Cómo funciona el azar y la toma de riesgos

Objetivo didáctico

Al terminar esta ficha serás capaz de analizar decisiones bajo incertidumbre mediante probabilidades, riesgo y beneficio esperado, explicar la lógica matemática de los seguros, identificar sesgos cognitivos y utilizar simulaciones Monte Carlo básicas para comparar escenarios posibles.

Introducción

La incertidumbre está presente cuando no conocemos con certeza qué resultado ocurrirá. Puede existir un 20% de probabilidad de lluvia, una empresa puede considerar varios niveles posibles de demanda y una encuesta puede estimar apoyo político sin conocer todavía la opinión de todas las personas de una población.

Las matemáticas no hacen desaparecer esa incertidumbre. Lo que hacen es volverla explícita. En lugar de decir “esto parece arriesgado”, podemos separar dos componentes: qué tan probable es un resultado y qué tan grande sería su consecuencia. Dos eventos con la misma probabilidad pueden representar riesgos radicalmente diferentes.

Una herramienta inicial es el valor esperado: multiplicar cada resultado posible por su probabilidad y sumar los productos. Sin embargo, el valor esperado no captura por sí solo aspectos como la capacidad para absorber una pérdida, la aversión al riesgo o la diferencia entre perder una cantidad manejable y enfrentar una consecuencia financiera catastrófica.

Esta ficha conecta esas ideas con seguros, decisiones numéricas, encuestas y escenarios económicos. Finalmente utilizarás el principio de Monte Carlo: cuando un problema tiene demasiados futuros posibles para analizarlos uno por uno, podemos simular muchos escenarios aleatorios y observar qué patrones aparecen.

Desarrollo del tema

Riesgo y beneficio esperado: probabilidad no es consecuencia

El valor esperado resume matemáticamente los resultados de una decisión repetible. Si una alternativa ofrece 30% de probabilidad de ganar $1,000 y 70% de perder $200, su valor esperado es (0.30 × 1,000) + (0.70 × −200) = $160. En promedio teórico, la alternativa tiene valor positivo.

Pero eso no significa que recibirás $160. En una sola ocasión ganarás $1,000 o perderás $200. El valor esperado describe un promedio ponderado de escenarios posibles, especialmente útil cuando una decisión puede repetirse muchas veces o cuando queremos comparar alternativas bajo una regla común.

Además, dos riesgos con igual pérdida esperada pueden ser muy distintos para una persona. Una probabilidad de 100% de perder $100 y una probabilidad de 1% de perder $10,000 tienen ambas una pérdida esperada de $100. Sin embargo, la segunda concentra la pérdida en un evento raro pero mucho más severo.

Por eso una decisión razonable analiza por separado probabilidad, impacto y capacidad para absorber la consecuencia. Esta separación explica por qué alguien puede rechazar una apuesta con valor esperado positivo si una posible pérdida pondría en riesgo recursos esenciales.

Seguros y probabilidad: convertir una pérdida incierta en un costo conocido

El seguro utiliza una idea matemática poderosa: muchas personas enfrentan riesgos individuales inciertos, pero al reunir un número grande de casos puede estimarse con mayor estabilidad cuántas pérdidas ocurrirán en el conjunto. No sabemos qué vivienda específica sufrirá un siniestro, pero sí podemos construir modelos sobre frecuencias esperadas para una cartera amplia.

Imagina un ejemplo simplificado con 10,000 viviendas, cada una con probabilidad anual estimada de 0.2% de sufrir cierto tipo de pérdida cubierta. El número esperado sería 10,000 × 0.002 = 20 siniestros. Si cada pérdida cubierta fuera de $300,000, el costo esperado agregado sería de $6 millones.

Una prima real no se obtiene simplemente dividiendo esos $6 millones entre las viviendas. Una aseguradora también debe considerar incertidumbre, gastos administrativos, reservas, reaseguro, características distintas entre personas aseguradas y otras condiciones del producto. El ejemplo solo muestra la estructura probabilística básica de compartir riesgos.

Desde la perspectiva individual, el seguro puede tener sentido incluso si la prima supera la pérdida esperada matemática. A cambio, transforma una posibilidad pequeña de enfrentar una pérdida difícil de absorber en un costo mucho más previsible. El objetivo no es “ganarle” al seguro, sino transferir una parte de un riesgo que sería financieramente grave.

Sesgos cognitivos: cuando nuestra intuición altera los números

Incluso cuando conocemos una probabilidad, no siempre reaccionamos proporcionalmente a ella. Podemos dar demasiado peso a un resultado llamativo, evitar una pérdida pequeña aunque exista una alternativa mejor o sentir que un evento es frecuente porque recordamos fácilmente varios ejemplos recientes.

En 1979, Daniel Kahneman y Amos Tversky publicaron la teoría de las perspectivas, un modelo influyente sobre decisiones bajo riesgo. Sus experimentos mostraron que las personas no responden únicamente al valor monetario final: la manera en que una opción se presenta como ganancia o pérdida puede cambiar la decisión.

Considera dos mensajes equivalentes: “hay 90% de posibilidades de conservar los $1,000” y “hay 10% de posibilidades de perder los $1,000”. Matemáticamente describen la misma distribución de resultados, pero pueden generar reacciones diferentes porque uno enfatiza la conservación y el otro la pérdida.

Otro sesgo es confundir facilidad para imaginar con probabilidad real. Después de escuchar repetidamente sobre un evento dramático, podemos estimarlo como más común de lo que muestran los datos. La defensa matemática consiste en buscar una tasa de referencia: ¿de cuántos casos posibles estamos hablando y con qué frecuencia ocurre realmente?

Azar en política y economía: pronósticos no son certezas

La incertidumbre también aparece en fenómenos colectivos. Una encuesta política observa una muestra para estimar características de una población mayor. Si una muestra aleatoria simple de 1,000 personas estima una proporción cercana a 50%, el margen de muestreo aproximado al 95% de confianza ronda ±3.1 puntos porcentuales bajo los supuestos básicos del modelo.

Eso significa que una estimación de 52% frente a 48% no autoriza automáticamente a tratar cuatro puntos de diferencia como una certeza sobre toda la población. Además del error de muestreo pueden existir problemas de cobertura, no respuesta, cambios posteriores de opinión y decisiones metodológicas. Una encuesta es una medición con incertidumbre, no el resultado futuro de una elección.

En economía ocurre algo semejante. Una empresa puede construir escenarios de demanda baja, media y alta; un gobierno puede analizar distintos caminos de inflación o recaudación; una familia puede preguntarse qué ocurriría con su presupuesto si cambian sus ingresos o precios esenciales. Ningún escenario individual es “el futuro”: cada uno representa una posibilidad condicionada por determinados supuestos.

Esta es una razón por la que las decisiones públicas y económicas suelen trabajar con rangos, escenarios y probabilidades, además de estimaciones centrales. El lenguaje correcto no es “esto ocurrirá”, sino “bajo estos supuestos, estos resultados son más o menos plausibles”.

Monte Carlo básico: repetir futuros posibles para estudiar la incertidumbre

El método Monte Carlo utiliza números aleatorios para simular repetidamente un proceso incierto. En lugar de intentar resolver exactamente todas las combinaciones posibles, genera muchos escenarios y observa la distribución de resultados. Cuantas más repeticiones adecuadas realizamos, más estable puede volverse la estimación de determinadas probabilidades.

El nombre se popularizó durante el desarrollo de métodos computacionales en la década de 1940. Nicholas Metropolis y Stanislaw Ulam describieron formalmente el método Monte Carlo en un artículo publicado en 1949. El nombre evocaba los juegos de azar de Monte Carlo porque la técnica dependía de muestreo aleatorio.

Imagina un pequeño negocio cuya demanda mensual puede ser baja con probabilidad 25%, media con 50% y alta con 25%. Puedes representar números aleatorios del 00 al 99: 00–24 como demanda baja, 25–74 como media y 75–99 como alta. Si generas 1,000 escenarios, podrás observar cuántas veces aparece cada resultado y cómo cambia una utilidad estimada.

La simulación no mejora automáticamente un modelo incorrecto. Si las probabilidades introducidas son poco realistas o falta una variable importante, repetir el experimento 100,000 veces solo producirá una descripción muy precisa de supuestos deficientes. Monte Carlo es una herramienta para explorar incertidumbre dentro de un modelo, no una máquina para conocer el futuro.

Conclusión

Tomar riesgos con criterio no significa elegir siempre la alternativa de menor incertidumbre. Significa comprender qué resultados son posibles, qué probabilidad tiene cada uno y qué consecuencias tendría para ti si ocurriera. El valor esperado ayuda a comparar, pero no reemplaza preguntas sobre impacto, capacidad de recuperación y objetivos personales.

Los seguros muestran cómo una sociedad puede compartir riesgos poco frecuentes pero costosos; los sesgos cognitivos recuerdan que nuestra intuición no siempre interpreta bien probabilidades; las encuestas y escenarios económicos muestran que las estimaciones tienen incertidumbre; y Monte Carlo permite explorar matemáticamente muchos futuros posibles sin confundirlos con predicciones seguras.

Pensar en términos de riesgo cambia la pregunta. En vez de preguntar solamente “¿qué creo que ocurrirá?”, comenzamos a preguntar “¿qué podría ocurrir, qué tan probable es y qué haría yo en cada escenario?”. Esa forma de pensar es útil precisamente porque el mundo rara vez nos ofrece certeza completa.

Referencias

• Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.
• Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247), 335–341.
• Ross, S. M. (2014). A first course in probability (9th ed.). Pearson.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124–1131.

Actividad de aprendizaje autónoma

Producto final: matriz de decisión bajo incertidumbre con una mini simulación Monte Carlo.

Elige una decisión real o hipotética que contenga incertidumbre y no implique poner en riesgo tu seguridad ni dinero real: organizar un evento al aire libre, estimar ventas de un pequeño proyecto, planear tiempos de traslado, decidir cuánto inventario preparar o analizar otro problema cotidiano.

1. Define claramente la decisión y escribe tres resultados posibles.
2. Asigna una probabilidad razonada a cada resultado. La suma debe ser 100%.
3. Asigna a cada resultado un beneficio o costo numérico comparable.
4. Calcula el valor esperado sumando probabilidad × resultado para los tres escenarios.
5. Clasifica cada escenario según probabilidad e impacto utilizando la lógica de la matriz de riesgo.
6. Identifica al menos un sesgo cognitivo que podría distorsionar tu decisión.
7. Construye una mini simulación Monte Carlo: asigna intervalos del 00 al 99 a los tres escenarios según sus probabilidades.
8. Genera 30 números aleatorios entre 00 y 99 con una calculadora, hoja de cálculo o herramienta disponible y registra qué escenario aparece en cada repetición.
9. Compara las frecuencias simuladas con las probabilidades iniciales. Explica por qué no tienen que coincidir exactamente después de solo 30 repeticiones.
10. Redacta una conclusión de 120 a 180 palabras: qué opción elegirías, qué riesgo aceptarías y qué información adicional podría hacerte cambiar de decisión.

Comprueba los conceptos centrales antes de cerrar tu análisis.

Evidencia de logro: tu análisis estará completo cuando otra persona pueda reconstruir tus tres escenarios, comprobar que las probabilidades suman 100%, verificar el cálculo del valor esperado, identificar el riesgo más severo y entender qué aportó la simulación respecto de la decisión original.