“En el ajedrez, cada jugada no es solo un movimiento: es la transición matemática de un estado de incertidumbre hacia un nuevo orden. Allí donde el jugador intuye, la probabilidad razona, y donde la mente duda, la información revela su camino.”
Preámbulo.
Cada mañana, mientras avanzo durante una hora hacia mi trabajo, encuentro un espacio inesperado para la reflexión. Entre partidas de ajedrez que juego en el camino (dos o tres cuando el tránsito lo permite), y lecturas sobre matemáticas que acompañan mis investigaciones, alimento una rutina intelectual que se ha vuelto parte esencial de mi vida. En estos trayectos también reviso mis notas, escritas en una libreta, ( tengo cuatro de distinto color; azul, naranja y verde y negra) que viajan conmigo, donde registro ideas inspiradas por los grandes matemáticos rusos cuyos libros, muchos de ellos de la editorial Mir, han sido mis guías y compañía durante años.
Esta exploración no la hago en soledad. Cuento con el privilegio de colaborar con el matemático mexicano, colega, mentor y amigo, el Dr. Francisco Bulnes, cuya visión y rigor científico han sido faros en mi propio camino de comprensión.
Hoy, en este artículo, deseo compartir un destello de aquello que esta mañana vinculé espontáneamente: el ajedrez, las cadenas de Markov, la entropía y la teoría de la información, tal como las presenta Aleksander Kinchin en su obra.
Ojalá estas líneas resulten de su agrado y sirvan como una invitación a recorrer este fascinante territorio donde la matemática dialoga con el ajedrez, revelando estructuras ocultas y posibilidades inesperadas.
Muchas gracias por leerme.
Aleksandr Khinchin, Andréi Markov y la matemática oculta del ajedrez: cadenas, entropía e información aplicadas a la estructura del juego y al desarrollo computacional
El ajedrez ha sido, durante siglos, un territorio donde convergen la creatividad humana, la lógica estratégica y la búsqueda de patrones ocultos. Sin embargo, su estudio matemático profundo tomó verdadera forma apenas en los siglos XIX y XX, cuando la teoría de la probabilidad, la estadística y la teoría de la información ampliaron la comprensión del juego más allá del tablero. Entre los científicos que hicieron posible esta transición destacan Andrei Andreyevich Markov, creador de las cadenas que llevan su nombre, y Aleksandr Yakovlevich Khinchin, uno de los pioneros en conectar procesos estocásticos con nociones de entropía e información.
Gracias a sus contribuciones, el ajedrez puede entenderse hoy como un sistema dinámico de enorme complejidad, gobernado por leyes estadísticas que revelan su estructura profunda.
El origen de las cadenas de Markov es particularmente significativo. Antes de Markov, los modelos probabilísticos se basaban casi exclusivamente en la independencia de los eventos: el resultado de un suceso no influía en el siguiente. Markov desafió esta visión estudiando secuencias de letras en textos literarios y demostrando que la aparición de una letra dependía de la anterior. Este descubrimiento lo llevó a formular una nueva estructura matemática: un proceso en el cual el futuro depende exclusivamente del estado presente, sin necesitar la historia completa.
A esta estructura la denominó cadena, pues cada estado funciona como un eslabón conectado únicamente con el siguiente, formando una secuencia de transiciones que determina la evolución del sistema. Esta metáfora es especialmente adecuada para el ajedrez: cada posición en el tablero es un eslabón del cual depende la siguiente, creando una cadena de estados que se desarrolla jugada tras jugada.
Los teoremas fundamentales de Markov otorgaron estabilidad y predictibilidad a estos procesos. Uno de los más importantes es el teorema del comportamiento estacionario, que afirma que cadenas irreducibles y aperiódicas tienden hacia una distribución estable de probabilidades a largo plazo. Aunque el ajedrez no es un sistema completamente estacionario por la existencia de estados absorbentes como el jaque mate, sí muestra regiones del espacio de posiciones que se alcanzan con gran frecuencia debido a su estructura y probabilidad natural de transición.
Otro resultado esencial es el teorema de la convergencia, que establece que el sistema pierde memoria del punto inicial después de suficientes pasos, un fenómeno visible en el ajedrez cuando posiciones surgidas de diferentes aperturas convergen hacia estructuras típicas del medio juego.
Por último, el concepto del tiempo de absorción permite calcular la probabilidad de caer en estados como victoria, derrota o tablas desde posiciones específicas, lo cual guarda estrecha relación con los métodos modernos de evaluación computacional.
Aleksandr Khinchin expandió este marco conceptual al vincular los procesos estocásticos con ideas de entropía, información y complejidad. Su trabajo permitió comprender que la incertidumbre en un sistema puede medirse y manipularse, lo que resulta esencial en el análisis del ajedrez.
La entropía de una posición refleja la cantidad de incertidumbre presente: posiciones abiertas, llenas de movilidad y amenazas, poseen entropía alta; posiciones cerradas o estructuradas poseen entropía baja. Esta medición permite evaluar el nivel de riesgo, caos o estabilidad en el tablero.
Desde la perspectiva de la teoría de la información, cada jugada puede interpretarse como una ganancia o pérdida informativa: una jugada que simplifica, reduce amenazas o aclara el rumbo estratégico disminuye la entropía del sistema, mientras que una jugada que introduce complejidad la incrementa.
En el ajedrez humano, la noción de entropía se expresa en la intuición del jugador: cuando una posición es caótica, el jugador necesita calcular más variantes para reducir la incertidumbre; cuando es estable, el cálculo puede volverse más directo. En el ajedrez computacional, esta relación se vuelve explícita.
Los motores modernos ajustan la profundidad de búsqueda según la entropía de la posición, explorando más líneas cuando el tablero presenta múltiples posibilidades y reduciendo el análisis cuando la estructura es clara. La función de evaluación computacional es, en cierto modo, un medidor constante de entropía que guía la exploración del espacio de posiciones.
La visión computacional del ajedrez lo concibe como un proceso markoviano donde cada estado depende del presente y de una función de evaluación. Los programas de ajedrez modelan millones de posiciones, cada una con un valor estático y dinámico que representa su calidad.
Aunque una cadena de Markov pura no contempla memoria, los motores introducen memoria artificial a través de bases de datos de aperturas, tablas de finales y redes neuronales entrenadas con millones de partidas. Esta memoria adicional no rompe la estructura markoviana del cálculo, sino que la complementa, ofreciendo un conocimiento acumulado que optimiza la evaluación de cada estado.
En motores como AlphaZero, redes neuronales profundas aprenden a asignar probabilidades a movimientos y posiciones de manera similar a una cadena de Markov enriquecida, donde la transición entre estados se optimiza a través de patrones adquiridos. En Stockfish, el cálculo masivo y la reducción de entropía mediante árboles de búsqueda permiten evaluar la calidad de secuencias enteras de jugadas, seleccionando aquellas que incrementan la probabilidad de alcanzar estados favorables. En ambos casos, las ideas de Markov y Khinchin se encuentran en el núcleo del proceso: el futuro depende del estado actual, la incertidumbre puede medirse y las transiciones pueden optimizarse.
Visto de esta manera, el ajedrez deja de ser simplemente un duelo intelectual y se convierte en un laboratorio para estudiar sistemas dinámicos, incertidumbre y procesos estocásticos. Cada partida es una cadena de estados enlazados por leyes probabilísticas; cada jugada, una reducción o expansión de la entropía; cada estrategia, un manejo de la información que transforma el caos en orden. Desde la creación de las cadenas de Markov hasta las contribuciones de Khinchin en la teoría de la información, la matemática nos permite entender el ajedrez como un sistema donde la complejidad se vuelve comprensible y donde el pensamiento humano y la inteligencia artificial comparten un mismo lenguaje estructural.
Así, allí donde el jugador busca claridad en medio del caos, la teoría de Markov revela la arquitectura de eslabones que gobierna el flujo del juego; y donde el motor computacional necesita elegir la mejor jugada entre miles, la teoría de la información y la entropía de Khinchin ofrecen una brújula para navegar el inmenso espacio estratégico del ajedrez.
El tablero se convierte, finalmente, en un mapa profundo de probabilidades, conexiones y dinámicas que integran la intuición, la creatividad y la ciencia en un solo entramado matemático.
“Quizá, al final, el ajedrez nos recuerda que no jugamos contra el azar ni contra la máquina, sino contra la misteriosa arquitectura del propio conocimiento: un tejido de transiciones, incertidumbres y revelaciones donde cada decisión es un eco de lo que somos y de lo que podemos llegar a comprender.”
