La probabilidad subjetiva, también conocida como probabilidad bayesiana o de creencia, es una interpretación de la probabilidad que mide el grado de confianza o certeza que un agente racional asigna a la ocurrencia de un evento, basándose en su información disponible y juicio personal. A diferencia de las aproximaciones clásicas que dependen de la frecuencia de aparición en el tiempo o de la simetría de los resultados, este enfoque trata la probabilidad como una medida cuantitativa de la incertidumbre inherente a la mente del observador.
Esta perspectiva es fundamental en estadística, economía y teoría de la decisión porque permite cuantificar la incertidumbre incluso cuando los datos son escasos o los eventos son únicos e irrepetibles. Al tratar la probabilidad como un estado de creencia, se habilita un marco matemático riguroso para actualizar estas creencias a medida que nueva evidencia va llegando, lo que la convierte en una herramienta dinámica y adaptable para la toma de decisiones bajo incertidumbre.
Definición y concepto
La probabilidad subjetiva, también conocida como bayesiana o epistémica, cuantifica el grado de confianza que un agente racional deposita en la veracidad de una proposición. A diferencia de enfoques que buscan una verdad externa e inmutable, esta perspectiva sitúa la incertidumbre en el conocimiento del observador. No se trata de una propiedad intrínseca del evento, sino de una medida de la información disponible para quien evalúa la situación.
Este concepto se basa en la noción de "grado de creencia" (degree of belief). Un agente racional asigna un valor numérico entre 0 y 1 a cada evento posible. Un valor de 0 indica certeza absoluta de que el evento no ocurrirá; un valor de 1 implica certeza total de que sucederá. Los valores intermedios reflejan la fuerza de la convicción basada en la evidencia actual. Esta asignación no es arbitraria si el agente desea mantener coherencia lógica en sus juicios.
Diferencias con la probabilidad frecuentista
La distinción fundamental radica en la fuente de la información. La probabilidad frecuentista define la probabilidad como el límite de la frecuencia relativa de un evento a medida que el número de ensayos tiende a la infinitud. Requiere datos históricos o repetibilidad. Si lanzamos una moneda justa mil veces, la proporción de caras se acerca a 0,5. Ese 0,5 es una propiedad objetiva de la moneda y del proceso de lanzamiento.
La probabilidad subjetiva no exige repetición infinita. Permite asignar una probabilidad a eventos únicos e irrepetibles. Por ejemplo, ¿cuál es la probabilidad de que un candidato específico gane las elecciones presidenciales de 2026? No hay una frecuencia histórica directa para ese evento exacto. Un analista combina datos de encuestas, contexto económico y experiencia previa para asignar, digamos, un 0,65 a su victoria. Ese número refleja su estado de conocimiento, no una frecuencia objetiva ya establecida.
Dato curioso: La probabilidad subjetiva permite asignar un valor a eventos que nunca se repiten, como "la probabilidad de que el Sol salga mañana". Un frecuentista puro tendría dificultades con esto, ya que solo hay un "mañana" en la historia cósmica hasta ese momento.
Coherencia y axiomas de Kolmogorov
Aunque la fuente sea la creencia personal, la asignación numérica debe obedecer reglas estrictas para evitar contradicciones lógicas. Estas reglas son los tres axiomas de Kolmogorov, que forman la base matemática de la teoría de la probabilidad clásica.
Primero, no negatividad: la probabilidad de cualquier evento A es mayor o igual a cero.
Segundo, normalización: la probabilidad del espacio muestral completo (el evento seguro) es igual a uno.
Tercero, aditividad: si dos eventos A y B son mutuamente excluyentes (no pueden ocurrir simultáneamente), la probabilidad de que ocurra A o B es la suma de sus probabilidades individuales.
Si un agente racional viola estos axiomas, está expuesto a la "apuesta de Dutch Book", una situación donde otro jugador puede construir una serie de apuestas que garantizan una pérdida neta para el agente, independientemente del resultado. La consecuencia es directa: la coherencia matemática protege al agente de pérdidas inevitables. Esta conexión entre la creencia y la coherencia lógica fue demostrada rigurosamente por el estadístico Frank Ramsey y el físico Edwin T. Jaynes, consolidando la probabilidad subjetiva como una herramienta robusta para la toma de decisiones bajo incertidumbre.
Historia y desarrollo del concepto
Orígenes en la escuela bayesiana
La noción de probabilidad como medida de creencia tiene raíces profundas en el siglo XVIII. Thomas Bayes sentó las bases con su ensayo publicado póstumamente en 1763, donde propuso que la probabilidad no era solo una frecuencia de eventos, sino una estimación basada en la evidencia disponible. Este enfoque marcó un cambio sutil pero crucial: pasar de contar resultados a evaluar la incertidumbre del observador.
Pierre-Simon Laplace amplió esta idea décadas después. Formalizó la probabilidad como una herramienta para cuantificar la incertidumbre en ausencia de datos completos. Su trabajo mostró cómo actualizar creencias a medida que llegaba nueva información, un proceso que hoy conocemos como actualización bayesiana. La consecuencia es directa: la probabilidad se vuelve dinámica, no estática.
El giro subjetivo del siglo XX
En el siglo XX, la probabilidad subjetiva ganó terreno con Bruno de Finetti. Este matemático italiano argumentó que la probabilidad es, en esencia, una medida de la creencia personal del observador. Su teorema de la probabilidad subjetiva demostró que, bajo ciertas condiciones, las creencias individuales convergen hacia una probabilidad objetiva cuando se acumulan datos. Este hallazgo fue revolucionario porque legitimó la subjetividad sin perder rigor matemático.
De Finetti no defendió su teoría en silencio. En los años 30, se enfrentó a los frecuentistas, quienes sostenían que la probabilidad solo existía como límite de frecuencias en experimentos repetidos. De Finetti, con su carácter afilado, defendió que la subjetividad era inevitable: dos personas con distinta información tendrían distintas probabilidades para el mismo evento. Esta postura generó debates intensos en círculos académicos europeos, consolidando la escuela bayesiana moderna.
Debate actual: La tensión entre subjetividad y objetividad en la probabilidad sigue vigente. Mientras los bayesianos abrazan la creencia actualizada, los frecuentistas mantienen que solo las frecuencias largas ofrecen objetividad. Ninguna escuela ha ganado por completo.
La escuela de Bayes en el siglo XXI
Hoy, la probabilidad subjetiva es fundamental en campos como la estadística bayesiana, la teoría de decisiones y la inteligencia artificial. En 2026, su aplicación es omnipresente: desde modelos predictivos en economía hasta algoritmos de aprendizaje automático que actualizan parámetros en tiempo real. La flexibilidad del enfoque bayesiano permite incorporar conocimiento previo, algo que los métodos frecuentistas tradicionales a menudo ignoran.
La fórmula de Bayes, que relaciona la probabilidad previa con la probabilidad posterior, sigue siendo la columna vertebral de este enfoque:
Donde P(H|E) es la probabilidad de la hipótesis H dada la evidencia E, P(E|H) es la verosimilitud, P(H) es la probabilidad previa y P(E) es la probabilidad marginal de la evidencia. Esta ecuación resume cómo actualizamos nuestras creencias con datos nuevos.
La escuela bayesiana actual no descarta la objetividad, pero la redefine: la objetividad emerge del consenso entre observadores racionales que comparten información. Pero hay un matiz: la elección de la probabilidad previa sigue siendo subjetiva, lo que abre espacio para críticas sobre la influencia del juicio humano en resultados aparentemente neutros.
¿Qué diferencia la probabilidad subjetiva de la objetiva?
La distinción entre probabilidad objetiva y subjetiva no radica en su precisión matemática, sino en el origen de la información que alimenta el cálculo. La probabilidad objetiva, a menudo asociada a la escuela frecuentista, surge de la observación empírica de eventos repetibles bajo condiciones idénticas. En este marco, la probabilidad se define como el límite de la frecuencia relativa cuando el número de ensayos tiende a infinito. Un ejemplo clásico es el lanzamiento de una moneda justa: tras miles de lanzamientos, la proporción de caras converge hacia 0,5. Este valor no depende de quién observe el fenómeno, sino de la naturaleza física del objeto y del proceso.
Por el contrario, la probabilidad subjetiva, central en el enfoque bayesiano, mide el grado de creencia de un agente racional ante un evento, dada la información disponible. Aquí, la probabilidad no es una propiedad inherente del objeto, sino una herramienta para cuantificar la incertidumbre basada en el juicio. La elección del ganador de una carrera de caballos es un ejemplo paradigmático: aunque la carrera se repite, las condiciones (estado del caballo, pista, jockey) rara vez son idénticas, y el resultado suele ser único en un momento dado. La probabilidad asignada depende de lo que sabe el apostador.
Debate actual: La subjetividad no implica arbitrariedad. En el enfoque bayesiano, dos agentes con la misma información y lógica coherente deben asignar la misma probabilidad. La diferencia surge cuando la información o el juicio difieren.
Es crucial entender que "subjetiva" no significa "al azar" o "intuitiva sin base". Significa "dependiente del agente". Un experto en hípico y un novato asignarán probabilidades distintas para el mismo caballo, pero ambas pueden ser matemáticamente coherentes si se actualizan correctamente con nueva información mediante el teorema de Bayes.
| Característica | Probabilidad Objetiva (Frecuentista) | Probabilidad Subjetiva (Bayesiana) |
|---|---|---|
| Base de cálculo | Frecuencia relativa en ensayos repetidos | Grado de creencia basada en información disponible |
| Tipo de dato | Empírico, cuantitativo | Informativo, cualitativo cuantificado |
| Repetibilidad | Requiere ensayos idénticos y repetibles | Aplicable a eventos únicos o poco repetibles |
| Ejemplo típico | Lanzamiento de moneda, defectos en una línea de producción | Ganador de una carrera, éxito de una nueva tecnología |
La fórmula bayesiana ilustra cómo se actualiza la creencia. Si es la probabilidad previa de una hipótesis , y es la probabilidad de la evidencia dada , la probabilidad actualizada es:
Esta actualización es dinámica: a medida que llega nueva información, la probabilidad subjetiva se ajusta. En cambio, la probabilidad objetiva se estabiliza con más datos, pero no se "actualiza" con juicio, sino con conteo. Ambos enfoques son complementarios en la práctica estadística moderna.
Fundamentos matemáticos y axiomas
La probabilidad subjetiva no es una mera opinión arbitraria; se sustenta en una estructura matemática rigurosa. Para que las creencias personales tengan validez cuantitativa, deben cumplir con los mismos principios lógicos que la probabilidad clásica. Esto permite tratar la incertidumbre humana con el mismo rigor que los dados o las monedas.
Los tres axiomas de Kolmogorov
Andrey Kolmogorov formalizó la teoría de la probabilidad a principios del siglo XX. Sus tres axiomas son la columna vertebral de cualquier enfoque, incluido el subjetivo. Un agente que asigna probabilidades basadas en su juicio debe respetar estas reglas para evitar contradicciones internas.
El primer principio es la no negatividad. Cualquier evento posible tiene una probabilidad mayor o igual que cero. No tiene sentido decir que algo es "menos que nada" probable. Formalmente, para cualquier evento A:
El segundo principio es la normalización. El espacio muestral completo, es decir, la suma de todas las posibilidades, tiene una probabilidad de uno. Si lanzas una moneda, debe salir cara o cruz; la certeza total equivale a la unidad.
El tercer principio es la aditividad para eventos mutuamente excluyentes. Si dos eventos no pueden ocurrir al mismo tiempo, la probabilidad de que ocurra uno u otro es la suma de sus probabilidades individuales. Por ejemplo, si al sacar una carta de una baraja, obtener un As de Corazones y un Dos de Corazones son eventos excluyentes:
La coherencia de De Finetti y la apuesta holandesa
En el enfoque subjetivo, la coherencia es el concepto central. El estadístico italiano Bruno de Finetti demostró que si tus creencias no siguen los axiomas de Kolmogorov, estás matemáticamente expuesto a perder dinero de forma segura.
Dato curioso: La "apuesta holandesa" (Dutch Book) no es una apuesta única, sino una combinación de apuestas que un agente coherente aceptaría, pero que resulta en una pérdida garantida para él, independientemente del resultado final.
Imagina que crees que la probabilidad de que llueva mañana es del 30% (0,3) y que no llueva es del 60% (0,6). Suman 0,9 en lugar de 1. Un apostador astuto te ofrecería dos apuestas: una a favor de la lluvia y otra a favor del sol. Al aceptar ambas, pagarías más de lo que ganarías en cualquier escenario. Tu incoherencia te hace vulnerable.
De Finetti utilizó este argumento para dar rigor a la intuición. Si quieres evitar ser "engañado" por un apostador experto, tus asignaciones de probabilidad deben ser coherentes. Esto transforma la subjetividad en una herramienta cuantitativa sólida.
La consecuencia es directa: la coherencia no es solo una propiedad lógica, sino una necesidad práctica para la toma de decisiones bajo incertidumbre. Sin ella, las creencias pierden su poder predictivo.
¿Cómo se actualizan las creencias con nueva información?
El mecanismo de actualización bayesiana
La probabilidad subjetiva no es estática; es dinámica. Lo que distingue a esta escuela de pensamiento es la capacidad de ajustar el grado de creencia cuando llega nueva evidencia. Este proceso no se basa en la intuición pura, sino en un marco matemático riguroso conocido como el Teorema de Bayes. Este teorema actúa como el motor que transforma una opinión inicial en una estimación más precisa.
La fórmula fundamental describe cómo se actualiza la probabilidad de una hipótesis dada nueva información:
Para entender su funcionamiento, es necesario desglosar cada componente. La letra H representa la Hipótesis, es decir, el evento o afirmación que queremos evaluar (por ejemplo, "el paciente tiene la enfermedad"). La letra D corresponde al Dato o evidencia observada (como un resultado de análisis). El término P(H) es la Probabilidad previa (o prior): es la confianza que teníamos en la hipótesis antes de ver el nuevo dato. Este valor refleja el conocimiento previo o la experiencia acumulada.
El término P(D|H) se conoce como Verosimilitud (Likelihood). Responde a la pregunta: si la hipótesis fuera cierta, qué tan probable sería observar este dato específico. Por otro lado, P(D) es la probabilidad total de observar ese dato, considerando todas las posibilidades. Finalmente, P(H|D) es la Probabilidad posterior: es la nueva confianza en la hipótesis después de incorporar la evidencia. Es el resultado final del proceso de aprendizaje.
Dato curioso: El teorema lleva el nombre del reverendo Thomas Bayes, quien lo presentó en 1763. Sin embargo, su aplicación más famosa ocurrió siglos después, cuando ayudó a localizar un submarino nuclear perdido en el océano Atlántico en 2009, combinando datos de sonar con la experiencia de expertos.
Ejemplo práctico: Diagnóstico médico
Imaginemos una prueba de diagnóstico para una enfermedad rara. Supongamos que la enfermedad afecta al 1% de la población (P(H) = 0.01). La prueba tiene una precisión del 95%, lo que significa que si el paciente tiene la enfermedad, la prueba da positiva en el 95% de los casos (P(D|H) = 0.95). Sin embargo, la prueba también da un "falso positivo" en el 5% de los pacientes sanos.
Si un paciente al azar obtiene un resultado positivo, ¿cuál es la probabilidad real de que tenga la enfermedad? La intuición a menudo sugiere un 95%, pero el cálculo bayesiano revela otra realidad. La probabilidad posterior resulta ser aproximadamente el 16%. Esto ocurre porque la enfermedad era tan rara al principio (bajo prior) que los falsos positivos de la gran población sana influyen mucho en el resultado final.
Este ejemplo ilustra la fuerza de la actualización: la evidencia no se interpreta en el vacío, sino en relación con lo que ya sabíamos. Ignorar la probabilidad previa lleva a errores sistemáticos en la toma de decisiones.
Aplicaciones en la toma de decisiones
La probabilidad subjetiva no es solo un concepto teórico; es una herramienta práctica para cuantificar la incertidumbre cuando los datos históricos son insuficientes o costosos de obtener. En lugar de depender exclusivamente de la frecuencia de ocurrencia (como lanzar una moneda mil veces), esta aproximación permite a los decisores integrar su juicio experto, la información disponible y las creencias previas en un marco matemático coherente. Esto es fundamental en entornos dinámicos donde esperar datos perfectos significa perder oportunidades.
Economía y finanzas
En la teoría de la decisión bajo riesgo, los agentes económicos utilizan probabilidades subjetivas para evaluar opciones cuando el mercado es imperfecto. En finanzas, el modelo de valoración de opciones Black-Scholes, aunque frecuentemente presentado como frecuentista, tiene profundas raíces en la actualización bayesiana. Los inversores ajustan continuamente sus estimaciones del precio de un activo a medida que llega nueva información del mercado, actualizando su "creencia" sobre el valor justo.
Debate actual: La crítica principal a la subjetividad en finanzas es la sobreconfianza. Los inversores tienden a dar más peso a la información reciente (sesgo de recencia) que a la tendencia histórica, lo que puede llevar a burbujas especulativas si no se cuantifica bien la incertidumbre restante.
Inteligencia artificial y medicina
En inteligencia artificial, las redes bayesianas son un ejemplo directo de aplicación. Un filtro de correos no deseados (spam) no solo cuenta palabras clave; actualiza la probabilidad de que un correo sea "spam" basándose en características previas (el remitente, la hora, el contenido) y la experiencia acumulada. Cada nuevo correo clasificado ajusta el modelo, reflejando una actualización continua de la creencia del sistema.
En el diagnóstico clínico, cada paciente es único. Aunque existan estadísticas poblacionales, el médico combina esos datos con los síntomas específicos del paciente y su experiencia clínica. Esta integración permite un diagnóstico más preciso que la simple estadística bruta, especialmente en enfermedades raras donde los datos son escasos. La subjetividad aquí no es un defecto, sino una necesidad para personalizar la atención.
La utilidad de la probabilidad subjetiva radica en su capacidad para cuantificar lo incierto. Cuando los datos son escasos, permite tomar decisiones informadas en lugar de paralizarse ante la incertidumbre. La clave está en reconocer que estas probabilidades son estimaciones que deben revisarse a medida que llega nueva evidencia, manteniendo la flexibilidad necesaria para adaptarse a un mundo cambiante.
Ejercicios resueltos
La probabilidad subjetiva, a menudo llamada bayesiana, se distingue por su capacidad para actualizar creencias a medida que llega nueva evidencia. A diferencia de la probabilidad clásica, que depende de conteos simétricos, aquí el valor numérico refleja el grado de confianza de un agente racional. Los siguientes ejercicios ilustran cómo se aplica esta lógica en contextos médicos y meteorológicos.
Ejercicio 1: Diagnóstico médico y el Teorema de Bayes
Supongamos que una enfermedad rara afecta al 1% de la población (prevalencia). Existe una prueba diagnóstica con una sensibilidad del 90% y una especificidad del 90%. Un paciente aleatorio da positivo. ¿Cuál es la probabilidad real de que tenga la enfermedad?
Este caso es clásico porque muestra cómo la intuición suele subestimar el impacto de la prevalencia. Para resolverlo, aplicamos el Teorema de Bayes. Primero, definimos los eventos: E es tener la enfermedad y P es dar positivo en la prueba.
La fórmula general es:
Desglosamos los valores conocidos. La probabilidad de dar positivo si se tiene la enfermedad (sensibilidad) es P(P|E) = 0.90. La probabilidad previa de tener la enfermedad es P(E) = 0.01.
Para hallar el denominador P(P), usamos la Ley de la Probabilidad Total. Un positivo puede ser verdadero o falso:
La probabilidad de dar positivo sin tener la enfermedad (falso positivo) es 1 menos la especificidad: 1 - 0.90 = 0.10. La probabilidad de no tener la enfermedad es 1 - 0.01 = 0.99.
Sustituimos los valores:
Finalmente, calculamos la probabilidad posterior:
A pesar de dar positivo, la probabilidad de tener la enfermedad es de solo el 8.33%. La consecuencia es directa: en enfermedades raras, los falsos positivos dominan los resultados si la prueba no es extremadamente específica.
Ejercicio 2: Actualización de creencias meteorológicas
Un meteorólogo estima que la probabilidad de lluvia mañana es 0.6. Esta es la probabilidad previa, basada en modelos históricos. Al amanecer, observamos que sale el sol. ¿Cómo se actualiza la probabilidad de lluvia?
En la probabilidad subjetiva, la actualización no requiere siempre un cálculo numérico exacto si la evidencia es cualitativa, pero la lógica es rigurosa. Salir el sol es evidencia a favor de que llueva menos, asumiendo que el sol indica cielos despejados.
Formalmente, si denotamos L como lluvia y S como sol, buscamos P(L|S). Si el sol es un indicador fuerte de ausencia de lluvia, la verosimilitud P(S|L) será baja (es menos probable ver sol si llueve) comparada con P(S|\text{no }L).
Al dividir una probabilidad previa de 0.6 por un factor de actualización menor a 1, el resultado disminuye. Si asumimos que ver el sol reduce la confianza en la lluvia a la mitad, la nueva estimación podría caer a 0.3. El punto clave no es el número exacto, sino el mecanismo: la nueva información (el sol) compite con la creencia anterior (el modelo).
Dato curioso: Los meteorólogos utilizan este enfoque bayesiano constantemente. No miran solo el modelo computarizado (la previa), sino que ajustan su pronóstico final según la humedad del aire o la dirección del viento (la evidencia nueva) antes de decir "llueve con un 70% de certeza".
La probabilidad subjetiva permite integrar datos duros y juicios expertos. En el primer caso, el cálculo fue preciso; en el segundo, la dirección del cambio es lo que importa. Ambos demuestran que la incertidumbre no es estática, sino dinámica.
Críticas y limitaciones del enfoque
La principal objeción a la probabilidad subjetiva radica en su dependencia de la opinión del observador. A diferencia del enfoque frecuentista, que ancla las cifras en datos históricos repetibles, la interpretación bayesiana permite que dos expertos lleguen a conclusiones distintas sobre el mismo fenómeno. Esta flexibilidad es también su mayor debilidad: abre la puerta a la arbitrariedad y a los sesgos cognitivos humanos.
Los sesgos afectan directamente la calidad de la estimación inicial. El efecto ancla, por ejemplo, hace que una primera cifra vista influya desproporcionadamente en las posteriores actualizaciones. La sobreconfianza lleva a asignar intervalos de credibilidad más estrechos de lo que los datos justifican. Estos factores psicológicos distorsionan la objetividad que la ciencia busca.
El problema de la elección del Prior
En el marco bayesiano, la actualización de creencias sigue el teorema de Bayes:
Donde es la probabilidad previa o prior. La crítica central pregunta: si no hay datos previos, ¿cómo se elige sin imponer una verdad subjetiva? Una mala elección puede sesgar el resultado final, especialmente con conjuntos de datos pequeños.
Para mitigar esta incertidumbre, los estadísticos utilizan el concepto de Prior conjugado. Es una distribución elegida de tal manera que, al combinarse con la verosimilitud de los datos, produce una distribución posterior del mismo tipo matemático. Esto simplifica los cálculos y ofrece una estructura estándar, aunque no elimina totalmente la decisión inicial del investigador.
Debate actual: La tensión entre la objetividad de los datos y la subjetividad de la interpretación sigue viva. Los frecuentistas argumentan que los datos deben "hablar por sí mismos" mediante la repetición experimental. Los bayesianos contrarrestan que toda medición requiere un modelo, y todo modelo implica una elección previa. Ningún enfoque es puramente objetivo.
Esta controversia no es solo filosófica; tiene implicaciones prácticas en la toma de decisiones. En medicina o economía, asumir un prior equivocado puede llevar a tratamientos costosos o políticas erróneas. La transparencia en la elección de la probabilidad inicial se ha convertido, por tanto, en un estándar de calidad metodológica. La subjetividad no se elimina, pero se hace explícita.
Preguntas frecuentes
¿Es la probabilidad subjetiva simplemente una "opinión" sin base científica?
No necesariamente. Aunque se basa en el juicio individual, la probabilidad subjetiva debe cumplir con los axiomas matemáticos de la teoría de la probabilidad (como la coherencia de De Finetti) para evitar contradicciones lógicas. Además, se actualiza sistemáticamente con datos nuevos mediante el teorema de Bayes, lo que reduce la influencia del sesgo puro a medida que aumenta la evidencia.
¿Cuándo es más útil usar la probabilidad subjetiva frente a la objetiva?
Es más útil cuando los eventos son únicos o difíciles de repetir, como la probabilidad de que una startup tecnológica tenga éxito en cinco años, o la posibilidad de que llueva en una fecha específica en un lugar poco estudiado. En estos casos, la "frecuencia relativa" (objetiva) puede ser escasa o inexistente, mientras que el juicio experto (subjetiva) aporta valor inmediato.
¿Cómo se mide algo tan personal como una creencia?
Se mide a través de métodos como el "método de la apuesta" o la "distribución acumulada". Por ejemplo, se pregunta a la persona qué monto estaría dispuesta a pagar por una apuesta que gana una cantidad fija si el evento ocurre. El monto revela su nivel de confianza cuantificado entre 0 (improbable) y 1 (casi seguro).
¿Quién es el padre de la probabilidad subjetiva?
Aunque sus raíces están en Thomas Bayes (siglo XVIII), el desarrollo moderno se atribuye principalmente a Bruno de Finetti, quien formalizó la idea de la "coherencia" en los años 1930, y a Harold Jeffreys, quien aplicó el enfoque a la inferencia estadística. Otros contribuyentes clave incluyen a John Maynard Keynes y Paul Laplace.
¿La probabilidad subjetiva cambia con el tiempo?
Sí, es dinámica. A medida que se obtienen nuevos datos, la probabilidad subjetiva (llamada "posterior") se actualiza a partir de la probabilidad inicial ("prior") mediante el teorema de Bayes. Esto significa que dos personas con la misma información inicial pueden tener diferentes probabilidades subjetivas, pero convergerán a medida que compartan más evidencia.
¿Se usa en la vida cotidiana?
Sí, constantemente. Cuando dices "hay un 80% de posibilidades de que lleguen tarde", estás usando una probabilidad subjetiva basada en el tráfico, la hora y la puntualidad habitual del conductor, sin necesidad de haber hecho 100 viajes idénticos para calcular una frecuencia exacta.
Resumen
La probabilidad subjetiva ofrece un marco flexible para cuantificar la incertidumbre basándose en el juicio informado y la evidencia disponible, diferenciándose de la probabilidad objetiva al no depender exclusivamente de frecuencias a largo plazo. Su poder reside en la capacidad de actualización mediante el teorema de Bayes, permitiendo a los decisores ajustar sus creencias de manera coherente ante nueva información.
Este enfoque es esencial en campos como la economía, la medicina diagnóstica y la ciencia de datos, donde los eventos son a menudo únicos o los datos son limitados. Sin embargo, requiere atención a los sesgos cognitivos y a la elección de la distribución previa para garantizar que las conclusiones sean robustas y no meramente arbitrarias.