Qué son los axiomas de probabilidad

Los axiomas de probabilidad son tres reglas fundamentales establecidas por el matemático ruso Andrey Kolmogorov en 1931 que definen formalmente qué es una medida de probabilidad. Estos principios transformaron la teoría de la probabilidad de una colección de intuiciones y ejemplos dispersos en una rama rigurosa de las matemáticas, permitiendo unificar conceptos como la independencia, la convergencia y la esperanza matemática bajo un mismo marco lógico.

Estos axiomas no miden la probabilidad directamente, sino que establecen las condiciones que cualquier función de probabilidad debe cumplir para ser consistente. Sin esta base axiomática, el análisis estadístico moderno, desde el control de calidad industrial hasta la mecánica cuántica, carecería de la solidez necesaria para distinguir entre el azar puro y la variabilidad sistemática.

Definición y concepto

En matemáticas, un axioma es una proposición básica que se acepta como verdadera sin necesidad de demostración previa. Estos principios funcionan como los cimientos de un edificio lógico: a partir de ellos, mediante deducciones rigurosas, se construye toda la teoría. En el contexto de la probabilidad, los axiomas transforman la noción intuitiva de "azar" en una estructura medible y predecible. Antes de la formalización moderna, la probabilidad se entendía a menudo como una frecuencia relativa o una proporción de casos favorables sobre casos posibles, lo cual era útil pero limitado. La gran aportación de Andrey Kolmogorov en 1931 fue establecer tres reglas fundamentales que cualquier medida de probabilidad debe cumplir para ser coherente. Esta formalización permitió unificar distintas interpretaciones y resolver paradojas que la intuición solitaria no podía abordar.

Los tres axiomas de Kolmogorov

La teoría de la probabilidad moderna se sustenta en tres postulados esenciales. Estos axiomas definen cómo se asigna un número real a cada evento dentro de un espacio muestral, garantizando que las operaciones con probabilidades sean lógicamente consistentes. El primer principio es la no negatividad. Establece que la probabilidad de cualquier evento siempre será un número mayor o igual que cero. No tiene sentido hablar de una probabilidad negativa en el contexto estándar; no puede haber menos que "ninguna" posibilidad de que ocurra un suceso. Matemáticamente, si denotamos la probabilidad de un evento A como P(A), este axioma se expresa como:

P(A)≥0

El segundo principio es la normalización. Este axioma fija la escala de la medida de probabilidad. Establece que la probabilidad del espacio muestral completo, es decir, el conjunto de todos los resultados posibles, es exactamente uno. Esto implica que, si consideramos todos los escenarios posibles, es seguro que ocurrirá al menos uno de ellos. En términos simples, la suma de las probabilidades de todos los resultados mutuamente exclusivos debe sumar el 100% de la certeza. Si S representa el espacio muestral, entonces:

P(S)=1

El tercer y más complejo principio es la aditividad contable. Este axioma es crucial para manejar sucesos infinitos y garantiza que la probabilidad de la unión de eventos mutuamente exclusivos (es decir, eventos que no pueden ocurrir al mismo tiempo) es igual a la suma de sus probabilidades individuales. Si tenemos una secuencia de eventos A₁, A₂, A₃, ... que son disjuntos dos a dos, la probabilidad de que ocurra al menos uno de ellos es la suma de sus probabilidades:

P(i=1⋃∞Ai)=i=1∑∞P(Ai)

Este último postulado distingue la probabilidad matemática de la simple intuición. En la vida cotidiana, a menudo sumamos probabilidades sin verificar si los eventos son realmente excluyentes, lo que lleva a errores comunes como la paradoja de Monty Hall. Los axiomas de Kolmogorov eliminan esta ambigüedad al imponer una estructura estricta. Sin la aditividad contable, conceptos como la esperanza matemática o la varianza perderían su rigor, especialmente cuando se trabaja con distribuciones continuas donde el número de resultados posibles es infinito. La consecuencia es directa: cualquier teoría que no respete estos tres pilares deja de ser, técnicamente, una teoría de la probabilidad estándar.

Sabías que: Antes de Kolmogorov, muchos matemáticos consideraban que la probabilidad era simplemente la relación entre casos favorables y casos posibles (definición clásica de Laplace). Sin embargo, esta definición fallaba cuando los casos no eran igualmente probables o cuando el espacio de resultados era infinito. Los axiomas de Kolmogorov resolvieron esto al hacer que la definición clásica fuera un caso particular, no la regla general.

Estos tres principios no solo organizan la teoría, sino que también permiten derivar otras propiedades fundamentales, como la regla de la suma o la probabilidad del complemento. Por ejemplo, de la normalización y la aditividad se deduce que la probabilidad del complemento de un evento A es 1 menos la probabilidad de A. Esta estructura lógica es lo que permite aplicar la probabilidad en campos tan diversos como la física cuántica, la estadística inferencial y la teoría de la información. La precisión de estos axiomas es lo que convierte a la probabilidad en una herramienta poderosa para cuantificar la incertidumbre, alejándola de la mera conjetura y acercándola a la medida científica.

Historia y contexto del enfoque axiomático

Antes de que la probabilidad se consolidara como una rama rigurosa del cálculo, su definición era sorprendentemente intuitiva, pero a menudo confusa. Durante siglos, matemáticos brillantes como Jacobo Bernoulli o Pierre-Simon Laplace trabajaron con conceptos que hoy parecerían obvios, pero que carecían de una base lógica inquebrantable. Para ellos, la probabilidad era frecuentemente una razón entre casos favorables y casos posibles, o bien, el límite de una frecuencia observada a largo plazo. Esta visión, aunque útil, chocaba con paradojas cuando se aplicaba a espacios infinitos o a sucesos dependientes complejos. La teoría de conjuntos, desarrollada por Georg Cantor, ofrecía las herramientas necesarias, pero nadie las había unificado completamente hasta la llegada de Andrey Kolmogorov.

La revolución de Kolmogorov

En 1931, el matemático ruso Andrey Kolmogorov publicó su obra fundamental, Grundbegriffe der Wahrscheinlichkeitsrechnung (Conceptos básicos del cálculo de probabilidades). Su logro no fue inventar nuevas reglas, sino traducir la intuición de sus predecesores al lenguaje preciso de la teoría de conjuntos. Kolmogorov demostró que toda la teoría de la probabilidad podía derivarse de solo tres postulados simples. Esta unificación permitió tratar la probabilidad no como una rama aislada, sino como una extensión natural del cálculo de medidas, integrándola profundamente con el análisis real.

El primer axioma establece que la probabilidad de cualquier suceso es un número no negativo. Si consideramos un espacio muestral S y un suceso A contenido en él, la probabilidad de A, denotada como P(A), siempre será mayor o igual que cero. Esto elimina resultados extraños, como tener una probabilidad negativa de sacar un seis en un dado estándar.

P(A)≥0

El segundo axioma fija el valor total. La probabilidad de que ocurra al menos uno de los sucesos posibles en el espacio muestral completo es exactamente uno. En otras palabras, algo tiene que pasar. Si lanzamos una moneda, la suma de las probabilidades de que salga cara o cruz debe ser la unidad completa.

P(S)=1

El tercer y más potente axioma es la aditividad contable. Si tenemos una serie infinita de sucesos que no se solapan entre sí (son mutuamente excluyentes), la probabilidad de que ocurra cualquiera de ellos es igual a la suma de sus probabilidades individuales. Este postulado es el que permite manejar límites y series infinitas, resolviendo las dudas que tenían Bernoulli y Laplace.

Dato curioso: Kolmogorov tenía apenas 25 años cuando publicó estos conceptos. Su capacidad para sintetizar ideas tan complejas cambió la cara de las matemáticas para siempre.

Esta estructura axiomática eliminó la ambigüedad. Ya no se discutía si la probabilidad era una frecuencia o una creencia subjetiva; se definía matemáticamente cómo debía comportarse cualquier función que quisiera llamarse "probabilidad". La consecuencia es directa: la teoría se volvió robusta, predecible y aplicable a campos tan diversos como la física cuántica o la estadística inferencial. Sin estos tres pilares, el análisis de datos modernos carecería de su fundamento lógico más sólido.

¿Cómo se estructuran los espacios de probabilidad?

La teoría moderna de la probabilidad, consolidada por Andrey Kolmogorov en 1931, se apoya en una estructura rigurosa conocida como espacio de probabilidad. Este concepto no es meramente descriptivo; es la base matemática que permite tratar fenómenos aleatorios con precisión lógica. Un espacio de probabilidad se define como una terna compuesta por tres elementos interconectados: el espacio muestral, una colección de eventos y una función de probabilidad. Sin esta estructura tripartita, el cálculo de probabilidades carecería de coherencia formal.

Los componentes fundamentales

El primer componente es el espacio muestral, denotado como Ω. Se trata del conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo, al lanzar un dado estándar, Ω contiene seis elementos: {1, 2, 3, 4, 5, 6}. Es crucial entender que cada resultado debe ser mutuamente excluyente y agotador dentro del contexto del experimento.

El segundo componente es la σ-álgebra (sigma-álgebra), que representa la colección de subconjuntos de Ω que consideramos como "eventos". No todos los subconjuntos siempre son medibles, especialmente en espacios infinitos. Esta estructura asegura que si un evento ocurre, su complemento también es un evento, y la unión de una cantidad numerable de eventos sigue siendo un evento. En términos sencillos, define qué preguntas podemos hacerle al experimento y obtener una respuesta probabilística válida.

El tercer componente es la función de probabilidad, P. Esta función asigna un valor numérico entre 0 y 1 a cada evento en la σ-álgebra. Debe cumplir los axiomas fundamentales: la probabilidad del espacio total es 1, y la probabilidad de la unión de eventos disjuntos es la suma de sus probabilidades individuales. Matemáticamente, para eventos disjuntos A y B:

P(A∪B)=P(A)+P(B)

Dato curioso: La necesidad de la σ-álgebra surgió para resolver paradojas como la de Borel-Cantelli, donde la intuición falla al manejar infinitos eventos simultáneos.

Comparación de espacios muestrales

La complejidad del espacio de probabilidad varía según si el espacio muestral es finito o infinito. Esta distinción afecta directamente cómo se construye la σ-álgebra y cómo se calcula P.

Característica	Espacio Muestral Finito	Espacio Muestral Infinito (Numerable)
Ejemplo típico	Lanzamiento de una moneda	Número de caras en lanzamientos sucesivos
Espacio Muestral (Ω)	{Cara, Cruz}	{1, 2, 3, ...} (Números naturales)
σ-álgebra	Todos los subconjuntos posibles	Subconjuntos donde la suma de probabilidades converge
Cálculo de P	Suma finita de valores	Suma de serie infinita (límite)

En espacios finitos, como el dado, cualquier subconjunto es un evento válido. En espacios infinitos, como el número de intentos para obtener una cara, debemos asegurar que la suma de las probabilidades no diverga hacia infinito. Esta distinción es vital para evitar errores de cálculo en estadística avanzada. La estructura tripartita garantiza que, sin importar la complejidad del fenómeno, el marco lógico permanece sólido y predecible.

¿Qué implicaciones lógicas tienen los axiomas?

Los tres axiomas de Kolmogorov parecen simples, pero su poder radica en la densidad de consecuencias lógicas que generan. No son meras definiciones estáticas; son motores deductivos. De estos tres pilares se desprenden teoremas fundamentales que estructuran toda la teoría de la probabilidad clásica. Comprender estas derivaciones es esencial para pasar de la intuición a la precisión matemática.

La probabilidad del conjunto vacío

El primer resultado directo es que la probabilidad del evento imposible, representado por el conjunto vacío (∅), es cero. Esto no se asume al principio; se demuestra. Dado que el conjunto vacío y el espacio muestral (S) son disjuntos y su unión es S, los axiomas de no negatividad y aditividad permiten establecer esta relación. La consecuencia es directa: si nada ocurre, la medida de probabilidad es nula.

Esta propiedad asegura que la función de probabilidad esté bien definida incluso para eventos sin elementos. Sin ella, la consistencia del modelo se rompería en casos límite.

El complemento y la suma a la unidad

Un resultado más intuitivo pero igualmente derivado es la regla del complemento. Para cualquier evento A, la probabilidad de que ocurra A o su complemento (A') es igual a 1. Esto surge porque A y A' son mutuamente excluyentes y agotan todas las posibilidades en el espacio muestral.

Al aplicar el axioma de aditividad, obtenemos la fórmula clave:

P(A′)=1−P(A)

Esta ecuación es fundamental en cálculos prácticos. A menudo es más fácil calcular la probabilidad de lo que no sucede y restarlo de la unidad que sumar las probabilidades de todos los casos favorables. Es una herramienta de eficiencia lógica, no solo aritmética.

Monotonía y la fórmula de la unión

La monotonía establece que si un evento A está contenido en otro evento B (A ⊆ B), entonces la probabilidad de A no puede ser mayor que la de B. Esto refleja la intuición de que añadir posibles resultados no disminuye la probabilidad total. Es una propiedad de orden que organiza los eventos en una jerarquía lógica.

La fórmula de la unión de dos eventos es quizás la más utilizada en aplicaciones prácticas. Para dos eventos cualesquiera A y B, la probabilidad de que ocurra al menos uno de ellos es la suma de sus probabilidades individuales menos la probabilidad de su intersección. Esto corrige el "doble conteo" de los resultados compartidos.

P(A∪B)=P(A)+P(B)−P(A∩B)

Dato curioso: Esta fórmula es la base de la "Regla de la Suma" en combinatoria básica. Si ignoras la intersección, sobreestimas la probabilidad. Un error común entre estudiantes novatos es sumar ciegamente sin verificar si los eventos son disjuntos.

Estos teoremas no son adiciones arbitrarias. Son consecuencias inevitables de la estructura axiomática. Dominarlas permite navegar por problemas complejos con confianza, sabiendo que cada paso está respaldado por la lógica pura de Kolmogorov. La elegancia de la teoría reside en esta economía de medios: tres reglas simples generan un universo de deducciones robustas.

Aplicaciones prácticas y ejemplos

Los axiomas de Kolmogorov no permanecen encerrados en los libros de texto; constituyen el andamio lógico que sostiene decisiones críticas en industrias donde la incertidumbre es la norma. Sin esta estructura formal, las predicciones serían meras intuiciones sin capacidad de cuantificación rigurosa.

Seguros y la Ley de Grandes Números

El modelo de seguros de vida depende directamente de la consistencia proporcionada por estos axiomas. Las aseguradoras no adivinan quién vivirá o morirá; calculan la probabilidad de supervivencia basándose en datos históricos masivos. La primera y segunda regla de Kolmogorov garantizan que estas probabilidades sean coherentes entre sí.

El mecanismo clave aquí es la Ley de Grandes Números. A medida que el número de asegurados crece, la frecuencia real de los eventos (como una muerte a los 65 años) converge hacia la probabilidad teórica asignada. Esto transforma la incertidumbre individual en una previsibilidad colectiva.

Dato curioso: Los primeros cálculos de seguros de vida en el siglo XVII ya usaban tablas de mortalidad, pero no fue hasta la formalización de los axiomas en 1927 que se pudo demostrar matemáticamente por qué el sistema no colapsaba bajo la variabilidad aleatoria.

Ingeniería y fiabilidad de sistemas

En ingeniería, la fiabilidad de un sistema complejo se calcula combinando las probabilidades de fallo de sus componentes individuales. Si un avión tiene mil componentes, la probabilidad de que el motor falle no es independiente del sistema de combustible. Los axiomas permiten sumar y multiplicar estas probabilidades sin caer en contradicciones lógicas.

La ingeniería de fiabilidad utiliza la función de supervivencia, que mide la probabilidad de que un componente dure más de un tiempo determinado. La integración de esta función da lugar a la vida media esperada, un dato crítico para el mantenimiento preventivo.

E[T]=∫0∞R(t)dt

Esta fórmula muestra cómo la probabilidad acumulada se traduce en una duración temporal concreta. Los ingenieros usan este resultado para decidir cuándo reemplazar una pieza antes de que falle, ahorrando costes y evitando averías costosas.

Finanzas y el valor esperado

En los mercados financieros, el valor esperado es la herramienta principal para evaluar inversiones. Se calcula multiplicando cada posible resultado de una inversión por su probabilidad de ocurrencia y sumando los productos. Este concepto deriva directamente de la definición de esperanza matemática, que a su vez se basa en los axiomas de probabilidad.

E[X]=i=1∑nxi⋅P(X=xi)

Los gestores de fondos utilizan este cálculo para comparar activos con distintos perfiles de riesgo. Una acción puede tener una alta rentabilidad potencial, pero si la probabilidad de que ocurra es baja, su valor esperado puede ser inferior al de un bono más estable. La decisión de inversión se basa en maximizar este valor esperado ajustado al riesgo.

La aplicación práctica de estos axiomas demuestra que la probabilidad no es solo una rama de las matemáticas puras, sino una herramienta de gestión del riesgo. Desde la prima de un seguro hasta la composición de una cartera de acciones, la lógica de Kolmogorov permite tomar decisiones informadas en un mundo lleno de incertidumbre. La precisión de estos modelos es lo que permite que las economías modernas funcionen con relativa estabilidad.

¿Qué diferencia los axiomas de Kolmogorov de otras definiciones?

Los axiomas de Kolmogorov no surgieron de la nada, sino como respuesta a la necesidad de unificar conceptos que, hasta 1933, parecían depender más del contexto que de la lógica pura. Antes de esta formalización, la probabilidad se entendía principalmente a través de dos lentes: la definición clásica de Laplace y el enfoque frecuentista. Ambas son intuitivas, pero presentan limitaciones estructurales que el método axiomático resuelve con elegancia.

Limitaciones de la definición clásica

La definición clásica, asociada a Pierre-Simon Laplace, establece que la probabilidad de un evento es el cociente entre los casos favorables y los casos posibles, asumiendo que todos son igualmente probables. Matemáticamente, esto se expresa como:

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

El problema fundamental de esta fórmula es el círculo vicioso: para saber si los casos son "igualmente probables", a menudo hay que conocer ya su probabilidad. Además, funciona bien para lanzar un dado justo, pero se vuelve torpe cuando se analiza la supervivencia de un paciente o la inflación anual. No todos los escenarios tienen un número finito de resultados "iguales".

El enfoque frecuentista y su dependencia del tiempo

La definición frecuentista intenta corregir esto basándose en la experiencia: la probabilidad es el límite de la frecuencia relativa de un evento al repetir el experimento infinitas veces. Si lanzas una moneda muchas veces, la proporción de caras tenderá a estabilizarse. Sin embargo, este enfoque depende de la noción de "experimento repetible". ¿Qué significa repetir infinitas veces la probabilidad de que llueva el 25 de diciembre de 2026? O la probabilidad de que un puente específico colapse bajo una carga específica. El frecuentismo lucha con los eventos únicos o históricos.

Dato curioso: Antes de Kolmogorov, los matemáticos discutían si la probabilidad era una propiedad física (frecuentista) o una creencia subjetiva. Los axiomas permitieron que ambas visiones coexistieran bajo el mismo techo matemático.

La potencia de la generalización axiomática

Andrey Kolmogorov resolvió estas disputas al reducir la teoría de la probabilidad a tres reglas básicas sobre un conjunto de resultados. Al hacer esto, la probabilidad dejó de ser solo un número calculado y se convirtió en una medida matemática. Esto permite que la definición clásica y la frecuentista sean casos particulares de una estructura más grande.

La robustez del enfoque axiomático radica en su capacidad para manejar conjuntos infinitos. Mientras que la definición clásica se ahoga con infinitud, los axiomas de Kolmogorov introducen la "aditividad numerable", permitiendo calcular probabilidades en espacios continuos, como la distribución normal en estadística. Esto unificó la teoría con el cálculo integral, dando a la probabilidad el rigor necesario para la física cuántica y la economía moderna.

La consecuencia es directa: ya no importa si crees que la probabilidad es frecuencia o proporción; lo que importa es que cumpla las tres reglas de Kolmogorov. Esa es la verdadera revolución: pasar de la intuición a la estructura.

Ejercicios resueltos

La teoría de Kolmogorov cobra sentido cuando se aplica a casos concretos. Los tres ejercicios siguientes muestran cómo verificar los axiomas, calcular uniones y manejar espacios infinitos.

Verificación de axiomas en un espacio finito

Considérese el espacio muestral S = {A, B, C} con la función de probabilidad P definida como P(A) = 0.2, P(B) = 0.5 y P(C) = 0.3. Para que P sea una medida de probabilidad válida, debe cumplir los tres axiomas.

El primer axioma exige que cada probabilidad sea no negativa. Como 0.2 ≥ 0, 0.5 ≥ 0 y 0.3 ≥ 0, esta condición se cumple. El segundo axioma establece que la probabilidad del espacio total debe ser 1. Sumamos los valores: P(S)=P(A)+P(B)+P(C)=0.2+0.5+0.3=1. El tercer axioma, la aditividad de eventos disjuntos, se verifica observando que la suma de las probabilidades de los eventos individuales coincide con la probabilidad de su unión. Todos los requisitos están satisfechos.

Cálculo de la unión de dos eventos

Supongamos dos eventos E y F con P(E) = 0.4 y P(F) = 0.5. Si sabemos que su intersección tiene probabilidad P(E ∩ F) = 0.2, podemos hallar la probabilidad de su unión P(E ∪ F) utilizando la propiedad de aditividad derivada de los axiomas.

La fórmula general para la unión de dos eventos es la suma de sus probabilidades individuales menos la probabilidad de su intersección para evitar contar dos veces los elementos comunes. Aplicando los valores:

P(E∪F)=P(E)+P(F)−P(E∩F)=0.4+0.5−0.2=0.7

El resultado indica que la probabilidad de que ocurra al menos uno de los dos eventos es 0.7. Este cálculo es fundamental en problemas donde los eventos no son mutuamente excluyentes.

Problema en un espacio muestral infinito

Los axiomas también rigen espacios infinitos. Considere el lanzamiento de una moneda justa hasta obtener la primera cara. El espacio muestral es S = {C, CC, CCC, ...}, donde C es cara y T es cruz. La probabilidad de obtener la primera cara en el n-ésimo lanzamiento es P(En)=(1/2)n.

Para verificar el segundo axioma, la suma de las probabilidades de todos los eventos elementales debe ser 1. Esto requiere sumar una serie geométrica infinita:

P(S)=n=1∑∞(21)n=1−1/21/2=1

La serie converge a 1, lo que confirma que la función de probabilidad está bien definida en este espacio infinito. Este ejemplo ilustra cómo la aditividad contable del tercer axioma permite manejar infinitos eventos disjuntos.

Dato curioso: Sin el tercer axioma de aditividad contable, muchas herramientas estadísticas modernas, como la Ley de los Grandes Números, perderían su rigor matemático. La elección de Kolmogorov en 1933 unificó la teoría de la probabilidad con la teoría de la medida.

Preguntas frecuentes

¿Quién propuso los axiomas de probabilidad?

El matemático ruso Andrey Kolmogorov publicó estos axiomas en 1931 en su obra "Grundbegriffe der Wahrscheinlichkeitsrechnung" (Conceptos fundamentales del cálculo de probabilidades), sentando las bases de la teoría moderna.

¿Por qué se necesitan exactamente tres axiomas?

Los tres axiomas cubren las propiedades esenciales: no negatividad (la probabilidad no es menor que cero), normalización (la suma de todas las posibilidades es uno) y aditividad (la probabilidad de eventos mutuamente excluyentes se suma). Juntos, aseguran que la medida sea lógica y consistente.

¿Puede la probabilidad de un evento ser mayor que 1?

No. Según el segundo axioma, la probabilidad del espacio muestral completo es 1. Dado que cualquier evento es un subconjunto de este espacio, su probabilidad no puede exceder a la del conjunto total, siempre que se cumpla la propiedad de monotonía derivada de los axiomas.

¿Son los axiomas de Kolmogorov aplicables a cualquier tipo de azar?

Sí, son lo suficientemente generales como para abarcar la probabilidad clásica (dados y monedas), la probabilidad frecuentista (estadística experimental) y la probabilidad subjetiva (Bayesiana), siempre que se defina adecuadamente el espacio muestral.

¿Qué significa que dos eventos sean "mutuamente excluyentes" en este contexto?

Significa que no pueden ocurrir al mismo tiempo. Por ejemplo, al lanzar un dado, obtener un 2 y obtener un 5 son mutuamente excluyentes. El tercer axioma establece que la probabilidad de obtener uno u otro es la suma de sus probabilidades individuales.

Resumen

Los axiomas de Kolmogorov proporcionan la estructura matemática necesaria para cuantificar la incertidumbre con precisión. Al definir la probabilidad como una medida sobre un espacio de resultados, permiten aplicar herramientas del cálculo y el álgebra para predecir comportamientos aleatorios. Esta formalización es la columna vertebral de la estadística moderna y la teoría de la medida.