AMAT

En algunas series, el problema no está en encontrar el promedio.

Está en reconocer cuánto puede moverse la serie alrededor de ese promedio.

Porque una media estable puede esconder periodos completamente distintos: tramos tranquilos, tramos inestables y momentos donde la variabilidad se concentra.

Si el modelo solo lee el valor esperado, puede parecer que todo está bajo control.
Pero cuando la varianza cambia, el riesgo cambia también.

Ahí una mala lectura no solo afecta el pronóstico: afecta la interpretación de incertidumbre, la calibración del modelo y la decisión que se toma después.

En Series de Tiempo: Forecasting aprenderás a detectar cuándo una serie no solo necesita modelar su nivel o tendencia, sino también revisar cómo se comporta su variabilidad en el tiempo.

🔗 https://www.amat.mx/courses-1/curso-de-series-del-tiempo-forecasting

Hay problemas que no ceden ante una fórmula exacta. Monte Carlo propone otra estrategia: dejar que el azar trabaje miles, millones de veces y estudiar lo que emerge del conjunto.

La idea tomó forma moderna en los años cuarenta, cuando Stanislaw Ulam comenzó a pensar en el muestreo aleatorio como una herramienta de cálculo. Con la llegada de las primeras computadoras, repetir una enorme cantidad de escenarios dejó de ser una fantasía matemática y se convirtió en un método práctico.

Ahí está su fuerza: no necesita recorrer todas las posibilidades para producir información útil. Simula, acumula evidencia y aproxima cantidades que serían demasiado costosas o directamente inviables de obtener por métodos deterministas.

Por eso hoy aparece en física, finanzas, seguros, ingeniería, optimización, inteligencia artificial y análisis de riesgo.

Monte Carlo no elimina la incertidumbre.
La convierte en algo que puede medirse, explorarse y utilizarse para decidir.

Hay patrones que no desaparecen: regresan.

SARIMA entra justo ahí, cuando una serie no solo depende de sus rezagos recientes, sino también de lo que ocurrió en el mismo punto de ciclos anteriores.

No basta con diferenciar por diferenciar.
En series con estacionalidad, el calendario también pesa.

Una venta mensual puede volver a comportarse como hace 12 meses.
Una demanda trimestral puede repetir presión cada 4 periodos.
Un consumo anual puede traer memoria en el ciclo, no solo en el dato inmediato.

Por eso SARIMA no solo modela el pasado: incorpora la forma en que ciertos patrones vuelven a aparecer.

En Series de Tiempo: Forecasting aprenderás a identificar cuándo una serie exige componente estacional, cómo diferenciarla correctamente y cómo construir modelos que respondan a su estructura real.

Inscríbete: https://www.amat.mx/courses-1/curso-de-series-del-tiempo-forecasting

En 1878, Georg Cantor hizo una pregunta que parecía perfectamente razonable y terminó provocando uno de los episodios más incómodos de la historia de las matemáticas.

Cantor ya había descubierto algo difícil de aceptar para la intuición: el infinito no tenía un solo tamaño.

Los números naturales podían contarse, aunque la lista nunca terminara. Los números reales, en cambio, formaban un infinito mayor. Entre ambos aparecía entonces una sospecha inevitable:

¿Había otro infinito escondido en medio?
Cantor pensó que no.

Así nació la hipótesis del continuo: la afirmación de que no existe ninguna cardinalidad situada estrictamente entre la de los números naturales y la de los números reales.

Parecía una pregunta sobre cantidades. Acabaría convirtiéndose en una pregunta sobre los límites de las propias matemáticas.

Cantor pasó años intentando demostrarla. En el camino desarrolló buena parte del lenguaje con el que hoy estudiamos los conjuntos infinitos. Incluso consiguió probar versiones parciales para ciertas familias de conjuntos, pero la hipótesis completa se resistía.

En 1900, David Hilbert la colocó al frente de sus célebres problemas para el nuevo siglo. El primer problema de Hilbert era, literalmente, el problema de Cantor.

Y durante décadas nadie consiguió cerrarlo.

Hasta que Kurt Gödel hizo algo mucho más desconcertante.

En 1938 demostró que, si los axiomas habituales de la teoría de conjuntos son consistentes, también pueden convivir con la hipótesis del continuo. Dicho sin diplomacia lógica: aquellos axiomas no podían demostrar que Cantor estuviera equivocado.

Faltaba averiguar si podían demostrar que estaba en lo cierto.

En 1963 apareció Paul Cohen.
Cohen no encontró una prueba de la hipótesis. Inventó una herramienta nueva, el forcing, y con ella construyó modelos matemáticos donde la hipótesis del continuo era falsa.

La conclusión fue bastante peor para quien esperaba un simple sí o no.

Los mismos axiomas podían tener modelos donde la hipótesis era verdadera y otros donde era falsa.

Gödel había demostrado que, suponiendo consistente el sistema, CH no podía refutarse desde esos axiomas.
Cohen completó el golpe: bajo la misma clase de hipótesis de consistencia, tampoco podía demostrarse desde ellos.

No era que durante ochenta años hubiera faltado suficiente talento.
Era algo bastante más incómodo: los axiomas estándar de la teoría de conjuntos no bastaban para decidir la pregunta.

El trabajo de Cohen fue tan profundo que recibió la Medalla Fields en 1966. Su técnica de forcing sobrevivió al problema que la hizo nacer y se convirtió en una de las herramientas fundamentales de la teoría moderna de conjuntos.

Hay además una ironía histórica magnífica: Cantor había empezado preguntándose cuántos infinitos podían existir entre dos tamaños. La respuesta terminó obligando a los matemáticos a preguntarse cuántos universos matemáticos podían existir alrededor de una misma colección de axiomas.

Y todavía hoy no existe consenso sobre qué axiomas adicionales, si alguno, deberían decidir finalmente la hipótesis del continuo.

Cantor buscaba un infinito escondido.
Encontró, sin saberlo, una frontera.

Porque algunas preguntas no revelan solamente algo sobre los objetos que estudiamos. Revelan hasta dónde alcanza el lenguaje con el que intentamos comprenderlos.

Mucha gente llega a Spark cuando empieza a trabajar con volúmenes que ya resultan incómodos para las herramientas que usaba todos los días.

El cambio importante no es memorizar otra sintaxis. Es entender particiones, ejecución distribuida y qué operaciones hacen que un proceso escale bien o mal.

En el curso usamos Google Colab para aprender y practicar estos conceptos sin tener que montar un clúster desde el primer día.

Si ya te has topado con archivos o procesos que ponen a tu computadora al límite, aquí vas a entender qué cambia cuando empiezas a trabajar con Spark.

Entender qué cambia cuando empiezas a trabajar con Spark.
Curso: Introducción al Big Data con PySpark
Prácticas: Google Colab
Requisito: conocimientos de Python
Iniciamos: 5 | 09 | 2026

Firmar una nota técnica en Accidentes, Enfermedades y Salud implica responder por hipótesis, metodología, suficiencia de primas, reservas, congruencia contractual, reaseguro y solvencia.

En nuestro desglosamos los 10 puntos que debe dominar un actuario antes de asumir esa responsabilidad ante la CNSF y en el camino hacia la certificación CONAC. El artículo aborda desde el marco legal y los EPAs hasta reservas técnicas, registro de productos, función actuarial y RCS.

Lee el artículo completo aquí:
https://www.amat.mx/post/la-anatom%C3%ADa-de-una-nota-t%C3%A9cnica-perfecta-avalada-por-conac-y-cnsf

Un recuperable de reaseguro mal estimado puede dar una lectura de solvencia más favorable de la que corresponde.

En Accidentes, Enfermedades y Salud, no basta con reducir la exposición retenida: los recuperables deben ser consistentes con la valuación de reservas y con la exposición neta real.

Si esa relación falla, el riesgo no desaparece; solo queda mal reflejado en el análisis técnico.

Este caso forma parte del tipo de razonamiento que debe dominar quien busca firmar notas técnicas y participar en la valuación de reservas del ramo.

Curso de Preparación para firmar Notas Técnicas y Valuación de Reservas en Accidentes, Enfermedades y Salud.

Modalidad: online en vivo
Solicita información en: https://www.amat.mx/items/curso-de-preparaci%C3%B3n-para-el-examen-certificaci%C3%B3n-accidentes-enfermedades-y-salud

En 1859, Bernhard Riemann dejó una pregunta que las matemáticas todavía no han conseguido cerrar.

Durante más de siglo y medio, la hipótesis que lleva su nombre ha sido atacada desde el análisis complejo, la teoría de números, la geometría y la computación. Se han verificado cantidades descomunales de ceros de la función zeta. Todos obedecen el patrón esperado. Ninguno de esos cálculos, por gigantesco que sea, alcanza para demostrarlo.

En 2025 apareció otra forma de mirar el problema.

José Damián Espinosa, actuario egresado de la UDLAP, propuso una formulación equivalente que sustituye la expresión original por una desigualdad construida con números armónicos y la suma de divisores.

No resolvió la hipótesis de Riemann.

Hizo algo distinto: cambió el idioma en el que puede estudiarse.

La propuesta permite conectar esa desigualdad con particiones enteras y con el retículo de Young, una estructura combinatoria que organiza esas particiones mediante diagramas de cajas.

En 2026, el matemático Carlos Segovia desarrolló esa conexión en un preprint y mostró cómo determinadas familias dentro del retículo contribuyen a reconstruir el mismo umbral crítico que aparece en criterios clásicos relacionados con Riemann.

Ahí está la parte interesante.

Una equivalencia matemática no elimina la dificultad del problema. Pero puede moverla hacia un territorio donde existen herramientas distintas para atacarla.

Por ahora no hay demostración, no hay, por ahora, evidencia pública de una validación general de la comunidad matemática y la hipótesis de Riemann continúa abierta.

La noticia, entonces, no es que alguien haya vencido uno de los grandes problemas de las matemáticas.

Es que apareció otra puerta.
Y en problemas que llevan más de 160 años resistiendo, abrir una puerta distinta ya merece que miremos con atención.

𝐄𝐥 𝟏𝟗 𝐝𝐞 𝐚𝐠𝐨𝐬𝐭𝐨 𝐝𝐞 𝟏𝟗𝟑𝟗 𝐧𝐚𝐜𝐢𝐨́ 𝐞𝐧 𝐋𝐨𝐧𝐝𝐫𝐞𝐬 𝐀𝐥𝐚𝐧 𝐁𝐚𝐤𝐞𝐫.
Tres décadas después estaría haciendo algo bastante incómodo para las matemáticas: obligarlas a decir no solo que ciertas soluciones eran escasas, sino hasta dónde podían esconderse.

La historia había comenzado antes de él.

En 1900, David Hilbert planteó un problema sobre potencias de números algebraicos que permaneció abierto durante más de treinta años. Aleksandr Gelfond y Theodor Schneider lo resolvieron independientemente en 1934 y demostraron un resultado decisivo sobre números trascendentes.

Pero Gelfond dejó otra puerta entreabierta.

Había conseguido controlar expresiones construidas con dos logaritmos de números algebraicos y señaló que extender aquello a un número arbitrario de logaritmos tendría consecuencias extraordinarias para la teoría de números.

Baker aceptó la provocación.

Obtuvo su doctorado en Cambridge en 1965. Para ese año, su bibliografía ya sumaba ocho trabajos publicados. En 1966 apareció la primera parte de Linear forms in the logarithms of algebraic numbers. Le seguirían otras tres hasta 1968.

Lo que consiguió fue mucho más que ampliar un resultado anterior.

Baker desarrolló métodos capaces de obtener cotas explícitas para formas lineales en logaritmos de números algebraicos. Aquello permitió atacar ecuaciones diofánticas —problemas en los que se buscan soluciones enteras— de una manera nueva.

Antes podía demostrarse que una ecuación tenía solamente un número finito de soluciones y, aun así, seguir sin saber dónde buscarlas.

Baker empezó a ponerles fronteras.

Había una ironía: algunas de sus primeras cotas eran tan enormes que realizar todas las comprobaciones necesarias podía resultar prácticamente imposible incluso para las computadoras de la época. El propio Baker lo sabía y siguió refinando el método.

Sus ideas terminaron aplicándose a ecuaciones de Thue, ecuaciones de Mordell y problemas profundos sobre números de clase. También proporcionaron una solución independiente a un antiguo problema planteado por Gauss, dentro de una historia en la que también fueron fundamentales Kurt Heegner y Harold Stark.

En 1970, Alan Baker recibió la Medalla Fields. Tenía 31 años.

Su trabajo siguió creciendo en manos de otros matemáticos. Baker–Wüstholz, Matveev, Waldschmidt y numerosos investigadores desarrollaron cotas más potentes y convirtieron aquellas ideas en una herramienta central de la teoría diofántica efectiva.

Hay descubrimientos que responden una pregunta.

El de Baker hizo algo más incómodo: obligó a muchas preguntas a dejar de conformarse con saber que la respuesta existía.

Porque en matemáticas demostrar que algo termina puede ser extraordinario.
Saber dónde termina cambia el problema por completo.