Introducción
Hay una frase que usamos mucho cuando algo nos sorprende: “Fue cuestión de suerte”.
Pero casi siempre esa frase es una trampa.
A veces llamamos azar a lo que realmente fue ignorancia. Otras veces llamamos destino a lo que solo fue probabilidad acumulada. Y muchas veces confundimos una posibilidad imaginada con una probabilidad real.
La estadística existe justamente para eso: para ponerle números a la incertidumbre.
No nos permite ver el futuro como si fuera una película ya grabada. Pero sí nos permite estimar tendencias, medir riesgos, comparar escenarios y entender qué cosas son previsibles, cuáles solo pueden aproximarse y cuáles son impredecibles por definición.
La pregunta, entonces, no es solo: “¿Se puede predecir el futuro?”.
La pregunta más interesante es otra:
¿Qué tipo de futuro estamos intentando predecir?
No es lo mismo calcular un eclipse, estimar el riesgo de una enfermedad, pronosticar el clima, anticipar el resultado de una elección, invertir en bolsa o saber qué va a decidir una persona mañana.
Cada fenómeno tiene su propio grado de previsibilidad.
Y ahí entra la estadística: no como una bola de cristal, sino como una brújula en medio de la niebla.
La vieja obsesión humana por anticipar lo que viene
La humanidad siempre quiso conocer el futuro.
Antes lo buscábamos en oráculos, dioses, astros, profecías o señales. Después empezamos a buscarlo en patrones, datos, modelos matemáticos y probabilidades.
Los filósofos ya habían intuido el problema. David Hume mostró que nuestra confianza en el futuro depende de la inducción: creemos que el sol saldrá mañana porque siempre salió antes. Pero lógicamente, que algo haya ocurrido muchas veces no demuestra con certeza absoluta que volverá a ocurrir.
Laplace imaginó una inteligencia capaz de conocer todas las posiciones y movimientos de todas las partículas del universo. Si existiera una mente así, decía, podría conocer el pasado y el futuro con precisión total. Esa es una de las formulaciones más famosas del determinismo clásico.
Pero después llegaron tres golpes fuertes contra esa fantasía:
- La estadística mostró que muchas cosas no se predicen caso por caso, sino por poblaciones.
- La teoría del caos mostró que algunos sistemas deterministas pueden ser impredecibles en la práctica.
- La mecánica cuántica introdujo una incertidumbre que parece más profunda que nuestra simple ignorancia.
La modernidad no eliminó la incertidumbre y el azar. La volvió medible.
Probabilidad: el idioma matemático de la incertidumbre
La probabilidad nos dice qué tan razonable es esperar que algo pase, dadas ciertas condiciones.
Si decimos que un evento tiene 80% de probabilidad, no estamos diciendo que va a ocurrir seguro. Estamos diciendo que, bajo un modelo determinado, ocurriría aproximadamente 80 veces de cada 100 escenarios comparables.
Esto parece simple, pero psicológicamente nos cuesta muchísimo.
Si algo tenía 90% de probabilidad y no ocurrió, la gente dice: “La predicción estaba mal”.
No necesariamente. Un 10% no es imposible. Es poco probable, pero posible.
Y lo poco probable ocurre todo el tiempo. De hecho, en un mundo con millones de eventos diarios, lo raro es que no ocurra nada raro.
La probabilidad no elimina la sorpresa. La organiza.
Modelos de calcular la probabilidad
Probabilidad frecuentista
Para el enfoque frecuentista, la probabilidad está asociada a la frecuencia con la que ocurre un evento si repetimos un experimento muchas veces en condiciones similares.
Por ejemplo:
Si tiramos una moneda equilibrada muchísimas veces, esperamos que cerca del 50% sean caras y cerca del 50% sean cruces.
Si una ruleta tiene 37 números, esperamos que cada número salga aproximadamente 1 de cada 37 veces en el largo plazo.
Si un medicamento se prueba en miles de personas, podemos estimar cuántas mejoran, cuántas no y cuántas sufren efectos adversos.
El enfoque frecuentista es muy poderoso cuando tratamos con fenómenos repetibles, muestras grandes y experimentos controlados.
De ahí vienen muchas herramientas clásicas de la estadística: valores p, intervalos de confianza, tests de hipótesis, ensayos clínicos, encuestas y experimentos (Fisher, 1925; Neyman & Pearson, 1933).
Pero tiene una limitación importante: no siempre vivimos situaciones repetibles.
- Tu vida no se repite 10.000 veces.
- Una elección presidencial concreta no se repite infinitas veces en las mismas condiciones.
- Una decisión empresarial específica no puede ejecutarse en 500 universos paralelos para ver qué pasaba.
Ahí el frecuentismo sigue siendo útil, pero no alcanza solo.
Probabilidad bayesiana
El enfoque bayesiano interpreta la probabilidad como un grado racional de creencia, que puede actualizarse cuando aparece nueva evidencia. (Joyce, 2003/2021).
Dicho más fácil:
- Uno parte de una probabilidad previa.
- Luego aparece información nueva.
- Y esa información modifica la probabilidad inicial.
La estructura básica es:
Creencia previa + nueva evidencia = creencia actualizada
Por ejemplo, imaginemos que una persona tiene tos. Antes de saber nada más, podríamos decir que lo más probable es que tenga algo común: alergia, resfrío, irritación. Pero si luego nos enteramos que además tiene fiebre alta, contacto estrecho con alguien enfermo y un test positivo, la probabilidad de una infección concreta sube. No porque la realidad haya cambiado. Cambió la información disponible. Eso es razonar bayesianamente.
Y aunque no lo sepamos, hacemos esto todo el tiempo. Cuando conocemos a alguien, cuando invertimos, cuando decidimos confiar, cuando diagnosticamos un problema, cuando elegimos una estrategia o cuando interpretamos una conducta ajena.
El cerebro humano, en cierto sentido, es una máquina bayesiana imperfecta: predice, recibe datos, corrige, vuelve a predecir.
El problema es que muchas veces actualizamos mal. Le damos demasiado peso a una experiencia reciente. Ignoramos la tasa base. Confundimos miedo con evidencia. O sostenemos una creencia previa incluso cuando los datos la contradicen.
Ahí la estadística no solo sirve para conocer el mundo. Sirve para no autoengañarnos.
Frecuentistas vs bayesianos: no son enemigos, son lentes distintos
A veces se presenta el debate frecuentistas vs bayesianos como una guerra intelectual.
Pero para pensar mejor, conviene verlos como dos lentes distintos.
El frecuentista pregunta:
“Si repitiera este procedimiento muchas veces, ¿qué tan bien funcionaría?”
El bayesiano pregunta:
“Con la información que tengo ahora, ¿qué probabilidad racional debería asignarle a esta hipótesis?”
El frecuentismo es fuerte para controlar errores, diseñar experimentos, evaluar procedimientos y trabajar con datos repetibles.
El bayesianismo es fuerte para actualizar creencias, integrar información previa, razonar con incertidumbre y pensar eventos únicos.
En ciencia moderna, medicina, inteligencia artificial, finanzas, meteorología y toma de decisiones, muchas veces se combinan ambos enfoques.
Porque la realidad no viene etiquetada como “frecuentista” o “bayesiana”. La realidad viene confusa. Nosotros elegimos el modelo que menos nos engaña.
La ley de los grandes números
Una de las ideas más importantes de la estadística es que, cuando aumentamos mucho el número de observaciones, los patrones empiezan a aparecer. Esto es lo que se mide en las famosas campanas de Gauss.
Un caso individual puede ser caótico. Una población puede ser predecible.
No sabemos cuándo morirá una persona concreta. Pero las compañías de seguros pueden estimar con bastante precisión cuántas personas de una población morirán en un rango de edad.
No sabemos si una persona puntual chocará con el auto este año. Pero podemos estimar cuántos accidentes habrá en una ciudad.
No sabemos si un individuo abandonará una carrera universitaria. Pero podemos estudiar tasas de abandono según edad, ingresos, contexto familiar, rendimiento previo y otras variables.
De hecho, si analizamos el comportamiento del propio universo, la ley de los grandes números se vuelve aún más determinista (predecible) con cuerpos grandes (galaxias, estrellas, planetas, etc); y más probabilista (impredecible) en partículas pequeñas (átomos, protones, neutrones, electrones).
En esa línea, la física clásica de Newton e Einstein era completamente determinista (se podía predecir un fenómeno teniendo la información y medidas); mientras que la mecánica cuántica incorpora la incertidumbre y probabilidad como un comportamiento intrínseco de las partículas cuánticas.
¿Que implica todo esto?
La estadística suele fallar más en el individuo y funcionar mejor en el agregado.
Por eso puede parecer fría, pero es poderosísima. No te dice exactamente qué te va a pasar a vos. Te dice en qué dirección empujan tus condiciones.
Tasa base: el dato que nuestra mente suele ignorar
Uno de los errores más comunes al pensar probabilísticamente es ignorar la tasa base. La tasa base es la frecuencia general de un fenómeno antes de mirar información específica.
Ejemplo simple:
Si una enfermedad es muy rara, incluso un test bastante bueno puede generar falsos positivos. Entonces, para interpretar correctamente un resultado, no alcanza con mirar la precisión del test. Hay que mirar también qué tan común es esa enfermedad en la población evaluada.
Este tipo de error fue estudiado dentro de la investigación sobre heurísticas y sesgos del juicio bajo incertidumbre (Tversky & Kahneman, 1974).
Si una persona siente un síntoma, su mente puede saltar directo al peor escenario.
Pero la pregunta correcta no es: “¿Esto podría ser algo grave?”
La pregunta correcta es: “Dado este síntoma, mi edad, mis antecedentes, la frecuencia real de enfermedades posibles y el contexto, ¿qué es lo más probable?”
La tasa base es una vacuna contra el pensamiento catastrófico. No elimina la incertidumbre. Pero baja el volumen del delirio.
Correlación no es causalidad: el gran filtro mental
Otra regla de oro:
Que dos cosas ocurran juntas no significa que una cause la otra.
Puede haber correlación sin causalidad.
Por ejemplo, podría observarse que las personas que toman más café tienen más estrés. ¿El café causa estrés? Tal vez en parte. Pero también puede pasar que las personas más estresadas tomen más café. O que haya una tercera variable: pocas horas de sueño, exceso de trabajo, mala alimentación.
La estadística detecta patrones. Pero interpretar esos patrones exige teoría, método y prudencia. Este punto es central para no caer en conclusiones tontas con datos sofisticados.
Porque una cosa es encontrar una asociación. Otra muy distinta es demostrar una causa.
La ciencia avanza cuando combina datos, experimentos, modelos y mecanismos explicativos.
Datos sin teoría pueden confundir. Teoría sin datos puede fantasear.
Modelos predictivos: señales, ruido y sobreajuste
Un modelo predictivo intenta usar información actual o pasada para estimar resultados futuros.
Puede ser un modelo meteorológico, financiero, médico, deportivo, epidemiológico, psicológico o de inteligencia artificial.
Pero todo modelo enfrenta tres problemas:
Señal: la parte de los datos que realmente contiene información útil.
Ruido: variaciones accidentales que no representan un patrón estable.
Sobreajuste: cuando el modelo aprende demasiado bien el pasado, pero falla al enfrentar datos nuevos.
Esto último es tremendo. Un modelo puede explicar perfectamente lo que ya ocurrió y aun así ser malo prediciendo el futuro. Sucede en todos los ámbitos. Miramos el pasado, armamos una historia elegante y creemos que entendimos la realidad.
A menudo nos encontramos en los medios de comunicación «expertos» queriendo predecir que va a suceder con la economía (y recomendando inversiones obviamente), la política, marketing, y hasta en relaciones humanas analizando comportamientos. Sin embargo, como estoy analizando en el artículo, muchos de los sistemas que formamos parte (por no decir la enorme mayoría), son muy difíciles de predecir. Porque contienen enorme cantidad de información y relaciones entre sí para que un ser humano individual pueda calcularlos. Y otros, por su naturaleza, son intrínsecamente impredecibles.
Fenómenos altamente predecibles
Hay fenómenos físicos y químicos que pueden predecirse con mucha precisión porque obedecen leyes estables, tienen pocas variables relevantes o permiten mediciones muy exactas.
Ejemplos:
- Eclipses.
- Movimiento de planetas en escalas razonables.
- Trayectoria de un proyectil en condiciones controladas.
- Funcionamiento de máquinas bien diseñadas.
- Reacciones químicas simples bajo condiciones controladas.
- Consumo energético aproximado de un dispositivo.
- Resultado estadístico de juegos de azar en grandes cantidades.
- Mortalidad agregada en poblaciones grandes.
- Riesgos asegurables en grandes grupos.
Para poder predecir un suceso, el sistema que se intenta predecir debe ser estable, repetible o suficientemente agregado. Cuanto más controladas están las condiciones, más precisa puede ser la predicción.
Por eso la física clásica, la ingeniería y la estadística actuarial pueden ser tan efectivas. No porque el mundo sea simple.
Sino porque en ciertos recortes del mundo logramos aislar bastante bien las variables importantes.
Fenómenos que pueden aproximarse, pero no predecirse exactamente
Después viene la zona más interesante: fenómenos que no podemos predecir con exactitud, pero sí aproximar probabilísticamente.
Ejemplos:
- El clima.
- La evolución de una epidemia.
- El crecimiento económico.
- El resultado de elecciones.
- El rendimiento de una inversión.
- El desempeño deportivo.
- El riesgo individual de enfermedad.
- La duración probable de una relación.
- La adopción de una tecnología.
- El éxito de un proyecto creativo.
- El comportamiento de consumidores.
- La viralización de contenido en redes sociales.
Estos fenómenos tienen patrones reales, pero también muchas variables, retroalimentaciones, azar, comportamiento humano y cambios de contexto. No son puro caos. Pero tampoco son relojes.
El clima, por ejemplo, puede pronosticarse cada vez mejor en ventanas cortas, pero sigue siendo un sistema caótico. Pequeños errores en las condiciones iniciales pueden amplificarse.
Algo parecido ocurre con las encuestas electorales. (que la mayoría de veces fallan)
Una buena encuesta no debería decir “va a ganar X”. Debería decir algo más modesto:
- “Con esta muestra, este método y este margen de error, el escenario probable es este”.
Fenómenos impredecibles por definición o por límite fundamental
Hay fenómenos que no solo son difíciles de predecir. Algunos parecen ser impredecibles por definición, al menos según nuestras mejores teorías actuales.
Ejemplos:
a) Resultados cuánticos individuales
En mecánica cuántica podemos calcular probabilidades con enorme precisión, pero no siempre podemos predecir el resultado individual de una medición concreta.
Podemos saber la distribución probable de resultados. No necesariamente el resultado puntual. La materia, a escalas cuánticas, parece ser probabilísticas e impredecibles.
b) Secuencias verdaderamente aleatorias
Si una secuencia es genuinamente aleatoria, no contiene un patrón explotable que permita anticipar el próximo resultado mejor que el azar.
Esto es distinto de una secuencia pseudoaleatoria generada por una computadora, que puede parecer azarosa pero en realidad surge de un algoritmo determinista.
c) Sistemas caóticos a largo plazo
Un sistema caótico puede ser determinista y aun así volverse impredecible en la práctica. No porque no tenga causas. Sino porque pequeñas diferencias iniciales crecen tanto que, después de cierto punto, la predicción exacta se rompe. (Lorenz, 1963).
d) Cisnes negros
Algunos eventos raros y de enorme impacto quedan fuera de nuestros modelos porque justamente no tenemos antecedentes suficientes o porque el sistema cambia de régimen.
Una pandemia global, una guerra inesperada, una innovación tecnológica radical, una crisis financiera o un descubrimiento científico disruptivo pueden alterar todas las probabilidades anteriores.
No son imposibles. Pero muchas veces no son modelables con datos pasados ordinarios.
El gran error: confundir posibilidad con probabilidad
Esta es una de las confusiones más importantes de la vida cotidiana.
Que algo sea posible no significa que sea probable.
- Es posible que mañana te pase algo gravísimo.
- Pero también es posible que tengas un día absolutamente normal.
La mente ansiosa se engancha con la posibilidad. La mente estadística pregunta por la probabilidad.
Y la mente sabia agrega otra pregunta:
¿Qué puedo hacer razonablemente con esa probabilidad?
Porque tampoco se trata de vivir como una calculadora. Si un riesgo es poco probable pero catastrófico, quizá conviene prevenirlo.
En un sentido extremadamente técnico, ciertos eventos físicamente no prohibidos pueden tener probabilidades tan absurdamente pequeñas que, para la vida práctica, equivalen a imposibles. Por eso, aunque una posibilidad no sea cero, puede ser tan improbable que no tenga sentido vivir tomándola en serio.
Pero que algo sea posible, no significa de ninguna manera que sea probable. Separar estos dos conceptos es fundamental para manejarse en la vida de forma sensata.
Inteligencia artificial
La inteligencia artificial moderna funciona, en gran parte, detectando patrones estadísticos en cantidades enormes de datos. Predice palabras, imágenes, preferencias, rutas, compras, riesgos, diagnósticos, fraudes y comportamientos.
Pero conviene no exagerar. La IA no predice el futuro porque “entiende el destino”. Predice porque fue entrenada con gran cantidad de datos y encuentra regularidades:
- Si hay patrón, puede aprender.
- Si hay datos suficientes, puede mejorar.
- Si el contexto cambia radicalmente, puede fallar.
- Si el fenómeno depende de causas invisibles, puede confundirse.
- Si el pasado no representa el futuro, puede sobreajustar.
La inteligencia artificial es una herramienta impresionante para estimar probabilidades, pero no elimina el problema filosófico de fondo:
El mundo no siempre repite sus patrones de manera obediente.
Qué significa tomar buenas decisiones bajo incertidumbre
Una buena decisión no es la que siempre sale bien. Eso sería juzgar por resultado.
Una buena decisión es la que tenía sentido con la información disponible en ese momento.
- Podés tomar una buena decisión y tener mala suerte.
- Podés tomar una mala decisión y tener buena suerte.
Por eso, si queremos pensar mejor, tenemos que evaluar procesos, no solo resultados.
Algunas reglas útiles:
- Mirar tasas base antes de imaginar escenarios raros.
- Separar evidencia de emoción.
- Pensar en rangos, no en certezas.
- Preguntar qué datos cambiarían nuestra opinión.
- Evitar conclusiones fuertes con muestras pequeñas.
- No confundir correlación con causalidad.
- Desconfiar de modelos que explican perfecto el pasado.
- Actualizar creencias cuando aparece nueva evidencia.
- Prepararse para escenarios probables, pero protegerse de riesgos catastróficos.
- Aceptar que parte de la realidad siempre quedará fuera del modelo.
La vida no se decide con certeza. Se decide con información incompleta. Y eso no es un defecto de la existencia. Es su condición normal.
Conclusión: ¿Se puede predecir el futuro?
Depende de que suceso queramos predecir.
Sí, podemos predecir fenómenos estables, repetibles o agregados.
No, no podemos predecir con certeza absoluta eventos individuales, sistemas caóticos a largo plazo, o resultados genuinamente aleatorios.
Y depende, porque entre ambos extremos está casi toda la vida humana.
La salud, el dinero, el amor, el éxito, la política, la economía, la tecnología, la cultura y las decisiones personales se mueven en esa zona intermedia: no son puro azar, pero tampoco pura previsibilidad. Son sistemas probabilísticos.
Pensar con claridad no garantiza una buena vida, pero reduce muchas formas evitables de estupidez.
La estadística, bien entendida, no nos vuelve fríos. Nos vuelve menos ingenuos.
Relevamiento comparativo: qué puede predecirse, aproximarse o no predecirse
| Tipo de fenómeno | Ejemplos | Nivel de previsibilidad | Herramienta más útil | Límite principal |
|---|---|---|---|---|
| Sistemas físicos estables | Eclipses, órbitas, trayectorias simples | Muy alto | Modelos deterministas | Medición y perturbaciones menores |
| Sistemas diseñados | Máquinas, circuitos, procesos industriales | Alto | Ingeniería, control estadístico | Fallas, desgaste, errores humanos |
| Juegos de azar en masa | Casino, loterías, ruleta, dados | Alto en agregado, bajo en caso individual | Probabilidad frecuentista | Resultado individual impredecible |
| Poblaciones grandes | Mortalidad, seguros, consumo agregado | Alto/moderado | Estadística actuarial, modelos poblacionales | Cambios sociales, shocks externos |
| Salud individual | Riesgo cardiovascular, cáncer, longevidad | Aproximado | Epidemiología, modelos de riesgo | Variabilidad individual |
| Clima | Lluvia, temperatura, tormentas | Bueno a corto plazo, peor a largo plazo | Modelos por ensamble | Caos atmosférico |
| Economía | Inflación, crecimiento, crisis | Aproximado y frágil | Econometría, escenarios | Reflexividad, política, shocks |
| Mercados financieros | Retornos, volatilidad, riesgo | Parcial | Modelos probabilísticos | Cambios de régimen, expectativas |
| Conducta humana | Consumo, voto, hábitos | Mejor en grupos que en individuos | Estadística, IA, psicología | Singularidad individual |
| Redes sociales | Viralización, retención, alcance | Aproximado | Modelos de recomendación | Dinámica social cambiante |
| Historia | Guerras, revoluciones, colapsos | Muy limitada | Análisis comparativo | Eventos únicos y contingencia |
| Fenómenos cuánticos individuales | Resultado de una medición | Probabilidad sí, resultado exacto no | Mecánica cuántica | Indeterminación fundamental |
| Secuencias verdaderamente aleatorias | Aleatoriedad cuántica | Impredecible por definición | Teoría de la información | Ausencia de patrón explotable |
| Cisnes negros | Pandemias, disrupciones radicales | Muy bajo antes del evento | Robustez, escenarios extremos | Falta de antecedentes suficientes |
Resumen visual del artículo
Bibliografía y referencias
- Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.
- Joyce, J. (2003/2021). Bayes’ Theorem. Stanford Encyclopedia of Philosophy.
- Lorenz, E. N. (1963). Deterministic Nonperiodic Flow. Journal of the Atmospheric Sciences, 20(2), 130–141.
- National Institute of Standards and Technology. (2025). NIST and Partners Use Quantum Mechanics to Make a Factory for Random Numbers. NIST.
- Neyman, J., & Pearson, E. S. (1933). On the Problem of the Most Efficient Tests of Statistical Hypotheses. Philosophical Transactions of the Royal Society A, 231, 289–337.
- Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131.
Seguí explorando las grandes preguntas
Suscribite a Meditaciones Modernas y recibí gratis “50 ideas para entender el mundo moderno”: una guía que conecta ciencia, filosofía, historia, economía y tecnología.
- 50 ideas fundamentales explicadas con claridad.
- Un recorrido desde el Big Bang hasta la inteligencia artificial.
- Nuevos artículos de Meditaciones Modernas en tu correo.
Después de suscribirte, revisá tu correo —también Spam— para confirmar la suscripción y recibir el PDF.
Deja una respuesta