La historia de la probabilidad

Probabilidad es la rama de las matemáticas que cuantifica la incertidumbre. Se define como un número entre 0 y 1 que mide la posibilidad de que ocurra un evento específico dentro de un experimento aleatorio. Esta disciplina permite transformar la intuición sobre el azar en cálculos precisos, fundamentales para la toma de decisiones en contextos donde la información no es completa.

El desarrollo de la teoría de la probabilidad ha sido esencial para el avance de la ciencia moderna. Desde los dados en el Egipto antiguo hasta los algoritmos de inteligencia artificial en 2026, la capacidad de predecir resultados inciertos ha permitido estructurar el caos. La evolución de este campo demuestra cómo una herramienta inicialmente intuitiva se convirtió en un pilar riguroso del pensamiento lógico y estadístico.

Definición y concepto

La probabilidad es una rama de las matemáticas dedicada al estudio de los fenómenos aleatorios. Su objetivo principal es cuantificar el grado de incertidumbre asociado a un evento. Para entenderlo, es vital distinguir entre el azar y la probabilidad. El azar es el fenómeno mismo: el resultado impredecible de lanzar una moneda. La probabilidad es la herramienta de medida: el número que asignamos a ese resultado para predecir su frecuencia a largo plazo. Sin esta distinción, los datos pierden su poder predictivo.

Los tres enfoques fundamentales

La definición de probabilidad no es única. Depende de cómo interpretemos la incertidumbre. Existen tres enfoques históricos que dominan la teoría moderna: el clásico, el frecuentista y el subjetivo.

El enfoque clásico, asociado a Pierre-Simon Laplace, asume que todos los resultados posibles son igualmente probables. Se define como el cociente entre el número de casos favorables y el número total de casos posibles. Este método es intuitivo pero requiere que el espacio muestral sea finito y simétrico.

Donde $P(A)$ es la probabilidad del evento A, $n_A$ es el número de casos favorables y $n_{\Omega }$ es el número total de casos posibles. Este enfoque funciona bien para dados justos, pero falla cuando la simetría se rompe.

El enfoque frecuentista define la probabilidad como el límite de la frecuencia relativa de un evento cuando el número de ensayos tiende a infinito. Si lanzamos una moneda muchas veces, la proporción de caras se estabiliza cerca de 0.5. Este enfoque es objetivo y basado en datos empíricos, ideal para la estadística industrial.

Dato curioso: El enfoque frecuentista requiere que el experimento sea repetible bajo las mismas condiciones. Esto hace que sea difícil aplicarlo a eventos únicos, como "la probabilidad de que llueva mañana en París".

El enfoque subjetivo o bayesiano trata la probabilidad como un grado de creencia racional. No depende solo de datos pasados, sino de la información disponible en un momento dado. Este enfoque permite actualizar las probabilidades a medida que llegan nuevos datos, utilizando el teorema de Bayes. Es fundamental en la inteligencia artificial y la toma de decisiones bajo incertidumbre.

Cada enfoque tiene sus fortalezas y limitaciones. El clásico es simple pero rígido. El frecuentista es objetivo pero requiere grandes muestras. El subjetivo es flexible pero depende del observador. Elegir el adecuado depende del contexto del problema.

¿Cómo surgieron las primeras nociones de azar en la antigüedad?

El concepto de azar en la antigüedad era fundamentalmente cualitativo. Lejos de ser una magnitud medible, se percibía como una fuerza cósmica o divina que intervenía en los destinos humanos y naturales. Esta visión dominó durante milenios antes de que los matemáticos intentaran cuantificar la incertidumbre.

Juegos y rituales: el dado como herramienta social

En el Antiguo Egipto, hacia el 3000 a.C., se utilizaban los astrágalos, huesos de las patas de los animales (generalmente ovejas o cabras), para decidir el destino. Estos huesos no eran perfectamente simétricos, lo que introducía una ligera sesgo en el resultado, aunque los jugadores lo aceptaban como parte del juego. Más tarde, en Grecia, el dado de seis caras se convirtió en un símbolo del caos. Los griegos asociaban el azar con Tyche, la diosa de la fortuna, cuya naturaleza era impredecible y a menudo caprichosa.

Dato curioso: Los dados egipcios originales eran de forma cúbica pero con caras irregulares. No buscaban la perfección geométrica absoluta, sino una distribución "justa" suficiente para el juego.

El azar también era una herramienta política fundamental. En la democracia ateniense del siglo V a.C., el sorteo (sortition) era el método principal para seleccionar a los miembros de la Boule (el consejo de ciudadanos). La lógica era simple: si todos los ciudadanos eran potencialmente iguales, el azar era la forma más justa de evitar la corrupción y el predominio de los oradores más hábiles. El destino de la polis dependía de la suerte, literalmente.

La falta de cuantificación numérica

A pesar de su uso constante, los antiguos no asignaban valores numéricos a los resultados. Decir que había "un tercio de posibilidades" era raro. En su lugar, utilizaban términos como "probable", "posible" o "seguro". Esta falta de precisión numérica significaba que el azar se entendía más como una categoría lógica que como una medida estadística. La probabilidad era una cualidad del evento, no una fracción del espacio muestral.

Hiparco y los primeros intentos de medición

Una excepción notable fue Hiparco de Nicea, un astrónomo y matemático del siglo II a.C. Aunque no dejó una obra completa titulada específicamente sobre la probabilidad, sus trabajos sobre la precesión de los equinoccios implicaron un uso implícito de la probabilidad para estimar errores. Hiparco comparó sus observaciones con las de sus predecesores para determinar la fiabilidad de los datos. Este enfoque empírico fue un paso crucial hacia la cuantificación del azar, aunque aún no se expresaba con las fórmulas modernas.

La consecuencia es directa: sin una notación matemática estandarizada, el azar permaneció como un concepto filosófico y práctico, más que teórico. No sería hasta el siglo XVII, con Pascal y Fermat, que el azar se convertiría en un número.

El nacimiento de la teoría: la correspondencia entre Pascal y Fermat

El estudio sistemático de la incertidumbre no siempre fue una disciplina matemática rigurosa. Antes de la mitad del siglo XVII, los dados y las monedas eran más bien asuntos de la intuición o la estadística empírica. El punto de inflexión llegó en 1654, cuando el matemático francés Blaise Pascal se puso en contacto con su colega Pierre de Fermat a través de una serie de cartas. Esta correspondencia, impulsada inicialmente por el problema de los puntos, transformó la probabilidad de una curiosidad lúdica en una herramienta analítica poderosa.

El problema de los puntos

La discusión comenzó con un desafío planteado por el noble y jugador Chevalier de Méré. El problema de los puntos (o Partitio Partium) surge cuando dos jugadores deben interrumpir una partida antes de que uno alcance la puntuación necesaria para ganar. La pregunta era: ¿cómo se debe repartir la apuesta total de manera justa? En aquel entonces, la solución más común consistía en dividir el bote proporcionalmente a las partidas ya jugadas, lo que a menudo ignoraba el estado actual de la puntuación.

Pascal y Fermat abordaron el problema desde ángulos distintos pero complementarios. Pascal utilizó un enfoque recursivo, analizando los posibles resultados paso a paso hacia atrás desde el final del juego. Fermat, por su parte, empleó un método más combinatorio, considerando todos los resultados posibles que podrían haber ocurrido si el juego hubiera continuado hasta el fin. Ambos llegaron a la misma conclusión: la clave estaba en contar los futuros escenarios posibles, no solo los pasados.

Dato curioso: Aunque Pascal y Fermat sentaron las bases, ninguno de los dos publicó sus hallazgos de inmediato. Fue necesario que otros matemáticos recopilaran y difundieran sus cartas para que la teoría tomara forma pública.

Esperanza matemática y la contribución de Huygens

La correspondencia introdujo implícitamente el concepto de esperanza matemática. Este principio establece que el valor esperado de una apuesta justa es la suma de los productos de cada resultado posible por su respectiva probabilidad. Esta noción permitió cuantificar el riesgo y el beneficio en términos numéricos precisos.

El holandés Christiaan Huygens, influenciado por las cartas de Pascal, escribió De Ratiociniis in Ludo Aleae (Sobre los razonamientos en los juegos de azar), publicado póstumamente en 1656. Se considera la primera monografía dedicada exclusivamente a la teoría de la probabilidad. Huygens estructuró los conceptos de Pascal y Fermat en una serie de proposiciones claras, facilitando la adopción de la teoría por parte de otros sabios.

La fórmula básica de la esperanza matemática se expresa como:

Donde $x_i$ representa cada resultado posible y $P(x_i)$ su probabilidad asociada. Esta ecuación simple permitió a los científicos calcular el valor promedio a largo plazo de una variable aleatoria. La consecuencia es directa: sin esta fórmula, la toma de decisiones bajo incertidumbre seguiría siendo en gran parte intuitiva. El trabajo de estos tres pensadores sentó las bases para que la probabilidad se convirtiera en una rama fundamental de las matemáticas, influyendo en campos tan diversos como la estadística, la economía y la física.

La formalización clásica y el teorema del límite central

La definición clásica de probabilidad, formulada inicialmente por Pierre-Simon Laplace, establece que la probabilidad de un evento A es la razón entre el número de casos favorables y el número total de casos posibles, siempre que estos sean equiprobables. Esta relación se expresa matemáticamente como:

Esta formulación proporcionó un marco cuantitativo sencillo pero poderoso para analizar fenómenos aleatorios, sentando las bases de lo que se conoce como la teoría clásica de la probabilidad.

La Ley de los Grandes Números

Jacobo Bernoulli dio un paso fundamental al demostrar que, a medida que aumenta el número de ensayos en un experimento aleatorio, la frecuencia relativa de un evento tiende a estabilizarse alrededor de su probabilidad teórica. Este resultado, conocido como la Ley de los Grandes Números, fue publicado póstumamente en su obra Ars Conjectandi en 1708.

El teorema establece que, para una secuencia de variables aleatorias independientes e idénticamente distribuidas con media μ, la media muestral converge hacia μ a medida que el tamaño de la muestra crece. Esto significa que, aunque los resultados individuales sean inciertos, el comportamiento colectivo se vuelve predecible.

La importancia de este hallazgo radica en que conecta el mundo de la estadística empírica con la teoría de la probabilidad, permitiendo inferir propiedades de una población completa a partir de muestras representativas.

La distribución normal y Abraham de Moivre

Abraham de Moivre, trabajando en la teoría de los errores, descubrió que la distribución del número de éxitos en una serie de ensayos de Bernoulli se aproxima a una curva suave y simétrica a medida que aumenta el número de ensayos. Esta curva, que hoy conocemos como la distribución normal o campana de Gauss, fue descrita por primera vez por de Moivre en 1733.

La fórmula de la distribución normal estándar es:

Este descubrimiento fue crucial porque permitió modelar fenómenos naturales y sociales donde las desviaciones de la media siguen un patrón predecible. La distribución normal se convirtió en una herramienta esencial para analizar datos y hacer predicciones en diversas disciplinas.

Laplace y la síntesis de la teoría clásica

Pierre-Simon Laplace llevó la teoría de la probabilidad a su máxima expresión en el siglo XIX. En su obra Essai philosophique sur les probabilités, Laplace aplicó los principios probabilísticos a la astronomía, la demografía y la física, demostrando que la probabilidad podía cuantificar el grado de certeza en el conocimiento humano.

Laplace también formuló el Teorema del Límite Central, que establece que la suma de un gran número de variables aleatorias independientes tiende a seguir una distribución normal, independientemente de la forma de la distribución original de las variables. Este teorema es fundamental en estadística porque justifica el uso de la distribución normal en una amplia variedad de contextos.

La contribución de Laplace fue sintetizar los trabajos de sus predecesores y aplicarlos de manera sistemática a problemas prácticos, consolidando la probabilidad como una rama esencial de las matemáticas.

Dato curioso: Laplace era tan confiado en el poder de la probabilidad que afirmó que, si se conociera la posición y la velocidad de todas las partículas del universo en un instante dado, se podría predecir todo el pasado y el futuro del cosmos. Esta idea, conocida como el "demonio de Laplace", ilustra la visión determinista que subyace en la teoría clásica de la probabilidad.

¿Qué aportó la axiomatización de Kolmogorov al siglo XX?

A finales del siglo XIX, la teoría de la probabilidad sufría una crisis de identidad. Aunque se usaba ampliamente en física y estadística, carecía de una base lógica sólida. Las definiciones clásicas, como la de Laplace, eran útiles pero a menudo circulares. Por ejemplo, definir la probabilidad como el cociente entre casos favorables y casos posibles exigía que los casos fueran "iguales", lo que a menudo se medía... mediante su probabilidad. Esta falta de rigor impedía el avance de disciplinas emergentes.

La solución llegó en 1933 con la publicación de los Fundamentos del Cálculo de Probabilidades por el matemático ruso Andrey Kolmogorov. Kolmogorov no inventó nuevas intuiciones, sino que estructuró las existentes usando el lenguaje de la teoría de conjuntos y la teoría de la medida. Su obra transformó la probabilidad de una rama de la estadística empírica a una estructura matemática rigurosa. El impacto fue inmediato y duradero.

Los tres axiomas fundamentales

Kolmogorov definió el espacio de resultados como un conjunto $S$ y la probabilidad como una función de medida $P$ asignada a los subconjuntos de $S$. Esta definición se sustenta en tres postulados simples pero poderosos:

• Axioma de No Negatividad: Para cualquier evento $E$, su probabilidad es mayor o igual a cero: $P(E)\ge 0$.
• Axioma de Normalización: La probabilidad de que ocurra al menos uno de los resultados del espacio total $S$ es la unidad: $P(S)=1$.
• Axioma de Aditividad (o Sigma-Aditividad): Si tenemos una serie infinita de eventos mutuamente excluyentes $E_1,E_2,...$, la probabilidad de su unión es la suma de sus probabilidades individuales: $P({\cup }_{i=1}^{\infty }{E}_i)={\sum }_{i=1}^{\infty }P(E_i)$.

La inclusión de la sigma-aditividad fue clave. Permitió manejar límites infinitos, esencial para el cálculo de probabilidades en el continuo. Esto sentó las bases para los procesos estocásticos complejos.

Dato curioso: Antes de Kolmogorov, muchos matemáticos dudaban de si la probabilidad era realmente parte de la matemática pura o solo una herramienta de la estadística aplicada. Los axiomas de 1933 dieron a la probabilidad el estatus de disciplina matemática independiente.

Comparación de enfoques históricos

La axiomatización no eliminó las definiciones anteriores, sino que las englobó. La siguiente tabla compara los tres enfoques principales para entender sus alcances y limitaciones.

La estructura medida-teórica permitió a los matemáticos tratar la probabilidad como una extensión natural del cálculo integral. Esto facilitó el desarrollo de la teoría de procesos estocásticos, como el movimiento browniano, donde la variable aleatoria cambia continuamente en el tiempo. Sin los axiomas de Kolmogorov, la estadística moderna y la física cuántica habrían tenido dificultades para formalizar sus predicciones con tanta precisión.

Ejercicios resueltos

Los conceptos abstractos de la teoría de la probabilidad cobran sentido cuando se aplican a situaciones concretas. A continuación, se presentan tres ejercicios resueltos que ilustran cómo los pioneros de la disciplina abordaron problemas fundamentales, desde los salones de juego del siglo XVII hasta el diagnóstico médico moderno.

El Problema de los Puntos de Pascal

Este ejercicio recrea el desafío que enfrentaron Blaise Pascal y Pierre de Fermat en 1653. Dos jugadores, A y B, necesitan ganar dos partidas cada uno para llevarse el bote. El juego se interrumpe cuando A lleva una victoria y B ninguna. Se asume que cada partida es independiente y que la probabilidad de ganar es igual para ambos (1/2). Para determinar la parte justa del premio, se analizan las cuatro combinaciones posibles de las dos partidas restantes:

• A gana ambas: A se lleva todo.
• A gana la primera, B la segunda: A se lleva todo.
• B gana la primera, A la segunda: A se lleva todo.
• B gana ambas: B se lleva todo.

El jugador A gana en tres de los cuatro escenarios posibles. Por lo tanto, su probabilidad de ganar el bote completo es de 3/4, mientras que la de B es de 1/4. La división justa del premio debe reflejar esta proporción. Este razonamiento sentó las bases del cálculo combinatorio.

Ley de los Grandes Números de Bernoulli

Jacob Bernoulli demostró que, a medida que aumenta el número de ensayos, la frecuencia relativa de un evento tiende a estabilizarse cerca de su probabilidad teórica. Supongamos que se lanza una moneda justa 100 veces. La probabilidad teórica de obtener cara es $p=0.5$. Si en el experimento se obtienen 58 caras, la frecuencia observada es:

La diferencia entre el valor teórico y el observado es de 0.08. Si se repite el experimento con 1.000 lanzamientos y se obtienen 510 caras, la frecuencia se ajusta a 0.51. La diferencia se reduce a 0.01. Este ejemplo numérico ilustra por qué las apuestas a largo plazo favorecen a la casa: la variabilidad inicial se diluye con el volumen de datos. La estabilidad estadística es la clave.

Aplicación de la Fórmula de Bayes en Medicina

Thomas Bayes introdujo un método para actualizar la probabilidad de una hipótesis a medida que llega nueva evidencia. Considere un caso médico sencillo. Una enfermedad afecta al 1% de la población ($P(E)=0.01$). Una prueba de detección tiene una sensibilidad del 90% ($P(+|E)=0.9$) y una especificidad del 95% ($P(-|\neg E)=0.95$). Si un paciente resulta positivo, ¿cuál es la probabilidad real de que tenga la enfermedad?

Se aplica la fórmula de Bayes:

Donde $P(+|\neg E)=1-0.95=0.05$ y $P(\neg E)=0.99$. Sustituyendo los valores:

La probabilidad de tener la enfermedad es solo del 15.4%, a pesar de la prueba positiva. Este resultado contraintuitivo demuestra la importancia de considerar la prevalencia base. Ignorar este factor lleva a sobre diagnosticar enfermedades raras.

Dato curioso: Cuando se presentaron estos resultados a médicos generales, la mayoría estimaba la probabilidad en un 75%, demostrando que la intuición humana a menudo subestima el impacto de la evidencia previa.

Aplicaciones modernas y evolución hasta 2026

La probabilidad dejó de ser una rama aislada de las matemáticas para convertirse en el lenguaje fundamental de la incertidumbre en casi todas las disciplinas científicas. Esta transformación no fue lineal; implicó que conceptos abstractos como la variable aleatoria (una función que asigna un número a cada resultado posible de un experimento) se volvieran herramientas prácticas para predecir el comportamiento de partículas subatómicas, mercados financieros y algoritmos de inteligencia artificial.

De la mecánica cuántica a la teoría de juegos

En la física, el golpe de gracia al determinismo clásico llegó con Max Born. Al interpretar la función de onda de la mecánica cuántica, Born propuso que la probabilidad no era solo una medida de nuestra ignorancia, sino una propiedad intrínseca de la naturaleza. La intensidad de la función de onda en un punto dado determina la probabilidad de encontrar una partícula en esa ubicación.

Esta relación se expresa mediante la regla de Born:

Donde P(x) es la probabilidad y ψ(x) es la función de onda. Este cambio de paradigma significó que, a nivel fundamental, el universo es estadístico. Por otro lado, en las ciencias sociales, John von Neumann aplicó la probabilidad a la toma de decisiones estratégicas. Su trabajo sentó las bases de la teoría de juegos, demostrando cómo agentes racionales pueden tomar decisiones óptimas bajo incertidumbre, un concepto que hoy es vital en economía y biología evolutiva.

Dato curioso: Von Neumann desarrolló gran parte de la teoría de juegos mientras jugaba al póker con colegas, usando la probabilidad para cuantificar la "intuición" del jugador.

El auge de la ciencia de datos y el aprendizaje automático

En la era digital, la probabilidad es el motor del aprendizaje automático (Machine Learning). Los algoritmos modernos no buscan una verdad absoluta, sino la estimación más probable basada en los datos disponibles. El teorema de Bayes, que actualiza la probabilidad de una hipótesis a medida que llegan nuevas evidencias, es la columna vertebral de muchos modelos predictivos.

La fórmula bayesiana se define como:

Esta ecuación permite a los sistemas de recomendación, desde Netflix hasta los filtros de correo electrónico, ajustar sus predicciones en tiempo real. La diferencia práctica entre probabilidad y estadística también se ha matizado. Mientras que la probabilidad parte de un modelo para predecir los datos (deducción), la estadística parte de los datos para inferir el modelo (inducción). En la ciencia de datos actual, ambos flujos se entrelazan constantemente.

La precisión de estas herramientas ha elevado la probabilidad a una disciplina central. Sin embargo, su poder también trae desafíos: la sobredependencia en modelos estadísticos puede ocultar sesgos sistémicos en los datos. Entender la probabilidad ya no es solo saber calcular una fracción, sino comprender cómo cuantificar la incertidumbre en un mundo cada vez más complejo. La consecuencia es directa: dominar la probabilidad es dominar la predicción moderna.

Preguntas frecuentes

¿Cuál es la diferencia entre probabilidad y estadística?

La probabilidad parte de un modelo conocido para predecir resultados futuros (deducción), mientras que la estadística utiliza datos observados para inferir las características del modelo (inducción). Son dos caras de la misma moneda: una proyecta hacia adelante, la otra mira hacia atrás.

¿Quién es considerado el padre de la teoría de la probabilidad?

No hay un único padre, pero Blaise Pascal y Pierre de Fermat son los fundadores clásicos por su correspondencia de 1654 sobre el "Problema de los Partidos". Más tarde, Andrey Kolmogorov aportó la base axiomática en el siglo XX que unificó la teoría.

¿Qué significa que un evento tenga una probabilidad de 0.5?

Significa que, teóricamente, si se repite el experimento un número infinito de veces, el evento ocurrirá en la mitad de los casos. Es el punto medio de la incertidumbre, como lanzar una moneda justa.

¿Por qué es importante el Teorema del Límite Central?

Es crucial porque establece que la suma de muchas variables aleatorias independientes tiende a seguir una distribución normal (la famosa "campana de Gauss"), incluso si las variables originales no son normales. Esto simplifica enormemente los cálculos en estadística.

¿Cómo se usa la probabilidad en la vida diaria en 2026?

Se aplica en predicciones meteorológicas, seguros, finanzas y en la inteligencia artificial. Por ejemplo, cuando un algoritmo predice tu película favorita, está calculando la probabilidad de que te guste basada en datos anteriores.

Resumen

La historia de la probabilidad evoluciona desde la intuición antigua hasta la rigurosidad matemática del siglo XX. Comenzó con juegos de azar en la antigüedad, se formalizó con el intercambio de cartas entre Pascal y Fermat y alcanzó su madurez con los axiomas de Kolmogorov. Hoy, esta disciplina es fundamental para interpretar datos en ciencias, economía y tecnología.

Véase también

• Lema de Schwarz
• Cálculo y análisis matemático
• Resta de vectores
• Cómo funcionan los logaritmos
• Qué son los logaritmos en matemáticas
• Ángulos suplementarios
• Eliminación de Gauss-Jordan
• geometría diferencial

Referencias

1. «la historia de la probabilidad» en Wikipedia en español
2. History of Probability — Stanford Encyclopedia of Philosophy
3. Probability — Wolfram MathWorld
4. History of Probability — American Mathematical Society (Notices)
5. La probabilidad: historia y conceptos básicos — Real Sociedad Matemática Española