Dónde miente el modelo

Hace cinco lecciones te pusieron en la mano una lente que parece explicarlo todo: la ventaja acumulativa fabricando leyes de potencia, un puñado de ganadores que se lo llevan casi todo, la media volviéndose inútil en la cola. Una lente tan afilada merece un aviso de seguridad antes de que salgas del taller — porque una mente recién armada con “ley de potencia (power law)” empieza a ver leyes de potencia en cada gráfico torcido, a reconstruir un genio sobrehumano a partir de cada gran ganador, y a citar exponentes de cola con dos decimales a los que no tiene ningún derecho. Esta lección es donde te contamos dónde miente el modelo: los supuestos que fallan calladamente, las afirmaciones que suelen ser exageraciones, y el juicio de valor al que le gusta colarse disfrazado de bata de laboratorio.

Nada de esto desenseña el curso. La ventaja acumulativa es real, las leyes de potencia son reales, y la tiranía de la cola es real. Pero la diferencia entre una persona que entiende el modelo y una que simplemente está prendada de él es la lista de salvedades de abajo. Ten a mano la distinción luck-vs-skill de la lección 5 y el curso de colas gruesas — aquí es donde vienen a cobrar sus deudas.

El test a ojo no demuestra casi nada

La analogía. Desde un coche en marcha, una curva suave y una carretera totalmente recta se ven idénticas durante el segundo que las miras. Tienes que frenar, bajarte y medir para notar la diferencia. Un gráfico log–log es esa mirada desde el coche: en un rango limitado — y todo conjunto de datos real es un rango limitado — toda una familia de curvas de cola gruesa se aplana en algo que el ojo llama alegremente “una línea recta”.

La jugada ingenua. Dibujas el rango contra el tamaño en ejes log–log, entornas los ojos, ves una línea y cantas victoria: ley de potencia. Este es fácilmente el error más común de todo el campo, cometido en entradas de blog, presentaciones de inversores y más de un artículo revisado por pares. La línea parece una prueba.

La visión corregida. Una línea log–log recta es la firma de una ley de potencia, pero las firmas se pueden falsificar. Para establecer de verdad una ley de potencia necesitas estadística, no ojímetro:

• Ajusta por máxima verosimilitud, no dibujando una línea. Estimar una pendiente a ojo (o peor, ajustar una recta de regresión a un histograma log–log) está sesgado y es notoriamente poco fiable. El estándar moderno — el método de Clauset–Shalizi–Newman — estima el exponente (exponent) por máxima verosimilitud y encuentra dónde empieza siquiera la cola.
• Contrasta el ajuste. Un test de bondad de ajuste (usan un estadístico de Kolmogorov–Smirnov con bootstrap) pregunta si la ley de potencia es siquiera una descripción plausible de los datos — y con frecuencia la respuesta es “no”.
• Compara candidatas cara a cara. El paso decisivo es un test de razón de verosimilitudes contra las rivales: ¿es una ley de potencia mejor que una log-normal (log-normal), una exponencial, una exponencial estirada? Clauset, Shalizi y Newman reexaminaron dos docenas de conjuntos de datos famosamente “de ley de potencia” y hallaron que, para la mayoría, una ley de potencia no era claramente el mejor ajuste — una log-normal a menudo lo hacía igual de bien o mejor.

Imitadoras log-normales: misma forma, distinta historia

La analogía. Dos ríos pueden tallar cañones casi idénticos — uno por un goteo lento y constante durante eones, el otro por unas pocas inundaciones catastróficas. Misma forma en la roca; historia completamente distinta que la creó. Una ley de potencia y una log-normal pueden dejar casi la misma silueta en un gráfico siendo generadas por motores genuinamente distintos.

De dónde viene una log-normal. Toma una cantidad y multiplícala, una y otra vez, por factores aleatorios — crece un 3 % un año, encoge un 5 % al siguiente, salta un 20 %, y así. El crecimiento aleatorio multiplicativo, sin apego preferencial — sin ventaja de “más engendra más”, con la tasa de crecimiento de cada unidad extraída del mismo bote independientemente del tamaño — produce una distribución log-normal: el logaritmo del resultado tiene forma de campana. Y una log-normal tiene una cola derecha gruesa y puede generar una desigualdad enorme por sí sola. Parece, a primera vista, la gemela de una ley de potencia.

Pero es un animal distinto:

Por qué importa. Muchas de las “leyes de potencia” más citadas del campo — rentas, riqueza personal, tamaños de empresa, tamaños de ciudad (sí, hasta las adoradas ciudades de Zipf) — son, tras un reanálisis riguroso, log-normales en disputa, o se describen mejor como log-normal en el cuerpo con una cola de ley de potencia solo en el extremo. La lección no es que estas cantidades sean aburridas; siguen siendo tremendamente desiguales y de cola gruesa. La lección es más afilada: la forma no revela unívocamente el mecanismo. No puedes mirar un histograma de cola gruesa y leer “apego preferencial” — un simple proceso multiplicativo sin retroalimentación de rico-se-hace-más-rico produce algo que parece casi lo mismo.

El currículum del ganador está inflado

La analogía. Tras un torneo de póker, el campeón da una entrevista sobre sus lecturas sin miedo y su disciplina de hierro, y todo suena a genialidad — porque ganó. Los siete jugadores igual de hábiles a los que les cayó una mala carta en el river y quebraron pronto no dan entrevistas. Estudiamos el juego del campeón como prueba de talento, olvidamos el cementerio de jugadores idénticos que perdieron, y concluimos que ganar requiere una capacidad sobrehumana. En su mayoría requirió el mismo talento más las cartas.

La jugada ingenua. Miras a un ganador desbocado — un multimillonario, un superventas descomunal, una superestrella — y reconstruyes su talento a partir de su resultado: acabó 1.000 veces por delante, así que debe de ser 1.000 veces mejor. Su currículum, en retrospectiva, parece sobrehumano.

Por qué está inflado — dos ilusiones que se componen. La lección 5 ya avisó de que los resultados son suerte-compuesta, no proporcionales al mérito. Dos fuerzas hacen que el aparente genio del ganador sea aún mayor de lo que es:

• El efecto Mateo (Matthew effect) infla el propio historial. Como el ganador acumuló ventaja, su historial está rellenado por la composición, no solo por el talento. Las victorias tempranas compraron recursos, atención y mejores oportunidades, que compraron victorias mayores — así que el currículum es en parte una transcripción del bucle de retroalimentación, malinterpretada como transcripción de la persona. El crédito de un artículo escrito con colaboradores desconocidos fluye hacia el nombre famoso; la plataforma amplifica el siguiente movimiento de la estrella al margen de su calidad.
• El sesgo de supervivencia (survivorship bias) esconde el grupo de control. Estudiamos abrumadoramente a los ganadores — los fundadores que lo lograron, los fondos que batieron al mercado, los artistas que despuntaron. La vasta población de gente igual de hábil que tomó los mismos riesgos y perdió es invisible, porque a los perdedores no les hacen biografías. Leyendo solo a los supervivientes, cualquier rasgo que compartan se lee como un secreto del éxito, cuando ese mismo rasgo era igual de común en el cementerio.

La regla. No reconstruyas un talento enorme a partir de resultados enormes. En un mundo de ventaja acumulativa, el mapa del talento al resultado es empinado, ruidoso y autoamplificado: ventajas modestas se vuelven brechas gigantescas, y la brecha da demasiado crédito al ganador mientras la cola igual de merecedora queda sin estudiar. La regresión a la media es la señal — el fondo “genial”, la mano caliente o el niño prodigio que se enfría de forma fiable hacia la media llevaba más suerte de la que la historia admitía.

El exponente es más frágil de lo que parece

La analogía. Estimar el exponente de una ley de potencia a partir de su cola es como estimar el edificio más alto de la historia de un país a partir de los tres rascacielos construidos la última década. Toda la respuesta descansa sobre un puñado de puntos de datos extremos y raros — y un puñado es una cosa pésima sobre la que basar un número seguro.

La jugada ingenua. Lees que “el exponente de la riqueza es 1,4” o “los tamaños de ciudad van como α = 2,1”, lo citas con dos decimales, y lo tratas como una constante fija de la naturaleza.

Por qué es frágil. El exponente α se estima a partir de la cola lejana — las pocas observaciones más extremas — y esa cola es exactamente donde los datos escasean más:

• Datos escasos, barras de error anchas. Por definición hay muy pocos multimillonarios, megaciudades o empresas de billones. Estimar una pendiente a partir de una docena de puntos te compra un intervalo de confianza ancho, no una constante precisa. La estimación puntual reportada esconde una incertidumbre genuina.
• Sensibilidad al corte. El exponente depende de dónde decides que empieza la cola (el x_min en Clauset–Shalizi–Newman). Mueve el corte y el número se mueve. Elígelo a ojo y prácticamente puedes marcar a mano el α que esperabas.
• Inestabilidad en el tiempo. Los exponentes de cola derivan a medida que el sistema subyacente cambia — las distribuciones de riqueza se empinan y se aplanan a lo largo de décadas, el riesgo de cola del mercado cambia con el régimen. Un número medido en 1990 no tiene por qué valer en 2020.

La regla. La precisión segura sobre un exponente de cola suele ser exceso de confianza. Trata α como una estimación difusa, cambiante y dependiente del corte con barras de error reales — útil como indicador aproximado de régimen (“cola fina vs. cola gruesa vs. tan gruesa que la media no existe”), no como una constante física que puedas llevar a tres decimales.

No todo es una ley de potencia

La analogía. Compra un martillo y de pronto el mundo entero parece clavos. Aprende la ventaja acumulativa y de pronto cada desigualdad parece sin escala, cada brecha parece rico-se-hace-más-rico, cada distribución parece de cola gruesa. La mayoría de las cosas siguen teniendo forma de clavo — pero muchas no, y darle con el martillo a un tornillo solo lo estropea.

La jugada ingenua. Sobreaplicación: ver apego preferencial por todas partes, tratar cada resultado sesgado como una ley de potencia y — el error más profundo — suponer que toda desigualdad es por tanto inevitable e inamovible porque es “sin escala”.

La visión corregida. Muchos procesos reales no son de ley de potencia y nunca lo serán, porque algo detiene el desbocamiento:

• Cantidades acotadas. La altura humana, la esperanza de vida, la velocidad al correr, el CI — techos físicos o biológicos duros. Ningún bucle de retroalimentación te hace diez veces más alto. Estas tienen forma de campana, cola fina, y la media significa exactamente lo que esperarías.
• Retroalimentación negativa / saturación. Donde el crecimiento suprime más crecimiento — la congestión frena una ciudad abarrotada, la competencia erosiona los márgenes de una empresa dominante, los depredadores se hunden cuando la presa se acaba — obtienes dinámicas autolimitantes, no autorreforzantes. El bucle que hace las leyes de potencia corre en el sentido contrario.
• Reinicios y mezcla. Los procesos que borran la pizarra periódicamente (mortalidad, obsolescencia, límites de mandato, rotación forzosa) impiden la acumulación ilimitada y mantienen la cola fina.

La jugada madura es el interruptor de la lección 5, aplicado con honestidad en ambas direcciones: ¿en qué mundo estoy? Algunos son mundos de ley de potencia donde la cola es toda la historia. Otros son mundos de campana de Gauss donde manda la media. Suponer ley de potencia en todas partes es exactamente igual de equivocado que la mente de campana de la que pasaste el curso escapando — es solo el error opuesto.

La trampa normativa

La analogía. “El agua fluye cuesta abajo, por tanto las inundaciones son buenas” es un salto lógico obvio — una descripción de cómo pasa algo colada en una afirmación sobre si debería. “Es una ley de potencia, así que la desigualdad es natural e inevitable” es la misma jugada con bata de laboratorio. Describir un mecanismo no es respaldar su resultado.

La jugada ingenua. El fallo más sutil no está en ningún estadístico — está en el juicio de valor que se sube al modelo. Empapada en ventaja acumulativa, una empieza a tratar la desigualdad extrema como una ley de la naturaleza: es sin escala, es el efecto Mateo, es cómo el universo reparte las cosas, así que es inevitable y no hay nada que hacer (y, calladamente, nada que se deba hacer).

La visión corregida. El modelo describe un mecanismo; no justifica un resultado. Dos errores separados van empaquetados en la trampa:

• El colado del ser/deber. Que una distribución sea generada por apego preferencial no dice nada sobre si esa distribución es buena, justa o aceptable — esas son preguntas de valor sobre las que las matemáticas guardan silencio.
• El colado de la inevitabilidad. Las leyes de potencia no están grabadas en la física; las producen mecanismos — la estructura de la red, las reglas del mercado, la fuerza del bucle de retroalimentación. Y los mecanismos se pueden cambiar. La fiscalidad progresiva, el antimonopolio, la redistribución, los estándares abiertos, los mandatos de interoperabilidad, los límites de mandato, los topes y los suelos — todas son intervenciones que reconfiguran o amortiguan el bucle. El parámetro que arrastraste en el motor de la introducción es una palanca de política en el mundo real. Baja la fuerza del “más engendra más” y el Gini cae; eso no es solo un deslizador, es lo que el antimonopolio y la redistribución hacen literalmente.

Todo el modelo, en un solo aliento

Aquí va el curso entero, exhalado de una vez. Una ley de potencia es una distribución sin escala — unos pocos ganadores gigantescos y una larga cola que se adelgaza, recta en ejes log–log, un animal distinto de la campana de Gauss sin caso “típico”. La fabrica un motor — apego preferencial, el efecto Mateo, “más engendra más” — donde tener más te hace más probable conseguir más, así que ventajas tempranas minúsculas y casi aleatorias se componen en brechas enormes. Su cara amable es el principio 80/20 (los pocos vitales dominan a los muchos triviales, y anida dentro de sí mismo), su filo afilado es el el ganador se lo lleva todo (una ventaja de calidad finísima, hecha escalable por la tecnología y las redes, paga cien a uno), y su consecuencia peligrosa es la tiranía de la cola (la media carece de sentido, la media muestral nunca se asienta, un evento puede pesar más que toda la historia, y los resultados son suerte-compuesta mucho más que proporcionales al mérito). Y por último, dónde miente el modelo: el test a ojo del log–log no demuestra casi nada, las log-normales imitan las leyes de potencia con un mecanismo distinto, la supervivencia y el efecto Mateo inflan el aparente genio del ganador, el exponente de la cola es frágil y cambiante, no todo es sin escala, y “es una ley de potencia” nunca significa que la desigualdad sea natural, justa o inmutable. Esa es la máquina entera, salvedades incluidas.

Resumen

• El test a ojo no demuestra casi nada. Una línea log–log más o menos recta es necesaria pero no suficiente; establecer una ley de potencia necesita ajuste por máxima verosimilitud, tests de bondad de ajuste y comparaciones por razón de verosimilitudes contra las rivales (Clauset–Shalizi–Newman). El “¡es una ley de potencia!” casual suele ser una exageración.
• Las log-normales son imitadoras. El crecimiento aleatorio multiplicativo sin apego preferencial también hace una cola derecha gruesa — misma forma, motor distinto. La forma no revela unívocamente el mecanismo, y muchas “leyes de potencia” famosas son log-normales en disputa.
• El currículum del ganador está inflado. El efecto Mateo rellena el historial con composición, y el sesgo de supervivencia esconde a los perdedores igual de hábiles. No reconstruyas un talento enorme a partir de resultados enormes; espera regresión a la media.
• El exponente es frágil. α se estima a partir de los pocos puntos extremos de la cola — datos escasos, barras de error anchas, sensible al corte, cambiante en el tiempo. La precisión segura sobre exponentes de cola es exceso de confianza.
• No todo es una ley de potencia. Las cantidades acotadas, la retroalimentación negativa y los reinicios producen distribuciones de cola fina. Pregunta “¿en qué mundo estoy?” — ley-de-potencia-por-todas-partes es solo la imagen especular del error de la campana de Gauss.
• La trampa normativa. “Es una ley de potencia, así que la desigualdad es natural/inevitable” cuela un juicio de valor dentro de un trozo de matemáticas. El modelo describe un mecanismo; no justifica el resultado — y los mecanismos (estructura de red, reglas, impuestos, antimonopolio) se pueden cambiar.

Ese es el modelo completo, salvedades incluidas. Ahora puedes reconocer una ley de potencia, nombrar su motor, usar el 80/20, respetar la cola — y, igual de importante, pillarte a ti mismo y a los demás exagerándola. Queda una cosa: el Examen Final — una única pasada calificada por todo lo que has aprendido, una pregunta cada vez. Es de sentido único: en cuanto respondes, se bloquea, sin vuelta atrás y sin reintentos, y necesitarás un 70 % para aprobar. Respira hondo, y luego empieza.