Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3.
4.
5.
1. Introduccin
La Estadstica actual es el resultado de la unin de dos disciplinas que evolucionan independientemente hasta confluir en el siglo XIX. Estas son, el Clculo de Probabilidades y la Estadstica Descriptiva. La Estadstica Descriptiva, originariamente llamada Ciencia del Estado (el trmino viene del latn Status), tiene por objetivo describir numricamente conjunto numerosos. Aporta mtodos de presentacin, ordenacin y sntesis, visual y numrica, de la informacin recogida. Su nacimiento se puede situar en el segundo milenio a.d.C., cuando comenzaron a realizarse los primeros censos de poblacin en la China del emperador Yao. El Clculo de Probabilidades tiene por objetivo modelizar matemticamente fenmenos aleatorios. Parte del concepto de Probabilidad, con el fin de cuantificar la incertidumbre que rodea a tales fenmenos, y desarrolla una metodologa encaminada a construir modelos que expliquen su comportamiento. Esta disciplina nace en el siglo XVII como teora matemtica que intentaba explicar los juegos de azar, (dados, cartas,...). Estas dos disciplinas evolucionarn de forma independiente, aunque con el tiempo, estarn ntimamente relacionadas. El Clculo de Probabilidades resultar imprescindible para el desarrollo de la Estadstica, y sta permitir desarrollar todo el potencial prctico de la primera, siendo natural que ambas se presenten conjuntamente en cualquier estudio. Esta conjuncin se producir en la segunda mitad del siglo XIX, cuando Dalton aplica un razonamiento estadstico-probabilista a la verificacin de las teoras de Darwin. En este momento se situa los antecedentes de la llamada Estadstica Matemtica o Inferencial. La Estadstica Matemtica tiene como objetivo extraer conclusiones sobre el comportamiento de poblaciones a partir, fundamentalmente, de la informacin aportada por muestras, utilizando modelos de probabilidad. El razonamiento es inductivo: a partir de los datos experimentales, infiere propiedades, caractersticas, etc. de las poblaciones en trminos de probabilidad. Durante todo el siglo XX, el desarrollo de ambas disciplinas, estimulado por una accin continua y recproca entre la teora y las aplicaciones, ha sido prcticamente imparable. Hoy es bsica la consideracin de estas disciplinas en las Ciencias Aplicadas que requieren el anlisis y extraccin de consecuencias de datos, (Economa, Sociologa, Psicologa, Fsica, Ingenieras,...). La Estadstica se ha consolidado como la tecnologa del mtodo cientfico-experimental.
En el primer bloque del Programa estudiamos y discutimos la evolucin histrica de estas disciplinas, as como los grandes problemas que han permitido la generacin y avance de concepciones, modelos y mtodos tanto del Clculo de Probabilidades (Tema1), como de la Estadstica (Tema 2).
probabilidad
1) Trabas morales y religiosas sobre la idea de aleatoriedad 2) Supersticin de los jugadores 3) Ausencia de una notacin de los juegos de azar 4) Ausencia de una Teora Combinatoria
Durante la Edad Media, y en el seno del Cristianismo, estos planteamientos apenas evolucionan. Figuras tan representativas del pensamiento de la poca como S. Agustn (354-430), defienden que todo acontecimiento sucede por la voluntad de Dios. Sera a partir de Santo Toms de Aquino (1226-1274), cuando se comienza a considerar que el azar y la suerte existen. En el Renacimiento surge una nueva visin del mundo que permite paulatinamente ir desligndose de las implicaciones teolgicas. Como consecuencia de este replanteamiento del pensamiento, los experimentos de naturaleza aleatoria sern objeto de estudio por si mismos. La invencin de la imprenta a mediados del siglo XV, permitir difundir los conocimientos, y ello impulsar definitivamente el desarrollo del Clculo de Probabilidades.
2.2 Primeros fundamentos de la Teora de Probabilidad aplicados a juegos de azar (XVI-comienzo XVIII)
A partir del siglo XVI, los matemticos italianos comienzan a estudiar experimentos aleatorios simples. Los ms representativos sern Cardano y Galileo Galilei. Gerolamo Cardano (1501-1576), es considerado el autor del mejor manual escrito para un jugador de la poca, De Ludo Alae, (1526). Este resuelve varios problemas de Anlisis Combinatorio, y establece la equiprobabilidad de las caras de un dado cuando este se lanza un gran nmero de veces. El matemtico, fsico y astrnomo Galileo Galilei (1564-1642), destaca por la originalidad y claridad de su pensamiento. Su inters por la probabilidad surgi despus de que un amigo le consultara porqu, si se juega con tres dados y se suman los puntos, el 10 se obtiene en la prctica ms veces que el 9, si ambos resultados se obtienen mediante seis combinaciones diferentes. Galileo dedujo que era necesario considerar el orden de cada posible combinacin, cuestin que hasta ese momento no se haba planteado. De esta forma, de las 216 combinaciones posibles y equiprobables (considerando el orden en cada combinacin), los casos favorables a la obtencin del 9 eran 25, y al 10 eran 27. Por tanto ste argument que la diferencia emprica entre obtener uno u otro nmero era de (2/216)0.01. Esto demuestra cmo a finales del siglo XVI exista un intuitivo, pero preciso anlisis emprico de resultados aleatorios. Los primeros fundamentos de la Teora de Probabilidad iran apareciendo lentamente durante los siglos XVI y XVII, gracias a autores como Pascal y Fermat. Muchos sitan el origen del Clculo de Probabilidades en la resolucin del Problema de los Puntos, resuelto por estos mediante correspondencia escrita. Blais Pascal (1623-1662), se introdujo en la Teora de la Probabilidad analizando matemticamente juegos de azar. Posteriormente se desmarcara de las aplicaciones y publicara Apuesta por la creencia de Dios, en la que aparece de forma implcita la nocin de Probabilidad Personal o Subjetiva, la ms adecuada para los procesos de decisin. Ser el pionero en la introduccin de los elementos bsicos de lo que ser un Problema de Decisin. (El problema originario es el de un hombre que ante la incertidumbre sobre la existencia de Dios, tiene que decidir entre llevar una vida al margen de las normas de la religin cristiana, o una vida siguiendo stas).
Pierre Fermat (1601-1665), es llamado el padre de la Teora de los Nmeros, rama de las Matemticas que estudia las propiedades de los nmeros enteros. Fermat formul muchos teoremas importantes que no fueron demostrados hasta despus de su muerte. Para muchos investigadores su contribucin ms importante fue al estudio, junto con Pascal, del Problema de los Puntos. Este fue propuesto por Chevalier De Mer, gran jugador de la poca, a Pascal, y este, a su vez, se lo comunic a Fermat. El estudio conjunto del problema lo llevaron a cabo a travs de cinco cartas que intercambiaron en el verano de 1654. El Problema de los Puntos consista en determinar el reparto del dinero de las apuestas si los jugadores tuvieran que finalizar la partida, sin que existiera un ganador, (el juego en la Francia de la poca estaba prohibido y era perseguido por la polica). La solucin, que Pascal denomin Mtodo Universal y que puede identificarse con lo que entendemos hoy por Esperanza Matemtica, asuma inicialmente dos cuestiones:
i) El juego era justo: todos los jugadores posean la misma habilidad y, por lo tanto, la misma probabilidad de ganar una partida. ii) Las habilidades fsicas y psquicas de los jugadores permanecan inalterables: las partidas eran independientes.
Aunque cuestiones de este tipo fueron ya presentadas en antiguos manuscritos italianos, y matemticos del Renacimiento como Pacioli, Tartagla o Cardano realizaron esfuerzos infructuosos en busca de una solucin satisfactoria, el estudio conjunto de Pascal y Fermat sera el que establecera la solucin del problema.
Desde la segunda mitad del siglo XVII hasta comienzos del XVIII, el Clculo de
Probabilidades se consolida como una disciplina independiente. En esta poca destaca la figura de Huygens. Christian Huygens (1629-1695), fue un matemtico, hijo de un filsofo y diplomtico que tubo acceso a los ms importantes crculos cientficos, incluida la compaa de Descartes, el cual influira determinantemente en su educacin matemtica. Huygens tubo conocimiento de los trabajos sobre probabilidad desarrollados por Pascal y Fermat, y public en 1657 Sobre el Razonamiento de los Juegos de Azar, considerada la aportacin ms importante a la Teora de la Probabilidad en la segunda mitad del siglo XVII. Esta servir como texto de referencia hasta principios del siglo XVIII, causando una amplia influencia en los investigadores de la poca. Esta obra constituy el primer tratado sistemtico sobre probabilidades, con una clara y concisa exposicin de 14 proposiciones que marcaron los principios fundamentales del Clculo de Probabilidades en el mbito de problemas relacionados con juegos de azar. En la principal obra de Huygens se vuelve a discutir el Problema de los Puntos para 2 jugadores, con un mtodo similar al de Pascal y Fermat y con 3 jugadores. Al final del tratado se propone 5 problemas, en los que investigarn posteriormente James Bernoulli, Pierre Remond de Montmort, Nicholas Bernoulli, Abrahams De Moivre y Pierre Simon de Laplace.
Aqu se encontrarn las primeras nociones sobre Muestreo y Esperanza Matemtica (resuelve un problema de juego en el que tiene que asignar un valor a ste, combinando las cantidades que se pueden ganar, con las probabilidades de ganarlas). A partir de Huygens el Clculo de Probabilidades comienza a interesarse por problemas de naturaleza aleatoria ms generales que los asociados al juego. Realiza la Actividad 1 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso. La ltima parte del siglo XVII y principios del XVIII se caracteriza por la formulacin de teoras probabilsticas ms generales que las desarrolladas hasta entonces. Destaca autores como J. Bernouilli, Montmort, De Moivre o Bayes. Una de las familias ms ilustres en la historia de las Matemticas la constituyen los Bernouilli. Nueve de ellos fueron notables cientficos de su poca, cuatro fueron elegidos miembros de la Academia de Ciencias de Pars, y en particular, cinco de ellos destacaron en el mbito de la Teora de Probabilidad. La primera figura de la familia que destac como matemtico fue James Bernoulli (1654-1705), quien escribi el famoso tratado Ars Conjectandi, que recoge el Teorema que llevara su nombre. Este trabajo, publicado ocho aos despus de su muerte, se divide en 4 partes. En la primera se sintetiza el Anlisis Combinatorio utilizado por Fermat en el Problema de los Puntos, y propone tambin nuevas herramientas combinatorias que Bernoulli aplic a novedosos problemas. Se introduce adems algunas importantes innovaciones, como la de la Aditividad de las Probabilidades para resolver algunos de los problemas propuestos por Huygens. La parte ms importante de la obra sera la 4, aunque quedara incompleta por su muerte. En sta se expone una teora nueva de la Probabilidad en la que utiliza ideas de Huygens, y la llamada Teora de los Grandes Nmeros que Bernoulli demostr en 1689. La teora expuesta la aplic a cuestiones interesantes en el campo econmico. Esta parte constaba de 5 captulos y lo ms notable de ella es el enunciado y demostracin de lo que ms tarde Poisson bautizara como Ley de los Grandes Nmeros, y que se conoce con el nombre de Teorema de Bernoulli.
1) El Teorema de Bernoulli, da fundamento terico al hecho emprico de que las frecuencias relativas de un suceso se estabilizan en un gran nmero de experiencias. 2) Bernoulli apunt la posibilidad de usar el teorema para estimar la probabilidad de un suceso a partir de su frecuencia relativa de ocurrencia en un gran nmero de experiencias, lo que se conoce como Inversin del Teorema de Bernoulli.
Realiza la Actividad 2 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso.
Realiza la Actividad 3 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso.
En este periodo tambin es importante sealar la obra de Pierre Rmond De Montmort (1678-1719). En su trabajo ms importante, (1708), se recoge la Teora de las Combinaciones y se expone las soluciones de varios problemas entre ellos los 5 propuestos por Huygens y que son similares a las dadas por J. Bernoulli en su obra. Tambin Montmort trata el Problema de los Puntos y da por primera vez dos frmulas que resuelven este famoso problema para dos jugadores con distinta habilidad. La habilidad de los jugadores fue medida por la probabilidad que tiene cada uno de ganar en una sola prueba, con la condicin de que la suma de estas dos probabilidades fuera la unidad.
Antes de la segunda edicin de la obra de Montmort (1714) aparece un nuevo tratado de singular importancia escrito por Abraham De Moivre (1667-1754). De Moivre fue un matemtico y fsico francs, aunque por trasladarse a Londres por problemas religiosos, figura habitualmente en la escuela de matemticos inglesa. Sus principales trabajos fueron en Trigonometra y en Teora de Probabilidad. De Moivre, que haba ledo los trabajos de Huygens, destaca en el campo probabilstico con la obra A Method of Calculating the Probabilities of Events in Play (1718), considerada la segunda obra ms importante sobre Probabilidad, y en la que tambin se estudia el Problemas de los Puntos. No obstante, la ms importante aportacin de De Moivre a la Teora de Probabilidad, ser el teorema que tambin lleva su nombre. En 1718, con la ayuda de la frmula de Stirling, este autor extiende el Teorema de Bernoulli, apareciendo por primera vez conceptos como el de Independencia o Probabalidad Condicionada.
1) La gran contribucin de De Moivre a la Teora de Probabilidad, ser el Teorema de De Moivre que demuestra la aproximacin de la distribucin Binomial a la Normal. 2) Las dos ltimas versiones de su obra Doctrine of Chances recoger por primera vez la funcin de densidad de la distribucin Normal.
Otra de las grandes figuras de la poca ser el reverendo protestante Thomas Bayes (1702-1761), alumno de De Moivre. Este investig la obtencin de la probabilidad de las causas de la ocurrencia de un suceso ya observado. Ello dara origen a la llamada Probabilidad Inversa, cuya frmula public en 1713. A pesar de que Bayes fue quien comenz esta investigacin, sera Laplace quien la desarrollara posteriormente. A pesar de la brevedad de la obra de Bayes, sta tendr una gran resonancia en la historia de la Probabilidad.
1)
Bayes enunci la frmula general, que se conoce como Teorema de Bayes, que determinar la probabilidad de las posibles causas de un suceso observado a partir de informacin a priori.
2) Sus puntos de vista sobre la Probabilidad e Inferencia Inductiva han sido ampliamente adoptados y aplicados a multitud de problemas de Inferencia Estadstica y Decisin.
El conocido estadstico ingls D.V. Lindley escribi 200 aos despus de su muerte:
Es difcil encontrar un trabajo que contenga ideas tan importantes y originales como el de Bayes. Su teorema deba figurar al lado de la frmula de Einstein E = mc2, como una de las grandes y sencillas verdades.
Realiza la Actividad 4 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso.
2.3 Formulacin de la Teora Clsica de Probabilidad aplicada a la Fsica y Astronoma (XVlII-comienzo XIX)
Durante el siglo XVIII, el Clculo de Probabilidades se desliga progresivamente de su aplicacin exclusiva a los juegos de azar, y se extiende a otros campos de conocimiento como la Astronoma, Fsica o Sector Actuarial (seguros martimos). El principal motor de esta expansin ser el conjunto de problemas que surgen ligados a la contrastacin emprica de la Teora de Newton y, que darn origen a la Teora de Errores. La obra de Isaac Newton (1642-1727), constituy la mayor revolucin cientfica de los siglos XVII y XVIII y su influencia en la evolucin de las Ciencias Fsicas es ampliamente conocida. En Astronoma, Newton explic no solamente las leyes de Kepler por el Principio de Gravitacin Universal, sino que estableci un modelo global para estudiar las relaciones entre los cuerpos estelares. En Fsica estableci una teora comn para explicar fenmenos que haban sido objeto de estudios fragmentarios e incompletos como pndulos, planos inclinados, mareas, etc. En Matemticas, contribuy con Leibnitz a la creacin del Clculo Diferencial e Integral. La mayora de las investigaciones en Fsica y Astronoma que se desarrollan durante el siglo XVIII y parte del XIX estn provocadas por las ideas de Newton. Estas se orientan a:
i) Observar y experimentar lo que la Teora de Newton seala como especialmente relevante. ii) Contrastar las predicciones de la Teora con los datos. iii) Extender las aplicaciones de la Teora a otros campos.
Estas investigaciones sern fundamentales en el desarrollo de la Estadstica En este mbito, el primer problema fue el tratamiento de los errores de medicin: se dispona de distintas medidas independientes de una determinada magnitud fsica y se presentaba el interrogante de cmo combinarlas para obtener un resultado ms preciso. Aunque este problema se haba planteado desde la Antigedad, la necesidad de comparar con exactitud los datos observados con la teora, requera un tratamiento riguroso del mismo; ello dara lugar a la Teora de Errores. Pronto destacaron los trabajos de Daniel Bernoulli (1706-1782), quien proporcion la primera solucin al problema de estimar una cantidad desconocida a partir de un conjunto de mediciones de su valor que, por el error experimental, presentaban variabilidad. Tambin desarroll un test estadstico para contrastar la hiptesis de aleatoriedad en el ordenamiento de las rbitas de los planetas. Este autor fue pionero en la aplicacin del Clculo Infinitesimal al Clculo de Probabilidades. Quizs uno de los personajes ms importantes de la historia de la Probabilidad sea Pierre Simon Laplace (1749-1827). La capacidad intelectual de Laplace le permiti investigar en diversos campos de la Ciencia, fundamentalmente relacionados con la Astronoma, la Mecnica Celeste, la Geodesia, la Teora de la Probabilidad, el Clculo y las Ecuaciones Diferenciales. A grandes rasgos, en Probabilidad destacar por:
1) La variedad, innovacin y originalidad de sus temas. 2) La formulacin de mtodos probabilsticos. 3) Las aportaciones a las futuras Teoras de Inferencia y de Decisin.
1) Introduccin de la primera definicin explcita de Probabilidad, inherente a todas las primeras aplicaciones: definicin Clsica de Probabilidad. 2) Formalizacin del Mtodo de Mnimos Cuadrados, introducido por Legendre (1805).
3) Desarrollo de la Ley Normal como modelo para describir la variabilidad de los errores de medida y establecimiento de la frmula integral del Teorema Lmite de De Moivre. 4) Planteamiento de problemas del mbito de la Inferencia Estadstica, (aplicados a problemas demogrficos fundamentalmente). 5) Introduccin de importantes aportaciones a la futura Teora de Decisin, (desarrollo de la Probabilidad Inversa, extendida a partir de la Probabilidad A Posteriori de Bayes fundamental en los procesos de decisin con experimentacin).
10
Se puede afirmar con toda rotundidad que a partir de Laplace se comienza la formalizar la Teora de la Probabilidad. Este inaugura una nueva poca caracterizada por una exposicin clara, concisa y sistemtica del Clculo de Probabilidades. Aunque sus procedimientos carecieron de un gran rigor matemtico, (debido fundamentalmente a las herramientas analticas y probabilsticas con las que se contaba en la poca), fueron sorprendentemente precisos. Su enorme capacidad para advertir las posibilidades de aplicacin de la Teora de la Probabilidad a otros campos, demuestran una vez ms su importancia en la historia. A continuacin comentamos con ms detalle las publicaciones de Laplace responden a los aspectos ms importantes sealados en el cuadro anterior. que
La gran obra de Laplace, considerada como el gran tratado Clsico de Probabilidades, ser Thorie Analytique des Probabilits, publicada en 1812, reeditada en 1814 y 1820. En esta obra se va a discutir todo el conocimiento del Clculo de Probabilidades hasta la fecha, introduciendo aportaciones de trascendental importancia para su avance posterior como, por ejemplo, la definicin Clsica de Probabilidad. Esta obra, considerada por muchos autores la ms importante en la historia de la Probabilidad, constaba originariamente de dos captulos, que finalmente se ampliaron a once. Este trabajo fu completado posteriormente con tres memorias. En la primera se estudia, el Problema de la Duracin del Juego, ya tratado por Montmort y De Moivre. Su aportacin a este problema lo constituye el hecho de encontrar la solucin mediante una ecuacin en diferencias finitas con una variable independiente. En la segunda memoria, Laplace enuncia por primera vez, y de una forma clara, el principio para la estimacin de las probabilidades de las posibles causas de un suceso observado. Este enunciado es el de la Probabilidad Inversa, que haba sido tratado por Bayes. Tambin estudia el Problema de los Puntos, y define los conceptos de Media Aritmtica, como promedio de valores observados, y Media Geomtrica, como el valor que le correspondera a la abcisa del centro de gravedad del rea encerrada bajo una determinada curva. En la tercera, expone problemas de carcter general sobre la probabilidad, y vuelve a utilizar ecuaciones en diferencias finitas. Tambin estudia el Problema de la duracin de un juego. Como se ha comentado, la obra de Laplace est indisolublemente unida a la demostracin del Mtodo de Mnimos Cuadrados. Uno de los objetivos de Laplace y de Gauss fue el estudio de la distribucin de los errores de las observaciones en el mbito de la Mecnica Celeste. Ello condujo a ambos a estudiar la distribucin Normal, que seri posteriormente imprescindible en Estadstica. Laplace escribi adems otra obra sobresaliente, que ms tarde sera incorporada a la segunda edicin de Thorie Analytique des Probabilits. Este trabajo contiene lo que actualmente se conoce como Principio de Indiferencia, consistente en considerar igualmente probables todos los casos referidos a un mismo experimento aleatorio, cuando estamos igualmente indecisos ante la ocurrencia de cada uno de ellos. La obra de Laplace, como tambin hemos sealado, ser fundamental por abordar problemas de Inferencia Estadstica y suministrar importantes aportaciones a la
11
Teora de Decisin. En la prctica, por ejemplo, resuelve un problema sobre estimacin de rbitas de planetas, en el que aparece los elementos bsicos de lo que ms tarde ser un Problema de Decisin. (Plantea como estimacin del parmetro distancia esperada a un punto la mediana de la distribucin a posteriori, suponiendo que la distribucin a priori fuera una Uniforme en un determinado intervalo). En definitiva, parece justificado sealar la gran magnitud de la obra de Laplace, como el mismo deca en Essai philosophique sur les Probabilits,
Es extraordinario que una ciencia que comenz considerando el tema de los juegos de azar, haya dado lugar por ella misma a uno de los ms importantes objetos del conocimiento humano.
El reconocimiento de Laplace es unnime entre los autores posteriores, as se afirma en A History of the Mathematical Theory of Probability. Todhunter, I. (1965), Ed. Chelsea:
...La Teora de la Probabilidad est ms en deuda con Laplace que con cualquier otro matemtico.
Como ha sido comentado, en el estudio del Mtodo de Mnimos Cuadrados y de la Ley Normal, la figura de Laplace aparece unida a la de Kalr Friederich Gauss (1977-1855). Este resuelve de manera general el problema siguiente de estimacin de modelos estadsticos:
...Segn la teora, la posicin de un planeta en el instante t, que llamaremos yt, es funcin de las posiciones de k cuerpos que representaremos por x1, x2,...xk, y de ciertas contantes desconocidas 1, 2,...h, es decir, yt=f(1, 2,..h; x1, x2,..xk). Disponemos de observaciones relativas a las posiciones de los cuerpos, pero con un cierto error de medida. Cmo determinar 1, 2,...h?, cmo predecir yt, con la mayor precisin posible, dada una observacin concreta de los valores x1, x2,...xk ?.
Especficamente, en 1809 Gauss utiliz la Distribucin Normal en su investigacin, como ley de los errores de medida. Suponiendo una Distribucin Uniforme sobre los parmetros a determinar y usando el Teorema de Bayes, redescubri el Mtodo de Mnimos Cuadrados, ya estudiado por Laplace. La sntesis de este resultado y del Teorema Central del Lmite, dara inmediatamente fundamento terico a la consideracin de la Normal como ley de errores constituidos por la acumulacin de una gran cantidad de pequeos errores.
Bajo la influencia de los trabajos de Laplace y Gauss, se consider durante mucho tiempo, casi como un axioma, que si se dispusiera de un nmero suficientemente grande de observaciones correctas, todas las distribuciones estadsticas se aproximaban a la Normal.
12
i) La interpretacin filosfica y definicin del concepto; conducir a distintas Concepciones de Probabilidad. ii) El establecimiento de un modelo lgico-matemtico adecuado a su tratamiento; conducir a la Axiomatizacin de la Probabilidad.
Con la llegada del siglo XX, se plantea el problema de la Axiomatizacin de la Probabilidad, caracterstica fundamental de la Matemtica Moderna. En el Congreso Internacional de Matemticas de Pars (1900), D. Hilbert manifiesta la idea de dotar a la Teora de Probabilidad de un cuerpo axiomtico que rija su desarrollo terico y permita considerarla como una verdadera rama de la Ciencia Matemtica. Para desarrollar este proceso, sera fundamental:
13
i) Los trabajos iniciados por la Escuela de San Petesburgo. ii) La introduccin de nuevas herramientas analticas como la Teora de Conjuntos. iii) La construccin de la Teora de la Medida (basada en los trabajos pioneros de E. Borel, C. Jordan y sucesivamente extendida por H.L. Lebesgue, J.K. Radon, y C. Carathodory entre otros).
Ser Andrei N. Kolmogorov (1903-1987), quin, en su obra Foundations of the Theory Probability (1933), ide la axiomtica de probabilidad ms ampliamente aceptada hoy da.
Kolmogorov desarroll la Axiomtica de la Probabilidad que lleva su nombre, sentando las bases sobre las que se estableceran los fundamentos de la Teora Matemtica de la Probabilidad. A partir de este momento, se desarroll una amplia teora que ha fructificado, y sigue hacindolo, en una gran cantidad de resultados tericos y prcticos.
Gracias a este tratamiento formal, muchas complejidades de la Teora de Probabilidad quedan resueltas, pero no se hace ninguna aportacin a la comprensin de la naturaleza conceptual de la probabilidad; el desarrollo matemtico est completamente desligado del problema de la interpretacin filosfica del concepto. De hecho, Kolmogorov rechaz cualquier propsito de interpretacin de la probabilidad, cuando escribi:
...La Teora de la Probabilidad, como disciplina matemtica, debe ser desarrollada a partir de axiomas, como el lgebra o la Geometra. Esto significa que despus de haber definido los elementos a estudiar y sus relaciones bsicas y haber establecido los axiomas por los que se gobiernan dichas relaciones, toda exposicin posterior debe estar basada necesariamente en dichos axiomas, independientemente del significado concreto de los elementos y sus relaciones.
Realiza la Actividad 5 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso.
En contra de esta opinin, durante el siglo XX, muchos investigadores se ocuparon de estudiar la naturaleza e interpretacin de la probabilidad, en relacin a los problemas a los que se aplica. Los distintos puntos de vista han originado diferentes definiciones formales de probabilidad cuyo tratamiento y desarrollo terico queda regido, en cada caso, por un sistema axiomtico concreto.
14
Por otra parte, a mediados del siglo XIX, existan ya las herramientas bsicas que fundamentan la Estadstica actual, sin embargo, su aplicacin se restringa a la Fsica y a la Astronoma. En el siglo XX se producir la verdadera confluencia del Clculo de Probabilidades y la Estadstica. A lo largo del siglo XX se han sucedido grandes avances en la Teora de Probabilidad y destacan, entre otros, nombres como Keynes, Ramsey, De Finetti, Savage,.... Todos ellos han contribuido a la construccin de modelos matemticos de comportamiento de fenmenos aleatorios en los que se encuadra toda experiencia que revista incertidumbre.
15
CLSICA: Probabilidad en trminos de cocientes de alternativas equiposibles. FRECUENTISTA: Probabilidad como lmite de frecuencias relativas asociadas a la aparicin de los sucesos. LGICA: Probabilidad como medida del soporte lgico que una evidencia proporciona a una proposicin. SUBJETIVA: Probabilidad como grado de creencia personal en la ocurrencia de una proposicin
Realiza la Actividad 6 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso.
16
Siglo XX:
. . .
. . .
17
Las alternativas deben considerarse equiprobabables si no hay razn para esperar o preferir una sobre otra.
Este principio va a ser utilizado desde este momento hasta la posterioridad como la principal fuente para la especificacin de probabilidades iniciales en cualquier estado de ignorancia. (Volveremos a referirnos a el en el estudio de la concepcin Subjetiva de Probabilidad).
18
P ( A) =
Ejemplo: Se lanza un dado, determinad, bajo la perspectiva clsica, la probabilidad de obtener un cinco. Supuesto que el dado no est trucado, es posible aplicar la Regla de Laplace ya que entonces slo existen seis resultados posibles y estos son igualmente factibles y excluyentes. Si nos interesa la posibilidad de obtener un cinco, por tanto,
P({5}) =
1 6
Propiedades Bajo el epgrafe de Propiedades, vamos a demostrar para cada una de las concepciones de probabilidad estudiadas en el tema, que estas verifican los Axiomas de Probabilidad de Kolmogorov. Especficamente, se va a demostrar que la Regla de Laplace define una verdadera funcin de probabilidad en el sentido axiomtico de Kolmogorov.
D/ Si A puede ocurrir en m de los casos de los n posibles, entonces, 0mn, y si dividimos por n, se obtiene: 0P(A)1
P( A )
i =1 i
19
D/ La probabilidad de que ocurra algn o algunos resultados de la coleccin { A1 , A2 ,... Ak } (su unin segn la teora de sucesos) sera:
m1 + m2 + ... + mk m1 m2 m = + + ... + k = n n n n
P( A )
i =1 i
20
maana?, cmo se evala en trminos de probabilidad los diferentes resultados? La Teora Clsica carece de instrumentos para ello. Algunos probabilistas Clsicos, como Laplace y D. Bernouilli, en sus investigaciones sobre tablas de mortalidad, utilizaron tambin frecuencias relativas para determinar probabilidades mediante la aplicacin del Teorema de Bayes, y usando el Principio de Indiferencia para especificar probabilidades a priori. Esto provoc crticas hacia los probabilistas clsicos que, sin abandonar su definicin oficial de probabilidad, empleaban mtodos inconsistentes con su propia concepcin. Todos estos inconvenientes motivaron una gran controversia sobre la adecuacin de la definicin de probabilidad Clsica, originando el nacimiento de la Teora Frecuentista de Probabilidad. Como ventaja mas destacable de esta interpretacin volvemos a sealar la gran coherencia entre lo que los clsicos entendan por probabilidad y su forma de cuantificarla, cuestin que permite que la regla de Laplace se siga aplicando hoy en problemas sencillos que se adaptan a sus hiptesis de partida. Adems, ninguna de las Teoras posteriores entrar en contradiccin con esta, sino que la recogern como particularidad.
La probabilidad debe ser un concepto medible, objetivo, independiente de cualquier consideracin a travs de la experimentacin; la base natural para definir la probabilidad debe ser la frecuencia.
21
Sin embargo, Venn no formaliz las condiciones bajo las que dicha definicin pudiera tener sentido, ni la estructura matemtica de la probabilidad y sus reglas de comportamiento. Fue Richard von Mises (1883-1953), quien present el primer desarrollo sistemtico de la teora frecuentista. En su obra, Probability, Statistics and Truth (1928), von Mises escribe:
El concepto racional de Probabilidad, que es la nica base para el clculo de probabilidades, se aplica slo a problemas en los que, o bien el mismo fenmeno se repite de nuevo y de nuevo, o bien un gran nmero de elementos uniformes estn implicados al mismo tiempo. Para aplicar la Teora de la Probabilidad se debe tener una sucesin prcticamente ilimitada de observaciones uniformes.
Von Mises deja claro en su obra cual debe de ser el dominio de aplicacin de la Teora de la Probabilidad. En concreto, este formaliza el concepto de probabilidad de un atributo referido a un colectivo, entendiendo por ste el conjunto de elementos uniformes sobre los cuales se repite una y otra vez el experimento bajo las mismas condiciones. En conexin natural con la Ley de los grandes Nmeros, von Mises, argumenta que no pueden extraerse conclusiones sobre la relacin entre frecuencias relativas y probabilidad si no se supone la aleatoriedad de los resultados. Los fundamentos de la Teora Frecuentista de Probabilidad, segn von Mises, est basada en los siguientes puntos que definirn cuando tendr sentido establecer el concepto de probabilidad. En lenguaje de hoy, estos seran. 1. 2. 3. Se consideran experimentos que se puedan repetir, bajo las mismas condiciones, indefinidamente. Ser posible la determinacin de las frecuencias relativas a los resultados cuya probabilidad interesa obtener. Se deber aplicar dos principios. El Principio de Estabilidad de las Frecuencias (establecido por D. Bernouilli en 1713), afirma que La sucesin de frecuencias relativas tiende a estabilizarse en un valor fijo, cuando el nmero de repeticiones del experimento, bajo las mismas condiciones, crece indefinidamente El llamado por von Mises Principio de Aleatoriedad, establece que el lmite de las frecuencias relativas de un atributo debe permanecer invariante para cualquier subcolectivo arbitrariamente seleccionado del original. Von Mises define la Probabilidad de un atributo, dentro de un colectivo, como el lmite de la sucesin de frecuencias relativas. El desarrollo de la Teora de von Mises contina con la especificacin de las reglas bsicas que deben regir el clculo de probabilidades. Estas reglas se refieren, concretamente, a la probabilidad de atributos combinados en un colectivo (aditividad
22
de la probabilidad), a la probabilidad de atributos en subcolectivos (probabilidad condicionada) o en colectivos formados a partir de sucesos independientes. Quizs, el mximo exponente de la filosofa inherente a esta Teora ha sido el filsofo alemn Hans Reichenbach (1891-1953), quien adhirindose a la interpretacin Frecuentista de von Mises, public en 1934 la primera edicin de su obra The Theory of Probability. Reichenbach define la probabilidad de un suceso, en referencia a una clase especfica, en trminos de frecuencias relativas. Sin embargo, ignorando el `Principio de Aleatoriedad impuesto por von Mises, este extiende el dominio de aplicacin de la probabilidad. En concreto, desde la perspectiva filosfica, Reichenbach entiende la probabilidad como el grado de implicacin lgica que una determinada clase de referencia ofrece a un suceso. En este sentido, como se ver, sus ideas tienen cierta afinidad con el punto de vista avanzado por la corriente Lgica. En resumen, en la Teora Frecuentista se concibe la probabilidad como una medida de un hecho fsico, objetivo y emprico, nunca relativa a una evidencia (incondicional), sino unvocamente determinada por la naturaleza de la situacin bajo estudio. Rechazando abiertamente el Principio de Indiferencia, la idea bsica es que la determinacin de probabilidades iniciales debe hacerse siempre a partir de frecuencias observadas. Sin embargo, von Mises elude, en cierta forma, como se materializa esta cuestin, argumentando que la determinacin de probabilidad es tarea de los estadsticos. Reichenbach, por su parte, propone utilizar le Regla de Induccin por enumeracin.
f n ( A) =
m n
Supongamos la ilimitada sucesin de frecuencias relativas de A cuando el nmero de pruebas crece indefinidamente:
P ( A) = lim f n ( A)
n
23
Ejemplo: Se lanza un dado, determinad, bajo la perspectiva frecuentista, la probabilidad de obtener un cinco. Suponiendo que hemos repetido sucesivamente el lanzamiento del dado, la siguiente tabla recoge, segn el n de lanzamientos, el n de veces que se ha obtenido el cinco, y consecuentemente, las frecuencias relativas asociadas a este resultado. N lanzam. (n) N de {5} (m) m f n ({5}) = n 25 5 50 13 100 20 0.2 150 27 0.18 200 32 0.16 300 52 0.173 500 81 0.162 1000 167 0.167
0.2 0.26
Si consideramos la sucesin de frecuencias relativas, y en virtud del `Principio de Estabilidad de las Frecuencias Relativas, se puede dedicir que tiende a ) estabilizarse alrededor de 0.16 = 1 / 6 , es decir,
Por tanto, en esta situacin aleatoria, las asignaciones de probabilidad clsica y frecuentista al resultado obtener un cinco coinciden.
Propiedades Se va a demostrar que la definicin Frecuentista de Probabioidad define una verdadera funcin de probabilidad en el sentido axiomtico de Kolmogorov.
m = f n ( A) 1 n
24
m1 , m2 ,...mk de las
P( A ) .
i =1 i
D/ La frecuencia relativa asociada al suceso de que ocurra algn o algunos resultados de la coleccin { A1 , A2 ,... Ak } (su unin, segn la teora de sucesos) sera:
= lim f n ( Ai ) = P( Ai )
i =1 n i =1
25
La Teora Frecuentista no es capaz de dar una definicin de probabilidad a sucesos individuales, es decir, resultados aislados no susceptibles de repeticin. De lo que se deduce que si un fenmeno aleatorio no fuera observable (en el sentido de ensayable), no tendra sentido hablar de su probabilidad. Sin embargo, una importante gama de fenmenos aleatorios, de carcter social, econmico, etc. son no observables: posible incidencia en el mercado de una innovacin tecnolgica, ndice de paro para un determinado periodo futuro, tiempo que har maana, . Esta Teora, se centra en el hecho de que aunque parte y defiende la unicidad y objetividad de las probabilidades, estas siempre son relativas, bien a un colectivo, o bien a una clase de referencia, (aunque esta es una caracterstica comn al resto de las concepciones). Sin embargo, a favor de esta concepcin de probabilidad cabe destacar la amplia aceptacin que su base emprica ha proporcionado a la investigacin en Ciencias Experimentales. Efectivamente, en este mbito continuamente se usan los mtodos estadsticos clsicos, firmemente basados y desarrollados a partir de la definicin frecuentista de probabilidad. Adems, la Teora Frecuentista subsana, en parte, algunas desventajas de la definicin Clsica: el nmero de resultados de un experimento aleatorio no tiene por qu ser finito, ni se exige que estos sean equiposibles ni excluyentes, y las alternativas a un resultado no se tienen que conocer de antemano.
Ante lo expuesto, es indudable la necesidad de buscar otros mtodos de determinacin de la probabilidad que la desvinculen de la experimentacin, y no porque est contradiga el concepto, sino porque no ser factible para un gran nmero de fenmenos aleatorios.
26
En Lgica, se entiende por argumento una entidad lingstica compuesta por una secuencia de enunciados o premisas, ms otra afirmacin denominada conclusin, que se puede derivar o no de las primeras. El trmino induccin, es usado para designar todos los casos de argumentos nodemostrativos, en los que la verdad de las premisas, aunque no aseguren la verdad de una conclusin, dan buenas razones para creer en ella. En general se asume que:
1. En las premisas se formula cierta evidencia que puede servir para apoyar la
conclusin. 2. Si las premisas son verdaderas o aceptadas como tales, entonces pueden suministrar argumentos de dos tipos. Argumentos deductivos: conducen a evidencias concluyentes para la afirmacin de la verdad de la conclusin. Argumentos inductivos: conducen a evidencias, que si bien no son concluyentes, al menos hace muy probable la verdad de la conclusin.
A diferencia de un argumento deductivo en el que sus premisas establecen la conclusin en forma demostrativa, en un argumento inductivo la conclusin puede ser falsa siendo las premisas verdaderas. Lo deductivo o inductivo de un argumento no guarda ninguna relacin con el grado de universalidad o particularidad de las premisas o conclusin. El nico criterio que permite establecer la distincin deductivo-inductivo de un argumento es la relacin lgica que se establece entre premisas y conclusin. Si lo que afirmamos con el argumento es que es imposible que las premisas sean verdaderas y la conclusin falsa, se est considerando un argumento deductivo. Si por el contrario, se admite que es posible (aunque difcil o improbable) que la conclusin sea falsa aun cuando las premisas sean verdaderas, se est considerando un argumento inductivo.
Ejemplo: Los siguientes cuatro argumentos son inductivos. a) Si A1 es B, A2 es B, A3 es B, An es B, entonces todo A es B. La conclusin es universal y las premisas son particulares. Esta forma de argumento es llamado Enumeracin Simple o Generalizacin Inductiva. b) Si A1 es B, A2 es B, A3 es B, An es B, entonces An+1 es B. La conclusin y premisas son particulares. c)Como todos los A son conocidos son hasta ahora B, entonces el prximo A que se conozca ser B. La conclusin es particular y las premisas son universales. d) Como todos los A son conocidos son hasta ahora B, entonces todos los A futuros sern B. La conclusin y las premisas son universales.
27
En estas cuatro formas de argumentos inductivos tienen un denominador comn (no precisamente el salto de lo particular a lo universal); sus conclusiones se refieren a datos que no estaban incluidos en las premisas. La conclusin, en cada caso, entrega ms informacin que la entregada por las premisas. Es obvio, por tanto, que no puedan demostrar la conclusin. Cuando en Lgica se habla de Inferencia Inductiva se apunta a aquel argumento que no aspira a demostrar la verdad de las conclusiones como derivacin necesaria de sus premisas, sino solamente afirma su probabilidad, es decir, que existen buenas razones para aceptarlas como tales. Por Inferencia Inductiva se entiende, no solo la inferencia de hechos a leyes, sino tambin toda inferencia que sea nodemostrativa; la conclusin no se desprende con necesidad lgica cuando se admite la verdad de las premisas. Tales inferencias deben ser expresadas en grados de lo que se llama probabilidad lgica o probabilidad inductiva. En concreto, bajo esta nueva perspectiva de entender la probabilidad, esta se interpreta como un concepto que formaliza la relacin lgica existente entre sentencias o proposiciones de cualquier tipo. La idea central de la concepcin Lgica es que
i) La probabilidad representa el grado de implicacin lgico que un cuerpo de conocimiento (o conjunto de premisas), que constituye una evidencia, proporciona a una determinada sentencia o proposicin (conclusin). ii) El grado de implicacin es nico e impersonal y, como tal, la probabilidad es un concepto objetivo, aunque condicional a la evidencia que se tenga sobre la situacin a la que se est aplicando.
Esta concepcin otorga una sensible importancia a la coherencia y lgica, del individuo como nico camino para valorar correcta y no arbitrariamente los grados de implicacin lgicos que coducen a asignar probabilidades. Las primeras ideas que conducen a una concepcin lgica de la probabilidad se deben a Francis Y. Edgeworth (1910), pero los nombres ms comnmente relacionados con esta interpretacin son los de John Maynard Keynes (18831946), Rudolf Carnap (1891-1970), y Harold Jeffreys (1891-1989).
Las ideas del economista britnico J.M. Keynes tuvieron una fuerte repercusin en las teoras econmicas y polticas modernas, as como tambin en las polticas fiscales de muchos gobiernos, generando el Monetarismo. Es particularmente recordado por su aliento a una poltica de intervencionismo estatal, a travs de la cual el estado utilizara medidas fiscales y monetarias con el objetivo de mitigar los efectos adversos de los periodos recesionarios de las crisis cclicas o de la actividad econmica. Aunque los economistas lo consideran uno de los principales fundadores de la Macroeconoma moderna, tambin destaca por su notable contribucin a las bases matemticas y filosficas de la Teora de la Probabilidad. Keynes fue el primero que formul explcitamente la concepcin lgica de probabilidad. En su obra A Treatise on Probability (1921), este introdujo la idea de
28
que la probabilidad solo es un concepto definible si se entiende como la expresin del grado de creencia racional de una proposicin al que conduce un razonamiento lgico a partir de una evidencia. El tambin expres la dificultad de medir estas creencias, poniendo de manifiesto la naturaleza cualitativa de la probabilidad. Para el, por tanto, no todos los grados de creencia son numricamente medibles ni, incluso, comparables. Slo en una clase de grados de creencia medibles las probabilidades pueden se objeto de anlisis matemtico y, en tal caso, hace uso del clculo de probabilidades convencional. R. Carnap, estudi Filosofa, Matemticas y Fsica, y fue durante la dcada 19301940 profesor de Filosofa en diferentes universidades alemanas y norteamericanas. En este periodo intenta crear un marco formal para el anlisis de los problemas semnticos. Aunque su preparacin en Fsica le llev originariamente a aceptar en ciertos contextos la definicin Frecuentista, desde 1950 se dedic al anlisis del conocimiento inductivo y probable e intent desarrollar una Lgica Inductiva (1959). Carnap es considerado el gran exponente de la Lgica Positivista o Emprica. Primeramente continu en la tradicin del empirismo clsico, (el conocimiento est garantizado por la experiencia, o se deduce por la analtica de las proposiciones como en la matemtica). Sin embargo, su gran aportacin fue considerar bsica la orientacin hacia una filosofa estructurada que considere como tarea central de la ciencia emprica, realizar un anlisis lgico de todos sus enunciados. La tarea del cientfico en esta concepcin, no se limitar a observar los hechos externos y a describirlos en un lenguaje estructurado a partir de proposiciones, sino que adems se deber derivar de dichas proposiciones elementales, otros enunciados ms generales sobre eventuales regularidades regidas por leyes que den una explicacin de los hechos observados. El cientfico debe proceder de modo inductivo e intentar, a partir de una o ms observaciones, realizar inferencias sobre las condiciones o presuposiciones del fenmeno, y sacar conclusiones sobre la validez general de tales enunciados. Slo al final de su vida Carnap acept que los mtodos de la ciencia no pueden limitarse a la utilizacin de la induccin. El cientfico no se limita a recopilar hechos aislados, sino que es guiado en su heurstica y en su misma seleccin de lo que considera relevante para ser observado, por ciertas presuposiciones tericas (no reducibles a enunciados). Adems, el cientfico debe proceder tambin deductivamente, al realizar sus inferencias o predicciones a partir de otros enunciados que considera ya validados. Para Carnap, la probabilidad era siempre medible y, basndose en una estructura especfica de lenguaje formal, desarroll un sistema lgico para su clculo. Destacamos la obra Logical Foundations of Probability, presentanda en 1950. Mas tarde, John G. Kemeny (1953) extendi la tcnica sugerida por Carnap a una clase ms amplia de lenguajes. Realiza la Actividad 7 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso. A diferencia de los anteriores, H. Jeffreys tiene una concepcin de la probabilidad ms pragmtica. Entendiendo que la Teora de la Probabilidad es esencial para el desarrollo de la investigacin cientfica, su inters dej de ser puramente filosfico y dedic gran esfuerzo a la obtencin de mtodos inferenciales basados en su concepcin lgica de la probabilidad, para la que se desarroll un detallado sistema
29
axiomtico. En tal sistema, las probabilidades estn completamente ordenadas y tienen siempre valores numricos, aunque la cuantificacin es meramente convencional y no fundamental para el desarrollo formal de la Teora. Al igual que Keynes, Jeffreys acept y recomend el uso del Principio de Indiferencia para la especificacin de probabilidades iniciales en estado de ignorancia y, asimismo, propugn la utilizacin del teorema de Bayes para la actualizacin de dichas probabilidades. Sus trabajos mas sobresalientes estn recogidos en su obra Theory of Probability (1961). Realiza la Actividad 8 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso.
Ejemplo 1: Se lanza un dado, determinad, bajo la perspectiva lgica, la probabilidad de obtener un cinco. Obviamente, se considera la sentencia s: obtener {5}. Si consideramos como evidencia e, la equiprobabilidad de las caras (definicin clsica de probabilidad), la estabilidad de la sucesin de frecuencias relativas asociadas a la aparicin del {5} (definicin frecuentista), se obtiene que por coherencia y lgica, el grado en que e puede confirmar a s, se puede valorar numricamente como:
30
P(s/e)=1/6
Ejemplo 2: Se est interesado en calcular la probabilidad de que suba en bolsa la cotizacin de acciones de cierta empresa. Se sabe que hace seis meses se presentaba una situacin econmica, social y poltica casi idntica, que apuntaba a que con toda seguridad la bolsa subira, sin embargo un imprevisto poltico produjo el efecto contrario. Estableced, bajo la perspectiva lgica, una medida de la probabilidad de que se produzca la subida en bolsa de las cotizaciones de las acciones de la empresa considerada.
Notamos: s= sube cotizacin en bolsa de la empresa considerada e= lo ocurrido hace seis meses Asignad una probabilidad a la sentencia s teniendo como base la evidencia e, consiste en valorar lgica y coherentemente la posibilidad de que se repita el imprevisto que produjo el efecto contrario a lo que la situacin econmica, social y poltica apuntaba hace seis meses. Si se estima que es poco posible que el imprevisto acaecido se repita (por ejemplo, un 2% de posibilidades de repeticin), una valoracin del grado en que e puede confirmar s pudiera ser: P(s/e)=0.98
Propiedades Como consecuencia de las hiptesis que se asumen en la definicin de probabilidad se verifica:
presentan nunca simultneamente, (incompatibles), entonces, la probabilidad de que ocurra alguna es la suma de las probabilidades asociadas a cada una de ellas, es decir,
P( s
i =1
/ ei ) .
31
La probabilidad representa un grado de creencia personal, y por tanto, no est unvocamente determinada por la evidencia.
32
El concepto de probabilidad subjetiva abandona pues el criterio de confirmacin como grado de creencia objetivo y racional, expresando el grado de confirmacin como grado de creencia real de cada persona. La idea de identificar la probabilidad con grados de creencia fue informalmente avanzada por James Bernouilli (1654-1705) cuando habl de la probabilidad como grado de confianza en la ocurrencia de un cierto suceso, dependiendo del conocimiento de las circunstancias. En 1847, A. De Morgan (1806-1871), y mas tarde, en 1924, E. Borel (1871-1956) tambin interpretaron la probabilidad en trminos de grados de creencia, aunque no desarrollaron ninguna teora formal al respecto. Para interpretar la probabilidad en el contexto de la Teora Subjetivista, suele usarse las expresiones grado de confianza o grado de creencia que se tendra en una hiptesis a partir de una evidencia. Los primeros intentos de formalizar esta concepcin se deben al matemtico, filsofo y economista britnico Frank P.Ramsey (1903-1930), y aparecen en el ensayo Truth and Probability (1931). Este trabajo, esencial para la Teora, fue publicado pstumamente y en el que desarrolla su criterio personalista de la probabilidad y utilidad. Sin embargo, fueron los matemticos Bruno De Finetti (1906-1985) y, posteriormente, Leonard J. Savage (1917-1971), quienes desarrollaron de forma sistemtica la Teora de Probabilidad Subjetivista. Fundamentalmente, el concepto subjetivo de probabilidad tuvo ms amplia aceptacin y aplicacin despus de la publicacin del trabajo de Savage, The foundations od Statics (1954), en donde expresa:
Para los subjetivistas o personalistas, la probabilidad mide la confianza que un individuo particular tiene en la verdad de una proposicin particular, y no niegan la posibilidad de que dos personas razonables ante la misma evidencia tengan grados de confianza distintos en la verdad de la misma proposicin.
Aunque el anterior trabajo trata de forma ms completa dicha Teora, el primer intento claro de su axiomatizacin lo encontramos en los trabajos de De Finetti, Sul significato soggetivo Della probabilit, (1931) y La prvision ses lois logiques, ses sources subjetives, (1937). De Finetti y Savage proponen en su poca una nocin de probabilidad personal que puso en duda las tcnicas estadsticas aceptadas hasta ese momento. Estos autores propusieron mtodos de obtencin de probabilidades personales aproximadas a travs de las ideas de la Teora de Decisin Estadstica, y en los que el mtodo terico de la toma de decisiones proporciona una nueva base para definir la probabilidad personal. Ambos autores mantuvieron una estrecha relacin. El importante libro de De Finetti, Probability, Induction and Statistics, publicado en Roma en 1971, est dedicado a Savage, que haba muerto en Yale meses antes. En general, los puntos bsicos de la Teora Subjetivista se pueden considerar los siguientes:
33
i) No existe la probabilidad objetiva, sino grados de creencia individuales. (1) ii) Los grados de creencia adquieren significado cuando pueden medirse, y se especifica la forma de hacerlo. Esta afirmacin representa la primera consideracin para la formalizacin del concepto y desarrollo de la Teora. (2) iii) El individuo tiene un comportamiento racional, coherente, que le conduce, ante una situacin de incertidumbre, a ordenar sus grados de creencia de forma consistente y no contradictoria. (3)
Sobre la base de que la probabilidad concierne exclusivamente con actitudes individuales (afirmacin (1)), Ramsey sugiri que el camino apropiado para medir los grados de creencia de un individuo (afirmacin (2)), es examinar su comportamiento. En particular este propuso someter al individuo a un sistema de apuestas que reflejaran su comportamiento ante diferentes opciones. La idea est expresada en el siguiente comentario de De Finetti (1937):
Es simplemente una cuestin de hacer matemticamente precisa la idea trivial y obvia de que el grado de probabilidad atribuido por un individuo a un suceso se materialice por las condiciones bajo las que se estara dispuesto a apostar sobre tal suceso.
Si el principio fundamental para establecer probabilidades es la coherencia del individuo (afirmacin (3)), en el esquema de apuestas equivaldr a que el individuo obviar asignaciones que conduzcan a prdidas seguras. Por otra parte, la coherencia aludida en el ltimo punto significa que el mismo sujeto ante situaciones equivalentes, asignar grados de creencias iguales. En principio parece discutible considerar esta nocin como una probabilidad en el sentido de Kolmogorov, pero lo que est claro es que siguiendo el principio de coherencia, esta valoracin de los grados de creencia, tambin es compatible con el esquema axiomtico de Kolmogorov. La denominacin de probabilidad Subjetiva, Subjetivista o Personal est plenamente justificada, por cuanto de manera obvia, las componentes subjetivas del concepto se hallan cimentadas en la propia nocin de apuesta y premio. Los seguidores de esta corriente consideran fundamental el comportamiento del individuo frente a la incertidumbre, que conduce a atribuir implcita o explcitamente un orden a una medida de la posibilidad de acaecimiento de los sucesos. As, De Finetti afirma:
El grado de probabilidad atribuido por un individuo a un suceso dado se manifiesta por las condiciones en las que el se encontrara dispuesto a apostar por este suceso.
Esta concepcin se revelar altamente operativa, ya que no solo es compatible, sino incluso convergente con las conclusiones que se derivan de las opciones objetivas, sin mas que requerir que los comportamientos de los individuos obedezcan a principios de coherencia, entendiendo esta, como explica De Finetti, como.
34
El conjunto de reglas a las que la evaluacin subjetiva de las probabilidades de diversos acontecimientos por un mismo individuo debe de someterse, sino se quiere que entre ellas se produzca una contradiccin fundamental.
La aceptacin de un sistema de apuestas para la cuantificacin de los grados de creencia de un individuo presenta tambin problemas. El comportamiento de un individuo ante una apuesta puede estar sesgado por elementos marginales, como el valor relativo del dinero. Por ello, un factor fundamental para el establecimiento de probabilidades sera la consideracin de una Funcin de Utilidad, que evite complicaciones de este tipo. Ya Ramsey prob que, bajo ciertos axiomas de consistencia en la ordenacin de las preferencias de un individuo, y suponiendo la existencia de lo que el llam una proposicin ticamente neutral, (se le asigna un grado de creencia ), puede construirse una Funcin de Utilidad que conduce a una asignacin formal de valores numricos a los distintos grados de creencia. Las ideas avanzadas por Ramsey fueron posteriormente desarrolladas por De Finetti y Savage, quien en 1954, present un desarrollo sistemtico de la teora haciendo especial nfasis en la dualidad de los conceptos de Probabilidad Subjetiva y Utilidad. Entre los autores posteriores que han defendido esta Teora destacamos a Bernard Osgood Koopman (1900-1981), aunque una mencin especial se debe de hacer de Dennis V. Lindley, matemtico britnico nacido en 1923 y que actualmente es profesor emrito de Estadstica en el College de Londres. Aunque primero fue objetivista, pronto encontr la Teora Subjetivista como la ms clara, tanto en la teora como en la prctica. Su obra mas sobresaliente en este campo ser Introduction to probability and statistics, publicada en 1965 en dos volmenes. Entre los coetneos de Lindley, destacamos a C. Villegas, P.C. Fishburn, P. Suples, S. French, etc. Estos, fundamentalmente trabajaran en la construccin de axiomticas que constituyen la base formal que garantiza el comportamiento racional y coherente del individuo que cuantifica los grados de creencia, y que es el principio bsico de la Teora Subjetivista, y en la nocin y formalizacin de la utilidad. Por ltimo, creemos interesante sealar los autores espaoles ms relevantes en el Subjetivismo: ngel Vegas Prez, Ubaldo Nieto de Alba, y especialmente Francisco Javier Girn. Entre las mas importantes aportaciones de este destacamos sus obras: Una caracterizacin conjunta de probabilidad subjetiva y de la utilidad (1985), Caracterizacin axiomtica de la regla de Bayes y la probabilidad subjetiva (1977), Probabilidad y utilidad: conceptos duales de la Teora de decisin (1979). Destacamos la denominacin que Girn hace del Subjetivismo, cuando afirma que la interpretacin subjetivista es tambin denominada personal, personalista o bayesiana, donde explicita el importante papel que juega en esta Teora en el mbito de la Inferencia Bayesiana.
35
Axiomtica de De Finetti (1931) Entre 1931 y 1937, De Finetti propone las leyes que ha de seguir la probabilidad subjetiva que se resumen de la forma siguiente. * Postulados para la relacin comparativa mas probable que 1. Un suceso incierto puede ser igualmente probable o menos probable que el otro. 2. Un suceso incierto siempre ser ms probable que un suceso imposible y menos probable que un suceso seguro. 3. Si un suceso A es ms probable que otro B y este ltimo es ms probable que otro suceso C, entonces A ser ms probable que C (propiedad transitiva). 4. Si A es mas probable que B y A es ms probable que B, siendo los sucesos {A, A}, y {B, B} incompatibles entonces, AUA es mas probable que BUB. * Definicin cuantitativa y directa del grado de probabilidad Para De Finetti la probabilidad no tiene existencia objetiva, no es una propiedad de la naturaleza, ni de los individuos; describe una relacin entre un individuo y la naturaleza: Pi(S/E) es una medida del grado de creencia
36
en la ocurrencia de un suceso S (sentencia), asignada por el individuo i en unas condiciones E. En particular, su definicin de probabilidad es totalmente operativa:
La probabilidad asignada por un individuo i a un suceso S en las condiciones E, Pi(S/E), debe expresar el mximo precio (apuesta) que dicho individuo, guiado por un comportamiento racional y coherente, estara dispuesto a pagar por un ticket de una rifa jugada en las condiciones E, en la que obtendra un premio unidad si y solamente si S tiene lugar.
Para ello desarrolla un conjunto de reglas a las que se debe ajustar la evaluacin subjetiva de las probabilidades por un mismo individuo. Una de estas reglas es el Teorema de las Probabilidades Totales o Teorema de la Probabilidad de la Suma Lgica de sucesos:
Sea {S1, S2, Sn} una clase completa de sucesos incompatibles, de los cuales uno y solo uno puede ocurrir, y {p1, p2, pn} las probabilidades, grados de creencia subjetivos, asignados por un individuo i en las condiciones E, (pj= Pi(Sj/E). La condicin necesaria y suficiente para que no se construya un conjunto de apuestas en las que i necesariamente pierda dinero, es que {p1, p2, pn} constituyan una distribucin de probabilidad, (todas las pj sean no negativas y que sumen 1). Luego para evitar un comportamiento incoherente, intrnsecamente contradictorio, los grados de creencia deben comportarse como probabilidades.
Con estas condiciones De Finetti demuestra, de forma ms general, el 3 Axioma de probabilidad de Kolmogorov.
Naturalmente, el hecho de que exista una definicin operativa, no implica que utilizarla sea en la prctica el mejor mtodo de asignar probabilidades. De hecho, el concepto de probabilidad como grado de creencia incluye como caso particular los conceptos clsico y frecuentista. Si las condiciones de un problema sugieren una percepcin de equiprobabilidad entre n casos posibles mutuamente excluyentes, entonces el sujeto asignar la misma probabilidad, 1/n, a cada uno de ellos. Consecuentemente, en virtud de las leyes de la probabilidad que los grados de creencia deben obedecer, la probabilidad asociada a un suceso constituido por la unin de m de ellos, ser necesariamente m/n. Anlogamente, si la informacin histrica de que se dispone sugiere una comparacin con situaciones razonablemente parecidas, entonces la probabilidad asignada ser presumiblemente establecida en base a las correspondientes frecuencias relativas: la probabilidad como lmite de la sucesin de frecuencias relativas asociadas al suceso cuando el nmero de repeticiones crece indefinidamente.
37
Ejemplo 1: Se lanza un dado, determinad, bajo la perspectiva subjetiva, la probabilidad de obtener un cinco. Se considera el suceso (sentencia) S: obtener {5}. Tanto si consideramos como conocimiento previo E la equiprobabilidad de las caras (definicin clsica de probabilidad), como la estabilidad de la sucesin de frecuencias relativas asociadas a la aparicin del {5} (definicin frecuentista), se obtiene que por coherencia un individuo i podra apostar un mximo de 1/6 de unidad monetaria por un ticket que le dara derecho a cobrar 1 unidad monetaria si al lanzar el dado se obtiene este nmero. Pi(S/E)=1/6
Ejemplo 2: El individuo i asigna una probabilidad, segn la definicin subjetiva, al suceso S: llueve maana en las condiciones siguientes: o El individuo tiene una total incertidumbre respecto al suceso.(Ea). Pi(S/Ea)=1/2 o El individuo slo repara en que durante toda la semana todos los das han sido soleados (Eb). Pi(S/Eb)=0 o El individuo repara en que hoy hace mucho viento direccin este y en la zona occidental se estn produciendo lluvias importantes (Ec). Pi(S/Ec)=3/4 o Se conoce el parte meteorolgico que asegura la llegada de una borrasca (Ed). Pi(S/Ed)=1
Propiedades Como se desprende de la exposicin anterior, los axiomas de probabilidad de kolmogov, sin relacin operativa alguna con el mundo real, se convierten en teoremas para los grados de creencias personales asignados por los individuos. Los grados de creencia deben satisfacer las propiedades convencionalmente utilizadas
38
para definir formalmente la probabilidad, y consecuentemente, puede definirse una medida de probabilidad a partir de ellos. Para De Finetti, cualquier incertidumbre debe ser expresada mediante una distribucin de probabilidad. (Esta ser la caracterstica esencial de la metodologa estadstica Bayesiana).
P( S
i =1
/ Ei ) .
D/ Consecuencia directa del Teorema de Probabilidades Totales o Teorema de la Probabilidad de la Suma Lgica de sucesos. Como se ha indicado, los probabilistas subjetivos, sobre todo a partir de Savage, van a concebir como una nueva base para definir la probabilidad, el mtodo terico de la toma de decisiones. La axiomtica deducida por Savage, a partir de estas ideas, es considerada fundamental por la mayora de los partidarios de la interpretacin subjetiva de probabilidad. Apuntamos a grandes rasgos sus principios.
Axiomtica de Savage (1954) Savage afirma que la teora mostrada tiene implicaciones con la Teora de la Utilidad debida, en su forma moderna, a Von Neumann y Morgenstern, (Theory of games and Economic behavior). Para exponer su teora Savage parte de la idea del comportamiento de una persona racional, coherente y consistente, en la toma de decisiones. As el objetivo es deducir una funcin de utilidad y probabilidad subjetiva numrica, a partir de los postulados cualitativos sobre preferencias entre las elecciones. Savage comienza definiendo trminos de la toma de decisiones como:
39
- Estados de la naturaleza: conjunto de diferentes situaciones. - Acciones: conjunto de posibles actuaciones. - Consecuencias: consecuencias de la eleccin de cualquier accin frente a cada estado de la naturaleza. Estas son medidas por la llamada funcin de utilidad. - Decisiones: son funciones del conjunto de los estados de la naturaleza en el conjunto de acciones, que tiene en cuenta las consecuencias. Elegir (tomar) las decisiones adecuadas conllevar elegir la accin o acciones que minimicen las consecuencias (valoradas mediante la funcin de utilidad) para cada posible estado de la naturaleza. La idea general es considerar conjuntos de axiomas que caractericen a la utilidad y la probabilidad subjetiva de manera conjunta. Savage parte de una relacin de preferencia dbil (no es preferido a) sobre las acciones. En trminos de la relacin , es sencillo definir una relacin correspondiente de preferencia sobre las consecuencias, y una probabilidad comparativa sobre los estados de la naturaleza. Suponiendo estas dos relaciones adicionales, Savage establece siete postulados que sirven como base para establecer un teorema que garantiza la existencia conjunta de una funcin de utilidad sobre las consecuencias y de una funcin de probabilidad subjetiva sobre los estados. Los axiomas se establecen de tal manera que cualquiera de las acciones que los satisfaga maximizar la funcin de utilidad esperada. Esto significa que se generar una distribucin de probabilidad subjetiva acerca de las creencias respecto al estado verdadero de la naturaleza, y una funcin de utilidad sobre el conjunto de consecuencias. La expectativa de una decisin dada se define con respecto a la distribucin de probabilidad subjetiva sobre los estados de la naturaleza.
40
A continuacin, sealamos los argumentos que hacen plausible esta interpretacin de la probabilidad. La Probabilidad Subjetiva ha extendido el campo de aplicacin de la Teora de Probabilidad, permitiendo hablar de probabilidad en situaciones en las que otros puntos de vista (Clsico, Frecuentista) son inaplicables (probabilidad que suba la bolsa, probabilidad de que llueva maana,). Especficamente, a diferencia de la Teora Clsica y Frecuentista, y coincidiendo con la Teora Lgica, el punto de vista subjetivo permite interpretar la probabilidad de cualquier suceso individual, salvando adems el problema de clculo que se presenta bajo la concepcin puramente Lgica. En el mbito de la Inferencia Estadstica esta concepcin de probabilidad ha dado fuerza al uso del Teorema de Bayes. Este haba estado restringido, bajo la perspectiva frecuentista, por el posible desconocimiento de las probabilidades a priori. A partir de la concepcin Subjetiva de probabilidad y asumiendo dicho teorema, se conforma la Escuela Bayesiana de estadsticos. La probabilidad de establecer subjetivamente las probabilidades a priori, y actualizarlas, a partir de nuevos datos, (lo que reduce sucesivamente la subjetividad inicial), ha permitido desarrollar una serie de tcnicas inferenciales de gran aplicacin en diversas reas de conocimiento. Realiza la Actividad 9 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso. Realiza la Actividad 10 correspondiente al Bloque I, dentro de Actividades Complementarias del Men del curso.
41
Si yo pienso que, muy verosimilmente, llover maana, puedo decir que a esta idea se le asocia una sorpresa potencial nula, en tanto que a la idea contraria le corresponde un cierto grado de sorpresa potencial mayor que cero; pero esta idea contraria puede descomponerse en varias alternativas: sol, cielo cubierto, nieve, Yo atribuir un grado de sorpresa potencial ms dbil a unas hiptesis que a otras.
Para fundamentar esta nocin se introduce un conjunto de 17 postulados, as como el concepto de grado de creencia. Este se establece como: Decid que un individuo adjudica el mismo Grado de Creencia a dos hiptesis implica, en trminos de Sorpresa Potencial, dos afirmaciones: . 1 La igualdad de los dos grados de sorpresa potencial atribuida a cada una de las hiptesis. . 2. La igualdad de los grados de sorpresa atribuida a cada una de las respectivas hiptesis contrarias. As pues, Shackle sustituye la nocin de probabilidad por la sorpresa potencial (atribuida a cada una de las hiptesis, y a cada una de las respectivas hiptesis contrarias) y el grado de creencia. Algunos autores, por ejemplo Krelle, han identificado las concepciones de la sorpresa potencial y la probabilidad subjetiva, pero Shackle rechaza esta posicin, dado que es contraria a una de sus ideas esenciales. Efectuar la suma de los grados de posibilidad otorgadas a las diversas hiptesis alternativas, es rechazar la idea de que es el nmero de estas las que confieren a una hiptesis dada su status. Se repudia as el principio de enumeracin de los sucesos, que se encuentra en los cimientos de la teora de Savage. La sorpresa potencial es una variable de incertidumbre no distributiva. Shacke define el concepto de resutado neutro como aquel que el sujeto decisor considera como no ms, ni tampoco menos, deseable que su actual posicin. Define tambin la idea de deseabilidad, de manera tal que ante los hipotticos resultados de un conjunto de acciones considera un orden por grados de posibilidad y otros por grados de deseabilidad. Para acceder a la cardinalidad de los grados de sorpresa potencial, se supone que el individuo puede juzgar la distancia ante diversas sorpresas potenciales y concebir subintervalos iguales.
42