Mauricio Molina Delgado

Bayes y el crculo de la probabilidad

Abstract: In this article we discuss the debate about probability between frequentialism and bayesianism approaches. Thomas Bayes original work and other early XVIII century proposals about probability are confronted with the position called bayesianism. We present arguments suporting a subjectivist notion of probability, which considers probability as degree of belief in contrast with the frequentialist approach, which defines the concept in terms of the limit of relative frequencies when the number of cases goes to infinity. Key words: Bayes. Probability. Hazard. Determinism. Hermeneutics. Resumen: En este artculo se aborda la polmica entre frecuencialistas y bayesianos respecto a la naturaleza de la probabilidad. Al respecto se considera la figura de Thomas Bayes y las nociones tempranas de probabilidad en el siglo XVIII, contrastando su propuesta con el enfoque que posteriormente se denomina bayesiano. Se dan argumentos a favor de la nocin subjetivista de probabilidad, la cual considera que sta representa un grado de creencia, en contraste con la versin frecuencialista que define este concepto en trminos de una frecuencia relativa cuando el nmero de casos tiende al infinito. Palabras clave: Bayes. Probabilidad. Azar. Determinismo. Hermenutica.

Sobre la nocin clsica de probabilidad

Normalmente se entiende por probabilidad de un evento A al lmite llevado al infinito de la razn entre el nmero de casos donde se obtiene el evento A sobre el nmero total de ensayos. Es esta la nocin que podramos denominar enfoque frecuencialista, el cual supone que las probabilidades son valores fijos que se ven reflejados empricamente al repetir muchas veces un experimento en condiciones similares. Dicha interpretacin frecuencialista de la probabilidad no es la nica posible, de hecho inicialmente se adopt un concepto de probabilidad como una medida del grado de creencia en una situacin de ignorancia parcial y esta nocin expresada ya en Laplace fue aceptada por la mayora de los autores hasta el siglo XIX (Nagel, 1965). Esta ltima idea ha sido tradicionalmente adjudicada a Thomas Bayes cuyo trabajo, publicado de forma pstuma, ha sido interpretado en el sentido de que los parmetros de una distribucin de probabilidad no son fijos sino variables (Bayes, 1763/2003). En general podramos sealar 3 posiciones distintas sobre el concepto de probabilidad1: a) nociones que recurren a resultados empricos y asumen que las frecuencias relativas son un reflejo del valor de probabilidad, b) nociones que consideran a la probabilidad como un grado de creencia en situaciones de ignorancia parcial y que recurren al supuesto de eventos equiprobables, y c) nociones que consideran a la probabilidad como un grado de creencia en situaciones

Rev. Filosofa Univ. Costa Rica, XLVII (122), 75-80 Setiembre-Diciembre 2009 / ISSN: 0034-8252

76

MAURICIO MOLINA DELGADO

de ignorancia parcial pero no asumen la equiprobabilidad de los eventos sino que recurren al conocimiento subjetivo para obtener valores de probabilidad. Se suele denominar definicin clsica de probabilidad al segundo grupo de enfoques (b), definicin frecuencialista o estadstica al primer grupo (a) y definicin personalista o bayesiana al tercero (c). Para los efectos que aqu interesan, existen dos formas bsicas en las que podemos entender la probabilidad: una forma objetivista basada en la idea de lmite al infinito de la frecuencia y una forma personalista que considera la probabilidad como un grado de creencia. El propsito de este artculo es presentar argumentos que muestren la superioridad de la definicin personalista o bayesiana respecto al enfoque objetivista.

realidad dicho parmetro asuma cualquier valor entre 0 y 1, pero segn el enfoque clsico dicho valor es necesariamente fijo an cuando pueda ser desconocido.

El enfoque bayesiano de probabilidad

La obra fundamental de Bayes (1763/2003) es un artculo pstumo en el que trata de la determinacin de la probabilidad de que el parmetro p de una distribucin Bernoulli se encuentre entre dos valores. Esta formulacin contrasta con el enfoque tradicional en cuanto considera los parmetros no como cantidades fijas sino como variables a cuyos posibles valores se asocian a su vez valores de probabilidad. Algunos autores consideran que antes del surgimiento del enfoque clsico de la estadstica esta disciplina era fundamentalmente bayesiana (Effron, 1986). Esta interpretacin es sin embargo difcil de aceptar. Si nos remontamos al siglo XVII ms bien podramos hablar de que algunos desarrollos de la estadstica tenan un tinte bayesiano, como sucede con el trabajo de Laplace y Gauss, pero la verdad es que aun en nuestros das se utilizan herramientas bayesianas desde una perspectiva clsica. De hecho, dada la oscuridad de su artculo es dudoso que podamos decir que Bayes (1763/2003) mismo fuera bayesiano. Lo cierto es que contemporneamente surgen una serie de posiciones basadas en un enfoque subjetivista de las probabilidades4. Se ha interpretado que Bayes (1763/2003) considera que en ausencia de ignorancia sobre la distribucin del parmetro se debe considerar que todos los valores posibles del mismo tienen igual probabilidad de ocurrir. Lo importante es que Bayes, tal como se haba adelantado, considera al parmetro no como un valor fijo (como aparece en la formulacin clsica) sino como variable. En segundo lugar, el teorema de Bayes propone que la determinacin de la probabilidad depende tanto del conocimiento previo como de los datos mismos. Ya en el siglo XX la discusin entre el enfoque bayesiano y el enfoque clsico parece tener algunos de los rasgos descritos por Kuhn

Sobre la naturaleza de la estadstica

La discusin precedente se restringe nicamente al tema de la probabilidad en cuanto a su definicin y clculo, sin embargo el campo de la estadstica trasciende al de la probabilidad si bien est construido a partir de ella. A partir de la nocin frecuencialista de la probabilidad se ha desarrollado el llamado enfoque clsico de la estadstica2, el cual corresponde en realidad a una difcil alianza entre dos propuestas: la de Fisher y la de la llamada escuela de teora de decisin Neyman-Pearson-Wald (Efron, 1986)3. Ambos enfoque surgen en los aos 30 del siglo XX y una discusin profunda de lo mismos est ms all de las posibilidades de este artculo. Digamos simplemente que el enfoque clsico de la estadstica supone que la probabilidad de ocurrencia de cierto evento X se puede modelar con una determinada funcin f(X) la cual depende de un parmetro o valor fijo que es en principio desconocido. As, por ejemplo, el ensayo de lanzar una moneda al aire cuenta con una probabilidad de que sta caiga en escudo, la cual puede ser expresada por una funcin que denominamos Bernoulli con parmetro p. Si asumimos que ambas caras de la moneda tienen idntica probabilidad de ocurrir, el parmetro p debera ser igual a 0.5. Es tambin posible que en

Rev. Filosofa Univ. Costa Rica, XLVII (122), 75-80, Setiembre-Diciembre 2009 / ISSN: 0034-8252

BAYES Y EL CRCULO DE LA PROBABILIDAD

77

(19870) respecto de las revoluciones copernicanas (Smith, 1986). Los defensores del bayesianismo argumentan que la supremaca de la definicin de probabilidad frecuencialista adolece de fallas importantes (Gill, 2002; Press, 2003). Se han sealado algunas paradojas que surgen de ese enfoque debidas a la ruptura del llamado principio de verosimilitud o la tendencia al uso irreflexivo de significancias del 1% y el 5% (al respecto ver Cohen, 1994). Segn esta interpretacin, la razn de que el paradigma clsico se mantuviera durante casi 100 aos se debe a las dificultades matemticas del enfoque bayesiano, pero al desarrollarse recientemente mtodos de simulacin de Monte Carlo y herramientas computacionales para su implementacin, estos finalmente vendran a jugar el papel que tuvo el telescopio en la instauracin del herliocentrismo. En el presente artculo se presentan dos nuevos argumentos, uno centrado en la concepcin de probabilidad (en adelante argumento del mundo determinstico) y otro en la utilidad prctica de la misma respecto de los procesos de interpretacin de la realidad (argumento hermenutico).

predecir el resultado de la siguiente tirada del dado. Por ejemplo, supongamos que el siguiente conjunto de reglas se cumple: R1) Si los ltimos 3 experimentos (lanzamientos de la moneda) al ser sumados producen un nmero impar el resultado siguiente ser idntico al del ltimo experimento. R2) Si los ltimos 3 experimentos (lanzamientos de la moneda) al ser sumados producen un nmero par o 0, el resultado siguiente ser diferente al del ltimo experimento (es decir, si el ltimo experimento dio 1 el siguiente ser 0 y viceversa). As, los 3 primeros resultados suman 1 (impar) y el tercero es 1 de modo que el cuarto deber ser 1 (por R1); los resultados de los experimentos 2, 3 y 4 suman 0 y el cuarto es 0 de modo que el quinto deber ser 1 (por R2); y finalmente los resultados de los experimentos 3, 4 y 5 suman 1 por lo que el sexto deber ser 1 (impar) ya que el resultado del quinto experimento es 1 (por R1). Podemos obviar el hecho de que los primeros 3 resultados no pueden ser determinados por las reglas R1 y R2 suponiendo simplemente que los seis ensayos pertenecen a una serie ms grande de la que no tenemos conocimiento pero que igualmente determinaran los resultados de los primeros resultados. Agreguemos que aunque el proceso es determinstico, segn hemos supuesto en nuestro experimento mental, el sujeto que lanza las monedas, al que llamaremos en adelante Gombaud, desconoce el patrn que siguen los datos. Ahora bien, si Gombaud decide lanzar por sptima vez la moneda, nosotros podemos predecir que el resultado debe ser 0 puesto que la suma de los ltimos 3 resultados da 2 y el ltimo resultado fue 1 (R2). Desde nuestra perspectiva, como conocedores del proceso determinstico detrs del experimento, no tiene sentido considerar una probabilidad, pero para Gombaud el asunto es distinto. Si l mantiene una nocin personalista de probabilidad le aceptaremos que nos hable en trminos probabilsticas, porque a pesar de que el proceso es determinstico su nocin de probabilidad no encuentra tropiezo en ello, ya que al decirnos por ejemplo que l espera un escudo con una probabilidad de 0.5 sencillamente est

Argumento del mundo determinstico

Considrese una sucesin de n experimentos de Bernoulli (es decir, aquel donde se produce al azar uno de 2 posibles eventos que arbitrariamente denominamos xito y fracaso) como sera el lanzamiento de una moneda al aire. Para n = 6 podramos tener los resultados presentados en la siguiente tabla, el resultado del experimento se representa con 1 cuando sale escudo (arbitrariamente lo consideraremos el xito) y 0 cuando sale corona (el fracaso).
Nmero de lanzamiento Resultado 1 1 2 0 3 0 4 0 5 1 6 1 7 ?

Supongamos por un momento que en realidad los resultados del lanzamiento de la moneda no se dan al azar sino que existe una ley que los gobierna. De este modo, el proceso sera determinstico, existiendo un patrn que permitira

Rev. Filosofa Univ. Costa Rica, XLVII (122), 75-80, Setiembre-Diciembre 2009 / ISSN: 0034-8252

78

MAURICIO MOLINA DELGADO

expresndonos su grado de creencia en un contexto de ignorancia parcial. Por el contrario, si Gombaud mantiene un compromiso frecuencialista al darnos un enunciado probabilista estara cometiendo un error. En este caso la probabilidad de que se obtenga un escudo en la tirada nmero 7 sera calculable nicamente si fuera posible repetir de forma idntica las condiciones. Gombaud no lo sabra, pero para nosotros como genios omniscientes las condiciones relevantes seran las propias de las reglas R1 y R2, es decir la definicin frecuencialista de probabilidad nos dira que la probabilidad de escudo (1) en la siguiente tirada debe ser igual a la proporcin de veces que la suma de los tres experimentos anteriores es igual a 2 y el ltimo es igual a 1, en cuyo caso las reglas R1 y R2 nos garantizan que esa proporcin es necesariamente 0. Gombaud no tiene acceso a este resultado, por lo que casi cualquier nmero que l nos d tendr poco que ver con la situacin objetiva de la probabilidad. Modifiquemos ahora un poco nuestro experimento. Supongamos que finalmente Gombaud lanza la moneda y obtiene escudo (1). El resultado echa por tierra nuestra suposicin de que R1 y R2 gobiernan el proceso, sin embargo esto no garantiza que efectivamente la secuencia de resultados sea aleatoria. De hecho, una nueva serie de reglas podran dar cuenta del patrn, considrese por ejemplo las reglas R3 a R5, donde el smbolo X representa alguno de los valores posibles (0 o 1) y X su complemento (es decir que si X = 0 entonces X= 1 y si X=1 luego X=0) R3) Cuando aparezca una sucesin de resultados XX el siguiente resultado ser X. R4) Cuando aparezca una sucesin de resultados XXX el siguiente resultado ser X. R5) Cuando aparezca una sucesin de resultados XXXX el siguiente resultado ser X. En otras palabras las R3 a R5 reglas generan rachas de 1, 2 3 resultados idnticos seguidos, pero no rachas de 4 ms. Nuevamente podemos asumir que el resultado del primer ensayo depende de otros resultados no conocidos, y a partir de all se puede demostrar que los siguientes son correctamente predichos por el nuevo sistema de reglas, incluyendo el sptimo ensayo. Como

puede verse, aunque las reglas R1 y R2 son refutadas a la stima tirada de la moneda, otro grupo de reglas s puede explicar los siete resultados. El punto es que siempre es posible encontrar un conjunto de reglas que explique cualquier grupo de resultados5, y aunque Gombaud puede desconocer dichas reglas siempre es posible que ellas existan y tericamente siempre podramos pensar que alguien posee el conocimiento de las mismas. As, Gombaud desconoca en nuestro ejemplo las reglas correctas, nosotros planteamos un conjunto y ese result ser incorrecto, pero siempre una tercera persona podra poseer el conocimiento correcto. Esto puede utilizarse como argumento para cuestionar la posibilidad del azar, pero desde la perspectiva que aqu nos interesa el punto es que, independientemente de la existencia o no de un conjunto de reglas determinsticas (universalmente o localmente respecto al problema especfico de las monedas), Gombaud es incapaz de predecir la siguiente tirada de la moneda y que nosotros tambin fracasamos en la prediccin. En este sentido las predicciones (tanto la de Gombaud como la nuestra) son de naturaleza probabilstica siempre que adoptemos una definicin personalista de probabilidad. Sin embargo si adoptamos una definicin frecuencialista resulta que Gombaud no es capaz de emitir ningn enunciado probabilstica ya que no es capaz de reproducir las condiciones que las reglas proponen. En un mundo determinstico la posicin frecuencialista pierde sentido, pero la definicin personalista no tiene ningn compromiso en este sentido, ya que lo nico que requiere es la ignorancia relativa del sujeto. Puesto que no tenemos forma de afirmar o refutar que el proceso (o el universo mismo) sea de naturaleza determinstica, el planteamiento personalista es claramente superior.

Argumento hermenutico
Gadamer (2003) ha recalcado la idea de que los procesos de comprensin se llevan a cabo siempre a partir de preconcepciones (nunca se parte de conocimiento cero) las cuales eventualmente pueden ser revisadas y modificadas. El

Rev. Filosofa Univ. Costa Rica, XLVII (122), 75-80, Setiembre-Diciembre 2009 / ISSN: 0034-8252

BAYES Y EL CRCULO DE LA PROBABILIDAD

79

teorema de Bayes (1763/2003) puede ser descrito en el sentido de que la probabilidad a posteriori de un parmetro es funcin tanto de la probabilidad a priori (es decir la creencia del sujeto, la cual vendra siendo un indicador del prejuicio del sujeto o de su conocimiento en un momento dado) como de la verosimilitud de los datos (es decir la evidencia recolectada). Esto implica que las probabilidades que previamente asume el sujeto se actualizan a partir de la revisin emprica. El teorema de Bayes tambin es coherente con la idea de un proceso ilimitado de actualizaciones del conocimiento (Gill, 2002). Por otra parte, el llamado crculo hermenutico de Gadamer parece contar con algn apoyo en los desarrollos en psicologa que muestran el papel de esquemas (Brewer y Treyens, 1981) y estereotipos (Lambert y Chasteen, 2004)6. Independientemente de que aceptemos o no la hermenutica gadameriana, lo relevante es que sta representa al menos una explicacin plausible de los procesos de comprensin. Al ser coherente con el enfoque bayesiano le da a ste algn viso de validez psicolgica. Por el contrario, definitivamente el enfoque frecuencialista carece en muchos casos de dicha validez. Especialmente cuando la idea de replicacin de los experimentos es imposible o poco creble.

posicin objetivista. La discusin precedente sin embargo, ha mostrado que el enfoque personalista cuenta con una ventaja prctica importante ya que representa o al menos se asemeja a mecanismos psicolgicos plausibles. En este sentido la exigencia objetivista, en el sentido planteado por los frecuencialistas, tampoco parece ser coherente con la dinmica histrica del desarrollo cientfico (Kuhn, 1970). De hecho, las bondades prcticas del planteamiento subjetivista se han visto reflejadas en el hecho de que efectivamente el teorema de Bayes ha sido aplicado con xito en algunos campos de la psicologa, tales como los referentes a la toma de decisiones. Por ltimo, habra que sealar que esto no implica que el enfoque frecuencialista sea totalmente intil. De hecho, de manera anloga a la situacin que se presenta entre la fsica newtoniana y la fsica relativista, el frecuencialismo es en realidad un caso particular de la formulacin bayesiana: especficamente el caso donde el conocimiento previo no es particularmente informativo.

Notas
1. No necesariamente un concepto de probabilidad debera derivar en un clculo de probabilidad, sin embargo aqu se incluyen nicamente los casos donde se propone explcitamente un clculo. ngel (1965) discute una mayor gama de posibles interpretaciones de la probabilidad. 2. Debe aqu diferenciarse dicho enfoque clsico de la definicin clsica de probabilidad anteriormente presentada. Como se dijo, el enfoque clsico tiene un compromiso con la definicin frecuencialista de probabilidad, no con la definicin llamada clsica. 3. El aporte de Fisher se refiere a lo que se ha denominado estimacin mximo verosmil, lo cual corresponde a un modo de estimar el valor de los parmetros fijos; mientras que la escuela de Neyman-Pearson-Wald han desarrollado aspectos como el de la prueba de hiptesis. 4. Debe tenerse en cuenta que existe tambin una lnea bayesiana objetivista, sin embargo en la presente discusin interesa nicamente la versin subjetivista del bayesianismo.

Conclusin
Junto a los argumentos hasta ahora esgrimidos a favor de la definicin personalista de probabilidad, los cuales tradicionalmente han sido de naturaleza ms bien estadstica, se ha mostrado que la definicin personalista de probabilidad tiene ventajes conceptuales al no requerir del supuesto de que el universo (o al menos la faceta que en un momento dado es analizada desde un punto de vista probabilstica) no corresponde a procesos determinsticos. Los defensores del frecuencialismo han reconocido la superioridad en el peso filosfico del bayesianismo subjetivo (Efron, 1986) sin embargo han argumentado a favor de las ventajas prcticas de su postura, especficamente la sencillez de los procedimientos y la necesidad de una

Rev. Filosofa Univ. Costa Rica, XLVII (122), 75-80, Setiembre-Diciembre 2009 / ISSN: 0034-8252

80

MAURICIO MOLINA DELGADO

5. Goodman (1984) apunta precisamente a este hecho. A posteriori siempre podr encontrarse una serie de reglas que den cuenta de los datos, pero tambin es posible encontrar un polinomio que lo haga (Martnez, 2008). 6. En realidad estos desarrollos muestran ms bien la persistencia de estas estructuras previas incluso cuando se enfrentan con la evidencia. Sin embargo la ruptura de esos esquemas es segn estos estudios una posibilidad, aunque requiere ciertamente de un esfuerzo cognitivo extra por parte del sujeto.

Bibliografa
Bayes, T. (1763-2003) An essay towards solving a problem in the doctrine of chances. In S. J. Press & C. Siddartha (Eds.), Bayesian statistics: Principles, models and applications. (pp. 423-448). Hoboken, NJ: Wiley.

Cohen, J. (1994) The earth is round (p < .05). American Psychologist, 49(12), 997-1003. Gadamer, H.G. (2003) Verdad y mtodo. Salamanca: Sgueme. Gill, J. (2002) Bayesian methods: A social and behavioral sciences approach. New York: Chapman and Hall. Goodman, N. (1976-1984) Languages of art. An approach to a theory of symbols. Indiana: Hackett. Kuhn, T. (1970-1996) The scientific revolutions. Chicago: Chicago University Press. Martnez, G. (2008, noviembre). Psicologa, series lgicas y clculo probabilstica. Encuentro de docents e investigadores de Estadstica en Psicologa. Buenos Aires, Argentina. Nagel, E. (1965) Principles of the theory of probability. Chicago: Chicago University Press. Press, S.J. (2003) Subjective and objective bayesian statistics: Principles, models and applications. Hoboken, NJ: Wiley.

Rev. Filosofa Univ. Costa Rica, XLVII (122), 75-80, Setiembre-Diciembre 2009 / ISSN: 0034-8252

Copyright of Revista de Filosofia de la Universidad de Costa Rica is the property of Universidad de Costa Rica and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use.