Definición de probabilidad subjetiva

La probabilidad subjetiva, también conocida como probabilidad bayesiana o de creencia, es una medida numérica del grado de confianza que un agente racional asigna a la veracidad de un evento, basándose en la información disponible y en el juicio personal. A diferencia de las definiciones clásicas que dependen de la frecuencia de ocurrencia en una secuencia infinita de ensayos, este enfoque interpreta la probabilidad como un estado mental cuantificable, lo que permite calcular la incertidumbre incluso cuando los datos empíricos son escasos o los eventos son únicos.

Este concepto es fundamental en la teoría de la decisión, la economía y las ciencias cognitivas, ya que ofrece un marco matemático riguroso para actualizar las creencias a medida que llegan nuevas evidencias. Su importancia radica en la capacidad de cuantificar la incertidumbre de manera coherente, permitiendo a los tomadores de decisiones actuar de forma óptima bajo condiciones de información imperfecta.

Definición y concepto

La probabilidad subjetiva, también conocida como probabilidad bayesiana o de creencia, es una interpretación de la probabilidad que la define como una medida cuantitativa del grado de confianza que un agente racional tiene en la veracidad de una proposición. A diferencia de las interpretaciones clásicas que buscan la objetividad a través de datos externos, esta visión sitúa la fuente de la incertidumbre en la mente del observador. No se trata de una opinión arbitraria, sino de una evaluación lógica basada en la información disponible en un momento dado.

Este enfoque es fundamental porque permite asignar una probabilidad a eventos únicos que no necesariamente siguen una distribución estadística perfecta. La consecuencia es directa: no necesitamos repetir un experimento infinitas veces para saber qué tan probable es un resultado.

Diferencias con la frecuencia relativa

Para entender la probabilidad subjetiva, es esencial contrastarla con la interpretación frecuentista. La probabilidad frecuentista define la probabilidad como el límite de la frecuencia relativa de un evento cuando el número de ensayos tiende a infinito. Requiere, por tanto, que el experimento sea repetible bajo condiciones idénticas.

La probabilidad subjetiva rompe con esta restricción. No exige una secuencia infinita de ensayos. En su lugar, se centra en la coherencia interna de las creencias de un sujeto. Si dos personas tienen la misma información y razonan de manera coherente, llegarán a la misma probabilidad subjetiva para un evento dado. Esto la hace especialmente útil en situaciones donde los datos históricos son escasos o inexistentes.

Dato curioso: El concepto se formalizó matemáticamente gracias al teorema de Bayes, que permite actualizar la probabilidad de una hipótesis a medida que nueva evidencia va llegando. Fue nombrado en honor al reverendo Thomas Bayes, quien presentó sus hallazgos a finales del siglo XVIII.

El axioma de coherencia

La base matemática de la probabilidad subjetiva reside en la coherencia. Un conjunto de creencias se considera coherente si no expone al sujeto a una "apuesta holandesa" (Dutch Book), es decir, una serie de apuestas que garantizan una pérdida neta independientemente del resultado. Para evitar esto, las asignaciones de probabilidad deben cumplir los mismos axiomas que la probabilidad clásica.

Si llamamos a un evento cualquiera A, la probabilidad subjetiva P(A) debe satisfacer las siguientes condiciones básicas:

• No negatividad: La probabilidad de cualquier evento es mayor o igual a cero. P(A)≥0
• Normalización: La probabilidad del evento seguro (todo el espacio muestral Ω) es igual a uno. P(Ω)=1
• Aditividad: Para dos eventos mutuamente excluyentes A y B, la probabilidad de su unión es la suma de sus probabilidades individuales. P(A∪B)=P(A)+P(B)

Estas reglas aseguran que la "subjetividad" no sea caótica. Un sujeto puede creer que llueve con un 70% de probabilidad, pero si su sistema de creencias no cumple estas reglas, otro sujeto podría construir una serie de apuestas simples para ganarle dinero sin riesgo. La necesidad de evitar esta pérdida financiera fuerza a la racionalidad matemática.

La aplicación práctica de este concepto es vasta. Se utiliza en economía para evaluar el riesgo de inversiones únicas, en medicina para diagnosticar enfermedades raras basándose en síntomas específicos, y en inteligencia artificial para que los tomen decisiones bajo incertidumbre. Pero hay un matiz: la calidad de la probabilidad subjetiva depende directamente de la calidad de la información que posee el sujeto. Si la información es pobre, la probabilidad será coherente, pero quizás no muy precisa.

Historia y desarrollo del concepto

Los orígenes de la probabilidad subjetiva se remontan a la correspondencia entre Blaise Pascal y Pierre de Fermat en el siglo XVII, quienes sentaron las bases de la teoría clásica. Sin embargo, el verdadero giro hacia la interpretación subjetiva llegó con la obra póstuma de Thomas Bayes. Su ensayo, presentado a la Real Sociedad de Londres, introdujo la idea de actualizar creencias a medida que llegan nuevos datos. Este enfoque transformó la probabilidad de ser simplemente una razón de casos favorables a una medida de certeza.

La fórmula que lleva su nombre es el núcleo de este cambio de paradigma:

En esta expresión, P(H) representa la creencia inicial, conocida como probabilidad a priori. El término P(D∣H) es la verosimilitud, que mide qué tan bien explican los datos la hipótesis. El resultado, P(H∣D), es la probabilidad actualizada, o a posteriori. Este mecanismo permite cuantificar el aprendizaje inductivo de manera rigurosa.

El matemático francés Pierre-Simon Laplace tomó la obra de Bayes y la desarrolló extensamente. En su Essai philosophique sur les probabilités, Laplace aplicó el razonamiento bayesiano a casi todas las ciencias. Para él, la probabilidad era una medida del estado de conocimiento de un observador, más que una propiedad inherente del fenómeno estudiado. Esta visión fue fundamental para establecer la subjetividad como un componente válido del análisis estadístico.

Dato curioso: A pesar de su influencia, la teoría de Bayes fue durante más de un siglo considerada una curiosidad matemática, en gran parte debido a la dominancia de la escuela frecuentista liderada por Richard von Mises.

Durante el siglo XX, el concepto experimentó una resurrección impulsada por la escuela de Cambridge. Estadísticos como John Maynard Keynes y Harold Jeffreys defendieron la necesidad de incorporar el juicio experto en el análisis de datos. Jeffreys argumentó que la probabilidad clásica a menudo ignoraba la información previa disponible. Su trabajo sentó las bases para el uso sistemático de distribuciones a priori en la inferencia estadística.

La revolución bayesiana del siglo XX consolidó esta visión. Avances en la computación permitieron calcular las complejas integrales que la fórmula de Bayes exige. Esto transformó la probabilidad subjetiva de una herramienta teórica a una práctica estándar en campos como la economía, la biología y la inteligencia artificial. La consecuencia es directa: hoy entendemos la incertidumbre como una función del conocimiento disponible, no solo del azar puro. Pero hay un matiz. La elección de la probabilidad inicial sigue siendo, en muchos casos, el punto más debatido entre los estadísticos modernos.

¿Qué diferencia la probabilidad subjetiva de la empírica?

La distinción fundamental entre la probabilidad subjetiva y la empírica radica en la fuente de la información utilizada para cuantificar la incertidumbre. Mientras que la probabilidad empírica, también conocida como frecuencia relativa, se construye sobre datos históricos observables y repetibles, la probabilidad subjetiva se basa en el juicio personal, la experiencia previa y la información disponible en un momento dado. Esta diferencia no implica que una sea "mejor" que la otra, sino que cada una responde a distintos contextos de toma de decisiones.

La base de los datos: Frecuencia vs. Juicio

La probabilidad empírica requiere un conjunto de datos extenso y, idealmente, un experimento que pueda repetirse bajo condiciones similares. Se calcula dividiendo el número de veces que ocurren el evento entre el número total de ensayos. La fórmula básica es:

Donde nA​ es el número de ocurrencias del evento A y N es el número total de observaciones. Este enfoque es objetivo: dos personas con los mismos datos llegarán al mismo resultado. Sin embargo, su gran limitación es la necesidad de datos pasados. Si el evento es único o los datos son escasos, la probabilidad empírica pierde fuerza.

En contraste, la probabilidad subjetiva no exige repetición histórica. Se utiliza cuando la información es parcial o cuando se debe predecir un evento único. Aquí, la probabilidad refleja el grado de creencia de un individuo o experto. No hay una fórmula única, sino que se deriva de modelos como el teorema de Bayes, que actualiza la creencia inicial (prior) con nueva evidencia.

Dato curioso: El término "probabilidad subjetiva" fue popularizado por el estadístico Bruno de Finetti en la década de 1930, quien argumentó que la probabilidad objetiva pura era casi una ilusión, ya que incluso los datos empíricos son interpretados por un observador.

Comparación de criterios clave

Para entender mejor las diferencias prácticas, es útil comparar ambos enfoques en criterios específicos. La siguiente tabla resume las características distintivas de cada tipo de probabilidad.

La elección entre uno u otro método depende del problema. En ingeniería, donde los componentes se prueban miles de veces, la probabilidad empírica es reina. En finanzas o medicina, donde cada paciente o mercado tiene matices únicos, la probabilidad subjetiva permite incorporar el conocimiento experto que los datos crudos a veces ocultan. La consecuencia es directa: un enfoque más flexible pero menos "objetivo" en términos de medición pura.

Fundamentos axiomáticos y coherencia

La probabilidad subjetiva no es una mera opinión arbitraria; requiere una estructura matemática rigurosa para ser útil. A diferencia de la probabilidad frecuentista, que se basa en el límite de frecuencias en una secuencia infinita de ensayos, la interpretación subjetiva trata la probabilidad como un grado de creencia personal. Sin embargo, para que esta creencia sea racional, debe cumplir con ciertas reglas lógicas. Estas reglas evitan que el agente tome decisiones contradictorias al enfrentar la incertidumbre. La consecuencia es directa: sin estructura, la subjetividad se convierte en caos.

Los axiomas de Kolmogorov aplicados a la creencia

Andrey Kolmogorov formalizó la teoría de la probabilidad a principios del siglo XX mediante tres axiomas fundamentales. En la interpretación subjetiva, estos axiomas se aplican a las asignaciones de creencia de un individuo. Primero, la no negatividad establece que la probabilidad de cualquier evento debe ser mayor o igual a cero. Segundo, la normalización indica que la probabilidad del espacio muestral completo es igual a uno. Tercero, la aditividad contable establece que la probabilidad de la unión de eventos mutuamente excluyentes es la suma de sus probabilidades individuales.

Estos axiomas aseguran que las creencias sean internamente consistentes. Si un sujeto asigna probabilidades que violan estos principios, su sistema de creencias contiene contradicciones lógicas. Por ejemplo, si la suma de las probabilidades de dos eventos complementarios no es uno, el sujeto cree simultáneamente que algo ocurre más o menos de lo que debería ser posible. Esta consistencia es la base de la racionalidad en la toma de decisiones bajo incertidumbre.

El teorema de la utilidad esperada

John von Neumann y Oskar Morgenstern desarrollaron el teorema de la utilidad esperada para conectar las creencias subjetivas con las preferencias de elección. Este marco establece que, si las preferencias de un individuo cumplen ciertas propiedades de racionalidad, entonces ese individuo se comporta como si maximizara la utilidad esperada. La utilidad esperada se calcula como la suma de las utilidades de los posibles resultados, ponderadas por sus probabilidades subjetivas.

Dato curioso: El teorema de von Neumann y Morgenstern no dice que los humanos sean perfectamente racionales, sino que, para ser considerados racionales en un contexto de decisión, sus elecciones deben comportarse como si maximizaran esa suma. Es un modelo normativo, no siempre descriptivo.

Este enfoque permite cuantificar la aversión al riesgo. Un individuo puede preferir una ganancia segura menor a una ganancia mayor pero incierta, dependiendo de cómo valore las probabilidades subjetivas. La utilidad esperada proporciona un puente entre la creencia interna y la acción externa observable. Sin este vínculo, la probabilidad subjetiva sería un concepto estático, sin impacto en la decisión.

Coherencia y la apuesta holandesa

El estadístico italiano Bruno de Finetti introdujo el concepto de coherencia como criterio fundamental para la probabilidad subjetiva. Según de Finetti, un conjunto de creencias es coherente si el sujeto está dispuesto a aceptar apuestas basadas en esas probabilidades de tal manera que nunca pierda dinero de manera segura, independientemente del resultado. Esta situación de pérdida segura se conoce como la "apuesta holandesa" o Dutch Book.

Imagina que un sujeto asigna una probabilidad de 0.6 a que llueva mañana. Esto implica que, por cada 100 unidades apostadas a favor, estaría dispuesto a pagar 60 unidades. Si otro sujeto aprovecha inconsistencias en estas asignaciones, puede estructurar una serie de apuestas que garanticen una ganancia neta para él y una pérdida neta para el primer sujeto, sin importar si llueve o no. La existencia de una apuesta holandesa demuestra que las creencias del sujeto son lógicamente incoherentes.

De Finetti demostró que la coherencia es equivalente a que las probabilidades asignadas satisfagan los axiomas de Kolmogorov. Esto significa que la racionalidad en la asignación de creencias se puede probar mediante un mecanismo de mercado simple: la apuesta. Si un sujeto evita la pérdida segura, sus creencias se comportan matemáticamente como una medida de probabilidad clásica. Esta conexión entre la lógica, la economía y la psicología de la creencia es lo que da fuerza a la interpretación subjetiva.

La coherencia no garantiza que la creencia sea "verdadera" en un sentido objetivo, sino que es lógicamente defensible. Un sujeto puede tener una creencia coherente pero errónea si la realidad no coincide con su predicción. Sin embargo, sin coherencia, la creencia carece de cualquier fundamento racional. La probabilidad subjetiva, por tanto, es una herramienta de organización mental que debe someterse a las mismas leyes lógicas que la probabilidad objetiva.

¿Cómo se actualiza la probabilidad subjetiva?

La probabilidad subjetiva no es estática; evoluciona a medida que la información fluye. La herramienta matemática fundamental para este proceso de aprendizaje es el teorema de Bayes. Este marco permite transformar una creencia inicial, conocida como probabilidad previa, en una creencia refinada, llamada probabilidad posterior, al incorporar nuevas evidencias empíricas. Sin este mecanismo, las opiniones personales permanecerían congeladas en el tiempo, independientemente de lo que ocurra en el mundo real.

El mecanismo de actualización bayesiana

El núcleo de la actualización reside en la probabilidad condicional. No se trata simplemente de añadir datos, sino de evaluar qué tan bien explican esos datos la hipótesis en cuestión. La fórmula generaliza cómo la verosimilitud de la evidencia modifica la confianza inicial. La relación se expresa matemáticamente de la siguiente manera:

En esta ecuación, P(H|E) representa la probabilidad de la hipótesis H dada la evidencia E (la posterior). El término P(E|H) es la verosimilitud: la probabilidad de observar esa evidencia si la hipótesis fuera cierta. P(H) es la probabilidad previa, y P(E) actúa como un factor de normalización que asegura que las probabilidades sumen uno. La estructura muestra que la nueva creencia es proporcional a la vieja creencia multiplicada por la fuerza de la evidencia.

Dato curioso: El teorema lleva el nombre del reverendo Thomas Bayes, quien presentó sus hallazgos en 1763. Curiosamente, su contemporáneo Richard Price fue quien editó y publicó el trabajo, asegurando que la fórmula no se perdiera en el olvido académico.

Ejemplo práctico: Diagnóstico médico

Para visualizar este proceso, considere un escenario de diagnóstico. Suponga que un paciente acude al médico con síntomas específicos de una enfermedad rara, llamémosla Enfermedad X. El médico estima, basándose en la prevalencia general, que la probabilidad previa de tener la enfermedad es del 10% (P(H) = 0.1). Se realiza una prueba que resulta positiva. Sin embargo, ninguna prueba es perfecta: tiene una sensibilidad del 90% (probabilidad de dar positivo si se tiene la enfermedad) y una especificidad del 80% (probabilidad de dar negativo si se tiene la enfermedad).

Aplicando la lógica bayesiana, la evidencia positiva no confirma automáticamente la enfermedad. La verosimilitud P(E|H) es 0.9. Para calcular el denominador P(E)

La consecuencia es directa: la confianza en el diagnóstico se triplica, pasando del 10% al 33%, pero aún queda mucho margen de duda. Si la prueba se repite y vuelve a dar positivo, esa probabilidad del 33% se convierte en la nueva previa. El proceso es iterativo. Cada nueva pieza de evidencia ajusta la creencia, acercándola a la verdad o, en el peor de los casos, revelando la incertidumbre persistente. Este enfoque evita la rigidez del pensamiento intuitivo, que a menudo sobrevalora una sola prueba.

Aplicaciones en la toma de decisiones

La probabilidad subjetiva, también conocida como bayesiana, es fundamental cuando la incertidumbre supera a la frecuencia histórica. A diferencia de la probabilidad clásica, que depende de lanzar una moneda mil veces, esta aproximación permite a los expertos cuantificar el juicio experto. Esto resulta crucial en entornos donde los datos son escasos o costosos de obtener. No se trata de una estimación al azar, sino de una estructura lógica para actualizar creencias a medida que llega nueva información.

Finanzas y valoración de activos

En los mercados financieros, los inversores rara vez conocen el valor intrínseco exacto de una acción. La teoría de la utilidad esperada sugiere que un inversor asigna una probabilidad subjetiva a diferentes escenarios futuros, como el crecimiento de beneficios o la inflación. Un analista puede estimar un 70% de probabilidad de que una tecnología emergente domine el mercado en cinco años. Esta creencia inicial, o "prior", se ajusta cuando salen los resultados trimestrales. La fórmula de Bayes permite calcular la probabilidad actualizada:

Donde P(H∣D) es la probabilidad de la hipótesis (el valor de la acción) dada la nueva evidencia D. Este mecanismo explica por qué dos expertos pueden valorar el mismo activo de forma distinta: sus probabilidades subjetivas iniciales difieren. La consecuencia es directa: la divergencia de opiniones genera liquidez en el mercado.

Economía y previsión macroeconómica

Los economistas utilizan modelos de pronóstico para predecir tasas de desempleo o crecimiento del PIB. En 2026, con economías volátiles, los datos históricos a menudo pierden relevancia rápida. Los expertos asignan pesos subjetivos a variables como la confianza del consumidor o la estabilidad política. Esto permite crear intervalos de confianza más amplios que los ofrecidos por modelos puramente frecuentistas. Sin embargo, la subjetividad introduce sesgos cognitivos, como la anclaje, donde una cifra inicial influye desproporcionadamente en la estimación final. Reconocer estos sesgos es parte del proceso de refinamiento del modelo.

Meteorología y ciencia de datos

En meteorología, la probabilidad de lluvia del 60% no significa que lloverá en el 60% del tiempo, sino que, bajo condiciones atmosféricas similares, ha llovido en el 60% de los casos. Los meteorólogos combinan modelos numéricos con juicio experto para ajustar estas cifras. En ciencia de datos, especialmente en el aprendizaje automático, la probabilidad subjetiva ayuda a clasificar datos cuando las etiquetas son ruidosas. Por ejemplo, un algoritmo puede asignar una probabilidad subjetiva a que un correo sea "Spam" basándose en palabras clave y el comportamiento previo del usuario.

Debate actual: ¿Es la probabilidad subjetiva realmente objetiva? Los críticos argumentan que depende demasiado de la experiencia del experto. Los defensores responden que, al usar la regla de Bayes, la influencia inicial del experto disminuye a medida que aumentan los datos. La objetividad emerge del proceso de actualización, no del punto de partida.

La capacidad de cuantificar lo incierto transforma la toma de decisiones. Ya no se trata de elegir entre "cierto" y "incierto", sino de asignar un peso numérico a la creencia. Esto permite comparar opciones bajo riesgo con mayor precisión. La probabilidad subjetiva convierte la intuición en un dato manejable.

Críticas y limitaciones del enfoque

La probabilidad subjetiva enfrenta una crítica fundamental: la percepción de arbitrariedad. A diferencia de los enfoques clásicos o frecuentistas, que buscan una "verdad" externa basada en conteos o simetrías, la probabilidad subjetiva reside en la mente del observador. Esto implica que dos expertos, con la misma información, pueden asignar valores distintos a un mismo evento. Para los críticos, esta flexibilidad es también su mayor debilidad, ya que dificulta el consenso objetivo en contextos donde la decisión única es crucial.

Sesgos cognitivos y la ilusión de precisión

El ser humano no es una máquina estadística perfecta. Al asignar una probabilidad subjetiva, el cerebro utiliza atajos mentales (heurísticas) que introducen errores sistemáticos. El sesgo de anclaje es particularmente pernicioso: si un experto escucha inicialmente que la probabilidad de éxito de un proyecto es del 30%, su estimación final tenderá a rondar ese número, incluso si la evidencia sugiere otro valor. Otro ejemplo es el sesgo de disponibilidad, donde los eventos más recientes o víspicos en la memoria (como un accidente aéreo) parecen más probables de lo que los datos históricos indican.

Debate actual: La pregunta no es si los sesgos existen, sino si el método bayesiano los corrige o simplemente los formaliza. Algunos estadísticos argumentan que, sin una calibración rigurosa, la subjetividad puede convertirse en una "verdad a medias" cuantificada.

Estos sesgos hacen que la probabilidad subjetiva sea vulnerable a la narrativa tanto como a los datos. Un mismo dato puede interpretarse de manera distinta dependiendo de cómo se presente, lo que introduce un elemento psicológico que a veces se considera extraño a la pureza matemática.

La dificultad de cuantificar la previa

En el marco de la inferencia bayesiana, la probabilidad subjetiva se manifiesta a través de la distribución previa, denotada como P(H). Esta representa el grado de creencia en una hipótesis H antes de observar los nuevos datos. El problema surge cuando los datos históricos son escasos o inexistentes. Sin una base empírica sólida, elegir P(H) puede parecer un acto de fe más que de cálculo.

La actualización de esta creencia se realiza mediante el teorema de Bayes:

Donde P(H∣D) es la probabilidad actualizada (posterior), P(D∣H) es la verosimilitud de los datos dados la hipótesis, y P(D) es la probabilidad marginal de los datos. La crítica señala que si P(H) es arbitraria, entonces el resultado P(H∣D) hereda esa arbitrariedad, especialmente cuando la cantidad de datos D es pequeña. Solo con grandes volúmenes de datos la influencia de la previa disminuye, pero en muchos casos prácticos (como lanzamientos de nuevos productos), los datos son precisamente los que escasean.

El debate bayesiano vs. frecuentista

Esta tensión refleja una división más amplia en la estadística. Los frecuentistas definen la probabilidad como el límite de la frecuencia relativa de un evento en un número infinito de ensayos. Para ellos, hablar de la probabilidad de un evento único (como "la probabilidad de que llueva mañana") es casi una contradicción, ya que mañana solo ocurre una vez. Los bayesianos, defensores de la subjetividad, argumentan que la incertidumbre es inherente a la decisión humana y que cuantificarla subjetivamente permite tomar decisiones más racionales bajo incertidumbre.

La consecuencia es directa: mientras los frecuentistas buscan eliminar la subjetividad mediante protocolos estrictos, los bayesianos la abrazan como una herramienta necesaria. Ninguna de las dos escuelas ha ganado la batalla por completo, pero la crítica a la arbitrariedad sigue siendo el talón de Aquiles de la probabilidad subjetiva cuando se presenta como la única verdad disponible.

Ejercicios resueltos

Ejercicios resueltos

La probabilidad subjetiva cobra su mayor utilidad cuando se aplica a la toma de decisiones bajo incertidumbre. A diferencia de la probabilidad clásica, que depende de la simetría (como en un dado perfecto), la subjetiva permite cuantificar el grado de creencia de un agente racional. Los siguientes ejemplos ilustran cómo actualizar estas creencias utilizando el teorema de Bayes.

1. Diagnóstico médico: Actualizando la probabilidad posterior

Supongamos que un paciente acude a un especialista por un síntoma común. Antes de realizar cualquier prueba, el médico estima, basándose en la experiencia previa (su probabilidad subjetiva inicial o prior), que la probabilidad de que el paciente tenga la enfermedad E es del 20%. Se realiza una prueba con una sensibilidad (probabilidad de dar positivo si se tiene la enfermedad) del 90% y una especificidad (probabilidad de dar negativo si no se tiene la enfermedad) del 85%. El resultado de la prueba es positivo. ¿Cuál es la nueva probabilidad de que el paciente tenga la enfermedad?

Para resolver esto, aplicamos el teorema de Bayes. Definimos los eventos: E (tiene la enfermedad) y P (prueba positiva). Sabemos que P(E)=0.20 y, por tanto, P(¬E)=0.80. La sensibilidad nos da P(P∣E)=0.90. La especificidad del 85% significa que P(¬P∣¬E)=0.85, lo que implica que la probabilidad de un falso positivo es P(P∣¬E)=1−0.85=0.15.

Sustituyendo los valores:

La probabilidad de que el paciente tenga la enfermedad sube del 20% al 60%. El dato nuevo (la prueba positiva) actualiza significativamente la creencia inicial del médico.

2. Calidad de una moneda: Inferencia a partir de datos

Un coleccionista encuentra una moneda antigua. No sabe si está sesgada hacia "cara" (C) o "cruz" (X). Su creencia inicial es que hay un 50% de posibilidades de que la moneda esté sesgada hacia cara (Hipótesis H1) y un 50% de que esté sesgada hacia cruz (Hipótesis H2). Si la moneda está sesgada hacia cara, la probabilidad de obtener cara en un lanzamiento es del 75%. Si está sesgada hacia cruz, la probabilidad de obtener cara es del 25%. El coleccionista lanza la moneda una vez y sale caras. ¿Cuál es la probabilidad actualizada de que la moneda esté sesgada hacia caras?

Aplicamos Bayes nuevamente. Queremos hallar P(H1∣Cara).

Los datos son: P(H1)=0.5, P(H2)=0.5, P(Cara∣H1)=0.75 y P(Cara∣H2)=0.25.

Tras ver una sola cara, la creencia de que la moneda favorece a las caras aumenta del 50% al 75%. Este ejercicio muestra cómo incluso un solo dato puede desplazar significativamente una creencia subjetiva inicial equilibrada.

Dato curioso: En la práctica, los expertos suelen combinar múltiples fuentes de información subjetiva. Este proceso se conoce como "agregación de opiniones de expertos" y es fundamental en campos donde los datos históricos son escasos, como en la evaluación de riesgos climáticos o en el lanzamiento de nuevos productos tecnológicos.

Preguntas frecuentes

¿Es la probabilidad subjetiva totalmente arbitraria?

No. Aunque se basa en el juicio personal, debe cumplir con los axiomas de la coherencia matemática (como los de Kolmogorov o de De Finetti) para evitar contradicciones lógicas y pérdidas ciertas en apuestas, un concepto conocido como "pari seguro" o Dutch Book.

¿Cuándo es más útil que la probabilidad empírica?

Es especialmente útil cuando los datos históricos son limitados, costosos de obtener o cuando el evento es único e irrepetible, como el resultado de una elección presidencial específica o el éxito de un nuevo producto en el mercado.

¿Qué es la actualización bayesiana?

Es el proceso mediante el cual se ajusta la probabilidad subjetiva inicial (probabilidad a priori) al incorporar nueva evidencia, utilizando el Teorema de Bayes para obtener una probabilidad actualizada (probabilidad a posteriori).

¿Pueden dos personas tener diferentes probabilidades subjetivas para el mismo evento?

Sí. Dos expertos pueden asignar diferentes valores de probabilidad al mismo evento si poseen distinta información previa o si interpretan las evidencias de manera diferente, siempre que ambos mantengan la coherencia lógica en sus juicios.

¿Se utiliza en la vida cotidiana?

Sí. Cuando decimos "hay un 80% de posibilidades de que llueva mañana" basándonos en la experiencia y las nubes, estamos haciendo uso intuitivo de la probabilidad subjetiva, aunque a menudo no la cuantifiquemos con rigor matemático.

Resumen

La probabilidad subjetiva redefine la incertidumbre como un grado de creencia cuantificable, permitiendo el análisis matemático de eventos únicos o con datos limitados. Su validez depende de la coherencia lógica de las asignaciones de probabilidad, evitando contradicciones mediante principios como el del Dutch Book. La metodología se distingue por su capacidad dinámica de actualización a través del Teorema de Bayes, integrando nuevas evidencias para refinar las predicciones.

Este enfoque es esencial en campos como la economía, la medicina diagnóstica y la inteligencia artificial, donde la toma de decisiones debe realizarse bajo presión informativa. Aunque enfrenta críticas por su aparente falta de objetividad frente a la frecuencia empírica, su poder predictivo y su flexibilidad lo convierten en una herramienta indispensable para modelar la incertidumbre en sistemas complejos.

Véase también

Referencias