¿Vale? Vale. Muy bien, pues bueno, vamos a empezar con el tema 6 de la
asignatura de pensamiento, razonamiento probabilístico, ¿vale? Y vamos a
intentar ir lo más rápido posible, pero aquí es que es imposible ir
rápido, porque si vas rápido no tendrías de nada. Vamos a ver, voy a
intentar hacerlo esto más chiquitito para poderlo ver. En principio aquí
tiene que salir mal. Hay mamá. A ver, sí, 1, 2, 3, está cargando. Vale,
se ve bien, ¿eh? Sí. Perfecto. Pues venga, vamos aquí con lo que vamos a
ver hoy. A ver. Perfecto. Pues, ¿lo ves bien? Sí, sí. ¿No? Vale, es que
no sé por qué. Está compartido, está un poquito... Ahora sí. Venga,
tema 6, ¿eh? Razonamiento probabilístico, ¿vale? Vamos a ver un poco de
qué va esto, ¿no? ¿Vale? Empezamos, ¿eh? ¿Qué veremos? Veremos varias
cosas. Este tema tiene que ver con el tema, con la PEC, tanto el 6 como el
7. Y referente a la PEC he imprimido hoy lo que son las dos lecturas que os
tenéis que leer, el apéndice A y el apéndice B, ¿vale? Y tiene que ver
con los... Los teclos de razonamiento que veremos, creo que en esta clase
no, en la próxima. ¿Vale? Vale. ¿De acuerdo? Vale. ¿Qué veremos hoy?
Hoy llegaremos hasta el teorema de Bayes, ¿vale? ¿Sí? Claro. Y luego lo
que son el enfoque de los heurísticos, tanto el heurístico de
representatividad como el de accesibilidad, como el prototipo, como el
anclaje y ajuste, y la teoría del apoyo, tienen que ver con la PEC. Tienen
que ver con eso que os han hecho leer, ¿vale? Pero que no os preocupéis
que ven en el tema 6, que es el próximo punto. Y luego, ¿vale? Un poco a
grosso modo, lo que haremos es cambiaremos un poco el cronograma. Acabemos
el tema 6 y el 7 para que podáis entregar la PEC. Y luego nos guiamos con
el 2. ¿Os parece? Vale. Porque es que si no, no acabamos y se nos va
mucho. ¿De acuerdo? Vale, vale. Tampoco sabíamos en la PEC qué temas
iban a tocar, porque el equipo docente tampoco nos dijo, esa es, será el 6
o el 7, no hemos salido hasta hace nada. ¿Vale? Vale, vale, vale. Bien.
Entonces, vamos a ver de qué va esto. El mapa conceptual, cuando empecéis
a estudiar... Lo primero que hacéis es miraros un poco el mapa conceptual.
¿Por qué? Porque aquí os dejan una pincelada de lo que vamos a ir
viendo. ¿Vale? Y empezamos con la introducción, ¿eh? Y dice así. Cuando
hacemos una predicción o pronóstico, ¿vale? De algo, ¿vale? De algún
suceso, tomamos una decisión, ¿vale? O buscamos la causa de un hecho
determinado. Estamos evaluando la probabilidad de que algo ocurra o algo no
ocurra. Como por ejemplo... Hoy esta mañana habéis dicho, hoy iré a la
clase de pensamiento. ¿Sí o no? Sí. Pero al 100% no podéis decir de que
vendréis a la clase de pensamiento. ¿Por qué? Porque a lo mejor os
pasaba alguna cosa. ¿O no? Puede ser que, o sea, yo qué sé, no pudierais
venir por algún acontecimiento. Entonces, lo que quiero decir es que
cuando nosotros hacemos una predicción o pronóstico, como por ejemplo
aquí el ejemplo de María llamará para felicitarme. Tomamos una
decisión. Llegaremos antes por la autovía. O buscamos la causa de un
hecho determinado, se comportará así porque está de mal humor. Estamos
evaluando la probabilidad de que algo ocurra, de que un acontecimiento
ocurra, ¿no? Pero ¿qué pasa? Que muchas veces cuando nosotros hacemos
una predicción es algo probabilístico. ¿Por qué? Porque no sabemos la
ciencia cierta que va a pasar así. ¿Sí o no? ¿Sí? Pues sobre esto
viene este tema, ¿eh? En la vida cotidiana y sobre todo en el... En la
traducción de nuestra profesión, realizamos predicciones sobre
acontecimientos futuros basándose en información que está incompleta.
¿Sí o no? Porque parcialmente es imprevisible y en ocasiones es ambigua,
¿no? Las cosas porque no tenemos la certeza de que la conclusión sea
así. Es algo probable, ¿eh? Probablemente lloverá y no llueve.
Probablemente no sé qué y no pasa o pasa, ¿eh? Vale. Entonces cuando nos
planteamos la probabilidad de algo, ¿eh? Pues emitimos juicios, ¿no? En
los que las conclusiones conllevan un margen de determinada incertidumbre.
Cuando habla aquí de incertidumbre significa en que realmente no conocemos
todo el mapa muestral. Pensar que vamos a hablar del racionamiento
probabilístico, de probabilidad, completamente por éliga, ¿vale?
Entonces ¿qué pasa? Que tenemos un margen... De incertidumbre, porque
nosotros no sabemos lo que va a pasar, ¿vale? Entonces vamos un poco así,
bueno, pues a pronóstico, ¿vale? El racionamiento probabilístico juega
un papel fundamental en el ámbito profesional cuando no pueden
contemplarse en la totalidad todas las realidades posibles. ¿Qué os va a
pasar en este tema? Que también se ha visto que hay profesionales que
también tienen un racionamiento probabilístico sesgado, ¿vale? Como por
ejemplo cuando ven... Un médico ve alguna prueba diagnóstica, tiene una
probabilidad de que pase ese suceso, ¿por qué? Porque tiene una batería
de muestras en las que esa patología, por una serie de signos, se ha dado
en un individuo, pero no sabe a ciencia cierta que vaya a pasar eso o no.
Bueno, es así, ¿eh? Todo funciona de la misma manera, ¿eh? Y dice así,
el diagnóstico clínico en la medicina y la psicología, la potencial
eficacia de las metodologías innovadoras en la educación... Incluso las
sentencias judiciales están basadas en estudios de mercado y en
pronósticos electorales que constituyen ejemplos de juicios predictivos en
los que las conclusiones no son ciertas al 100%, sino que son probables,
¿sí? ¿De acuerdo? Bueno. Entonces, ese racionamiento probabilístico
constituye una modalidad de pensamiento que se enfrenta a problemas
abiertos, ¿vale? Y está empoderado. Un poco delimitados, ¿vale? Porque
no conocemos todo el espacio y muestra en el que se vaya a dar algo,
¿vale? ¿De acuerdo? ¿Por qué hacemos todo esto de ser humano? Porque
nosotros nos adaptamos al mundo, nos adaptamos a la realidad. Y en función
de ahí, hacemos unas inferencias, ¿vale? Y unos juicios de probabilidad,
¿vale? Dice, las leyes de la probabilidad en tareas de racionamiento
probabilístico juegan un papel similar a las leyes de la lógica en
racionamiento deductivo. ¿Qué significa esto? Que hasta ahora... Que
hasta ahora, el modelo normativo que hemos visto en otros temas, como por
ejemplo en el tema 5, estaba, por ejemplo, en el tema 5, en el
racionamiento condicional, estaban dentro de la normativa de la lógica,
¿sí? El modelo normativo era la lógica. Pero aquí el modelo normativo,
¿vale?, o descriptivo, para hacer inferencias probabilísticas,
normalmente se basa en lo que sería la probabilidad de Bayer, ¿vale? Que
ya lo veremos, ¿de acuerdo? Ya lo veremos. ¿Sí? No quiero adelantar
mucho, pero es lo que vamos a ver. Entonces, en función del racionamiento
probabilístico, el modelo normativo o prescripción sobre cómo deben
realizarse las inferencias probabilísticas vienen todos sobre el modelo
probabilístico, ¿vale? Es el que sería ahora el modelo normativo.
Comenzaremos en el apartado explicando el modelo normativo para explicar
cómo nos desviamos de la norma, ¿vale? El concepto de calibración en
novatos y expertos en un dominio específico. Analizaremos cómo evalúa el
sujeto su grado de confianza en su propio juicio dentro de los sesgos
sistemáticos que hacemos al observar un suceso, ¿vale? Y las ilusiones
cognitivas que explican determinados sesgos en buena parte de los juicios.
Los sitios probabilísticos predictivos y retrospectivos, ¿vale? Nosotros
hacemos unas ilusiones cognitivas porque, por ejemplo, si yo cada vez que
me despierto por la mañana yo sé que va a salir el sol, pero realmente
¿qué probabilidad hay de que salga el sol? Una probabilidad alta, pero
también hay una no probabilidad de que vuelva a salir el sol. Esto no lo
pensamos porque nos tiramos todos por la ventana, ¿no? Pero quiero decir
que realmente es así, la vida de estado probabilidad, ¿eh? No hay nada
sin tan cierta, ¿vale? Por eso dice que nos hacemos unas ilusiones
cognitivas también, ¿vale? ¿Qué pasa aquí? Fijaros que siempre que nos
fallan las leyes de probabilidad, cuando nos fallan esas leyes de
probabilidad, cometemos muchos sesgos cognitivos, ¿vale? Y es lo que
estudia este tema, ¿de acuerdo? ¿Sí? Bueno, el teorema de Bayes, ¿vale?
El teorema de Bayes es el modelo normativo que va a hacer que este tema
entre en razón o no entre en razón, ¿vale? O sea, ellos lo que han dicho
aquí es, ellos, el equipo docente, al escribir este libro, ¿vale? Pues
quieren enseñar que nosotros nos relacionamos con el modelo normativo, que
en este caso es el teorema de Bayes. ¿De acuerdo? ¿Sí? Entonces dice
así, cuando asignamos un valor de probabilidad a un suceso, podemos
conocer o no el espacio de probabilidades. ¿Tú te acuerdas de la
probabilidad norrusa? Sí. Lo que era el espacio de probabilidades. Por
ejemplo, os pongo aquí un ejemplo para que lo entendamos mejor. Cuando yo
cojo un dado, ¿vale? Yo tengo seis, el espacio muestra sería que me salga
un uno, que me salga un dos, que me salga un tres, que me salga un cuatro,
que me salga un cinco, que me salga un seis. ¿Vale? Pero si yo tiro una
moneda, ¿cuál sería el espacio muestral? Son dos caras, ¿no? No, cara
y... Cara y cruz. Ahí, cara y cruz. ¿Cuántos espacios muestrares
habría? Dos. O sea, cero cinco, cero cinco. No, dos. En la moneda, dos.
Sí, sí. Pero que puede salir... Puede salir... Cara o cruz, ¿vale? Cara
o cruz. Y en los dados, ¿cuánto espacio muestral sería? Seis. Perfecto,
¿vale? Hasta ahí bien, ¿no? ¿No? Es bien. Aquí conocemos exactamente
todo el espacio muestral, pero en la vida diaria muchas cosas no conocemos
todo el espacio muestral. Y el ser humano lo que hacemos es obviar los
espacios que no conoce. Pero bueno, entonces, cuando conocemos ese espacio
de probabilidad de sumuestral, ¿vale? Como el lanzamiento de un dado a una
moneda, asumimos la equiprobabilidad. ¿Qué es la equiprobabilidad? Es la
probabilidad de que dos sucesos se den... Que tenga la misma probabilidad,
¿vale? ¿Sí? Eso es importante, ¿eh? De las diferentes posibilidades.
La... A ver. Espérate. Ahora. La probabilidad de un suceso aleatorio
sería el cociente, que esto significa la división entre el número de
resultados favorables y el número total de resultados posibles. Por
ejemplo, aquí os he puesto esto, ¿vale? Para calcular la probabilidad,
daríamos la probabilidad, está dividido por los números de casos
favorables, número de casos posibles. Vamos a poner un ejemplo para
entender esto. Yo cojo un dado, lo tiro, tiqui, tiqui, tiqui, tiqui, lo
tiro, y me salen cuatro. Para calcular la probabilidad, ¿vale? ¿Dónde
pondría el número de casos favorables? El cuatro arriba y el seis abajo.
Y el seis sería... Abajo. Es el espacio de probabilidades. Muy bien.
Perfecto. Y ahí nos daría, ¿vale? La probabilidad. La probabilidad de un
suceso, ¿vale? ¿Vale? ¿Qué probabilidad trae de que ocurra este suceso?
Me daría una, yo qué sé, tal. Lo divido y punto. ¿Sí? Bien. En la vida
cotidiana habitualmente no conocemos el espacio completo de probabilidades
en relación a un suceso determinado, lo que nos exige llevar a cabo
estimaciones subjetivas en el espacio de la muestra, ¿sí o no? O sea, lo
que no veo, me imagino que será así en función de qué. De mis
aprendizajes con mis esquemas mentales. De lo que yo he vivido a una
inferencia. Entonces, el teorema de Bayes. La teoría de la probabilidad
asume un conjunto de axiomas. ¿Qué significan los axiomas? Son como unas
leyes, ¿vale? Sí, ahora vamos a ver eso, ¿eh? La teoría de la... La
teoría de Bayes. El teorema de Bayes, perdón. La teoría de probabilidad
asume un conjunto de axiomas. El espacio de probabilidades que ofrece el
ejemplo... El paciente que expone en el libro nos permitirá introducir y
ejemplificar cada uno de ellos. Entonces, aquí nos ponen un ejemplo
precioso, ¿eh? De una tal Ana, ¿no? Si no me equivoco. Sí. Y dice así.
Imaginemos que la consulta del gabinete psicológico de Ana, que es la
psicóloga, acudieron el pasado año 100 pacientes, ¿vale? Tuvo 100
pacientes esta señora. De los cuales 100 pacientes, 30 sufrían trastorno
depresivo, aquí, 20 pacientes fueron diagnosticados de fobias específicas
y 50 restantes de problemas de ansiedad. Hasta ahí lo entendemos, ¿no?
Sí. Si quisiéramos saber la probabilidad de esto, ¿qué haríamos? Por
los casos favorables y los casos posibles. Para los que sufrían trastornos
depresivos yo pondría 30 dividido entre 100 y me daría 0,30, ¿no? ¿O
no? Para saber 20 pacientes que fueron asignados de fobias específicas,
haría lo mismo, 20 dividido entre 100, me daría 0,20. A lo mejor me
equivoco, ¿eh? ¿Eh? ¿Sí? Y para pacientes restantes de los problemas de
trastorno de ansiedad, 50 dividido entre 100 serían 50, ¿vale? 0,50. ¿De
acuerdo? Ilustremos ahora los axiomas que asume la teoría de la
probabilidad. Antes de ver estos axiomas, fijaros en una tabla que te dice
en el libro, que es la tabla 6.1, que es esta de aquí. ¿Lo veis? Ahí
está. Esta. ¿Veis que aquí pone hipótesis? 0,30, que viene de lo que os
he explicado ahora, del caso de Ana. 0,30, de que podían padecer
depresión. Jolín, ese ratón este no me va a... Ahora, de fobia sería
0,20, que es como lo hemos calculado, ¿vale? ¿Sí? Y ansiedad 0,50. Hasta
ahí vamos bien, ¿no? Sí. ¿Sí? Vale, perfecto. De ahí sale eso, ¿eh?
Entonces, ¿no? Vamos a los axiomas, que es lo que más os rompe la cabeza
en este tema. Entonces, el axioma de la teoría de la probabilidad dice que
1, la probabilidad de un suceso, le han puesto S, ¿vale? Varía entre 0 y
1. 0, que es imposible de que suceda, y 1 es de que 100% sucede. ¿Se
entiende esto? ¿Sí? Este es el primer axioma. Entonces, lo que os ponen
aquí es la probabilidad de sufrir un trastorno de ansiedad. Ya sabíamos
aquí que los trastornos de ansiedad, eran 50 pacientes, entre 1 sería
0,5. Es el cálculo que hemos hecho. Al igual que yo te digo, la
probabilidad de sufrir un trastorno es lo mismo que hemos hecho, ¿eh?
¿Vale? Hasta ahí viene. Entonces, la suma de probabilidades de todos los
posibles sucesos en un espacio muestral es 1. Todo tiene que sumar 1, ¿eh?
Si tú sumas 0,50 más 0,20 más 0,30, da 1. Porque la probabilidad siempre
es 1. No puede ser otra cosa. ¿Vale? Como caso especial, la probabilidad
de no ocurrencia de un suceso es igual a 1 menos la probabilidad de
ocurrencia que es 0. ¿Qué significa esto? Que si tú ves, que si tú os
acordáis de P y Q, la P sería ocurrencia. Por ejemplo, si a mí me da que
la S, la probabilidad de un suceso S, me da 0,5, y le resto 1, ¿sabré
cuánto vale la no S? ¿Se entiende? Vale. A este 0,5 menos 1, ¿vale? ¿No
se entiende? Si yo te digo, si yo te digo, si yo te digo, ¿vale? Sería 1
menos 0,5. No, no, eso es una S. No, 1 menos el 5, 1 menos 0,5. 0,5. El 5
no, ¿eh? 0,5. No, 1, que es la probabilidad, menos 0,5. ¿0,5? Menos 0,5
sí. Sí. Vale. Pero 0,5 ¿de qué viene? Del trastorno de ansiedad.
Trastorno de ansiedad. ¿Vale? Pero en este caso sería 1 menos 0,3 menos
0,20. ¿Por qué? Porque hay 100 pacientes y sabes que 30 sufren trastorno
depresivo, 20 fueron diagnosticados de fobia y 50 restantes de ansiedad.
Muy bien. ¿Vale? Sigamos. La suma de las probabilidades de todos los
posibles sucesos, que es lo que yo te he dicho ahora, son 0,30. ¿Vale?
Esto ya sabemos que es 0,30. 0,20 y 0,5 es igual a 1. ¿Se entiende? Sí.
Vale. Si dos sucesos, S1 y S2, son mutuamente excluyentes, ¿qué significa
esto? Que son mutuamente excluyentes. Es uno o el otro o los dos.
Exactamente. No puede suceder los dos a la vez. ¿Vale? Es... Eh... Uno
excluye al otro. ¿Vale? Mutuamente excluyentes. No pueden suceder los dos
a la vez. O sucede uno o sucede el otro. La probabilidad de S1 o de S2
será igual a la suma de las dos probabilidades. ¿Vale? S1 más P, S2.
¿Vale? Por ejemplo, la probabilidad de sufrir un trastorno depresivo o de
sufrir una fobia específica sería 0,30. ¿Por qué? Una fobia...
Trastorno depresivo. ¿Veis que aquí lo pone? Depresivo es 0,30. Sí. La
fobia es 0,20. 0,30. Más esto. La fobia. ¿Vale? Cuando... A esto se suma
cuando es mutuamente excluyente. Aquí está. Eh... Esto es lo mismo que
ponerlo en números. ¿Vale? Sería 0,5. ¿De acuerdo? ¿Sí? Mm. Estos
dirían la probabilidad de sufrir trastorno depresivo o... Una fobia
específica sería 0,5. En este caso, ¿eh? ¿Vale? ¿Sí? Seguimos.
Tramitada la primera fase del tratamiento... Ah, perdón. Terminada. Bueno,
tramitada. Imagina, ¿verdad? Se acaba la primera fase de tratamiento. Tú
coges a estos pacientes y le tienes que dar otra segunda fase de
tratamiento. ¿Sí? El porcentaje de curación en el grupo de pacientes con
trastorno depresivo fue un 50%. O es lo mismo que el 0,5. ¿Vale? En el
grupo con problemas de fobias, 0,70 o un 70%. Y del 40% o 0,40 en el grupo
de pacientes con problemas de ansiedad. Conociendo estos datos, podemos
ejemplificar el cuarto axiólogo, que dice así. Si dos sucesos son
dependientes... Ahora, en vez de independientes, son dependientes. Uno
depende del otro. Como, por ejemplo, que un paciente tenga depresión y se
haya curado. ¿Vale? Y se haya curado. ¿Por qué? Porque ya estamos
terminando la primera fase de tratamiento. Imagina que tú tienes ya un
paciente que tiene depresión y otros pacientes que se haya curado. ¿Sí o
no? Porque ya ha pasado la primera fase de tratamiento. Lo ideal sería que
se hubiese curado, pero no todo el mundo se cura. ¿Vale? Hay una
probabilidad de que se haya curado y otra que no. Esas son dependientes. La
probabilidad de la conjunción de estos sucesos será igual al producto de
la probabilidad de S1 por la probabilidad de S2, asumiendo S1. Venga, va. P
S1 S2 es igual a P S1 por P S2 dando S1. Y aquí os meten este rollo de
aquí. El segundo factor de este producto se denomina probabilidad
condicional de S2 dando S1. A ver. Este es un poco más rollo, pero lo
iremos viendo con el ejemplo mucho más claro. ¿Vale? El ejemplo de la
axioma 4, la probabilidad de que un paciente haya sido diagnosticado de
ansiedad y se haya curado sería probabilidad de ansiedad, en este caso
0.5, por la probabilidad de curado ansiedad, en este caso 0.40, que es el
mismo que aquí. ¿Vale? No, no es lo que aquí. Bueno, curado de ansiedad,
ahora lo veremos en la tabla, ¿eh? Sería 0.20. Ahora lo veremos en la
tabla. ¿Vale? Y como la axioma 4 tiene la parte B y es, si dos sucesos, S1
y S2, son independientes, la probabilidad de la conjunción de estos
sucesos será igual al producto de la probabilidad de S1 por la
probabilidad de S2. Y os dan otra fórmula. ¿Eh? ¿Vale? S1 por PS2. Vamos
a verlo todo. Os meten muchísimo rollo total para explicaros lo que es
esto de aquí. He querido explicarlo un poquito más claro para que lo
tengáis. Para que lo podáis ver y entender que esto está por los
axiomas. ¿Lo veis? Esto que pone P, D, I, C, barra D. Depresiones, ¿eh?
Curado. La C es curado. ¿Lo veis? Curación, sí. Depresión y curado.
¿Vale? Sí. Y lo otro es depresión, ¿no? Depresión y no curado. Ahora
lo veremos, ¿eh? Sí. Y dice así. Imaginemos ahora que el conjunto de
pacientes que asistieron a una terapia el año pasado extraemos uno al
azar, ¿vale? Y encontramos que ese paciente está curado. ¿Cuál es la
probabilidad de que dicho paciente hubiera sido diagnosticado previamente
de trastorno depresivo? Aquí queremos ver la probabilidad, digamos, a
priori, ¿vale? O sea, ¿qué hubiese pasado si una vez ya el paciente
hubiese estado curado y... Queremos saber si hubiese sido diagnosticado
previamente de trastorno depresivo. Entonces, Thomas Bayer, bueno, inglés,
nacido en el siglo XIII, añadió a estos exomas una fórmula conocida como
el teorema de Bayers que nos permite responder a esta pregunta, ¿vale?
Cuando quieras saber la probabilidad condicional inversa o la probabilidad
posteriori, ¿vale? O a posteriori... Ahí utilizaremos este teorema de
Bayers, ¿vale? ¿Sí? Y nos permite conocer esa probabilidad, ¿eh? Por
ejemplo, para responder a esta pregunta. Y dice así. El cálculo de la
probabilidad no es directo, ya que conocemos el dato, ¿vale? El paciente
está curado. Pero tenemos tres posibles opciones. El diagnóstico previo o
hipótesis de partida. Depresión, fobia o ansiedad. Hasta aquí se
entiende, ¿no? Sí. Y ahora os lo meten en una tabla porque es mucho más
fácil de entender. Hipótesis. Pues que el paciente fuera diagnosticado de
depresión, fuera diagnosticado de fobia o fuera diagnosticado de ansiedad.
Y fijar que le ponen H1, H2, H3 para diferenciarlo, ¿vale? Esta es la P de
probabilidad de a priori, antes del tratamiento, antes de un año de
tratamiento, ¿vale? Luego tienes la... La opción de que se curó o no se
curó. ¿Lo veis? ¿Sí? La curación por la no curación. Y estos son el
dato, ¿vale? El dato es que el paciente se haya curado. Curación o no
curación. Una curación. Y, por ejemplo, de depresión tenía un 0,5 de
probabilidad. Esta sería D y H, sería condicionada, ¿no? D y H. Esta
sería... La diagnosticidad del dato, que ahora veremos lo que es. Y aquí
aparece la P, H por la P de H. Si esto miramos axiomas, entenderemos un
poco de qué va, ¿eh? Pero bueno, no volváis muy locos, ¿eh? Esto
significa... Jolines, me va a faltar el ratón, ¿no? P, H y P de H
significa la probabilidad conjunta de dos sucesos dependientes. Apuntadlo.
Apuntad todo esto que os estoy marcando, ¿eh? Las hipótesis en estas...
Hipótesis de partida anteriores son estas tres, ¿sí? La P es la
probabilidad a priori antes del tratamiento. Los datos es que se cure o no
se cure. Y esto es la probabilidad, la diagnosticidad del dato. ¿Vale? Que
es la probabilidad de curación o no curación. ¿Vale? Este señor
tenía... Fue una probabilidad de curación de 0,5 de curarse de depresión
y una no curación de 0,5 de no curarse de depresión. ¿Vale? De fobia,
0,20 curación. Tenía un 0,70 de curarse de depresión y de no curarse un
0,50 de probabilidad. Y de ansiedad tenía al principio a priori un 0,50 de
curación. ¿Vale? Y un 0,50, perdón, antes del tratamiento y tenía una
probabilidad... Una probabilidad de 0,40 de que se curara y de que no se
curara un 0,60. ¿De acuerdo? ¿Sí? ¿De acuerdo? Y aquí lo que hace...
Fijaros, depresión y curación por depresión. Calculan 0,30 por 0,50 y le
da esta cifra de que es 0,15 y el resultado es la probabilidad conjunta de
dos sucesos dependientes. ¿Cuáles son los dos sucesos dependientes? De
que esté diagnosticado depresión y de que se haya curado o no se haya
curado. Entonces, por ejemplo, para el ejemplo 1 de la depresión tendría
un cálculo ¿Vale? De depresión en curado de 0,15 y de no curado de 0,15.
¿Lo veis? ¿Por qué? ¿Entendéis de dónde salen los datos estos? Sí,
sí, ahora sí. 0,30 de la priori y de la posteriori. ¿Vale? Priori porque
estaba diagnosticado de depresión y después del tratamiento un 0,50. Lo
han multiplicado igual que aquí y ha dado 0,15 de que se curaba y este que
no se curaba. En este caso de fobia 0,20 el tratamiento a priori y luego a
posteriori 0,70 de curación y ha dado un 0,14 de que se curaba. Pero
miraros, de no curación aquí ha dado un 0,06 una probabilidad muy baja,
¿no? ¿Lo veis la diferencia? Sí. Y en ansiedad primero, antes de un año
le dieron una 0,50 de curación le has calculado un 0,20 de que se podía
curar, ¿no? ¿Vale? Después del tratamiento un 0,20 de que se cura y de
no curación es más alta. ¿Lo veis? Es más alta en ansiedad de no
curación que las otras. ¿Vale? Viendo esta tabla lo que quieren en estos
señores es que entendáis más o menos lo que es el teorema de Bainwes y
así se calcula la probabilidad condicional in ves o probabilidad a
posteriori esto es anteriori ¿vale? A priori, perdón a priori y esto es a
posteriori antes del tratamiento y después del tratamiento. ¿Vale? Y
fijaros que el total sería sumando 0,15 0,15 por 0,15 perdón, 0,15 más
0,15 0,14 menos 0 más 0,6 más esto siempre da una muestra igual a 1.
¿Vale? El suceso no puede la probabilidad de un suceso no puede traspasar
que sea 1. ¿De acuerdo? Entonces el teorema de Bainwes constituye la ley
fundamental en la que se basa este tipo de inferencia probabilística tanto
cuando la información procede de los datos muestrales como cuando procede
de estimaciones subjetivas de probabilidad ¿Vale? A ver, esto normalmente
nosotros no lo hacemos cuando vamos al médico nos diagnostican de
depresión ¿Vale? Y no sabemos exactamente qué probabilidad tenemos de
curarnos o no incluso muchas veces los profesionales de la salud mental
tampoco lo hacen esto ¿Vale? ¿Vale? O sea, a ver se puede hacer ¿No? Se
tiene que hacerlo para tener datos Bueno, se podría hacer habría que
hacerlo para tener datos pero quizás no tiene quizás en un año no tienes
100 pacientes depende de cómo tenga la consulta ¿No? Esto se podría
hacer si cuando tienes datos veis que sean representativos porque si son
menos de 100 pacientes no serían representativos pero bueno, en un año se
podría ver se podría ver realmente pues se tendría que pasar unos test
psicométricos y ver si las personas se han curado y las que no se han
curado ¿Eh? Exactamente ¿Vale? Bueno, teníamos que poder medirlo ¿Eh?
Perfecto Entonces el teorema de Bayes nos permite calcular la probabilidad
condicional inversa también denominada probabilidad posteriori ¿Vale? El
espacio impuesto de probabilidades objetivas ¿Qué significa objetivos?
Que sabemos los datos ofrece un ejemplo para introducir el teorema y los
conceptos básicos para explicarlo ¿Vale? Que se resume en la tabla 6 que
ya lo hemos visto El primer concepto es la hipótesis que ya lo hemos visto
eso ¿Eh? Que sobre todo es solo la hipótesis ¿Sí? La columna 2 Bueno,
ya os he explicado todo con una priori dos curación a una no curación y
tal Os lo he explicado más o menos de ahí viva voz y yo creo que se ha
entendido bien ¿No? Pero aquí tenéis una pequeña explicación por si lo
queréis volver a leer ¿Eh? Y además a partir de las columnas 2 y 4
podemos calcular la probabilidad de recoger el axioma 4 ¿Vale? La
probabilidad conjunta que es esta de aquí ¿Eh? ¿Vale? La probabilidad
conjunta ¿Eh? De curación y no curación y la probabilidad conjunta de
estos que sea diagnosticado de depresión por ejemplo y que sea curado o no
curado ¿Vale? Y ahí todo está listo Todos ¿Vale? La tabla de recoger
las 6 posibles probabilidades ¿Estás? Entonces ahora debemos centrarnos
en las filas sombreadas en la lanza porque recordamos que el paciente es
traído al azar aquel que hayamos recogido entre todas esas personas que se
habían curado ¿No? O no curado ¿Vale? Eh Estas 100 personas lo cogemos y
queríamos saber si estaba curado o no y particularmente en la primera de
ellas porque el problema que nos planteamos eh se en concreto era la
probabilidad de que se hubiese sido diagnosticado de depresión ¿Se
entiende la pregunta que teníamos al principio? Lo que nosotros queremos
saber es que si lo habíamos diagnosticado de depresión porque claro los
psicólogos también podemos tener bueno normalmente a ver cuando tú pasas
unos buenos test psicométricos hay muy poca muy poco muy poco error para
poder equivocarte eh de un diagnóstico eh pero bueno hay que ¿Vale?
Dentro de la de la equivocación eh entonces eh si os fijáis la
probabilidad de estar curado fijaros en las naranjas la naranja es estar
curado por eso os lo pone naranja ¿Vale? y el total ¿Vale? Entonces si
había una probabilidad al principio de un 0,30 de padecer depresión ¿Si?
En curado daba un 0,15 ¿Vale? Eh aquí habla de previamente en depresión
pues bueno la probabilidad que tú tenías de haber de que saliera de que
estaba curado teniendo depresión era un 0,15 pero era la misma
probabilidad de no estar curado ¿Si o no? ¿Se ve? Si es la misma de no
estar curado eh en depresión que es la que os están preguntando en este
ejemplo ¿Vale? Entonces la respuesta es ¿Estaba curado esa persona que
sacamos? Eh y con la probabilidad de que hubiese sido diagnosticado
previamente de depresión pues tenemos una probabilidad de 0,15 ¿Vale?
¿Si? Vale Pues ya está es para que sepáis más o menos cómo se hace eh
y aquí os secan en el libro paso a paso la formulación matemática de la
teoría de Mayer ¿Vale? La probabilidad a priori esto es fácil eh la
probabilidad de la hipótesis en este caso sea hipótesis 1 que sea
depresión hipótesis 2 pondríamos un 2 para fobia hipótesis 3 para
ansiedad una vez he hecho análisis de datos esto está chupado que si rosa
Si esto si lo entiendo bien Ay que bien ¿Vale? Perfecto cuando nos digan
que calculemos la diagnosticidad del dato para la hipótesis tal haremos la
D ¿Vale? Que sería curación ¿Vale? En este caso y depresión ¿Vale? Y
en esto te tiene que dar eh un eh en principio sería el 2 la
diagnosticidad del dato sería este esta cifra de aquí ¿Eh? ¿Vale? Vale
Cuando el producto de estos dos valores obtenemos la probabilidad de dos
sucesos dependientes ¿Vale? Sería esto de aquí los sucesos dependientes
y finalmente la probabilidad condicional inversa que sería la el cálculo
de PHD ¿Vale? O P depresión ¿Vale? Que sería el cálculo este ¿Vale?
Vamos allá vamos a seguir Entonces aquí os meten de repente en el teorema
de de Bayes pues el ejemplo que hemos visto ¿Vale? Aquí os meten la
ecuación que es muy da mucho miedo cuando la ves ¿Sí o no? Pero
realmente todo el rato es lo mismo eh fijaros solamente en esto ¿Vale?
Para el ejercicio que nos han dicho sabemos que la H1 era la hipótesis
¿Pero cuál? Hay tres hipótesis La depresión ¿No? La depresión Claro
Sí La depresión Depresión Por Este patrón me metí de loca Perdón
Aquí Por Otra vez La depresión condicionada era esta ¿No? Sí ¿Vale?
Cogemos el dato de haber sido curado y dividido por la hipótesis 1 otra
vez Y otra vez es lo mismo fijaros Todo lo de arriba abajo Y esto se divide
¿Vale? Si nos hubiesen preguntado por la hipótesis 2 ¿Vale? ¿Qué
hubiésemos hecho? Lo mismo pero con 2 Con los datos de la 2 ¿Qué era? La
fobia Bien Hubiésemos hecho la fobia Muy bien Por lo mismo Esto
simplemente En negrita le clases el 2 Y es lo mismo Y a la 3 ¿Qué hubiese
sido? La ansiedad Ansiedad Por los números de ansiedad Sustituir los
números y ya está ¿Veis? Depresión Corazón Depresión Por Y esto lo
multiplicas Y ya está Y ahí te saldría ¿Veis? Depresión Corazón Si
calculamos lo otro nos saldrían las dos siguientes Yo no lo veo tan
complejo esto ¿Eh? No Bien Todos estos números no os compliquéis Es
cogerlo por por banda ¿Vale? De acuerdo con el teorema de Bayes adaptado
al ejemplo puesto el cálculo sería el resultado de dividir la
probabilidad de los casos favorables ¿Vale? Que los casos favorables en
este caso imaginar lo mismo ¿Eh? Casos favorables En este caso sería
haberse curado habiendo sido diagnosticado previamente de trastorno
depresivo por la suma de probabilidades de los casos posibles Haberse
curado habiendo sido diagnosticado de depresión o haberse curado habiendo
sido o de fobia o de ansiedad ¿Se entiende? Sí Bien Pues ya está Es lo
único que tenéis que hacer si os aparece esto ¿Vale? A ver Puede que
alguna pregunta de examen salga algo así pero más que nada para que
sepáis dónde van las cosas ¿Eh? ¿Vale? O a lo mejor con una cifra y os
hacen ¿Cuál es la probabilidad a priori qué? ¿Vale? ¿Sí? Entonces el
axioma 4 explica el numerador del teorema la probabilidad de los casos
favorables y el axioma 3 explica el denominador la suma de probabilidades
de casos posibles Acordaros si tenéis que hacer referencia al axioma 4
explica el numerador del teorema ¿Dónde está el numerador? El numerador
más arriba ¿No? Más arriba Vale Casos favorables y el denominador casos
posibles Y recoge el axioma 3 ¿Vale? Pues esto también os pueden
preguntar que nos gusta mucho preguntar estas cosas ¿Vale? Sigamos
Cálculo de probabilidad con sujetos no expertos sin realizar cuáles son
los matemáticos Entonces ellos dijeron lo siguiente Pero a ver por el amor
de Dios Esto no lo hacemos todas las personas ¿Sí o no? Nosotros cogemos
y hacemos un teorema de Bayer para todo esto No No hacemos naturalmente
Normalmente no Entonces Bueno se empezaron a preguntar cómo los sujetos
realizaban estas estas inferencias sin hacer uso de la, el modelo normativo
en este caso el teorema de Bayes Entonces como señala Arieta, Pinero y
González Navra en el 2011 la inferencia bayesiana permite introducir
probabilidades subjetivas ¿Vale? Todo lo que nosotros otorgamos a nuestra
experiencia o intuición Esas son nuestras probabilidades subjetivas porque
no tenemos todos los casos posibles ¿Vale? Tanto el evaluar las
probabilidades a priori como evaluar las probabilidades condicionales de un
suceso Y aquí os ponen dos historias Aparece el problema A y dice así
Ahora imaginaros que esto eh mmm digásemos se lo presentan a a vosotras a
ti mismas Yo te digo perdón Yo te digo que después de haberte hecho el el
caso este de Ana ¿Vale? Hacemos esta pregunta Seleccionamos un paciente al
azar y encontramos que está curado ¿Vale? ¿Qué probabilidad sería
mayor sin hacer el cálculo? Vale Y tú dices fue diagnosticado de una
fobia específica Fue diagnosticado de ansiedad ¿Qué probabilidad sería
mayor cuando seleccionamos un paciente al azar al encontrar que está
curado? Así algo de creintus ¿La fobia? Tú dirías de fobia fobia
específica ¿No? Vale Sí Entonces ellos encontraron que los pacientes que
estaban son informados de forma verbal y descriptiva en la información que
se recoge en las primeras columnas de la tabla 6-1 y debes seleccionar una
de las dos alternativas ¿Eh? Como yo te he hecho aquí ¿Vale? Cogieron
personas experimentales y le hicieron la misma pregunta que a ti ¿Qué
alternativa de respuesta elegirías en el problema A? Si has elegido A es
incorrecta ¿Vale? Vale Una fobia específica ¿Por qué? Pues analizaremos
el problema B Espera, ¿eh? Vale Voy, voy, espero Aquí Voy En el caso del
problema A aún contando que toda la información es innecesaria el error
se produce porque una mayoría de participantes se centran en el valor del
porcentaje de curación y ignoran como la diagnosticidad del dato en
relación a la hipótesis y desatienden la probabilidad a priori de sufrir
el trastorno 0-20 Vamos a mirar la tabla ¿Vale? Vamos allá Voy para
atrás Vale Claro Lo que tú miras al principio dice No, se ha curado Te
fijas en esto ¿Vale? Por ejemplo En depresión sería un 0-50 En fobia un
0-70 ¿Sí? De que ya hubiese curado ¿Sí? Sí Y aquí en ansiedad un 0-40
Pero fijaros que os estáis fijando en este de aquí No os estáis fijando
en esta parte de la probabilidad que es lo que dice el caso que sería la
probabilidad conjunta de los sucesos dependientes que esta sea la
probabilidad exacta de la soma 4 ¿Se entiende? A ver Ahora me he perdido
un poco Sí Ya lo sé que te has perdido Vamos atrás A ver La pregunta era
Voy atrás Un momentito Si la pregunta era Vamos allá Voy Perdona A ver
Vamos allá A ver Mónica Es que yo por ejemplo lo que tú dices Yo he
contado la posibilidad de lo que se Yo te he dicho la fobia específica Tú
has dicho fobia específica ¿Y esto qué dicen? Pero sin La A es
incorrecta ¿Por qué? Yo creo que ¿Por qué te has fijado en la fobia
específica? Ahora me he dado cuenta porque la fobia Voy Voy al cuadrito
Aquí Que no he controlado que es lo que solemos hacer ¿No? Que los Los
que no se han Fobia específica Los que no se han curado Que no he contado
los que no se han curado ¿No? Ahí está He pasado de ello Ahí está
Porque no observamos el espacio muestral Pero tú te has Los sujetos
habitualmente solamente se fijan en la columna 4 070 de curación Sí
Porque esta solamente tiene refleja el dato curación y hipótesis Pero
esta refleja ¿Veis? En el naranja Te das cuenta 014 Sí El 014 es menos
Claro Porque cuando haces el teorema este de Bayes es cuando realmente
controlas lo que se cura y lo que no se cura Y te da el Cuando Te da el
dato Cuando Aparte de esto Cuando te das cuenta del cálculo de la
probabilidad conjunta de dos sucesos Exactamente Aquí solamente esto es la
probabilidad conjunta de dos sucesos la respuesta Y esto sería la
probabilidad de solamente de estar curado y padecer fobia Vale ¿Vale? Y
esto Esto sería 020 que sería el cálculo que hayamos hecho a priori y a
posteriori Hemos obviado esto Ahora lo vamos a leer y lo vamos a entender
mejor Voy Dice así En el caso del problema aún contando con toda la
información necesaria el error se produce porque una mayoría de
participantes se centra en el valor de porcentaje de curación 070 ¿Lo
ves? 070 en la tabla La diagnosticidad del dato en relación con la
hipótesis y desatienden la probabilidad a priori de sufrir el trastorno
con un 20% Vamos a ver otra demanda Vale Lo que hacemos es nos vamos a la
curación desatendiendo este de aquí Vale, vale, vale Sí Vale El 20%
Este, vale El 20% Esta de que aquí ya en principio Esta dice que ya están
diagnosticados ¿No? Que el 20% sería la hipótesis de la fobia La
hipótesis de padecer fobia Padecer fobia Y la curación sería un cero 70
de curación ¿Vale? Y como te fijas en esto que luego hay un porcentaje
Esto está condicionado de padecer y de estar curado Estos son los datos de
los dos puntos Sí Estar curado y padecer fobia ¿Lo ves? Sí Estar curado
Perdón Padecer fobia y estar curado Me he equivocado Padecer fobia 0,20
Está aquí Sí Esto es la probabilidad condicionada La probabilidad de
padecer conjunta de dos sucesos dependientes como te lo marca la axioma que
hemos visto al principio Que es menos que la ansiedad ¿Eh? Eso es lo que
dices Que la ansiedad Vale En realidad si te fijas La ansiedad Vale, vale
La depresión ¿Era más alto o no? ¿La depresión? A ver No sé Ya me he
perdido Espérate Sí Aquí La depresión es más alto Vale La pregunta es
¿Fue diagnosticada de fobia específica? ¿Fue diagnosticada de ansiedad?
La respuesta era Era la B Fue diagnosticada de ansiedad ¿Por qué? Porque
daba más alto de ansiedad Era más probabilístico ¿No? ¿La ansiedad?
Sí Vamos a ver la tabla Yo si no veo la tabla no lo puedo A ver Ansiedad
Depresión Ansiedad ¿Era más alto? ¿Vale? Fíjate Fíjate en esto ¿Eh?
Fíjate En ansiedad Curación 0,40 0,50 Era más alto De estar
diagnosticada Era más Más Era más Claro Que estuviera Diagnosticada A
priori Que A posterior Y fíjate De que de curación De curación Y tener
ansiedad Había una probabilidad De 0,20 En contra De 0,14 De la fobia Pero
te fijaste En vez de Fijarte También En la probabilidad Más alta Que
había aquí De curación Dado dos sucesos Curación Y tener La De esto
Tener la enfermedad O la patología O lo que sea Nos fijamos más En este
En Este de aquí ¿Vale? Vale Y vamos a ver Por el último El B Y ya nos lo
quitamos De un plumazo El caso B Ana se plantea Analizar Qué variables
Explican Que después De la primera fase De tratamiento Solo un 40% De
pacientes Salen De su problema De ansiedad ¿Vale? Por ello cita Un día A
todos los pacientes curados Solo a los curados Y en un día Distinto A los
pacientes A un proceso De curación Para evaluarles Una serie de variables
Que podrían explicar La diferencia Lo que hace ella Es coger a los curados
Los pasan los test Y a otros A los no curados Otros test ¿Por qué? Porque
dice Que solamente un 40% Salen de la Problemas de ansiedad Elena sufre
ansiedad Una paciente Y acude a la consulta A pedir cita Con Ana El día
Que esta Ha citado A todos los pacientes curados Y esta mujer Pensará
Elena Yo no voy a curar Todo el mundo se ha curado aquí ¿Vale? Entonces
En la sala de espera Los pacientes curados Transmiten a Elena Todo el
éxito Y la rapidez De su curación Tras la primera fase De tratamiento
¿Vale? A partir de ahora A partir de esta información Elena Considera que
la primera fase De tratamiento Empleado por Ana Para el trastorno de
ansiedad A Es altamente eficaz B Es parcialmente eficaz ¿Tú qué
pensarías Si fueras Elena? ¿Parcialmente? No A ver Si tú vas a la
consulta Rosa Mírame A los ojos Gracias ¿No? O sea Tú imagínate Si tú
vas a la consulta A una consulta psicológica Y te encuentras 50 personas
Que te dicen En la consulta psicológica En la sala de espera Esta
psicóloga Ana es un crack Todos los que estamos aquí Estamos curados
¿Tú qué vas a pensar? ¿Que es una crack o no? ¿Que es eficaz el
tratamiento? Sí Claro No vas a pensar Que es parcialmente eficaz ¿Por
qué? Porque como toda la información No tienes todos los datos muestrales
¿Por qué? Porque Ana Solamente Ese día Ha hecho venir A toda la gente
Que ya se ha curado Pero la que no se ha curado No ha estado ahí ¿Sabes?
¿Sí o no? Pero entonces Sería Entonces sería Parcialmente eficaz Porque
no tenemos Todos los datos ¿No? ¿O no? Eso sería Según el teorema de
Bayes Pero vamos a ver Lo que dice el libro En el caso B Elena no cuenta
Con toda la información relevante Muy bien Exactamente Para resolver el
problema En concreto La diagnosticidad del dato En la aplicación De la
primera fase Del tratamiento Es muy importante En presencia De la potencia
alternativa El paciente No se ha curado ¿Eh? Acordar que la P sería
curado Y la Q No curado Pero la no curada Nos la pasamos La opiamos ¿Vale?
Por eso dice La evidencia empírica De varias décadas De investigación
Demuestra Que el razonamiento Probabilístico humano Generalmente No es
extensional Es decir Que no contempla Todo el conjunto De posibilidades De
las variables ¿De acuerdo? ¿Sí o no? Sí, es verdad Bueno, se ha medio
entendido ¿No? No, no Sí se ha entendido Mónica Y después Mira En el
libro Ahí en el libro En el En el vídeo este También que ponen en la
UNED También es porque El equipo docente Lo explican así Con el
coronavirus Y es verdad Porque es un ejemplo Muy Porque Claro Cuando
decían Que en España Se habían muerto Tantas personas Que en Estados
Unidos Habían muerto Tantas personas Y no No se ve Teníamos que mirar Que
en España Por ejemplo Hay 40 millones de personas Y en Estados Unidos Hay
no sé cuántas ¿No? Pero Te refieres a lo de la PEP ¿No? Bueno, lo estoy
mirando También Sí Era un ejemplo Que ponían En esto de los En esto del
Teorema este de Valles Sí Es verdad Que Que era información Incorrecta
¿No? Porque Tanta cantidad De gente Ahí en España Pero en Estados Unidos
Por ejemplo Hay más Exactamente Si es como la muestra Claro Es lo que
Claro No, o sea Es lo que Vemos en la próxima clase Exactamente Los fallos
De los heurísticos Exacto Que tenemos Y esto lo has visto En la videoclase
Del equipo docente ¿No? Sí Perfecto Intentar ver Esta videoclase Porque
te ilumina Está bien Sí Bien Sí Bueno pues Lo dejamos aquí Porque tengo
otra clase Y la semana Voy a intentar Adelantar un poco Y pasaros Alguna
grabación O algo Porque si no No vamos Pero sería bueno Podernos reunir
Para explicar ¿No? Todo lo que son Los sesgos Porque Se entenderán Bien,
bien Cuando se expliquen así Si no es difícil Ya nos salgamos Por el
grupo Y os explico Un par de estrategias ¿Vale? Vale Vale, vale Venga Que
vaya muy bien Que vaya bien Igualmente Adiós