DETERMINISMO, CAOS, AZAR E INCERTIDUMBRE

FRANCISCO JAVIER GIRN GONZLEZ-TORRE

Real Academia de Ciencias

INTRODUCCIN efecto que no pasa desapercibido, y entonces decimos

que el efecto se debe al azar. Si pudiramos conocer con
No es nuestro propsito, dadas las limitaciones de un en- exactitud las leyes de la naturaleza y la situacin del uni-
sayo de este tipo, desarrollar la teora de cada uno de los verso en el instante inicial, podramos predecir exacta-
trminos que aparecen en el ttulo, ya que cada uno de ellos mente la situacin del mismo universo en un instante
podra dar lugar, por si solo, a una monografa. Queremos, posterior. Pero, incluso en el caso de que las leyes natu-
sobre todo, ilustrar la relacin que existe entre todos ellos rales no tuviesen secretos, slo podramos conocer las
y marcar las estrechas fronteras que existen entre estos condiciones iniciales de modo aproximado. Si eso nos per-
cuatro conceptos. mitiese predecir la situacin posterior con el mismo gra-
Laplace, casi al principio de su obra Ensayofilosficoso- do de aproximacin, no hara falta ms, diramos que el fe-
bre las probabilidades (1814) comenta, en lo que parece una nmeno se predijo y que est regido por las leyes. Pero no
apologa del determinismo: siempre sucede as; puede ocurrir que pequeas diferen-
cias en las condiciones iniciales produzcan diferencias
[...] Si concebimos una inteligencia que en un instante muy grandes en el fenmeno ltimo; un pequeo error
determinado abarca todas las relaciones entre todos los en- en las primeras se convertira en uno enorme en el lti-
tes del universo -una inteligencia lo suficientemente am- mo. Se hace imposible predecir y tenemos un fenmeno
plia que permitiera someter estos datos al anlisis sta po-
fortuito.
dra establecer las posiciones respectivas, el movimiento y
las propiedades generales de todos estos entes, desde los Con estos comentarios, Poincar se adelant unos setenta
mayores cuerpos del universo al menor de los tomos; para aos a la aparicin de una de las disciplinas que ha expe-
ella nada sera incierto y el futuro as como el pasado esta- rimentado un mayor auge en las ltimas dcadas y que, se-
ran presentes ante sus ojos. gn sus defensores, promete convertirse en uno de los hi-
tos cientficos del siglo XX. Hablamos, naturalmente, de
Con esta frase Laplace resume la idea de determinis- la teora del caos.
mo en la necesidad del conocimiento perfecto de las le- El ejemplo siguiente, conocido como el de la mesa de bi-
yes naturales y de las condiciones iniciales; lo que, a llar, nos proporciona una pista sobre cundo, o en qu
menudo, se ha tomado como una afirmacin de la con- condiciones, un sistema determinista puede tener un com-
cepcin puramente determinista que Laplace tena del portamiento catico.
universo. Sin embargo, ms adelante en la misma obra
comenta: La teora de la probabilidad debera ser ele- Ejemplo de sistema no catico
vada al rango de los asuntos ms importantes del co-
nocimiento humano; que no son, precisamente, las pa- Supongamos una mesa de billar cuadrada -el que sea cua-
labras de un determinista acrrimo. No debemos olvidar drada, en vez de rectangular no tiene ninguna importan-
que Laplace fue el autor que sent las bases matemti- cia para el desarrollo del ejemplo-. Desde la esquina in-
cas del moderno clculo de probabilidades con la pu- ferior izquierda se lanza una bola en direccin hacia el
blicacin de su Teora analtica de las probabilidades lado derecho formando un cierto ngulo, con una cierta
(1814). velocidad fija. Se supone que no hay rozamiento y que la
Casi cien aos ms tarde, Poincar, hablando del azar, bola rebota segn las leyes de la reflexin.
comenta en su libro Ciencia y Mtodo (1908): Una pe- La figura 1.1 muestra las trayectorias de dos bolas cu-
quea causa, que apenas percibimos, determina un gran yos ngulos de lanzamiento difieren muy poco (una mi-

73
 FRANCISCO JAVIER GIRN GONZLEZ-TORRE

Ejemplo de sistema catico

Fig. 1 . 1 . - Mesa de billar. El ngulo inicial entre las trayectorias de las

dos bolas es de 0.001 radianes. Las trayectorias son prcticamente
indistinguibles.
Fig. 1.3.- Mesa de billar con un obstculo. El ngulo inicial entre las
trayectorias de las dos bolas es de 0.001 radianes. Las trayectorias
divergen rpidamente.
Distancia entre las posiciones
Adems, el comportamiento catico anterior se produ-
0.015 ce independientemente del tamao y de la forma del obs-
0.0125 tculo aunque, como parece intuitivo, el tiempo que tar-
0.01 da en producirse la divergencia entre las trayectorias -y, por
y
ende, el comportamiento irregular o catico-, ser ma-
0.0075
yor cuanto menor y menos irregular sea el obstculo. La
0.005 figura 1.4 muestra el comportamiento no lineal de la dis-
0.0025 tancia angular entre las dos trayectorias.
0- Tiempo Este ejemplo es caracterstico del comportamiento de un
0 2.5 5 7.5 10 12.5 15 sistema dinmico que evoluciona a lo largo del tiempo, li-
neal . no hay obstculo y en este caso es posible predecirlo
Fig. 1.2.- Evolucin en el tiempo de la distancia angular entre las po- con exactitud, y no lineal caso de que haya un obstculo,
siciones de las dos bolas. Se puede observar el carcter lineal de esta en el cual no es posible hacer predicciones a largo plazo.
distancia.

lsima de radin). Al cabo del tiempo las dos trayectorias

se van separando lentamente de modo que la distancia Distancia entre las posiciones
angular entre ellas aumenta de forma lineal, tal como se
aprecia en la figura 1.2, y la posicin de las bolas se pue-
de predecir en cualquier instante de tiempo futuro con
toda precisin.
02

0.1 5
I
J
Supongamos ahora que hay un obstculo, por ejemplo,
en el centro de la mesa, tal como se representa en la figu- 01
ra 1.3, mediante un crculo, donde la bola rebota cada 0.05
vez que alcance su circunferencia. Lo que ocurre, cuando ^~
se tropieza con el obstculo, es que el ngulo de rebote es 0

Tiempo
el triple del ngulo de incidencia, con lo que las trayectorias 3 2 4 6 8 1C
de las dos bolas se comportan de la forma que ilustra la
figura 1.3, es decir, de un modo catico. Las trayectorias
Fig. 1.4.- Evolucin en el tiempo de la distancia angular entre las po-
divergen rpidamente y la prediccin de su posicin, a siciones de las dos bolas. Se puede observar el carcter no lineal de
largo plazo, se hace prcticamente imposible. esta distancia.

74
 DETERMINISMO, CAOS, AZAR E INCERTIDUMBRE

CAOS DETERMINISTA

En esta seccin no pretendemos desarrollar la teora del

caos determinista mejor diramos de la teora de los sis-
temas dinmicos no lineales- ejemplificada por la mesa de
billar, sino comentar algunos aspectos del mismo relacio-
nados, sobre todo, con la aleatoriedad, a travs del concepto
de medida invariante, mediante algunos ejemplos.
Brevemente y de modo informal, que no obstante no evi-
ta el que utilicemos ciertos tecnicismos, podemos definir
Fig. 2 . 1 . - Grfico de la tienda de campaa y trayectoria generada
un sistema catico como un sistema dinmico no lineal lo
por el modelo de tienda de campaa para co = .40 y x0 = .19.
que constituye un ingrediente bsico para garantizar la
presencia del caos tal que, si se parte de condiciones ini-
ciales localizadas en una cierta regin, todas las trayecto- La sensitividad del modelo a las condiciones iniciales
rias que se generan estn uniformemente acotadas; pero, queda ilustrada por el grfico de la figura 2.2.
de tal modo que, aunque al principio estn muy prximas, No solamente las tres trayectorias presentan un com-
con el tiempo unas divergen de otras de modo exponencial portamiento irregular o catico sino que divergen muy r-
y, sin embargo, todas las trayectorias poseen las mismas pro- pidamente unas de otras al variar muy poco el valor inicial
piedades estadsticas. De modo que una trayectoria gene- xf) lo que, a largo plazo, invalida la prediccin por muy pre-
rada por un sistema determinista catico se asemeja a la ciso que sea este valor inicial. Pero, por otra parte, el an-
realizacin de un cierto proceso estocstico o serie temporal. lisis estadstico de las trayectorias demuestra que, a pesar
Vemos as que ciertas formas de determinismo pueden de su carcter puramente determinista, se comportan como
originar comportamientos caticos que, a su vez, se ase- realizaciones del mismo proceso estocstico, por lo que, por
mejan a procesos aleatorios. otra parte, se pueden hacer predicciones probabilsticas.
Los aspectos importantes asociados a la presencia del De modo que podemos decir que ciertas formas de caos de-
caos determinista son: terminstico devienen en fenmenos aleatorios.
Con mayor precisin, podemos afirmar que las trayec-
La no linealidad del sistema. torias generadas por el modelo de tienda de campaa tie-
La prdida de precisin, de carcter exponencial, en la nen las mismas propiedades estadsticas -funcin espec-
prediccin. tral emprica y funcin de autocorrelacin- que el proceso
La imposibilidad de predecir a largo plazo. autorregresivo de orden uno AR{ 1)
El saber cmo se comportan las trayectorias.
El conocer las propiedades estadsticas de las trayec- y.t+=(2(O-l) y,
torias, caso de que presenten alguna regularidad de
tipo estadstico.

Un mtodo sencillo de generar o simular sistemas di-

nmicos no lineales es mediante la iteracin sucesiva de una
funcin no lineal/: S > S, partiendo de un punto inicial
xf e S, es decir, generando la sucesin x{), xx, ..., xt, ...,
donde

*t+i - f(xi) > de modo equivalente xltl =/ ( / + " (x0).

La trayectoria, que depende del valor inicial x), se ob-

tiene uniendo los puntos de la sucesin ((1, x j , ..., (, x),
...).
Un ejemplo que ilustra la definicin anterior es el si-
guiente, conocido como modelo de la tienda de campa- Fig. 2.2.-Tres trayectorias generadas por (2.2), para cu= .40 y para
a. En la figura 2.1 se aprecia el comportamiento cati- tres valores Iniciales: a) x0 = .19, b)x, = .1901, c) xLI = .190001.
co de la trayectoria.
donde los errores {,} son i.i.d. De modo que si C0 = 1/2,
Ejemplo 2.1: Modelo de Tienda de campaa las trayectorias generadas por el modelo de tienda de cam-
\xl I CO para 0 < x, < CO
paa se comportan como un ruido blanco.
V, =/(*,)= Para CO = 1/2, y para casi todas las condiciones iniciales
(1 - xt) / (1 - CO) para CO < x, < 1 xtt, se verifica que

75
 FRANCISCO JAVIER GIRN GONZLEZ-TORRE

La prdida de precisin en la prediccin, partiendo de

#|x,, \<t<T; xt e[a,b]}
> b a un estado inicial xo E, crece exponencialmente a medi-
T da que el valor de crece de modo que, tras cierto tiem-
po, lo nico que se sabe de x{ es que est en [0,1]; esto im-
es decir, a largo plazo, la serie temporal originada por una plica capacidad potencial e. predecir con certeza slo si x{)
realizacin del modelo de tienda de campaa, cuando CO = 1/2, se puede medir con precisin infinita.
oscila en el intervalo [0,1] segn una distribucin unifor- El segundo ejemplo de sistema catico es el conocido
me, que es la denominada medida invariante del modelo. modelo logstico, del que nicamente ilustramos su com-
La figura 2.3, que solamente muestra la sucesin de cien portamiento catico en la figura 2.5 para el valor del pa-
puntos generada por el modelo de tienda de campaa rmetro CO = 3.75. Su importancia para nosotros se ver
cuando CO = .5 > GL y xa = 0.19, ilustra el pargrafo ante- al final de la seccin siguiente, donde se da la expresin
rior en el sentido de que, dentro de la banda (a,b), cuya an- de la medida invariante del mismo para CO = 4.
chura es 0.2, la proporcin de puntos que estn dentro de
ella es aproximadamente 0.2 y que adems esta proporcin Ejemplo 2.2: Modelo logstico
no depende de los valores a y b siempre que la anchura del
intervalo sea 0.2.
*,+i =f(x,)=wx,(l-x,)
x e[0,l] we[0,4]
1

L
1
0.8

0.6


b

a
0.8
z.

L., m
1

0.6 iiii i
- *
0.4
0.4 /

0.2 0.2
\ 0 20 40 60 80 100

0 Y 0.4 u".6~~0.8 1
20 40 60 80 100
Fig. 2.5.- Grfico de comportamiento catico de las trayectorias del
Fig. 2.3.- Sucesin generada por el modelo de tienda de campaa modelo logstico cuando w = 3.75 > y x0 = 0.05.
cuando w= .5 > w.yxo = .19.

Nota. Al nmero ($ = 3.569945557 ... se le conoce

La figura 2.4 muestra el histograma correspondiente a
la serie de 10.000 valores de x,que, de nuevo, ilustra la uni-
formidad de la medida invariante.
A diferencia de otros modelos dinmicos no lineales,
como el logstico, el modelo (2.2) o produce trayectorias
peridicas para casi ningn valor del parmetro CO.
con el nombre de constante de Feigenbaum, en honor a su
descubridor M. Feigenbaum en 1975, y establece el valor
de la constante CO a partir del cual el comportamiento del
modelo logstico es catico.
D E L DETERMINISMO AL AZAR, PASANDO POR EL CAOS

Los dos ejemplos siguientes ilustran, de modo feha-

Fig. 2.4.- Histograma correspondiente a la serie de 10.000 valores
dex,, que ilustra la uniformidad de la medida invariante.
ciente, la relacin entre el determinismo, el caos, el azar
y la incertidumbre, ya anticipado por Poincar.
En el primer ejemplo nos referimos a la teora mate-
mtica del lanzamiento de monedas. Por qu decimos
que una moneda es aleatoria?
Est claro que las monedas no son aleatorias; con esto,
solemos referirnos a que, cuando stas se lanzan, no po-
demos prever su resultado.
Cuando se lanza una moneda, sta tiene una cierta ve-
locidad inicial y un cierto espn que es lo que, de acuer-
do con la mecnica clsica, determina el cmo va a caer.
No hay nada aleatorio en este proceso. J. B. Keller y R Dia-
conis, entre otros, estudiaron este problema y llegaron a
la conclusin de que lo que realmente ocurre es que el

76
 DETERMINISMO, CAOS, AZAR E INCERTIDUMBRE
plano en que se representan las dos variables, la velocidad
inicial y el espn de la moneda, queda particionado en re-
giones, de modo que si los valores de las variables estn en
una regin la moneda cae tal como se lanz y si estn en
la regin contigua cae al contrario y as, de modo anlo-
go y alternativamente, ocurre con todas las regiones.
Fig. 3.1.- Fronteras hiperblicas que separan caras de cruces, don-
de v representa la velocidad inicial, g es la constante de gravitacin
y (oes el nmero de revoluciones por segundo.
Las regiones resultantes, tal como muestra la figura 3.1,
tienen contornos con forma de hiprbolas y, a medida
que aumentan la velocidad y el espn, las regiones se apro-
ximan ms y ms, de modo que pequeos cambios en las
condiciones iniciales determinan que el resultado del lan-
zamiento sea cara o cruz. Este anlisis explica el porqu una
moneda es aleatoria y el porqu, aunque se conozcan con
muchsima precisin las condiciones iniciales, el resulta-
do final va a ser aleatorio, es decir, no se puede predecir.
Situacin anloga a la de los modelos deterministas no li-
neales que, bajo ciertas condiciones, generan caos.
Otro aspecto muy importante que revela el anlisis pre-
cedente es que si el nmero de revoluciones por segundo
es pequeo, aproximadamente 15, como cuando se lan-
za una moneda a una altura de unos 30 cm, entonces los
resultados sucesivos del lanzamiento de la moneda estn
correlados. Esta correlacin es del orden de 0,1, lo que
supone una correlacin nada despreciable, que podra
usarse para jugar con ventaja. Como cabe esperar, la co-
rrelacin disminuye a medida que aumentan los valores de
ambas variables, de modo que los resultados de sucesivos
lanzamientos tienden a ser independientes.
Otro problema interesante relacionado con los juegos de
azar -que, como es bien sabido, histricamente constitu-
yen los orgenes del clculo de probabilidades- es el de
77
determinar cuntas veces es necesario barajar un mazo
de cartas para que su orden se pueda considerar aleato-
rio. La respuesta es sorpredente y es siete. Sin embargo, la
solucin de este problema entraa el utilizar herramien-
tas matemticas muy sofisticadas como son los caminos
aleatorios sobre grupos simtricos, la convolucin de
distribuciones de probabilidad y el anlisis de Fourier no
conmutativo.
El haber trado a colacin estos ejemplos se ha hecho con
el fin de ilustrar el porqu el razonamiento matemtico,
e incluso las partes ms tericas de la matemtica, pueden
desentraar o, cuando menos, arrojar luz sobre proble-
mas cotidianos, de aspecto sencillo, y que son fcilmente
comprensibles.
El ejemplo siguiente ilustra el papel de la probabilidad
personal o subjetiva, en una situacin puramente deter-
minista y que, sorprendentemente, sirve para justificar el
punto de vista necesario de la probabilidad que es el que
comnmente se utiliza en los cursos elementales de clculo
de probabilidades cuando postulamos, muchas veces de
modo poco convincente, la existencia de supuestas sime-
tras en problemas de dados, urnas y bolas.
Este ejemplo ya se encuentra en la segunda edicin del
Calad des Probabilits de Poincar (1912) y parece ser que
ha sido el origen de la aplicacin de la teora de la proba-
bilidad a cuestiones de la Fsica.
Fig. 3.2.- Representacin esquemtica de la rueda de Poincar.
Supngase que a una rueda de una bicicleta bien en-
grasada se le da un espn vigoroso y se la fotografa al cabo
de 10 segundos. Qu se puede decir de la posicin angular
S de alguna seal de la periferia de la rueda, como, por
ejemplo, la vlvula?
Si la velocidad angular inicial de la rueda es de Vo vuel-
tas por segundo y se desprecia el rozamiento, y 5 se mide
en fracciones de vuelta, de modo que tome valores en el
intervalo [0,1], entonces
5= 10 K, (mod 1);
 FRANCISCO JAVIER GIRN GONZLEZ-TORRE
es decir, tras un lapso de 10 segundos, 5 es la parre frac-
cionaria de 10 Vu.
Cul es la probabilidad de que, por ejemplo, 5 est en-
tre 1/3 y 2/3? Si se conoce con exactitud la velocidad ini-
cial Vf), la pregunta no tiene sentido, ya que no hay nada
de aleatorio en S. Si, por ejemplo, Vn = 5.4321, entonces
S = 0.321, que no est entre 1/3 y 2/3.
Pero, de ordinario, hay incertidumbre en V. Si se intenta
que el espn de la rueda sea aproximadamente de 10 re-
voluciones por segundo, por mucho que se haya conse-
guido un alto grado de habilidad en este menester, siem-
pre habr alguna incertidumbre en el valor de Vo en el
momento de soltar la rueda.
Esta incertidumbre se puede reflejar por alguna densi-
dad de probabilidad tal como las que se representan en la
figura 3.3, e incluso por otras que tengan mayor disper-
sin. El rea de la regin sombreada es pues la probabili-
dad de que S est entre 1/3 y 2/3.
10.2 103 104
9.7 9.8 9.9 10 10.1 10.2 10.3 10.4
Fig. 3.3.- Densidades de probabilidad de la velocidad angular inicial,
Va, de la rueda (en revoluciones por segundo). Ambas representan
mucha incertidumbre sobre el valor de Vo.
De la figura se desprende que la probabilidad de que 5
est entre 1/3 y 2/3, que corresponde al rea sombreada,
es aproximadamente 1 /3 y que, con mayor generalidad, S
tiene una distribucin aproximadamente uniforme en el
intervalo [0,1]. En particular, personas con opiniones muy
diferentes sobre Vu, es decir, con funciones de densidad para
V^que sean muy distintas, pueden tener funciones de den-
sidad casi idnticas para S con la nica condicin de que
sus opiniones sobre Vo sean suficientemente imprecisas.
Es esencial darse cuenta de que la distribucin unifor-
me de Ses solamente aproximada y que se deduce de cier-
tas hiptesis. Algunas son fsicas, aunque bajo una gran di-
versidad de condiciones fsicas se obtendran resultados
anlogos; y otras son personalistas, es decir, se refieren a
78
la opinin que tiene la persona sobre la velocidad inicial
Vtt. La conclusin no es vlida para aquellas personas que
estn muy seguras de cul es la segunda cifra decimal de
VH, como ocurrira si esa persona hubiera desarrollado una
habilidad extrema o si el modo de aplicar el espn a la rue-
da se realizase con un aparato especial, tal como ilustra la
figura 3.4. En este caso, la probabilidad de que 5 est en-
tre 1/3 y 2/3 es aproximadamente 0.175, en vez de 1/3.
9.7 9.8 9.9 0 0. 0.2 0.3 0.4
Fig. 3.4.- Densidad de probabilidad de la velocidad angular inicial,
Vo, de la rueda (en revoluciones por segundo), que representa mucha
precisin o poca incertidumbre sobre Vu.
La convergencia de muchas opiniones diversas sobre
algo, mas no de todas -en este caso, la velocidad inicial de
la rueda, hacia una conclusin similar la de que S se
distribuya uniformemente es un fenmeno de la mayor
importancia y, representa una explicacin muy razona-
ble, al igual que ocurra en el caso del lanzamiento de una
moneda, del punto de vista necesario de la probabilidad,
que es la que se utiliza generalmente en los juegos de azar.
Los dos ejemplos considerados se pueden generalizar
de modo que las ideas intuitivas que tenemos sobre la
asignacin de probabilidades a dados, ruletas y otros me-
canismos de azar se pueden deducir a partir de argumen-
tos similares.
En opinin de Savage (1973), es el espritu de este ejem-
plo el que introduce la probabilidad en la mecnica esta-
dstica clsica. Los sistemas dinmicos de que trata esta
rama de la Fsica son tautolgicamente tan deterministas
como la rueda de Poincar; pero, como en este ejemplo,
incluso una pequea duda acerca de las condiciones ini-
ciales da lugar, al cabo de un cierto tiempo relativamen-
te corto, a las conocidas distribuciones de los parmetros
macroscpicos de la mecnica estadstica. La gran com-
plejidad de los sistemas mecnicos que contienen muchas
partculas es la puerta de entrada a la aplicacin de la teo-
ra de la probabilidad a tales sistemas, lo cual parece co-
rrecto; pero, precisamente funciona porque es muy dif-
cil conocer las condiciones iniciales con precisin y porque
lo poco que se pueda conocer de la posicin detallada del
sistema en cualquier instante dado se difumina con inu-
sitada rapidez.
En los dos ejemplos considerados es la incertidumbre so-
bre los valores inciales del modelo fsico lo que hace que
 DETERMINISMO, CAOS, AZAR E INCERTIDUMBRH
parezca aleatorio el resultado de lanzar una moneda y la
posicin de la vlvula, respectivamente.
Curiosamente, en ambos casos la distribucin lmite es
uniforme: discreta en el caso de la moneda y continua en
el de la rueda de Poincar. Estos resultados no se pueden
extrapolar a otros ejemplos ya que, en general, el com-
portamiento ergdico o lmite viene descrito, como ya
hemos comentado, por la medida invariante, que no es
necesariamente uniforme. As, para el modelo logstico,
xr+1 = 4x, (1x,), la medida invariante resulta ser la distri-
bucin arco-seno o la beta (0.5,0.5).
Fig. 3.5.-Trayectoria, para 7= 200 y para el valor inicial xo= 0.1, ge-
nerada por el modelo logstico catico x^., = 4 x,(1-x,).
Figura 3.6.- Histograma correspondiente a la serie de 10.000 valores
de x, generada por el modelo logstico x,+1=4x, (1-x,). Superpuesta
est la densidad de la medida invariante: la distribucin arco-seno
o Beta(1/2,1/2).
Obsrvese, en la figura 3.5, cmo las trayectorias visi-
tan los valores extremos 0 y 1 con mucha mayor frecuen-
cia que los valores centrales prximos al 0.5, lo que que-
da reflejado claramente en el histograma de la figura 3.6.
Nos encontramos de nuevo, en estos ejemplos, con la
imposibilidad de predecir con exactitud, tal como ocu-
rra en los sistemas dinmicos no lineales antes conside-
rados, en los que el comportamiento de las series por ellos
generadas se vuelve catico para ciertos valores del par-
metro y su lmite viene determinado por el teorema er-
gdico. En estas circunstancias, slo podemos hacer pre-
dicciones probabilsticas.
79
LOS MTODOS DE MONTE CARLO
Un aspecto muy interesante de la relacin entre el de-
terminismo y el azar nos lo proporcionan los llamados
mtodos de Monte Cario. El que se puedan calcular can-
tidades deterministas de modo aproximado, como el valor
de una integral definida mltiple, o el valor aproxima-
do de un nmero perfectamente conocido como, por
ejemplo, el nmero 71 mediante el simple recurso a la
simulacin de nmeros aleatorios, llama poderosamen-
te la atencin.
Pero, existen nmeros aleatorios en la realidad?, cmo
se puede saber si un conjunto de nmeros es realmente alea-
torio, o simplemente se comporta como tal? La respues-
ta a estas preguntas no es sencilla, a pesar de que hay
muchos procedimientos para generar nmeros pseudoa-
leatorios y un arsenal de contrastes estadsticos de aleato-
riedad.
La gnesis de los mtodos de Monte Cario se debi, en
primer lugar, a la imposibilidad de obtener soluciones
analticas de ciertos sistemas estocsticos complejos y, so-
bre todo, a la aparicin de los primeros ordenadores di-
gitales a finales de los aos cuarenta.
Durante estas ltimas dcadas, para realizar simulacio-
nes por el llamado mtodo de Monte Cario, los estads-
ticos han venido utilizando algoritmos de generacin de
nmeros pseudoaleatorios que, en esencia, no son otra
cosa que funciones iterativas no lineales que muestran un
comportamiento catico. La mayora de estos algoritmos
utilizan congruencias lineales y su cdigo, inmerso en el
compilador, no suele ser accesible, de modo que la alea-
toriedad de los nmeros que producen ha de contrastar-
se mediante tests estadsticos. No obstante, la idea de es-
tos mtodos es la de reproducir el ideal estadstico de la
independencia a travs del determinismo. Generalmen-
te, estos mtodos se basan en congruencias lineales de la
forma
x:ti = b (mod ni)
para diversos valores enteros de a, bymy eleccin arbi-
traria del valor inicial x0.
Debido a la creciente importancia que los mtodos
de simulacin o de Monte Cario tienen hoy da para el
estudio de modelos complejos que no pueden analizar-
se de modo analtico conviene, aunque slo sea de paso,
hacer una breve resea histrica de los procedimientos
para obtener nmeros pseudoaleatorios como son las
tablas de nmeros aleatorios y los generadores de n-
meros pseudoaleatorios y tambin de los problemas que
plantean.
Cuando yo era estudiante todava se utilizaban las tablas
de nmeros aleatorios. Curiosamente muchas de ellas se
obtuvieron a partir de nmeros perfectamente determi-
nados, como las de Fisher y Yates (1943), construidas con
las cifras de los lugares 15 y 19 de las tablas de logaritmos
de 20 cifras decimales de Thompson. Otras se construyeron
 FRANCISCO JAVIER GIRN GONZLEZ-TORRE

a partir de procedimientos, aparentemente ms aleatorios,

como las de Kendall y Babington Smith (1940) que se
basaban en una vanante de la rueda de Poincar.
Como detalle anecdtico comentar que en 1954, en
nuestro pas, Royo y Ferrer construyeron una tabla de
250.000 dgitos aleatorios basada en los resultados de la
Lotera Nacional. Est claro que estos procedimientos,
aparte de ser poco tiles, no garantizan la aleatoriedad de
sus dgitos. Los sistemas fsicos de carcter analgico para
generarlos tampoco parecen ofrecer el ideal estadstico
que uno espera.
El primer procedimiento ideado para ser aplicado a un
ordenador digital se debi al gran matemtico John von
Neumann y consista en elevar al cuadrado un nmero
grande, extraer las cifras centrales del nmero resultante
y volver a elevarlo al cuadrado y proceder as sucesiva-
mente. La sucesin de dgitos resultante se comportaba
de un modo razonablemente aleatorio aunque se produ-
can ciclos de carcter repetitivo relativamente cortos, que
invalidaban muchas de las simulaciones. Fig. 4.2.- El ltimo generador de nmeros pseudoaleatorios del TUR-
La primera generacin de ordenadores personales IBM BO PASCAL. Grfica de una sucesin de pares de nmeros aleatorios
consecutivos representados en una pantalla de 256 x 240 pixels.
XI dispona de un generador de nmeros pseudoalea-
torios para el intrprete de BASIC que tena serios pro-
blemas de correlacin, como muestra la figura 4.1, e El comportamiento de estos u otros algoritmos similares
incapaz de pasar los tests estadsticos de aleatoriedad plantea serios e importantes problemas, ya que debido
ms simples. al enorme crecimiento de la velocidad de clculo de los
ordenadores, que permiten simular modelos de asom-
brosa complejidad, se van a usar cada vez ms los proce-
dimientos de simulacin. De modo que disponer de bue-
nos generadores de nmeros pseudoaleatorios es una
necesidad real. Pero, cmo podemos contrastar la alea-
toriedad de estos algoritmos? Disponemos de algn
algoritmo o mtodo de generacin de nmeros pseu-
doaleatorios oficialmente sancionado; es decir, de una re-
ferencia?
Qu ocurrira si todas las simulaciones producidas por
el mtodo de Monte Cario en el siglo venidero estuvieran
basadas en ese estndar y alguien descubriese que hay un
fallo terrible?
Nos encontramos, pues, en un callejn sin salida
aparente. Es el precio que hay que pagar para conver-
tir el determinismo en caos estocstico. No obstante,
Fig. 4.1.- El primer generador de nmeros pseudoaleatonos del MS
la bsqueda de algoritmos que producen secuencias
BASIC. Grfico de 10.000 puntos de coordenadas (rnd2n, rnd2nf]),
donde rnd es la funcin generadora de nmeros aleatorios del de nmeros que mejor representen la aleatoriedad con-
Basic de Microsoft. tina.
Uno de los mtodos ms recientes es el llamado gene-
rador de 32 bits mnimo estndar xn = /"(x 0 ), donde
Los generadores de nmeros pseudoaleatorios de la si-
guiente generacin, como la versin actual del Turbo PAS- /(*) = 16807* (mod 2147483647)
CAL, probablemente basados en aritmtica mdulo 2P,
producen secuencias que pueden presentar anomalas tan Este generador de nmeros aleatorios ha recibido las
sutiles que la mayora de los tests estadsticos no suelen de- bendiciones de Donald Knuth quien -aparte de haber he-
tectarlas. Sin embargo, la figura siguiente muestra que cho a la comunidad cientfica ese regalo maravilloso que
existe una patologa que slo se presenta visualmente si en es el lenguage tipogrfico TEX es la autoridad indiscu-
la pantalla se elige el nmero de pixels como una poten- tible en la materia y sus autores afirman que es demostra-
cia de dos; de otro modo, la evidente anomala pasa to- blemente aleatorio, sin que est muy claro lo que eso sig-
talmente desapercibida. nifica.

80
 DETERMINISMO, CAOS, AZAR E INCERTIDUMBRE

El reciente CDROM de nmeros aleatorios de Marsa-

glia representa actualmente lo ltimo en la metodologa
de generacin de nmeros pseudoaleatorios. El disco, dis-
tribuido por la Florida State University a un precio sim-
blico, incluye adems la batera de tests de aleatoriedad
deDiehard(1995).

EL CAMINO DE VUELTA: DE LA ALEATORIEDAD

AL DETERMINISMO, SIN PASAR POR EL CAOS

Hemos visto cmo algunos fenmenos puramente de-

terministas devienen en caos, y cmo frecuentemente este
comportamiento catico posee aspectos aleatorios carac-
terizados por su comportamiento ergdico a travs de la
medida invariante. No parece pues descabellado pregun-
tarse si este proceso se puede invertir, de manera que se pue-
dan aplicar ideas probabilsticas, que son las que regulan
los fenmenos aleatorios, a resolver problemas determi-
nsticos complejos, lo que nos lleva a plantearnos las si-
guientes cuestiones.
Puede la teora de la probabilidad ayudar a resolver
problemas puramente deterministas? En caso afirmativo,
cul es la puerta de entrada de la aleatoriedad en los pro-
blemas deterministas?, a qu coste se produce?, cules son
las ventajas?
La respuesta a las preguntas anteriores es que no so-
lamente la teora de la probabilidad, sino ms concre-
tamente la teora de los algoritmos probabilsticos, ayu-
da a resolver problemas puramente deterministas sino
que, en muchas ocasiones, es la nica manera de hacerlo.
El cmo [hacerlo] suele ser, generalmente, mediante la
aplicacin de los mtodos de simulacin o de Monte
Cario.
El precio que hay que pagar por resolver estos proble-
mas es que los resultados de la simulacin tienen una pre-
cisin limitada, pero en la mayora de los casos suele ser
ms que suficiente desde el punto de vista prctico.
Las ventajas que presentan estos mtodos es su coste
computacional relativamente bajo y la facilidad de su im-
plementacin.
La relacin entre los mtodos deterministas y los pro-
babilsticos se ilustra muy bien con los tres ejemplos que
siguen.
Ejemplo 5.1: Clculo aproximado del nmero Jl
por simulacin
Aunque el problema de estimar el nmero K no tiene
ningn inters prctico, ahora que es posible determinar
71 con decenas de miles de dgitos de precisin en pocos
segundos, la estimacin de K por el mtodo de Monte
Cario es ilustrativa del proceder de estos mtodos.
La figura 5.1 ilustra la manera de proceder del mtodo.
El rea bajo el crculo, dentro del cuadrado unidad, es
exactamente 7t/4. Una manera de estimarla es simular n pa-
res de nmeros aleatorios independientes del intervalo
Fig. 5 . 1 . - Ilustracin del mtodo de Monte Cario para el clculo apro-
ximado de 7t/4. La muestra de puntos aleatorios es de tamao 5.000.
unidad (,, v{), {u^, v2) ,..., {un, vn), siendo n un nmero
grande, y calcular la proporcin de aquellos que estn en
el interior del sector circular, es decir, de aquellos que
cumplen la condicin M2+ *, 2 <1.
El valor estimado de jc/4, con esta muestra, fue de 0.7882,
de modo que la estimacin de 71 sera 3.1528 que com-
parado con el valor de K con cuatro decimales, que es
3.1416, difiere aproximadamente en una centsima.
Ejemplo 5.2: Clculo de la probabilidad de un suceso
El segundo ejemplo es ms interesante, pues soluciona
un problema combinatorio muy complejo que consiste
en calcular la probabilidad de que en un sorteo de la lo-
tera primitiva, una vez ordenados los seis nmeros re-
sultantes del sorteo, haya al menos dos nmeros conse-
cutivos.
El clculo exacto de esta probabilidad requiere deter-
minar el nmero total de casos favorables en los que se pro-
duce el suceso y dividirlo por el total de casos posibles
que es el nmero combinatorio
49
= 13983816
La determinacin del nmero de casos favorables es
un problema combinatorio bastante difcil. Sin embar-
go, si recurrimos a la simulacin del sorteo un nmero
de veces muy elevado, podemos obtener dicha probabi-
lidad de modo aproximado. En una simulacin de 10 000
sorteos, se obtuvo que en 4923 casos se produjo el su-
ceso, de modo que la estimacin de la probabilidad del
suceso es 0.4923.
Como en el ejemplo anterior, la precisin de esta esti-
macin se comentar ms adelante.

81
 FRANCISCO JAVIER GIRN GONZLEZ-TORRE
Ejemplo 5.3: Estimacin de una proporcin
en un sondeo de opinin
El ltimo ejemplo se refiere a las encuestas de opinin,
de sobra conocidas por todos y que, no obstante, el ciu-
dadano medio -es decir, el hombre de la calle-, todava
las ve como algo sorprendente y misterioso.
Si queremos saber, por ejemplo, el tanto por ciento de
personas en el Estado espaol que estn a favor de la su-
bida de un 10% en el precio del tabaco para el ao 1999,
conocemos el modo de cmo obtener una respuesta til
con un coste muy inferior al de realizar un censo com-
pleto de la poblacin, simplemente recurriendo a las tc-
nicas del muestreo estadstico.
Lo ms importante de la situacin descrita es que no
hay en ella nada de carcter probabilstico. Est claro que
si queremos una respuesta exacta a la pregunta, la nica so-
lucin es recurrir a entrevistar a todo el censo poblacional.
Sin embargo, una respuesta til no ha de ser necesaria-
mente exacta ya que una idea aproximada del verdadero
porcentaje, con un error de ms menos un dos por cien-
to, es realmente til para saber si la medida va a ser po-
pular o no.
La teora de muestras nos dice que entrevistando a lo
sumo a 4147 personas, elegidas al azar, podemos estar
casi seguros (con una confianza del 99%) de que el por-
centaje que resulte de la muestra no diferir del verda-
dero en ms de un dos por ciento. Y lo que llama po-
derosamente la atencin es que ese nmero no depende
del tamao de la poblacin encuestada; da lo mismo
que sean 38 millones de espaoles que 1000 millones de
chinos.
Lo realmente importante es que podemos interpretar
la tcnica clsica del muestreo estadstico como un algo-
ritmo probabilstico que sustituye a los algoritmos de
enumeracin completa. En efecto, si imaginamos una
base de datos, del tamao de la poblacin censada, don-
de cada dato es un 1 o un 0 segn se conteste afirmativa
o negativamente a la pregunta anterior, la manera de de-
terminar la proporcin de l's es disear un simple algo-
ritmo de enumeracin que lea toda la base de datos, sume
sus componentes y divida este resultado por el tamao de
la base de datos. El algoritmo probabilstico elegira al
azar 4147 elementos de la base de datos, los sumara y el
resultado lo dividira por 4147. Mucho ms rpido y
ms barato!
Pero en muchas ocasiones ni siquiera se conoce el
tamao de la poblacin ni, por consiguiente, la manera
de obtener una muestra aleatoria de ella. De nuevo, los
algoritmos probabilsticos ayudan a resolver estos pro-
blemas.
Un aspecto muy importante en la aplicacin de los m-
todos de Monte Cario es el de determinar la precisin de
las estimaciones. Como estos mtodos se basan en el clcu-
lo de probabilidades, las afirmaciones que podamos dar
sobre las estimaciones han de ser necesariamente proba-
bilsticas, es decir, que slo podremos afirmar que las es-
82
timaciones difieren de los valores reales [sic] que se quie-
ren estimar en una cantidad pequea con una cierta pro-
babilidad, o mejor dicho confianza, predeterminada, que
se supondr alta, es decir, prxima a 1, si realmente que-
remos tener confianza en las estimaciones.
La precisin o error e de las estimaciones depende del ta-
mao de la muestra simulada n, de la confianza que que-
remos tener en esa estimacin, que se mide por un nmero
prximo a la unidad (3 = 1 - a, que se suele interpretar
como una probabilidad y, por ltimo, del valor p que se
pretende estimar.
Si se trata de estimar una proporcin conocida o apro-
ximadamente conocida p e (0,1), la frmula que pro-
porciona la precisin de la estimacin e en funcin del
tamao muestral n y del nivel de confianza 1OC es
e-zrl
donde zanes el percentil 1OC/2 de la distribucin normal
tipificada.
La frmula se obtiene a partir de dos de los resultados
tericos ms importantes del Clculo de Probabilidades
que son la ley de los grandes nmeros y el teorema central del
lmite.
En muchas ocasiones no se conoce p, ni siquiera de for-
ma aproximada, como ocurre con frecuencia en los son-
deos de opinin y, en estos casos se utiliza como frmula
2V
que es una cota superior de la frmula anterior.
La precisin de las estimaciones y la confianza estn li-
gadas al tamao muestral por la frmula anterior, y ste
se determina por la ecuacin
4e2
cuyo ltimo trmino da una cota superior del mismo
cuando no se conoce el valor de la proporcin p que se va
a estimar.
Si aplicamos la frmula anterior al ejemplo 5.1, obte-
nemos que la precisin de la estimacin de 7t/4 es 0.011
y, por consiguiente, la de n es 0.044, con una confianza
de 0.95.
La precisin de la estimacin de la probabilidad del
ejemplo 5.2 de la lotera primitiva es 0.0098, con una
confianza de 0.95.
El tamao muestral del ejemplo 5.3, 4147, se calcul
usando la cota superior de la frmula (5.3), con una con-
fianza de 0.99. Obsrvese que si la confianza se reduce al
0.95, como en los dos ejemplos anteriores, el tamao
muestral sera solamente de 2401.
 DETERMINISMO, CAOS, AZAR E INCERTIDUMBRE
AZAR E INCERTIDUMBRE
Normalmente utilizamos la palabra incertidumbre cuan-
do nos referimos a aquellos fenmenos que no conoce-
mos o no podemos controlar y, a veces, reservamos la pa-
labra zzarpara aquellos fenmenos de los que no podemos
predecir su resultado pero, por diversos motivos o consi-
deraciones, conocemos sus probabilidades como, por ejem-
plo, cuando se lanza una moneda o se observan los resul-
tados de la ruleta. Pero, si en vez de una moneda se lanzase
una chincheta, qu podramos decir de las probabilida-
des de los sucesos de que caiga de una manera o de la con-
traria? Si no recurrimos a modelos fsico-probabilsticos,
como el comentado en la seccin 3, a propsito del lan-
zamiento de monedas, ni a mtodos estadsticos basados
en la repeticin del experimento de lanzar la chincheta
bajo condiciones de independencia, no podremos tener una
idea de estas probabilidades.
Muchas veces se asocia a la nocin de azar la distribu-
cin uniforme entre los posibles resultados, mientras que
la incertidumbre se puede medir con probabilidades no ne-
cesariamente uniformes que expresan nuestro distinto gra-
do de incertidumbre, y stas no lo olvidemos son per-
sonales, es decir, varan de persona a persona segn el
grado de informacin o conocimiento que tengan sobre
el fenmeno.
Ocurre que en algunas circunstancias -las menos-, como
sucede en el lanzamiento de una moneda, hay unanimi-
dad en la asignacin de probabilidades debido a que el
grado de conocimiento sobre este fenmeno es similar
entre casi todas las personas. Sin embargo, en el caso del
lanzamiento de una chincheta determinada -no olvidemos
que hay varios tipos de chinchetas, nos encontramos con
que ni siquiera podramos decir si la probabilidad de que
caiga con la base hacia abajo es mayor o menor que la del
suceso contrario. Solamente aquella persona que hubiera
realizado experimentos estadsticos con esa chincheta, o una
similar, podra asignar probabilidades a esos sucesos con
confianza, lo que no suele ser el caso de la mayora de los
mortales.
En el lenguaje comn se distiguen bsicamente dos ti-
pos de incertidumbre, a saber: aquella que se debe a nues-
tra ignorancia pero que se puede eliminar y convertir en
certeza absoluta, por medio de algn procedimiento de-
terminstico -como pudiera ser recurriendo, por ejem-
plo, a alguna rama de las matemticas o la lgica para eli-
minarla, y aquella que solamente se puede reducir, sin
llegar necesariamente a la certeza absoluta, por la repeti-
cin indefinida de experimentos estadsticos.
Un ejemplo del primer tipo de incertidumbre puede
corresponder a la pregunta: es par el dgito que ocupa la
posicin 9997 en la serie de dgitos correspondiente
a la parte decimal del nmero TC?
Antes de la aparicin de los ordenadores, la respuesta
a la pregunta anterior no se conoca con certeza. Se vis-
lumbraba la idea de que la distribucin de los dgitos de
la parte decimal de 71 era aleatoria con distribucin uni-
83
forme sobre los diez dgitos, con lo cual la afirmacin de
que la probabilidad de que el dgito que ocupa la posi-
cin 9997 fuese par es 1/2 seria una respuesta acepta-
ble.
Gracias a los ordenadores, hoy sabemos que esa cifra
es 5, con lo que ha desaparecido la incertidumbre, y la
respuesta es no. Un estadstico dira que se ha efectuado
un experimento estadstico concluyeme y la incertidum-
bre se ha reducido a 0.
Pero si en la pregunta anterior se sustituyese la posicin
9997 por la
10000000000000000000099954345671089,
no estara clara la respuesta -probablemente habra que es-
perar demasiado tiempo para responderla con certeza,
pero la afirmacin de que la probabilidad de que ese d-
gito fuese par es 1/2, seguira siendo una respuesta acep-
table.
Incluso si, a la mayora de nosotros, nos preguntasen
cul es el dgito que ocupa la posicin novena, sin tener
la posibilidad de consultarlo en una tabla u obtenerlo con
un ordenador o -aunque alguna vez se hubiera aprendi-
do- simplemente se nos ha olvidado, el lanzar una moneda
y responder que es par o impar segn aparezca cara o cruz,
o viceversa, sigue siendo la mejor respuesta.
A la pregunta de si los dgitos de la parte decimal de T,
sucesin puramente determinista, se comportan como
aleatorios con distribucin uniforme, los resultados de los
tests estadsticos de aleatoriedad a los que se ha sometido
a los dgitos hasta ahora conocidos permiten asegurar que
se comportan como aleatorios.
De hecho, esta sucesin determinista se comporta como
catica con distribucin invariante uniforme sobre los d-
gitos.
Las figuras 6.1 y 6.2 corroboran lo anterior ya que la su-
cesin de dgitos del nmero TC muestra un comporta-
miento similar al del mismo nmero de dgitos pseudoa-
leatorios obtenidos por simulacin.
Los 10 000 primeros dgitos de la parte decimal de TC son:
1415... 5678.
0.1
0.08
0.06
0.04
0.02
0 2 4 6 8 10
Fig. 6.1.- Diagrama de barras correspondiente a la distribucin de
los 10.000 primeros dgitos pertenecientes a la parte decimal de jt.
 FRANCISCO JAVIER GIRN GONZLEZ-TORRE
Fig. 6.2.- Diagrama de barras correspondiente a una muestra alea-
toria de tamao 10.000 de los dgitos del 0 al 9, obtenida mediante
simulacin.
84
En la mayora de las situaciones reales, sin embargo, la in-
certidumbre suele ser del segundo tipo y no se puede eliminar
del todo. En estos casos, sta [la incertidumbre] se puede re-
ducir a travs de experimentos estadsticos, es decir, modelos
probabilsticos que relacionan los resultados inciertos con otros
observables, mediante la utilizacin de tcnicas estadsticas.
Para muchos estadsticos la distincin entre los dos ti-
pos de incertidumbre no es necesaria, pues sta siempre se
expresa o se mide en una escala probabilstica, es decir,
mediante una medida de probabilidad, y stas [las proba-
bilidades de los sucesos inciertos] se combinan de acuer-
do con las reglas del clculo de probabilidades.
Este tratamiento de la incertidumbre constituye una
buena parte de la Ciencia Estadstica, demasiado extensa
para tratarla aqu, ni siquiera de forma somera.