Una probabilidad no vive sola: siempre pertenece a un experimento y a unos supuestos
La probabilidad asigna números entre 0 y 1 a sucesos para representar cuánta incertidumbre existe bajo un modelo definido. Cero significa imposible dentro de ese modelo y uno, seguro; los valores intermedios no prometen qué ocurrirá en un ensayo individual. Un 70 % de lluvia tampoco afirma que lloverá durante el 70 % del día: describe una previsión calibrada para un lugar, periodo y criterio concretos. Sin especificar el experimento y sus supuestos, la cifra queda incompleta.
Antes de calcular hay que fijar el espacio de resultados. En un dado ideal son seis caras equiprobables; en uno real esa igualdad es una aproximación que puede comprobarse. Contar casos favorables dividido entre casos posibles funciona sólo cuando los resultados elementales son igualmente probables. La teoría moderna admite espacios discretos y continuos, distribuciones no uniformes y variables que resumen los resultados. El modelo aporta la estructura; los datos indican si sirve.
Sumar o multiplicar depende de cómo se relacionan los sucesos
La probabilidad de la unión de A y B se obtiene sumando ambas y restando la intersección para no contarla dos veces. Si son mutuamente excluyentes, la intersección vale cero. Para que ocurran A y B se usa una multiplicación condicionada: P(A y B) = P(A) por P(B dado A). Multiplicar sin esa condición supone independencia y puede producir una respuesta falsa.
Dos sucesos son independientes cuando conocer uno no cambia la probabilidad del otro. No significa que sean incompatibles; de hecho, sucesos excluyentes con probabilidad positiva no son independientes. Dos lanzamientos de moneda ideal sí pueden modelarse como independientes. Extraer dos cartas sin reemplazo no, porque la primera cambia la baraja. Estas distinciones parecen vocabulario, pero determinan por completo el cálculo en pruebas médicas, seguros y fiabilidad técnica.
La información nueva cambia el conjunto con el que se compara
P(A dado B) restringe la atención a los casos donde B ocurrió. No suele ser igual a P(B dado A): la probabilidad de tener una enfermedad si una prueba es positiva no coincide con la de dar positivo si se tiene la enfermedad. Para pasar de una a otra hacen falta prevalencia, sensibilidad y falsos positivos. Ignorar la tasa base puede hacer que una prueba precisa parezca concluyente cuando no lo es.
El teorema de Bayes organiza esa actualización. Parte de una probabilidad previa, incorpora la verosimilitud de la evidencia bajo distintas hipótesis y obtiene una probabilidad posterior. No convierte opiniones en hechos; obliga a declarar supuestos y calidad de los datos. El problema de Monty Hall sorprende precisamente porque la puerta que abre el presentador depende de información y reglas, no de una eliminación al azar.
Existen interpretaciones distintas, pero comparten las mismas reglas matemáticas
En una interpretación frecuentista, la probabilidad se relaciona con frecuencias a largo plazo de repeticiones equivalentes. En una bayesiana, cuantifica incertidumbre racional sobre una proposición y puede actualizarse. También existen enfoques propensistas para procesos físicos. Las diferencias importan al diseñar inferencias, aunque los axiomas básicos de no negatividad, normalización y aditividad siguen proporcionando un lenguaje común.
La ley de los grandes números indica que ciertas medias muestrales se aproximan al valor esperado al aumentar las repeticiones. No dice que una racha de caras obligue a salir cruz para compensar. Cada lanzamiento independiente conserva su probabilidad. La falacia del jugador confunde equilibrio a largo plazo con una deuda inmediata del azar. Una frecuencia acumulada puede acercarse a la mitad aunque las diferencias absolutas entre caras y cruces sigan variando.
Un mismo porcentaje puede esconder consecuencias y distribuciones muy diferentes
El valor esperado multiplica cada resultado por su probabilidad y los suma. Es útil, pero no describe por sí solo la dispersión ni la posibilidad de pérdidas extremas. Dos inversiones pueden compartir retorno esperado y tener riesgos distintos. Una decisión médica puede priorizar evitar un daño raro pero irreversible. Por eso probabilidad, impacto, horizonte y tolerancia se analizan por separado; reducirlos a una media borra información.
Los sucesos raros son difíciles de estimar porque hay pocos datos y las colas del modelo importan mucho. Un evento con probabilidad anual del 1 % no ocurre necesariamente una vez cada cien años de forma regular. En periodos repetidos, la probabilidad acumulada de al menos una ocurrencia aumenta. Los mapas de inundación, fallos industriales y epidemias necesitan intervalos de incertidumbre, escenarios y revisión cuando cambian condiciones.
La calidad de la respuesta nunca supera la calidad de sus supuestos
Simular ayuda a comprobar intuiciones y cálculos, pero un generador aleatorio no arregla un modelo mal planteado. También conviene distinguir correlación de causalidad y probabilidad de estadística: la inferencia estadística usa datos para estimar y contrastar; la probabilidad parte de un modelo para derivar consecuencias. En la práctica se retroalimentan, pero responden preguntas en direcciones distintas.
Razonar bien con incertidumbre exige nombrar el suceso, el periodo, la población, la información condicionante y el margen de error. Después se elige la regla adecuada y se comprueba la sensibilidad a supuestos. La probabilidad no elimina la sorpresa ni predice cada caso. Permite que una decisión sea coherente antes de conocer el resultado y que, tras muchos casos, podamos evaluar si el modelo estaba bien calibrado.
