¿Cuáles son los 4 enfoques de la probabilidad? (Parte 1: Fundamentos, Enfoque Clásico y Enfoque Frecuentista)

Introducción: Navegando en un mar de incertidumbre

Desde el momento en que decidimos si llevar o no un paraguas por la mañana, hasta los complejos algoritmos que predicen el clima mundial, las bolsas de valores o los resultados de un partido de fútbol, la probabilidad es el lenguaje matemático que utilizamos para medir lo desconocido. Lejos de ser una simple herramienta para calcular apuestas en un casino, la teoría de la probabilidad es un pilar fundamental de la ciencia moderna, la inteligencia artificial, la estadística y la toma de decisiones cotidianas.

Sin embargo, cuando nos adentramos en el estudio formal de la probabilidad, surge una pregunta fascinante que a menudo confunde tanto a estudiantes como a investigadores experimentados: ¿Qué significa realmente que algo tenga una probabilidad del 50%?

La respuesta a esta pregunta no es única. A lo largo de la historia de la ciencia y la filosofía, los matemáticos han desarrollado cuatro enfoques principales para definir y calcular la probabilidad. Cada uno de estos enfoques aborda la incertidumbre desde una perspectiva distinta, con sus propias reglas, ventajas y limitaciones.

En esta primera parte de nuestro artículo experto, exploraremos los fundamentos históricos y nos adentraremos en los dos primeros enfoques: el Enfoque Clásico y el Enfoque Frecuentista.

Breve panorama de la evolución probabilística

La probabilidad no nació como una ciencia formal de la noche a la mañana. Sus raíces se hunden en los juegos de azar del siglo XVII, donde pensadores como Blaise Pascal y Pierre de Fermat comenzaron a intercambiar cartas para resolver problemas relacionados con la división de apuestas en juegos inconclusos.

Con el paso de los siglos, la necesidad de aplicar estos conceptos a la demografía, la astronomía y la física obligó a los matemáticos a replantearse qué significaba calcular la probabilidad de un evento. Fue así como la disciplina se diversificó en escuelas de pensamiento complementarias. Para entender el panorama completo, los cuatro enfoques que rigen la teoría de la probabilidad son:

1. El Enfoque Clásico (o a priori): Basado en la simetría y el conteo de casos posibles y favorables.

2. El Enfoque Frecuentista (o empírico): Basado en la repetición de experimentos y la ley de los grandes números.

3. El Enfoque Subjetivo (o bayesiano): Basado en el grado de creencia personal actualizado con nueva evidencia.

4. El Enfoque Axiomático: El marco formal y matemático moderno establecido por Andrey Kolmogorov.

A continuación, analizaremos a fondo los dos primeros pilares de este fascinante edificio matemático.

1. El Enfoque Clásico (o A Priori)

El enfoque clásico, también conocido como la definición de Laplace (en honor al gran matemático francés Pierre-Simon Laplace), es probablemente el primer método con el que nos topamos en la escuela secundaria.

¿En qué consiste?

Este enfoque se aplica cuando un experimento aleatorio tiene un número finito de resultados posibles y todos ellos son igualmente probables (también conocidos como equiprobables). No necesitamos realizar ningún experimento en el mundo real para calcular la probabilidad; podemos deducirla antes de ejecutar la acción (de ahí el término latín a priori).

La fórmula fundamental del enfoque clásico se define como:

Probabilidad de un evento = (Número de resultados favorables) / (Número total de resultados posibles)

Ejemplos cotidianos

• El lanzamiento de una moneda: Una moneda justa tiene dos caras posibles: cara o cruz. Si queremos calcular la probabilidad de obtener cara, el número de casos favorables es 1 y el total de casos posibles es 2. Por lo tanto, la probabilidad es de $1/2$ o $50\%$.

• El lanzamiento de un dado: Un dado de seis caras tiene 6 resultados posibles. La probabilidad de obtener un número par (2, 4 o 6) es de $3/6$, lo que se simplifica a $1/2$ o $50\%$.

• La baraja de cartas: Al extraer una carta de una baraja estándar de 52 cartas, la probabilidad de sacar un As es de $4/52$ (ya que hay 4 Ases), lo que equivale a $1/13$ o aproximadamente un $7.69\%$.

Limitaciones del Enfoque Clásico

A pesar de su elegancia y simplicidad intuitiva, el enfoque clásico sufre de una limitación importante: su dependencia de la simetría.

• ¿Qué sucede si la moneda está truqueada o el dado está desbalanceado?

• ¿Cómo calculamos la probabilidad de que llueva mañana basándonos en la simetría del cielo?

Como la gran mayoría de los eventos en el mundo real no son simétricos ni tienen un número finito de resultados perfectamente equiprobables, la ciencia necesitó expandir sus horizontes hacia una visión empírica.

2. El Enfoque Frecuentista (o Empírico)

Cuando la simetría desaparece o es imposible de determinar a simple vista, el enfoque frecuentista entra en escena. Este método se aleja de la deducción teórica pura y se ancla firmemente en la experimentación y la observación del mundo real.

¿En qué consiste?

El enfoque frecuentista define la probabilidad de un evento como el límite de la frecuencia relativa con la que ocurre dicho evento cuando el experimento se repite una cantidad muy grande de veces bajo las mismas condiciones.

En términos sencillos: si lanzas una moneda sospechosa 10 veces y obtienes 7 caras, tu frecuencia relativa inicial de caras es del $70\%$. Sin embargo, el enfoque frecuentista postula que para conocer la verdadera probabilidad, debes lanzar esa moneda 1,000, 10,000 o un millón de veces. A medida que el número de repeticiones crece, la frecuencia observada se estabiliza y converge hacia el valor real de la probabilidad.

La Ley de los Grandes Números

El motor matemático detrás del enfoque frecuentista es la famosa Ley de los Grandes Números. Este teorema demuestra que, en el largo plazo, el promedio de los resultados obtenidos a partir de un gran número de ensayos experimentales se acerca al valor esperado teórico.

• Ejemplo práctico: Imagina que un fabricante de dispositivos electrónicos quiere calcular la probabilidad de que un chip salga defectuoso de la línea de producción. No puede usar el enfoque clásico porque no hay una "simetría" teórica obvia entre un chip bueno y uno defectuoso. En su lugar, el ingeniero toma una muestra masiva de 50,000 chips y descubre que 250 presentan fallas. La probabilidad empírica (frecuentista) de que un chip salga defectuoso es de $250 / 50,000 = 0.005$ (es decir, un $0.5\%$).

Limitaciones del Enfoque Frecuentista

Aunque es sumamente poderoso en la industria, la ciencia experimental y la estadística aplicada, el enfoque frecuentista también tiene talones de Aquiles:

1. El largo plazo es una ilusión práctica: En muchas situaciones de la vida real, los experimentos no se pueden repetir infinitas veces (por ejemplo, evaluar la probabilidad de que ocurra un desastre nuclear en una planta específica o pronosticar el resultado de una elección presidencial única).

2. Dependencia del pasado: La definición asume que las condiciones del experimento se mantienen perfectamente estables a lo largo de las pruebas, algo que rara vez ocurre en entornos dinámicos como la economía o la meteorología.

Próximamente en la Parte 2

Hasta aquí hemos analizado los dos enfoques que miran la probabilidad desde una perspectiva objetiva y medible (ya sea mediante la simetría matemática o mediante la repetición empírica). Sin embargo, ¿qué pasa cuando debemos tomar decisiones basadas en opiniones expertas, información incompleta o juicios personales?

En la segunda parte de este artículo, profundizaremos en:

• El Enfoque Subjetivo (Bayesiano) y cómo revoluciona la forma en que actualizamos nuestras creencias con nueva evidencia.

• El Enfoque Axiomático, la estructura matemática definitiva que unificó todas las teorías de la probabilidad gracias a Andrey Kolmogorov.

• Una tabla comparativa final para entender cuál enfoque elegir según el problema al que te enfrentes.

Nota del autor: La probabilidad es un puente entre la ignorancia humana y el orden matemático. Comprender sus diferentes enfoques te permitirá no solo resolver problemas académicos, sino interpretar de manera crítica los datos y riesgos que moldean nuestro día a día. ¡No te pierdas la continuación!

(Continuación del artículo especializado sobre los fundamentos de la teoría de probabilidad)

3. El Enfoque Subjetivo: La Probabilidad como Grado de Credibilidad

Mientras que los enfoques clásico y frecuentista exigen repetición, simetría física o recolección masiva de datos históricos, el enfoque subjetivo (también conocido como enfoque personalista o bayesiano) aborda la probabilidad desde una perspectiva completamente distinta: el grado de creencia o convicción que un individuo tiene sobre la ocurrencia de un evento, basado en su experiencia personal, intuición y cualquier información disponible en un momento dado.

Este enfoque resulta indispensable cuando nos enfrentamos a eventos únicos, irrepetibles o donde la experimentación previa es imposible. Por ejemplo:

• ¿Cuál es la probabilidad de que una startup tecnológica llegue a valer mil millones de dólares en los próximos cinco años?

• ¿Qué probabilidad hay de que un tratado de paz internacional específico se firme antes de fin de año?

• ¿Cuál es la probabilidad de que un determinado candidato político gane las elecciones con base en las tendencias actuales de redes sociales?

Para estos escenarios, no existe un dado que lanzar ni millones de pruebas pasadas idénticas que replicar. Sin embargo, los tomadores de decisiones, analistas de riesgos y científicos de datos necesitan cuantificar la incertidumbre para actuar.

Fundamentos del Enfoque Subjetivo y la Inferencia Bayesiana

La probabilidad subjetiva no es simplemente una "corazonada" arbitraria; en el ámbito analítico, se formaliza a través del teorema de Bayes y la inferencia bayesiana. Bajo este modelo:

1. Se establece una probabilidad a priori basada en el juicio inicial o el conocimiento experto.

2. A medida que nueva evidencia o datos se hacen disponibles, esta probabilidad se actualiza matemáticamente para obtener una probabilidad a posteriori.

La gran ventaja de este enfoque es su flexibilidad y su capacidad para adaptarse a entornos dinámicos e informados por datos escasos. Su principal desafío, sin embargo, radica en la subjetividad inherente: dos expertos diferentes con la misma información inicial podrían asignar probabilidades distintas debido a sesgos cognitivos o interpretaciones divergentes, lo que exige un rigor metodológico estricto en su aplicación profesional.

4. El Enfoque Axiomático: El Rigor Matemático de Kolmogorov

A principios del siglo XX, la teoría de la probabilidad necesitaba una base lógica y matemática sólida que unificara los distintos enfoques anteriores y eliminara ambigüedades filosóficas. Esta tarea fue resuelta magistralmente en 1933 por el matemático ruso Andréi Kolmogórov, quien formuló el enfoque axiomático.

En lugar de definir qué es la probabilidad física o mentalmente, Kolmogórov estableció axiomas universales (reglas fundamentales indiscutibles) que cualquier medida de probabilidad debe cumplir, independientemente del campo de aplicación.

Los Tres Axiomas de Kolmogórov

Sea $\Omega$ el espacio muestral (el conjunto de todos los resultados posibles de un experimento aleatorio) y $A$ un evento (un subconjunto de $\Omega$). La probabilidad de un evento $A$, denotada como $P(A)$, debe satisfacer los siguientes axiomas:

• Primer Axioma (No negatividad): Para cualquier evento $A$, la probabilidad es un número real mayor o igual a cero:

  $$P(A) \ge 0$$

• Segundo Axioma (Certitud o Normalización): La probabilidad de que ocurra algún evento en todo el espacio muestral $\Omega$ es exactamente igual a 1 (es decir, el 100% de certeza de que el resultado estará dentro de las opciones posibles):

  $$P(\Omega) = 1$$

• Tercer Axioma (Aditividad numerable): Si $A_1, A_2, A_3, \dots$ es una secuencia de eventos mutuamente excluyentes (es decir, disjointos, donde dos o más no pueden ocurrir simultáneamente), la probabilidad de la unión de dichos eventos es la suma de sus probabilidades individuales:

  $$P(A_1 \cup A_2 \cup A_3 \dots) = P(A_1) + P(A_2) + P(A_3) + \dots$$

A partir de estos tres cimientos matemáticos, se derivan todas las leyes, teoremas y propiedades avanzadas del cálculo de probabilidades actual (como la probabilidad condicional, la independencia de eventos y la ley de los grandes números). El enfoque axiomático no compite con los enfoques clásico, frecuentista o subjetivo; más bien, los engloba, proporcionándoles un marco formal y seguro.

Tabla Comparativa: Resumen de los Cuatro Enfoques

Para consolidar el conocimiento y entender cuándo aplicar cada perspectiva en un entorno profesional o académico, la siguiente tabla resume sus características principales:

Conclusión: Hacia una Visión Integrada de la Incertidumbre

Comprender los cuatro enfoques de la probabilidad no es un mero ejercicio académico o histórico; es una herramienta conceptual indispensable para cualquier profesional que trabaje con datos, riesgos o modelos de predicción.

Lejos de ser excluyentes, estos enfoques se complementan de manera orgánica en el mundo real. Por ejemplo, un ingeniero de machine learning puede utilizar el enfoque axiomático para garantizar la consistencia matemática de un algoritmo de clasificación, apoyarse en el enfoque frecuentista para entrenar el modelo con millones de datos históricos, integrar el enfoque subjetivo para ajustar los pesos iniciales mediante el conocimiento de expertos de la industria, y evaluar escenarios hipotéticos mediante la lógica del enfoque clásico.

Dominar estas cuatro dimensiones de la probabilidad transforma la incertidumbre de un obstáculo abstracto en una variable cuantificable, permitiéndonos tomar decisiones informadas, diseñar modelos más robustos y navegar con mayor precisión en un entorno global cada vez más complejo y guiado por datos.

¿Te gustaría profundizar en cómo se aplica la inferencia bayesiana (enfoque subjetivo) combinada con el análisis de datos masivos en proyectos reales de ciencia de datos?