Inicio temprano y juego

La historia de la teoría de la probabilidad comienza no en los salones académicos, sino en las casas de juego de los siglos XVI y XVII. Los juegos de azar usando dados, tarjetas y ruleta habían sido populares durante milenios, pero la comprensión matemática de las probabilidades era virtualmente inexistente. El primer intento conocido de analizar sistemáticamente las probabilidades de juego vino de matemático italiano, médico y jugador Girolamo Cardano. En su trabajo de 1564 Liber de Ludo Aleae (Libro en Juegos de Canza), publicado póstumamente en 1663, Cardano definía la probabilidad clásica como la relación de resultados favorables con los resultados totales posibles. También introdujo el concepto de valor esperado y discutió la ley de grandes números informalmente.

El trabajo de Cardano permaneció en gran parte desconocido hasta más tarde, pero marcó el primer tratamiento matemático serio de la casualidad.

A pesar de las ideas de Cardano, el juego siguió siendo un reino de superstición e intuición. Juegos como "Hazard" y juegos de cartas como Basset y Primero fueron populares entre la élite europea, pero ninguna teoría formal existió para calcular apuestas justas o pagos esperados. La ausencia de un marco matemático significaba que los jugadores dependían de la experiencia y la suerte. Esto cambió dramáticamente a mediados del siglo XVII cuando una serie de correspondencia entre dos maestría Blaise Pascal y Pierre de Fermat, sentó la base para la teoría de la probabilidad moderna.

El siglo 17: El nacimiento de la probabilidad matemática

El intercambio de Pascal y Fermat en 1654 se acredita a menudo como el nacimiento de la teoría de probabilidad. Su correspondencia fue impulsada por el "problema de puntos" (también conocido como el problema de división), que había sido planteado por el jugador y matemático Antoine Gombaud, el Chevalier de Méré. El problema: si un juego de oportunidades se interrumpe antes de su finalización, ¿cómo deberían estar divididos los estacos entre los jugadores en base a sus posiciones actuales? Pascal y Fermat lo resolvieron desarrollando el concepto de valor esperado y utilizando el razonamiento combinatorio. Su solución introdujo implícitamente la idea de probabilidad como una medida de probabilidad y demostró cómo computarla mediante la contabilización de resultados favorables.

Poco después, matemático holandés Christiaan Huygens visitó París, aprendió de la correspondencia Pascal-Fermat, y en 1657 publicó De Ratiociniis en Ludo Aleae (Sobre la razón en los juegos de la oportunidad). El tratado de Huygens fue el primer libro publicado sobre la teoría de la probabilidad. Extendió las ideas de Pascal y Fermat, introdujo el concepto de expectativa, y proporcionó un marco sistemático para resolver problemas de juego. El trabajo de Huygens influyó en los matemáticos posteriores y sirvió como un texto estándar durante más de medio siglo.

El siglo XVIII: Formalización y Ley de Grandes Números

Jacob Bernoulli y Ars Conjectandi

El siglo 18 vio la teoría de la probabilidad ir más allá del juego en aplicaciones más amplias. Jacob Bernoulli. Su trabajo posthumously published Ars Conjectandi (El Arte de la Conjetura, 1713) es un hito en la historia de la probabilidad. Bernoulli formalizó muchas ideas anteriores e introdujo la Ley de grandes números, que afirma que a medida que aumenta el número de ensayos, la muestra significa converge al valor esperado. Usó la metáfora de una urna que contiene bolas blancas y negras para ilustrar cómo el muestreo repetido produce la verdadera proporción. Este teorema proporcionó una base rigurosa para utilizar frecuencias empíricas para estimar las probabilidades, una piedra angular de la inferencia estadística.

De Moivre y la Distribución Normal

Otra contribución importante vino del matemático francés Abraham de Moivre, que trabajaba en Londres, en su libro 1718 La doctrina de las posibilidades, de Moivre expandió en teoría de probabilidad y deriva la fórmula para la distribución normal (más tarde conocida como la distribución gausiana). Lo usó para aproximar probabilidades binomiales, especialmente para grandes cantidades de ensayos. De Moivre también desarrolló el concepto de valor previsto y métodos refinados para calcular las probabilidades en varios juegos. Su trabajo presagiaba el teorema límite central, aunque una prueba completa esperaría hasta el siglo XIX. A mediados del siglo, la teoría de la probabilidad se había convertido en una herramienta para el seguro, anualidades y demografía.

El siglo XIX: Laplace y la Teoría Clásica

Síntesis de Pierre-Simon Laplace

El siglo XIX está dominado por Pierre-Simon Laplace, que sistematizó y expandió la teoría de la probabilidad en su monumental obra Théorie Analytique des Probabilités (1812). El lugar construido sobre la obra de Bernoulli, de Moivre y Bayes (el ensayo de Thomas Bayes sobre "probabilidad inversa" se publicó póstumamente en 1763). Laplace dio la primera prueba general del teorema central, introdujo funciones generadoras, y aplicaba probabilidad a la mecánica celestial, teoría de estimación y esperanza de vida. También formalizó el concepto de concepto de teorema de límite central, introdujo funciones generadoras y aplicabilidad a la mecánica celestial. expectativa matemática y desarrolló el método de los mínimos cuadrados, crucial para analizar las observaciones astronómicas.

Inferencia Bayesiana y Gauss

El teorema de Bayes, nombrado después de Thomas Bayes, fue refinado por Laplace y se convirtió en una herramienta fundamental para actualizar las probabilidades basadas en evidencia. El teorema expresa la probabilidad condicional de un evento dado conocimiento previo y nuevos datos. Laplace lo utilizó ampliamente en su trabajo astronómico y estadístico. Mientras tanto, el matemático alemán Carl Friedrich Gauss La obra de Gauss solidificó el papel de probabilidad en el análisis de errores y la teoría de medición. A finales del siglo XIX, la probabilidad tenía aplicaciones en la física (teoría cinética de gases), biología (genética madélica a la vuelta del siglo), y ciencias sociales (estadísticas) sin embargo, la base probablemente se mantuvo intuitivamente repetida.

El siglo XX: Fundaciones Axiomáticas y Probabilidad Moderna

Axiomas de Kolmogorov

El siglo XX trajo una sólida base axiomática a la teoría de la probabilidad. Mientras que los matemáticos anteriores como Richard von Mises y Émile Borel habían intentado basar la probabilidad en la teoría de la frecuencia o medida, fue Andrey Kolmogorov que logró la formulación definitiva. En su monografía de 1933 Grundbegriffe der Wahrscheinlichkeitsrechnung (Fundaciones de la Teoría de la Probabilidad), Kolmogorov presentó un conjunto de axiomas que definían la probabilidad como medida en un conjunto de resultados (un espacio de muestra), satisfaciendo tres condiciones simples: no negativo, normalización y adiciones contables. Esta probabilidad enmarcada como una rama de la teoría de medida y permitió que se aplicaran las herramientas de análisis real.

Procesos estocásticos y el Levántate de la probabilidad moderna

Con una base axiomática sólida, la teoría de la probabilidad se expandió rápidamente procesos estocásticos. A principios del siglo XX, Andrey Markov introdujo cadenas Markov, describiendo sistemas que la transición entre estados con probabilidades depende sólo del estado actual. Este concepto se convirtió en esencial en física, biología y informática. Norbert Wiener desarrolló la teoría matemática del movimiento Brownian, que conduce al proceso de Wiener y el cálculo estocástico. Paul Lévy contribuyó a la teoría de los procesos de Ligero y las distribuciones estables.

A mediados del siglo, la probabilidad era integral a la teoría de la información (Claude Shannon), teoría de cola, ingeniería de fiabilidad y econometría.

Conexiones a otros campos

La teoría de la probabilidad también se intersectó con la mecánica estadística, la mecánica cuántica y la financiación matemática. Louis Bachelier aplicado movimiento marroniano a los precios de stock modelo en su tesis doctoral, la construcción de bases para el modelo de Black-Scholes décadas más tarde. El marco matemático de probabilidad teórica de medida permitió el desarrollo de la expectativa condicional y la teoría martingale, pionero por Joseph Doob y otros. Estas herramientas se convirtieron en esenciales para la matemática financiera moderna y la gestión de riesgos.

Aplicaciones modernas y desarrollos continuos

Hoy en día, la teoría de la probabilidad es fundamental para prácticamente todos los campos cuantitativos. machine learning and artificial intelligence, modelos probabilísticos como redes Bayesian, modelos ocultos de Markov y procesos gaussianos permiten razonar bajo incertidumbre. Ciencias de los datos depende de la probabilidad de pruebas de hipótesis, intervalos de confianza y modelado predictivo. finanzas, precios de opción, optimización de carteras y análisis de riesgo dependen de cálculos estocásticos y simulaciones probabilísticas. Mecánica cuántica usa probabilidades intrínsecamente para describir el comportamiento de las partículas. Evaluación de riesgos en ingeniería, seguros y salud pública utiliza la probabilidad de modelar eventos raros y tasas de fracaso.

Entre los acontecimientos recientes cabe citar el aumento de programación probabilística idiomas (por ejemplo, Stan, Pyro) que automatizan la inferencia Bayesiana y la aplicación de probabilidad a inferencia causal (Judea Pearl's work). La teoría de la probabilidad cuántica extiende la probabilidad clásica a estructuras no transmutables, mientras que la teoría de la información algorítmica vincula la probabilidad a la aleatoriedad y la complejidad computacional. La evolución de los juegos de dados a estos marcos sofisticados subraya el poder duradero de probabilidad de cuantificar y gestionar la incertidumbre.

Para más lectura, explore el Stanford Enciclopedia de Filosofía en la historia de la probabilidad, el Encyclopædia Britannica Overview, o el texto clásico "Probabilidad clásica en la iluminación" de Lorena Daston.