Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Determinismo, Caos Azar e Incertibumbre PDF
Determinismo, Caos Azar e Incertibumbre PDF
73
FRANCISCO JAVIER GIRN GONZLEZ-TORRE
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
75
FRANCISCO JAVIER GIRN GONZLEZ-TORRE
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.
76
DETERMINISMO, CAOS, AZAR E INCERTIDUMBRE
plano en que se representan las dos variables, la velocidad determinar cuntas veces es necesario barajar un mazo
inicial y el espn de la moneda, queda particionado en re- de cartas para que su orden se pueda considerar aleato-
giones, de modo que si los valores de las variables estn en rio. La respuesta es sorpredente y es siete. Sin embargo, la
una regin la moneda cae tal como se lanz y si estn en solucin de este problema entraa el utilizar herramien-
la regin contigua cae al contrario y as, de modo anlo- tas matemticas muy sofisticadas como son los caminos
go y alternativamente, ocurre con todas las regiones. 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.
77
FRANCISCO JAVIER GIRN GONZLEZ-TORRE
es decir, tras un lapso de 10 segundos, 5 es la parre frac- la opinin que tiene la persona sobre la velocidad inicial
cionaria de 10 Vu. Vtt. La conclusin no es vlida para aquellas personas que
Cul es la probabilidad de que, por ejemplo, 5 est en- estn muy seguras de cul es la segunda cifra decimal de
tre 1/3 y 2/3? Si se conoce con exactitud la velocidad ini- VH, como ocurrira si esa persona hubiera desarrollado una
cial Vf), la pregunta no tiene sentido, ya que no hay nada habilidad extrema o si el modo de aplicar el espn a la rue-
de aleatorio en S. Si, por ejemplo, Vn = 5.4321, entonces da se realizase con un aparato especial, tal como ilustra la
S = 0.321, que no est entre 1/3 y 2/3. figura 3.4. En este caso, la probabilidad de que 5 est en-
Pero, de ordinario, hay incertidumbre en V. Si se intenta tre 1/3 y 2/3 es aproximadamente 0.175, en vez de 1/3.
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.
78
DETERMINISMO, CAOS, AZAR E INCERTIDUMBRH
parezca aleatorio el resultado de lanzar una moneda y la LOS MTODOS DE MONTE CARLO
posicin de la vlvula, respectivamente.
Curiosamente, en ambos casos la distribucin lmite es Un aspecto muy interesante de la relacin entre el de-
uniforme: discreta en el caso de la moneda y continua en terminismo y el azar nos lo proporcionan los llamados
el de la rueda de Poincar. Estos resultados no se pueden mtodos de Monte Cario. El que se puedan calcular can-
extrapolar a otros ejemplos ya que, en general, el com- tidades deterministas de modo aproximado, como el valor
portamiento ergdico o lmite viene descrito, como ya de una integral definida mltiple, o el valor aproxima-
hemos comentado, por la medida invariante, que no es do de un nmero perfectamente conocido como, por
necesariamente uniforme. As, para el modelo logstico, ejemplo, el nmero 71 mediante el simple recurso a la
xr+1 = 4x, (1x,), la medida invariante resulta ser la distri- simulacin de nmeros aleatorios, llama poderosamen-
bucin arco-seno o la beta (0.5,0.5). 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-
Fig. 3.5.-Trayectoria, para 7= 200 y para el valor inicial xo= 0.1, ge- ticos han venido utilizando algoritmos de generacin de
nerada por el modelo logstico catico x^., = 4 x,(1-x,). 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
79
FRANCISCO JAVIER GIRN GONZLEZ-TORRE
80
DETERMINISMO, CAOS, AZAR E INCERTIDUMBRE
81
FRANCISCO JAVIER GIRN GONZLEZ-TORRE
Ejemplo 5.3: Estimacin de una proporcin timaciones difieren de los valores reales [sic] que se quie-
en un sondeo de opinin ren estimar en una cantidad pequea con una cierta pro-
babilidad, o mejor dicho confianza, predeterminada, que
El ltimo ejemplo se refiere a las encuestas de opinin, se supondr alta, es decir, prxima a 1, si realmente que-
de sobra conocidas por todos y que, no obstante, el ciu- remos tener confianza en las estimaciones.
dadano medio -es decir, el hombre de la calle-, todava La precisin o error e de las estimaciones depende del ta-
las ve como algo sorprendente y misterioso. mao de la muestra simulada n, de la confianza que que-
Si queremos saber, por ejemplo, el tanto por ciento de remos tener en esa estimacin, que se mide por un nmero
personas en el Estado espaol que estn a favor de la su- prximo a la unidad (3 = 1 - a, que se suele interpretar
bida de un 10% en el precio del tabaco para el ao 1999, como una probabilidad y, por ltimo, del valor p que se
conocemos el modo de cmo obtener una respuesta til pretende estimar.
con un coste muy inferior al de realizar un censo com-
Si se trata de estimar una proporcin conocida o apro-
pleto de la poblacin, simplemente recurriendo a las tc-
ximadamente conocida p e (0,1), la frmula que pro-
nicas del muestreo estadstico.
Lo ms importante de la situacin descrita es que no porciona la precisin de la estimacin e en funcin del
hay en ella nada de carcter probabilstico. Est claro que tamao muestral n y del nivel de confianza 1OC es
si queremos una respuesta exacta a la pregunta, la nica so-
lucin es recurrir a entrevistar a todo el censo poblacional.
e-zrl
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- donde zanes el percentil 1OC/2 de la distribucin normal
to, es realmente til para saber si la medida va a ser po- tipificada.
pular o no. La frmula se obtiene a partir de dos de los resultados
La teora de muestras nos dice que entrevistando a lo tericos ms importantes del Clculo de Probabilidades
sumo a 4147 personas, elegidas al azar, podemos estar que son la ley de los grandes nmeros y el teorema central del
casi seguros (con una confianza del 99%) de que el por- lmite.
centaje que resulte de la muestra no diferir del verda- En muchas ocasiones no se conoce p, ni siquiera de for-
dero en ms de un dos por ciento. Y lo que llama po- ma aproximada, como ocurre con frecuencia en los son-
derosamente la atencin es que ese nmero no depende deos de opinin y, en estos casos se utiliza como frmula
del tamao de la poblacin encuestada; da lo mismo
que sean 38 millones de espaoles que 1000 millones de
chinos.
2V
Lo realmente importante es que podemos interpretar
la tcnica clsica del muestreo estadstico como un algo- que es una cota superior de la frmula anterior.
ritmo probabilstico que sustituye a los algoritmos de La precisin de las estimaciones y la confianza estn li-
enumeracin completa. En efecto, si imaginamos una gadas al tamao muestral por la frmula anterior, y ste
base de datos, del tamao de la poblacin censada, don- se determina por la ecuacin
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-
4e2
ritmo de enumeracin que lea toda la base de datos, sume
sus componentes y divida este resultado por el tamao de cuyo ltimo trmino da una cota superior del mismo
la base de datos. El algoritmo probabilstico elegira al
cuando no se conoce el valor de la proporcin p que se va
azar 4147 elementos de la base de datos, los sumara y el
a estimar.
resultado lo dividira por 4147. Mucho ms rpido y
Si aplicamos la frmula anterior al ejemplo 5.1, obte-
ms barato!
Pero en muchas ocasiones ni siquiera se conoce el nemos que la precisin de la estimacin de 7t/4 es 0.011
tamao de la poblacin ni, por consiguiente, la manera y, por consiguiente, la de n es 0.044, con una confianza
de obtener una muestra aleatoria de ella. De nuevo, los de 0.95.
algoritmos probabilsticos ayudan a resolver estos pro- La precisin de la estimacin de la probabilidad del
blemas. ejemplo 5.2 de la lotera primitiva es 0.0098, con una
Un aspecto muy importante en la aplicacin de los m- confianza de 0.95.
todos de Monte Cario es el de determinar la precisin de El tamao muestral del ejemplo 5.3, 4147, se calcul
las estimaciones. Como estos mtodos se basan en el clcu- usando la cota superior de la frmula (5.3), con una con-
lo de probabilidades, las afirmaciones que podamos dar fianza de 0.99. Obsrvese que si la confianza se reduce al
sobre las estimaciones han de ser necesariamente proba- 0.95, como en los dos ejemplos anteriores, el tamao
bilsticas, es decir, que slo podremos afirmar que las es- muestral sera solamente de 2401.
82
DETERMINISMO, CAOS, AZAR E INCERTIDUMBRE
AZAR E INCERTIDUMBRE forme sobre los diez dgitos, con lo cual la afirmacin de
que la probabilidad de que el dgito que ocupa la posi-
Normalmente utilizamos la palabra incertidumbre cuan- cin 9997 fuese par es 1/2 seria una respuesta acepta-
do nos referimos a aquellos fenmenos que no conoce- ble.
mos o no podemos controlar y, a veces, reservamos la pa- Gracias a los ordenadores, hoy sabemos que esa cifra
labra zzarpara aquellos fenmenos de los que no podemos es 5, con lo que ha desaparecido la incertidumbre, y la
predecir su resultado pero, por diversos motivos o consi- respuesta es no. Un estadstico dira que se ha efectuado
deraciones, conocemos sus probabilidades como, por ejem- un experimento estadstico concluyeme y la incertidum-
plo, cuando se lanza una moneda o se observan los resul- bre se ha reducido a 0.
tados de la ruleta. Pero, si en vez de una moneda se lanzase Pero si en la pregunta anterior se sustituyese la posicin
una chincheta, qu podramos decir de las probabilida- 9997 por la
des de los sucesos de que caiga de una manera o de la con-
traria? Si no recurrimos a modelos fsico-probabilsticos, 10000000000000000000099954345671089,
como el comentado en la seccin 3, a propsito del lan-
zamiento de monedas, ni a mtodos estadsticos basados no estara clara la respuesta -probablemente habra que es-
en la repeticin del experimento de lanzar la chincheta perar demasiado tiempo para responderla con certeza,
bajo condiciones de independencia, no podremos tener una pero la afirmacin de que la probabilidad de que ese d-
idea de estas probabilidades. gito fuese par es 1/2, seguira siendo una respuesta acep-
Muchas veces se asocia a la nocin de azar la distribu- table.
cin uniforme entre los posibles resultados, mientras que Incluso si, a la mayora de nosotros, nos preguntasen
la incertidumbre se puede medir con probabilidades no ne- cul es el dgito que ocupa la posicin novena, sin tener
cesariamente uniformes que expresan nuestro distinto gra- la posibilidad de consultarlo en una tabla u obtenerlo con
do de incertidumbre, y stas no lo olvidemos son per- un ordenador o -aunque alguna vez se hubiera aprendi-
sonales, es decir, varan de persona a persona segn el do- simplemente se nos ha olvidado, el lanzar una moneda
grado de informacin o conocimiento que tengan sobre y responder que es par o impar segn aparezca cara o cruz,
el fenmeno. o viceversa, sigue siendo la mejor respuesta.
Ocurre que en algunas circunstancias -las menos-, como A la pregunta de si los dgitos de la parte decimal de T,
sucede en el lanzamiento de una moneda, hay unanimi- sucesin puramente determinista, se comportan como
dad en la asignacin de probabilidades debido a que el aleatorios con distribucin uniforme, los resultados de los
grado de conocimiento sobre este fenmeno es similar tests estadsticos de aleatoriedad a los que se ha sometido
entre casi todas las personas. Sin embargo, en el caso del a los dgitos hasta ahora conocidos permiten asegurar que
lanzamiento de una chincheta determinada -no olvidemos se comportan como aleatorios.
que hay varios tipos de chinchetas, nos encontramos con De hecho, esta sucesin determinista se comporta como
que ni siquiera podramos decir si la probabilidad de que catica con distribucin invariante uniforme sobre los d-
caiga con la base hacia abajo es mayor o menor que la del gitos.
suceso contrario. Solamente aquella persona que hubiera Las figuras 6.1 y 6.2 corroboran lo anterior ya que la su-
realizado experimentos estadsticos con esa chincheta, o una cesin de dgitos del nmero TC muestra un comporta-
similar, podra asignar probabilidades a esos sucesos con miento similar al del mismo nmero de dgitos pseudoa-
confianza, lo que no suele ser el caso de la mayora de los leatorios obtenidos por simulacin.
mortales. Los 10 000 primeros dgitos de la parte decimal de TC son:
En el lenguaje comn se distiguen bsicamente dos ti- 1415... 5678.
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- 0.1
plo, a alguna rama de las matemticas o la lgica para eli-
0.08
minarla, y aquella que solamente se puede reducir, sin
llegar necesariamente a la certeza absoluta, por la repeti- 0.06
cin indefinida de experimentos estadsticos.
Un ejemplo del primer tipo de incertidumbre puede 0.04
corresponder a la pregunta: es par el dgito que ocupa la
posicin 9997 en la serie de dgitos correspondiente 0.02
a la parte decimal del nmero TC?
Antes de la aparicin de los ordenadores, la respuesta 0 2 4 6 8 10
a la pregunta anterior no se conoca con certeza. Se vis-
lumbraba la idea de que la distribucin de los dgitos de Fig. 6.1.- Diagrama de barras correspondiente a la distribucin de
la parte decimal de 71 era aleatoria con distribucin uni- los 10.000 primeros dgitos pertenecientes a la parte decimal de jt.
83
FRANCISCO JAVIER GIRN GONZLEZ-TORRE
84