Qué es la probabilidad clásica

La probabilidad clásica, también conocida como definición equiprobable o definición de Laplace, es el método más intuitivo para medir la incertidumbre en experimentos aleatorios simples. Se basa en contar los resultados favorables y dividirlos por el número total de resultados posibles, asumiendo que todos tienen la misma oportunidad de ocurrir.

Este concepto es fundamental en estadística y teoría de juegos porque permite calcular riesgos sin necesidad de realizar miles de ensayos experimentales. Es la base sobre la que se construyen modelos más complejos, como la probabilidad frecuentista o la definición axiomática de Kolmogorov.

Definición y concepto

La probabilidad clásica, también conocida como definición laplaciana, es un modelo matemático utilizado para cuantificar la incertidumbre en experimentos donde los resultados posibles son finitos y simétricos. Fue formalizada por Pierre-Simon Laplace a finales del siglo XVIII y principios del siglo XIX. Este enfoque no requiere realizar el experimento miles de veces ni depender de la intuición del observador; se basa puramente en la estructura lógica del fenómeno estudiado.

Elementos fundamentales

Para aplicar esta definición, el experimento debe cumplir dos condiciones estrictas. La primera es que el espacio muestral, es decir, el conjunto de todos los resultados posibles, debe ser finito. No sirve para fenómenos continuos como la temperatura exacta de un día, sino para casos discretos como lanzar un dado o extraer una carta de una baraja.

La segunda condición es la equiprobabilidad. Esto significa que, en ausencia de información adicional, cada resultado individual tiene la misma "chance" de ocurrir que cualquier otro. Si lanzas una moneda justa, no hay razón para pensar que caerá cara más que cruz. Esta simetría es el corazón del método clásico.

La fórmula es directa. Si llamamos E al suceso de interés y S al espacio muestral, la probabilidad P(E) se calcula dividiendo el número de casos favorables entre el número de casos posibles:

P(E)=nuˊmero de casos posiblesnuˊmero de casos favorables=n(S)n(E)

Dato curioso: Laplace creía que la probabilidad clásica era casi una medida del "grado de ignorancia" del observador. Si supiéramos la posición exacta de cada molécula de aire al lanzar una moneda, la probabilidad dejaría de ser necesaria y se convertiría en certeza. La incertidumbre clásica nace de lo que aún no sabemos.

Comparación con otros enfoques

La definición clásica no es la única forma de entender la probabilidad. Es crucial diferenciarla de la definición frecuentista, asociada a Jacobo Bernoulli. Mientras el enfoque clásico mira la estructura teórica antes de lanzar el dado, el frecuentista mira lo que sucede después de lanzarlo muchas veces. Para un frecuentista, la probabilidad es el límite de la frecuencia relativa cuando el número de ensayos tiende a infinito. No requiere que los casos sean "equiprobables" por simetría, sino que se estabilicen empíricamente.

Existe también la probabilidad subjetiva o bayesiana. Aquí, la probabilidad mide el grado de creencia de un agente racional basado en la información disponible. Dos expertos pueden asignar distintas probabilidades al mismo evento si tienen distintos datos. La probabilidad clásica, en cambio, intenta ser objetiva y única para todos los observadores, siempre que acepten las mismas condiciones iniciales de simetría.

La limitación del modelo clásico es su dependencia de la suposición de equiprobabilidad. En el mundo real, rara vez tenemos simetrías perfectas. Un dado gastado o una moneda pesada rompen la regla. Por eso, aunque es la puerta de entrada a la teoría de la probabilidad, a menudo se complementa con los enfoques frecuentista y bayesiano para mayor precisión. La elección del modelo depende de qué tan bien conozcamos la "geometría" del problema.

¿Cómo se calcula la probabilidad clásica?

El cálculo de la probabilidad clásica se basa en un principio de equiprobabilidad: si todos los resultados posibles son igualmente probables, la probabilidad de un evento específico es simplemente la relación entre el número de casos que lo favorecen y el número total de casos posibles. Esta definición, a menudo llamada definición laplaciana por su asociación con Pierre-Simon Laplace, requiere que el espacio muestral sea finito y que no haya sesgos en el experimento.

La fórmula fundamental

La expresión matemática que resume este concepto es directa. Para un evento A, la probabilidad P(A) se calcula dividiendo el número de casos favorables (n) entre el número total de casos posibles (N).

P(A)=Nn

Entender qué representa cada variable es crucial para evitar errores comunes. El denominador, N, corresponde al tamaño del espacio muestral, es decir, el conjunto de todos los resultados distintos que pueden ocurrir. El numerador, n, cuenta cuántos de esos resultados cumplen con la condición definida por el evento A. La consecuencia es directa: si no identificas correctamente N, todo el cálculo se desvía.

Herramientas de conteo

Identificar n y N no siempre es obvio, especialmente cuando el experimento tiene múltiples etapas o factores. Dos herramientas visuales son esenciales para estructurar el conteo sin perderse.

Los diagramas de árbol son ideales para experimentos secuenciales, como lanzar una moneda dos veces. Cada rama representa un resultado posible y su longitud o etiqueta indica la probabilidad o el estado. Al seguir las ramas desde la raíz hasta las hojas, se obtienen todos los casos posibles. Por otro lado, las tablas de doble entrada funcionan mejor cuando hay dos variables independientes, como el color y la forma de una ficha. Una variable se coloca en las filas y la otra en las columnas; cada celda de la intersección representa un caso posible único. Estas herramientas convierten el conteo abstracto en una verificación visual, reduciendo la carga cognitiva.

Dato curioso: Aunque la fórmula parece simple, su aplicación rigurosa llevó a Newton y Leibniz a desarrollar el cálculo diferencial e integral para manejar espacios continuos, donde N tiende a infinito.

Ejemplo práctico: Lanzamiento de un dado

Consideremos el lanzamiento de un dado cúbico estándar de seis caras, numeradas del 1 al 6. Asumimos que el dado es justo, lo que significa que ninguna cara tiene más tendencia a caer que otra. Aquí, el espacio muestral es {1, 2, 3, 4, 5, 6}. Por lo tanto, el número total de casos posibles es N = 6.

Supongamos que queremos calcular la probabilidad de obtener un número par. Los números pares en el dado son 2, 4 y 6. Contando estos resultados, encontramos que hay 3 casos favorables, es decir, n = 3. Aplicando la fórmula:

P(Par)=63=21

La probabilidad es 0.5 o 50%. Si el evento fuera obtener un número mayor que 4, los casos favorables serían {5, 6}, así que n = 2. La probabilidad sería 2/6, que se simplifica a 1/3. Este ejemplo ilustra la importancia de listar explícitamente los casos para verificar que no se haya omitido ninguno. Un error común es contar el 4 como mayor que 4, lo que altera el numerador. La precisión en la definición del evento es tan importante como la aritmética misma.

Historia y contexto

El concepto de probabilidad no nació en las aulas, sino en las mesas de juego. Durante el siglo XVII, la necesidad de cuantificar la incertidumbre empujó a matemáticos y aristócratas a buscar respuestas precisas. El punto de inflexión llegó cuando el noble Chevalier de Méroste preguntó cómo repartir las ganancias de un juego interrumpido. Esta consulta simple desencadenó una correspondencia fundamental entre Blaise Pascal y Pierre de Fermat, sentando las bases del cálculo combinatorio.

Galileo Galilei había observado previamente que, al lanzar tres dados, la suma de 10 aparece con más frecuencia que la de 9, a pesar de que ambas combinaciones parecen simétras. Sin embargo, fue la formalización de Pascal y Fermat lo que transformó la intuición en método. Ellos introdujeron la idea de contar los casos favorables frente a los casos posibles, asumiendo que todos eran igualmente probables.

Dato curioso: La famosa carta de Pascal a Fermat sobre el problema de los puntos se escribió en 1654, marcando el nacimiento oficial de la teoría de la probabilidad clásica.

La sistematización de Laplace

Si bien los orígenes eran prácticos, fue Pierre-Simon Laplace quien elevó la probabilidad a la categoría de ciencia rigurosa. En su obra Essai philosophique sur les probabilités (1814), Laplace definió la probabilidad clásica con una precisión que perduró durante casi dos siglos. Su definición se basa en la relación entre el número de casos favorables y el número total de casos posibles, suponiendo que la naturaleza trata todos los casos de manera equitativa.

Esta visión determinista veía la probabilidad como una medida del grado de ignorancia del observador. Si se conocieran todas las fuerzas actuantes sobre un dado, el resultado sería predecible con certeza. La incertidumbre residía en la falta de información, no en el fenómeno en sí mismo. Esta perspectiva fue dominante hasta que surgieron las estadísticas modernas y la teoría de conjuntos.

La fórmula básica que Laplace popularizó se expresa como:

P(A)=n(Ω)n(A)

Donde P(A) representa la probabilidad del evento A, n(A) es el número de casos favorables y n(Ω) es el número total de casos posibles en el espacio muestral. Esta ecuación simple permitió resolver problemas complejos en astronomía, demografía y física, consolidando la probabilidad clásica como una herramienta esencial para cuantificar la incertidumbre en un mundo aparentemente caótico.

¿Qué condiciones debe cumplir un espacio para usar la probabilidad clásica?

El modelo de probabilidad clásica, también conocido como la definición de Laplace, no es una verdad universal aplicable a cualquier situación aleatoria. Es un modelo específico que requiere que el espacio muestral cumpla con dos condiciones estructurales estrictas. Si estas premisas no se verifican, la fórmula básica de dividir los casos favorables entre los casos posibles pierde su validez matemática y su poder predictivo. Ignorar estos supuestos es uno de los errores más comunes en el razonamiento probabilístico inicial.

Los dos pilares: Finitud y Equiprobabilidad

La primera condición es la finitud del espacio muestral. Esto significa que el conjunto de todos los resultados posibles debe ser contable y limitado. No puede haber una infinidad de resultados. Por ejemplo, si lanzamos un dado estándar, hay exactamente seis resultados posibles: {1, 2, 3, 4, 5, 6}. Este número finito permite realizar el conteo necesario para aplicar la fórmula:

P(A)=n(S)n(A)

Donde n(A) es el número de casos favorables al suceso A, y n(S) es el número total de casos posibles en el espacio muestral S. Si el espacio fuera infinito, como los puntos de un segmento continuo, esta división simple se volvería insuficiente sin herramientas más avanzadas, como la densidad de probabilidad.

La segunda condición, y la más crítica, es la equiprobabilidad. Se asume que todos los resultados elementales tienen exactamente la misma posibilidad de ocurrir. En el caso del dado perfecto, asumimos que la cara con el 1 tiene la misma chance de salir que la cara con el 6. Esta igualdad no siempre es obvia; a menudo se deduce por simetría física o por definición del experimento, como en el sorteo de una lotería bien mezclada.

Dato curioso: La suposición de equiprobabilidad a menudo se basa en el "principio de razón insuficiente" de Laplace. Este principio sugiere que, si no tenemos ninguna razón para creer que un resultado es más probable que otro, debemos asignarles la misma probabilidad. Es una herramienta poderosa, pero depende de la ausencia de información previa.

¿Qué ocurre cuando la equiprobabilidad falla?

Cuando los resultados no son equiprobables, el modelo clásico se quiebra. Un ejemplo clásico es la moneda cargada. Imagina una moneda donde el peso está desplazado hacia el lado de "Cara". Si lanzamos esta moneda 100 veces, es muy probable que "Cara" aparezca 70 veces y "Cruz" solo 30 veces.

Si aplicáramos ciegamente la probabilidad clásica, diríamos que la probabilidad de obtener "Cara" es 1/2 (un caso favorable entre dos posibles). Sin embargo, la realidad empírica muestra que la probabilidad real es cercana a 0.7. La fórmula clásica subestima drásticamente el resultado porque ignora el sesgo físico del objeto. En estos casos, el modelo clásico no está "equivocado" matemáticamente, sino que se ha aplicado fuera de su ámbito de validez.

Limitaciones frente a la realidad compleja

La realidad rara vez ofrece la perfección geométrica que exige la probabilidad clásica. En muchos fenómenos naturales o sociales, los resultados dependen de factores ocultos que rompen la simetría. Por ejemplo, al predecir si lloverá mañana, los resultados "Lluvia" y "Sol" no son necesariamente equiprobables sin analizar datos históricos o presión atmosférica. Asumir que hay un 50% de probabilidad de lluvia simplemente porque hay dos opciones es un error de lógica conocido como la "falacia del jugador" o una simplificación excesiva.

Para superar estas limitaciones, la teoría de la probabilidad evolucionó hacia modelos más robustos. El enfoque frecuentista, que basa la probabilidad en la frecuencia relativa de ocurrencia en muchos ensayos, permite manejar monedas cargadas o dados desiguales sin necesitar simetría perfecta. Por otro lado, la definición axiomática de Kolmogorov generaliza el concepto, permitiendo espacios infinitos y probabilidades subjetivas. El modelo clásico sigue siendo excelente para introducir el concepto y para problemas de conteo simples, como barajas de cartas o dados justos, pero su poder predictivo disminuye rápidamente cuando la complejidad del mundo real introduce asimetrías.

Entender estas fronteras es fundamental. La probabilidad clásica es una herramienta de precisión, pero solo funciona cuando el tablero de juego está perfectamente equilibrado. Cuando hay sesgos, necesitamos herramientas más flexibles.

Propiedades y operaciones con sucesos

El cálculo de probabilidades no se limita a medir eventos aislados. Requiere combinar sucesos mediante operaciones lógicas para predecir resultados más complejos. Estas operaciones siguen reglas algebraicas precisas que permiten descomponer problemas intrincados en partes manejables. Comprender cómo interactúan los sucesos es fundamental para aplicar la teoría a casos prácticos.

Operaciones básicas entre sucesos

La unión de dos sucesos, denotada como A ∪ B, ocurre cuando al menos uno de los sucesos sucede. Es decir, sale A, sale B, o salen ambos simultáneamente. La intersección, A ∩ B, requiere que ocurran ambos sucesos al mismo tiempo. Finalmente, el suceso contrario o complementario de A, escrito como A' o Ā, abarca todos los casos del espacio muestral donde A no ocurre. La suma de las probabilidades de un suceso y su contrario siempre es uno, ya que cubren todas las posibilidades.

Dato curioso: En la probabilidad clásica, si lanzas una moneda justa, la probabilidad de obtener "Cara" es 0.5. La probabilidad de su contrario, "No Cara" (que incluye "Cara" si consideramos defectos, pero en el modelo ideal es "Cruz"), también es 0.5. Juntas suman 1.0, cubriendo el espacio total.

Regla de la suma para sucesos mutuamente excluyentes

Cuando dos sucesos no pueden ocurrir al mismo tiempo, se llaman mutuamente excluyentes o disjuntos. En este caso, la probabilidad de que ocurra A o B es simplemente la suma de sus probabilidades individuales. No hay necesidad de restar la intersección porque esta es vacía. Esta regla simplifica enormemente los cálculos en experimentos simples, como lanzar un dado. Obtener un 2 y obtener un 5 son eventos que no comparten resultados.

La fórmula para sucesos mutuamente excluyentes es:

P(A∪B)=P(A)+P(B)

Si los sucesos no fueran excluyentes, tendríamos que restar la probabilidad de su intersección para no contarla dos veces. Pero en el caso exclusivo, la suma directa es suficiente y precisa.

Regla del producto para sucesos independientes

La independencia estadística implica que el resultado de un suceso no influye en la probabilidad del otro. Por ejemplo, lanzar una moneda dos veces consecutivas. El resultado del primer lanzamiento no cambia las posibilidades del segundo. Para hallar la probabilidad de que ocurran ambos (A y B), se multiplican sus probabilidades individuales. Esta regla es esencial para analizar experimentos compuestos donde los factores actúan con autonomía.

La fórmula para sucesos independientes es:

P(A∩B)=P(A)×P(B)

Si los sucesos fueran dependientes, la probabilidad de B cambiaría tras conocer el resultado de A. Pero bajo la condición de independencia, la multiplicación directa ofrece el resultado correcto.

Ejemplo de cálculo combinado

Consideremos el lanzamiento de dos dados estándar de seis caras. Queremos calcular la probabilidad de obtener un 6 en el primer dado (suceso A) y un número par en el segundo dado (suceso B). Primero, identificamos las probabilidades individuales. La probabilidad de sacar un 6 en un dado es de 1 entre 6. La probabilidad de sacar un número par (2, 4 o 6) en el segundo dado es de 3 entre 6, o 1 entre 2.

Como los lanzamientos son independientes, aplicamos la regla del producto:

P(A∩B)=61×21=121

La probabilidad conjunta es de 1/12. Ahora, si quisiéramos saber la probabilidad de obtener un 6 en el primer dado O un 6 en el segundo dado (suceso C), estos no son mutuamente excluyentes porque podrían salir dos seises. Usaríamos la regla general de la suma: P(A) + P(C) - P(A ∩ C). Sin embargo, si preguntamos por un 6 en el primero O un 5 en el primero, estos sí son excluyentes y sumamos directamente. La distinción entre exclusión e independencia es el núcleo del cálculo preciso. Confundir ambas reglas lleva a errores comunes en análisis de datos básicos.

Aplicaciones prácticas y ejemplos

La probabilidad clásica, también conocida como probabilidad a priori, es fundamental en contextos donde los resultados posibles son finitos y, a menudo, equiprobables. Su aplicación más intuitiva se encuentra en los juegos de azar, donde la estructura del juego define el espacio muestral con precisión. En un juego de dados estándar, la probabilidad de obtener un seis es exactamente una sexta parte, independientemente de los lanzamientos anteriores, siempre que el dado esté equilibrado. Este principio permite calcular ventajas estadísticas en juegos como el póker, donde la relación entre cartas restantes y cartas en la mano determina la decisión óptima del jugador.

En la industria, este modelo se aplica en el control de calidad mediante muestreo aleatorio. Cuando una línea de producción genera piezas con características medibles, se extrae una muestra para estimar la proporción de defectos. Si asumimos que cada pieza tiene la misma probabilidad de ser seleccionada, la probabilidad clásica ayuda a diseñar la muestra necesaria para alcanzar un nivel de confianza determinado. La fórmula general para calcular esta probabilidad es:

P(A)=n(S)n(A)

Donde n(A) es el número de casos favorables y n(S) es el número total de casos posibles. Esta simplicidad es su mayor fortaleza, pero también su limitación cuando la equiprobabilidad se vuelve difícil de justificar.

Comparación con la frecuencia relativa

Es crucial distinguir la probabilidad clásica de la probabilidad por frecuencia relativa (o empírica). Mientras la primera se basa en la lógica del espacio muestral antes de observar el evento, la segunda se deriva de la observación repetida del fenómeno. Esta distinción afecta directamente la interpretación de los datos en estadística básica.

Característica	Probabilidad Clásica	Frecuencia Relativa
Base de cálculo	Lógica y estructura del espacio muestral	Datos observados en experimentos repetidos
Supuesto principal	Equiprobabilidad de los resultados	Estabilidad a largo plazo de los resultados
Ejemplo típico	Lanzamiento de una moneda justa	Tasa de defectos en una línea de producción
Dependencia temporal	Mínima (a priori)	Alta (requiere acumulación de datos)

La elección entre ambos enfoques depende de la disponibilidad de datos y de la naturaleza del fenómeno. En un dado nuevo, confiamos en la simetría (clásico). En un motor usado, confiamos en su historial de fallos (frecuencia relativa). La estadística moderna integra ambos conceptos para mejorar la precisión de las predicciones.

Dato curioso: El concepto de probabilidad clásica nació de una correspondencia entre Blaise Pascal y Pierre de Fermat en 1654, motivada por el problema de la partición de las apuestas en un juego de dados interrumpido. Esta discusión sentó las bases del cálculo de probabilidades que usamos hoy.

Comprender estas diferencias evita errores comunes en el análisis de datos. Por ejemplo, asumir que la probabilidad clásica se aplica a eventos complejos sin verificar la equiprobabilidad puede llevar a conclusiones erróneas. La rigurosidad en la definición del espacio muestral es, por tanto, el primer paso hacia un análisis probabilístico sólido.

Ejercicios resueltos

Ejercicios resueltos paso a paso

La teoría cobra sentido cuando se aplica. A continuación, se presentan tres problemas que ilustran el cálculo de la probabilidad clásica, también conocida como probabilidad de Laplace. Este modelo asume que todos los resultados posibles son igualmente probables. La fórmula básica es la división entre el número de casos favorables y el total de casos posibles.

Ejercicio 1: Lanzamiento de una moneda y un dado

Se lanza una moneda al aire y, simultáneamente, un dado de seis caras. Se desea calcular la probabilidad de obtener "Cara" en la moneda y un número par en el dado.

Primero, definimos el espacio muestral. La moneda tiene 2 resultados posibles: Cara (C) o Cruz (X). El dado tiene 6 resultados: {1, 2, 3, 4, 5, 6}. Como son eventos independientes, multiplicamos las posibilidades. El total de casos posibles es:

N=2×6=12

Los pares posibles son: (C,1), (C,2), (C,3), (C,4), (C,5), (C,6), (X,1), (X,2), (X,3), (X,4), (X,5), (X,6).

Ahora identificamos los casos favorables. Queremos "Cara" y un número par. Los números pares del dado son 2, 4 y 6. Por lo tanto, los casos favorables son: (C,2), (C,4) y (C,6). Hay 3 casos favorables.

Aplicamos la fórmula de probabilidad:

P=Casos posiblesCasos favorables=123

Simplificando la fracción, obtenemos 41 o 0.25. La probabilidad es del 25%.

Ejercicio 2: Extracción de cartas de una baraja española

Se extrae una carta al azar de una baraja española estándar de 40 cartas (sin jotas ni sietes, aunque esto varía, asumiremos la composición clásica de 40 cartas: 4 palos de 10 cartas cada uno). Calcula la probabilidad de que la carta sea un "Sota" o pertenezca al palo de "Oros".

Es crucial entender que la baraja española tradicional tiene 40 cartas divididas en 4 palos: Oros, Copas, Espadas y Bastos. Cada palo tiene 10 cartas numeradas del 1 al 10. No hay figuras llamadas "Sota" en el sentido de la baraja francesa (donde hay Sota, Caballo y Rey). En la baraja española, las cartas son simplemente números. Sin embargo, a menudo en problemas de probabilidad se usa la baraja francesa o se especifican figuras. Para este ejercicio, ajustaremos el problema a una baraja francesa de 52 cartas, que es más común en ejercicios académicos internacionales, o aclararemos la baraja española. Si usamos la baraja española de 40 cartas, no hay "Sotas" como cartas separadas, sino que el 11, 12, 13 no existen. Las cartas son 1-10. Si el problema dice "Sota", probablemente se refiere a la baraja francesa o a una adaptación. Para evitar confusión, cambiemos ligeramente el enunciado para que sea preciso con la baraja española de 40 cartas: "Calcular la probabilidad de sacar un As o una carta de Oros".

Vamos a resolverlo con la condición corregida: "As o carta de Oros" en una baraja española de 40 cartas.

Total de casos posibles: 40.

Casos favorables:

Ases: Hay 4 Ases (uno por cada palo).
Cartas de Oros: Hay 10 cartas de Oros.

Si sumamos simplemente 4 + 10 = 14, cometemos un error común: contar dos veces el "As de Oros", que pertenece a ambos grupos. Este es el principio de inclusión-exclusión.

Casos favorables = (Número de Ases) + (Número de Oros) - (Intersección: As de Oros).

F=4+10−1=13

La probabilidad es:

P=4013

Esto equivale a 0.325 o 32.5%. Prestar atención a las superposiciones evita errores frecuentes.

Ejercicio 3: Combinatoria simple

De un grupo de 5 amigos, se eligen 3 para formar un comité. Todos tienen el mismo peso en la elección. ¿Cuál es la probabilidad de que dos amigos específicos, Ana y Luis, estén entre los elegidos?

Primero, calculamos el total de formas de elegir 3 personas de 5. Como el orden no importa (el comité es el mismo sin importar en qué orden se nombran), usamos combinaciones. La fórmula de combinaciones es:

C(n,k)=k!(n−k)!n!

Donde! es el factorial. Para n=5 y k=3:

C(5,3)=3!(5−3)!5!=(3×2×1)×(2×1)5×4×3×2×1=6×2120=12120=10

Hay 10 comités posibles en total.

Ahora, contamos los casos favorables: Ana y Luis deben estar en el comité. Eso ocupa 2 de los 3 puestos. Solo queda 1 puesto libre para las personas restantes. Si hay 5 personas en total y ya elegimos a Ana y Luis, quedan 3 personas (digamos, Bea, Carlos y Diana). Debemos elegir 1 de esas 3.

El número de formas de elegir 1 de 3 es simplemente 3. Los comités serían: {Ana, Luis, Bea}, {Ana, Luis, Carlos}, {Ana, Luis, Diana}.

Por lo tanto, hay 3 casos favorables.

La probabilidad es:

P=103

Esto equivale a 0.3 o 30%. La lógica es directa: al fijar dos miembros, reducimos el problema a elegir el tercero del resto del grupo.

Debate actual: Aunque la probabilidad clásica es excelente para juegos de azar, muchos estadísticos argumentan que falla en la vida real porque rara vez todos los resultados son "igualmente probables". Por ejemplo, en una carrera de caballos, ¿son realmente iguales las posibilidades de cada caballo? Esto llevó al desarrollo de la probabilidad frecuentista y subjetiva.

Preguntas frecuentes

¿Cuándo se usa la probabilidad clásica?

Se utiliza cuando el espacio muestral (el conjunto de todos los resultados posibles) es finito y hay razones para creer que cada resultado tiene la misma probabilidad de salir, como en el lanzamiento de una moneda justa o un dado equilibrado.

¿Cuál es la fórmula básica?

La fórmula es P(A) = n(A) / n(S), donde P(A) es la probabilidad del suceso A, n(A) es el número de casos favorables y n(S) es el número total de casos posibles.

¿Qué significa que los resultados sean "equiprobables"?

Significa que no hay ningún resultado que sea más probable que otro por defecto. Por ejemplo, en una moneda ideal, la cara y la cruz tienen exactamente el mismo peso y tamaño, por lo que la probabilidad de cada una es del 50%.

¿Puede la probabilidad clásica ser mayor que 1?

No. Como el número de casos favorables nunca puede ser mayor que el número total de casos posibles, el resultado siempre estará entre 0 (suceso imposible) y 1 (suceso seguro).

¿Es lo mismo que la probabilidad frecuentista?

No exactamente. La probabilidad clásica se calcula antes del experimento basándose en la lógica del conjunto de resultados. La frecuentista se calcula después, dividiendo las veces que ocurrió el suceso entre el número total de ensayos realizados.

Resumen

La probabilidad clásica ofrece una forma sencilla y lógica de cuantificar la incertidumbre contando resultados. Requiere que el espacio muestral sea finito y que todos los resultados sean equiprobables, lo que la hace ideal para juegos de azar y problemas geométricos simples.

Dominar este concepto permite calcular probabilidades básicas mediante la relación entre casos favorables y totales, sentando las bases para entender sucesos compuestos, independencia y las leyes fundamentales del cálculo de probabilidades.