📘 Lección 0.6: El Azar y la Nobleza — Orígenes de la Probabilidad

🗺️ Ruta de la Lección

• 1. Introducción: El Juego como Motor del Conocimiento
• 2. Contexto Histórico: Nobleza, Dados y la Búsqueda de Patrones
• 3. El Problema de los Puntos: Un Desafío Clave
• 4. Figuras Clave: Pascal y Fermat
• 5. El Azar: Más Allá de la Suerte
• 6. Probabilidad Intuitiva: ¿Qué Tan Posible Es?
• 7. Ejemplo Práctico: Lanzando los Dados
• 8. Visualizando Posibilidades
• 9. Implementación en Python
• 10. Ejercicio Resuelto: La Apuesta Justa
• 11. Checkpoint — ¿Lo Has Entendido?
• 12. Errores Comunes y Limitaciones
• 13. Desafío: La Estrategia del Marqués
• 14. Referencias Bibliográficas
• 15. Resumen y Próxima Lección

📊 Lección 0 de 50 🔥 Día 1 de lectura continua

🎯 Objetivos: Comprender los orígenes históricos de la probabilidad, identificar el concepto de azar, y analizar la importancia de los juegos de azar en su desarrollo.

🔗 Prerrequisitos: ¿Qué es la Estadística?

⏱️ Tiempo: 40 min | ⭐ XP: +100 | 🏅 Logro: Pionero de la Probabilidad

🤗 ¡Hola! Bienvenido a esta lección fundamental donde viajaremos en el tiempo para descubrir cómo la curiosidad, la ambición y un poco de suerte en los salones de la nobleza europea sentaron las bases de una de las ramas más fascinantes de las matemáticas: la Teoría de la Probabilidad.

¿Alguna vez te has preguntado por qué los matemáticos, figuras asociadas a la lógica pura y la abstracción, se interesaron tanto por los juegos de azar? ¿Cómo pasamos de lanzar dados para divertirnos a tener modelos matemáticos que predicen el comportamiento de sistemas complejos, desde mercados financieros hasta la propagación de enfermedades? La respuesta, sorprendentemente, se encuentra en el siglo XVII, en las mesas de juego de la alta sociedad, donde la incertidumbre no era solo un pasatiempo, sino un campo de estudio que impulsaría revoluciones científicas.

En esta lección, no solo exploraremos los eventos históricos que llevaron al nacimiento de la probabilidad, sino que también desentrañaremos el concepto de "azar" y cómo empezamos a cuantificarlo. Prepárate para un viaje intrigante donde la historia, la matemática y un toque de nobleza se unen para dar forma a nuestro entendimiento del mundo.

1. Introducción: El Juego como Motor del Conocimiento

La historia de la ciencia está plagada de ejemplos donde la curiosidad humana, a menudo impulsada por actividades aparentemente triviales, ha conducido a descubrimientos monumentales. La astronomía nació de la necesidad de predecir las estaciones y guiar la navegación; la física, en parte, de la búsqueda de comprender el movimiento de los proyectiles; y la teoría de la probabilidad, que hoy aplicamos en innumerables campos, tiene sus raíces más profundas en el azar inherente a los juegos de dados y cartas.

Imagina la Europa del siglo XVII. Una época de grandes avances científicos, pero también de una sociedad fuertemente estratificada. La nobleza, con tiempo libre y recursos, encontraba en los juegos de azar una forma de entretenimiento, un desafío intelectual y, a veces, una vía para la especulación económica. Sin embargo, estos juegos, regidos por la suerte aparente, pronto comenzaron a intrigar a las mentes más agudas de la época. ¿Había patrones ocultos? ¿Podía la razón desentrañar los secretos de la incertidumbre?

Esta lección se centra en esa intersección fascinante: la transición de la mera especulación sobre la suerte a un análisis matemático riguroso de la probabilidad. Veremos cómo las preguntas planteadas por jugadores nobles sobre apuestas y resultados se convirtieron en el catalizador para el desarrollo de conceptos que hoy son pilares de la estadística y la ciencia de datos.

💡 Cómo estudiar esta lección: Lee primero la introducción y el contexto histórico para entender la motivación. Luego, enfócate en el "Problema de los Puntos" y las contribuciones de Pascal y Fermat. Finalmente, aplica estos conceptos con los ejemplos y visualizaciones. No te preocupes si la matemática te parece abstracta al principio; la clave está en la intuición histórica.

2. Contexto Histórico: Nobleza, Dados y la Búsqueda de Patrones

Para comprender el nacimiento de la probabilidad, debemos situarnos en el contexto de la Europa del siglo XVII. Fue una era de efervescencia intelectual, marcada por figuras como Galileo Galilei, Isaac Newton y Johannes Kepler, quienes estaban revolucionando nuestra comprensión del universo físico. Sin embargo, la vida social de la élite, especialmente en Francia, estaba profundamente entrelazada con los juegos de azar.

Los dados, en particular, eran un pasatiempo predilecto. Se jugaban partidas largas y complejas, a menudo con apuestas considerables. Los jugadores, muchos de ellos pertenecientes a la nobleza o a círculos cercanos a la corte, no eran ajenos a la idea de que algunos resultados parecían ocurrir con más frecuencia que otros. Sin embargo, carecían de un marco matemático para analizar sistemáticamente estas frecuencias y predecir resultados futuros con mayor certeza.

Esta necesidad práctica de entender mejor los juegos de azar, impulsada por el interés personal y el deseo de obtener una ventaja (o al menos, de no ser engañado), fue el caldo de cultivo perfecto para que las mentes matemáticas comenzaran a aplicar su rigor a lo que hasta entonces se consideraba puramente el dominio de la fortuna. La pregunta clave no era solo "¿ganaré?", sino "¿cuál es la probabilidad de que gane?" y, más importante aún, "¿cómo puedo calcularla?".

La transición de la especulación a la cuantificación fue un paso monumental. Implicaba pasar de decir "esto parece justo" a poder afirmar matemáticamente "la probabilidad de este evento es X". Este cambio de paradigma fue posible gracias a la confluencia de varios factores:

• Interés práctico: Los juegos de azar ofrecían problemas concretos y motivadores para los matemáticos.
• Desarrollo de herramientas: El álgebra y el cálculo estaban en plena expansión, proporcionando el lenguaje necesario.
• Curiosidad intelectual: La naturaleza misma de la incertidumbre y el azar era un desafío intelectual atractivo.

Este escenario histórico es crucial porque nos muestra que la estadística y la probabilidad no surgieron en laboratorios estériles, sino en la interacción social, respondiendo a preguntas reales y a menudo impulsadas por el deseo humano de comprender y, si es posible, controlar la incertidumbre.

3. El Problema de los Puntos: Un Desafío Clave

Uno de los problemas más emblemáticos que catalizó el desarrollo de la teoría de la probabilidad fue el conocido como el "Problema de los Puntos" (o "Problema de la División de la Apuesta"). Este enigma, planteado a Blaise Pascal alrededor de 1654, ilustra perfectamente cómo las preguntas de los jugadores nobles impulsaron el pensamiento matemático.

El problema se formulaba así: Dos jugadores, A y B, apuestan cantidades iguales en un juego (por ejemplo, a cara o cruz, o a obtener un cierto número con dados) que debe jugarse hasta que uno de ellos gane un número determinado de rondas. Sin embargo, el juego se interrumpe antes de que termine, digamos porque uno de los jugadores tiene que retirarse inesperadamente. ¿Cómo deberían dividir el dinero apostado de manera justa, considerando el estado actual del juego?

Imaginemos un escenario simple: Dos jugadores, A y B, apuestan 32 monedas cada uno (total 64). El juego consiste en lanzar un dado de seis caras, y el primero en obtener un 5 o un 6 gana. Se acuerda que el primer jugador que gane 3 rondas se lleva todo el dinero. Si el juego se interrumpe cuando el jugador A ha ganado 2 rondas y el jugador B ha ganado 1 ronda, ¿cómo deben repartirse las 64 monedas?

A primera vista, la solución no es obvia. ¿Deberían simplemente dividir el dinero a medias porque el juego se interrumpió? ¿O debería el jugador A, que está más cerca de ganar, recibir más? La clave para resolver este problema de manera justa radicaba en calcular la probabilidad de que cada jugador ganara si el juego hubiera continuado.

Este problema, aparentemente sencillo, requería un análisis sistemático de todas las posibles continuaciones del juego y la asignación de probabilidades a cada una de ellas. Fue precisamente la correspondencia entre Blaise Pascal y Pierre de Fermat, dos de los matemáticos más importantes de la época, para resolver este y otros problemas similares, lo que sentó las bases formales de la teoría de la probabilidad.

4. Figuras Clave: Pascal y Fermat

La correspondencia entre Blaise Pascal (1623-1662) y Pierre de Fermat (1601-1665) es fundamental en la historia de la probabilidad. Sus intercambios epistolares, motivados principalmente por el "Problema de los Puntos", sentaron las bases de la disciplina.

Blaise Pascal, un genio polifacético que hizo contribuciones significativas en matemáticas, física y filosofía, abordó el problema de los puntos utilizando un enfoque inductivo. Razonó que si un jugador necesita 'k' puntos para ganar y ya tiene 'i' puntos, entonces necesita 'k-i' puntos más. Si el juego se interrumpe, la probabilidad de que cada jugador gane se puede determinar considerando los resultados futuros posibles. Pascal utilizó un método que hoy reconoceríamos como una forma temprana de razonamiento combinatorio y análisis de árboles de probabilidad.

Pierre de Fermat, un abogado y matemático autodidacta, abordó el problema desde una perspectiva más combinatoria. Se centró en enumerar todos los posibles resultados futuros del juego y determinar cuántos de ellos favorecían a cada jugador. Su enfoque implicaba contar el número de combinaciones de resultados que llevarían a la victoria de A y el número de combinaciones que llevarían a la victoria de B, y luego dividir el premio en proporción a estas cuentas.

La colaboración entre Pascal y Fermat, aunque no fue una colaboración directa en el sentido moderno (se comunicaban por carta), fue crucial. Al comparar sus métodos y resultados, ambos matemáticos llegaron a la misma conclusión sobre cómo dividir la apuesta de manera justa. Este acuerdo y el desarrollo de sus métodos sentaron las bases para:

• La idea de espacio muestral: El conjunto de todos los resultados posibles de un experimento aleatorio.
• El cálculo de probabilidades: La asignación de un valor numérico a la posibilidad de que ocurra un evento.
• El uso de la combinatoria: Técnicas para contar resultados, como permutaciones y combinaciones.

Aunque no publicaron un tratado conjunto sobre el tema en ese momento, sus cartas y el trabajo posterior de otros matemáticos como Christiaan Huygens (quien publicó el primer tratado impreso sobre probabilidad en 1657, inspirado por las cartas de Pascal y Fermat) consolidaron estos principios.

5. El Azar: Más Allá de la Suerte

Antes de adentrarnos en las fórmulas, es crucial entender qué entendemos por "azar" en un contexto matemático. A menudo, usamos la palabra "azar" o "suerte" de manera informal para referirnos a eventos impredecibles o fuera de nuestro control. Sin embargo, en estadística y probabilidad, el azar tiene una definición más precisa.

Un experimento aleatorio es aquel cuyo resultado no se puede predecir con certeza, pero del cual conocemos todos los posibles resultados. El azar es la característica intrínseca de estos experimentos que hace que un resultado particular sea incierto.

El espacio muestral (S) es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo:

• Al lanzar una moneda: S = {Cara, Cruz}
• Al lanzar un dado de seis caras: S = {1, 2, 3, 4, 5, 6}
• Al lanzar dos dados: S = {(1,1), (1,2), ..., (6,6)} (36 resultados posibles)

Un evento (E) es un subconjunto del espacio muestral, es decir, un resultado o un conjunto de resultados que nos interesa. Por ejemplo, en el lanzamiento de un dado:

• El evento "obtener un número par" es E = {2, 4, 6}.
• El evento "obtener un número mayor que 4" es E = {5, 6}.

La teoría de la probabilidad busca cuantificar la incertidumbre asociada a la ocurrencia de estos eventos. Pascal y Fermat, al resolver el "Problema de los Puntos", estaban esencialmente calculando la probabilidad de que ocurrieran ciertos eventos (que un jugador específico ganara las rondas restantes) dentro de un espacio muestral definido por las continuaciones posibles del juego.

La clave de su enfoque fue asumir que, en ausencia de información que sugiera lo contrario, todos los resultados básicos del experimento (como cada cara de un dado justo) son igualmente probables. Esta suposición de equiprobabilidad es fundamental para la definición clásica de probabilidad.

6. Probabilidad Intuitiva: ¿Qué Tan Posible Es?

Antes de las fórmulas, pensemos intuitivamente. La probabilidad de un evento se puede entender como una medida de su posibilidad. Va desde 0 (imposible) hasta 1 (seguro).

Definición Clásica de Probabilidad:

P(E) = (Número de resultados favorables al evento E) / (Número total de resultados posibles en el espacio muestral S)

Esta fórmula, P(E) = |E| / |S|, solo es válida cuando todos los resultados en S son igualmente probables. Esta fue la suposición implícita que Pascal y Fermat utilizaron para resolver sus problemas.

Veamos un ejemplo sencillo:

• Experimento: Lanzar un dado justo de seis caras.
• Espacio Muestral (S): {1, 2, 3, 4, 5, 6}. El número total de resultados posibles es |S| = 6.
• Evento (E): Obtener un número par. Los resultados favorables son {2, 4, 6}. El número de resultados favorables es |E| = 3.
• Probabilidad: P(E) = |E| / |S| = 3 / 6 = 1/2 = 0.5.

Esto significa que hay una probabilidad del 50% de obtener un número par al lanzar un dado justo. Intuitivamente, esto tiene sentido: la mitad de los números en el dado son pares y la otra mitad son impares.

7. Ejemplo Práctico: Lanzando los Dados

Retomemos el espíritu de los jugadores del siglo XVII. Imaginemos que estamos jugando un juego simple con un solo dado justo de seis caras. Queremos saber la probabilidad de varios eventos:

1. Probabilidad de obtener un 3:

• Evento E₁ = {3}.
• Número de resultados favorables |E₁| = 1.
• Número total de resultados |S| = 6.
• P(E₁) = 1 / 6 ≈ 0.167 (o 16.7%).

2. Probabilidad de obtener un número menor que 5:

• Evento E₂ = {1, 2, 3, 4}.
• Número de resultados favorables |E₂| = 4.
• Número total de resultados |S| = 6.
• P(E₂) = 4 / 6 = 2/3 ≈ 0.667 (o 66.7%).

3. Probabilidad de obtener un 7:

• Evento E₃ = {}. (No hay ningún resultado favorable en el dado).
• Número de resultados favorables |E₃| = 0.
• Número total de resultados |S| = 6.
• P(E₃) = 0 / 6 = 0. (Es un evento imposible).

4. Probabilidad de obtener un número entre 1 y 6 (inclusive):

• Evento E₄ = {1, 2, 3, 4, 5, 6}.
• Número de resultados favorables |E₄| = 6.
• Número total de resultados |S| = 6.
• P(E₄) = 6 / 6 = 1. (Es un evento seguro).

Estos ejemplos ilustran cómo la definición clásica de probabilidad nos permite cuantificar la incertidumbre de eventos simples, siempre bajo la suposición de que cada resultado es igualmente probable. Esta suposición es clave y se aplica a dados justos, monedas balanceadas, o cualquier situación donde no haya sesgos conocidos.

8. Visualizando Posibilidades

Para entender mejor la distribución de probabilidades en un dado, podemos visualizar las frecuencias relativas esperadas. Si lanzáramos un dado justo un gran número de veces, esperaríamos que cada cara apareciera aproximadamente la misma cantidad de veces. La probabilidad de cada cara es 1/6.

Podemos representar esto con un gráfico de barras, donde cada barra representa una cara del dado y su altura representa la probabilidad de obtener esa cara.

python

import numpy as np
import matplotlib.pyplot as plt

# Configuración APA 7ª edición
plt.rcParams.update({
    'font.family': 'serif',
    'font.size': 11,
    'axes.labelsize': 11,
    'xtick.labelsize': 9,
    'ytick.labelsize': 9,
    'legend.fontsize': 10,
    'figure.dpi': 150,
})
colors = ['#0072B2', '#D55E00', '#009E73', '#CC79A7', '#56B4E9']  # Paleta Tol

# Datos para un dado justo
caras = [1, 2, 3, 4, 5, 6]
probabilidades = [1/6] * 6

# Figura APA
fig, ax = plt.subplots(figsize=(5.5, 4))
ax.bar(caras, probabilidades, color=colors[0], edgecolor='white', alpha=0.85, width=0.7)
ax.set_xlabel('Cara del dado')
ax.set_ylabel('Probabilidad', rotation=90, labelpad=10)
ax.set_title('Figura 1', fontweight='bold', loc='left', pad=12)
ax.set_xticks(caras) # Asegura que cada cara tenga un tick
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.tick_params(direction='in', length=4)
plt.tight_layout()
plt.show()

Código 1. Configuración APA 7ª edición

Figura 1. Probabilidad de cada cara en un dado justo

Este gráfico muestra claramente que, para un dado justo, cada resultado tiene la misma probabilidad. La suma de todas las probabilidades es 1 (0.1667 * 6 ≈ 1), lo cual es una propiedad fundamental de cualquier distribución de probabilidad.

9. Implementación en Python

Podemos usar Python para calcular probabilidades de manera más compleja, especialmente cuando tratamos con múltiples eventos o combinaciones. Aquí, un ejemplo simple para calcular la probabilidad de obtener una suma específica al lanzar dos dados.

python

import numpy as np
import matplotlib.pyplot as plt
from collections import Counter

# Configuración APA 7ª edición
plt.rcParams.update({
    'font.family': 'serif',
    'font.size': 11,
    'axes.labelsize': 11,
    'xtick.labelsize': 9,
    'ytick.labelsize': 9,
    'legend.fontsize': 10,
    'figure.dpi': 150,
})
colors = ['#0072B2', '#D55E00', '#009E73', '#CC79A7', '#56B4E9']

# Simulación de lanzamiento de dos dados
num_lanzamientos = 10000
resultados_dado1 = np.random.randint(1, 7, num_lanzamientos)
resultados_dado2 = np.random.randint(1, 7, num_lanzamientos)
sumas = resultados_dado1 + resultados_dado2

# Contar la frecuencia de cada suma
conteo_sumas = Counter(sumas)
sumas_posibles = sorted(conteo_sumas.keys())
frecuencias = [conteo_sumas[s] for s in sumas_posibles]

# Calcular probabilidades empíricas
probabilidades_empiricas = [f / num_lanzamientos for f in frecuencias]

# Figura APA
fig, ax = plt.subplots(figsize=(5.5, 4))
ax.bar(sumas_posibles, probabilidades_empiricas, color=colors[1], edgecolor='white', alpha=0.85, width=0.7)
ax.set_xlabel('Suma de los dos dados')
ax.set_ylabel('Probabilidad Empírica', rotation=90, labelpad=10)
ax.set_title('Figura 2', fontweight='bold', loc='left', pad=12)
ax.set_xticks(sumas_posibles)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.tick_params(direction='in', length=4)
plt.tight_layout()
plt.show()

Código 2. Configuración APA 7ª edición

Figura 2. Probabilidad empírica de las sumas al lanzar dos dados

Este código simula el lanzamiento de dos dados miles de veces y calcula la probabilidad de cada suma basándose en la frecuencia observada. Notarás que la suma 7 es la más probable, mientras que las sumas 2 y 12 son las menos probables. Esto se debe a que hay más combinaciones de dados que suman 7 (1+6, 2+5, 3+4, 4+3, 5+2, 6+1) que combinaciones que suman 2 (solo 1+1) o 12 (solo 6+6).

La simulación es una herramienta poderosa cuando el cálculo combinatorio se vuelve demasiado complejo. Nos permite estimar probabilidades basándonos en la ley de los grandes números: a medida que aumenta el número de repeticiones, la probabilidad empírica se acerca a la probabilidad teórica.

10. Ejercicio Resuelto: La Apuesta Justa

Volvamos al "Problema de los Puntos" y resolvamos un caso simplificado para entender el método.

Problema: Dos jugadores, A y B, apuestan 16 monedas cada uno (total 32). Juegan a cara o cruz, y el primero en ganar 3 rondas se lleva el dinero. El juego se interrumpe cuando A ha ganado 2 rondas y B ha ganado 1 ronda.

Solución:

Paso 1: Determinar los resultados necesarios para ganar.

• Jugador A necesita 3 - 2 = 1 ronda más para ganar.
• Jugador B necesita 3 - 1 = 2 rondas más para ganar.

Paso 2: Enumerar todas las posibles continuaciones del juego hasta que uno gane.

Consideremos las próximas rondas. El juego terminará en la siguiente ronda si A gana (A gana 3-1) o si B gana (el marcador sería 2-2, y el juego continuaría). Si B gana la siguiente ronda, el marcador está 2-2. En la ronda subsiguiente, si A gana, A gana 3-2. Si B gana, B gana 3-2.

Las posibles secuencias de ganadores de las rondas restantes son:

• A gana la siguiente ronda: A gana el juego (A: 3, B: 1).
• B gana la siguiente ronda, y A gana la siguiente: A gana el juego (A: 3, B: 2).
• B gana la siguiente ronda, y B gana la siguiente: B gana el juego (A: 2, B: 3).

Paso 3: Calcular la probabilidad de cada continuación.

Asumimos que cada jugador tiene la misma probabilidad (0.5) de ganar cada ronda individual (juego justo de cara o cruz).

• Continuación 1 (A gana la siguiente): Probabilidad = 0.5. Resultado: A gana todo.
• Continuación 2 (B gana la siguiente, A gana la siguiente): Probabilidad = 0.5 × 0.5 = 0.25. Resultado: A gana todo.
• Continuación 3 (B gana la siguiente, B gana la siguiente): Probabilidad = 0.5 × 0.5 = 0.25. Resultado: B gana todo.

Paso 4: Calcular la probabilidad total de que cada jugador gane.

• Probabilidad de que A gane: Sumamos las probabilidades de las continuaciones que llevan a la victoria de A. P(A gana) = 0.5 (Continuación 1) + 0.25 (Continuación 2) = 0.75.
• Probabilidad de que B gane: Sumamos las probabilidades de las continuaciones que llevan a la victoria de B. P(B gana) = 0.25 (Continuación 3).

Verificamos que la suma de probabilidades es 0.75 + 0.25 = 1.0, lo cual es correcto.

Paso 5: Dividir el premio de manera justa.

El premio total es 32 monedas. La división justa debe ser proporcional a las probabilidades de ganar.

• Parte de A: 32 monedas × P(A gana) = 32 × 0.75 = 24 monedas.
• Parte de B: 32 monedas × P(B gana) = 32 × 0.25 = 8 monedas.

Así, de manera justa, el jugador A debería recibir 24 monedas y el jugador B debería recibir 8 monedas.

11. Checkpoint — ¿Lo Has Entendido?

Antes de continuar, responde estas breves preguntas para consolidar tu comprensión:

Pregunta 1: ¿Cuál era el principal motor histórico para el desarrollo de la teoría de la probabilidad en el siglo XVII?

a) La necesidad de predecir el clima.
b) El estudio de los juegos de azar y las apuestas.
c) El desarrollo de la física newtoniana.
d) La invención de la imprenta.

Respuesta: b) El estudio de los juegos de azar y las apuestas.

Pregunta 2: Si lanzas un dado justo, ¿cuál es la probabilidad de obtener un número mayor que 4?

a) 1/6
b) 2/6 = 1/3
c) 3/6 = 1/2
d) 4/6 = 2/3

Respuesta: b) Los números mayores que 4 son {5, 6}. Hay 2 resultados favorables de un total de 6. P = 2/6 = 1/3.

Pregunta 3: ¿Qué suposición es fundamental para usar la fórmula P(E) = |E| / |S|?

a) Que el evento E ocurra siempre.
b) Que el espacio muestral S sea infinito.
c) Que todos los resultados en S sean igualmente probables.
d) Que el evento E sea imposible.

Respuesta: c) Que todos los resultados en S sean igualmente probables.

12. Errores Comunes y Limitaciones

Al estudiar los orígenes de la probabilidad, es fácil caer en algunas trampas conceptuales o malinterpretar el alcance de los primeros trabajos:

• Confundir azar con destino: Pensar que los juegos de azar tienen "suerte" o "mala suerte" inherentes, en lugar de entenderlos como procesos regidos por probabilidades matemáticas. La probabilidad no predice el resultado de un evento individual, sino la frecuencia esperada a largo plazo.
• Asumir equiprobabilidad sin justificación: La fórmula clásica P(E) = |E| / |S| solo funciona si todos los resultados son igualmente probables. Si lanzamos un dado trucado, o si un evento tiene un sesgo conocido, esta fórmula no se aplica directamente.
• Ignorar el contexto histórico: Pensar que Pascal y Fermat desarrollaron la teoría de la probabilidad de la nada. Fue un proceso gradual, impulsado por preguntas concretas de jugadores y refinado a lo largo de décadas por múltiples matemáticos.
• Subestimar la complejidad combinatoria: Aunque los ejemplos con un solo dado son sencillos, los problemas con múltiples dados o cartas pueden volverse combinatoriamente muy complejos rápidamente. El "Problema de los Puntos" ya mostraba esta complejidad.
• La falacia del jugador: Creer que si un evento ha ocurrido muchas veces seguidas (ej. salir cara), es "menos probable" que ocurra en la siguiente tirada (o viceversa). En eventos independientes (como lanzamientos de moneda justos), la probabilidad no cambia. El pasado no influye en el futuro.

Es crucial recordar que la teoría de la probabilidad, en sus inicios, se centró en escenarios con un número finito y manejable de resultados, y donde la suposición de equiprobabilidad era razonable. La generalización a eventos continuos o con probabilidades no uniformes vendría mucho después.

13. Desafío: La Estrategia del Marqués

Imagina que eres un marqués en la corte francesa del siglo XVII. Te has dado cuenta de que tus oponentes en un juego de dados parecen tener una ventaja injusta en ciertas apuestas. El juego consiste en lanzar dos dados justos de seis caras. La apuesta es sobre la suma de los resultados.

Tu oponente apuesta que la suma será mayor que 8. Tú crees que la suma será menor o igual a 8. Quieres calcular la probabilidad de cada evento para decidir si la apuesta es favorable para ti.

Tu tarea:

1. Enumera todos los posibles resultados al lanzar dos dados (36 combinaciones).
2. Calcula la suma para cada combinación.
3. Determina cuántas combinaciones suman más de 8.
4. Determina cuántas combinaciones suman 8 o menos.
5. Calcula la probabilidad de que la suma sea mayor que 8.
6. Calcula la probabilidad de que la suma sea menor o igual a 8.
7. ¿Deberías aceptar la apuesta de tu oponente si él apuesta a que la suma será mayor que 8?

Pista: Puedes usar una tabla para organizar los resultados y las sumas. ¡Piensa como un noble calculador!

Solución detallada:

1. Tabla de resultados y sumas (parcial):

Dado 1 \ Dado 2	1	2	3	4	5	6
1	2	3	4	5	6	7
2	3	4	5	6	7	8
3	4	5	6	7	8	9
4	5	6	7	8	9	10
5	6	7	8	9	10	11
6	7	8	9	10	11	12

2. Resultados que suman más de 8:

Las sumas mayores que 8 son 9, 10, 11, 12.

• Suma 9: (3,6), (4,5), (5,4), (6,3) — 4 combinaciones
• Suma 10: (4,6), (5,5), (6,4) — 3 combinaciones
• Suma 11: (5,6), (6,5) — 2 combinaciones
• Suma 12: (6,6) — 1 combinación

Total de combinaciones que suman más de 8 = 4 + 3 + 2 + 1 = 10 combinaciones.

3. Resultados que suman 8 o menos:

Total de combinaciones = 36. Combinaciones que suman más de 8 = 10. Por lo tanto, combinaciones que suman 8 o menos = 36 - 10 = 26 combinaciones.

4. Cálculo de probabilidades:

• P(Suma > 8) = 10 / 36 ≈ 0.278 (o 27.8%)
• P(Suma ≤ 8) = 26 / 36 ≈ 0.722 (o 72.2%)

5. Decisión de la apuesta:

Dado que la probabilidad de que la suma sea menor o igual a 8 (72.2%) es significativamente mayor que la probabilidad de que sea mayor que 8 (27.8%), NO deberías aceptar la apuesta de tu oponente si él apuesta a que la suma será mayor que 8. Te conviene apostar a que la suma será menor o igual a 8.

¡Felicidades, Marqués! Has aplicado el rigor matemático para ganar una apuesta (o al menos, para no perderla injustamente).

14. Referencias Bibliográficas

1. David, F. N. (1962). Games, Gods and Gambling: The Origins and History of Probability and Statistical Ideas. Hafner Publishing Company.
2. Huygens, C. (1657). De ratiociniis in ludo aleae (Sobre los razonamientos en los juegos de dados).
3. Ore, Ø. (1960). Pascal and the Invention of Probability Theory. The American Mathematical Monthly, 67(5), 409-417. DOI: 10.2307/2309138
4. Pascal, B. (1665). Traité de l'arithmétique des jeux de hazard (Tratado sobre la aritmética de los juegos de azar). Publicado póstumamente.
5. Wikipedia contributors. (2024). Probability theory. In Wikipedia, The Free Encyclopedia. Retrieved July 26, 2024, from https://en.wikipedia.org/wiki/Probability_theory