¿Cuál es la definición matemática fundamental de la probabilidad según el enfoque frecuentista?
Piensa en lo que sucede cuando lanzas una moneda una cantidad incalculable de veces.
Esta es la definición del enfoque bayesiano, que se centra en el sujeto y la información disponible en lugar de en repeticiones físicas.
Esta visión se alinea más con el determinismo laplaciano o el pensamiento bayesiano sobre la falta de información.
Esta definición postula que la probabilidad es una propiedad física objetiva que se revela solo a través de la repetición infinita de un experimento.
Aunque es una noción común, el frecuentismo estricto requiere la noción de límite y repetición infinita para definir la probabilidad.
Pregunta 2/ 10
¿Cuál es el principal problema práctico que enfrentan los frecuentistas al analizar eventos como el cambio climático?
Recuerda el argumento sobre la necesidad de tener '10.000 planetas Tierra' para experimentar.
La física es objetiva; el problema radica en la metodología estadística para asignar probabilidades a un evento que ocurre una sola vez.
Como solo tenemos una Tierra, no podemos realizar el experimento 'infinitas veces' para obtener una frecuencia relativa objetiva.
Incluso con datos, el problema frecuentista es la imposibilidad de repetir el sistema completo bajo condiciones controladas e idénticas.
El problema no es de potencia de cálculo, sino de la definición lógica de probabilidad que exige repeticiones que no existen en la realidad.
Pregunta 3/ 10
En el Teorema de Bayes, ¿qué representa el término P(H)?
Es el estado de nuestra mente 'antes' de mirar por el telescopio o realizar el test.
Ese concepto corresponde a P(E|H), que mide qué tan probable es el dato dado un escenario específico.
Ese papel lo cumple usualmente la probabilidad marginal de la evidencia, P(E).
Representa lo que sabemos o creemos sobre la hipótesis antes de considerar la nueva evidencia recopilada.
La probabilidad a posteriori es el resultado final del teorema, denotada como P(H|E).
Pregunta 4/ 10
¿Quiénes fueron los principales líderes de la corriente frecuentista que se opusieron al pensamiento bayesiano en el siglo XX?
Fueron los creadores de conceptos como el valor-p y los intervalos de confianza.
Estos son los padres fundadores del pensamiento bayesiano, no sus opositores.
Ambos fueron defensores cruciales que rescataron y modernizaron el enfoque bayesiano.
Kolmogórov definió los axiomas de probabilidad y Arrhenius estudió el efecto invernadero; no lideraron la oposición antiformalista a Bayes.
Estos científicos desarrollaron las herramientas de la estadística clásica y rechazaban la subjetividad de las probabilidades a priori.
Pregunta 5/ 10
¿Cómo logró Harold Jeffreys deducir que el núcleo de la Tierra es líquido?
Piensa en cómo viajan las ondas a través de diferentes estados de la materia.
El texto aclara que la corteza es demasiado gruesa y el calor es infernal para realizar tales pozos.
Jeffreys utilizó datos sísmicos y razonamiento bayesiano para inferir propiedades del interior terrestre que no podía observar directamente.
Aunque sabía de astronomía, el descubrimiento del núcleo líquido fue un logro de la geofísica terrestre.
No es posible replicar terremotos idénticos en laboratorio; Jeffreys tuvo que trabajar con eventos únicos y ruidosos.
Pregunta 6/ 10
En la distribución Beta(α, β), ¿qué representan físicamente los parámetros α y β?
Considera cómo se actualizan estos valores cuando el astronauta lanza la moneda.
Aunque se pueden aplicar a la astronomía, en la distribución Beta representan específicamente la acumulación de datos de éxito/fracaso.
La distribución Beta es distinta a la Normal y se utiliza específicamente para variables acotadas entre 0 y 1.
Estos son parámetros físicos universales, no parámetros de una distribución de probabilidad estadística.
Se definen como el número de eventos observados más uno, actuando como la base de nuestra creencia sobre la probabilidad θ.
Pregunta 7/ 10
Si un astronauta lanza una moneda en Marte 3 veces y obtiene 3 caras, ¿cuál es la probabilidad de que la siguiente sea cara según la Regla de Sucesión de Laplace?
Usa la fórmula P = c+1(c+s)+2 reemplazando los éxitos observados.
Aplicando la fórmula P = c+1(c+s)+2 con c=3 y s=0, obtenemos 3+13+2 = 45.
Este sería el resultado del estimador de máxima verosimilitud frecuentista, que es arriesgado pues asume que es imposible sacar seca.
Este valor no sigue la lógica de la regla de sucesión de Laplace, que añade una constante de suavizado al denominador y numerador.
Este valor ignora por completo la evidencia de los tres lanzamientos anteriores donde salió cara.
Pregunta 8/ 10
¿Qué describe una distribución Beta(1, 1) en el contexto de una creencia inicial?
Observa qué pasa con la fórmula f(θ) ∝ θα-1(1-θ)β-1 cuando ambos parámetros son 1.
Beta(1, 1) se conoce como un prior no informativo, lo que implica precisamente la ausencia de prejuicios.
La certeza de que la moneda es justa se representaría con una curva muy estrecha centrada en 0,5, no con una línea plana.
La función resulta en una línea horizontal plana, lo que significa que no tenemos ninguna preferencia previa por un valor de probabilidad.
La distribución Beta modela la probabilidad del evento cara/seca, no la posibilidad física de estados alternativos.
Pregunta 9/ 10
¿Qué son los 'Priors de Jeffreys'?
Es la solución de Jeffreys para que la 'opinión' inicial no sea arbitraria.
Los Priors de Jeffreys son construcciones teóricas para cuando NO tenemos datos todavía, no tablas de frecuencias.
Al contrario, Jeffreys fue el defensor que permitió que el teorema sobreviviera y fuera aceptado en la ciencia.
El uso de valores-p es una herramienta típicamente frecuentista, no bayesiana.
Jeffreys buscaba una forma de ser bayesiano pero manteniendo la mayor objetividad científica posible a través de la invarianza matemática.
Pregunta 10/ 10
¿Cómo se describe la forma de la curva de creencia Beta(4, 1) tras observar 3 caras?
Piensa en qué valores de probabilidad son más coherentes con haber sacado siempre cara.
Esa sería la Beta(1, 1); al tener datos (3 caras), la curva debe cambiar para reflejar la nueva información.
Una campana simétrica implicaría que tenemos evidencia equilibrada de caras y secas, lo cual no ocurre aquí.
Indica que nuestra creencia se concentra en valores altos de probabilidad, aunque sin descartar por completo valores ligeramente menores.
Eso indicaría que creemos que el resultado 'cara' es muy improbable, lo cual contradice la evidencia de haber obtenido 3 caras.