Los 10 mandamientos del superpronosticador (y el 11.º)

En la serie que venimos publicando sobre cómo pensar mejor el futuro —desde mirar el mundo “como una libélula” hasta usar estimaciones de Fermi y evaluar nuestras predicciones con el Brier score— hoy damos un paso práctico.

En un anexo de Superforecasting: The Art and Science of Prediction Philip Tetlock y Dan Gardner sintetizan décadas de evidencia en diez hábitos que, entrenados con intención, mejoran la precisión de las predicciones. A continuación los adaptamos a nuestro día a día, con ejemplos, micro-rutinas y una plantilla para que los pongas en marcha ya.

1) Triaje: elige bien tus batallas

Idea: Enfoca el esfuerzo donde rinde: evita lo trivial (reglas simples bastan) y lo casi inescrutable (ni modelos complejos ayudan). Busca la “zona Ricitos de Oro”: dificultad media, datos suficientes y decisiones reales en juego.

Seguir leyendo «Los 10 mandamientos del superpronosticador (y el 11.º)»

Reseña del libro «Superpronosticadores. El arte y la ciencia de la predicción»

Introducción

Superforecasting: The Art and Science of Prediction, publicado en 2015, es una obra escrita por Philip E. Tetlock y Dan Gardner, resultado del proyecto «Good Judgment» liderado por Tetlock bajo el patrocinio de la Intelligence Advanced Research Projects Activity (IARPA), una agencia dedicada a investigar el arte de la predicción. Este estudio, en formato de torneo competitivo, enfrentó a voluntarios que realizaron predicciones sobre eventos actuales. Los mejores pronosticadores, denominados superpronosticadores, demostraron tener habilidades predictivas superiores. Tetlock y Gardner exploran cómo desarrollar estas habilidades, señalando claramente que la precisión en la predicción no depende de talentos innatos, sino de habilidades que pueden aprenderse.

Seguir leyendo «Reseña del libro «Superpronosticadores. El arte y la ciencia de la predicción»»

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

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»