Categoría: Estadística predictiva

Los cuatro cuadrantes de Taleb: una brújula para saber cuándo no debemos predecir

thebayesianfoxDeja un comentario

Este post forma parte de la serie dedicada a explorar las ideas esenciales de El Cisne Negro, de Nassim Taleb, cuyo objetivo es mejorar nuestra capacidad predictiva entendiendo, precisamente, cuándo la predicción funciona… y cuándo no.*

Cuando intentamos anticipar el futuro, solemos asumir que las herramientas estadísticas funcionan igual en todas partes. Pero Taleb nos recuerda que no vivimos en un único tipo de mundo. Hay entornos donde los datos se comportan de manera estable y predecible, y otros donde un solo suceso extremo puede cambiarlo todo. Para orientarnos entre estos dos mundos propone un mapa simple pero poderoso: los cuatro cuadrantes de la incertidumbre.

Este mapa cruza dos ejes fundamentales:

  1. el tipo de decisión que queremos tomar (simple o compleja), y
  2. la naturaleza del entorno (Mediocristán o Extremistán).

A continuación, exploramos cada uno de estos cuadrantes de forma clara y práctica.

Seguir leyendo «Los cuatro cuadrantes de Taleb: una brújula para saber cuándo no debemos predecir»

Mediocristán vs Extremistán: dos mundos que deciden si tu modelo predictivo acierta o falla

thebayesianfoxDeja un comentario

Este post inaugura una nueva serie del blog dedicada a explorar ideas esenciales de El Cisne Negro de Nassim Taleb. Igual que hicimos con otros libros clave, iremos desgranando conceptos y reflexionando sobre ideas que nos ayudarán a aprender a predecir mejor.

Y no hay mejor punto de partida que uno de los pilares del pensamiento de Taleb: la diferencia radical entre Mediocristán y Extremistán.

Dos mundos, dos tipos de aleatoriedad

Taleb distingue entre dos “países probabilísticos” que se parecen tanto entre sí como un estanque tranquilo respecto a un tsunami.

  • Mediocristán, donde reina la aleatoriedad suave, “domesticada”, con variaciones pequeñas.
  • Extremistán, donde domina la aleatoriedad salvaje, con eventos capaces de romper cualquier estadística.

La idea es simple: algunos fenómenos del mundo real no pueden crecer más allá de ciertos límites físicos (por ejemplo, cuánto mide una persona). Otros, en cambio, pueden escalar sin límite conocido (por ejemplo, cuánto dinero puede generar un libro o un software).

Y esa diferencia lo cambia TODO: cómo modelamos, cómo interpretamos los datos, qué tan seguros podemos estar… y cuán vulnerables somos a un Cisne Negro.

Seguir leyendo «Mediocristán vs Extremistán: dos mundos que deciden si tu modelo predictivo acierta o falla»

Cómo hacer un post-mortem de tus predicciones

thebayesianfoxDeja un comentario

Para concluir la serie de posts donde hemos analizado y reflexionado sobre conceptos e ideas del libro Superforecasting: The Art and Science of Prediction, en esta entrada hablaremos de la práctica del post-mortem: una herramienta que nos ayudará a mejorar nuestras futuras predicciones a partir de hacer las “autopsias” de nuestras predicciones pasadas.

Cuando lanzamos una predicción sobre el futuro, el tiempo se convierte en juez.
La fecha llega, el evento ocurre (o no) y ya no hay incertidumbre. Entonces aparece un momento crítico que a menudo pasamos por alto: el análisis post-mortem.

Un post-mortem es la autopsia de una predicción ya caducada. No se trata solo de comprobar si “acertamos” o “fallamos”, sino de contrastar nuestra estimación con el resultado real y, sobre todo, de sacar conclusiones que nos hagan mejores pronosticadores.

Seguir leyendo «Cómo hacer un post-mortem de tus predicciones»

¿Cómo saber si tus predicciones son buenas?

thebayesianfoxDeja un comentario

Esta entrada, como las anteriores, parte de una idea clave del libro Superforecasting: The Art and Science of Prediction de Philip Tetlock y Dan Gardner. Allí se insiste en que hacer predicciones no es solo cuestión de acertar o fallar, sino de aprender a evaluar la calidad de nuestros juicios para mejorarlos con el tiempo.

Y para mejorar, primero hay que medir.
¿Medir qué exactamente?
👉 La calidad de tus predicciones.

En este post te presento tres conceptos clave para evaluar predicciones, especialmente si te interesa convertirte en un autèntico superforecaster:

  • Calibración
  • Resolución
  • Métricas cuantitativas como el Brier Score o el MAPE
Seguir leyendo «¿Cómo saber si tus predicciones son buenas?»

La sabiduría de las multitudes, los mercados eficientes y las predicciones que no siempre aciertan

thebayesianfoxDeja un comentario

A continuación se expone y se reflexiona sobre una idea extraída del libro “Superpronosticadores. El arte y la ciencia de la predicción”. Se trata de la llamada “sabídura de las masas” que defiende que la agregación combinada de muchas opiniones es mejor que la de unas pocas, aunque estas se consideren expertas.

En 1906, el estadístico Francis Galton visitó una feria agrícola en Plymouth, Inglaterra. Allí observó un curioso concurso: los asistentes debían adivinar el peso de un buey expuesto, y el ganador sería quien más se acercara al peso real.

Galton, escéptico del «pueblo llano», recopiló los 787 boletos con estimaciones y decidió analizarlos. Calculó la mediana de todas las predicciones: 1.207 libras. El peso real del animal era 1.198 libras. Solo nueve libras de diferencia. Increíblemente preciso.

Este episodio se ha convertido en un clásico ejemplo de lo que hoy conocemos como la «sabiduría de las multitudes»: cuando se agregan muchas opiniones independientes, incluso si no son expertas, el resultado puede ser sorprendentemente acertado.

Seguir leyendo «La sabiduría de las multitudes, los mercados eficientes y las predicciones que no siempre aciertan»

Intentar ver el mundo como una libélula: múltiples perspectivas para mejores predicciones

thebayesianfoxDeja un comentario

A continuación, seguimos explorando ideas del libro «Superforecasting: The Art and Science of Prediction» que considero muy relevantes para todo aquel que quiera mejorar su capacidad de predecir. En el momento de explorar la idea de ver el mundo como una libélula, es decir, abordar un problema des de todas las perspectivas posibles.

Las libélulas tienen una forma extraordinaria de ver el mundo. Sus ojos están compuestos por miles de lentes individuales, cada una captando una porción distinta del entorno. El resultado no es una imagen fragmentada, sino una visión integrada y más rica. ¿Y si aplicáramos ese mismo principio a cómo pensamos sobre el futuro?

El sesgo de nuestra única perspectiva

Uno de los mayores retos al hacer predicciones es que solemos ver el mundo desde un solo ángulo: el nuestro. Nuestra experiencia, nuestras creencias y nuestras emociones actúan como filtros que limitan lo que vemos —y lo que somos capaces de anticipar.

Seguir leyendo «Intentar ver el mundo como una libélula: múltiples perspectivas para mejores predicciones»

Priors bayesianas (3/3): Distribuciones continuas para modelar creencias que fluyen

thebayesianfoxDeja un comentario

En las dos entradas anteriores presentamos el concepto de prior bayesiana y cómo construirla usando distribuciones discretas. Sin embargo, no todo en la vida se cuenta con números enteros. A veces, lo que queremos modelar fluye de forma continua: proporciones, medias, tiempos, tasas…
En este último capítulo de la serie, exploramos las distribuciones continuas más útiles para construir priors cuando las variables no se cuentan, sino que se miden.

¿Qué es una distribución continua?

Una distribución de probabilidad continua describe el comportamiento de una variable que puede tomar cualquier valor dentro de un intervalo, incluso infinitos valores posibles.

Por ejemplo: La proporción de pacientes que se recuperan de una enfermedad, el tiempo de espera en una consulta médica o el ingreso mensual medio de una familia.

Seguir leyendo «Priors bayesianas (3/3): Distribuciones continuas para modelar creencias que fluyen»

Priors bayesianas (2/3): Cómo usar distribuciones discretas para modelar nuestras creencias

thebayesianfoxDeja un comentario

En la primera entrega de esta serie vimos qué es una prior: una forma de expresar con números lo que creemos antes de observar datos. Hoy daremos un paso más y veremos cómo podemos construir esas priors utilizando distribuciones de probabilidad discretas cuando el análisis preliminar nos indica que el fenómeno que queremos predecir se comporta así.

Porque sí, hasta nuestras corazonadas pueden adoptar una forma matemática.

¿Qué es una distribución de probabilidad discreta?

Una distribución de probabilidad discreta es una herramienta matemática que asigna probabilidades a valores enteros concretos. Es útil para describir fenómenos contables como:

  • ¿Cuántas veces encestaré si lanzo 10 veces?
  • ¿Cuántos clientes vendrán hoy?
  • ¿Cuánto tardaré en tener un acierto?

Estas distribuciones no trabajan con valores continuos como 3,1416 o 7,82, sino con 0, 1, 2, 3…

Seguir leyendo «Priors bayesianas (2/3): Cómo usar distribuciones discretas para modelar nuestras creencias»

Priors bayesianas (1/3):¿Qué es una prior?

thebayesianfox1 comentario

Imagina esto:
Estás buscando setas en un bosque. Nunca has estado allí, pero alguien te ha dicho que las mejores suelen crecer bajo robles. Aunque aún no has visto ninguna, ya sabes por dónde empezar a buscar. Eso que sabes antes de empezar a observar es tu conocimiento previo… o lo que en estadística bayesiana llamamos una distribución a priori, o simplemente: una prior.

¿Qué es una prior?

En el mundo de la inferencia bayesiana, una prior es nuestra forma de representar, con números, lo que creemos que puede pasar antes de ver los datos.

Es como una apuesta informada: antes de lanzar una moneda, quizás sospechas que está trucada porque el borde está desgastado. Eso afecta tu expectativa antes incluso de verla caer.

Cuando usamos el Teorema de Bayes, la prior se combina con los datos observados (a través de la verosimilitud) para actualizar nuestras creencias. El resultado es lo que llamamos la distribución posterior.

Seguir leyendo «Priors bayesianas (1/3):¿Qué es una prior?»

Bayes: de los milagros a los algoritmos

thebayesianfox1 comentario

El mundo en que nació Thomas Bayes era un lugar mucho más borroso de lo que creemos. Corría el siglo XVIII, soplaban vientos de Ilustración y la mayoría de las mentes brillantes de la época creían que la verdad absoluta estaba al alcance del hombre moderno. Mediante la razón, grandes pensadores se afanaban en elaborar leyes y ecuaciones deterministas que pretendían revelar el funcionamiento del universo, como si fuera un reloj suizo. La incertidumbre, esa plaga moderna, apenas comenzaba a abrirse paso.

Bayes, un clérigo presbiteriano de mirada invisible, nunca fue un gran protagonista. No tuvo el carisma de Newton ni la osadía de Laplace. Vivía en la sombra, en bibliotecas polvorientas, escribiendo silenciosamente sobre teología, moral y con una especial fascinación por las matemáticas.

Fue en ese clima donde, hacia 1750, concibió una idea que cambiaría el mundo. Una idea que, como muchas de las grandes revoluciones, fue ignorada durante décadas: que no había que esperar infinitas repeticiones de un evento para saber qué tan probable era, que podíamos estimar la incertidumbre con la información que ya teníamos. Que podíamos, en suma, inferir hacia adelante.

Seguir leyendo «Bayes: de los milagros a los algoritmos»