Blog sobre predicción estadística, inteligencia artificial y visualización de datos. Aprende a pensar como un zorro: con modelos flexibles, probabilidades bayesianas y sentido crítico.
Al-Ghazali y la incertidumbre: ¿podemos confiar en las causas?
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?
(más…)
Sexto Empírico y la incertidumbre: el valor de suspender el juicio
En los artículos anteriores vimos cómo Sócrates convirtió el reconocimiento de la ignorancia en el punto de partida del conocimiento y cómo Epicteto enseñó a distinguir entre aquello que depende de nosotros y aquello que escapa a nuestro control. Sexto Empírico propone una tercera forma de relacionarnos con la incertidumbre: no apresurarnos a elegir una respuesta cuando las razones disponibles no permiten hacerlo.
Su propuesta puede parecer incómoda en una época en la que se espera que tengamos una opinión inmediata sobre casi todo. Sin embargo, el escepticismo de Sexto no consiste en negar la verdad ni en desconfiar sistemáticamente de cualquier conocimiento. Consiste en investigar, comparar argumentos y aprender a suspender el juicio cuando ninguno resulta claramente superior.
(más…)
Epicteto, los estoicos y la incertidumbre: cómo vivir con lo que no controlamos
En el artículo anterior vimos cómo Sócrates convirtió el reconocimiento de la ignorancia en el punto de partida del pensamiento. Saber que no sabemos es una forma de humildad intelectual, pero también plantea una pregunta inevitable: ¿qué hacemos después? ¿Cómo debemos vivir y decidir cuando el mundo sigue siendo incierto?
Epicteto y los filósofos estoicos ofrecieron una respuesta profundamente práctica. No intentaron eliminar la incertidumbre ni prometieron una forma perfecta de anticipar el futuro. Su propuesta fue otra: aprender a distinguir entre aquello que depende de nosotros y aquello que no. En un mundo cambiante, esa distinción podía convertirse en una forma de serenidad.
(más…)
Sócrates y la incertidumbre: el valor de saber que no sabemos
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.
(más…)
Machine Learning vs. superforecasters: quién gana depende de la pregunta
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.
(más…)
Predecir nuevas maternidades mensuales: un proyecto de regresión lineal múltiple paso a paso
En predicción cuantitativa, el primer reto no suele ser elegir un algoritmo complicado, sino formular bien el problema. Antes de entrenar un modelo, hay que decidir qué queremos predecir, cómo vamos a medirlo y qué información puede ayudarnos a anticiparlo.
Con esa idea he preparado un nuevo proyecto en GitHub aplicado a un problema de gestión de personal hospitalario: la predicción mensual de nuevas bajas maternales equivalentes de trabajadoras de un hospital. La pregunta es concreta: ¿podemos estimar cuántas nuevas bajas maternales equivalentes se producirán cada mes entre las trabajadoras de un hospital usando datos agregados sobre plantilla, estabilidad contractual, estructura familiar aproximada y riesgo durante el embarazo?
El objetivo no es predecir decisiones individuales ni explicar la maternidad como fenómeno personal. El proyecto se centra en algo más práctico: construir una estimación mensual agregada que pueda ayudar a planificar sustituciones, prever carga organizativa y reducir parte de la incertidumbre en la gestión de personal.
(más…)
La regresión lineal múltiple: cuando la realidad depende de varias causas
En muchos fenómenos reales, una sola variable no basta para explicar lo que ocurre. El precio de una vivienda no depende únicamente de sus metros cuadrados, sino también de su ubicación, su antigüedad o su estado de conservación. El rendimiento académico no se relaciona sólo con las horas de estudio, sino también con el descanso, el contexto familiar o la dificultad de la materia.
La pregunta que aparece entonces es una extensión natural de la que ya planteaba la regresión lineal simple: si una variable puede ayudarnos a predecir otra, ¿qué ocurre cuando intervienen varias al mismo tiempo?
Uno de los modelos más importantes para abordar esta situación es la regresión lineal múltiple. Su idea central sigue siendo sencilla, pero su alcance es mucho mayor: permite estimar cómo se relaciona una variable con varias explicaciones simultáneas y construir predicciones más ricas y realistas.
(más…)
AlphaFold: la inteligencia artificial que predijo la forma de la vida
La vida funciona gracias a moléculas diminutas que no vemos, pero que trabajan constantemente dentro de las células. Algunas transportan sustancias, otras aceleran reacciones químicas, otras envían señales y otras ayudan a construir tejidos. Entre todas ellas, las proteínas ocupan un lugar central.
Una proteína es una molécula formada por una cadena de piezas más pequeñas llamadas aminoácidos. Podemos imaginar los aminoácidos como las letras de un alfabeto químico. Al combinarse en distinto orden, forman cadenas diferentes. Pero en biología no basta con conocer la secuencia de esas “letras”. Lo decisivo es la forma que adopta la cadena cuando se pliega en el espacio.
Esa forma tridimensional determina qué puede hacer una proteína. Si encaja con otras moléculas, si participa en una reacción, si transporta una sustancia o si está relacionada con una enfermedad depende, en gran parte, de su estructura. Por eso, durante décadas, una de las grandes preguntas de la biología fue: si conocemos la secuencia de aminoácidos de una proteína, ¿podemos predecir su forma?
(más…)
Ernst Bloch y la predicción: el “todavía-no” del futuro
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.
(más…)
Pensar antes de predecir: una guía práctica con el AI canvas
Cuando se habla de inteligencia artificial, muchas veces se empieza por el modelo. Pero antes de elegir una técnica conviene hacerse una pregunta más importante: qué decisión queremos mejorar.
Para eso resulta útil el AI canvas, una herramienta explicada en el libro Máquinas predictivas. Su función es muy simple: ayudar a ordenar un caso de uso de IA antes de construirlo. En lugar de quedarse en una idea vaga como “aquí podríamos usar IA”, obliga a concretar qué queremos predecir, para qué serviría esa predicción, qué datos harían falta y cómo sabríamos si el sistema funciona bien.
(más…)Se ha producido un error. Actualiza la página y/o inténtalo de nuevo.
The Bayesian Fox 