Parte III · Lo incierto
Probabilidad
Se construye sobre: Medida
Tengo un dado en la mano. Antes de lanzarlo, ¿qué sé? No sé qué va a salir, eso es obvio. Pero tampoco estoy a oscuras: sé que va a salir uno de seis números, sé que ninguno tiene por qué ser preferido, y sé que si me apuestas a que sale un siete, te gano siempre. Entre saberlo todo y no saber nada hay un territorio enorme, y casi toda la vida transcurre ahí. La probabilidad es la manera que encontramos de razonar con orden dentro de ese territorio.
Cuando armé mis notas sobre esto, el camino me salió casi solo: conjuntos, luego eventos, luego Bayes, y de ahí al aprendizaje automático. Este capítulo sigue ese mismo camino, porque creo que es el correcto. Y empieza por algo que ya vimos.
Una medida que suma uno
En el capítulo de medida llegamos a una definición muy corta: una probabilidad es una medida que le da al todo el valor uno. Vale la pena desarmarla despacio, porque cada pieza tiene un nombre y un sentido.
Primero está el espacio muestral : el conjunto de todo lo que puede pasar. Para el dado, . Para la estatura de la próxima persona que entre por la puerta, un intervalo de números reales. Un evento es un subconjunto de : “sale par” es ; “mide más de 1,80” es un pedazo del intervalo. Fíjate que aquí no hay nada nuevo: un evento es un conjunto, y las palabras “y”, “o” y “no” del lenguaje diario se vuelven intersección, unión y complemento.
Después viene la medida misma. En 1933 Kolmogorov propuso los axiomas que todavía usamos, y son los de cualquier medida más una condición:
Nada es menos que imposible. Algo va a pasar, con certeza. Y si un evento se puede partir en casos que no se solapan, su probabilidad es la suma de las de los casos. Todo lo demás se deduce. Por ejemplo, como y su complemento son disjuntos y juntos forman , sale de inmediato que . Y si dos eventos sí se solapan, hay que restar lo que contaríamos dos veces:
Es la misma cuenta que haces cuando sumas el área de dos tapetes que se montan uno sobre otro. La probabilidad hereda toda la geometría de la medida.
Hay una sola cosa que los axiomas, deliberadamente, no dicen: qué significa el número. Para unos, describe lo que pasaría si lanzáramos el dado muchísimas veces. Para otros, mide cuánto confía alguien razonable en que salga par, con lo que sabe hoy. Las dos lecturas usan exactamente las mismas reglas, y por eso conviven. Pero no es una discusión menor: es la pregunta de si la incertidumbre está en el mundo o en nosotros.
Una función que no es variable ni aleatoria
Casi nunca nos interesa el resultado crudo, sino un número que sale de él: la ganancia de una apuesta, la suma de dos dados, la temperatura de mañana. A eso se le llama variable aleatoria, y el nombre es un desastre, porque no es variable ni es aleatoria. Es una función, de lo más terca y determinista:
A cada resultado le asigna un número real. Lo aleatorio está en cuál resultado de nos toca, no en la función. Y su promedio a la larga, el valor esperado, es justamente la integral de Lebesgue que vimos al final del capítulo de medida, hecha con la medida :
Nadie saca nunca un 3,5 con un dado. El valor esperado no es lo que esperas ver; es el centro de gravedad de lo que puede pasar.
Saber algo cambia las cuentas
Lanzo el dado, lo tapo con la mano y te digo una sola cosa: salió par. ¿Qué tan probable es que sea un seis? Ya no es . Los impares quedaron descartados, y entre los tres pares que sobreviven no hay razón para preferir ninguno: es .
Lo que hiciste sin pensar es la probabilidad condicional. Saber que pasó encoge el universo: se vuelve el nuevo , y como el todo debe valer uno, hay que reescalar:
Me gusta mucho esta forma de verlo: condicionar no es una operación nueva, es fabricar otra medida que suma uno, restringida a lo que ya sabes. Y cuando enterarte de no te cambia nada sobre , es decir, cuando , decimos que los eventos son independientes. Dos lanzamientos de una moneda lo son. El cielo nublado y la lluvia, no.
Bayes, con mil personas
Ahora la escena que de verdad importa. Te haces una prueba para una enfermedad que tiene una de cada cien personas. La prueba es buena: detecta al 90 % de los enfermos (eso se llama sensibilidad) y le dice “negativo” al 91 % de los sanos (eso es la especificidad). Te sale positiva. ¿Qué tan probable es que estés enfermo?
La respuesta que casi todos damos, médicos incluidos muchas veces, es algo cerca del 90 %. La respuesta correcta es alrededor del 9 %. La manera más honesta que conozco de convencerse es dejar de pensar en porcentajes y pensar en gente.
- enfermos con positivo: 9
- enfermos con negativo: 1
- sanos con positivo: 89
- sanos con negativo: 901
Si diste positivo, la probabilidad de estar enfermo es
9,2 %
De las 98 personas que dan positivo, 9 están enfermas y 89 son falsas alarmas.
Mira el caso con el que arranca. De mil personas, diez están enfermas, y la prueba atrapa a nueve. De las 990 sanas, el 9 % da positivo por error: son 89 falsas alarmas. En total hay 98 positivos, y solo 9 de ellos están enfermos. Nueve de 98: un poco más del 9 %. La prueba no es mala. Lo que pasa es que hay tantos sanos que hasta un porcentaje pequeño de errores entre ellos es más grande que todos los enfermos juntos. Mueve la prevalencia hacia arriba y mira cómo cambia todo: la misma prueba, en una población donde la enfermedad es común, se vuelve muy confiable.
Esa cuenta tiene nombre. Sale de escribir la intersección de dos maneras, , y despejar. Es el teorema de Bayes, por Thomas Bayes, un clérigo inglés del siglo XVIII:
Arriba están los enfermos que dan positivo. Abajo, todos los que dan positivo, enfermos o no. Es exactamente lo que contaste con los puntos. El error de olvidar el denominador, de mirar solo qué tan buena es la prueba e ignorar qué tan rara es la enfermedad, es tan frecuente que tiene nombre propio: el error de la tasa base.
Lo más bonito de Bayes es que no termina. La probabilidad de antes (la a priori, aquí el 1 %) se convierte, con la evidencia, en la de después (la a posteriori, el 9 %). Si te repites la prueba y vuelve a salir positiva, y si los errores de una y otra son independientes, ese 9 % pasa a ser tu nuevo punto de partida, y la cuenta te deja en aproximadamente la mitad. Lo que aprendes hoy es lo que crees mañana. Así se ve, en una fórmula, aprender de la experiencia.
Lo que se ve a la larga
Queda una pregunta incómoda. Si la probabilidad es una medida abstracta sobre conjuntos, ¿por qué tiene algo que ver con lo que pasa cuando lanzo un dado de verdad? La respuesta es un teorema, no un acto de fe. La ley de los grandes números dice que si repites un experimento de manera independiente, el promedio de lo que observas se acerca al valor esperado. En su versión débil, para variables independientes con la misma distribución y media finita:
Lanza un dado sesenta veces y la proporción de seises puede andar lejos de . Lánzalo sesenta mil y casi con seguridad estará muy cerca. Ojo con lo que la ley no dice: no dice que el dado “compense”. Si salieron cinco unos seguidos, el siguiente lanzamiento sigue teniendo de ser uno. Lo que pasa es que esa racha se diluye entre los miles de lanzamientos que vienen, no que se corrige. Creer lo contrario es la falacia del jugador, y le ha costado mucha plata a mucha gente.
Este teorema es el puente entre la probabilidad y la estadística: justifica que podamos estimar probabilidades a partir de datos. Y es, en el fondo, lo que hace posible el aprendizaje automático.
Por qué esto me importa tanto
Una red neuronal que clasifica imágenes no te dice “es un gato”; te devuelve una distribución de probabilidad sobre las etiquetas posibles, números no negativos que suman uno. Entrenarla es ajustar sus perillas para que esa distribución se parezca a la de los datos reales, y la ley de los grandes números es la razón por la que tiene sentido intentarlo con una muestra finita. Cuál es la mejor predicción con estos datos, cuál es el mejor modelo, qué conviene medir después: todas son preguntas de incertidumbre, y el enfoque probabilístico las trata con las mismas reglas de este capítulo.
Lo mismo pasa lejos de los computadores. La termodinámica estadística explica el calor poniendo una probabilidad sobre las configuraciones posibles de un número de partículas que se escribe con más de veinte cifras. Cualquier decisión con el futuro en juego, de un seguro a una inversión, es una pregunta sobre cuánto vale algo que todavía no ha pasado. Y en cuanto uno pregunta qué tan repartida está una probabilidad, cuánta incertidumbre queda, aparece una cantidad con nombre propio: la entropía, que es el siguiente capítulo.
Vuelvo al dado en la mano. No saber qué va a salir no me deja indefenso. Me deja con una medida, unas reglas para actualizarla cuando aprendo algo y un teorema que me garantiza que, a la larga, el mundo y mis cuentas se van a parecer. Para mí, eso es lo que significa pensar bien bajo incertidumbre: no adivinar, sino repartir con cuidado lo que uno no sabe.