Además de los relacionados con el experimento

aleatorio y probabilidad, encontramos conceptos comunes, como variable,
valor, máximo-mínimo, rango, función de distribución, etc. Se amplían
estos conceptos con los relacionados con la variable estadística y la
inferencia en el significado frecuencial (población, muestra, frecuencia, …)
y con los relacionados con la probabilidad condicional en el significado
subjetivo de la probabilidad. La configuración vinculada con el significado
axiomático utiliza conceptos tomados de la teoría de conjuntos y el análisis
matemático.
 Lenguaje. Se refiere a los términos, expresiones, notaciones, gráficos, ...
tales como las diversas representaciones gráficas o simbólicas de la variable
aleatoria y los objetos relacionados que también varían en cada
configuración. Por ejemplo, en la configuración axiomática no se requieren
las representaciones gráficas de las funciones de densidad o distribución; en
la concepción clásica no se usan los histogramas de frecuencia, etc.
 Proposiciones. Serían las relaciones que ligan los diferentes conceptos-
definición entre sí o con otros objetos matemáticos. Por ejemplo la
proposición que indica que la función de densidad es la derivada de la
función de distribución.
 Procedimientos. Son numerosas las técnicas (algoritmos, operaciones,
técnicas de cálculo, ...) asociadas al trabajo con variables aleatorias. Es
común el uso del análisis matemático al que se unen los procedimientos
propios de cada enfoque: el análisis combinatorio y la estructura a priori en
el significado clásico; el registro de datos y ajuste de curvas en el
frecuencial; y el uso del teorema de Bayes en el subjetivo.
 Argumentos son los enunciados usados para validar o explicar las
proposiciones y procedimientos, deductivos o de otro tipo, que incluirían los
argumentos empleados para justificar las proposiciones o las técnicas.
Debido a la gran complejidad del objeto, nuestro acercamiento en los estudios

cognitivos será sólo exploratorio y limitado a algunos de los componentes del objeto.
Como se ha indicado, en estos estudios se trabajarán dos situaciones diferentes desde el
punto de vista metodológico y por el significado de probabilidad desde el que surge el
aparato probabilístico y estadístico de la variable aleatoria. En el análisis a priori de
cada una de las situaciones se retomará el análisis conceptual para concretar los objetos
de análisis de cada situación.
124
 En la situación experimental propuesta en el Capítulo 5 (Estudio 3) la

asignación de probabilidades es clásica y nos interesamos tanto por objetos
matemáticos compartidos en los diferentes significados (aleatoriedad,
probabilidad, distribución de probabilidad) como por la comprensión de
algunos objetos relacionados con la concepción axiomática (función,
componentes de la función, rango, dominio, variables dependientes e
independientes).
 En una segunda situación analizada en el Capítulo 6 (Estudio 4), se combina
el uso de las concepciones clásica y frecuencial de la probabilidad y
aparecen, además de diferentes variables aleatorias, y los objetos
mencionados en el punto anterior las correspondientes variables estadísticas,
junto con los objetos matemáticos asociados (frecuencias, distribución de
frecuencias, estadísticos) y representaciones gráficas (histogramas,
diagramas de barras, etc.).
Además, en ambas situaciones experimentales nos interesamos también por la

actividad de modelación de los estudiantes, analizando con detalle las soluciones y
conclusiones obtenidas y la interpretación de la solución en el contexto del problema
planteado.
125
126
Capítulo 4.
Estudio 2.
Análisis Epistemológico
Histórico

2. Primeros indicios. Previsión de la apuesta en juegos de azar. Esperanza
matemática, 130
3. Elaboración de censos y previsión de datos socioeconómicos. Variable
estadística, 134
4. Teorema central del límite y modelos generales de distribuciones, 140
4.1. Las aportaciones de Jacob Bernoulli, 140
4.2. Las aportaciones de Abraham de Moivre, 144
4.3. Las aportaciones de Gauss, Legendre, Laplace, 148
4.4. Las aportaciones de Simeón Denis Poisson, 152
4.5. Las aportaciones de Pafnuti L. Chebyshef y sus discípulos, 155
5. Inferencia estadística. Relación entre las variables estadística y aleatoria,
162
5.1. Las aportaciones de Lambert Adolphe Jacques Quetelet, 163
5.2. Las aportaciones de Francis Galton, 164
5.3. Las aportaciones de Karl Pearson, 168
5.4. Las aportaciones de Gosset, Fisher, Neyman y E. Pearson, 171
5.5. La variable estadística en la actualidad, 175
6. Formalización matemática de la variable aleatoria, 176
6.1. Aportaciones de Kolmogorov y Fréchet, 177
6.2. Aportaciones de Lévy, Petrov y Parzen, 181
7.1. Etapas históricas, 190
7.2. Interacciones entre los análisis estadísticos y probabilísticos, 195
7.3. Saltos cualitativos de las etapas históricas, 198
7.4. Algunos usos posibles en la didáctica, 199
1. Introducción
La variable aleatoria, como muchos otros objetos de la ciencia, ha surgido
progresivamente y ha presentado etapas de mayor o menor desarrollo caracterizadas por
sucesos que marcan algún progreso en su conceptualización como objeto matemático.
Un aspecto esencial para la comprensión didáctica de la variable aleatoria es conocer su
génesis histórico-epistemológica.
En este estudio el análisis epistemológico histórico tendrá la intención no sólo de
poner de manifiesto la diversidad de puntos de vista que se han sucedido, algunos de los
cuáles en su tiempo se han considerado correctos, pero que después se han rechazado o
modificado. Este análisis también tendrá la intensión de buscar elementos
epistemológicos constitutivos del significado del objeto y su adaptación a la resolución
de distintos problemas (Gómez, 2003). Se tiene también la intención de identificar los
obstáculos ligados al desarrollo del objeto matemático.
Nos interesa el análisis del devenir histórico como una herramienta cognitiva
puesto que pretendemos encontrar en la historia elementos que ayuden a la comprensión
del aprendizaje del concepto de variable aleatoria. Se tiene el propósito de que esta
información pueda convertirse en fuente de hipótesis y aporte elementos para el diseño
de situaciones didácticas centradas en un objeto matemático y que a su vez, marque
etapas de desarrollo en su construcción en los estudiantes (Brousseau, 1997).
La variable aleatoria ha estado presente en casi toda la historia de la probabilidad
y la estadística; sin embargo no ha sido sino hasta años relativamente recientes cuando
se ha puesto de manifiesto en forma explícita. Es difícil de seguir a lo largo del tiempo
debido a la especificidad de su definición, a la trivialización de su importancia, a lo
complejo de las herramientas matemáticas necesarias para formalizarlo, a la cercanía
temporal de su definición formal y a que la variable aleatoria está vinculada con
problemas filosóficos que la teoría de la probabilidad no resuelve (Doob, 1986).
En este análisis nos guiamos por la presencia implícita que percibimos en la
historia de la probabilidad y las propiedades distintivas de su formalización denotada en
el capítulo anterior.
Iniciamos nuestro análisis basamos en las etapas históricas del desarrollo de la
teoría de la probabilidad que propone García (1971) resaltando los momentos
importantes que intervinieron en la formulación de la conceptualización de la variable
aleatoria como la conocemos actualmente. Destacamos la participación de algunos
matemáticos a esta formulación, generalmente agrupados por las fechas en que
129
trabajaron, pero sobre todo por el momento histórico en que se sitúan sus aportaciones
al desarrollo del concepto de variable aleatoria. Recurriremos al anacronismo de
actualizar términos, e indicaremos el momento en que lo hacemos, para poder observar
y comprender el desarrollo del concepto de variable aleatoria desde nuestra perspectiva
actual, aunque trataremos de no obviar las diferencias entre las concepciones de
entonces y las actuales.
Concluimos el capítulo con una propuesta de ocho etapas históricas de acuerdo
al desarrollo histórico de la variable aleatoria en particular, resaltando las características
que las distinguen y los principales personajes que contribuyeron a su desarrollo. Así
mismo detallamos las dos líneas que conducen el devenir histórico del objeto
matemático y las formas en que se interaccionan a lo largo de las ocho etapas. También
proponemos los saltos cualitativos conceptuales que se dieron a lo largo de la historia y
que contribuyeron al paso de una etapa a otra. Finalmente proponemos algunas posibles
recomendaciones didácticas e identificamos algunos obstáculos históricos que pueden
ser pertinentes para su conceptualización en las clases de probabilidad y estadística.
2. Primeros indicios. Previsión de la apuesta en juegos de azar.

Esperanza matemática
Uno de los primeros campos de problemas en donde se vislumbra la idea de variable
aleatoria es el que se vincula con los juegos de azar. Aunque los juegos de azar son tan
antiguos como el hombre mismo y se han encontrado indicios de la práctica de estos
juegos en las culturas más primitivas, el análisis matemático más formal de los mismos
no se inició hasta épocas relativamente recientes (García, 1971). La aparición de ideas
vinculadas con la variable aleatoria en estos trabajos es muy poco formal pues no se
menciona la existencia de variables o distribuciones de manera general. Sin embargo, sí
se definen variables para casos particulares y en algunos casos se trabaja con sus
distribuciones. Diversos matemáticos se interesaron por el problema de estimar la
apuesta equitativa en un juego de azar, lo que les llevó a considerar implícitamente
variables aleatorias y su distribución. En términos modernos, su interés principal era la
esperanza matemática de la variable.
Así por ejemplo, Bellhouse (2000) analizó el poema del siglo XIII, De Vetula,
atribuido a Richard de Fournival (1201-1260). Este manuscrito relata principalmente la
vida amorosa de Ovidio, pretende dar algunos consejos morales y, en varios párrafos,
describe pasatiempos y entretenimientos con mucho detalle. En la parte que nos
interesa, alerta a la gente sobre los perjuicios del juego de dados. Se detiene en el
130
Análisis histórico
análisis de los posibles resultados de un juego en el que se apuesta sobre la suma de los
puntos obtenidos en las caras superiores al lanzar tres dados. Fournival busca explicar
los resultados obtenidos tras haber observado varias veces repeticiones del experimento
aleatorio. Para ello analiza teóricamente las posibles respuestas de un lanzamiento.
Según Bellhouse este poema es el escrito más antiguo en el que se establece una
relación entre las frecuencias observadas (de los valores de una variable aleatoria al
repetir el experimento) y sus posibilidades (espacio muestral del experimento aleatorio):
«Se producen dieciséis números. No tienen, sin embargo el mismo valor, puesto que el
menor y el mayor ocurren rara vez, mientras los centrales aparecen frecuentemente»
(Bellhouse, 2000, p. 134).
En su análisis, Richard de Fournival trata de explicar por qué esos dieciséis
números aparecen más o menos veces y se da cuenta que existen diferentes formas en
las que puede surgir cada uno de ellos. Enumera las posibles configuraciones (es decir,
enumera el espacio muestral actual) de los tres dados al ser lanzados y conecta cada una
de ellas con los dieciséis números que se producen a partir de la suma de las caras de los
dados. Finaliza con la determinación de sus posibilidades (probabilidades) y recomienda
a los jugadores que apuesten según el beneficio esperado. En ese poema, el autor liga
las configuraciones de los dados a un número a través de una norma («la suma de los
números obtenidos en la cara superior de los tres dados») y después con una
probabilidad para tratar de obtener una respuesta a sus inquietudes.
Alrededor de 1620 (400 años después) este mismo juego fue propuesto a Galileo
por el Duque de Toscana. La inquietud del Duque era que había notado que las sumas 9
y 12 aparecen menos veces que las sumas 10 y 11, aun cuando para ambas sumas hay el
mismo número de combinaciones de números que las producen. Galileo encontró la
misma solución que aparece en el poema De Vetula, pero añadió una demostración
combinatoria completa de la solución, obteniendo 25 casos teóricos favorables para 9 y
12 y 27 para 10 y 11. En su solución, él tomaba en cuenta el orden de los dados y una
definición apropiada del espacio muestral: cada configuración de los sucesos posibles
tomando en cuenta el orden de colocación de los dados.
En estas dos soluciones dadas por Fournival y Galileo al juego con tres dados, se
observa la necesidad del análisis de la situación completa para contestar una pregunta.
El «número obtenido en la cara superior de un dado» es una variable aleatoria, de modo
que la «suma de las caras superiores obtenidas en los tres dados» también lo es. Se
manifiesta la necesidad de analizar una variable para estudiar el problema y asignar una
probabilidad (o posibilidad) a cada valor que toma. Tomando en cuenta que este es uno
de los primeros problemas de probabilidad resuelto en la historia (Batanero, Henry y
131
Parzysz, 2005), podemos decir que la definición de la variable aleatoria está en los
orígenes de la probabilidad, aunque de manera implícita.
También hay que observar que la motivación para el análisis teórico de las
posibles respuestas (tanto por parte de Galileo como por Fournival) se basa en
observaciones empíricas de los distintos posibles resultados y sus frecuencias. La
inquietud tanto del Duque de Toscana como de Fournival tuvo que haber sido producto
de una recopilación y análisis de muchos datos tomados de la experiencia, puesto que
pocas observaciones no habrían sido suficiente para hacer notable la diferencia que se
produce entre la aparición de sucesos que tienen 25 ó 27 casos favorables de entre 216
casos posibles. Es decir, se tuvo que haber hecho uso de variables estadísticas. Sin
embargo, en ninguno de los dos casos se hizo explícito el uso de la variable estadística
ni su vinculación con la variable aleatoria.
Cardano, Pascal, Fermat y Huygens enfocaron su interés por la predicción de los
juegos de azar en establecer las normas necesarias para tener un juego equitativo. En su
análisis recurrieron intuitivamente al uso de la distribución de las variables aleatorias
vinculadas y su valor esperado.
Aunque Cardano no visualizó su libro como un trabajo de índole matemático, su
Liber de Ludo Aleae (Cardano, 1953/1663) ha sido estudiado por muchos historiadores
como el más completo tratamiento del cálculo de probabilidades antes del libro de
Huygens. A Cardano se le atribuye la introducción de la idea de asignar una
probabilidad p entre cero y uno, tomando en cuenta el número total de resultados y el
número de casos favorables. Pero su gran aportación, fue sugerir explícitamente el uso
del «peso relativo de los sucesos favorables» en los juegos de azar para hacer una
apuesta equitativa. Recomendó a los jugadores usar el cálculo combinatorio y les dio
una regla general: «…deberemos considerar el circuito completo y el número de
lanzamientos que representan como puede ocurrir el resultado favorable en muchas
formas y comparar ese número con el resto del circuito, y de acuerdo a esa proporción
se deberán hacer las mutuas apuestas, así, se competirá en igualdad de condiciones.»
(Cardano 1953/1663, p 202). Por «circuito completo» Cardano se refería al número de
resultados elementales posibles.
En su principio fundamental del juego definió lo que debería de ser un juego
equitativo: «igualdad de condiciones… de dinero, de situación y del dado mismo»
(Cardano, 1953/1663, p 189). Cardano sustentó este principio en lo que en lenguaje
contemporáneo sería el número esperado de ocurrencias y equiprobabilidad: «…en seis
lanzamientos, cada punto debería aparecer una vez, pero ya que alguno se repetirá, a
esto seguirá que otro no aparecerá.» (Cardano, 1953/1663, p 191). En lenguaje
132
contemporáneo diríamos que a largo plazo esperamos que en seis lanzamientos, cada
punto aparezca una vez. Al reconocer que la equiprobabilidad es un ideal y que sólo se
puede obtener después de una serie de intentos repetidos, Cardano, no sólo menciona
una forma rudimentaria de la ley de los grandes números sino también trabaja
implícitamente con la relación tan delicada entre la probabilidad clásica y la frecuencial,
al mismo tiempo que maneja una variable aleatoria y una estadística, su vinculación en
el contexto del problema y la tendencia de una hacia la otra en tales situaciones.
La correspondencia entre Pascal y Fermat (Pascal y Fermat, 2007/1654) se
considera el punto de partida de la teoría de la probabilidad. En ese intercambio de
cartas, resuelven varios problemas haciendo uso de la combinatoria y del análisis de las
posibilidades que cada jugador tiene de ganar. Entre ellos, el problema de la apuesta
interrumpida propuesto a Pascal por el caballero de Meré ha sido de los más relevantes.
Dicho problema se cuestionaba sobre la forma en que una apuesta debía ser dividida
entre dos jugadores dado que el juego no había sido concluido, pero existían resultados
que podían dar cuenta de a quién estaba favoreciendo la suerte. Ambos autores
resolvieron el problema por diferentes vías, pero estaban de acuerdo en que había que
dividirla proporcionalmente en función de las posibilidades que cada jugador tenía de
ganar en el momento en que se interrumpiera el juego. Se dieron cuenta de que «hay
que buscar primero en cuántas partidas estará decidido el juego con toda seguridad…
Hay que ver, ahora, de cuántas maneras se combinan las partidas… y cuántas hay
favorables [a cada jugador]» (Pascal y Fermat, 2007/1654, pp 255-256). Es decir,
utilizan una variable aleatoria, aunque no la enunciaron explícitamente. Pascal y Fermat
resolvieron el problema para un caso particular de número de partidas, pero lo
intentaron resolver para varios casos y con varios jugadores, haciendo más complicada
la variable aleatoria y su distribución. Posteriormente, en su libro Traité du Triangle
Arithmétique (Pascal (1963/1654), demostró algunas propiedades de lo que a partir de
entonces se llamó El triángulo de Pascal, y las aplicó para producir una solución
sistemática del problema del reparto de las apuestas.
Hald (2003) menciona que uno de los primeros indicios del uso intuitivo de la
variable aleatoria fue el realizado por Christian Huygens (1629-94) en su libro De
Ratiociniis in Ludo Aeae (1714/1657). Huygens, como buen discípulo, retoma la
correspondencia de Pascal y Fermat y resuelve varios de los problemas discutidos por
ellos, entre ellos el problema de la apuesta interrumpida (Proposición IV).
Prop. IV: Suponiendo que juego contra otra persona esta condición, que quien gane
primero tres juegos se llevará la apuesta; y que ya he ganado dos juegos de los tres y él
sólo uno. Quiero saber qué proporción de la apuesta me correspondería, en caso de que
133
decidiéramos no continuar el juego y dividiéramos la apuesta entre nosotros (Huygens,

1714, p. 4).
En el análisis de su solución, Huygens hace explícita la variable necesaria a

analizar: «En primer lugar, debemos considerar el número de juegos que sigue deseando
[ganar] cada jugador» (Huygens, 1714/1657, p. 4), para ello, se sitúa en el contexto del
problema. También, de manera implícita, relaciona los valores de la variable con el
cálculo de la «expectatio», que define en su libro. En la proposición XIV, Huygens
plantea un problema donde puede observarse que hace uso de una variable que es una
suma y enfatiza: «la suma de dos resultados numéricos del experimento aleatorio de
lanzar dos dados»:
Prop. XIV. Supongamos que otro jugador y yo jugamos por turnos con un par de dados
bajo estos términos, yo ganaré si obtengo 7 puntos, o él si obtiene 6 puntos antes, y él
tiene la ventaja de lanzar primero. Hallar la proporción de nuestras oportunidades
(Huygens, 1714/1657, p 11).
En este primer momento, ya puede observarse el uso de variables que toman

valores numéricos (sobre todo en el trabajo de Huygens y de Pascal), que dependen del
contexto del problema y que se conciben como una norma que relaciona el espacio
muestral del experimento aleatorio con los valores numéricos. La variable aleatoria
todavía no se usa explícitamente, pero sí la idea de esperanza matemática y la obtención
de distribuciones de probabilidad de algunas variables aleatorias discretas asociadas a
problemas particulares, en juegos de dados u otros juegos de azar, aunque sus autores no
se plantean generalizar sus resultados.
También puede notarse la observación de los valores de la variable estadística y
la frecuencia con la que aparecían, así como que estaban interesados por comparar (o
explicar) sus resultados con los obtenidos en análisis teóricos de los fenómenos
aleatorios. Desafortunadamente, no se cuenta con alguna constancia de que los
jugadores llevaran tal recuento.
3. Elaboración de censos y previsión de datos socio económicos. La

variable estadística
Paralelamente al desarrollo de la teoría de la probabilidad a través de la resolución de
problemas de juego, en otro ambiente, se gestaba el nacimiento de la estadística a través
de la recopilación y descripción de datos sociales o económicos. Desde épocas muy
remotas el hombre ha tenido necesidad de realizar conteos y representaciones que
134
podrían considerarse recuentos estadísticos sencillos. La necesidad de conocer y

planear, en el sentido de saber qué es lo que se tiene y hacer accesible y manejable esa
información para tomar decisiones, ocasionó que poco a poco gobernantes,
comerciantes y militares realizaran censos y recuentos cada vez más sofisticados.
Siguiendo a Ríos (1994) y a Hald (2003), a continuación se incluye un resumen de estos
trabajos.
Se tienen indicios de que las actividades más antiguas de los estadísticos se
remontan a los judíos, egipcios, chinos, griegos y romanos, quienes realizaban censos de
tierras, riquezas, producción agrícola o de la población con objetivos tributarios,
militares o de distribución e incluso ya se mencionan en el Evangelio. Suponemos que
en esos recuentos y representaciones hubo un uso implícito de variables estadísticas,
pero no se cuenta con evidencias de previsiones con base en recopilaciones y análisis
más sistemáticos previos al siglo XVI. Las manifestaciones conocidas sobre el uso
implícito más formal de la variable estadística e incluso de la relación entre la variable
estadística y la variable aleatoria al tratar de generalizar a casos futuros son posteriores a
ese tiempo.
Una de las primeras compilaciones de las que actualmente se tiene conocimiento
fue la realizada por Sebastián Münster, quien dedicó gran parte de su vida a la
recopilación de datos en los ámbitos geográficos, etnográficos, políticos, militares y
sociales que reunió en su libro Cosmographia, escrito entre 1544 y 1550 (McLean,
2007). Su mayor influencia fue en cartografía, sin embargo, su recuento de datos, de una
vasta utilidad práctica en su época, resaltó la necesidad de las actividades censales.
Alrededor de 1590, en Londres, a propósito de conocer las muertes ocasionadas
por la peste, se comenzaron a registrar los bautizos y las defunciones acontecidas junto
con sus causas. Graunt, (1968/1662) se dio a la tarea de analizar y sistematizar la
información de 30 años para responderse preguntas que supuso de interés: «empecé,
entonces, no sólo examinando las Presunciones, Opiniones y Conjeturas, que la vista de
unas pocas Tablas me habían sugerido; sino admitiendo también otras nuevas, como
encontré razón y ocasión a partir de mis tablas» (p 111). Al plantearse preguntas,
definió variables, algunas de ellas, por su naturaleza numérica, fueron variables
estadísticas. También fue capaz de detectar, de manera implícita, las variables
estadísticas que pudieran ser susceptibles de análisis a partir de los datos con los que
contaba.
En su obra Natural and Political Observations mentioned in a following Index, y
made upon the Bills of Mortality, Graunt (1968/1662) recopiló los datos de múltiples
variables estadísticas y se preocupó por describir cómo fueron tomados los datos (por lo
135
tanto su confiabilidad), analizó las proporciones de las causas de las muertes

(comparándolas con el total y entre sí) y efectuó predicciones sobre el número de
personas que morirían de algunas enfermedades y las proporciones de nacimientos de
varones y mujeres que cabría esperar. En estos análisis se puso en evidencia la
regularidad de ciertas proporciones y estableció la uniformidad y previsibilidad de
muchos fenómenos poblacionales y de salud pública cuando se tienen muchos datos.
También dejó planteadas otras preguntas que podrían ser contestadas a partir de datos y
que ayudarían a un «buen gobierno» en la planificación, evaluación, control y
pronóstico de tendencias sociales. Por lo tanto, Graunt también trabaja implícitamente
con variables aleatorias, puesto que se plantea problemas de inferencia a las poblaciones
de donde provienen sus datos.
El trabajo de Graunt fue muy reconocido y fomentó el estudio de las estadísticas
en Europa, particularmente en Francia e Inglaterra.
Las actividades censales poco a poco se fueron introduciendo en muchos países
y en siglos posteriores tuvieron tanta importancia que incluso se crearon asociaciones y
sociedades para tal fin. Junto con esta actividad, también se obtuvieron formas de
analizar las actividades humanas basándose en datos, lo que trajo consigo usos más
complejos de la variable estadística.
Una de las primeras obras en las que la probabilidad y el registro estadístico de
datos empíricos fueron aplicados al análisis de fenómenos distintos a los juegos de azar
es el ensayo An argument for divine providence, taken from the constant regularity
observed in the births of both sexes, publicado por John Arbuthnott (1667-1735) en
1710. En él, Arbuthnott, influenciado por los trabajos de Fermat, Pascal y Huygens,
aplicó la relación Binomial al estudio de la proporción que debería haber entre los sexos
de los pájaros que nacen en una nidada. Supuso que la población de pájaros debería
estar constituida por igual número de machos que de hembras (p = ½) y calculó
teóricamente el número de machos (M) y hembras (F) posibles procreados en un nido
que tiene un número n de huevos mediante la ley Binomial (M+F)n. Sus resultados
indicaron que se esperaría que el número de aves machos y hembras que nacieran en el
nido fuera el mismo independientemente del número de huevos que hubiera en el nido.
Sin embargo, su experiencia como observador de aves le indicaba que había un mayor
número de aves machos que hembras y por lo tanto concluyó que no se cumplía la
distribución propuesta por Pascal.
Arbuthnott no se conformó con esto, sino que aplicó el mismo análisis teórico a
la distribución de sexos en los seres humanos y comparó los resultados obtenidos con
los registros de bautismos realizados en Inglaterra entre 1629 y 1710. Los registros
136
indicaron que el número de niños nacidos fue superior al número de niñas en esos 81
años, pero además en una proporción constante. Ante este hecho concluyó que la
proporción no igualitaria existente entre el número de niños y de niñas que nacen cada
año en Inglaterra no estaba gobernada por el modelo ideal de la probabilidad atribuible
al azar, sino que esa proporción entre los dos sexos estaba regida por el misterioso «arte
de la Divina Providencia» que escapaba a la comprensión del intelecto humano.
Aunque el escrito de Arbuthnott claramente se inclina por un misticismo
religioso, sus estudios pusieron en duda que el modelo clásico de la probabilidad
desarrollado por Pascal y Fermat rigiera todos los fenómenos de la naturaleza, pero
también para hacer notar la diferencia entre los modelos matemáticos ideales de la
probabilidad y la forma en que ocurren esos fenómenos en la realidad. Es decir, dio a
conocer que el modelo clásico de la probabilidad desarrollado por Pascal y Fermat
puede resultar controvertido para estudios fuera de los juegos de azar.
Observemos que este estudio Arbuthnott siguió un proceso de modelación
diferente al seguido por los autores que indagaron sobre los juegos de azar descritos en
el momento histórico anterior (Apartado 2 de este capítulo). Él estaba entusiasmado con
la teoría de probabilidades y trató de llevarla a los fenómenos naturales, a diferencia de
Galileo, Pascal y Fermat, quienes partieron del análisis de la realidad para generar
teoría. Pero en este proceso también usó una concepción de aleatoriedad más moderna,
puesto que su razonamiento fue que si el fenómeno no seguía los derroteros dados por la
entonces naciente teoría de probabilidad, entonces el fenómeno no podía considerarse
azaroso y buscó otra explicación para su comportamiento.
De este modo en la mente de los investigadores paulatinamente surgía la
necesidad de acoplar cada vez más la teoría de probabilidades al estudio estadístico de
los fenómenos aleatorios (Hald, 2003), pero también a la inversa, de aplicar los modelos
generados a la realidad en la que vivían.
Una de las ciudades que llevaba el recuento de las defunciones y nacimientos
con mucha regularidad y minuciosidad fue Breslau. Alrededor de 1690 el registro había
sido llevado por más de un siglo y la cantidad de datos acumulados atrajeron el interés
de dos investigadores interesados en resolver distintas cuestiones: Gaspar Neumann y
Edmund Halley. Después de revisar miles de partidas de defunción, Neumann probó la
falsedad de la antigua creencia popular de que en las edades «climatéricas» (múltiplos
de 7) hay más propensión a adquirir enfermedades y morir que en el resto de su vida.
Sin embargo demostró que sí había ciertas edades (en la infancia y en la ancianidad) en
las que el ser humano estaba más susceptible de morir, puesto que ahí es donde se
presentaban mayores defunciones.
137
Los datos de Breslau fueron conocidos por Halley gracias al trabajo de Neumann
y los aplicó en el estudio de la vida humana. Hizo un exhaustivo análisis de las tasas de
mortalidad y calculó las «posibilidades»1 que tiene una persona de morir a una cierta
edad para regular el precio de los seguros de vida. Sus cálculos fueron la base de los
trabajos de esperanza de vida y los índices de mortalidad que hoy utilizan muchas las
compañías de seguros.
Tanto Neumann como Halley analizaron la variable estadística: «edad de las
personas que mueren» y la relacionaron con la mortalidad anual (Halley, 1693, p 599).
Ambos trabajaron con variables estadísticas y sus distribuciones e incluso trataron de
ajustar curvas matemáticas para hacer predicciones. De alguna forma, fueron
precursores de la función de densidad, aunque no usaron explícitamente las ideas de
variable estadística o aleatoria.
Halley también se dedicó a la astronomía y es de suponerse que conocía el
trabajo de Galileo. Su más famoso descubrimiento fue la predicción del año de
aparición del cometa que hoy lleva su nombre. Gracias al análisis de viejos datos
acumulados descubrió que las orbitas de los cometas aparecidos en 1531, 1607 y 1682,
eran muy parecidas y dedujo que correspondían a un mismo cometa. Estimó que el
periodo de aparición era de 76 años y predijo que volvería a aparecer en 1758. Su
experiencia en estos trabajos hizo que le llamaran la atención los datos de Breslau.
Halley empleó los razonamientos estadísticos usados en astronomía para estudiar datos
poblacionales y sociales y los hizo progresar hacia nuevas herramientas de análisis.
También se percató de la valía de los grandes números, al mencionar que de tener un
mayor número de datos, el cálculo sería más confiable:
…he realizado lo que el corto periodo de observaciones ha permitido con relación a la

exactitud… Si su autor, el Dr. Neumann pudiera continuar con ellas de la misma manera
por algunos años más, entonces las irregularidades eventuales y la aparentemente
discordancia de la tabla podrían ser rectificadas y establecerse con un cierto número de
posibilidades (Halley, 1693, p 656).
Trabajando con un problema muy distinto, Galileo Galilei también se ocupó por
el recuento de datos y por el análisis en una variable estadística continua. Desde la
época de la Revolución Copernicana, los astrónomos organizaban los registros de las
observaciones del movimiento de los planetas. Galileo concentró su atención en los
diferentes valores que se obtienen al realizar varias veces la misma medida para
1
Halley (1693) usa la palabra «odds» y en algunas ocasiones la palabra «probability», aparentemente en
el mismo sentido. Sin embargo, no debemos confundir su definición con las actuales acepciones de
nomios o probabilidad. En Halley traduciremos ambos términos como «posibilidad».
138
encontrar la distancia de una estrella a la tierra de manera indirecta. Analizó las

propiedades de los errores observados (aleatorios) y encontró que son más frecuentes
los errores pequeños que los grandes, que los errores por exceso son tan frecuentes
como los errores por defecto y que la mayoría de las mediciones se agrupan alrededor
del valor medio. Además definió una única distancia verdadera y observaciones sujetas
a variaciones (Hald, 1986). Es claro que en estos análisis Galileo manejó implícitamente
variables aleatorias y estadísticas y sus distribuciones (aunque nunca las mencionó
como tales), pero también con «el cuadrado del error medio», que es nuestra actual
varianza. Los errores son una variable aleatoria de distribución desconocida y usó a la
variable estadística para aproximarse a ella. Actualmente sabemos que esa distribución a
la que Galileo se aproximó es la Normal estándar.
Otros grandes matemáticos, como Daniel Bernoulli (1700-1782), se enfocaron al
estudio de fenómenos sociales y económicos basándose en datos empíricos. En su obra
Bernoulli (1954/1738) afirmó que un comerciante racional siempre debe actuar
motivado por obtener la máxima utilidad posible, la cual puede ser calculada mediante
procedimientos matemáticos. Además, debe calcular cuál es el riesgo que existe para
alcanzar ese premio (la utilidad), y la manera como ese riesgo incide económicamente
en la expectativa de ganancia. De este modo Daniel Bernoulli inicia la econometría, es
decir, la utilización de datos estadísticos para prever y calcular los riesgos más comunes
que fortuitamente pueden afectar las expectativas de ganancia en un negocio, así como
la aplicación de la teoría de la probabilidad para adoptar decisiones acertadas frente a
los riesgos posibles fortuitos que pueden ocurrir. Estas teorías y modelos matemáticos
fueron aprovechados en primer lugar por las empresas aseguradoras y posteriormente en
las transacciones comerciales de los mercaderes, prestamistas y burgueses que darían
impulso al surgimiento de las primeras fábricas dentro de lo que más tarde sería
conocido como la Revolución Industrial.
La obra de Bernoulli sirvió de referente y fundamento para el tratamiento
matemático de conceptos tales como la aversión al riesgo, las reservas de capital que se
deben hacer para cubrir posibles contingencias, la toma de decisiones en estado de
incertidumbre y la teoría de la ruina. Es de suponerse que los primeros casinos que
surgieron durante el siglo XVIII comenzaron a tener en cuenta ese conocimiento
matemático en la explotación comercial de las apuestas en torno de los juegos de azar
(Hald, 1986).
Durante este momento histórico, los registros estadísticos realizados con fines
diversos dieron lugar también a la comprensión y mejor análisis de la variable
estadística y a vincularla cada vez más con la variable aleatoria, aunque de una forma
139
implícita. Observemos que este avance no hubiera sido posible si no se hubiera

percibido la importancia de la variable numérica como una forma de vincularse con los
resultados que se estaban obteniendo en probabilidad.
4. Teorema central del límite y modelos generales de distribuciones

A finales del siglo XVII, la introducción de procedimientos y análisis matemáticos en la
descripción de fenómenos demográficos, políticos y sociales ayudó a que grandes
matemáticos de la época se percataran de la importancia de los datos observados e
impulsó la necesidad de abstraer y formalizar el conocimiento estadístico sobre los
sucesos aleatorios que hasta entonces se había utilizado en la resolución de problemas
específicos.
La noción de variable aleatoria apareció desde los primeros intentos por definir
los conceptos generales que había detrás de los casos particulares, pero no había
necesidad de definirla como objeto matemático o hacerla explícita. Los primeros pasos
en su definición los dio Simón D. Poisson. Posteriormente Pavnutii Chebyshev y
algunos de sus discípulos la hicieron patente y evidenciaron sus propiedades. Sin
embargo, anteriormente Jacob Bernoulli, Abraham De Moivre y Pierre Simón Laplace
no sólo la habían manejado implícitamente en sus teorías y conceptualizaciones, sino
también comenzaron a hacerla explícita en casos particulares. Su avance histórico
aparece ligado fuertemente al desarrollo progresivo del teorema central del límite y,
paralelamente, al estudio de los modelos generales de estas distribuciones.
En este apartado haremos un estudio de este desarrollo. Retomaremos el trabajo
de Alvarado (2007), quien no analizó la emergencia de la variable aleatoria en este
periodo. Detallaremos las aportaciones de los diferentes autores a esta evolución, desde
Jacob Bernoulli hasta Pavnutii Chebyshev y sus discípulos.
4.1. Las aportaciones de Jacob Bernoulli

La obra El Arte de la Conjetura (Bernoulli, 2006/1713), fue publicada póstumamente y
se estima que fue escrita entre 1685 y 1705 (Hald, 2003 y Sylla, 2006). Es considerada
uno de los trabajos más importantes en probabilidad (García, 1971; Hald 2003 y Sylla,
2006). La intención de Bernoulli era fundamentar el cálculo de probabilidades como un
instrumento que mejora la habilidad de los ciudadanos para tomar decisiones en ámbitos
diversos y situaciones complejas. No logró concluir su obra, pero sí estableció un punto
de inflexión entre las matemáticas de los juegos de azar y una teoría matemática del
140
azar, que podía aplicarse a los asuntos morales, cívicos y económicos. De importancia
tanto filosófica como matemática, en este trabajo no sólo encontramos las primeras
demostraciones probabilísticas, sino también mejores aproximaciones al concepto de
probabilidad, cosa que permite, por vez primera, establecerlo en un sentido
epistemológico (Sylla, 2006).
La principal aportación de Bernoulli es el enunciado del primer teorema del
límite en la teoría de probabilidad, al que él llamó proposición principal, pero no es
menos importante que lo demostrara de manera rigurosa (Bernoulli, 2006/1713, pp.
330-335). Hald (2003) tradujo a la nomenclatura actual la comprobación de Bernoulli
de la ley débil de los grandes números y mostró que está completa y es rigurosa (pp
259-262). Aunado a este rigor matemático, Bernoulli visualiza que debe haber una
tolerancia del resultado empírico con respecto al teórico, que permitiría aplicar la
probabilidad a ámbitos en los que no se pueden conocer la probabilidad teórica de los
resultados posibles de un experimento aleatorio. Es decir, establece un puente entre el
mundo empírico con el teórico. Desde nuestro objeto de interés, el establecimiento de
una «tolerancia» implica que la variable estadística y la variable aleatoria nunca podrán
llegar a ser las mismas.
Bernoulli (2006/1713) también hace un tratamiento sistemático de la
combinatoria como una forma de conocer los distintos modos en que se puede dar un
acontecimiento y así calcular su probabilidad (3ª parte, pp 193-250). Sin embargo él
también fue consciente que ésta teoría sería poco empleada para obtener la probabilidad
en situaciones distintas a las de los juegos de azar y propuso obtener la probabilidad a
través de aproximaciones sobre la base de frecuencias empíricas:
si finalmente la certeza moral es alcanzada de esta forma (lo cual demuestro en el

siguiente capítulo), podemos encontrar a posteriori el número de casos [favorables y
totales] casi con la misma certeza como si los hubiéramos conocido a priori» (p. 328).
Bernoulli concibe la probabilidad como el grado de certeza (conocimiento) que

los seres humanos podemos tener de los acontecimientos (pp. 315-316) y la deslinda de
la asignación, que, afirma, puede hacerse de dos formas: a través del conteo de los casos
posibles y totales en el espacio muestral (la actual probabilidad laplaciana) y a través de
la observación múltiple de los resultados de pruebas similares (la actual probabilidad
frecuencial). Intuitivamente, Bernoulli sabía que las frecuencias relativas tendrían que
converger a la auténtica probabilidad y creyó que podría estimarla con el grado de
precisión deseado e incluso determinar el número de pruebas necesarias para garantizar
esa precisión. Estos intentos fueron los que lo condujeron a la formulación de lo que
141
actualmente conocemos como la ley débil de los grandes números o teorema de

Bernoulli.
Bernoulli también se preocupa por hacer comprensible su discurso y usa
notación matemática para la definición de sus variables. Es de esperarse que este uso
más explícito y metódico de sus variables facilitara la generalización de su teoría.
Observemos el uso de las variables en la generalización de la solución de Huygens al
problema de las tiradas de dos o más dados en su XI proposición:
…el número de formas en las cuales m puede ser obtenido tirando n dados es igual al
coeficiente de xm en el desarrollo de (x + x2 + x3 + x4 + x5 + x6)n como una serie de
potencias de x (Bernoulli, 2006/1713, p 157).
Aunque en la notación de Bernoulli no distingue una variable de un parámetro,

es evidente que en este problema su variable de interés es m: «la suma de los números
obtenidos en las caras superiores de los dados», a la que llama resultado. Es notorio que
Bernoulli percibe que, dado el número n de dados, m será la que varíe durante una
partida. También se observa que n es un parámetro y x sólo es una variable auxiliar que
sólo está definida por la forma en que Bernoulli desarrollaba las combinaciones. Es de
llamar la atención que la variable auxiliar es representada por una última letra del
alfabeto. Es decir, Bernoulli ya comienza a tener una notación diferenciada.
En el Arte de la Conjetura, se retoman y se proporcionan nuevos métodos de
solución a los problemas tratados por Huygens (1714/1657). Bernoulli también se
interesó por generalizar las soluciones, variando todas las condiciones posibles. Llegó a
relacionar algunos de los valores de las variables aleatorias con su probabilidad y en
algunos casos, llegó a obtener la distribución de probabilidad completa, como en el caso
del problema de la propuesta interrumpida, en donde expresa la distribución de
probabilidad en forma tabular o en el caso del problema de la ruina del jugador. En este
sentido, su aportación más importante fue la expresión general de la distribución que
actualmente conocemos como Binomial, y que formula de la siguiente manera:
…la expresión general para la probabilidad de que [el éxito] ocurra al menos m veces en
n intentos, cuando es conocida la probabilidad de un intento, consistiría de los términos
de la expansión de (b/a + c/a)n desde (b/a)n hasta el término que involucra
(b/a)m (c/a)n-m, ambos inclusive, en donde b/a y c/a es la probabilidad de éxito y falla en
un intento, respectivamente (Bernoulli 2006/1713, p. 165).
La función de distribución Binomial usada por Bernoulli tendría su equivalente

actual en:
142
1-B(n-m,n,q) = B(m-1,n,p), donde p=b/a y q=c/a. (Hald, 2003, pp. 226-227)
En esta fórmula, Bernoulli identifica el ensayo que actualmente conocemos

como ensayo Bernoulli, y se percata de la necesidad de independencia entre uno y otro
ensayo. También trabaja implícitamente con dos tipos de variables aleatorias: (1) una
variable asociada directamente con el ensayo Bernoulli, a la que se le asocia 1 ó 0 para
éxito o fracaso, respectivamente; y (2) otra variable aleatoria corresponde a la suma de
éxitos en n ensayos, es decir, es la suma de n variables aleatorias Bernoulli.
Una tercera variable aleatoria implicada no usada por Bernoulli como tal es la
proporción entre el número de éxitos y el tamaño n de la muestra extraída.
Aparentemente, él comprendió que al realizar empíricamente varios ensayos Bernoulli,
la proporción del número de éxitos con respecto al total, variaría, pero no llegó a
establecer una teoría de las proporciones muestrales con n fija. En cambio, se enfocó a
lo que ocurriría si se incrementaba el tamaño n de la muestra. Él se propuso demostrar
matemáticamente que empíricamente la proporción convergería en el valor numérico de
la probabilidad conforme n se hiciera cada vez más grande (la ley débil de los grandes
números). Bernoulli trabajó con intervalos de proporciones que fluctuaran alrededor de
la probabilidad teórica: buscó el número de ensayos tal que la probabilidad de que la
proporción de un suceso diferiría de la probabilidad del suceso tuviera una probabilidad
muy cercana a uno, a la que llamó certeza moral.
Bernoulli recurrió al ejemplo de extraer bolas de una urna en la que había 3000
bolas blancas y 2000 bolas negras. Esta proporción era desconocida para el observador
encargado de extraer con remplazo una bola al azar un número grande de veces. El
resultado era anotando cada vez. De esta forma, Bernoulli también trabajó con las
variables estadísticas: «1, si la bola extraída era blanca, 0 si la bola extraída era negra» y
con «el número de bolas blancas extraídas en n ensayos». Desde una perspectiva
teórica, se conoce cómo se comportarían estas variables, y por lo tanto, sus
correspondientes variables aleatorias son las mencionadas en el párrafo anterior, pero
desde una perspectiva empírica (para un observador), su distribución era desconocida.
La preocupación de Bernoulli estaba enfocada en estimar la probabilidad cuando no
fuera posible deducirla teóricamente, lo que implicaba necesariamente recuento de datos
y por lo tanto, el uso de la variable estadística. Esto condujo no sólo a trabajar con
ambos tipos de variables sino también se ocupó de su correspondencia y convergencia
cuando se quiere estimar la distribución de probabilidad a través de un procedimiento
empírico.
143
Jacob Bernoulli no llegó a aplicar sus resultados a asuntos civiles, morales o

económicos, como prometía el título de la cuarta parte de su libro, pero su sobrino,
Nicolas Bernoulli sí lo hizo, haciendo más evidente la relación entre la variable aleatoria
y la estadística. Nicolas también mejoró el método de aproximación de Jacob a la
Binomial con una forma de cálculo más fácil, que posteriormente de Moivre retomaría
para introducirse al estudio de la distribución normal (Hald, 2003).
4.2. Las aportaciones de Abraham de Moivre

De Moivre (1756)2 estableció un cambio con respecto a anteriores libros de
probabilidad. Primero, porque el lenguaje evolucionó notablemente después de la
publicación del Arte de la Conjetura ya que se comenzó a abandonar el latín y a
escribirse o a traducirse contemporáneamente al inglés o al idioma del autor, lo que hizo
que un vocabulario especialista se desarrollara más rápidamente al trabajar con un
idioma vivo. En segundo lugar porque de Moivre ya mostraba un enfoque conceptual
distinto, en donde separó claramente la probabilidad de un suceso de su valor o de su
esperanza. En su tercera edición (1756) estableció el paradigma de la probabilidad
matemática, desligándose de problemas filosóficos y dando un sustento teórico a todas
sus proposiciones (Sylla, 2006). Influenciado por el rigor matemático de la época, se
preocupó por establecer definiciones y reglas previas a la aplicación en problemas y por
graduar la dificultad de los problemas que resuelve hasta llegar a generalizaciones.
De acuerdo con Pearson (1924), de Moivre escribió el primer tratamiento de la
probabilidad integral y la esencia de la curva Normal. Las herramientas matemáticas
aportadas al campo de la probabilidad fueron diversas. La regulación, profundización y
generalización de los problemas le permitió el estudio del comportamiento de las
distribuciones de probabilidad de diversas variables aleatorias. También estudió desde
una perspectiva teórica la convergencia de la frecuencia relativa hacia la probabilidad,
lo que lo condujo a las sentar bases para caracterizar una distribución de probabilidad y
a la expresión de la distribución normal.
Estudió el mismo problema planteado por Bernoulli partiendo de distinta
perspectiva. Mientras que Bernoulli estaba interesado en definir el número de ensayos
que habría que hacer para conocer la probabilidad de éxito en sucesos en donde no era
posible conocerla teóricamente, de Moivre buscaba conocer el grado de precisión de
una serie de ensayos en donde se conoce la probabilidad de efectuar un ensayo. La
2
Aunque De Moivre publicó diversos artículos sobre probabilidad en las Philosophical Transactions a
partir de 1708, todos esos trabajos se concentraron en las tres ediciones de su obra La Doctrina del azar
(1718, 1738 y 1756).
144
respectiva solución de ambos estaba en función de la probabilidad del intervalo del

número de éxitos, lo que les obligaba a trabajar con un coeficiente binomial que
contenía factoriales de números muy grandes. En palabras de de Moivre, éste era «el
problema más difícil que puede ser propuesto en el tema del azar» (de Moivre, 1756, p
242). Jacob y Nicolas Bernoulli propusieron su cálculo a través de aproximaciones
suficientes para sustentar la Ley de los grandes números de Jacob Bernoulli. De Moivre
buscó una mejor aproximación y encontró una primera expresión de la distribución
Normal y la aproximación de la distribución binomial a través de distribución normal,
que sería una de las ideas precursoras del teorema central del límite (Alvarado, 2007) o
el primer ejemplo de este teorema (Hald, 2003).
De Moivre partió de un problema que, en su forma más general dice:
A y B compiten con diferentes posibilidades de ganar un juego, supondré que las

posibilidades respectivamente son a es a b. Después de un cierto número de juegos n, la
competencia se acaba y el jugador A le dará a un espectador S tantas piezas como
número de juegos ganados tenga por encima de y B le dará tantas piezas como
juegos ganados tenga por encima de . Encontrar la esperanza de S (de Moivre,
1756, p. 241).
La esperanza de S también podría haber sido interpretada como «la medida de la

dispersión de la frecuencia relativa alrededor de la probabilidad p» (Hald, 2003, p 471).
La solución de este problema condujo a de Moivre a la Ley de los grandes números,
formulada a partir de la esperanza de la diferencia entre la probabilidad y la frecuencia
relativa. También a preguntarse por las probabilidades en contra de que en una serie de
ensayos se presente una desviación del valor esperado muy grande. Este último
problema, él lo enuncio como «el grado de asentimiento que le es dado a los
experimentos» (de Moivre, 1756, p. 242).
La generalización de ese problema, suponiendo que cada evento tiene las
mismas probabilidades de ocurrir, le permitió demostrar que la mayoría de los datos
tienden a agruparse alrededor de un valor central (la media), y delimitó el tamaño de la
zona donde se deben encontrar la mayoría de los datos:
…ese evento no aparecerá frecuentemente más de √ veces, ni raramente más
de √ veces, que se puede expresar por la suma doble del valor obtenido en el
segundo corolario, esto por 0,682688 (de Moivre, 1757, p. 246).
145
Con lo cual describió teóricamente, sin percatarse de ello, lo que Galileo ya

había notado empíricamente con respecto al comportamiento de la distribución de los
errores aleatorios (Normal estándar), pero también descubrió un método para describir
las desviaciones con respecto a un valor central, sentando las bases para caracterizar las
distribuciones con objetos matemáticos muy usados actualmente, tales como la media,
la desviación típica, la regularidad estadística y la simetría.
El método de aproximación de la suma de los términos del binomial, también
condujeron a otros aportes importantes. De Moivre encontró la ecuación general:
l 2
1
y  yo e 2 , halló el valor de yo 
2
(con la ayuda de su amigo James Stirling) y
2
mostró que su integral es una buena aproximación para el cálculo de probabilidades de
la distribución Binomial cuando n es grande, por lo que muchos autores consideran a de
Moivre como el padre de la distribución Normal. Además, con este resultado también
determinó una relación importante entre variables aleatorias discretas y continuas y
estableció las bases para el desarrollo posterior del teorema central del límite (Alvarado,
2007). Su trabajo en pro de la Normal también daría lugar a la idea de función de
densidad para las variables continuas.
Su afán en la generalización de los problemas que trabajó, también llevaron a de
Moivre a deducir el método de cálculo de algunas actuales distribuciones de
probabilidad. Así, el problema de despejar el número de ensayos de la distribución
Binomial para obtener una cierta probabilidad, lo condujo a deducir la distribución
Poisson (de Moivre, 1984/1712, pp 239-243, y Hald, 1986 y 2003) cuando se propuso
calcular el número n de ensayos necesarios para que un jugador compitiera de manera
equitativa si su apuesta fuera obtener c éxitos en n ensayos y la probabilidad p de un
éxito fuera conocida. Así mismo, dedujo la distribución Hipergeométrica (de Moivre,
1984/1712, pp 247-248) al generalizar el problema de obtener 3 fichas blancas al sacar
7 fichas al azar de un recipiente que contiene 4 fichas blancas y 8 negras. Otra
distribución más que sobresale en sus trabajos, fue la Binomial negativa al generalizar el
problema de la división de una apuesta (de Moivre, 1984/1712, pp 243-244).
De Moivre también era consciente de que el modelo teórico no necesariamente
tenía que concordar con lo que se obtenía al realizar experimentos y de que habría que
tener cuidado al aplicar la teoría a problemas prácticos:
Los sucesos en una larga racha podrían caer en una proporción diferente de la real…
Por lo tanto, se deberían asignar momios en contra de una variación tan grande de la
146
igualdad, así la mente estaría mejor dispuesta a las conclusiones derivadas de los
experimentos (de Moivre, 1756, p 242).
Sus artículos y libros son totalmente deductivos, por lo que es posible que de
Moivre no se haya ocupado de colectar o analizar observaciones. Sin embargo, lo cierto
es que profundizó teóricamente en la probabilidad frecuentista y en su relación con un
modelo teórico ideal, que, a largo plazo, conduciría a la relación entre la variable
estadística y la aleatoria.
Es importante notar que, aunque logra generalizaciones y ecuaciones que
posteriormente darían paso a la formulación de diversas distribuciones, él las establece
como métodos para el cálculo de probabilidades y no como distribuciones de
probabilidad o funciones de densidad, puesto que para ello era necesario el concepto de
variable aleatoria que aún no se visualizaba.
Así mismo, se observa que a pesar de sus contribuciones a la aproximación de la
Binomial a través de la Normal, de Moivre no trabajó con variables continuas
explícitamente, ni tampoco hay indicios de que él pudiera percatarse de la existencia de
un tipo de variables que no fueran numéricas. Sin embargo pareciera una necesidad de
la época. Si las variables enunciadas por de Moivre no hubiesen sido numéricas, no le
hubiese sido posible aplicar el análisis matemático en boga ni tampoco obtener
generalizaciones. Esto concordaba enteramente con el pensamiento científico de
entonces, en el que se apoyaba la vertiente de las ciencias exactas y la imagen ideal de
un universo determinista. Gran parte de este pensamiento se reflejaba en el lenguaje
empleado y la estructuración de sus escritos.
En esa época, los científicos usaban la idea de variable ligada al estudio del
análisis matemático. Comúnmente la llamaban cantidad o magnitud variable, lo cual
evidenciaba su carácter de cualidad vinculada con la medición, proceso a través del
cual, la cualidad podría tomar distintos valores. La economía del lenguaje fue dando
paso al uso de una sola palabra y la distinción entre las cantidades que no varían y las
que sí, hizo que predominara la sustantivación del adjetivo y fuera nombrada solamente
«variable» (Gómez, 2008). Actualmente se conceptualizan distintos tipos de variables,
así mismo la idea de variable numérica se concibe de manera distinta en el ámbito
determinista que en el probabilista, sin embargo en este momento histórico no se
distinguía un tipo de ciencia de la otra y los probabilistas usaban el término bajo una
acepción similar a la que los calculistas empleaban para denotar sus variables. No se
vislumbraba, aún, la necesidad de distinguir un concepto propio para el ámbito
probabilista.
147
4.3. Las aportaciones de Gauss, Legendre y Laplace

A comienzos del siglo XIX, los matemáticos Johann Karl Friedrich Gauss (1777-1855)
Adrien−Marie Legendre (1752-1833) y Pierre−Simon Laplace (1749-1827) retomaron
el análisis numérico de los errores de mediciones en física y astronomía, a propósito del
problema de cómo determinar el mejor valor leído por un instrumento que entrega
diferentes mediciones del mismo fenómeno.
Desde finales del siglo XVI, Galileo ya había detectado algunas características
de los errores de las medidas astronómicas (ver apartado 3 de este capítulo) y los había
clasificado en dos tipos: los sistemáticos, debidos a los métodos y las herramientas de
medida; y los observados (aleatorios), que varían impredeciblemente de una medida a
otra. Sin embargo no había una teoría que sustentara cuál debía ser el valor más
confiable de las observaciones empíricas, ni un método que determinara numéricamente
el comportamiento aleatorio descrito por Galileo. No fue sino hasta principios del siglo
XIX que Legendre, en 1807, y Gauss, en 1809, basándose en el trabajo de de Moivre,
propusieron y desarrollaron un método para determinar el valor único z de la medición,
de manera que una función de los errores cuadráticos fuera mínima. La solución dio
como resultado el promedio de las mediciones, valor alrededor del cual se agrupan, y el
principio del método de mínimos cuadrados para la estimación de parámetros. Gauss,
además, demostró que, bajo ciertas condiciones generales, la probabilidad de los errores
∆
de medida podía calcularse mediante la forma ∆ y relacionó los errores
√
de las mediciones con la aproximación a la binomial cuando n es grande. También

reformuló algunos de los corolarios de de Moivre y manejó más implícitamente ideas
semejantes a los actuales de varianza y desviación típica para calcular el error de la
estimación de probabilidad.
Pierre Simón Laplace también se interesó y aplicó con éxito el cálculo de
probabilidades en problemas de las medidas astronómicas, pero, del trabajo de de
Moivre, también retomó la aproximación a una Binomial a través de una Normal. Ello
dio lugar a una versión del teorema central del límite para una suma de variables
aleatorias idénticamente distribuidas (Teorema de Moivre-Laplace), en donde
generalizó el resultado para el caso discreto (cualquier p) e introdujo algunos casos
continuos, aunque no lo demostró para una función arbitraria (Alvarado, 2007). Este
resultado extendió y profundizó el uso de las variables aleatorias, con la identificación
de las condiciones de independencia e idénticamente distribuidas, así como con el
inició del trabajo con variables continuas. Más tarde, este resultado devendrá en el
148
planteamiento de distribuciones muestrales, lo que también contribuirá a la vinculación

entre las variables aleatoria y estadística.
En la recopilación de sus trabajos en Teoría analítica de las probabilidades,
Laplace (1812) iría más allá del cálculo clásico de probabilidades. Su objetivo fue
establecer una teoría que sirviera a la gente para tomar «decisiones razonadas». En él,
además del rasgo cualitativo de aplicabilidad, emerge la relevancia de los métodos
analíticos específicos de una teoría de probabilidad. Su obra no sólo es importante por la
sistematización del conocimiento sino también por el uso de un lenguaje moderno y la
incorporación palpable del análisis matemático en probabilidad. Sus antecesores usaban
una descripción narrada para indicar la forma del cálculo de probabilidades, Laplace
formula ecuaciones y funciones e incluso usa explícitamente los términos función y
ecuación. La más notable herramienta que incorpora del análisis matemático es la
integral (incluso en su notación matemática) para el cálculo de las cotas dentro de las
cuáles se encontraría la probabilidad de la suma de un número grande de variables
aleatorias. Con lo que, de alguna manera, comienza a trabajar con la idea de lo que más
adelante sería la función de densidad, aunque aún no de manera tan completa, puesto
que su interés no era propiamente la definición de una función de la variable aleatoria,
sino una función que le proporcionara los valores de las cotas entre las que estaría la
probabilidad buscada. Éste uso del lenguaje y del análisis, también le da acceso a un
mayor uso y generalización a las variables. En el siguiente ejemplo se puede observar el
nivel de formalización de la variable aleatoria:
Sean i cantidades variables y positivas t , t1 , t2 , ... , ti 1 , de las cuáles su suma es s, y de

las cuales la ley de posibilidad es conocida; se propone encontrar la suma de los
productos de cada valor que pueda recibir una función dada  (t , t1 , t 2 ,...) de esas
variables, multiplicadas por la probabilidad correspondiente a este valor (Laplace, 1812,
p. 262).
En el texto anterior se identifica el uso de los términos cantidades variables para

referirse a las variables aleatorias t así como a su carácter numérico y hace referencia a
su dominio, que hoy entendemos como los números reales positivos. Por otra parte,
Laplace identificaba claramente las i variables aleatorias t , t1 , t2 , ... , ti1 , así como otra
variable s correspondiente a su suma. Así mismo, realiza operaciones sobre las variables
y sus probabilidades. Todos son elementos esenciales de la composición de las variables
aleatorias entendidas desde la perspectiva moderna.
149
Laplace utiliza con frecuencia el término ley de posibilidad a lo largo de todo su

trabajo y lo distingue de la probabilidad, como, a modo de ejemplo, puede verse más
claramente en esta otra cita donde acota los valores que puede tener su variable α:
Ahora, si conociéramos el límite y la ley de posibilidades de los valores de  , nada

sería más fácil que resolver exactamente este problema; porque si nombramos q a este
límite y si representamos por  ( ) a la posibilidad de  , vemos primero que  tiene
necesariamente que caer entre 0 y q, la función  ( ) debe ser tal que tenemos:
 d ( )  1 . (Laplace, 1778, p. 394).

Aquí usa notación funcional  ( ) , para la ley de posibilidades de α, y la
distingue de su probabilidad. Así, esta última pareciera ser el antecedente de lo que hoy
entendemos como función de distribución y la ley de posibilidades sería la función de
densidad. Sin embargo, estos conceptos están entremezclados aún, porque  d ( )  1 ,
sólo tendría sentido si α fuera continua, pero entonces  ( ) no sería la posibilidad, a
menos que α fuera discreta (y en tal caso la integral tendría que ser sumatoria). Lo cierto
es que ya está presente la distinción entre una función útil para el cálculo de
probabilidades y la probabilidad misma.
Desde Bernoulli, las distintas soluciones sobre el problema de acotar la
probabilidad de la suma de variables aleatorias, hicieron que se comenzara a trabajar de
una forma muy natural con funciones en las que la variable dependiente (los valores
obtenidos a partir de aplicar la función sobre un valor de la variable aleatoria) no
proporciona la probabilidad, pero que resultaba útil para su cálculo o para aproximarlo
(aplicando la integral, por ejemplo). Laplace introduce el término ley de posibilidad,
que se distingue de la probabilidad, porque se había percatado que la ley de posibilidad
era útil para el cálculo de probabilidades, pero en algunos casos no proporciona
directamente la probabilidad. Notemos también que el interés explícito de Laplace era
establecer las bases de la ciencia de la probabilidad, pero su interés de facto era el
cálculo de las probabilidades.
En esta época no se había formalizado completamente la definición de la
variable aleatoria ni la de función de densidad. En la obra de Laplace puede observarse
que cuando se refiere a variables, lo hace respecto a resultados numéricos de
experimentos aleatorios3. Sin embargo, cuando Laplace establece operaciones entre
3
que es la forma en como propone Parzen que se inicie el estudio de las variables aleatorias en
estudiantes universitarios (ver apartado 6.2 de este capítulo o apartado 2 del capítulo 3). En forma
150
variables, hace explícita la regla a través de la cual se calcula una nueva variable.
También se nota que, intuitivamente, para él, la nueva variable, que surgía a partir otras
variables aleatorias, era de la misma naturaleza aleatoria que sus precedentes, puesto
que buscaba acotar su probabilidad.
Hay que recordar que a pesar de la definición de probabilidad que privaba en
Laplace y aunque eran manejados de manera informal, en esa época, no había una
definición de suceso o espacio muestral, lo que limita el surgimiento de la idea de la
variable aleatoria como una función conjunto de valor real, comprensión que sólo
llegaría con la axiomatización de la probabilidad por medio de la teoría de conjuntos.
Lo cual implica que el establecimiento de la probabilidad como ciencia también está
ligado con el desarrollo de la variable aleatoria.
Un aspecto importante, es que en esta época no había una definición del
concepto de aleatoriedad. Laplace vio la necesidad de hacer explícitas las bases
filosóficas de su teoría y diferenciarlas de su trabajo matemático. En su Ensayo
filosófico sobre las probabilidades (2006/1814), se sientan los principios filosóficos y
resultados generales básicos sobre los que descansa toda su teoría. Algunos de sus
principios no son válidos actualmente y también hay contradicciones y redundancias en
sus argumentos, pero al hacerlos explícitos, refleja el pensamiento de su época y
permite vislumbrar los alcances y limitaciones de su teoría analítica de las
probabilidades. En este trabajo se nota, por ejemplo, cual es la definición de
aleatoriedad que privaba en el ámbito científico de entonces y que permea toda su obra.
Laplace expresa su concepción de aleatoriedad cuando concibe una probabilidad más
bien como un mal menor, fruto de nuestra ignorancia:
Todos los acontecimientos, incluso aquellos que por su insignificancia parecen no

atenerse a las grandes leyes de la naturaleza, no son sino una secuencia tan necesaria
como las revoluciones del Sol. Al ignorar los lazos que los unen al sistema total del
universo, se los ha hecho depender de causas finales o del azar, según que ocurrieran o
se sucedieran con regularidad o sin orden aparente, pero estas causas imaginarias han
ido siendo descartadas a medida que se han ido ampliando las fronteras de nuestro
conocimiento, y desaparecen por completo ante la sana filosofía que no ve en ellas más
que la expresión de nuestra ignorancia de las verdaderas causas (Laplace, 2006/1814, p.
24).
Además, en esta cita, se trasluce su apego a la concepción positivista de la

ciencia (que influye en el uso que hace de la idea de cantidad variable) y que también
resumida, en los fenómenos aleatorios con resultado numérico la función que vincula el espacio muestral
con los números reales es la función identidad.
151
se observa en el desarrollo de su Teoría analítica de las probabilidades (1812).

Hawking (2006) llamó al Ensayo filosófico de las probabilidades la más argumentación
más completa y perfecta para una interpretación determinista del mundo.
4.4. Las aportaciones de Simeón Denis Poisson

En su trabajo Recherches sur la probabilite des jugements en matiere criminelle et en
matiere civile, Poisson (1837) pareciera hacer uso de un concepto intuitivo de la
variable aleatoria como función. El problema era sobre la probabilidad de las causas de
un envenenamiento observado:
… llamaremos C1 , C2 , C3 , ..., Cn , ..., Cm , a las m causas posibles del envenenamiento
E; siendo p1 , p2 , p3 , ..., pn , ..., pm , las probabilidades conocidas de sus

correspondientes entradas, relativas a esta variedad de posibles causas; de manera que
pn expresa la probabilidad de que E tuviera lugar si la causa Cn fuera única, o, lo que
es la misma cosa, si ella fuera cierta, excluiría a todas las demás (Poisson, 1837, p 82).
Para resolverlo, Poisson hace la analogía de las m causas posibles con un mismo
número de urnas A1 , A2 , A3 , ..., An , ..., Am . Cada una con una probabilidad de sacar bola
blanca de p1 , p2 , p3 , ..., pn , ..., pm . Luego, expresa esas probabilidades con un común

denominador  :
Por eso, supongamos que reducimos las fracciones p1 , p2 , p3 , etc., a un mismo

denominador, tendríamos:
1    
p1  , p 2  2 , p3  3 , ... pn  n , ... pm  m ;
    
 y los numeradores 1 ,  2 ,  3 , etc., son unos números enteros. No alteraríamos nada
si tomamos al azar una bola blanca de la una An , reemplazando las bolas que contiene,
para un número  n de bolas blancas de un número  de bolas, tanto blancas como

negras; y lo mismo para las otras urnas. (Poisson, 1837, pp 82-83).
Se puede observar la presencia de una variable cualitativa: las causas posibles

Cn (sucesos) con su probabilidad conocida, pero también Poisson trabaja con una
variable numérica  n asociada, por una parte al suceso Cn , y por otra, a una
probabilidad pn .  pudiera interpretarse como una variable aleatoria discreta. El caso
152
es singular porque, a diferencia de Laplace que estaba interesado en problemas que

involucran magnitudes aleatorias, Poisson parte de una variable cualitativa –las posibles
causas de envenenamiento- a la cual se le asoció una variable cuantitativa  con
probabilidades específicas conocidas. No sólo comienza a distinguir entre valor de la
variable y el suceso, sino también se ocupa de que la regla que los vincula tenga
relación con el suceso y genere un número real.
Esto se puede observar también en una segunda demostración del teorema
central del límite desde un punto de vista más general. Ahí Poisson escribió:
Supondremos que alguna cosa, a lo que llamaremos A para acortar el discurso, es

susceptible, por su naturaleza, de tomar todos los valores contenidos entre algunos
números, representados por a y b. Sea x, uno de esos valores; si se hacen una serie de
experiencias para determinar A, la probabilidad de que el valor que saldrá en una de esas
observaciones no exceda a x, variará, en general, de una experiencia a otra.
Representémosla por Fnx para la nth experiencia. La probabilidad de que este valor sea
exactamente x sería infinitamente pequeña, ya que el número de valores posibles es
infinito; haciendo , sería la expresión .
Asignamos X una función dada de x, la cual incrementa sin interrupción desde x=a
hasta x=b, y representamos a a1 y b1, como sus valores extremos. Para más generalidad,
buscaremos la probabilidad de que si tomamos la suma de los valores de X, la cual
resultará de un número s de sucesivas observaciones, ésta estará contenida entre ciertos
límites. (Poisson, 1832, pp. 3-4).
En estos párrafos, son muchos los avances que se observan sobre el desarrollo de
la idea de variable aleatoria. Define a X, que es una variable, como una función
creciente, cosa que sólo podría ser posible si los valores x que toma la variable X son
números reales. También veamos que lo que llama «cosa» (chose, en francés) A toma
los valores de la realización de la experiencia. Es decir, A es de naturaleza azarosa, pero
la función X es un objeto matemático. Se infiere que X toma todos los valores x («la cual
se incrementa sin interrupción»). Estas dos «cosas» (A y X) se vinculan a través de los
valores x. En A, x es el resultado de un fenómeno aleatorio, en X, x son números reales
que se pueden ordenar. La definición de X le permite operar con ella (puesto que es una
función en los reales) y con x (puesto que son números reales), A en cambio le permite
vincularse propiamente con la experiencia aleatoria y por lo tanto con el contexto real,
incluso se podría pensar que A es una noción primitiva de experimento aleatorio, sólo
que con resultado numérico. Pero ninguna de las dos es aún el concepto de variable
aleatoria actual. Lo notable es que Poisson ya indica el requisito de que X y x tengan
características matemáticas, y, al mismo tiempo, estén vinculadas con un experimento
153
aleatorio a través de A. También que, aun cuando A puede tomar valores numéricos,
requiere la definición de X, ambas de diferente naturaleza.
Hay que observar que a pesar de que trabaja con valores determinados de x, la
variable que maneja es continua «ya que el número de valores posibles es infinito» y
«se incrementa sin interrupción». Notemos también que hay una insipiente función de
densidad que está definida a través de algo muy próximo a la función de distribución y
que ésta última tiene un papel muy importante, puesto que es la que le permite calcular
la probabilidad de los valores x. La observación de que la probabilidad de un valor
determinado x tienda a cero, indica que él sabía que la variable y, dada por y = fnx, a la
que se le llama ley de probabilidad (Poisson, 1832, p. 11) es un ente matemático que
adquiere sentido en un contexto sólo a través de su integral y, por lo tanto, con su área
bajo la curva. Lo curioso es que Poisson no relaciona estas funciones con X sino con los
valores x. Es decir, x es la conexión no sólo entre A y X, sino también del contexto real
con la probabilidad, lo cual también se observa en esta cita:
La curva de la cual la ecuación es y = fnx, representa la ley de probabilidad de los

valores de A en la nth observación, en el sentido que el elemento ydx de su área es la
probabilidad del valor de A expresado por la abscisa correspondiente a x, y la misma
área, la probabilidad de que este valor no sea mayor que x. (Poisson, 1832, p. 11).
Aquí ya se observa que la ley de probabilidad, y = fnx, es introducida por

Poisson de manera muy parecida a la función de densidad actual y establece su relación
con la probabilidad a partir de la integral. Sin embargo, también hay una confusión,
puesto que la relaciona directamente con los valores obtenidos a partir de A y no de X,
por lo que en este término pareciera estar mezclada la función de densidad con la
función de probabilidad. Cosa provocada por nombrar x tanto a los resultados obtenidos
por A, como a los obtenidos por X. Quizá el motivo por el que Poisson no usó la
notación funcional de y = f(x), como ya la usaban los analistas (y muchos probabilistas)
en sus trabajos de cálculo, era porque era importante hacer alusión a la n-ésima
observación obtenida de A. Como se nota, el desarrollo de la noción de variable
aleatoria está fuertemente vinculado con el de función de densidad y, por lo tanto,
también con la introducción del análisis y de la variable continua en probabilidad.
Es indudable que Poisson obtiene resultados notables sobre el desarrollo del
objeto matemático variable aleatoria y su distribución, así mismo sobre la variable
continua y la idea de función de densidad. Sin embargo, sus trabajos tenían una
intención práctica de aplicar el análisis matemático a distintas situaciones físicas y
morales, no tenía un propósito de un análisis matemático por sí mismo (Fischer, 2011),
154
así que el concepto de variable aleatoria no tuvo más desarrollo en él, ni tampoco se le
dio la importancia que esta aportación tenía; no fue así, en cambio, con su trabajo sobre
el teorema central del límite, como lo observa Alvarado (2007).
4.5. Las aportaciones de Pafnuti L. Tchebychef y sus discípulos

Tchebychef (1899 a, b y c), hace un uso más notorio de las variables aleatorias,
llevándolas a un terreno matemático, sin nombrarlas aún como tales. Se interesa por
varios problemas de probabilidad y de análisis matemático y la integración de los
resultados obtenidos en cada uno de ellos es la que hace que dé un fuerte salto hacia una
demostración más rígida, aunque incompleta, del teorema central del límite, pero
también hacia un uso más explícito de las ideas de variable aleatoria y de función de
densidad.
Trabaja con teoremas y demostraciones como el siguiente, actualmente conocido
como la desigualdad de Tchebychef:
Teorema. Si se designa por a, b, c,… las esperanzas matemáticas de las cantidades x, y,

2 2 2
z, …, y por a1 , b1 , c1 , ... las esperanzas matemáticas de sus cuadrados x , y , z , ... , la
probabilidad de que la suma x  y  z  ... esté dentro de los límites
a  b  c ....   a1  b1  c1  ...  a 2  b 2  c 2  ....,
a  b  c ....   a1  b1  c1  ...  a 2  b 2  c 2  ....,

1
será todavía más grande que 1  , cualquiera que sea .
2
Demostración: Sean: x1, x2, x3, …,xl; y1, y2, y3, … ym; z1, z2, z3, …zn, … todos los
valores imaginables de las cantidades x, y, z, … y sean p1, p2, p3, …,pl; q1, q2, q3, … rm;
r1, r2, r3, …rn, … las probabilidades respectivas de sus valores, o bien, las
probabilidades de los supuestos x = x1, x2, x3, …,xl;; y = y1, y2, y3, … ym; z = z1, z2, z3,
…zn, …
Conforme a esta notación, las esperanzas matemáticas de las magnitudes x, y, z,…; x2,
y2, z2, … pueden ser expresadas así a = p1x1, p2x2, p3x3, …,plxl; …
(Tchebychef, 1899b/1867, pp. 687-688).
Tchebychef nombra de dos distintas maneras indistintas a las variables

aleatorias, les llama cantidades (quantités, en francés) y magnitudes (grandeurs) a lo
largo de su trabajo. Denomina también supuestos (hypothèses) a la forma abreviada en
que indica los valores que puede tomar cada una de las variables. Con respecto esta
forma abreviada, observemos que primero usa una notación extendida y después
155
introduce su notación abreviada. Cabe mencionar que en trabajos suyos sobre análisis
matemático, Tchebychef sí usaba la palabra variable. En general Tchebychef denotaba
con letras minúsculas a sus variables y distingue a las cantidades de las constantes por la
notación con las últimas letras del alfabeto para las primeras y las primeras letras para
las últimas, cosa que también hace en el cálculo de probabilidades.
La notación simbólica distinta para los valores de las variables (con subíndice)
que para las variables (la misma letra, pero sin subíndice) indican que Tchebychef ya
distinguía entre los valores que puede tomar una variable y la variable misma. Gracias a
esa distinción, escribió de manera breve las esperanzas matemáticas4 de las variables
que estaba manejando, pero también marca una diferencia no explícita entre los sucesos
y el valor de la variable. En algunos de sus trabajos, sin embargo, no hace la distinción
en su notación entre valor de una variable y la variable misma, aunque
conceptualmente sí se distinguen. Esto se nota en esta otra cita:
Si las posibilidades del suceso E en μ pruebas consecutivas son p1, p2, p3,…, pμ y que su
suma es S, la probabilidad de que en μ pruebas el número de repeticiones del suceso E
suceda menos de m veces y más de n, superará, para m más grande que S+1 y para n
más pequeño que S-1, el valor de la expresión:
1 1
1
2 2
(Tchebychef, 1899a/1846, p. 25).
En la cita anterior, notemos que, además, la letra E de Tchebychef, es distinta a

la letra A de Poisson (apartado anterior), la E denota la generalidad de un suceso (es
decir, cualquier suceso), que usa para vincular su notación matemática con el contexto
de algún problema y para definir una variable, que no es E, sino las veces que aparece
E. No usa notación matemática para denotar a esta variable, pero sí indica que puede
tomar los valores de m y n.
Es posible que Tchebychef haya sido influenciado por la idea de variable
aleatoria de Poisson, puesto que conocía su trabajo (lo cita en varias de sus
publicaciones), pero no retoma su propuesta de variable como función. Sin embargo, su
trabajo en análisis matemático, le proporcionan herramientas para una abstracción de
ideas en probabilidad. Esto se nota en la demostración de su teorema central del límite:
4
Fischer (2011) indica que la idea de Poisson de introducir la función X y la «cosa» A, fue tomada de un
texto de Carl Friedrich Haubert sobre teoría de valores medios, escrito en 1830. Esto es algo que no
pudimos comprobar, pero tenemos la certeza de que la introducción del uso de la variable aleatoria estuvo
también fuertemente ligada a la necesidad de distinguir los valores de la variable aleatoria del suceso en el
cálculo de las esperanzas matemáticas de las variables, como se observa en Tchebychef.
156
Para demostrar el teorema de la forma más general, tomaremos -∞ y +∞ como los

límites entre los que son comprendidos todos los valores posibles de las cantidades: u1,
u2, u3,…. Habiendo designado por , , ,… las probabilidades
de que los valores de las cantidades u1, u2, u3,…. están comprendidas entre los limites
infinitamente vecinos: x1, x + dx1, señalaremos que:
1) Las funciones , , ,… no pueden tomar valores negativos;
2) Las integrales , , ,…, que
representan las probabilidades de las cantidades u1, u2, u3,…., estando los valores
contenidos entre los límites -∞ y +∞, serán iguales a la unidad;
3) Las integrales , , ,…, que
representan las esperanzas matemáticas de las cantidades u1, u2, u3,…., de acuerdo
a nuestro supuesto, serán nulas;
4) En general, todas las cantidades definida para la igualdad:
,
que representan las esperanzas matemáticas de las potencias de las cantidades u1,
u2, u3,…., estarán, por hipótesis, contenidas entre límites finitos.
Por otro lado, designaremos por a la probabilidad de la fracción:
,….
√
que está comprendida entre los límites infinitamente vecinos: x1, x + dx1…
(Tchebychef, 1899c/1887, pp.483-484).
En esta cita, lo mismo que Poisson, Tchebychef distingue dos variables. La

variable x tiene un carácter matemático y la cantidad u, a la que (se deduce) vincula con
los resultados numéricos del experimento aleatorio. Sin embargo, la variable x tiene un
grado de abstracción mayor que el que Poisson le denotó, puesto que lo usó para
vincular u con sus resultados sobre los valores límites de las integrales. Esto se observa
en la extensión del concepto cuando da lugar a su uso en la suma de las cantidades u,
pero también en su definición de la función de densidad, ó , que, al agregar el
diferencial, usa para calcular probabilidades comprendidas entre números infinitamente
vecinos (limites infiniment voisines, en francés) y que caracteriza con las dos
condiciones con las que actualmente la conocemos, es decir, es positiva en todo su
dominio y su integral desde infinito hasta más infinito es uno. Tchebychef no usa las
variables X y A de Poisson, ni se preocupa por ser explícito en la forma en que se
vincula u con x, y también las usa tanto , como , para denotar la
probabilidad y la esperanza, pero ya muestra la necesidad de establecer una variable con
carácter abstracto que concreta la definición de funciones de densidad. Observemos, así
157
mismo, que no indica si las variables x ó u son discretas o continuas, pero por el trato
matemático se deduce que son continuas.
Los trabajos de Tchebychef tuvieron algunas imprecisiones por lo que algunos
de sus contemporáneos, los consideraron faltos de rigor. Una de las principales
objeciones era su uso intuitivo de cantidades infinitamente pequeñas o infinitamente
grandes. Frecuentemente pasó de resultados en variable discreta a variable continua sin
más explicaciones y en algunas ocasiones manejó un dominio en todos los reales para
una variable que había definido acotada entre ciertos valores. Tampoco especificó la
condición de independencia de las variables en su demostración del teorema central del
límite. Autores anteriores a él hacían explícita esa condición, por lo que se prestó a
pensar que Tchebychef asumía la independencia como una característica de las
variables aleatorias (Fischer, 2011). Sin embargo, Maistrov (1974) y Fischer (2011) lo
consideran el primero en hacer uso de la noción de variable aleatoria con un carácter
matemático. Además, la primacía de una versión más general del teorema central del
límite, sigue recayendo sobre él, junto con uno de sus más cercanos discípulos, Andrei
Markov, quien continuó su trabajo para establecer en 1908 una demostración más
rigurosa basándose en su mismo método (Alvarado, 2007; Fischer, 2011).
Markov distinguió entre variables independientes y dependientes y extendió los
teoremas límite de probabilidad a la suma de variables aleatorias conectadas en cadena.
Por tanto, fue más específico en el concepto ideado de variable ideado por Tchebychef,
lo que muestra que en probabilidad se comienzan a desligar del concepto de cantidades
variables usado en cálculo. En la siguiente cita, se puede observar esta aportación al
desarrollo de la variable aleatoria:
Así, la independencia de las cantidades no constituye una condición necesaria para la

existencia de la ley de los grandes números. (Markov, citado por Seneta, 1966, p. 255).
De acuerdo con Fischer (2011), Tchebychef fue el primero en formular un

enunciado para el teorema central del límite involucrando una secuencia de variables
aleatorias, ampliando el concepto de variable en probabilidad. También menciona que,
antes de Tchebychef y sus discípulos, la propuesta laplaciana dio lugar a una época en la
que los investigadores se concentraban no en estudiar los teoremas límite sino en
encontrar aproximaciones al cálculo de probabilidades. Esto repercutió en que las
aproximaciones a la función de densidad (en el caso continuo) o a la distribución de
probabilidad (en el caso discreto) y las aproximaciones al cálculo de probabilidades a
través de la integral definida fueran consideradas equivalentes. Esta diferenciación está
vinculada no sólo con la distinción entre la variable discreta y continua, sino también
158
con la definición de la función de densidad. El siguiente paso hacia la noción de la

variable aleatoria fue la generalización de los resultados obtenidos en variable discreta
hacia lo continuo y en una definición más precisa de la función de densidad. Cosa a la
que contribuiría el otro discípulo notable de Tchebychef, Aleksandr M. Liapounoff
(1857-1918).
El trabajo que Liapounoff hizo en pro de la demostración del teorema central del
límite, hizo que éste fuera un objeto matemático autónomo, lo que marcó la llegada de
una teoría moderna de la probabilidad. No obstante, Fischer (2011) especifica que su
demostración tuvo algunas impresiones porque no justifica apropiadamente la valides de
sus resultados en un contexto discreto, pero infinito, además de que evade el problema
de continuidad de la variable. Esto lo podemos observar en este pasaje, en donde define
las variables continuas como variables discretas que toman un número infinito de
valores:
La desigualdad (14) tiene lugar, siempre y cuando se disponga de un número τ positivo

de manera que se cumpla que:
Lτ ≤ k, 0
Y si, considerando un caso en el que el conjunto de valores posibles contiene una
cantidad infinita de números, se le mira como el caso límite del que hemos analizado,
esta desigualdad subsistirá aún en el límite, todas las veces que las cantidades αi, ai, li (i
= 1, 2, 3, …) tiendan hacia un límite determinado.
Así pues, el resultado obtenido es totalmente general... (Liapounoff, 1900, p. 379).
Como se puede observar Liapounoff no trabajó propiamente con variables

continuas, pero sí hizo posible la generalización5 de sus resultados para variables que
toman un número infinito de valores generadas por medio de un proceso límite de
aquellas que toman un número finito de valores, y con ello evadió los problemas de
intercambio del orden de integración, pero también el de continuidad. En todos los
casos posibles, él usa sumas en lugar de integrales. Se desligó del método de momentos,
usados por Tchebychef y Markov, y se apoyó en la definición de una variable auxiliar
continua con distribución normal con media cero y varianza que converge cuando n
tiende a infinito y que sí es posible integrar. Gracias a ello pudo emitir una
demostración más rigurosa del teorema central del límite haciendo uso de condiciones
más débiles (Fischer, 2011; Alvarado 2007):
5
A esto es a lo que se refiere Fischer (2011) cuando habla de la vaguedad de los argumentos de
Liapounoff para justificar la generalización de sus resultados.
159
Sea x1, x2, x3,… una serie indefinida de variables independientes reales, cuyos valores
son debidos al azar. Designando por α1, α2, α3,…, a1, a2, a3,…, d1, d2, d3,…, a las
esperanzas matemáticas respectivas de x1, x2,…, (x1- α1)2, (x2- α2)2,…, |x1- α1|2+δ, |x2-
α2|2+δ,…, donde δ es un número positivo cualquiera, habrá la proposición siguiente:
«Todas las veces que la existencia de los valores fijos de δ hagan que la siguiente
relación:
…
…
tienda a cero cuando n crece indefinidamente6, la probabilidad de la desigualdad
⋯
2 ⋯
donde z1 y z2 > z1, son dos números dados cualquiera, y para n = ∞, tenderá hacia el
límite de:
1 z2

2
e  z dz
 z1
Y lo hará uniformemente para todos los valores de z1 y z2». (Liapounoff, 1901b, pp.
814-815).
Es posible reconstruir la demostración de Liapounoff desde la perspectiva de

funciones características, lo que hubiese atendido el problema de la continuidad (como
más tarde lo haría Lévy), pero Liapounoff no lo hizo, sin embargo, sí comenzó a lidiar
más fuertemente con el problema de la variable continua en probabilidad y llegó a un
resultado que favoreció el estudio de la demostración del teorema como un análisis
puramente matemático sin ser un ejemplo de un método o de alguna aplicación. Por otro
lado, él es el primero del que se tiene documentado el uso del término variable
(variable, en francés) y que hace mención a su relación con el azar en su discurso y
teoremas:
El teorema del que aquí se trata, se relaciona con la conocida fórmula de Laplace y
Poisson, que sirve para que la probabilidad aproximada de la de la suma de un gran
número de variables independientes sometidas al azar, esté contenida entre ciertos
límites. Según el teorema en cuestión, esta fórmula dará el límite hacia el que tiende la
probabilidad cuando el número de variables aumente indefinidamente. (Liapounoff,
1901a, p. 126).
Aunque las traducciones a otros idiomas generalmente reducen su larga frase a

«variables aleatorias independientes», Liapounoff no bautiza a la variable como
aleatoria. Notemos, que el término «aleatorio» en algunos de sus traductores
6
A este requisito se le conoce como Condición de Liapounoff.
160
contemporáneos, es un anacronismo. En ese entonces los términos usados para calificar

a los fenómenos que nos ocupan eran del azar o fortuitos. Así, no había una distinción
explícita entre los problemas filosóficos y matemáticos vinculados con la definición del
azar, por tanto tampoco había una definición de aleatoriedad como un modelo
matemático. Es posible que esta haya sido una de las razones por las que otros
probabilistas de esa época no hicieran notoria la naturaleza «azarosa» o «fortuita» de la
variable con la que estaban trabajando.
Liapounoff, además, también comenzó a trabajar con la función de probabilidad
en una forma muy parecida a la actual, tomando como base lo ya definido por
Tchebychef:
Para evaluar esta probabilidad, a la que designaremos Π, debemos estar en condiciones

de calcular, para cada una de las variables xi, la probabilidad de estar contenida entre
dos límites dados cualquiera.
Para este efecto, introduciremos, por ejemplo, las funciones φi(x), que experimentarán
las probabilidades de la forma xi<x, por lo tanto la cantidad φi(v) - φi(u), para v>u,
representa la probabilidad de la desigualdad u≤xi<v. (Liapounoff, 1900, p. 367).
Como se observa, la noción de función de distribución estaba gestada. Es

notable el conocimiento que Liapounoff tenía de variables aleatorias: no sólo las
distinguía y las enunciaba sino que usaba sus caracterizaciones más importantes como
son su valor esperando y sus varianzas, así como su operatividad, convergencia y
composición y manejó la función de distribución, de densidad y la distribución de
probabilidad. Además, hizo patente que los problemas vinculados con la demostración
del teorema central del límite eran propios de éste (y no aplicaciones de alguna rama de
la matemática), impulsando que el teorema central del límite fuera un objeto
matemático en sí mismo y que surgieran nuevos problemas propios de una teoría de
probabilidades, entre ellos el de la naturaleza de la variable continua y su función de
distribución. Sin embargo, la formalidad de la probabilidad y el surgimiento de la
variable aleatoria como objeto matemático en sí mismo, aún tendrían que esperar
algunos pocos años más para su pleno desarrollo durante el primer tercio del siglo XX
con las aportaciones de Kolmogorov.
161
5. Inferencia estadística. Relación entre las variables estadística y

aleatoria
En el siglo XIX y la primera mitad del XX, simultáneamente y en paralelo con el
desarrollo teórico probabilístico de la escuela matemática rusa, la estadística sufrió un
fuerte desarrollo tanto horizontal, como vertical. Horizontal porque se propagó a través
de muchas disciplinas, sufriendo transformaciones internas en el proceso; vertical
porque profundizó en la generación de métodos apropiados para el análisis de datos en
situaciones bajo incertidumbre. Así, en unos pocos años y a partir de problemas
aplicados, en Inglaterra se generaron las técnicas estadísticas inferenciales más comunes
en la actualidad. En esos estudios se relacionaron explícitamente las variables
estadísticas y las variables aleatorias, haciendo surgir métodos apropiados para estimar
los valores de los parámetros que definen las familias de distribuciones de las variables
aleatorias a partir de métodos estadísticos basados en el acopio y análisis de datos
empíricos. Así mismo surgieron otras útiles herramientas, como los métodos de
muestreo, la correlación y el análisis multivariado, que apoyarían la vinculación entre
ambas variables.
Dos cosas fueron importantes en el desarrollo de la variable estadística, la
primera fue que en su mayoría, la definición de una variable numérica en las ciencias
sociales y biológicas surgía de manera natural a partir del contexto de un problema. Lo
otro, es que los datos surgidos a partir de esas variables denotaban un comportamiento
parecido al descrito por Gauss para la distribución de los errores de las medidas
astronómicas. Esto hizo que familiarmente se comenzara a trabajar con la media e
incluso con la varianza (como el «cuadrado del error medio») y desviaciones de la
media (o «errores») como medidas de centralización y dispersión respectivamente,
generando un lenguaje distinto al usado por los probabilistas:
Más aún, el término Error Probable es absurdo cuando lo aplicamos a los temas ahora
tratados, tales como estatura, color de los ojos, facultades artísticas o enfermedades. Por
lo tanto, usualmente, hablaré de Desviación Probable. (Galton, 1889, p. 58).
También se fomentó el análisis del comportamiento de los datos a través de la

distribución gaussiana. Los científicos de esta época pensaron que ese era el
comportamiento «normal» de los datos en ciencias sociales y biológicas, así que, a
mediados del siglo XIX, al comportamiento gaussiano de los datos se le comenzó a
denominar distribución normal, sin que se tenga la certeza de quién o quiénes fueron los
que la bautizaron así. En sus trabajos, Galton comenzó a nombraba así de una manera
162
muy natural, a pesar de que en sus publicaciones contemporáneas, los probabilistas la

seguían denominando Ley de probabilidad:
… [los valores] no están derivados para nada de observaciones, sino de las bien
conocidas tablas de la «Probabilidad Integral» en la forma en que los matemáticos lo
hicieron fácilmente comprensible comparando las Tablas 4 a 8, inclusive. No hace falta
recordarle al lector que la Ley del Error en la cual estos valores de la Normal están
basados, fueron extraídos del uso de los astrónomos y otros quienes están preocupados
con extremo cuidado de su medida. (Galton, 1889, p. 54).
En esa época, la distribución binomial ya había sido empleada en algunos

estudios biológicos para comparar el resultado obtenido a partir de los datos y el
resultado esperado bajo un modelo teórico binomial (ver apartado 3 de este capítulo).
Esto ya denotaba un interés en hacer inferencias informales en donde se tenía la
intención de relacionar las variables aleatoria y estadística. Así que la distribución
normal, que tenía aplicaciones en muchos campos, también fue una herramienta que
favoreció las inferencias en las que se pretendía conocer el comportamiento de la
población, sólo que de manera un tanto informal.
El problema del análisis del comportamiento de datos bajo incertidumbre en
diversas áreas atrajo el interés de diversos científicos, entre ellos, tres se destacan por
sus contribuciones: Lambert Adolphe Jacques Quetelet, Francis Galton, Francis Ysidro
Edgeworth y Karl Pearson. Ríos (1994) defiende que ellos, y sobre todo éste último,
provocaron una revolución probabilista en diversas ramas de las ciencias, similar a la ya
introducida por Gauss y Laplace en la astronomía, al establecer las bases para una
metodología empírica en ciencias donde la experimentación no era posible de aplicar.
5.1. Las aportaciones de Lambert Adolphe Jacques Quetelet

Quetelet fue de los primeros en hacer intentos por hacer uso de los resultados
probabilísticos en el análisis de datos de ciencias sociales. En su libro Sobre el hombre y
el desarrollo de sus facultades, publicado en 1835, caracterizó al hombre medio a través
de las medias de grandes colecciones de datos de diversas variables que supuso se
distribuirían como una normal. También notó la regularidad con la que se reproducían
ciertos fenómenos sociales y trató de encontrar sus causas a través del análisis
estadístico de diversas variables, como el índice de criminalidad, de casamientos y de
suicidios, sin conseguirlo. Algunos de sus métodos fueron tachados de simplistas, sin
embargo, abrieron paso a un análisis de datos en ciencias sociales y al ajuste de datos
163
empíricos a una distribución de probabilidad teórica, así como el uso de la media y la

variación de la media en los análisis de datos.
Quetelet defendía la necesidad de grandes cantidades de datos para acercarse a la
verdad (distribución teórica), cosa que de alguna manera es una aplicación de la ley de
los grandes números y un intento por conciliar la variable estadística con la aleatoria.
Promovió la recolección de datos cuidadosa con fines de análisis y también tuvo gran
influencia en el desarrollo de comunidades estadísticas y en la conciliación de métodos
y técnicas estadísticas usadas en la recolección y análisis de datos. En 1853, organizó el
primer Congreso Internacional de Estadística en Bruselas. Junto con Galton, Pearson,
Fisher y otros autores crearon la escuela biométrica, de donde se derivarían
posteriormente sociedades tan importantes como el International Statistical Institute,
fundado en 1885 durante el segundo congreso internacional de estadística con 81
miembros. La estadística, como un estudio cuantitativo que permite expresar con mayor
precisión descripciones verbales, cobró cada vez mayor importancia.
5.2. Las aportaciones de Francis Galton

Fue uno de los pioneros en el desarrollo de la ciencia estadística en Inglaterra. Fundó la
revista Biometrika en 1901 en colaboración con Pearson y Weldon para promover el
estudio de la biometría, que define en la forma siguiente:
El objeto de la biometría es proporcionar material lo suficientemente preciso para el

descubrimiento de cambios incipientes en la evolución, que son demasiado pequeños
para ser de otro modo aparentes. La distribución de cualquier atributo dado en cualquier
especie, en cualquier momento ha de ser determinada, junto con su relación de
influencias externas (Galton, 1901, p. 9).
Las contribuciones de Galton al desarrollo del concepto de variable estadística (y

de la estadística en sí misma) fueron abundantes y surgieron principalmente a partir de
sus estudios sobre la herencia. Retomó el uso de la estadística que había hecho Quetelet
y se enfocó a contar y medir los atributos del ser humano y a caracterizar la forma en
cómo se heredaban de una generación a otra. Él denominaba distribuciones a la forma
en cómo una característica era poseída por los distintos miembros de una población. Se
percató que lo importante en la ciencia de la herencia era considerar «grandes
poblaciones más que individuos y que a éstas, debemos tratarlas como unidades»
(Galton, 1889, p.35). Se preocupó por limitar las poblaciones en las que trabajaba, sin
mezclar datos de una etnia con otra, por ejemplo, y en recolectar él mismo sus propios
datos. También se dio cuenta que la información sobre un atributo (variable estadística)
164
A
Análisis histtórico
de cada población debía ser

s caracterrizada por su distribuución más que
q sólo por su
mediia, que propporcionaba poca
p mación. Pressentó el resuumen de los datos en forma
inform f
gráfica (Figura 4.1),
4 hacienndo uso de histogramas
h s (llamados curva del gráfico
g del error
por G
Gauss y los estadísticoss de esa épooca) y sugirrió un análissis a través de gráficoss muy
próxiimos a las actuales
a ojivvas de frecuuencias relaativas. En ell primer grááfico de la Figura
F
4.1 eestá represeentada la fuuerza física de jale de hombres (vvariable esttadística) enn una
muesstra muy grrande. La altura
a de las barras coorresponde al
a valor de la variablee y la
escalla horizontaal indica el grado7 corrrespondiennte al valor de la variaable. El seggundo
ma, sólo que rotado.
gráfico represennta un actuall histogram
Figura 4.1.. Gráficos dee la distribucción de una variable

v estaadística (fuerza de jale en
hoombres) proppuestos por Galton
G (Galtton, 1889, p. 38)
En el grááfico de freccuencia acuumulada Gallton ajustab

ba los extrem
mos de las barras
b
a unaa curva suaavizada a laa que llamó esquema de
d la distribbución de una
u caracterrística
(variable estadísstica) de unna determinaada poblaciión. Este grráfico es el precedente de la
actuaal ojiva8 y fue
f al que Galton
G le dio
d mayor im
mportancia.. A través de
d éste anallizaba
los ddiferentes grados,
g quee le servíann para caraccterizar la distribución
n de la varriable
l proporcióón de individuos que se
estaddística y parra calcular la s encontrabban dentro dde un
intervvalo de valoores de la variable
v estaadística. Tam
mbién le in
ndicaba si laa distribucióón era
simétrica o asim
métrica (haciendo una rotación
r dell gráfico) y por lo tantoo si la media y la
mediiana eran iguales. Gallton preferiiría la meddiana a la media
m porq
que le dabaa más
oporttunidad de interpretacción. Estudió y analizzó sus caraacterísticas y la usaba para
7
Galtton empleó la palabra gradoos, refiriéndosse a grados cenntesimales, paara aludir a la frecuencia rellativa
acumuulada dada en n porcentaje. También
T empleó la palabra percentil
p tal cuál
c se usa acttualmente: parra
denotar el valor de la variable coorrespondientee a un determiinado porcentaaje acumuladoo (es decir a unu
determminado grado).
8
Encoontramos alguunas referencias de historiaddores que atribbuyen a Galtoon el uso de laa palabra ojivaa a este
tipo dde gráficos, sin
n embargo nossotros no encoontramos la reeferencia direccta de Galton. Lo cual no
signiffica que esa attribución sea falsa,
f q el número de publicacioones de Galtonn es muy amplia.
puesto que
165
compparar poblaaciones a paartir de sus datos, juntto con los percentiles.

p En generaal, los
perceentiles fuerron la form
ma en que él comparaaba una miisma variab
ble de diferrentes
poblaaciones. Laa desviaciónn en una diistribución la calculabaa a partir del
d promediio del
valorr absoluto de las difeerencias de diferentes valores con la mediaana, pero enn sus
ón estándar y la media9.
mos años (poor influencia de Pearsoon), empleó la desviació
últim
F
Figura 4.2. Tabla
T de freccuencias acumuladas usaadas por Galtton (Galton, 1889, p. 1999).
Galton taambién trabbajó con tabblas de frecuuencias (Figura 4.2) enn las que deefinía
los inntervalos dee la variablee para podeer elaborar esos
e gráficoos porque lee proporcionnaban
faciliidad al ajuustar sus datos
d a un esquema (ojiva) y hacer inferrencias haccia la
poblaación. Sus deduccionnes sobre el comporrtamiento de
d los datoos partieroon de
distriibuciones discretas
d hassta llegar, en 1857, a una
u distribucción continu
ua muy parrecida
a la nnormal, cuyyos valores, en sus anállisis, agrupaaba en interrvalos de la forma en que
q se
obserrva en la Figura
F 4.2. Así mismo
o sus análisis sobre loos valores de las variiables
P ejemplo,, menciona que la med
contiinuas los haacía sobre inntervalos. Por diana (M) tennía la
propiiedad de quue si se conssideraba un
na medida N como una medida de la poblacióón y u
una ccantidad peequeña, entoonces «el número
n de medidas
m quee caerán enntre y
es máás grande cuuando N=M

M» (Galton, 1889,
1 p.41).
Galton también proopuso una estandarizac
e ción de los valores de las variablles de
modoo que variias variables correspo
ondientes a la mism
ma població
ón pudierann ser
compparables enttre sí. Esta estandariza
e ción tambiéén la ocupó para verificcar que los datos
de suu muestra appoyaban la tesis
t de quee la poblacióón se compoortaba de accuerdo con la ley
9
En ssu artículo: Gaalton, F. (19077). Grades andd deviates. Biiometrika, 5: 400-408.
4
166
de probabilidades del error (la distribución N(0,1)), basándose en la semejanza de los

percentiles 5 a 95 de ambas distribuciones. Llegó a la siguiente conclusión:
Estoy satisfecho de reivindicar que la curva normal es una justa representación

promedio de las curvas observadas en el 90% central de sus datos; esto es, para tantos
de ellos como caigan entre los grados de 5º y 95º. En particular, estoy de acuerdo en que
para la curva de estatura, la curva normal es muy aceptable y constituye un pilar de mi
investigación en la ley de la herencia natural. (Galton, 1889, p. 57).
Aunque, también recalcó, sin profundizar demasiado, que la distribución de las

cualidades y facultades humanas solo podía ser aproximadamente normal. De modo
que, afirmó, sus «resultados también serían sólo aproximaciones a la verdad» (Galton,
1889, p. 58), sin que pudiera cuantificar qué tanto podía aproximarse a esa verdad.
A pesar de sus contribuciones, para Galton la estadística siempre fue una
herramienta. Sus estudios sobre la relación entre la altura de hijos y sus padres, lo
condujeron al concepto de regresión, que posteriormente desarrollaría más ampliamente
Karl Pearson y Francis Edgeworth. A partir del registro de datos de muchos grupos
familiares, Galton concluyó que los hijos de padres muy altos, heredaban parte de esa
altura, pero también revelaban una tendencia a regresar a la mediana10. Galton
generalizó esta tendencia bajo la ley de la regresión universal, que actualmente se
conoce como «regresión a la media». En su autobiografía, Galton describe la
correlación términos cotidianos como:
Parecía evidente por observación, y se verificó en ese estudio, que existía un «índice de
correlación», o sea, una fracción, ahora llamada simplemente r, que relaciona con una
buena aproximación cada valor de desviación [de la mediana] por parte del sujeto con el
promedio de todas las desviaciones asociadas a su pariente. Entonces la aproximación
de cualquier parentesco específico puede ser hallada y expresada con un término único.
Si un individuo particular se desvía mucho, el promedio de las desviaciones de todos
sus hermanos será una fracción definida de esa cantidad; del mismo modo que los hijos,
padres, primos, etc. Cuando no hay relación alguna, r se vuelve igual a 0; cuando es tan
cercana que sujeto y pariente poseen idéntico valor, entonces, r = 1. Por lo tanto, el
valor de r en todos los casos toma valores entre los límites extremos de 0 y 1. (Galton,
1908, p. 303).
10
Como la distribución de las características estudiadas por Galton era normal, la mediana era igual o
cercana a la media, pero Galton generalmente hacía ese cálculo basándose en el percentil 50. En sus
últimos años, tomó las contribuciones de Pearson y Edgeworth e hizo uso de la media y la desviación
estándar.
167
Así mismo, puesto que se esperaría que las dos generaciones tuvieran un
comportamiento estadístico similar, deduce que el promedio de las desviaciones tendría
que ser igual en ambos grupos, de lo que se desprende la relación entre la variación
entre grupos, la variación dentro de la población y el coeficiente de regresión. Lo que
hace a Galton pionero en el estudio de la estimación de las componentes de la varianza
atribuibles a causas identificables, y también sentó las bases del estudio de la variable
estadística y su distribución a través del estudio de la normal. En sus palabras, esta
distribución que fue la que le permitió visualizar un «orden en el aparente caos» e
identificar la existencia de una variación «normal» debida al comportamiento natural de
los datos. Inventó una maquina llamada quincunx11, que le permitió ilustrar la
distribución normal y la diferencia entre la dispersión provocada por causas
identificables y la debida a la aleatoriedad. Así mismo en sus publicaciones aparecen las
primeras tablas de la normal estándar realizadas por W. F. Sheppard a petición de
Galton. También, su trabajo con la normal bivariada (para evaluar el comportamiento de
los errores de dos características de una misma población que varían conjuntamente),
inició el estudio del análisis multivariante actual. En sus trabajos recalcó la importancia
del estudio de la variable estadística a través del análisis de su distribución completa y
sentó bases para analizarla. Podemos darnos una idea de la importancia de los estudios
de Galton en el desarrollo sucesivo de la variable estadística los primeros renglones de
su conclusión a su estudio sobre la herencia:
La investigación aquí concluida está basada en el hecho de que las características de

cualquier población que está en armonía con el ambiente, pueden permanecer
estadísticamente idénticas durante generaciones sucesivas. (Galton, 1889, p. 192).
5.3. Las aportaciones de Karl Pearson

En la última década del siglo XVIII, los métodos estadísticos se vieron fuertemente
influenciados por los avances que los probabilistas lograron en la formalización de la
matemática del azar y uno de los más notables contribuyentes a este crecimiento de la
estadística fue Karl Pearson. Sus notables trabajos en ese sentido lo llevaron al
establecimiento de los fundamentos filosóficos y matemáticos de la estadística
matemática como ciencia (Magnello, 2009). El trabajo de Pearson acrecentó la
trascendencia del estudio de los datos en los estudios teóricos y también sustentó la
vinculación de los variables estadísticas y aleatorias a través del uso de herramientas
11
El quincunx también es conocido como aparato de Galton. Con variaciones, fue usado por Piaget en
sus experimentos sobre la normal (ver Capítulo 2, sección 2.2).
168
probabilísticas y estadísticas, cosa que también definió uno de los derroteros principales
de la estadística matemática.
Dentro de los grandes aciertos de Pearson no solo estuvo su formación
matemática, que le permitió comprender los modernos resultados que se estaban
gestando en probabilidad y matemáticas, sino también que se interesó por aplicarlos a
diversas ciencias. A diferencia de algunos probabilistas contemporáneos a él, Pearson
basó sus novedosos métodos y propuestas sobre el estudio del azar en el análisis de
grandes bases de datos y en preguntas que surgían a partir de ellos. Esto le permitió
introducir procedimientos estadísticos para el manejo de los datos, explorar
comportamientos de las distribuciones empíricas distintas a la curva normal y proveerse
de un conjunto de herramientas estadísticas matemáticas para examinar las gráficas12 de
las distribuciones empíricas basándose en el método de momentos, como la variación (a
través de la desviación estándar), el sesgo y la curtosis (Magnello, 2009).
A través de Weldon y por los trabajos de Galton, Pearson se interesó por el
desarrollo de métodos matemáticos para el estudio de los procesos de herencia y
evolución. Ente 1893 y 1912 escribió diversos artículos con el primer título de
Mathematical Contributions to the Theory of Evolution en donde describió sus
contribuciones al análisis de regresión, el coeficiente de correlación y las pruebas para
la determinación de la bondad de ajuste de las curvas de las frecuencias observadas (Chi
cuadrada), conceptos que desarrolló ampliamente, contribuyendo así al estudio de la
variable estadística. Estudió diversas bases de datos provistas por Galton o Weldon para
establecer una relación entre las distribuciones de los datos y las distribuciones teóricas,
haciendo explícita la diferencia entre parámetros (de las distribuciones de las variables
aleatorias) y los resúmenes estadísticos (de las variables estadísticas obtenidas a partir
de los datos). También retomó el método de momentos13 ideando por Tchebychef y
propició la estimación de los momentos poblacionales a partir de los momentos
muestrales. Así por ejemplo reconoció la importancia de la media y de la desviación
estándar14 para caracterizar las distribuciones de una variable estadística o aleatoria y las
empleó para una mejor caracterización del comportamiento de las variables aleatorias a
partir de las estadísticas.
12
Pearson fue el que le dio el nombre de histograma al gráfico de los datos más empleado actualmente.
13
Pearson fue el que tomó el nombre de momento de la física y lo empleó en un sentido estadístico
cuando calculó la media de la variable estadística como el centro de gravedad de la curva de las
frecuencias observadas y se dio cuenta que podría calcular otros momentos (Pearson, 1894 y 1902).
14
Fue Karl Pearson también quien definió la desviación estándar como la raíz cuadrada del segundo
momento, y a partir del concepto de error medio de Gauss, y la simbolizó con la letra σ (Pearson,
1894).También distinguió simbólicamente la desviación estándar muestral con la letra s.
169
Aplicó el método de mínimos cuadrados, ideado por Gauss y retomado por

Markov, y encontró mejores estimaciones para los conceptos propuestos por Galton,
pero también generalizó y les dio mayor sistematicidad matemática a los métodos
estadísticos de la regresión múltiple. Dedujo la fórmula del coeficiente de correlación
(que actualmente lleva su nombre) haciendo uso de la media y de la desviación estándar
de los datos (a diferencia de Galton que usaba mediana y el promedio del valor absoluto
de las desviaciones). Pearson (1902) propuso un método sistemático (basado en el
método de momentos) para representar una serie de observaciones a través de una
fórmula consistente y accesible, en el que no se limitó al ajuste de los datos a una línea
recta. Creía en la correlación como el instrumento adecuado para convertir la psicología,
la antropología y la sociología en ciencias tan respetadas como la física y la química
(Ríos, 1994).
Sus estudios sobre la forma en qué se comportaban diversos rasgos humanos
hereditarios a partir de bases de datos muy grandes, también lo condujeron a la
conclusión de que no todos los datos se comportaban de acuerdo a una distribución
normal (Pearson, 1893). «Anormal» fue el término que empleo para otro tipo de
comportamiento y de este interés surgieron números estudios sobre las distribuciones
asimétricas o simétricas que no podían ser consideradas normales (principalmente
aquellas vinculadas con la familia Gamma). También abrió los métodos de correlación a
datos discretos.
Su mayor contribución a la estadística matemática fueron los resultados surgidos
por su preocupación en evaluar la validez de los modelos teóricos encontrados con su
metodología a partir de los datos15. Propuso el uso de la distribución χ2 y la probabilidad
del cuadrado medio del error P para valorar la bondad del ajuste de un modelo teórico
sobre los datos, analizando el sistema de errores observados. En su primer trabajo sobre
esto, él buscaba un criterio que le indicara la certeza del modelo teórico propuesto, pero
en sus posteriores incursiones en el tema comenzó a denominarla prueba. Karl Pearson
ha sido considerado el fundador de la inferencia estadística, ya que desde su primer
artículo sobre la prueba χ2, estaba el germen de lo que posteriormente sería la lógica de
las pruebas de hipótesis (Pearson y Kendall, 1970). El desarrollo de esta prueba también
indicó que el uso de los métodos estadísticos no dependía de la normalidad de la
distribución de los datos para poder hacer válidos sus resultados, lo que también amplió
el ámbito de estudio de la estadística a la búsqueda de distribuciones de más diversas
15
Algunos autores adjudican al geodesta alemán F. R. Helmert haber usado la distribución χ2 antes que
Karl Pearson, en 1876, sin embargo la contribución de Pearson va más allá de un solo trabajo sobre esta
distribución. Publicó innumerables artículos sobre la prueba de bondad de ajuste, lo que le permitió
mejorarla y aplicarla en diferentes situaciones, así como hacer tablas de χ2.
170
variables aleatorias a partir de las estadísticas16. La prueba χ2 posteriormente fue

adaptada por el mismo Pearson para probar la asociación de dos variables estadísticas
discretas colocadas en un tabla de contingencia.
A partir de los estudios de Pearson, la estadística tomó un rumbo diferente. El
uso de modelos probabilísticos denotó un cambio en la forma y la nomenclatura de los
artículos sobre estadística. Pero él no sólo estuvo interesado en elevar el prestigio de la
estadística como ciencia, sino también como una ciencia útil para el análisis de los datos
de cualquier otra ciencia. En palabras de Magnello (2009):
Su metodología estadística no solo transformó la visión que se tenía sobre la naturaleza

de la estadística sino también le dio al mundo un conjunto de herramientas cuantitativas
útiles para orientar la investigación, junto con un lenguaje científico universal que
estandarizó la escritura científica del siglo XX (p 25).
5.4. Las aportaciones de Gosset, Fisher, Neyman y E. Pearson

En esta época, siguiendo el desarrollo teórico del teorema central del límite y los
desarrollos teóricos de Pearson y otros estadísticos, surgió, el concepto de distribución
muestral o distribución del estadístico, que es un caso particular de variable aleatoria, y
su aplicación en la estimación e inferencia estadísticas. El método de determinar la
probabilidad de que la media de la población esté dentro de una distancia de la media
suponiendo normalidad y con una desviación estándar igual a , se hizo muy popular.
√
Sin embargo los fundamentos de la estimación y la inferencia estadística no estaban del

todo dados. Existían, además, problemas para su aplicación cuando las muestras no eran
muy grandes. Así, en contraposición a la investigación exhaustiva (a través de grandes
cantidades de datos), se comenzó a defender el muestreo aleatorio y el viejo problema
estudiado por Jacob Bernoulli sobre la cantidad necesaria de datos para tener
estimaciones confiables volvió a surgir. En 1895, en una reunión del Instituto
Internacional de Estadística, fue presentada la idea de representatividad de un conjunto
de datos tomados de una población. Este ambiente favoreció la emergencia de métodos
de análisis de las variables estadísticas en los que se tomó en cuenta el tamaño de la
muestra y la forma en la que se recolectaban los datos, así como la generación de
modelos de distribuciones útiles para pequeñas muestras.
Bajo el pseudónimo de Student (1908), William Gosset, publicó un artículo
titulado El error probable de una media, en donde propuso la estimación de la
16
El mérito de concebir a la distribución χ2 como una familia de funciones relacionadas con la normal,
fue de Ronald Fisher.
171
distribución de variables estadísticas de las que sólo se podían obtener pocos datos a
través de una distribución que, en los grandes números, tendía a la N (0,1) y a la que
posteriormente se le denominaría t de Student y en donde las probabilidades son
medidas desde la media de la población en términos de la desviación estándar de la
muestra. Gosset fue pionero en los análisis de bases de datos que no fueran muy
grandes.
Por otro lado, desde sus primeras publicaciones17, Ronald Fisher se vio atraído
por la búsqueda de un criterio absoluto (la futura máxima verosimilitud) para conocer
los rasgos de una distribución teórica a partir de un conjunto de datos. Se interesó en los
trabajos de Pearson y los usó para sustentar y ampliar la teoría mendeliana sobre la
herencia. Esto supuso una vinculación entre las dos líneas teóricas sobre la herencia de
principios del siglo XX: la mendeliana y la darwiniana e impulsó nuevos métodos en
biometría y estadística. En Fisher (1918), sentó las bases de la genética biométrica e
introdujo la descomposición de la varianza en los modelos lineales debida a diferentes
fuentes de variabilidad, lo que lo llevó a proponer métodos de análisis mejores que los
de correlación.
En 1919 Fisher fue contratado para analizar una serie de datos acumulados en la
Estación Experimental de Rothamsted. Ahí tuvo acceso a una serie de estudios
agronómicos a partir de los cuáles desarrolló el análisis de la varianza como un nuevo
enfoque del diseño de experimentos, al tiempo que, de manera paralela, continuó sus
estudios sobre estadística teórica y genética dentro de la biometría. Esto le permitió
generar conocimiento estadístico para sus propuestas de diseño de experimentos, pero
también se ocupó de teorizar sobre la estimación y la inferencia estadísticas. En 1925
describió, en su artículo Theory of statistical estimation18, una nueva teoría de
estimación sustentada en la máxima verosimilitud como una forma eficiente de extraer
información de los datos basada en los trabajos de Daniel Bernoulli. Y en Fisher (1930),
siempre preocupado por mantener una visión frecuencial de la probabilidad, desarrolló
un método inferencial basado en la probabilidad «fiducial»19 con el que propuso
determinar la frecuencia con que el valor verdadero de un parámetro toma un valor
determinado a partir de los datos observados como una medida de la certeza de la
aproximación del estadístico (medida de muestra) al parámetro (medida de población).
La inferencia fiducial trata de evitar las probabilidades a priori de las hipótesis (como la
17
On an absolute criterion for fitting frequency curves, publicado en Messenger of mathematics, 41: 155-
160 (1912).
18
Publicado en Proceedings of the Cambridge Philosophical Society, 22: 700-725 (1925).
19
La palabra «fiducial» propuesta por Fisher, que se deriva de fiduciary y cuyas raíces latinas
(fiduciaries o fides) significan en confianza o fe, se refiere a una relación ética de confianza entre dos o
más partes. Otra acepción de la palabra está relacionada con un punto de referencia o medida.
172
estadística frecuencial), pero produce probabilidades a posteriori de las hipótesis, dados

los datos (como la inferencia bayesiana). Rouanet (1998) indica que en algunos casos
las distribuciones fiduciales de Fisher coinciden con las distribuciones bayesianas a
posteriori, de modo que se podría considerar que Fisher fue un estadístico bayesiano
adelantado a su tiempo.
Fisher también fue partidario de organizar experimentos y recoger datos para
poner a prueba las hipótesis sobre los parámetros de las variables aleatorias (Fisher,
1922). Sus principales metodologías desarrolladas en esta rama las publicó en Statistical
Methods for Research Workers (1925), The Arrangement of Field Experiments (1926)
y, más completamente, en The Design of Experiments (1935)20. En ellos propone
métodos para poner a prueba de una forma rigurosa el efecto de diferentes factores y
tratamientos, aislados o combinados entre si bajo condiciones de control experimental.
Enfatizó en la importancia de aleatorizar los tratamientos o bien tomar elementos
aleatoriamente para asegurar la validez de sus pruebas, puesto que en el terreno de la
agronomía era difícil asegurar la independencia de las observaciones. En su último
trabajo citado, ya había descrito y desarrollado su teoría inferencial en la que sustentaba
el análisis y los diseños de sus experimentos. Esto le permitió analizar la distinción
entre estadístico (medida de muestra) y parámetro (medida de población), definió los
conceptos de hipótesis nula, los niveles de significación, resultado significativo y las
ideas fundamentales del test de significación. Es decir, hizo explicita la diferencia entre
variable estadística y aleatoria, las puso en relación mediante sus procesos de
estimación y se preocupó por evaluar la significancia con la que estaban relacionadas.
Para Fischer la prueba de hipótesis era un procedimiento mediante el cual el
investigador podría formarse una opinión sobre alguna característica de la población, o
parámetro.
Sin embargo, la discusión sobre la teoría de la estimación e inferencia no
terminaría ahí. En 1926, Jerzy Neyman (un joven matemático de la universidad de
Varsovia) y Egon S. Pearson (hijo de Karl Pearson) comenzaron a ocuparse de los
fundamentos matemáticos subyacentes en los trabajos estadísticos de entonces. Su
interés se dirigió a encontrar las bases lógicas que permitieran unificar sistemáticamente
las pruebas estadísticas propuestas por Gosset y Fisher. La propuesta inicial provino del
mismo Gosset en una carta dirigida a Neyman en donde le sugería la conveniencia de
inclinarse por rechazar una hipótesis bajo la cual la muestra observada es muy
improbable, «si existiera una hipótesis alternativa que explicara la ocurrencia de la
muestra con una probabilidad razonable» (Pearson, E.S. citado por Lehmann, 1994, p.
20
The Design of Experiments, 8 editions, 1935 /37 /42 /47 /49 /51 /60 /66, Edinburgh: Oliver & Boyd.
173
400). En 1928, publicaron sus primeros resultados en un artículo titulado On the Use
and Interpretation of Certain Test Criteria for Purposes of Statistical Inference. Este
artículo ya contenía los principales conceptos de su teoría de hipótesis, tales como los
dos tipos de errores, la idea de potencia de una prueba, la distinción entre hipótesis
simple y compuesta, pero estaba enteramente basada en la razón de la verosimilitud de
las hipótesis, cosa que con lo que Neyman no se sentía satisfecho. En 1930 idearon un
nuevo enfoque maximizando la potencia de la prueba suponiendo cierta la hipótesis y
con un valor preasignado (el nivel de la prueba) para la probabilidad de rechazo. En
1933 publicaron sus resultados en el artículo On the Problem of the Most Efficient Tests
of Statistical Hypotheses21, en el que describieron el fundamento de las pruebas de
hipótesis más usadas actualmente, conocido como el Lema de Neyman-Pearson. De
acuerdo con Lehmann (1994), ellos lograron plantear el problema de encontrar la mejor
prueba como un problema matemático lógicamente convincente y claramente
formulado, que uno podía, entonces, proceder a resolver (p. 401).
Neyman también abordó el problema de la teoría de estimación. Él era partidario
de la estimación de un parámetro a través de un intervalo, no estaba de acuerdo en los
enfoques en los que el parámetro era estimado por un único número, pero tampoco
congeniaba con la idea bayesiana de que el parámetro era aleatorio (Lehmann, 1994).
En 1933 publicó por primera vez una versión de su teoría con el título de On the two
different aspects of the representative method22 y con ella inició la teoría moderna de
intervalos de confianza. Neyman descompuso el problema de la estimación en una parte
práctica y otra teórica. La parte práctica se refiere al cálculo que se necesita realizar con
los datos obtenidos durante el muestreo para estimar el parámetro. La parte teórica
(precisión de dicha estimación) la resuelve en forma probabilística utilizando el teorema
central del límite para proponer como solución el intervalo de confianza, como un
intervalo de valores aunado a un coeficiente de confianza que mide la probabilidad
frecuencial de la proporción de intervalos calculados en muestras sucesivas del mismo
tamaño contengan al parámetro (Olivo, 2008). Esta formulación estableció una
equivalencia entre intervalos de confianza y familias de pruebas de hipótesis e hizo
posible que la prueba de hipótesis formulada en 1933 fuera considerada teoría de
estimación (Lehmann, 1994).
21
Publicado en: Philosophical Transactions of the Royal Society of London. Series A, 231, (1933), pp.
289-337.
22
Aparecido en el volumen 97 del Journal of the Royal Statistical Society, en 1934, 558-625.
174
5.5. La variable estadística en la actualidad

Así, a principios del siglo XX, las herramientas estadísticas para el tratamiento de los
datos y, por tanto, de la variable estadística, se multiplicaron propiciando que el análisis
de datos fuera más rico y tuviera mayores fundamentos. Esto condujo, progresivamente,
al desarrollo de las teorías estadísticas con las que convivimos actualmente y a
relacionar de manera explícita las variables estadísticas (que se referían a las muestras
tomadas de poblaciones) con las variables aleatorias, que definen las poblaciones cuyas
características se quiere estimar. Así mismo, el concepto de distribución muestral o
distribución del estadístico adquiere una mayor importancia dentro de la estadística
matemática y, sobre todo en el caso de la distribución de la media muestral, fomentó el
interés por estudiar las distribuciones de las operaciones con variables aleatorias y
ofreció un sustento para el crecimiento aún mayor de la inferencia estadística y de la
estadística.
Desde el inicio de nuestro análisis histórico hemos denominado a la variable
estadística como tal, sin embargo, es menester mencionar que, históricamente y a pesar
de que en su mayoría no se le confundía con la aleatoria, en sus inicios se le
denominaba simplemente con las palabras de cualidad, característica o atributo (el
término magnitud no era tan socorrido por los contextos en los que comenzó a ser
aplicado). A principios del siglo XX se le comenzó a denominar variable, sin el
calificativo de estadística.
La palabra estadística, se comenzó a emplear por Godofredo Achenwall en
1760, quien lo tomó del italiano statista (hombre de estado) para denominar al análisis
de los datos numéricos que en ese entonces comenzaba a surgir. Achenwall creía que
éste análisis sería un gran aliado de un gobernante eficaz. A finales del siglo XVIII,
John Sinclair, emplearía el término para indicar la generación de información interna
que permitiría encontrar falacias y proponer mejoras en el país. A comienzos del siglo
XIX, la palabra estadística adoptó un significado más generalizado hacia la recolección
y clasificación de datos numéricos de las más variadas situaciones, y posteriormente, a
principios del siglo XX, surgieron paulatinamente los fundamentos de la ciencia que
llevaría ese nombre. Sin embargo la vinculación entre el adjetivo estadística y el
sustantivo variable, no se dio sino hasta tiempos más recientes23. El surgimiento de la
estadística como ciencia, la posibilidad de manejar grandes cantidades de datos a través
de las computadoras y el fortalecimiento de la teoría formal de la probabilidad dio lugar
23
La referencia más antigua que encontramos a la definición de variable estadística está en Ríos (1967),
aunque ello no implica que no haya sido definida o usada anteriormente. En cambio, encontramos grandes
cantidades de libros que la definen, sobre todo de las últimas décadas.
175
a la necesidad de distinguir palpable y formalmente aquellas variables que estaban

definidas teóricamente (las aleatorias) de aquellas que se vinculaban directamente con
el manejo de los datos (las estadísticas).
6. Formalización matemática de la variable aleatoria

La creciente aplicación de los resultados probabilísticos y estadísticos en otras ciencias,
como la física, durante el siglo XIX, aunado a definiciones probabilísticas apegadas a la
experiencia y en muchas ocasiones, intuitivas, hicieron surgir la necesidad de una mayor
precisión conceptual y lógica de la teoría de probabilidad. En particular en el campo que
nos interesa, las concepciones de variable aleatoria que surgieron en los trabajos tanto
de Poisson como de Tchebychef estaban demasiado apegadas al contexto del problema,
como para que la variable aleatoria pudiera ser considerada un objeto matemático.
De acuerdo con Fischer (2011), la consolidación de la teoría de probabilidad fue
fuertemente motivada por el interés creciente, principalmente de Feller y Lévy, en la
demostración definitiva del teorema fundamental del límite después de la primera
demostración dada por Liapounoff, puesto que esto impulsó el apego por el rigor
analítico y el esfuerzo por la búsqueda de las condiciones lo más débiles posibles.
Cuestiones, que, finalmente, fomentaron la disociación de la teoría de probabilidad de
sus aplicaciones y su emancipación a convertirse en una disciplina matemáticamente
autónoma. Mientras el problema con la distribución de la suma de variables aleatorias
independientes podía ser abordado sobre la base de conceptos elementales de análisis
real, la suma de variables aleatorias no independientes, requería el uso de conceptos más
sofisticados de teoría de la medida. La formalización tanto de la probabilidad, como de
la variable aleatoria, tuvo que esperar hasta el desarrollo de las teorías de conjuntos y de
la medida, que surgieron a principios del XX, debidos principalmente a Georg Cantor,
Emile Borel y Henri Lebesgue.
Durante el primer tercio del siglo XX, la axiomatización de la teoría de
probabilidad tomó forma y fue ahí donde la variable aleatoria adquirió identidad propia
y se desenvolvió como una de las bases de la creciente teoría. En este apartado se
describe el último escalón de la emergencia de la variable aleatoria como objeto
matemático formal, a partir de una necesidad y como una consecuencia de la
axiomatización de la teoría de la probabilidad.
176
6.1. Aportaciones de Kolmogorov y Fréchet

Antes de que Kolmogorov publicara su obra Fundations of the Theory of Probability, ya
había habido otros intentos por establecer una axiomática de la probabilidad. Richard
von Mises en 1919 esbozó una teoría sustentada en la idea de colectivo definido a través
de dos propiedades de la frecuencia relativa: debe poseer un límite y este límite debe ser
constante en todas las sucesiones parciales que pueden seleccionarse de la sucesión
original. El mismo Kolmogorov reconocía como el primer sistema axiomático al
desarrollado por Sergei Natanovich Bernstein, que se sustentaba en una estructura
algebraica de sucesos basándose en la noción de comparación cualitativa de sucesos
(aleatorios) de acuerdo a sus (más grandes o más pequeñas) probabilidades (Maistrov,
1974). Andrei Kolmogorov, sin embargo, consolidó la axiomatización de la teoría de la
probabilidad vigente hasta nuestros días con la incorporación de las teorías de la medida
y la integración.
Los Fundations of the Theory of Probability (Kolmogorov, 1993/1956) pueden
considerarse la culminación natural del desarrollo experimentado por la teoría de la
medida entre 1900 y 1930 a partir de los aportes de muchos matemáticos dedicados a
ello, entre los que destaca, desde nuestro enfoque, Maurice Fréchet. A él se le debe el
concepto de espacio métrico, pero también la desvinculación de los elementos
geométricos (presentes en primer plano en las propuestas de Lebesgue) de las teorías de
la medida y la integración. Esta desvinculación fue la condición necesaria para
establecer el sustento de la teoría de probabilidad sobre las analogías entre las variables
aleatorias independientes y las correspondientes propiedades de las funciones
ortogonales. Cosa que le permitió a Fréchet formular la primera vinculación de la
herramienta matemática con la noción de variable aleatoria:
Las variables aleatorias, desde un punto de vista matemático, representan meramente

funciones medibles con respecto a P(A), mientras sus esperanzas matemáticas son
integrales abstractas de Lebesgue (Esta analogía fue explicada completamente por
primera vez en el trabajo de Fréchet) (Kolmogorov, 1956/1993, p. 8).
Kolmogorov define y desarrolla formalmente la definición de variable aleatoria

en los capítulos III y IV, sin embargo, discute su significado dos veces durante el
capítulo I, a propósito de la inserción de otros distintos conceptos claves en su teoría. La
primera vez, cita de arriba, la vincula con el concepto de independencia:
Históricamente, la independencia de los experimentos y la variable aleatoria representan

el mismo concepto matemático que ha dado a la teoría de probabilidad su sello
177
particular. Los trabajos clásicos de Laplace, Poisson, Tchebychef, Markov, Liapounoff,

Mises y Bernstein realmente estuvieron dedicados a la investigación de series de
variables aleatorias independientes. Aunque algunos de ellos fallaron en asumir
independencia, revelaron la necesidad de introducir condiciones análogas más débiles,
para obtener resultados suficientemente significantes (Kolmogorov, 1956/1993, pp. 8-
9).
Así, para Kolmogorov, la variable aleatoria independiente es el germen de un

campo de problemas en la teoría de probabilidad y por lo tanto era una condición
hacerla explícita para poder desarrollar la teoría de probabilidad. No es de extrañarse,
entonces, que la segunda vez que menciona a la variable aleatoria durante el Capítulo I
sea a propósito de la probabilidad condicional y las cadenas de Markov, cosa que, de
alguna forma, coincide con lo ocurrido históricamente con las primeras definiciones de
variable aleatoria dadas por Poisson y Tchebychef y el sucesivo desarrollo de las
cadenas de Markov (apartado 4.5 de este capítulo):
Sea una descomposición del conjunto fundamental E: E  A1  A2  ...  An , y x

una función real de los sucesos elementales  , los cuales para cada conjunto Aq es
igual a una correspondiente constante a q . x es entonces llamada variable aleatoria, y la
suma E ( x )  a
q
q P ( Aq ) es llamada esperanza matemática de la variable x. La teoría
de las variables aleatorias será desarrollada en los capítulos III y IV. No nos limitaremos
allí simplemente a aquellas variables aleatorias que pueden asumir solamente un
número finito de valores diferentes (Kolmogorov, 1956/1933, p. 12).
Aquí queda claramente establecida la naturaleza funcional de la variable aleatoria

como una función conjunto de valor real. Es notorio que esta definición es únicamente
para variables aleatorias discretas con un número finito de valores. En su introducción al
capítulo I, Kolmogorov aclara que en él partirá de situaciones con un número finito de
eventos para enunciar sus principios y que los teoremas ahí enunciados pueden aplicarse
también para casos infinitos, pero que «más tarde, cuando éstos sean estudiados,
esencialmente nuevos principios serán usados» (p. 1). Con esta aclaración, él denota la
necesidad de manipular, en primera instancia, una teoría elemental de la probabilidad,
en donde enuncia los axiomas y definiciones a partir de los cuales partirá su teoría de
probabilidad (campo de probabilidad e independencia) e introduce una nomenclatura
propia de su teoría. Las dos definiciones de variable aleatoria dadas en ese capítulo
obedecen ya la necesidad de establecer las relaciones básicas de un sistema axiomático:
define, un tanto informalmente, los elementos que requerirá tanto para la justificación
178
de la definición de independencia (p. 9) como de probabilidad condicional (p. 12). La

mención a la variable aleatoria se hace necesaria desde la justificación y discusión de la
definición de los elementos base de su teoría, sin embargo, también tiene la intención de
desvincular lo concreto de sus nociones anteriores, de la abstracción a la que debe
obedecer su teoría. Es decir, también hace explícita la necesidad de definir
matemáticamente a la variable aleatoria, como parte fundamental de su teoría.
En el capítulo II define el teorema de continuidad, los campos de Borel y los
campos infinitos de probabilidad. A partir de este capítulo su teoría es un fluir
coherente de elementos basados exclusivamente sobre sus primeros axiomas.
En el capítulo III, Kolmogorov proporciona una definición más formal de la
variable aleatoria:
DEFINICIÓN. Una función de valor real x  , definida sobre el conjunto básico E, es
llamada una variable aleatoria si para cada elección de un número real a, el conjunto
x  a de todos los  para los cuales la desigualdad x  a es verdadera, pertenece al
sistema de conjuntos  .
Esta función x  mapea el conjunto básico E en el conjunto R1 de todos los números
reales. Esta función determina, como en §1, un campo  (x) de un subconjunto de los
conjuntos de R1. Podemos formular nuestra definición de variable aleatoria de esta
manera: Una función real x  es una variable aleatoria si y solo si  (x) contiene todos
los intervalos de la forma (-∞, a).
Ya que  (x) es un campo, entonces junto con los intervalos (-∞, a), contiene todas las
sumas finitas posibles de los intervalos abiertos por la derecha [a, b). Si nuestro campo
de probabilidad es un campo de Borel, entonces  y  (x) son campos de Borel; por lo
tanto, en este caso  (x) contiene todos los conjuntos de Borel de R1 (Kolmogorov,
1956/1933, p. 22).
Esta definición se sostiene en la definición de campo de probabilidad y sus

axiomas, definidos en el capítulo 1:
Sea E una colección elementos  , ,  ,... , los cuales llamaremos sucesos elementales,
y  un conjunto de subconjuntos de E; los elementos del conjunto  serán llamados
sucesos aleatorios.
I.  es un campo de conjuntos.
II.  contiene el conjunto E.
III. Para cada conjunto A en  es asignado un número real no-negativo P(A).
Este número P(A) es llamado la probabilidad del suceso A.
179
IV. P(E) es igual a 1.

V. Si A y B no tienen elementos en común, entonces P ( A  B )  P ( A)  P ( B )
.
Un sistema de conjuntos,  , junto con una asignación definida de número P(A), que
satisfacen los Axiomas I-V, es llamado un campo de probabilidad (Kolmogorov,
1956/1933, p. 2).
Esta definición, obedece, por tanto, a la axiomatización de la teoría de la

probabilidad propiamente dicha, quedando circunscrita en un campo de probabilidad.
Formalizó la noción que hasta entonces se había usado con poca precisión y la dejó
claramente establecida dentro del sistema axiomático de la teoría de probabilidad.
Llama la atención, también, el desarrollo de la noción de distribución de
probabilidad dentro de esta teoría. La noción es introducida en el capítulo II como una
derivación de la condición que debe cumplir el conjunto contable E de los números
reales x, con un campo  , definido como el conjunto de todos los puntos de Borel de
esta línea, para construir un campo de probabilidad:
Para construir un campo de probabilidad, con el campo dado  es suficiente definir una
función de conjunto arbitraria no negativa completamente aditiva P(A) sobre  tal que
satisfaga la condición P(E) = 1. Como es bien sabido, tal función es únicamente
determinada por sus valores:
∞;
Para los intervalos especiales: ∞; . La función F(x) es llamada la función de
distribución de ξ. (Kolmogorov, 1956/1933, pp. 18-19).
Notemos que esta definición ya requiere que E sea el número real x. En el

capítulo III, define la función de probabilidad más estrictamente como una función de
conjunto P(u)(A’) = P{u-1(A’)} de la función de conjunto u(ξ), definida sobre sobre  (u).
u(ξ) mapea valores de E sobre E’, de modo que cuando u(ξ)=ξ, la función de
probabilidad P(u)(A’) es igual a P(A). La función de probabilidad, entonces, es definida
como una función compuesta sobre la pre-imagen de u en E. También es cierto que
tanto en la definición dada en el capítulo III, como en el II, Kolmogorov prepara la
definición de variable aleatoria que desarrolla inmediatamente después a esta definición
en el capítulo III. La función de probabilidad se convierte en función de variable real
sólo después de la definición de variable aleatoria:
En el futuro denotaremos a la función de probabilidad de una variable aleatoria por

P(x)(A´). Está definida para todos los conjuntos del campo  (x), en particular, para el
180
más importante caso, el campo de Borel de la probabilidad P(x) está definida para todos
los conjuntos de Borel en R1. (Kolmogorov, 1956/1933, p. 23).
La función de distribución es definida inmediatamente después de este

enunciado tal como la conocemos actualmente y desde un inicio tiene la connotación de
ser una función de una variable aleatoria. La función de densidad de probabilidad es
manejada como el caso en que la función de distribución es diferenciable. En el capítulo
III también son desarrollados algunos tópicos sobre variables aleatorias como variables
aleatorias equivalentes y tipos de convergencia.
Kolmogorov postula como los conceptos base de su teoría en el concepto de
suceso aleatorio y su probabilidad. En otras propuestas, como las de Bernstein y von
Mises, estos conceptos eran definidos a través de otros conceptos, lo que ocasionó fallas
en sus propuestas. Sin embargo, la principal crítica al sistema propuesto por
Kolmogorov es que es incompleto, pues para un conjunto dado E, se pueden elegir las
probabilidades en  de manera diferente. Lo cual, no implica que no sea un sistema
razonable, sólo que se debe ser consciente que no indica la forma en que se asignan las
probabilidades.
6.2. Aportaciones de Lévy, Petrov y Parzen

Después de la publicación de su teoría, la nomenclatura propuesta por Kolmogorov se
extendió por Europa. Así por ejemplo, Paul Lévy comenzó a utilizar el término
«variable aleatoria» en enunciados y explicaciones, particularmente alrededor de la
suma de variables aleatorias, en trabajos (por ejemplo, Lévy, 1936) en los que citaba a
Kolmogorov, por lo que, suponemos, es influencia de éste último. Otras muestras del
uso dado por Lévy al concepto de variable aleatoria son sus numerosos artículos en
donde amplía sus resultados sobre el tema, estudiando las operaciones y convergencia
de las variables aleatorias, por ejemplo, Lévy (1939), sobre la convergencia de series de
variables aleatorias, Lévy (1935) sobre la adición de variables y Lévy (1959) sobre el
producto de variables aleatorias. Los trabajos sobre variables aleatorias se han
ampliado, desde entonces, enriqueciéndolo y haciéndolo más complejo.
También surgen nuevas propuestas del concepto de variable aleatoria, ampliando
o modificando la definición dada por Kolmogorov. Así por ejemplo, V. Vladímirovich
Petrov, cuya tesis doctoral fue Some extremal problems in the theory of summation of
independent random variables, y que realizó otros muchos trabajos sobre el tema, como
Sums of independent random variables publicado en 1972, o Limit theorems for sums of
181
independent random variables publicado en 1987, definió la variable aleatoria como

sigue:
Consideremos un espacio de probabilidades (, A, P ) . Llamamos variable aleatoria a

una función real X  X ( ) definida en el espacio de sucesos elementales  y tal que
satisface la condición:
(3.1) {   : X ( )  x}  A
para todo x real.

En la terminología del análisis real, una función X ( ) que cumple la condición (3.1)
para todo x se denomina medible. De esta forma, una variable aleatoria es una función
real y medible sobre los sucesos elementales. Se puede verificar que la condición (3.1)
para todo x, es equivalente a la condición
(3.2) {   : X ( )  B}  A
para cualquier conjunto boreliano24 B de puntos de la recta real  . En el caso

particular en que B es el intervalo (, x] , la condición (3.2) se convierte en la
condición (3.1) (Petrov y Mordecki, 2002, p. 55).
Esta definición es básicamente la misma dada por Kolmogorov con cambios en

la notación y, sobre todo, utilizan los modernos conceptos de σ-álgebra y conjuntos
borelianos para referirse a lo que Kolmogorov denotó como campos de Borel,  , y
campos de Borel en R1,  (x), respectivamente. Esta notación es la más usada
actualmente.
Emanuel Parzen, en cambio, se aventura en una propuesta más innovadora. En
su obra Modern probability theory and its applications, que ha tenido un amplio
reconocimiento, sobre todo en el contexto de ingeniería (Newton, 2002), propone un
tratamiento distinto a la introducción de la variable aleatoria. Él usa el concepto de
fenómenos aleatorios con resultados numéricos para introducir a la variable aleatoria y
las nociones que hay que tratar simultáneamente con ella, en particular, la ley de
probabilidades (distribución de probabilidad o función de densidad) y función de
distribución, la esperanza, la varianza, la ley de los grandes números y algunas leyes de
probabilidad, en particular, la uniforme, normal, Poisson, exponencial y gamma.
Inmediatamente después introduce la definición formal de variable aleatoria y la teoría
24
Nota del autor: La clase de los conjuntos boreleanos en la recta es la mínima  -álgebra de conjuntos
que contiene a todos los intervalos.
182
alrededor de ella en los capítulos 7 a 10: Variables aleatorias, Esperanza de una

variable aleatoria, sumas de variables aleatorias independientes y Sucesiones de
variables aleatorias.
Define fenómeno aleatorio con resultados numéricos en la forma siguiente:
Un fenómeno aleatorio con resultados numéricos es un fenómeno aleatorio cuyo

espacio de descripciones muestrales es el conjunto R (de los números reales de   a
 ) en cuyos subconjuntos está definida una función P  , que asigna a cada conjunto
boreliano de números reales E (que también se llama suceso) un número real no
negativo, denotado por PE , de acuerdo con los axiomas siguientes:
AXIOMA 1. PE   0 para todo suceso E

AXIOMA 2. P[R] = 1
AXIOMA 3. Para toda sucesión de sucesos E1 , E2 ,..., E2 ,..., que sea mutuamente

 
exclusiva, tenemos que P   En  
n 1 
 PE 
n 1
n
(Parzen, 1971, p. 173).
Posteriormente, Parzen extiende el modelo a fenómeno aleatorio con resultados

numéricos en n dimensiones cuyo espacio muestral es el conjunto  n que consiste en
todas las n-adas ( x1 , x2 ,..., xn ) cuyas componentes x1 , x2 ,..., xn son números reales de
 a .
Su propuesta pretende partir de situaciones cotidianas (aplicaciones) para
plantear matemáticamente problemas de probabilidad a fin de resolverlos en forma
sistemática, puesto que prioriza el uso de x (variable real) en el desarrollo de la teoría.
Para Parzen, la conceptualización de los fenómenos aleatorios con resultados numéricos
constituye una forma relativamente fácil de adentrarse en el caso de espacios muestrales
no necesariamente finitos en donde los eventos son conjuntos borelianos de números
reales. Él, igual que Kolmogorov, ve la necesidad de una definición preliminar de la
variable aleatoria y de todos los objetos relacionados con ella para analizar los espacios
discretos y finitos, pero, también como Kolmogorov, en su primera aproximación,
aclara la existencia de otra más rigurosa, en una especie de manifestación de que esta no
es la verdadera definición de variable aleatoria:
Algunos escritores […] llaman variable aleatoria al número X determinado por el

resultado de un fenómeno aleatorio (como lo es el valor observado de un fenómeno
aleatorio con resultados numéricos). En el capítulo 7 damos una definición rigurosa del
183
concepto de variable aleatoria en términos del concepto de función, y demostramos que

el valor observado X de un fenómeno aleatorio con resultados numéricos puede ser
considerado como variable aleatoria. Por lo pronto tenemos la siguiente definición:
Se dice que una cantidad X es una variable aleatoria (o lo que es lo mismo, se dice que
X es un valor observado de un fenómeno aleatorio) si para todo número real x existe
una probabilidad de que X sea menor o igual a x. (Parzen, 1971, p. 195).
Efectivamente, en el Capítulo 7 aparece la definición rigurosa de variable

aleatoria. Ahí, aclara que en muchas aplicaciones de teoría de probabilidades, los
espacios muestrales, aunque siempre implícitos, no aparecen directamente. Parzen
reconoce que en esos casos el método basado en fenómenos aleatorios con resultados
numéricos «no es muy satisfactorio» (p. 299). Es en esas aplicaciones donde la variable
aleatoria toma un papel primordial: el análisis probabilístico se basa en este concepto,
puesto que éste hace innecesario fijar de antemano el número n de fenómenos
aleatorios. Además de que hace posible generar por medio de operaciones algebraicas y
analíticas, nuevos fenómenos aleatorios a partir de fenómenos aleatorios conocidos.
Parzen emite su definición rigurosa de esta forma:
DEFINICIÓN DE VARIABLE ALEATORIA. Decimos que un objeto X es una variable

aleatoria i) si es una función de valores reales definida en un espacio de descripciones
muestrales, sobre una familia de cuyos subconjuntos hayamos definido una función de
probabilidades P  , y ii) si para todo conjunto boreliano B de números reales, el
conjunto s : X (s) pertenecea B pertenece al dominio de P   (Parzen, 1971, p.

300).
Inmediatamente después, vincula esta definición con la dada anteriormente, en

donde resalta la relación bidireccional de ambas:
Una variable aleatoria es, entonces, una función definida con base en el resultado de un
fenómeno aleatorio; consecuentemente, el valor de una variable aleatoria es un
fenómeno aleatorio y es, en efecto, un fenómeno aleatorio con resultados numéricos. De
manera análoga podemos interpretar todo fenómeno aleatorio con resultados numéricos
como el valor de una variable aleatoria X; en particular la variable aleatoria definida
sobre la línea real, para todo número real, x es X(x) = x. (Parzen, 1971, p. 300)
A lo largo de su libro, compara los nuevos métodos y conceptos vinculados con

la variable aleatoria con lo expresado en los primeros capítulos para los fenómenos
aleatorios con resultados numéricos, haciendo a la teoría de probabilidad una extensión
del análisis de éstos y ocupa a la variable aleatoria para ello:
184
Aunque por definición una variable aleatoria X es una función sobre un espacio de
probabilidades, en la teoría de probabilidades nos preocupamos raras veces de la forma
funcional de X, puesto que no nos interesa calcular el valor de X(s) que la función X
asume de algún elemento individual s del espacio de descripciones muestrales S, sobre
el cual se ha definido X. Más bien nos interesa la probabilidad de que un valor
observado de la variable aleatoria X pertenezca a un conjunto dado B. Nos interesa una
variable aleatoria en la medida en que es un mecanismo que da lugar a un fenómeno
aleatorio con resultados numéricos, y las preguntas que hagamos acerca de una variable
aleatoria X serán precisamente las mismas que nos sirvieron para estudiar fenómenos
aleatorios con resultados numéricos. (Parzen, 1971, p. 302).
A su vez, en esta cita expresa la utilidad del concepto de variable aleatoria en el

sentido funcional con la probabilidad desde una perspectiva epistemológica, por la
teoría que surge a partir de ella, y desde una visión práctica por las aplicaciones que
miran en ella una variable algebraico-funcional con la probabilidad. Sin embargo,
Parzen también resalta la definición funcional de la variable aleatoria, aún en las
situaciones prácticas:
Uno de los tropiezos de los estudiantes con el concepto de variable aleatoria consiste en
que los objetos que son variables aleatorias no están siempre definidos de tal manera
que ello resalte explícitamente. Sin embargo, […] hay que aprender a reconocer y
formular matemáticamente como funciones los objetos descritos verbalmente que sean
variables aleatorias. (Parzen, 1971, p. 300).
Parzen no rige su discurso por la distinción entre la variable discreta y la

variable continua, sino más bien por la naturaleza de los problemas (o aplicaciones) que
va tratando. Así define la función de distribución normal como una generalización de la
binomial y las distribuciones vinculadas con el proceso Poisson las trata de manera
continua, primero la variable discreta y después la exponencial y Gamma. Da una
definición de variable discreta y continua inmediatamente después de la definición de
función de distribución, pero anteriormente ya había abordado varias distribuciones
discretas y continuas. La propuesta de Parzen da prioridad al sentido que puedan tener
los objetos matemáticos dentro de las aplicaciones, a la vez que trata de establecer un
sistema axiomático. Esto, para el caso de la variable discreta y continua, se puede
observar en la anotación que hace antes de definir por primera vez la función de
distribución y en donde la definición de fenómeno aleatorio con resultados numéricos le
permitió establecer primeramente las funciones de masa y de densidad:
185
…para cualquier fenómeno aleatorio con resultados numéricos, existe una función de
punto, llamada función de distribución, que es suficiente para determinar la función de
probabilidades, en el sentido de que ésta puede reconstruirse a partir de la primera. Así
pues, la función de distribución constituye una función de punto que contiene toda la
información necesaria para describir las propiedades probabilísticas del fenómeno
aleatorio. Por consiguiente, para estudiar las propiedades generales con resultados
numéricos, sin tener que restringirnos a aquellos cuyas funciones de probabilidades se
han especificado, ya sea por una función de densidad o una función de masa de
probabilidades, basta con estudiar las propiedades generales de las funciones de
distribución. (Parzen, 1971, p. 191).
En su discurso, Parzen también introduce la concepción de función de

distribución antes que la de variable aleatoria. Ésta surge como una respuesta a una
necesidad impuesta por la definición de la función de distribución.
Así, su propuesta establece un cambio en la definición de variable aleatoria,
dando prioridad a las aplicaciones sin perder la formalidad y rigor de la teoría. De
alguna manera este interés de Parzen de establecer una «introducción» a la teoría de
probabilidad antes de abordar temas más rigurosos, ya se observaba en Kolmogorov,
pero Parzen lo lleva más allá al insertar esta introducción a través de aplicaciones. La
teoría de Parzen, lo mismo que la de Kolmogorov, requirió establecer definiciones más
rigurosas para poder abordar aplicaciones campos más formales de la probabilidad. La
definición inicial de Kolmogorov no modifica su definición formal posterior, en cambio
la de Parzen sí. A través de la bidireccionalidad entre sus dos definiciones, la misma
variable aleatoria formal se convierte también en un fenómeno aleatorio con resultados
numéricos. Sin embargo, en ambas teorías la continuidad es la que proporciona la
necesidad de una definición formal de variable aleatoria, en el caso de Kolmogorov,
más rigurosa, y de Parzen, en la introducida por primera vez, como el resultado de un
fenómeno aleatorio con resultados numéricos.
Seguramente en épocas más recientes nuevas propuestas sobre las teorías
alrededor de la variable aleatoria están surgiendo, pero, también seguramente, no están
al alcance de nuestros propósitos en esta investigación.
7. Conclusiones del Capítulo

La problemática que hizo que el concepto de variable aleatoria deviniera como objeto
matemático, no está vinculada a un solo campo de problemas. La variable aleatoria se
manejó de manera implícita desde la antigüedad en diferentes contextos culturales, y a
186
partir de múltiples aplicaciones, tanto matemáticas como extra matemáticas, sin que se
percibiera la necesidad de definirla hasta que se requirió formalizar la herramienta
probabilística. Para construir un sistema axiomático coherente en probabilidad (formular
y demostrar teoremas, como el central del límite y la ley de los grandes números) se
requería la conceptualización explícita de una variable que difería de la algebraica en
diversos sentidos, pero sobre todo en su sentido funcional. Había que definir un objeto
matemático que permitiera establecer funciones reales a partir de funciones de conjunto.
Esto hizo que los probabilistas estudiaran la teoría de la medida e integración antes de
Lebesgue (Doob, 1976).
Sin embargo, antes de la necesidad del surgimiento de la axiomatización de la
probabilidad y a lo largo de mucho tiempo, se presentaron manifestaciones sutiles del
requerimiento de un objeto matemático de la naturaleza de la variable aleatoria.
También, por otro lado, los estadísticos necesitaron fundamentar algunas de sus
propuestas de solución a problemas más prácticos en resultados probabilísticos. Esto
hizo que de manera paralela y retroalimentándose mutuamente, la variable aleatoria y la
estadística fueran trabajadas en ambos campos, el probabilístico y el estadístico, hasta
conformarlas teóricamente y diferenciarlas y relacionarlas explícitamente.
Así, a lo largo de este estudio histórico se ha visto que la conceptualización de la
variable aleatoria deviene muy lentamente a través de dos caminos diferentes, que se
entrecruzaron una y otra vez para complementarse mutuamente:
 El surgido a partir de los análisis probabilísticos que, inicialmente
partieron de los primitivos juegos de azar y el estudio de la previsión de
apuestas, que, aunque se practicaron desde tiempos remotos, sólo se
estudiaron desde un punto de vista probabilístico a partir del siglo XVII.
Este tipo de estudios paulatinamente se fue despegando de sus aplicaciones
hasta lograr la conformación de una teoría probabilística en el primer tercio
del siglo XX. El principal interés estaba en la formulación de un sustento
matemático que diera fundamento a la ciencia del azar basándose en el rigor
y formalismo de la ciencia. Los científicos más influyentes estaban
instruidos y muy actualizados en las matemáticas y ciencias de su tiempo.
Los resultados que se desarrollaban en la creciente matemática del cálculo y
de la teoría de conjuntos tuvieron mucha influencia en la teoría de
probabilidad, pero también las necesidades de los probabilistas generaron
resultados que actualmente pertenecen y son ampliamente usados en la
matemática actual, por ejemplo en ecuaciones diferenciales, o a la teoría de
la medida, sin que, en ocasiones y desde una perspectiva teórica, guarden
187
vinculación con sus orígenes probabilísticas. Los principales problemas

abordados aquí rápidamente se desvincularon de las aplicaciones y más bien
estaban vinculados con su fin del desarrollo y fundamentación de una teoría:
la generalización de problemas resueltos de manera particular, la obtención
de métodos generales, el surgimiento de objetos matemáticos acordes con
las generalizaciones, la demostración de teoremas y por último la búsqueda
de los fundamentos que dieran lugar a la conformación de una teoría.
 Por otro lado, también había un interés creciente por el análisis de los datos
recopilados por distintas necesidades prácticas. Los estudios estadísticos,
también muy antiguos, se comenzaron a formalizar a partir del siglo XVII
con trabajos sobre seguros de vida, estadísticas demográficas, previsión de
causas de muerte y estudios poblacionales que hicieron uso de resultados
probabilísticos en el análisis de sus datos. A su vez, las rutas del análisis de
datos generadas encontraron cada vez mayores aplicaciones y sustento a
medida que la teoría de la probabilidad se desarrollaba. Inicialmente los
problemas resueltos a través de esta vía estaban vinculados con datos
surgidos en diversos contextos prácticos, así que la definición de una
variable estadística en ellos era algo relativamente simple. El mismo
contexto indicaba la necesidad de resúmenes de datos numéricos en los que
se definía una variable numérica. Conforme el número de aplicaciones
creció, también lo hizo la necesidad de la conformación de una teoría que
fundamentara los métodos y resultados que se obtenían. Se dio paso a la
vinculación entre resultados teóricos y empíricos, es decir, al
establecimiento de un vínculo formal entre la variable estadística y la
variable aleatoria. Uno de los principales derroteros que hizo que surgiera
esta necesidad en realidad es una preocupación surgida desde los primeros
análisis de datos: la inferencia.
No podemos decir que estas dos vías se hayan desarrollado de manera

independiente. Desde sus inicios, la probabilidad tuvo fuertes motivaciones en la
observación del comportamiento de la tirada de dos dados: los grandes jugadores (el
Duque de Toscana y Fournival) debieron tener registros para percatarse de las
diferencias minúsculas entre los resultados producidos por sus análisis y los obtenidos a
través de un modelo probabilístico teórico erróneo que no obtenía apropiadamente el
espacio muestral del lanzamiento de los dados. Así mismo, desde sus inicios,
investigadores preocupados por el comportamiento de los datos, como Arbuthnott,
188
relacionaron modelos obtenidos a partir de los datos con modelos teóricos, en el caso de
Arbuthnott, con el desarrollado por Bernoulli de la binomial. Se puede decir que casi
desde su surgimiento, los modelos de distribuciones y los teoremas límite se utilizaron
con la intención de predecir el comportamiento futuro de fenómenos de tipo estadístico
y, a la inversa, los probabilistas hicieron uso de los análisis de datos para obtener y
establecer algunos de sus modelos teóricos. Las primitivas aplicaciones de los modelos
probabilistas se ampliaron a campos tales como la astronomía o física que se interesaron
por magnitudes o cantidades aleatorias25 y permitieron el desarrollo de algunos modelos
de distribuciones de probabilidad. Todos estos puntos de convergencia entre los
modelos probabilistas y el análisis de los datos proporcionaron herramientas útiles a los
estadísticos y el desarrollo de nuevas teorías a los probabilistas. Lo que, a su vez, abría
nuevas preguntas sobre la relación entre las variables aleatorias y las estadísticas.
Sin embargo, también es cierto que durante largo tiempo, el contacto entre estas
dos vías sólo fue tangencial. El desarrollo de diversas herramientas matemáticas no
hubiera sido posible si las comunidades no se hubieran centrado en sus propios
problemas, pero tampoco si no hubiera habido contacto entre ellos.
Así, a lo largo de su historia, estas dos vías dieron lugar a dos corrientes de
pensamiento que se conformaron autónomamente nutriéndose de sus mutuos análisis y
resultados, generando un proceso dialéctico, pero también con momentos de reflexión
propia, mediante los cuales se establecieron formas de razonamiento autónomas que los
conformaron como ciencias independientes, cuyo sustento en gran parte pende de la
conceptualización de las variables aleatoria y estadística y su vinculación. La historia de
las variables aleatoria y estadística es también la historia de cómo se conformaron estos
campos como ciencias a través de esas múltiples interacciones en diferentes épocas y
etapas de desarrollo. Es en el siglo XX cuando a través de la axiomatización de la
probabilidad se llegó a la definición actual de variables aleatorias de notable
complejidad. Paralelamente, en Inglaterra y Estados Unidos principalmente, se creó la
escuela biométrica que daría paso al estudio formal de la inferencia estadística, en
donde se explicita la diferencia entre las variables estadística y aleatoria, estadístico y
parámetro y se crean métodos para estimar los parámetros a partir de datos estadísticos.
Aún hoy la estadística conserva una problemática dual, en la cual, sobre todo en
el ámbito inferencial, coexisten problemas prácticos y teóricos, y a través de la cual se
produce nueva herramienta estadística y surgen nuevas formas de vincular las variables
aleatoria y estadística. Así mismo, algunas veces, en las distintas prácticas ingenieriles y
25
En esa época la variable aleatoria era vista como el resultado de fenómenos aleatorios con resultados
numéricos. Acepción influenciada por la forma en que se concebía a la variable en el ámbito determinista.
189
de ciencias, la variable aleatoria o estadística son utilizadas sin llegar a su

formalización.
7.1. Etapas históricas

Un análisis más detallado permite identificar las ocho etapas históricas del
desarrollo de la variable aleatoria que a continuación se enumeran, algunas de las cuales
se solapan cronológicamente entre sí.
Primera etapa
En el campo de los juegos de azar, se presume que jugadores interesados en conocer la
mejor apuesta posible, comenzaron a hacer recuentos de datos obtenidos a partir de su
constante participación en esos juegos. No se cuenta con evidencia del análisis de estos
datos, ni de los recuentos sin embargo las cartas del Duque de Toscana indican que se
tenía un manejo intuitivo de la variable estadística «la suma de las caras superiores de
tres dados» y de que se tenía conocimiento de la diferencia de aparición entre algunos
valores de la variable cuya probabilidad difería en 0,0093 (0,1157 para los valores de 9
y 12 y 0,125 para las sumas 10 y 11). Esto muestra no solo la amplitud del recuento,
sino también la existencia de análisis numéricos intuitivos y rudimentarios de la variable
estadística.
Segunda etapa
En el mismo ámbito de los juegos de azar, los jugadores comenzaron a hacer recuentos
teóricos de los resultados posibles. Algunos de ellos fueron correctos, como los casos
del descrito en el manuscrito «De Vetula» o los planteados por Cardano y Huygens, y
algunos otros erróneos e incoherentes con la experiencia aportada por la recopilación de
sus datos, como es el caso del establecido por el Duque de Toscana, quien recurrió a
Pascal y Fermat a fin de que le proporcionaran modelos adecuados. En todos los casos,
se comenzaron a asociar valores numéricos discretos a resultados de experimentos
aleatorios. No se usó el término variable, y sólo en algunos de los problemas se hace
explícita la variable para el problema en particular. El principal interés es la esperanza
matemática de la variable para determinar la apuesta justa en juegos de azar y también
la probabilidad de valores aislados para tratar de encontrar estrategias en los juegos. Se
identificaron probabilidades asociadas a todos los valores posibles de las variables
aleatorias discretas vinculadas a esos problemas e incluso se comenzaron a estudiar
algunos modelos concretos de sus distribuciones de probabilidad. Estos resultados se
190
sustentaron principalmente en el análisis teórico del espacio muestral. Los escritos que
dan cuenta de la existencia de esta etapa no tienen una inquietud académica, sino más
bien, de consejo y recomendaciones de apuesta en los juegos de azar e incluso algunos
de ellos caen en consejos morales. El libro de Huygens, sin embargo, ya tiene un
manejo más riguroso, establece conceptos y un lenguaje para explicar sus soluciones y
algunas generalizaciones.
Tercera etapa
El interés en la recolección de datos estadísticos para fines militares o políticos,
conlleva al uso intuitivo de variables estadísticas y a la determinación de su distribución
de frecuencias, inicialmente sin gran aparato matemático. Alrededor del siglo XVII, en
Inglaterra y posteriormente en otros países, se inicia un estudio más formal en que se
recogen datos estadísticos sistemáticamente y se analizan sus regularidades con el
objetivo de hacer predicciones, basadas en un uso implícito de la variable aleatoria
(Graunt, Arbuthnott, Halley, Galileo). El manejo de la media es importante, pero
Galileo Galilei también comenzó a resaltar la variación de la distribución con la
introducción del cuadrado del error medio. El proceso de modelación se establecía a
partir del análisis de datos empíricos con el uso de algunas herramientas probabilísticas
teóricas. Las variables empleadas se definían por el contexto del problema, sin embargo
también se comienza a denotar la importancia de las variables numéricas para hacer uso
de algunos resultados probabilísticos. Además se comienza el análisis empírico de la
variable continua a partir del análisis de los errores en las mediciones (Galileo).
Cuarta etapa
Se incrementa el interés en la formalización y generalización de la herramienta generada
a partir de problemas particulares. Las aportaciones teóricas esta etapa son abundantes,
pero surgieron principalmente a partir de dos líneas conductoras muy relacionadas entre
sí. Por un lado, el interés generado por las múltiples aplicaciones de los resultados
teóricos a estudios empíricos, genera cuestionamientos sobre la relación teórica entre la
probabilidad frecuencial y la obtenida a través de enfoques teóricos, lo que también
conlleva a cuestionamientos sobre la relación entre la variable aleatoria y la estadística.
Así, aparece la condición de independencia entre variables aleatorias y la ley de los
grandes números (en Ars Conjectandi de J. Bernoulli y en la Doctrina del azar de de
Moivre), así como las primeras versiones del teorema central del límite para el caso
particular de la distribución binomial. En otra línea conductora, se inicia la
aproximación a las funciones como una forma de cálculo de la probabilidad de los
191
valores de la variable cuando éste les resultaba complicado, lo que conlleva a un estudio
más profundo sobre las funciones de densidad con variables continuas (Bernoulli, de
Moivre, Gauss, Laplace, Poisson) no siempre de manera consciente. Con ello se definen
las primeras operaciones entre variables aleatorias y la convergencia de sucesiones de
variables aleatorias, aunque no siempre explícitas. Se comienza el trabajo con variables
aleatorias continuas y se define la probabilidad como un diferencial, así mismo se inicia
el interés por las funciones de densidad y el cálculo de la probabilidad de intervalos de
valores de una variable aleatoria mediante integrales. Se identifican distribuciones de
probabilidad para variables aleatorias continuas, particularmente la Normal y la
Exponencial. Con ello también se definen variables aleatorias continuas implícitamente
y se comienza a denotar más fuertemente la necesidad de conceptualizar una variable
numérica vinculada al azar, así como de la función de densidad como una forma de
cálculo de la probabilidad, sin distinguirla de la función de probabilidad.
En esta etapa, los problemas reales como los errores de medición, problemas de
sobrevivencia o aplicaciones a la teoría matemática de la física molecular aplicada a los
gases se describen mediante variables (Gauss, de Moivre, Daniel Bernoulli, Laplace),
pero no se usa consistentemente el término variable; a veces se le denomina magnitud o
cualidad variable o bien, no se explícita. En todo caso, su uso se asemejaba al dado por
los matemáticos dentro del ámbito determinista en ese tiempo. Así mismo, Laplace,
principalmente, comienza a diferenciar implícitamente entre la variable y los valores
que puede tomar la variable en contextos discretos y continuos.
Quinta etapa
Aparecieron indicios explícitos de variables aleatorias asociadas a contextos y a
demostraciones. En esta etapa el principal motor de desarrollo de la variable aleatoria
fue la necesidad de establecer una variable de carácter matemático en la función de
densidad y el problema de la continuidad, que también estuviera vinculada con el
contexto probabilísta. Se observó la necesidad de una función, X que vinculara los
resultados de un contexto aleatorio con un contexto matemático en donde se le
asociaban sus probabilidades (Poisson, Tchebycheff). De manera general se
diferenciaron explícitamente los valores de la variable aleatoria y la variable en sí
misma y se comenzó a trabajar con el concepto de suceso vinculado con una variable en
el contexto matemático, así mismo se trabajó ampliamente con secuencias de variables
aleatorias y se profundizó en el problema de la continuidad en el cálculo de
probabilidades, cosa que conllevó a diferenciar entre el trabajo con variables continuas
y discretas (Poisson, Tchebychev, Markov, Liapounoff). También el cálculo de
192
probabilidades de variables aleatorias dependientes y de sus funciones de distribución

surgió de manera explícita (Markov, Liapounff). Todos estos resultados ampliaron el
concepto de variable en probabilidad, denotando diferencias importantes con aquellas
de cálculo y denotaron la distinción entre la función de densidad o la distribución de
probabilidad y la función de probabilidad, lo que marcó fuertemente la naturaleza de la
variable continua y de su función de distribución. Así mismo permitió el surgimiento de
enunciados más elaborados del teorema central del límite, en particular por parte de
Liapounoff y Markov.
Poisson, además, trabajó con la asignación de resultados no-numéricos de
experimentos aleatorios a valores numéricos a los que, en un intervalo dado, se le
asignan probabilidades. Es decir requirió la definición de una regla que transformara
variables cualitativas a cuantitativas, que por tanto no representan una magnitud en el
sentido clásico26.
Al final de esta etapa, las variables aleatorias ya se denotaban como variables e
incluso algunos autores, el principal, Liapounoff, comenzaron a hacer explícita su
condición de «sometidas al azar» (Liapounoff, 1901, p. 126). El apellido de aleatoria,
aún no es propio de ese tiempo en el que la diferencia entre azar y aleatoriedad aún no
es explícita. A finales de esta etapa, la variable aleatoria empieza a perder su carácter
físico, es decir, ya no es manejada como el resultado de un fenómeno aleatorio con
resultados numéricos, al menos en el ambiente formal de la probabilidad.
Sexta etapa
En la misma época (finales del siglo XIX y principios del XX), en otros ámbitos, las
inferencias informales comenzaron a tener auge a partir de la difusión de la distribución
normal como un modelo apropiado para muchos contextos en ciencias sociales,
biológicas y de la herencia. Estas aplicaciones y formas de análisis atrajeron la mente de
muchos científicos con un nivel de conocimientos amplio en su especialidad, pero que
no eran matemáticos o estaban actualizados en los últimos resultados de los
probabilistas, por lo tanto, sus resultados no tenían la solidez de una teoría en estadística
matemática, y, sin embargo, proporcionaron derroteros por el que la estadística pudo
desarrollarse como ciencia. La variable estadística jugó un papel primordial porque, a la
vez que era fácilmente obtenida a partir de los contextos de interés, también se resaltó
su carácter numérico para poder ser analizada y evaluada bajo el modelo de la
26
Actualmente se ha ampliado el concepto de «medida» y se definen varias escalas de medida,
incluyendo las nominales y ordinales, a las que se aplican datos estadísticos. Por tanto las variables
aleatoria y estadística podrían modelar nuevos tipos de «magnitudes» que no cumplen la condición
matemática de semi módulo.
193
distribución normal. Así, esta etapa se caracteriza por el interés en inferencias

informales, por aportaciones a partir de las aplicaciones a la ciencia y por la ampliación
en los campos de aplicación de la estadística. En todo esto, sobresalen los trabajos de
Quetelet y Galton.
Inicialmente el interés fundamental era acercarse a la verdadera distribución de
la variable estadística, lo que permitiría caracterizar a la población. Se preocuparon por
definir lo que era una población en estadística. La recolección de grandes cantidades de
datos prevaleció como la mejor forma de conocer como se comportaba una variable
estadística en una población. Surgieron las representaciones a través de gráficos y tablas
para mostrar los resúmenes de sus datos. Esto propició que las herramientas usadas
fueran un tanto ingenuas, pero a su vez, fueran difundidas y comprendidas por muchos
científicos a los que les importaba las aplicaciones de la naciente ciencia de los datos.
Algunas de las principales herramientas surgidas, con ligeras diferencias de las
herramientas actuales, fueron los percentiles, las ojivas, los histogramas, la mediana y la
variación alrededor de la mediana. En particular, los percentiles fueron usados para
medir no sólo la centralización (la mediana), sino también de dispersión, generando
intervalos a partir de los percentiles. Cosa muy útil para comparar poblaciones o datos
de una variable que se creía se comportaba como una normal. En esto, las ojivas le
fueron muy útiles. Se comenzó a emplear la normal estándar para calcular
probabilidades acumuladas o para hacer la prueba de si una variable se comportaba
como una normal e incluso se generaron las primeras tablas de la distribución normal
estándar para un uso más simple. También se comenzó a diferenciar la variación debida
causas identificables y la regresión lineal. Sin embargo, como se expresó al principio,
todos estos los avances se hicieron y usaron de manera informal, sin gran aparato
matemático que la sustentara.
Séptima etapa
Esta etapa se caracteriza por el surgimiento de la variable aleatoria como objeto
matemático a partir de la necesidad de abstracción para la definición de una teoría, pero
también por el surgimiento de ampliaciones que nacieron a partir de su primera
definición formal. Fréchet y Kolmogorov conceptualizaron a la variable aleatoria
generalizada, que puede no tener detrás una magnitud, en el sentido físico. Con base en
la teoría de conjuntos y de la medida, se formalizó la definición de variable aleatoria
como una función medible de valor real definida en un espacio de probabilidad. Esto
contribuyó a que se multiplicaran las aportaciones a la teoría de las variables aleatorias
(Levy, Feller, Meyer, Petrov), enriqueciéndola y haciéndola más compleja.
194
En esta etapa la variable aleatoria adquiere identidad propia y es denotada tal

como la conocemos actualmente, no sólo en su simbología sino también en su
nomenclatura. También, en épocas más actuales, surge, como producto de un análisis
concienzudo de la teoría de Kolmogorov y del uso reciente de la variable aleatoria, la
ampliación de Parzen. En la que propone definir la variable aleatoria en dos momentos,
comenzando con su definición a partir de un fenómeno aleatorio con resultados
numéricos. De esta forma, sugiere un sistema que toma en cuenta el sentido que pueden
tener los objetos matemáticos dentro de aplicaciones y que no pierde coherencia,
formalidad ni rigor.
Octava etapa
Casi de manera simultánea a la formalización de la probabilidad, también la estadística
inicia con tal proceso. A partir del trabajo de Galton, Karl Pearson se preocupó por
fundamentar, perfeccionar y ampliar sus métodos haciendo uso de los resultados de los
matemáticos y probabilistas, pero también generando objetos matemáticos propios. Las
herramientas estadísticas para el análisis de datos se multiplicaron, fundamentándolo y
haciéndolo más potente. La inferencia se convierte en uno de los derroteros que hacen
que la estadística formule sus propios métodos y procesos. Surge la teoría del contraste
de hipótesis e intervalos de confianza, así como el diseño experimental (Pearson, Karl
Fisher, Egon Pearson, Neyman). También se ocupan de la teoría del muestreo y la
necesidad de controlar el tamaño de muestra. Aparecen distribuciones que
explícitamente se ocupaban de la inferencia, en particular la χ2 y la t de Student. Al
mismo tiempo, las aplicaciones de la inferencia en agronomía y biometría se extienden
progresivamente a todos los campos científicos. En esta época se vinculan explícita y
formalmente las variables estadística y aleatoria mediante los problemas de estimación,
así mismo, la necesitad del estudio de las distribuciones muestrales incide en el
desarrollo de la teoría de variables aleatorias, particularmente en el teorema central del
límite y las variables aleatorias multidimensionales.
7.2. Interacciones entre los análisis estadísticos y probabilísticos.

A lo largo de las ocho etapas históricas, se observan las distintas formas en cómo las
dos vías a través de las cuales la variable aleatoria devino como objeto matemático se
entrecruzaron y retroalimentaron mutuamente de diferentes formas. A continuación se
detallan algunas de las formas en que se da esta interacción y ejemplificamos con
algunos de los pasajes más evidentes que identificamos en este estudio.
195
1. Confrontaciones entre resultados obtenidos de manera empírica que no

concuerdan con modelos teóricos. La evidencia empírica estimuló la generación
de teoría, lo que propició el desarrollo de la variable aleatoria.
 El Duque de Toscana planteó un discordancia entre el comportamiento

observado en los juegos de azar y un modelo errático de espacio muestral y
se lo mostró a Galileo. A partir de este estímulo, se generó un modelo
apropiado para el recuento teórico de los posibles resultados.
 Arbuthnott aplicó la binomial para calcular teóricamente la proporción de

pájaros machos y hembras que debían nacer y la comparó con los datos
recopilados en muchos años. Esta comparación entre ambos análisis
también lo hizo con datos poblacionales de seres humanos. En ninguno de
los dos casos concordó el resultado de los tipos de análisis. Esto propició el
cuestionamiento sobre la correspondencia entre la probabilidad frecuencial y
la clásica.
2. Análisis de datos que buscaban deducir el comportamiento de la variable

aleatoria a partir de la estadística. Esto propició nuevas teorías tendientes a la
vinculación entre la variable aleatoria y la estadística.
 Halley estudió grandes bases de datos poblacionales, lo que indujo al

análisis de la esperanza de vida y estudios de mortandad.
 El estudio de Galileo sobre los errores de los datos astronómicos condujeron

a una primera aproximación al estudio de la normal estándar.
 Daniel Bernoulli estudió fenómenos económicos y sociales a partir de datos,

lo que lo lleva al análisis de riesgos y a la econometría.
3. Análisis teóricos que justifican resultados surgidos a partir del análisis de datos y
que amplían el estudio de la variable aleatoria.
 De Moivre, Lagrange, Gauss y Laplace ampliaron y demostraron

teóricamente los resultados obtenidos por Galileo a partir del análisis de los
datos astronómicos sobre la forma en que se agrupan los datos alrededor de
la media en la distribución normal estándar. De Moivre, Lagrange, Gauss y
Laplace encontraron la fórmula de la distribución normal, el método de
mínimos cuadrados y el uso de la media y la desviación estándar en esta
distribución.
196
4. Análisis teóricos que buscaron concordancia entre la variable estadística y la

variable aleatoria. No hay un análisis de datos propiamente, sino estudios
teóricos a través de los cuales, sin embargo, se genera nueva teoría que favorece
la vinculación entre la variable aleatoria y la estadística.
 Jacob Bernoulli quería establecer el número de datos que harían que la

probabilidad frecuencial convergiera a la probabilidad teórica. Esto genera
una primera propuesta de la ley débil de los grandes números.
 Gosset estableció la distribución t para pequeñas muestras porque se percata

que en algunos ambientes los grandes números no eran posibles. Esto
conduce a una mejor deducción de la variable aleatoria a partir de la
estadística en pequeñas muestras.
 De Moivre estudió la diferencia entre la probabilidad y la frecuencia

relativa. Se dio cuenta que la igualdad entre ellas no podría ser posible y que
más bien se debería medir (aplicar momios) a la variación de la igualdad.
Esto lo condujo a la formulación de la ley fuerte de los grandes números.
 De Moivre, Laplace, Poisson, Tchebychef, Markov, Liapounoff, Lévy, …

contribuyeron a la formulación del teorema central del límite, lo que
condujo al planteamiento de las distribuciones muestrales y a la vinculación
formal de las variables aleatoria y estadística.
5. Uso de resultados probabilísticos que favorecieron el análisis de datos, lo que

fortaleció el análisis de la variable estadística.
 Uso de la distribución normal y el uso de diversas herramientas

probabilistas en el análisis de datos en diversas áreas científicas. Favoreció
no sólo la generación de inferencias informales sino también de análisis
propios de la estadística. Destacan los trabajos de Quetelet y Galton, aunque
las técnicas se difundieron rápidamente en las últimas décadas del siglo
XIX.
6. Teoría probabilística que ayudó a la formalización de ideas que surgieron en

análisis de datos en contextos prácticos.
 Pearson estableció un puente entre las ideas de Galton y resultados

probabilísticos y matemáticos, favoreciendo la formalización de la
inferencia estadística, así como la vinculación formal entre la variable
aleatoria y estadística.
197
A lo largo de la historia las dos vías históricas también tuvieron largos periodos
de reflexión propia, a través de los cuáles la interacción entre ellas fue casi nula. El
desarrollo de la teoría de Laplace o la larga discusión que dio lugar a la comprobación
del teorema central del límite (que tendría, sin embargo, una fuerte repercusión en la
estadística) son momentos en los que la teoría prevalece sobre la práctica. Así mismo,
en el análisis de grandes recuentos de datos a través de elementos meramente
descriptivos, y sin embargo, con fines inferenciales, permaneció mucho tiempo sin la
influencia de herramienta teórica que permitiera análisis más potentes.
7.3. Saltos cualitativos de las etapas históricas

También, dentro de las ocho etapas, se identifican saltos cualitativos en la
conceptualización de la variable aleatoria, que marcaron su devenir histórico y que
también contribuyeron al desarrollo de la probabilística y estadística como ciencias.
1. Uso intuitivo de la variable estadística. Los recuentos de los jugadores (Duque de
Toscana) hasta estudios estadísticos en censos, estudio de causas de muerte o
seguros de vida y análisis de mediciones astronómicas, impulsaron el desarrollo
de análisis detallados de la variable estadística (Graunt, Arbuthnott, Halley,
Galileo, Daniel Bernoulli). En muchos de estos estudios los datos condicionaron
el análisis. La variable estadística surgía a partir de lo que el investigador podía
«visualizar» de los datos, así como su análisis. La naturaleza numérica de la
variable se impuso para poder hacer un mejor uso de la información recopilada.
2. Uso intuitivo de la variable aleatoria. La probabilidad en un contexto de teoría de
juegos hasta problemas de aplicaciones como sobrevivencia, o teoría de errores
(Pascal, Fernat, Huygens, de Moivre y Laplace), en donde no se hacía explícita la
variable, pero se trabajaba con ella. El desarrollo teórico de la probabilidad es
fuerte, sin embargo, a pesar de su uso, la variable aleatoria no tiene importancia
explícita.
3. Uso explícito, sin formalización, de la variable aleatoria. Progresivamente la
variable dentro del ámbito probabilístico adquiere identidad propia. Se percatan de
la necesidad de una variable que establezca un puente entre el fenómeno aleatorio
y los números reales. Comienza a ser usada como tal, sin que por ello vean la
necesidad de definirla o formalizarla. En un inicio es tratada como resultado
numérico de un fenómeno aleatorio, pero se llega a reconocer como variable
vinculada al azar y se realizan operaciones básicas como objeto matemático
(Tchebyshev, Liapunov).
198
4. Vinculación informal entre las variables aleatoria y estadística. Se extiende el

uso de la herramienta estadística y probabilística en aplicaciones a problemas
biológicos, poblacionales, económicos y sociales. La variable estadística surge
directamente de los problemas y se establecen inferencias informales, sin un
aparato teórico fuerte que las sustente (Quetelet, Galton).
5. Axiomatización de la probabilidad. Se llega a una formalización con base en la
teoría de la medida y su reconocimiento como función medible (Borel y
Kolmogorov). Se desarrolla la teoría formal de la variable aleatoria: sumas,
productos, convergencia de sucesiones y series de variables aleatorias (Lévy,
Petrov). Actualmente, la teoría probabilística continúa ampliando y enriqueciendo
esta visión del objeto matemático variable aleatoria.
6. Formalización de la inferencia estadística. Se establecen las bases formales de la
vinculación entre la variable aleatoria y la estadística a través de las distintas
visiones sobre inferencia estadística y diseño de experimentos (Karl Pearson,
Fisher, Egon Pearson, Neyman) y con ello la fundamentación de la estadística
como ciencia. Actualmente la inferencia se ha convertido en una herramienta
poderosa tanto para el fortalecimiento y fundamentación científica de diversas
ciencias, como para la toma de decisiones prácticas en diversos ámbitos. Sin
embargo, existen aún debates filosóficos sobre la mejor forma de vincular ambas
variables dentro del ámbito de la estadística matemática.
7.4. Algunos usos posibles en la didáctica

Como Kolmogorov (1956) sostiene, la variable aleatoria fue uno de los dos conceptos27
que desde el inicio de los tiempos se trabajaron continuamente y que sin embargo no se
hicieron explícitos hasta finales del siglo XIX y principios del XX. De lo que se induce
el largo tiempo que se requiere para su conceptualización. Una de las primeras
recomendaciones didácticas de este estudio histórico debiera ser, entonces, el constante
contacto del estudiante con la variable aleatoria desde los primeros niveles escolares
hasta los universitarios.
Los niveles de formalización históricos de la variable aleatoria están marcados
por los saltos históricos cualitativos, pero la permanencia de estas conceptualizaciones
durante las ocho etapas encontradas no ha sido homogénea. Las primeras etapas duraron
muchos años (y por lo tanto el uso intuitivo de ambas variables y, en su mayoría, sin
contacto entre ellas), con cambios paulatinos, a diferencia de las últimas etapas que
27
El otro concepto es el de independencia, muy vinculado al desarrollo de la variable aleatoria.
199
fueron densas por la aparición, no sólo de nuevos objetos matemáticos, sino también de
nuevos significados para objetos que habían surgido desde tiempos antiguos, en un
tiempo relativamente corto. Así, el primer contacto del estudiante con el concepto
debiera partir de aplicaciones concretas y de manera intuitiva. La esperanza matemática
podría ser un elemento que contribuyera a su manejo. Una etapa intermedia podría
incluir un uso explícito, pero informal, en el que al estudiante se le pusiera en contacto
con la relación entre el espacio muestral y la necesidad de una variable numérica. Un
uso informal también podría provenir de problemas en donde la variable aleatoria se
definiera a partir de fenómenos aleatorios con resultado numérico en los que ya se
estableciera la función de densidad.
El largo tiempo que la humanidad ha requerido para la conceptualización de las
variables aleatoria y estadística tiene varios motivos. Uno de ellos es el bagaje
matemático tan fuerte que ha sido necesario para su formalización, pero también la
aparente simplicidad de su manejo. Durante muchos siglos ambas variables fueron
tratadas sin la formalidad con las que actualmente las conocemos (su constitución tiene
menos de un siglo), sin que ello impidiera que surgiera una solución a los problemas
que se pretendían resolver, pero una mejor solución implicaba herramienta matemática
que debía ser generada o formalizada. La evolución de la variable aleatoria ha
demandado nuevos objetos matemáticos que, en diversas ocasiones, fueron generados a
partir del interés en ella, algunos de los cuales actualmente no forman parte del sistema
axiomático de la probabilidad o de la estadística, sino de otras ramas de la matemática,
como la función generatriz o algunas soluciones a ecuaciones diferenciales, y que, en
ocasiones, son necesarios para la comprensión de ciertos niveles de formalización de la
variable aleatoria o estadística. En otras situaciones, los elementos matemáticos
necesarios surgieron en otras ramas de la matemática, como el cálculo infinitesimal,
pero los significados de algunos de ellos tuvieron que ampliarse o transformarse para
que pudieran formar parte del sistema axiomático de la probabilidad, como la
conceptualización misma de variable.
Esto implica que es necesario identificar el tipo de herramienta matemática que
el estudiante requiere para la comprensión del concepto en los distintos niveles. Hay
objetos matemáticos que hay que esperar a que otros cursos de matemáticas se los
proporcionen. Aun así, la historia muestra que la utilidad de la herramienta matemática
y los procesos de modelación requieren ser resignificados en un ambiente de
incertidumbre puesto que no tienen los mismos significados que en la matemática
determinista.
200
Otro resultado que salta a la vista en este estudio histórico es que el crecimiento
de la probabilidad y estadística en gran parte es debido a la interacción que se ha dado
entre los datos y la teoría para la conformación de ambas variables en diferentes
momentos de la historia. Ya vimos que este contacto entre ellas no se presentó en una
sola etapa histórica, sino que se dio en diversos momentos y bajo una diversidad de
formas (apartado 7.2). Además muestra que el estudio de la variable aleatoria no es
exclusivo de la probabilidad, sino también de la estadística, puesto que las dos vías de
surgimiento de este concepto, fueron las que dieron lugar a mayores aplicaciones de él.
Así, no es recomendable una enseñanza de acuerdo a un sistema axiomático deductivo
sino más bien de un constante contacto entre la teoría y los datos en diversos momentos
del currículo, que quizá podrían coincidir con los momentos históricos en los que se
dieron, pero mediando los lapsos de tiempo para que la interacción sea más constante,
sin relativamente largos periodos de tiempo en los que no se estableció contacto.
7.4.1. Obstáculos posibles
Identificamos, también, algunos posibles obstáculos para el surgimiento y desarrollo del

objeto variable aleatoria en la escuela:
 Se requirió de un largo periodo para pasar del estudio de la esperanza matemática
de la variable aleatoria y del cálculo de la probabilidad de valores aislados hasta la
enumeración de todos sus valores y probabilidades respectivas, esto es, el paso al
estudio de la distribución de la variable. Ello podría explicar la dificultad de la
idea de distribución para algunos estudiantes, que se centran en el estudio de
valores aislados de la variable o sólo en sus valores medios, sin alcanzar una
capacidad completa de manejo de distribuciones (Bakker y Gravemeijer, 2004).
La solución de algunos problemas históricos, a diferencia del análisis de datos,
proporciona un solo número sin la necesidad del análisis completo de todos los
valores posibles de la variable.
 A pesar de que el interés radicaba principalmente en el conocimiento del
comportamiento poblacional, durante largo tiempo el estudio de las variables
estadísticas y su convergencia hacia la aleatoria fue simplemente descriptivo. Ello
indica una posible dificultad de los estudiantes para ir más allá del estudio
descriptivo de datos cuando trabajen con proyectos estadísticos. Pudiéramos
relacionar esta dificultad con la que tienen algunos estudiantes para alcanzar
niveles adecuados de complejidad en la lectura de datos, limitándose a la lectura
directa sin pasar a la realización de extrapolaciones o inferencias (Shaughnessy,
2007).
201
 Durante periodos relativamente largos, el estudio de las variables aleatoria y

estadística estuvo separado y se realizó desde diferentes comunidades. La variable
aleatoria se introdujo dentro de la matemática motivada primeramente por
problemas donde la asignación de probabilidad es a priori (clásica) y
posteriormente por problemas de tipo matemático. El estudio de la variable
estadística provino de problemas prácticos sin el planteamiento de un aparato
matemático excesivo, en donde la asignación de probabilidad fue preferentemente
frecuencial. La aparición progresiva de la inferencia hizo que se comenzara a
relacionar más explícitamente las variables estadísticas y aleatorias. Este
desarrollo sugiere que los estudiantes pudieran tener dificultad en conectar, por un
lado, las aproximaciones clásica y frecuencial de la probabilidad y por otro, los
objetos variable estadística y aleatoria. Posiblemente para hacer esta conexión se
requiera plantear un problema de inferencia, al menos de un modo informal,
como el que trataremos de implementar en el Estudio 4 para analizar esta
conjetura.
 Durante un largo periodo, el énfasis en la preocupación por la fundamentación de
la teoría de probabilidad, hizo que los matemáticos se enfocaran a la
formalización de la variable aleatoria, olvidando la vinculación de ésta con el
fenómeno aleatorio. Es posible que este mismo obstáculo también se presente en
los estudiantes cuando, en la enseñanza escolar, se adentra en un concepto más
formal de la variable aleatoria. Nardecchia y Hevia (2003) también alertan sobre
este posible obstáculo. La aleatoriedad será uno de los elementos de observación
en los estudiantes en los Estudios cognitivos 3 y 4.
 La formalización de la variable aleatoria tuvo que esperar a que se conformara la
teoría de la medida, las funciones y el análisis matemático. Esta conexión se hizo
a través de la definición de la función de distribución y que compone la inversa de
la variable aleatoria con la probabilidad. Pensamos que el estudiante puede tener
problemas en comprender la definición formal de variable aleatoria, en diferenciar
una función de conjunto (variable aleatoria) de una función real (función de
distribución) o en comprender la función de distribución como función
compuesta. Analizaremos esta conjetura en el Estudio 3.
 Hay una marcada complejidad con sus operaciones y la dificultad para reconocer
la existencia de la variable aleatoria al hacer composición entre variables
aleatorias (por ejemplo, Bernoulli en la Ley de los grandes números).
Históricamente se ha tenido que desarrollar la teoría de conjuntos y de la medida
para plantear formalmente la variable aleatoria y abordar más profundamente sus
202
operaciones como la suma entre variables aleatorias, producto y convergencia de

sucesiones y series de variables aleatorias, así como teoremas límite. En esta
investigación no se plantean las operaciones con variables aleatorias, pero será
necesario entender esta dificultad en el estudio de otros temas por parte de los
estudiantes, por ejemplo, en las distribuciones muestrales.
 A lo largo de la historia se hubo una dificultad para comprender la aproximación
de la variable continua a través de la discreta (paso de discreto a continuo). En
esta investigación tampoco abordamos esta dificultad que fue descrita en el
trabajo de Alvarado (2007), pero será importante cuando los alumnos estudien la
aproximación de las distribuciones binomial o Poisson y el teorema central del
límite.
203
204
Capítulo 5.
Estudio 3.
Diseño e implementación
de una entrevista clínica

2.2. La variable aleatoria en los cursos de estadística del ITESM, 209
3. Objetivos del estudio, 210
5. El protocolo de investigación, 213
5.1. El problema, 214
5.2. Análisis del problema como situación de exploración, 216
5.3. Respuestas y soluciones esperadas en el protocolo, 219
6. Objetos de análisis en la entrevista, 224
6.2. Probabilidad, 226
6.3. Variable aleatoria, 227
6.4. Solución del problema, 229
7. Implementación, 230
8. Análisis de los resultados, 231
8.1. Objeto de análisis: Aleatoriedad, 232
8.1.1. Aleatoriedad en la situación problema, 232
8.1.2. Relación establecida entre aleatoriedad y probabilidad, 234
8.1.3. Discusión de los resultados obtenidos en el objeto
aleatoriedad, 235
8.2. Objeto de análisis: Probabilidad, 236
8.2.1. La probabilidad en el espacio muestral, 237
8.2.2. La distribución de probabilidad como función, 240
8.2.3. Discusión de los resultados obtenidos en el objeto
probabilidad, 248
8.3. Objeto de análisis: Variable aleatoria, 252
8.3.1. La variable aleatoria en el problema, 253
8.3.2. La variable aleatoria como función, 254
8.3.3. La variable aleatoria y su distribución de probabilidad, 256
8.3.4. Lenguaje utilizado, 261
8.3.5. Discusión de los resultados obtenidos en el objeto variable
aleatoria, 263
8.4. Objeto de análisis: Solución del problema, 266
8.4.1. Estrategias y recursos en la solución del problema, 266
8.4.2. Discusión de los resultados obtenidos en el objeto solución
del problema, 268
9.2. Idoneidad de la actividad propuesta, 277
1. Introducción
Uno de los objetivos de nuestro trabajo es llevar a cabo análisis cognitivos de la
comprensión intuitiva que muestran algunos estudiantes universitarios sobre la variable
aleatoria y otros objetos matemáticos relacionados con ella en la resolución de
problemas y proyectos que involucren a la variable aleatoria en situación de
modelación. En este capítulo nos concentraremos en la descripción de la
fundamentación, diseño, análisis y conclusiones obtenidos a propósito de la entrevista
clínica, considerada una herramienta metodológica que proporciona información sobre
los procesos cognitivos de los estudiantes. La intención es obtener elementos que
permitan discernir sobre la forma en que los estudiantes se aproximan al objeto de
estudio, así como elementos que nos acerquen a su análisis por medio de los
argumentos, razonamientos, procedimientos y resultados que los estudiantes usen para
resolver un problema en donde se ponga en juego a la variable aleatoria.
Este capítulo se inicia con la planeación de la entrevista clínica, que incluye
todos los elementos considerados en el diseño del protocolo de investigación. Se
comienza con los preliminares de la entrevista clínica (contexto escolar de la
investigación y conocimientos esperados por la institución). Formularemos nuestros
objetivos y algunas hipótesis generales sobre las posibles dificultades que surgen en
estudiantes universitarios de los primeros semestres cuando abordan un problema
estocástico relacionado con la idea de variable aleatoria, así como el atisbo de algunas
trayectorias que siguen al querer resolver la actividad.
El protocolo del diseño de investigación se concreta en una actividad que, junto
con las hipótesis, establecerán las bases del análisis de la entrevista. También se
describe y analiza el problema base de la actividad, resaltando la forma en que se
manifiesta la variable aleatoria en él. La parte central del capítulo corresponde a la
presentación y análisis de los resultados obtenidos que se organiza de acuerdo a los
objetos de análisis. Finalmente, en las conclusiones, se confrontan los resultados
obtenidos con las hipótesis de investigación y se analiza la idoneidad de la actividad
planteada como base del estudio. Esperamos que, del análisis de esos resultados, se
obtengan algunas líneas que permitan profundizar en las vertientes epistemológicas,
cognitivas y didácticas en futuras investigaciones sobre la variable aleatoria.
207
2. Preliminares
La entrevista clínica se realizó en el Campus Monterrey del ITESM, México, con
estudiantes universitarios de Ciencias sociales recién ingresados a la institución. En este
apartado hacemos explícito el contexto escolar de nuestra investigación, así como la
profundización pretendida del objeto de estudio basándonos tanto en los análisis
epistemológicos realizados anteriormente (Capítulos 3 y 4) como en la experiencia de
los profesores participantes dentro de la institución.
2.1. Contexto escolar

A pesar de que Heitele (1975) considera que la intuición sobre las magnitudes
relacionadas con el azar aparece en los niños antes que la concepción de experimento
aleatorio, consideramos que el planteamiento formal de la variable aleatoria no es
sencillo de asimilar espontáneamente ni de comprender en un primer contacto con el
tema. Heitele plantea la necesidad de enseñarlo paulatinamente a través de un currículo
en espiral a lo largo de la enseñanza formal de los estudiantes. Aunque nuestra
investigación se ubica en el nivel universitario, hay una necesidad de conocer el
desarrollo previo del concepto en el sistema escolar.
Actualmente los programas de estudio de nivel primaria (6 años) y secundaria (3
años) en México contemplan el estudio la probabilidad, de modo que es factible que
durante ese periodo los estudiantes desarrollen ideas sobre las variables vinculadas
aleatorias. Sin embargo, en el nivel bachillerato, que es donde podría esperarse que se
trabajara este concepto de manera más formal, no está contemplado el tratamiento de la
probabilidad y estadística de manera obligatoria, salvo en raras excepciones (como los
bachilleratos del IPN y algunos tecnológicos regionales). En algunos otros planes de
estudio es una materia optativa o un tópico (en la mayoría de las preparatorias de
México afiliadas a la SEP o a la UNAM) y en pocos de estos planes de estudio se
contempla el estudio de la variable aleatoria. En el caso de nuestra institución, el
ITESM, el estudio de esta materia se restringe a un módulo de estadística descriptiva en
el nivel bachillerato.
En la mayoría de las universidades el tema no se introduce hasta el primer curso
de probabilidad y estadística, como preámbulo a las distribuciones de probabilidad. De
modo que esperamos que los estudiantes recién ingresados a la universidad no muestren
condiciones de formalización del concepto. Las prefiguraciones sobre el concepto del
estudiante universitario de nuevo ingreso estarán condicionadas por sus experiencias
vividas en los niveles básicos y en su vida propia.
208
Entrevista clínica
2.2. La variable aleatoria en los cursos de estadística del ITESM

Desglosaremos brevemente las ideas y competencias que, sobre la variable aleatoria, se
espera que un estudiante del nivel universitario tenga al egresar de una carrera en
Ciencias sociales dentro del ITESM, campus Monterrey. Esta será nuestra referencia
para diseñar el protocolo de la investigación en lo que se refiere a la profundidad del
objeto variable aleatoria y los objetos y variables a analizar.
Uno de los libros de estadística más socorridos en el primer curso de estadística
para Ciencias Sociales en el ITESM Campus Monterrey, define a la variable aleatoria
como «una variable que toma un valor numérico único para cada uno de los resultados
del espacio muestral de un experimento de probabilidad» (Johnson y Kuby, 2008, 270).
Es usada como preámbulo para introducir las distribuciones de probabilidad, pero antes
de hacerlo, ejemplifican su definición a través de una serie de problemas en donde los
estudiantes tienen que identificar cuál es la variable aleatoria vinculada con el
experimento y si es continua o discreta. A través de ellos, los autores pretenden
esclarecer que la regla que vincula los valores numéricos con el espacio muestral está
dada por el contexto del problema.
Observemos que el énfasis de esta definición está en su papel como «variable»,
en el sentido de que, como Borovcnik, Benz (1991a) y Johnson, R. y Kuby, P (2008)
mencionan, es necesario conocer el conjunto de todos los posibles resultados y sus
probabilidades asociadas para modelar un fenómeno estocástico. Esto es coherente con
los objetivos del ITESM en donde se busca que los estudiantes hagan uso de la
herramienta matemática en la modelación que, en el caso de nuestro curso, sería en la
modelación del fenómeno aleatorio.
El papel de la variable aleatoria como «función» no está excluido, pero no es
mencionado explícitamente. Se entiende, por tanto, que no se está interesado en que el
estudiante profundice en la formalización del concepto ni en su definición matemática.
Como se analizó en el Capítulo 3, el experimento aleatorio, el espacio muestral y los
eventos asociados a él, están definidos en un espacio de probabilidad y la distribución
de probabilidad vincula el aparato probabilístico con herramientas de análisis. Este
aparato matemático es un tanto complicado por lo que no se trata en los cursos. Sin
embargo en esta investigación lo tendremos presente pues nos permite pasar del trabajo
matemático con conjuntos al trabajo matemático con números reales.
La aparente sencillez de la definición dada por Johnson y Kuby (2008) se
desvanece cuando profundizamos un poco en ella y notamos que están involucrados
muchos de los conceptos que están vinculados con la definición formal de la variable
aleatoria y que se analizaron en el Capítulo 3. En la Figura 5.1 se muestra, de manera
209
simplificada, la noción de variable aleatoria que, previo a esta investigación, esperamos

de los estudiantes, y su relación con los conceptos con los que se vincula más
estrechamente.
Intervalo [0,1]
Experimento aleatorio
P(A)
Espacio muestral Evento A Valor numérico x
VARIABLE
ALEATORIA X
Inversa de
Variable aleatoria X‐1
Figura 5.1. Esquema simplificado la noción de variable aleatoria esperada por los
estudiantes que egresan del nivel universitario.
La variable aleatoria asigna un valor numérico a cada suceso (evento) del

espacio muestral, lo que hace posible que se defina una función de distribución,
F(x)  P(X  x). Ésta caracterizará a la variable aleatoria vinculada a un experimento
aleatorio en particular y concretará una relación funcional dentro de los números reales.
A su vez, cada evento está definido en un espacio muestral de un experimento aleatorio.
La variable aleatoria vincula al espacio muestral con un valor numérico definido en los
reales, al mismo tiempo que la inversa de la variable aleatoria vincula el valor numérico
con el experimento aleatorio (o con cada evento elemental). Es decir, la distribución se
vincula con el experimento a través de operar con la variable aleatoria en sentido
inverso. Se espera que los estudiantes puedan transitar de manera directa e inversa por
todas estas relaciones que se establecen entre los conceptos vinculados, es decir, que
pueda transitar fluidamente del contexto del problema al contexto matemático y
viceversa.
3. Objetivos del estudio

Desde la perspectiva cognitiva, nos interesamos en conocer cómo emergen, a partir de
una situación intuitiva para ellos, los elementos del significado de la variable aleatoria
en estudiantes recién egresados del bachillerato durante la resolución de un problema en
210
Entrevista clínica
el que surge la necesidad de hacer uso del objeto matemático de estudio. Definimos los
objetivos de esta entrevista clínica como sigue:
En primer lugar deseamos describir, en los estudiantes universitarios que
inician un curso de estadística en ciencias sociales, los procesos de solución de la
actividad propuesta cuando trabajan sin la ayuda directa del profesor. Queremos
identificar las dificultades por las que atraviesan, y qué conocimientos, previos a la
idea de variable aleatoria utilizan. También nos interesa explorar aquellos que los
estudiantes desarrollan sobre nuestro objeto de investigación al resolver una situación
problema en donde se pone en juego la variable aleatoria.
Nos preguntamos también por la idoneidad de la situación planteada, en cuanto
permita que a partir de ella los alumnos desarrollen la idea de variable aleatoria y sea
una situación motivadora.
4. Hipótesis del estudio

De acuerdo con las aportaciones de los análisis epistemológicos y con los preliminares
se definieron los objetos matemáticos que queremos analizar en la entrevista y que
determinarían el diseño del protocolo. Ellas también permitieron desglosar y concretar,
a grandes rasgos, las hipótesis de investigación en el protocolo. Así mismo facultaron al
investigador y al profesor para centrar preguntas, así como profundizar en las nociones
que las estudiantes utilizaban o mencionaban.
La hipótesis que planeamos son generales en la medida que no tenemos
suficiente información previa que nos permita definir hipótesis más específicas. El
sustento teórico del método de investigación empleado (entrevista clínica) nos lo
posibilita. Así, nos acercamos a los estudiantes con los siguientes juicios con respecto a
su comportamiento ante la situación problema:
 Falta de percepción de la aleatoriedad del proceso.
Concordamos, por el análisis histórico reportado en el Capítulo 4, con

Nardecchia y Hevia (2003) acerca de la falta de percepción de la aleatoriedad
durante el desarrollo histórico del concepto de variable aleatoria, que también
podría presentarse en los estudiantes. Así mismo, otros autores reportan
dificultades en los estudiantes en la percepción de aleatoriedad (Sección 6 del
Capítulo 6). Nosotros esperamos que los estudiantes no se percaten de la
vinculación entre la variable aleatoria y la aleatoriedad. Desde la perspectiva
formal, esta vinculación se realizaría a través del espacio probabilístico del
211
experimento aleatorio. Desde la perspectiva intuitiva sería la relación que se

establece entre una variable numérica (la variable aleatoria) y la aleatoriedad del
proceso que genera sus valores. En ese sentido, en los fenómenos aleatorios no
se puede asegurar que se obtendrá el mismo resultado, no obstante se repita
muchas veces el mismo experimento bajo las mismas condiciones.
 Tendencia a «algebraizar» y descontextualizar los procedimientos

relacionados con la noción de variable aleatoria.
Esperamos que la componente aleatoria que se presenta en el problema que se

trata de matematizar tienda a diluirse para dársele prioridad a los
procedimientos matemáticos. La variable aleatoria permite la definición de las
funciones de distribución y la distribución de probabilidad y por lo tanto,
también el análisis de las situaciones probabilísticas a través de la introducción
del análisis matemático. Sin embargo el uso de esta herramienta puede
repercutir en que se descontextualice el aparato matemático de las situaciones
que hacen surgir a la variable aleatoria y que en cambio se le dé mayor
importancia a los procedimientos matemáticos. Es decir, el proceso mencionado
por Borovcnik, Benz y Kapadia (1991a) que enfatiza en el papel de la variable
aleatoria en la modelación, se reduciría al trabajo con el modelo matemático,
olvidando la parte de generación del modelo y de la interpretación de sus
resultados. Oseguera (1994) y Tauber (2001) reportan esta ausencia en su
análisis de material de apoyo y de los textos universitarios.
 Extrañeza de trabajar funciones en un contexto probabilístico.
El estudio de las funciones normalmente se asocia con el estudio del cálculo y

por lo tanto con la matemática determinística. Es de esperarse que los
estudiantes asocien las gráficas y las ecuaciones de las distribuciones de
probabilidad con esa parte de la matemática en la que han profundizado en los
últimos semestres de su escolaridad. Por ello esperamos que les sea extraño
trabajar con una función tan poco usual como lo es la distribución probabilidad,
en el sentido de que no relaciona magnitudes físicas.
 Dificultades con la noción formal de variable aleatoria.
Heitele (1975) sugiere a la variable aleatoria como idea fundamental porque

proporciona modelos explicativos en cada etapa de desarrollo del individuo.
Otros autores (como Batanero, 2001; Miller, 1998 y Ortiz, 2002) se unen a su
212
Entrevista clínica
propuesta de enseñarla desde los primeros niveles escolares, sin embargo no

especifican los grados de dificultad con los que se tiene que enseñar en los
distintos niveles escolares. Podemos esperar que en nuestra investigación los
estudiantes tengan un manejo apropiado de la variable aleatoria de manera
intuitiva y que en cambio tengan problemas al formalizarla al nivel que se
pretende en el nivel escolar que se encuentran (ver punto 2.1 de este capítulo).
 Dificultades en la comprensión de los conceptos que intervienen en la

noción formal de variable aleatoria.
De acuerdo a la forma en que se pretende introducir el objeto de estudio,

esperamos dificultades en nociones tales como experimento aleatorio,
probabilidad, la variable aleatoria y su distribución de probabilidad.
5. El protocolo de investigación
En este apartado describiremos y analizaremos el protocolo de la investigación
como guía que orienta y dirige la entrevista. En esta investigación se diseñó en forma de
cuestionario que girara alrededor de un problema, de manera tal que la discusión se
suscitara a partir de la resolución del problema. Las preguntas, planeadas y definidas
por los objetos de análisis y las hipótesis descritas, profundizan en las concepciones de
los estudiantes acerca de los objetos matemáticos que emplean y en las estrategias
usadas para resolver el problema.
En las siguientes secciones, primero describiremos la estructura del protocolo y
el análisis del problema seleccionado para facilitar la comprensión de los objetos de
análisis y la forma en que se tomaron en cuenta en el protocolo.
Para realizar la exploración cognitiva se consideró apropiado tomar como base el
problema que Castillo y Gómez (1998) proponen para introducir el tema de variable
aleatoria, porque permitiría la introducción natural de los objetos matemáticos tenidos
en cuenta en el de diseño. Alrededor del problema se diseñó un cuestionario con
preguntas abiertas, que, a su vez, guía la solución del problema y conduce a los
entrevistadores en la exploración de los conocimientos de los estudiantes. La actividad
así diseñada quedó conformada por tres secciones, cada una con un objetivo específico:
PARTE I: Introducción al problema. En esta parte se introduce el problema, se
cuestiona a los estudiantes acerca de su comprensión de la probabilidad
teórica clásica (dada por la regla de Laplace); se cuestiona la relación
213
entre probabilidad y los eventos y se pide la definición de las variables

que intervienen.
PARTE II: El problema. Se les pide a los estudiantes que tomen una decisión, y que
sustenten su posición. Para ello deberán exponer sus ideas acerca de
riesgo y de probabilidad acumulada. También son cuestionadas sus
concepciones acerca de espacio muestral y experimento aleatorio.
PARTE III: Cambio de registro de tabular a gráfico. También se explora su
concepción de variable aleatoria. Al final se pide una comparación entre
situaciones estocásticas y deterministas.
A continuación describimos el problema utilizado alrededor del cual se establece
el protocolo y se genera la actividad, su solución y cómo vive la variable aleatoria en él.
El protocolo completo se incluye en el Anexo 1.
5.1. El problema
El problema trabajado en la entrevista es el siguiente (Castillo y Gómez, 1998, p.120):
A raíz de los festejos del día del niño, el departamento de relaciones públicas de una
fábrica desea efectuar una rifa que beneficie a los hijos de los trabajadores. Al obrero
ganador se le premiará con boletos para que vaya al teatro con su familia completa. La
intención es que la rifa beneficie a los hijos de los trabajadores.
Así que encomiendan a la trabajadora social de la empresa que decida cuántos boletos
tiene que comprar para que se efectúe la rifa de manera exitosa, pero la empresa
pierda lo menos posible. La distribución del número del número de hijos por trabajador
se proporciona en la Tabla 5.1.
Tabla 5.1. Frecuencia del número de hijos de cada trabajador

Número de hijos 0 1 2 3 4 5 6 7 8 9
Frecuencia de trabajadores 5
16 22 33 45 31 20 12 9 7
con un número dado de hijos
El análisis que realice el alumno debe estar enmarcado en el contexto de esa

fábrica y debe tomar en cuenta que es un festejo infantil y que la empresa no desea
despilfarrar recursos. Aunque no es una condición explícita, esperamos los estudiantes
consideren que al momento de la rifa se tengan los boletos para ser entregados al
trabajador ganador.
La dificultad de este problema estriba en que en el momento de comprar los
boletos, no se sabe cuántos hijos tiene la familia del obrero que saldrá ganador, puesto
que no se sabe quién será. La solución oscila entre dos criterios de decisión:
214
Entrevista clínica
 Por un lado la empresa debe tener boletos suficientes para que el trabajador
ganador tenga posibilidades de llevar a toda su familia a la función de teatro.
 Por otro lado, la empresa desea optimizar sus recursos. No quiere que sobren
boletos.
Podemos suponer que todos los trabajadores de la fábrica son casados, así que el
número de miembros de la familia del trabajador estará determinado por el número de
hijos que éste tenga. Así el número mínimo de miembros de una familia de esa fábrica
será 2 (la pareja) y el número máximo de miembros será 11 (9 es el número máximo de
hijos de un trabajador de esa fábrica). Los recursos gastados por la empresa estarán
dados por el número de boletos que se compren, puesto que no nos proporcionan el
precio de los boletos. Para facilitar el razonamiento del problema supondremos que
tanto los boletos de los niños como los de los adultos cuestan lo mismo.
La solución puede irse a uno o a otro extremo entre los dos criterios de decisión,
pero el objetivo es tomar en cuenta los dos criterios y crear un ambiente de
incertidumbre. Si se deja de tomar en cuenta uno de los dos criterios, las soluciones
triviales y determinísticas son las siguientes:
 Se comprarían 11 boletos si se quiere asegurar que el trabajador ganador
lleve a toda su familia: dos para los papás y la cantidad máxima de hijos
posible para un trabajador de esa fábrica (9).
 Se compran 2 boletos para optimizar al máximo los recursos de la empresa,
puesto que todas las familias constan de al menos dos miembros: la pareja.
Pero la empresa quiere realizar esa rifa optimizando el dinero que invertirá y al
mismo tiempo quiere quedar bien con sus trabajadores. El estar entre los dos criterios de
decisión introduce la incertidumbre y por lo tanto la necesidad de hacer uso de la
variable aleatoria y de la herramienta matemática descrita en la Figura 5.4. La
aleatoriedad se introduce en la decisión cuando relacionamos los boletos a comprar con
el número de hijos del trabajador extraído de la urna y no con el máximo o mínimo
número de hijos que tienen los trabajadores de la fábrica porque éstos últimos resultados
son fijos (deterministas). Al ubicar la decisión en un contexto de incertidumbre es
factible analizar el problema desde la teoría de la probabilidad.
Este problema forma parte de un campo de problemas en donde surge la
necesidad de tomar una decisión en una situación aleatoria con un cierto criterio. Por
ejemplo en un restaurante o en una compañía de autobuses o aviones, en donde la
decisión de cuánta comida hacer o cuántos viajes programar, el criterio es brindar un
215
buen servicio, optimizando los recursos. Lo aleatorio está en no saber el número de

clientes que solicitarán el servicio y en tener que planear con anticipación.
5.2. Análisis del problema como situación de exploración

La solución del problema requiere del análisis de la distribución de probabilidad del
número de hijos del trabajador premiado y de su función de distribución acumulada.
Ambas se proporcionan en la Tabla 5.2.
Tabla 5.2. Distribución de probabilidad y función de distribución del número del

número de hijos del trabajador premiado
Distribución de Probabilidad Función de distribución

Número de
Frecuencia Probabilidad de que el trabajador Probabilidad de que el trabajador
hijos (x)
premiado tenga x hijos tenga x hijos o menos
p ( x )  P X  x  F ( x )  P X  x 
0 16 0,080 0,080
1 22 0,110 0,190
2 33 0,165 0,355
3 45 0,225 0,580
4 31 0,155 0,735
5 20 0,100 0,835
6 12 0,060 0,895
7 9 0,045 0,940
8 7 0,035 0,975
9 5 0,025 1,000
Hay que resaltar que el problema no tiene solución única. De acuerdo con la
tabla, la probabilidad de que el trabajador seleccionado tenga tres hijos o menos es
mayor que ½, es decir, mayor que la probabilidad de tener 4 ó más hijos. Una posible
decisión es que la trabajadora social compre 5 boletos (2 para la pareja y 3 para los
hijos), de esa manera la directiva de la empresa tendrá una probabilidad de 0,58 de que
los boletos le alcancen al trabajador premiado y de que sobren los menos posibles. Si se
quisiera aumentar la probabilidad, por ejemplo, a 70% de tener suficientes boletos,
habría que tomar un boleto más. Admitiremos como correctas cualquiera de las dos
respuestas.
Además, hay otros objetos matemáticos que aparecen en el problema y que
interesan en exploración cognitiva, como el experimento aleatorio, el espacio muestral,
la magnitud de interés, los posibles valores de la magnitud en el experimento, la
partición que define en el espacio muestral y la variable aleatoria con sus tres
componentes (dominio, regla de correspondencia y rango). Respecto a estos objetos,
216
Entrevista clínica
aparte de la comprensión que los estudiantes puedan tener, nos interesamos por el modo
en que los definan dentro del contexto del problema (ver Tabla 5.3).
Tabla 5.3. Objetos matemáticos de interés presentes en el problema y su significado en

la situación problema
Objeto matemático Significado en la situación
Experimento aleatorio Mezclar en una tómbola papeles con el nombre del trabajador y
sacar al azar el nombre de uno de ellos, que será el ganador. O
bien: Rifar boletos de entrada al teatro para la familia de un
trabajador entre los trabajadores de una cierta fábrica de interés.
Espacio muestral Nombres de los trabajadores que laboran en esa fábrica. Hay
200 sucesos elementales equiprobables.
Magnitud de interés Número de hijos de los trabajadores.
Variable aleatoria Dominio: Sucesos elementales en el experimento, trabajadores
factibles de que reciban el premio.
Regla de correspondencia: Número de hijos que tiene cada
trabajador de la fábrica.
Rango (valores que toma): números 0, 1, 2, 3, 4, 5, 6, 7, 8, 9.
Partición del espacio Conjunto de trabajadores que tienen el mismo número de hijos.
muestral
La forma en que estas nociones se vinculan con la variable aleatoria en el

problema se muestra en la Figura 5.2, en donde se representan dos planos que se
retroalimentan y definen la recomendación en el contexto del problema con argumentos
matemáticos. En el superior se analiza el problema desde el contexto del sorteo en una
fábrica. En la parte inferior se analiza la perspectiva matemática del problema.
A continuación describimos la forma en cómo se refleja este proceso en la
Figura 5.2. El modelo matemático está condicionado por la magnitud de interés del
problema. Para responder la pregunta planteada es necesario hacer un razonamiento
regresivo, es decir, comenzando por lo que queremos alcanzar (Polya, 1965).
Supongamos que ya compramos los boletos y que ya efectuamos la rifa, cuyo resultado
sería el nombre del trabajador ganador, nos preguntaríamos si le alcanzarán los boletos
que ya compramos. La característica de ese trabajador que hace que se responda la
pregunta es cuántos hijos tiene. Esa característica permitirá agrupar el espacio muestral
en eventos compuestos de interés y asignar probabilidades a esos eventos. Al mismo
tiempo, define la variable aleatoria que asignará un valor numérico a cada evento
elemental del espacio muestral. Notemos que los eventos simples en el experimento
aleatorio son los trabajadores de la fábrica.
Observemos la cercanía entre la característica de interés y la variable aleatoria.
No obstante hacemos énfasis en la existencia de las dos porque la característica de
interés podría ser otra, por ejemplo, si el trabajador premiado es hombre o mujer o el
217
medio de transporte que usa para llegar a su trabajo. Sin embargo, en un primer
acercamiento, nos limitamos a variables cuantitativas que transforman el resultado del
experimento aleatorio en un número. La característica de interés (que en este caso es
directamente una magnitud), es la que define la partición del espacio muestral. Por
supuesto, la partición del espacio muestral y la variable aleatoria tienen que estar
vinculadas.
Resultado del
Exp aleatorio Pregunta problema
Sí
Nombre ¿Le alcanzan
del los boletos Sobran
trabajador comprados? Número de
ganador hijos del Faltan
trabajador
Define Recomendación
Experimento Característica de interés
aleatorio
Número de
SORTEO
boletos a comprar
Define el…
Participan los…
Alcance y riesgo
de la
Eventos
recomendación
Trabadores compuestos Probabilidad
de la fábrica
Trabajadores P(trabajador
Espacio con 0 hijos con 0 hijo)
organizadora
muestral p(0) = P(X=0) F(0) = P(x=0)

Regla
Trabajadores P(trabajador p(1) = P(x=1) F(1) = P(x≤1)

con 1 hijo con 1 hijo) . .
. . . .
. . . .
. . p(9) = P(x=9) F(9) = P(x≤9)
Trabajadores P(trabajador Distribución de Función de
con 9 hijos con 9 hijos) probabilidad distribución
Número de hijos 0 (hijos)
que tiene cada 1 (hijo)
trabajador .
.
Regla de .
correspondencia 9 (hijos)
Valores de la
Variable aleatoria
Variable aleatoria
Figura 5.2. Representación de la relación entre los elementos teóricos vinculados con la
variable aleatoria y la solución del problema
218
Entrevista clínica
Una vez definida la variable aleatoria y sus valores, la distribución de

probabilidad se obtiene al aplicar, para cada posible valor de la variable aleatoria, la
función inversa de la variable aleatoria y asignarle la probabilidad del subconjunto del
espacio muestral que toma dicho valor. Esto sólo es viable porque existe una
probabilidad definida en el espacio muestral; es decir porque tenemos definido un
espacio probabilístico. Los pasos siguientes en la solución del problema serán hacer uso
de las distribuciones de probabilidad y de la función de distribución para proporcionar
una solución de acuerdo al riesgo que decida asumir el alumno.
En el diagrama (Figura 5.2) se observa como la variable aleatoria está
condicionada por el contexto del problema, pero hace posible la utilización de
herramienta matemática para cuantificar el riesgo de la solución que se proponga. Una
vez comprendido y delimitado el problema, la regla de correspondencia de la variable
aleatoria surge de manera natural. El que la variable aleatoria vincule el espacio
muestral con valores numéricos, hará posible que ese modelo matemático sea la
distribución de probabilidad y/o la función de distribución, aunque la variable aleatoria
en sí misma sea un modelo matemático en otro estrato de la estructura de la modelación
que propone Heitele (1975).
5.3. Respuestas y soluciones esperadas en el protocolo

En este apartado proporcionaremos las respuestas esperadas a lo largo de la actividad
propuesta a los estudiantes. El protocolo completo se incluye en el Anexo 1.
Parte I del Protocolo
a) Si tomamos un trabajador al azar, ¿cuál es la probabilidad de que tenga 4

hijos? ¿Y 6 hijos? ¿Y 7? ¿Cuál es la probabilidad de que no tenga ningún hijo?
Hay tres posibles respuestas correctas, todas ellas siguiendo el razonamiento de

la probabilidad clásica (o la regla de Laplace). La diferencia está en el uso de
fracciones, porcentajes o números decimales.
31 12 9 16
 De 4 hijos: ; de 6 hijos: ; de 7 hijos: ; de ningún hijo: .
200 200 200 200
 De 4 hijos 0,155; de 6 hijos: 0,06; de 7 hijos: 0,045; de ningún hijo: 0,08.
 De 4 hijos 15.5%; de 6 hijos: 6%; de 7 hijos: 4.5%; de ningún hijo: 8%.
219
b) En la distribución de probabilidad, ¿Qué depende de qué? ¿El número de hijos

depende de la probabilidad o al revés? ¿Cuál de estas dos variables sería la
variable dependiente y cuál la variable independiente?
Esperamos que el estudiante responda que la probabilidad depende del número

de hijos, por lo tanto el número de hijos es la variable independiente y la probabilidad es
la variable dependiente en la distribución de probabilidad.
Parte II del Protocolo

En primer lugar, se pide al estudiante el cálculo de la probabilidad de que el trabajador
premiado tenga el número de hijos dado. Esperamos que produzca una tabla similar a la
Tabla 5.4, obteniendo la distribución de probabilidad y función de distribución de la
variable, para auxiliarse en sus cálculos. Aunque también podría simplemente limitarse
a calcular valores aislados de estas funciones. Esta misma tabla se puede llenar con las
probabilidades en forma de porcentaje. La probabilidad acumulada, no se pide
explícitamente en la actividad, sin embargo, la solución se facilita si se calcula.
Tabla 5.4. Probabilidad de que un trabajador tenga un número dado de hijos

(distribución de probabilidad y función de distribución)
Número de hijos 0 1 2 3 4 5 6 7 8 9
Frecuencia de 16 22 33 45 31 20 12 9 7 5
trabajadores
16 22 33 45 31 20 12 9 7 5
Probabilidad 200 200 200 200 200 200 200 200 200 200
0,080 0,110 0,165 0,225 0,155 0,100 0,06 0,045 0,035 0,025
Probabilidad 0,080 0,190 0,355 0,580 0,735 0,0835 0,895 0,940 0,975 1
acumulada
a) ¿Qué recomendación darías a la trabajadora social de cuántos boletos comprar

para que la empresa pierda lo menos posible? Explica detalladamente porqué le
darías esa recomendación.
Esperamos que el estudiante deduzca que lo más probable es que el trabajador

seleccionado tenga tres 3 hijos o menos, así que es necesario que se compren tres
boletos para los niños más los dos boletos del trabajador y su esposa es decir, 5 boletos
en total, de ese modo, la mayoría de los trabajadores (el 58%) no tendría problemas para
llevar a sus hijos al teatro si salen premiados, al mismo tiempo que la empresa no
perdería demasiado si sobran boletos. Hay otras soluciones posibles, como elegir un
valor de la variable mayor, pero esperamos que el alumno elija esta, ya que en este
problema la mediana es muy próxima a la moda, aunque la media da un valor algo
220
Entrevista clínica
mayor (3,4) se acerca más al valor 3 que al 4. Por tanto todos los promedios coinciden
aproximadamente en este contexto.
b) De acuerdo a tu recomendación ¿con qué probabilidad el trabajador premiado

ocuparía exactamente el número de boletos que compró la trabajadora social?
Suponiendo que la respuesta óptima es comprar 5 boletos, la respuesta esperada

en este apartado es que con una probabilidad de 0,225, es decir, en realidad es poco
probable que se ocupen exactamente los 5 boletos. Si su respuesta óptima es otra
solución habría que ajustar la respuesta esperada.
c) ¿Qué tanto puedes asegurar que se ocuparan exactamente los boletos que se
compraron?
De nuevo esta respuesta está condicionada por la dada en el inciso a. En el

supuesto de que el número de boletos a comprar sea 5, es poco probable, es decir es más
probable que no se ocupen exactamente puesto que sólo 45 de los trabajadores (de los
200) tienen oportunidad de ocupar exactamente el número de boletos recomendado. Es
más alta la posibilidad de que sobren boletos (0,355) o bien de que falten (0,42).
d) De acuerdo a tu recomendación, ¿con qué probabilidad al trabajador premiado

le alcanzarán los boletos y hasta le sobrarán?
Si la respuesta dada es la que hemos supuesto como óptima, la probabilidad sería

de 0,58, es decir, es más probable que alcancen y hasta sobren los boletos a que hagan
falta boletos. Esto significa que de 100 trabajadores, 58 tendrían posibilidades de no
tener problemas con sus hijos en caso de que salgan premiados.
e) De acuerdo a tu recomendación, ¿con qué probabilidad al trabajador premiado

no le alcanzarán los boletos para poder llevar a todos sus hijos al teatro?
Bajo el mismo supuesto de que la respuesta son 5 boletos, la probabilidad es de

0,42. El 0,42 puede provenir de dos operaciones: la suma de 0,155, 0,1, 0,06, 0,045,
0,035 y 0,025 ó bien de la resta de 1 menos 0,58.
Parte III del Protocolo

En primer lugar se pide al alumno producir una gráfica que represente la probabilidad
de que un trabajador con un cierto número de hijos salga premiado. Hay dos posibles
221
gráficas correctaas, que se presentan

p e la Figuraa 5.3. Inmediatamente después see pide
en
conteestar los sigguientes inciisos.
aa) Represennta con unna letra laa variable dependientte y con otra
o la varriable
independ
diente y utiiliza estas letras
l para representa
ar en notacción funcionnal el
e el inciso b) de la paarte II.
resultadoo obtenido en
El resulttado del incciso b) de la

l parte dos se refieree a con quéé probabiliddad el
miado ocupparía exactamente el número de
trabaajador prem d boletos que comppre la
trabaajadora sociial, por lo tanto el núúmero de hijos
h será de
d 3, x = 3,
3 y = 0,2225, en
notacción funcioonal: f(3) = 0,225. Espperamos quue los alum
mnos sugierran una nottación
aproxximada com
mo la siguiiente: x: vaariable indeppendiente (número
( dee hijos), tam
mbién
podríía ser n o cuualquier otra letra; y: variable depeendiente (prrobabilidadd) o P o cuallquier
otra letra. En notación
n funncional: y = f(x) (utilizando las letras que escogieronn para
denootar a las varriables).
0.25
0.20
Probabilidad
0.15
0.10
0.05
0.00
0 1 2 3 4 5 6 7 8 9 10
Número de
d hijos
0.25
0.20
Probabilidad
0.15
0.10
0.05
0.00
0 1 2 3 4 5 6 7 8 9
Número d
de hijos
F
Figura 5.3. Graficas
G possibles de la diistribución ded probabilid
dad del númeero de hijos d
de
los trabbajadores
bb) Describee, en el conntexto del prroblema, coon tus propiias palabras la información
que propporciona laa variable dependiente
d e de la varriable indep
pendiente (en
( la
función que
q acabas de represenntar).
222
Entrevista clínica
La variable dependiente indica la probabilidad de que el trabajador que salga

premiado tenga ‘x’ número de hijos. También se puede expresar como las posibilidades
que hay de que un trabajador que tenga un número ‘x’ de hijos sea el premiado. Nótese
que lo que se espera es que regresen al contexto del problema.
c) Describe el dominio de la variable independiente y el rango de la variable

dependiente.
En esta pregunta se suscita un conflicto con la teoría. Desde la perspectiva

estricta de la teoría de probabilidades, la distribución de probabilidad toma valores de
[0,1] en su rango y valores enteros comprendidos entre 0,  en su dominio. Esto es
porque la probabilidad definida en la distribución de probabilidad es una extensión de la
probabilidad definida en el espacio muestral (en realidad no son iguales). En este caso
no esperamos que los estudiantes respondan de ese modo, puesto que no han tomado un
curso de teoría de probabilidad sino que esperamos que interpreten en el contexto de
una variable discreta, tomando en cuenta solamente los valores de la probabilidad que le
asignaron a los valores de la variable aleatoria que estuvieron trabajando. Esperamos
descripciones semejantes a las siguientes:
 Dominio D = {x | x ϵ {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}}
 Rango R = {y | y ϵ {0,025, 0,035, 0,045, 0,06, 0,08, 0,1, 0,11, 0,155, 0,165,
0,225}}
d) Describe el método a partir del cual puedes obtener el valor de la variable

dependiente, a partir del valor de la variable independiente.
Las respuestas pueden ser diversas, dos que consideramos correctas serían:
 El valor de la probabilidad (variable dependiente) se obtiene la frecuencia
(casos favorables) correspondiente al número de hijos de interés (variable
independiente) entre 200 (casos posibles). Para conocer la frecuencia
correspondiente se recurre a la tabla dada.
 También se puede obtener directamente a partir de la tabla o de la gráfica.
e) La relación que estableciste ¿es una función matemática? ¿por qué?
Esperamos que el estudiante responda que esta relación sí es una función

matemática porque a cada valor de la variable independiente (número de hijos) le
corresponde un solo valor de la variable dependiente (probabilidad).
223
f) ¿Qué diferencias encuentras entre la variable independiente de esta distribución

de probabilidad y las variables independientes de las otras matemáticas que tú
conoces, por ejemplo, de álgebra o cálculo?
Esperamos que el estudiante se percate que en la función (distribución de

probabilidad) está vinculada a un proceso aleatorio. En particular, que el orden en que
aparecen los valores de la variable independiente en el eje de las abscisas de su gráfica
no está vinculado con el resultado del experimento aleatorio. Los valores de la variable
independiente (número de hijos) no necesariamente se presentarían uno tras otro si
repetimos una y otra vez la rifa en las mismas condiciones. Más aún, algunos valores es
posible que no se presenten después de varios intentos. En este tipo de experimentos no
se puede predecir el valor que se obtendrá ni siquiera de manera aproximada, sólo
podemos saber qué es lo más probable que ocurra, mientras que en los problemas
tradicionales de álgebra y cálculo hay un orden de aparición de los valores de las
variables.
g) ¿Qué nombre le darías a este tipo de variable?
Esperamos que el estudiante vincule el nombre de la variable con el fenómeno

aleatorio. Podría darle el nombre de ‘aleatoria’ o variable estocástica o variable azarosa
u otro nombre similar en el que se haga énfasis en que la aleatoriedad o la incertidumbre
están vinculados con ella.
6. Objetos de análisis en la entrevista

Basándonos en los objetivos y el diseño del protocolo de investigación que acabamos de
analizar, en este punto se describirán los objetos matemáticos analizados en la
entrevista, indicando en cada uno de ellos los procedimientos y la comprensión del
estudiante que deseamos explorar. Estos objetos son aleatoriedad, probabilidad, variable
aleatoria y solución del problema.
6.1. Aleatoriedad
En relación a este objeto incluiremos tanto la incertidumbre, en el sentido coloquial de
la imposibilidad de predecir con exactitud por la intervención del azar, como la
aleatoriedad propiamente, como un atributo matemático establecido por la sucesión de
resultados de un experimento impredecible realizado repetida e independientemente,
224
Entrevista clínica
que posee, además, la factibilidad de poder ser analizado a través del cálculo de
probabilidades (Batanero, 2001).
La aleatoriedad quedará definida por el mismo contexto del problema, de modo
que esperamos no haya cuestionamientos a este respecto. Es de interés la percepción del
alumno sobre la aleatoriedad en la medida que esperamos que influya sobre su
comprensión de la variable aleatoria. Sin embargo no será para nosotros tan importante
la formalización que sea capaz de hacer de la aleatoriedad, como su noción intuitiva, en
el sentido de la intervención del azar, y la relación que establezca entre la incertidumbre
y su solución con la variable aleatoria. De esta forma, dentro de esta categoría nos
interesamos por dos puntos:
 La aleatoriedad en la situación problema. Atendiendo a la percepción de la

aleatoriedad, interesa la forma en que el estudiante la tiene en cuenta y cómo
justifica con un razonamiento estadístico su recomendación. También es de
provecho observar las dificultades en este proceso.
 Relación entre la incertidumbre y la probabilidad. Refiriéndonos a cómo el

estudiante relaciona estos conceptos, identifica y redefine la incertidumbre con la
distribución de probabilidad e interpreta una representación matemática de un
problema en el que interviene la incertidumbre.
En la Tabla 5.5 presentamos los objetos matemáticos ligados con el objeto

aleatoriedad en la primera columna y en la segunda los elementos que queremos
evaluar.
Tabla 5.5. Evaluación de la comprensión de la aleatoriedad

Objeto matemático Desglose Evaluación en la actividad
Aleatoriedad en la Concepción de experimento aleatorio Presentación de un fenómeno aleatorio
situación problema La intervención de la incertidumbre Interpretación de la ocurrencia de
dentro de una toma de decisión eventos
Incertidumbre y Incertidumbre y probabilidad: Definición de la distribución de

probabilidad Alcance de la decisión probabilidad representativa de la
Medida del riesgo situación
Incertidumbre y la distribución de Resolución de un problema ligado a
probabilidad involucrada la de solución una toma de decisión:
del problema ¿Cómo se fundamenta la decisión?
¿Qué tanto se puede asegurar que la
decisión será certera?
225
6.2. Probabilidad
Dentro de este rubro la probabilidad será importante en la medida que el alumno la
relacione con la variable aleatoria, de manera que llegue a establecer y cuestionar los
componentes que definen a la distribución de probabilidad como función. Unimos a esto
una exploración de cómo intervienen los significados que asocia a la probabilidad en la
apropiación del concepto de la variable aleatoria por parte del estudiante.
 La probabilidad en el espacio muestral. Se busca esclarecer la forma en que el
estudiante de manera intuitiva asigna la probabilidad.
 La distribución de probabilidad como función. Nos interesa cómo el estudiante

asigna la probabilidad a cada valor de la variable aleatoria y establece la
distribución de probabilidad. También, una vez establecida la representación
matemática de la situación, trataremos de analizar la interpretación que el
estudiante da a la distribución de probabilidad para contextualizar el problema.
Tabla 5.6. Evaluación de la comprensión de la probabilidad

La probabilidad Interpretación de la situación problema Cálculo de la probabilidad de eventos
definida en el en términos del modelo probabilístico: aislados en el experimento aleatorio
espacio muestral Definición del espacio muestral y de Interpretación de la probabilidad de un
los eventos posibles evento
Interpretación de las probabilidades
de los eventos posibles
Uso de la regla de Laplace
Uso de los axiomas de probabilidad.
La distribución de Distribución de probabilidad como Cálculo de la probabilidad puntual y
probabilidad como función asociada a una variable acumulada asociada a los valores de la
función aleatoria variable aleatoria
Valores posibles de la variable Organización de la información en una
aleatoria tabla
Asignación de un valor de
Interpretación de la distribución de
probabilidad a los valores de la
probabilidad y de la función de
variable aleatoria
distribución acumulada
La distribución de probabilidad como
Identificación de las variables que
una función y su interpretación en un
intervienen en la modelización del
contexto matemático:
fenómeno aleatorio:
su notación funcional, su dominio y
¿Cuál de ellas es la variable
su rango y regla de correspondencia
independiente en cada una de las
Relación entre los contextos gráfico,
funciones? ¿Cuál la dependiente?
numérico y algebraico
La distribución de probabilidad Las variables que intervienen en el
como función compuesta, uno de problema:
cuyos términos es la variable ¿Estamos ante una función real?
aleatoria La gráfica de la función
Noción de función: Definición de los elementos de la
función: nomenclatura, dominio, y
Qué es función
rango
Representación gráfica y algebraica
226
Entrevista clínica
El significado de probabilidad seleccionada en la actividad será la vinculada a la

acepción clásica porque esperamos que sea la noción con la que los estudiantes de
nuevo ingreso a la universidad estén más familiarizados. Es de nuestro interés que la
actividad explore la interpretación y el manejo de la probabilidad por los estudiantes así
como la forma de cálculo de esta probabilidad en tres niveles principales: a un nivel
intuitivo en eventos aislados (dentro de la situación); a un nivel intuitivo en la situación
conjunta y su vinculación con la distribución de probabilidad; y a un nivel más formal
en la distribución de probabilidad. Los procedimientos y concepciones a evaluar en este
rubro se presentan en la Tabla 5.6.
6.3. Variable aleatoria

Es de esperar que los estudiantes no manejen la definición formal de variable aleatoria,
de manera que nuestra intención es centrar la actividad en la exploración de su noción
intuitiva y una posible apropiación de la noción con un nivel de profundidad descrito en
el Apartado 2.2, que es el esperado en los cursos de estadística para Ciencias Sociales
en el ITESM.
Es de nuestro interés la exploración de la comprensión intuitiva de la variable
aleatoria en la solución el problema, así como en el nivel de dificultad que involucra su
tratamiento formal tanto en relación con la distribución de probabilidad, como con
respecto a ella misma definida como la función que relaciona el espacio muestral con un
valor numérico. También nos interesa conocer la nomenclatura y el lenguaje que
emplean para referirse tanto de la variable aleatoria como de la distribución de
probabilidad. El diseño contempla los siguientes cuatro puntos y que se desglosan
detalladamente en la Tabla 5.7:
 La variable aleatoria en la situación problema. Estudiamos el vínculo que

establece el estudiante entre los valores de la variable aleatoria y la probabilidad
definida en el experimento asociado en el contexto del problema. Este vínculo
estará relacionado con la forma en que el estudiante maneje la probabilidad y la
variable aleatoria para encontrar la solución del problema.
 La variable aleatoria como función. Nos interesa profundizar sobre la forma en

que el estudiante maneja la variable aleatoria como función con sus tres
componentes: la regla de correspondencia, sucesos del espacio muestral y los
valores numéricos vinculados a cada suceso.
227
Tabla 5.7. Evaluación de la comprensión de la variable aleatoria

La variable aleatoria Manejo de la variable aleatoria con Definición del espacio muestral y de
en la solución del miras a la toma de decisión los eventos posibles asociados a la
problema recomendada: característica de interés dentro del
Uso de la regla de correspondencia problema
Uso de la variable aleatoria y su Cálculo e interpretación de la
distribución (o de su función de probabilidad puntual y acumulada
distribución acumulada) para asociada al problema.
resolver el problema
Variable aleatoria Vinculación de la pregunta de interés Interpretación de la partición del
como función sobre con la variable aleatoria espacio muestral en términos de la
el espacio muestral Partición del espacio muestral en característica de interés
términos de la característica de interés: ¿Cuál es la diferencia entre la variable
Representación de los eventos a aleatoria, considerada como función,
través de un valor numérico con otras funciones matemáticas?
Vinculación entre variable aleatoria ¿Qué nombre le darías a la variable
y aleatoriedad independiente en la variable aleatoria
Familiaridad con la que se maneja un cuando la consideras como función?
número en lugar de un contexto
Identificación de la vinculación de la
característica de interés con los eventos
en los que se subdivide el espacio
muestral y con los valores numéricos
La variable aleatoria La variable aleatoria como término en Identificación de relación entre la
y su distribución de la función compuesta distribución de variable aleatoria como variable
probabilidad probabilidad independiente en la distribución de
La relación de dependencia entre la probabilidad:
variable aleatoria y la probabilidad en ¿Cuál es la variable dependiente en
la distribución de probabilidad. la distribución de probabilidad?
Características de la variable En la distribución de probabilidad:
independiente en la distribución de Describe del método a partir del
probabilidad cual se obtiene el valor de la
Vinculación entre la variable variable dependiente (probabilidad)
independiente y la aleatoriedad de la a partir de la independiente (valor de
situación la variable aleatoria)
Definición de los elementos de la
variable aleatoria: nomenclatura,
dominio y características del
dominio
Lenguaje Nomenclatura (oral y escrita) de: Representa con una letra la variable
la variable aleatoria dependiente y con otra la variable
la función de distribución independiente y utiliza estas letras para
representar en notación funcional la
solución del problema.
¿Qué nombre le darías a la variable
independiente en la distribución de
probabilidad?
228
Entrevista clínica
 La variable aleatoria y su distribución de probabilidad. Buscamos observar la

interpretación del estudiante de la variable aleatoria como término en la función
compuesta distribución de probabilidad.
 Lenguaje utilizado. Dificultades, ambigüedades y nomenclatura al referirse a la

variable aleatoria, las relaciones entre la variable aleatoria y la probabilidad, y las
relaciones entre la variable aleatoria y la aleatoriedad.
6.4. Solución del problema

Alrededor del problema girará el protocolo de la entrevista, de manera que a la vez que
constituya un reto accesible para los estudiantes, también debe permitir dar elementos
para realizar la investigación. Por lo tanto, el problema seleccionado será de una
dificultad media para permitir la concentración en la exploración cognitiva, pero lo
suficientemente rico como para que permita la exploración de la comprensión de los
estudiantes. Las características que deberá cumplir son las siguientes características:
 Manejar una situación en donde se involucre la aleatoriedad de manera
natural.
 El significado de probabilidad vinculado al problema será la clásica.
 Su solución estará vinculada a la recomendación de una toma de decisión.
 Su solución requerirá el análisis de la situación completa y por lo tanto del
manejo de una distribución de probabilidad.
 El riesgo en la toma de decisión podrá ser cuantificable.
Se espera que la solución del problema pase por las etapas de solución
representadas en la Figura 5.4. En el problema se pretende vincular los objetos
matemáticos por los que nos interesamos en esta investigación, pero también que se
apliquen algunas estrategias sencillas de resolución de problemas. Así por ejemplo,
esperamos que la verificación de la propuesta a partir del cuestionamiento del riesgo y
de la visualización del alcance de la propuesta dada por los estudiantes, despierte
cuestionamientos a su modelo planteado. Esto dará pie a redefinir o afianzarse en su
propuesta basándose en argumentos matemáticos, proporcionados por las herramientas
matemáticas que ponen en juego en esas etapas: la aleatoriedad, la distribución de
probabilidad y la variable aleatoria.
229
Etapas de solución Herramientas que se ponen en juego
Comprensión del Espacio muestral
fenómeno aleatorio Lo aleatorio Experimento aleatorio
Aleatoriedad
Definición de las Definición de la variable de
variables que interés
Identificación de eventos
intervienen en Identificación de casos
el problema favorables y casos posibles
Cálculo: la regla de Laplace
Interpretación de la
Cálculo e Probabilidad probabilidad de un evento
interpretación de la Relación de dependencia
probabilidad entre evento y probabilidad
Relación de dependencia
entre variable aleatoria y
Planteamiento del probabilidad
modelo Características
Distribución Función de distribución
de acumulada
probabilidad Definición de función
Valoración de la Notación
propuesta Tránsito de contextos: del
problema a lo gráfico y
tabular
Vinculación entre los eventos
Conciencia del Alcance de la y un valor numérico
riesgo decisión Como función
Variable Relación con la función de
aleatoria distribución Representación
Identificación de medidas de
centralización
Solución:
Sugerencia de decisión
Figura 5.4. Etapas y herramientas esperadas en la solución del problema
7. Implementación
Se entrevistaron a dos estudiantes, Brenda y Mónica, que accedieron de manera
voluntaria y que cursaban el primer semestre de universidad en el ITESM Campus
Monterrey. Ninguna de las dos había llevado cursos de probabilidad o estadística en ese
nivel. Una de ellas, Brenda, había llevado un curso de probabilidad y estadística en el
bachillerato y la otra, no. En el curso que había tomado, Brenda llevó estadística
descriptiva y reglas de probabilidad. No conocía el término de «variable aleatoria». En
230
Entrevista clínica
el momento de la entrevista, ambas cursaban matemáticas I para ciencias sociales

(Cálculo diferencial) y eran consideradas buenas estudiantes por su profesor de
matemáticas de ese semestre.
La entrevista se dividió en las tres partes de que consta la actividad y tuvo una
duración aproximada de tres horas. A las chicas se les entregó el problema por escrito,
una sola copia para ambas, y se les pidió que trabajaran directamente sobre el pizarrón
para que sus respuestas fueran accesibles a los entrevistadores (su profesor de
matemáticas y la profesora investigadora). Se les dio un tiempo en el que discutían y
llegaban a una respuesta conjunta a cada inciso. Una vez que ellas consideraban
concluida su respuesta, los entrevistadores dialogaban con ellas para profundizar o
esclarecer las ideas que exponían. Al concluir cada sección de la actividad, ellas
borraban y pasaban sus resultados a una hoja de papel, Su reporte estuvo constituido
únicamente por sus conclusiones. Algunas respuestas las contestaron sólo verbalmente.
Se grabaron (tanto en video como en casete) todas las partes de la experiencia,
tanto las discusiones entre ellas para llegar a su respuesta, como los diálogos
establecidos con los profesores. La trascripción de las partes principales del diálogo
sobre el desarrollo de la actividad se encuentra en el Anexo 3 de esta memoria.
8. Análisis de los resultados

En lo que sigue presentamos el análisis realizado y los resultados obtenidos,
organizados en torno a los objetos de estudio. Se incluyen los pasajes de la entrevista
relacionados con cada uno de los puntos principales, analizando los objetos matemáticos
puestos en juego por el alumno, la comprensión que manifiesta el alumno y sus
dificultades al resolver la tarea o al cuestionar sobre el objeto matemático puesto en
juego. Así, los pasajes que se presentan a continuación no están descritos
cronológicamente.
Nuestra discusión se centra principalmente en la interpretación que hacemos de
las respuestas que las estudiantes dan a medida que van resolviendo el problema.
Hacemos notar el conocimiento estadístico empleado, su conocimiento del contexto en
el que se desenvuelve el problema y sus interpretaciones y validaciones de los
resultados que obtienen. Consideramos de especial interés la forma en cómo transitan
del dominio matemático al extra-matemático y viceversa. De acuerdo con Wild y
Pfannkuch (1999), enfatizamos en el pensamiento estadístico (segunda dimensión de su
marco) que integra el conocimiento estadístico y del contexto.
231
Los resultados de este análisis fueron publicados parcialmente en Ruiz,

Batanero, y Albert (2006).
8.1. Objeto de análisis: Aleatoriedad

Este apartado se centra en el estudio de la comprensión del estudiante de la idea de
aleatoriedad y su percepción de la incertidumbre, tanto en el experimento como en su
recomendación. También interesa cómo vinculan la distribución de probabilidad con la
incertidumbre. Se busca conocer el proceso que guía al estudiante a la utilización de
términos cuantitativos en la solución de un problema en el que interviene el azar y la
forma en que redefine la situación de incertidumbre una vez que ésta está representada a
través de objetos matemáticos como la distribución de probabilidad (Figura 5.5).
¿Por qué procesos pasa el estudiante? ¿Cómo los
justifica? ¿Percibe esta necesidad de tránsito?
Situación en la que Elementos
interviene el azar matemáticos
¿Cómo redefine la situación el estudiante?
¿Qué nuevos elementos incorpora?
Figura 5.5. Descripción del objeto de análisis ‘Aleatoriedad’
Preferimos tomar el aspecto informal de la aleatoriedad porque desde la

perspectiva de la modelación de Heitele (1975) en este estrato, el experimento aleatorio
es la «realidad», en cambio la distribución de probabilidad (o la función de distribución)
es el «modelo matemático» que se está empleando para resolver el problema. Así
mismo nos interesa la distribución de probabilidad porque en ella la probabilidad se
vincula con la variable aleatoria.
De acuerdo con la Tabla 5.5 se analizará la comprensión del estudiante sobre la
aleatoriedad en la situación problema y la relación entre la incertidumbre y la
probabilidad.
8.1.1. Aleatoriedad en la situación problema.
En un primer enfrentamiento con el problema, hay una tendencia a dar una

recomendación determinista (pasaje 8), principalmente por parte de Mónica que deja ver
su tendencia a dar soluciones certeras, en las que no se involucre el azar. Hay dificultad
232
Entrevista clínica
en vincular el sorteo con la recomendación de cuantos boletos comprar. Mónica lee la

pregunta: «¿Qué recomendación le darías a la trabajadora social de cuántos boletos
comprar?» y la resuelve diciendo que compraría dos (para la pareja) y que después,
cuando se sepa cuántos hijos tiene el trabajador que ganó, compraría los demás. No
aceptan la aleatoriedad en la recomendación ni hace uso de los datos, sólo quiere
resolver el problema de la forma más exacta posible.
Mónica: Pues yo para no perderle y para no errarle, compraría dos nada más porque sí
hay familias que tienen 0 hijos, de hecho hay 16 trabajadores que tienen 0
hijos. Entonces nada mas compraría dos para que vayan él y la esposa, y ya
después si no sale, por lo menos ya tengo asegurados dos. Por eso preguntaba,
si ya tengo asegurado dos... porque dice que pierda lo menos posible. En caso
de que compre 3, y si por ejemplo sale una familia de estas, ya perdí un
boleto, ya estoy perdiendo un boleto ¿qué voy a hacer con ese boleto? Así
pienso yo. Yo compraría dos.
La aceptación a dar una solución no segura es impuesta por las condiciones del
problema: después ya no se podrán comprar boletos. En el pasaje 11 Mónica
(nuevamente) argumenta que hay una decisión que depende de la ética, que no tiene que
ver nada con matemáticas y se quejan de que el problema esté planteado así. Ella se
desespera de tener que jugar con lo incierto al no poder dar una solución más precisa y,
desde su perspectiva, más justa.
Mónica: Yo le pondría un 50% [refiriéndose más bien al 58% de probabilidad de que el

trabajador premiado tenga 3 hijos] o si acaso un 70% [refiriéndose al 73% de
probabilidad de que el trabajador premiado tenga 4 hijos], porque luego para
que me salgan con que perdieron... aunque claro... maestro también está mal el
problema porque no es cuestión de decirles oigan les vamos a dar boletos y si
les toca pues que bueno porque es como decirles a los que tengan más [hijos]
llevan las de perder porque no vamos a comprar para todos y luego que... Lo
ideal sería que si la empresa está haciendo la campaña, pero eso ya no tiene
que ver con matemáticas, sino que es más ético, si la empresa está ofreciendo
pues que lo ofrezca bien.
En este mismo pasaje, ellas aún se resisten a aceptar que no puedan dar una
solución con mayor seguridad, en cierto modo aceptan que no pueden controlar la
situación con una manifiesta resignación.
Mónica: Yo le pondría un 50% [refiriéndose más bien al 58% de probabilidad de que el

trabajador premiado tenga 3 hijos], o si acaso un 70% [refiriéndose al 73% de
probabilidad de que el trabajador premiado tenga 4 hijos], porque luego para
que me salgan con que perdieron...
233
Brenda: En todo caso si se está buscando que no vaya a gastar de más y si alcanzan
bueno y si no, no, pues yo estaría por 4 hijos.
Mónica: Ajá, yo también y si no alcanzan pues ya ni modo.
Posteriormente a lo largo del problema, ambas llegan a aceptar la incertidumbre

de la decisión. Esto lo manifiestan en mayor medida en los pasajes 12 y 20:
Profesor: Pero existirá alguna manera, ¿es ignorancia nuestra el no saber qué boleto va a
salir?
Brenda: No es algo que tú puedas controlar, es la suerte.
Así mismo en el pasaje 19 Brenda plantea una concepción de aleatoriedad

relacionándola con una falta de patrón:
Brenda: ...son así como... aleatorios. No llevan un patrón así seguido.
8.1.2. Relación establecida entre aleatoriedad y probabilidad
En el pasaje 9 ambas alumnas piensan que la mejor solución a la pregunta sobre cuántos
boletos comprar sería 5 boletos, basándose en que esto es «lo más probable», por tanto
hacen uso explícito de la idea de probabilidad. Están aplicando una concepción
laplaciana, puesto que se basan en la consideración de casos favorables y posibles y lo
vinculan con los datos de la tabla. En su recomendación usan el número de hijos que
tuviera la mayor frecuencia (la moda), apareciendo por tanto la idea de promedio y una
estimación de las diferentes probabilidades. Se introduce la condicionante de que no
pueden comprar boletos después de la rifa, entonces Mónica está de acuerdo con Brenda
en comprar 5 boletos. Seleccionan «lo más probable» porque es lo que más seguridad
les da. De alguna manera interpretan la probabilidad como una forma de medir la
incertidumbre.
Brenda: Yo compraría 5, porque de acuerdo a la tabla, hay más probabilidad de que sea
una persona con tres hijos y luego sumándole el obrero y la esposa serían 5.
Mónica: ...¡Ah! [sin escuchar a Brenda] entonces compraría 5 boletos porque la mayor
incidencia de familias es de 3 hijos, o sea, el mayor número de trabajadores
que hay por hijo es 3, o sea, las familias con 3 hijos son las que más abundan
en la empresa, entonces como 3 hijos más el papá y la mamá pues ya son 5.
En el pasaje 10 aparecen de nuevo estas ideas. Mónica relaciona la intervención

del azar con una situación en la que no puedes saber qué ocurrirá (impredecibilidad de
lo aleatorio). Usa la idea de más probable (moda), relacionándola con lo que menos
falla. Mónica ahora es la que trata de convencer a Brenda y argumenta a favor de
comprar 5 boletos diciendo que es donde hay más probabilidades.
234
Entrevista clínica
Mónica: ...hay más probabilidades de que yo agarre un trabajador de estos 45 [se

refiere a los trabajadores que tienen 3 hijos], o sea, en el círculo que
dibujamos [señala la tabla] éste [señala el 45] ocupa más, hay más
probabilidades, es como que la que menos falla, es como que azar.
En el pasaje 12 Mónica de alguna manera continúa buscando el determinismo en

la situación, pretendiendo afianzarse a algo seguro, y relaciona el porcentaje de
trabajadores en la fábrica con un número menor o igual de hijos al de boletos
comprados con la probabilidad de acertar en la decisión. Aparece aquí la idea implícita
de probabilidad acumulada (por tanto distribución de distribución) y la idea de que la
mediana induce una partición de la población en dos grupos con igual número de
efectivos, como si con ello estuvieran siendo justas con todos los trabajadores (los que
tienen más o menos hijos).
Mónica: Aquí lo que le aseguramos es el 50%, el otro 50% definitivamente va a tener

que comprar uno, dos, tres, cuatro boletos por su cuenta, pero lo que usted
quiere también es congraciarse o llevarse bien con los trabajadores, entonces
pues con más del 50% ya tiene probabilidad de que lo saque, es decir, tiene
asegurada la mitad.
8.1.3. Discusión de los resultados obtenidos en el objeto aleatoriedad
En resumen, del análisis anterior se puede observar cómo las estudiantes aceptan que no
es posible dar una solución certera al problema. En un principio proporcionan una de las
soluciones triviales. Hay una aceptación de la aleatoriedad en la situación puesto que
manifiestan no saber cuántos hijos tendrá el trabajador que será premiado pero no
aceptan dar una recomendación en la que no aseguren que todos los miembros del
trabajador ganador puedan asistir a la función de teatro. Fischbein, Nello y Marino
(1991) previenen en contra de estas actitudes que pueden surgir a partir de la enseñanza
de la probabilidad y que significan una incomprensión de la aleatoriedad. De acuerdo
con Konold (1989) esta actitud está vinculada con la heurística del «enfoque en el
resultado aislado» (outcome aproach) porque la necesidad por dar una respuesta
«exacta» imposibilita al estudiante a emitir un juicio basándose en un razonamiento
probabilístico.
En este caso, sin embargo, la reticencia a dar una respuesta de la que no están
seguras es sustituida por la aceptación de la aleatoriedad en la solución del problema. Al
mismo tiempo la relacionan con la probabilidad e interpretan a la probabilidad como
una medida de lo incierto, lo que les permite obtener soluciones y transitar por diversas
235
nociones, como la moda y la mediana de la distribución de probabilidad de la variable

aleatoria.
Esta vinculación entre la probabilidad y la aleatoriedad es lo que, de alguna
manera, les permite aceptar lo aleatorio de la solución del problema y proporcionar una
solución que les satisface. Poder manipular la probabilidad al decidir cuántos boletos
comprar es lo que les hace ver cómo pueden ser equitativas o favorecer a la parte que
les parece éticamente más apropiada. La aceptación de lo incierto está vinculada con
una seguridad de que su solución es más equitativa ya que no pueden tener certeza,
buscan equidad.
8.2. Objeto de análisis: Probabilidad

En este apartado es deseable conocer la forma en que la concepción de probabilidad del
estudiante influye en su apropiación del concepto de variable aleatoria. En el problema
la probabilidad se maneja en dos contextos (Figura 5.5), la vinculada a los eventos y la
vinculada a la variable aleatoria, que nos analizar la forma en cómo el estudiante se
relaciona con el problema para definir la probabilidad como función sobre el espacio
muestral. Y, segundo, profundizar sobre la idea que se genera en el estudiante de la
probabilidad y cómo la vincula en el contexto de incertidumbre.
Así, de acuerdo con la Tabla 5.6, la comprensión de la probabilidad será
explorada a través de los procedimientos y concepciones que el estudiante haga en estos
dos componentes del objeto probabilidad: la probabilidad en el espacio muestral y la
distribución de probabilidad como función.
¿Cómo usa el estudiante la probabilidad ¿Cómo establece el
para establecer este modelo? estudiante este tránsito?
Situación Probabilidad sobre Distribución de

problema el espacio muestral probabilidad
¿Qué ideas genera la representación matemática en
el estudiante? ¿Cómo re‐contextualiza?
Figura 5.6. Descripción del objeto de análisis ‘ probabilidad’
236
Entrevista clínica
8.2.1. La probabilidad en el espacio muestral
En el pasaje 13 a ambas estudiantes, en la medida que interpretan el problema, les queda

claro el espacio muestral del experimento establecido por el sorteo, que sería el conjunto
de los trabajadores de la fábrica (200):
Profesor: ¿es posible que pueda extenderse el número 200 a más valores? ¿por qué?
Mónica: No porque sólo son 200 trabajadores
Así mismo en el pasaje 21 se observa cómo están conscientes de que este

espacio muestral está determinado por ciertas circunstancias: una fábrica, en un país,
etc., que condicionan un ambiente y que el cambio de esas condiciones afectaría no sólo
el espacio muestral sino también la distribución del número de hijos que tendrían los
trabajadores.
Mónica: Ajá, porque [los datos] pueden estar determinados por diferentes factores por
ejemplo, esa población puede haber tenido tres hijos porque se localizaba en
México o en Estados Unidos en donde la mayoría de las personas tienen tres
hijos, pero en poblaciones de otros lugares donde el número de hijos crece por
persona, la gráfica ya no iba a ser igual…
En general se observa una buena interpretación y uso del concepto de

probabilidad clásica. Hay evidencia de un buen manejo de dos axiomas de la
probabilidad y tienen una interpretación correcta en el contexto del problema, pero
tienen dificultades para despegarse de esa interpretación y vincular la probabilidad con
un solo número. Así, en el pasaje 4, la probabilidad la expresan a través de la relación
entre dos cantidades, «31 de 200». El número está escrito como una fracción y lo
interpretan como esa relación, pero cuando hablan de ella separan las dos cantidades
(pasaje 4):
Profesor: ¿Si tomamos un trabajador al azar cuál es la probabilidad de que tenga 4

hijos?
Ambas: 31 de 200.
Profesor: ¿Por qué no pusieron por ejemplo 4 entre doscientos u otro número porque
31?
Brenda: Porque bueno, en la tabla el número de hijos que son 4 tienen un número de
trabajadores de 31 y el universo de trabajadores son 200. Entonces de esos 200
quiere decir que 31 tienen 4 hijos.
Esto repercute en que a pesar de que las alumnas interpretan correctamente el

cociente (entre los casos favorables y los casos posibles) se les dificulta ver que ese
cociente es un solo número, la probabilidad. Les resulta difícil dejar de situarse en el
problema para encontrarse en el dominio matemático. Señalan y hablan del número de
237
trabajadores (casos favorables), pero lo llaman «probabilidad», a pesar de que cuando se

les pregunta mencionan que no hay que olvidar el denominador, porque es la forma de
relacionar al número de trabajadores con un cierto número de hijos con el total (pasaje
4):
Profesor: Es decir, la probabilidad de tener cuatro hijos...

Brenda: O sea, esta es la probabilidad de 31,... [le arrebata la palabra, señala la
respuesta al inciso a), 31/200, escrita a un lado de la tabla].
Brenda: ...entonces estas son todas las probabilidades que hay [señala la columna de
número de trabajadores]...
Mónica: A pues sí.
Brenda: ...y si las sumamos sí nos van a dar 200. Haz de cuenta que ésta [señala el 31
en la columna de número de hijos] es la probabilidad de tener 4 hijos. Está
diciendo el profe que se refiere a estas probabilidades [señala la columna de
número de trabajadores] y al sumarlas nos darían 200.
No se dan cuenta de la contradicción entre el que digan que la probabilidad tiene

que ser menor que uno, con el hecho de decir: «la probabilidad [de tener 4 hijos] es
31». La confusión entre el número de trabajadores y la probabilidad (es decir, confusión
entre casos favorables, o cardinalidad de los eventos compuestos, y probabilidad) está
más presente en Brenda, pero muestra mayor seguridad que Mónica. Ésta es convencida
por Brenda de usar el número de trabajadores como probabilidad. Pareciera que fuera
más palpable para ellas la variable ‘número de trabajadores (con un cierto número de
hijos)’ que el de ‘probabilidad’. A pesar de eso, reconocen que la probabilidad tiene que
ser menor que uno y positiva (pasaje 4):
Profesor: Sí, por ejemplo el 31 sobre 200 es un número negativo, positivo...

Mónica: Positivo. Fracción.
Profesor: Fracción, mayor que uno, menor que uno,...
Ambas: Menor que uno.
Profesor: Menor que uno... ¿Y las probabilidades son mayores que uno?
Mónica: Son menores que uno. Todas son menores que uno.
Y que la suma de todas las probabilidades de los eventos es igual a 1 (pasaje 4):
Mónica: Yo digo que aún sumando todas estas [señala la columna de número de hijos]
no nos da mayor que 1 porque para que fuera mayor que 1 la fracción tendría
que ser 201 o más entre 200. O sea 201 sobre 200 y estos [refiriéndose a la
columna de número de hijos] no van a dar más de 200.
El Profesor intenta utilizar el argumento de que una suma de probabilidades

tendría que ser menor o a lo más igual a uno (porque es otra probabilidad) para hacerles
238
Entrevista clínica
ver que 200 no puede ser una probabilidad, esto las ayuda a darse cuenta que omiten el
denominador (pasaje 4)
Profesor: Sí, ustedes me acaban de decir hace ratito que la probabilidad de tener 4 hijos
es 31 sobre 200 y que esa era una fracción menor que uno ¿no?
Ambas: Ajá.
Profesor: Y luego me dijeron que todas las probabilidades son fracciones, fracciones
menores que uno. Entonces si son 10 probabilidades a lo más que podríamos
aspirar es a que su suma fuera menor que 10. Cuando yo les pregunto cuál es
la suma de probabilidades, ustedes me dicen que 200 así que ¿Cómo le hacen
para que llegue a 200?
[Hacen exclamaciones de obviedad]
Ambas: ¡Ay maestro!
Brenda: Lo que pasa es que esta fracción es con respecto a 200.
Mónica: Ajá. El común denominador es 200.
Sin embargo en el pasaje 6 nuevamente aparece la confusión entre los casos

favorables y la probabilidad. Toman a la probabilidad como si fuera el número de
trabajadores, a pesar de que se dan cuenta de que la probabilidad debe ser un número
relativo a un total. Sin embargo tampoco son conscientes de su confusión.
Es posible que esa confusión empiece en el primer pasaje, cuando se les pide
identificar una variable dependiente y otra independiente entre la probabilidad y el
número de hijos. Al principio ellas establecen esta relación correctamente, pero cuando
Mónica hace la afirmación: «Yo digo que la probabilidad depende del número de
hijos», en Brenda se despierta una interrogante relacionada con los trabajadores. En esa
fase, Brenda queda conforme hasta que logra establecer una frase en donde están
incluidos: «qué tan probable es que los trabajadores tengan ese número de hijos».
Como si en la relación establecida tuvieran que estar presentes los trabajadores porque
son un elemento muy importante de la situación (es entre quienes se organizará la rifa) o
como si les costara trabajo identificar la relación entre el número de hijos y los
trabajadores.
Mónica: ...Yo digo que la probabilidad depende del número de hijos (recurre a voltear a
ver a los profesores para que le confirmen o le refuten esta última afirmación).
Brenda: Pero más bien... el número...el...bueno... no, sí la probabilidad depende del
número de hijos porque... [dudando]
Mónica: Es que la probabilidad...
Brenda: No, sí la probabilidad... [muy segura]
Mónica: Sí, porque según yo...
[se arrebatan la palabra una a la otra]
Brenda: depende del número de hijos porque...
239
Mónica: Ajá, porque qué tan probable es...

Brenda: porque qué tan probable es que los trabajadores tengan ese número de hijos
[en tono triunfalista]
En el pasaje 5 se observa que interpretan correctamente la probabilidad

expresada en forma de un número decimal, es decir llevan los doscientos trabajadores
totales como si fuera una unidad.
Profesor: Nos podrían ayudar ustedes a encontrar un significado a ese decimal, ¿qué
podría significar 0,155? ¿qué es eso?
Brenda: Yo digo que los doscientos trabajadores se están tomando como una unidad,
entonces se supone que ese 0,155 es un pedacito de eso, a eso se refiere,
entonces si sumamos cada fracción que da aquí, nos va a dar el entero que
sería igual a uno. Bueno, yo entendí eso.
Otras concepciones de probabilidad se relacionan con grado de creencia o

confianza en lo que puede pasar. En el pasaje 10 se relaciona con lo que menos falla:
Mónica: ... Ocupa más, hay más probabilidades, es como que la que menos falla, es
como que azar.
En el pasaje 11 con una medida del riesgo:

Mónica: Yo le pondría un 50%, o si acaso un 70%, porque luego para que me salgan
con que perdieron...
Y en el pasaje 12 se vincula con el grado de confianza:

Brenda: Bueno, es que no se puede asegurar, pero de lo que se habla aquí es de
probabilidad, lo que puede pasar.
8.2.2. La distribución de probabilidad como función
En el pasaje 1, ambas estudiantes cambian las variables sobre las que se les pide que
trabajen en la distribución de probabilidad, para ellas sería más normal tomar a la
variable «número de trabajadores» como la variable dependiente. En un principio ambas
dudan de las variables, pero después Mónica responde acertadamente en la distribución
de probabilidad. Para Brenda no es tan natural, como si el hecho de que la pregunta pida
explícitamente definir a la probabilidad como variable dependiente o independiente
choca un poco con sus concepciones.
Brenda: Bueno... primero ¿qué depende de qué? pues el número de hijos... no...el
número
Ambas: de trabajadores...
Brenda: ...depende del número de hijos, ¿no?
Mónica: No, no es que dice: el número de hijos depende de la probabilidad, no del...
Brenda: no.. pero la primera no es...
240
Entrevista clínica
Mónica: ¿qué depende de qué? ...pues...

Ambas: el número de hijos depende de la probabilidad ¿o al revés?...
Mónica: No, la probabilidad depende del número de hijos o sea que qué tan probable...
o sea... depende... la probabi...Yo digo que la probabilidad depende del
número de hijos [recurre a voltear a ver a los profesores para que le
confirmen o le refuten esta última afirmación].
Brenda: Pero más bien... el número...el...bueno... no, sí la probabilidad depende del
número de hijos porque... [dudando]
Mónica: Es que la probabilidad...
Al final de este pasaje definen el valor de la probabilidad como variable

dependiente (dentro de la distribución de probabilidad), pero en realidad no están
convencidas. El motivo por el que aceptan esa respuesta es porque el texto de la
pregunta les condiciona las variables con las que tienen que trabajar, dejando a un lado
lo que ellas consideran la verdadera variable dependiente que sería el número de
trabajadores (casos favorables o frecuencia). Mónica es la más convencida, pero a lo
único que recurre para convencer a Brenda es a leer una y otra vez la pregunta
recalcando las variables que se les pide manejar.
En el pasaje 3 hay reincidencia, esta vez no se percatan que la relación en la que
les piden trabajar es la misma que la de la pregunta anterior, así que se inclinan porque
la variable dependiente sea la frecuencia (o casos favorables).
Mónica: El número de hijos depende de la probabilidad o al revés y ya la pusimos.

Ahora dice ¿Cuál de estas dos variables sería la variable dependiente y cuál la
independiente?
Brenda: Pues yo digo que el número de trabajadores depende del número de hijos.
Esta confusión se ve más en Brenda, pero eso confunde a Mónica.

En el pasaje 6 se refieren a la probabilidad cuando mencionan el número de
trabajadores (frecuencia). Expresan explícitamente su confusión en los términos, aunque
también es posible que trabajen con los casos favorables porque a partir de ellos pueden
pasar directamente a la probabilidad sin que eso implique un problema para ellas.
Brenda: No, porque, si estamos diciendo que la probabilidad depende del número de
hijos, quiere decir que la probabilidad es la dependiente, el número de
trabajadores que es la probabilidad es la dependiente [señala sus respuestas en
el pizarrón].
Blanca: Pero ¿el número de trabajadores es la probabilidad?
Brenda: Si, son estas las probabilidades [señala la columna de número de trabajadores
en el pizarrón].
241
En el pasaje 7 ellas se percatan de su confusión entre los casos favorables y la

probabilidad de tener un número dado de hijos. Pero ello no ocurre hasta que pueden ver
que para la asignación de probabilidades a la variable aleatoria (número de hijos) se
formulan dos relaciones de dependencia, que el número total de trabajadores es una
variable (un parámetro, es decir podría cambiar en otro contexto) y que intervienen otras
tres variables en ese proceso. Las cuatro variables son:
 El número de trabajadores (la frecuencia o casos posibles): cardinalidad del
evento compuesto en el espacio muestral del experimento (¿cuántas
personas?),
 El número total de trabajadores (casos totales): cardinalidad del espacio
muestral (¿de cuántas?),
 Número de hijos: variable aleatoria vinculada a la característica de interés
que agrupó el espacio muestral en eventos compuestos, (¿Cuántos hijos?) y
 La probabilidad de obtener un cierto número de hijos (¿Cuántas personas de
cuántas?).
Tratar el número total de trabajadores (o casos totales) como otra variable más
las ayuda a descubrir que lo omitían por considerarlo una constante y que no era
necesario mencionar a pesar de que, anteriormente (pasaje 4), lo manejaron
correctamente («el común denominador es 200»). En este pasaje Mónica dice «tres
variables» pero en realidad está mencionando las cuatro:
Mónica: Es que aquí están las tres variables [señala la pizarra],... tres porque de 0 hijos
hay 16 personas que tienen 0 hijos de las 200, o sea, es que hay tres factores:
¿cuántos hijos?, ¿cuántas personas? ¿y de cuántas?, pero también, ¿cuántas
personas de cuántas?; como que estas dos [se refiere al número de
trabajadores y al total de trabajadores] van relacionadas muy directamente
porque son 16 de 200, 9 de 200, pero esas dos se relacionan con esta [con el
número de hijos], porque esta es la variable de cuántos hijos son.
Por lo tanto, se hacen evidentes las dos relaciones que las muchachas establecen
para asignar al número de hijos, la variable aleatoria, una probabilidad:
Mónica: Según lo que yo entendí, es la probabilidad. Esta [señala la columna de

número de trabajadores en el pizarrón].
Blanca: Pero ¿esa es la probabilidad? ¿el 12 es probabilidad?
Brenda: No, de aquí se sacaría la probabilidad de 12 sobre doscie... [señala el
pizarrón].
Mónica: ¡Ah!... Es que hay dos relaciones.
Blanca: ¿Cuáles son las dos relaciones?
242
Entrevista clínica
Mónica: Esta [señala el número de trabajadores] con esta [señala el número de hijos], y
esta [señala el número de trabajadores] con el total [se refiere al total de
trabajadores].
Las dos relaciones a las que ellas se refieren, son las siguientes (Figura 5.7):
 La primera relación se establece cuando se vincula el número de hijos (la
variable aleatoria) con el número de trabajadores (cardinalidad de los
eventos compuestos o frecuencia). En realidad la relación es más compleja,
se está vinculando a la variable aleatoria con la característica de interés (que
es algo menos abstracto) y posteriormente con los eventos simples (un
trabajador de la fábrica) y con los compuestos (trabajadores con un cierto
número de hijos).
 La segunda es el cálculo de probabilidades. Se establece entre el conjunto de
trabajadores que tiene un cierto número de hijos (evento compuesto) y el
valor de la probabilidad de tener un número dado de hijos, esto es
P(X=i)=Ni/N, siendo Ni el número de trabajadores (casos favorables) con i
hijos y N el total de los trabajadores (casos totales). En esta relación se
define la probabilidad como función en el espacio muestral.
Análisis de la
Número situación Número de No trabajadores
de hijos Probabilidad
problema trabajadores Total Trabajador
Variable
aleatoria
Trabajadores ¿Cuántos Trabajadores Regla de

de la fábrica hijos tienen? con el mismo Laplace [0,1]
(200) número de hijos
Característica Operatividad
Espacio muestral de interés
Eventos compuestos
Vinculación entre eventos y Cálculo de probabilidades
variable aleatoria (probabilidad como función)
Figura 5.7. Proceso para vincular el número de hijos con una probabilidad
Lo cual indica que para poder asignar un valor de probabilidad a la variable

aleatoria, las chicas tuvieron que contextualizar en el problema el significado de la
variable aleatoria, es decir a relacionarla con el evento compuesto al que estaba ligada
para asignarle la probabilidad de ese evento. Para ellas no representaba ninguna
dificultad el cálculo de probabilidades, y es posible que eso es lo que les haya hecho
obviarlo, en cambio la vinculación entre la variable aleatoria y el evento compuesto sí
243
representaba un obstáculo1. Ellas representan el conjunto de los trabajadores que tienen

el mismo número de hijos con su cardinalidad, pero en realidad están pensando en los
trabajadores (como conjuntos de personas), no en su número. Lo que trabó su
razonamiento es prácticamente aislar al conjunto de trabajadores de su relación entre el
número de hijos y la probabilidad.
Observemos también que la cardinalidad de los eventos compuestos
(trabajadores con un mismo número de hijos) juega un doble papel en esta
descomposición en dos relaciones. Por un lado, al vincular el número de hijos con el
subconjunto de trabajadores con un mismo número de hijos, es el resultado de esa
aplicación. En cambio en el cálculo de probabilidades, es el argumento sobre el cual se
aplica la regla de Laplace para poder obtener la probabilidad. Ambas relaciones son de
conjunto, pero finalmente al vincular la variable aleatoria con la probabilidad se
establece una relación entre números reales.
En el pasaje 14, al elaborar la gráfica, nuevamente se ven tentadas a usar el
número de trabajadores como variable dependiente, pero ellas mismas se corrigieron y
usaron la probabilidad como variable dependiente y lo resaltan «¡Ah! Ya podemos saber
que en vez de poner número de trabajadores, vamos a poner directamente la
probabilidad». En posteriores pasajes no vuelven a nombrarlos para referirse a la
probabilidad.
En cuanto a la acepción de función, a lo largo de toda la entrevista ellas manejan
diferentes concepciones. Una de las primeras de presenta en el pasaje 2, en donde
Mónica momentáneamente cree que la distribución de probabilidad no es una función
matemática porque ella cree que una función siempre crece. Cuando ella expresa la
palabra relación se está refiriendo a una relación funcional.
Mónica: Es que ve estás dos no pueden ser de que ¡ah! dependiente o independiente
[señala las columnas de la tabla]... así, no. Yo no puedo entrar... de lo que el
número de hijos y el número de trabajadores ... no puede ser, pon tú
dependiente e independiente o independiente y dependiente [señala las
columnas de la tabla] porque no, no hay relación... por ejemplo aquí [señala
la columna de número de trabajadores] empieza un número 16, y luego aquí
mayor, mayor, incrementa y luego decrementa y luego decrementa, así como
que no hay rela...o sea no hay mucha relación, igual de cero hijos pudo haber
un trabajador y de cuatro a cinco mil y así... como que no da resul...pero dice...
En el pasaje 3 tiene una mejor idea de lo que es una función matemática y se

detiene a explicarle a Brenda que es una relación de dependencia entre dos variables:
1
recordemos que en el pasaje 1, Brenda tuvo que recalcar «qué tan probable es que los trabajadores
tengan ese número de hijos» para poder vincular a la probabilidad con el número de hijos.
244
Entrevista clínica
Brenda: Sí, pero si te fijas esta es la que... ésta es la que... [señala la columna de
número de hijos]
Mónica: Va determinando...
Brenda: Ajá, va determinando al número de trabajadores. El número de trabajadores no
determina al número de hijos.
Mónica: Ah, ya entiendo.
Brenda: Sino al revés, el número de hijos es lo que está determinando el número de
trabajadores. Entonces está sería...
En ese mismo pasaje observamos como diferencian «determinar» de

«dependencia». Pareciera que al término «determinar» lo vinculan con una operación.
Aunque esto no se observa muy bien en este pasaje, en posteriores recalcan la
importancia de que «una función esté determinada por una ecuación».
Brenda: ... el número de hijos es lo que está determinando el número de trabajadores.

Entonces está sería...
Mónica: Pero eso no significa que depende de los hijos va a ver tantos trabajadores sino
que esta [señala la columna de número de hijos] rige a esta [señala la
columna de número de trabadores].
Brenda: Entonces en este caso, el número de hijos es la variable independiente y el
número de trabajadores es la variable dependiente.
En el pasaje 15, Mónica expresa que una función es una relación en las que una
variable se corresponde con otra y manifiesta un buen manejo de la notación funcional.
Ella expresa rápidamente el resultado pedido en notación funcional y eso le da pie a
definir que su interpretación de función como una correspondencia entre dos números.
Profesor: ¿Sería posible eso [se refiere a la gráfica de la distribución de probabilidad

que está en el pizarrón] escribirlo en notación de funciones? ¿qué es una
función? Esa gráfica, suponiendo que fuera continua, ¿sería una función?
Mónica: Sí.
Profesor: ¿Por qué?
Mónica: Pues como todas [se refiere a los valores involucrados] se corresponden, por
ejemplo f de 3 que corresponde a 0,225, ¿no? [Escribe en el pizarrón: F(3) =
0,225]
En ese mismo pasaje se observa como relacionan la F de la notación funcional

con la palabra función, de modo que piensan que esa letra se usa para expresar que la
relación establecida sí es una función, de modo que cambian el nombre de la variable
dependiente (anteriormente se llamaba ‘y’) por esa F.
Mónica: Pues… ‘x’ sería 3 y ‘y’ sería 0,225. La función de ‘x’ es ‘y’, es decir el
resultado.
Brenda: Pero en todo caso… no lo sabes. Lo que yo digo es utilizar…
245
Mónica: ¿En vez de F, ‘y’, aquí [señala la F en F(x)]?

Brenda: No, es que de cualquier forma haría falta especificar que es una función de ‘y’.
Lo que podríamos utilizar es, para tomar exactamente las mismas letras,
ponerle allá F de ‘x’ [se refiere al nombre del eje de las ordenadas]. Es decir,
cambiar aquella, ponerle F(x) en lugar de ‘y’.
En el pasaje 17 Mónica expresa una definición incompleta, pero Brenda la

completa. No hay discusión alrededor de ambas definiciones, aparentemente hay una
aceptación inmediata de las dos por la definición de Brenda. Con esta definición se
acepta que la distribución de probabilidades sí es una función.
Profesor: ¿La relación que establecieron es una función matemática? o sea ¿es función?
¿Recuerdan las propiedades de la función? ¿qué es una función?
Mónica: Que hubiera dos variables.
Brenda: Que para el valor de ‘x’ haya un valor en ‘y’.
Profesor: ¿Y puede haber dos ‘x’ que vayan a dar a un mismo valor de ‘y’?
Ambas: Sí
Profesor: ¿Puede haber una ‘x’ que pueda dar dos valores de y? Es decir, ¿un número de
hijos que de dos probabilidades diferentes?
Ambas: No.
Profesor: Entonces ¿es función o no?
Brenda: Sí, si es función porque para cada número de hijos hay una sola probabilidad.
También hay una comprensión de que la gráfica y la tabla son una forma de
expresar una función. Lo mencionan en los pasajes 15 y 17. Relacionan la gráfica de
una función con la continuidad del trazo (pasaje 14).
Brenda: Aquí [señala el eje de las abscisas] sería, uno, dos,… así hasta nueve.
[Mónica pone la escala en el eje de las abscisas].
Brenda: Luego para arriba, ¿de qué la empezamos? ¿de 0,1, no?
Brenda: Bueno, sería de cero hasta uno y luego ya sería irle poniendo las
probabilidades. A ver, divídelo…
Mónica: A ver, primero mitad y mitad. Punto cinco…
[Brenda dicta los valores a Mónica y ella los va colocando en la gráfica].
Mónica: ¿Hacemos la gráfica?
Brenda: Sí, hay que hacer la gráfica.
[Brenda une los puntos]
En el pasaje 16 vuelven a hacer énfasis en que no conciben una gráfica en la que

no haya trazos, es decir, que haya sólo puntos.
Brenda: Bueno es que sí es cierto, se supone que nada más serían los que te están
dando. Las coordenadas que te está dando la gráfica únicamente son estos
[señala los puntos de la gráfica] no son mitades ni nada de eso, sólo los
enteros.
246
Entrevista clínica
Mónica: Entonces para qué es la gráfica si vamos a dejar los puntos así aislados.
Brenda: Sí, pero es que realmente no puedes sacar la probabilidad de 0,5.
Mónica: Sí, no puedes tener 8,5 hijos, es lo que yo digo.
Brenda: Pero por ejemplo, o sea, o sea, la gráfica sí está abarcando todo, sí está
abarcando todo este espacio.
[Ambas se quedan calladas un rato].
Blanca: ¿Entonces están de acuerdo en que ese es el dominio? [refiriéndose al [0,9],
que ellas habían escrito en el pizarrón]
Ambas: Sí.
En el mismo pasaje 16, ellas mencionan que su grafica sería igual si la variable
fuera continua o fuera discreta, la diferencia sería que en una continua los decimales sí
tienen sentido y en una discreta no, pero no les importa demasiado que la gráfica
represente de una manera más fiel la situación problema.
Blanca: ¿Por qué lo encerraron en un corchete? ¿qué significa eso?

Mónica: Que va de… incluye del 0 todos los números, todos los números, hasta el 9.
Cerrado.
Blanca: ¿Todos los números?
Mónica: Entre el cero y el nueve, sí.
Blanca: ¿Todos los números que hay entre cero y nueve?
Mónica: Sí.
Blanca: Cuatro punto cinco está cero y nueve.
Mónica: Pues también es parte porque... No está en la gráfica, pero está en el dominio.
Igual, esto [señala el 4.5 en el eje de las abscisas y traza con el lápiz su
proyección hacia la gráfica y después hacia el eje de las ordenadas] no tiene
un valor escrito pero sí existe.
Lo mismo ocurre con el dominio, se dan cuenta que hay una incoherencia
cuando quieren interpretar la gráfica (porque unieron los puntos con líneas) en el
contexto del problema puesto que no pueden calcular el valor de la probabilidad
(variable dependiente) para valores fraccionarios. Sin embargo consideran necesario
tanto la unión de los puntos como la inclusión de números decimales en el dominio con
la aclaración de que no se tomarían en cuenta puesto que no pueden obtener las
coordenadas de esos puntos. La continuidad en la gráfica y en el dominio la justifican a
través de su experiencia en sus clases de matemáticas. Se dan cuenta de que la variable
independiente no puede tomar valores decimales, pero eso no las decide a cambiar su
gráfica.
Por otro lado, se dan cuenta que la representación algebraica de esta función no
es fácil de obtener, pero el argumento para no obtenerla a través de una regresión apunta
a que están pensando en una regresión lineal y a que su dominio está limitado (no va
247
más allá de nueve hijos). Además vinculan esta dificultad con el hecho de que los datos
están determinados por factores ajenos a las matemáticas. En el pasaje 17 dicen que
podrían obtener la expresión algebraica de la tabla si aumentara el número de hijos
conforme aumenta la probabilidad, porque usarían regresión, pero como eso no ocurre,
entonces no pueden obtenerla.
Mónica: Sin embargo estaba pensando ahorita ¿Cómo le podemos hacer? Lo primero
que pensé fue regresión, hacer una regresión y encontrar una ecuación, pero
después dije no, porque no tiene nada que ver el número de hijos con las
personas, no es de que entre más hijos más personas haya sino de que pueda
haber… si va disminuyendo, no va a llegar un momento en que se va a acabar,
porque son hijos si fueran otros datos como dinero o alguna otra variable,
puede que sí, pero como hijos no, pero como en, no sé, 15 ya se va a acabar, a
partir de 3 va a ir disminuyendo.
En el pasaje 21 dicen que los datos que se manejan aquí no están determinados
por una ecuación sino por las circunstancias, «por el azar, yo creo». Creen que la
distribución de probabilidades es diferente a la función algebraica manejada por ellas en
cursos de matemáticas porque el valor de ‘x’ no controla a la ‘y’, en el sentido de que no
tiene un comportamiento que se pueda predecir a través de una ecuación. Se extrañan
que la función no sea en cierta medida conocida o controlable. Y creen que esto es lo
que la hace diferente de otros contextos manejados por ellas en matemáticas. Es decir,
vinculan las funciones «normales» (determinísticas) con una ecuación.
Mónica: ... en otro tipo de gráficas normales a cada valor en ‘x’ corresponde un valor
en ‘y’, es decir, tiene un comportamiento esperado, dependiendo de la gráfica,
no nada más gráfica recta, que puede ser logarítmica o exponencial o
polinómica, cualquier tipo de gráfica, pero para cualquier valor en ‘x’ se
espera uno en ‘y’. Aquí no, para un valor en x, no sabes cuál va a ser el valor
en ‘y’, puede ser más grande, más chico, es algo que no está controlado. La ‘x’
no controla a la ‘y’.
En el mismo pasaje 21, más adelante, lo vuelven a explicar.

Mónica: Cualquier expresión, cualquier ecuación se esperaría que tuviera cierto
comportamiento, aquí no, por ejemplo, si por ‘x’ o ‘y’ razón no hubiera
familias con 3 hijos, ahí iría para abajo otra vez la gráfica y no por eso estaría
mal la gráfica.
8.2.3. Discusión de los resultados obtenidos en el objeto probabilidad
En la primera parte de los pasajes anteriores se puede observar un buen manejo del
cálculo e interpretación de la probabilidad clásica y de su expresión tanto decimal como
248
Entrevista clínica
fraccionaria y de dos axiomas de la probabilidad. Así mismo tienen un correcto manejo

de la probabilidad como el grado de certeza de la recomendación que darían. Sin
embargo usan repetidamente el término ‘número de hijos’ para referirse a la
probabilidad.
Konold, Pollatsek, Well y Gagnon (1997) reportan que los estudiantes
generalmente se centran en la comparación de frecuencias absolutas en lugar de en las
relativas al comparar dos conjuntos de datos. En nuestro caso es posible que no sea tan
evidente que la probabilidad es variable dependiente en la distribución de probabilidad.
Pero esa confusión también puede ser ocasionada por la dificultad de asignar un valor
de probabilidad a la variable aleatoria, es decir, por la construcción de la distribución de
probabilidad. Detengámonos a analizar esta postura.
En la actividad propuesta, pedimos a las estudiantes, que, una vez realizado el
cálculo de la probabilidad de los eventos, trabajaran con la distribución de
probabilidad2. El planteamiento formal de la pregunta constituyó un problema. Ellas no
podían pasar directamente del valor de la variable aleatoria (un número de hijos) a la
probabilidad, pues en ello interviene una composición de funciones que ellas
inconscientemente quisieron obviar. Necesitaban regresar a preguntarse por el
significado de la variable aleatoria en el espacio muestral. Es claro que las estudiantes
no pensaron que la probabilidad y la frecuencia (casos favorables) son lo mismo, sino
que a partir del número de trabajadores pueden calcular la probabilidad. La dificultad se
traduciría en que ellas no podían abstraer (descontextualizar, desde la perspectiva de
Chevallard, 1985) en dos sentidos:
 No podían desvincular la probabilidad de su cálculo a través de la regla de
Laplace, y por lo tanto olvidar su interpretación como la razón entre los
favorables y los posibles (en sus palabras: «¿cuántos de cuántos?»).
 Inconscientemente no podían desligar el valor de la variable aleatoria
(número de hijos) de los eventos compuestos (trabajadores con ese número
de hijos). Esto repercutió en que no representaban el conjunto de los
trabajadores con un número (el valor de la variable aleatoria
correspondiente).
Así, la asignación de probabilidades a los valores de la variable aleatoria y, por

lo tanto, el establecimiento de la distribución de probabilidad (como objeto
matemático), pasa por dos etapas que requieren, la contextualización y
descontextualización del valor de la variable aleatoria en el espacio muestral y la
2
Esto se pidió en las preguntas «¿Qué depende de qué: el número de hijos depende de la probabilidad o
al revés? ¿Cuál de estas dos variables sería la variable dependiente y cuál la variable independiente?».
249
descontextualización de la probabilidad de los eventos del espacio muestral (Figura

5.8).
Asignación de
probabilidad Probabilidad
Descontextualización
Eventos
Experimento compuestos
aleatorio
Descontextualización
Característica
Contextualización
Situación Espacio Distribución
problema de interés muestral de
probabilidad
Variable
aleatoria
Valores de la
variable aleatoria
Figura 5.8. Proceso de contextualización y descontextualización de la asignación de

probabilidad a la variable aleatoria y el establecimiento de la distribución de
probabilidad.
En este proceso las estudiantes podían contextualizar bien el objeto matemático,

valor de la variable aleatoria, pero tenían dificultades para descontextualizar. Pudieron
pasar de un valor de la variable aleatoria (número de hijos) al contexto, conjunto de
trabajadores que tenían ese número de hijos. Pero no fue tan sencillo pasar del contexto
a un objeto matemático, es decir, representar a los trabajadores como un valor de la
variable aleatoria (número de hijos que tenían)3.
Así mismo, pudieron interpretarla la probabilidad en el espacio muestral
(¿cuántos de cuántos?), pero no la formulaban como un solo número y por lo tanto no
la desligaban del espacio muestral ni la asignan a la variable aleatoria, es decir, no
podían descontextualizarla. Es posible que su correcta interpretación de la probabilidad
laplaciana las haga ver a la probabilidad como dos números y no como uno (30 de 200).
Es decir, este conocimiento que podría llamarse exitoso desde la perspectiva de la
probabilidad laplaciana, sería un obstáculo a superar en la construcción de la
distribución de probabilidad y la función de distribución. A este respecto, Sierpinska
(1992) basándose en diversos obstáculos epistemológicos, reporta la necesidad de
generalización y síntesis de la noción de número como una de las categorías a
considerar en la comprensión del concepto de función en un contexto determinístico.
3
Desde esta perspectiva, la aplicación de la inversa de la variable aleatoria sobre los valores que toma, es
una contextualización de esos valores en el espacio muestral.
250
Entrevista clínica
Así mismo, Fischbein y Gazit (1984) nos alertan sobre las divergencias entre el
pensamiento probabilístico y el razonamiento proporcional, a tal grado que sugieren que
ambos están basados en distintos esquemas mentales.
Otra explicación de la dificultad es que la distribución de probabilidad es algo
abstracto, en cambio la variable frecuencia de trabajadores con un cierto número de
hijos es más concreta para ellas. Esta dificultad para descontextualizar también se
presenta cuando ven el dominio limitado a los datos dados en el problema, sin
considerar que la distribución de probabilidad daría valor cero a la probabilidad del
número de hijos mayor a 9. Esto último está de acuerdo con su idea de no incluir el cero
como parte de los valores que puede tomar la probabilidad.
Una situación contraria se observa cuando se niegan a aceptar que la matemática
sirve para representar la realidad, como si las representaciones matemáticas no tuvieran
que estar vinculadas con un problema sobre todo en este contexto discreto. Incluso no
encuentran contradicción en considerar que el número de hijos pueda tomar valores
decimales, que no tienen sentido en el contexto del problema, pero que está de acuerdo
con el contrato didáctico establecido en lo referido a las gráficas funcionales de sus
cursos de matemáticas. Llegan a mencionar que la gráfica de una función sería la misma
para variables discretas o continuas. Al obtener el dominio a partir de la gráfica de la
función, donde unieron con líneas los valores puntuales, también cometen un error
aunque saben que no pueden calcular la probabilidad para un número fraccionario de
hijos.
A este respecto, García (2007), quien trabajó en un contexto determinista,
reportó que todos los profesores de su estudio consideraron que los modelos
matemáticos (en particular, la función lineal) son continuos por definición y que sólo a
partir del estudio de la validez del modelo matemático, establecido previamente, en el
contexto donde se va a utilizar pueden surgir variables discretas.
En sus estudios a lo largo de 10 años sobre el «sesgo de equiprobabilidad»,
Lecoutre (1992) concluyó que ninguno de los factores estudiados, incluyendo la
formación de los estudiantes en teoría de probabilidad, tiene un efecto fuerte sobre ese
sesgo. En cambio la caracterización de los modelos cognitivos usados por los
estudiantes, indican que este error está vinculado con la incapacidad de los estudiantes
para asociar razonamiento combinatorio y lógico con situaciones en donde interviene el
azar4. Desde la perspectiva de Lecoutre, la principal dificultad de los estudiantes radica
4
Para probar su hipótesis, realizó una investigación en donde los estudiantes se enfrentaron a dos
problemas que requerían el empleo de la misma herramienta matemática, sólo que en uno de los
problemas se enmascaró el aspecto «azaroso» y el otro era un «típico problema de azar». La proporción
de respuestas correctas en el primer problema fue mucho mayor (75% contra 45%).
251
en la vinculación de las situaciones aleatorias con la equiprobabilidad, que viene de la

aplicación de la regla de Laplace, pero no es aplicable en todos los casos y cuando lo es,
sólo lo es en sucesos simples. Algunas veces, en cambio, los estudiantes lo aplican a los
valores de la variable aleatoria o a sucesos compuestos. Esto es podría ser un indicio de
la dificultad para contextualizar los valores de la variable aleatoria o los sucesos
compuestos en el espacio muestral.
Ello es un indicador de la complejidad de los procesos de contextualización y
descontextualización que tienen lugar en las situaciones aleatorias para vincular el
modelo matemático con la realidad y explica la ruptura entre el mundo matemático y el
real en situaciones en las que interviene el azar que hicieron las estudiantes de nuestro
estudio.
8.3. Objeto de análisis: Variable aleatoria

Aquí trataremos de explorar los tres momentos más importantes del papel que
juega la variable aleatoria en la construcción del modelo de distribución de
probabilidad: (Figura 5.9). Observemos que en la resolución del problema, la variable
aleatoria será el producto de un esfuerzo de síntesis de la integración del conocimiento
estadístico y del contexto, de acuerdo con la segunda dimensión del marco de
pensamiento estadístico de Wild y Pfannkuch (1999). La variable aleatoria en el
problema es, por tanto, la intermediaria entre las constantes conexiones entre el contexto
y los resultados de los análisis para acceder a los significados de tal análisis.
¿Cómo usa el estudiante la variable aleatoria (y
su relación con la probabilidad) para establecer
la función de distribución?
Situación problema Función de distribución
¿Establece el estudiante esta Variable ¿Percibe el estudiante la variable

pregunta? ¿La relaciona con la aleatoria como aleatoria como variable independiente
variable aleatoria? regla de en la distribución de probabilidad?
correspondencia
Valores
Pregunta
numéricos
de
asociados a la
interés
variable aleatoria
Figura 5.9. Descripción del objeto de análisis ‘La variable aleatoria’
252
Entrevista clínica
Las componentes, de acuerdo a la Tabla 5.7, que nos permitirán analizar los
procedimientos y concepciones de los estudiantes en el objeto variable aleatoria son: su
concepción propiamente como función, el valor de la variable aleatoria como número
vinculado a una probabilidad y como variable independiente dentro de la distribución de
probabilidad. Además, dentro de este objeto de análisis incluiremos el lenguaje
matemático usado por los estudiantes.
8.3.1. La variable aleatoria en el problema
En el pasaje 9, ya comentado, ambas alumnas piensan que la mejor solución a la

pregunta de cuántos boletos comprar sería 5 boletos, basándose en que esto es «lo más
probable». Por tanto hacen uso explícito de la idea de que el número de hijos es una
variable, al mismo tiempo que su respuesta indica que son consientes que el valor de
esta variable está vinculado a la aleatoriedad.
En el pasaje 12, Brenda interpreta la distribución para explicar por qué
recomiendan el valor que tiene la mayor probabilidad, de qué manera este valor
soluciona el problema y como ésta se representa en la tabla de datos dada. Interpretar el
contexto se le facilita más que manejar las frecuencias al señalar la acumulación de la
mayor parte de los trabajadores.
Brenda: Como además, se encuentran más concentrados los trabajadores en esa parte
[señala los renglones de la tabla correspondientes a trabajadores con 3 hijos
o menos] hay más posibilidades de que no vaya a perder tanto porque más del
50% [de los trabajadores] se juntan en ese espacio. No podemos asegurarlo
pero es más factible, puede que suceda más, que salga más una de estas
personas [señala los renglones correspondientes a los trabajadores con más
de 3 hijos], es más fácil que del resto porque son más, son mayoría.
En el pasaje 10 Brenda se comenzó a fijar en otra característica de la variable

aleatoria: la probabilidad acumulada del complemento. Ella comienza a dudar porque se
percata de a cuántos trabajadores podrían no alcanzarles los boletos.
Brenda: Bueno, yo diría eso, comprar los 5, pero también existe la probabilidad de que
no vaya a completar después.
En el pasaje 10 Brenda relaciona las probabilidades acumuladas con la

probabilidad que les interesa analizar en el problema. Ella introduce las probabilidades
acumuladas (aunque usa también la frecuencia acumulada: «el número de trabajadores
hasta aquí») para argumentar una solución diferente a los 5 boletos. No efectúa las
operaciones, sólo hace aproximaciones.
253
Brenda: Aunque bueno, también por decir un margen más grande sería... bueno más
seguro sería comprar los 9, porque si te fijas, de aquí hasta acá [señala en la
tabla la columna de probabilidades las correspondientes de 0 a 6 hijos] es
donde se ocupa la mayor parte, de 0 a 6 es donde se está ocupando la mayor
parte inclusive [se podría tomar] un poco más, ya en la de 7 hijos que es
donde llega a 9 [es decir, añadiría los trabajadores que tienen 7 hijos], o sea,
es donde está la mayor probabilidad, ésta es muy poquita [señala la
probabilidad de que se tengan 8 ó 9 hijos]. Estos dos tienen muy poquita
probabilidad y serían 7 más los... que serían... Si te fijas realmente ya nada
mas tendrías un margen de 13 o sea muy pocos.
Como ya notamos en el punto 8.2.3 y en los pasajes arriba citados, el uso de la

variable aleatoria requería que las estudiantes regresaran constantemente a los eventos
compuestos. Posteriormente, a partir del pasaje 14, cuando trabajan la distribución de
probabilidad y la función de distribución no tienen mayores conflictos en usar los
valores de la variable aleatoria. Sin embargo, a lo largo de la entrevista recurrieron
constantemente al manejo de la cardinalidad del conjunto de trabajadores (frecuencia)
para interpretar sus resultados, en lugar del valor de la variable aleatoria que tomaría ese
conjunto de trabajadores.
8.3.2. La variable aleatoria como función
La actividad no permitió que las estudiantes plantearan la regla de correspondencia

asociada a la variable aleatoria puesto que se les proporcionaba estaba en el enunciado
del problema. Como ya dijimos, la interpretación de la variable aleatoria fue exitosa en
la medida que ellas pudieron visualizar bien lo que significaba en el contexto del
problema, pero no facilitó la descontextualización de los objetos matemáticos, ni
tampoco que aceptaran que las matemáticas podrían responder a un contexto.
Al preguntarles por el rango y dominio en la distribución de probabilidad, en el
pasaje 16 asocian las cotas superiores e inferiores del rango y el dominio con los valores
más grandes y más pequeños que pueden tomar las variables al interpretar la grafica.
Profesor: Bueno, la que sigue. Describe el dominio de la variable independiente y el

rango de la variable dependiente.
Mónica: Pues de 0 a 9 es el dominio de la independiente y el rango de la dependiente
sería de 0,025 a 0,225 [escribe en el pizarrón [0,9] y [0,025, 0,225]].
El dominio de la distribución correspondería a la imagen de la función variable

aleatoria, de modo que no tendría sentido incluir valores decimales y sin embargo, como
ya lo hemos mencionado, las estudiantes incluyen valores decimales en el dominio.
254
Entrevista clínica
No creen en una necesidad del orden en la variable independiente de la

distribución. Más bien ven a los números como etiquetas. Los valores de la variable
aleatoria aparecen en un orden ascendente en su tabla y en su gráfica, pero lo hacen
porque así lo han hecho siempre en sus cursos de matemáticas. Argumentan que podrían
estar ordenados de otra forma, por ejemplo de menor a mayor probabilidad o al revés o
que incluso los valores de la variable aleatoria podrían haberse ordenado de manera
descendente. Explican que los valores de la variable ‘número de hijos’ se presentarán
aleatoriamente en caso de efectuar varias veces el experimento volviendo a introducir el
papel en la tómbola (pasaje 20). Se observa, también, un buen manejo de la noción de
aleatoriedad y un salto directo de la variable aleatoria al experimento sin pasar por los
conjuntos de trabajadores. Esto es, vinculan el resultado del experimento aleatorio con
el número de hijos directamente, lo que facilita que vinculen directamente la
probabilidad con el número de hijos.
Brenda: … bueno en este caso sí va así seguido [se refiere a los valores de la variable
aleatoria], pero a lo mejor hay casos en que no había nadie con 6 hijos
entonces la variable ya no tendría que ser toda seguida.
Mónica: Pues obviamente sí se pueden ordenar siempre las variables [se refiere a los
valores que puede tomar la variable], así de menor a mayor y de mayor a
menor también [señala los valores de la probabilidad], pero eso no significa
que de mayor a menor van a ir creciendo o van a ir disminuyendo igual [si se
repite muchas veces el experimento aleatorio], o sea, el que aquí sea de menor
a mayor [se refiere a los valores de la variable aleatoria en la gráfica], el que
estén ordenadas, no significa que también estén creciendo uniformemente [se
refiere al efectuar varias veces el experimento].
En el pasaje 21 hay un momento en el que Mónica describe las relaciones que se

establecen entre las variables de este problema para determinar la variable aleatoria.
Menciona la regla de correspondencia y el proceso que se lleva a cabo para obtenerla de
manera correcta y detallada y se muestra que conoce la naturaleza del objeto
matemático que está manejando. Ella utiliza un razonamiento regresivo (Polya, 1965).
Brenda: No, porque adentro de la tómbola están los trabajadores. Es que se supone que
del número de hijos… por decir…¿cómo lo explicaré?
Mónica: O sea no está el número de hijos, de que uno, dos, sino que está un trabajador
y tú, a ver cuántos hijos tienes. No pues que dos. Está implícito adentro del
trabajador.
Brenda: Sí, ándale. O sea no hay papelitos que digan uno, dos, tres, …
Mónica: No, sino que sale, Juan Ramírez y tú, a ver, cuántos hijos tienes, no pues que
tres, a corresponde a… [señala el eje de las ordenadas en la gráfica] y ya.
255
Brenda: O sea que dentro de los papelitos que están en la tómbola, están los [valores]
posibles o sea estos [señala la escala del eje de las abscisas].
Se dan cuenta que el fenómeno aleatorio está relacionado con la elección de un

trabajador y que la situación problema es la que condiciona qué pregunta se le haría al
trabajador y la partición del espacio muestral (la característica de interés). Ellas logran
este aprendizaje para este problema, pero no se puede garantizar a otras situaciones.
8.3.3. La variable aleatoria y su distribución de probabilidad
Las alumnas indican que el dominio de la variable aleatoria es el conjunto de números

entre 0 a 9 y el rango de la probabilidad sería de 0,025 a 0,225 (escriben en el pizarrón
[0,9] y [0,025, 0,225]). A pesar de que anteriormente habían mencionado la
probabilidad cero, a la hora de definir el dominio y el rango no lo toman en cuenta, ni
tampoco mencionan la posibilidad de que haya 10 o más hijos. Para ellas la distribución
incluye el intervalo entre 0 y 9 (pasaje 16), no lo hacen con fines de extender la
probabilidad de la distribución de probabilidad, sino porque piensan que en el ámbito
matemático todas las gráficas de las funciones son continuas. Esto se observa en el
pasaje 16.
Brenda: Bueno es que sí es cierto, se supone que nada más serían los que te están
dando. Las coordenadas que te está dando la gráfica únicamente son estos
[señala los puntos de la gráfica] no son mitades ni nada de eso, sólo los
enteros.
Mónica: Entonces para qué es la gráfica si vamos a dejar los puntos así aislados.
Brenda: Sí, pero es que realmente no puedes sacar la probabilidad de 0,5.
Mónica: Sí, no puedes tener 8,5 hijos, es lo que yo digo.
Brenda: Pero por ejemplo, o sea, la gráfica sí está abarcando todo, sí está abarcando
todo este espacio.
Blanca: ¿Entonces están de acuerdo en que ese es el dominio?
Ambas: Sí.
En el pasaje 18 las diferencias inmediatas que ambas estudiantes encuentran

entre las variables manejadas en la distribución de probabilidad y otras variables
independientes con las que ellas han trabajado radican principalmente en la rareza de los
datos discretos y en que es muy restringido el intervalo de valores que puede tomar.
Profesor: ¿Qué diferencia encuentras entre la variable independiente de esta distribución

de probabilidad y las variables independientes de las otras matemáticas que tú
conoces, por ejemplo del álgebra y del cálculo?
Mónica: Qué es limitada.
256
Entrevista clínica
Profesor: Supongamos que tiene un sentido «más hijos» indefinida, aun así ¿Hay más
características? ¿Es la única característica que ustedes encuentran entre esta
función y las otras variables independientes de álgebra y cálculo?
Mónica: Lo de los decimales.
También se observa que vinculan la función con un registro algebraico, que ven
como otra diferencia entre las funciones que han trabajado en anteriores cursos de
matemáticas y el contexto de esta actividad. En el pasaje 19 mencionan que otra
diferencia es que no pueden obtener la ecuación a través de la cual se relacione la
variable dependiente con la independiente. Esto lo vinculan con la «exactitud» de la
variable dependiente, es decir, a partir de la variable independiente no pueden calcular
la dependiente de manera exacta (porque sólo puede ser obtenida a partir de la tabla o de
la gráfica).
Profesor: Qué más, piensen ¿Habrá alguna característica más que distinga esta variable
de las otras que trabajan en matemáticas?
Brenda: Normalmente en álgebra manejamos ecuaciones. Todas las gráficas se
manejan por ecuaciones, todos los valores de ’y’ se van a dar por la ecuación.
Aquí los valores de y también se dan según una ‘x’, pero no tienen una
ecuación, son así como… aleatorios. No llevan un patrón así seguido.
En los pasajes 21 y 22 también se observa esta tendencia a querer interpretar una

función a través de una ecuación. Aquí interpretan la palabra «predecir» como obtener
el valor de la probabilidad de otro número de hijos, es decir, otros puntos de la gráfica
que les indiquen cuál sería su comportamiento después del 9.
Mónica: Las otras son constantes, continúas, se espera que sigan y que vayan, en
cambio esta no sabes, no puedes predecir algo.
Expresan que aunque sí podrían sacar una ecuación, no tendría sentido en el

contexto del problema (pasaje 19). Observemos que en el diálogo citado arriba:
Brenda: Normalmente en álgebra manejamos ecuaciones. Todas las gráficas se

manejan por ecuaciones, todos los valores de ’y’ se van a dar por la ecuación.
Aquí los valores de y también se dan según una ‘x’, pero no tienen una
ecuación, son así como… aleatorios. No llevan un patrón así seguido.
Piensan que si no tienen un «patrón» no pueden obtener la ecuación. Relacionan

esa carencia de patrón con un comportamiento aleatorio, pero atañen ese
comportamiento aleatorio a la variable dependiente (es decir a la probabilidad) porque
es ella la que no pueden calcular.
Brenda: Bueno más que la variable independiente diferente, como que es la variable
dependiente la diferente, porque no podemos establecer cuál será la
257
dependiente [se refieren al valor que tomaría esa variable]. A diferencia del
álgebra, con la independiente podías sacar la dependiente exactamente y en
este caso no, son datos que te están dando y tú no puedes... es muy aleatorio,
es más difícil que con álgebra. Con álgebra tú podías sacar ‘y’ con la ecuación
y aquí no.
Ellas vinculan la incertidumbre con la probabilidad más que con la variable

aleatoria. Interpretan esa «aleatoriedad» con el no tener una ecuación para poder
calcular la ‘y’ (probabilidad). Los valores de la variable aleatoria para ellas son números
que se debería poder sustituir en una ecuación para obtener el valor de la probabilidad.
En el pasaje 21 vuelven a retomar esto.
Mónica: Yo también estoy de acuerdo con ella en que la que varia es la variable
dependiente. Varía de forma inconstante o impredecible.
Blanca: Pero ¿por qué impredecible?
Brenda: Sí, porque este valor no es algo que esté dado por una…
Mónica: Función.
Brenda: Sí, por una función, por una ecuación, sino que porque son datos que así se
dan o sea que, que pueden ser más o que pueden ser menos, que nos están
determinados por algo sino por las circunstancias, por el azar yo creo.
En el pasaje 20, ellas mencionaron que los valores de la variable aleatoria no

tienen que presentarse continuamente en caso de realizar varias veces el experimento,
ya que no pueden saber en realidad en qué orden se presentará.
Profesor: Entonces ¿habrá orden de aparición en el número que salga de la tómbola?

Brenda: O sea de que primero saque uno y salga uno, después vuelva a sacar y salga
dos y así, pues no, no lo hay.
Sin embargo en el pasaje 21 no vinculan, de manera explícita, el número de hijos

con la aleatoriedad. Ni tampoco se cuestionan por qué en el eje de las abscisas ellas
colocaron los valores que puede tomar la variable aleatoria en forma ordenada. Cuando
ellas mencionan las palabras: «aleatorio» y «azaroso» se refieren al valor que tomará la
probabilidad:
Mónica: Ajá, porque [los datos] pueden estar determinados por diferentes factores por
ejemplo, esa población puede haber tenido tres hijos porque se localizaba en
México o en Estados Unidos en donde la mayoría de las personas tienen tres
hijos, pero en poblaciones de otros lugares donde el número de hijos crece por
persona, la gráfica ya no iba a ser igual. En cambio si hablamos de dinero,
bueno, no tanto de dinero, sino de otro tipo de cosas como habíamos visto
antes [se refería al curso de matemáticas que acaba de llevar con el profesor],
sí se espera algo, pero aquí el número de hijos… En este tipo de gráficas en
258
Entrevista clínica
donde están midiendo el azar, no podemos saber cuándo va a bajar y cuándo

va a subir, no tiene un comportamiento predestinado.
Blanca: ¿La variable dependiente? ¿la probabilidad?
Ambas: Sí.
En otro momento de ese mismo pasaje aseguran que los valores de la variable
aleatoria serían no predecibles sólo si la probabilidad de que tome ese valor fuera cero:
Mónica: ... a lo mejor hay casos en que no habría nadie con 6 hijos, entonces la variable
ya no tendría que ser toda seguida [se refiere a la numeración en el eje de las
abscisas].
Como si en tal situación el valor de «6» se pudiera quitar del eje de las abscisas,
puesto que no hay nadie que tenga ese número de hijos. Esta idea se expresa más
claramente en el pasaje 22 cuando intentan dar un nombre general a las variables
independientes de este tipo y Mónica sugiere llamarla «impredecible».
Brenda: No, la impredecible es y.

Mónica: No, pero también es x.
Blanca: ¿Por qué esta también es impredecible?
Mónica: No, inexacta… ¡Porque! Por… porque a lo mejor podemos quitar el dos, a lo
mejor no hay familias con dos hijos y si no hay, no tiene caso….
Incontrolable, no.
En estos casos con probabilidad cero, piensan que la numeración en el eje de las
abscisas (los valores de la variable aleatoria) podría ser no seguida. Vinculan lo
impredecible con la variable aleatoria, pero no por su relación con el sorteo sino porque
podrían saltarse algunos «valores». Esto es coherente con su creencia de que lo aleatorio
es la probabilidad.
Relacionar la aleatoriedad con una incapacidad de cálculo las induce a utilizar
una noción errónea de aleatoriedad porque aunque ellas pudieran calcular todos los
valores de probabilidad a través de una ecuación, eso no haría que supieran cuál es el
trabajador que saldría seleccionado. Esta idea la argumentan varias veces a lo largo del
pasaje 21.
Relacionan los datos «humanos» (es decir, los obtenidos a través de la
experiencia) con la «inexactitud» de la función que están manejando. Piensan que no es
posible modelar los datos que tienen a través de una ecuación porque son datos
obtenidos a través de un censo y no de una ecuación. Están manifestando una creencia
de que las ecuaciones no se obtienen a partir de «datos reales» y precisamente por eso
creen no posible obtener una a partir de los datos que están manejando.
259
Mónica: Aunque sí se observa [señala la gráfica de la distribución de probabilidad]

que primero crece y luego ya disminuye, disminuye y como son hijos y como
somos humanos son funciones más o menos, o sea va a ir disminuye y
disminuye hasta que llegue a 12 y ya. En ese caso pero por ejemplo más datos
humanos como… número de personas divorciadas o cuántos se han casado,
ahí no sería viable sacar una ecuación porque no te iba a decir nada.
Brenda: Bueno en realidad sí puedes sacar una ecuación, pero eso no te daría… no
sería muy exacto. Esa es la diferencia, que no te pueden dar datos exactos.
Esta interpretación indica que las estudiantes no están pensando únicamente en

la situación planteada, sino en una generalización para cualquier situación. Ellas piensan
que una ecuación no debe servir para un caso sino para muchos (en este contexto para
muchas fábricas), de manera que les causa conflicto pensar que no pueden determinar
cuántos trabajadores tendrían un cierto número de hijos (y por lo tanto la probabilidad)
en todas las fábricas con una sola ecuación. En el pasaje 21 esto se observa con más
claridad, aunque a partir del pasaje 20 se repite en varios pasajes.
Mónica: Yo también estoy de acuerdo con ella en que la que varia es la variable
dependiente. Varía de forma inconstante o impredecible.
Blanca: Pero ¿por qué impredecible?
Brenda: Sí, porque este valor no es algo que esté dado por una…
Mónica: Función.
Brenda: Sí, por una función, por una ecuación, sino que porque son datos que así se
dan o sea que, que pueden ser más o que pueden ser menos, que nos están
determinados por algo sino por las circunstancias, por el azar yo creo.
Mónica: Ajá, porque pueden estar determinados por diferentes factores por ejemplo,
esa población puede haber tenido tres hijos porque se localizaba en México o
en Estados Unidos en donde la mayoría de las personas tienen tres hijos, pero
en poblaciones de otros lugares donde el número de hijos crece por persona, la
gráfica ya no iba a ser igual. En cambio si hablamos de dinero, bueno, no tanto
de dinero sino de otro tipo de cosas como habíamos visto anteriormente [se
refiere al curso de cálculo que acaba de llevar con el profesor], sí se espera
algo, pero aquí el número de hijos… En este tipo de gráficas en donde están
midiendo el azar, no podemos saber cuándo va a bajar y cuando va a subir, no
tiene un comportamiento predestinado.
Además, se observa una vinculación entre una ecuación y la predicción. Por eso
para ellas la incapacidad de cálculo está vinculada con la incertidumbre (no saben qué
pasará en otras circunstancias). En otras fábricas el valor del número de hijos (1, 2, 3,...
9) sería el mismo a menos que la probabilidad de tener un cierto número de hijos fuera
cero, en cambio los valores exactos de la probabilidad cambiarían. Vinculan las
260
Entrevista clínica
ecuaciones con poder predeterminar resultados sin necesidad de adentrarse a la

situación.
8.3.4. Lenguaje utilizado
En el pasaje 15 la notación de las variables que proponen son las utilizadas comúnmente
en los cursos de matemáticas, ‘x’ y ‘y’. Inicialmente, al mencionar notación funcional,
Brenda relaciona la respuesta con una ecuación o con una expresión algebraica. Se
pregunta si una función sólo está definida a través de una ecuación. Los profesores
aprovechan para explorar sus concepciones de función, pero ellas no se muestran muy
seguras de sus conocimientos al respecto. En un momento de ese diálogo, Brenda se da
cuenta que no necesitan saber la ecuación para dar la respuesta.
Profesor: Representa con una letra la variable dependiente y con otra la variable
independiente.
Mónica: ‘x’ y ‘y’ [las escribe en la gráfica que está en el pizarrón]. Ya.
....
Brenda [dirigiéndose a Mónica]: ¿A qué se refiere con notación funcional? ¿una
ecuación?
[Dudan]
Mónica: ¡Funciones!, F de x, f de…
Profesor: ¿Sería posible eso [se refiere a la gráfica que está en el pizarrón] escribirlo en
notación de funciones? ¿qué es una función? Esa gráfica, suponiendo que
fuera continua, ¿sería una función?
Mónica: Sí.
Profesor: ¿Por qué?
Mónica: Pues como todas [se refiere a los valores involucrados] se corresponden, por
ejemplo f de 3 que corresponde a 0,225, ¿no? Escribe en el pizarrón [F(3) =
0,225]
Profesor: ¿Qué dice Brenda?
Brenda: Pero lo que pide es poner… ¿cómo es la ecuación?
Blanca: ¿Una función nada más se expresa en forma de ecuación?
Brenda: No.
Blanca: ¿De qué otra forma?
Mónica: Por ejemplo. No, una función no necesariamente tiene que ser una ecuación,
por ejemplo está podría ser una función [escribe F(x) = 3x], siendo que no es
una ecuación.
Profesor: Pero esa [se refiere a una ecuación] sería una expresión algebraica, ¿puede
algo que no sea una expresión algebraica, una gráfica o una tabla, ser
función?, ¿tiene que ser una fórmula?
Mónica: La tabla o la gráfica es la representación de una función.
261
Brenda está especialmente preocupada por contestar las preguntas de acuerdo a

las instrucciones planteadas, así, cuando se le pide escribir en notación funcional, no
estará de acuerdo con Mónica porque no está utilizando la notación dada anteriormente.
Después se dan cuenta que están utilizando diferentes nombres para la misma variable,
F(x) y ‘y’, optan por dejarle sólo F(x) porque consideran que con esa letra (F) harían
notar que es una función. La notación funcional la utilizan bien, pero mecánicamente.
Recurren al lenguaje hablado para después usar el lenguaje escrito. Mónica deja ver que
su concepción de función está vinculada con esta notación.
En el pasaje 14 colocan de manera correcta las variables dependiente e
independiente, probabilidad y número de hijos en la gráfica de la distribución, en el eje
cartesiano aunque espontáneamente hay un titubeo en tomar el número de hijos como la
variable dependiente. Utilizan los valores decimales de la probabilidad, no los
fraccionarios. No prevén los valores posibles de su variable dependiente para hacer su
gráfica más visual, así que les queda amontonada en la parte de abajo. Unen los puntos
por líneas.
[Mónica hace unos ejes cartesianos en el pizarrón. En su sistema coordenado

sólo incluyen el primer cuadrante].
Brenda: Aquí sería el número de hijos [señala el eje de las abscisas].
[Mónica etiqueta los ejes: número de hijos y número de trabajadores].
Brenda: No, pero entonces ahí sería la probabilidad [se refiere al nombre de la
variable dependiente].
Brenda: Aquí [señala el eje de las abscisas] sería, uno, dos,… así hasta nueve.
[Mónica pone la escala en el eje de las abscisas].
Brenda: Luego para arriba, ¿de qué la empezamos? ¿de 0,1, no?
Brenda: Bueno, sería de cero hasta uno y luego ya sería irle poniendo las
probabilidades. A ver, divídelo…
Así mismo se presentan otros problemas vinculados con el lenguaje. Por

ejemplo, no ven la necesidad de expresar en la gráfica, más fielmente, el problema. Muy
probablemente se debe a que en el momento que hicieron el análisis ellas sabían
perfectamente la vinculación entre el problema y la matemática. De modo que la gráfica
no resulta ser algo que les sirva para representar la situación problema (pasaje 16).
Otro problema ya mencionado es que prefieren llamar probabilidad al número de
trabajadores. Esto se observa en diversos pasajes, pero principalmente en el 4.
262
Entrevista clínica
8.3.5. Discusión de los resultados obtenidos en el objeto variable

aleatoria
El análisis de la forma en que las alumnas transitan de un contexto a otro al tratar de

profundizar en la herramienta matemática empleada en la solución del problema, nos
lleva a explicar algunas de sus dificultades a partir de la modelación desde la
perspectiva de Heitele (1975), quien considera que en el momento que se genera un
modelo matemático, éste reemplaza a la «realidad» como sustrato operacional y por ello
propone representar las relaciones entre realidad y herramienta matemática en una
estructura de estratos. También tomamos en cuenta la propuesta de Wild y Pfannkuch
(1999), quienes indican que los elementos matemáticos pueden llegar a interiorizarse
que llegan a ser parte integral del pensamiento.
Nuestro modelo tiene dos estratos de modelación en los que los valores de la
variable aleatoria juegan dos papeles diferentes:
 Primer estrato: Vinculación de los eventos elementales con los valores de la
variable aleatoria (aplicación de la regla de correspondencia que la define).
En este estrato, la variable aleatoria es propiamente el «modelo matemático».
Sus valores numéricos son el resultado de aplicar la regla de correspondencia
sobre el espacio muestral, que constituiría la «realidad». Hay un proceso de
descontextualización.
En realidad este proceso involucraría un estrato de modelación anterior en

el cual el resultado sería la generación de un espacio de probabilidad, en el
que se definirían tanto el espacio muestral como la probabilidad
relacionada. El espacio muestral es parte del «modelo» resultante y la
«realidad» del primer estrato de modelación.
 Segundo estrato: La asignación de una probabilidad a cada valor de la

variable aleatoria (la construcción de la distribución de probabilidad). Aquí
los valores de la variable aleatoria vinculan al modelo matemático (la
distribución de probabilidad) con la realidad. El proceso de construcción de
la distribución de probabilidad seguido es complejo (ver sección 8.2.3 de
este capítulo y Figura 5.8).
Desde una perspectiva matemática el proceso al que nos estamos refiriendo en el

segundo estrato implica una composición de funciones no expresadas a través de
ecuaciones, sino a través de varios registros incluyendo la descripción verbal. Según
Engelke, Oehrtma y Carlson (2005) la comprensión de la composición de funciones
requiere que los estudiantes tengan un concepto de función completo, estático como
263
objeto y dinámico como proceso, para coordinar el uso de una función como variable de
otra (pasar de un estrato a otro dentro del proceso de modelación). También mencionan
que el aprendizaje se dificulta cuando la composición de funciones exige cambios de
registro y que uno de los que presenta mayores dificultades es la descripción verbal.
Esto puede explicar las dificultades con la variable aleatoria para lograr verla como un
objeto sobre el cual se puede operar.
En el momento en que las estudiantes logran vincular los valores de la variable
aleatoria con la distribución de probabilidad, también afirman que los valores de la
variable aleatoria no tendrían por qué estar ordenados en forma ascendente. Los
interpretan como los resultados de repetir varias veces un experimento aleatorio, en
lugar de verlos como números reales. A este respecto, Miller (1998) crítica la definición
escolar de variable aleatoria como un valor numérico resultante del experimento
aleatorio, indicando que el valor numérico no siempre es un «resultado» del fenómeno
aleatorio. Sin embargo en esta investigación observamos que interpretar los valores de
la variable aleatoria como el resultado del experimento aleatorio, que es el primer
estrato de modelación, les ayudó a las estudiantes a descontextualizar los valores de la
variable aleatoria del conjunto de trabajadores con un cierto número de hijos. Cuando
argumentan sobre la aleatoriedad del proceso, interpretan los valores de la variable
como su «realidad» en la distribución de probabilidad (segundo estrato de modelación).
Este resultado también apoya la propuesta de Parzen (1971) sobre la forma de introducir
la variable aleatoria (sección 5.3 del Capítulo 4) como el resultado de un experimento
aleatorio.
Sin embargo en nuestro estudio, este también favoreció que el doble papel que
juegan los valores de la variable aleatoria (como resultado de la aplicación de la regla de
correspondencia y como argumento de la distribución de probabilidad) confundiera a las
estudiantes. Puesto que cuando toman los valores de la variable aleatoria como el
resultado del experimento aleatorio, nuevamente están pensando en eventos, no en
números (reales) y por lo tanto la relación que establecen entre la probabilidad y los
valores de la variable aleatoria sigue siendo una función de conjunto (entre la
probabilidad y sus eventos) y no una función vinculada con una variable numérica. De
acuerdo con los resultados de las investigaciones de las dificultades sobre la
composición de funciones de Ayers, Davis, Dubinsky y Lewin (1988), se requeriría que
las estudiantes lograran un grado de abstracción de la variable aleatoria como objeto
estático para hacer inmediato el camino a través de la inversa de la variable aleatoria y
llegar a la distribución de probabilidad. Pero la abstracción reflexiva en ellas no se
concretó suficientemente como lograrlo.
264
Entrevista clínica
Por otro lado, las estudiantes mostraron una comprensión deficiente de la

distribución de probabilidad al adjudicarle un carácter aleatorio, pues aunque la
probabilidad se aplica a sucesos aleatorios, una vez definida matemáticamente, tiene un
valor fijo. Asumimos que el razonamiento erróneo mostrado en las estudiantes es
consecuencia de conocimientos y razonamientos matemáticos exitosos en contextos
determinísticos. Se presenta una fuerte convicción del poder de las operaciones formales
con expresiones algebraicas (Sierpinska, 1992) que proviene de dos creencias primarias:
(1) las ecuaciones no están vinculadas con datos extraídos de la realidad y (2) una
ecuación debe poder generalizarse para servir en varios contextos (Figura 5.10).
Alrededor de esta idea surgen otras dos.
Por un lado, como se observa en la Figura 5.10, las estudiantes argumentan la
inutilidad de la distribución porque no serviría para «predecir» o «predeterminar»
(palabras usadas por ellas) el valor de la probabilidad de otras fábricas. Sin embargo, es
posible que si la situación problema planteada correspondiera a una distribución
conocida (como la binomial), ellas hubieran determinado su fórmula sin preguntarse si
serviría en otros contextos. Probablemente no vieron la utilidad de descontextualizar la
herramienta matemática que emplearon para resolver el problema, porque su objetivo
estuvo únicamente en la solución del mismo y no fue necesario.
DEDUCCIÓN FINAL
DEDUCCIÓN FINAL
La probabilidad no se puede
La probabilidad es
calcular a partir del valor de
aleatoria
la variable aleatoria
CREENCIA
DEDUCEN DEDUCEN
La ecuación debe servir en el
No pueden saber qué La ecuación para esta
contexto de varias fábricas
pasaría en otras fábricas fábrica no tiene sentido
(Necesidad de generalizar)
CREENCIA
Sus datos son muy particulares porque HECHO
Sus datos dependen de la
no provienen de una ecuación
situación de una fábrica
(Necesidad de una ecuación)
Figura 5.10. Razonamiento seguido por las estudiantes para vincular la aleatoriedad
con la incapacidad de cálculo de la probabilidad
Por otro lado, cuando adjudican aleatoriedad a la probabilidad están pensando en

un nivel más amplio: encontrar una ecuación que sirva para muchas fábricas. El
experimento aleatorio sería la selección de una fábrica al azar; la característica de
interés, observar en ella la distribución de las frecuencias de los trabajadores que tienen
265
un mismo número de hijos; el espacio muestral serían las fábricas de una ciudad o un
país. En esta nueva situación nuestra distribución de probabilidad sería una distribución
marginal y pierde su relación con el problema que nos interesa, que se restringe a una
fábrica en particular. Su intento infructuoso por tratar de descontextualizar la
distribución de probabilidad finalmente, desemboca en relacionar la aleatoriedad con
una incapacidad de cálculo.
Históricamente, el concepto de función es protagónico a partir de que se le
concibe como una fórmula, es decir, cuando se logra la interacción de los dominios de
representación geométrico y algebraico. Desde la perspectiva tradicional, en la
enseñanza de éste concepto se tiende a sobrevalorar los aspectos analíticos y los
procedimientos algorítmicos dejando de lado los argumentos visuales o los enfoques
numéricos, por no considerarlos, entre otras causas, procesos plenamente matemáticos
(Cantoral y Farfán, 1998). Por lo que la necesidad de las estudiantes de buscar una
ecuación que representara sus datos podría provenir de la forma en cómo han aprendido
el tema de funciones.
Por último, creemos que las dificultades vinculadas al lenguaje son aplicables al
lenguaje matemático en general y a sus creencias sobre las matemáticas. Así, de alguna
manera, ven la gráfica como un objeto que no está relacionado con el contexto del
problema, algo matemático que vive en sí mismo y no con un fin práctico.
8.4. Objeto de análisis: Solución del problema

En este apartado se analizarán las estrategias y rutas de solución para resolver el
problema, las principales dificultades, la simbología y el lenguaje utilizados y los
objetos matemáticos utilizados. Puesto que algunas estrategias exigen razonamientos
que se discuten en pasajes muy largos de la entrevista, no incluimos todos pasajes en
nuestro análisis, sino remitimos al Anexo 3 para su lectura.
8.4.1. Estrategias y recursos en la solución del problema
En el pasaje 8 se observa que la solución inmediata es determinista, pues las estudiantes

desvinculan la decisión de comprar el número de boletos con el sorteo y quieren que su
recomendación sea exacta. Se les dificulta un poco dar una recomendación en términos
de lo más probable. En su solución inicial no usan los datos de la tabla, sólo expresan
que comprarían dos y esperarían el resultado de la rifa para comprar los que hagan falta.
Esta postura es defendida principalmente por Mónica.
266
Entrevista clínica
En el pasaje 9 Brenda sugiere comprar 5 boletos y argumenta que es el valor más

probable (puesto que 3 es la moda de la distribución de probabilidad y añade dos
boletos para los padres). Mónica insiste en comprar sólo 2 para no hacer perder a la
empresa, sin embargo cambia de opinión con un supuesto que antes no habían utilizado:
los boletos tienen que comprarse por anticipado. El profesor tiene que imponer ese
supuesto, pero es Mónica la que se da cuenta que necesita conocer ese dato del que no
se habla explícitamente en el problema.
Mónica: Si, hay mucha probabilidad. Pero y si te salen por ejemplo estas [señala los
trabajadores con menos de tres hijos]. Ah profe, es que eso es lo que le
preguntaba; lo que yo le estoy preguntando es muy importante porque, en caso
de que yo compre dos me van a faltar, pero si tengo que comprar los exactos
que lo menos pierda o puedo comprar ya después boletos.
Profesor: Ya no, después ya no.
Mónica acepta que se deben comprar 5 boletos porque es la solución más

probable. Al parecer hay un acuerdo entre ambas. Pero en el pasaje 10 hay un cambio de
opinión de Brenda, quien duda porque comienza a hacer uso de la distribución de
probabilidad (en la tabla que tiene escrita en el pizarrón). Lo primero que expresa es su
preocupación por que el trabajador ganador «no vaya a completar después». Ella
comienza a ver otras características a partir de la interpretación de la distribución, como
el complemento de la probabilidad acumulada.
En este pasaje se observa como ambas estudiantes se posicionan en el problema
y se produce la devolución. Se entabla una discusión en la que Brenda, para argumentar
la compra de 5 boletos, usa de manera intuitiva tanto la probabilidad como la frecuencia
acumulada, «el número de trabajadores hasta aquí». Mónica en un principio usa la
moda (como el valor más probable, «el que menos falla») y después recurre al
argumento de que se debe gastar lo menos posible, que no se había mencionado, pero
que, probablemente, es lo que haya impulsado a Mónica a su solución inicial (comprar
sólo dos boletos).
En contraste con el argumento de gastar menos, surge otra solución obvia
posible que se descarta de inmediato: comprar 11 boletos para no introducir riesgo
alguno («si yo quiero que nadie se quede sin boletos, pues entonces de una vez compran
los... 11...de una vez para ya no errarle»).
Mónica presta menos atención al argumento apoyado en la probabilidad (o
frecuencia) acumulada que a la preocupación de Brenda porque la familia premiada
tenga más miembros que los boletos que recibirán. Hay un pequeño debate entre todos
los argumentos generados hasta ese momento. No se llega a un acuerdo porque no usan
267
la misma herramienta matemática (Mónica usa la moda, Brenda la probabilidad

acumulada y la mediana). El profesor les pide que escriban el cálculo de la probabilidad
acumulada (los cálculos que Brenda sólo había hecho eran solo mentales y
aproximados) y se rompe la discusión, porque interpretan la intervención del profesor
como una guía velada sobre lo que espera de ellas. No vuelven a utilizar la moda como
argumento. De manera natural ellas no deciden calcular la probabilidad acumulada ni la
del complemento, aunque las usan, sólo las estiman. En los argumentos utilizados por
Brenda en esta parte también hay una referencia a la mediana de la distribución, pero,
de la misma forma, no se detienen en ella.
En el pasaje 11, Mónica también usa la probabilidad acumulada para argumentar
cuántos boletos comprarían «si tienes cubierto todo esto». Dudan y no se convencen
mutuamente. Considerando la misma herramienta matemática, se observa claramente la
posición de cada una. Mónica, argumenta que se debe ahorrar lo más posible (viendo la
empresa) y Brenda intenta que el número de boletos alcance (tratando de ponerse del
lado del trabajador). No pueden desligarse de su posición dentro del contexto.
Argumentan que hay una decisión que depende de la ética, que no tiene nada que ver
con matemáticas y se quejan con el profesor del planteamiento del problema.
Después, aparentemente hay un acuerdo entre ambas, que implica también una
aceptación de la aleatoriedad de la situación y un riesgo de ambas partes, empresa y
trabajadores.
Brenda: En todo caso si se está buscando que no vaya a gastar de más y si alcanzan
bueno y si no, no, pues yo estaría por 4 hijos.
Mónica: Ajá, yo también y si no alcanzan pues ya ni modo.
Ante la respuesta de comprar 6 boletos (4 para los hijos y dos para los padres),
nuevamente el profesor interviene. Les indica que la recomendación tiene que estar en
lo mínimo que se pueda gastar. De esa forma ambas llegan a un consenso: comprarían 5
boletos con una probabilidad de 0,58 de que los boletos les alcancen exactamente o
sobren. Sin embargo esta respuesta está condicionada por la intervención del profesor.
8.4.2. Discusión de resultados obtenidos en el objeto solución del

problema
Las estudiantes proporcionan diferentes soluciones utilizando diferentes herramientas y

bajo distintos argumentos, también van incorporando supuestos a medida que descartan
soluciones y se apropian del problema (Tabla 5.8).
268
Entrevista clínica
Tabla 5.8. Síntesis de las soluciones proporcionadas por las alumnas

Motivo que las hace
Solución Argumento Herramientas
descartar la solución
2 boletos La empresa debe perder lo No usan los datos de la tabla Cuestionan al profesor sobre
menos posible de probabilidades si es posible comprar boletos
Solución determinista después de la rifa. El indica
que no
5 boletos Es más probable que el Usan la moda de la Se preocupan por los
trabajador premiado tenga distribución de probabilidad trabajadores que tienen
3 hijos muchos hijos
11 boletos Es seguro que le Usan la probabilidad La empresa correría el riesgo
alcanzarían los boletos al acumulada y la noción de de perder demasiado.
trabador premiado evento seguro Es descartada de inmediato
6 boletos Se busca favorecer a los Hay una interpretación de la El profesor interviene
trabajadores pero también función de distribución a recordando que se debe
que la empresa no gastarte través del uso de la gastar lo menos posible
de más probabilidad acumulada y de
su complemento
Aparece el uso de la
mediana de la distribución
de probabilidad
Hay una aceptación de la
aleatoriedad como riesgo
5 boletos Se busca favorecer a los Hay una interpretación de la Ésta es la solución que ellas
trabajadores pero que la función de distribución a finalmente proporcionan.
empresa se arriesgue lo través de la probabilidad
menos posible. acumulada y de su
complemento
No queda claro si recurren a
la moda o a la mediana
Hay una aceptación de la
aleatoriedad como riesgo
Observemos que su segunda solución (5 hijos) no es igual a su última solución

(también, 5 hijos) pues en esta última cambian los argumentos y usan herramientas
estocásticas. Necesitaron de ese tránsito entre varias soluciones para hacer uso de esas
herramientas y ser conscientes del riesgo de su decisión.
Así mismo hay una intervención del profesor que hace que ellas se sientan
seguras de su solución y no la cuestionen más. Si el profesor no hubiera intervenido, es
posible que la solución final hubiera sido comprar 6 boletos, que fue su conclusión
después de su pequeña discusión. De alguna manera fue la que les hizo sentirse bien con
los trabajadores pero que no cumple con las condiciones del problema (porque en el
problema se especifica una mínima inversión). Notemos que las dos soluciones finales
no son muy distintas en cuanto a la argumentación matemática que utilizan, la
diferencia está en los riesgos que se aceptan para la empresa y los trabajadores. Aunque
el mínimo riesgo para la empresa sería 2 boletos, habría poca posibilidad de favorecer a
269
los trabajadores. El problema es abierto, por tanto, no hay una única solución, pero la
elección de 5 boletos es preferible porque la probabilidad de que el trabajador quede
favorecido es mayor a 0,5 y a la vez, la empresa no se arriesga excesivamente.
La discusión de las estudiantes puso en claro los momentos en que se introducen
los criterios de decisión y cómo se están poniendo en juego. Si el único criterio hubiera
sido favorecer al trabajador, la decisión hubiera sido determinista. La respuesta de
comprar 6 boletos demuestra que ellas preferían que la empresa gastara más a dejar a
una familia con boletos insuficientes. Así, ellas no usaban la función de distribución
acumulada para medir la probabilidad de que la empresa gastara de más, sino la
probabilidad de que al trabajador ganador le alcancen los boletos.
Sin embargo, en la discusión de las alumnas también mencionaron las
posibilidades de que la empresa gaste de más o al trabajador ganador no le alcancen los
boletos cuando se referían al complemento de la distribución (Tabla 5.9). Esta función
sería más importante si cambiamos el orden de los criterios de decisión y se quisiera
favorecer a la empresa antes que al trabajador. En tal caso se comprarían 4 boletos
(Figura 5.11).
Tabla 5.9. La distribución de probabilidad del número de hijos, función de distribución

y el complemento de la función de distribución
Distribución de Función de distribución Complemento

Probabilidad F ( x)  P X  x 1 F(x)
Número
Probabilidad de que el Probabilidad de que la
de hijos Probabilidad de que al empresa no gaste de más.
trabajador premiado trabajador premiado le
(x) (Probabilidad de que al
tenga x hijos alcancen los boletos si se
trabajador premiado no le
p(x)  P X  x compran x boletos
alcancen los boletos)
0 0,080 0,080 0,920
1 0,110 0,190 0,810
2 0,165 0,355 0,645
3 0,225 0,580 0,420
4 0,155 0,735 0,265
5 0,100 0,835 0,165
6 0,060 0,895 0,105
7 0,045 0,940 0,060
8 0,035 0,975 0,025
9 0,025 1,000 0,000
Es factible cambiar el orden de los criterios de decisión porque no podemos

encontrar un número de boletos que proporcione exactamente el 50% (eso garantizaría
ecuanimidad), de modo que se tiene que favorecer a una de las dos partes. Desde la
perspectiva ética, el problema se trabajó pensando en la recomendación sobre cuál es la
270
Entrevista clínica
situación que favorecería más a los trabajadores y en la que se gastaría menos. A partir
de esa recomendación, los directivos serían los encargados de decidir cuántos
comprarán.
Observemos que la entrevista obligó a las estudiantes a entrar constantemente en
el ciclo interrogativo (Wild y Pfannkuch, 1999). Esto hizo que ellas obtuvieran una
solución del problema satisfactoria, pero no podemos afirmar que se haya tenido el
mismo éxito en la apropiación de la herramienta probabilística que usaron.
Pregunta de interés
¿Cuántos boletos comprar?
¿Se pueden comprar no Se compran
boletos después de 2 boletos
la rifa?
sí
1er criterio Solución
de decisión determinista
¿A quién se debe
favorecer, al trabajador o
a la empresa?
Al trabajador A la empresa
Distribución de Distribución de
probabilidad de probabilidad
que al trabajador de que la
premiado le empresa no
alcancen los gaste de más
2o criterio boletos
2o criterio
de decisión
de decisión
no Se compran ¿Se quiere favorecer Se compran

¿Se debe gastar lo no
11 boletos al trabajador (lo más 2 boletos
menos posible)?
posible)?
sí Es seguro que al sí Es seguro que a

trabajador la empresa no
premiado le desperdiciará
Se compran Se compran
alcancen los recursos.
5 boletos 4 boletos
boletos. Solución Solución
determinista. determinista.
Hay una probabilidad de 0,580 de Hay una probabilidad de 0,645 de
que al trabajador premiado le que la empresa no gaste de más
alcancen los boletos Hay una probabilidad de 0,355 de
Hay una probabilidad de 0,420 de que al trabajador premiado le
que la empresa no gaste de más alcancen los boletos
Figura 5.11. Ruta de solución tomando en cuenta los criterios de decisión posibles
271

El objetivo en la entrevista clínica fue analizar el proceso cognitivo de dos estudiantes al
enfrentarse a un problema en el que se ponía en juego la variable aleatoria. No
perseguimos documentar una apropiación formal del objeto, pero sí explorar si en la
actividad es posible llegar a un nivel de comprensión tal que dé acceso a los estudiantes
no sólo a resolver problemas como el que se les plantea en esta experiencia, sino
también a algunas herramientas estadísticas y probabilísticas sencillas. Nuestra
búsqueda se enfoca a hacer accesible a los estudiantes la estructura teórica necesaria
para darle sentido a la experiencia empírica descrita en el problema. La experiencia es
sólo un primer paso para iniciar un estudio posterior sobre la variable aleatoria que les
permita penetración y discernimiento en otros ámbitos (Wild y Pfannkuch, 1999), pero
también dentro de la misma estadística.
En las conclusiones primeramente confrontamos las hipótesis planeadas con los
resultados obtenidos y después analizaremos la idoneidad del protocolo de la entrevista
clínica, el problema y la forma en que fue planteado para cumplir el objetivo planteado.
9.1. Confrontación de los resultados con las hipótesis

En el Punto 4 de este capítulo se plantearon las hipótesis sobre lo que esperábamos
encontrar en la entrevista. A continuación discutimos las conclusiones que pueden
deducirse del estudio de los resultados empíricos.
Falta de percepción de la aleatoriedad del proceso
Esta hipótesis no se llega a confirmar, pues las estudiantes manejaron un buen concepto
de aleatoriedad, al contrario de lo reportado en otras investigaciones, como la de
Serrano (1996). Manifestaron no poder predecir cuál sería el número de hijos que
tendría el trabajador premiado (impredecibilidad del resultado aislado) y que si
repitieran el sorteo muchas veces, no sabrían cuál es la secuencia que seguirían los
resultados (falta de patrón o de orden).
La aleatoriedad del proceso aleatorio (el sorteo) no fue cuestionada. Sin embargo
en las primeras etapas del trabajo, hubo reticencia a dar una recomendación que no
sabían si sería certera, es decir, que su solución «heredara» la aleatoriedad del sorteo.
Una vez aceptada la incertidumbre, buscaron argumentos de equidad (entre los
trabajadores y la directiva de la empresa) para proporcionar una solución con la que
pudieran sentirse más confiadas. Este argumento de equidad se obtuvo a partir del uso
que hicieron de la probabilidad acumulada.
272
Entrevista clínica
Sin embargo en un intento por formular la distribución de probabilidad,

vincularon la aleatoriedad con una incapacidad de cálculo (no tenían una ecuación que
vinculara la probabilidad con la variable aleatoria y por ello no podían «calcular» la
probabilidad de un número dado de hijos), de modo que más que al número de hijos,
asignaron la aleatoriedad a la probabilidad. Es decir, no llegan a relacionar
apropiadamente las expresiones matemáticas (fórmulas de las distribuciones) con el
estudio de los fenómenos aleatorios.
Tendencia a «algebraizar» y descontextualizar los procedimientos

relacionados con la noción de variable aleatoria
Esta hipótesis se confirma parcialmente puesto que se encontraron dificultades en

ambos sentidos. Sin embargo, de manera general, al contrario de lo esperado, para las
alumnas fue más difícil pasar del contexto del problema al contexto matemático. Varias
fueron las razones que nos llevan a concluir que el proceso de contextualización es más
simple para ellas que el inverso:
 Hay una tendencia a centrarse preferentemente en la frecuencia (número de
trabajadores) de un valor de la variable, en lugar de en su probabilidad
cuando trataron de descontextualizar la distribución de probabilidad (al
inicio de la actividad) y al argumentar alguna propuesta de solución del
problema.
 A pesar de que hay una interpretación apropiada de la probabilidad clásica,
la perciben como un cociente de dos números en lugar de un solo número.
 Constantemente estuvieron recordando que el valor de la variable aleatoria
‘Número de hijos’ está vinculada con su imagen inversa (conjunto de
trabajadores con ese número de hijos).
 En la gráfica, no incluyen valores con probabilidad nula a pesar de que
habían mencionado, por ejemplo, que la probabilidad de que el trabajador
premiado tuviera diez hijos sería cero.
 Manifiestan que el eje de las ordenadas (en la gráfica de la distribución de
probabilidad) podría no estar ordenado siguiendo el orden numérico natural
debido a la naturaleza aleatoria del experimento.
 Piensan que no es útil encontrar la ecuación de la distribución de
probabilidad para el problema planteado porque se trabaja con datos
demasiado «reales».
273
 No sintieron la necesidad de ir más allá del problema en la herramienta

matemática empleada en su resolución. Su esfuerzo se concentró en obtener
la solución al problema.
En otros pasajes desvinculan las matemáticas del contexto del problema,

mostrando una concepción de las mismas como algo que no tiene porqué tener una
relación con una situación del contexto real, como vemos en los siguientes argumentos:
 Piensan que una ecuación debe servir para hacer predicciones en distintas
situaciones y no para una en particular.
 Creen que los datos de una función deben provenir de un contexto
matemático y no de datos estadísticos (tomados de la «realidad»).
 Piensan que una gráfica debe ser continua, por lo tanto, el dominio y el rango
de una función también. No importa que el contexto del problema sea
discreto.
 Piensan que una gráfica siempre es infinita.
Estas evidencias de descontextualización, refuerzan la desvinculación entre los

conceptos matemáticos y el contexto de un problema. Sin embargo en nuestro caso, fue
más fácil para las estudiantes contextualizar que descontextualizar.
Esto coincide con el desarrollo histórico de la variable aleatoria, puesto que, a
pesar del manejo de diversos recuentos de datos desde épocas remotas, tuvieron que
transcurrir muchos años para que los análisis de los datos se vincularan de manera más
formal con las herramientas probabilísticas y matemáticas.
Extrañeza de trabajar funciones en un contexto probabilístico
Esto también se confirma parcialmente. Las alumnas no encontraron extraño asociar el

término función a la distribución de probabilidad. Esta facilidad de aceptación fue
debida a que la pudieron escribir muy naturalmente en notación funcional y porque
recurrieron a la definición y observaron que concordaba con ella. También fue
inmediato el uso de la representación tabular para las frecuencias y probabilidades. Sin
embargo sí encontraron extraño que hubiera funciones con las características
encontradas para la distribución de probabilidad, por ejemplo:
 Encontraron raro trabajar con una función discontinua (una función puntual),
donde la variable independiente es discreta.
 Hallan restringido el intervalo de valores de la variable independiente porque
sólo toma valores entre 0 y 9.
274
Entrevista clínica
 Encuentran excepcional no poder encontrar los valores de la variable

dependiente a partir de la variable independiente a través de una ecuación.
 Se les hace extraño que la función esté definida a partir de datos estadísticos
(ellas los denominan «reales»).
 Piensan que es novedoso que la ecuación de la función, en caso de que
pudiera obtenerse, solo serviría para la probabilidad de la fábrica del
problema.
La idea de que una ecuación es útil sólo si sirve para conocer la probabilidad de
muchas fábricas, las lleva a la idea errónea de que la aleatoriedad está vinculada con una
incapacidad de cálculo de la probabilidad. Este razonamiento es el que conlleva a la
conclusión de que el valor de la probabilidad es aleatorio.
Dificultades con la noción formal de variable aleatoria
No pudimos observar la construcción de la regla de correspondencia de la variable

aleatoria porque esta información se les proporcionó en el problema, pero sí se tienen
conclusiones sobre el manejo y la interpretación de la variable aleatoria de las
estudiantes. Ellas comprendieron que la regla de correspondencia vinculaba el espacio
muestral con los valores de la variable aleatoria. Pudieron percatarse, también, que esa
regla de correspondencia provenía de una característica de interés (extraída del
planteamiento del problema) que agrupaba a los trabajadores en eventos compuestos.
Así mismo interpretaron correctamente que la probabilidad se obtenía a partir de los
eventos compuestos y que ello permitiría asignar una probabilidad a cada valor de la
variable aleatoria. Así, concluimos que se tuvo una buena interpretación y manejo de los
valores de variable aleatoria.
Se presentaron dificultades, sin embargo, al construir la distribución de
probabilidad porque eso requería no sólo la formulación de la probabilidad como la
relación entre dos conjuntos de personas (las favorables y las posibles) sino también el
planteamiento de los valores de la variable aleatoria como un valor numérico y no como
la característica de interés que agrupó a los trabajadores en los eventos compuestos.
Esto provocó que las alumnas prefirieran relacionar los valores de la variable aleatoria
con la frecuencia, más que con la probabilidad.
Pudimos observar que en el proceso de construcción de la distribución de
probabilidad a partir de la situación problema, se generaron dos estratos de modelación
desde la perspectiva de Heitele (1975). Desde una perspectiva cognitiva, para poder
pasar al segundo estrato de modelación, es necesario que el modelo matemático del
275
primer estrato sea abstraído por el estudiante para poder usarlo como entrada del
segundo estrato. Las estudiantes no lograron una descontextualización completa del
primer estrato de modelación, como se observa cuando piensan que los valores de la
variable aleatoria en el eje numérico no tendrían por qué ir ordenados.
Observamos que en la tentativa por descontextualizar la distribución de
probabilidad, las estudiantes pasan por el proceso de transformar el resultado del
experimento aleatorio. Piensan que del sorteo se obtendrá el nombre de un trabajador
sino un número de hijos. Esto hace que el experimento se transforme en un experimento
con resultado numérico, proceso que se observa también históricamente (Parzen, 1971).
Por último, en su intento por descontextualizar la distribución de probabilidad,
ellas desvinculan la distribución de probabilidad del experimento aleatorio y la
transforman en la distribución de frecuencias. Lo que conduce al planteamiento de una
función de distribución doble, en donde nuestra fábrica proporcionaría sólo una
distribución marginal y los valores de sus frecuencias (probabilidades para ellas) serían
aleatorios (en la distribución doble).
Dificultades respecto a los conceptos que intervienen en la definición formal de

variable aleatoria
No se consiguió una definición formal de la variable aleatoria (al nivel que

esperábamos) sin embargo sí hubo una buena aproximación a ella en la que
intervinieron diversos conceptos probabilísticos y estocásticos.
Las alumnas usan la idea de probabilidad en forma natural, interpretándola como
una medida de lo incierto, aunque la consideran una razón y no un único valor
numérico. Esto contribuye a que no vinculen directamente a la probabilidad con el valor
de la variable aleatoria, más que a través de los eventos compuestos, lo que representa
un obstáculo de descontextualización.
La interpretación de los eventos compuestos (trabajadores con un mismo número
de hijos) juega un papel muy importante en las etapas de modelación para formular la
distribución de probabilidad. En la experiencia realizada su interpretación permitió la
vinculación entre el experimento aleatorio y la probabilidad.
Así mismo, al visualizar los valores de la variable aleatoria como el resultado de
un experimento aleatorio, se define un nuevo espacio muestral numérico que facilita el
primer estrato del proceso de modelación, lo que contribuyó a la conceptualización de la
variable aleatoria y la distribución de probabilidad. Sin embargo, es conceptualización
equívoca de la variable aleatoria como objeto matemático y también acarreó una
276
Entrevista clínica
concepción errónea: los valores de la variable se vincularon con el proceso aleatorio, lo

que dificultó su total abstracción como números reales con un orden definido.
También se observó que, como ocurre epistemológicamente, los procesos
cognitivos para la construcción de la distribución de probabilidad y la variable aleatoria
están intrínsecamente vinculados y que se condicionan el uno al otro.
9.2. Idoneidad de la actividad propuesta

El protocolo de la entrevista se diseñó para que girara alrededor de un problema.
Esperábamos que fuera atractivo a las estudiantes para que se involucraran en su
solución, pero que también las obligara a transitar por los objetos matemáticos de
estudio. La profundidad de las herramientas matemáticas estuvo condicionada por los
conocimientos previos de las alumnas, tomado en cuenta que no habían llevado cursos
de estadística universitaria, y también por el manejo del objeto esperado en un curso de
estadística en una carrera de ciencias sociales en el ITESM.
A continuación se analiza la idoneidad didáctica del problema junto con el
protocolo de la entrevista. Esta idoneidad incluye la articulación de los cinco
componentes que definen Godino, Wilhelmi y Bencomo (2005) y Godino, Contreras y
Font (2006): idoneidad epistémica, cognitiva, interaccional, mediacional y emocional.
 Idoneidad epistémica. La actividad permitió que las alumnas avanzaran
hacia la conceptualización de la variable aleatoria y trabajaran con los
objetos relacionados con ella, así mismo que se cuestionaran sobre sus
concepciones que intervienen para construir el concepto de variable
aleatoria. No obstante algunos objetos matemáticos vinculados con la
variable aleatoria, como sus momentos o la variable estadística, no fueron
considerados.
 Idoneidad cognitiva. La situación movilizó el aprendizaje de las alumnas.
Encontramos ideas espontáneas correctas sobre aleatoriedad y probabilidad,
no tuvieron dificultad en identificar correctamente el espacio muestral ni
cómo depende del experimento. Hubo una buena interpretación y uso de la
probabilidad, tanto desde un punto de vista laplaciano, como desde un punto
de vista subjetivo, como grado de creencia, aunque tuvieron tropiezos con la
distribución de probabilidad. También reconocieron espontáneamente dos de
los axiomas de la probabilidad. Mostraron correcta comprensión de los
números fraccionarios y de la probabilidad como fracción y como decimal.
Encontraron natural considerar aleatorio el número de hijos, manejaron bien
277
el conjunto de valores que toma, aunque restringieron su dominio. Usaron

correcta y espontáneamente las ideas de moda, probabilidad acumulada,
mediana, complemento de una probabilidad y equidad (valor esperado).
También aceptaron que la probabilidad proporciona una solución al
problema y la representación de su numerador en la tabla de datos por medio
de frecuencias.
 Idoneidad interaccional. La situación problema conjugó la complicación y la
simplicidad del manejo de una variable aleatoria definida de manera
contextual. Esto, aunado a que era necesario desvincular los eventos y los
valores de la variable aleatoria para poder descontextualizarla, hicieron que
las estudiantes tuvieran acceso al problema, pero el proceso era lo
suficientemente complicado como para representarles un reto que pudieron
enfrentar. A su vez, la situación, junto con la entrevista, provocó el debate
entre las estudiantes, quienes en todo momento estuvieron interesadas en
resolver las tareas y se sintieron cómodas con ellas. El debate sirvió para
explicitar sus concepciones, dificultades y estrategias. Lo que les permitió
explorar sus propias concepciones, dificultades y estrategias, así como poner
en juego sus concepciones matemáticas en diversos aspectos, tanto en el
contexto de la probabilidad y estadística como en el de la matemática
determinística. Esto también provocó que progresaran en la solución del
problema.
 Por otro lado, se observaron algunos puntos para mejorar el protocolo. Al ser
la moda igual la mediana en la distribución de probabilidad, fue difícil saber
si las argumentaciones de las alumnas se basaban en el análisis de la moda o
de la mediana, aunque esto también favoreció la discusión de los dos
criterios de decisión que se ponían en juego. También nos dimos cuenta de la
necesidad de hacer explícita la condición de que no se podían comprar
boletos después de la rifa, necesaria para explicitar la aleatoriedad de la
situación. Por el contrario no fue necesario explicitar el criterio de que había
que favorecer a las familias de los trabajadores lo más posible. Al
proporcionar los datos agrupados en la tabla, se impidió la observación de la
variable aleatoria como regla de correspondencia de una función. Es posible
que si el problema hubiera sido más abierto, se hubiera promovido una mejor
exploración de la generación de la característica de interés y de la regla de
correspondencia.
278
Entrevista clínica
 Idoneidad mediacional. La puesta a punto de la situación requirió pocos

medios, únicamente papel y lápiz y el pizarrón, además de los dispositivos
para grabar la entrevista (que no serían necesarios si se trabaja esta situación
sólo con fines de docencia). Deducimos que la situación tiene idoneidad
mediacional, aunque por supuesto se puede ampliar dando cabida a
calculadoras u ordenadores, lo que también permitiría complicar la situación
planteada.
 Idoneidad emocional: La situación fue interesante para las estudiantes,
quienes trabajaron en ella hasta completarla, a pesar del tiempo que les tomó.
Pensamos que se consigue la devolución del problema a las estudiantes,
quienes incluso llegaron a pensar que no se trata de un problema matemático
y a tratarla como una situación a-didáctica. Ello indica una alta idoneidad
emocional del protocolo.
En resumen, los puntos anteriores indican una idoneidad razonable de la

situación y del protocolo de investigación. También constatamos que la situación, a
pesar de que debe ser mejorada, contiene algunos elementos interesantes como base
para el diseño de una futura ingeniería didáctica que recoja esta y otras situaciones que
sirvan para ayudar al alumno a desarrollar la idea de variable aleatoria.
279
280
Capítulo 6.
Estudio 4.
Evaluación a través de un
proyecto abierto

ÍNDICE DEL CAPÍTULO 6
2.2. Descripción de la muestra, 286
2.3. Descripción de la situación de enseñanza, 287
3. Objetivos del estudio de evaluación a partir de un proyecto, 288
4. Descripción y análisis del proyecto, 289
4.1. El proyecto: «Comprueba tus intuiciones sobre el azar», 290
4.2. La secuencia de actividades, 291
4.3. Respuestas y soluciones del proyecto: análisis de datos, 300
5. Objetos de análisis en el proyecto, 311
5.2. Variable estadística y su distribución, 317
5.3. Variable aleatoria y su relación con la variable estadística, 320
5.4. Ciclo de modelación, 322
7. Análisis de las producciones de los estudiantes, 326
7.1. Objeto de Análisis: Aleatoriedad, 326
7.1.1. Evaluación individual de concepciones de aleatoriedad, 328
7.1.2. Evaluación global de concepciones de aleatoriedad, 337
7.1.3. Discusión de resultados en el objeto aleatoriedad, 345
7.2. Objeto de Análisis: Variable estadística, 348
7.2.1. Distribución de la variable estadística, 348
7.2.2. Momentos de la variable estadística, 372
7.2.3. Discusión de resultados en el objeto variable estadística, 377
7.3. Objeto de análisis: Variable aleatoria y su relación con la variable
estadística, 377
7.3.1. Referencia a la variable, 380
7.3.2. Referencia a las probabilidades o distribución, 382
7.3.3. Referencia a los parámetros, 384
7.3.4. Discusión de resultados en el objeto relación entre la
variable aleatoria y su relación con la estadística, 386
7.4. Objeto de análisis: Ciclo de modelación, 387
7.4.1. Observación de la realidad, 388
7.4.2. Descripción simplificada de la realidad, 390
7.4.3. Construcción de un modelo, 392
7.4.4. Trabajo matemático con el modelo, 393
7.4.5. Interpretación de resultados en la realidad, 397
7.4.6. Discusión de resultados en objeto ciclo de modelación, 415
8.2. Idoneidad del proyecto, 426
1. Introducción
Esta segunda exploración de las concepciones y dificultades de los estudiantes alrededor
del concepto de variable aleatoria, se realizó a través del análisis de la forma en cómo
abordan el objeto dentro de un proyecto abierto. Este estudio complementa al descrito
en el Capítulo 5 en el análisis cognitivo y difiere de él en el método utilizado, así como
en la configuración epistémica de los objetos matemáticos asociados a la variable
aleatoria en los que centramos nuestra atención. La intención es evaluar los
conocimientos y procesos implicados en la resolución de una tarea asignada por el
profesor en situación escolar con un grupo relativamente amplio de estudiantes.
Metodológicamente nos interesa la recolección de datos por escrito, en los que podamos
observar el análisis y los razonamientos que surgen en los estudiantes al tratar de
comparar variables aleatorias por medio de la comparación de variables estadísticas. Es
decir, de realizar un proceso de inferencia informal.
Los datos se obtuvieron a través de una prueba de ensayo abierta, que fue
previamente utilizada en investigaciones dentro de nuestro grupo de investigación
(Godino, Batanero, Roa y Wilhelmi, 2008; Arteaga, 2011). En este trabajo, tanto esta
prueba como los datos obtenidos a través de ella se analizan desde una perspectiva
diferente, nos centramos en la variable aleatoria y los objetos relacionados con ella para
complementar los trabajos anteriores con nuevos resultados, algunos de los cuales han
sido publicados en Ruiz, Arteaga y Batanero (2009 a y b) y Ruiz, Batanero y Arteaga
(2011).
La tarea consistió en hacer un informe del análisis de un conjunto de datos,
obtenidos por los mismos estudiantes, para tratar de responder a una pregunta propuesta
por el profesor sobre las intuiciones de los estudiantes acerca de la aleatoriedad. El
proyecto fue abierto porque los estudiantes participantes tuvieron la libertad de analizar
los datos en la forma que considerasen mejor, incluyendo o no gráficos, tablas o
resúmenes estadísticos.
La actividad involucra a la variable aleatoria, tanto en la fase de recogida de
datos, como en el trabajo de análisis de los estudiantes y en la elaboración de sus
conclusiones. Además, hace surgir la variable estadística y a diferentes objetos
matemáticos asociados a ella. También es una situación potencialmente rica para
analizar el uso que el estudiante hace de la variable aleatoria y estadística en una
situación de modelación.
Al tratarse del análisis de una producción escrita, nos permite acceder a un
mayor número de alumnos que en el caso de la entrevista clínica, por lo que,
283
presuponemos, los resultados que se obtengan pueden ser más generalizables. Como
contraste, puesto que el análisis de los razonamientos de los estudiantes es indirecto, a
través de sus producciones escritas, nos será más difícil acceder al nivel profundo del
razonamiento del estudiante. Dicho de otro modo, los resultados de este capítulo, en
comparación con los presentados en el Capítulo 5 tendrán mayor fiabilidad pero menor
validez.
La estructura de este capítulo es similar a la del anterior. Se inicia con los
preliminares del estudio y la planeación y el diseño del protocolo de observación. Éste
se concreta en un proyecto que será entregado y resuelto por los estudiantes y que, junto
con las hipótesis, establecerán las bases del análisis de las producciones de los
estudiantes. Se presenta la solución del proyecto propuesto, en donde es menester
analizar los datos obtenidos por los estudiantes durante la realización de la actividad en
clase, y se destaca la relación que se establece entre la variable aleatoria y la estadística.
Los objetos de análisis del estudio se describen antes de presentar los resultados y su
análisis. Estos últimos, se organizan y exponen a un tiempo y de acuerdo a los objetos
de análisis. Finalmente, en las conclusiones, se confrontan los resultados obtenidos con
las hipótesis de investigación y se analiza la idoneidad del proyecto planteado como
base del estudio.
2. Preliminares
En este apartado situaremos el estudio en el entorno en el que fue realizado. Hacemos
explícito el contexto escolar en el que se desenvolvían los estudiantes que participaron
en la investigación, las características de los estudiantes que participaron en el estudio y
el contexto así como la descripción de las condiciones en que se llevó a cabo la
situación de enseñanza.
El proyecto abierto se aplicó a estudiantes que se encontraban cursando el
segundo año del antiguo plan de estudio de la Diplomatura de Magisterio en la
especialidad de Educación Primaria de la Facultad de Ciencias de la Educación de la
Universidad de Granada, España.
2.1. Contexto escolar

El estudio se realizó con estudiantes de la asignatura «Currículo de Matemáticas en la
Educación Primaria» en la Universidad de Granada, en el curso 2007-2008. Esta
asignatura era obligatoria en el anterior plan de estudios y tenía un carácter
eminentemente práctico (dos tercios de las horas docentes se dedicaban a actividades
prácticas) y su contenido exclusivo era la Didáctica de la Matemática enfocada a la
284
Evaluación de un Proyecto abierto
matemática incluida en el currículo de educación primaria en España. Abarcaba los

cuatro bloques temáticos de la educación primaria: Números y operaciones, La medida:
estimación y cálculo de magnitudes, Geometría y Tratamiento de la información, azar y
probabilidad (MEC, 2006). Debido a la adaptación de los planes de estudio por el
Tratado de Bolonia, esta asignatura ya no se imparte como tal, aunque su contenido se
conserva en la asignatura de Enseñanza y Aprendizaje de las Matemáticas y tiene una
extensión mayor (6 créditos) a partir de la generación 2011-2012.
Los estudiantes participantes en el estudio tenían en su haber pocas experiencias
con asignaturas de probabilidad y estadística. La mayoría procedían del bachillerato
especializado en humanidades, en el que los contenidos matemáticos son menores y las
matemáticas son opcionales en sus últimos cursos. Algunos estudiantes provenían del
bachillerato de ciencias sociales, y en este caso, tuvieron un curso de estadística en el
cuatrimestre previo a su ingreso a la Facultad de Educación. Este curso incluye el
concepto de variable aleatoria y una introducción a la inferencia estadística. No es
habitual que un estudiante de la asignatura en la que se realizó esta parte de la
investigación haya cursado el bachillerato con especialidad en ciencias, pero en tal caso,
aunque hubieran cursado matemáticas durante el año anterior a su ingreso a la Facultad,
no se incluye la estadística dentro de su currículo. No hay que obviar que,
independientemente del bachillerato que hayan cursado, se espera que durante la
enseñanza primaria (6-12 años) y enseñanza secundaria obligatoria (12-16) los
estudiantes hayan recibido una enseñanza mínima de estadística que incluye los mismos
conceptos trabajados en el proyecto.
En el primer año de la Diplomatura de Magisterio especialidad de Educación
Primaria, los estudiantes cursaron la asignatura obligatoria de Matemáticas y su
Didáctica (asignatura de 9 créditos, cada uno de los cuales equivale a 25 horas de
trabajo del estudiante, incluido el trabajo dentro y fuera del aula). En ese curso se
dedicaban 2 créditos (50 horas del estudiante, 10 de ellas dentro del aula) al bloque de
Tratamiento de la información, azar y probabilidad. Los estudiantes revisaban y
ampliaban su información sobre datos, variables estadística, distribuciones de
frecuencias, gráficos sencillos (diagramas de barras, polígonos de frecuencias,
histogramas, gráficos de sectores), medidas de posición central (media, mediana y
moda) y medidas de dispersión (rango y desviación típica). Igualmente se revisaban y
ampliaban las ideas de aleatoriedad, probabilidad y la asignación de probabilidades
mediante regla de Laplace o probabilidad frecuencial. En el curso en el que aplicamos la
investigación, los estudiantes previamente habían trabajado con un proyecto sencillo de
285
análisis de datos, aunque sólo una vez y los datos no fueron recogidos por ellos, sino
dados por el profesor. No se dedicó tiempo al estudio formal de la variable aleatoria.
En resumen, los estudiantes participantes tenían ideas elementales de estadística
descriptiva y probabilidad, por lo que podemos considerar que la actividad propuesta en
el proyecto fue el primer encuentro con la idea de variable aleatoria para la mayoría.
2.2. Descripción de la muestra.

Como ya se mencionó, los estudiantes participantes en esta parte del estudio se
preparaban para ser maestros de niños de primaria entre 6 y 12 años. En general, sus
edades oscilaban entre los 18 y 20 años y en su mayoría tenían 19 años, aunque también
había estudiantes de mayor edad, que cursaban la asignatura excepcionalmente. Como
maestros generalistas, no estarán especializados en matemáticas, sino que en su vida
profesional tendrán que impartir las diferentes materias (matemáticas, lengua, ciencias
naturales, ciencias sociales, etc.) dentro de su aula. El estudio se aplicó a 111
estudiantes del curso 2007-2008.
En dicho curso de la asignatura del Currículo de Matemáticas en Educación
Primaria hubo un total de 318 alumnos matriculados y 50 de ellos (15,7%) eran
repetidores. De entre ellos se eligieron tres grupos naturales que formaron la muestra de
nuestro estudio. Estos grupos tenían características similares al total de alumnos
matriculados.
Respecto a la competencia matemática de los futuros maestros, tanto en nuestra
experiencia como en varias investigaciones hemos constatado sus dificultades. Por
ejemplo, Hernández, Noda, Palarea y Socas (2003) describen un estudio de evaluación
inicial sobre conocimientos y destrezas matemáticas básicas que aplicaron a una
muestra de 883 estudiantes de siete universidades. En algunos ítems, los porcentajes de
acierto sobre «números y operaciones» y «medida», sólo llegan al 42% y 48%. Los
alumnos presentan grandes dificultades en proporcionalidad, fracciones y decimales;
confunden los conceptos de longitud, perímetro, área y volumen.
En relación a la estadística, Estrada, Batanero y Fortuny (2004) en un estudio
con una muestra de 367 estudiantes de magisterio indican que pocos apreciaron el
efecto de un valor atípico en el cálculo de la media o son capaces de discernir cuándo un
valor es atípico para un contexto dado. Un 40% tuvo dificultad en comprender una
estimación frecuencial de la probabilidad. Otros errores con alto porcentaje fueron la
confusión entre correlación y causalidad, no apreciar el tamaño de la muestra en su
relación con el muestreo, no apreciar el sesgo en el muestreo y no saber cuál medida de
posición central elegir, en caso de distribuciones asimétricas.
286
Estos ejemplos, así como otros descritos en las investigaciones de Moreno,

Hernández y Socas (2010), indican las dificultades matemáticas de los futuros
profesores españoles que, presuponemos, son compartidas por los participantes en
nuestro estudio.
2.3. Descripción de la situación de enseñanza.

La actividad que se analizará en este capítulo, fue parte de una práctica en la asignatura
mencionada, a la que se dedicaron dos sesiones de clase con una duración de dos horas
cada una y se relaciona con el cuarto bloque del currículo de matemáticas en la
educación primaria: Tratamiento de la información, azar y probabilidad. Los
estudiantes realizaron la actividad individualmente y produjeron un informe escrito
fuera de su horario lectivo. La actividad fue coherente con la metodología de enseñanza
universitaria implantada en aquél curso en la Facultad de Ciencias de la Educación para
adecuar los planes de estudio al Espacio Europeo de Educación Superior (EEES). El
enunciado del proyecto completo propuesto y las instrucciones entregadas a los
estudiantes se incluye en el Anexo 2.
El proyecto fue puesto en la cuarta sesión práctica del curso. Se le denominó
«Evaluación de experiencias de enseñanza. Estadística en primaria» y constaba de dos
componentes, de los cuales sólo el primero es de interés para nuestra investigación:
 La realización del proyecto de análisis de datos «Comprueba tus intuiciones
sobre el azar», en una versión adaptada de Batanero (2001) y Godino,
Batanero, Roa y Wilhelmi (2008), donde se plantea una investigación para
comprobar si los alumnos tienen una buena intuición sobre la aleatoriedad.
La actividad contempló dos fases: primero se trabajó en clase y después se
les pidió a los estudiantes que realizaran en casa un informe de su análisis y
lo entregaran en la siguiente sesión. Los informes de los alumnos son el
instrumento de análisis de este estudio centrado en la variable aleatoria,
mientras que el realizado por Arteaga (2011), con otros estudiantes
trabajando sobre el mismo proyecto, se centra en la elaboración e
interpretación de los gráficos por parte de los estudiantes.
 Una semana después, una vez recogidos los informes individuales, en la
clase se organizó una actividad de análisis didáctico. En ella, los futuros
profesores analizaron el proyecto, las actividades realizadas en el mismo, las
posibles soluciones correctas e incorrectas y produjeron un informe sobre la
idoneidad del proyecto como instrumento de enseñanza de estadística en la
secundaria o en cursos de formación de profesores. Este informe no es objeto
287
de estudio en esta Memoria, pero se analiza con detalle en la tesis de Arteaga

(2011).
Así, la práctica descrita contempla dos componentes de la formación de

profesores: matemático y didáctico. En nuestro estudio de evaluación sólo nos
ocupamos del componente matemático y por tanto de la primera parte de la práctica
consistente en la realización del proyecto «Comprueba tus intuiciones sobre el azar».
3. Objetivos del estudio de evaluación a partir de un proyecto

Nuestra investigación se enfoca a evaluar la comprensión de la variable aleatoria y la
forma en que los estudiantes la vinculan con otros objetos matemáticos en una actividad
de modelación en la que están implicada la realización de inferencias estadísticas
informales (Rossman, 2008). Éstas se producen al analizar las diferencias entre dos
variables aleatorias que se deducen a partir de la comparación de sus correspondientes
variables estadísticas. Este objetivo general se desglosa en los siguientes objetivos
particulares:
 En primera instancia se pretenden evaluar las intuiciones de los estudiantes
acerca de la aleatoriedad, haciendo uso de los resultados e informes
obtenidos en el proyecto. Los resultados de algunos estudios (por ejemplo,
Falk, 1981; Green, 1989; Konold, et al., 1991; Toohey, 1995; Serrano, 1996;
Batanero y Serrano, 1999; Nickerson, 2002) indican que parte de las
intuiciones de los seres humanos sobre los fenómenos aleatorios son
correctas pero otra parte importante es incorrecta. El proyecto tiene por
objetivo que el alumno evalúe sus propias intuiciones sobre el
comportamiento de los fenómenos aleatorios, en particular sobre el
lanzamiento de una moneda. Al mismo tiempo que el análisis de los datos
arrojados por el grupo al querer simular un experimento reflejarán sus
creencias sobre la aleatoriedad, el análisis que hagan los estudiantes sobre
esos datos, también será una fuente de información para nuestro análisis.
 El segundo objetivo del estudio es evaluar las ideas de los estudiantes sobre
las variables estadísticas y sus elementos, complementando, de este modo, el
estudio hecho sobre las variables aleatorias en el Capítulo 5. Para responder
las preguntas propuestas en el proyecto, el estudiante debe realizar un
experimento aleatorio. Al realizar el proyecto se pretende que el estudiante
reflexione acerca de las características de la aleatoriedad, que se percibe a la
vez como ausencia de modelos y multiplicidad de modelos. Entre otros
posibles modelos, es deseable que el estudiante llegue a reflexionar sobre
288
variables aleatorias como «número de caras en n lanzamientos», «número de

rachas en n lanzamientos» y «longitud de la racha más larga» para evaluar la
aleatoriedad de un experimento. Puesto que el estudiante no tiene los
conocimientos matemáticos necesarios para estudiarlas directamente, debe
recurrir a las correspondientes variables estadísticas asociadas al tomar datos
de las variables anteriores.
 La respuesta a la pregunta sobre las intuiciones requerirá que el estudiante
comparare los datos obtenidos en los experimentos aleatorios y simulados
organizados en la clase. Se pretende que los alumnos agrupen los datos de
forma natural, formando las distribuciones de las variables estadísticas
estudiadas y usen de forma natural los gráficos y tablas estadísticas que ya
conocen, así como las medidas de posición central y dispersión para
comparar las variables citadas. Desde el punto de vista de la investigación
evaluaremos si el estudiante llega o no de una forma natural a la idea de
distribución, sus medidas de posición central y dispersión y sus tablas y
representaciones gráficas, en qué modo compara dos distribuciones y si usa
estos instrumentos para resolver el problema propuesto.
 En su tesis, Arteaga (2011) indica que para resolver el proyecto planteado, el
estudiante se enfrenta a una situación de modelación y que falla en los pasos
iniciales de dicho proceso, pero no profundiza en esta idea. Retomaremos
esta conclusión de Arteaga, centrándonos específicamente en la forma en
que el estudiante enfrenta una situación de modelación donde debe partir de
preguntas sobre la realidad para formular hipótesis, definir variables y a
partir de ellas obtener un modelo matemático. Evaluaremos hasta qué punto
el alumno construye modelos adecuados para las variables estadística y
aleatoria, si trabaja con sus modelos y si completa el ciclo de modelación
interpretando los resultados para responder las preguntas planteadas.
 Desde otra perspectiva, complementamos el estudio sobre la modelación con
el análisis de cómo los estudiantes se enfrentan a un proyecto donde es
necesario recorrer las diferentes fases del ciclo de investigación PPDAC1
propuesto por Wild y Pfannkuch (1999): formulación de un problema,
refinamiento de las preguntas de investigación, recolección y análisis de los
datos, interpretación de los resultados y obtención de conclusiones.
1
PPDAC es el acrónimo que resume las etapas del ciclo: Problema-Preguntas y Plan-Datos-Análisis-
Conclusiones
289
4. Descripción y análisis del proyecto

En este apartado se hace el análisis a priori del proyecto con fines de investigación. Esto
permitirá una mejor comprensión de la actividad que se pide que haga el estudiante.
Primero se hace una descripción breve del proyecto, después se especifica la forma en
cómo se trabajó el proyecto en el salón de clases, se detallan los objetivos de
aprendizaje de cada parte y se delimita el tipo de análisis que se espera que el estudiante
haga, junto con un análisis a profundidad de las variables implicadas en el proyecto y su
distribución. Posteriormente se resuelven las actividades planteadas (acorde con los
datos obtenidos en la clase) y se enumeran algunas posibles soluciones por parte de los
estudiantes. Esta sección se finaliza con un ejemplo del tipo de conclusiones esperadas
por los estudiantes.
4.1. El proyecto: «Comprueba tus intuiciones sobre el azar»

El proyecto que usamos en esta investigación está retomado de Batanero (2001) y ha
sido usado en otros trabajos de investigación (Godino, Batanero, Roa y Wilhelmi, 2008;
Arteaga, 2011). En él se les propone a los estudiantes una de las tareas fundamentales
en el análisis de datos que es la realización de inferencias informales (Rossman, 2008),
lo que implica el uso coordinado de las variables estadística (distribución de datos) y
aleatoria (distribución de probabilidad). Mientras que la variable estadística es un
primer modelo matemático que representa los datos obtenidos en una muestra, la
variable aleatoria supone un segundo nivel de modelación, al imaginar que la toma de
datos se extiende al total de la población de donde se tomó la muestra.
La comprensión de la relación entre la distribución de frecuencias y la
distribución de probabilidad permitirá al estudiante hacer inferencias informales que,
finalmente, han de interpretarse en el contexto donde se tomaron los datos. Esta
comprensión y coordinación del carácter dual de la distribución involucra las ideas de
aleatoriedad, independencia, tendencia, valor esperado y variabilidad (Shaughnessy,
2007). Reading y Canada (2011) añaden las ideas de forma, densidad, asimetría,
frecuencia relativa, probabilidad y proporcionalidad.
Varios autores sugieren la necesidad de desarrollar en los estudiantes la
capacidad de realizar inferencias informales para preparar un estudio posterior más
formal del tema en la Universidad. Se comenzaría con la discriminación entre posición
central y variabilidad en las distribuciones de datos (Rubin, Hammerman y Konold,
2006). Después hay que deducir las características de una población a partir del análisis
de los datos o bien, inferir diferencias o similitudes entre dos poblaciones a partir de las
diferencias observadas en dos muestras de datos (Zieffler, Garfield, Delmas y Reading,
290
2008). Rossman (2008) sugiere usar la simulación para conectar la aleatoriedad que los
estudiantes perciben en el proceso de recogida de datos con la inferencia del modo
siguiente: a) Comenzar con una hipótesis sobre los datos; b) usar experimentación o
simulación para reflexionar si los datos observados son plausibles cuando la hipótesis es
cierta; y c) rechazar (o confirmar) la hipótesis inicial basándose en los resultados.
Acordes con los autores anteriormente citados, en el proyecto se les propone a
los estudiantes una investigación para comprobar si los alumnos de la clase en su
conjunto tienen una buena intuición sobre la aleatoriedad. En el transcurso de la misma
los estudiantes recogen datos individuales y colectivos sobre un experimento de
percepción de la aleatoriedad basado en las investigaciones sobre este tema de Green
(1989), Green y Hunt (1992), Toohey (1995) y Serrano (1996). En la primera sesión de
clase dedicada a la práctica (2 horas), el profesor plantea el proyecto, siguiendo la
metodología y actividades descritas en la Sección 4.2 de este capítulo. Para poder dar
respuestas a las preguntas planteadas es necesario que cada uno de los estudiantes
realice un experimento que pone a prueba sus intuiciones. Se recogen los datos de toda
la clase en una hoja preparada para ello. A cada alumno se le entrega una copia de la
hoja y se le deja como tarea extra-clase analizar los datos obtenidos para responder las
preguntas planteadas. Antes de cerrar la sesión se discute brevemente qué es la
aleatoriedad, cómo se podrían evaluar las intuiciones sobre ella y qué variables sería
pertinente utilizar para ello. En el Anexo 2 se encuentra la actividad completa y las
instrucciones dadas a los estudiantes.
4.2. La secuencia de actividades

En esta sección se describirá con detalle una secuencia de actividades sugerida por
primera vez por Batanero (2001), el tipo de análisis que se les propuso y algunas de las
reacciones que se espera por parte de los estudiantes. Este análisis es una ampliación del
realizado por Arteaga (2011) profundizando en particular sobre las variables aleatorias y
estadísticas que intervienen.
4.2.1. Consigna inicial y discusión colectiva

El trabajo comienza motivando a los estudiantes sobre el tema de la aleatoriedad y de
sus intuiciones al respecto. Se pide a los estudiantes ejemplos sobre experimentos
aleatorios y no aleatorios, con los que tengan experiencia propia y se incita a la
reflexión con preguntas similares a las siguientes, que se discuten colectivamente en la
clase.
291
1. Consigna inicial y discusión colectiva:

¿Tienes una buena intuición sobre el azar? ¿Cómo piensas que deberían ser los resultados
de lanzar una moneda 20 veces seguidas? ¿Serías capaz de escribir 20 resultados de lanzar
una moneda (sin lanzarla realmente, sino como tú pienses que debieran salir) de forma que
otras personas piensen que has lanzado la moneda en realidad?. O, ¿podría otra persona
adivinar que estás haciendo trampa?
Las conjeturas iniciales de los alumnos pueden ser variadas e incluir el caso de
estudiantes que crean que pueden adivinar los resultados de un experimento aleatorio o
bien los pueden controlar de algún modo. Estas serían manifestaciones de la llamada
ilusión de control2, así como del enfoque en el resultado aislado (Outcome approach)3.
Con el profesor dirigiendo, la clase discute que un estudiante podría acertar su
previsión sobre el resultado de un experimento aleatorio, sin embargo, hay que resaltar,
que eso sólo sería por mero azar, pues, como bien sabemos, el resultado de un único
experimento aleatorio no puede preverse con seguridad. También hay que subrayar que
el objetivo de la estadística es prever el comportamiento de una serie de ensayos o de
una población, es decir, una distribución de valores, aunque no se pueda predecir cada
valor particular. Se ponen ejemplos del uso de la estadística para realizar predicciones,
por ejemplo, en las encuestas de intención de voto y explica cómo se recogen los datos
estadísticos para analizarlos.
Con este planteamiento, el profesor propone la necesidad de realizar una prueba
con toda la clase y se organiza un experimento del cual se extraerán datos para que cada
estudiante los analice en la forma que considere mejor. También de este modo se
completará el ciclo completo de investigación de Wild y Pfannkuch (1999), pues una
vez planteada la pregunta (¿Son buenas las intuiciones respecto al azar?) surge la
necesidad de tomar datos para responderla. Justamente reconocer la necesidad de datos
en una investigación es otro de los modos de razonamiento estadístico fundamental en
el modelo de Wild y Pfannkuch.
4.2.2. Realización del experimento individual

La recogida de datos en la clase se organiza en la forma que se describe a continuación.
Se proporciona una pauta como la mostrada abajo para que cada estudiante escriba los
2
La ilusión de control fue descrita originalmente por Langer (1975). Él observó que, en juegos de azar,
como la lotería o de cartas, se podía generar en las personas la creencia ilusoria de que poseían la
capacidad de poder influir en el resultado.
3
Éste fue descrito por Konold (Konold, 1989; Konold, et al, 1991) como la actitud de las personas de
enfocarse en saber cuál será exactamente el resultado del siguiente experimento, sin observar el
comportamiento poblacional. Se describirá más detalladamente en la Sección 7.1.1.
292
datos de dos experimentos: En el primero, el estudiante inventa la secuencia de caras y

cruces como él piense que podría ocurrir. Se espera que la secuencia refleje su
concepción de una secuencia de resultados aleatorios (secuencia simulada). La segunda
parte del experimento consiste en lanzar una moneda realmente y anotar los resultados
(secuencia real).
2. Realización individual del experimento de lanzar una moneda y anotar los resultados
en una pauta cuadriculada.
Vamos a comprobar qué tal son tus intuiciones respecto a los resultados aleatorios. Abajo
tienes dos cuadrículas. En la primera de ellas escribe 20 resultados sin realizar realmente el
experimento. En la segunda mitad lanza la moneda 20 veces y escribe los resultados
obtenidos. Pon C para cara y + para cruz.
Lanzamiento simulado
Lanzamiento real
4.2.3. Las primeras variables

Cuando todos los alumnos han concluido su propio experimento se plantearán preguntas
similares a la que reproducimos a continuación. Confiamos en que los estudiantes
producirán ideas sobre las características de las secuencias obtenidas y que de ahí
surgirán variables con las que se pueda evaluar la aleatoriedad de las secuencias
inventadas por los alumnos.
3. Gestión de la clase, nuevas cuestiones y actividades:
¿Cómo podremos distinguir una secuencia realmente aleatoria de otra que hemos
inventado?
Normalmente al lanzar una moneda equilibrada la primera variable visible con la

que trabajamos es una variable aleatoria con distribución de Bernoulli (o distribución
dicotómica) que toma valor 1 cuando ocurre, por ejemplo cara (éxito) y 0 cuando ocurre
cruz (fracaso) y que cumple la condición de que los ensayos son independientes unos de
otros. Dicha distribución está caracterizada por su probabilidad de éxito p y
probabilidad de fracaso q=1−p. En este proyecto cada estudiante trabaja implícitamente
con dos variables aleatorias diferentes respecto a las secuencias producidas (real y
simulada):
 La variable aleatoria de la secuencia real ζr, que correspondería al
lanzamiento de la moneda equilibrada (la variable estaría vinculada a la
pregunta ¿el resultado del experimento es cara o cruz?), por tanto sus
293
probabilidades son p=q=1/2. Es una variable Bernoulli porque los resultados

de los lanzamientos son independientes unos de otros. Su media, sería igual a
p y su varianza igual a pq. Sobre esta variable podemos analizar si el
estudiante la percibe y si tiene una intuición de su valor medio.
 La variable aleatoria, ζs, es producto de la intuición del estudiante y estaría
vinculada con la pregunta ¿qué caería ahora, cara o cruz? Toma valor 1
cuando ocurre, por ejemplo, cara (éxito) y 0 cuando ocurre cruz (fracaso) en
la secuencia simulada. No sabemos si es o no Bernoulli, pues no sabemos si
el estudiante produce ensayos independientes. Tampoco sabemos el valor de
p, pues no sabemos si el estudiante tiene alguna preferencia por producir
caras o cruces, ni en qué proporción lo hace.
Además, puesto que el estudiante repite el experimento 20 veces tenemos una

serie de 20 ensayos de cada una de las variables aleatorias anteriores, y por lo tanto,
cada estudiante obtiene dos variables estadísticas:
 La variable estadística Xr surge como consecuencia de obtener una muestra
de 20 valores de la variable aleatoria ζr (el recuento de los resultados de los
ensayos que realizó al lanzar la moneda).
 La variable estadística Xs surge como consecuencia de obtener una muestra
de 20 valores de la variable aleatoria ζs. (el recuento de los resultados al
simular haber lanzado la moneda).
Se espera que el estudiante pueda sugerir de manera natural trabajar con las
anteriores variables, no en el sentido específico de que sea consciente de la existencia y
diferencias entre las variables aleatorias y estadísticas, pero sí que sea capaz de
enunciarlas y analizarlas informalmente como variables útiles en la evaluación de la
aleatoriedad de las secuencias. En particular, suponemos que, mediante un proceso de
inferencia informal, será capaz de comparar las características de las distribuciones de
las variables Xr y Xs para conjeturar sobre las semejanzas o diferencias entre ζr y ζs y de
ahí deducir sobre las intuiciones respecto al azar.
Seguramente algún alumno sugerirá contar el número de caras y cruces y
deducir que deben ser aproximadamente iguales, ya que hay las mismas posibilidades
para obtener cara que cruz. Esto mostrará una concepción correcta sobre la variable
aleatoria ζr y la correspondiente variable estadística Xr cuyo valor medio ha de coincidir
con p, puesto que la media de una muestra es un estimador insesgado de la media en una
población (Ríos, 1967). También esperamos que denote un cierto grado de capacidad de
modelación, pues es de suponer que el alumno trate de estudiar la veracidad de sus
294
intuiciones analizando la similitud de las variables aleatorias ζr y ζs y estas mediante las

correspondientes variables estadísticas Xr y Xs. Es decir, usa un modelo matemático para
responder a una pregunta sobre la realidad.
4.2.4. Variables vinculadas al número de caras

Sin embargo, el análisis de las variables anteriores involucraría analizar un solo caso (el
propio estudiante) en donde, para las variables estadísticas, los 20 lanzamientos son
repeticiones del experimento. Esto sería una pequeña muestra (por lo tanto poco fiable)
que no arrojaría mucha luz sobre el problema de las intuiciones de todo el grupo ya que
aun cuando el estudiante obtuviese exactamente el mismo número de caras y cruces en
las dos secuencias no obtendría ninguna conclusión, como tampoco la obtendría con
números diferentes, pues es natural la variabilidad de resultados en este tipo de
experimentos. Incluso cuando se piense en unir todos los datos para hacer una muestra
más confiable de la proporción del número de caras y de cruces obtenidas por todo el
grupo, no arrojarían mucha luz sobre el problema de las intuiciones del grupo, puesto
que se dejaría de lado el el orden en que aparecieron las caras y las cruces, puesto que
un mismo número de caras puede aparecer de diferentes de formas y es de esperar que
algunas parezcan más «aleatorias» que otras.
Si analizan sus propios datos, algunos estudiantes pueden manifestar ideas
erróneas como esperar que se obtengan exactamente 10 caras y 10 cruces e incluso, la
misma secuencia de resultados en los dos experimentos, lo cual pudiera indicar la
ilusión de control descrita por Langer (1975). Otros pensarán que tienen buenas
intuiciones si tienen muchas coincidencias en las dos secuencias, manifestando el
enfoque en el resultado aislado (Konold, 1989). En esta fase del proyecto, el profesor
tratará de llevar a los estudiantes del estudio de su caso particular (es decir, si sus
intuiciones fueron o no correctas) al estudio del colectivo clase (si las intuiciones de la
clase como grupo son correctas). El profesor organizará una discusión con preguntas
como las siguientes:
4. Cuestionamiento sobre los resultados individuales obtenidos:

Pero, ¿hemos de obtener exactamente 10 caras y 10 cruces? ¿Qué pasa si obtenemos 11
caras y 9 cruces? ¿Y si obtenemos 18 y 2?
295
5. Comparación entre lo simulado y lo obtenido:

¿Qué os parece si comparamos el número de caras en las secuencias real y simulada de
todos los alumnos de la clase? Cada alumno puede contar el número de caras en sus
secuencias simulada y real ¿Qué valores habéis obtenido? ¿Cuáles son el valor mínimo y
máximo obtenido? ¿Cuál es el valor más frecuente? ¿Cómo representar los datos de modo
que sepamos cuántas veces aparece cada valor? ¿Cómo podríamos organizar y resumir
estos datos?
Se espera que, con sus preguntas, el profesor guíe a los alumnos a ir más allá de
sus propios datos y a poner atención a los de sus compañeros: propone trabajar con el
número de caras que obtuvo cada alumno en su experimento particular (es decir, el
número de caras en una secuencia de 20 lanzamientos) y analizar esta variable en el
total de los alumnos. Se comienza por identificar el valor máximo y mínimo del número
de caras que apareció en la clase, apreciar que los diferentes alumnos obtienen diversos
valores e interesarse por los más frecuentes. Se trata, aunque no explícitamente, de
inducir en los estudiantes la idea de organizar un recuento y una tabla de frecuencias
para resumir la información tanto en las secuencias reales como en las simuladas para
finalmente comparar las dos distribuciones y analizar si existen diferencias importantes
que indiquen que su intuición los engaña (o no) con respecto a la aleatoriedad.
Así, el siguiente paso es organizar la recolección de los datos de todos los
alumnos de la clase, tanto del número de caras en las secuencias simuladas como en las
reales. Con esta actividad, aparecen dos nuevas variables aleatorias y sus
correspondientes variables estadísticas:
 La variable ηr que correspondería al número de caras en 20 lanzamientos de
la moneda equilibrada, por tanto sería una variable aleatoria Binomial con
parámetros n=20 p=q=1/2. Su media, sería igual a np y su varianza igual a
npq (Ríos, 1967). Con respecto a esta variable podemos analizar si el
estudiante percibe su variabilidad y si tiene una intuición de su valor medio y
de los valores más probables.
 La variable aleatoria ηs que correspondería al número de caras en una
secuencia de longitud 20 inventada por los estudiantes y que usamos como
modelo matemático para reflejar las intuiciones colectivas sobre los
experimentos aleatorios. Esperamos que no siga la distribución Binomial,
pues la investigación didáctica muestra que los ensayos producidos en este
tipo de experimentos no son independientes, aunque la probabilidad de cara
sigue siendo p=1/2 (Green, 1982, 1989; Toohey, 1995; Serrano, 1996).
296
Si m es el número de estudiantes de la muestra, entonces, puesto que cada

estudiante repite una vez el experimento, habrá una serie de m ensayos de cada una de
las variables aleatorias anteriores. Por lo tanto obtenemos dos variables estadísticas:
 La variable estadística Yr o resultados de una muestra de m valores de la
variable aleatoria ηr. Se espera que el estudiante use esta variable estadística
para sacar algunas conclusiones sobre la variable aleatoria ηr, puesto que sus
conocimientos matemáticos no le permiten trabajar directamente con ηr.
 La variable estadística Ys o resultados de una muestra de m valores de la
variable aleatoria ηs. El estudiante ha de usar esta variable estadística para
sacar algunas conclusiones sobre la variable aleatoria ηs.
Una vez recogidos los datos del grupo completo, la finalidad es que el estudiante
los resuma formando la distribución de frecuencias de las correspondientes variables
estadísticas Yr y Ys para proceder, primeramente al análisis de cada una de estas dos
variables y luego a la comparación de las principales diferencias en su distribución. De
ello esperamos que extrapole a las diferencias entre las correspondientes variables
aleatorias ηr y ηs y de ahí obtenga conclusiones respecto a sus intuiciones a través de un
proceso de inferencia informal. Esperamos que los estudiantes se den cuenta que las
variables tienen la misma media, pero distinta dispersión, es decir, que las intuiciones
sobre el número de caras son buenas con respecto al promedio, pero la secuencia de los
alumnos tiene menos variabilidad que las secuencias reales.
4.2.5. Variables vinculadas al número de rachas

El número de caras es sólo una de las variables que podemos analizar en una secuencia
de resultados aleatorios. En realidad aparecen muchos otros modelos probabilísticos
(Batanero y Serrano, 1995; Batanero, Serrano y Green, 1998) y en este estudio también
se quiere que los estudiantes tengan contacto con alguno de ellos, en particular con
variables vinculadas con las rachas.
Con base en las investigaciones sobre aleatoriedad subjetiva (Green, 1982; 1989;
Engel y Sedlmeier, 2005) se espera que las rachas simuladas por los estudiantes sean
cortas. Detrás de este razonamiento está la falacia del jugador, según la cual se cree que
después de una corta racha de, por ejemplo, caras, la probabilidad de que aparezca una
cruz tiene que aumentar, por lo que, inconscientemente, se tiende a que el resultado de
un lanzamiento simulado dependa de lo que se puso en el lanzamiento anterior (Green,
1982; 1989; Shaughnessy, 1992; Engel y Sedlmeier, 2005). Para evaluar esta
dependencia de ensayos, en este proyecto proponemos analizar dos nuevas variables en
297
las seecuencias producidas

p ppor los alum
mnos: el núm
mero de rachhas y la lonngitud de la racha
más larga.
La introducción de estas variaables requieere una inttervención más
m dirigidda del
profeesor, puestoo que son menos
m nte. Él deberá explicar a los
conoocidas para el estudian
alum u secuenccia de resulltados igualees, de modoo que, si después
mnos que unna racha es una
de uuna cara ap
parece una cruz (o viceversa) laa racha tienne longitudd 1. A moddo de
ejem
mplo, se usarron las secuuencias obteenidas por un
u alumno,, mostradas en la Tablaa 6.1,
dondde C, denotta cara y + denota cru
uz para mootivar las vaariables pro
opuestas. En
E esa
tablaa se pueden observar laas rachas. Así,
A en la seccuencia sim
mulada, la raacha más larrga es
de loongitud 3 (3
3 caras) y ell número dee rachas es 12, mientraas que en seecuencia reaal hay
una rracha de 5 cruces
c y el número
n de rachas
r es 111.
Taabla 6.1. Ejemplo de lass secuencias obtenidas poor un estudiaante

Lanzaamiento simullado:
C C + C + + + C C + C + C + + C C C + +
Lanzaamiento real:
+ C + C + + C C + C C C + + + + + C + +
A partir del ejemplo, el professor podría preguntar

p sii la racha donde
d aparecen 5
crucees seguidas, parece razzonable. Es posible quee algún alum
mno sugiera que la mooneda
utilizzada no estaaba bien coonstruida o que se hizzo trampa al
a realizar lo
os lanzamieentos.
Este tipo de reespuestas ayyudarán al profesor a conducir a los estuddiantes hacia un
cuesttionamientoo sobre las características de las rrachas de una
u secuenccia aleatoriaa y al
análiisis de las raachas en lass secuenciass generadass por el grup
po. En esta parte del esstudio
apareecerán cuaatro nuevass variabless aleatorias y sus correspondientes variiables
estaddísticas:
 La variable
v θr corresponde
c ería al númeero de rachaas en 20 lannzamientos de la
moneeda equilibbrada. Con respecto a esta variabble podemoos analizar si el
estuddiante percibbe su variaabilidad y si tiene una intuición dee su valor m
medio
y cuuáles son los valorees más prrobables. En
E una seecuencia de
d 20
lanzaamientos, el
e valor essperado dell número de rachas según Enggel y
Sedlm
meier (20055) es 10,5.
 La variable
v aleaatoria θs corrrespondería al númeroo de rachass en la secuuencia
de loongitud 20 inventada por los esttudiantes y que usamoos como modelo
l intuicionnes colectivvas sobre los experim
mateemático parra reflejar las mentos
aleattorios. No conocemos
c su
s distribucción, pero laas investigaaciones de Green
G
298
(1982, 1989), Toohey (1995), Falk y Konold (1997) y Serrano (1996)

indican que hay una tendencia a un exceso de alternancia entre caras y
cruces y que, mientras la probabilidad esperada de cambio de resultado en
una secuencia aleatoria es 0,5, las personas aumentan esa probabilidad hasta
0,6 ó 0,7.
Puesto que cada estudiante realiza el experimento, se tiene una serie de m

ensayos de cada una de las variables aleatorias anteriores y por lo tanto, también las dos
variables estadísticas correspondientes:
 La variable estadística Tr o resultados de una muestra de m valores de la
variable aleatoria θr.
 La variable estadística Ts o resultados de una muestra de m valores de la
variable aleatoria θs.
Lo mismo que en las variables anteriores, suponemos que los estudiantes, en un

proceso de inferencia informal, compararán las características de las distribuciones de
las variables Ts y Tr para conjeturar sobre las semejanzas o diferencias entre θs y θr y de
ahí deducir el comportamiento de sus intuiciones con respecto al azar. En particular, se
espera que el estudiante observe que el valor medio del número de rachas es menor en
las secuencias reales que en las simuladas, pero la dispersión es parecida.
4.2.6. Variables vinculadas la racha más larga

Finalmente se analizaría la longitud de la racha más larga, donde aparecen dos nuevas
variables aleatorias:
 La variable aleatoria λr que correspondería a la longitud de la racha mayor en
20 lanzamientos de una moneda equilibrada. De acuerdo a Engel y
Sedlmeier (2005), el valor medio de la racha más larga en una secuencia de
longitud n está dada por el logaritmo con base 2 de n, que para n=20 sería
aproximadamente igual a 4,322. Respecto a esta variable podemos analizar si
el estudiante percibe su variabilidad y cuáles son los valores más probables.
 La variable aleatoria λs que correspondería a la longitud de la racha mayor en
secuencia de longitud 20 inventada por los estudiantes y que usamos como
modelo matemático para reflejar las intuiciones colectivas sobre los
experimentos aleatorios.
Igual que en las variables anteriores, aparecen dos variables estadísticas Lr y Ls

que el estudiante ha de analizar para conjeturar sobre las semejanzas o diferencias entre
λr y λs y de ahí deducir sobre las intuiciones respecto al azar. Esperamos que el
299
estudiante observe que el valor medio de las rachas de las secuencias reales es mayor
que el de las de las secuencias simuladas.
La sesión finaliza con algunas instrucciones muy generales sobre el proyecto que
deberán de completar en casa. Se les da la hoja de los datos recogidos y se les pide que
los analicen y hagan un informe escrito que entregarán la siguiente semana. Se aclara
que en su informe deberán incluir todos los análisis y gráficos producidos y escribir sus
conclusiones (razonadas y sustentadas en el análisis realizado) sobre las intuiciones de
la clase con respecto a los experimentos aleatorios.
4.3. Respuestas y soluciones del proyecto: análisis de los datos

Para obtener una respuesta a la pregunta principal planteada en el proyecto: ¿Tienes una
buena intuición sobre el azar?, es necesario analizar los datos generados por los
estudiantes durante su trabajo en clase. Los alumnos que participaron en la experiencia
estuvieron divididos en tres grupos. Cada grupo tenía datos diferentes, puesto que los
datos fueron recopilados en cada clase como producto del experimento que realizó cada
uno de los alumnos de la clase. Los datos recogidos en uno de los grupos se muestran en
la Tabla 6.2. Mostraremos sólo el análisis de los datos de este grupo, puesto que los
resultados son muy similares en los otros dos y en los realizados en cursos anteriores.
Se espera que los estudiantes analicen estos datos a través de cada una de las
variables mencionadas en el apartado anterior (4.2) de manera independiente, aunque
también es deseable que el análisis de cada una de ellas les permita llegar a una
conclusión conjunta acerca de las intuiciones sobre el azar. Suponemos que los
estudiantes harán uso de herramientas estadísticas que les faciliten la comparación entre
las secuencias reales y las simuladas de cada una de las variables. No se puede exigir el
uso de pruebas de hipótesis o intervalos de confianza, puesto que los estudiantes no han
tenido contacto con esos temas, sin embargo sí se espera que tengan la capacidad de un
manejo apropiado de las medidas de tendencia central, de dispersión y de gráficas y
tablas y que su correcta interpretación les permitan hacer una comparación con estos
elementos. Es decir, confiamos en que estén en capacidad de hacer un adecuado análisis
exploratorio de datos que los conduzca a realizar inferencias informales (Rossman,
2008).
En este apartado se expondrá el análisis de los datos obtenidos por los alumnos
mostrados en la Tabla 6.2. En primera instancia mostraremos el análisis que se esperaría
que los estudiantes hicieran y conjeturaremos sobre las dificultades que podrían
presentarse al realizar ese trabajo. Para completar el análisis de Arteaga (2011),
utilizaremos pruebas de hipótesis para dar una solución matemática completa a la
300
Evaluación de un Proyecto
P abbierto
activvidad y justiificar las affirmaciones hechas sobbre la perceepción de laa aleatoriedad en

el appartado anteerior. Puestoo que el anáálisis de la comparació
ón de las diistintas variiables
es siimilar, el annálisis del número
n de caras será más detallado que el del resto de
d las
variaables.
T
Tabla 6.2. Hoja
H de datoos de una clase
Seecuencia simuulada Secuencia
S Reaal
Alumnoo Númeroo Número Racha Número Número de
d Racha
No. de Carass de Rachass Mayor de Caras Rachas Mayor
1 10 13 3 12 9 4
2 11 13 3 9 10 4
3 10 13 3 11 13 3
4 10 11 3 15 9 6
5 11 13 2 11 11 4
6 10 14 3 11 16 2
7 10 14 2 10 9 6
8 9 12 3 7 7 8
9 12 15 3 12 10 4
10 9 14 2 9 12 4
11 11 11 3 12 12 3
12 10 8 4 11 11 4
13 11 13 3 9 12 4
14 11 14 3 8 12 6
15 10 12 3 10 11 5
16 9 12 3 11 11 3
17 10 14 3 7 14 3
18 10 12 3 8 11 4
19 9 10 3 10 12 4
20 11 12 3 10 10 4
21 10 12 3 14 9 7
22 10 13 3 10 10 3
23 13 11 3 13 8 9
24 10 10 3 13 8 6
25 11 12 3 8 10 3
26 11 11 3 11 10 5
27 9 12 3 11 10 5
28 10 14 3 14 8 5
29 10 12 3 8 10 4
30 9 15 3 11 11 4
4.3.1. Comparaci
C ón del núm
mero de ca
aras en lass secuencia
as reales y
y
simuladas
El primeer paso en esta
e comparración es reesumir la innformación en una tabbla de
frecuuencias (Tabbla 6.3) quee permita annalizar los datos más fácilmente.
f Para prepaarar la
301
tablaa, los estudiiantes necessitan contarr la frecuenncia de valoores de cadaa una de laas dos
variaables estadíssticas, con ello
e formulaarán la distrribución de las mismas. Los estudiiantes
podríían construiir una tablaa como la mostrada
m o bien
b dos tablas separaddas para cadda una
de llas variablees. Podríann también completar la tabla con frecueencias relaativas,
frecuuencias acum
muladas y porcentajes.
p Todos estoos conocimiientos les soon accesiblees por
sus eestudios de secundaria
s y del primer año en la Facultad.
F
Tabla 6.3. Distribución de frecuen

ncias del núm
mero de carass.
Número dee Secuuencia

caras Simulada Real
6 0 0
7 0 2
8 0 4
9 6 3
10 14 5
11 8 8
12 1 3
13 1 2
14 0 2
15 0 1
16 0 0
Total 30 30
Al realizzar tablas o representaaciones gráfficas de la distribución

d n de frecuenncias,
los eestudiantes hacen uso de uno de los razonnamientos estadísticoss fundamenntales,
segúnn el modeloo de Wild y Pfannkucch (1999), eel de transn
numeración, que consisste en
realizzar un cambbio de repreesentación a los datos para, a parttir del mism
mo, conseguuir un
conoocimiento no accesiblee en el listaado de datos. Lo más adecuado sería
s que laas dos
distriibuciones se
s representten conjunttamente, poor ello que,, en lo quee sigue, nossotros
preseentaremos toodas las tabblas y los grráficos por pares
p de varriables relaccionadas.
16
14
12 Simulaada
Frecuencias
10 Real
8
6
4
2
0
Número de
e caras
F
Figura 6.1. Diagramas
D d Barras dell número de caras en secu
de uencias realees y simuladaas
302
Nuestros estudiantes están familiarizados con los diagramas de barras y

polígonos de frecuencia, que podrían construir a mano o bien, como en la Figura 6.1 y
Figura 6.2, utilizando el paquete Excel, que ellos ya han empleado en la asignatura de
Matemáticas y su didáctica el curso anterior. Ambas representaciones gráficas permiten
a los estudiantes observar las diferencias y semejanzas de la distribución del número de
caras en las secuencias real y simulada, especialmente la cercanía de las modas y
diferencia de rangos. También se observa claramente que la mayor parte de los
estudiantes produjo exactamente 10 caras, que es el valor esperado de la variable
aleatoria binomial B(20, 0,5) que modela el número de caras al lanzar 20 veces una
moneda. De ahí deberán concluir que los estudiantes tienen una buena intuición del
valor esperado de dicha variable aleatoria.
16
14
12 Simulada
Frecuencias
10 Real
8
6
4
2
0
Número de caras
Figura 6.2. Polígono de frecuencia del número de caras en las secuencias reales y
simuladas
En caso de que los estudiantes los conozcan, también podrían realizar algunos
gráficos de caja (Figura 6.3) de las dos secuencias, donde se muestran más claramente la
coincidencia de las medianas y al mismo tiempo podemos comparar visualmente la
media y los cuartiles. Es muy evidente la menor dispersión, que indica que al tratar de
simular un fenómeno aleatorio somos menos variables de lo que ocurre en la realidad;
no percibimos completamente la variabilidad aleatoria, tenemos una tendencia a
reducirla (Engel y Sedlmeier, 2005). También permite identificar los alumnos que
produjeron resultados atípicos.
En caso de que los estudiantes produzcan algunos de los gráficos anteriores en
forma separada, sería importante usar las mismas escalas y si construyen histogramas
los mismos intervalos y tomar valores centrados en números enteros, al ser la variable
discreta. Con el fin de poder comparar los gráficos y de obtener gráficos fáciles de
interpretar.
303
Gráficos de cajas
Número de caras
carasim
S. Simulada
caras
S. Real
7 8 9 10 11 12 13 14 15 16
Figura 6.3. Número de caras en secuencias reales y simuladas
En estudios previos (Arteaga, Batanero y Ruiz, 2009; Ruiz, Arteaga y Batanero,

2009 a y b; Ruiz, Batanero y Arteaga, 2011) hemos reportado algunas posibles
dificultades que aparecen en la realización de tablas y gráficos. Esperamos que algunos
de ellos se reproduzcan también aquí, como que los estudiantes no llegasen a formar la
distribución de la variable estadística, analizando solamente su caso particular (los datos
de su experimento) o bien estudiasen los valores obtenidos uno a uno, sin agruparlos,
trabajando con las frecuencias de la variable cara o cruz. Estos errores indicarían que los
estudiantes no usan intuitivamente la idea de distribución para comparar dos
distribuciones.
Una característica esencial del análisis estadístico es que trata de describir y
predecir propiedades de los conjuntos de datos (y no de cada dato aislado). Sin
embargo, Konold, Pollatsek, Well y Gagnon (1997) han observado que a algunos
estudiantes se les dificulta dejar de pensar en los valores de la variable como propiedad
de los individuos aislados, en lugar de comparar propiedades de conjuntos de datos.
También Batanero, Estepa y Godino (1997) estudian estrategias de estudiantes de
magisterio al comparar dos distribuciones, y encuentran que algunos estudiantes solo
usan valores aislados en la comparación de dos distribuciones. Esta conducta podría
presentarse en nuestro estudio.
Otra herramienta indispensable para el análisis de los datos son los estadísticos.
Es necesario que la confrontación de las dos distribuciones se realice basándose en la
comparación de los promedios (media, mediana y moda) y dispersión (varianza,
desviación típica y rango). Esperamos, por tanto, que los estudiantes calculen algunos
de los estadísticos mostrados en la Tabla 6.4, incluso algunos de ellos podrían no
requerir de las tablas y los gráficos anteriores, sino únicamente hacer la comparación
directamente a partir de estos estadísticos.
304
P abbierto
Tablla 6.4. Estadísticos dell número de caras

S
Secuencia
Simullada Real
Media 10.23333 10.53333
Moda 100 11
Medianaa 100 11
Máximo 13 15
Mínimo 9 7
Rango 4 8
Desviación Típica 0.93553 4
2.0634
Varianzaa 0.87447 4.2575
5
Numériccamente see pueden comprobaar las co

onjeturas gráficas
g hechas
anterriormente a través de estos resúúmenes estaadísticos: laa media, mediana
m y moda
coincciden o sonn muy próóximas, mieentras la vaarianza, desviación típpica y recoorrido
interccuartílico son
s menores en la distribución de
d caras sim
muladas. Essto, nuevam
mente,
d númeroo de caras en la
indicca una buenna intuiciónn del valorr medio (esperanza) del
secueencia aleatooria, pero nno de la disppersión de los datos. Podemos
P deecir, que la clase
produuce secuen
ncias con menor
m dispeersión del número
n de caras que las obteniddas al
realizzar el experrimento, quee es una forrma de no acceptar la aleeatoriedad de
d las mism
mas.
Tambiénn esperamoss que en el cálculo de los estadístticos, los esstudiantes teengan
algunnas de las dificultadess ya descriitas en las investigaciones de vaarios autorees, en
particcular de Coobo (2003) y Mayén (20009):
 Resp
pecto a la media,
m la prrincipal difiicultad desccrita en estoos trabajos es el
errorr en el cálcculo de med
dias ponderradas; aunque tambiénn se han descrito
otross errores talles como caalcular la media
m de lass frecuenciaas (confundiendo
frecuuencia y datto).
 Resp
pecto a la mediana,
m el principal prroblema qu
ue se presennta es no ordenar
los datos
d en ell cálculo de
d la mediaana o no teener en cuuenta el casso de
indetterminaciónn.
 En muchos
m casos, los estuudiantes se limitan a calcular
c loss estadísticoos sin
interp
pretarlos, pues
p n problemaas al elegirr el mejor promedio para
tienen
repreesentar un conjunto
c dee datos o bien
b en inteerpretar el significado
s de la
variaanza o desviiación estánndar.
Finalmen
nte presentamos en laa Tabla 6.55 y en la Tabla
T 6.6 loos contrastees de
hipóttesis de laa diferenciaa de mediaas (mediantte el test t de Studeent de mueestras
relaccionadas) y de diferenccias de varianzas (meddiante la pruueba F). Loos estudianttes no
tieneen acceso a este conociimiento, por lo que no se espera que
q ellos haagan este tippo de
305
estuddios; sin em
mbargo a nosotros
n co
omo investigadores, noos dará la referencia de la
solucción matem
mática del problema.
El contraaste de diferrencias de medias
m (Tabbla 6.5), perrmite ver enn primer luggar, el
solappe de los inntervalos dee confianza del 95% y que el inteervalo de confianza
c paara la
diferrencia de medias
m contieene el origeen de coorddenadas. Poor otro lado, el valor de
d la t
obtennido para la diferenccia de meddias es muuy cercano al origen,, por lo quue la
probaabilidad dee obtener laa diferenciaa dada en caso
c de igualdad en laas medias de
d las
poblaaciones es 0,47,
0 es deccir, muy altaa. Todos esttos indicadoores permiteen afirmar que
q la
igualldad de meedias del núúmero de caras
c en seccuencias reeales y simu
uladas se podría
p
generalizar a lass poblacionees de alumnnos de dondde se obtuvieeron las mu
uestras.
Tabla 6.5. Resultado del

d contrastee de diferenccia de mediass
Intervallo de confianzza de 95%

Meedia del número de caras enn las secuenciaas simuladas ( 9,88 - 10,58
1 )
Meedia del número de caras enn las secuenciaas reales ( 9,76 - 11.3 )
Differencia de meedias en las do
os secuencias ( -1,12 - 0,52 )
Valor t t = -00,72
Valor p 0,47
Por el coontrario, no hay solape en los interrvalos de coonfianza de las desviacciones

l dos varianzas
típicaas del númeero de carass en las doss distribucioones y la raazón entre las
(mayyor de 5) es muy poco probable
p en
n caso de iguualdad de varianzas
v en
n las poblaciiones,
por lo tanto, la diferencia de vaarianzas (y de disperrsión) es estadísticam
mente
signiificativa. Ell valor p es muy pequeeño. Todos estos indicaadores nos permiten
p acceptar
la differencia de dispersión en
e las dos distribucione
d es (Tabla 6..6).
T
Tabla 6.6. Resultado deel contraste de diferenciaa de varianzaas
Intervalo de confianza de 95%

desviacción típica dell número de caaras en las seccuencias simuuladas ( 0,,74 - 1,25 )
desviacción típica dell número de caaras en las seccuencias realees ( 1,6
1 - 2,77 )
Valor F F = 5,2
Valor p 0,00005
0
4.3.2. Comparaci
C ón del núm
mero de ra
achas en la
as secuenccias realess y
simuladas
El annálisis mateemático parra compararr las secuenncias a través del núm
mero de rachhas es
pareccido al anállisis de la variable anteerior, por loo que será más
m escuetam
mente trataddo en
este apartado. Tanto
T en la tabla de frecuenciaas (Tabla 6.7),
6 como en los disttintos
gráficos (Figuraa 6.4), se oobserva un desplazamie
d ento de la distribución
n del númeero de
306
P abbierto
rachaas en las seccuencias reaales respectto a las simuuladas, lo quue muestra notoriamennte un
mayoor valor medio del núúmero de rachas
r l secuencias simuladdas. Tambiéén se
en las
puedde notar conn claridad una
u dispersióón semejannte o incluso
o menor. Laa conclusiónn que
se esspera que loos estudianttes obtengaan de esta observación
o n es que loss valores medios
m
son ahora diferrentes, peroo con la misma
m dispersión. Dich
ho de otra manera, cuuando
simuulamos secu
uencias aleaatorias prod
ducimos máás rachas qu
ue las que se esperaríaan en
una ssecuencia reealmente aleeatoria.
Tabla 6.7.
6 Distribbución de freecuencias y estadísticos del
d número de
d rachas
Secuuencia Secueencia
Valor Estadístico
Simulada Real Simulada Real
7 0 1 Media 12,4 10,5
8 1 3 Moda 12 10
9 0 4 Mediana 12 10
10 2 8 Máximo 15 16
11 4 6 Mínimo 8 7
12 9 5 Rango 7 9
13 6 1 Desv. Típ. 1,6 1,9
14 6 1 Varianza 2,4 3,6
15 2 0
16 0 1
Total 30 30
Figura 6.4. Algunos grráficos del nú

úmero de racchas en secueencias realess y simuladass
307
Las difi
ficultades que
q podríaan tener loos estudian
ntes en laa producción e
interppretación de
d tablas, grráficos y resúmenes esstadísticos son
s similarees a las desscritas
en eel apartado anterior. Sin
S embarg
go, de acueerdo con Arteaga
A (20011), la varriable
«núm
mero de rach
has» será menos
m utilizaada porque al realizar este
e tipo de experimenttos, la
habíaan considerran menos que la vaariable «núm
mero de caaras», que les resultaa más
familliar.
omparación entre variaanzas (Tablaa 6.9), los intervalos de
En la co d confianzza del
mos un valoor F (razón de varianzaas) cercano a la unidadd con
95% se solapann, y obtenem
una probabilida
p ad (valor p) igual a 0,331, valor quue ocurre una
u de cadaa tres vecess, por
tantoo es relativvamente prrobable. Coomo conseccuencia no podemos asumir quue las
distriibuciones teengan difereente disperssión en este caso.

Intervallo de confianzza de 95%

Meedia del número de rachas en e las secuenccias simuladass ( 11,81 - 12,98 )
Meedia del número de rachas en e las secuenccias reales ( 9,82 - 11.23
1 )
Differencia de meedias en las doos secuencias ( 0,96 - 2,86 )
Valor t t = -00,72
Valor p 0,47
T
Intervalo de confianza de 95%

desviacción típica dell número de raachas en las seecuencias sim
muladas ( 1,,24 - 2,10 )
desviacción típica dell número de raachas en las seecuencias realles ( 1,5
1 - 2,53 )
Valor F F = 0,67
Valor p 0,31
4.3.3. Comparaci
C ón de la lo
ongitud de
e la racha m
mayor en llas secuencias
reales y sim
r muladas
A coontinuación
n se repitenn los análissis para la variable «longitud
« d la rachaa más
de
grandde». En estee caso tambbién las difeerencias sonn evidentes. En la tabla de frecuenccias y
en loos estadísticcos (Tabla 6.10) se obbserva que la longitud
d mayor dee la racha de
d las
secueencias prodducidas por los estudiaantes se conncentra entree 2 y 4 mieentras que en
e las
realees varía entrre 2 y 9.
Estas differencias soon más claraas en las diferentes grááficas (Figuura 6.5), tannto en
lo quue concierne a la diferrencia de vaalores centrrales (moda en los diaggramas de barra,
b
políggonos de frecuencia
f mas y meddiana en loos gráficos de caja) como
e histogram
diferrencia de diispersión. Las
L rachas generadas
g p los estuddiantes sonn muy cortaas con
por
respeecto a las que se prresentan enn un processo aleatorioo. Ademáss, hay una gran
308
P abbierto
coinccidencia en los resultaddos pues haay mucho menos

m dispeersión que cuando
c se reepiten
varioos lanzamienntos aleatorrios de 20 monedas.
m
T
Tabla 6.10. Distribución
D n de frecuenccias y estadíssticos de la loongitud de laa racha mayoor
Secuuencia Secueencia
Valor
Simulada Real Simulada Real
2 3 1 Media 2,9 4,6
3 26 6 Moda 3 4
4 1 12 Mediana 3 4
5 0 4 Máximo 4 2
6 0 4 Mínimo 2 9
7 0 1 Rango 2 7
8 0 1 Desv. Típ. 0,36 1,56
9 0 1 Varianza 0,13 2,46
Total 30 30
Figura 6.5
5. Algunos gráficos
g de laa longitud dee racha mayoor en secuenccias reales y
simuuladas
Com
mo en el casso de las vaariables antteriores reaalizaremos contrastes
c d hipótesiss para
de
obtenner la solucción matemática (Tablaa 6.11 y Taabla 6.12). En
E esta varriable los vaalores
mediios de la diistribución simulada
s soon menoress y lo mism
mo ocurre co
on la disperrsión.
Tantoo las difeerencias dee medias como lass de variaanza son estadísticam
mente
E ninguno de los dos casos se solapan los intervalos de
signiificativas. En d confianzza del
309
95% de la mediia o desviacción típica en

e cada disttribución. Las
L pruebas t y F dan como
resulltado un valor con una
u probabiilidad extreemadamente pequeña,, por lo quue la
conclusión es que
q los estuudiantes prooducen rachhas más corrtas que lo esperado enn una
secueencia aleatooria. Asimiismo la disppersión de la racha más
m larga enn las secueencias
l que la concordancia entre
realees es menor que la corrrespondientee a las simuuladas por lo
los rresultados obtenidos
o por los alum
mnos es maayor que laa esperada en
e una situuación
aleattoria real.

Intervalo dee confianza de 95%

Media de
d la longitud de la racha mayor
m en las seecuencias simuuladas ( 2,,79 - 3,06 )
Media de
d la longitud de la racha mayor
m en las seecuencias reales ( 3,,94 - 5,11 )
Diferen
ncia de mediass en las dos secuencias ( -2,18 - 1,01 )
Valor t t = -5,43
Valor p 0,000001
0
T
Inteervalo de confi
fianza de 95%
desviación típ
pica de la longgitud de la raccha mayor en las
l secuenciass simuladas ( 0,29 - 0,499 )
desviación típ
pica de la longgitud de la raccha mayor en las
l secuenciass reales ( 1,25 - 2,11 )
Valoor F F = 0,05
Valoor p 0,0000000
4.3.4. La conclusi
L ión: Una re
espuesta a
a la pregun
nta del pro
oyecto.
Supoonemos que una parte de
d los estudiantes integgrarán las coonclusiones obtenidas en
e los
l variables de los inccisos anterioores y que serán
análiisis individuuales de cadda una de las
capacces de emittir una connclusión glo
obal con resspecto al grrupo complleto que poodrían
apliccar con resppecto a sí mismo
m (com
mo parte deel grupo), para
p deducirr si tiene buuenas
intuicciones sobrre el azar.
Se esperra que concrreten una co
onclusión en
e donde maanifieste qu
ue la aleatorriedad
en laa secuencia simulada esstá condicioonada, princcipalmente, por las variiables númeero de
carass y longitudd de la rachha más grannde. Al iguual que en la
l investigaación de Arrteaga
(2011) esperam
mos que alguunos de elloos generen argumentoss parecidos al siguientte o a
algunnas partes del
d mismo:
L
Los resultad
dos indican que
q los estuddiantes tienenn una buenaa intuición deel número de
d
ccaras más prrobable al laanzar una moneda.
m Sin embargo, esstán tan preoocupados poor
llograr que laa media del nnúmero de caras sea 10, que tienden a hacer mucchas rachas y
ppor lo tanto la longitud de la racha más larga que
q logran innventar es muy
m corta. La L
ggran variabiilidad del número
n de rachas indica que los estudiantess no estabann
310
preocupados por el número de rachas que generaban, en cambio la poca variabilidad

en la distribución de la longitud de la racha más larga, señala que la gran mayoría hizo
lo posible porque sus rachas fueran cortas. Podemos concluir que los estudiantes del
grupo tienen intuiciones parcialmente correctas (el número de caras) y parcialmente
incorrectas (tratan de que no haya repetición consecutiva muy larga del mismo
resultado) porque hay demasiada preocupación por el equilibrio entre caras y cruces.
Aunque no lo expresen explícitamente, esperamos que sus respuestas reflejen

algunos indicadores explícitos de comprensión de que la aleatoriedad no significa
necesariamente ausencia de modelos (Batanero y Serrano, 1999), sino que también
puede «observarse» a través de modelos que se reflejan en los parámetros o estadísticos
y distribuciones de las variables trabajadas, con algún razonamiento similar al siguiente
en el que también hay evidencias de uso de las variables estadísticas y aleatorias:
Nos dimos cuenta que la aleatoriedad puede ser observada y evaluada por medio de las
distribuciones de las tres variables que manipulamos en el proyecto. Así mismo, que
es importante considerar las medidas de tendencia central y de dispersión en su
conjunto.
5. Objetos de análisis en el proyecto

Para completar el estudio de Arteaga (2011) en este apartado analizaremos el proyecto
más profundamente como un instrumento de evaluación de la comprensión de los
modelos matemáticos relacionados con la variable aleatoria y que están implicados en la
realización de inferencias informales por parte de los estudiantes participantes en la
investigación.
Este análisis lo presentamos en cuatro aparados de acuerdo a los objetos
matemáticos que el estudiante tendrá que usar implícita o explícitamente en la
resolución del proyecto: (1) la aleatoriedad, (2) la variable estadística y su distribución,
(3) la variable aleatoria y su relación con la variable estadística y (4) las conclusiones
sobre la pregunta planteada y la forma en que el estudiante completa el ciclo de
modelación.
En cada apartado se describe y analiza la forma en que el objeto se hace presente
en el estudio, cómo esperamos que el estudiante lo ponga en juego al desarrollar el
proyecto y la manera en que esperamos evaluar su comprensión de acuerdo con los
objetivos de nuestra investigación, así como algunas de las posibles respuestas de los
estudiantes. Para nuestro análisis nos basaremos en las investigaciones que han descrito
dificultades de los estudiantes con cada uno de los objetos analizados. Todo ello nos
servirá para plantear nuestras hipótesis de este estudio.
311
5.1. Aleatoriedad
La aleatoriedad no sólo es un objeto matemático con el que se relaciona
epistémicamente la variable aleatoria, también es el contexto en el que se desarrolla el
proyecto, puesto que proponemos un experimento clásico sobre percepción de la
aleatoriedad. Es particularmente importante indagar, entonces, sobre el conocimiento
que los estudiantes tienen acerca de ella y la forma en que ese conocimiento influye
sobre su razonamiento estadístico y viceversa (Makar, Bakker y Ben-Zvi, 2011).
Así, la aleatoriedad se presenta en dos niveles en la investigación. Por un lado,
las concepciones de los estudiantes se deberán ver reflejadas en los datos recogidos en
el experimento propuesto en el proyecto. Por otro, puesto que se pide a los estudiantes
que usen los resultados de un experimento aleatorio para analizar sus propias
concepciones sobre «el azar», las conclusiones obtenidas por los estudiantes y sus
argumentos como parte de su análisis nos permitirán también acceder a su visión sobre
la aleatoriedad. Así, en el proyecto se evaluará la concepción de aleatoriedad desde dos
perspectivas, a) en una observaremos globalmente las percepciones sobre el azar del
grupo completo en el análisis de los datos de sus secuencias inventadas; b) en la otra a
través de las razones individuales de los estudiantes para justificar su conclusión ante la
pregunta sobre las intuiciones del azar del grupo completo. Por el tipo de información y
el diseño de la recopilación de la información, la primera permite un análisis más
cuantitativo, la segunda, en cambio, será cualitativo.
En las preguntas planeadas, hemos evitado el uso de términos más sofisticados
que el estudiante podría desconocer; por eso utilizamos el término «azar» como
expresión coloquial para referirnos a la aleatoriedad. La idea de azar es más amplia e
involucra concepciones filosóficas y epistemológicas sobre las que no profundizaremos
en este trabajo, sin embargo estaremos atentos a ellas porque implícitamente determinan
comportamientos y creencias de los estudiantes. Dentro de las múltiples concepciones
históricas sobre aleatoriedad (ver resúmenes en Batanero y Serrano, 1995; Serrano,
1996; Bennett, 1998; Batanero Henry y Parzysz, 2005), en este proyecto adoptamos los
dos aspectos constitutivos de este objeto que devinieron como importantes a partir de
los desarrollos teóricos de la inferencia estadística y que fueron diferenciados por Zabell
(1992):
 El proceso de generación de resultados aleatorios, que es lo que
matemáticamente se conoce como experimento aleatorio. Detrás de este
aspecto, está el supuesto de que el carácter aleatorio del proceso asegura que
los resultados obtenidos a partir de él, sean aleatorios. En nuestra
investigación consideramos la evaluación del experimento más simple
312
posible: el lanzamiento de una moneda equilibrada, que consta de dos

resultados posibles, equiprobables e independientes (cara y cruz).
Esperamos que los estudiantes comprendan este experimento, su carácter
aleatorio y la equiprobabilidad. Sin embargo, puesto que repiten 20 veces
este experimento y, para el objetivo del proyecto, lo estadísticamente
analizable es la secuencia de resultados a partir de esos 20 resultados,
esperamos que manejen intuitivamente la extensión del experimento y la
recursividad de la aleatoriedad de este nuevo experimento. Los estudiantes
de nuestra muestra no han llevado cursos de probabilidad, así que no
esperamos la conceptualización formal de un experimento aleatorio
compuesto o de su espacio muestral. Sin embargo, sí se espera que el mismo
contexto los ayude a manejar implícitamente el experimento aleatorio
compuesto. Es deseable la concientización de que el objetivo del proyecto es
el que dirige este proceso de extensión del experimento aleatorio simple,
puesto que el lanzamiento de una moneda permitiría sólo una evaluación
parcial de la aleatoriedad, ya que sólo sería posible analizarla a través de la
variable «¿cara o cruz?».
 Las características de la secuencia aleatoria producida como consecuencia
del experimento. La aleatoriedad también se puede observar en las
características de la secuencia producida, puesto que a pesar de que la
aleatoriedad se vincula con la imposibilidad de encontrar reglas o patrones,
también lo es que existen formas de definir y estudiar la aleatoriedad de las
secuencias. En nuestra investigación la aleatoriedad de las secuencias reales
está garantizada por el proceso seguido, por lo tanto, el análisis de sus
características le servirá para cuestionar la aleatoriedad de las que no se
obtienen a través de tal proceso. Se espera que el estudiante encuentre
patrones en las secuencias reales obtenidas y que los caracterice a través de
las variables propuestas: número de caras, el número de rachas y la longitud
de la racha más grande.
Como se ha indicado, además en este proyecto, se estudia la percepción

subjetiva de la aleatoriedad, puesto que en la secuencia simulada se ponen a prueba las
intuiciones de los estudiantes. Se pretende que el estudiante (y nosotros) estudien la
concepción de los estudiantes de la clase sobre la aleatoriedad, como se ha hecho en
muchos otros experimentos de estudio de la percepción de la aleatoriedad en sujetos
adultos ya mencionados.
313
Como podemos observar, en la actividad se pone de manifiesto el hecho de que

los dos componentes de la aleatoriedad descritos por Zabell (1992) se pueden separar,
puesto que es posible, al menos teóricamente, que se pudiese simular una secuencia de
modo que apareciese como aleatoria a los ojos de las personas que no supiesen como se
ha generado, lo mismo que es posible hoy día que algoritmos deterministas (como un
programa de ordenador) produzca secuencias de resultados «aleatorios».
Recalcamos que en este proyecto la aleatoriedad es recursiva, pues la secuencia
de 20 resultados de lanzar una moneda por cada estudiante podría a su vez considerarse
un nuevo experimento (proceso) aleatorio compuesto, cuyos sucesos serían los posibles
ordenamientos con repetición de caras y cruces de longitud 20. La repetición del
experimento por cada uno de los estudiantes, se podría considerar como una secuencia
de resultados aleatorios de dicho experimento compuesto, de modo que teóricamente es
posible estudiar los patrones de dichas «secuencias».
Esperamos también que, en el trabajo con el proyecto, los alumnos manifiesten
algunas ideas sobre la aleatoriedad y parte de ellos aprecien las características esenciales
de los fenómenos aleatorios descritas por Batanero y Serrano (1995) y Serrano (1996):
 En un experimento considerado aleatorio hay más de un resultado posible de
acuerdo a las condiciones fijadas de antemano. Esperamos que el estudiante
sea capaz de identificar los sucesos del espacio muestral correspondiente a
los diferentes experimentos que aparecen a lo largo del proyecto.
 Con los conocimientos que posee el sujeto que emite el juicio, el resultado
concreto que ocurrirá es impredecible. La impredecibilidad es una diferencia
esencial entre experimentos aleatorios y deterministas. Sin embargo, algunos
estudiantes podrían suponer que es posible predecir el resultado o al menos
predecir una parte de los resultados de la secuencia aleatoria, mostrando la
ilusión de control. Los estudiantes también pueden tener la creencia de que
al emitir una conjetura sobre un experimento aleatorio, tienen que adivinar el
resultado, mostrando el enfoque en el resultado aislado.
 Hay posibilidad -al menos teórica- de repetir indefinidamente la observación
o producción del fenómeno. Esta es una característica de la concepción de
aleatoriedad en la escuela de estadística frecuencial, que aparece en este
estudio, puesto que una parte del proyecto consiste precisamente en repetir el
experimento de lanzar la moneda en las mismas condiciones4.
 Las secuencias de resultados obtenidas carecen de un patrón que el sujeto
4
La asignación de probabilidades para la variable aleatoria «número de caras» podría ser clásica, sin
embargo, por su nivel de estudios, no esperamos que los estudiantes la usen. En el estudio descrito en el
Capítulo 5 la asignación de probabilidades era clásica o a priori.
314
pueda controlar o predecir. Esta visión está relacionada con la idea de

impredecibilidad, y a la vez entronca con la concepción de aleatoriedad de
Von Mises (1952/1928)5, quien define que en cualquier secuencia aleatoria
se pueden seleccionar subsecuencias que conservarán la misma frecuencia
relativa sin importar el método de selección utilizado para armar las
subsecuencias. Esta es la base de los contrastes de hipótesis a través de los
cuales se prueban las tablas de números aleatorios (Batanero y Serrano,
1995). En esta investigación, no usaremos esta definición para probar
aleatoriedad de las secuencias, sin embargo sí esperamos que los estudiantes
manifiesten una idea de la relación entre la aleatoriedad y «carecer de
patrón» al comparar entre sí sus secuencias y con las secuencias de sus
compañeros.
 En el aparente desorden que caracteriza a la aleatoriedad, y también en
aparente contradicción, pueden descubrirse una multitud de regularidades
globales, comenzando por la estabilización de las frecuencias relativas de
cada uno de los resultados posibles. Esta regularidad global es el fundamento
que permite el estudio de estos fenómenos aleatorios mediante el cálculo de
probabilidades (Serrano, 1996) y la que nos permitirá trabajar con los
estudiantes en este proyecto. En el proyecto se analizarán algunos de los
modelos vinculados al análisis de las secuencias de los lanzamientos de la
moneda. En particular, el número de caras, número de rachas y la longitud de
la racha más larga; definidos, precisamente, a partir del establecimiento de
una variable aleatoria y su correspondiente variable estadística.
Estos diferentes componentes del objeto aleatoriedad están conectados con el

conocimiento del estudiante, pues, en nuestro proyecto, para responder la pregunta si se
tienen buenas intuiciones sobre la aleatoriedad, el estudiante debe movilizar su
conocimiento matemático y cotidiano del término. Algunas de las concepciones
(correctas o parcialmente correctas) sobre la idea de aleatoriedad que podrían aparecer
en nuestra investigación son encontradas por Serrano (1996) y Batanero y Serrano
(1999) también se deducen de nuestro análisis anterior:
 Aleatoriedad como impredecibilidad o carencia de control. Se manifestaría
en los estudiantes que indiquen que no se puede saber o controlar el
5
Von Mises, basándose en la idea de colectivo, definió la aleatoriedad como una serie de acontecimientos
o procesos que «satisfacen la condición de ser reacios a toda ley o arbitrarios» (p. 45) y que también
cumplen con las propiedades de que «la frecuencia relativa de sus atributos debe poseer valor límite… (y
que) éstos valores límite no deben alterarse en las sucesiones parciales que podamos seleccionar de la
original» (p. 46).
315
resultado de los experimentos aleatorios, o bien que no puede predecirse la

secuencia particular que aparecerá. Esta concepción sería correcta si se
refieren a un resultado en particular, pero deberá conjugarse la percepción de
que algunos sucesos son más probables que otros y que, aunque no se puede
predecir cada caso particular, sí se puede prever el comportamiento del
colectivo. La creencia inversa es incorrecta; si los estudiantes piensan que se
tendría una buena intuición cuando se acierta lo que va a ocurrir en un
número grande de las repeticiones del experimento o bien cuando esperan
que las secuencias simuladas y reales sean idénticas. También cuando
piensen que podría haber un control sobre el experimento, de manera que es
posible predecir la secuencia que se obtendrá.
Aunque la impredecibilidad y la carencia de control están vinculadas,
pueden presentarse por separado. La impredecibilidad está vinculada con
una incapacidad de predicción y la carencia de control con la imposibilidad
de manipular o influir en el resultado en un experimento aleatorio.
 Aleatoriedad como equiprobabilidad, concepción que sería próxima a la
existente durante los primeros pasos en el desarrollo del cálculo de
probabilidades (Bennet, 1998), pero se espera que sea superada rápidamente.
Se manifestaría en los estudiantes que mencionen que han de obtenerse 10
caras porque las caras y cruces son equiprobables. Nuevamente esto tiene
parte de verdad, porque aunque 10 es el valor más probable, no tiene
necesariamente que ocurrir.
 Aleatoriedad como conjunto de modelos matemáticos en la secuencia de
resultados es la concepción actual; esperamos que esta concepción no sea
espontánea en los estudiantes, pero el profesor la impondrá al sugerirles que
analicen diversas propiedades de las secuencias. En el proyecto analizaremos
su aceptación o reticencia a esta concepción al usar o no las propiedades que
el profesor les pedirá que analicen.
El estudiante movilizará su conocimiento y creencias sobre la situación

experimental; por ejemplo, su experiencia le dirá que no se puede conocer con
seguridad el resultado de lanzar la moneda; por tanto esperamos que admita que nos
encontramos ante un experimento aleatorio. Además sabe que no hay razón para preferir
caras o cruces; es decir, aceptará la moneda como equiprobable. También suponemos
que sabrá que el resultado de cada lanzamiento no depende de los anteriores.
Finalmente, ellos esperarán un número aproximado de caras y cruces y cierta
irregularidad pero no excesiva.
316
P abbierto
Esperam
mos que la unión
u del conocimient
c to estadísticco y del coontexto les lleve,
con aayuda del profesor, a trransformar la preguntaa inicial, quee es demasiiado vaga, a unas
preguuntas que se puedan contestar, ¿Cuáles soon las caraacterísticas que poseeen las
secueencias aleaatorias? ¿Cuuál será el número essperado de caras y crruces? ¿Cuuántas
rachaas se podríaan esperar en
e una secuuencia aleatooria?, ¿qué tan largas?? ¿Cuáles soon las
diferrencias, en términos dde las variaables analizzadas, entree una secueencia real y una
simuulada? ¿Quéé medidas auxilian
a a este
e análisiis y cuáles no? ¿Las mismas
m meedidas
tieneen la mismaa importancia en todas las variablees? Para finnalmente reecoger, resumir y
analiizar la inform
mación quee, al final, lees permitiráá concluir enn el contextoo del probleema.
Tabla 6.13. Evaluación de la comprrensión de la aleatoriedad

d
Objeto matemáticco D
Desglose Evaluacción en el proyyecto
Aleaatoriedad Concepcciones en Diferencciación entre resultado

r y prooceso
ejemplos individualess Referenccia a impredeccibilidad de reesultados en ell
Concepcciones del experimeento
grupo (gglobalmente) Referenccia a repetibiliidad del experrimento en suss
argumenntos
Conexióón entre aleatooriedad y causaalidad
Referenccia a aleatoriedad como equuiprobabilidadd
Referenccia a aleatoriedad como varriabilidad
Referenccia a aleatoriedad como aussencia o
multipliccidad de modeelos
Caracterrísticas de las secuencias quue produce el
estudiantte en la simulaación
Si las seccuencias reflej
ejan la equiproobabilidad
Si reflejaan la variabilid
dad aleatoria
Indeependencia de Concepcciones del Evaluaciión a partir dee la independencia en las
ensaayos grupo (gglobalmente) secuenciias producidass por los estud
diantes (rachass)
Tambiénn es de interrés conocer si los estuddiantes poneen en práctica la conceppción

de inndependenciia entre ensayos cuanddo inventan las secuenccias, lo que observarem
o mos en
los ddatos generaados por el grupo comp
pleto. En laa Tabla 6.133 mostramos un esquem
ma de
estass concepcio
ones y proocedimientos que querremos evalluar en el proyecto y los
indiccadores que usaremos para
p llevar a cabo dichaa evaluación
n.
5
5.2. Varriable esta
adística y
y su distrib
bución
La m
mayor cantiidad de infformación recogida
r enn los protoccolos de loos estudianttes se
refierre a la conccepción y uso
u de variaables estadísticas y a loos objetos relacionado
r os con
ellas: distribucióón, promediios y disperrsión. En essta parte dell análisis noos acercarem
mos a
su ccomprensiónn desde loos objetos matemátiicos que es
e capaz de construirr: los
proceedimientos usados, los conceptos puestos en juego y el lenguaje
l quue utiliza a través
t
de loos indicios que
q nos mueestre su infoorme escritoo.
317
Nos concentraremos en las variables estadísticas ya descritas anteriormente en el

Apartado 4.2 de este capítulo. El número de caras, rachas y la racha más larga varían de
un estudiante a otro, aunque algunos valores pudieron haber coincidido. La tabla de
datos recopilada en la clase mostraría como variable independiente a la repetición del
experimento (o lo que es lo mismo, el número de orden en que se recogieron los datos
de los estudiantes) y el resultado obtenido por cada uno de ellos para cada variable (por
ejemplo, el número de caras) sería la variable dependiente correspondiente. Es necesario
un primer análisis para encontrar la distribución de frecuencias, en donde la variable
independiente sería el valor de la variable y la dependiente la frecuencia con la que se
obtiene dicho valor.
Las concepciones de los estudiantes sobre la variable estadística se pondrán de
manifiesto en el trabajo matemático que realicen los estudiantes para comparar las
distribuciones de las secuencias simuladas y las reales: uso de tablas estadísticas y
gráficos, momentos, interpretaciones y dificultades que se plantean. Analizaremos
también si hay coincidencia en algunos de los errores aparecidos en la entrevista clínica
analizada en el Capítulo 5, en particular, si el estudiante confunde las variables
dependiente e independiente en la distribución de frecuencias.
La necesidad de trabajar con la variable estadística aparece cuando los
estudiantes se dan cuenta de la necesidad de comparar las características de las
secuencias simuladas y real en el grupo completo. A partir del conjunto de datos en
bruto es difícil obtener alguna conclusión sobre la igualdad o diferencia de alguna de las
variables que están trabajando porque los datos sin agrupar no permiten visualizar
tendencias ni variabilidad. Esperamos que los estudiantes sean capaces de formar la
distribución de frecuencias de cada una de las variables estadísticas y las presenten en
una o varias tablas o gráficos similares a los analizados en el Apartado 4.3.
Se requiere un proceso de transnumeración (Wild y Pfannkuch, 1999) para,
mediante el cambio de representación de los datos a una tabla de frecuencia o un
gráfico, visualizar aspectos que nos permitan llegar a una mejor comprensión del
sistema. Algunos estudiantes podrían no llegar a la transnumeración ni a formar la
distribución de las variables. En vez de ello, podrían optar por estudiar los datos
individuales, tal como han sido producidos y basar su juicio de la diferencia entre las
secuencias reales y simuladas sólo en la comparación entre valores aislados. Esta
conducta apareció en la investigación sobre asociación estadística en Batanero, Estepa y
Godino (1997) en la comparación de dos muestras relacionadas o dos muestras
independientes. Los autores denominaron concepción local sobre la asociación a la
tendencia de algunos estudiantes a deducir una asociación entre variables o una
318
P abbierto
diferrencia de disstribucioness basándosee tan sólo enn la comparración de alggunos valorres de

los ddatos.
La elabooración de la
l tabla o grráfico suponne una serie de pasos: clasificacióón de
valorres similarees, recuento y cálculo de
d frecuenciias absolutaas, ordenació
ón de los vaalores
de laa variable en
e orden creeciente o deecreciente y asignación de una frrecuencia a cada
valorr de la varriable (estaableciendo entonces
e unna función real de loos valores de la
variaable en R). Algunos
A esttudiantes po
odrían comppletar la tabbla o gráficoo con frecueencias
relatiivas o porccentajes auunque en este
e proyecto, no es tan necesarrio porque para
s tomaron muestras de
compparar las pooblaciones se mo tamaño. A este resppecto,
d un mism
podríían apareceer dificultades en la elaboraciónn de las taablas o grááficos, com
mo las
descrritas en Artteaga (2011): confusiónn de los ejees del gráficco, represenntar variablles no
relaccionadas en el mismo gráfico,
g connfusión conn las escalass o la repreesentación de
d los
númeeros reales en
e las mism
mas, o no completar el polígono
p dee frecuenciaas.
Tambiénn estamos innteresadas en
e la idea dee promedio y dispersión
n: si apareccen en
form s calculan estos estim
ma intuitiva en los esttudiantes, si madores y cuáles,
c si hacen
h
referrencia a su definición
d o propiedadees y si tieneen errores dee cálculo, enn particularr en el
cálcuulo de medias ponderaddas o no orddenar los daatos en el cáálculo de laa mediana (C
Cobo,
20033; Mayén, 2009).
2 Estass medidas resultan
r impportantes po
orque, com
mo señala Heitele
H
(1975), el valor central y diispersión soon dos caraccterísticas fundamental
fu les de la varriable
aleattoria (por tan
nto lo son de
d la estadísstica) junto ccon su distrribución.
Tab
bla 6.14. Evvaluación de la comprensión de la varriable estadísstica
Obbjeto matemático Desgloose Evvaluación en el

e proyecto
Variiable estadísticca Variaable estadísticca como la Referenciaa a las variablees como formaa de
variaable de interéss que toma evaluar aleeatoriedad
diferrentes valores en un Referenciaa al rango de variación
v
conjuunto de datos Referenciaa a que cada esstudiante podrría
Diferrenciación de conjunto obtener un valor diferentte
origiinal e imagen Referenciaa a los distintos valores que toma
la variable
Distrribución de laa Commprensión de laa idea de Agrupaciónn de valores similares,
variaable estadísticca distriibución ordenación n y cálculo de frecuencias
Reprresentación dee la Paso de dattos desordenaados a una
distriibución distribuciónn de frecuencias en tabla o
gráfico
Nivel de coomprensión dee la distribucióón
Meddidas de posiciión Medidas de posiciión que se Medidas quue se calculann
centrral usan Referenciaa que se hace a sus propiedaades,
Commprensión de su significado definición o significado
Meddidas de disperrsión Medidas de disperrsión que se Medidas quue se calculann
usan Referenciaa que se hace a sus propiedaades,
Commprensión de su significado definición o significado
319
Por otro lado, acordes con Konold, Pollatsek, Well y Gagnon (1997), estimamos
que los estudiantes se apoyarán en las medidas de tendencia central y de dispersión para
realizar las comparaciones entre las distribuciones. Sin embargo estos autores también
indican que para algunos estudiantes no es intuitivo el uso de la media como
representante para comparar dos conjuntos de datos. En su lugar, los estudiantes usan
parte de los datos, por ejemplo comparan los máximos o el rango. También se podría
presentar que los estudiantes usasen las medias pero las malinterpretasen o llegasen a
una conclusión errónea en la comparación.
En la Tabla 6.14 indicamos, a modo de resumen, el desglose de los elementos
que se evaluarán en las producciones de los estudiantes en relación a la variable
estadística, entre los que incluimos el nivel de comprensión mostrado sobre la
distribución, que deduciremos del tipo de gráfico o tabla construido.
5.3. Variable aleatoria y su relación con la variable estadística

El razonamiento distribucional implica establecer una conexión entre las muestras
(variable estadística) y la población (variable aleatoria), así como pasar de una a otra y
comprender la diferencia entre los parámetros (valores en la población) y los
estadísticos (valores en las muestras) (Reading y Canada, 2011). Es decir, realizar un
proceso informal de inferencia (Rossman, 2008).
En el proyecto surgen las variables aleatorias descritas en la Sección 4.2.
Cuando cada uno de los estudiantes realiza un experimento y se juntan los datos de la
clase, se tienen datos de las variables estadísticas correspondientes, que están
relacionados con la distribución de variables aleatorias que subyacen en el experimento.
Por tanto, nuestro acceso a las concepciones de los estudiantes sobre las variables
aleatorias pasará, en primer lugar por las que manifiesten sobre las variables estadísticas
correspondientes; y, en segundo lugar, por las relaciones que establecen entre ellas y las
correspondientes variables aleatorias.
Para estudiar estas concepciones, analizaremos si los estudiantes hacen
referencia al carácter aleatorio de las variables número de caras, número de rachas y
longitud de la racha más larga en las secuencias simuladas y reales de sus compañeros,
como variables cuyos resultados dependen de un experimento aleatorio. Es decir si
explicitan las ideas de variable, valores e impredecibilidad, debida a la existencia de un
experimento aleatorio y si hacen mención de su distribución y de sus valores esperados,
así como de su dispersión. Analizaremos también si utilizan todas las variables del
proyecto o bien sólo alguna de ellas, y si hacen referencia al rango o dominio de la
variable. También nos interesan los argumentos que nos indiquen si de los estudiantes
320
diferencian las variables aleatoria y estadística, es decir, la variable teórica vinculada

con los resultados de sus experimentos, que puede tomar otros valores distintos a los
que tomó cuando ellos hicieron el experimento y que está propiamente relacionada con
la probabilidad, de la variable estadística que se refiere al experimento en concreto y
está vinculada con la frecuencia.
No esperamos que los alumnos se refieran explícitamente al concepto de
variable aleatoria, puesto que no han estudiado formalmente el concepto. Sin embargo,
de modo implícito se tienen que utilizar cuando pedimos una conclusión sobre las
características de las secuencias que serían capaces de producir los estudiantes y las
características de las secuencias aleatorias en general, es decir, no restringidas a las
producidas en el experimento. Es en este momento cuando, al hacer una inferencia, hay
un uso implícito de las variables aleatorias.
No podemos observar la definición de las variables como una necesidad
vinculada a la solución del problema que les fue propuesto en el informe escrito del
proyecto, puesto que éstas surgieron en la interacción del profesor con el grupo en la
sesión de clase (es decir, no se puede observar la construcción de la regla de
correspondencia que vincula el espacio muestral con los números reales deducida a
partir de la necesidad de resolver un problema). Pero sí podemos observar la
comprensión de las variables propuestas a través del uso que el estudiante les da para
resolver el problema propuesto.
La concepción de distribución de probabilidad de la variable aleatoria no se
puede estudiar más que indirectamente a partir de los argumentos que los estudiantes
proporcionan al comparar sus creencias (de equiprobabilidad, de variabilidad, de la
forma de la distribución, etc.) con de lo obtenido. Algunos estudiantes podrían hacer
referencia a los valores esperados de alguna de las variables que intervienen en el
proyecto, por ejemplo hacer referencia a que en una secuencia de 20 lanzamientos se
esperarían 10 caras (valor medio) o que lo más probable sería obtener 10 caras (moda de
la distribución).
Con todo lo descrito anteriormente, se podría observar la forma en que los
estudiantes relacionan la variable estadística con la aleatoria, tanto en la generalización
de una variable estadística a una variable aleatoria (considerada cuando se repite
indefinidamente el experimento) como viceversa, es decir, cuando pasa de la variable
aleatoria teórica considerada en el experimento a la variable estadística como conjunto
de valores obtenidos en una muestra de resultados de la variable aleatoria. En la Tabla
6.15 describimos los criterios mediante los cuales nos acercamos a las concepciones de
los estudiantes sobre la variable aleatoria.
321
Tabla 6.15
5. Evaluacióón de la com
mprensión de la variable aleatoria
a en el
e proyecto
Obbjeto matemáático Desglose Evvaluación en el proyecto
Variiable aleatoriaa Perceepción de la variable

v Referencia a variable cuyyos valores
aleattoria dependen ded los resultados de un
experimentto aleatorio
Variables que
q usan (entree las discutidaas en
el proyecto)
Distrribución de Definnición de los valores
v Referencia al rango en laa variable aleaatoria
probbabilidad de unna posibbles de la variiable Estimaciónn de probabiliddades de algunnos
variaable aleatoria aleattoria y estimacción de su valores a paartir de experiimentación
probabilidad Generalizacción de la disttribución de
frecuenciass obtenida a laa distribución dde
probabilidaad
Mommentos de la Com
mprensión de iddeas de Referencia a tendencias o dispersión de d las
variaable aleatoria posicción central o dispersión variables
Estimaciónn de valores essperados
5
5.4. Cicllo de mod
delación
La concceptualizacióón de las variables aleatorias
a y estadísticas tambiénn está
relaccionada conn la capacidad del estuddiante de vincular la herramienta
h matemática con
el obbjetivo de la
l preguntaa en cuestióón en las diversas fasees del ciclo
o de modellación
(Chaaput, Girardd y Henry, 2011),
2 tal coomo se desccribe en el Punto
P 9.6 deel Capítulo 3. En
la sittuación pro
oblema de nuestra
n investigación, se observaaría por la forma
f en qque el
estuddiante es caapaz de vinccular el trabbajo estadísstico con laas variables que surgieeron a
partirr de la disccusión en cllase orientaada por su profesor
p n la respuessta a la pregunta
con
sobree las intuicciones del grupo
g con respecto all azar del grupo. La forma en cómo
concebimos estee objeto de análisis
a estáá sintetizadoo en la Tablla 6.16.
Tabla 6.16. Evvaluación de competenciaa en el ciclo de

d modelizacción
Desglosee Evaluuación en el prroyecto
Forrmulación de preguntas
p Si eel alumno planntea preguntas nuevas o
refoormula las daddas por el profesor
Connstrucción de modelos mateemáticos Grááficos que connstruye
Moodelos que utilliza
Traabajo con mod
delos matemátticos Corrrección de loos gráficos connstruidos
Corrrección de las tablas y resúúmenes
estaadísticos
Corrrección de las expresiones matemáticas
Inteerpretación dee resultados matemáticos
m ue hace de los resultados
Inteerpretación qu
Inteerpretación dee resultados enn relación al Connclusiones resspecto al prob

blema planteaddo
conntexto
Adoptam
mos la perceepción de Wild
W y Pfannnkuch (19999) en cuantoo a su definnición
modelo estaadístico: «sse refiere a todas nuuestras conncepciones estadísticas del
de m
probllema que influyen
i enn cómo reccolectamos datos acerrca del sisttema y cóm
mo lo
322
analizamos» (p. 230). De esta forma, consideramos que el estudiante trabaja con
modelos matemáticos en cuanto produce un gráfico o calcula un estadístico, puesto que
éstos se convierten en partes de la forma en que se evalúa, representa o visualiza un
conjunto de datos. Además, en estos gráficos, tablas o resúmenes el estudiante ha
abstraído de la realidad, pasando de ella (estudiantes, sus intuiciones) a un objeto
matemático (tabla, gráfico, frecuencias, variables) con el que trabaja.
La inferencia informal que se pretende que el estudiante haga, plantea el ciclo de
modelación completo que describe Dantal (1997), puesto que para que el estudiante
pueda contestar la pregunta de investigación del proyecto, es necesario que visualice a
la variable aleatoria como una generalización de la variable estadística y a la
probabilidad como el modelo teórico de la frecuencia relativa para poder formular la
distribución del modelo teórico último de la situación. A partir de ese modelo, es
necesario retornar a la realidad y concluir en ella. El proceso, por tanto se describe a
través de una modelación por estratos, tal como se describe en la Figura 3.6 del Capítulo
3.
El análisis de la variable estadística, así como la forma en que se establece la
relación entre la variable aleatoria y la variable estadística ya se trataron en los puntos
anteriores (5.2 y 5.3). Para no ser repetitivos, en objeto de análisis nos enfocaremos de
manera más intensa en la corrección del uso de dichos modelos matemáticos y, en
particular, a las fases iniciales y finales del proceso, describiendo someramente las fases
iniciales. En la última fase queremos ver si el estudiante interpreta correctamente el
resultado de su trabajo matemático, tanto desde una perspectiva matemática, como al
contexto de la investigación planteada. Es decir, tanto si realizan una inferencia
informal, como si completan el ciclo de investigación de Wild y Pfannkuch (1999).
Como indica Dantal (1997) los profesores en las clases de matemáticas insisten
más en el trabajo con el modelo (cálculos matemáticos) y no en las fases iniciales
(planteamiento de las preguntas y construcción del modelo) y finales (interpretación de
resultados para sacar unas conclusiones) del ciclo de modelización. Es por esto que
esperamos que los estudiantes de la muestra tengan problemas en llegar a las
conclusiones finales sobre las intuiciones de los estudiantes de la clase.
6. Hipótesis del estudio

Tomamos como base el análisis a priori del proyecto y de la solución esperada por los
estudiantes, así como la solución matemática del mismo (a través de inferencia) para
elaborar nuestras hipótesis sobre los resultados que podemos esperar en el análisis de las
producciones de los estudiantes.
323
 En nuestro trabajo se encontrarán algunas de las concepciones (correctas o

parcialmente correctas) sobre la idea de aleatoriedad descritas por Serrano
(1996). Esta hipótesis se basa en los resultados de las investigaciones sobre
la percepción subjetiva de la aleatoriedad realizadas con personas adultas,
entre ellas, las de Serrano (1996) con una muestra de futuros profesores de
educación primaria españoles, similares a los participantes en nuestro
estudio. En uno de los ítems de su estudio se mostraban varias secuencias de
resultados de lanzamientos de una moneda equilibrada y se pedía decidir si
cada una de ellas era aleatoria y argumentar su respuesta. En otro ítem, pidió
a los estudiantes que escribieran una secuencia de resultados de lanzar una
moneda 50 veces sin hacerlo realmente (una secuencia simulada). Aunque la
tarea de nuestro estudio es diferente, tiene partes comunes con las de
Serrano, como el pedir a los participantes escribir una secuencia simulada y
justificar sus razonamientos sobre secuencias aleatorias. Esperamos, por lo
tanto, que en nuestro trabajo se reproduzcan parte de los resultados de dicho
autor.
 Una proporción importante de estudiantes harán uso de las variables
estadísticas y de la idea de distribución en forma intuitiva y al menos
parcialmente correcta. Esta hipótesis se deduce de los resultados de las
investigaciones que se han realizado utilizando este mismo proyecto
(Godino, Batanero, Roa y Wilhelmi, 2008; Arteaga, 2008; 2011). Aunque
ninguno de estos trabajos se centró específicamente en la variable aleatoria,
sus resultados muestran que en muchos casos los estudiantes construyeron la
distribución de algunas de las variables estadísticas, como el número de
caras y las compararon intuitivamente. Por otro lado, pudieran aparecer las
dificultades ya citadas y descritas por Pollatsek, Well y Gagnon (1997) o
Batanero, Estepa y Godino (1997) en estudiantes de magisterio al comparar
dos distribuciones.
 Aparecen dificultades en la representación gráfica de las distribuciones.
Esperamos encontrar las mismas dificultades encontradas en el trabajo
realizado por Arteaga (2011) en donde hace un análisis gráfico del mismo
proyecto en una muestra de estudiantes más amplia.
 El uso de los promedios es mucho más intuitivo que el uso de la dispersión.
La comprensión y coordinación del carácter dual de la distribución involucra
las ideas de aleatoriedad, independencia, tendencia, valor esperado y
variabilidad (Shaughnessy, 2007). Sin embargo, los resultados de
324
investigaciones sobre comparación de distribuciones por parte de estudiantes

indican que muchos se basan únicamente en la tendencia central, sin tener en
cuenta la distribución de los datos. Shaughnessy y Ciancetta (2002)
presentan ejemplos de cómo piensan los estudiantes al razonar sobre las
distribuciones de datos e indican que algunos estudiantes que se centran
demasiado en los valores centrales, son incapaces de pasar de estos valores a
la idea de distribución y tienen dificultades con la idea de variabilidad y
dispersión.
 Los alumnos usan intuitivamente algunas características de la variable
aleatoria, en particular tienen una buena concepción del valor esperado.En
muchos de los estudios que hemos citado en este capítulo se estudia la
distribución de una o varias variables estadísticas o aleatorias
independientemente. Kazak y Confrey (2007) sugieren que estos dos
conceptos debieran ser relacionados en la enseñanza y en la investigación. El
proyecto planteado tiene esa intención y esperamos que los alumnos puedan
relacionar la variable aleatoria y estadística intuitivamente. Por otro lado, las
investigaciones sobre percepción de la aleatoriedad (como, por ejemplo, Falk
y Konold, 1997; Batanero y Serrano, 1995 y 1999) indican que los sujetos
tienen una buena percepción del valor esperado en la distribución binomial,
que será una de las distribuciones utilizadas en nuestro estudio. Por lo tanto
esperamos que este concepto sea ampliamente empleado en sus inferencias
hacia la variable aleatoria.
 Los alumnos no completan el ciclo de modelación, limitándose al trabajo
con los modelos matemáticos, sin llegar a interpretar los resultados en el
contexto del problema. Proponemos una situación de modelación para
acceder a la comprensión de la variable aleatoria, puesto que la relación
entre las variables aleatoria y estadística está fuertemente involucrada en el
proceso de modelación (Apartado 9.5 del Capítulo 4). Los alumnos de
nuestra investigación sólo habían trabajado anteriormente con un proyecto
estadístico en la asignatura que nos ocupa. En consecuencia, esperamos que
tengan dificultades en completar la última fase del ciclo de modelización
(iinterpretación de resultados en la realidad) del ciclo propuesto por Dantal
(1997). El autor indica que en las clases de matemáticas no se suele dar
énfasis a este paso. Además, Arteaga (2011), trabajando con el mismo
proyecto, encontró que muchos estudiantes realizaron gráficos, pero no los
leyeron ni obtuvieron conclusiones de ellos. Esta dificultad en obtener
325
conclusiones de los gráficos podría extenderse al resto del análisis hecho por
los estudiantes, quienes tampoco obtendrían conclusiones del cálculo de
estadísticos o de las tablas o emitirán una conclusión general sobre sus
intuiciones sobre el azar en donde se involucren todas las variables.
 Se reproducen algunas de las dificultades encontradas en la entrevista
clínica, en particular la confusión de algunos estudiantes entre variable
dependiente e independiente. Esta hipótesis se basa en los resultados de la
entrevista (Capítulo 5) y también en algunos resultados de Arteaga (2011).
7. Análisis de las producciones de los estudiantes

En esta sección presentaremos a un tiempo mismo los resultados y discusión del estudio
de evaluación. Cada estudiante entregó un reporte por escrito de su solución en forma
individual. En el Anexo 4 se muestran algunos reportes entregados que consideramos
representativos del trabajo realizado.
Las producciones de los estudiantes variaron, tanto en extensión (entre 1 y 12
páginas), como en los tipos de análisis estadísticos realizados (gráficos, tablas,
resúmenes estadísticos). Dos tercios de los estudiantes entregaron su informe en lápiz y
papel; y una tercera parte hizo uso un procesador de texto. Estos últimos también
utilizaron la hoja Excel, aunque, desde el análisis que expondremos, esto no siempre
supuso una ventaja.
El análisis de contenido de los informes se realizó siguiendo la metodología de
análisis de producciones escritas, descrita en el Apartado 5.3 del Capítulo 1. Fue de tipo
cualitativo y cíclico, esto es, se efectuaron varias revisiones del reporte de cada
estudiante, comparándolo con el de sus compañeros y con el análisis a priori descrito en
las secciones 4 y 5 de este capítulo. A partir de este análisis, logramos identificar
inductivamente algunas categorías de respuestas de cada uno de los apartados en que
dividiremos esta sección y que corresponden a los diferentes objetos matemáticos de
interés en el estudio. En este apartado analizamos, la forma en que dichos objetos se
ponen de manifiesto en las producciones escritas de los estudiantes, su corrección
matemática y la comprensión que se deduce de sus respuestas. También tomaremos en
cuenta las investigaciones que han descrito dificultades de los estudiantes con cada uno
de los objetos analizados.
7.1. Objeto de análisis: Aleatoriedad

El estudio de la comprensión de los estudiantes alrededor de la aleatoriedad es
importante porque éste es el contexto en el cual se desarrolla el proyecto. El objetivo
326
detonador del proyecto es hacer que el estudiante se cuestione acerca de sus mismas
concepciones sobre la aleatoriedad, lo que requerirá hacer uso crítico de la herramienta
estadística y probabilística. Por otro lado, la aleatoriedad, como objeto matemático,
tiene un papel crucial dentro de la red de objetos emergentes vinculados a la variable
aleatoria, por lo que su comprensión influirá en la forma en que trabaje y comprenda
este objeto.
Como hemos analizado en la Sección 5.1, dentro del proyecto, la aleatoriedad se
manifiesta en el lanzamiento de una moneda equilibrada, experimento aleatorio que se
utiliza para recoger los datos que se analizan en el proyecto y como referencia para que
los estudiantes evalúen las concepciones sobre aleatoriedad del grupo completo,
haciendo uso, también, de sus propias concepciones sobre la aleatoriedad. De acuerdo a
la Tabla 6.13, en esta sección analizaremos de dos maneras las producciones escritas
para visualizar las concepciones sobre la aleatoriedad de los estudiantes desde dos
enfoques:
 Individualmente, del análisis de los argumentos que los estudiantes emplean
a lo largo del proyecto para obtener sus propias conclusiones o realizar su
propio análisis. Esto se puede observar principalmente cuando se refieran al
experimento que ellos realizaron y que consiste en lanzar 20 veces la
moneda y sus posibles resultados y en las conclusiones de su análisis,
cuando evalúen la intuición del grupo de alumnos de la clase sobre
aleatoriedad, pues en esta evaluación sin duda influyen sus propias
concepciones del objeto.
 Globalmente, al analizar las características de las secuencias aleatorias
simuladas por los estudiantes, pues la tarea es similar a las propuestas en
estudios sicológicos sobre la percepción de la aleatoriedad (Falk y Konold,
1997; Batanero y Serrano, 1995 y 1999). El análisis de los datos del total de
los estudiantes será similar al presentado en la Sección 5.1. Los resultados se
compararan con otras investigaciones sobre la percepción subjetiva de la
aleatoriedad.
Esperamos que estos dos enfoques de análisis de las concepciones de los

estudiantes sobre la aleatoriedad nos proporcionen un panorama más amplio sobre la
forma en que visualizan y usan las variables estadísticas y aleatorias involucradas.
Avances de estos resultados se han presentado en Arteaga, Batanero y Ruiz (2010) y
Batanero, Arteaga, Ruiz y Roa (2010).
327
7.1.1. Evaluación individual de las concepciones sobre la aleatoriedad

La información de las concepciones individuales de los estudiantes dejó vislumbrar
ideas que se aproximan a los diferentes significados históricos sobre aleatoriedad,
similares a las descritas por Batanero y Serrano (1995) y detectadas en los estudiantes
por Batanero y Serrano (1999). No todos los estudiantes explicitaron por escrito estas
concepciones, pues no se les pidió explícitamente una definición de aleatoriedad ni se
les preguntó sobre las características que atribuyen a las secuencias aleatorias. Sin
embargo algunos de ellos hicieron referencia a la aleatoriedad en general o al carácter
aleatorio de las secuencias al tratar de concluir sobre las intuiciones del conjunto de la
clase con respecto a los experimentos aleatorios.
A continuación presentamos las categorías en que clasificamos los argumentos
de los estudiantes.
Aleatoriedad como impredecibilidad

Bennett (1998) indica que durante mucho tiempo, se asoció la aleatoriedad con la
incapacidad de predecir un resultado. Hoy en día, esta es una concepción parcialmente
correcta, puesto que si ciertamente el resultado individual de un experimento aleatorio
no se puede vaticinar, el conocimiento de la distribución de probabilidades del
fenómeno permite explicar y predecir (Laplace, 2006/1814). La acepción de la
incapacidad de predecir un resultado se volvería incorrecta si el estudiante no apreciase
el papel del cálculo de probabilidades en el estudio de las distribuciones del conjunto de
resultados.
En nuestro estudio, algunos estudiantes que manifestaron que la aleatoriedad era
impredecible también mencionaron que cualquier cosa podría presentarse en la
distribución de los resultados de las secuencias, puesto que el proceso había sido
aleatorio. Es decir, no apreciaron la estabilidad de las frecuencias debida a la
convergencia, ni la mayor probabilidad de unos resultados frente a otros. Por ejemplo, el
testimonio de AA que niega cualquier tipo de predicción:
Sobre todo destacamos que es imposible hacer una previsión de resultados ya que en
este tipo de experimentos aleatorios todo resultado es imprevisible [Alumno AA].
Konold (1989) describió esta actitud mostrada por los dos estudiantes, como el
enfoque en el resultado aislado. Se caracteriza porque los estudiantes no interpretan las
preguntas de una forma probabilística, sino que enfocan la pregunta hacia saber cuál
será exactamente el siguiente resultado, lo que les impide tomar una decisión. Fischbein
(1975) y Fischbein, Nello y Marino (1991) reportan que esta incapacidad de emitir una
predicción sustentada es debida a la falta de habilidad para considerar la estructura
328
racional del riesgo, es decir, de sintetizar lo necesario (en el sentido filosófico de causa
y dependencia) y lo aleatorio en el concepto de probabilidad. Ellos también indican que
este comportamiento está fuertemente enraizado en los estudiantes.
El estudiante MN también hizo referencia a la imposibilidad de predicción total,
pero a diferencia de SG y AA, deja vislumbrar algún tipo de posibilidad de predicción
(inferimos que piensa en el cálculo de probabilidades al hacer referencia a sucesos más
y menos probables). En este caso la concepción sería correcta:
Mi valoración final es que en las experiencias relacionadas con el azar existen sucesos
más o menos probables pero resulta imposible predecir con exactitud el resultado
completo [Alumno MN].
Aleatoriedad como ausencia de control

Otros estudiantes han mostrado una concepción de aleatoriedad bajo la cual los
acontecimientos aleatorios escapan al control humano. De acuerdo con Batanero, Henry
y Parzysz (2005) esta es una de las acepciones presentes en una primera fase histórica
exploratoria del desarrollo de la idea de aleatoriedad que se extiende desde la
antigüedad hasta el comienzo de la Edad Media. En esta etapa los dispositivos
aleatorios, como loterías, dados o huesos de astrágalo, se usaban para predecir el futuro
y tomar decisiones, bajo el supuesto de que la voluntad de los dioses gobernaba tanto el
futuro como los dispositivos aleatorios y, por lo tanto, era de esperar que los fenómenos
aleatorios dieran indicio de sus designios para el futuro (Hacking, 1975; Gutiérrez,
1992; Bennett, 1998). En esta etapa también se usaban estos dispositivos en los juegos
para impedir que alguna de las partes interesadas tuviera ventaja, pues se suponía que lo
aleatorio no podía ser controlado humanamente. Ya sea que se le atribuyera a fuerzas
sobrenaturales o no, el azar suprimía la posibilidad de que la voluntad, inteligencia o
conocimiento humano influenciara de alguna forma este tipo de fenómenos (Batanero y
Serrano, 1995; Batanero, Serrano y Green, 1998).
Al igual que en el caso anterior, hoy día esta concepción es parcialmente
correcta, pues aunque es cierto que no se puede controlar totalmente un experimento
aleatorio, a veces se pueden determinar variables que afectan a la variabilidad y de este
modo reducirla. Es decir, nuevamente el estudio de las distribuciones puede tener un
papel importante en el control parcial de la aleatoriedad en los grandes números.
Algunas respuestas que explicitan la imposibilidad de control en nuestro estudio son las
siguientes:
Este resultado ha aparecido en la secuencia real a pesar de no tener nosotros ningún

control en el azar, el resultado ha sido igual entre el número de caras y de cruces
[Alumno AG].
329
A pesar de nuestra incapacidad para controlar el azar, obtuvimos igual número de

caras y cruces [Alumna SF].
También se observó el caso contrario, es decir, estudiantes que piensan que los
fenómenos aleatorios pueden ser controlados. Fischbein, Nello y Marino (1991)
reportan una investigación en la que los estudiantes pensaron que el lanzamiento de un
dado puede llegar a ser controlado por un jugador experto a tal extremo que los
resultados serían los que él desea, presentándose la ilusión de control (Langer, 1975).
Un caso extremo lo encontramos en el estudiante LG, quien clasificó los
resultados de todos sus compañeros de grupo de acuerdo a su capacidad para predecir
los resultados, suponiendo que una buena capacidad para predecir implicaría una
concepción correcta de la aleatoriedad. Obtuvo las frecuencias de los alumnos con
«buenas y malas intuiciones» y encontró la distribución de los alumnos de acuerdo al
«error cometido». En la Figura 6.6, reproducimos el gráfico construido por él, en el que
muestra el porcentaje de estudiantes que «acierta exactamente», «aciertan con un
margen de error de ± 1» o «tienen un margen de error de ± 2»:
Tan sólo el 21,73% de la muestra han acertado el nº de caras (y consecuentemente el

nº de cruces) del experimento. El 39,13% de la muestra se acercaron a la previsión del
juego de azar con un margen de (± 1); El resto, 18, tuvo una mala aproximación (± 2)
[Alumno LG].
Figura 6.6. Distribución de los estudiantes en el grupo según sus «aciertos en el

experimento» de acuerdo con los criterios establecidos por el estudiante LG
330
Aleatoriedad y causalidad
A través de la historia ha prevalecido la concepción de la aleatoriedad como lo opuesto
a las causas conocidas, pero también se interpreta como si la aleatoriedad fuera una
causa en sí misma. Poincare (1979/1908) menciona que los filósofos clásicos
distinguían dos clases de fenómenos: aquellos que parecían obedecer a leyes armónicas,
establecidas de una vez y para siempre, y aquellos que atribuían al azar y que no podían
preverse porque se revelan a toda ley. El autor indica que cuatrocientos años antes de
Cristo, Demócrito postulaba que todo cuanto existía en el mundo era fruto de la razón y
la necesidad. Esta postura estaba vinculada con la doctrina atomista en la que todos los
fenómenos respondían a una causa, con excepción de los átomos, que eran eternos y
móviles. De acuerdo con Bennett (1998) los fenómenos aleatorios no eran vistos como
algo «sin causa», sino que más bien, el azar era una especie de «causa oculta» (en el
sentido de desconocida). Durante los siglos XVII, XVIII y XIX, esta postura se
robusteció con el fortalecimiento y surgimiento de nuevas herramientas probabilísticas.
Laplace (2006/1814) atribuía el azar con el que se explicaban algunos acontecimientos,
como causas imaginarias «que se descartarían a medida que se ampliaran las fronteras
del conocimiento y tenderían a desaparecen por completo ante la sana filosofía que no
ve en ellas más que la expresión de nuestra ignorancia de las verdaderas causas» (p.
361). De modo que la concepción de aleatoriedad como causa puede estar vinculada
con la controversia filosófica entre el azar y la necesidad, que no ve en el azar sino la
medida de nuestra ignorancia.
Poincare (1979/1908) comenzó a diferenciar el concepto matemático del
filosófico y propone la existencia de eventos fortuitos cuya principal característica es
que siguen las leyes del azar (vistas desde una perspectiva probabilística). Poincare
continuaba creyendo que todos los efectos son producidos por causas, pero aceptó que
las causas pueden ser complejas y numerosas o que un cambio pequeño (o difícil de
medir) en las causas produce un efecto grande, lo que dificultaría conocer o aplicar la
ley que los rige (en el sentido causal). Para Poincare el azar no es producto de nuestra
ignorancia, puesto que las herramientas probabilísticas proporcionan conocimiento
sobre los fenómenos aleatorios y aun cuando se pudieran descubrir las leyes causales
que los rigen, su modelo probabilístico seguiría funcionando.
La relación entre el azar y la causalidad sigue siendo tema de controversias aún
en nuestros días. Actualmente el paradigma determinista prevalece en muchos campos
científicos y desde este paradigma la ocurrencia de un acontecimiento con probabilidad
muy pequeña (inverosimilitud de los hechos extraordinarios, desde la perspectiva de
331
Laplace) está vinculada con una causa que, según Newton, «no podía ser fortuita, sino
dotada de grandes dosis de Geometría y Mecánica» (Hawking, 2006, p 355).
Actualmente, los matemáticos han desligado el objeto aleatoriedad de la idea de
azar para sustentar el desarrollo del cálculo de probabilidades, independientemente de
los debates filosóficos y epistemológicos alrededor de la idea de azar (Batanero, Henry
y Parzysz, 2005). No es raro que nuestros estudiantes defiendan la postura del azar
como causa para argumentar aleatoriedad, puesto que en su grado de estudios el
concepto matemático de aleatoriedad, no es muy tratado. Los modelos matemáticos
involucrados en su definición son complicados aún para un estudiante universitario,
pero también influye que el límite entre ambos conceptos aún es confuso y ha generado
controversias.
La respuesta del alumno AA denota este tipo de creencia:
Creemos que los datos obtenidos tanto en la secuencia simulada como en la secuencia
real son fruto del azar [Alumno AA].
Suceso aleatorio vinculado a un proceso temporal

De acuerdo con Batanero, Henry y Parzysz (2005), históricamente las primeras
aproximaciones al concepto de probabilidad (Pascal y Fermat, 2007/1654; de Moivre,
1756; Bernoulli, 2006/1713) relacionaron la aleatoriedad de los resultados posibles de
una situación azarosa con la incertidumbre de eventos futuros, es decir estaban
preocupados con la predicción. Sin embargo, Laplace (2006/1814) ya maneja ejemplos
en los que se pregunta por la probabilidad de eventos ocurridos en el pasado, como es el
problema en el que analiza la probabilidad de que un testigo mienta en su testimonio (p.
368).
En el ámbito educativo, esta concepción de temporalidad la describió Falk
(1986) quien encontró que algunos estudiantes asociaron la probabilidad con un eje
temporal, generalmente futuro. Esto produce que estos estudiantes tengan dificultad
para asignar probabilidades a un suceso que ocurrió en el pasado.
Esta misma concepción aparece más explícitamente en el siguiente caso. La
definición del estudiante es, además, redundante, pues utiliza el concepto que quiere
definir (aleatorio) en su definición:
Proceso estocástico es un concepto matemático que sirve para caracterizar y estudiar

todo tipo de fenómenos aleatorios (estocásticos) que evolucionan, generalmente, con
el tiempo [Alumno GS].
332
Aleatoriedad como equiprobabilidad

Bennett (1998) indica que la equiprobabilidad no podía ser un concepto con el que
nuestros ancestros estuvieran familiarizados, debido, principalmente, a la falta de
utensilios «simétricos» para realizar experimentos aleatorios. Los astrágalos guardaban
distintas proporciones geométricas en sus lados además de que tal proporción variaba
dependiendo de la clase de animal de la que se extrajera el hueso. Sin embargo, hay
evidencia de que la irregularidad fue superada rápidamente. Hacking (1975) sostiene
que los dados tallados en marfil y otros instrumentos regulares existieron desde hace
mucho tiempo. En los siglos XII y XVI, en los primeros trabajos sobre teoría de juegos
de De Fournival (Bellhouse, 2000) y de Cardano (1953/1663) ya se observa la
descripción de juegos de azar con instrumentos equilibrados6.
De acuerdo con Batanero y Serrano (1995), la relación de estos primeros
desarrollos teóricos con los juegos de azar, en los que el número de posibilidades era
finito y equiprobables, ocasionaron que al surgir el cálculo de probabilidades, la
aleatoriedad se relacionara con la equiprobabilidad. Laplace (2006/1814), por ejemplo,
describe que «la teoría del azar consiste en reducir todos los acontecimientos del mismo
tipo a un cierto número de casos igualmente posibles» (p. 363). Sin embargo, sí había
un conocimiento de la diferencia entre los experimentos en donde los resultados eran
igualmente posibles y en los que no. Así, a mediados del siglo XVIII, de Moivre (1718)
en su libro The doctrine of chances se preocupó por explicar a sus lectores la existencia
de posibilidades no uniformes.
Batanero, Henry y Parzysz (2005) explican que estas controversias en el
desarrollo y filosofía de la probabilidad han tenido influencia en la enseñanza de la
probabilidad. En particular, la enseñanza de la visión clásica de la probabilidad ha
favorecido de una manera simplista la visión de equiprobabilidad como una
característica de aleatoriedad. Lecoutre (1992) describió el «sesgo de equiprobabilidad»
como la creencia de que todos los sucesos asociados a cualquier experimento aleatorio
tienen la misma probabilidad, incluso aquellos experimentos en los que no es aplicable
el principio de indiferencia o donde no hay una simetría física.
En nuestro experimento hay equiprobabilidad en los resultados de la variable
aleatoria ζr, Bernoulli, referida al lanzamiento de una moneda. Sin embargo, la variable
aleatoria ηr, número de caras en las secuencias de 20 lanzamientos, sigue una
distribución Binomial, por ello sería mucho más probable que nuestros estudiantes
obtuvieran los valores centrales de la distribución (como 9, 10, 11 caras) que los
6
En el mismo sentido, a principios del siglo XVII Galileo (citado por Bennett, 1998, p. 47) detalla las
características de un dado justo: «tiene 6 caras y cuando se tira pueden caer por igual cualquiera de ellas».
333
extremos. En la siguiente justificación del estudiante EB se visualiza, sin embargo, la

visión de aleatoriedad como equiprobabilidad y la confusión entre los sucesos
compuestos o los valores de la variable aleatoria con los sucesos simples:
La probabilidad de cara y cruz es la misma, de modo que en 20 lanzamientos hay la

misma posibilidad de obtener 20 caras, 20 cruces o cualquier posible combinación de
caras y cruces [Alumno EB].
Este alumno cae en el sesgo de equiprobabilidad (Lecoutre, 1992). Lecoutre

indica que esta creencia no es debida a la falta de razonamiento combinatorio, sino a
que los modelos combinatorios no se asocian fácilmente con las situaciones aleatorias.
Este sesgo supondría una extensión errónea de la regla de Laplace, en donde manipulan
los sucesos compuestos o los valores de la variable aleatoria como si fueran sucesos
simples.
En la siguiente respuesta se detecta, además, la confusión entre el resultado del
experimento aleatorio y los valores de la variable aleatoria (0, 1, 2, 3, 4,…20) y por eso
a cada uno de ellos les asigna igual probabilidad. No se percata que detrás de los valores
de la variable aleatoria hay sucesos compuestos, que se podrían desglosar en sucesos
simples y que éstos son los resultados del experimento aleatorio. Esta dificultad también
se observó en la entrevista clínica y se describió en la Sección 7.2.3 del Capítulo 5.
Cualquier resultado puedo ocurrir; ya que se trata de un experimento aleatorio, hay

igual probabilidad para cada resultado [Alumno CG].
Aleatoriedad como variabilidad

Algunos estudiantes hacen referencia a la variabilidad de los resultados como una
característica de los procesos aleatorios o justifican que el proceso sea aleatorio
precisamente porque los resultados «varían». En términos de Wild y Pfannkuch (1999)
la percepción de la variabilidad es uno de los nodos fundamentales del razonamiento
estadístico porque la variabilidad es una característica esencial de los fenómenos
estadísticos. Estos alumnos, por lo tanto, muestran en su respuesta una concepción
correcta que se sustenta en un razonamiento estadístico fundamental.
Las respuestas siguientes aluden a esta variabilidad; en la primera, también se
refiere al azar como un tipo de causa y además se hace referencia a la variedad de
valores, por lo que implícitamente se está aludiendo a la idea de variable aleatoria. En la
segunda, el estudiante IE deduce que los experimentos aleatorios han de presentar
mayor variabilidad que los producidos por las personas. Cosa que, de acuerdo con el
análisis de los datos obtenidos en el proyecto (Sección 4.3), es cierta, por lo que muestra
334
no sólo una buena intuición sino también que ha sido capaz de obtener una conclusión
del comportamiento del grupo en la actividad.
Hay más variedad de valores que aparecen al azar. Son lógicos estos resultados ya que
son de forma aleatoria y en mano del azar [Alumno NC].
En el número de caras obtenidas se observa una diferencia... ya que al inventar

nosotros las simuladas los datos son más igualados y los reales son más desiguales al
haberlos obtenidos al azar [Alumno IE].
Aleatoriedad como ausencia de modelos

Una idea muy extendida es que la aleatoriedad está asociada con la desorganización,
irregularidad y ausencia de patrones o modelos, incluso se ha contrapuesto a la idea de
«conocimiento científico» (Falk, 1981).
Serrano (1996) considera que este pensamiento coincide con la idea de von
Mises (1952/1928), quien sostuvo que en una secuencia aleatoria no es posible obtener
una algoritmo que la reproduzca a ella ni a ninguna de sus posibles sub-sucesiones.
También puede estar vinculado con la definición basada en las ideas de Kolmogorov:
una secuencia aleatoria es aquella con una máxima complejidad; es decir, una ley
simple no puede describir la secuencia (Bennett, 1998, p. 163). Las dos visiones
coinciden en vincular la aleatoriedad con el «desorden» e «irregularidad» de las
secuencias de resultados aleatorios, pero ambas tienen dificultades prácticas en los
procedimientos a seguir para distinguir una secuencia aleatoria de otra que no lo es.
Además de que la primera sólo podría asegurar la aleatoriedad en secuencias infinitas y
la segunda establece grados de aleatoriedad para secuencias finitas, pero difícilmente se
podría validar la aleatoriedad perfecta. Serrano (1996) señala que a finales del siglo
XIX, con el desarrollo de la inferencia estadística, se impulsó el estudio de modelos
útiles para probar aleatoriedad y evaluar las tablas de números aleatorios o los
generadores aleatorios de calculadoras y ordenadores. Desde la concepción moderna, la
aleatoriedad no se visualiza como una cualidad del proceso, sino como una colección de
modelos matemáticos que podemos aplicar al resultado (Serrano y Batanero, 1995;
Serrano, Batanero y Cañizares, 1999). Sin embargo, la controversia sigue en pie:
buscando la manera de caracterizar el aparente desorden de las secuencias aleatorias,
han surgido conceptos como aleatoriedad local y pruebas específicas que se basan en la
utilidad práctica de la aleatoriedad sustentada en modelos particulares viables para
cierto tipo de secuencias. También continúa la discusión de la relación entre necesidad y
azar, porque muy recientemente han encontrado procesos aleatorios que exhiben
naturalmente una reminiscencia de orden (Beltrami, 1999).
335
Como humanidad hemos vivido la dificultad de caracterizar o definir la

aleatoriedad. No es sorpresivo, entonces, que nuestros estudiantes interpreten la
irregularidad de las secuencias aleatorias como ausencia de modelos, puesto que esta
acepción se ha utilizado para definir lo que sería una secuencia aleatoria. Así por
ejemplo, los estudiantes de nuestro estudio que citamos abajo, usan el término «azar»
como sinónimo de «sin pensar» y de «desigual» para describir un mayor desorden de los
datos en la gráfica de distribución de las secuencias reales:
En el número de rachas tanto en las simuladas como las reales los datos son muy
parecidos porque en las simuladas no tuvimos en cuenta las rachas y las pusimos sin
pensar, casi al azar [Alumno IE].
…se observa una diferencia entre los resultados simulados y los reales, ya que al
inventarlos nosotros, las simuladas son más iguales y los reales son más desiguales al
haberlos obtenido al azar [Alumno IEA].
Estos resultados coinciden con los trabajos de Serrano (1996) y Serrano,

Batanero y Cañizares (1999), quienes encontraron que una de las razones más
frecuentes de los estudiantes para apoyar la no aleatoriedad de una serie de puntos
distribuidos en un plano fue la regularidad de su patrón. Igualmente cuando a los
estudiantes se les pidió generar distribuciones aleatorias, la mayoría de ellos buscaron
erróneamente la regularidad, especialmente en lo concerniente a no dejar espacios
vacíos. En Serrano, Batanero, Ortiz y Cañizares (2001) en la tarea de identificación de
secuencias aleatorias binarias, también se asoció el patrón regular con la no aleatoriedad
en una alta proporción de los estudiantes, aunque no fue el más frecuente.
En nuestro estudio, estos otros alumnos al ver una secuencia aleatoria demasiado
ordenada pensaron que era inventada porque no admiten orden en los procesos
aleatorios.
Observando estos datos yo diría que algunas de las secuencias que han dado los
alumnos son falsas y algunas secuencias están muy ordenadas para haberlas hecho de
forma aleatoria [Alumno EA].
No puedes encontrar un patrón, pues la secuencia se realizó al azar [Alumno BS].
No puede ser aleatorio, es demasiado ordenado [Alumno LZ].
Sin embargo al evaluar la aleatoriedad, siempre se compara con un modelo. Por

ejemplo, en el estudio de Serrano, Batanero y Cañizares (1999) sería aplicable la
distribución de Poisson para analizar el patrón de la distribución de cruces en el plano.
Green (1982) reporta 5 modelos diferentes relacionados con la aleatoriedad de una
secuencia aleatoria de lanzamientos de monedas, entre ellos, a través de la variable
336
«número de caras en n lanzamientos», con una distribución Binomial. Falk (1981)

trabaja con la variable aleatoria «razón de alternancia de las secuencias», que se
comporta con una distribución Normal. Green y Hunt (1992) trabajan con el «número
de rachas» que relaciona con la recencia como una forma de medir el grado de
alternancia de rachas. En la Sección 4.2, describimos las 4 variables aleatorias y sus
modelos que usaremos en la presente investigación.
7.1.2. Evaluación global de las concepciones sobre aleatoriedad

Mientras el análisis anterior (Sección 7.1.1) era de corte cualitativo, puesto que sólo se
enfocó a los estudiantes que explicitaron concepciones en su reporte. En esta sección el
análisis será de corte cuantitativo y podrá caracterizar globalmente las concepciones de
todo el grupo de participantes en nuestro estudio. Nos basaremos en el análisis de los
datos proporcionados cuando se les solicitó que inventaran una secuencia que simulara
los lanzamientos de una moneda para describir sus tendencias generales y variabilidad.
Este procedimiento ha sido seguido en diversos estudios sobre percepción de la
aleatoriedad, más concretamente en Green (1982, 1989) y Serrano (Serrano, 1996;
Serrano, Batanero, Ortiz y Cañizares, 2001).
A diferencia del análisis realizado en la Sección 4.3, en este espacio incluiremos
a todo el grupo de estudio, formado por 3 clases (111 estudiantes). Además, no sólo nos
basaremos en la comparación entre variables estadísticas sino que también haremos uso
de los modelos de las variables aleatorias, puesto que conocemos la distribución teórica
de las variables, cosa que no podíamos esperar de los alumnos del estudio. El análisis se
organizará de acuerdo a los tres estimadores con los que caracterizamos las
concepciones globales del grupo: el valor esperado y la dispersión de cada una de las
variables y la independencia entre los ensayos en cada secuencia.
Percepción del valor esperado

En primer lugar analizamos si hay una percepción intuitiva del valor esperado de cada
una de las variables analizadas, comparando los valores medios obtenidos en las
secuencias reales y simuladas. En la Tabla 6.17 se muestran las medias y sus intervalos
de confianza con un 95% de confianza para cada una de las variables del proyecto en el
total de los alumnos. Las características globales de las concepciones del grupo de
estudiantes que se pueden inferir de estos datos sobre el valor esperado no se
diferencian mucho de las descritas en otras investigaciones sobre percepción subjetiva
de la aleatoriedad.
337
T
Tabla 6.17. Medias
M e inttervalo de coonfianza de laas variables consideradas
c s en el análissis
de las seccuencias simuuladas y realles (n=111)
Media Intervalo de
d confianza all 95% de la media
m
Númmero de caras en las secuenncias simuladaas 10,29 [10,18;10,,73]
Númmero de caras en las secuenncias reales 10,45 [10,12;10,,45]
Númmero de rachaas en las secueencias simuladdas 10,7814 [10,40;11,,16]
Númmero de rachaas en las secueencias reales 10,1 [9,70;10,449]
Raccha mayor en las
l secuenciass simuladas 3,32 [3,17;3,4
47]
Raccha mayor en las
l secuenciass reales 4,35 [4,14;4,5
57]
Al realizzar el contraaste de hipóótesis para iggualdad de medias entrre las secueencias

realees y simuladdas con la variable
v núm
mero de caraas, obtenem
mos un valorr de: t = -1,00008,
con un
u p-valor = 0,31. Porr tanto, el resultado
r noo es estadístticamente siignificativoo y no
podeemos rechazzar la hipóttesis nula de medias de las dos disstribuciones sean
d que las m
igualles. En los intervalos
i d confianzaa (Tabla 6.117) observaamos que los intervaloss para
de
las seecuencias reeales y simuuladas se traaslapan. Así mismo, ell intervalo de
d confianzaa para
la differencia enttre las medias contienee el valor 0,0, q se extieende desde -0,16
0 puesto que
hastaa 0,48. Esttos resultaddos confirm
man que no
n existe diferencia
d estadísticam
mente
signiificativa enttre las medias de las do
os muestras..
Interprettamos que loos estudianttes son muyy exactos al reflejar el número
n esperado
de caaras en la secuencia de
d 20 lanzaamientos dee la distribuución Bino
omial B(20, 0,5),
incluuso la modda de la disstribución obtenida
o ess igual a laa del valorr esperado de la
Binoomial np=100 y la frecuuencia del valor
v 10 suupera en muucho a la de
d otros vaalores,
hastaa a los adyaccentes a él. Esto se obsserva claram
mente en el gráfico de caja
c (Figuraa 6.7),
dondde la median
na coincidee con el priimer cuartill debido al alto númerro de estudiiantes
que obtienen exactamente
e e 10 carass en la seecuencia in
nventada. Estos
E resulltados
coincciden con los de Seerrano (1996), quienn trabajó con
c una seecuencia de
d 50
lanzaamientos y en
e donde ell número dee caras simuuladas (25,85), resultó ser
s muy próóxima
al vaalor teórico esperado
e (225).
Con resp
pecto a la vaariable núm
mero de rachhas, el test t para la iguualdad de medias
m
entree las secuenncias simulaadas y reales, mostró un
u valor t = 2,48 y un p-valor = 00,013.
Ya qque el p-vaalor es inferrior a 0,05, el resultado es estaddísticamentee significativo y
rechaazamos la hipótesis nula, que suponía laa igualdad de mediaas para lass dos
secueencias, a faavor de la hipótesis
h alteernativa. Ell resultado se
s confirmaa con el inteervalo
de coonfianza a un
u nivel de confianza del 95% paara la difereencia de lass medias enntre el
númeero de rachaas de la secuuencia simuulada y de la
l secuenciaa real, que fue
f [0,14; 1,,23] y
no coontiene al ceero.
338
P abbierto
Figura 6.7. Número dee caras en lass secuencias reales y simu

uladas de loss estudiantess
En conseecuencia, loos estudianttes no tieneen tan buenna intuición para los vaalores
mediios del núm
mero de rachhas. En la Figura
F 6.8 see observa que
q los estud
diantes tiennden a
n la gráfica de caja las secuencias simuladas están
generar muchas rachas, puesto que en
sesgaadas a la izqquierda, adeemás el núm
mero medioo de rachas en la secuenncia simulaada es
mayoor que en laa secuencia rreal (Tabla 6.17).
F
Figura 6.8. Número de rachas en laas secuencias reales y sim
muladas de loos estudiantes
En concordancia coon los resulltados obtennidos en ottras investig

gaciones (G
Green,
19899; Green y Hunt,
H 1992;; Serrano, 1996), los esstudiantes presentan
p reecencia negativa,
es deecir, una ten
ndencia a altternar en exxceso los ressultados dell lanzamiennto de la mooneda.
No obstante,
o nuuestros resuultados son menos marrcados que los de taless investigacciones
posibblemente deebido a que el tamaño de la muesttra que ellos trabajaronn era más grrande
que la
l nuestra (50). Por ejeemplo, Serrrano obtienee un promeddio de núm
mero de rachhas de
30,0115 y 29,2338 para esttudiantes de
d 18 y 144 años resppectivamen
nte, que diffieren
amplliamente deel valor teórrico de unaa secuencia de 50 lanzzamientos (25,5 rachass). La
distriibución teóórica del núúmero de raachas para una secuenncia de 20 lanzamienttos es
N(100,5, 2,18) (E
Engel y Seddlmeier, 20005), de moddo que la media
m teóricca y el prom
medio
obtennido por nu
uestros estuudiantes (10,78) no difieren
d tan visiblemennte. Los vaalores
teóriccos tambiénn se pueden aproximaar a través de la simu
ulación en un
u ordenaddor de
100.0000 secuenncias de 20 monedas, en
e donde laa media obbtenida fue de 10,49999 y la
desviiación típicaa de 2,186 (Figura
( 6.9)).
339
0.2
0
0.18
0.16
0.14 Media:
0.12 10,49999
0.1
0 Variaanza:
0.0
08 4,7788
Series1
Desvv.Típica:
0.0
06
2,1866
0.0
04
n= 1007.117
0.0
02
0
02 0
‐0.0 5 10 1
15 20
Número
o de rachas
Figura 6.9. Distribucióón del númerro de rachas obtenida a partir

p de la siimulación dee
1007.117 secuenncias de 20 laanzamientoss de una monneda
Esta difeerencia fue observada por

p algunoss de los estuudiantes, quuienes al analizar
los ddatos de su clase,
c fueronn conscientees de que allternaron ex
xcesivamentte los resulttados.
Finalmen
nte, al estuddiar la rachha más larga en las seccuencias inv
ventadas poor los
alum
mnos (Figuraa 6.10) obseervamos qu
ue produjeroon rachas excesivamen
e nte pequeñaas (en
form
ma excepcionnal 4 y 5, pero
p la mod
da estuvo en
e 3). La media
m de la racha más larga
produucida es solo 3,32 frennte a la med
dia en las secuencias
s reales
r (4,35
5). Eso mism
mo lo
podeemos observvar en el gráfico
g de caja,
c en donnde se notaa que la disstribución de
d las
secueencias inveentadas por los alumnoos está totaalmente sesggada hacia la derecha, más
allá de
d lo que esstá la distribbución del número
n de rachas
r de loos lanzamieentos reales de la
moneeda.
Figura 6.10
0. Racha más larga en las secuencias reales y sim
muladas de loos estudiantes
Como enn las variabbles anteriores, realizam

mos un conntrate de hiipótesis t paara la
diferrencia de medias
m de las variablles longitudd de la raccha más laarga en lass dos
secueencias, simu
ulada y reall, en el que se han obtennido los vallores t = -7,761 y un p--valor
= 0,000, con lo e p-valor es menor que 0,05, el resultaddo es
l que, puuesto que el
estaddísticamentee significatiivo y rechazzamos la hipótesis nulaa que suponne la igualddad de
mediias frente a la hipótesiis alternativva. Ademáss, en la Tabbla 6.17 se aprecia quue los
intervvalos de coonfianza parra las medias en ambaas secuenciaas son totallmente disjuuntos,
340
por lo que hay una notable diferencia entre los valores medios en ambas secuencias. Por
otro lado el intervalo de confianza al 95% para la diferencia de medias, [-1,29; -0,77],
no contiene el valor 0,0.
El efectuar la simulación de un gran número de experimentos, obtuvimos valores
aproximados de los parámetros de la distribución de la variable longitud de la racha más
larga (Figura 6.11). Su media es de 4,67, que es aún mayor que la obtenida en la
muestra del lanzamiento de la moneda obtenida por los estudiantes, con lo cual, las
distribuciones simuladas por los estudiantes se alejan aún más de lo esperado en una
secuencia aleatoria.
0.35
0.3
0.25
0.2
Media:
0.15 4,670Series1
0.1 Varianza:
2,479
0.05 Desv.Típica:
0 1,573
n= 107.117
‐0.05 0 5 10 15 20
Longitud de la racha más larga
Figura 6.11. Distribución teórica de la longitud de la racha más larga obtenida a partir
de la simulación de 107.117 secuencias de 20 lanzamientos de una moneda
Estos resultados indican un fallo en la percepción de la independencia de

ensayos en una secuencia aleatoria por parte de los estudiantes lo que concuerda con los
trabajos de Green y Serrano (Green y Hunt, 1992; Serrano 1996). Este hecho también
fue destacado por algunos estudiantes que dieron argumentaciones similares a la que
sigue:
Veremos como en las secuencias reales las rachas alcanzan tamaños mayores que en
las secuencias simuladas, lo que obedece a la falsa creencia de que en los fenómenos
aleatorios es bastante improbable obtener rachas grandes [Alumno EE].
…es más bien difícil que haya una racha muy grande al azar [Alumno UE]
Percepción de la dispersión
En la Tabla 6.18 se muestran tanto la desviación típica, como el intervalo de confianza
del 95% de las desviaciones típicas para de una de las variables en estudio en el
proyecto. En los párrafos sucesivos interpretaremos los datos de estos resultados para
cada una de las variables de interés.
341
Tabla 6.18. Desviación

D típpica e intervvalo de confiaanza de las variables
v con
nsideradas en
n el
annálisis de lass secuencias simuladas y reales (n=1111)
Desv. Intervalo de
d confianza al
a 95% de la Desv.
D
Típ. Típ.
Númeero de caras en
n las secuenciias simuladas 1,25 [1,11;1,334]
Númeero de caras en
n las secuenciias reales 2,05 [1,87;2,2
26]
Númeero de rachas en
e las secuenccias [2,56;3,1
10]
2,85
simuladas
Númeero de rachas en
e las secuenccias reales 2,95 [2,65;3,2
21]
Rachaa mayor en lass secuencias simuladas 1,12 [1,02;1,2
23]
Rachaa mayor en lass secuencias reeales 1,65 [1,46;1,7
77]
El contraaste F para comparar la

l igualdad de varianzaas en el núm
mero de carras da
un valor F = 2,,82, lo que señala que la variabiliidad entre grupos
g es casi
c tres vecces la
variaabilidad deentro de cada
c grupo
o. El p-vvalor=0,0, así que el
e resultaddo es
estaddísticamentee significattivo con loo que se rrechaza la hipótesis de igualdaad de
variaanzas. Obseervamos tam
mbién que los intervaloos de confiaanza de la desviación
d t
típica
del número
n de caras
c en las secuencias simuladas y reales (Taabla 6.18) no
n se solapaan. La
conclusión se coorrobora con el intervaalo de confiaanza para laa razón de varianzas,
v q se
que
extieende desde 2,16 hastaa 3,69 sin incluir al 1.
1 Así puess, deducim
mos que hayy una
diferrencia estad
dísticamentee significattiva entre las dos varianzas. Esto
E tambiéén se
apreccian visualm
mente en la Figura 6.7.
El grupo
o de estudiiantes no reefleja suficcientemente bien la vaariabilidad en la
distriibución teóórica esperaada del núm mial), pues el valor teeórico
mero de caaras (Binom
esperrado de la varianza
v es npq = 5, coon una desvviación típicca de 2,236,, mientras que
q la
obtennida en las secuencias producidas por los estuudiantes es sólo igual a 1,25. Estaa baja
desviiación típicca concuerdda con el aggrupamientoo notorio dee los datos en el gráficco de
caja (Figura 6.7). Asimismoo, es notorio que el ranngo de las secuencias reales
r es maayor y
el reecorrido in
ntercuartílicoo de las secuencias
s reales es más ampliio. Todos estos
resulltados nuevvamente cooinciden con
c los obbtenidos poor Serrano (1996), ccuyos
estuddiantes de 18
1 años prooducen una desviación típica de 2,99,
2 menorr que la espperada
teóriccamente qu
ue sería de 3.54,
3 sin em
mbargo, nuesstros resultaados están notoriamente
n e más
distaantes del esp
perado.
Para com
mparar las desviacionees típicas del
d número de rachas en la secuuencia
simuulada y en laa real, se haa realizado un
u contrastee F de iguald
dad de variaanzas. Se obbtuvo
una F = 0,93 y un
u p-valor = 0,609, meenor que 0,005, por lo tanto, no se obtiene
o eviddencia
estaddística paraa rechazar la hipótessis de dessviaciones típicas iguuales en ambas
a
secueencias. Adeemás, en laa Tabla 6.188 se observva que los intervalos de
d confianzza del
95% para las deesviacioness típicas se solapan y el 2] de nivel 95%
e intervaloo [0,72; 1,22
342
para el cociente de varianzas contiene el 1, lo que muestra que no hay diferencias

estadísticamente significativas entre las desviaciones típicas de las dos secuencias. De
modo que aunque la percepción de los estudiantes acerca del valor medio del número de
rachas en las secuencias simuladas fue pobre, la percepción de la variabilidad, ha sido
buena.
En la Figura 6.8 podemos observar que, el rango de las secuencias simuladas y
reales no es muy diferente. El valor de la desviación típica en la simulación de un gran
número de ensayos (Figura 6.9) es 2,186, que no es muy distinto al obtenido en las
secuencias simuladas por los estudiantes (2,85). Serrano (1996), en cambio, obtuvo una
desviación típica mayor que la teórica (8,442 contra 3,4) en las secuencias simuladas
por los estudiantes. Serrano no hizo prueba de hipótesis para las desviaciones típicas
puesto que no comparó con una muestra de lanzamientos reales, sin embargo sus
resultados fueron similares a los de Green y Hunt (1992) ya que las secuencias
simuladas reflejan una mayor variabilidad que el valor teórico esperado.
Por último realizamos un contraste F de igualdad de varianzas para la longitud
de la racha más larga en las secuencias simuladas y reales, obteniéndose una F = 0,48
y un p-valor = 1,74E-7, por lo que se rechazaría la hipótesis nula de igualdad de
varianzas. Por otro lado, los intervalos de confianza de las varianzas al 95% de
confianza (Tabla 6.18) no se solapan y el intervalo de confianza del 95% para el
cociente de las varianzas no contiene el 1, puesto que se extiende desde 0,37 hasta 0,63.
Se concluye, por lo tanto, que la diferencia entre las desviaciones típicas es
estadísticamente significativa.
En la Figura 6.10 se puede observar estos resultados gráficamente en la mayor
variabilidad de la longitud de la racha mayor en la secuencia real que en la simulada. En
el gráfico de caja, vemos que el 50% de los datos se concentraron en esos dos valores.
Más aún, como la mediana es 3, podemos decir que el 25% o más de los estudiantes
tuvieron como racha mayor a 3. Lo cual explica la poca variabilidad de los datos. En
comparación con el valor obtenido por la simulación de un número grande de ensayos
(1,573), observamos que la dispersión obtenida por los estudiantes es pequeña (1,12).
Todos estos resultados muestran la pobre percepción de la dispersión por parte de los
alumnos para la longitud de la racha mayor en la secuencia simulada.
Esta conclusión concuerda con los valores obtenidos por Serrano, quién observó
una concentración de datos alrededor de los valores de 4 y 5, pero un importante
número de estudiantes no inventaron rachas mayores a 2 y 3 para una longitud de
secuencias simuladas de 50.
343
Percepción de la independencia de ensayos

Un último punto de análisis es la percepción de la independencia de ensayos por parte
de los estudiantes. Podemos evaluar la concepción del estudiante sobre la independencia
de los lanzamientos sucesivos de la moneda a partir de la evaluación de la organización
de las secuencias simuladas por ellos. Una secuencia cuyos resultados son
independientes unos de otros tienen una distribución tanto del número de rachas como
de la longitud de la racha más larga, conforme a la que aparece en un proceso aleatorio.
Si el número de rachas es estadísticamente mayor o menor, ello indica que los sucesos
no son independientes.
De acuerdo al análisis de la percepción del valor esperado y de la variabilidad de
las variables número de rachas y longitud de la racha más grande (Tabla 6.17 y Tabla
6.18), la percepción de la independencia fue pobre en los futuros profesores ya que en
promedio produjeron rachas de longitud más corta y mayor número de rachas de lo que
se esperaría en un proceso aleatorio. Además, ideas erróneas sobre la independencia
también fueron observadas en las conclusiones obtenidas por los estudiantes acerca de
las intuiciones del conjunto de la clase sobre el azar. Estos alumnos argumentan que
determinadas secuencias no pueden ser aleatorias debido a que algunas de sus rachas
son demasiado largas:
Algunos estudiantes hacen trampas e inventan sus secuencias reales ya que hay
demasiadas caras sucesivas o cruces para ser aleatoria [Alumna EA]
De ello deducimos la creencia de los estudiantes de que en la aleatoriedad ocurre

un cambio frecuente en el tipo de suceso subsiguiente. Pareciera ser que interpretan una
racha larga como una manifestación de un orden local y por lo tanto, la rechazan como
característica de aleatoriedad. La negación de un orden local en la aleatoriedad también
implicaría que las rachas simuladas no fueran demasiado cortas (de tamaño 1) lo cual se
observa en el número de rachas obtenidas por los estudiantes de nuestro estudio, puesto
que el número mayor de rachas fue de 15 y nadie obtuvo 20 rachas. Aunque,
indudablemente, esta hipótesis no se puede comprobar del todo con los análisis de
nuestro estudio, sino que queda para analizar en un posible estudio posterior.
Estos resultados implican una manifestación de la falacia del jugador en algunos
estudiantes, que también se explica mediante la teoría de heurísticas de Kahneman,
Solvic y Tversky (1982), que sostiene que se juzga un proceso como más aleatorio que
otro con base en la incorrecta creencia de que las pequeñas muestras deberían parecerse
a la población de la que proceden. Por ello se juzga menos aleatorio un proceso que
produce rachas largas: no representa una distribución equitativa de caras y cruces de la
población.
344
Según Green y Hunt (1992) esta actitud es consistente, es decir, no importa que
tan larga sea la secuencia, los estudiantes pretenderán «equilibrar» los resultados en
pequeñas secuencias, alternando sus resultados frecuentemente y buscando la
representatividad del número de caras y cruces esperado. Sin embargo, en su análisis,
Serrano (1996) concluye que el estudiante pretende mantener la frecuencia esperada en
el total de la secuencia, ya que en su análisis no encontró relación entre el número de
caras de dos trozos de secuencia producida por un mismo alumno. Por otro lado,
Chernoff (2009b) sugiere que los estudiantes hacen una partición subjetiva del espacio
muestral, en la cual consideran sucesos compuestos a las longitudes de las rachas (y no
los sucesos compuestos formados en la distribución binomial). Una longitud de racha
corta es en realidad más probable que una larga (las rachas largas aparecen menos en la
secuencia), por lo que ellos podrían concentrarse en procurar producir secuencias con
rachas de la longitud más probable.
Lo indudable es que, de acuerdo con los resultados de estos autores y los
nuestros, los estudiantes buscan representatividad en muestras más pequeñas que
aquellas en las que se esperaría encontrar.
7.1.3. Discusión de los resultados obtenidos en el objeto aleatoriedad

De manera general, las concepciones de la aleatoriedad indican que nuestros resultados
son coherentes con lo encontrado en otras investigaciones anteriores.
El análisis de las intuiciones globales sobre la aleatoriedad, indica que los
alumnos se dejan llevar por sus creencias en el tema al tratar de simular lanzamientos
aleatorios. Desconocen el valor esperado del número de rachas o de la longitud de la
racha más larga, pero saben que el valor esperado del número de caras es 10 y es lo que
condiciona su secuencia. Desconocen la variabilidad del número de caras, así que la
ignoran, y sólo se concentran en su media. Sin embargo, también creen que no debe
haber regularidad en la secuencia, así que tratan de alternar, lo más irregularmente que
pueden, las caras y las cruces provocando un exceso de alternancia y condicionando su
próxima cara o cruz a los resultados inmediatamente anteriores. Ese exceso de
alternancia produce rachas demasiado cortas y resultados individuales dependientes. Las
distribuciones de las variables vinculadas a las rachas quedan condicionadas por el valor
esperado del número de caras y por la creencia de que la alternancia entre caras y cruces
debe ser continua, pero irregular. De modo que, mientras ellos están preocupados
porque su secuencia parezca aleatoria, en realidad están siguiendo el modelo
matemático que les indica que debe haber el mismo número de caras que de cruces y
que la longitud de las rachas no puede ser muy larga.
345
Los resultados de las concepciones individuales muestran que la comprensión

del objeto aleatoriedad es complejo y sutil y posiblemente requiera de mucho tiempo
para una total adquisición. En los argumentos de los estudiantes encontramos
entremezcladas distintas concepciones que se relacionan con las aparecidas
históricamente, pero que también siguen siendo vigentes en el contexto cotidiano.
Muchas son correctas parcialmente, lo que denota una necesidad de complementarlas
con otras propiedades para poseer una comprensión más completa de la aleatoriedad.
Entre ellas, destacamos las siguientes:
 Observamos una tensión entre impredecibilidad local de cada suceso
particular, y la predecibilidad de la distribución de cada variable aleatoria
que aparece en el experimento. Algunos estudiantes se enfocan demasiado
en la impredecibilidad local, por lo que no comprenden la utilidad de la
estadística para estudiar matemáticamente la distribución global y dar
predicciones de la misma. Esto también se observó en el análisis de las
concepciones globales de los estudiantes puesto que rechazan la posibilidad
de que en la aleatoriedad las rachas sean muy largas. Esta tensión están
vinculada con una ausencia de modelos porque también niega la existencia
de modelos vinculados a las variables aleatorias.
 Los alumnos alternan su visión de ausencia o presencia de control porque
aún en la aleatoriedad existe la posibilidad de control sobre los resultados del
experimento, pero al mismo tiempo, no puede llegar a ser total. Los
estudiantes, en cambio, visualizan el control de manera absoluta: hay o no
hay. Sería necesario comprender que la estadística proporciona herramientas
mediante la que es posible explicar, reducir y por tanto controlar parte de la
variabilidad (Wild y Pfannkuch, 1999). Nuevamente esta visión de los
estudiantes está relacionada con la aleatoriedad como algo en lo que no hay
modelos.
 En la relación establecida entre azar y causalidad hay una contradicción,
puesto que al aceptar el azar como causa, aceptan que «no hay azar», sólo
causas, o bien, lo aceptan como «algo ininteligible» a lo que se puede
recurrir cuando no se conocen las causas. En nuestra investigación hemos
soslayado discutir directamente con los estudiantes esta problemática
filosófica, aunque un profesor bien informado, podría conocerla y llegar a
tratarla en su salón de clases con el fin de relacionar la aleatoriedad (aunque
le llame azar) con modelos matemáticos.
 Actualmente se diferencia entre proceso y resultado aleatorio como dos
346
aspectos de la aleatoriedad. En nuestro estudio nadie cuestionó la

aleatoriedad en el proceso de lanzar una moneda. Al contrario, de manera
muy natural, ligaron los dos aspectos al usar los resultados del proceso que
sabían aleatorio (los lanzamientos de las monedas) para evaluar resultados
que sabían que no habían sido generados por un proceso aleatorio (su
intuición de la aleatoriedad). Sin embargo, en ocasiones se presentó una
confusión entre el «proceso» y «resultado», y también vincularon el proceso
con la temporalidad.
 La acepción de aleatoriedad vinculada a la equiprobabilidad es un arma de
doble filo. Es necesaria para el cálculo de probabilidades desde la
perspectiva clásica, pero limita la percepción del estudiante en la asignación
de probabilidad, olvidándose de aquellas en las cuales no es aplicable el
principio de inferencia o donde no hay simetría física. Además, favorece la
confusión entre los sucesos de un experimento aleatorio equiprobable con los
valores que adopta la variable aleatoria.
 La variabilidad actualmente es vista como una característica fundamental de
los fenómenos aleatorios. Fue apreciada parcialmente por los estudiantes en
sus argumentos. Sin embargo no fueron capaces de reproducirla en las
variables que aparecen en el experimento ni, como vernos más adelante,
tampoco de observar diferencias de variabilidad al comparar dos
distribuciones. Para los estudiantes tuvo más sentido el valor esperado del
número de caras.
 La idea de aleatoriedad como ausencia de modelos es muy fácil de aceptar
por los estudiantes puesto que es acorde con la idea de azar como desorden y
desconocimiento. Sin embargo, actualmente la aleatoriedad de un fenómeno
es analizada a través de la modelación del fenómeno mediante el cálculo de
probabilidades. Esta concepción de los estudiantes también se observó en el
análisis de las concepciones globales, puesto que sólo percibieron
parcialmente la presencia de un modelo vinculado con el número de caras.
Como se puede apreciar, casi todas estas percepciones responden a una idea
cotidiana o histórica de la aleatoriedad y la mayoría de ellos son incompletas. Así por
ejemplo, la aleatoriedad vinculada a la impredecibilidad es percibida como contraria a la
modelación, pero la modelación probabilística (que es la que se maneja en los
fenómenos aleatorios) no permite conocer ni predecir el fenómeno en el sentido
determinista. El error, entonces, está en la no aceptación de un modelo matemático en
un sentido probabilista. Así, hay contradicciones en la percepción de la aleatoriedad del
347
estudiante que están vinculadas con un sentido determinista y absoluto del

conocimiento. Una excepción a esta afirmación es la visualización del proceso y
resultado aleatorio como dos aspectos distintos de la aleatoriedad que, posiblemente, es
debida el actual uso de los números pseudoaleatorios, así como los modernos juegos
electrónicos de azar. Creemos que la aleatoriedad vista como equiprobabilidad también
es contraria a un pensamiento determinista, puesto que encierra una visión parcial de la
asignación de probabilidades, sin embargo, Lecoutre (1992) indica que es debida a una
falta de vinculación entre los fenómenos aleatorios y los modelos combinatorios.
Entonces, el estudio de los fenómenos aleatorios implica la aceptación de un tipo
de razonamiento distinto al que comúnmente están acostumbrados los estudiantes. Es
importante, por tanto, ayudar los, sobre todo a aquellos que serán profesores, a mejorar
sus creencias sobre azar y aleatoriedad. La escuela o universidad debe constituirse en
ese espacio privilegiado en donde se puedan discutir este tipo de cuestiones y con ello
contribuir a distinguir entre las acepciones y creencias cotidianas no fundamentadas y
aquellas con un sustento teórico y razonable.
Finalmente indicamos que es posible que estas creencias influyan en la forma en
que los estudiantes analicen y usen la herramienta estadística para hacer inferencias
informales y concluir la tarea expuesta en el proyecto (Makar, Bakker y Ben-Zvi, 2011).
7.2. Objeto de análisis: Variable estadística

En esta sección analizaremos el uso y concepciones de los estudiantes de diversos
objetos que componen la variable estadística de acuerdo a lo expuesto en la Sección 5.2
de este capítulo. De acuerdo con Heitele (1975), analizaremos a la variable estadística a
través de la formulación de la distribución y de las medidas de tendencia central y
dispersión que usa el estudiante. Algunos resultados parciales de este análisis han sido
publicados en Arteaga, Batanero y Ruiz (2009).
7.2.1. Distribución de la variable estadística

Un punto importante es si los estudiantes logran formular la distribución de frecuencias
de las variables estadísticas de interés, es decir, si proporcionan un listado de todos los
valores que la variable ha tomado en el conjunto de alumnos y para cada uno de ellos ha
calculado su frecuencia, presentando la distribución de frecuencias, mediante una tabla
o un gráfico. Para llegar a formar esta distribución, el estudiante tendrá que establecer
una correspondencia entre cada valor de la variable y su frecuencia, con lo que usa la
idea de función, variable independiente y dependiente. Al realizar la tabla o gráfico,
tendrá que explicitar el rango de variación de dicha función así como su dominio. Este
proceso es un paso hacia la conceptualización posterior de la distribución de
348
P abbierto
probaabilidad dee las variables aleatoriias correspoondientes, como

c generralización de
d las
variaables estadíssticas estudiadas, mediiante un prooceso de infferencia infoormal (Rosssman,
20088).
La formuulación de la distribucción de la variable estaadística de la
l forma deescrita
anterriormente, indicará
i quue los estudiantes sonn capaces de
d abstraerr la inform
mación
relevvante que lees permitirá el análisis del fenómeeno a través de los datoos del grupoo. Por
lo tannto, considerará sus prropios datos y los de cada
c uno de sus comppañeros de grupo
g
comoo una repetiición del mismo
m experrimento (y no
n como unn fenómenoo único), a la
l vez
que aacepta la vaariabilidad del fenómeeno al obtenner diferenttes resultad
dos de un mismo
m
s posibilidaad de análissis a través de las variaables especcificadas (Bakker
experimento y su
y Grravemeijer, 2004). Poor tanto, permitirá laa observacióón de distintos gradoos de
abstrracción, la complejidad
c d de los proocedimientoos, errores y deducir laa proximidaad del
trabaajo del estuddiante con un
u razonamiiento estadístico.
En este análisis
a tenddremos que considerar forzosamen
nte las variaables estadísticas
descrritas en la Sección
S 4.22: número de
d caras obbtenidas en cada una de
d las secueencias
simuulada (Ys) y real (Yr); número
n de rachas
r en caada una de las secuenccias reales (T
( r) y
simuuladas (Ts) y longitud de
d la racha más grandee en cada una
u de las secuencias
s r
reales
(Lr) y simuladass (Ls).
Tabla 6.19
9. Clasificacción de estud
diantes según
n la construccción de tabla y gráfico
Presentació
ón de la distribbución No.
Noo presenta 7
S
Solo tabla 16
Soolo gráfico 42
Tabbla y gráfico 46
Total 111
En prim
mer lugar, obbservamos que la mayyoría de los estudiantees producenn una
repreesentación de
d las distrribuciones de
d las variaables estadíísticas en forma
f de taabla o
gráfico y aproxiimadamentee la mitad de ellos, hacen ambas (T
Tabla 6.19). Los estudiiantes
que rrealizaron taabla o gráficos para unna de las varriables repittieron el proocedimientoo para
A que, apaarentementee, los estudiaantes comprrenden y utilizan
todass, casi sin exxcepción. Así
intuittivamente la idea de variable estaadística y suu distribucióón, así mism
mo, visualizzan la
necesidad de ese
e ella, pues
p en laas instrucciones del proyecto
p n se les pedía
no
explíícitamente realizar
r tabllas o gráficoos.
349
Tablas de frecuencias de las distribuciones de la variable estadística

Un total de 62 estudiantes (55,8%) han elaborado tablas, bien conjuntamente o por
separado de las variables mencionadas. Es importante notar que todos los estudiantes
que hicieron tabla, la hicieron para las tres variables trabajadas en el estudio, aunque no
todos hicieron uso de la información vertida en la tabla. En su mayoría y de manera
general, las tablas son correctas, aunque básicamente se limitan a presentar sólo las
frecuencias absolutas y no las frecuencias relativas.
A este respecto, Watson y Moritz (1999) y Watson (2001) sugieren que en un
primer nivel de comprensión de la distribución, los estudiantes son capaces de comparar
conjuntos de igual tamaño y sólo en un segundo nivel se comparan conjuntos de datos
de diferente tamaño usando un razonamiento proporcional. También Batanero, Estepa y
Godino (1997) encontraron que algunos estudiantes en su estudio usan frecuencias
absolutas y no relativas al comparar distribuciones. Sin embargo en el proyecto
planteado por nosotros, las muestras relacionadas tienen el mismo tamaño y la
comparación de las distribuciones podría hacerse únicamente con base en las
frecuencias absolutas, motivo por el que no es necesario recurrir a las relativas.
Seguramente algunos alumnos se percataron de ello y por eso limitaron sus tablas a las
frecuencias absolutas, aunque otros podrían no haberse preocupado por el tamaño de la
muestra, quedándose en el primer nivel de comprensión de la distribución descrito en
los trabajos de Watson. Nuestro estudio no permitirá distinguir entre estos dos grupos
de estudiantes.
Es importante hacer notar, que a diferencia del problema planeado en el Estudio
3, en donde el estudiante se limita a interpretar la distribución de la variable, pues viene
dada en el enunciado, en la tarea planeada en este estudio, el estudiante debe construirla,
aspecto que sí podremos evaluar en este estudio.
Generalmente la interpretación de los datos se realizó a partir de los gráficos, o
de los estadísticos calculados, sólo excepcionalmente los estudiantes comentaron
directamente la tabla de frecuencias. Esto nos da indicios de que para ellos, la tabla es
sólo un paso previo a la construcción del gráfico. Por otro lado, una cantidad importante
de estudiantes (42) presentan sólo el gráfico, sin la tabla. Ellos tuvieron que hacer el
conteo y relacionar el valor de la variable con la frecuencia, pero no vieron la necesidad
de construir una tabla. También pudieron haber apuntado los datos por ahí, sin que para
ellos fuera necesario añadir la tabla en su reporte. Puesto que no se les dio libertad
también en el reporte, no solo en el tipo de análisis, la construcción de tablas no formó
parte del contrato didáctico, y muchos no vieron la necesidad de incluirlas.
350
A continuación mostraremos los diferentes tipos de tablas que se presentaron

encontraron más frecuentemente en las producciones de los estudiantes y que no
siempre corresponden con las estándares de los libros de texto.
Figura 6.12. Ejemplo de tablas de frecuencia separadas con una notación formal
La tabla más frecuentemente presentada se muestra en Figura 6.12, donde el

estudiante sólo calcula las frecuencias absolutas y presenta dos tablas separadas para las
secuencias reales y simuladas. Para hacerla, en primer lugar, el estudiante comprendió
la diferencia entre las dos muestras para la variable estadística representada (en este
caso, número de caras). Después clasificó los datos según el valor de la variable y
efectuó el recuento. Usa las ideas de variable, valor de la variable y frecuencia. Además
usó símbolos adecuados. Lo que muestra una aparente comprensión de la idea de
distribución puesto que maneja las dos variables, la independiente (X: número de caras)
y la dependiente (f: frecuencia de cada valor) y lo está haciendo para el conjunto de los
datos y no individuo a individuo.
En este caso el estudiante ha usado la notación simbólica X para referirse a la
variable estadística y f para referirse a las frecuencias. Aunque no lo explicitó, es
posible que haya usado esta notación por su semejanza con la notación de funciones;
por otro lado, los libros de texto suelen designar la frecuencia absoluta con la letra f.
Cualquiera de estas dos opciones denota una abstracción del estudiante, aunque la
primera sería mucho más abstracta. También el uso de una X mayúscula es notorio
porque está más vinculado con la notación de la variable aleatoria en probabilidad y
351
estadística, aunque el estudiante también tiene la necesidad de recurrir al contexto al

escribir, de manera abreviada y muy pequeño, que se trata del número de caras.
A) B)
Figura 6.13. Ejemplo de tablas separadas con distinta notación
En otros estudiantes con tablas separadas (ver ejemplo en Figura 6.13A) no se

observa esta formalización y el estudiante se refiere a «número de caras» y «número de
personas», o, en otros ejemplos, se denomina a las frecuencias absolutas «veces
repetidas», sin usar ni los símbolos matemáticos ni explicitar los conceptos de variable y
frecuencia. Esto hace más difícil valorar si el estudiante usa o no la idea de función,
pues no se deduce claramente de la notación. Hay una predilección por el uso del
contexto del problema lo que puede ser generado por una falta de abstracción de la
situación, como para usar la palabra ‘frecuencia’.
En la Figura 6.13B se observa el reporte en donde simplemente no se pone
etiqueta a las columnas de la tabla, pero usa una notación de aplicación en donde,
aparentemente, se establece una relación funcional y se trasluce la distinción entre la
variable dependiente y la independiente. En esta figura también se observa que el
alumno ha sido capaz de formar la distribución de las tres variables en estudio para la
secuencia simulada.
En la Figura 6.14 mostramos otra tabla de frecuencias en donde el estudiante ha
tenido en cuenta los valores de la variable obtenidos en las dos secuencias real y
simulada. Es por ello que algunos valores de la variable en la tabla aparecen con
frecuencia cero (son los valores de la variable obtenidos en la secuencia real que no
aparecen en la simulada). Aunque esta estrategia es ventajosa en la comparación de las
dos secuencias, posteriormente surge el problema de que este estudiante calcula mal el
352
rango de las variables, pues considera como mínimo el valor 6 y como máximo el 15 en
ambas secuencias, puesto que en las tablas, ambas secuencias aparentan el mismo
rango. Es decir el alumno no comprende bien el concepto de rango de la variable. Este
mismo problema se detectó en otros estudiantes; incluso algunos construyeron la tabla
de frecuencias y luego los gráficos desde el valor 0, aunque el mínimo que aparece en
las dos secuencias es de 6. Esto fue particularmente grave porque el rango fue la medida
que más se usó para evaluar la variación en la distribución de las variables, así que esto
no permitió ver la diferencia de variación en la distribución de las variables en las dos
secuencias.
Figura 6.14. Ejemplo de tablas de frecuencia con frecuencias nulas
Sin embargo, también se observa una referencia implícita al uso de la variable

aleatoria (pues se tienen en cuenta los valores posibles y no sólo los resultados) y a la
puesta en relación de variable estadística y aleatoria, es decir, la realización de una
inferencia informal (Zieffler, Garfield, Delmas y Reading, 2008).
La asignación de la frecuencia absoluta y de la relativa a cada valor de la
variable, implica una composición de funciones, donde la frecuencia absoluta (variable
dependiente en la primera función) se convierte en independiente en el cálculo de la
frecuencia relativa. Pero también donde a cada valor de la variable independiente le
corresponden dos valores de la dependiente (la frecuencia y la frecuencia relativa), que,
a su vez, se relacionan entre sí. El proceso implica una modelación estratificada en la
que se requiere la descontextualización de los casos favorables (frecuencia absoluta)
para poder abstraer la distribución de la frecuencia relativa de la variable. Es una
situación muy parecida a la que describimos en el Estudio 3 para el caso del número de
hijos (sección 8.2.3 del Capítulo 5), sólo que en aquel caso, los casos favorables eran la
353
cardinalidad de los eventos compuestos puesto que se hace uso de la probabilidad

clásica y directamente de la variable aleatoria.
Figura 6.15. Ejemplo de tabla con frecuencias acumuladas
En el ejemplo de la Figura 6.15 el alumno calcula correctamente las frecuencias

absolutas (que denomina simplemente repeticiones) y acumuladas, aunque luego no
hace uso de dichas frecuencias acumuladas, sino simplemente representa los datos con
diagramas de barras correctos de frecuencias absolutas. Nuevamente hay un efecto del
contrato didáctico donde el estudiante asume que ha de hacer todos los cálculos
estadísticos que pueda (o sepa), aunque no le sean necesarios para resolver el problema
o no sepa realmente su utilidad. En la misma tabla el estudiante presenta la media,
mediana y moda de cada variable, mostrando comprensión y capacidad de cálculo de
estos estadísticos. Como en el caso anterior, aquí el estudiante también tiene que
manejar una función compuesta para encontrar la frecuencia acumulada. De modo que
además de manejar una función compuesta o bien con doble valor, el alumno realiza
operaciones algebraicas con los datos para encontrar estos estadísticos.
354
Figura 6.16. Ejemplo de tabla con disposición para cálculo abreviado
En el ejemplo de la Figura 6.16, además de calcularse las frecuencias absolutas,

se añaden columnas para el cálculo simplificado de la media y varianza. Aun cuando el
profesor ha permitido que los estudiantes usen ordenador o calculadora, este estudiante
ha preferido recurrir al medio aprendido de cálculo manual que, además de ser
innecesario, seguramente realizó con auxilio de una calculadora. No obstante, estos
cálculos nos hacen notar que el estudiante muestra un buen uso de los símbolos
matemáticos y tiene un alto nivel de formalización de la variable estadística,
diferenciando entre valores y frecuencias y expresándolos simbólicamente, así como sus
operaciones. La disposición tabular le sirve también para facilitarle los cálculos; además
de que los símbolos tienen una función instrumental y no sólo representacional. Por otro
lado, la tabla también hace referencia a varias funciones diferentes, donde la variable
independiente es el valor de la variable estadística, pero también se podrían considerar
funciones compuestas, como en las tablas anteriores.
Figura 6.17. Ejemplo de tabla de frecuencias completa producida por un estudiante
355
En la Figura 6.17 presentamos

p s un ejempllo de una tabla
t de frecuencias coon las
colum
mnas de vaalor de la variable,
v mulada y relativa
freecuencia abbsoluta, relaativa, acum
acum
mulada, todaas ellas calcculadas corrrectamente. En algunoss otros caso
os los estudiiantes
han aañadido la columna
c de porcentaje.. Se nota la complejidaad de la tablla de frecueencias
porquue se representan cuattro funcionees diferentes con la miisma variable independdiente
(núm
mero de caraas).
Figura 6..18. Tabla de

d frecuenciaas conjunta y completa
Se preseentó un caso que impllica más coomplejidad (Figura 6.118), en donnde el

estuddiante mueestra una tabla de frrecuencias conjunta para
p ambass secuenciaas (S,
simuulada; R, reaal) y usa corrrectamentee la notaciónn simbólica,, incluyendo
o las mayússculas
para las frecuen
ncias acum
muladas. Addemás el estudiante coloca las columnas
c d las
de
secueencias simuulada y reaal en paraleelo lo cuall facilita laa comparaciión entre ambas
a
variaables. Tambbién se observa una com
mprensión y un uso corrrecto de la nomenclatuura de
los nnúmeros deccimales periiódicos. Com
mo en un caaso anteriorr (Figura 6.114), el estuddiante
tambbién incluyee frecuenciaa cero para los valores de
d la variable en la secuuencia simuulada,
que en ella no se presen
puestto que, aunq nten casos, sí los hay para
p la secueencia real.
Cinco esstudiantes presentan
p taablas similaares a la de la Figura 6.19.
6 Se obbserva
que, aunque reaalizan una taabla conjun
nta, ésta no les
l facilita el análisis posterior,
p poorque
usan una dispossición tabullar no están
ndar. Aquí no
n se ve tann claramennte que al mismo
m
valorr de la vaariable le correspond
den dos vaalores de la frecuen
ncia en lass dos
distriibuciones, además
a que no se obtuv
vieron otross cálculos como la freccuencia relattiva o
la accumulada y por supuessto, tampocoo se tiene la d establecer un paralelismo
l ventaja de
entree ambas secu
uencias.
356
Figura 6.19. Tabla de frecuencias con una disposición no estándar
Tampoco el uso del ordenador ayuda siempre al estudiante. En el siguiente

ejemplo (Figura 6.20), el alumno introdujo los datos en una hoja Excel y calculó las
frecuencias relativas (en realidad los porcentajes), pero las instrucciones dadas al
ordenador fueron incorrectas. La frecuencia calculada es el resultado de dividir el valor
de la variable entre la suma de todos los valores de la variable de la muestra (430)
multiplicado por 100. Es decir confundió el valor de la variable con la frecuencia
absoluta.
Es claro que el alumno no tenía correctamente definido el experimento aleatorio
como el experimento compuesto de lanzar 20 monedas, ni tampoco supo relacionar la
variable estadística con los resultados del experimento, puesto que no logró identificar
cuáles son los valores que toma la variable estadística, ni cuáles son los casos
favorables. Eso acarrea como consecuencia que no sepa cómo realizar el análisis de
datos, ya que no agrupa los datos alrededor de los valores de la variable estadística. Al
contrario, en su tabla prevalece el orden arbitrario en que fueron numerados los
estudiantes, lo cual indica que no se dio cuenta que el número de alumno no implica
otra cosa que la repetición del mismo experimento aleatorio.
Figura 6.20. Tabla de frecuencias en ordenador
357
T
Tabla 6.20. Clasificación
n de tablas, según datos representado
r os
Categoríía del gráfico construido Frecuenciaa Porcentaje
Listado de daatos individuaales 2 3,23
Tabla separaada para cada variable
v 54 87,10
Tabla conjunnta para las doos variables 6 9,68
Total 62 100
En concclusión, com
mo vemos en la Tabbla 6.20, 62
6 estudianntes (56% de la
muesstra) constrruye la tablla de las distribucione
d es de las variables
v dee las secuenncias,
aunqque, posterioormente, enn su mayoríaa no las usann en el anállisis de la coomparaciónn. Dos
de esstas tablas son
s simplem
mente listaddo de los daatos sin orgaanizar (es decir,
d no llegan a
form ntamente las dos
mar la distriibución) y seis son taablas dondee se represeenta conjun
variaables; el restto son tablaas separadass para cada una
u de las variables
v a comparar.
c
Las tablaas generalm
mente incluyyen solamennte las frecuuencias absoolutas. La mayor
m
partee de los aluumnos que hace tablaa las elaborra correctam que se presentan
mente, aunq
diferrentes grados de com
mplejidad en
e su elabooración, lo
o que tambbién indicaa una
compprensión dee la funcióón de la distribución
d de frecuen
ncias en laa resoluciónn del
proyecto y la definición de la variaable estadísstica en ellos. Tambiién encontrramos
confu
fusiones entrre el valor de uencia absooluta y relativa, y
d la variablle y la frecuuencia, frecu
entree frecuenciaa relativa y porcentaje. Aunque alggunos alum
mnos usan laa hoja Exceel, eso
no les facilita la tarea, puesto
p que la hoja Excel
E no taabula ni agrupa los datos
autom
máticamentte y aunquee así lo hicieera, se requuiere una coomprensión del objetivvo del
probllema y del fenómeno aleatorio y su repetitivvidad para poder dar las
l instruccciones
aproppiadas al orrdenador.
Reprresentació
ón gráfica d
de la distriibución dee la variablle estadístiica
En eeste apartadoo hacemos un análisis resumido de las repreesentacionees gráficas de
d las
variaables estadísticas prodducidas por los estudiaantes en el proyecto. Un
U análisiss más
exhaaustivo se encuentra
e e la tesis de Arteagga (2011), quien estuddió los grááficos
en
produucidos por los estudiiantes en el
e mismo proyecto
p qu
ue analizam
mos nosotroos de
acuerrdo a su nivel
n de com
mplejidad semiótica
s s
sustentándos
se en el annálisis semiiótico
propuuesto por Godino,
G Baatanero y Font (2007).. También relacionó esta
e compleejidad
semiótica con laa correcciónn y el nivell de compreensión lectoora de los grráficos y coon las
conclusiones ob
btenidas en el proyectoo. Nosotross hemos coolaborado coon este auttor en
algunnas publicaaciones connjuntas (Artteaga, Bataanero y Ru
uiz, 2009; 2010),
2 ahorra, en
lugarr de repetirr su análisiss, haremos una interprretación de los gráficoos producidos en
358
términos del nivel de comprensión de la variable estadística y su distribución, siguiendo

las jerarquías definidas por diferentes autores.
En lo que sigue analizaremos muy brevemente estos niveles en los gráficos que
produjeron los estudiantes. Mostramos algunos ejemplos de gráficos en cada uno de
dichos niveles y destacamos el uso que se hace de las variables aleatoria y estadística en
cada uno de los niveles. En algunos casos, el análisis de los gráficos también nos
permitirá observar cómo los estudiantes reflejan sus concepciones de aleatoriedad en
ellos y su relación con el manejo de las variables. Tendremos en cuenta los siguientes
niveles:
0. No se producen gráficos.
1. Se producen gráficos que sólo representan los resultados del experimento
individual del estudiante que lo elaboró.
2. Gráficos que representan o listan los datos de toda la clase, sin conformar la
distribución de frecuencias.
3. Gráficos en que se forma la distribución de frecuencia separada para cada una
de las variables que se comparan.
4. Gráficos conjunto de las dos distribuciones de las variables que se pueden
comparar.
0. No se producen gráficos.
En nuestro estudio, el 20% de los estudiantes no realizaron ningún tipo de gráfico
(Tabla 6.19). Su análisis se basó en tablas o medidas de tendencia central. Cuando lo
realizan, lo mismo que Arteaga (2011), encontramos que en su mayoría los estudiantes
se concentran en elaborar la gráfica de la variable «número de caras».
Observamos, entonces, que la mayoría de los estudiantes ha realizado un proceso
de transnumeración (Wild y Pfannkuch, 1999) gráfico, aunque no todos ellos llegan a
formar la distribución. Tampoco el que no hayan hecho gráficos significa que no tengan
un cierto nivel de comprensión de la distribución. En nuestro estudio, cuatro de los
estudiantes que no reportan gráfica calcularon medidas de tendencia central. Puesto que
estas medidas son un resumen de la distribución de datos, asumimos que, aunque es
posible que sea como efecto del contrato didáctico, los estudiantes están considerando la
distribución de la variable bajo estudio, sin embargo no podemos saber que tan
conscientes son de ello. Los otros tres estudiantes no usaron explícitamente este objeto
matemático.
359
1. Gráficos que sólo representan los resultados del experimento individual del
estudiante que lo elaboró
Dentro de este nivel se consideraron aquellos gráficos que produjeron los alumnos para
representar únicamente sus propios datos, sin considerar los de sus compañeros. No se
encontraron tablas equivalentes a este nivel posiblemente.
Los estudiantes clasificados en esta categoría no usaron explícitamente la idea de
distribución. En general, trataron de resolver la pregunta para su caso particular (si él
mismo tiene una buena intuición) comparando lo obtenido en las dos secuencias que él
mismo había generado, por lo que deducimos que no comprendieron el propósito del
proyecto de realizar un análisis estadístico, o bien, no fueron capaces de realizar un
análisis global de los datos. En cualquier caso, no vislumbraron que el análisis
estadístico está orientado a describir y predecir las propiedades de las distribuciones y
no de datos aislados (Bakker y Gravemeijer, 2004) y por lo tanto no presentan un buen
razonamiento estadístico (Wild y Pfannkuch, 1999). En los ejemplos presentados en la
Figura 6.21, los gráficos representan las frecuencias de caras y cruces en 20
lanzamientos, usando diferentes tipos de gráficos.
A través del manejo de su gráfico se deduce que estos estudiantes manifiestan
una intuición errónea sobre la aleatoriedad porque suponen que una buena intuición
implicaría que su secuencia simulada fue idéntica en alguna característica a su secuencia
real. Es común que traten de ver si sus resultados particulares son iguales en las dos
secuencias. De acuerdo con el análisis de la sección anterior (7.1), presentan la falacia
de ilusión de control (Langer, 1975) o el enfoque en el resultado aislado (Falk, 1989).
También es evidente que este grupo de estudiantes no se percató de que no se
trabajaba el experimento aleatorio simple (el lanzamiento de una moneda) sino sobre el
compuesto por 20 lanzamientos de una moneda. Esto repercutió en que, de manera
general, la variable «número de caras en 20 lanzamientos» no tuviera sentido para ellos.
Sin embargo, esto no explica su falta de análisis global de los datos, puesto que aun
cuando se considera solamente el experimento aleatorio simple, y por lo tanto la
variable «cara o cruz en un lanzamiento», hubiera sido posible que tomaran en cuenta
los datos de todo el grupo.
En el ejemplo A de la Figura 6.21, el alumno representa la frecuencia de los
resultados de sus propias secuencias. Para él, los valores que toma la variable son
«cara» y «cruz», lo cual manifiesta una idea intuitiva de variable aleatoria y estadística
y su distribución. Sin embargo considera sólo la variable «resultado del lanzamiento de
la moneda en sus 20 ensayos», es decir, considera la variable aleatoria Bernoulli ζr, que
correspondería al lanzamiento de la moneda equilibrada, con probabilidades p=q=1/2 y
360
que toma solo esos dos valores. También estudian la variable aleatoria ζs que toma valor
1 cuando ocurre, por ejemplo, cara (éxito) y 0 cuando ocurre cruz (fracaso) en la
secuencia simulada, así como sus correspondientes variables estadísticas (tanto las
variables aleatorias como las estadísticas se describieron en la Sección 4.2.3). Como no
toma en cuenta los resultados de toda la clase, no puede considerar las variables
Binomiales ηr y ηs, número de caras en las secuencias de cada alumno, que tomaría
valores numéricos, ni sus correspondientes variables estadísticas definidas en las
secciones 4.2.4, 4.2.5 y 4.2.6.
A) B)
C) D)
Figura 6.21. Ejemplos de gráficos que sólo representan sus datos
El ejemplo B de la Figura 6.21 el estudiante pretendió hacer un diagrama de

barras, pero aunque anota que la variable independiente es el «número de caras», en
realidad se refiere al «tipo de secuencia» y los valores que toma son: «real» y
«simulada». Nuevamente se observa una confusión entre las variables «cara o cruz en
un lanzamiento» y «número de caras en 20 lanzamientos de una moneda» puesto que el
361
eje vertical lo rotula como «frecuencia», y lo es, sólo que de la primera variable
estadística X, que, en un lanzamiento real, correspondería a una variable aleatoria
Bernoulli, ζr. Este estudiante, sin embargo, sí representa los datos de ambas secuencias
en una sola gráfica, lo que hace más fácil la comparación de las variables. Observemos
que los valores de la frecuencia son los mismas (11), lo que, desde la concepción del
estudiante (ilusión de control o enfoque en el resultado aislado), se interpretaría como
una buena percepción de aleatoriedad.
Algunos alumnos representaron la sucesión de resultados en su experimento
como mostramos en los ejemplos C y D de la Figura 6.21. En ellos, los estudiantes están
haciendo una descripción de su propia experiencia al lanzar 20 veces una moneda,
representando de diferente manera si el resultado era «cara» o «cruz» indicando,
nuevamente, que ellos no lograron visualizar su experimento como uno compuesto, sino
como repeticiones del experimento sencillo (lanzar una moneda). En el gráfico circular
(inciso C) el alumno indica la obtención de «cara» con un sector circular en blanco, y la
obtención de una «cruz» con un segmento coloreado. En este gráfico se visualizan
rápidamente las rachas, así como la racha más grande, así mismo, se observa que el
estudiante usó su gráfico para contar el número de rachas en su secuencia, aunque no
hay evidencia de que haya hecho lo mismo con la racha más larga.
En el gráfico D, cada resultado (cara o cruz) es representado en una línea
diferente, donde, en cada repetición, el estudiante acumuló la frecuencia del resultado
del número de caras o cruces dependiendo de cuál fue el resultado. Observemos que la
variable independiente es «número de tiradas» y que cuando la línea del número de
caras crece, la línea del número de cruces permanece constante porque en una tirada se
obtiene sólo uno de los dos resultados. El crecimiento de la línea indica la existencia de
una racha, lo que permite representar, además del número de caras (o cruces), las rachas
e incluso identificar la racha mayor. De este modo representa las tres variables de su
secuencia en un solo gráfico, que además resulta ingenioso. Para su propósito, las
variables están bien definidas y el gráfico es correcto dentro de este nivel de
complejidad, aunque resulta inútil representar el número de caras y el número de cruces
de una misma secuencia en su gráfico. Este ejemplo también está relacionado con la
percepción de la aleatoriedad como un proceso temporal (7.1.1), puesto que a través del
gráfico el estudiante está representando cómo se incrementa el número de caras (o
cruces) a medida que transcurre el número de tiradas (tiempo).
A diferencia de los otros dos ejemplos, en estos (C y D) claramente se observa
que los estudiantes hicieron uso de su gráfico para realizar su análisis, aunque no logren
la comprensión que se esperaba en el proyecto.
362
En este nivel el estudiante no puede (ni tiene la intensión de) realizar una
inferencia estadística informal basándose en sus gráficos, por lo tanto realmente no está
vinculando una variable estadística con una aleatoria a través de esta herramienta. De
acuerdo con el análisis semiótico realizado por Arteaga (2011) los conceptos,
proposiciones y procedimientos puestos en juego por estos estudiantes son de un nivel
de complejidad bajo, lo que potencialmente sólo permitiría un nivel de lectura de datos
(Friel, Curcio y Bright, 2001).
2. Gráficos que representan los datos de toda la clase, sin conformar la

distribución de frecuencias
En estos gráficos, los estudiantes no agruparon los valores similares de las variables
(número de caras, número de rachas o longitud de la racha mayor) de las secuencias
reales o simuladas de los alumnos de la clase, para formar la distribución de frecuencias.
En lugar de ello, representaron el valor (o valores) obtenidos para cada alumno dentro
del gráfico en el orden en que los datos fueron recopilados, que es un orden arbitrario.
Es decir, sí toman en cuenta el total de los datos, pero no grafican la distribución de las
variables.
En este tipo de gráficos hay un uso implícito de las variables estadísticas del
problema, pero no llegan a formar su distribución porque no hacen el recuento de las
frecuencias asociadas a cada valor de las variables y por tanto no emplean la idea de
distribución de las variables en sus gráficos. En cambio, relacionan correctamente un
elemento del eje de las abscisas (número de alumno) con el de las ordenadas (número de
caras, por ejemplo) formando gráficos de barras o de líneas en donde sólo se visualiza la
dispersión a través de medidas como el rango, el mínimo y el máximo. También se
observa el orden en que se llevó a cabo el proceso de recolección de los resultados de
cada estudiante, dándole una mayor importancia de la que tiene en la distribución,
donde es irrelevante.
Este nivel de gráfico puede promover que el estudiante interprete los datos
provenientes de una variable como repeticiones de un mismo experimento aleatorio (el
lanzamiento de 20 monedas), es decir, como provenientes de una misma población, o
bien puede favorecer la comparación de los datos uno a uno como si no fueran
repeticiones de un mismo experimento, sino datos aislados. En el primer caso, aun
cuando no formaron la distribución, los estudiantes podrían buscar una visión general
del comportamiento de la variabilidad de los valores de la variable en la muestra, sin
embargo sería limitada, puesto que no se propicia la comparación entre medidas de
tendencia central. Aun así, el estudiante estaría obteniendo una caracterización parcial
363
de una de las variables de interés en nuestro problema (número de caras, número de

rachas o longitud de la racha más larga en 20 lanzamientos). En el segundo caso, las
variables que se pondrían en juego, serían las relacionadas con el experimento simple Xr
y Xs (4.2.3). Es decir, harían un análisis de todos los estudiantes del grupo, pero sin
considerarlos elementos de una misma población. Esto favorecería que los estudiantes
se centraran en observar el grado de coincidencia entre los datos provenientes de la
secuencia simulada y de la real, favoreciendo el enfoque en el resultado aislado
(Konold, 1989) o la ilusión de control (Langer, 1975). También podría fomentar la
relación de la aleatoriedad con un enfoque temporal, puesto que el eje horizontal
(número de alumno) se puede interpretar como el orden en el que se recopilaron los
datos, cosa que es irrelevante en el proyecto.
En general, aunque en algunos casos este nivel de graficación es propicio para la
comparación, no se favorecería una buena interpretación ni la realización de inferencias
informales apropiadas. De acuerdo con Arteaga (2011), los gráficos de este nivel
permitirían responder preguntas hasta el nivel de leer entre datos pero no de leer más
allá de los datos en la terminología de Friel, Curcio y Bright (2001).
Entre los estudiantes que hicieron este tipo de gráfico, uno de ellos realizó la
tabla de frecuencias para cada variable de manera correcta, por lo tanto sí conformó la
distribución de frecuencias para las variables estadísticas, aunque no lo hizo
gráficamente. En su mayoría, el resto de los estudiantes clasificados en este grupo
estaría en un primer nivel de comprensión de la distribución, según Bakker y
Gravemeijer (2004), donde la distribución se concibe como un conjunto de datos
aislados. Algunos gráficos situados en esta categoría se ilustran en la Figura 6.22.
En el primero de estos ejemplos (A), el estudiante usa un diagrama de barras
para representar el número de caras en la secuencia real; el diagrama permite visualizar
la variabilidad de la variable, así como sus valores máximo y mínimo (por tanto el
rango). Este estudiante hizo gráficas separadas para las secuencias real y simulada, sin
embargo, la comparación entre ambas no resulta fácil puesto que, además de que en las
gráficas no se observan claramente las medidas de tendencia central, usó distinta escala
en el eje correspondiente al número de caras, por lo tanto tampoco se aprecia a simple
vista la diferencia en la variabilidad de ambas secuencias.
El ejemplo B es un diagrama de líneas donde el alumno representa el número de
caras en las secuencias real y simulada para cada estudiante en los mismos ejes. Este
gráfico permite mostrar la coincidencia de valores de un mismo estudiante que puede
reforzar las concepciones sobre aleatoriedad basadas en el enfoque en el resultado
aislado (Konold, 1989) o la ilusión de control (Langer, 1975). Sin embargo, el gráfico
364
sería correcto dentro de su nivel puesto que permite comparar la variabilidad de las
variables estadísticas relacionadas con el número de caras (es decir las variables Yr y Ys,
descritas en 4.2.4). Además, si el estudiante lo hubiese percibido, también podría haber
representado la media de cada secuencia mediante una línea recta horizontal, lo que
hubiera permitido una mejor comparación de las secuencias. Muestra una comprensión
media del objetivo del problema al representar en un mismo eje ambas secuencias y
ofrece una potencial comparación de la variabilidad por parte del estudiante. Aunque,
por sí mismo, no indica claramente la variable que el estudiante utilizaría en su
interpretación, puesto que puede favorecer que observe la variabilidad del número de
caras en 20 lanzamientos en el total del grupo (variables Yr y Ys,) o las variables
relacionadas con el experimento simple Xr y Xs (4.2.3) si se concentra en la coincidencia
de valores entre la secuencia simulada y la real.
A) B)
C) D)
Figura 6.22. Ejemplos de gráficos que no representan la distribución de la variable
365
En el tercer ejemplo (C), se representan las tres variables (número de caras,

número de rachas y longitud de la racha más larga) de una de las secuencias (secuencia
simulada) en un mismo eje. Las variables, sin embargo, no son comparables, de modo
que la gráfica no tiene sentido. Este mismo error se produce en el gráfico de barras
adosado del ejemplo D, en donde, además, hay un mal uso del ordenador que se deduce
de la inclusión de la mediana en el rango a graficar y del tipo de gráfico seleccionado en
el que no se llega a visualizar ninguna de las características de las variables. Estos dos
gráficos (C y D) muestran la incomprensión de estos estudiantes del objetivo del
problema y la desvinculación de las variables con la evaluación de las concepciones de
aleatoriedad de los estudiantes, puesto que a pesar de que colocan en un solo gráfico
varias variables, parece que no les queda claro cuáles son las variables que tienen que
comparar para realizar la evaluación. Estos gráficos (C y D) parecen indicar que sus
autores están interesados en realizar un análisis por alumno, centrándose en la
comparación de los valores de las variables que obtuvo cada uno de ellos (sin percatarse
que no son comparables), o bien, no hay una intención de uso del gráfico.
3. Gráficos con una sola distribución

En esta categoría los estudiantes calcularon las frecuencias de cada una de las variables
y elaboraron dos o más gráficos en donde relacionaron cada una de las variables por
separado. Este proceso no siempre supuso la elaboración previa de la tabla, pero a través
de la gráfica se detecta que el alumno pasa del conjunto de datos a la variable estadística
y su distribución de frecuencias y que potencialmente podría efectuar una inferencia
estadística informal de manera correcta. La característica principal de los gráficos de
este nivel es que los elaboran separados para cada una de las secuencias y a veces esto
dificulta la comparación de las variables, sobre todo cuando no usan la misma escala de
representación en los dos gráficos. Presentamos algunos ejemplos en la Figura 6.23.
En el primer ejemplo (A), el estudiante produce un diagrama de barras correcto,
tanto la escala, como las barras centradas en el valor entero. El estudiante ha tenido que
agrupar los datos, calcular las frecuencias y representarlas. Muestra una comprensión
correcta de la idea de distribución. Estarían en el nivel superior de comprensión de
Bakker y Gravemeijer (2004), donde la distribución se concibe en relación a un
agregado y no a datos aislaros. Ha elegido un gráfico adecuado para observar
estadísticos útiles en la solución del problema, como la moda y el recorrido de la
variable. Además, este estudiante amplía el eje vertical hasta el 20 porque eso le permite
la comparación del número de caras de esta secuencia con la secuencia simulada (cuya
máxima frecuencia fue 19). Lo mismo podemos decir del ejemplo C.
366
A) B)
C) D)
Figura 6.23. Ejemplos de gráficos que representan las variables por separado
En el segundo ejemplo (Figura 6.23B), la distribución de frecuencias está bien

formada, como los casos anteriores, pero el alumno elige un gráfico poco adecuado para
efectuar la comparación con la secuencia real. El diagrama de sectores permite ver las
proporciones de cada valor dentro del total, pero no se visualiza tan bien el rango y la
moda como en el gráfico de barras. El ejemplo D básicamente está correcto, pero la
escala del eje no es homogénea, mostrando dificultades en el razonamiento
proporcional.
Aparentemente este grupo de estudiantes se percatara de que a partir de un
experimento aleatorio es posible definir diversas variables. Esto significaría que, al
menos implícitamente, sí se logró la comprensión de la recursividad de la aleatoriedad y
la extensión del experimento aleatorio simple de lanzar una moneda al experimento
367
aleatorio compuesto por el lanzamiento de veinte monedas, lo que contribuyó al manejo

matemático de las variables estadísticas y aleatorias correctamente.
De acuerdo con Arteaga (2011) los gráficos clasificados en este nivel permiten
responder preguntas hasta un nivel de lectura más allá de los datos en la terminología
de Friel, Curcio y Bright (2001), puesto que una lectura directa de los gráficos permite
identificar rápidamente la moda y la variabilidad de la variable.
4. Gráficos conjuntos de las dos distribuciones.

En este nivel quedaron agrupados los gráficos en los que el alumno formuló las
distribuciones de cada par de variables de las dos secuencias y las representó
conjuntamente en el mismo gráfico. Estos gráficos muestran una comprensión aún
mayor de la variable estadística y su distribución puesto que presenta dos variables
estadísticas que sí son comparables y relaciona una frecuencia con el valor de cada
variable. Esto, potencialmente, facilita la comparación de las mismas para resolver la
pregunta planteada en el proyecto. De acuerdo a Ciancetta (2007), los alumnos
clasificados en los dos últimos niveles han superado la visión local de los datos y
comienzan a reconocer los aspectos globales de los datos.
En la Figura 6.24 presentamos algunos ejemplos de los gráficos de este nivel. En
el ejemplo A se muestra un diagrama de barras adosado de la distribución del número
de caras en las secuencias real y simulada. El gráfico es correcto, tiene una escala
apropiada para ambas secuencias, el rótulo del gráfico y la etiqueta de los ejes son
apropiados. El alumno tuvo que haber relacionado las frecuencias de las secuencias real
y simulada y luego elegir un gráfico en la hoja Excel que le pareciera adecuado para
representar conjuntamente las dos secuencias y saber definirlas apropiadamente en el
software.
En el ejemplo B, el estudiante optó por dos polígonos de frecuencia conjuntos.
Básicamente están bien representados, salvo que el estudiante no cuidó una limpia y
buena presentación (líneas torcidas, se salta valores en la escala del eje-y, distinto
tamaño en las unidades del eje-x) y eso no facilita una lectura inmediata. Aunque sí se
preocupó por distinguir los gráficos de las dos secuencias con colores diferentes, lo que
ayuda a una comparación de las dos secuencias porque se observa a simple vista el
recorrido y la moda.
368
A) B)
C) D)
Figura 6.24. Ejemplos de gráficos que representan las variables conjuntamente
Igual que en el ejemplo A, el alumno B tuvo que haber relacionado las

frecuencias de las secuencias real y simulada para realizar el gráfico y después
seleccionar el tipo de gráfico que le pareció más adecuado. Se observa (por el trazo
continuo de la línea) que los valores máximo y mínimo en los ejes los seleccionó
previamente, sin embargo, pareciera que los números y las líneas de división los fue
colocando sobre los ejes a medida que colocaba los puntos en el gráfico, por lo tanto, no
hay proporcionalidad entre las distancias a las que están colocados los valores sobre los
ejes.
El ejemplo D (Figura 6.24), también es básicamente correcto, salvo que las
barras no están centradas. Aquí el alumno hace un uso creativo de la escala, porque
aunque ellos están acostumbrados a que la parte de abajo del eje-y corresponde a
números negativos, en este caso representa la frecuencia (con valores positivos) de la
secuencia simulada. Los rótulos y las etiquetas del eje-y indican que el estudiante era
369
consciente que lo que estaba dibujando en la parte de abajo era la frecuencia. El

diagrama permite comparar muy bien ambas distribuciones de las secuencias, tanto en
la variación, como la tendencia central de los datos. El gráfico C muestra un tratamiento
parecido, con un manejo apropiado de los ejes, rótulos y escala. En este caso, es el lado
izquierdo del eje-x no representa valores negativos sino la frecuencia (números
positivos) de cada valor de la variable en la secuencia simulada.
Este nivel de graficación potencia la realización de inferencias informales pues
posibilita responder preguntas hasta un nivel de lectura más allá de los datos en la
terminología de Friel, Curcio y Bright (2001).
Niveles de comprensión de la distribución

Observamos que todos los gráficos mostrados en los niveles 2, 3 y 4 representan a una o
más variables estadísticas, sin embargo, cada nivel potencia una mayor comprensión de
las variables estadísticas y distribuciones que el anterior y su ejecución involucra el uso
de diferentes objetos matemáticos que fueron analizados por Arteaga (2011).
Así por ejemplo, el orden de los valores que toma la variable en el eje-x sólo
coincide con el orden numérico de algunos gráficos de los niveles más altos, 3 y 4. Las
frecuencias absolutas únicamente aparecen representadas en los gráficos de barras y
líneas (eje-y), aunque implícitamente también se consideran en el gráfico de puntos
(ejemplo C del nivel 4, Figura 6.24). La idea de proporcionalidad aparece en los
gráficos de puntos, barras o líneas de los niveles 3 y 4, pero no en el gráfico de puntos.
Mientras en los gráficos de puntos, barras o líneas de los niveles 3 y 4, los
valores individuales se han clasificado y organizado de acuerdo a los valores que toma
la variable para formar la distribución de frecuencias, en los gráficos de nivel 2, los
datos individuales no presentan esa organización. Además, en los niveles 3 y 4 se
representa una función de variables reales, en donde a cada valor de la variable, se le
asigna su frecuencia (nivel 3) o una frecuencia en cada variable (nivel 4). Esta función
no llega a construirse en los niveles anteriores, aunque en el nivel 2 sí se presenta una
función no real que relaciona el valor de una variable estadística a cada estudiante o
número de estudiante.
Es importante destacar que nuestra investigación indica que los diversos niveles
reflejan el manejo de las variables estadísticas y aleatorias por parte del estudiante. De
manera general, en el nivel 1 sólo hay un manejo de las variables relacionadas con un
resultado del lanzamiento de una moneda, ζr, ζs y Xr, Xs (Sección 4.2.3), aunque no hay
un manejo real de la distribución; los niveles 3 y 4 implican ya un manejo del resto de
las variables, las relacionadas con el número de caras, ηr, ηs y Yr, Ys (Sección 4.2.4),
370
P abbierto
númeero de rachhas, θr, θs y Tr, Ts (Sección 4.2..5), y rachaa más largaa, λr, λs y Lr, Ls
(Seccción 4.2.6). Sin embarggo, en el nivvel 3 la capaacidad de vincular entrre sí las variiables
c sus resppectivas aleeatorias, deependerá dee las habiliidades con otros
estaddísticas y con
recurrsos matem
máticos a loos que acud e el nivel 4, la
da el estuddiante, mienntras que en
vincuulación pueede resultaar más direecta. El 2 implica ell manejo de
d las variiables
relaccionadas conn el resultaado del lanzzamiento de
d la moned
da (ζr, ζs y Xr, Xs) conn una
compplejidad maayor, puestoo que se tom
man en cuennta los datoss de todo el grupo y tam
mbién
se pootencia el manejo
m de las otras varriables, perro no se llegga a conforrmar ni a usar la
distriibución de las mismass. Así obserrvamos quee la clasificcación de grráficos reallizada
por A
Arteaga (20011) tambiéén es útil para dar inddicios de cóómo los estuudiantes poodrían
usar los gráficoos como heerramienta para
p realizaar una inferrencia estaddística infoormal,
aunqque posterioormente verremos que no
n todos lleegan a ella, pues finalm
mente depennderá
de laa capacidad interpretativva de cada estudiante
e ((Makar, Bak
kker y Ben--Zvi, 2011)..
T
Tabla 6.21. Clasificación
n de gráficoss, según el niivel de comprensión de laa distribución
Niv
vel Categoría del gráffico construidoo Frecuuencia Porcenntaje
1 Representta sólo sus dattos 4 4,54

2 Representta resultados individuales 13
3 77
14,7
3 Gráficos separados
s paraa cada distribuución 6
46 52,2
27
4 Gráficos conjuntos
c de dos
d distribucioones 5
25 28,4
41
Totaal 88
8 1000
En la Taabla 6.21 prresentamos la distribucción de los gráficos elaaborados poor los

88 (779,3% del total
t de los alumnos) produjeron
p algún tipo de
d gráfico para
p analizaar sus
datoss, incluso cuando
c las instruccionnes de la tarea
t no lo pedían exxplícitamentte, en
funciión de los niveles
n desccritos anterioormente. Laa mayoría de
d ellos (52,,2%), produujeron
gráficos separaddos para cadda variable (nivel 3), eel 28,4% dee los estudiiantes trabajjan al
nivell 4 y producen un soloo gráfico dee las dos vaariables. Son
n pocos loss estudiantees que
analiizan sólo su
us propios datos
d (nivel 1) y sólo el
e 14,7% esttudian los valores
v obteenidos
por cada
c estudiaante caso a caso sin lleegar a form
mar la distribbución (nivel 2). Por loo que
en suu mayoría lo
os gráficos realizados potencian
p e buen uso de las variaables estadísticas
el
y aleeatorias por parte de loss estudiantes.
Como hemos
h indiicado, algu
unos estudiiantes que no realizaaron gráficco, sí
consttruyeron unna tabla de la distribucción de unaa o varias variables.
v E la Tablaa 6.22
En
clasifficamos el conjunto
c dee estudiantees de nuestraa investigacción en cuattro categoríías de
acuerrdo a la reepresentacióón gráfica o tabular de las varriables del proyecto y sus
distriibuciones.
371
Tabla 6.2
22. Clasificaación de alum
mnos de acueerdo a cómo representan los datos
(en tablaa o gráfico)
Forma de
d representarr los datos Frecuuencia Porcentaje
No representan
r 7 6,331
Mueestran valores aislados 12 10,81
Reprresentan distriibuciones porr separado 67
6 60,36
Reprresentan distriibuciones connjuntamente 25
2 22,52
Totaal 1111 100,00
 No representan tablas ni gráficoos; tampoco calculaaron resúm

menes
estaddísticos. Sólo encontraamos 7 alum
mnos en esste grupo quue represenntaron
gráfiicamente suus propios datos indiividuales (44 casos), o bien, hiccieron
referrencia a elloos por escriito, sin reprresentarlos. En generaal, estos aluumnos
no lllegaron a ussar las variaables sugeridas por el profesor (n
número de caras,
c
rachaas y racha mayor
m en 20 lanzamienntos), sino que manejaan únicamennte la
variaable «Cara o cruz» com
mo productoo de su expeerimento aleeatorio simpple.
 Realizan un grááfico o un listado
l (o ambos)
a de lo
os valores de alguna de
d las
variaables citadass, sin llegarr a formar laa distribucióón (11%).
 Form
man las disttribuciones de las variiables y las representaan en tablass o en
gráfiicos (o ambbos) por sepparado (600%); usan taanto las varriables sugeeridas
e profesor, como suss distribucioones; pero no siempre llegaron a ser
por el
capaces de comppararlas com
mpletamentte.
 Reprresentan coonjuntamennte en tabbla o gráf
áfico (o ambos)
a las dos
distribuciones de las vaariables dee ambas secuencias.
s Estos sonn los
estuddiantes quee, hasta este momentto, han hecho un meejor uso de
d las
variaables estadíísticas y su
us distribucciones y que,
q potencialmente, tienen
t
mayoor facilidad de interpreetación y connclusión deel proyecto.
7.2.2. Momentos
M de la varia
able estad
dística
Denttro de los elementos
e i
importantes que caractterizan a laa variable aleatoria,
a H
Heitele
(1975) señala su
s esperanzza y variabbilidad. La variable estadística que
q nos intteresa
analiizar en el traabajo de loss estudiantes es aquellaa vinculada con el fenóm
meno aleatoorio y
cuyaa generalizaación da luugar a la variable
v aleeatoria, porr lo tanto, las medidaas de
tendeencia centraal y dispersiión serán tam
mbién funddamentales en
e la variable estadísticca. La
generalización de
d estas medidas da lug
gar a la com
mprensión de
d las medidas de tenddencia
centrral y disperssión en las correspond
dientes variaables aleatorias. Parte de
d los resulltados
incluuidos en estaa sección see han publiccado en Ruizz, Arteaga y Batanero (2009a y b)).
372
P abbierto
T
Tabla 6.23. Estadísticos
E calculados por los estudiiantes (n=1111)
Correctto Incorrecto
o Total
Media 79 11 90
M
Mediana 55 17 72
Moda 77 3 80
Rango 54 6 60
Otra meedida dispersióón 41 0 41
En la Tabla
T 6.23 presentamoos los estaadísticos repportados en
n los prodductos
escritos de los alumnos.
a Loo primero que
q nos llam
ma la atenciión es que generalmen
g nte los
estuddiantes calcculan más de
d uno, peroo ninguno de
d los estaddísticos fue calculado por
p el
total de los alum
mnos. El esttadístico máás frecuente fue la meddia, seguida por la modda y al
final la medianaa. En generaal los estudiiantes se deetuvieron pooco en meddir la variabiilidad
de laas variables,, a pesar de ser un requ
uisito para la
l comprenssión de las ideas
i de varriable
aleattoria y distrribución (Reading y Sh
haughnessyy, 2004). Ell estadísticoo de variabiilidad
más frecuente fue
fu el rango. En la tablla resumen que presenttamos, sólo reflejamoss si se
calcuula o no unna medida y si se realiiza correctaamente, puees el compoortamiento de
d un
estuddiante con respecto a estas meddidas fue ell mismo coon todas laas variabless que
analiizaron.
Med
didas de po
osición central
De uun total de 111
1 estudianntes, 91 callculan algúnn promedio y la mayooría calculann más
de unno. Esto ind mación a la idea de disttribución enn los estudiaantes,
dica una bueena aproxim
pues pasan del dato aisladoo a un resuumen estadíístico del coonjunto de datos realizzando
una ttransnumeraación (Wildd y Pfannkuuch, 1999). Los
L 20 estu
udiantes resttantes, no uusaron
mediidas de posiición centraal al comparrar dos distrribuciones de nducta que no es
d datos, con
infrecuente, de acuerdo
a conn Konold, Pollatsek,
P W y Gagnoon (1977).
Well
El estadíístico calcullado con preeferencia fuue la media (sólo uno de
d los estudiiantes
que rreportaron promedios,
p no la calcu
uló) o la mooda (80); laa mediana fue
fu calculadda por
72 esstudiantes (ver
( Tabla 66.23). Esto indica una dificultad algo
a mayor de compreensión
de laa mediana respecto a la moda o la media,, coincidienndo con lo expuesto en la
invesstigación dee Mayén (20009).
En geneeral el cálcuulo de los promedios fue correccto, lo que indica un buen
domiinio de los algoritmoss de cálculo
o, aunque aparecieron
a n algunos errores, com
mo no
ordennar los datoos en la meddiana (17 estudiantes), falta de ponnderación enn el cálculo de la
mediia ponderadda o error en
e la aplicaación del algoritmo
a del cálculo de la media (11
estuddiantes) y no
n tener en cuenta el caso de bim
modalidad paara la modaa (3 estudiaantes).
Estoss errores coinciden con los ya
y señaladoos en estuudiantes dee secundariia en
373
investigaciones previas como la de Cobo (2003) y Mayén (2009). También encontramos

dos ejemplos de confusión entre la media y la moda, uno de los cuáles se reproduce en
la Figura 6.25, en que el estudiante hace referencia a la media, pero calcula la moda.
Figura 6.25. Confusión entre media y moda
También encontramos algunas concepciones erróneas sobre los promedios,

explicitadas en la solución del proyecto por los estudiantes. Por ejemplo, el siguiente
estudiante, confunde la variable de observación (número de caras en las diferentes
secuencias producidas por cada estudiante) con los sucesos del experimento (cara y
cruz), al calcular la moda da la siguiente respuesta:
Moda = Son las caras porque su número máximo es 12, mientras que el número
máximo de cruces es de 11 [Alumno CE].
En lugar de buscar el número de caras que aparezca con más frecuencia,

compara el máximo del número de caras con el del número de cruces de entre todos los
resultados del grupo, como las caras aparecen más veces, reporta que la moda es el
suceso «caras». La confusión de este estudiante está claramente vinculada con una
incomprensión de los valores que adopta la variable aleatoria, pero también se presenta
una incomprensión del experimento aleatorio compuesto por los 20 lanzamientos de la
moneda. Esta afirmación se refuerza cuando analizamos otro error que este mismo
alumno comete en el cálculo de la mediana. Confunde el total de la muestra (46
secuencias) con el número total de experimentos simples en el conjunto de todas las
secuencias de 20 elementos de los estudiantes (es decir, 46 por 20), como vemos en su
respuesta:
Mediana: Buscamos el valor que corresponde a N/2=(920/2-1), porque es par;

920=46*20 y veríamos si se corresponde con una cara o una cruz, pero no lo sabemos
porque no podemos deducir la secuencia de caras y cruces del alumno nº 24 [Alumno
CE].
El alumno trata de calcular la mediana considerando que cada repetición del

lanzamiento de una moneda como un dato, es decir, no logra pasar al experimento
aleatorio compuesto por el lanzamiento de 20 monedas (de ello supone 920
374
observaciones, en lugar de 46). También confunde el valor de la mediana (que debe ser
un valor numérico) con los sucesos del experimento. Supone que la mediana se calcula
localizando al alumno que queda al centro (él dice que es el alumno 24) cuando tiene
ordenadas todas las secuencias de los 46 estudiantes de su grupo, es decir tiene una
concepción correcta de mediana como centro. Pero como no conoce cómo aparecieron
las caras y cruces del alumno 24, no puede deducir cuál es la mediana. El alumno CE
pretende trabajar con las variables relacionadas con los resultados del experimento
aleatorio simple (ζr, ζs y Xr, Xs, Sección 4.2.3) en la que los resultados son caras y
cruces, lo que hace que su comprensión del objetivo del proyecto sea muy pobre, puesto
que se restringe a trabajar con la variable «cara o cruz» y no lo hace correctamente.
En otros casos, cuando calculan la mediana, los estudiantes no tienen en cuenta
la frecuencia, sino que le asignan el punto medio de los diferentes valores que toma la
variable, lo que es equivalente a considerar la mediana como el centro geométrico del
rango. Este error también fue encontrado por Mayén (2009) en su estudio sobre
comprensión de los promedios. La ejemplificamos en la siguiente respuesta del alumno
CF que, además de dar la definición de mediana a partir de su algoritmo, indicando que
hay que ordenar los datos, confunde valor de la variable con los valores de las
frecuencias y las ordena (que varían de 2 a 15) para obtener la mediana. Además,
tampoco hace referencia a la mediana como centro de la distribución, sino sólo como
una especie de rango.
La mediana: ordenar de mayor a menor 2-15 [Alumno CF].
De manera general, el cálculo de los promedios fue, en su mayoría, correcto. El

mayor número de errores se cometieron entre los alumnos que calcularon la mediana
(23.6%), puesto que es la medida de tendencia central menos intuitiva, en el sentido de
que el promedio es muy usado y la moda es la más simple de localizar. El menor
porcentaje de errores se tuvo en la obtención de la moda (3.75%).
Medidas de dispersión
Fueron pocos los estudiantes que calcularon las medidas de dispersión, lo que sugiere
que los alumnos no sienten la necesidad de calcular estas medidas para comparar
distribuciones. Sin embargo, la comprensión de la idea de distribución entraña conjugar
a la vez las ideas de promedio y dispersión (Bakker y Gravemeijer, 2004), que muchos
estudiantes en nuestro estudio no supieron relacionar.
Sólo el 54% del grupo calculó el rango y 37% calcularon otra medida de
dispersión (ver Tabla 6.23), a pesar de que, como indica Shaughnessy (2007), la
dispersión es una característica importante de la distribución de los datos. Casi la mitad
375
de los participantes en la muestra no considera esa necesidad; es posible que por falta de
comprensión de su significado o falta de familiaridad con el trabajo con las
distribuciones.
La mayoría de estudiantes que usaron alguna medida de dispersión se inclinaron
por el rango y 54 (90% de los que lo calcularon) lo hicieron correctamente. En su
mayoría los que cometieron errores, tomaron incorrectamente los mismos valores del
máximo, mínimo y rango tanto en la secuencia real, como en la simulada, lo que, como
indicamos anteriormente, implica una incorrecta comprensión de la distribución de la
variable estadística, puesto que unen el dominio de dos variables, lo cual no es válido
aunque esas dos variables sean comparables. En algunos casos, los estudiantes
incluyeron su definición correcta, por lo que, sospechamos, el error en el cálculo se
debió a la necesidad de comparar dos variables relacionadas (es decir, esta comparación
implica un nivel de comprensión más alto):
El rango: es la medida de dispersión más elemental, la diferencia entre las dos

observaciones extremas, o se la diferencia entre los valores mayor y menor del
conjunto de datos. [Alumno JC].
Los que prefirieron otra medida de dispersión calcularon la desviación típica

(25), la varianza (15) o el coeficiente de variación (1) y en algunos casos dan una
descripción de su significado con sus propias palabras:
La desviación típica: Es la medida de dispersión más conocida y usada en

combinación con la media como medida central. La idea clave es comprender bien la
desviación con respecto a la media. Si se toma a ésta como referencia, las distancias de
cada uno de los datos a ella, darán una buena idea de la dispersión total del conjunto
de datos. [Alumno JC].
Todas estas medidas de dispersión fueron obtenidas correctamente, lo cual

indica que únicamente se inclinaron por estas medidas aquellos que sabían calcularlas
bien. Algunos de ellos indicaron expresamente su necesidad:
Medidas de centralización (media, mediana y moda), debe ir acompañadas

necesariamente de las medidas de dispersión (rango y desviación típica). De esta
manera obtenemos información más precisa para realizar el análisis de los datos de las
tablas. [Alumno ER].
Es evidente que las medidas de dispersión son menos intuitivas para los futuros
profesores, por el menor uso que se hace de las mismas, como también se confirma en
la investigación de Arteaga (2011). En ambas muestras fueron muy pocos los que
usaron estas medidas y menos aun los que las interpretaron correctamente. Sin embargo,
376
aquellos estudiantes que las usan cometen menos errores que en el caso de las medidas
de tendencia central y cuando dan una definición intuitiva esta es correcta.
7.2.3. Discusión de resultados sobre el objeto de análisis variable

estadística
Los resultados presentados en esta sección indican que los estudiantes participantes han
comenzado a construir el concepto de variable estadística, valor y frecuencia de la
variable y su distribución en un porcentaje apreciable, pues, a pesar de no habérseles
indicado, tratan de formar la distribución de las variables para comparar las variables
por parejas.
En nuestro estudio, de manera general, los estudiantes trataron de representar la
distribución de las variables estadísticas y presentarlas ya sea en tabla o en gráfico,
realizando un proceso de transnumeración (Wild y Pfannkuch, 1999). En la Tabla 6.19,
se observa que sólo 7 alumnos (6,30%) usan sus datos aislados y 12 (10,8%) se limitan
a listar todos los valores de la variable; es decir, los primeros no manejan las variables
estadísticas y los segundos aunque sí las reportaron no usaron sus distribuciones. El
resto, que es la amplia mayoría, produce una tabla o gráfico (o ambas cosas) de
variables estadísticas, mostrando una comprensión intuitiva de la distribución.
Comparando la producción de tablas con la de gráficos, se nota una mayor
construcción de gráficos que de tablas. El 79% de los estudiantes hicieron gráficos y el
56% hicieron tablas. Un 38% sólo reportaron gráficos sin tablas, mientras que un 14%
presentó sólo tablas. Esto muestra una necesidad de visualización de las datos a través
de gráficos o bien una mayor vinculación de las distribuciones con sus gráficos. Estos
resultados coinciden con los de Arteaga (2011).
La notación usada en la tabla por diversos estudiantes denotó diversos grados de
abstracción, siendo menos los que usaron un lenguaje más funcional o probabilístico,
sin embargo, la abstracción que implica elaborar la distribución de frecuencias a partir
de los datos, sí se logró en todos los estudiantes que elaboraron tablas. En su mayoría, la
presentación de estas distribuciones en forma tabular en forma de listado vertical, pero
pocos elaboraron una gráfica que facilitara la comparación rápida de las distribuciones
entre las secuencias simulada y la real. En la representación gráfica de la distribución
tampoco prevaleció la comparación como guía para la elaboración y selección del
gráfico.
Algunos de los errores vinculados con la comprensión de la variable que afectan
en la concreción de la distribución de la variable son:
 Extienden el rango de la variable usando, implícitamente, frecuencia cero
para valores de la variable que no aparecieron en los datos. Agregan
377
valores mayores o menores a los que aparecen en la muestra cuando elaboran

el gráfico o la tabla, es decir, extienden el rango hacia arriba, hacia abajo o
ambos, con valores de la variable estadística que no se obtuvieron en la
secuencia analizada, pero sí en la otra secuencia y que resultarían hipotéticos
en la variable aleatoria. A algunos estudiantes, esta maniobra les facilitó la
comparación entre las distribuciones de las secuencias simuladas y las reales
o la elaboración de sus gráficos. Sin embargo, en otros, ocasionó un cálculo
incorrecto del rango que provocó que interpretaran que no había diferencia
entre la variación de las variables vinculadas con la secuencia simulada y la
real.
Por otro lado, para generalizar la variable estadística hacia la variable
aleatoria, se requiere aceptar que la variable podría tomar valores diferentes
a los que se presentan en una muestra. Por ello el error en la concepción del
rango de la variable estadística, podría implicar confusión entre los valores
de la variable aleatoria y los de la estadística y por lo tanto confusión entre
estas dos variables. Esta confusión apareció en la entrevista clínica (Capítulo
5) de manera inversa y ocasionó que las estudiantes pensaran que lo aleatorio
tendría que ser la probabilidad con el argumento de que en cualquier caso
podrían conocer los valores que podría tomar la variable aleatoria, no así, la
probabilidad. Esto, a su vez, transformó en la mente de las estudiantes, la
variable aleatoria en una variable estadística, puesto que la distribución se
transformó en la distribución de una muestra y no de la población bajo
estudio.
 Confusión entre el valor de la variable con el resultado del suceso aleatorio
simple. Algunos estudiantes daban el valor de «cara» o «cruz» al valor de la
moda, media o mediana de las variables o bien graficaban estos dos
resultados en lugar de las variables propuestas. Este es un error que
encontramos en tablas, gráficos y cálculo de medidas de tendencia central y
de dispersión. Para estos estudiantes el experimento aleatorio es el
lanzamiento de una moneda, es decir no pudieron manejar implícitamente el
experimento aleatorio compuesto de 20 lanzamientos de una moneda. Esto
es muy natural puesto que a pesar de que el análisis requiere la definición de
un experimento aleatorio compuesto, la evaluación de la aleatoriedad es
sobre el lanzamiento de una moneda, además de que no se podía esperar la
conceptualización formal de un espacio aleatorio compuesto de los
estudiantes de la muestra. Se esperaba que el mismo contexto los ayudara a
378
trabajar intuitivamente con el experimento aleatorio compuesto.

 Confusión entre la convergencia de la frecuencia relativa y la frecuencia
absoluta. Algunos estudiantes sostuvieron la convergencia de la frecuencia
absoluta, en lugar de la relativa. Esta confusión la consideramos, producto de
la dificultad de la modelación estratificada en una inferencia informal
discutida en las Secciones 9.5 y 9.6 del Capítulo 3. Ahí hicimos notar que la
frecuencia relativa no es parte de la realidad sino que ya es un modelo
matemático, puesto que hay que establecer la frecuencia como el cociente de
las frecuencias para un valor entre el tamaño de la muestra. Este modelo
estadístico no resulta simple de establecer y genera un obstáculo para la
generación de inferencias estadísticas informales. Esta dificultad también se
presentó en el Estudio 3, en la entrevista clínica, en donde las estudiantes no
abstraían el cociente y preferían el manejo directo del número de
trabajadores. Lo cual indica que esta dificultad se puede presentar tanto en el
manejo de una inferencia informal, como en la probabilidad laplaciana (el
Estudio 3 hacia uso de esta asignación de probabilidades).
 Confusión entre el valor de la variable y la frecuencia absoluta. Esto
ocasiona que inviertan el gráfico o que reporten de manera errónea las
medidas de tendencia central o de dispersión, esto último ha sido reportado
en otras investigaciones anteriores, como la de Cobo (2003). Así mismo,
ocasiona una confusión entre la variable dependiente e independiente en la
distribución de frecuencias, tal como apareció en el estudio de la entrevista
clínica (Capítulo 5).
 Percibieron el lanzamiento de 20 monedas como la repetición del
experimento aleatorio «lanzar una moneda». Esto provoca que la única
variable con la que puedan trabajar sea con la de «cara o cruz» y por lo tanto
no lograron trabajar con el resto de las variables aleatorias ni establecer sus
distribuciones. Estos estudiantes manifestaron este error de diversas formas:
graficación, cálculo de medidas y en el reporte de su tabla (sin agrupar).
Algunos de ellos lograron trabajar con la variable «el número de caras en el
lanzamiento de 20 monedas», pero en general, no lograron darle sentido a las
variables vinculadas con las rachas.
Arteaga reporta que el porcentaje de estudiantes que grafican la distribución del

número de caras (87.44%) es mucho mayor que el de aquellos que se detienen a graficar
las distribuciones de las otras dos variables (70,53% para número de rachas y 61,84%
para longitud de la racha mayor). Sin embargo, en nuestro estudio, los alumnos que
379
presentan tablas lo hacen para todas las variables que se analizan en la Sección 4.2. Esto
marca una diferencia importante con respecto a la elaboración de gráficos. Es posible
que la elaboración de tablas represente una tarea más sencilla que la elaboración de
gráficos; pero también es posible que estuviera relacionado con que, en su mayoría los
estudiantes basaron su trabajo en la interpretación de los gráficos y estadísticos, más que
en la de las tablas, y que no vieran la necesidad de analizar todas las variables. Esto
significaría que los estudiantes no entendieron el sentido del análisis conjunto de las tres
variables para evaluar la aleatoriedad, conformándose con un solo modelo, aunque los
distintos estudios sobre la percepción de aleatoriedad subjetiva, muestran la necesidad
de realizar el análisis haciendo uso de varios modelos (Green, 1982).
Como ya lo vimos en la sección anterior (7.1.2) al analizar sus concepciones
sobre aleatoriedad, los estudiantes tienden a dejarse influir por sus conocimientos sobre
la distribución de la variable «número de caras» para simular los resultados de una
secuencia de 20 lanzamientos de la moneda. Más aún, observamos que los estudiantes
condicionan involuntariamente el comportamiento de las otras dos variables (número de
rachas y longitud de la racha más larga) a sus creencias con respecto a la primera
variable. También hay que tomar en cuenta que en el momento de realizar el proyecto
en clase, la única variable de análisis que emergió de manera natural por parte de los
estudiantes fue el número de caras y las otras dos tuvieron que ser propuestas por el
profesor que dirigió la sesión. Ello indica que las variables relacionadas con las rachas
fueron más difíciles de comprender para los estudiantes, lo cual explicaría que sean
menos estudiantes los que las grafiquen y analicen.
7.3. Variable aleatoria y su relación con la variable estadística

En esta sección evaluaremos las concepciones de los estudiantes sobre la variable
aleatoria y su relación con la variable estadística. Puesto que no han estudiado dentro de
sus cursos anteriores el concepto de variable aleatoria, sus concepciones respecto a la
misma serán intuitivas. Por otro lado, no se les preguntó explícitamente sobre ella, de
modo que hemos de inferir a partir de los argumentos en que hacen referencia a las
variables consideradas en el proyecto y que se analizaron en la Sección 4.2. A
continuación presentamos y analizamos estos argumentos.
7.3.1. Referencia a la variable

Son muchos los estudiantes que hacen referencia implícita a las variables aleatorias
cuando se refieren a las estadísticas. En nuestro primer ejemplo, el alumno compara la
variable número de caras en las dos secuencias señalando la variabilidad de valores que
380
toma y diferenciando claramente entre el valor de la variable y la posición que ocupa en

el conjunto de datos.
En cuanto a la hoja de datos tengo que decir que el nº de caras de las secuencia
simulada está en torno de 7 a 14 caras; en cuanto el nº se rachas simultáneas están
entre 4 y 9 rachas y el tamaño mayor de estas rachas es de 7 que pertenece al alumno
21 que tiene 7 rachas [Alumno CB].
Aquí el alumno menciona explícitamente el rango de las variables estadísticas y

hace una deducción hacia la variable aleatoria. Se observa a un estudiante consciente de
que el comportamiento descrito es de una muestra.
En el segundo ejemplo, el alumno describe la tabla de datos y hace referencia a
las seis variables analizadas y al valor obtenido para cada una por cada estudiante en su
grupo:
La tabla de datos está dividida en 3 columnas; en la primera encontramos el número de

alumnos que ha realizado el experimento; en la segunda encontramos la secuencia
simulada y vemos como a su vez se divide en 3 columnas independientes donde en la
subcolumnna 1 aparece el número de caras que se han obtenido en total en la
secuencia, en la subcolumna 2 encontramos el número de rachas obtenidas y en la 3 la
longitud de la racha más larga [Alumno SG].
La siguiente alumna utiliza explícitamente el término variable, para referirse a la

longitud de las rachas. Su respuesta refleja, sin embargo, una concepción incorrecta de
la independencia de ensayos:
Otra de las variables a tener en cuenta es la longitud de las rachas, valorando que a
medida que el número de caras o de cruces aumenta, la posibilidad de que salga la
contraria es mayor [Alumna MU].
En el siguiente ejemplo se comparan los diferentes valores obtenidos en dos de

las variables de los dos tipos de secuencias. Aunque se usa incorrectamente la palabra
«posibilidades», en vez de «valores», el uso de esa palabra indica que se está pensando
en términos de azar y, en consecuencia, de variable aleatoria.
En las gráficas que se han obtenido al representar las rachas se pueden destacar varios
resultados. Por ejemplo, en la secuencia simulada encontramos cinco posibilidades y
en la real son siete. [Alumna HC].
Cuando los estudiantes hacen referencia al azar o al experimento aleatorio,

relacionan la variable con la aleatoriedad del experimento y la dificultad de predecir los
valores, es decir, ven el valor de la variable como resultado de un experimento aleatorio.
La siguiente alumna indica que, debido al carácter aleatorio será difícil que los valores
de las variables sean exactamente los mismos al tomar nuevos datos de la variable:
381
El azar nos demuestra que nunca, o es muy difícil, que varias veces seguidas salga la
misma muestra de valores [Alumna AM].
En ocasiones sus concepciones correctas sobre la convergencia de la frecuencia

relativa (de que a la larga se equilibra el número de caras y cruces) les llevan a una
percepción incorrecta sobre la independencia de ensayos, y por lo tanto, también sobre
los valores que tomaría la variable aleatoria. Esperan una convergencia rápida en
pequeñas muestras y recurren a la heurística de representatividad (Kahnmenam, Slovic
y Tversky, 1982):
De ahí que la probabilidad de que nos salga 4 o 5 veces seguidas el mismo resultado
es casi imposible, de ahí que al hacer una tirada simulada haya puesto como racha más
larga la de 3, ya que casi seguro que se van a ir alternando [Alumna AM].
7.3.2. Referencia a las probabilidades o distribución

En algunos casos los estudiantes aluden a la probabilidad de valores de las variables
analizadas, que estiman a partir de las frecuencias obtenidas en los experimentos, es
decir, aplicando una inferencia informal para obtener la probabilidad. De este modo, al
hacer referencia a la probabilidad de obtener un cierto valor de algunas de las variables,
hacen referencia implícita a la variable aleatoria que corresponde a la variable
estadística dada y a su distribución de probabilidad o al menos a la probabilidad de
algunos de sus valores aislados. En otros casos, los estudiantes recurren a analizar el
experimento aleatorio simple («cara o cruz») haciendo uso de la concepción laplaciana
y hacen algunas deducciones sobre los sucesos del espacio muestral, aunque, ello no les
permite obtener probabilidades de las variables aleatorias ni conformar la distribución
de probabilidad.
En nuestro primer ejemplo, el alumno indica que algunos valores son más
probables que otros basándose en los datos empíricos y, asimismo, hace una estimación
de la moda. Por tanto, implícitamente usa las ideas de variable aleatoria, sus valores y
las probabilidades de sus valores y su valor esperado:
En la secuencia real nos damos cuenta de que la mayoría de las veces en las que
aparecen las caras se encuentran en torno a 10… Como observamos en el fenómeno
real, estamos en torno a diez, distribuidos principalmente entre 8 y 12. [Alumna LAE].
Son muchos los estudiantes que hacen referencia a la equiprobabilidad de

resultados en el experimento simple y sacan la consecuencia sobre el valor esperado de
veces que se obtendrá cada suceso a lo largo de los 20 ensayos:
382
Al lanzar una moneda 20 veces seguidas, los resultados que debemos obtener, sería
una igualización, sin ser exacta, entre el número de caras y de cruces, puesto que al
lanzarla, tenemos un 50% de posibilidades de obtener tanto cara como cruz [Alumna
MU].
Se trata de un juego de azar en que la probabilidad juega un papel muy importante, por
tanto cabe la misma posibilidad de que salga cara o cruz [Alumna AG]
Con todo esto se llega a la conclusión de que hay un 50% de posibilidades de que
salga cara y otro 50% de que salga cruz. Esto se debe a que sólo pueden obtenerse dos
resultados diferentes, y por ello los 40 alumnos hemos obtenido resultados diferentes
[Alumna CG]
Algunos alumnos, como AR, incluso cuantifican la probabilidad de obtención de

cara y cruz y llegan a estimar el valor esperado de la variable Binomial, número de
caras al lanzar las 20 monedas, sin dejar de reconocer la variabilidad de dicha variable
en los diferentes experimentos.
En el caso de las caras y las cruces suponemos que hay un 50% de probabilidades de
que salga una u otra, por tanto las simulaciones son todas en torno a 10 caras. Sin
embargo en el ejercicio real el número de caras y de cruces varía mucho de una
experiencia a otra [Alumno AR].
El alumno EB hace referencia a la probabilidad de los sucesos aleatorios en el

experimento simple correctamente:
Existe la misma probabilidad de que salga cara o cruz y en veinte tiradas la

probabilidad de que salga todo cara es la misma de que salga todo cruz y de esta forma
con cada una de las combinaciones que se pueda formar [Alumno EB].
No queda claro si la afirmación de EB sobre las combinaciones que se pueden

formar en el experimento aleatorio compuesto se refieren a los valores de la variable (es
decir, «todo cara» sería 20 caras y «todo cruz», cero caras); o a los sucesos del espacio
muestral (es decir, las «combinaciones que se pueden formar» serían los sucesos del
espacio muestral teniendo en cuenta el orden de las caras y las cruces). El primer
razonamiento sería erróneo y mostraría el sesgo de equiprobabilidad con respecto a los
valores que toma la variable aleatoria; estaría confundiendo los valores de la variable
aleatoria con los sucesos del espacio muestral. No obstante, estaría haciendo referencia
a la variable aleatoria binomial y su distribución, aunque la estimación que hace de sus
probabilidades sería incorrecta. Si estuviéramos en el segundo caso, la afirmación sobre
las probabilidades de cada combinación sería correcta.
También encontramos algunos casos en que de forma intuitiva se alude a la
distribución de frecuencias de la variable estadística, como el caso del siguiente
383
estudiante, quien explícitamente usa el término «variable estadística» y, en forma

correcta, la propiedad cuantitativa de la variable. El alumno describe la forma de
construir la tabla de frecuencias que luego elabora correctamente.
Para efectuar una interpretación global del conjunto de datos, hacemos una tabla de
frecuencias. La más sencilla consta de dos columnas; una para las modalidades
distintas de la variable estadística ordenadas de, al ser la variable cuantitativa, de
menor a mayor y otra con las frecuencias [Alumno LG].
En algún caso se relaciona la probabilidad a priori de los dos sucesos del

experimento aleatorio simple (que es de 0,5) con la frecuencia observada de caras y
cruces que es aproximadamente la misma. Es decir, se explica la frecuencia de
resultados de la variable estadística por las probabilidades asociadas a los sucesos en el
experimento aleatorio simple, estableciendo una relación entre frecuencia y
probabilidad, es decir, entre variable aleatoria y estadística:
Pero si nos podemos dar cuenta en su observación de que la representación de la

secuencia es demasiado lineal y parecida, tanto en número de caras como de cruces.
Lo cual es debido a que hemos utilizado el 50% de que salga cara y el 50% de que
salga cruz [Alumno AF].
También otros son conscientes de que la convergencia se produce en la

distribución de la variable aleatoria y esta se puede predecir, aunque no el resultado
aislado o el orden en que aparecen los diferentes resultados del experimento aleatorio
simple (en un suceso):
En cuanto a la tabla que hemos realizado tengo que decir que en mi caso han
coincidido bastante los resultados, no en el mismo lugar, pero sí en el número; tanto
en el lanzamiento real como en el simulado tengo 11 caras y 9 cruces; en cambio no he
coincidido en el número de rachas y la racha más larga [Alumna AG].
7.3.3. Referencia a los parámetros

Nos interesamos también por ver si los estudiantes tienen concepciones intuitivas sobre
los parámetros de posición central y dispersión de las variables aleatorias, elementos
fundamentales de ésta (Heitele, 1975), y los relacionan con los correspondientes
resúmenes estadísticos de las variables estadísticas.
En nuestro primer ejemplo, hay referencias a la moda de la variable aleatoria
binomial «número de caras al lanzar 20 monedas» en algunos estudiantes, que hacen
mención explícita al valor más probable de esta variable:
Que el número que es más probable que salga (nº de caras) es de 10 [Alumno CE].
384
Mucho menos intuitivos han sido los resúmenes estadísticos de las otras
variables. Algunos alumnos muestran explícitamente sus concepciones erróneas de la
independencia, que implícitamente quedaron plasmadas en la distribución del número
de rachas de las secuencias simuladas. En la afirmación de la alumna AM se observa
este error en el valor esperado de la longitud de la racha más larga:
Sabemos de sobra que en una secuencia de tiradas de una moneda el azar nos
demuestra que nunca o es muy difícil que varias veces seguida salga la misma
muestra, es decir, la probabilidad de que nos salga 4 o 5 veces seguida el mismo
resultado es casi imposible, de ahí que al hacer una tirada simulada hay puesto como
racha más larga la de 3 ya que casi seguro se va a ir alternando el resultado [Alumna
AM].
El alumno EJG, en cambio, analiza correctamente las creencias de sus

compañeros sobre la independencia que hacen que la longitud de la racha más larga sea
diferente en la distribución de la secuencia simulada y la real.
Esta diferencia se debe a que si a un alumno/a se le ofrece predeterminar un

lanzamiento de moneda, éste no suele poner varias veces un mismo resultado, es decir,
no suele decir: cara, cara, cara, cara, cruz [Alumno EJG].
En algunos estudiantes hay confusión entre las ideas de variable y valor de la

variable, como el siguiente ejemplo, en donde el alumno trata de explicar la mayor
dispersión de valores en las secuencias reales. Sin embargo, el estudiante hace uso
explícito de la idea de dispersión, que expresa con el término variedad:
Se observa que en las secuencias reales hay más variedad de variables que en las
simuladas. Por lo tanto, los alumnos se arriesgan poco [Alumno ER].
Con otras expresiones se hace referencia a la variabilidad. En general los

estudiantes tienen poca competencia en comunicación verbal y un uso poco preciso del
lenguaje matemático. En estos dos ejemplos, las estudiantes ni siquiera hacen referencia
a las variables sobre las que están concluyendo, aunque por el desarrollo del reporte de
su proyecto, se intuye que se refieren al número de caras:
Como conclusión, a raíz del análisis comprobamos que con las gráficas se puede
observar como en la secuencia simulada hay más constancia, es decir, que se tiende a
los mismos valores y en la secuencia real hay mucha más variedad, dispersión, incluso
en ocasiones cambios bruscos [Alumna AC]
Llegamos a la conclusión de que la experiencia simulada tiene un número de valores

más parecidos entre ellos que los de la tabla de reales [Alumna JM].
385
7.3.4. Discusión de los resultados obtenidos en la relación entre las

variables aleatoria y estadística
Aunque los estudiantes no habían estudiado formalmente el concepto de variable
aleatoria, hubo varios indicios que indican una transición de la variable estadística a la
variable aleatoria. Dentro de las más importantes están, por ejemplo, el uso constante de
la palabra «probabilidad» o «posibilidad» en lugar de «frecuencia», vinculado con algún
valor de la variable puesto que en estos casos hay una intuición de la distribución de
probabilidad de alguna de las variables y no solo de la probabilidad de un suceso del
experimento aleatorio. También encontramos referencias a la convergencia de la
frecuencia relativa a la probabilidad y algunas muestras de distinción entre muestra y
población. Además, varios estudiantes hicieron uso de la palabra variable y
distinguieron los valores de la variable de la variable en sí misma.
En lo que sigue resumiremos algunas acciones que en nuestro estudio
contribuyeron de manera favorable a facilitar la realización de una inferencia estadística
y, por lo tanto, a la generalización de la variable estadística.
 En ocasiones la elaboración gráficos o tablas explícitamente para comparar
las distribuciones de las variables de las secuencias reales con las simuladas,
ayudaron a la transición de la variable estadística hacia la aleatoria, pues una
correcta comparación requeriría suponer la existencia de valores teóricos
posibles para la variable aleatoria que no se obtuvieron en la variable
estadística y cuya frecuencia sería cero. Sin embargo, como ya notamos en la
Sección anterior (7.2.3), esto también generó errores en el cálculo del rango.
La mayoría de los estudiantes recurrieron al rango y una sobrevaloración de
la dispersión de las distribuciones.
 El manejo apropiado de los resúmenes estadísticos como las medidas de
tendencia central y dispersión también favorecen la realización de
inferencias, puesto que se encontraron estudiantes que hacían uso de ellos y
mostraban ideas apropiadas sobre el uso implícito de la variable aleatoria,
sus valores y sus probabilidades.
 Clasificar a la variable estadística como cuantitativa es un paso hacia la
abstracción de la variable aleatoria. Esto no lo pudieron hacer aquellos
estudiantes que consideraron sólo el experimento aleatorio del lanzamiento
de una moneda, puesto que para ellos, los únicos valores que podía tomar la
variable era cara o cruz.
 La aceptación de la convergencia de la frecuencia relativa, hacia la
probabilidad daría lugar al cumplimiento de una de las condiciones más
386
importantes para la modelación de la variable aleatoria al realizar una

inferencia informal (Figura 3.6, Capítulo 3).
 La relación directa que establecen algunos estudiantes entre el resultado del
experimento con el valor que toma la variable aleatoria7 también fue una
señal de la vinculación entre las variables aleatoria y estadística. Esto
favoreció la modelación de la distribución de probabilidades en un primer
estrato de modelación en el Estudio 3 (Punto 8.3.5, Capítulo 5). Sin
embargo, Miller (1998) alerta sobre los inconvenientes de establecer esta
relación, puesto que favorece ver los valores que toma la variable aleatoria
como sucesos.
Al contrario, acciones que dificultaron el establecimiento de la relación ente la

variable aleatoria y la estadística y que se presentaron en nuestro estudio, fueron:
 La confusión entre los valores de la variable aleatoria con los sucesos del
espacio muestral llevaría al estudiante no sólo al problema de
equiprobabilidad sino a confundir la probabilidad (función de conjunto), con
la distribución de probabilidad (función real).
 El enfoque en el resultado aislado (Falk, 1986), hace que el estudiante no
acepte la predicción estadística sustentada en la distribución de
probabilidades. Esta creencia provoca que no pueda ir más allá de sus
propios datos o de una predicción determinista.
 El trabajo únicamente con la distribución Bernoulli merma el trabajo con las
variables relacionadas con las rachas y provoca errores con la variable
«número de caras». Es posible que una de las causas sea que los estudiantes
no visualizaron el experimento aleatorio compuesto por 20 lanzamientos
sino solamente el experimento de lanzar una moneda.
7.4. Objeto de análisis: Ciclo de modelación
En la Sección 9 del Capítulo 3, vimos que gran parte de la actividad estadística puede
ser descrita como un proceso de modelación e hicimos hincapié en un proceso de
inferencia informal en el que existen dos estratos de modelación (Figura 3.7) en los que
la variable estadística juega un doble papel, como «modelo» en el primer estrato y como
«realidad» en el segundo8. A su vez, el proyecto planteado a los estudiantes está
7
En su mayoría coincide con la acepción histórica de Parzen (1971), discutido en la Sección 6.2 del
Capítulo 4, en el que visualizan el resultado del experimento aleatorio como el valor que toma la variable
aleatoria.
8
Para Henry (1997), el primer estrato sería la construcción de un modelo pseudoconcreto.
387
diseññado para que, potencialmente, los estudiaantes recorrran todos los pasos de la
or este mootivo tambiién nos innteresamos por el graado en que los
modeelación; po
estuddiantes de nuestra
n mueestra lograrron completar los pasoos del cicloo de modellación
señallados por Dantal
D (19977).
Experimeento aleatorio Obse

ervación de la r
realidad: el
Primer estrato
experimento o aleatorio
Resultados del experimentto
Variable
V Descrripción simplifiicada de la
esstadística realidad: las variables
Valores de la variable vincullados

a cada resultaado del experim
mento
contextualización
Valores de MODELO Con

nstrucción de u un modelo:
ADÍSTICO
ESTA Frecuenciaa
Segundo estrato
la variable disstribución de frrecuencias
relativa
estadística
Traabajo matemático con el
Análisiis estadístico
m
modelo: gráfico
os, tablas y
medidas
Inferen
ncia informal
Interrpretación en la
a realidad:
Valores de la gráfficos, comparaación entre
Probabilidaad
variable aleattoria distrribuciones y conclusiones
MODELO
ABILÍSTICO
PROBA
Figura 6.26
6. Modelacióón en estratoos descrita a través de los pasos de modelación
m dee
Dantaal, 1997.
En la Figura
F 6.26 relacionam
mos la moddelación poor estratos discutida en la
secciión 9.6 del Capítulo 3 con los pasos
p de moodelación de
d Dantal para
p visualizzar la
form
ma en que annalizaremoss los resultaados obteniddos por los estudiantess en esta seccción.
La descripción
d simplificadda de la reaalidad (Danntal, 1997) implica poor sí mismaa una
modeelación, porr lo tanto, laa definimoss como un estratos
e de modelación
m n (Heitele, 1975).
La innferencia innformal la hacemos verr como una interpretaciión de la reaalidad, puessto en
las cconclusionees los estuudiantes reqquieren vinncular las variables
v d
definidas coon el
conteexto del prooblema9.
9
El mmodelo probabbilístico sólo se infiere a trav
vés de sus meedidas, lo cuall, en nuestro proyecto,
p se obbserva
en la ccomparación entre las distribuciones paraa obtener una conclusión.
388
7.4.1. Observación de la realidad

El primer paso en la actividad de modelación es observar la realidad. Nuestro proyecto
gira alrededor del cuestionamiento sobre las intuiciones de los estudiantes, es decir,
sobre el carácter aleatorio de las secuencias simuladas por ellos. La realidad, por tanto,
estará suscrita por el análisis de qué es aleatoriedad y la forma de evaluarla. Para poder
hacer el estudio es indispensable la aceptación de la aleatoriedad del lanzamiento de una
moneda en las secuencias reales, lo que dará un punto de referencia del comportamiento
de la aleatoriedad en los lanzamientos de una moneda. También es necesario que los
estudiantes se percaten que se requiere el planteamiento de un experimento aleatorio
compuesto que auxilie en la evaluación de las secuencias de resultados del lanzamiento
de una moneda. No esperamos que enuncien el espacio muestral ni que obtengan la
probabilidad vinculada a cada evento, sin embargo sí se espera un manejo intuitivo que
les permita vincular las variables enunciadas con la evaluación de la aleatoriedad.
Dantal (1997) señala la dificultad de diferenciar, dentro de los fenómenos en los
que el azar está presente, entre situación aleatoria y contingente. Las situaciones
aleatorias son reproductibles en las mismas condiciones y cuyos resultados pueden
analizase estadísticamente. En una situación contingente también hay incertidumbre,
pero no es reproductible en las mismas condiciones. A efectos del análisis estadístico,
en nuestro estudio los estudiantes tienen que aceptar la equivalencia de los experimentos
de cada alumno en particular. Es decir, asumir no sólo que las condiciones de los
lanzamientos reales de la moneda son, al menos teóricamente, iguales (que no hay
sesgos personales de lanzamiento, ni monedas cargadas, etc.); sino también que las
simulaciones de los estudiantes se realizan en las mismas condiciones, es decir, que las
secuencias simuladas son parte de una misma población; sólo así se podrá caracterizar
la aleatoriedad del experimento real como un modelo para el análisis de las intuiciones
de los estudiantes reflejadas en los experimentos simulados.
Como lo hicimos notar en la Sección 7.1, de manera general este objetivo se
cumplió. Los estudiantes aceptaron el carácter aleatorio de los lanzamientos reales
puesto que se avinieron a analizar conjuntamente los datos de toda la clase sin
cuestionar si se podían o no mezclar los datos de los estudiantes. Sin embargo, pudiera
ser que aquellos alumnos que se limitaron a analizar solo los datos de su experimento,
no llegaran a visualizar cada experimento individual como un ensayo que forma parte
de un experimento colectivo. Una explicación alternativa es que consideraran sus
propias intuiciones diferentes y las de sus compañeros, y por lo tanto, sin carácter
aleatorio.
389
Cabe aclarar que el experimento consistente en la simulación de 20 lanzamientos

de una moneda por parte de los estudiantes también tiene carácter aleatorio y que éste
también fue aceptado por la mayoría de los estudiantes, puesto que los valores de las
variables deducidas a partir del resultado de sus simulaciones y las de sus compañeros
fueron consideradas repeticiones de un mismo experimento. Es claro que sin este
supuesto, no tendría sentido el análisis estadístico de este experimento ni su
comparación con los resultados obtenidos en el experimento real. En nuestro estudio,
buscamos que el estudiante cuestione el comportamiento de las secuencias simuladas
como una imitación de los lanzamientos reales, no su carácter aleatorio.
Es posible que los que analizaron únicamente sus datos sólo tomaran en cuenta
el experimento simple (el lanzamiento de una moneda) y por lo tanto, una repetición del
experimento compuesto sería vista como 20 repeticiones del experimento aleatorio
simple. Implícitamente, los estudiantes tenían que visualizar los 20 lanzamientos de una
moneda como el experimento aleatorio que tenían que analizar y del que surgen las
variables con las que se evalúa la aleatoriedad de las secuencias. Esto, como
observamos en la sección 7.1.1, no fue aceptado por todos los estudiantes y trajo como
consecuencia que ellos no pudiesen abstraer suficientemente para trabajar con todas las
variables, sobre todo aquellas vinculadas con las rachas.
7.4.2. Descripción simplificada de la realidad

La simplificación de la realidad permite pasar de la realidad observada (paso 1) a la
construcción del modelo (paso 3), puesto que no es posible trabajar con todos los
aspectos que intervienen en la realidad. Implica ser conscientes de la dimensión del
problema a tratar y reducirlo a una realidad en la que sí podamos emitir una respuesta.
En el desarrollo del proyecto, la realidad se ha simplificado al pasar del
problema general de estudiar las intuiciones sobre aleatoriedad al estudio de un
experimento aleatorio concreto. Podríamos haber sugerido el estudio de muchos otros
experimentos aleatorios, por ejemplo, escribir dígitos al azar, dibujar puntos al azar en
un plano, etc., pero para tratar de responder a la pregunta de si los estudiantes tienen
buena intuición sobre la aleatoriedad se planteó el experimento de lanzar 20 veces una
moneda. Este esclarecimiento de los límites también nos obliga a dar la respuesta a la
pregunta inicial con base en este experimento.
Ríos (1967) afirma que otra simplificación de la realidad al trabajar con
variables estadísticas consiste en la aceptación de la estabilidad de las frecuencias de los
valores de la variable. Como hicimos notar en la Figura 3.7 (Capítulo 3), esta aceptación
también es importante en nuestro proyecto puesto que la inferencia hacia la variable
390
aleatoria sólo es posible si se acepta la convergencia de las frecuencias a la

probabilidad. En la sección 7.3.2, consideramos una evidencia de vinculación entre la
variable aleatoria y la estadística la referencia por parte de los estudiantes a la
probabilidad y dimos algunos testimonios de los estudiantes sobre este punto. Los
estudiantes visualizaron esta convergencia principalmente en el experimento simple (el
lanzamiento de una moneda), cuya probabilidad para cada uno de sus resultados sería de
0,5. En el resto de las variables, los estudiantes no tenían conocimiento suficiente para
saber cuál sería el valor al que convergería la probabilidad de cada valor de la variable,
sin embargo sí encontramos comentarios sobre el número esperado de caras, que sería
10 en los 20 lanzamientos.
La simplificación también involucra una abstracción de la realidad10. Heitele
(1975) propone una modelación en varios niveles de realidad, en donde en cada estrato
de modelación se toman los aspectos más importantes de ésta para generar un modelo
que funcione como «realidad» en otro estrato. En nuestro caso, en el proceso de
modelación estratificado (Figura 6.26) observamos la importancia de la variable
estadística (que es un primer modelo matemático) como vínculo entre la realidad y el
modelo de la variable aleatoria.
El análisis de los resultados del experimento aleatorio (secuencias de caras y
cruces) requiere la definición de variables útiles (número de caras, rachas y longitud
más de la racha más larga) para dar una respuesta al proyecto. Esto implicará una
abstracción de la realidad, puesto que tomaremos los valores que estas variables adopten
en cada secuencia en lugar de trabajar con la secuencia de caras y cruces en sí misma. El
hecho de que en nuestro proyecto sea necesaria la definición de varias variables,
favorece que el estudiante pueda ver la aleatoriedad como multiplicidad de modelos. Al
mismo tiempo, las variables estadísticas analizadas constituyen un estrato de la
modelación porque al aplicarlas como regla de correspondencia (función) a la secuencia
de cada estudiante, da como resultado los valores numéricos que adopta la variable
estadística (por ejemplo, el valor del número de caras).
En resumen se parte de una «realidad» no matemática (intuiciones de los
estudiantes) y de ella al conjunto de secuencias producidas por ellos para construir unos
modelos matemáticos (variables estadísticas definidas por el profesor), que a su vez
funcionarán como «realidad» en la construcción de las distribuciones de dichas
variables estadísticas. Los datos dejan de ser el conjunto de las secuencias obtenidas por
10
De acuerdo con Heitele (1975) diversos problemas en la comprensión de la modelación en probabilidad
y estadística son debidos a que se considera «realidad» algo que en sí ya es un modelo. En el estudio
disciplinar de esta memoria de tesis, analizamos estos puntos más ampliamente (Secciones 9.4 y 9.5,
Capítulo 3).
391
cada estudiante, para convertirse en el conjunto de valores de cada variable que se

obtiene de la secuencia obtenida por cada estudiante (tabla de datos). La definición de la
regla de correspondencia que permite definir a la variable estadística (función que
asigna un número a cada secuencia) tiene las mismas dos aristas que ya hemos discutido
en el Capítulo 3 sobre la variable aleatoria: es necesario que sea útil para resolver el
problema tratado y también tiene que garantizar una matematización de la situación.
En nuestra investigación, no se esperaba la definición de las variables por parte
de los estudiantes, aunque algunos sugirieron espontáneamente analizar el número de
caras o de cruces en las secuencias, como lo mostramos en el análisis de sus
concepciones sobre la aleatoriedad (Secciones 7.1.1 y 7.1.2). Los estudiantes no solo
son conscientes de que una característica importante en una secuencia de lanzamientos
de una moneda es el número de caras que se obtienen, sino además saben que la forma
en que éstas están ordenadas, también lo es. Esto facilitó al profesor proponerles el
análisis de las variables vinculadas con las rachas sustentándose en investigación sobre
el tema de aleatoriedad, lo que además, permite comparar los resultados con esos
estudios.
Esto explica que estas variables fueran menos interpretadas y analizadas por los
estudiantes. En unos pocos casos los alumnos analizaron también el número de cruces
en las secuencias producidas, sin embargo esta variable no era necesaria, puesto que
puede ser descrita rápidamente a través del número de caras.
7.4.3. Construcción de un modelo

Wild y Pfannkuch (1999) tienen una visión muy amplia de modelo estadístico y
consideran el trabajo con modelos una parte esencial del razonamiento estadístico. Para
ellos un diagrama de barras o gráfico de sectores es ya un modelo que refleja la
distribución de los datos, pues los datos ya se han abstraído y agrupado. En este sentido,
los estudiantes han mostrado una buena capacidad para construir espontáneamente
modelos matemáticos, que han sido analizados con detalle en las secciones anteriores, y
son:
 Tablas de la distribución de una o varias variables estadísticas.
 Gráficos de la distribución de una o varias variables estadísticas. Los
estudiantes mostraron una gran variedad de gráficos e incluso recurrieron a
gráficos no convencionales y un estudiante inventó su propio gráfico no
estándar.
 Medidas de posición central y dispersión: media, moda, mediana, rango y en
algunos casos varianza y desviación típica.
392
No todos los modelos resultaron apropiados ni correctos, puesto que gran parte
de ellos no sólo reflejaron los conocimientos de los estudiantes sobre estadística sino
también su conocimiento sobre el contexto del problema (Makar, Bakker, y Ben-Zvi,
2011).
Dicho conocimiento del contexto se observa cuando los estudiantes hicieron uso
de sus creencias sobre aleatoriedad, que analizamos en el punto 7.1 de este capítulo.
Estas concepciones son parcialmente correctas y es muy sutil el paso de una concepción
correcta a una que no lo es. Así mismo, en la simulación del lanzamiento de 20
monedas, desconocían el valor esperado del número de rachas o la longitud más larga,
pero sabían que el número de caras medio es 10, lo que condicionó la secuencia
simulada del grupo, ignorando la variación. Otro fuerte condicionante fue su creencia de
un azar vinculado a la irregularidad: las secuencias no fueron muy largas. Los
estudiantes se mostraron preocupados porque su secuencia simulara el lanzamiento
aleatorio de una moneda, cuando en realidad estaban siguiendo un modelo matemático
subjetivo generando ensayos dependientes.
Así, los estudiantes construyeron y tuvieron oportunidad de analizar modelos
matemáticos que dependen de sus creencias sobre la forma en que se comporta una
sucesión de resultados aleatorios al lanzar 20 veces una moneda. Ese modelo interno
(conocimiento sobre el contexto) influye, como veremos más adelante, en la forma en
que los estudiantes analizan e interpretan sus resultados estadísticos.
7.4.4. Trabajo matemático con el modelo

El trabajo matemático con el modelo ha sido variable en los estudiantes, no sólo por la
diversidad de modelos que han obtenido, sino porque matemáticamente el trabajo
desarrollado no siempre fue correcto. En lo que sigue veremos que la mayoría de los
estudiantes han trabajado correctamente al menos con algunas medidas de posición
central, también fue mayoría el número de estudiantes que construyó tablas y gráficos
de la distribución al menos parcialmente correctos. También la notación empleada en el
cálculo de los estadísticos marca una diferencia en el grado de abstracción de los
estudiantes. En este apartado analizaremos estos dos puntos.
Errores en las tablas y gráficos producidos

Identificar los errores cometidos en tablas y gráficos, así como tratar de rastrear
el razonamiento detrás de los que son correctos es de nuestro interés porque la
construcción e interpretación de tablas y gráficos estadísticos es parte importante de la
cultura estadística definida por Gal (2002). Además, Shaughnessy (2007) sugiere que
muchos de los errores descritos en las investigaciones sobre comprensión de gráficos
393
enmascaran errores en la comprensión de la idea de distribución.

Los resultados de los errores en los gráficos encontrados en nuestro estudio
fueron publicados parcialmente en Batanero, Arteaga, y Ruiz (2009; 2010).
En su tesis doctoral Arteaga (2011) hizo un estudio exhaustivo de estos errores.
Sin llegar al nivel de detalle del autor, usamos a continuación su clasificación general en
tres tipos de gráficos y lo ampliamos a las tablas:
 Gráficos o tablas básicamente correctos: En esta categoría agrupamos los
gráficos que no tienen ningún error, aunque algún detalle los pudiera
distanciar de los gráficos correctos. Se incluyen los gráficos o tablas no
habituales, que suponen maneras originales de representar los datos por parte
de los estudiantes. También, gráficos convencionales a los que los
estudiantes han creído apropiado añadir líneas de unión innecesarias. Esto se
puede deber a la confusión de los gráficos estadísticos (principalmente del
polígono de frecuencias) con los gráficos usados en la matemática
determinista en los que se unen las líneas de los puntos dibujados.
 Gráficos o tablas parcialmente correctos. El estudiante tiene errores en los
ejes, título confuso, escala, sistema de coordenadas elegido o bien las
etiquetas de la escala o de los ejes. Un ejemplo es usar escalas no
proporcionales, representación errónea de los números naturales en la recta
real o barras no centradas.
 Gráficos o tablas incorrectos. En esta categoría se incluyen gráficos con
errores que están vinculados con el manejo de las variables estadísticas, por
ejemplo que no son apropiados para el tipo de variable representada,
presentan variables no relacionadas dentro de un mismo gráfico o tabla o que
intercambian el valor de las variables con la frecuencia.
Arteaga (2011) no encontró relación entre los errores cometidos y la variable

estadística representada, pero la mayoría de los errores que reporta están relacionados
con el manejo de las variables estadísticas, tales como: confusión entre el valor de la
variable y la frecuencia, confusión entre la variable dependiente e independiente en la
distribución de frecuencias o asociar la idea de distribución a un conjunto de variables y
no a una sola, elección adecuada de un gráfico al tipo de variable que se esté
representando y los valores que tome, así como de la naturaleza de las variables
representadas. En nuestro estudio también encontramos estos errores.
En la Tabla 6.24 anotamos el número de estudiantes que hicieron tablas y
gráficos en cada una de las categorías anteriores. A primera vista salta que el porcentaje
de errores cometidos en las tablas fue mucho menor que en los gráficos (6,5% contra
394
P abbierto
27,3%
%), lo cual es indicadoor de la maayor dificulttad que acaarrea hacer estos últim
mos de
maneera correctaa. En generral los errorres vinculaddos con el uso de tablas se refieeren a
fusión entre frecuenciaa relativa y porcentaje o a la connfusión entrre el valor de la
confu
variaable y la freecuencia abssoluta. Ejem
mplos de esstas tablas laas analizam
mos en la seección
7.2.11.
Tabla
T 6.24. Clasificación
C n de tablas y gráficos por su correccióón
Parcialmentte
Totaal Correcto Incorrectoo
correcto
Construyen grráficos 88 40 24 24
Construyen taabla 62 40 18 4
Algunos de los erroores no relaccionados coon la variablle aleatoria o estadísticca que

se prresentaron en
e nuestro estudio
e fuero
on barras deel diagramaa no centraddas en los vaalores
del eje-x,
ej o la esscala del ejee-y no homo
ogénea, falta del título del gráfico o no se inddica la
variaable representada en el eje-x.
Tambiénn se presenntaron errorres por la conceptualiización de la variablee, por
ejem
mplo, cuandoo el gráfico no es aproppiado para la
l variable representada
r a o bien graafican
juntaas dos que no se pueeden compaarar. Esto último
ú indiica que no comprendden el
propóósito de unn gráfico coonjunto ni discriminann las situaciones en quue dos variiables
estaddísticas son o no compaarables. Un ejemplo loo tenemos en
n la Figura 6.27 en donnde el
estuddiante representa conjuuntamente ell número dee caras, núm
mero de rachhas y longittud de
la raccha más larrga en tres polígonos
p de
d frecuencias sobre ell mismo ejee cartesianoo. Los
políggonos están incompletoos al no unirr los extrem
mos con el ejje de ordenaadas.
Figura 6.2
27. Ejemploo de estudiante que representa tres vaariables no comparables
Unos pocos estudianntes intercaambiaron loss ejes en loss gráficos, representand

r do las
frecuuencias en el eje-x y los valorees de la vaariable en el eje-y. Estos
E estudiiantes
395
confunden la variable dependiente e independiente en la distribución de frecuencias de

la variable estadística mostrando un error similar al que ya analizamos en la entrevista
clínica (Capítulo 5) donde las dos chicas entrevistadas confunden la variable
dependiente con la independiente en la distribución de probabilidad y ya descrito en
Ruiz (2006).
Notación utilizada y cálculo de estadísticos
Fueron muchos los alumnos (ver ejemplos en la Figura 6.28) que muestran un buen
conocimiento y uso de las fórmulas, e incluso de las fórmulas de cálculo abreviado y la
disposición auxiliar para realizar los cálculos. Sin embargo, el uso de los símbolos
matemáticos varía en formalización. Mientras que el alumno de la Figura 6.28A, emplea
con propiedad el símbolo de sumatoria y los subíndices, así como los de media y otros
estadísticos, el segundo (Figura 6.28B) emplea sólo símbolos numéricos. En este
último, hay, además, un uso incorrecto de la igualdad en el reporte del cálculo de la
mediana, pues lo que se está calculando ahí es la mitad de la suma de frecuencias y no
el valor en sí mismo de la mediana.
A)
B)
Figura 6.28. Ejemplo de cálculo de estadísticos con uso de notación matemática
En algunos otros casos, como el ejemplo que reproducimos en la Figura 6.29A,

no hay uso de símbolos, por lo que no podemos deducir si el alumno conoce las
396
fórmulas de cálculo. En el ejemplo B es evidente el uso de hoja de cálculo, pero en el

caso A no podemos saber cómo ha obtenido los estadísticos. Tampoco nos queda claro
si el alumno comprende las fórmulas en el caso de calcularlas mediante ordenador, pues
en Excel las funciones dan los estadísticos automáticamente.
A)
B)
Figura 6.29. Cálculo de estadísticos que no muestran procedimiento
Por el contrario, en otros ejemplos (Figura 6.30) los estudiantes muestran

comprensión de las ideas de variable, frecuencia y del cálculo de medias ponderadas, al
explicitar estas fórmulas en la solución aportada. Notamos en este ejemplo una
confusión terminológica entre los conceptos de frecuencia absoluta y acumulada,
aunque el uso de las frecuencias absolutas (que se denomina “veces repetidas”) al
ponderar en el cálculo de la media es correcto. Deducimos que la frecuencia acumulada,
únicamente fue usada para calcular el total en el cálculo de la media.
Figura 6.30. Ejemplo de cálculo de estadísticos
7.4.5. Interpretación de resultados en la realidad

Además de su trabajo matemático con las tablas, gráficos y promedios correspondientes,
los estudiantes tenían que trasladar sus resultados al contexto del problema (traducir
estos resultados a lo que indican respecto de las intuiciones de los estudiantes) porque,
como sugieren Wild y Pfannkuch (1999), «…el objetivo fundamental de la
397
invesstigación esstadística ess el aprend

dizaje en el ámbito deel contexto de un probblema
D ahí la impportancia de la modelaación.
real»» (p. 244). De
nteada en el proyecto, loos estudianttes forzosam
Para conntestar la preegunta plan mente
teníaan que efecttuar una com
mparación apropiada
a e
entre las disttribuciones de las variaables,
que implicaba
i u inferenccia estadística informall. Es decir, comparar laas distribucciones
una
obtennidas miranndo la distrribución dee probabiliddades generralizando laa distribucióón de
frecuuencias y loos estadísticcos como una
u aproxim
mación a los parámetro
os de la varriable
aleattoria. La in
nterpretaciónn de las co
omparacionnes de las tres
t variablles se teníaa que
integgrar para em
mitir una conclusión soobre las intuuiciones dell grupo. Así, dividimoss este
trabaajo de interppretación dee resultadoss por parte de los estuddiantes en tres
t apartaddos, la
interppretación que
q hacen dee los gráfico
os construiddos, la com
mparación en
ntre las variiables
hacieendo uso de
d los estaddísticos calcculados y la
l emisión de una connclusión quue dé
respuuesta a la prregunta sobbre si la classe en conjunnto tiene o no
n buenas intuiciones
i sobre
la aleeatoriedad.
Interrpretación
n de gráfico
os
Com
mo se ha inddicado, 88 estudiantes produjeron
p algún tipo de
d gráfico. En
E la Tablaa 6.25
clasifficamos su trabajo dee acuerdo a la interpreetación quee hacen de su gráficoo para
vincuularlo con la
l «realidadd», es decirr, con el prroblema plaaneado. Alggunos resulltados
previios fueron publicados
p en Arteaga, Batanero y Ruiz (20009; 2010) y Arteaga (22011)
los annalizó con mayor
m detallle.
Tabla 6.25. Clasificcación de estudiantes seg

gún interprettación de los gráficos
Interpretaciión del gráficoo
Correcta 29
Parcialmentte correcta 37
Incorrecta o no interpretaa 22
Total 88
Destacam
mos, en primer lugar que
q una cuarta parte de
d los futurros profesorres se
limitta a produccir el gráffico sin inccluir ninguuna conclussión de él o bien daa una
interppretación errrónea no siiendo capazz de vinculaarlo con el contexto del problema.
Es posibble que una parte de loos estudiantees que no leyeron su gráfico,
g lo hayan
h
incluuido en suu reporte sólo
s como un efectoo del contrrato didácttico, pues están
acosttumbrados a que en laa clase de estadística
e sse presentenn gráfico o hagan cálcculos,
pero no han coomprendidoo la importtancia que éstos tieneen. Es deciir, no haceen un
esfueerzo para qu
ue la elabooración de la
l gráfica lees aporte allguna compprensión sobbre el
temaa. Aparentem
mente estos estudianttes no tieneen los niveeles mínimoos de lectuura de
gráficos, ni pueddan completar el ciclo de modelacción (Dantall, 1997).
398
Las interpretaciones incorrectas, en general, se deben a errores conceptuales. Un

ejemplo de interpretación incorrecta se presenta a continuación:
En el caso de las gráficas he optado por realizar un diagrama de barras en el cual se

puede observar que una secuencia simulada la frecuencia absoluta que más se repite se
encuentra en la tabla de racha mayor, siendo el valor 3 y la frecuencia 26 [Alumno SL].
El estudiante SL usa un lenguaje poco preciso al hablar de la «frecuencia

absoluta que más se repite» para referirse a la mayor frecuencia e indirectamente a la
moda. Sin embargo, su error más grave es que compara la distribución de las tres
variables vinculadas a la secuencia simulada al mismo tiempo, incluso cuando había
representado cada una de las variables por separado en un diagrama de barras. Es decir,
aparece un conflicto en la idea de moda, pues calcula la moda (valor de mayor
frecuencia), como si todos los datos provinieran de una misma variable y no para cada
variable por separado. Así mismo, se observa una incomprensión del objetivo del
proyecto y de la función de las variables que está utilizando.
En el siguiente ejemplo, la interpretación errónea se debe a errores conceptuales,
relacionados con la dependencia funcional lineal. No queda claro qué es dependencia
lineal para este estudiante ni la importancia de que pase de «– a +». Además de que
también hay una incomprensión del objetivo del problema puesto que establece una
comparación entre todos los datos, en lugar de comparar sólo los de aquellas variables
que sí son comparables.
Todos los gráficos presentan una dependencia funcional lineal de – a + o viceversa,

según las circunstancias [Alumno PF].
Un 42% de los estudiantes hacen una interpretación parcialmente correcta de los

gráficos. La mayor proporción de ellos se limitan a representar los datos uno a uno, sin
llegar a formar la distribución de la variable estadística, lo cual resulta desventajoso
porque aunque pueden observar la variabilidad de las variables, sólo lo hacen de forma
parcial o con inexactitud.
Algunos estudiantes muestran una gran imprecisión del lenguaje, confundiendo
conceptos. Por ejemplo, en el caso siguiente, el estudiante ha representado los datos de
sus compañeros individualmente en dos diagramas de líneas sobre un mismo gráfico,
como se muestra en la Figura 6.22, y concluye lo siguiente sobre su gráfico:
Cuando comparamos los resultados obtenidos en las secuencias simuladas y en las

secuencias reales, observamos que las secuencias simuladas reflejan líneas de
tendencia menos pronunciadas que las de las secuencias reales. En el caso de las caras
y las cruces suponemos que hay un 50% de probabilidades de que salga una u otra, por
tanto las simulaciones son todas en torno a 10 caras. Sin embargo en el ejercicio real el
399
número de caras y de cruces varía mucho de una experiencia a otra. Como el número
de experimentos es relativamente bajo, creemos que si se aumenta, el número de caras
y de cruces se irá haciendo cada vez más equitativo [Alumno AR].
El estudiante compara las dos variables estadísticas referidas al «número de

caras» y detecta una mayor variabilidad en las secuencias reales. Usa implícitamente la
idea de variable aleatoria al mencionar las probabilidades y también ha comprendido el
fenómeno de convergencia, es decir, relaciona la asignación frecuencial y clásica de
probabilidad. Sin embargo, la convergencia a que él alude se dará en la frecuencia
relativa de número de caras y no en la absoluta. Observemos que en su argumentación
alude poco a la frecuencia relativa y cuando lo hace, de inmediato concreta en la
frecuencia absoluta, por lo que, más que un error de lenguaje, podría estar confundiendo
estos conceptos. Una confusión parecida, entre la frecuencia relativa y la absoluta,
también la observamos en la entrevista clínica (Capítulo 5). Lo cual nos indica que la
frecuencia relativa no es un concepto simple para los estudiantes.
El alumno AG también hace referencia a las dos variables estadísticas, pero se
limita a la interpretación de las medidas de tendencia central:
El sistema de representación de datos utilizado es el diagrama de líneas ya que se

pueden ver las diferencias entre la secuencia simulada y la real; si la línea asciende, la
frecuencia aumenta. El punto más alto del diagrama corresponde al valor de la
variable que tiene mayor frecuencia, como ocurre cuando… [continúa con un ejemplo;
Alumno AG].
Se observan puntos de interpretación acertada del gráfico, puesto que relaciona

el crecimiento y decrecimiento en la gráfica con el aumento o disminución en la
frecuencia, así mismo detecta correctamente a la moda y justifica la elaboración de su
gráfico. Sin embargo compara las modas y porcentajes de valores pero no se ocupa de la
dispersión.
Encontramos también interpretaciones correctas de los gráficos, algunas de ellas
en estudiantes que sólo han trabajado representando sus propios datos o listados de
datos sin formar la distribución. Por ejemplo, el alumno CG une los datos del total de
los alumnos para el número de caras y número de cruces y lo representa en un sector
circular, después de haber representado los datos del número de caras alumno a alumno
en un diagrama de barras semejante al mostrado en la Figura 6.22A, realiza el siguiente
comentario:
Si observamos en el sector circular, nos daremos cuenta que los alumnos han puesto al
azar más caras que cruces y que en la secuencia real dan unos resultados casi iguales
en el porcentaje de caras y cruces [Alumno CG].
400
Aunque la interpretación del gráfico de la variable «cara o cruz» en sí misma es

correcta, el alumno no entendió la finalidad del proyecto, puesto que no consideró el
análisis del resto de las variables. Para CG la aleatoriedad de las secuencias se evalúa al
comparar el equilibrio entre el número de caras y el número de cruces simuladas con el
valor esperado en el experimento Bernoulli. De manera que aunque analiza
correctamente esa variable, sus conclusiones sobre las intuiciones de su grupo estarán
incompletas. Este estudiante no visualizó la importancia de evaluar la aleatoriedad del
lanzamiento de una moneda a través del experimento compuesto por 20 lanzamientos,
por lo tanto no podrá interpretar la aleatoriedad como una multitud de modelos.
Una tercera parte de los estudiantes conjuga las ideas de promedio y dispersión
detectando las tendencias y analizando la estructura de los datos, visualizándolo a partir
de la gráfica y no sólo a partir de los números. Esto es mayor en la proporción de los
alumnos que representaron gráficamente la distribución de alguna de las variables, ya
sea en gráficos separados o conjuntos. El siguiente es un ejemplo de este tipo de
argumentación:
Para comentar las diferencias, el gráfico aporta más posibilidades, pues visualmente
podemos percibir las diferencias. Las tablas necesitan de una interpretación de los
datos. Centrándome en el gráfico observamos que los valores de la frecuencia
simulada se concentran en torno a unos mismos intervalos 10 y 11, mientras que en la
frecuencia real, los valores están más disgregados, aunque también vemos que se
concentran en un núcleo 8-15, fluctuando al alza y a la baja. De esta forma en la
frecuencia real comprobamos que 10 es la secuencia con mayor número de veces
saliendo cara, tanto en la simulada (20) como en la real (14).... la horquilla de la
secuencia real es mucho más amplia que la de la simulada [Alumno FL].
En primer lugar, el alumno reconoce que le es más sencillo interpretar el gráfico

que la tabla. Compara correctamente el comportamiento de la distribución de las dos
variables estadísticas a través de los intervalos modales y diferencia la dispersión entre
ambas. Aunque en toda su argumentación usa un lenguaje impreciso.
En este apartado encontramos que no es suficiente que los estudiantes hayan
construido sus gráficos para que los interpreten o lo hagan correctamente. Aquellos
estudiantes que lograron establecer la distribución de las variables gráficamente tienen
un mejor desempeño en su interpretación, pero no todos estos estudiantes tuvieron una
correcta interpretación. Tampoco fue cierto que todos los estudiantes que graficaron los
datos uno a uno tuvieron una interpretación incorrecta de su gráfico, aunque fueron los
menos los que lo hicieron correctamente. Esto significa que la correcta elaboración del
gráfico auxilia en la interpretación de los datos, pero eso no significa que el estudiante
comprenda cuál es la forma en que puede emplearlo para resolver el problema.
401
Coinncidimos, en
ntonces, conn Arteaga (22011) en quue la interpreetación de gráficos
g es difícil
d
para los estudianntes, a pesarr de es una herramientaa indispensaable en su vida
v profesioonal.
mparación e
Com entre las d
distribucion
nes: uso dee los estad
dísticos
La comparación
c n entre las distribucioones de lass variables de la secuuencia real y la
simuulada se reaalizó princippalmente haaciendo usoo de los estadísticos, sin embargoo, una
partee de los estu
udiantes la realizaron haciendo
h usso de otras herramientaas, como vaalores
aisladdos, la forrma de la gráfica,
g o no hicieronn tal compparación. Enn la Tabla 6.26
mosttramos quee, aunque los estudiaantes calculen los esttadísticos, no siempre los
empllean, limitánndose en muchos
m casoos a presentaarlos sin nin
ngún comen
ntario respeecto a
su siignificado o las diferrencias entrre las dos secuencias. A este reespecto Koonold,
Pollaatsek, Welll y Gagnonn (1997) in
ndican quee para los estudiantess no es sieempre
intuittivo el uso de los prom
medios y diispersión paara comparaar dos distriibuciones, por
p lo
q muchoss considerassen, por efeecto del conntrato didácttico, que la tarea
que ees posible que
estabba completaa una vez caalculados loss estadísticoos.
mera instanccia nos enffocamos a las medidaas de tendeencia centraal. 36
En prim
(32,44%) estudiaantes compaaran las meedias (32 dee ellos, corrrectamente), 18 (16,2%
%) las
modaas (12 correectamente) y doce (100,8%) las medianas
m (ddos incorrecctamente). Como
C
mos, en su mayoría loos estudianttes tienen un
notam u mejor manejo
m de laa media quue del
restoo de las meddidas de tenndencia cenntral y tambbién es a laa que más recurren,
r peero de
maneera general, los estudiaantes que hicieron uso de
d las medidas de posición centrall para
compparar las disstribucioness, lo hicieronn correctam
mente.
Tabla 6.26
6. Interpretaación de estaadísticos en la comparacióón de las disstribuciones
(n=
=111)
Tipo de commparación Frecuuencia
Comparan n media 32
3
Comparan n moda 18
1
Comparan mediana 12
1
Comparan dispersión
d 30
3
C
Comparan valo
ores aislados 10
1
Comparan forrma gráfica 12
1
Comparan sollo sus datos 11
1
Indican lo quue esperan 12
1
No com mparan 23
2
En los siguientes
s ejemplos haremos
h nootar la form
ma en que realizaron tales
compparaciones, en el primeero se hace uso de las modas, en el segundo,, de las meddias y
en ell tercero, dee las mediannas:
402
Pasamos al gráfico del número de rachas, en la secuencia real el 10 es el que más se

repite; en cambio en la secuencia simulada el valor más repetido es el 12 seguido del
13 [Alumno MC].
Con respecto al número de caras en la secuencia simulada la media está en 10,41, es

decir, que de 20 veces que hemos tirado la moneda 10 veces para redondear ha salido
cara. Muy igualado está el caso de la secuencia real en que la media del número de
caras está en 10,76, 11 en números redondos [Alumno CG].
La mediana del número de caras y del número de rachas de la secuencia simulada y la

real también coinciden [Alumno CL].
Algunos estudiantes presentaron los estadísticos pero no los comparan (23, es

decir, 20,7%), o indican lo que esperan sin comparar (12, el 10,8%), siguiendo sus
creencias previas. Por ejemplo, en el siguiente caso, el alumno calculó la media,
mediana y moda, pero no las usa al efectuar la comparación. Él se limita a exponer sus
creencias sobre lo que debe ocurrir: piensa que no puede haber coincidencia, pues
muestra una concepción de la aleatoriedad errónea como falta de control (Langer,
1975):
Respecto a la conclusión podemos decir que en un primer momento los alumnos

intentan que salga el número más parecido de caras y cruces, cosa que es algo que no
lo puedes lograr [Alumno IA].
En los dos siguientes ejemplos, aunque se comparan los valores de las variables,
la idea de aleatoriedad como imposibilidad de predicción, hace que el alumno desista de
su comparación. Estos estudiantes no han comprendido la utilidad de la estadística para
analizar datos experimentales ni que ello les proporcionaría información sobre la
situación, porque no visualizan la utilidad de una predicción estadística a través de una
distribución de valores y no de valores aislados.
En un principio es factible que el nº de caras y de cruces a priori debería ser el mismo,

pero debido a que esto es un proceso aleatorio, las secuencias de caras y cruces en
realidad es imprevisible [Alumno ES].
Al comparar los gráficos no se parecen mucho, ya que en la simulada lo que se hacía

era inventarse los datos y no sabes cómo pueden salir los datos en realidad [Alumno
AG].
Otros alumnos comparan sólo sus propios datos (11, 9,9%), tratando de evaluar
únicamente sus propias intuiciones. Se limitan a comparar el valor de las diferentes
variables en las dos secuencias, sin hacer referencia a los estadísticos. Generalmente,
manifiestan que una buena intuición supone poder acertar el experimento, es decir,
tienen una concepción errónea sobre la aleatoriedad, cayendo en la ilusión de control:
403
Secuencia simulada: Longitud de la racha más larga=5, número de rachas: 0; número

de caras=10. Secuencia real: Longitud de la racha más larga=3; número de rachas: 15;
número de caras 11; he acertado 13 veces [Alumno EL].
Los datos obtenidos son parecidos; el número de caras en el lanzamiento simulado es

de doce mientras que en el real es de nueve; sólo se llevan de diferencia tres caras. Lo
mismo ocurre con la longitud de la racha más larga que sólo se diferencia en uno y el
número de rachas que es de dos la diferencia [Alumno SL].
Unos pocos estudiantes compararon directamente la forma de la gráfica (12),

como el siguiente caso, en el que se ha calculado la media, mediana y moda, pero sólo
compara directamente la gráfica de la distribución. La comparación resulta certera, al
observar, de manera general, la diferencia en la variación de las distribuciones. En el
segundo caso, la observación del gráfico no le auxilia a ver la distribución como un
todo, sino que compara valor a valor:
Al comparar los gráficos, podemos observar que el número de caras de la simulación

real está mucho más repartido que en la simulación, cuyos datos están más centrados
en los números 10 y 11 [Alumno MC].
En los gráficos que se han obtenido al representar las rachas que resultaron de la
actividad realizada por los alumnos se pueden destacar distintos resultados. Por
ejemplo, en la primera gráfica, de la secuencia simulada encontramos cinco
posibilidades y en la gráfica de la secuencia real las posibilidades son siete [Alumno
HC].
Otro ejemplo es el de este estudiante, que usa sus gráficas para comparar entre sí
la variación del número de caras y del número de rachas de la secuencia simulada a
través del rango. Aunque su percepción de la distribución es como un todo es correcta,
se equivoca al comparar los estadísticos de las variables de una misma secuencia:
Se puede observar que en la secuencia simulada al calcular el rango (r), el valor más
disperso se encuentra en el número de caras con respecto a la media (x) también hay
más variación en el número de rachas, será porque nos encontramos con valores más
diversos [Alumno SL].
Algunos (10 alumnos, 9%) comparan valores aislados de la variable o

porcentajes de valores aislados (10 estudiantes, 9%); cuatro de ellos comparan
únicamente los máximos y mínimos en cada distribución. Esta estrategia de
comparación de valores aislados al estudiar la diferencia de dos distribuciones ya
apareció en la investigación de Estepa y Batanero (1994), quienes la explican por la
existencia de una concepción local de la asociación estadística, consistente en juzgar la
asociación entre dos variables considerando tan sólo una parte de los datos y no el
conjunto completo.
404
El máximo que he encontrado en las dos secuencias es 15 en el número total de caras,

16 el número más alto en rachas y 8 el máximo en la racha real [Alumno EG].
Sólo 30 estudiantes (27%) utilizan explícitamente las medidas de dispersión (27

de ellos el rango y seis la desviación típica o la varianza). Un ejemplo se reproduce a
continuación, en que el alumno es capaz de apreciar la diferencia de dispersión en el
número de caras y su semejanza en el número de rachas, aunque su redacción no es muy
buena:
En primer lugar compararé los datos del número de caras en ambas secuencias, donde
destacaré las diferencias que se aprecian principalmente entre el rango, la varianza y,
consecuentemente la desviación típica, de hasta seis veces más de diferencia la
secuencia simulada con respecto a la real [quiere decir lo contrario, pues la dispersión
es mayor en la secuencia real]. En segundo lugar destacaré los datos del número de
rachas de las secuencias simuladas y la secuencia real. He de decir que son
sorprendentes las similitudes del rango e incluso la varianza y la desviación típica que
tan sólo llegan a diferenciarse en décimas [Alumno LC].
Otros alumnos tienen imprecisión en el lenguaje al confundir variable y valor de

la variable, como en el caso siguiente, que también compara la dispersión; de hecho la
desviación típica calculada es positiva, aunque el estudiante indica lo contrario:
Se observa que en las secuencias reales hay más variedad de variables que en las
simuladas. Aunque la desviación típica es más pequeña en la secuencia simulada,
siendo inferior a cero [Alumno JC].
En el caso siguiente se confunde frecuencia y valor de la variable, error también

encontrado por Cobo (2003) en el cálculo de la media. Como vemos en el ejemplo, el
alumno se refiere a la frecuencia, pues al ser sólo 20 los lanzamientos, la longitud de la
racha no puede ser igual a 25.
En la secuencia simulada la racha mayor y en la que más ha coincidido la clase es 25

[Alumno TF].
En resumen, un porcentaje importante de estudiantes de la muestra ha calculado

algún estadístico, principalmente estadísticos de posición central (media, mediana y
moda) y en menor medida de dispersión. En general, aunque el cálculo es correcto, con
pocas excepciones (ver Punto 7.4.4), y el de los promedios muy abundante, la mayoría
de los estudiantes se limita a calcularlos, pero no los interpreta ni los usa para la
comparación, aunque en caso de compararlos, la comparación, en general, es correcta.
Menos aún usan la idea de dispersión, aunque el cálculo del rango lo hacen
correctamente, parece que, aunque se comprende el procedimiento de cálculo, los
405
alumnos no llegan a captar el significado de la dispersión ni su utilidad en la

comparación de dos distribuciones.
Así mismo observamos que encontramos estudiantes que sólo se dejan llevar por
lo que creen que va a pasar sin hacer uso de los datos ni de la estadística.
Concluimos que la idea de distribución no es comprendida de manera completa
por los participantes en el estudio, pues aunque la mayoría llega a formar la
distribución, a representarla, bien mediante una gráfica o mediante una tabla o ambas y
aunque la mayoría calcula los promedios, sólo unos pocos basan la comparación de las
distribuciones en los promedios y casi ninguno tiene en cuenta la dispersión, que, de
acuerdo con Reading y Shaughnessy (2004) es fundamental para comparar dos
distribuciones.
También notamos 35 estudiantes que no efectúan tal comparación (indican lo
que esperan o no comparan), por lo tanto, un número relativamente alto de estudiantes
(76, el 68,5%) hacen (o intentan hacer) la comparación entre las distribuciones
simuladas y reales aunque algunos la realizan mal. Esto nos indica que hubo un
porcentaje importante de estudiantes con una comprensión parcial del objetivo del
proyecto, puesto que era necesario realizar una comparación para obtener una
conclusión sobre las intuiciones del azar del grupo.
Obtención de una conclusión, respuesta a la pregunta del proyecto

Aunque los alumnos completaron con mayor o menor éxito los otros pasos de la
actividad de modelación, pocos han sido capaces de completar el último paso emitiendo
una conclusión en el contexto del problema. Este punto fue estudiado por Arteaga
(2011) para los alumnos que elaboraron gráficos, pero él lo relaciona con la complejidad
semiótica de los datos y no con la actividad de modelación como lo haremos nosotros.
Interpretar los resultados del análisis de datos en términos de la pregunta
planteada (¿son buenas las intuiciones de los estudiantes?) fue el más complicado para
los estudiantes; posiblemente por su falta de familiaridad con proyectos estadísticos y
actividades de modelación. Sin embargo, algunos estudiantes, parecen haber
comprendido la necesidad de este último paso en el proceso de modelación pues
explícitamente indican la utilidad de la estadística para analizar los datos del
experimento y obtener una conclusión:
La estadística nos permite ver si nos acercamos o no a los resultados, si intuimos y

prevemos bien [Alumna HC].
En la Tabla 6.27 clasificamos las conclusiones obtenidas por los estudiantes. En

ella observamos que la conclusión es la tarea más difícil para los estudiantes, puesto que
406
P abbierto
sólo un poco más

m de la cuarta
c partee (27%) obbtienen unaa conclusión por lo menos
m
parciialmente correcta. Al iggual que en
n los resultaddos de la en
ntrevista, paareciera quee a los
estuddiantes les resulta máss sencillo descontextua
d alizar (pasaar de la reaalidad al modelo
mateemático) quee la operación inversa (contextuali
( d modelo a la realidadd).
izar, pasar del
Taabla 6.27. Cllasificación de

d estudiantees, según su conclusión
c fi
final
Concclusión Frecuencia
Corrrecta 4
Parcialmennte correcta 26
Incorrecta o no concluye 81
Tootal 111
Estudian
ntes que con
ncluyen inccorrectamente o que n
no lo hacen
Fueron muchos
m loss estudiantees que no conectaron los resultaados del trrabajo
n el modelo en la situacción (73%), es decir, no vieron lass aplicacionnes de
mateemático con
lo obbtenido en el
e análisis esstadístico soobre las intuuiciones de los estudianntes.
m alejadass, simplemeente comentaban cuesttiones
Algunas de las conclusiones más
que no tenían que
q ver conn la pregunnta que debbían contesstar ni hacíían referenccia al
análiisis estadístiico que habbían efectuad
do. Las connclusiones de
d SG y JOC
CH son ejem
mplos
que muestran
m quue para alguunos estudiaantes emitirr una concluusión fue sóólo una form
ma de
cumpplir con el contrato
c diddáctico con el profesorr. Este tipo de comentaarios, podríaan ser
valioosos si hubieeran sido accompañados de una resspuesta a laa pregunta del
d proyectoo o de
un annálisis más profundo de
d sus resulltados, peroo se presenttaron aisladdos. Comenttarios
comoo el de JOC
CH, denotann una revisión bibliogrráfica que no
n citaron y que se viincula
con eel propósitoo del proyeccto solo de manera
m tanggencial:
EEl diseño dee experimenntos aleatorio os en el aulaa, no solo permite

p su reealización de
d
mmanera sencilla y rápida sino que haace necesariaa la comprensión previa del d problemaa,
dde las herram
mientas dispoonibles, de laa manera de hacerlos
h y ell interpretar los
l resultadoos
oobtenidos. [A
Alumno SG].
LLa comprenssión de estas nociones no n es inmeddiata y tiene cierta dificuultad para loos
nniños, inclusso para los adolescentes
a y adultos…… Los niños se suelen deejar guiar poor
ssus creenciass y experienncias subjetivvas, considerrando, por ejjemplo, que un suceso ese
iimposible poorque a él nunca le ha ocu urrido [Alum
mno JOCH].
Dentro de
d este gruupo, son muchos
m los estudiantees (23) de la muestraa que
antepponen sus ideas sobre el contextoo al análisiss de datos. Así
A por ejem
mplo, el aluumno
EL, no compreendió que un modeloo matemátiico puede aplicarse a una situuación
aleattoria. Eso hizo
h l datos y se quedaraan con sus ideas
que neegara la evidencia de los
407
prestablecidas sobre el contexto. Esta concepción errónea también la detectamos en el

estudio de la entrevista (Estudio 3, Capítulo 5):
Comparando los datos me he dado cuenta que son muchos los resultados entre los
compañeros los que coinciden, pero aun así, sigo pensando que es mera casualidad,
porque en la simulada hemos puesto lo que hemos querido [Alumno EL].
Observemos que aun cuando logró conectar el modelo que obtuvo con el
contexto del problema, falla en la obtención de conclusiones debido a que supone que
una buena intuición ha de corresponder a obtener los mismos resultados en las
secuencias reales y simuladas (concepción errónea de aleatoriedad). Desde distintas
perspectivas Wild y Pfannkuch (1999), Makar, Bakker y Ben-Zvi (2011) y Chaput,
Girard, y Henry (2011), han mostrado la importancia que los estudiantes dan al contexto
al trabajar con un modelo. Makar, Bakker y Ben-Zvi se han preocupado por analizar
más detenidamente el conocimiento del contexto y la forma en que éste influirá en la
forma en que se analicen los datos. Chaput, Girard, y Henry (2011) han remarcado las
dificultades que tienen los estudiantes al trabajar con un modelo pseudo-concreto en
lugar de con la «realidad». En estos otros ejemplos (alumnos GEE, LG y AG) es notorio
como mezclan el análisis estadístico (la evidencia de los datos) con sus creencias
(conocimiento del contexto) para emitir una conclusión.
En los primeros alumnos, aparecen unos datos imposibles. En general, podemos decir
que los alumnos han tenido una visión de aleatoriedad más elevada en la situación
simulada que en la real [Alumno GEE].
Partiendo del estudio de los gráficos, se podría decir que en valores absolutos, la
previsión del grupo no ha sido demasiado desafortunada. Un juego de azar es
imposible de prever con total exactitud, pero las aproximaciones sumadas a los
aciertos son mayores a las previsiones muy alejadas del resultado real [Alumno LG].
...al comparar las gráficas no se parecen mucho, ya que en la simulada lo que se hacía
era inventarse los datos y no sabe cómo pueden salir en la realidad [Alumna AG].
El alumno GEE antepone totalmente sus creencias a los datos, concluyendo que
es más aleatoria la secuencia simulada que la real. Los estudiantes LG y AG muestran
una concepción correcta del azar (no se puede prever) y otra incorrecta (evaluar el
número de coincidencias o la diferencia de valores obtenidos en cada estudiante), en
lugar de comparar directamente las distribuciones de las variables o el comportamiento
general del gráfico. Es decir, comparan caso a caso sin utilizar la distribución o sus
estadísticos al hacer la comparación.
Como analizamos en la Sección 7.1, aunque los estudiantes de la muestra están
familiarizados con el experimento «lanzar una moneda» no lo están con el experimento
408
«lanzar 20 monedas», que sería parte del contexto, ni son conscientes de sus propias
intuiciones incorrectas (que sería la otra parte del contexto del proyecto planteado). Su
falta de conocimiento sobre el contexto podría influir en que el análisis estadístico se
vea mermado.
En nuestro proyecto, esta relación entre el contexto del problema y el análisis
estadístico resultó conflictiva, puesto que al mismo tiempo que se les pretendía mostrar
a los estudiantes las ventajas del análisis estadístico11, también se les quería concientizar
sobre sus intuiciones incorrectas sobre la aleatoriedad. Sin embargo, al no tener una
buena perspectiva sobre la utilidad de la estadística, desechan los resultados
matemáticos y se guían por sus intuiciones, sin que el proyecto les permita darse cuenta
de que éstas son erróneas ni les ayude a tener una idea más global de la estadística.
En otros estudiantes faltó capacidad de trabajo con el modelo matemático para
detectar las diferencias entre las secuencias inventadas y reales. Esto, como se observa
en el siguiente ejemplo, los llevó a concluir que los resultados en las dos secuencias
eran similares:
Como conclusión podemos ver que los resultados son prácticamente los mismos tanto
en la real como en la simulada, de lo que podemos deducir que lo real y lo simulado es
muy parecido así que lo que te inventes puede ser prácticamente igual a lo real
[Alumno AC].
En este ejemplo, el alumno tampoco llega a relacionar su análisis con la

intuición de los estudiantes, lo cual significa que no vinculó las variables trabajadas con
la respuesta a la pregunta planteada. En su comentario ni siquiera menciona a qué
variable se refiere cuando habla de «los resultados».
Algunos estudiantes se plantearon nuevas preguntas para tratar de responder la
pregunta planteada en el proyecto. Según Wild y Pfannkuch (1999), esto también es
parte de la interacción del contexto con la estadística y, en consecuencia, del
razonamiento estadístico. Esto, de hecho, era necesario en nuestro proyecto, puesto que
la pregunta sobre las intuiciones sobre el azar, sólo podía ser respondida en términos de
las variables que se manejaron. La pregunta original no podía ser respondida con un sí o
un no, de modo que los estudiantes debieron haberse preguntado sobre el
comportamiento de la distribución de cada variable. En el ejemplo del estudiante BG, se
observa cómo transforma la pregunta sobre las intuiciones a una evaluación sobre la
variabilidad de los resultados entre sus compañeros, lo que sería equivalente a tratar de
analizar la variabilidad de la variable. Sin embargo, él no hace uso de las medidas de
11
Un análisis estadístico tiene el objetivo de conocer en un sentido probabilístico (Laplace, 2006/1814),
de modo que un proyecto planteado en situación escolar, también debería enfatizar en esa faceta de la
estadística.
409
dispersión (que, aparentemente, no comprende) sino que se limita a hacer una

observación somera de sus gráficos, en donde había graficado los datos de todo el
grupo, sin formar la distribución:
Al comparar las secuencias (simuladas y reales) observamos que no existen muchas

diferencias entre unas y otras. Casi toda la clase hemos tenido resultados muy
parecidos. Yo creo que esto se debe al azar. Lo mismo que depende del azar que salga
cara o cruz también depende del azar que 2 personas pongan los mismos resultados o
que yo tenga los mismos resultados simulados que reales [Alumno BG].
BG también manifiesta una concepción errónea de la aleatoriedad pues el hecho

de que la coincidencia entre estudiantes sea muy grande es precisamente fruto de una
intuición global errónea (como hemos analizado en la Sección 7.1.2), ya que la
probabilidad de obtener estos resultados en secuencias aleatorias es extremadamente
pequeña (de hecho viene dada por el nivel de significación que se calculó en dicha
sección al realizar los contrastes de hipótesis correspondientes). Este estudiante, por
tanto, también antepuso sus creencias a lo que el análisis estadístico pudiera decirle.
Estudiantes con conclusiones parcialmente correctas

Un segundo grupo de estudiantes (26, el 23,4%) obtiene una conclusión parcial.
A continuación mostraremos algunos ejemplos que nos darán cuenta de la diversidad de
causas por la que su trabajo con las conclusiones fue considerado dentro de esta
categoría.
El comportamiento más llamativo de este grupo es que fueron muchos (14) los
que limitaron su conclusión a las intuiciones de los estudiantes sobre las medidas de
tendencia central del número de caras. Estos estudiantes muestran una buena
comprensión de la idea de esperanza matemática (media de la variable aleatoria) y la
discriminan de la media de la correspondiente variable estadística. También han sido
capaces de usar los promedios al comparar dos distribuciones, por lo que estarían en el
nivel más alto de comprensión de la distribución según Bakker y Gravemeijer (2004),
sin embargo no han sido capaces de tomar en cuenta las otras dos variables, ni la
variabilidad de esta variable, como se observa en los siguientes ejemplos:
La intuición de mis compañeros observando la tabla del nº de caras es buena, ya que

los valores más repetidos en la secuencia simulada coinciden con los valores de la
secuencia real: 10 y 11 son las más repetidas. La media de las dos secuencias es 10,
por lo tanto creo que la intuición es buena [Alumno TG].
Según los datos obtenidos y tras representaciones gráficas, podemos observar como la
mayoría de la clase tiene buena intuición ya que si comparamos la moda del número
410
de caras, en la situación simulada de la real, vemos como se diferencia solo en una

[Alumna AJF].
Algunos de estos estudiantes realizaron un trabajo matemático con el resto de las

variables y con las medidas de dispersión, lo cual indica que no es el trabajo estadístico
lo que les limitó el uso de la dispersión y el trabajo el resto de las variables, sino una
incomprensión de la vinculación de las otras dos variables con la aleatoriedad.
Suponemos que creyeron que responder la pregunta planteada, cuando la restringían a
las intuiciones sobre el número esperado de veces con que ocurre un suceso. Como
hicimos notar en la sección anterior, era necesario que los alumnos refinaran la pregunta
general del profesor, demasiado amplia, en preguntas más pequeñas referidas al
comportamiento de la distribución de las variables, para luego integrarlo en una
conclusión general. No es el objetivo reducir el problema a otro más simple, que más
estudiantes son capaces de responder, pero que no es exactamente el planteado.
Otro punto importante es que algunos de estas respuestas son acordes con las
intuiciones incorrectas sobre la aleatoriedad de los estudiantes. Así, estos estudiantes
analizaron los datos siguiendo el modelo subjetivo que nos fue revelado en la Sección
7.1.2 de este capítulo en el que esperan el mismo número de caras que de cruces, rachas
cortas y con ensayos dependientes.
Parcialmente correctas también fueron las conclusiones de estudiantes que
siguieron un análisis correcto, pero por alguna razón no finalizan la conclusión. Como
los siguientes ejemplos, en donde el estudiante HC tiene una concepción incorrecta de la
aleatoriedad y eso hace que, aunque el análisis de datos le muestre una concepción
incorrecta del grupo, concluya que la intuición es correcta pues coincide con la suya. En
el segundo ejemplo, el alumno MAB hace una interpretación correcta de la variación y
el valor más grande de la racha más larga (en cierta medida el rango), pero eso no le
hace cambiar su idea de buenas intuiciones sobre la aleatoriedad:
Respecto a las gráficas construidas sobre el número de caras he de comentar que se

parece observar algunos cambios en la secuencia simulada donde encontramos cuatro
posibilidades y en la real hay diez posibilidades. Con esto podríamos decir que los
alumnos no han sido intuitivos, pero no creo que esto sea así, ya que si nos detenemos
atentamente en las gráficas podemos ver que los valores de 9, 10, 11 y 12 en ambas
han sido dados por un mayor número de alumnos que en los demás casos [Alumno
HC].
… en la secuencia real hay mayor rango de variación de valores, ya que estas

discurren desde las 14 a 5 caras, mientras que la simulada de las 12 a las 7 caras. Por
todo ello, creo que nuestras intuiciones sobre el número de caras que se obtienen al
lanzar 20 veces una moneda, son totalmente correctas… Además, en la real, la racha
411
más larga es de 9 y en la simulada de 4, ambas muy distantes. A pesar de ello y en su

conjunto, aunque un poco peor que anteriormente, comentar que nuestra intuición con
respecto a la aleatoriedad, no nos engaña en absoluto [Alumno MAB].
Es de llamar la atención, puesto que los alumnos visualizan, en un caso tanto la

diferencia de dispersión como los valores centrales similares, en el otro sólo la
dispersión, pero no llegan a concluir correctamente sobre la intuición de los estudiantes
porque sus resultados matemáticos no concuerdan con sus creencias. El alumno MAB,
además, se limita al análisis de la variabilidad.
En el mismo tenor que los ejemplos anteriores, aunque esta alumna es capaz de
ver las semejanzas y diferencias en los promedios y dispersión de las variables,
concluye que la intuición es buena. Como en los casos anteriores, pareciera que no
puede reconocer que su intuición es incorrecta.
En la secuencia se puede ver como más o menos son parecidos el número de caras,
sólo se da un margen del 8 al 11 con una media de 10,26. En cambio en la secuencia
real existe una variedad más extensa del número de caras del 7 al 16, con una media
del número de casa de 10,61. Quedando así visible que la intuición y lo real es
parecido, con lo cual no se diferencia mucho la realidad de la moneda que nosotros
imaginariamente tirábamos [Alumno AV].
También se presentaron estudiantes que únicamente se enfocaron a la

variabilidad, sin tomar en cuenta las medidas de tendencia central. En su mayoría, estos
estudiantes hicieron un gráfico que representa el listado de resultados individuales sin
formar la distribución. Como el alumno MM, que reconoce la diferencia de dispersión
en las distribuciones, pero interpreta la pregunta del problema como la búsqueda de
diferencias entre las intuiciones de los estudiantes y eso hace que no pueda concretar
una conclusión sobre las intuiciones del grupo. Su siguiente conclusión se basa en el
análisis de su gráfico que representa el listado de resultados individuales:
Realmente las intuiciones de los alumnos han sido más o menos muy parecidas. No
hay muchas irregularidades. Pero cuando las comparamos con sus secuencias reales,
se puede ver a simple vista en el gráfico que existen grandes irregularidades. En la
secuencia real el número máximo de caras es 16 y el mínimo 7, sin embargo en la
simulada el máximo es 13 y el mínimo 8; su recorrido es más pequeño que el real
[Alumno MM].
Concluye que las intuiciones son similares en distintos estudiantes, con lo cual
se observa que aprecia la poca variabilidad existente en el número de caras. También
nota la diferencia entre la distribución del número de caras de las secuencias simuladas
y reales. Es decir, es capaz de percibir la diferencia de variabilidad y entre máximos y
mínimos en su gráfica, pero no llega a relacionar estas diferencias de los resultados de
412
los experimentos con las intuiciones globales de los estudiantes sobre las características
del fenómeno aleatorio. Para el tipo de gráfico que este estudiante hizo, su
interpretación es correcta, sin embargo, no asoció la diferencia de dispersión en las
distribuciones real y simulada con una pobre intuición sobre la variabilidad aleatoria en
los estudiantes. Es decir, no pudo descontextualizar la matemática en términos del
contexto del problema.
También se presentó que a pesar de comparar correctamente el promedio y la
dispersión para las tres variables, se produce un error de comprensión del significado de
la medida de dispersión que ocasiona que no se llegue a una conclusión correcta. En el
caso que sigue, aun cuando el estudiante aprecia la igualdad de medias y diferencia de
rangos, le atribuye la diferencia de rangos a la representatividad de la media en lugar de
a la mayor variabilidad de los datos. Por otro lado, supone que los rangos son iguales, a
pesar de la diferencia que nota en las desviaciones típicas.
Las intuiciones de los estudiantes han sido bastante acertadas. Se ha llegado a esta
conclusión analizando las 3 variables en las secuencias real y simulada. Analizando el
nº de caras observamos que los resultados obtenidos de la moda, la mediana y la
media coinciden prácticamente. El rango de la secuencia simulada permite apreciar
más uniformidad en la media que en la secuencia real donde el rango es 9. A pesar de
ello en ambas desviaciones típicas se ve una gran representatividad de los valores de
las medias ya que están muy próximas a cero [Alumna ER; quien comenta en forma
parecida las otras dos variables].
Como se ha comentado, los estudiantes tienen poca capacidad de comunicación

verbal y a veces hacen uso no adecuado de las expresiones matemáticas. Nuestro último
ejemplo en la emisión de conclusiones parcialmente correctas, muestra imprecisión del
lenguaje, lo que no le ayuda a obtener una conclusión certera:
Hemos encontrado que tras realizar las gráficas correspondiente al experimento,

llegamos a la conclusión de que la tabla de experiencia simulada tiene un número de
valores más parecidos entre ellos que los de las tablas reales, donde los números son
más diversos. Consideramos entonces que nuestra imaginación tiene limitaciones, ya
que nos imaginamos cosas que no son esperadas [Alumno AR].
Este estudiante hace referencia a las limitaciones de las intuiciones (las llama
«imaginación») con lo que relaciona el análisis de datos con las intuiciones de la clase.
Por lo tanto no sólo fue capaz de detectar la diferencia en variabilidad de las dos
distribuciones que compara sino también de contextualizar e interpretar estos resultados
en términos de la pregunta pedida. Su respuesta es sólo parcialmente correcta porque no
hace referencia a los promedios, únicamente a la dispersión y con un lenguaje muy
impreciso.
413
Estudiantes que concluyen correctamente

Solo cuatro estudiantes concluyen sobre la diferencia en dispersión en las dos
distribuciones del número de caras, número de rachas y longitud de la racha más larga,
lo cual coincide con los resultados de Arteaga (2011). A continuación reproducimos la
respuesta de uno de ellos:
En el estudio estadístico comparativo que se hizo entre las secuencias se demostró que
sí hay varias diferencias entre una secuencia simulada y una inventada. En cuanto a los
promedios, el número de caras simulados fueron muy parecidos a los reales. Esto
indica que en esto la intuición humana sobre el lanzamiento de moneda es muy similar
a la realidad. Sin embargo el número de rachas en la secuencia inventada es más alto.
Finalmente, el valor de la racha más larga fue el más distante. En cuanto la variación
típica, los valores de la secuencia inventada son considerablemente menores en los tres
casos (# de caras, # de rachas y racha más larga) en relación a la secuencia real.
[Alumno RB].
Así mismo, dos de los estudiantes interpretaron correctamente cada una de las
variables y añadieron una explicación del porqué de sus resultados. Este ejemplo,
aunque con un lenguaje poco preciso, evidencia un cambio en la concepción del azar:
Las diferencias entre la secuencia real y simulada [encontradas en el análisis

estadístico] han advertido sobre los errores que en la secuencia simulada han llevado a
cabo los alumnos. Esto debido a que priorizamos lo que creemos que puede pasar, es
decir, … los alumnos han pensado que algo no se podía repetir muchas veces [se
refiere a la longitud de las rachas] pero en el azar se evidencia todo lo contrario
[Alumna LAE].
Esta estudiante manifiesta no sólo un buen manejo estadístico sino una mejor
comprensión del contexto del problema en el que lo aplicó. Es decir, el análisis que
realizó le sirvió para conocer (en un sentido probabilístico) las intuiciones que tienen
los seres humanos sobre el azar.
Aunque son sólo estos cuatro estudiantes los que concluyeron en forma correcta
todo el ciclo de modelación en el proyecto, hemos visto que otros 26 lo concluyen en
forma parcial; bien porque se conforman con analizar la intuición respecto a la
tendencia central del número de caras (caso más frecuente); porque no apreciaron la
diferencia de dispersión o de promedio; o porque apreciándola, no quieren reconocer
que sus intuiciones son incorrectas. En todo caso, estos estudiantes mostraron un buen
razonamiento estadístico a lo largo de la actividad, aunque esto sólo se observó poco
más de la cuarta parte de la muestra (27%). Lo que indica que hay una necesidad fuerte
de preparar a los estudiantes para el trabajo con variables estadísticas y aleatorias en
actividades de modelación a través de la aplicación de proyectos.
414
7.4.6. Discusión de los resultados obtenidos en el objeto Ciclo de

Modelación
De manera general, podemos decir que fueron la minoría de los estudiantes de nuestro
estudio los que lograron completar el ciclo de modelación, puesto aunque todos
realizaron los primeros pasos y algún tipo de trabajo matemático con las distribuciones,
pocos lograron llegar al último punto. Es decir, no lograron interpretar en el contexto
del problema y tuvieron un desempeño pobre en su conclusión sobre las intuiciones de
la aleatoriedad. Estos resultados confirman los de Arteaga (2011).
Llama la atención que un número importante de estudiantes que intentaron
comparar las distribuciones de las distintas variables (aunque algunos lo hicieron mal y
sólo algunos para las tres variables), pocos emitieron una conclusión al menos
parcialmente correcta sobre las intuiciones del azar de los estudiantes del grupo. Esto
nos indica que hubo una comprensión parcial del objetivo del proyecto pero pocos
completaron las conclusiones que podrían extraerse del objetivo del análisis estadístico.
Para que un estudiante pudiera emitir la conclusión esperada sobre las
intuiciones de la aleatoriedad, no bastaba con que comprendiera que se tenía que
construir un modelo matemático o aceptara los propuestos por el profesor, ni que hiciera
un trabajo estadístico con el modelo o realizara la comparación entre las variables de las
secuencias reales y las simuladas. También era necesario comprender la vinculación
entre las variables estadísticas y aleatorias con el experimento aleatorio en juego y cómo
permiten responder la pregunta planteada sobre las intuiciones. Esto es, se debe vincular
las variables aleatorias con el objetivo del proyecto.
Esta desconexión en la emisión de las conclusiones, puede deberse a la
incomprensión en la definición de las variables. Es decir, el último paso de la
modelación (interpretación de la realidad) está condicionado por el segundo paso
(simplificación de la realidad), en donde, elegido un experimento para recolectar los
datos, hay que definir las variables aleatorias que permitirán extraer la información
valiosa del resultado del experimento (una secuencia) para evaluar la aleatoriedad de la
secuencia.
En nuestro estudio, como observamos en el Punto 7.4.2, en un inicio, los
estudiantes sólo proponen el número de caras para analizar los resultados del
experimento aleatorio y las otras variables les fueron sugeridas por el profesor. Éstas
surgieron en interacción con la clase, bajo la motivación del número de secuencias que
se podían obtener con un mismo número de caras pero en distinto orden y resaltando
que el orden también era importante. Además se recurrió a trabajar con otros ejemplos
415
semejantes, como el nacimiento de varones en una familia y la posibilidad de tener dos

o tres o cuatro seguidos.
Sin embargo, la variable con la que los estudiantes privilegiaron trabajar fue con
el número de caras (resultado en el que concordamos con Arteaga, 2011). Así mismo,
algunos estudiantes propusieron la variable número de cruces, a pesar de que realmente
no es necesaria para el análisis, pero que también es una variable con la que el
estudiante tiene más familiaridad que las propuestas por el profesor. Esto, en su
conjunto, nos hace deducir que la variable con la que prefieren trabajar es con aquella
que les resulta más familiar y por lo tanto, muchos de ellos restringieron su análisis a
ella, ignorando el resto de las variables y la vinculación de todas ellas con la pregunta
del proyecto.
Podemos inferir que, vinculando con los resultados obtenidos en la emisión de
conclusiones, no se comprendió por qué se definieron esas dos variables, cuál era su
importancia en la evaluación de aleatoriedad de una secuencia y por qué tenían que ser
tres variables y no sólo una (el número de caras), a pesar de que el profesor trató de
hacer palpable su relación. Esto influyó en que los estudiantes finalmente no pudieran
concluir haciendo uso de su trabajo previo, puesto que no pudieran contextualizar su
trabajo matemático, lo cual se observó precisamente en las variables vinculadas con las
rachas, que fueron las que menos compararon.
En la simplificación de la realidad (primer estrato de modelación, Figura 6.26),
los estudiantes necesitan comprender que las variables permiten descontextualizar los
resultados del experimento, pero también de qué manera responden a la pregunta (o
problema) planteada. El hecho de que, en su mayoría, los estudiantes hayan trabajado
con los valores de la variable y hayan podido conformar la distribución de frecuencias
no es indicador de que los estudiantes hayan comprendido el porqué de la definición de
las variables.
La aparente «falta de cuestionamiento» en la obtención de los valores de la
variable estadística a partir de los resultados del experimento aleatorio durante ese
primer estrato de modelación puede ser otro efecto del contrato didáctico establecido
con su profesor o a que el estudiante simplemente efectuó el proceso mecánicamente sin
detenerse a pensar en porqué eran esas variables y no otras. Este problema coincide con
los resultados encontrados en el Estudio 3 (Capítulo 5) de nuestra investigación en
donde también se encontraron dificultades en retornar a la «realidad» en el primer
estrato de modelación.
Wild y Pfannkuch, (1999) afirman que las primeras etapas de la modelación
están conducidas por el conocimiento del contexto y en nuestra investigación notamos
416
que éste condiciona también otras etapas de la modelación. Si el estudiante no es capaz

de comprender plenamente la simplificación de la realidad a través de las variables, eso
mermará sus conclusiones y por lo tanto, el sentido del análisis estadístico. Sostenemos
entonces, que el paso 2 amerita mayor importancia para que nuestros estudiantes puedan
completar el ciclo de modelación y lograr un razonamiento estadístico.
También observamos que, de manera general, los estudiantes se dejan influir por
su conocimiento del contexto (que, en este caso, se reduce sus creencias sobre la
aleatoriedad descritas en el apartado 7.1) más que por su análisis estadístico para
interpretar sus resultados. En este sentido, se comportan de manera diferente al efectuar
la comparación de las variables vinculadas con las secuencias reales y simuladas, que
muchos lo hicieron de forma correcta, y al emitir sus conclusiones, que pocos
finalizaron y donde se dejaron llevar más por sus creencias individuales (Punto 7.1.1).
Así, algunos estudiantes mostraron sus creencias sobre la forma en que se comporta una
sucesión de resultados aleatorios al lanzar 20 veces una moneda, tanto al inventar
secuencias como en la interpretación de sus resultados en la comparación de los
estadísticos de las secuencias simuladas y reales.
Aunque de manera general los estudiantes presentan diversos cálculos
estadísticos, ellos prefieren hacer uso únicamente de las medidas de tendencia central
para la comparación de distribuciones, cosa que, en general hacen bien. En cambio, el
rango, que es la medida de variación más calculada, es poco socorrida para esa
comparación, y, en general, el desempeño de los estudiantes es medio en ella. Esto
concuerda con el modelo obtenido en las variables vinculadas a la secuencia simulada
(punto 7.1.2), que indica una familiaridad de los estudiantes con la esperanza del
número de caras, descuidando la variabilidad. Otro número importante de estudiantes,
en cambio, simplemente ignoraron el análisis estadístico para emitir sus conclusiones de
acuerdo a sus creencias individuales (Punto 7.1.1).
El contrato didáctico también jugó un papel importante en que los estudiantes no
completen el ciclo de modelación, puesto que muchos gráficos, tablas y estadísticos e
incluso algunas interpretaciones y conclusiones se añaden al reporte sólo como una
manera de cumplir con la tarea asignada sin percatarse de la importancia de ellos en su
análisis o sin comprender cuál es su papel dentro de la respuesta a la pregunta del
proyecto.
Todos estos puntos nos ponen en una alerta sobre lo que hay que observar en la
realización del proyecto, puesto que aunque alrededor de la cuarta parte de los alumnos
participantes en el estudio pudieron transitar por todas las etapas de la modelación y una
417
gran mayoría sí realizaron las comparaciones, se detectaron diversos errores y muy

pocos llegaron a conclusiones certeras.

El objetivo del proyecto planteado fue evaluar la comprensión de la variable aleatoria y
la forma en que los estudiantes la vinculan con otros objetos matemáticos en una
actividad de modelación en la que está implicada la realización de inferencias
estadísticas informales (Rossman, 2008). Como perspectiva complementaria a la
anterior, también estamos interesados en recopilar información sobre la forma en cómo
los estudiantes recorren las diferentes fases del ciclo de modelación propuesto por
Dantal (1997) y haciendo consideración al modelo de investigación propuesto por Wild
y Pfannkuch (1999). En las conclusiones primeramente confrontamos las hipótesis
planeadas con los resultados obtenidos y después concluiremos analizamos la idoneidad
del proyecto para cumplir el objetivo planteado.
8.1. Confrontación de los resultados con las hipótesis

En el punto 6 de este capítulo se plantearon las hipótesis sobre lo que
esperábamos encontrar en las producciones escritas de los estudiantes sobre el proyecto
planteado, que se discuten a continuación.
Comprensión e intuiciones sobre la idea de aleatoriedad

La evaluación de las intuiciones sobre el azar se realizó a través del análisis de
los argumentos que algunos estudiantes, espontáneamente incluyeron en sus informes y
de un análisis estadístico completo de los datos de los experimentos realizados por los
estudiantes. Como resultado, se obtuvieron ejemplos de las siguientes concepciones,
muchas parcialmente correctas. La mayoría también aparecieron en el trabajo de
Serrano (1999) o en momentos históricos de desarrollo del concepto descritos en Bennet
(1998):
 Aleatoriedad como impredecibilidad: es aleatorio aquello que no se puede
predecir. Aunque esta idea es correcta, a veces se lleva al límite de
considerar que tampoco se puede predecir la distribución de una variable
aleatoria. Un fenómeno relacionado con esta creencia es el enfoque en el
resultado aislado, descrito por Konold (1989).
 Aleatoriedad como falta de control: es aleatorio aquello que no se puede
controlar. Por el contrario, algunos estudiantes piensan que sería posible,
bien por inteligencia, conocimiento de los factores o suerte controlar el
fenómeno aleatorio, mostrando la ilusión de control (Langer, 1975).
418
 Aleatoriedad como ausencia de causas, como un tipo especial de causa o

como causa desconocida (ignorancia).
 Diferencia entre proceso y resultado aleatorio. Aunque un proceso se puede
considerar aleatorio a priori es sólo mediante el análisis estadístico (a
posteriori) de la secuencia de resultados que se puede confirmar la
aleatoriedad.
 Aleatoriedad como equiprobabilidad: un suceso es aleatorio si es
equiprobable. Esta creencia lleva en ocasiones al sesgo de equiprobabilidad
(Lecoutre, 1992).
 Aleatoriedad como variabilidad: aleatorio es equivalente a que varía.
Aunque de acuerdo a Wild y Pfannkuch (1999) la percepción de la
variabilidad es parte del razonamiento estadístico, esta creencia no es
totalmente cierta pues hay variabilidad de tipo determinista (relacionada con
la razón de cambio en una función). La variabilidad aleatoria a veces
también se puede reducir por medio de la determinación de los factores que
la afectan.
 Aleatoriedad como falta de modelo. Aunque esta concepción está en la base
de la definición de aleatoriedad de algunos matemáticos (como Von Mises,
1756, y Kolmogorov, 1956), muchos estudiosos de la aleatoriedad subjetiva
(Green, 1982; Konold 1989; Batanero y Serrano, 1995) que argumentan que
es necesario considerarla como una multiplicidad de modelos. Existen
también, diversos estudios probabilísticos que analizan la aleatoriedad a
través de diversos modelos (Beltrami, 1999).
Esta variabilidad y riqueza de ideas sobre la aleatoriedad podría ser explotada en

la clase por parte del profesor para hacer evolucionar a los estudiantes hacia una
concepción más completa de lo que es aleatoriedad como modelo matemático del
cálculo de probabilidades (Batanero y Serrano, 1999). Esta posibilidad se hace
indispensable cuando observamos lo sutil que es la diferencia entre una buena y mala
concepción de aleatoriedad en cada una de esas concepciones. El proyecto propuesto a
los alumnos y analizado en este capítulo puede ser una buena forma de introducir esta
necesaria discusión.
El foco principal de nuestra investigación no se centró en el concepto de
aleatoriedad, sin embargo éste es el contexto del análisis de los estudiantes en el
proyecto y uno de los objetivos de aprendizaje del mismo proyecto. Observamos la
forma en cómo el estudiante concibe y evalúa la aleatoriedad y también cómo ambas
perspectivas se retroalimentan. El análisis de las concepciones individuales y globales
419
del grupo sobre aleatoriedad proporcionó información que pudimos vincular con la
forma en que los estudiantes analizaron las variables estadísticas, así como la forma en
que a partir de éstas realizan inferencias sobre las variables aleatorias. Así, coincidimos
con Makar, Bakker y Ben-Zvi (2011) sobre la importancia del conocimiento del
contexto y que es necesario darle mayor énfasis a éste en las clases de estadística.
Uso de variables estadísticas y su distribución

La mayoría de los estudiantes espontáneamente llegó a formar la distribución de las
variables estadísticas bajo estudio; sólo 7 estudiantes trabajan con sus propios datos, y
15 más usan las variables sin llegar a formar la distribución, trabajando con un listado
de los valores correspondientes a las mismas.
De manera general, los alumnos lograron establecer la distribución de las
variables ya sea por medio de tablas (55%) y gráficos (70%) o ambos (80%),
predominando los gráficos de distintos tipos. El uso de la variable «número de caras»
fue mucho más intuitivo que las variables relacionadas con las rachas; sin embargo
todos los que construyen tablas las construyen para las tres variables en el estudio; todos
los que construyen gráficos los hacen para la variable «número de caras» y el 70% de
ellos para alguna o las otras dos variables.
También la mayoría de los estudiantes calculó algún estadístico, principalmente
estadísticos de posición central (media, mediana y moda) y en menor medida de
dispersión. Esto es un indicador de la comprensión alcanzada de la distribución de
acuerdo con Shaughnessy (2007). Por otro lado, la mayoría de los estudiantes trabajó
con frecuencias absolutas (y no con relativa) en sus tablas y al comparar las
distribuciones. La tarea no requería el uso de frecuencias relativas, por lo que no se ha
podido observar si alcanzan el segundo de los niveles de comprensión de distribución
definido por Watson (2001).
Representación de las distribuciones

Aunque sólo seis alumnos construyen una tabla conjunta para dos de las
variables del estudio, 25 alumnos son capaces de construir un gráfico conjunto para las
dos distribuciones; lo que implica una mejor comprensión del gráfico que de la tabla por
parte de los alumnos.
En los gráficos construidos, la mayoría llega a formar la distribución, aunque
aproximadamente la mitad de los gráficos tienen algún error. Respecto a la
interpretación de gráficos, la cuarta parte de los estudiantes que realiza gráfico se limita
a presentarlos sin hacer comentarios sobre los mismos, pensamos que por efecto del
contrato didáctico. Un 42% de los que construyen gráfico los interpretan pero cometen
420
algún error o bien hacen una interpretación incompleta que no permite llegar a una
conclusión completa sobre el problema y el resto hacen una buena interpretación del
gráfico. Estos resultados coinciden con los encontrados por Arteaga (2011).
Uso de promedios y dispersión

El cálculo de estadísticos es en general correcto, con pocas excepciones, aunque
también aparecen algunos de los errores descritos por Cobo (2003) o Mayén (2009); por
ejemplo, no ponderar en el cálculo de la media ponderada o no ordenar los datos para
calcular la mediana pero con mucha menor frecuencia que en aquel estudio. Si los
estadísticos de dispersión, son calculados, lo son correctamente. Apenas aparecen
errores en el cálculo de estos estadísticos.
Aunque todos los estudiantes presentaron medidas de centralización, la mayoría
de ellos se limitó a calcularlas, pero no las interpretó ni las usó para la comparación de
las variables en el estudio, por lo que parece que no alcanzan los niveles superiores de
comprensión de la distribución en la clasificación de Bakker y Gravemeijer (2004). Sin
embargo, en caso de compararlas, la comparación es correcta, lo que implica una buena
comprensión del significado de la media y moda (apenas se usa la mediana). Pensamos,
entonces, que el hecho de presentar los estadísticos sin interpretarlos es un efecto del
contrato didáctico, puesto que en realidad no comprenden para qué necesitan
calcularlos. En gran parte esto es debido a que están poco acostumbrados al trabajo con
proyectos abiertos en la clase de estadística.
La idea de dispersión es menos expuesta que la de centralización. Aunque el
cálculo del rango, en general, lo hacen correctamente, los alumnos no llegan a captar el
significado de la dispersión ni su utilidad en la comparación de dos distribuciones. La
desviación estándar o varianza sólo fue usada por unos cuantos alumnos y no fue
interpretada.
Uso de la variable aleatoria

Aunque no se pidió explícitamente, algunos alumnos hacen referencia explícita
a las variables aleatorias en juego en el estudio. Otros relacionan la variable con la
aleatoriedad del experimento y la dificultad de predecir sus valores cuando hacen
referencia al azar o al resultado del experimento, es decir ven el valor de la variable
como el resultado de un experimento aleatorio, lo cual coincide con la propuesta de
Parzen (1971).
Esto se observó como una ventaja en la entrevista clínica puesto que favoreció
que los estudiantes vieran el resultado de aplicar la variable aleatoria o estadística, como
un resultado del primer estrato de modelación y por tanto como la «realidad» del
421
segundo estrato. Sin embargo, en ambos estudios también se percibió una dificultad
posterior, al tratar de interpretar los resultados estadísticos en el contexto del problema.
Ante esta dificultad, los estudiantes recurren a su conocimiento del contexto (en este
caso a sus creencias sobre aleatoriedad) para tratar de solventar este hueco en el tránsito
hacia la realidad para contestar la pregunta del proyecto. Dos de las dificultades más
importantes puestas en juego en este sentido son las creencias de la aleatoriedad como
enfoque aislado, falta de control o ausencia de modelos, que hacen que los estudiantes
tiendan a una visión determinista, invalidando los resultados obtenidos en el análisis
estadístico como conocimiento en sí mismo. Bajo estos enfoques, los estudiantes no
pueden ir más allá de sus datos, que en ocasiones se reducen a los suyos propios.
La dificultad de contextualizar está vinculada con la aplicación inversa de las
variables, es decir, con el proceso inverso en el primer estrato de modelación. En este
estudio, se vinculó con la incomprensión del papel de las variables para responder la
pregunta del proyecto. En este sentido, coincidimos con Chaput, B., Girard, J. C. y
Henry, M. (2011) quienes resaltan la importancia de que el estudiante comprenda el
resultado del primer estrato de modelación como un modelo pseudoconcreto12, puesto
que esto evitaría dificultades en la interpretación de los resultados en el contexto
(realidad, desde su propuesta).
Otras veces la referencia al uso de la variable aleatoria es implícita, al hablar de
las probabilidades o posibilidades de algunos valores, o de los valores posibles de la
variable y no sólo de los resultados en el experimento. En estos razonamientos se
observa una puesta en relación de variable estadística y aleatoria, es decir, la realización
de una inferencia informal (Zieffler, Garfield, Delmas y Reading, 2008).
En algunos casos los estudiantes aluden a la probabilidad de algunos valores de
las variables analizadas, que estiman a partir de las frecuencias obtenidas en los
experimentos, aplicando una concepción frecuencial de la probabilidad. Ligan también
en sus razonamientos la variable aleatoria que corresponde a una variable estadística
dada y su distribución de probabilidad o la probabilidad de algunos de sus valores
aislados con la distribución de frecuencia obtenida, mediante una inferencia de tipo
informal.
Son bastantes los que explicitan el valor esperado de la distribución binomial (10
caras en 20 experimentos) apoyándose en la equiprobabilidad de los resultados y el
número de ensayos (que serían los parámetros de la distribución binomial). En casos
aislados hay una referencia a la convergencia (de la distribución de frecuencias a la
12
El modelo de Henry (1997), retomado por Chaput, Girad y Henry (2011), está descrito en la sección 9.4
del Capítulo 3. Lo que para Henry es un modelo pseudo-concreto para nosotros (acordes con Wild y
Pfannkuch, 1999) es un modelo y adopta el papel de «realidad» en el siguiente estrato de modelación.
422
distribución de probabilidad). También en pocos casos se hizo patente que la variable

era cuantitativa.
Ciclo de modelación
En el proyecto se pretendió que los estudiantes completaran un ciclo de
modelación (Dantal, 1997). Sumergimos al estudiante en una situación aleatoria de la
que él mismo formaba parte al proponerles evaluar sus propias concepciones del azar y
llevar a cabo un experimento aleatorio real para confrontarse. Durante la discusión
inicial con el profesor, en la que los estudiantes participaron activamente expresando
sus ideas sobre cómo se manifiesta el azar y sus concepciones de la aleatoriedad, hubo
una aceptación general de la pregunta planteada y del experimento aleatorio. Sin
embargo, el análisis completo de los reportes de los estudiantes dejó entrever que
algunos estudiantes no manejaron intuitivamente el experimento aleatorio compuesto
por 20 lanzamientos de la moneda. Esto trajo como consecuencia que su análisis se
restringiera a la variable «cara o cruz» o bien a cálculos erróneos en las variables
vinculadas con las rachas. Eso resulta comprensible, puesto que lo que se está
evaluando es la aleatoriedad del lanzamiento de una moneda, pero para poder hacerlo se
recurre a analizar secuencias de 20 resultados de ella. El planteamiento de un
experimento aleatorio compuesto es, por tanto, un recurso teórico difícil de comprender.
El segundo paso del ciclo, simplificar la realidad, surgió a partir de una
discusión grupal en la cual una de las variables es espontáneamente sugerida por
algunos estudiantes, estudiar el número de caras o cruces. Ellos también propusieron la
equiprobabilidad de caras y cruces en el experimento simple. Otra parte, en cambio, el
estudio de las rachas, es básicamente sugerida por el profesor, lo cual, como es sabido,
no garantiza la comprensión de su propósito en el análisis.
En su totalidad, los estudiantes hicieron uso de las variables, cuyos valores
sustituyeron el resultado del experimento aleatorio, e incluso los llegaron a tratar como
el resultado de su experimento aleatorio. Sin embargo, una gran parte de los estudiantes
no comprendieron la necesidad del estudio de las tres variables en su conjunto, ni su
relación con el proyecto en su totalidad, puesto que en su mayoría, aunque hicieron un
análisis estadístico, no llegaron a sacar conclusiones de las mismas ni a hacer uso de
ellas para responder la pregunta del proyecto. Por lo tanto, creemos que gran parte de la
aplicación de las variables al resultado de su experimento, fue solamente la aplicación
de reglas (contar el número de caras o de rachas u observar la longitud de la racha más
423
larga) sin comprender su sentido en el contexto del problema.

En su mayoría, los estudiantes ignoraron el análisis de las variables vinculadas
con las rachas, por lo que también es posible que sus intuiciones incorrectas sobre las
rachas (en general, esperaban rachas cortas) de estos estudiantes, les llevara a ignorar
los datos del análisis que contradecían dichas intuiciones.
A partir de la definición de las variables, los estudiantes continúan el ciclo de
modelación por sí mismos, construyendo sus tablas o gráficos y realizando un proceso
de transnumeración (Wild y Pfannkuch, 1999). En su totalidad, fueron capaces de
construir la distribución. Definieron y trabajaron con modelos matemáticos propuestos
por ellos, lo cual nos permitió observar diversos tipos de tablas, gráficos y estadísticos.
El cálculo de estadísticos, en general, fue correcto, con pocas excepciones. En los
gráficos, sin embargo, se presentó una mayor dificultad, en cambio, la elaboración de
tablas fue mucho más sencilla para ellos.
Respecto al lenguaje matemático, muchos alumnos muestran un buen
conocimiento y uso de las fórmulas, e incluso de las fórmulas de cálculo abreviado y la
disposición auxiliar para realizar los cálculos. Sin embargo, el uso de los símbolos
matemáticos varía en formalización y su lenguaje verbal es muy impreciso. Falta
competencia en comunicación verbal en los estudiantes.
El paso último en el proceso de modelación (interpretación del modelo
matemático con la realidad) fue la más difícil, pues para los estudiantes fue más sencillo
descontextualizar (pasar del problema a la matemática) que el proceso inverso
(contextualizar de nuevo), hecho que también se observó en la entrevista y está
vinculado con que la modelación sigue un proceso estratificado. Muchos estudiantes no
vieron las implicaciones del análisis estadístico sobre las intuiciones de los estudiantes,
es decir, no comprendieron cómo se relacionaban las variables con la evaluación de la
aleatoriedad de las secuencias por lo que les fue difícil regresar al contexto. En otros
casos sus propias intuiciones incorrectas (y el no querer aceptarlas como incorrectas) les
llevaron a pensar que habían obtenido resultados en los que parecía que su modelo
estadístico no era adecuado, puesto que habían realizado un experimento aleatorio, «por
azar», en el que cualquier cosa podía ocurrir. En otros, su falta capacidad de análisis
(capacidad de trabajo con el modelo matemático) para detectar las diferencias, los llevó
a concluir que los resultados en las dos secuencias son similares. Esto último
principalmente debido a la falta de interpretación de las medidas de dispersión.
424
Otras dificultades de los estudiantes

Además de los puntos señalados, se han observado dificultades particulares que
también aparecieron en la entrevista clínica, de lo que se deduce que podrían aparecer
en otras situaciones de trabajo con la variable aleatoria:
 Confusión entre frecuencias absolutas y relativas, que apareció en la
entrevista clínica y también en la tesis de Cobo (2003), Mayen (2009) y
Contreras (2011), donde algunos estudiantes confunden la probabilidad con
los casos favorables. Desde nuestra perspectiva de modelación, esto es
producto de la dificultad de visualizar la frecuencia relativa como un modelo
matemático a partir de la realidad.
 Confusión entre valor de la variable y frecuencia, que también apareció en
la entrevista clínica y en las investigaciones de Cobo (2003), Mayén (2009)
y Arteaga (2011). Ello implica falta de diferenciación entre una variable
dependiente e independiente en la distribución de frecuencias. Este problema
también se vincula con el primer estrato de modelación de la situación
estudiada desde nuestra perspectiva de modelación.
 La necesidad de comparar las distribuciones de las variables estadísticas de
las secuencias simuladas y reales provoca que algunos estudiantes extiendan
el rango de las variables en sus gráficos. Este proceso, que facilita la
comparación visual, también hizo que algunos estudiantes se dejaran llevar
por la apariencia errónea de que los rangos de ambas variables son iguales.
También hubo personas que, al calcular el rango, usaron el mínimo y
máximo del conjunto de valores de las dos variables estadísticas, es decir, no
diferenciaron las distintas poblaciones que están interviniendo en el estudio y
asociaron un solo rango a un par de distribuciones (y no a una sola). Ambos
procesos son diferentes porque en el segundo, el cálculo lo hacen a partir de
la tabla, en cambio en el primero hacen uso de los gráficos. El rango podría
ser mayor en el primero si se percataron de todos los valores posibles que
podía adoptar la variable y los añadieron a su gráfico. Estos errores
dificultarán, posteriormente, la comparación de la dispersión de las dos
distribuciones, que tendrían, bajo estos razonamientos, la misma
variabilidad.
 Al tratar de relacionar la variable estadística y aleatoria mediante una
inferencia informal, los estudiantes a veces confunden los valores posibles
de la variable aleatoria con los datos (valores que han resultado en la
variable estadística). Es decir, no diferencian los datos empíricos del modelo
425
teórico.
 Los estudiantes tienen muchos errores en la construcción de gráficos,
repitiéndose los descritos en Arteaga (2011); en particular son muy
frecuentes los errores en las escalas, pero también la elección de un gráfico
inadecuado o la representación de variables no comparables en los gráficos.
8.2. Idoneidad del proyecto

El proyecto fue tomado de investigaciones anteriores, porque pensamos que era
especialmente adecuado para nuestro trabajo.
A continuación se analiza la idoneidad didáctica del proyecto como articulación
de los cinco componentes que definen Godino, Wilhelmi y Bencomo (2005) y Godino,
Contreras y Font (2006): idoneidad epistémica, cognitiva, interaccional, mediacional y
emocional.
 Idoneidad epistémica. El proyecto permitió el trabajo de los estudiantes con
el concepto de aleatoriedad, un experimento aleatorio particular y la
definición de tres pares de variables aleatorias. Puesto que no estaban
preparados suficientemente en cálculo de probabilidades, se estudiaron
dichas variables a través de las correspondientes variables estadísticas. Ello
hizo que los estudiantes trabajaran con distribuciones de frecuencias, sus
representaciones tabulares y gráficas, sus medidas de tendencia central y su
dispersión. Así mismo se involucraron en un ciclo completo de modelación,
incluyendo la realización de inferencias informales para poder obtener
conclusiones sobre las variables aleatorias a partir del trabajo con las
variables estadísticas.
 Idoneidad cognitiva. La situación moviliza el aprendizaje de los estudiantes,
quienes expresan y reflexionan sobre sus ideas respecto a la aleatoriedad y
eventualmente las mejoran. Los estudiantes también recogieron datos de un
experimento y los analizaron utilizando tablas, gráficos y resúmenes
estadísticos. Pensaron en términos de probabilidades y esperanza y se
involucraron en la realización de un proyecto estadístico. También vieron la
utilidad de la estadística para analizar situaciones aleatorias. Tratándose de
una tarea abierta, el aprendizaje fue variable, dependiendo del estudiante, sin
embargo el trabajo recopilado nos indica que el proyecto estuvo dentro de
sus capacidades.
 Idoneidad interaccional. La situación problema se conjugó con la
complicación de un proceso completo de investigación estadística que los
426
estudiantes pudieron abordar con ayuda del profesor. Las variables aleatorias
y estadísticas surgieron de una forma contextualizada, aunque no se pudieron
comprender del todo bien. El interés por comprobar cómo eran sus
intuiciones provocó la devolución del problema a los alumnos, a la vez, el
debate. Su argumentación al responder las preguntas planteadas sirve para
explicitar sus concepciones, dificultades y estrategias. Lo que permitió
explorar sus concepciones, dificultades y estrategias, así como poner en
juego sus concepciones matemáticas en diversos aspectos. Sin embargo no
se logró del todo que aceptasen los resultados del análisis de datos, lo que
hizo que los estudiantes le restaran importancia a su propio trabajo
matemático y estadístico y prevalecieran sus creencias sobre la aleatoriedad
en sus conclusiones (Makar, Bakker, Ben-Zvi, 2011).
 Idoneidad mediacional. La puesta a punto de la situación requirió pocos
medios, únicamente papel y lápiz y el pizarrón, y una moneda para cada
estudiante, así como hojas para registrar los datos. Aunque algunos
estudiantes utilizaron la hoja Excel para realizar sus análisis, no siempre fue
bueno, pues algunos que la utilizaron añadieron nuevos errores provocados
por el software.
 Idoneidad emocional: La situación fue interesante para los estudiantes,
quienes estuvieron interesados por saber cómo eran sus intuiciones y
trabajaron con gran interés en producir sus informes. Pensamos que se
consigue la devolución del problema a las estudiantes, quienes incluso llegan
a pensar en un momento de que no se trata de un problema matemático y la
llegaron a tratar como una situación a-didáctica. Ello indica una alta
idoneidad emocional del proyecto.
En resumen, los puntos anteriores indican una idoneidad razonable del proyecto,
tanto como instrumento de evaluación (como lo hemos usado en el trabajo), como con
fines didácticos.
427
428

ÍNDICE DE CONCLUSIONES

2. Sobre los estudios epistemológicos, 432
3. Sobre los estudios cognitivos, 438
4. Aportaciones y limitaciones de la investigación, 445
5. Algunas ideas para investigaciones futuras, 447
1. Introducción
En esta Tesis hemos realizado un acercamiento hacia la variable aleatoria mediante dos
estudios de tipo epistemológico (descrito en los Capítulos 3 y 4) y otros dos de carácter
cognitivo (Capítulos 5 y 6). Previamente se ha justificado el interés de centrarnos en
este objeto matemático, sustentándonos en tres consideraciones principales: (a) su
carácter de idea fundamental en estadística, sugerido por Heitele (1975), quien
considera que puede ser enseñada con diferentes grados de complejidad a lo largo de
todo el currículo escolar; (b) las dificultades previsibles de los estudiantes, puesto que el
estudio de la variable aleatoria y su distribución está ligado a la comprensión de otros
objetos matemáticos (Reading y Canada, 2011); (c) la escasez de investigaciones
previas, pues este objeto matemático apenas ha recibido atención desde la investigación
didáctica.
La investigación se ha apoyado como marco teórico principal de la Teoría de
Situaciones (Brousseau, 1986, 1997) y, como consecuencia, metodológicamente,
hacemos uso de la ingeniería didáctica (Artigue, 1995a). Más concretamente, se
pretende producir información dentro del análisis preliminar previo al diseño de
situaciones didácticas en los componentes epistemológicos y cognitivos de dicho
análisis preliminar. La recogida de datos en los estudios empíricos ha requerido una
experimentación exploratoria de dos situaciones adidácticas complementarias en las que
surge implícitamente la idea de variable aleatoria, una de ellas basada en el significado
clásico de la probabilidad y la otra en los significado clásico y frecuencial y la
realización de una inferencia informal, que podrían, en el futuro, ser base en el diseño
de situaciones didácticas.
Por otro lado, también se han incorporado algunos elementos del Enfoque Onto
Semiótico desarrollado por Godino y sus colaboradores. La clasificación que proponen
los autores de objetos matemáticos primarios se usa para diferenciar varios significados
de la variable aleatoria, que dependen de la forma de asignar probabilidades y para
determinar el significado de referencia de nuestro trabajo. También nos hemos apoyado
en la idea de idoneidad didáctica para analizar las situaciones utilizadas en los Estudios
3 y 4.
A continuación, se resumirán las principales conclusiones de cada uno de estos
dos tipos de estudios desde los objetivos generales de nuestra investigación. Los
objetivos e hipótesis de cada estudio ya fueron discutidos con más detalles en los
diferentes capítulos y en sus conclusiones. Después se presentan las aportaciones más
431
7. Conclusiones
relevantes de nuestro trabajo. Se finaliza indicando las implicaciones de los resultados

para la enseñanza de la estadística en la educación universitaria y su alcance para
futuras líneas de investigación.
2. Sobre los estudios epistemológicos

El primer objetivo de nuestro trabajo (Sección 4 del Capítulo 1) se formuló en los
siguientes términos:
Objetivo 1: Llevar a cabo un análisis a priori preliminar sobre la variable

aleatoria desde el punto de vista epistemológico, que aborde tanto los
aspectos disciplinares como los históricos.
Para responder a este objetivo se han llevado a cabo dos estudios epistemológicos
que se describen en los Capítulos 3 y 4. Cada uno de ellos ha producido resultados
originales y otros que confirman los de otras investigaciones que nos precedieron. Estos
resultados, junto con el estudio de los antecedentes que se reporta en el Capítulo 2, nos
han permitido posteriormente establecer de una manera fundamentada, las hipótesis de
investigación en los estudios cognitivos. Del mismo modo, han servido para discutir
nuestros hallazgos en los estudios cognitivos y explicar algunas de las dificultades que
muestran los estudiantes en los mismos.
2.1. Desde la disciplina

En el Estudio 1 (Análisis Epistemológico desde la Disciplina) se realizó un análisis
matemático detallado del objeto «variable aleatoria» y sus relaciones con otros objetos
matemáticos (función de distribución y densidad, parámetros, medidas de tendencia
central y dispersión, variable estadística, probabilidad, espacio probabilístico, función y
función medible, componentes de una función).
Se analizan con detalle las diferentes funciones que giran en torno a la variable
aleatoria, comenzando por la misma variable, como función medible en un espacio
probabilístico y se destaca la importancia de la función de distribución (función
compuesta de la inversa de la variable aleatoria y la probabilidad) que permite
introducir el análisis matemático en el trabajo con las variables aleatorias, y en
consecuencia, con la estadística. También se resalta la naturaleza dual de la variable
aleatoria, puesto que su definición debe permitir el manejo del espacio muestral o del
resultado del experimento aleatorio en el espacio de los números reales, pero también es
432
7. Conclusiones
el vínculo con el contexto y por lo tanto, su definición debe hacerse de modo que
permita dar respuesta a la pregunta que motiva el análisis de la situación.
En este sentido Parzen (1971) enfatiza en la importancia de la definición de la
variable aleatoria como función, al aprender a reconocer y formular matemáticamente
como función objetos descritos verbalmente a partir del contexto del problema. Es decir,
es importante percibir como una aplicación (en el sentido matemático) el texto que
traduce los sucesos del espacio muestral en números reales. Es precisamente esa
dualidad la que hace importante a la variable aleatoria dentro del ciclo de modelación,
puesto que en una primera fase de la modelación describe la «realidad» y, en un estrato
más alto, reemplaza a la realidad como sustrato operacional. Así la variable aleatoria es
una realidad matemática que se modela mediante la función de distribución y permite
introducir el análisis matemático en el estudio de los fenómenos aleatorios. La
descripción de los diferentes modelos de distribuciones (como la Binomial o Normal)
constituyen, según Batanero (2003), un ejemplo de la potencia de la modelación en
estadística.
Este doble proceso de modelación, que será de especial interés en el Estudio 3,
aparece desde el contexto del problema a la variable aleatoria y de esta a su función de
distribución. En nuestro trabajo, re-interpretamos la modelación estocástica dentro del
marco descrito por Wild y Pfannkuch (1999), haciendo uso de la propuesta de Heitele
(1975), para definir una modelación estratificada.
También se contempla la relación entre variable estadística y aleatoria desde esta
perspectiva (Ríos, 1967) observando un doble proceso de modelación en la construcción
de la variable aleatoria: desde los datos a la variable estadística; y desde este a la
variable aleatoria, siguiendo una inferencia informal (contemplado en el Estudio 4).
Asimismo, señalamos algunas posibles dificultades del aprendizaje de la modelación en
este campo, puesto que existe una mayor la distancia entre realidad y modelo
matemático que en otras ramas de las matemáticas (Coutinho, 2001), que sin embargo,
ofrece una gran oportunidad para enseñar la modelación en matemáticas, por las muchas
situaciones cotidianas en las que es posible modelar fenómenos aleatorios (Chaput,
Girard y Henry, 2011).
Un punto que no se suele discutir en los textos de estadística es la influencia que la
forma en que se asigna probabilidad tiene sobre el estudio de la variable aleatoria,
puesto que añade nuevos objetos matemáticos (problemas, conceptos, propiedades y
procedimientos) al estudio de la misma y que difieren dependiendo del tipo de
asignación de probabilidades (Batanero, 2005). La descripción de algunos de los
significados que ha recibido la probabilidad a lo largo de la historia, de su campo de
433
7. Conclusiones
aplicación y problemática filosófica en la asignación de probabilidades nos ha llevado a

interpretar diferentes significados de la variable aleatoria dependiendo de esta
asignación.
La conclusión del estudio es la complejidad del objeto variable aleatoria, cuya
comprensión ha de ser gradual y requiere un largo tiempo de dedicación. El estudio nos
permite analizar con detalle los componentes que habría que incluir en dicha enseñanza
y proporciona la base para la construcción de futuras ingenierías didácticas sobre la
variable aleatoria.
2.2. Desde la historia

En el Estudio 2 (Análisis Epistemológico histórico) se resume el desarrollo histórico de
la idea de variable aleatoria, desde múltiples aplicaciones en todas las áreas de la
actividad humana, y que se puede clasificar en dos grandes corrientes de pensamiento
surgidos a partir de los análisis probabilísticos y del análisis de datos (estudios
estadísticos), que no se suceden sino que interactúan en diversos momentos de la
historia.
A partir de los análisis probabilísticos.
Inicialmente, a partir de los primitivos juegos de azar y del estudio de la previsión de

apuestas surgió directa, aunque lentamente, la idea de variable aleatoria discreta como
variable numérica vinculada a los sucesos de un espacio muestral. Los primeros
problemas estaban vinculados con la determinación de la esperanza matemática de
ciertas variables aleatorias (la determinación de la apuesta; el estudio de la equitatividad
de un juego, etc.). En estos primitivos problemas, el espacio muestral del experimento
es, al menos potencialmente, conocido a priori y la asignación de probabilidades es
Laplaciana (García, 1971; Hald, 2003; Bellhouse, 2000).
La difusión de estos conocimientos, generó un interés en su aplicación a diversos

campos, que condujo a cuestionamientos teóricos sobre la relación entre la variable
aleatoria y la variable estadística (Halley, 1693; Bernoulli, 1954/1738; Hald, 1986).
Estas inquietudes ocasionaron el desarrollo de un gran número de problemas intra-
matemáticos que desembocaron en el trabajo con las primeras operaciones de las
variables aleatorias y la convergencia de sucesiones de variables aleatorias. Se
introdujeron las primeras versiones de los teoremas del límite, la ley de los grandes
números y la del límite central, así como el trabajo con las variables continuas y con
434
7. Conclusiones
funciones de densidad, particularmente con la Normal y la Exponencial (de Moivre,

1756; Pearson, 1924; Hald, 2003; Sylla, 2006; Bernoulli, 2006/1713; Alvarado, 2007).
Con ello, se detectó la necesidad de la definición de una variable numérica

vinculada a los resultados de experimentos aleatorios, pero aún se trabaja sólo
implícitamente con ella y la asociaban más bien al azar porque aún no había una
distinción entra azar y aleatoriedad. Algunas veces se le denominaba variable, y otras
magnitud o cualidad variable (Bernoulli, 1954/1738; Laplace, 1812;). Una etapa de
trabajo matemático más fuerte fue la necesidad de establecer la función de densidad y
de atacar el problema de continuidad a mediados del siglo XIX, lo que conllevó a
diferenciar el trabajo con la variable aleatoria discreta y continua, así como a la
definición de función de densidad. En este momento, dentro del ámbito formal de la
probabilidad, la variable aleatoria comenzó a perder su carácter físico, puesto que ya no
se manejaba como el resultado de un fenómeno aleatorio con resultados numéricos sino
se comenzó a vincular con la asignación de valores numéricos al espacio muestral
(Poisson, 1832; Tchebycheff, 1899b/1867; Liapounoff, 1900; Seneta, 1966; Fischer,
2011). Una última etapa, con el advenimiento del trabajo de Fréchet y Kolmogorov
(Kolmogorov, 1993/1956), se caracteriza por el surgimiento de la variable aleatoria
como objeto matemático a partir de la necesidad de abstracción de una teoría de
probabilidad, tal como la conocemos actualmente, no sólo en su definición sino también
en su nomenclatura.
Esta corriente de pensamiento estaba más influida por la formulación de un
sustento matemático que diera fundamento a la, en ciernes, teoría de probabilidad. Los
principales problemas abordados, rápidamente se desvincularon de sus aplicaciones,
para ocuparse de generalizaciones de las soluciones de problemas particulares,
obtención de métodos generales, definición de conceptos, demostración de teoremas y
finalmente, la conformación de una teoría. La variable aleatoria fue despojada de sus
significados intuitivos y se admitió la posibilidad de variables aleatorias abstractas (por
ejemplo, variables multidimensionales detrás de las cuáles no encontramos una
magnitud, como usualmente la entendemos). Estos resultados y trabajo estaban
sustentados en la creciente matemática del cálculo, la teoría de la medida y la teoría de
conjuntos, pero, a medida que la teoría de probabilidad se desarrollaba y resolvía sus
propios problemas, también tuvo una fuerte influencia sobre aquellas, a tal grado que la
probabilidad, quedó ligada a ellas.
435
7. Conclusiones
Los estudios estadísticos
Los estudios estadísticos son conocidos desde mucho tiempo atrás, aparecen en los
censos romanos y en todas las civilizaciones primitivas para fines militares y políticos.
Científicos y políticos e incluso algunos jugadores interesados en conocer la mejor
apuesta posible dirigieron sus esfuerzos a la recopilación de datos y su análisis.
Alrededor del siglo XVII, ya se estudiaban las regularidades de los datos con el objetivo
de hacer predicciones, por ejemplo, en el estudio de las tablas de mortandad y la
esperanza de vida. En ese entonces, las variables se definían por el contexto del
problema, pero se comenzó a denotar la importancia de variables numéricas para hacer
uso de algunos resultados y herramientas probabilísticos de la época. En particular, el
trabajo de Galileo durante el siglo XVII, da un empuje fuerte al estudio de la variación y
del análisis empírico de la variable continua a partir del análisis de los errores de las
mediciones astronómicas (Hald, 1986).
A finales del siglo XIX y principios del XX, las inferencias informales tuvieron
un fuerte auge gracias a la difusión de la distribución normal como modelo apropiado
para muchos contextos en ciencias sociales, biológica y de la herencia. Surgieron las
representaciones gráficas y tabulares para mostrar los resúmenes de datos, la
caracterización de la población de estudio, las mediciones de la variación alrededor de
la mediana, así como las primeras pruebas de normalidad de los datos. Todo esto dio
énfasis a la variable estadística y su distribución, puesto que se resaltó su carácter
numérico para poder ser analizada, a la vez que su definición respondía a un contexto de
interés, y se destacó su vinculación con la aleatoria. Sin embargo, muchos de estos
estudios hicieron uso de inferencias informales, sin hacer uso de las herramientas que se
gestaban en el campo probabilístico. Casi de manera simultánea a la formalización de la
probabilidad, en el ámbito estadístico, Karl Pearson se preocupó por fundamentar,
perfeccionar y ampliar los métodos usados principalmente por Quetelet y Galton,
haciendo uso de los resultados generados en el área de probabilidad, pero también
generando una matemátización propia. Esto comenzó a hacer explícita y formal la
vinculación entre la variable aleatoria y la estadística. Otros autores como Gosset,
Fisher, Neyman y Ergon Pearson generan herramienta que sustenta y consolida a la
inferencia como una de las principales ramas de la estadística.
Así, desde problemas externos a la matemática se desarrolló lentamente la idea
de variable estadística y su distribución, para poco a poco considerar experimentos
aleatorios potenciales, donde los datos recogidos se ampliasen indefinidamente a una
cierta población. La variable aleatoria sería, desde esta perspectiva, la generalización de
una variable estadística cuando el número de datos es infinito. Además, no hay
436
7. Conclusiones
posibilidad de examinar a priori el espacio muestral del experimento, por lo que los
parámetros y distribución de las variables aleatorias han de estimarse a partir de los
correspondientes en las variables estadísticas. En consecuencia, la asignación de
probabilidades es frecuencial (inferencia frecuencial) y se justifica mediante un proceso
de inferencia, cuyos métodos se apoyan en las propiedades de las distribuciones de las
variables subyacentes.
Independientemente, Bayes, con la formalización de su teorema y la aplicación
de éste a la determinación de las probabilidades de las causas y estimación de
proporciones, sienta las bases de lo que hoy en día es la inferencia Bayesiana.
A lo largo de la historia, se observan las distintas formas en cómo las dos vías a
través de las cuales la variable aleatoria devino como objeto matemático se
entrecruzaron y retroalimentaron mutuamente de diferentes formas. Por ejemplo,
cuando el Duque de Toscana planteó un discordancia entre el comportamiento
observado en los juegos de azar y un modelo errático de espacio muestral y se lo mostró
a Galileo. A partir de este estímulo, se generó un modelo apropiado para el recuento
teórico de los posibles resultados. O cuando Halley estudió grandes bases de datos
poblacionales, lo que indujo al análisis de la esperanza de vida y estudios de mortandad.
Otro ejemplo es cuando Jacob Bernoulli quería establecer el número de datos que harían
que la probabilidad frecuencial convergiera a la probabilidad teórica, lo que genera una
primera propuesta de la ley débil de los grandes números. Y, desde nuestro estudio, las
vinculaciones más importantes se establecen cuando el uso de la distribución normal y
diversas herramientas probabilistas en el análisis de datos en diversas áreas científicas,
favoreció no sólo la generación de inferencias informales sino también de análisis
propios de la estadística. Así mismo, cuando Pearson estableció un puente entre las
ideas de Galton y resultados probabilísticos y matemáticos, favoreciendo la
formalización de la inferencia estadística, así como la vinculación formal entre la
variable aleatoria y estadística.
Sin embargo, estas dos corrientes de pensamiento también tuvieron largos
periodos de reflexión propia, a través de los cuáles la interacción entre ellas fue casi
nula. El desarrollo de la teoría de Laplace o la larga discusión que dio lugar a la
comprobación del teorema central del límite (que tendría, sin embargo, una fuerte
repercusión en la estadística) son momentos en los que la teoría prevalece sobre la
práctica. Así mismo, en el análisis de grandes recuentos de datos a través de elementos
meramente descriptivos, y sin embargo, con fines inferenciales, permaneció mucho
tiempo sin la influencia de herramienta teórica que permitiera análisis más potentes.
437
7. Conclusiones
Este desarrollo histórico podría constituir una hipótesis de estudio tendiente al

análisis de la forma en cómo un estudiante puede apropiarse de la idea de la variable
aleatoria y estadística, su vinculación entre ellas y, finalmente, la formalización de la
relación entre ambas variables.
3. Sobre los estudios cognitivos

El segundo objetivo de nuestro trabajo (Sección 4 del Capítulo 1) se formuló en los
siguientes términos:
Objetivo 2. Llevar a cabo una exploración cognitiva de la comprensión intuitiva

que muestran algunos estudiantes universitarios al trabajar con
situaciones en las que se manifiesta la variable aleatoria y otros
objetos matemáticos relacionados con ella, y que implican resolución
de problemas y proyectos con una orientación hacia la modelación.
Para cumplir con este objetivo, se realizaron dos tipos de estudios, cada uno de
los cuáles fue diseñado y analizado sustentándonos en un análisis preliminar que se
describe en cada uno de los capítulos 5 y 6. El análisis se sustentó en el análisis
epistemológico disciplinar (Estudio 1) y en las conclusiones se confrontaron los
resultados con las hipótesis previamente planteadas, siguiendo la metodología de
ingeniería didáctica. También se analizó la idoneidad didáctica de las dos situaciones,
que resultó bastante alta, aunque con algunos puntos de mejora. Nuestro objetivo
general está vinculado con la búsqueda de indicios que sirvan de sustento en un futuro
diseño de situaciones didácticas que auxilien en la enseñanza de la variable aleatoria, y
todo el bagaje de conceptos unidos a ella, en contexto escolar.
3.1. La entrevista clínica

En el primero de dichos estudios (Estudio 3), se realizó una entrevista en profundidad a
dos alumnas mientras resolvían un problema que involucraba a una variable aleatoria.
El problema planteaba la toma de decisión en una situación en la que asignación de
probabilidades era laplaciana y en la que se realiza un sorteo. Por tanto, este contexto se
próxima a uno de los campos de problemas de los que surge históricamente la variable
aleatoria: los juegos de azar, aunque involucra una decisión que tienta éticamente a las
estudiantes. El análisis de las entrevistas se organizó alrededor de cuatro puntos
principales:
438
7. Conclusiones
 Percepción de la aleatoriedad en la situación y en la solución del problema.

Aunque las alumnas tuvieron una buena comprensión intuitiva de la
aleatoriedad en la situación planteada y explicitaron propiedades tales como
impredecibilidad, convergencia y equiprobabilidad, en un inicio mostraron
reticencia a aceptar una solución incierta, tratando, finalmente, de justificarla
con argumentos, tales como la equidad. Las estudiantes usaron la
probabilidad acumulada como un argumento útil para ser justas.
Al tratar de encontrar una fórmula que expresara la distribución de
probabilidad, sin embargo, asignaron la propiedad de aleatoria a la
probabilidad en lugar de a la variable aleatoria, puesto que los valores que
ésta podría tomar, podían ser conocidos previamente, en cambio el valor de
la probabilidad resultaba ser incierto en el mismo contexto de una fábrica,
pero en otra ciudad o país. Así, observamos, como al introducir ellas
mismas la necesidad de una fórmula, se olvidan del contexto y al, abstraer,
equivocan el concepto de aleatoriedad, vinculándolo con una incapacidad de
cálculo.
 Comprensión de la probabilidad definida en el espacio muestral y de la

distribución de probabilidad. Las alumnas usan la idea de probabilidad en
forma natural, interpretándola como una medida de lo incierto, pero al usar
el significado clásico de probabilidad, la consideran una razón y no un único
valor numérico. Esto contribuye a que no vinculen directamente la
probabilidad con el valor de la variable aleatoria, más que a través de los
eventos compuestos lo que representa un obstáculo de descontextualización,
relacionado con los sucesos compuestos.
 La variable aleatoria en la solución del problema, su carácter de función en

el espacio muestral y la relación con la distribución de probabilidad. No
pudimos observar la construcción de la regla de correspondencia de la
variable aleatoria por parte de los estudiantes porque fue proporcionada en
el problema, pero las alumnas pudieron reconocer que la regla de
correspondencia vinculaba el espacio muestral con los valores de la variable
aleatoria. Pudieron percatarse, también, que esa regla de correspondencia
provenía de una característica de interés (extraída del planteamiento del
problema) que agrupaba a los trabajadores en eventos compuestos.
Encontramos algunas dificultades de descontextualización de la variable
aleatoria en un primer estrato de modelación que son superadas cuando las
439
7. Conclusiones
estudiantes ven el valor de la variable aleatoria como el resultado del

experimento aleatorio, conceptualización que Parzen (1971) sugiere para un
curso introductorio de probabilidad. Sin embargo, esto también provoca que
piensen que los valores de la variable aleatoria puedan ser colocados en un
orden cualquiera en el eje-x de la gráfica porque son aleatorios. Al operar
con los valores como otra «realidad», dejaron de ser entes abstractos y
perdieron sus propiedades numéricas. Sin embargo las estudiantes
interpretaron correctamente que la probabilidad se obtenía a partir de los
eventos compuestos y que esto era lo que permitiría asignarle un valor de
probabilidad a cada valor de la variable aleatoria. Así, concluimos que se
tuvo una buena interpretación y manejo de los valores de variable aleatoria y
aunque se pasaron por algunos obstáculos, lograron ser superados.
Las alumnas encontraron también natural asociar el término función a la
distribución de probabilidad, debido a que la pudieron escribir muy
naturalmente en notación funcional y porque que concordaba con la
definición de función. También fue inmediato el uso de la representación
tabular para las frecuencias y probabilidades. Sin embargo sí encontraron
extraño que hubiera funciones con las características encontradas para la
distribución de probabilidad del problema, lo que ocasiona que le
adjudiquen el carácter aleatorio a la probabilidad en lugar de a la variable
aleatoria. Sostenemos que esta afirmación proviene de la creencia de que las
funciones forzosamente deben poder expresarse como una ecuación y que
una función (expresión matemática) debe ser útil en varios contextos y no en
uno solo.
 También se tuvieron en cuenta los procesos de modelación vinculados a la

solución del problema. Las alumnas manifestaron un buen manejo de las
herramientas matemáticas necesarias para resolver el problema, pero, al
contrario de lo esperado, para ellas fue más difícil pasar del contexto del
problema al contexto matemático que el proceso inverso. A pesar de eso,
también en algunos pasajes desvinculan las matemáticas del contexto del
problema, mostrando una concepción de las mismas como algo que no tiene
por qué tener una relación con una situación del contexto real. Así mismo
pudimos detectar que gran parte de esta problemática es engendrada por la
modelación en estratos para pasar del contexto del problema hasta la
obtención de la función de distribución.
440
7. Conclusiones
También pudimos observar las distintas soluciones por las que transitan las
estudiantes para llegar a una conclusión que ellas puedan argumentar
satisfactoriamente y los motivos por los que buscan una nueva solución. Las
estudiantes entran varias veces en el ciclo interrogativo de Wild y Pfannkuch
(1999), lo que también hace que hagan uso de herramientas matemáticas que
inicialmente no contemplaron. Así mismo, es notorio cómo el contexto del
problema condiciona la discusión y las soluciones de las estudiantes.
3.2. La evaluación de un proyecto abierto

En el segundo de dichos estudios (Estudio 4), se examinan las producciones escritas de
111 estudiantes que trabajaron individualmente en un proyecto abierto de análisis de
datos que involucraba tres pares de variables aleatorias y sus correspondientes variables
estadísticas. Se trata de que los estudiantes recorran el ciclo completo de modelación
(Dantal, 1997) para responder a una pregunta sobre las intuiciones sobre el azar de los
estudiantes. Para ello se organiza un experimento en el que los mismos estudiantes son
partícipes en la recolección de los datos y, parcialmente, en el planteamiento de las
variables. El análisis estadístico necesario será decidido por los mismos estudiantes,
esperando que obtengan conclusiones sobre las intuiciones sobre el azar del grupo. El
análisis de los informes escritos elaborados por los estudiantes se organizó alrededor de
los puntos siguientes:
 Comprensión de la aleatoriedad y su percepción en el experimento. Se
realizó una doble evaluación: globalmente fue posible analizar los datos de
las secuencias simuladas para inferir indirectamente las características de
estas concepciones; individualmente fue posible observar las concepciones
de los estudiantes manifestadas en sus argumentos al analizar las intuiciones
sobre el azar de su grupo completo.
En el primer análisis, se observó que los estudiantes en su mayoría tienen
una buena percepción del valor esperado en la distribución binomial, pero
poca percepción del valor esperado en variables asociadas con las rachas.
Esto concuerda con los resultados de investigaciones previas, como la de
Serrano (1999) y Toohey (1995). Los estudiantes tienen problemas para
percibir la independencia de ensayos sucesivos produciendo rachas muy
cortas. Individualmente, se encontraron ejemplos de concepciones
parcialmente correctas que corresponden a las sostenidas en diferentes
periodos históricos sobre la aleatoriedad (aleatoriedad como contrapuesto a
441
7. Conclusiones
causa; aleatoriedad como variabilidad, ausencia de control, impredecibilidad

o equiprobabilidad) y algunos presentan la ilusión de control (Langer, 1975).
De manera general, observamos que el conocimiento que los estudiantes
tienen sobre el contexto (en este caso, sus creencias), condicionó la
generación de las secuencias que simulaban el lanzamiento de una moneda.
También el análisis que hicieron de los datos generados por ellos mismos,
motivó que ellos hicieran patentes sus creencias sobre la aleatoriedad, puesto
que hicieron uso de ellas para argumentar los resultados encontrados en sus
datos.
 Comprensión de la variable estadística y su distribución: Se ha estudiado la

forma en que los estudiantes trabajan con las variables estadísticas, sus
distribuciones y momentos. Más de las dos terceras partes de los estudiantes
formaron la distribución de las variables estadísticas que intervenían en el
proyecto y la representaron mediante una tabla, gráfica o ambas, a pesar de
que no se les pedía explícitamente. De ello se deduce un primer nivel
intuitivo en la comprensión de la idea de la distribución. Sin embargo, fueron
muy pocos los estudiantes que elaboraron gráficos o sus tablas conjuntas o
con una escala apropiada para hacer una comparación rápida de las
distribuciones de las secuencias simuladas con las de las reales.
Poco menos de la tercera parte no llegaron a formar la distribución tratando
de comparar los resultados individuales alumno a alumno y analizaron sólo
sus datos, ya sea porque no comprendieron el objetivo del proyecto o por
falta de conocimiento estadístico. Recordemos que cada estudiante trabajó de
manera individual, lo que no permitió la interacción con sus compañeros, ni
con el profesor.
Así mismo, encontramos algunos errores vinculados con la comprensión de
la variable que afectan la concreción de su distribución, entre ellos destaca la
dificultad de las variables vinculadas con las rachas, que no eran conocidas
para los estudiantes. Este obstáculo se agranda por su falta de familiaridad
con experimentos aleatorios compuestos, puesto que la definición de las tres
principales variables de análisis no estaba vinculada con el lanzamiento de
una moneda sino con el lanzamiento de 20 monedas. Esto explicaría porque
algunos estudiantes se restringieron al análisis de la variable «cara o cruz» o
incluso a sus propios datos. En cualquier caso, también es cierto que los
estudiantes se concentran más en la graficación del número de caras que en
442
7. Conclusiones
las otras dos, en cambio, en general, los que elaboraron tablas, lo hicieron
para las tres variables.
La comprensión y uso de medidas de tendencia central y su interpretación
fue mucho mayor que las de dispersión que, en caso de ser calculadas, no se
interpretan, salvo algunas excepciones. La comprensión de la idea de
dispersión no parece intuitiva para los estudiantes, quienes también repiten
los errores en sus representaciones gráficas que han sido descritos en
investigaciones previas como las de Bruno y Espinel (2005), Espinel (2007)
y Arteaga (2011).
 Percepción y referencia a las variables aleatorias y relación con la variable

estadística. Se ha analizado los argumentos en que los estudiantes ligan las
variables a los resultados de un experimento aleatorio o hacen referencia a
probabilidades de valores de la variable. Uno de los más frecuentes es la
referencia espontánea al valor esperado de la variable aleatoria binomial,
«número de caras al lanzar 20 monedas», además de que casi todos estiman
correctamente su valor, resultado que concuerda con el hecho de que la
esperanza matemática es el primer desarrollo en la historia de la variable
aleatoria. También con frecuencia ligan la variable estadística y aleatoria,
explicando los resultados en la variable estadística por medio de la
probabilidad teóricas en el lanzamiento de la moneda. Por el contrario, el
resto de variables aleatorias en el proyecto (número y longitud de rachas) no
parecen intuitivas para los estudiantes, puesto que son poco mencionadas.
También en casos aislados hay referencia a la convergencia de la
distribución de frecuencias a la distribución de probabilidad, es decir,
explícitamente se realiza un proceso de inferencia informal (Rossman, 2008)
que es implícito en el resto de los estudiantes. Concluimos que la actividad
es potencialmente útil para introducir las variables aleatorias, como
generalizaciones de las variables estadísticas.
 Ciclo de modelación y razonamiento estadístico. Se han analizado los

diferentes pasos en el ciclo de modelación de acuerdo con Dantal (1999) y
el razonamiento estadístico según el modelo de Wild y Pfannkuch (1999), así
como el modelo por estratos establecido en el análisis disciplinar. Los dos
primeros pasos del ciclo son sugeridos por el profesor, aunque algunos
estudiantes espontáneamente sugieren el número de caras en los 20
443
7. Conclusiones
lanzamientos como variable que con la que se pueden estudiar los datos para
resolver la cuestión planteada.
En los pasos 3 y 4, los estudiantes muestran buena capacidad para construir y
trabajar con diferentes modelos matemáticos sencillos (tablas, gráficos y
estadísticos resúmenes), aunque en algunos de ellos aparecen errores
matemáticos o de simbolización. Sin embargo, encontramos una gran
dificultad de los estudiantes en el último paso del ciclo de modelización,
pues no tradujeron los resultados matemáticos al contexto del problema. Una
tercera parte de los estudiantes sí llegaron a comparar las variables de las
secuencias reales y simuladas, pero pocos llegaron a concluir sobre las
intuiciones de la aleatoriedad de los estudiantes. Esto nos dio indicios de que
no les fue claro cuál era la pregunta de investigación que tenían que
contestar en el proyecto o el papel que jugaban las variables aleatorias (y su
distribución) en la respuesta a esa pregunta. Por tanto, la definición de las
variables (en el paso 2 de la modelación) juega un papel importante en la
realización del proyecto, puesto que su incomprensión hace que, aun cuando
hayan realizado un trabajo matemático bueno, el ciclo de modelación se
quede trunco.
Hay que tomar en cuenta que los estudiantes de nuestra muestra tenían poco
trabajo previo con proyectos, sólo una parte de ellos habían realizado uno en
el curso anterior. Además de que no se fomenta este tipo de trabajo en otras
ramas de las matemáticas. Así que esta falta de experiencia con proyectos
estadísticos también influye en la incomprensión de la utilidad del análisis
estadístico para resolver problemas reales y su capacidad para vincular el
trabajo matemático con las variables y el contexto del problema. Ello
concuerda con lo señalado por Dantal (1997) y Chaput, Girard y Henry
(2011) que sugieren que es necesario recorrer con los estudiantes todas las
fases del ciclo de modelización en la clase de matemáticas y no sólo
centrarse en el trabajo matemático.
Así mismo, observamos que muchos estudiantes se dejan llevar por su
conocimiento sobre el contexto también en el análisis estadístico. Es decir,
dan preferencia a sus creencias por sobre los resultados de su análisis. Esto
también se ha observado en otras investigaciones, por ejemplo Estepa y
Batanero (1994) donde los estudiantes también siguen sus creencias al
resolver algunos problemas de asociación en tablas de contingencia.
444
7. Conclusiones
Por último, también encontramos argumentos sin sentido o gráficos y

cálculos que los estudiantes no usan ni leen. Lo que nos hace pensar que,
ante la incomprensión del objetivo del proyecto, los estudiantes recurren a
contestar lo que creen que el profesor espera de ellos.
En este sentido, Makar, Bakker y Ben Zvi (2011) proponen fomentar el

razonamiento inferencial informal a través de la inserción de experiencias en
donde se favorezca el aprendizaje basado en la indagación colaborativa,
inserción de conocimiento estadístico dentro de un contexto y en la
profundización de los conflictos que surgen entre la respuesta intuitiva del
estudiante y su interpretación del análisis de datos.
Como se puedo observar, a pesar de la diferencia de perspectiva de ambos, los

estudios cognitivos presentaron puntos en común, referidos principalmente al proceso
de modelación involucrado en la solución de los problemas presentados tanto en la
entrevista como en el proyecto.
4. Aportaciones y limitaciones de la investigación

Consideramos que nuestro trabajo realiza aportaciones de interés al campo de la
educación estadística, donde la investigación sobre la variable aleatoria es
prácticamente inexistente.
Una primera aportación viene dada por los estudios epistemológicos descritos.
Pues, por un lado, hemos realizado un análisis detallado del objeto matemático
«variable aleatoria» y sus relaciones con otros objetos, además de constituir una base
para el análisis a priori en la metodología de ingeniería didáctica, sienta las bases para
describir el significado de referencia del objeto, dentro del enfoque onto-semiótico.
Asimismo, el estudio epistemológico-histórico nos permitió identificar algunos campos
de problemas de donde surge la variable aleatoria y proporciona hipótesis sobre posibles
obstáculos y dificultades de los estudiantes. También identificamos saltos cualitativos
entre las etapas históricas, que pueden contribuir a un diseño para el desarrollo
cognitivo de la variable aleatoria.
La exploración cognitiva, realizada mediante dos estudios de diferente
metodología, ha proporcionado datos muy detallados de las dificultades de los
estudiantes, su comprensión de diversos objetos matemáticos ligados con la variable
aleatoria, sus estrategias y uso de dichos objetos en la resolución de problemas y su
capacidad de modelación. Todos estos datos son fundamentales en la labor del profesor,
445
7. Conclusiones
que ha de planificar la enseñanza teniendo en cuenta el aprendizaje de los estudiantes.

Del mismo modo proporcionan una base para una posterior construcción de la
ingeniería didáctica para continuar esta investigación.
Dentro del campo de la modelación, retomamos la modelación por estratos de
Heitele (1975) y basándonos en el modelo de Wild y Pfannkuch (1999) propusimos un
modelo de los procesos que se siguen para concretar una distribución de probabilidad
bajo distintas asignaciones de probabilidad (laplaciana y frecuencial) y en una
inferencia informal. En este modelo se resalta el papel que juega la variable aleatoria y
se usa en ambos estudios cognitivos para explicar algunas dificultades que los
estudiantes tuvieron al contextualizar los resultados matemáticos y, por lo tanto,
completar el ciclo de modelación.
La conjugación de estudios cognitivos y epistemológicos permitió mostrar que el
desarrollo del pensamiento estadístico supone dos procesos aparentemente
contradictorios. Por un lado se requiere el dominio de herramienta matemática abstracta
y por otro es necesaria una ruptura con el pensamiento determinista que permita aceptar
otro tipo de conocimiento que se caracteriza por aportar resultados con un grado de
incertidumbre. Estos dos procesos se combinan fuertemente en la variable aleatoria.
El instrumento diseñado (entrevista), así como la metodología de análisis
descrita en cada uno de los capítulos 4 y 5 constituyen también aportaciones para la
investigación futura, pues podrían aplicarse en otras investigaciones. Finalmente, tanto
el estado de la cuestión, como la bibliografía incluida en la memoria apoyarán la
investigación futura sobre la variable aleatoria.
Como en cualquier investigación limitada cronológica y geográficamente,
queremos reconocer también algunos puntos en que podría ser mejorada.
Una de las principales limitaciones del estudio de exploración cognitiva descrito
en el Capítulo 5 es el tamaño de muestra, que se reduce a dos estudiantes. Esta
limitación se asumió conscientemente, pues se prefirió realizar un trabajo de gran
profundidad de análisis a expensas del tamaño muestra. La decisión pensamos fue
correcta, por la cantidad y variedad de conclusiones e hipótesis surgidas del estudio,
que, por este motivo tiene una alta validez. No podemos, por el contrario, proporcionar
información de si las dificultades descritas se presentarán en otros estudiantes o con qué
frecuencia. Para analizar la fiabilidad de este estudio, se tendría que replicar la
entrevista en otros estudiantes, o bien diseñar un cuestionario escrito, basado en los
resultados de la entrevista y que sirviese para confirmar la existencia de estas
dificultades en otros estudiantes.
446
7. Conclusiones
En el segundo estudio cognitivo se amplía el tamaño de muestra, a expensas de

pasar a un método de obtención de datos menos potente que la entrevista. Aun así, el
análisis de los protocolos recogidos de los estudiantes ha confirmado la existencia de
algunas de las dificultades descritas en la entrevista en otros estudiantes, incluso en un
contexto educativo y geográfico diferente. Asimismo proporciona descripción de otras
dificultades relacionadas con la variable estadística, sus parámetros y el proceso de
modelización. También en este segundo caso, pensamos que sería necesario un mayor
tamaño de muestra para la confirmación de las conclusiones, como un estudio a
profundidad (entrevista) para conocer con mayor detalle el porqué de los errores
cometidos por algunos estudiantes. En particular, la indagación de porque algunos
estudiantes se quedan en el análisis de sus propios datos o no conforman la distribución
y cómo superarlo sería de gran ayuda para la elaboración de proyectos en clase tomando
en cuenta estos errores. Otro estudio a profundidad necesario es la indagación del
rompimiento en el ciclo de modelación por la no conclusión en el contexto del
problema.
5. Algunas ideas para investigaciones futuras

En esta Memoria hemos iniciado la fase preliminar de la ingeniería didáctica para el
objeto matemático «variable aleatoria». Aunque se han aportado resultados importantes,
tanto de los estudios epistemológicos como de los estudios cognitivos realizados, es
necesario continuar la investigación, para que sus implicaciones puedan llevarse a cabo
al aula.
En primer lugar, sería necesario diseñar una secuencia de enseñanza del tema,
identificando las situaciones fundamentales de las cuáles surge la variable aleatoria y la
comprensión de sus propiedades y relaciones con otros objetos. En dichas situaciones
fundamentales sería también necesario prestar atención a las competencias
procedimental y argumentativa de los estudiantes, para atender a los diferentes
elementos del significado de la variable aleatoria.
La investigación realizada aporta algunos datos en este sentido, pues hemos
identificado dos tipos principales de situaciones didácticas fundamentales, que,
debidamente relacionadas, complementadas y secuenciadas pueden constituir la base de
un primer encuentro de los estudiantes con la variable aleatoria:
 Situaciones de toma de decisión en un ambiente aleatorio. Un ejemplo de
dichas situaciones se ha utilizado en el diseño e implementación de la
entrevista y la exploración cognitiva, descrita y analizada en el Capítulo 5.
447
7. Conclusiones
 Situaciones de análisis de datos empíricos por medio de modelos

matemáticos que permita dar respuesta a un problema de investigación
(situaciones de inferencia en un ambiente aleatorio): En el Capítulo 6 hemos
utilizado una de estas situaciones, dentro de un proyecto abierto de análisis
de datos que ha llevado a los estudiantes a comparar tres pares de variables
estadísticas e implícitamente a considerar modelos matemáticos (variables
aleatorias) subyacentes en un experimento.
Una hipótesis factible sería que los estudiantes se apropian del concepto a través
de la constante interacción entre estos dos tipos de situaciones y otras situaciones no
consideradas en este estudio (por ejemplo, la revisión de probabilidades a la luz de una
nueva información, utilizada en la inferencia Bayesiana). Tal diseño, entonces, deberá
contemplar las interacciones entre los contextos estadísticos y probabilísticos que,
detectamos, se han dado a lo largo del surgimiento del concepto de variable aleatoria.
Una vez diseñada la secuencia de enseñanza, sería necesario llevarla a cabo en
uno o varios grupos naturales de clase, observando su desarrollo, para comparar el
significado realmente implementado en la clase, con el significado pretendido en la
secuencia instruccional.
Asimismo sería necesario la construcción de instrumentos de evaluación del
aprendizaje de la variable aleatoria, que se basen en los ya utilizados en este trabajo,
pero que contemple la totalidad del significado de referencia del objeto variable
aleatoria. Es decir, que tengan suficiente validez de contenido. Dichos instrumentos,
aplicados a muestras de estudiantes después de la enseñanza del tema, permitirían
comprobar si las dificultades descritas en esta Memoria están extendidas en otros
estudiantes.
Esta investigación también abre nuevas oportunidades de estudio en la
comprensión de variables aleatorias en diversas situaciones, por ejemplo en las
distribuciones particulares, siguiendo estudios previos como el de Tauber (2001) sobre
la distribución normal. O bien, la operatividad de variables aleatorias, en especial, los
estadísticos y distribuciones del muestreo de una y varias variables y la inferencia
estadística para el caso de los estudiantes universitarios. Algunos estudio base serían los
Alvarado (2007) y Olivo (2008).
Otra vía de investigación es desarrollar una propuesta curricular que considere la
enseñanza de la variable aleatoria como una idea fundamental, tal como propone Heitele
(1979). De acuerdo con nuestros análisis epistemológicos histórico y disciplinar de la
variable aleatoria, la complejidad de este concepto matemático hace que las ideas
vinculadas con la variable aleatoria requieren de mucho tiempo para ser construidas. Por
448
7. Conclusiones
ello, podría resultar interesante el estudio de su introducción desde las primeras etapas
de desarrollo del niño siguiendo la línea de Heitele. El principio básico sería que no se
puede ser exhaustivo en ninguno de los niveles, pero sí se pueden enseñar
prefiguraciones del concepto en cada nivel escolar de manera provechosa, de modo que
proporcionen un significado redondo que puedan ser retomado en niveles escolares
superiores para incrementar su profundidad. Estas prefiguraciones podrían estar
inspiradas en las etapas históricas marcadas en nuestro estudio.
Nuestro trabajo también hace acentúa la importancia de la vinculación entre las
variables aleatoria y estadística en la inferencia informal y la importancia del
conocimiento del contexto en la realización de estas inferencias, cuestiones que puede
ser retomadas a la luz de muy recientes investigaciones que han surgido alrededor de
estos temas.
449
450
Referencias
Alatorre, S. (1998). Acerca del tratamiento didáctico de la probabilid ad. Correo del
Maestro 26, 23-35.
Alquicira, Z. M. (1998). Probabilidad: Docencia y praxis. Hacia una fundamentación
epistemológica. Tesis de Maestría. Cinvestav, México.
Alvarado, H. (2007). Significados del teorema central del límite en la enseñanza de la
estadística en ingeniería. Tesis Doctoral. Universidad de Granada, España.
Arteaga, P. (2011). Los gráficos estadísticos en la formación de profe sores de
educación primaria: evaluación de conocimiento matemático-didáctico en la
realización y valoración de un proyecto d e análisis de datos. Tesis Doctoral.
Arteaga, P., Batanero, C. y Ruiz, B., ( 2008). Complejidad semiótica de gráficos
producidos por futuros profesor es en la comparación de dos muestras. En L.
Blanco y cols. (Eds.). Actas del XII Simposio de l as Sociedad Española d e
Investigación en Educación Matemática. Comunicaciones en los grupos de
trabajo. CD- ROM. Badajoz: SEIEM
Arteaga, P., Batanero, C. y Ruiz, B. (2009). Comparación de distribuciones por futuros
profesores. En M. J. González, M. T. González y J. Murillo (Eds.), Investigación
en Educación Matemática XIII (pp. 129-138). Santander: SEIEM.
Arteaga, P., Batanero, C. y Ruiz, B. (2010). Pre-se rvice primary school teach ers’
perception of randomness. En M. M. F Pinto y T. F. Kawasaki (Eds), Proceedings
of the 34th Conference of the International Group for the Psych ology of
Mathematics Education (Vol 2, pp. 169-176). Belo Horizonte, Brasil: PME group.
Arteaga, P., Ruiz, B. y Batanero, C. (2 008). Complejidad semiótica de gráficos
estadísticos en la comparación de dos distrib uciones por futuros profeso res.
Trabajo presentado en el Encuentro Latino Americano de Educación Estadística.
Monterrey, México, Julio, 2008.
Artigue, M. (199 0). Epistémologie et did actique. Recherches en Didactique des
Mathématiques, 10(2-3), 241-286.
Artigue, M. (1995a). Ingeniería d idáctica. En P. Gómez (Ed.), Ingeniería didáctica en
educación matemática (pp. 39-59). México: Iberoamericana.
451
Artigue, M. (1995b). Une recherche d’ingénierie didactique sur l’enseignement des
mathématiques. Trabajo presentado en la Reunión Recherches en Didactique des
mathématiques et de l’Informatique. Grenoble: IMAG-LSD.
Ayers, T., Davis, G., Dubinsky, E. y Lewin, P. (1988). Computer experiences in
learning composition of functions. Journal for Research in Mathematics
Education, 19 (3), 246-259.
Azcárate, P. (1995). El conocimiento profesional de los profesores sobre las nociones
de aleatoriedad y probabilidad. Su estudio en el caso de la educación primaria.
Tesis Doctoral. Universidad de Cádiz, España.
Bakker, A. y Gravemeijer, K. P. E. (2004). Learning to reason about distribution. En J.
Garfield y D. Ben-Zvi (Eds.), The challenge of developing statistical literacy,
reasoning and thinking (pp 147-168). Dordrecht: Kluwer.
Batanero, C. (2001). Didáctica de la estadística. Granada: Grupo de investigación en
educación estadística.
Batanero, C. (2002). Los retos de la cultura estadística. Conferencia inaugural. Jornadas
Interamericanas de Enseñanza de la Estadística. Buenos Aires, Argentina.
Online: www.ugr.es/~batanero/.
Batanero, C. (2003). La simulación como instrumento de modelización en probabilidad.
Educación y Pedagogía, 35, 37-64.
Batanero, C. (2005). Significados de la probabilidad en la educación secundaria. Relime
8(3). 247-264.
Batanero, C., Arteaga, P. y Ruiz, B. (2009). Statistical graphs produced by prospective
teachers in comparing two distributions. En V. Durand-Guerrier, S. Soury-
Lavergne y F. Arzarello (Eds.), Proceedings of the Sixth Congress of the
European Society for Research in Mathematics Education. Lyon, Francia: ERME.
Online: www.inrp.fr/editions/editions-electroniques/cerme6/.
Batanero, C., Arteaga, P. y Ruiz, B. (2010). Análisis de la complejidad semiótica de los
gráficos producidos por futuros profesores de educación primaria en una tarea de
comparación de dos variables estadísticas. Enseñanza de las Ciencias, 28(1), 141-
154.
Batanero, C., Arteaga, P., Ruiz, B. y Roa, R. (2010). Assessing pre-service teachers
conceptions of randomness through project work. En C, Reading (Ed.),
Proceedings of the Eight International Conference on Teaching Statistics.
Lubjana: International Association for Statistical Education. Online:
www.stat.auckland.ac.nz/~iase/publications.
Batanero, C. Arteaga, P., Serrano, L. y Ruiz. B. (2013). Prospective primary school
teachers’ perception of randomness. En E. J Chernoff, y B. Sriraman, (Eds.),
Probabilistic thinking: presenting plural perspectives. Advances in Mathematics
Education Series. Springer, en prensa.
452
Batanero, C. Burrill, G. y Reading, C. (Eds.) (2011). Teaching statistics in school
mathematics- challenges for teaching and teacher education. A Joint ICMI/IASE
Study. New York: Springer.
Batanero, C. Burrill, G., Reading, C. y Rossman, A. (2008). Proceedings of the Joint
ICMI /IASE Study Teaching Statistics in School Mathematics. Challenges for
Teaching and Teacher Education. Monterrey, México: ICMI e IASE. CD ROM.
Batanero, C. y Díaz, C. (2007). Probabilidad, grado de creencia y proceso de
aprendizaje. Actas de las XIII Jornadas Nacionales de Enseñanza y Aprendizaje
de las Matemáticas [CD-ROM]. Granada: Federación de Sociedades de
Profesores de Matemáticas.
Batanero, C., Estepa, A. y Godino, J. D. (1997). Evolution of students' understanding of
statistical association in a computer-based teaching environment. En J. B. Garfield
y G. Burrill (Eds.), Research on the role of technology in teaching and learning
statistics. 1996 IASE Round Table Conference (pp. 183-198). University of
Minnesota: IASE.
Batanero, C., Henry, M. y Parzysz, B. (2005). The nature of chance and probability. En
G. Jones (Ed.). Exploring probability in school: challenges for teaching and
learning (pp. 15-37). Dordrecht: Kluwer.
Batanero, C. y Serrano, L. (1995). La aleatoriedad, sus significados e implicaciones
educativas. Uno, 5, 15-28.
Batanero, C. y Serrano, L. (1999). The meaning of randomness for secondary students.
Journal for Research in Mathematics Education, 30, 558-567.
Batanero, C., Serrano, L. y Green, D. R. (1998). Randomness, its meanings and
implications for teaching probability. International Journal of Mathematics
Education in Science and Technology, 29 (1), 113-123.
Batanero, C., Tauber, L. y Sánchez V. (2001). Significado y comprensión de la
distribución normal en un curso introductoria de análisis de datos. Quadrante, 10
(1), 59-92.
Batanero, C., Tauber, L. y Sánchez, V. (2004). Student’s reasoning about the normal
distribution. En D. Ben-Zvi y J. B. Garfield (Eds.), The challenge of developing
statistical literacy, reasoning, and thinking (pp. 257-276). Dordrecht: Kluwer.
Beltrami, E. (1999). What is random? Chance and order in mathematics and life. New
York: Copernicus, Springer-Verlag.
Bellhouse, D. R. (2000). De Vetula: a medieval manuscript containing probability
calculations. International Statistical Review, 68(2), 123-136.
Bennett, D. J. (1998). Randomness. Cambridge: Harvard University Press.
Bernoulli, D. (1954). Exposition of a new theory on the measurement of risk
Econometrica, 22 (1), 23-36. (Trabajo original publicado en 1738 ),
453
Bernoulli, J. (2006). The art of conjecturing. En E. D. Sylla (Ed.). Ars conjectandi
together with letter to a friend on sets in court tennis (pp 127-340). Baltimore:
The Johns Hopkins University Press (Trabajo original publicado en 1713).
Blum, W., Galbraith, P. L., Henn, H. W. y Niss, M. (2007). Modelling and applications
in Mathematics Education. The 14th ICMI Study. New York: Springer.
Boudot, M. (1979). Lógica inductiva y probabilidad. Madrid: Paraninfo.
Borovcnik, M., Bentz, H. J. y Kapadia, R. (1991a). A probabilistic perspective. En R.
Kapadia y M. Borovcnik (Eds), Chance encounters: Probability in education (pp
27-71). Dordrecht, Netherlands: Kluwer.
Borovcnik, M., Bentz, H. J. y Kapadia, R. (1991b). Empirical research in understanding
probability. En R. Kapadia y M. Borovcnik (Eds.), Chance encounters:
probability in education (pp. 73-105). Dordrecht: Kluwer.
Brousseau, G. (1981). Los obstáculos epistemológicos y los problemas en matemáticas.
México: Cinvestav.
Brousseau, G. (1986). Fondements et méthodes de la didactique des mathématiques.
Recherches en Didactique des Mathématiques¸ 7(2), 33-115.
Brousseau, G. (1997). Theory of didactical situations in mathematics. Didactique des
mathématiques, 1970-1990. Dordrecht, Netherlands: Kluwer.
Bruner, J. S. (1960). The process of education. Massachusetts: Cambridge.
Bunge, M. (1973). La investigación científica. Barcelona: Ariel.
Bruno, A. y Espinel, M. C. (2005). Recta numérica, escalas y gráficas estadísticas: un
estudio con estudiantes para profesores. Formación del Profesorado e
Investigación en Educación Matemáticas 7, 57-85.
Cantoral, R. y Farfán, R. (1998). Pensamiento y lenguaje variacional en la introducción
al análisis. Épsilon, 42, 353-369.
Cardano, G. (1953). The book on games of chance. En O. Ore (Ed.), Cardano: the
Gambling Scholar (pp 181-241). Princeton: Princeton University Press. (Trabajo
original publicado en 1663).
Castillo, J. y Gómez, J. (1998). Estadística inferencial básica. México: Grupo Editorial
Iberoamérica.
Chaput, B., Girard, J. C. y Henry, M. (2011). Modeling and simulations in statistics
education. En C. Batanero, G. Burrill y C. Reading (Eds.) (2011). Teaching
Statistics in School Mathematics- Challenges for Teaching and Teacher
Education. A Joint ICMI/IASE Study (pp. 85-95). New York: Springer.
Chernoff, E. (2009a). Subjective probabilities derived from the perceived randomness of
sequences of outcomes. Unpublished Ph. D. Simon Fraser University.
Chernoff, E. (2009b). Sample space partitions: An investigative lens. Journal of
Mathematical Behavior, 28, 19–29.
454
Chevallard, Y. (1985). La transposición didáctica. Argentina: Aique
Chevallard, Y. (1991) Dimension instrumentale, dimension sémiotique de l’activé
mathématique. Trabajo presentado en el Séminaire de Didactique des
Mathématiques et de l’informatique de Grenoble. Grenoble: Université Joshep-
Fourier,
Chevallard, Y. (1992). Concepts fondamentaux de la didactique: perspectives apportées
par un apache anthropologique. Recherches en Didactique des Mathématiques, 12
(1), 73-112.
Chevallard, Y., Bosch, M. y Gascón, J. (1997). Estudiar matemáticas. El eslabón
perdido entre la enseñanza y el aprendizaje. Barcelona: Horsori.
Ciancetta, M. (2007). Students’ reasoning when comparing distributions of data. Tesis
doctoral, Portland State University, Estados Unidos.
Clement, J. (2000). Analysis of clinical interviews: Foundations and model viability. En
A. E. Kelly y R. A. Lesh (Eds), Handbook of research design in mathematics and
science education (pp 547-589). London: Lawrence Erlbaum.
Cobo, B. (2003). Significado de las medidas de posición central para los estudiantes de
Secundaria. Tesis Doctoral. Universidad de Granada, España.
Confrey, J. (1980). Clinical interview: Its potential to reveal insights in mathematical
education. En R. Karplus (Ed.), Proceedings of the 4th International Conference
for the Psychology of Mathematics Education (pp. 400-408). Berkeley, C.A:
PME-NA.
Contreras, J. M. (2011). Evaluación de conocimientos y recursos didácticos en la
formación de profesores sobre probabilidad condicional. Tesis Doctoral.
Coutinho, C. (2001). Introduction aux situations aléatoires dès le Collège: de la
modélisation à la simulation d’expériences de Bernoulli dans l’environnement
informatique Cabri-géomètre-II. Tesis Doctoral. Universidad de Grenoble.
Cuadras, C. (1999). Problemas de probabilidades y estadística. (Vol. 1). Barcelona:
EUB.
Dantal, B. (1997). Les enjeux de la modélisation en probabilité. En Enseigner les
probabilités au lycée (pp. 57-59). Reims: Commission Inter-IREM.
De la Cruz, A. T. (2007). Un estudio sobre la construcción social de la noción de
promedio en un contexto probabilístico. Tesis de Maestría. Centro de
Investigación en Ciencia Aplicada y Tecnología Avanzada. México.
Devore, J. (2011). Probabilidad y estadística para ingeniería y ciencias. México:
Cengage Learning.
455
Doob, J. L. (1976). Foundations of probability theory and its influence on the theory of
statistics. En D. B. Owen. On the history of statistics and probability: proceedings
of a symposium on the American mathematical heritage (pp. 196-204). New
York: Dekker.
Doob, J. L. (1986). The central limit theorem around 1935: Comment. Statistical
Science, 1(1), 93-94.
Engel, J. y Sedlmeier, P. (2005). On middle-school students’ comprehension of
randomness and chance variability in data. Zentralblatt fur Didaltik der
Mathematik, 37(3), 168-177.
Engelke, N., Oehrtman, M. y Carlson, M. (2005). Composition of functions: Precalculus
students' understandings. En G. M. Lloyd, M. Wilson, J. L. Wilkins y S. L. Behm
(Eds). Proceedings of the 27th annual meeting of the North American Chapter of
the International Group for the Psychology of Mathematics Education
[CD_ROM]. Virginia Technological University.
Estepa, A. y Batanero, C. (1994). Concepciones iniciales sobre la asociación estadística.
Enseñanza de las Ciencias, 13(2), 155-170.
Espinel, C. (2007). Construcción y razonamiento de gráficos estadísticos en la
formación de profesores. Investigación en Educación Matemática 11, 99-119.
Estrada, A., Batanero, C. y Fortuny, J. M. (2004). Un estudio de evaluación de
conocimientos estadísticos en profesores en formación e implicaciones didácticas.
Educación Matemática, 16, 89-112.
Falk, R. (1981). The perception of randomness. In Proceedings of the fifth international
conference for the psychology of mathematics education (Vol. 1, pp. 222–229).
Grenoble, France: Laboratoire IMAG.
Falk. R. (1986). Misconceptions of statistical significance. Journal of Structural
Learning, 9, 83-96.
Falk, R. y Konold, C. (1997). Making sense of randomness: Implicit encoding as a basis
for judgment. Psychological Review, 104, 301-318.
Feller, W. (1989). Introducción a la teoría de probabilidades y sus aplicaciones (Vol.
1). México: Limusa.
Fischbein, E. (1975). The intuitive sources of probabilistic thinking in children.
Dordrecht: D. Reidel.
Fischbein, E. y Gazit, A. (1984). Does the teaching of probability improve probabilistic
intuitions?. Educational Studies in Mathematics, 15(1), 1-24.
Fischbein, E., Nello, M.S. y Marino, M.S. (1991). Factors afffecting probabilistic
judgments in children and adolescents. Educational Studies in Mathematics,
22(6), 523-549.
456
Fischer, H. (2011). A history of the central limit theorem from classical to modern
probability theory. New York: Springer.
Fisher, R. A. (1918). The correlation between relatives on the supposition of mendelian
inheritance. Royal Society of Edinburgh from Transactions of the Society, 52, 399-
433.
Fisher, R.A. (1922). On the mathematical foundations of theoretical statistics.
Philosophical Transactions of the Royal Society of London, A, 222, 309-368.
Fisher, R.A. (1930). Inverse probability. Proceedings of the Cambridge philosophical
society, 26, 528-535.
Friel, S., Curcio, F. y Bright, G. (2001). Making sense of graphs: critical factors
influencing comprehension and instructional implications. Journal for Research
in mathematics Education 32(2), 124-158.
Gal, I. (2002). Adult's statistical literacy. Meanings, components, responsibilities.
International Statistical Review, 70 (1), 1-25.
Galton, F. (1889). Natural inheritance. London: Macmillan.
Galton, F. (1901). Biometry. Biometrika, 1(1), 7-10.
Galton, F. (1908). Memories of my life. London: Methuen
García, M. (1971). Desarrollo histórico de la teoría de probabilidad. Estadística
Española, 71, 51-86. Online: www.ine.es/revistas/estaespa/estaespa51a60.htm
García, M. (2007). Resignificando el concepto de función lineal en una experiencia de
educación a distancia. Tesis de Maestría. México: CICATA-IPN, México.
Gattuso, L. y Ottaviani, G. (2011). Complementing mathematical thinking and
statistical thinking in school mathematics. En C. Batanero, G. Burrill y C.
Reading (Eds.) (2011). Teaching Statistics in School Mathematics- Challenges for
Teaching and Teacher Education. A Joint ICMI/IASE Study (pp. 121-132). New
York: Springer.
Ghiglione, R. y Matalón, B. (1989). Les enquêtes sociologiques. Théorie et practique.
París: Armand Colin.
Gimeno, J. (1984). Teoría de la enseñanza y desarrollo del currículo. Madrid:
Paraninfo.
Godino, J. D. (1996). Mathematical concepts, their meaning and understanding. En L.
Puig y A. Gutierrez (Eds.), Proceedings of XX Conference of the International
Group for the Psychology of Mathematics Education. (Vol. 2, pp. 417-425).
Valencia, España: PME.
Godino, J. D. (2002). Un enfoque ontológico y semiótico de la cognición matemática.
Recherches en Didactique des Mathématiques, 22(2/3), 237-238.
Godino, J. D. y Batanero, C. (1994). Significado institucional y personal de los objetos
matemáticos. Recherches en Didactique des Mathématiques, 14(3), 325-355.
457
Godino, J. D. y Batanero, C. (1998). Clarifying the meaning of mathematical objects as
a priority area of research in mathematics education. En A. Sierpinska y J.
Kilpatrick (Eds.), Mathematics Education as a research domain: A search for
identity (pp. 177-195). Dordrecht: Kluwer.
Godino, J. D., Batanero, C. y Cañizares, M. J. (1996). Azar y probabilidad. Madrid:
Síntesis.
Godino, J. D. Batanero, C. y Font, V. (2007). The onto-semiotic approach to research in
mathematics education. ZDM. The International Journal on Mathematics
Education, 39 (1-2), 127-135.
Godino, J. D., Batanero, C., Roa, R. y Wilhelmi, M. R. (2008). Assessing and
developing pedagogical content and statistical knowledge of primary school
teachers through project work. En C. Batanero, G. Burrill, C. Reading & A.
Rossman (2008). Proceedings of the Joint ICMI/IASE Study: Teaching Statistics
in School Mathematics. Challenges for Teaching and Teacher Education.
Proceedings of the ICMI Study 18 and 2008 IASE Round Table Conference.
Monterrey: ICMI and IASE. Online: www.stat.auckland.ac.nz/~iase/publications.
Godino, J. D., Contreras A. y Font, V. (2006). Análisis de procesos de instrucción
basado en el enfoque ontológico-semiótico de la cognición matemática.
Recherches en Didactiques des Mathématiques, 26 (1), 39-88.
Godino, J. D., Font, V., Contreras, A. y Wilhelmi, M. R. (2006). Una visión de la
didáctica francesa desde el enfoque ontosemiótico de la cognición e instrucción
matemática. Revista Latinoamerica de Investigación en Matemática Educativa,
9(1), 117-150.
Godino, J., Wilhelmi, M. y Bencomo, D. (2005). Suitability criteria of a mathematical
instruction process. A teaching experience of the function notion. Mediterranean
Journal for Research in Mathematics Education, 4(2), 1-26.
Gómez, B. (2003). La investigación histórica en Didáctica de las matemáticas. En E.
Castro, P. Flores, T. Ortega, L. Rico y A. Vallecillos (Eds.). Investigación en
Educación Matemática. VII Simposio de la Sociedad Española de Investigación
en Educación Matemática (SEIEM) (pp. 79-85). Universidad de Granada.
Gómez, E. (2008). La construcción de la noción de variable. Tesis de doctorado. Centro
de investigación en ciencia aplicada y tecnología avanzada del IPN, México.
Graunt, J. (1968). Natural and political observations mentioned in a following index and
made upon the bills of mortality. En J. Newman (Ed), Sigma: El mundo de las
matemáticas (Vol. 3, pp 108-121). Barcelona: Grijalbo (Trabajo original
publicado en 1662).
Green, D. R. (1982). Testing randomness. Teaching Mathematics and its Application,
1(3), 95-100.
Green, D. R. (1989). School pupils' understanding of randomness. En R. Morris (Ed.),
Studies in Mathematics Education, (Vol. 7, pp. 27-39). París: Unesco.
458
Green, D. R. y Hunt, D.N. (1992). Generation and recognition of random sequences.
Mathematical Education Report ME9102, Department of Mathematical Sciences.
Loughborough, UK: University of Technology.
Gutiérrez, S. (1992). Filosofía de la probabilidad. Valencia, España: Tirant lo Blanc.
Hacking I. (1975). El surgimiento de la probabilidad. Un estudio filosófico de las ideas
tempranas acerca de la probabilidad, la inducción y la inferencia estadística.
Barcelona: Gedisa.
Hald A. (1986). Galileo´s statistical analysis of astronomical observations. International
Statistical Review, 54(2), 211-220.
Hald, A. (2003). A history of probability and statistics and their applications before
1750. New Jersey: John Wiley.
Halley, E.(1693). An estimate of the degrees of the mortality of mankind, drawn from
curious tables of the births and funerals at the city of Breslaw; with an attempt to
ascertain the price of annuities upon lives. Philosophical Transactions of the
Royal Society of London, 17(1), 596-610.
Hawking, S. (2006). Dios creó los números. Los descubrimientos matemáticos que
cambiaron la historia. Barcelona: Crítica.
Hawkins, A., Jolliffe, F. y Glickman, L. (1992). Teaching statistical concepts. Essex:
Longman.
Hawkins, A. y Kapadia, R. (1984). Children’s conceptions of probability: A
psychological and pedagogical review. Educational Studies in Mathematics,
15(4), 349-377.
Heitele, D. (1975). An epistemological view on fundamental stochastic ideas.
Educational Studies in Mathematics, 6(3), 187-205.
Henry, M. (1997). Notion de modéle et modélization en l’enseignement. En Enseigner
les probabilités au lycée, Commission Inter-IREM, Reims, 77-84.
Hernández, J., Noda, A, Palarea, M. y Socas, M. (2003). Estudio sobre habilidades
básicas en matemáticas de alumnos de magisterio. Universidad de La Laguna.
Departamento de Análisis Matemático.
Huberman, A. M. y Miles, M. (1994). Data management and analysis methods. En N.
K. Denzin y Y. S. Lincoln (Eds.), Handbook of qualitative research (pp. 428 –
444). London: Sage Publications.
Huck, S., Cross, T. y Clark, S. (1986). Overcoming misconceptions about z-scores.
Teaching Statistics, 8(2), 38-40.
Huygens, C. (1714). Libellus de ratiociniis in ludo aleae or the value of all chances in
games of fortune. London: T. Woodward. (Trabajo original publicado en 1657).
Online: www.york.ac.uk/depts/maths/histstat/huygens.pdf
459
Inhelder, B. y Piaget, J. (1955). De la logique de l´enfant à la logique de l´adolescent.
París: Presses Universitaires de France.
Johnson, R. y Kuby, P. (2008). Estadística elemental: Lo esencial (10ª Ed). México:
Cengage Learning.
Jones, G. (2005). (Ed), Exploring probability in school: Challenges for teaching and
learning. New York: Springer.
Jones, G., Langrall, C. y Mooney, E. (2007). Research in probability: responding to
classroom realities. In F. Lester (Ed.), Second handbook of research on
mathematics teaching and learning. Greenwich, CT: Information Age Publishing
y NCTM.
Kahneman, D., Slovic, P. y Tversky, A. (1982). Judgement under uncertainty:
heuristics and biases. Cambridge: Cambridge University Press.
Kazak, S. y Confrey, J. (2007). Elementary school students’ intuitive conceptions of
random distribution. International Electronic Journal of Mathematics Education,
2(3). Online: www.iejme.com.
Kolmogorov A. (1956). Foundations of the theory of probability, 2° edition. New York:
Chelsea Publishing Company (trabajo original publicado en 1933).
Konold, C. (1989). Informal conceptions of probability. Cognition and instruction, 6(1),
59-98.
Konold, C., Lohmeier, J., Pollatsek, A., Well, A. D., Falk, R. y Lipson, A. (1991).
Novice views on randomness. En R. G. Underhill (Ed.), Proceedings of the
Thirteenth Annual Meeting of the North American Chapter of the International
Group for the Psychology of Mathematics Education (pp. 167-173). Blacksburg:
Virginia Polytechnic Institute and State University.
Konold, C., Pollatsek, A., Well, A. y Gagnon, A. (1997). Students analyzing data:
Research of critical barriers. En J. B. Garfield & G. Burrill (Eds.), Research on
the role of technology in teaching and learning statistics. Voorburg, The
Netherlands: International Statistical Institute.
Krickeberg, K. (1973). Teoría de la probabilidad. Barcelona: Teide.
Langer, E. J. (1975). The illusion of control. Journal of Personality and Social
Psychology, 32(2), 311-328.
Laplace P. S. (1778). Mémoire sur les probabilités. Mémoires de l'Académie Royale des
Sciences de Paris, 383-485.
Laplace P. S. (1812). Théorie analytique des probabilités. Gauthier-Villars.
Laplace P. S. (2006). Ensayo filosófico sobre las probabilidades. En S. Hawking (Ed),
Dios creó los números. Los descubrimientos matemáticos que cambiaron la
historia (pp. 361-419). Barcelona: Crítica (Trabajo original publicado en 1814).
460
Lecoutre, M. P. (1992). Cognitive models and problem spaces in "purely random"
situations. Educational Studies in Mathematics, 23, 557-568.
Lehmann, E. L. (1994). Jerzy Neyman. En National Research Council (Eds).
Biographical Memoirs (Vol 63, pp. 394-421). Washington, DC: The National
Academies Press.
Lévy P. (1935). Sur la sommabilité des séries aléatoires divergentes. Bulletin de la
Société Mathématique Française, 63, 1-35.
Lévy, P. (1936). Sur quelques points de la théorie des probabilités dénombrables.
Institute Henry Poincaré, 6(2), 153-184.
Lévy P. (1939). L'addition des variables aléatoires définies sur une circonférence.
Bulletin de la Société Mathématique Française, 67, 1-41.
Lévy P. (1959). Esquisse d'une théorie de la multiplication des variables aléatoires.
Annales scientifiques de l'École Normale Supérieure, 3a série, 76(1), 59-82.
Liapounoff, A. M. (1900). Sur une proposition de la théorie des probabilités. Bulletin de
l’Académie Impériale des Sciences de St. Petersburg, 13(4), 359-386.
Liapounoff, A. M. (1901a). Sur théorème du calcul des probabilités. Comptes rendus
hebdomadaires des séances de l’Académie des Sciences de Paris 132(3), 126-128.
Liapounoff, A. M. (1901b). Une proposition générale du calcul des probabilités.
Comptes rendus hebdomadaires des séances de l’Académie des Sciences de Paris,
132(13), 814-815.
Maistrov, L. E. (1974). Probability theory. A historical sketch. New York : Academic
Press.
Makar, K., Bakker, A. y Ben-Zvi, D. (2011). The reasoning behind informal statistical
inference. Mathematical thinking and learning, 13, 152-173.
Mayén (2009). Significados de las medidas de posición central para estudiantes
mexicanos de Bachillerato. Tesis doctoral. Universidad de Granada.
Magnello, M.E. (2009). Karl Pearson and the establishment of mathematical estatistics.
International Statistical Review, 77(1), 3-29.
McLean, M. (2007). The cosmographia of Sebastian Münster: describing the word in
the reformation. Surreu, UK: Ashgate.
Ministerio de Educación y Ciencia/MEC (2006). Real Decreto 1513/2006, de 7 de
diciembre, por el que se establecen las enseñanzas mínimas correspondientes a la
Educación primaria.
Meyer, P. (1989). Probabilidad y aplicaciones estadísticas. México: SITESA: Addison
Wesley Iberoamericana.
Miller, T. K. (1998). The random variable concept in introductory statistics. En L.
Pereira- Mendoza (Ed.). Proceedings of the Fifth International Conference on
Teaching Statistics. (pp. 1221-1222). Singapur: IASE.
461
Mises, R. von (1952). Probabilidad, estadística y verdad. Madrid: Espasa Calpe
(Trabajo original publicado en 1928).
Moivre, A. de (1756). The doctrine of chances or a method of calculating the
probability of events in play, 3rd edition. London: A. Millar.
Moivre, A. de (1984). On the measurement of chance, or, on the probability of events in
games depending upon fortuitous chance. International Statistical Review, 52,
237-262. (Trabajo original publicado en 1712).
Mood, A. y Graybill, F. (1963). Introducción a la teoría de la estadística. Madrid:
Aguilar.
Muñoz, J. y Valverde, J. (2000). Compendio de epistemología. Madrid: Trotta.
Moreno, M.D., Hernández, V., y Socas, M.M. (2010). Interpretación y análisis de los
resultados obtenidos antes y después de un programa de formación sobre los
números decimales. Formación del Profesorado e Investigación en Educación
Matemática, 10,179-222.
Nardecchia, G. y Hevia, H. (2003). Dificultades en la enseñanza del concepto de
variable aleatoria. Trabajo presentado en el V Simposio de Educación Matemática.
Chivilcoy, Argentina.
National Council on Teaching Mathematics [NCTM]. (2000). Principles and standards
for school mathematics. Reston, VA: NCTM. Online: standards.nctm.org/.
Newton, J. H. (2002). A conversation with Emanuel Parzen. Statistical Science, 17(3),
357-378.
Nickerson, R. S. (2002). The production and perception of randomness. Psychological
Review, 109, 330-357.
Olivo, E. (2008). Significados del intervalo de confianza en la enseñanza de la
ingeniería en México. Tesis Doctoral. Universidad de Granada.
Ortiz J. J. (2002). La probabilidad en los libros de texto. Granada: Grupo de
investigación en educación estadística.
Oseguera, F. (1994). El concepto de variable aleatoria en el contexto del currículo.
Análisis y Alternativas. Tesis de Maestría. Cinvestav, México.
Pascal, B. (1963). Traité du triangle arithmétique. En Œuvres Complètes (pp. 43-49).
París: Seuil. (Trabajo original publicado en 1654).
Pascal, B. y Fermat, P. (2007). Correspondencia entre Pascal y Fermat durante 1654. En
J. Basurto y J. A. Camuñez (Eds.), La geometría del azar (pp. 231-278). Madrid:
Nivola. (Trabajo original publicado en 1654).
Parzen, E. (1971). Teoría moderna de probabilidades y sus aplicaciones. México:
Limusa.
Pearson, E. S. y Kendall, M. (1970) (Eds). Studies in the history of statistics and
probability. Londres: Charles Griffin.
462
Pearson, K. (1893). Contributions to the mathematical theory of evolution. Journal of
the Royal Statistical Society, 56(4), 675-679.
Pearson, K. (1894). Contributions to the mathematical theory of evolution.
Philosophical Transactions of the Royal Society. Series A, 185, 71-110.
Pearson, K. (1902). On the systematic fitting of curves to observations and
measurements. Biometrika, 1(3), 265-303.
Pearson, K. (1924). Historical note on the origin of the normal curve of errors.
Biometrika, 16(3), 402-404.
Pérez Echeverría, M. P. (1990). Psicología del razonamiento probabilístico. Madrid:
ICE de la Universidad Autónoma.
Petrov, V. y Mordecki, E. (2002). Teoría de probabilidades. Moscú: Editorial URSS.
Piaget, J. (1991). Introducción a la epistemología genética, (Vol I) (Trad. M. T.
Cevasco y Fischman). México: Paidós. (Trabajo original publicado en 1950).
Piaget, J. e Inhelder, B. (1951). La genèse de l'idée de hasard chez l'enfant. Paris:
Presses Universités de France.
Poincare, H. (1979). El azar. En J. Newman (Ed), Sigma: El mundo de las matemáticas
(Vol. 3, pp. 68-82). Barcelona: Grijalbo (Trabajo original publicado en 1908).
Poisson, S. D. (1832). Suite du mémoire sur la probabilité des résultats moyens des
observations, inséré dans la connaissance des temps pour l’an 1827, Connaissance
des temps pour l’an 1832, 3-22. (Leído a la academia el 20 de abril de 1829).
Poisson, S. D. (1837). Recherches sur la probabilité des jugements en matière
criminelle et en matière civile. Paris: Bachelier. Online:
gallica.bnf.fr/ark:/12148/bpt6k110193z.pagination.
Polya, G. (1965). Cómo plantear y resolver problemas. México: Trillas.
Prodromou, T. y Pratt, D. (2006). The role of causality in the co-ordination of two
perspectives on distribution within a virtual simulation. Statistics Education Research
Journal, 5(2), 69–88. Online: http://iase-web.org/Publications.php?p=SERJ_issues.
Reading, C. y Canada, D. (2011). Teachers’ knowledge of distribution. En C. Batanero,
G. Burrill y C. Reading (Eds.) (2011). Teaching statistics in school mathematics-
challenges for teaching and teacher education. A joint ICMI/IASE Study (pp. 223-
234). New York: Springer.
Reading, C. y Shaughnessy, J. M. (2004). Reasoning about variation. En J. Garfield &
D. Ben-Zvi (Eds.), The challenge of developing statistical literacy, reasoning and
thinking (pp. 201-226). Dordrecht: Kluwer.
Ríos, S. (1967). Métodos estadísticos. Madrid: Del Castillo.
Ríos, S. (1994). La revolución probabilística. Historia de la Matemática, 135-147.
463
Rossman, A. (2008). Reasoning about informal statistical inference: One statistician's
view. Statistics Education Research Journal, 7(2), 40-58.
Rouanet, H. (1998). Significance testing in a Bayesian framework: Assessing direction
of effects. Behavioral and Brain Sciences, 21, 217-218.
Rubin, A., Hammerman, J. y Konold, C. (2006). Exploring informal inference with
interactive visualization software. En A. Rossman y B. Chance (Eds.),
Proceedings of the Seventh International Conference on Teaching Statistics.
Salvador (Bahía): International Association for Statistical Education. CD ROM.
Ruiz, B. (2006). Un acercamiento cognitivo y epistemológico a la didáctica del
concepto de variable aleatoria. Centro de investigación en ciencia aplicada y
tecnología avanzada del IPN, México.
Ruiz, B., Albert, A. y Batanero, C. (2003). Hacia una didáctica de la variable aleatoria.
Actas del 27 Congreso Nacional de Estadística e Investigación Operativa (pp.
1013-1030). Lérida: SEIO. CD ROM.
Ruiz, B., Albert, A. y Batanero, C. (2006). An exploratory study of students’ difficulties
with random variables. En A. Rossman y B. Chance (Eds.), Proceedings of the
Seventh International Conference on Teaching Statistics. Salvador (Bahía):
International Association for Statistical Education. CD ROM.
Ruiz, B., Arteaga, P. y Batanero, C. (2009a). Uso de promedios y dispersión en la
comparación de distribuciones por futuros profesores. Actas del VI Congreso
Iberoamericano de Educación Matemática (pp. 1351-1356). Puerto Mont, Chile:
Universidad de Los Lagos.
Ruiz, B., Arteaga, P. y Batanero, C. (2009b). La comparación de distribuciones, ¿una
actividad sencilla para los futuros profesores? Actas del II Encontro da
Probabilidade e Estatística na Escola. CD-ROM. Universidad de Minho, Braga,
Portugal.
Ruiz, B., Batanero, C. y Arteaga, P. (2011). Vinculación de la variable aleatoria y
estadística en la realización de inferencias informales por parte de futuros
profesores. Bolema 24 (39), 413-429.
Ruiz, B. y Sánchez, T. (2007). La variable aleatoria como una idea fundamental dentro
del currículum escolar. Actas de las XIII Jornadas sobre Enseñanza y Aprendizaje
de las Matemáticas. Granada, España: Federación Española de Profesores de
Matemáticas.
Sánchez, T., Albert, J. A. y Ruiz, B. (2011). Elementos cognitivos del estadístico como
variable aleatoria en las distribuciones muestrales: el caso de la media. En: J.D.
Zacarías. Memorias del Primer Encuentro Internacional en la Enseñanza de la
probabilidad y la estadística. CD-ROM. Benemérita Universidad Autónoma de
Puebla, México.
464
Scheaffer. R. L. (2006). Statistics and mathematics: On making a happy marriage. En G.
Burrill (Ed.), NCTM 2006 Yearbook: Thinking and reasoning with data and
chance (pp. 309-321). Reston, VA: NCTM.
Secretaria de Educación Pública [SEP]. (2006). Planes y programas de estudio para la
reforma de la educación secundaria. México: Subsecretaría de Educación Básica
de la Secretaría de Educación Pública. Online: www.sep.gob.mx/
Seneta, E. (1966). Markov and the birth of chain dependence theory. International
Statistical Review 64 (3), 255-263.
Serradó, A., Cardeñoso, J. M. y Azcárate, P. (2005). Los obstáculos en el aprendizaje
del conocimiento probabilístico: Su incidencia desde los libros de texto. Statistics
Education Research Journal 4(2), 59-81.
Serrano, L. (1996). Significados institucionales y personales de objetos matemáticos
ligados a la aproximación frecuencial a la enseñanza de la probabilidad. Tesis
Doctoral. Universidad de Granada, España.
Serrano, L., Batanero, C. y Cañizares, M. J. (1999). Concepciones sobre distribuciones
aleatorias planas en alumnos de secundaria. Epsilon, 43-44, 149-162.
Serrano, L., Batanero, C., Ortiz, J. J. y Cañizares, M. J. (2001). Concepciones de los
alumnos de secundaria sobre modelos probabilísticos en las secuencias de
resultados aleatorios. Suma, 36, 23-32.
Sfard, A. (1991). On the dual nature of mathematical conceptions: Reflections on
processes and objects as different sides of the same coin. Educational Studies in
Mathematics, 22 (1), 1-36.
Shaughnessy, J. M. (1992). Research in probability and statistic: Reflections and
directions. En D. A. Grouws (Ed.), Handbook of Research on Mathematics
Teaching and Learning (pp. 465-494). New York: Macmillan Publishing
Company.
Shaughnessy, J. M. (2007). Research on statistics learning and reasoning. En F. Lester
(Ed.), Second Handbook of Research on Mathematics Teaching and Learning (pp.
957-1010). Greenwich, CT: Information Age Publishing, Inc, y NCTM.
Shaughnessy, J. M., y Ciancetta, M. (2002). Students’ understanding of variability in a
probability environment. En B. Phillips (Ed.), Proceedings of the Sixth
International Conference on Teaching Statistics. Cape Town, South Africa:
International Statistics Institute [CD-Rom].
Sierpinska, A. (1992). On understanding the notion of function. En E. Dubinsky y G.
Harel (Eds.) The concept of function: Aspects of epistemology and pedagogy.
(Notes, Vol. 25, pp 25-58). Washington: Mathematical Association of America.
Student (1908). The probable error of a mean. Biometrika, 6, 1–25.
Sylla, E. D. (2006). Ars conjectandi together with letter to a friend on sets in court
tennis. Baltimore: The Johns Hopkins University Press.
465
Tauber, L. (2001). La construcción del significado de la distribución normal a partir de
actividades de análisis de datos. Tesis Doctoral. Universidad de Sevilla, España.
Tauber, L., Batanero, C. y Sánchez, V. (2005). Diseño, implementación y análisis de
enseñanza de la distribución normal en un curso universitario. EMA, 9 (2), 82-
105.
Tchebychef, P. L. (1899a). Démonstration élémentaire d’une proposition générale de la
théorie des probabilités. En A. Markoff y N. Sonin (Eds.), Œuvres de P. L.
Tchebychef, (Vol. 1, pp. 15-26). San Petersburgo: Académie Impériale des
sciences. (Trabajo original publicado en 1846).
Tchebychef, P. L. (1899b). Des valeurs moyennes. En A. Markoff y N. Sonin (Eds.),
Œuvres de P. L. Tchebychef, (Vol. 1, pp. 687-694). San Petersburgo: Académie
Impériale des sciences. (Trabajo original publicado en 1867).
Tchebychef, P. L. (1899c). Sur deux théorèmes relatifs aux probabilités. En A. Markoff
y N. Sonin (Eds.), Œuvres de P. L. Tchebychef, (Vol. 2, pp. 479-491). San
Petersburgo: Académie Impériale des sciences. (Trabajo original publicado en
1887).
Toohey, P. G. (1995). Adolescent perceptions of the concept of randomness. Tesis de
Maestría. University of Adelaide.
Truran, J. (1994). Children’s intuitive understanding of variance. En J. Garfield (Ed.),
Research papers from the Fourth International Conference on Teaching Statistics.
Minneapolis, MN: The International Study Group for Research on Learning
Probability and Statistics.
Vallecillos, A. (1996). Inferencia estadística y enseñanza: Un análisis didáctico del
contraste de hipótesis estadísticas. Madrid: Comares.
Vallecillos, A. (1999). Some empirical evidence on learning difficulties about testing
hypotheses. Bulletin of the International Statistical Institute: Proceedings of the
Fifty-Second Session of the International Statistical Institute (Tome LVIII, Book
2, pp. 201-204). Helsinki: International Statistical Institute.
Vergnaud, G. (1990). La théorie des champs conceptuels. Recherches en Didactique de
Mathématiques, 10(2-3), 133-170.
Wackerly, D., Mendenhall, W. y Scheaffer L. (2002). Estadística matemática con
aplicaciones. México: Thompson.
Walpole, R., Myers, R. y Myers, Sh. (1999). Probabilidad y estadística para ingenieros
(6ª Ed.) (trad. R. Cruz). México: Prentice-Hall Hispanoamericana, S. A. (Trabajo
original publicado en 1998).
Watson, J. M. (2001). Longitudinal development of inferential reasoning by school
students. Educational Studies in Mathematics, 47, 337-372.
Watson, J. M., & Moritz, J. B. (1999). The beginning of statistical inference:
Comparing two data sets. Educational Studies in Mathematics, 37,145-168.
466
Weber, R. P. (1985). Basic content analysis. Londres: Sage.
Wild, C. y Pfannkuch, M. (1999). Statistical thinking in empirical enquiry (con
discussion). International Statistical Review, 67 (3), 223-265.
Yuren, M.T. (2006). Leyes, teorías y modelos (3ª ed). México: Trillas
Zabell, S. L. (1992). Randomness and statistical applications. En F. Gordon and S.
Gordon (Eds,), Statistics for the XX1 Century. The Mathematical Association of
America.
Zieffler, A., Garfield, J., Delmas, R. y Reading, C. (2008). A framework to support
research on informal inferential reasoning. Statistics Education Research Journal,
7(2), 40-58.
467

Ruiz 2016 PDF

Cargado por

Copyright:

Formatos disponibles

Ruiz 2016 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ruiz 2016 PDF

Cargado por

Copyright:

Formatos disponibles

ANÁLISIS EPISTEMOLÓGICO DE LA VARIABLE ALEATORIA Y

COMPRENSIÓN DE OBJETOS MATEMÁTICOS RELACIONADOS POR

Blanca Ruiz Hernández

Directora: Carmen Batanero

PARTE II: ESTUDIOS EPISTEMOLÓGICOS

Capítulo 3. Estudio 1: Análisis epistemológico desde la disciplina

PARTE III: ESTUDIOS COGNITIVOS

Capítulo 5. Estudio 3: Entrevista clínica

Capítulo 6. Estudio 4: Evaluación a través de un proyecto abierto

8. REFERENCIAS BIBLIOGRÁFICAS, 451

Actualmente existe un rezago en las instituciones educativas, con respecto a la demanda

 Capítulo 1. Se presentan los fundamentos del trabajo, mediante la

organizar los datos proporcionados, de modo que, en teoría, el primer paso

La tesis finaliza con las conclusiones, referencias y algunos anexos incluidos en

2.1. Demanda social y desarrollo de la educación en estadística

áreas matemáticas de más actualidad: la estadística. Los gobiernos y empresas exigen de

En los últimos años, tanto en los congresos celebrados por el Grupo

2.2. Rezago de las instituciones educativas

enseñar estadística en la escuela sólo consiste en realizar cálculos o demostrar teoremas

Estadística para Economistas, Estadística para Ciencias Biológicas y hay intentos

2.3. Problemas de la enseñanza y el aprendizaje de la estadística

2.4. El objeto de estudio: La variable aleatoria

3.1. Teoría de situaciones didácticas

actividad del estudiante. En los párrafos siguientes describiremos brevemente algunos

3.1.1. Teoría de la equilibración mayorante de Piaget

Una de las ideas centrales de la Teoría de la Equilibración mayorante de Piaget (1991)

En la acción elemental todavía no puede hablarse, en sentido estricto, ni de un

3.1.2. Situaciones a‐didácticas

Brousseau (1997) sostiene que la concepción moderna de la enseñanza es pedir al

enseñado en un momento dado y el sentido particular que este conocimiento va a tomar.

3.1.3. Situación didáctica

La situación o el problema elegido por el profesor es una parte esencial de la siguiente

decir, los estudiantes deben poder pensar y planear la respuesta del

La situación didáctica implica una interacción dialéctica del estudiante con

3.1.4. Concepciones y errores

Como ya se ha mencionado, para Piaget el desarrollo del conocimiento se realiza a

muy próximo al «concepto» de Vergnaud, entendido como una tripleta

Aunque en nuestro trabajo, en principio estamos interesados por el punto de

3.2. Elementos del enfoque onto‐semiótico

3.2.1. Significado de un objeto matemático

entidades culturales socialmente compartidas que emergen y evolucionan

3.2.2. Objetos que intervienen en los sistemas de prácticas

Godino se basa en diferentes autores principalmente para desglosar el significado del

Dentro de esta teoría, una persona comprende un objeto matemático cuando se

a la competencia como a la comprensión puesto que en cada uno de ellos se puede

3.2.3. Facetas duales del conocimiento matemático

Para el análisis de la actividad matemática también es necesario considerar una serie de

perceptibles como tales. El lenguaje es el medio por el cual se expresan los

Nosotros nos centramos en la faceta personal- institucional, porque partiendo del

3.2.4. Idoneidad Didáctica

Desde la perspectiva del enfoque onto-semiótico de la cognición matemática, la

interaccional, mediacional y emocional (Godino, Wilhelmi y Bencomo, 2005; Godino,

Estos criterios de idoneidad tienen la finalidad de orientar el diseño, la

1. Llevar a cabo un análisis a priori sobre la variable aleatoria desde el punto de

2. Llevar a cabo una exploración cognitiva de la comprensión intuitiva que

LA VARIABLE ALEATORIA COMO INSTRUMENTO DE MODELACIÓN:

Figura 1.1. Estructura general de la investigación

En la justificación y fundamentación de la investigación (Figura 1.2),

MARCO TEÓRICO METODOLOGÍA ANTECEDENTES