Pensamiento bayesiano para pronosticadores

El pensamiento bayesiano es una forma disciplinada de cambiar de opinión: partes de una creencia previa, pesas cuánto encaja en ella una nueva evidencia y llegas a una creencia actualizada llamada posterior. El teorema de Bayes es solo la aritmética que te dice exactamente cuánto moverte.

La mayoría nos actualizamos mal. O nos aferramos a una primera impresión o saltamos al último titular que llegó. El razonamiento bayesiano es el término medio: cada evidencia empuja tu estimación en una cantidad que depende de lo sorprendente que sería si estuvieras equivocado. Adopta el hábito y tus pronósticos se vuelven más estables, mejor calibrados y mucho más difíciles de engañar.

Las tres palabras que de verdad necesitas

El teorema de Bayes tiene fama de intimidante, pero toda la idea cabe en tres términos sencillos.

• Previo: lo que creías antes de que llegara la nueva evidencia. A menudo es una tasa base, la frecuencia de fondo del evento.
• Verosimilitud: cuán esperable sería la evidencia en cada mundo, aquel donde tu hipótesis es cierta y aquel donde es falsa.
• Posterior: tu creencia revisada tras combinar el previo con la verosimilitud. Se convierte en el previo de la siguiente evidencia.

El mecanismo es fácil de enunciar: una evidencia mucho más probable cuando tu hipótesis es cierta que cuando es falsa debe elevar con fuerza tu creencia; una evidencia más o menos igual de probable en ambos casos no te dice casi nada y apenas debería moverte. La mayoría de los errores de razonamiento vienen de ignorar un lado de esa comparación.

La regla lleva el nombre de Thomas Bayes, un pastor del siglo XVIII cuyo ensayo sobre la «doctrina de las probabilidades» se publicó en 1763, dos años después de su muerte. La matemática no ha cambiado desde entonces; lo que ha cambiado es la frecuencia con que se usa para razonar sobre el futuro.

El previo suele ser una tasa base

El error más común es partir del previo equivocado, o olvidar fijar uno. Antes de mirar los detalles de un caso, pregúntate con qué frecuencia ocurre este tipo de cosas en general. Esa frecuencia de fondo es tu previo, y ancla todo lo que sigue.

Los psicólogos llaman a este fallo «descuido de la tasa base». Daniel Kahneman documentó con qué facilidad la gente abandona las tasas base en cuanto oye una historia vívida y concreta, aunque esa historia sea mucho menos informativa que las estadísticas sin más.

Elegir la clase de referencia correcta para esa tasa base es una destreza en sí misma. Consulta las tasas base y el pronóstico por clase de referencia para saber cómo escoger el grupo al que pertenece tu caso.

Un ejemplo resuelto, con números reales

Nada hace entender a Bayes más rápido que un cálculo concreto. Aquí está el clásico caso de la prueba médica, que hace tropezar incluso a profesionales entrenados.

Supón que una afección afecta a 1 de cada 100 personas. Una prueba la detecta en el 99 % de los casos reales, pero también marca por error al 5 % de las personas sanas. Das positivo. ¿Cuál es la probabilidad de que de verdad tengas la afección? La mayoría calcula alrededor del 95 %. La respuesta real es de un 17 % aproximadamente, y Bayes muestra por qué.

1. Parte del previo. En la población general, 1 de cada 100 personas tiene la afección, así que antes de la prueba tu previo es del 1 %.
2. Anota las verosimilitudes. La prueba marca al 99 % de quienes la tienen y al 5 % de quienes no.
3. Imagina 10 000 personas. Unas 100 tienen la afección, y la prueba marca correctamente a 99 de ellas.
4. Fíjate en las 9 900 personas sanas. La prueba marca por error al 5 %, es decir, 495 falsos positivos.
5. Cuenta todos los resultados positivos: 99 verdaderos positivos más 495 falsos positivos suman 594 personas con prueba positiva.
6. Lee el posterior. De esas 594, solo 99 tienen realmente la afección, así que tu probabilidad actualizada es 99 / 594, alrededor del 17 %.

El resultado parece erróneo porque el dato llamativo, un positivo, eclipsa al silencioso, la baja tasa base. Pero sencillamente hay muchas más personas sanas para generar falsas alarmas que enfermas para generar verdaderas. Un único positivo te llevó del 1 % al 17 %, una gran actualización, pero no hasta la casi certeza. Una segunda prueba positiva independiente te movería de nuevo, esta vez desde el 17 % hacia arriba. Eso es la actualización bayesiana en acción: cada resultado nuevo remodela al anterior.

Los buenos pronosticadores se actualizan a pasos pequeños

Los mejores pronosticadores tratan su probabilidad como un dial, no como un interruptor. Cuando llega un dato nuevo, se hacen una sola pregunta: ¿cuánto más probable es esto si mi postura es correcta que si es errónea? Luego ajustan, no saltan.

• Parten de una tasa base en lugar del primer detalle llamativo.
• Se mueven poco ante evidencia débil y mucho ante evidencia fuerte, en proporción a su poder diagnóstico.
• Evitan los dos fallos: anclarse tanto que la evidencia nunca cuenta, y sobrerreaccionar hasta que cada titular voltea su postura.
• Siguen actualizándose, porque un pronóstico es una estimación en curso, no un veredicto único.

Este hábito incremental es uno de los rasgos que separan a los pronosticadores de élite de la multitud. Consulta los superpronosticadores explicados para conocer el conjunto más amplio de destrezas que lo acompañan.

Por qué esto importa para predecir la actualidad

Las preguntas del mundo real rara vez llegan con números pulcros, pero la disciplina se traslada directamente. Sale una encuesta, una empresa falla sus resultados, circula un rumor: cada uno es una evidencia, y Bayes te dice que la peses frente a una tasa base en vez de tratarla como toda la historia. Un titular con tres puntos de ventaja en una encuesta no debería borrar lo que decenas de encuestas previas y décadas de tasas base electorales ya te dijeron.

El hábito también te protege de que te manipulen. La evidencia sensacionalista está diseñada para parecer diagnóstica, pero haz la pregunta bayesiana, qué probabilidad tiene esto si la afirmación es falsa, y muchas «bombas» se reducen a ruido. A lo largo de muchas predicciones, moverte en la cantidad correcta en vez de la dramática es lo que produce un historial calibrado.

La calibración es como compruebas con el tiempo si tus actualizaciones tienen el tamaño adecuado. Consulta la calibración de pronósticos explicada para ver cómo es un historial bien ajustado.

Practícalo con preguntas reales

La actualización bayesiana es un músculo, y la única forma de desarrollarlo es hacer apuestas probabilísticas y verlas resolverse. Predice, observa el resultado y fíjate si te moviste demasiado o demasiado poco.

Clutch te permite pronosticar noticias y deportes reales con créditos dentro de la app y lleva la cuenta, para que sientas cómo tus previos chocan con la realidad y veas mejorar tu calibración. Descarga la app y empieza a actualizarte como un bayesiano.