PENSAR, RECORDAR E INTERPRETAR

 

(Literatura digital)

Cuando observamos el mundo —un hecho histórico, un recuerdo personal, un paciente, una escena cotidiana— no partimos nunca de cero. Siempre miramos desde algo que ya creemos, desde una experiencia previa, desde una historia que nos habita.

A eso se lo llama probabilidad previa:
no es una certeza, sino una expectativa inicial, una hipótesis con la que salimos a mirar la realidad.

El pensamiento bayesiano, formulado matemáticamente en el siglo XVIII por el monje y matemático Thomas Bayes, puso en ecuaciones algo profundamente humano:
conocer no es confirmar verdades, sino ajustar creencias.

La idea central es simple y cotidiana:

creemos algo → observamos algo nuevo → ajustamos lo que creíamos

La observación no borra lo anterior: lo modifica.
El conocimiento no avanza por reemplazo, sino por actualización.

El gráfico bayesiano que acompaña este texto ilustra ese proceso.
La curva de la probabilidad previa representa lo que creemos antes de observar: nuestras expectativas, nuestra experiencia, nuestros supuestos iniciales.
La curva de la observación muestra la realidad tal como se nos presenta, siempre con algo de ruido e imprecisión.
Y la curva de la probabilidad posterior expresa el resultado de ese encuentro: una creencia ajustada, más informada, pero nunca definitiva.

En ese cruce aparece una palabra que suele sonar técnica, pero que usamos todo el tiempo sin notarlo: verosimilitud.
La verosimilitud no pregunta si algo es verdad, sino algo mucho más simple:

si esto fuera cierto… ¿tendría sentido lo que estoy viendo?

En la vida diaria lo decimos de otro modo:
“esto cierra”,
“tiene lógica”,
“algo no me convence”.

Ahora bien, no todo dato que “cierra” tiene el mismo peso.
Aquí aparece un concepto clave del pensamiento bayesiano: el Likelihood Ratio (razón de verosimilitudes).

El Likelihood Ratio no pregunta “¿esto es verdad?”, sino algo más prudente y más honesto:

“Este dato que acabo de ver, ¿cuánto debería cambiar lo que yo creía antes?”

Algunos datos empujan fuerte nuestras creencias; otros apenas las mueven.
El Likelihood Ratio mide justamente eso: la fuerza real de un dato para modificar una idea previa.

Esto lo diferencia del Valor Predictivo Positivo (VPP), que responde a otra pregunta distinta:

“Ahora que el resultado es positivo, ¿qué probabilidad hay de que sea cierto?”

El VPP depende mucho del contexto: de cuán frecuente sea el fenómeno, del lugar, de la población.
El mismo dato puede tener un VPP alto en un contexto y bajo en otro.

El Likelihood Ratio, en cambio, es más estable y más honesto, porque no se deja llevar por el contexto:
mide el peso propio del dato, no el entusiasmo que genera.
Por eso es el verdadero puente entre la probabilidad previa y la probabilidad posterior.

Esta lógica no vale solo para la ciencia.
En Historia, no observamos los hechos, sino sus huellas: documentos, relatos, silencios. Cada nueva fuente no reemplaza la interpretación previa, la ajusta. Por eso la Historia no dice “esto fue así”, sino: esto es hoy lo más probable que haya ocurrido.

Y vale también para la memoria personal. Recordar no es abrir un archivo intacto, sino reconstruir el pasado desde el presente. Cada recuerdo nuevo puede reforzar lo que ya creíamos de nuestra historia, o tensionarlo y obligarnos a matizarlo. Por eso dos personas pueden recordar lo mismo de manera distinta, sin que una mienta: actualizaron de modo diferente sus creencias internas.

El pensamiento bayesiano introduce, en el fondo, una ética del conocimiento:
no confundir probabilidad con verdad,
no convertir una interpretación en dogma,
aceptar que toda certeza es provisoria.

Conocer no es alcanzar certezas, sino aprender a ajustar lo que creemos.
Dudar no empobrece el pensamiento: lo afina.
Y cambiar de opinión no es un error, sino una forma de fidelidad a la experiencia.

Tal vez pensar así no nos acerque a la verdad definitiva,
pero sí a una comprensión más honesta y más humana.

PODCAST PARA TOMI Y SANTI