Tema 68. Aplicaciones de la Estadística y el Cálculo de Probabilidades al estudio y toma de decisiones en problemas de las Ciencias Sociales y de la Naturaleza. Evolución histórica.
Este temario corresponde en exclusiva a la especialidad de Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (código 590/512) — una de las aproximadamente 50 especialidades oficiales de este cuerpo. No cubre ninguna otra especialidad de Secundaria (Lengua Castellana y Literatura, Geografía e Historia, Física y Química, Biología y Geología, Inglés, Filosofía, Tecnología, Dibujo, Música...) ni los cuerpos de Maestros o de Profesores Técnicos de Formación Profesional, que tienen temarios propios y distintos, todavía no publicados en OpositaGratis. El cuestionario específico (Parte A) que se reproduce aquí es el fijado con carácter estatal por el entonces Ministerio de Educación y Ciencia, y sigue siendo, más de tres décadas después, el temario base que las distintas Administraciones educativas —las 17 comunidades autónomas más Ceuta y Melilla, cada una competente para convocar su propia oposición— citan y desarrollan en sus resoluciones de convocatoria anual, al no existir una versión posterior que lo haya derogado o sustituido con carácter general para esta especialidad. Cada convocatoria autonómica concreta puede añadir particularidades propias (requisitos lingüísticos en comunidades con lengua cooficial, la prueba de programación y unidad didáctica, u otras variaciones menores de redacción), que no están reflejadas en este índice.
Este tema cierra el bloque de Estadística y Probabilidad ofreciendo una panorámica transversal de las aplicaciones de ambas disciplinas al conjunto de las ciencias sociales y naturales, y recapitulando de forma sistemática la evolución histórica que ha ido enlazando, desde la Antigüedad hasta la actualidad, los distintos hitos y figuras ya mencionados de forma dispersa en los temas 57 a 67. A diferencia de los temas precedentes, de fuerte componente de cálculo, este tema tiene un perfil marcadamente aplicado, contextual e histórico, y suele plantearse en el examen mediante preguntas de desarrollo que exigen relacionar los conceptos matemáticos estudiados con su proyección real en la sociedad, la ciencia y la toma de decisiones bajo incertidumbre, así como con las cuestiones éticas que dicha proyección plantea. Esta versión ampliada incorpora además la historia de la estadística en el siglo XIX, el uso de la estadística en psicología, ecología y ciencias de la Tierra, la estadística oficial en España, la protección de datos y la regulación de la inteligencia artificial, y el tratamiento didáctico del tema.
Aplicación a estudios demográficos: esperanza de vida y natalidad
La demografía, disciplina que estudia estadísticamente el tamaño, la estructura y la dinámica de las poblaciones humanas, constituye históricamente uno de los primeros y más consolidados campos de aplicación de la estadística, empleando de forma sistemática indicadores construidos a partir de las herramientas descriptivas e inferenciales desarrolladas en este bloque. La esperanza de vida al nacer, calculada mediante las llamadas tablas de mortalidad o tablas actuariales, es en esencia una esperanza matemática (tema 65) calculada sobre la distribución de probabilidad de la edad de fallecimiento de una cohorte de población, ponderando cada edad posible por su probabilidad correspondiente; su evolución histórica constituye uno de los indicadores más citados del progreso sanitario y social de un país. Las tasas de natalidad, mortalidad, fecundidad y crecimiento vegetativo son, por su parte, frecuencias relativas (tema 59) referidas a la población total o a subgrupos específicos de la misma, y su seguimiento estadístico periódico, coordinado en España por el Instituto Nacional de Estadística mediante el Movimiento Natural de la Población, permite proyectar la evolución futura de la pirámide de población y fundamentar decisiones de política pública en ámbitos tan diversos como la planificación de plazas escolares, el diseño del sistema de pensiones o la previsión de necesidades sanitarias a medio y largo plazo.
Aplicación a las ciencias de la salud: ensayos clínicos y epidemiología
La medicina moderna basada en la evidencia (evidence-based medicine) se sustenta metodológicamente en la aplicación rigurosa de las herramientas de diseño experimental e inferencia estadística desarrolladas en los temas 58 y 67: el ensayo clínico aleatorizado y controlado, considerado el estándar de referencia (gold standard) para validar la eficacia y la seguridad de un nuevo fármaco o tratamiento, emplea la aleatorización de los pacientes entre el grupo de tratamiento y el grupo de control (habitualmente recibiendo un placebo) precisamente para poder atribuir, mediante un contraste de hipótesis posterior, cualquier diferencia observada en los resultados clínicos al efecto real del fármaco y no a factores de confusión no controlados. La epidemiología, por su parte, emplea de forma masiva la probabilidad condicionada y el teorema de Bayes (tema 64) en el diseño e interpretación de pruebas diagnósticas y de cribado poblacional, y las distribuciones de probabilidad discretas y continuas (temas 65 y 66) para modelizar la propagación de enfermedades infecciosas y estimar parámetros epidemiológicos clave, como la tasa de reproducción básica de una epidemia; la relevancia social de estas aplicaciones quedó dramáticamente evidenciada durante la pandemia de COVID-19, en la que modelos y conceptos estadísticos habitualmente confinados al ámbito académico y profesional pasaron a formar parte del debate público cotidiano.
Aplicación a la economía: índices y series temporales
La economía y las ciencias sociales afines recurren de forma intensiva a las herramientas estadísticas descriptivas e inferenciales para construir, analizar e interpretar indicadores que sinteticen la evolución de fenómenos complejos y agregados. Los números índice, como el Índice de Precios de Consumo (IPC), que mide la evolución del coste de una cesta representativa de bienes y servicios mediante técnicas de media ponderada (tema 60), o el Producto Interior Bruto, son ejemplos de síntesis estadística de gran repercusión mediática y de política económica. El análisis de series temporales, una extensión especializada de la estadística descriptiva bidimensional (tema 62) al caso en que una de las dos variables es el tiempo, permite identificar y modelizar la tendencia, la estacionalidad y las fluctuaciones cíclicas de magnitudes económicas a lo largo del tiempo, con fines tanto descriptivos como predictivos. La econometría, disciplina que aplica sistemáticamente la regresión lineal y sus extensiones (regresión múltiple, modelos de series temporales) al estudio de las relaciones entre variables económicas, y el análisis de datos económicos mediante contrastes de hipótesis (tema 67) para validar o refutar teorías económicas a partir de la evidencia empírica disponible, constituyen la aplicación más consolidada e institucionalizada de la estadística inferencial a las ciencias sociales.
Aplicación a la genética: las leyes de Mendel y la probabilidad
La genética mendeliana constituye un ejemplo paradigmático, de gran valor didáctico interdisciplinar, de aplicación directa del cálculo de probabilidades elemental a un fenómeno biológico: las proporciones mendelianas clásicas de segregación de caracteres hereditarios (la conocida proporción 3:1 en la descendencia de un cruce entre dos individuos heterocigotos para un carácter con dominancia completa) son, en esencia, el resultado de aplicar la regla del producto y la regla de la suma (tema 64) a la combinación aleatoria e independiente de los alelos procedentes de cada progenitor, y el número de descendientes que presentan un determinado fenotipo entre un número fijo de crías sigue precisamente una distribución binomial (tema 65) con el parámetro p determinado por dichas proporciones mendelianas teóricas. Gregor Mendel, en sus experimentos pioneros con guisantes realizados en la década de 1860, empleó de hecho un razonamiento estadístico riguroso, contrastando las proporciones observadas experimentalmente en un número elevado de cruces con las proporciones teóricas predichas por su modelo hereditario, en un procedimiento conceptualmente próximo, aunque anterior en varias décadas (el contraste chi-cuadrado de Pearson es de 1900), al contraste de bondad de ajuste que se emplea hoy de forma estándar para validar estadísticamente este tipo de proporciones teóricas frente a los datos experimentales observados. Ronald Fisher reanalizó en 1936 los datos de Mendel y señaló que el ajuste a las proporciones teóricas resultaba sorprendentemente bueno, cuestión que sigue siendo objeto de debate historiográfico.
Toma de decisiones bajo incertidumbre
La teoría de la decisión bajo incertidumbre es el marco conceptual, construido directamente sobre el cálculo de probabilidades y la esperanza matemática (tema 65), que formaliza matemáticamente cómo debe actuar racionalmente un agente (una persona, una empresa, una administración pública) cuando debe elegir entre varias alternativas posibles cuyas consecuencias no son ciertas, sino que dependen de sucesos futuros aleatorios cuya probabilidad puede, en el mejor de los casos, estimarse. El criterio de decisión más elemental y extendido, el criterio del valor esperado, propone elegir siempre la alternativa que maximiza la esperanza matemática del resultado (o del beneficio, o de la utilidad) asociado a cada una de las opciones disponibles, ponderando el resultado de cada posible escenario futuro por su probabilidad de ocurrencia. Este marco conceptual, aunque desarrollado originalmente en el contexto de los juegos de azar, se aplica hoy de forma generalizada en la toma de decisiones empresariales de inversión bajo riesgo, en la política pública de gestión de catástrofes naturales o de crisis sanitarias, y en el diseño de sistemas de seguros y de gestión de riesgos financieros, constituyendo el fundamento matemático último de la afirmación de que decidir racionalmente en condiciones de incertidumbre no significa eliminar el riesgo, imposible en la práctica, sino gestionarlo de forma cuantificada y sistemática.
Nociones básicas de teoría de juegos
La teoría de juegos, disciplina matemática desarrollada de forma sistemática a partir de la obra fundacional de John von Neumann y Oskar Morgenstern "Theory of Games and Economic Behavior" (1944), estudia la toma de decisiones estratégicas de varios agentes racionales cuyas consecuencias dependen no solo de las propias decisiones de cada uno, sino también de las decisiones simultáneas o sucesivas de los demás agentes involucrados, y emplea de forma esencial el concepto de esperanza matemática y de valor esperado del pago asociado a cada estrategia posible, especialmente en el análisis de estrategias mixtas, en las que un jugador elige aleatoriamente entre varias acciones posibles según una determinada distribución de probabilidad, precisamente para hacer impredecible su comportamiento frente a un adversario racional. Aunque la teoría de juegos trasciende ampliamente el ámbito puramente probabilístico y estadístico, incorporando elementos propios de la optimización matemática y de la teoría económica, su conexión con el cálculo de probabilidades resulta directa a través del concepto de esperanza matemática y de la noción de decisión óptima bajo incertidumbre estratégica, encontrando aplicaciones de gran relevancia contemporánea en economía, en biología evolutiva (mediante el concepto de estrategia evolutivamente estable) y en el diseño de subastas y de mecanismos de asignación de recursos escasos.
Origen de la probabilidad actuarial y los seguros
La ciencia actuarial, disciplina encargada de aplicar el cálculo de probabilidades y la estadística a la valoración y gestión de los riesgos financieros asociados a los seguros, las pensiones y otros productos financieros de previsión, tiene su origen histórico en el desarrollo, a lo largo de los siglos XVII y XVIII, de las primeras tablas de mortalidad rigurosas —construidas a partir de los trabajos pioneros de demografía estadística de John Graunt y de las aportaciones posteriores de Edmond Halley (el mismo astrónomo del cometa que lleva su nombre), quien elaboró en 1693 una de las primeras tablas de mortalidad matemáticamente fundamentadas— y en la aplicación del concepto de esperanza matemática al cálculo de las primas de seguros de vida y de rentas vitalicias, de modo que la prima cobrada por la compañía aseguradora cubriera, en promedio y a largo plazo, el pago esperado de las indemnizaciones futuras más un margen de beneficio y de reserva ante la variabilidad aleatoria del riesgo asumido. Esta aplicación práctica y comercial temprana del cálculo de probabilidades, motivada por intereses económicos muy concretos de las incipientes compañías aseguradoras, constituyó uno de los principales motores históricos del desarrollo teórico de la probabilidad durante la Ilustración, en paralelo, y en estrecha relación, con su desarrollo académico más abstracto en el ámbito de los juegos de azar.
Origen de la estadística en los censos y registros de estado
Tal como se desarrolló con mayor detalle en el tema 57, el origen etimológico e histórico de la Estadística como disciplina está indisolublemente ligado a la necesidad práctica y administrativa de los Estados de cuantificar su población, sus recursos militares y su riqueza fiscal, práctica documentada ya en las civilizaciones de la Antigüedad (Babilonia, Egipto, China, el Imperio romano) y sistematizada de forma moderna en Europa a partir del siglo XVII, con los trabajos pioneros de demografía estadística de John Graunt sobre los registros de mortalidad de Londres y de William Petty sobre la llamada aritmética política. Esta rama estadística de origen estatal y administrativo, centrada originalmente en la descripción cuantitativa de poblaciones, recursos y territorios, evolucionó a lo largo de los siglos XVIII y XIX hacia la institucionalización de oficinas estadísticas nacionales permanentes —germen de los actuales institutos nacionales de estadística, como el INE español, creado por ley a finales de 1945 y cuya actividad se regula hoy por la Ley 12/1989, de 9 de mayo, de la Función Estadística Pública— y confluyó finalmente, ya en el tránsito hacia el siglo XX, con la rama probabilística de origen lúdico desarrollada de forma paralela en los juegos de azar, dando lugar a la síntesis moderna de la estadística inferencial que integra ambas tradiciones históricas previamente independientes en un único cuerpo metodológico coherente.
Nacimiento de la probabilidad en los juegos de azar
La segunda gran tradición histórica que confluye en la estadística moderna, complementaria y de origen completamente independiente respecto a la tradición demográfica y censal de origen estatal, es el cálculo de probabilidades propiamente dicho, cuyo nacimiento formal se sitúa convencionalmente en la célebre correspondencia epistolar mantenida en 1654 entre Blaise Pascal y Pierre de Fermat, motivada por el llamado "problema de los puntos" o del reparto de apuestas planteado al primero por el caballero de Méré, un noble francés aficionado a los juegos de dados y de azar interesado en resolver de forma matemáticamente rigurosa cómo repartir de forma justa las apuestas de una partida interrumpida antes de su finalización natural, en función de las probabilidades de victoria que tenía cada jugador en el momento de la interrupción. A partir de este origen concreto y anecdótico, ligado a un problema práctico de apuestas, el cálculo de probabilidades se desarrolló durante los siglos siguientes de la mano de figuras como Christiaan Huygens (primer tratado sistemático publicado sobre el tema, en 1657), Jacob Bernoulli (formulación de la ley de los grandes números), Abraham de Moivre y Pierre-Simon Laplace (aproximación normal y sistematización teórica general), constituyendo una tradición intelectual de origen lúdico y recreativo que solo confluiría con la tradición estadística de origen estatal ya bien entrado el siglo XIX.
Desarrollo de la estadística inferencial en el siglo XX
La estadística inferencial, tal como se conoce y se aplica en la actualidad, es fundamentalmente una construcción teórica del siglo XX, desarrollada a partir de la confluencia definitiva, iniciada en el siglo XIX, entre la tradición estadística descriptiva de origen estatal y la tradición probabilística de origen lúdico. Karl Pearson, a caballo entre los siglos XIX y XX, desarrolló buena parte del aparato descriptivo moderno (el coeficiente de correlación que lleva su nombre, el contraste chi-cuadrado) y cofundó en 1901 la revista científica Biometrika (junto con Francis Galton y W. F. R. Weldon), dedicada a la aplicación estadística a la biología; Ronald Fisher, ya en las primeras décadas del siglo XX, desarrolló el diseño experimental moderno, el análisis de la varianza y el concepto de significación estadística mediante el p-valor; Jerzy Neyman y Egon Pearson formalizaron, en la década de 1930, la estructura completa del contraste de hipótesis con dos hipótesis explícitas y control simultáneo de los errores de tipo I y II. Esta axiomatización rigurosa y sistemática de la teoría de la probabilidad, imprescindible como fundamento formal de toda la inferencia posterior, se completó con la obra de Andréi Kolmogorov, quien en 1933 estableció los axiomas modernos de la probabilidad que hoy se consideran el punto de partida formal universalmente aceptado de toda la disciplina.
Control de calidad y estadística industrial
El control estadístico de calidad, desarrollado de forma pionera por Walter Shewhart en los laboratorios Bell durante la década de 1920, y posteriormente popularizado y extendido a nivel mundial por W. Edwards Deming, especialmente en su decisiva contribución a la reconstrucción industrial japonesa de posguerra, constituye una de las aplicaciones industriales más consolidadas y de mayor impacto económico del cálculo de probabilidades y la inferencia estadística. Sus herramientas fundamentales son los gráficos de control, que aplican directamente el principio de la variable tipificada y de los límites basados en desviaciones típicas (tema 61) para monitorizar en tiempo real un proceso de fabricación, distinguiendo la variabilidad aleatoria e inherente normal del proceso de las desviaciones anómalas atribuibles a causas especiales que requieren intervención correctora inmediata; y el muestreo de aceptación, que aplica las distribuciones binomial e hipergeométrica (tema 65) para decidir, a partir de la inspección de una muestra de tamaño reducido, si un lote completo de producción debe aceptarse o rechazarse en función de la proporción de artículos defectuosos hallados en dicha muestra. Estas metodologías, sistematizadas bajo el paraguas de la llamada gestión de la calidad total, han sido decisivas en la evolución de la producción industrial moderna hacia estándares de fiabilidad y de eficiencia cada vez más exigentes.
La ciencia de datos como evolución contemporánea de la estadística
La ciencia de datos (data science), disciplina emergente de las últimas décadas que combina la estadística clásica con la programación informática, la computación de altas prestaciones y el aprendizaje automático (machine learning), representa la evolución contemporánea más visible del conjunto de herramientas estadísticas desarrolladas a lo largo de todo este bloque, aplicadas ahora a volúmenes de datos (big data) y con una capacidad de cómputo automatizado impensables en el momento de su formulación teórica original. Numerosos algoritmos que sustentan la inteligencia artificial actual son, en su fundamento matemático estricto, extensiones o generalizaciones directas de técnicas estadísticas clásicas ya estudiadas en este bloque: la regresión logística extiende el modelo lineal (tema 62) al caso de variables dependientes categóricas (por ejemplo, binarias), modelizando la probabilidad de un suceso mediante la función logística de una combinación lineal de las variables predictoras; los clasificadores bayesianos ingenuos, muy empleados en filtros de correo no deseado y en sistemas de recomendación, aplican directamente el teorema de Bayes (tema 64) bajo un supuesto simplificador de independencia condicional entre las variables predictoras; y las redes neuronales artificiales, pese a su aparente novedad conceptual, se entrenan minimizando una función de pérdida (el error cuadrático, en el que se inspira el método de mínimos cuadrados del tema 62, es una de las más usadas) mediante procedimientos de optimización iterativa como el descenso de gradiente, aplicados a funciones no lineales de gran complejidad.
Ética del uso de datos: sesgos y manipulación estadística
El uso masivo y creciente de datos estadísticos en la toma de decisiones automatizadas, tanto en el ámbito público como en el privado, plantea cuestiones éticas de primer orden que trascienden el mero rigor técnico del cálculo estadístico y que han de integrarse en la formación del alumnado como parte de su alfabetización estadística crítica (tema 59). Los algoritmos de aprendizaje automático entrenados sobre datos históricos que reflejan sesgos sociales preexistentes (por ejemplo, en decisiones pasadas de concesión de crédito, de contratación laboral o de libertad condicional judicial) pueden perpetuar y automatizar, a una escala mucho mayor y con una apariencia de objetividad matemática engañosa, dichos sesgos discriminatorios, sin que la naturaleza estadística y aparentemente neutral del procedimiento garantice en absoluto la equidad de sus resultados. La manipulación deliberada de la representación estadística de los datos, ya estudiada en el tema 59 en su vertiente gráfica, se extiende también a la selección interesada de la muestra, del periodo temporal analizado o del propio indicador estadístico reportado, con fines de propaganda política, comercial o de desinformación pública. La formación de una ciudadanía y de un profesorado capaces de identificar críticamente estos usos indebidos de la estadística constituye, precisamente, uno de los objetivos formativos transversales explícitamente perseguidos por todo este bloque curricular de Estadística y Probabilidad.
Papel de la estadística en la evidencia científica y la política pública
La estadística desempeña un papel institucional central en la fundamentación de la evidencia científica contemporánea y en su traslación a la política pública basada en evidencia (evidence-based policy), un modelo de gobernanza que aspira a que las decisiones administrativas y legislativas se apoyen, en la medida de lo posible, en datos y análisis estadísticos rigurosos en lugar de en meras impresiones subjetivas o en intereses particulares no verificados empíricamente. Este papel se manifiesta en ámbitos tan diversos como la evaluación de impacto de políticas sociales y educativas (mediante diseños experimentales o cuasiexperimentales que permiten atribuir causalmente los efectos observados a la política implementada), la fijación de umbrales de significación estadística en la regulación de fármacos y productos sanitarios por parte de agencias como la Agencia Europea de Medicamentos, o la elaboración de indicadores estadísticos oficiales que sirven de base objetiva para la asignación de recursos públicos entre territorios o colectivos. La credibilidad social de este modelo de gobernanza basada en evidencia estadística descansa, en última instancia, en la independencia técnica y metodológica de los organismos estadísticos oficiales respecto a la injerencia política, y en la transparencia y reproducibilidad de los métodos estadísticos empleados en la evaluación de dichas políticas.
Aplicación de la probabilidad a la predicción meteorológica
La predicción meteorológica moderna constituye una aplicación de gran visibilidad social y cotidiana del cálculo de probabilidades, expresada de forma explícita en la comunicación pública mediante la llamada probabilidad de precipitación ("70 % de probabilidad de lluvia"), un valor que resulta de un proceso complejo de modelización numérica del comportamiento futuro de la atmósfera, ejecutando de forma repetida un mismo modelo físico-matemático con pequeñas variaciones aleatorias en las condiciones iniciales de partida (técnica conocida como predicción por conjuntos o ensemble forecasting), y y estimando la probabilidad a partir de la proporción de esas múltiples ejecuciones del modelo en las que se produce precipitación en una zona y un intervalo temporal determinados (en la práctica, esa proporción se complementa con otras técnicas de calibración estadística), en una aplicación de la interpretación frecuentista de la probabilidad. Esta técnica reconoce explícitamente, y cuantifica, el carácter caótico e intrínsecamente incierto de los sistemas atmosféricos a medio plazo, en los que pequeñísimas diferencias en las condiciones iniciales de partida pueden generar, tras un número suficiente de días, resultados finales radicalmente distintos (el llamado efecto mariposa de la teoría del caos), lo que hace que la fiabilidad de las predicciones probabilísticas decrezca de forma sistemática y cuantificable a medida que aumenta el horizonte temporal de la predicción considerada, cuestión que se comunica también, en las predicciones meteorológicas más completas, mediante los correspondientes intervalos de confianza o de incertidumbre asociados.
Encuestas electorales y su papel social
Las encuestas electorales, aplicación directa y de enorme repercusión mediática de la teoría del muestreo (tema 58) y de la estimación por intervalos de confianza (tema 67), constituyen uno de los usos más visibles y más frecuentemente malinterpretados de la estadística inferencial en el debate público, ya que sus resultados se presentan habitualmente en los medios de comunicación como cifras puntuales exactas de intención de voto, omitiendo con frecuencia el margen de error estadístico que, técnicamente, siempre las acompaña, y que puede resultar suficiente para invertir el orden aparente entre dos opciones políticas cuyo resultado puntual difiera en un margen inferior a dicho error muestral. El caso histórico del Literary Digest frente a Gallup en 1936 (la revista, pese a sus millones de respuestas, predijo la victoria de Landon por un sesgo de selección y de no respuesta, mientras que Roosevelt resultó reelegido), ya analizado en el tema 58, y numerosos fallos más recientes de predicción electoral atribuidos a fenómenos de sesgo de no respuesta diferencial entre distintos grupos ideológicos, o a dificultades crecientes de cobertura del marco muestral en la era de los teléfonos móviles y de las redes sociales, ilustran la vigencia y la complejidad creciente de los retos metodológicos del muestreo aplicado a este ámbito concreto. La correcta interpretación pública de una encuesta electoral exige, por tanto, una alfabetización estadística ciudadana (tema 59) capaz de valorar el margen de error, el tamaño muestral y la metodología empleada, más allá de la cifra puntual que habitualmente acapara los titulares periodísticos.
Uso de la probabilidad y la estadística en el control de riesgos financieros
El sistema financiero contemporáneo emplea de forma intensiva y sofisticada las herramientas de probabilidad y estadística desarrolladas en este bloque para cuantificar y gestionar el riesgo asociado a las inversiones, los créditos y los productos financieros derivados, empleando conceptos como la distribución de probabilidad de los rendimientos de un activo financiero (habitualmente modelizada, con las debidas cautelas, mediante distribuciones aproximadamente normales o, para capturar mejor el riesgo de sucesos extremos, mediante distribuciones con mayor curtosis, ya estudiada en el tema 60), la correlación entre activos distintos (tema 62) como fundamento matemático de la diversificación de carteras de inversión, o medidas de riesgo agregado como el valor en riesgo (Value at Risk), que emplea directamente los percentiles de una distribución de pérdidas potenciales (tema 60) para cuantificar la pérdida máxima esperable con un determinado nivel de confianza en un horizonte temporal dado. La crisis financiera internacional de 2008 puso de manifiesto de forma dramática las graves consecuencias que puede tener una modelización estadística inadecuada del riesgo financiero, en particular la subestimación sistemática de la probabilidad de sucesos extremos correlacionados (colas pesadas y dependencia entre activos supuestamente independientes) mediante modelos excesivamente simplificados basados en el supuesto, a menudo poco realista en episodios de crisis sistémica, de normalidad y de independencia estadística entre los distintos activos financieros involucrados.
Aplicación de la estadística a la investigación social y de mercado
La investigación social y de mercado constituye uno de los ámbitos profesionales de aplicación más extendidos de las técnicas de muestreo, diseño de encuestas y análisis estadístico desarrolladas a lo largo de todo este bloque, empleadas de forma sistemática por empresas, administraciones públicas y organizaciones sociales para conocer con fundamento empírico las opiniones, actitudes, hábitos de consumo o necesidades de la población objetivo de sus productos, servicios o políticas. Las técnicas de segmentación de mercado emplean el análisis de variables bidimensionales y de agrupamiento estadístico (extensiones de las técnicas descriptivas del tema 62) para identificar perfiles homogéneos de consumidores con necesidades o comportamientos similares; los estudios de satisfacción y de reputación emplean escalas tipo Likert y su tratamiento estadístico descriptivo (tema 59) para cuantificar percepciones subjetivas de forma sistemática y comparable en el tiempo; y los test A/B, ampliamente empleados en el diseño de interfaces digitales y de estrategias de marketing, son en esencia contrastes de hipótesis (tema 67) aplicados a comparar la eficacia relativa de dos o más alternativas de diseño o de mensaje sobre muestras aleatorizadas de usuarios, constituyendo una de las aplicaciones más recientes y de mayor crecimiento actual de la metodología experimental e inferencial estudiada en este bloque.
Relación histórica entre el desarrollo de la probabilidad y el comercio y los seguros
El desarrollo histórico del cálculo de probabilidades mantiene, más allá de su origen anecdótico en los juegos de azar cortesanos del siglo XVII, una relación estrecha y determinante con las necesidades prácticas del comercio marítimo, los seguros y la incipiente actividad financiera de la Europa moderna, que proporcionaron un poderoso incentivo económico adicional para su desarrollo teórico sistemático más allá del mero interés recreativo o académico. El comercio marítimo de larga distancia, sujeto a riesgos considerables de naufragio, piratería o pérdida de mercancías, impulsó el desarrollo temprano de los seguros marítimos, cuya fijación técnicamente correcta de primas exigía ya, de forma más o menos intuitiva, algún tipo de estimación probabilística del riesgo asumido por el asegurador. El desarrollo posterior, ya en los siglos XVIII y XIX, de los seguros de vida y de las rentas vitalicias, sustentado en las tablas de mortalidad de Graunt y de Halley y en el cálculo riguroso de la esperanza matemática, consolidó definitivamente esta vinculación económica y financiera del cálculo de probabilidades, que se sumó de forma acumulativa, y no excluyente, al desarrollo teórico paralelo motivado por los juegos de azar y, más tarde, por su aplicación a las ciencias experimentales, configurando así una disciplina matemática forjada simultáneamente por el interés recreativo, la necesidad comercial y financiera, y la aspiración científica de comprender la incertidumbre de forma rigurosa.
Papel de la estadística en la evaluación de políticas públicas
La evaluación de políticas públicas mediante metodologías estadísticas rigurosas constituye un campo de aplicación de creciente relevancia institucional en las administraciones públicas contemporáneas, que aspira a determinar con fundamento empírico si una determinada intervención pública (un programa educativo, una reforma fiscal, una campaña de salud pública) produce efectivamente los efectos deseados sobre la población destinataria, y en qué magnitud, más allá de la mera intuición política o de la satisfacción declarada por sus gestores. Las técnicas de evaluación de impacto más rigurosas emplean diseños experimentales o cuasiexperimentales que buscan reproducir, en la medida de lo posible dentro de las limitaciones éticas y prácticas del ámbito de las políticas públicas, la lógica de asignación aleatoria a grupos de tratamiento y de control propia del ensayo clínico (tema 58), o recurren a técnicas estadísticas más sofisticadas de análisis observacional cuando dicha aleatorización resulta inviable, con el objetivo común de aislar el efecto causal atribuible específicamente a la política evaluada de otros factores de confusión que podrían explicar alternativamente los resultados observados. Esta cultura de evaluación basada en evidencia estadística, todavía desigualmente implantada según países y ámbitos de la administración, representa el horizonte de aplicación más ambicioso y de mayor potencial transformador de todo el aparato conceptual y metodológico desarrollado a lo largo de este extenso bloque de Estadística y Probabilidad.
Aplicación a la psicología y la educación: psicometría y escalas
La psicometría aplica la estadística a la medición de rasgos psicológicos y aptitudes. El análisis factorial, introducido por Charles Spearman a comienzos del siglo XX para estudiar la inteligencia, permite explicar las correlaciones entre muchas variables observadas mediante pocos factores latentes. La fiabilidad de un test (coherencia de sus resultados) se cuantifica con coeficientes basados en correlaciones, como el alfa de Cronbach (1951), y su validez (que mida lo que pretende medir) se evalúa con criterios y correlaciones con otras medidas. Las escalas tipo Likert, propuestas por Rensis Likert en 1932, permiten tratar actitudes con respuestas ordenadas. En educación, la estadística sustenta las evaluaciones diagnósticas y de sistema, la comparación de rendimientos entre grupos mediante contrastes de hipótesis y la interpretación de las puntuaciones normalizadas (típicas) basadas en la distribución normal. Conviene advertir en el aula que una correlación entre variables educativas no implica causalidad y que las medias de grupo ocultan la variabilidad individual.
Aplicación a la ecología y a las ciencias de la Tierra
En ecología, el muestreo estadístico permite estimar el tamaño de poblaciones que no pueden contarse exhaustivamente. El método de captura-recaptura (Lincoln-Petersen) marca una muestra de individuos, los libera y, en una segunda captura, utiliza la proporción de individuos marcados para estimar el total: si se marcan M individuos y en una segunda muestra de tamaño n aparecen m marcados, el tamaño estimado es N ≈ M·n/m, razonamiento basado en la proporción muestral. Los índices de biodiversidad (como el de Shannon) resumen la distribución de abundancias de especies. En ciencias de la Tierra, la probabilidad modeliza fenómenos de carácter aleatorio: la distribución de Poisson se usa para el número de seísmos o de sucesos raros en un intervalo, y la teoría de valores extremos sirve para estimar el periodo de retorno de avenidas o temporales. El periodo de retorno T de un suceso de probabilidad anual p es T=1/p, y suele malinterpretarse: una inundación "de periodo de retorno 100 años" tiene un 1 % de probabilidad de ocurrir en cualquier año, no ocurre necesariamente una vez cada cien años.
Aplicación a la astronomía y las ciencias físicas: teoría de errores
La teoría de errores de medida es una de las aplicaciones históricas más antiguas de la estadística a las ciencias de la naturaleza. Carl Friedrich Gauss utilizó el método de mínimos cuadrados, que publicó en 1809 (Adrien-Marie Legendre lo había publicado antes, en 1805), para recalcular la órbita del planetoide Ceres a partir de pocas observaciones, y asoció los errores de medida a la distribución que lleva su nombre. De ahí procede la idea de que la media de varias mediciones es un mejor estimador del valor verdadero que una sola medida, y de que la incertidumbre de la media disminuye con la raíz cuadrada del número de mediciones. En la física moderna, la mecánica estadística y la mecánica cuántica son esencialmente teorías probabilistas, y el descubrimiento de nuevas partículas se declara tras alcanzar umbrales de significación estadística muy exigentes, expresados en número de desviaciones típicas respecto a la hipótesis nula (el criterio de "cinco sigma" en física de partículas, correspondiente a una probabilidad de cola del orden de una entre tres millones y medio).
La estadística en el siglo XIX: Quetelet, Galton y Nightingale
Entre el origen de la probabilidad y la estadística inferencial del siglo XX se sitúa una etapa decisiva de aplicación a las ciencias sociales y de la vida. Adolphe Quetelet (1796-1874), astrónomo y estadístico belga, aplicó la curva normal a medidas antropométricas y a datos sociales y acuñó la noción de "hombre medio" (1835). Francis Galton (1822-1911) introdujo el concepto de regresión (a la media) a partir de sus estudios sobre la herencia de la estatura, y es considerado precursor de la correlación y de la eugenesia, aspecto este último que exige una lectura crítica en el aula. Florence Nightingale (1820-1910) empleó diagramas estadísticos originales para demostrar que la mayoría de las muertes de soldados británicos en la guerra de Crimea se debían a enfermedades evitables y no a heridas de combate, lo que impulsó reformas sanitarias; fue la primera mujer elegida miembro de la Real Sociedad de Estadística de Londres. John Snow, en 1854, localizó mediante un mapa de casos la fuente de un brote de cólera en Londres (una bomba de agua), considerado un episodio fundacional de la epidemiología. Estos casos muestran el uso de la estadística como instrumento de reforma social y salud pública.
Otros hitos históricos de la probabilidad: de Cardano a Laplace
Antes de la correspondencia de Pascal y Fermat existieron intentos de analizar los juegos de azar: Gerolamo Cardano (1501-1576) escribió el Liber de ludo aleae, publicado póstumamente en 1663, con los primeros cálculos de casos favorables entre posibles. Tras Huygens (1657), Jacob Bernoulli publicó póstumamente en 1713 el Ars Conjectandi, donde demostró la ley de los grandes números y fijó la probabilidad como grado de certeza. Abraham de Moivre dio, en The Doctrine of Chances (1718 en su primera edición, ampliada después), una primera versión de la aproximación normal de la binomial. Thomas Bayes, cuyo ensayo fue publicado póstumamente en 1763 gracias a Richard Price, sentó las bases del cálculo de probabilidades inversas. Pierre-Simon Laplace sintetizó la disciplina en la Théorie analytique des probabilités (1812) y en el Essai philosophique sur les probabilités (1814), y estableció una versión del teorema central del límite. Daniel Bernoulli, en 1738, propuso resolver la paradoja de San Petersburgo sustituyendo el valor esperado del dinero por la utilidad esperada, anticipo de la teoría moderna de la decisión.
Teoría de la decisión: utilidad esperada y sesgos cognitivos
El criterio del valor esperado presenta límites que la teoría de la decisión ha ido precisando. La paradoja de San Petersburgo muestra un juego de esperanza matemática infinita al que nadie pagaría una cantidad elevada por participar, lo que motivó el concepto de utilidad esperada (D. Bernoulli, 1738; formalización axiomática por von Neumann y Morgenstern, 1944): las personas valoran las ganancias con utilidad marginal decreciente y suelen ser aversas al riesgo. Daniel Kahneman y Amos Tversky mostraron en 1979 con la teoría prospectiva que los decisores reales se desvían sistemáticamente de la racionalidad esperada: ponderan en exceso las pérdidas frente a las ganancias equivalentes y distorsionan las probabilidades pequeñas. Kahneman recibió el Premio Nobel de Economía en 2002. Entre los errores de razonamiento probabilístico más habituales figuran la falacia del jugador (creer que un suceso es más probable porque lleva tiempo sin ocurrir, cuando los sucesos son independientes), la falacia de la tasa base al interpretar pruebas diagnósticas (olvidar la prevalencia, cuestión que el teorema de Bayes resuelve) y la ilusión de patrones en datos aleatorios. Los árboles de decisión y las matrices de pago son los instrumentos básicos que se emplean para representar estos problemas.
Pruebas diagnósticas y cribado: sensibilidad, especificidad y valores predictivos
La interpretación de las pruebas diagnósticas es una aplicación directa del teorema de Bayes. La sensibilidad es la probabilidad de que la prueba sea positiva en una persona enferma, P(+|enfermo); la especificidad es la probabilidad de que sea negativa en una persona sana, P(-|sano). Lo que interesa en la práctica clínica es el valor predictivo positivo, P(enfermo|+), que depende no solo de la sensibilidad y la especificidad sino también de la prevalencia de la enfermedad. Ejemplo: con prevalencia del 1 %, sensibilidad del 90 % y especificidad del 90 %, en 1000 personas hay 10 enfermas (9 positivos verdaderos) y 990 sanas (99 falsos positivos), de modo que el valor predictivo positivo es 9/(9+99) ≈ 8,3 %. La falacia consiste en confundir P(+|enfermo) con P(enfermo|+). En epidemiología se emplean también el riesgo relativo y el odds ratio para cuantificar la asociación entre una exposición y una enfermedad, y las curvas ROC para evaluar el equilibrio entre sensibilidad y especificidad al variar el punto de corte de una prueba.
La estadística oficial en España y en Europa
La estadística oficial está regulada en España por la Ley 12/1989, de 9 de mayo, de la Función Estadística Pública, que establece los principios de la función estadística (secreto estadístico, objetividad, transparencia), crea el Plan Estadístico Nacional y regula los servicios estadísticos de la Administración General del Estado, entre ellos el Instituto Nacional de Estadística (INE), organismo autónomo adscrito al ministerio competente en materia económica. El secreto estadístico protege los datos individuales obtenidos con fines estadísticos, que no pueden utilizarse para fines distintos ni para actuaciones administrativas o fiscales sobre la persona. El INE elabora operaciones de gran repercusión social, como el Censo de Población, el Padrón continuo (en colaboración con los ayuntamientos), la Encuesta de Población Activa, el Índice de Precios de Consumo y la Contabilidad Nacional. En el ámbito europeo, la oficina estadística de la Unión Europea es Eurostat, que coordina el Sistema Estadístico Europeo y la armonización de las metodologías entre los Estados miembros. Para el aula, las series del INE y de Eurostat constituyen una fuente abierta de datos reales con la que plantear proyectos estadísticos contextualizados.
Protección de datos y regulación de la inteligencia artificial
El tratamiento masivo de datos personales está regulado por el Reglamento (UE) 2016/679, de 27 de abril de 2016, general de protección de datos (RGPD), y en España por la Ley Orgánica 3/2018, de 5 de diciembre, de Protección de Datos Personales y garantía de los derechos digitales. Estas normas establecen principios como la minimización de datos, la limitación de la finalidad y la exactitud, y reconocen derechos de las personas afectadas frente a las decisiones basadas únicamente en tratamientos automatizados, incluida la elaboración de perfiles. En el ámbito de la inteligencia artificial, el Reglamento (UE) 2024/1689, por el que se establecen normas armonizadas en materia de inteligencia artificial, entró en vigor en agosto de 2024 con una aplicación escalonada de sus obligaciones; clasifica los sistemas según el riesgo y somete a requisitos específicos los de alto riesgo, entre los que figuran determinados usos en educación y en el empleo. Estas normas conectan directamente con los contenidos de ética del dato del tema: la calidad y la representatividad de los datos de entrenamiento, y la supervisión humana, son requisitos para evitar sesgos discriminatorios.
Correlación y causalidad: paradojas y errores en la interpretación de datos
La toma de decisiones basada en datos exige conocer algunos errores recurrentes. La correlación entre dos variables no demuestra causalidad: puede deberse a una tercera variable de confusión, a la causalidad inversa o a la casualidad (el consumo de helados y los ahogamientos en piscina correlacionan por la temperatura). La paradoja de Simpson ocurre cuando una tendencia observada en el conjunto de los datos se invierte al desagregarlos por grupos, y obliga a analizar la estructura de los datos antes de extraer conclusiones. El sesgo de supervivencia consiste en analizar solo los casos que "sobrevivieron" a un proceso de selección (el ejemplo clásico es el de los aviones de la Segunda Guerra Mundial estudiados por Abraham Wald). La regresión a la media explica que un resultado extremo tiende a ser seguido de otro más cercano a la media, sin necesidad de intervención alguna. La forma más fiable de establecer causalidad es el diseño experimental con asignación aleatoria; cuando no es posible, se recurre a diseños cuasiexperimentales y a métodos de inferencia causal, siempre con cautela interpretativa.
Tratamiento didáctico del tema en Secundaria y Bachillerato
El tema ofrece un contexto privilegiado para el trabajo interdisciplinar y para el desarrollo de competencias, en consonancia con el currículo vigente (Real Decreto 217/2022 para la ESO y Real Decreto 243/2022 para el Bachillerato), que sitúa la estadística y la probabilidad en el sentido estocástico y subraya la conexión de las matemáticas con otras materias y con situaciones de la vida real. Entre las estrategias metodológicas adecuadas figuran el aprendizaje basado en proyectos con datos reales (INE, Eurostat, organismos meteorológicos), el uso de hojas de cálculo y de software estadístico, la simulación de experimentos aleatorios, el análisis crítico de gráficos y titulares de prensa y los debates sobre ética del dato. La evaluación debe valorar la interpretación y comunicación de conclusiones en contexto, y no solo el cálculo. La perspectiva histórica contribuye a humanizar la disciplina y a mostrar que la estadística nació de problemas concretos (apuestas, censos, seguros, salud pública) y que su desarrollo ha estado ligado a debates científicos y éticos.
Ideas clave para el examen — memoriza esto
Demografía: la esperanza de vida es una esperanza matemática (tema 65) sobre la distribución de edad de fallecimiento; tasas de natalidad/mortalidad son frecuencias relativas (tema 59).
Ensayos clínicos aleatorizados (tema 58) + contraste de hipótesis (tema 67) son el estándar de la medicina basada en evidencia.
Genética mendeliana: las proporciones 3:1 se derivan de la regla del producto/suma (tema 64); el número de descendientes con un fenotipo sigue una binomial (tema 65).
Teoría de la decisión bajo incertidumbre: elegir la alternativa que maximiza la esperanza matemática del resultado (criterio del valor esperado).
Teoría de juegos (von Neumann y Morgenstern, 1944): estrategias mixtas emplean distribuciones de probabilidad; aplicaciones en economía y biología evolutiva.
Origen de la probabilidad actuarial: tablas de mortalidad de Graunt y Halley (1693), cálculo de primas de seguros mediante esperanza matemática.
Dos raíces históricas confluyentes: estadística de origen estatal/censal (Antigüedad, Graunt, Petty) y probabilidad de origen lúdico (Pascal-Fermat, 1654, problema de los puntos).
Estadística inferencial del siglo XX: Pearson (correlación, chi-cuadrado 1900), Fisher (p-valor, diseño experimental), Neyman-Pearson (H₀/H₁, errores I/II, años 1930), Kolmogorov (axiomas de 1933).
Control de calidad industrial: Shewhart (gráficos de control, años 1920) y Deming (Japón de posguerra); usa la variable tipificada (tema 61) y las distribuciones binomial/hipergeométrica (tema 65).
La ciencia de datos y el machine learning (regresión logística, clasificadores bayesianos, redes neuronales) son extensiones directas de la regresión lineal, Bayes y mínimos cuadrados.
Ética del dato: algoritmos entrenados con datos históricos sesgados perpetúan discriminación con apariencia de objetividad matemática; alfabetización estadística crítica como antídoto.
Predicción meteorológica: la 'probabilidad de lluvia' surge de ensemble forecasting (interpretación frecuentista sobre múltiples simulaciones con condiciones iniciales variadas).
Encuestas electorales: aplicación mediática de muestreo e IC (temas 58 y 67); el margen de error se omite con frecuencia en la comunicación pública, con riesgo de sobreinterpretación.
Riesgo financiero: correlación entre activos (tema 62) y percentiles de pérdida (VaR, tema 60); la crisis de 2008 mostró el peligro de infraestimar sucesos extremos correlacionados.
Los test A/B en marketing y diseño digital son, formalmente, contrastes de hipótesis (tema 67) aplicados a muestras aleatorizadas de usuarios.
La evaluación de políticas públicas basada en evidencia aspira a réplicas cuasiexperimentales del diseño de un ensayo clínico para aislar el efecto causal de una intervención.
Cronología a memorizar: Graunt (1662), Pascal-Fermat (1654), Huygens (1657), Halley (1693), J. Bernoulli (1713), D. Bernoulli (1738), Bayes (1763), Gauss/Legendre (mínimos cuadrados 1809/1805), Laplace (1812), Quetelet (1835), Pearson chi-cuadrado (1900), Student (1908), Kolmogorov (1933), von Neumann-Morgenstern (1944).
Ensayo clínico aleatorizado: aleatorización y grupo de control permiten atribuir diferencias al tratamiento; John Snow (1854) y Nightingale son hitos de la epidemiología y la estadística aplicada a la salud pública.
Pruebas diagnósticas: sensibilidad P(+|enfermo), especificidad P(-|sano); el valor predictivo P(enfermo|+) depende de la prevalencia (teorema de Bayes). Falacia: confundir P(+|enfermo) con P(enfermo|+).
Periodo de retorno T=1/p: un suceso "de periodo de retorno 100 años" tiene un 1 % de probabilidad en cada año, no ocurre necesariamente una vez cada siglo.
Limitaciones del valor esperado: paradoja de San Petersburgo y utilidad esperada (D. Bernoulli, 1738); Kahneman y Tversky (1979) y desviaciones sistemáticas de la racionalidad.
Correlación no implica causalidad: variables de confusión, causalidad inversa, paradoja de Simpson, sesgo de supervivencia y regresión a la media.
Estadística oficial: Ley 12/1989, de 9 de mayo, de la Función Estadística Pública (secreto estadístico, Plan Estadístico Nacional); Eurostat en la UE.
Protección de datos y IA: RGPD (Reglamento UE 2016/679), LO 3/2018 y Reglamento (UE) 2024/1689 sobre inteligencia artificial, de aplicación escalonada.
Captura-recaptura: N ≈ M·n/m, estimación del tamaño de una población a partir de la proporción de individuos marcados.
12 preguntas sobre este tema, en orden aleatorio. Sin registro, sin límite de intentos.
Pregunta 1 de 120 aciertos
Los axiomas modernos de la teoría de la probabilidad fueron establecidos en 1933 por...
Preguntas frecuentes
¿De qué trata el Tema 68 de Secundaria?
Este tema cierra el bloque de Estadística y Probabilidad ofreciendo una panorámica transversal de las aplicaciones de ambas disciplinas al conjunto de las ciencias sociales y naturales, y recapitulando de forma sistemática la evolución histórica que ha ido enlazando, desde la Antigüedad hasta la actualidad, los distintos hitos y figuras ya mencionados de forma dispersa en los temas 57 a 67. A diferencia de los temas precedentes, de fuerte componente de cálculo, este tema tiene un perfil marcadamente aplicado, contextual e histórico, y suele plantearse en el examen mediante preguntas de desarrollo que exigen relacionar los conceptos matemáticos estudiados con su proyección real en la sociedad, la ciencia y la toma de decisiones bajo incertidumbre, así como con las cuestiones éticas que dicha proyección plantea. Esta versión ampliada incorpora además la historia de la estadística en el siglo XIX, el uso de la estadística en psicología, ecología y ciencias de la Tierra, la estadística oficial en España, la protección de datos y la regulación de la inteligencia artificial, y el tratamiento didáctico del tema.
¿Qué hay que memorizar del Tema 68 para el examen?
Demografía: la esperanza de vida es una esperanza matemática (tema 65) sobre la distribución de edad de fallecimiento; tasas de natalidad/mortalidad son frecuencias relativas (tema 59). Ensayos clínicos aleatorizados (tema 58) + contraste de hipótesis (tema 67) son el estándar de la medicina basada en evidencia. Genética mendeliana: las proporciones 3:1 se derivan de la regla del producto/suma (tema 64); el número de descendientes con un fenotipo sigue una binomial (tema 65). Teoría de la decisión bajo incertidumbre: elegir la alternativa que maximiza la esperanza matemática del resultado (criterio del valor esperado). Teoría de juegos (von Neumann y Morgenstern, 1944): estrategias mixtas emplean distribuciones de probabilidad; aplicaciones en economía y biología evolutiva. Origen de la probabilidad actuarial: tablas de mortalidad de Graunt y Halley (1693), cálculo de primas de seguros mediante esperanza matemática. Dos raíces históricas confluyentes: estadística de origen estatal/censal (Antigüedad, Graunt, Petty) y probabilidad de origen lúdico (Pascal-Fermat, 1654, problema de los puntos). Estadística inferencial del siglo XX: Pearson (correlación, chi-cuadrado 1900), Fisher (p-valor, diseño experimental), Neyman-Pearson (H₀/H₁, errores I/II, años 1930), Kolmogorov (axiomas de 1933). Control de calidad industrial: Shewhart (gráficos de control, años 1920) y Deming (Japón de posguerra); usa la variable tipificada (tema 61) y las distribuciones binomial/hipergeométrica (tema 65). La ciencia de datos y el machine learning (regresión logística, clasificadores bayesianos, redes neuronales) son extensiones directas de la regresión lineal, Bayes y mínimos cuadrados. Ética del dato: algoritmos entrenados con datos históricos sesgados perpetúan discriminación con apariencia de objetividad matemática; alfabetización estadística crítica como antídoto. Predicción meteorológica: la 'probabilidad de lluvia' surge de ensemble forecasting (interpretación frecuentista sobre múltiples simulaciones con condiciones iniciales variadas). Encuestas electorales: aplicación mediática de muestreo e IC (temas 58 y 67); el margen de error se omite con frecuencia en la comunicación pública, con riesgo de sobreinterpretación. Riesgo financiero: correlación entre activos (tema 62) y percentiles de pérdida (VaR, tema 60); la crisis de 2008 mostró el peligro de infraestimar sucesos extremos correlacionados. Los test A/B en marketing y diseño digital son, formalmente, contrastes de hipótesis (tema 67) aplicados a muestras aleatorizadas de usuarios. La evaluación de políticas públicas basada en evidencia aspira a réplicas cuasiexperimentales del diseño de un ensayo clínico para aislar el efecto causal de una intervención. Cronología a memorizar: Graunt (1662), Pascal-Fermat (1654), Huygens (1657), Halley (1693), J. Bernoulli (1713), D. Bernoulli (1738), Bayes (1763), Gauss/Legendre (mínimos cuadrados 1809/1805), Laplace (1812), Quetelet (1835), Pearson chi-cuadrado (1900), Student (1908), Kolmogorov (1933), von Neumann-Morgenstern (1944). Ensayo clínico aleatorizado: aleatorización y grupo de control permiten atribuir diferencias al tratamiento; John Snow (1854) y Nightingale son hitos de la epidemiología y la estadística aplicada a la salud pública. Pruebas diagnósticas: sensibilidad P(+|enfermo), especificidad P(-|sano); el valor predictivo P(enfermo|+) depende de la prevalencia (teorema de Bayes). Falacia: confundir P(+|enfermo) con P(enfermo|+). Periodo de retorno T=1/p: un suceso "de periodo de retorno 100 años" tiene un 1 % de probabilidad en cada año, no ocurre necesariamente una vez cada siglo. Limitaciones del valor esperado: paradoja de San Petersburgo y utilidad esperada (D. Bernoulli, 1738); Kahneman y Tversky (1979) y desviaciones sistemáticas de la racionalidad. Correlación no implica causalidad: variables de confusión, causalidad inversa, paradoja de Simpson, sesgo de supervivencia y regresión a la media. Estadística oficial: Ley 12/1989, de 9 de mayo, de la Función Estadística Pública (secreto estadístico, Plan Estadístico Nacional); Eurostat en la UE. Protección de datos y IA: RGPD (Reglamento UE 2016/679), LO 3/2018 y Reglamento (UE) 2024/1689 sobre inteligencia artificial, de aplicación escalonada. Captura-recaptura: N ≈ M·n/m, estimación del tamaño de una población a partir de la proporción de individuos marcados.
¿Hay preguntas de test de este tema exacto?
Sí, 12 preguntas tipo test sobre este tema, en el apartado "Ponte a prueba" de esta misma página. Sin registro y sin límite de intentos.
¿De dónde sale el temario de este tema?
Del índice oficial de BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria)).
Fuentes de este desarrollo
Ley 12/1989, de 9 de mayo, de la Función Estadística Pública
Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016, general de protección de datos
Ley Orgánica 3/2018, de 5 de diciembre, de Protección de Datos Personales y garantía de los derechos digitales
Reglamento (UE) 2024/1689, por el que se establecen normas armonizadas en materia de inteligencia artificial
A. N. Kolmogorov: "Grundbegriffe der Wahrscheinlichkeitsrechnung" (1933)
J. von Neumann y O. Morgenstern: "Theory of Games and Economic Behavior" (1944)
J. Graunt: "Natural and Political Observations upon the Bills of Mortality" (1662)
D. Kahneman y A. Tversky: "Prospect Theory: An Analysis of Decision under Risk" (1979)
Real Decreto 217/2022, de 29 de marzo (ESO) y Real Decreto 243/2022, de 5 de abril (Bachillerato) — sentido estocástico
Mientras tanto, practica con tests gratis de Secundaria.