Categoría: Inferencia bayesiana

David Hume y la incertidumbre: ¿por qué creemos que el futuro se parecerá al pasado?

thebayesianfoxDeja un comentario

En los artículos anteriores hemos visto distintas formas de enfrentarse a la incertidumbre. Sócrates nos enseñó a reconocer nuestra ignorancia, Epicteto a aceptar lo que no controlamos, Sexto Empírico a suspender el juicio, Al-Ghazali a desconfiar de las conexiones causales aparentes, Santo Tomás de Aquino a ordenar los grados del conocimiento y Pascal a convertir parte del azar en un problema de probabilidades y decisiones.

David Hume plantea una dificultad todavía más profunda. Casi todas nuestras predicciones suponen que las regularidades observadas en el pasado continuarán en el futuro. Pero ¿qué justifica esa confianza?

Seguir leyendo «David Hume y la incertidumbre: ¿por qué creemos que el futuro se parecerá al pasado?»

Actualizar creencias: la lección bayesiana de Monty Hall

thebayesianfoxDeja un comentario

Imagina que participas en un concurso con tres puertas. Detrás de una hay un coche y detrás de las otras dos, una cabra. Escoges una puerta, pero antes de mostrarte su contenido, el presentador abre otra y deja ver una cabra. Después te ofrece cambiar tu elección por la única puerta que continúa cerrada.

La respuesta intuitiva suele ser que da igual: quedan dos puertas y, aparentemente, cada una tiene un 50 % de probabilidades. Sin embargo, cambiar duplica las posibilidades de ganar, que pasan de 1/3 a 2/3.

El problema de Monty Hall (basado en un concurso de TV real presentado por su epónimo presentador), explicado por Charles Wheelan en Naked Statistics, no es solo un acertijo. Es una lección bayesiana sobre cómo debemos actualizar nuestras creencias cuando recibimos nueva información.

Seguir leyendo «Actualizar creencias: la lección bayesiana de Monty Hall»

Reseña del libro «Naked Statistics: Stripping the Dread from the Data»

thebayesianfox2 comentarios

Naked Statistics: Stripping the Dread from the Data, publicado en 2013 por Charles Wheelan, parte de una idea sencilla: para comprender la estadística no es imprescindible comenzar por las fórmulas. Antes de calcular medias, probabilidades o regresiones, conviene entender qué preguntas intentan responder estas herramientas.

El propósito del libro no es formar estadísticos, sino reducir el temor que suele provocar la estadística. Wheelan recurre a historias y ejemplos relacionados con la economía, la medicina, las encuestas, los seguros o el deporte para mostrar cómo los datos intervienen constantemente en nuestras decisiones.

A lo largo de trece capítulos, el libro avanza desde la estadística descriptiva hasta la probabilidad, el muestreo, la inferencia, la regresión y la causalidad. Su argumento central es que una cifra puede ser matemáticamente correcta y, aun así, ofrecer una representación engañosa de la realidad.

Seguir leyendo «Reseña del libro «Naked Statistics: Stripping the Dread from the Data»»

Al-Ghazali y la incertidumbre: ¿podemos confiar en las causas?

thebayesianfox2 comentarios

En los artículos anteriores hemos visto distintas formas de enfrentarse a la incertidumbre. Sócrates nos enseñó a reconocer nuestra ignorancia, Epicteto a aceptar lo que no controlamos y Sexto Empírico a suspender el juicio cuando faltan razones suficientes.

Al-Ghazali introduce una nueva pregunta, especialmente relevante para la predicción: cuando observamos que dos acontecimientos se repiten juntos, ¿podemos afirmar que uno causa necesariamente el otro?

Seguir leyendo «Al-Ghazali y la incertidumbre: ¿podemos confiar en las causas?»

Sócrates y la incertidumbre: el valor de saber que no sabemos

thebayesianfox3 comentarios

La incertidumbre no nació con la estadística moderna ni con la teoría de la probabilidad. Mucho antes de medir el azar con números, los seres humanos ya tenían que tomar decisiones, defender ideas y elegir caminos sin disponer de certezas completas. La filosofía nació, en parte, para enfrentarse a preguntas difíciles y universales como estas: qué podemos conocer, cómo debemos actuar y cómo convivir con la incertidumbre.

Con este artículo comenzamos una nueva serie dedicada a explorar cómo distintos filósofos han reflexionado sobre la incertidumbre y qué podemos aprender de ellos para mejorar nuestras predicciones y decisiones. Empezaremos por uno de los más influyentes: Sócrates.

Seguir leyendo «Sócrates y la incertidumbre: el valor de saber que no sabemos»

Machine Learning vs. superforecasters: quién gana depende de la pregunta

thebayesianfoxDeja un comentario

Como ya vimos en el post sobre el mapa de métodos de previsión, no todas las predicciones pertenecen a la misma familia. El método adecuado depende mucho del tipo de problema que queremos anticipar: no es lo mismo prever una serie mensual de ventas, estimar el gasto de personal de una organización o asignar una probabilidad a un acontecimiento político.

Por eso resulta útil una distinción propuesta recientemente en el debate sobre ForecastBench: la diferencia entre dataset questions y market questions. Dicho de forma sencilla: hay preguntas que se parecen mucho a un problema de datos y otras que se parecen más a un problema de juicio.

Seguir leyendo «Machine Learning vs. superforecasters: quién gana depende de la pregunta»

Ernst Bloch y la predicción: el “todavía-no” del futuro

thebayesianfox1 comentario

Cuando pensamos en predicción, lo habitual es imaginar datos, modelos y probabilidades. Intentos de reducir la incertidumbre para tomar mejores decisiones. Pero hay una cuestión más profunda: ¿de dónde nace realmente esa necesidad de anticipar el futuro?

El filósofo Ernst Bloch ofrece una respuesta sugerente: el ser humano no vive solo en el presente, sino proyectado constantemente hacia lo que aún no existe. Antes de calcular escenarios, ya imaginamos posibilidades. Antes de construir modelos, ya vivimos orientados hacia el futuro.

Seguir leyendo «Ernst Bloch y la predicción: el “todavía-no” del futuro»

El Método Delphi: cuando la predicción cualitativa se vuelve estructurada

thebayesianfoxDeja un comentario

En un post anterior clasificábamos los métodos de previsión en dos grandes familias: cuantitativos y cualitativos. Dentro de los cualitativos podemos distinguir aquellos basados en juicio individual (opinión experta, analogías históricas, escenarios narrativos) y aquellos que intentan estructurar el juicio colectivo para reducir sesgos. El método Delphi pertene a esta segunda categoria.

No es predicción basada en datos en sentido estricto porque no parte de series temporales ni modelos matemático pero tampo es simple intuición. Es, probablemente, el intento más sofisticado del siglo XX de convertir el juicio experto en una herramienta sistemática de predicción.

Este método nació además en un contexto donde equivocarse podía significar una guerra nuclear.

Seguir leyendo «El Método Delphi: cuando la predicción cualitativa se vuelve estructurada»

Predicción cuantitativa analítica: cuándo usarla y cómo elegir modelo

thebayesianfoxDeja un comentario

En el post anterior vimos que la predicción no siempre empieza con datos y modelos: a veces lo más razonable es recurrir a estrategias cualitativas. Pero cuando el fenómeno es lo bastante estable, repetible y medible, la predicción cuantitativa ofrece algo muy valioso: un lenguaje común para comparar, evaluar y mejorar.

Ahora bien, dentro de la predicción cuantitativa conviene hacer una distinción fundamental porque no todos los modelos numéricos funcionan igual.

  • Algunos resuelven una estructura matemática estimada a partir de los datos y producen una predicción directa.
  • Otros, en cambio, recrean el sistema múltiples veces mediante simulación, generando dinámicas posibles y distribuciones emergentes.

Este post se centra en la primera familia: la predicción cuantitativa analítica.

Seguir leyendo «Predicción cuantitativa analítica: cuándo usarla y cómo elegir modelo»

Reseña del libro «Máquinas Predictivas: La economía simple de la Inteligencia Artificial»

thebayesianfoxDeja un comentario

Introducción

Prediction Machines: The Simple Economics of Artificial Intelligence, publicado en 2018 por Ajay Agrawal, Joshua Gans y Avi Goldfarb, parte de una idea tan simple como potente: el principal impacto de la inteligencia artificial no es que las máquinas “piensen”, sino que reducen drásticamente el coste de la predicción. Y dado que toda decisión incorpora algún tipo de predicción, este abaratamiento tiene consecuencias económicas de gran alcance.

El libro se publicó cuatro años antes del lanzamiento de ChatGPT, anticipándose al auge masivo de la IA generativa y al debate actual sobre su impacto. En un momento en el que la IA aún se percibía como una tecnología especializada, los autores ya señalaban que el verdadero cambio no vendría de aplicaciones llamativas, sino de la incorporación silenciosa de la predicción barata en millones de decisiones cotidianas.

Desde una perspectiva económica y pragmática, la IA se presenta como una continuación de avances previos —como las hojas de cálculo o los sistemas de optimización— que transformaron la toma de decisiones al reducir costes. La diferencia ahora es la escala: pequeñas mejoras en precisión, aplicadas de forma sistemática, generan un valor enorme.

A lo largo del libro, esta tesis se desarrolla en tres grandes bloques: qué es la predicción desde el punto de vista económico, cómo su abaratamiento transforma decisiones y organizaciones, y qué implicaciones estratégicas se derivan de un mundo donde predecir es cada vez más barato, pero el juicio humano sigue siendo escaso y valioso.

Seguir leyendo «Reseña del libro «Máquinas Predictivas: La economía simple de la Inteligencia Artificial»»