Un paciente sale de la clínica conmocionado: ha dado positivo en una enfermedad rara, y el test es «99% preciso». En su cabeza el veredicto ya está dictado: la tengo. Al fondo del pasillo, un médico que de verdad hace las cuentas mira el mismo resultado y piensa: probablemente una falsa alarma — hagamos un segundo test antes de que nadie se asuste. Mismo test, mismo resultado positivo, dos creencias completamente distintas. Solo una de ellas está calibrada, y no es la que parece obvia. Con una enfermedad que afecta a 1 de cada 1,000 personas, un test «99% preciso» que da positivo significa que hay solo alrededor de un 9% de probabilidad de que de verdad estés enfermo.
Ese hueco — entre leer un test positivo como un veredicto y leerlo como un empujoncito — es el tema entero de este curso. El paciente cambió su creencia hasta la certeza absoluta con un solo dato. El médico la movió un poco, de «1 de cada 1,000» hasta «1 de cada 11 más o menos», y se paró exactamente donde decían las cuentas. Ese movimiento disciplinado y parcial tiene nombre: actualización bayesiana (Bayesian updating), y es la herramienta de pensamiento más importante de toda la ruta de probabilidad.
El movimiento, en una respiración
Aquí tienes la idea entera antes de pasar cinco lecciones ganándonosla. La actualización bayesiana (Bayesian updating) significa que nunca construyes una creencia desde cero cuando llega evidencia nueva. Partes de lo que ya creías — el prior — luego te preguntas cómo de bien encaja la nueva evidencia, y mueves tu creencia en proporción a cómo de fuerte es de verdad esa evidencia. La evidencia sorprendente y difícil de falsificar te mueve mucho. La evidencia débil, ambigua y fácil de falsificar te mueve apenas nada. Aterrizas en una creencia actualizada — la probabilidad posterior (posterior) — y esa probabilidad posterior se convierte en tu prior para el siguiente dato.
Suena modesto. Y es también la única disciplina que separa a quien sigue la pista de la realidad de quien va dando bandazos según lo último que ha oído. El terco nunca actualiza; el crédulo actualiza hasta el final cada vez. El bayesiano actualiza en la cantidad correcta — y «la cantidad correcta» resulta ser un número que de verdad puedes calcular.
Antes de leer — adivina
Un test casero para una condición rara (afecta a 1 de cada 1,000 personas más o menos) es un 99% preciso. Das positivo. Antes de seguir leyendo, ¿qué te dice la intuición: cómo de probable es que de verdad tengas la condición?
Por qué «preciso» es una trampa
Mira qué engañó a la intuición en esa pregunta. El test es «99% preciso», y la mente lo lee como «99% de probabilidad de que el resultado sea correcto». Pero la precisión es una afirmación sobre el test — cómo se comporta cuando ya sabes quién está enfermo y quién sano. Lo que de verdad quieres es lo contrario: dado un resultado positivo, ¿cómo de probable es la enfermedad? Esos dos números parecen lo mismo y son tremendamente distintos, y el hueco entre ellos es exactamente del tamaño de la tasa base que olvidaste.
Esa es la trampa que la actualización bayesiana existe para desactivar. Un test positivo es evidencia, no un veredicto. La evidencia desplaza una creencia; no la reemplaza. Para saber cuánto te desplaza, necesitas tres cosas, y solo una de ellas es la precisión del test:
- El prior — cómo de probable era la enfermedad antes del test (aquí, 1 de cada 1,000). Es la tasa base (base rate) del curso anterior, ahora haciendo un trabajo nuevo.
- La tasa de verdaderos positivos — cada cuánto se dispara el test cuando sí tienes la enfermedad.
- La tasa de falsos positivos — cada cuánto se dispara cuando no la tienes.
Quita el prior y obtienes el pánico del paciente. Mantenlo, y obtienes la calma del médico. El resto del curso es solo aprender a sostener las tres a la vez.
La versión de una frase
La actualización bayesiana = parte de tu prior (normalmente la tasa base), sopesa cómo de bien encaja la nueva evidencia, y mueve tu creencia en proporción a cómo de fuerte es esa evidencia — nunca hasta el final, nunca nada en absoluto. La evidencia es un empujón cuyo tamaño puedes calcular, no un veredicto que borra lo que sabías.
¿Qué frase muestra a alguien actualizando como un bayesiano, en lugar de accionar un interruptor?
Por qué este es el modelo, no solo «ten la mente abierta»
«Ten la mente abierta» es un consejo con el que todo el mundo asiente y que nadie sabe aplicar, porque no dice cuánto de abierta ni a qué. La actualización bayesiana es la versión operativa. Te da un movimiento concreto — combina tu prior con la verosimilitud (likelihood) de la evidencia — una cantidad concreta que estimar — ¿cuánto más probable es esta evidencia si mi hipótesis es cierta que si es falsa? — y un fallo concreto que esperar — la gente deja caer el prior y trata la evidencia como la respuesta entera (la negligencia de la tasa base que conociste en tasas base, ahora con un nombre para la cura).
Y como todo buen modelo mental, es portátil. El mismo motor que convierte un test médico positivo en «alrededor del 9%, haz otro test» convierte una entrevista de trabajo brillante en «buena señal, pero la mayoría de los candidatos que suenan seguros tampoco acaban funcionando», convierte un titular aterrador en «alarmante, pero ¿cada cuánto una cobertura así precede al desastre real?», y convierte un resultado científico en «afirmación extraordinaria — ¿la evidencia supera el listón extraordinario?». No está atado a la medicina ni a la clase de mates. Es un movimiento que puedes hacer sobre cualquier creencia, en el momento en que aterriza la evidencia nueva.
Un amigo insiste en que su nuevo negocio «seguro» que triunfa porque tres amigos dijeron que comprarían. ¿Cuál es la crítica bayesiana?
El mapa del curso
Cinco lecciones cortas, y luego un examen que no puedes deshacer. La ruta sube de la intuición a la fórmula y de vuelta al juicio:
- Prior, verosimilitud, posterior — los tres ingredientes en lenguaje llano: tu creencia de partida, cómo de bien encaja la evidencia con cada hipótesis, y la creencia actualizada que obtienes al combinarlos. El vocabulario sobre el que corre el resto del curso.
- La prueba médica — el ejemplo canónico resuelto al completo con números reales y un árbol de frecuencias naturales que hace imposible olvidar la tasa base. Manejarás una calculadora interactiva de probabilidad posterior y verás cómo un test positivo te mueve solo un poco.
- El teorema de Bayes — la ecuación de verdad,
P(H|E) = P(E|H)·P(H) / P(E), más su mucho más amable forma de cuotas (odds) — cuotas previas × cociente de verosimilitud = cuotas posteriores — que te deja actualizar de cabeza. - La fuerza de la evidencia — el cociente de verosimilitud (likelihood ratio) como un único número que mide cómo de diagnóstica es una pista; evidencia débil frente a fuerte; por qué las afirmaciones extraordinarias exigen evidencia extraordinaria; y actualizar una y otra vez a medida que llega evidencia.
- Dónde se tuerce la actualización — los escollos: dejar caer el prior, confundir P(evidencia | hipótesis) con P(hipótesis | evidencia), contar dos veces evidencia correlacionada, y negarse a actualizar en absoluto. Termina con un repaso de todo el curso.
Luego un Examen final — corregido, una pregunta cada vez, de un solo sentido: en cuanto respondes, queda bloqueada. Sin botón de atrás, sin reintentos.
Cómo usar este curso
Una sola regla hace casi todo el trabajo: di tu prior en voz alta antes de mirar la evidencia. En el instante en que te comprometes con un número de partida — «yo habría dicho 1 de cada 1,000» —, la actualización tiene algo contra lo que empujar, y puedes notar si la evidencia te está moviendo una cantidad sensata. Sáltate ese paso y cada dato nuevo parece la historia entera. Los ejercicios están hechos para obligarte a declarar un prior y luego pillar tu propia sobrerreacción o infrarreacción.
A continuación: la lección 1, donde nombramos los tres ingredientes — prior, verosimilitud, posterior — y los encajamos en la única frase sobre la que descansa el modelo entero.