Probabilidad y Estadística para Niños: Experimentos con Dados, Monedas y Cartas

En 2004, el equipo de béisbol de Boston Red Sox rompió una “maldición” de 86 años de no ganar la Serie Mundial. Los medios hablaban de destino y karma. Los estadísticos hablaban de regresión a la media y varianza muestral. Ambos estaban describiendo lo mismo — pero solo los estadísticos podían predecir qué pasaría en series futuras.

La probabilidad y la estadística son el idioma con el que el mundo real comunica la incertidumbre. Desde los pronósticos del tiempo (“70% de probabilidad de lluvia”) hasta los análisis médicos (“riesgo relativo de 2.3”), desde los deportes hasta las decisiones de inversión, las personas que entienden probabilidad toman mejores decisiones sistemáticamente. Y se aprende con dados, monedas, y cartas.

Puntos clave

• La probabilidad de un evento = número de casos favorables / número de casos totales. La probabilidad de sacar un “3” en un dado justo = 1/6 ≈ 16.7%
• La Ley de los Grandes Números: a medida que haces más experimentos, la frecuencia observada se acerca a la probabilidad teórica. Con 10 lanzamientos, el resultado puede alejarse mucho de 50-50. Con 10,000, estará muy cerca
• La falacia del jugador: creer que eventos independientes pasados afectan los futuros. Un dado no recuerda sus lanzamientos anteriores. Una moneda sin memoria no “debe” cara después de 5 cruces consecutivas
• La distribución normal (campana de Gauss) aparece en casi todos los fenómenos naturales: alturas, pesos, resultados de exámenes, tiempos de carrera. El 68% de los datos cae dentro de 1 desviación estándar de la media
• La estadística descriptiva (promedio, mediana, moda, rango, desviación estándar) resume datos. La estadística inferencial hace predicciones sobre poblaciones a partir de muestras

La Historia de la Probabilidad: Pascal, Fermat y el Problema del Caballero de Méré

La teoría de la probabilidad moderna comenzó en 1654 con una pregunta de Chevalier de Méré, un jugador francés. De Méré le preguntó al matemático Blaise Pascal: ¿cuál es la probabilidad de obtener al menos un doble 6 en 24 lanzamientos de dos dados? Pascal y Pierre de Fermat resolvieron este problema por carta — y al hacerlo fundaron la teoría de la probabilidad.

La respuesta: la probabilidad de NO obtener doble 6 en un lanzamiento es 35/36. La probabilidad de no obtenerlo en 24 lanzamientos es (35/36)²⁴ ≈ 50.9%. Entonces la probabilidad de obtener al menos un doble 6 en 24 lanzamientos es ~49.1% — ligeramente menor al 50%. De Méré apostaba que obtendría doble 6 en 24 lanzamientos y sistemáticamente perdía dinero a largo plazo.

Cómo Enseñarle Esto a tu Hijo

Edades 5-8: La Moneda que No Recuerda

El experimento más simple de probabilidad: lanzar una moneda muchas veces y registrar los resultados.

Materiales: 1 moneda, papel cuadriculado para graficar, lápiz de colores.

Procedimiento: lanza la moneda 20 veces. Antes de cada lanzamiento, haz que el niño prediga si saldrá cara o cruz. ¿Puede predecir mejor que el azar?

Resultado esperado: después de 20 lanzamientos, el número de caras estará entre 6 y 14 (la mayoría de las veces) — rara vez exactamente 10. Esto se llama “variabilidad aleatoria.”

Ahora haz el experimento acumulativo: en papel cuadriculado, dibuja el porcentaje de caras después de cada lanzamiento. Empieza con 1 lanzamiento (0% o 100% de caras). Después de 2 lanzamientos (0%, 50%, o 100%). Continúa hasta 20. Observa cómo el porcentaje fluctúa mucho al principio y se estabiliza cerca del 50% hacia el final.

Para niños pequeños: “La moneda no sabe qué salió antes. No le importa que hayan salido 5 cruces seguidas — la próxima vez sigue siendo 50-50.”

Edades 9-12: El Experimento de los Dados y la Suma de Dos Dados

Experimento avanzado: lanzar dos dados y registrar la suma. La distribución de sumas no es uniforme — algunas sumas son más probables que otras.

Materiales: 2 dados de 6 caras (de cualquier juego de mesa), tabla de registro.

Teoría: hay 36 combinaciones posibles cuando se lanzan 2 dados (6 × 6). La suma 7 puede obtenerse de 6 maneras (1+6, 2+5, 3+4, 4+3, 5+2, 6+1) → probabilidad 6/36 = 1/6 ≈ 16.7%. La suma 2 solo de 1 manera (1+1) → probabilidad 1/36 ≈ 2.8%.

Experimento: lanza los dos dados 36 veces. Registra la suma de cada lanzamiento. Compara la distribución observada con la teórica. ¿La suma 7 apareció ~6 veces (1/6 de 36)? ¿La suma 2 apareció 0 o 1 vez?

Con los datos, dibuja un histograma de barras (frecuencia vs. suma). La distribución teórica es una “campana” simétrica centrada en 7.

Edades 13+: Simulación de Monte Carlo en Python (o Scratch)

El método Monte Carlo usa la aleatoriedad para estimar valores difíciles de calcular analíticamente. Ejemplo clásico: estimar el valor de π usando puntos aleatorios en un cuadrado.

Concepto: inscribe un círculo de radio 1 en un cuadrado de lado 2 (esquinas en -1,-1 a 1,1). La probabilidad de que un punto aleatorio dentro del cuadrado caiga también dentro del círculo es: área del círculo / área del cuadrado = π(1²) / (2²) = π/4. Si generas millones de puntos aleatorios y mides qué fracción cae dentro del círculo, esa fracción × 4 ≈ π.

En Python:

import random
puntos_totales = 0
puntos_en_circulo = 0
for _ in range(100000):  # 100,000 puntos
    x = random.uniform(-1, 1)
    y = random.uniform(-1, 1)
    if x**2 + y**2 <= 1:  # ¿Cae dentro del círculo?
        puntos_en_circulo += 1
    puntos_totales += 1
pi_estimado = 4 * puntos_en_circulo / puntos_totales
print(f"π estimado: {pi_estimado}")  # Debería ser ~3.14...

Con 100,000 puntos, el resultado suele estar entre 3.13 y 3.15. Con 1,000,000 puntos, entre 3.141 y 3.142.

La pregunta para verificar: “Si lanzas 2 dados y sumas los resultados, ¿cuál suma tiene la mayor probabilidad? ¿Y cuáles tienen la menor? ¿Por qué? Explica con el número de combinaciones posibles, no solo con intuición.”

Probabilidad en la Vida Real LATAM

Aplicación	Concepto de probabilidad	Ejemplo concreto
Pronóstico del tiempo	Probabilidad de eventos	”70% de lluvia” = en días similares, llueve 7 de cada 10
Lotería Nacional (México, Colombia)	Probabilidades muy pequeñas	Lotería Nacional MX: ~1 en 10 millones
Fútbol (resultados de partidos)	Estadística inferencial	Las métricas de xG (goles esperados) predicen mejor que la intuición
Salud / medicina	Riesgo relativo	”Riesgo 2× mayor” = 2% vs 1%, no 50% vs 100%
Encuestas y elecciones	Estadística muestral	Margen de error de ±3% con 95% de confianza
Inversiones y finanzas	Distribución de retornos	La volatilidad histórica predice rangos probables futuros

Qué Observar en los Próximos 3 Meses

Mes 1: El proyecto de 1,000 lanzamientos de moneda. Divide el trabajo: 4 personas lanzan 250 monedas cada una (o usa una app de lanzamiento de moneda). Registra cada resultado (C o X). Al final, grafica los resultados acumulados. ¿El total se acerca al 50-50? ¿Hubo rachas de 8, 9, o 10 resultados consecutivos iguales? (Con 1,000 lanzamientos, una racha de 8 o más es estadísticamente esperada y normal — no es evidencia de que la moneda está trucada.)

Mes 2: Analiza las estadísticas de tu equipo de fútbol favorito. Los datos de fútbol están disponibles en sofascore.com, fbref.com, y estadísticas de las ligas (Liga MX, Liga BetPlay Colombia, Superliga Argentina). Elige 10 partidos de tu equipo. Analiza: ¿cuántos goles por partido marca en promedio (media)? ¿Cuántos en el partido típico (mediana)? ¿Cuánto varía (rango, desviación estándar)? ¿Hay correlación entre la posesión de balón y los goles marcados?

Mes 3: El experimento de las medidas. Mide la altura de 30 personas (familiares, compañeros de clase). Calcula la media, mediana, y desviación estándar. Dibuja un histograma. ¿La distribución se parece a una campana normal? Compara con la distribución de alturas nacional de tu país (disponible en estadísticas del INEGI en México o similares). ¿Tu muestra de 30 personas es representativa de la población nacional?

Preguntas Frecuentes

¿Cómo sé si un dado es “justo” (no cargado)?

Para verificar si un dado es justo estadísticamente, necesitas lanzarlo muchas veces y aplicar la prueba Chi-cuadrado (χ²). Lanza el dado 60 veces (10 veces el número de caras). La expectativa si es justo: cada número debería salir ~10 veces. El estadístico χ² mide qué tan lejos están los resultados observados de los esperados. Si χ² > 11.07 (para 5 grados de libertad y nivel de significancia 0.05), hay evidencia estadística de que el dado no es justo. Para dados físicos baratos, ligeras desigualdades son comunes pero raramente estadísticamente significativas.

¿Para qué sirve la desviación estándar?

La desviación estándar (σ) mide la dispersión de los datos alrededor de la media. Si la calificación promedio de un examen es 70 y la desviación estándar es 5, el 68% de los estudiantes obtuvo entre 65 y 75. Si σ es 20, el 68% obtuvo entre 50 y 90 — mucho más disperso. La desviación estándar es fundamental en control de calidad (las fábricas de México usan Six Sigma — mantener los defectos a menos de 3.4 por millón requiere que el proceso esté a 6σ de los límites), finanzas (la volatilidad de una acción es su desviación estándar diaria), y ciencia (los resultados se reportan como “media ± σ”).

¿Por qué las encuestas tienen “margen de error”?

Una encuesta pregunta a 1,000 personas para inferir la opinión de 130 millones (México) o 52 millones (Colombia). Nunca puedes estar 100% seguro de que la muestra de 1,000 representa exactamente a los 130 millones. El “margen de error ±3% con 95% de confianza” significa: si repitieras la encuesta 100 veces con diferentes muestras de 1,000 personas, 95 de esas 100 repeticiones darían un resultado dentro de ±3% del resultado real de toda la población. El margen de error depende del tamaño de la muestra: una muestra de 100 tiene ±10%, de 1,000 tiene ±3%, de 10,000 tiene ±1%.

---

Sobre el autor Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

Fuentes

1. Pascal, B. & Fermat, P. (1654). Correspondencia sobre el Problema de los Puntos (Cartas históricas reproducidas en: Todhunter, I. (1865). A History of the Mathematical Theory of Probability. Macmillan, Cambridge.)
2. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. Capítulos 14-16: La ilusión de la comprensión del azar.
3. Secretaría de Educación Pública. (2022). Matemáticas — Probabilidad y Estadística, Primaria y Secundaria. SEP México.
4. Gigerenzer, G. & Edwards, A. (2003). Simple tools for understanding risks: from innumeracy to insight. BMJ, 327(7417), 741-744.
5. Instituto Nacional de Estadística y Geografía (INEGI). (2023). Censos y Encuestas — Metodología de Muestreo. https://www.inegi.org.mx/programas/intercensal/2015/default.html
6. FBRef.com. (2024). Football Statistics and History. https://fbref.com (Datos estadísticos de fútbol para uso educativo.)