Razonamiento abductivo bayesiano

Una buena explicación necesita algo más que un relato que encaje con los hechos: también necesita una probabilidad inicial plausible. Supón que el sonido de unos cascos podría venir de un caballo o de una cebra; si ambos predicen igual de bien ese sonido y los caballos son mucho más comunes en la zona, el caballo es la explicación más probable. El razonamiento bayesiano combina estas creencias iniciales con lo esperable que sería la evidencia según cada explicación, mientras que el razonamiento abductivo nos ayuda a considerar posibles explicaciones.

Reflexiona sobre esto: ¿qué evidencia te haría cambiar de opinión sobre la explicación que ahora prefieres?

Considera varias explicaciones antes de elegir una

El razonamiento abductivo consiste en encontrar y evaluar explicaciones. El razonamiento bayesiano actualiza las probabilidades a medida que aparece evidencia. Son herramientas relacionadas, pero sus nombres no son intercambiables ni garantizan que toda explicación atractiva sea probable. Una forma práctica de proceder es hacer una lista de explicaciones plausibles, preguntarte qué predice cada una y comparar esas predicciones con la evidencia.

Sopesa dos preguntas distintas

La probabilidad a priori indica qué tan plausible es una hipótesis antes de tener en cuenta la evidencia que estás evaluando. La verosimilitud describe lo esperable que sería esa evidencia si la hipótesis fuera cierta. La probabilidad a posteriori es la probabilidad actualizada tras combinar ambas. Una explicación puede encajar bien con las observaciones y aun así ser menos probable que otra si su probabilidad inicial es mucho menor. A la inversa, una evidencia que permita distinguir suficientemente bien entre hipótesis puede superar una probabilidad inicial baja, siempre que no sea cero.

Veamos la diferencia con un ejemplo

Imagina que un dispositivo no enciende. Tanto una batería descargada como un interruptor defectuoso podrían explicar esa observación. La frecuencia relativa de estas averías ayuda a establecer las creencias iniciales, mientras que una prueba adicional cuyo resultado sea poco esperable según la hipótesis del interruptor puede inclinar la balanza hacia la batería. Este ejemplo hipotético ilustra cómo se actualizan las creencias; el mejor diagnóstico depende de las pruebas y alternativas reales, no simplemente de elegir la avería más común.

Busca evidencia que permita distinguir entre las opciones

En vez de reunir detalles que encajen con tu explicación favorita, pregúntate qué observación sería más esperable según una explicación que según otra. En un filtro de correo electrónico hipotético, la frecuencia del correo no deseado aporta información inicial y los patrones del mensaje aportan evidencia adicional. Tratar una sola palabra como prueba concluyente ignoraría la incertidumbre y la posibilidad de que los mensajes legítimos también la usen.

Mantén abierto el conjunto de hipótesis

Las probabilidades comparan las explicaciones incluidas en el modelo. Si falta una explicación o la verosimilitud está mal especificada, la conclusión puede resultar engañosa. La sencillez puede orientar la búsqueda de explicaciones, pero un relato más sencillo no es automáticamente cierto. Revisa tanto las explicaciones que consideras como tus supuestos cuando la evidencia señale un problema.

Esta lección combina la comparación de hipótesis con la actualización de probabilidades, sin tratar todo razonamiento explicativo como un cálculo bayesiano.

• Tenenbaum y sus colaboradores (2011) describen modelos bayesianos en los que la probabilidad a posteriori depende del producto de una probabilidad a priori y una verosimilitud, normalizado sobre las hipótesis consideradas; su revisión explica cómo el conocimiento previo estructurado puede facilitar el aprendizaje a partir de pocos datos. [1]
• La entrada «Abducción» de Douven (archivo de 2011) distingue la inferencia explicativa de la deducción y analiza distintas formas de formular la inferencia a la mejor explicación. Su análisis destaca que la forma precisa de la abducción y su validez normativa siguen siendo objeto de debate. [2]

Las probabilidades a priori y las verosimilitudes pueden estar mal especificadas, y las hipótesis disponibles pueden omitir la causa verdadera. Unas probabilidades a priori incorrectas no refuerzan inevitablemente el error: una evidencia suficientemente informativa puede cambiar de forma sustancial una probabilidad a priori distinta de cero. Con el condicionamiento probabilístico ordinario dentro de un modelo fijo, una hipótesis a la que se ha asignado una probabilidad de cero sigue en cero cuando el condicionamiento está definido, por lo que revisar el modelo puede ser importante. Una probabilidad a posteriori alta depende de los supuestos y de las explicaciones que se comparan; no demuestra que la explicación sea verdadera. Los cálculos exactos pueden exigir muchos recursos computacionales; no se debe presentar una comparación intuitiva aproximada como una probabilidad numérica a posteriori calibrada.