Chapter Content
A ver, a ver... déjame que te cuente... ¿sabes? Es que esto de intentar predecir el futuro... ¡madre mía!, es más complicado de lo que parece, ¿eh? Nosotros, los humanos, somos como máquinas de predecir, ¿verdad? Imagínate, desde que decidimos si salir a buscar comida, si pelear, si correr... ¡todo es un intento de adivinar qué va a pasar! Y no necesitamos ser expertos en estadística ni nada de eso. Los animales también lo hacen, ¿eh? Se basan en su experiencia y hacen sus cálculos. Nosotros igual. Cada cosa que vivimos se guarda en nuestro cerebro como un dato, y cuando pasa algo inesperado, ¡pum!, el cerebro se reajusta. Así es como vamos por la vida.
Ahora, ¿cómo hacemos para lidiar con un mundo que es súper inestable? Un mundo donde, fíjate tú, una sola piedrita puede causar un derrumbe... Pues, la verdad es que siempre hemos sabido que hay cosas que no podemos controlar. Antes, muchas culturas creían en dioses que lo sabían todo. Los sacerdotes o los oráculos intentaban conectar con esa sabiduría divina para ayudar a los buenos y castigar a los malos. Pero no se suponía que nosotros debíamos entender o predecir el futuro. En esa forma de ver las cosas, la incertidumbre no es algo del mundo, sino más bien una falla de nuestro conocimiento, ¿me entiendes? Para ellos, los dioses siempre saben, no se preocupan por probabilidades.
Entonces, lo mejor que podíamos hacer era, digamos, canalizar esa sabiduría divina. Por ejemplo, en la antigua China usaban el I Ching para intentar conectar con una verdad más profunda. Pero, durante mucho tiempo, intentar predecir las cosas con números o datos se veía como algo... como una falta de respeto, ¿no? Como si quisiéramos calcular a Dios. Por eso, durante miles de años, la verdad es que no se hicieron muchos intentos de medir o cuantificar la incertidumbre.
Quizás, ¿eh?, quizás por eso los antiguos griegos, que eran súper listos para todo, no desarrollaron las matemáticas de la probabilidad. ¡Qué raro!, porque les encantaban los juegos de azar. Usaban huesos de animales como dados desde el año 5000 antes de Cristo. O sea, que sí pensaban en las posibilidades, ¿sabes?, pero no crearon una lógica para eso. En otras culturas también había juegos de azar. La palabra árabe para dados, "al-zahr", es de donde viene nuestra palabra "azar". Pero, vamos, que las matemáticas tardaron en llegar.
Luego, por ahí del año 1156, aparece la palabra latina "resicum", que es de donde viene nuestra palabra "riesgo", en un contrato marítimo italiano. La usaban para repartir las ganancias de los viajes en barco, que podían ser muy buenas, pero también podían terminar en desastre. Pero, claro, para medir el riesgo de forma lógica, se necesitaban matemáticos. Y, desde el principio, su idea del riesgo era un poco... equivocada. Seguían la idea de Aristóteles de que para predecir el futuro solo hay que ver "lo que pasó la mayoría de las veces". Y claro, como veremos, asumir que el pasado siempre nos sirve para predecir el futuro puede ser un error garrafal, ¿eh?, sobre todo en un mundo que está cambiando todo el tiempo.
La teoría de la probabilidad, la verdad, tardó mucho en desarrollarse. Y una de las razones fue, curiosamente, un accidente histórico. Los números romanos y griegos eran muy complicados para hacer cálculos. ¡Intenta restar MDCCCXLIII de MMXXIII! El sistema de números árabes, el que usamos ahora, no se extendió antes porque en Europa pensaban que era muy fácil falsificarlos. Imagínate, el 1 se podía convertir en un 4 o un 7. Parece que por eso muchos europeos todavía escriben el 7 con una rayita. Los números árabes se hicieron populares en Europa con la imprenta, porque ya no se podían falsificar tan fácil. Así que, fíjate, la teoría de la probabilidad se retrasó años por miedo a las falsificaciones.
Los primeros avances en la probabilidad se dieron gracias a los juegos de azar. En 1654, Blaise Pascal y Pierre de Fermat resolvieron un problema sobre cómo repartir el premio en un juego que se había interrumpido antes de que alguien ganara. Antes de ellos, no estaba claro cómo dividir el dinero según quién tenía más posibilidades de ganar. Resolver eso, ¡pum!, desató un montón de avances en la probabilidad, con gente como Gerolamo Cardano, el Chevalier de Méré, Jacob Bernoulli, Pierre-Simon Laplace y Thomas Bayes.
A medida que las matemáticas avanzaban, se podían entender y calcular más cosas del mundo. Y entonces, ¡boom!, se puso de moda entre los intelectuales europeos contar absolutamente todo. Isaac Newton estaba desarrollando su física matemática, donde el mundo seguía patrones que se podían medir, y muchos pensaron que se podían resolver los misterios de la sociedad con números y ecuaciones. En 1662, John Graunt hizo un estudio sobre la mortalidad en Londres, y así nació la demografía. En el siglo XIX, Auguste Comte creó la sociología, basada en el positivismo y en un nuevo enfoque cuantitativo para tomar decisiones. Adolphe Quetelet, un astrónomo, matemático y sociólogo belga, también estaba obsesionado con contar y medir. Era una época en la que se pensaba que se podía transformar la incertidumbre en certeza.
Pero, en el siglo XVIII, el filósofo escocés David Hume nos advirtió que la probabilidad no es lo mismo que la certeza. Hume decía que la mayoría de lo que sabemos sobre causa y efecto se basa en la experiencia, en lo que pasó en el pasado. Pero no hay garantía de que el futuro vaya a ser igual al pasado. O, como él decía, "la probabilidad se basa en la presunción de una semejanza entre los objetos de los que hemos tenido experiencia y aquellos de los que no hemos tenido ninguna". Las probabilidades pueden ser útiles, sí, pero si el futuro es diferente al pasado, ¡nos vamos a llevar una sorpresa! Hume tenía razón, ¿eh?
Hoy en día, la teoría de la probabilidad es una rama súper sofisticada y rentable de las matemáticas. Hay millones de personas trabajando en predicciones probabilísticas. Y miles de millones usamos esas predicciones para tomar mejores decisiones sobre un futuro que no podemos conocer. Cada vez más, cuantificamos todo, lo metemos en modelos matemáticos, algoritmos y modelos de aprendizaje automático.
Hemos avanzado mucho desde los huesos de animales, ¿eh? Ahora confiamos en oráculos más "fiables": la ciencia y la estadística. Pero, como veremos, nos hemos pasado un poco de la raya con eso de creer que podemos dominar la incertidumbre. A menudo, fingimos que podemos responder preguntas que no podemos responder. Y esa confianza excesiva nos hace ignorar el azar, el caos y las casualidades, porque no encajan en el mundo ordenado que nos gusta imaginar.
¿Por qué hacemos esto? Bueno, en parte porque somos víctimas de nuestros propios éxitos. Los científicos son como magos modernos, ¿eh? Pueden editar genes, descubrir partículas invisibles e incluso desviar asteroides. Y esos avances nos han dado la idea equivocada de que ya hemos resuelto casi todos los misterios del mundo. Demasiada gente piensa que el conocimiento humano está a punto de limpiar los últimos rincones de la ignorancia. No hay cura para el cáncer, pero está cerca. No hay humanos en Marte, pero pronto los habrá. La aparente omnisciencia de la ciencia moderna parece protegernos del azar y el caos.
Pero la verdad es que todavía hay muchas cosas inciertas o desconocidas. Algunos de los misterios más importantes del universo siguen sin resolverse, simplemente no lo sabemos. Y sin embargo, nos bombardean con predicciones de todo tipo, desde encuestas hasta previsiones económicas. Como si ya hubiéramos domesticado al mundo. Si crees que el mundo se puede predecir, controlar y manipular a nuestro gusto, entonces es más fácil pensar que las fuerzas misteriosas del azar no tienen mucha importancia. Pero si te das cuenta de que todavía hay muchos misterios sin resolver, entonces es más fácil reconocer que las casualidades importan. Pero la mayoría de nosotros ignoramos esa incertidumbre y nos concentramos en lo que podemos ver y medir.
El mayor misterio de todos, ¿eh?, es la conciencia. No entendemos cómo funciona. Desde 1994, el problema más difícil se llama el "problema difícil de la conciencia", un término acuñado por el filósofo David Chalmers. Los humanos siempre nos hemos preguntado si hay algo fundamentalmente diferente entre nuestra mente y las estructuras químicas del cerebro. Si aceptamos que los pulmones y el hígado son solo trozos de tejido y células con productos químicos, ¿por qué el cerebro sería diferente? Pero Chalmers señaló algo más profundo. Como dijo el escritor Oliver Burkeman, "¿Cómo es posible que ese kilo y medio de tejido húmedo y beige rosado dentro de tu cráneo pueda dar lugar a algo tan misterioso como la experiencia de ser ese tejido beige rosado y el cuerpo al que está unido?". Es la pregunta de ser humano, ¿eh?, y no tenemos ni idea.
Luego están las leyes fundamentales del universo. En 1874, un genio alemán que acababa de empezar la universidad a los dieciséis años le pidió consejo a su mentor sobre qué estudiar. El mentor le dijo que no se molestara con la física teórica, porque "en este campo, casi todo está ya descubierto, y lo único que queda es rellenar algunos huecos". Afortunadamente, el estudiante, un joven Max Planck, no hizo caso y decidió intentar rellenar algunos de esos huecos. En 1918, ganó el Premio Nobel por desarrollar la teoría cuántica, que cambió todo lo que creíamos saber sobre el universo.
En los niveles más pequeños, la materia se comporta de forma imposible. Las interpretaciones de los experimentos cuánticos sugieren que las partículas pueden estar en dos lugares al mismo tiempo, un fenómeno llamado superposición. Pero cuando observamos esas partículas, se colapsan en una sola posición, lo que sugiere que la realidad cambia dependiendo de si alguien está mirando. Y aún más raro, algunas interpretaciones del entrelazamiento cuántico sugieren que las partículas gemelas separadas por grandes distancias se afectan instantáneamente entre sí cuando se mide una de ellas. Einstein llamaba a esto "acción fantasmal a distancia". No tenemos palabras para explicar estos fenómenos porque el comportamiento de estas partículas es diferente a todo lo que vemos en nuestro mundo. Ni siquiera los científicos más brillantes saben qué está pasando, pero parece que las partículas están entrelazadas por otro de esos hilos mágicos de la vida.
Y lo más extraño de todo, ¿eh?, es que algunos de los mejores científicos de la física cuántica creen en la interpretación de los muchos mundos, como una forma de darle sentido a la ecuación central de este campo, la ecuación de Schrödinger. Esta idea surgió una noche en la que, según todos los presentes, "se consumieron grandes cantidades de jerez". Según la interpretación de los muchos mundos, todo lo que puede pasar pasa, así que el mundo se está ramificando constantemente en un número infinito de universos. Esta teoría implica que existen copias infinitas de ti, así como universos infinitos en los que nunca exististe. Puede sonar como la fantasía de un escritor de ciencia ficción de los años 60 que se pasó con el LSD, pero también es una de las interpretaciones matemáticas más directas de las ecuaciones de la mecánica cuántica, y algunos físicos muy inteligentes creen que es verdad. ¿Te imaginas?, si existen un número incontable de versiones alternativas de ti en otros universos, pues... ¡eso sería importante saberlo!, ¿no?
En fin, que nadie entiende realmente nuestro mundo. Y como me dijo el biólogo evolutivo Zack Blount, quizás eso sea inevitable: "No estoy seguro de que sea posible entender completamente el universo, al menos no para los humanos que usan cerebros que evolucionaron para mantener vivos a simios sociales bípedos el tiempo suficiente para reproducirse". Vivimos en un mundo que siempre nos parecerá incierto. La pregunta entonces es: ¿podemos al menos entendernos a nosotros mismos?
En 2016, la revista The Economist analizó quince años de previsiones económicas del Fondo Monetario Internacional (FMI), que cubrían 189 países. Durante ese período, un país entró en recesión 220 veces, una crisis económica importante con graves consecuencias. El FMI hace previsiones dos veces al año, en abril y en octubre, después de haber visto la mitad de los datos reales del año. ¿Con qué frecuencia estas previsiones predicen correctamente el inicio de una recesión? ¿Con qué frecuencia aciertan nuestras mejores mentes?
De 220 casos, la respuesta para las previsiones de abril fue ninguna. Cero. Estas previsiones nunca vieron venir la recesión. Las previsiones de octubre, que ya tenían seis meses de datos reales con señales de advertencia, solo acertaron la mitad de las veces. Las previsiones del FMI eran solo un poco mejores que un modelo estático que simplemente predice que todos los países del mundo, desde Afganistán hasta Zimbabue, crecerán a una tasa fija del 4 por ciento cada año. En física, las teorías se descartan si sus predicciones fallan por una pequeña parte. Pero cuando nos estudiamos a nosotros mismos, a veces trabajamos con teorías que nunca han acertado, incluso en preguntas tan básicas como "¿La economía de este país se contraerá el próximo año?".
Por otro lado, en 2004, los humanos lanzaron una nave espacial que viajó durante diez años antes de aterrizar suavemente sobre un cometa de cuatro kilómetros de ancho que viajaba a 135.000 kilómetros por hora. Todos los cálculos tenían que ser perfectos, y lo fueron. Pero, claro, intentar averiguar con certeza si la economía de Tailandia crecerá o se contraerá en los próximos seis meses, o si la inflación en Gran Bretaña superará el 5 por ciento en tres años... pues, eso no es algo que podamos hacer.
Y no es por criticar a las ciencias sociales, ¿eh?, porque yo soy un científico social (desilusionado). Pero todos los científicos sociales sabemos un secreto que rara vez contamos abiertamente: ni siquiera nuestras mejores mentes entienden realmente cómo funciona nuestro mundo social. Esto es especialmente cierto para los eventos raros, irrepetibles y contingentes, que a menudo son los más importantes de entender. Nuestro mundo social está demasiado interconectado y es demasiado complejo para que lo dominemos, impulsado por ciclos de retroalimentación y puntos de inflexión, fuerzas que cambian constantemente, influenciadas por el azar y el caos, los accidentes y las casualidades.
A principios del siglo XX, un economista llamado Frank Knight desafió la sabiduría económica convencional, que se basaba en una serie de supuestos simplistas. Knight explicó la diferencia entre lo que él llamaba incertidumbre y riesgo. Knight argumentaba que el riesgo, que es lo más manejable de los dos, ocurre cuando un resultado futuro es desconocido, pero las probabilidades de que algo suceda se conocen y son estables. No sabemos lo que va a pasar, pero sí sabemos cómo o por qué está pasando. Por ejemplo, lanzar un dado de seis caras es una cuestión de riesgo, no de incertidumbre. No sabemos qué número saldrá, pero sí sabemos que cada número tiene una probabilidad de uno entre seis. El riesgo se puede domar.
La incertidumbre, en cambio, se refiere a situaciones en las que un resultado futuro es desconocido y el mecanismo subyacente que produce ese resultado también es desconocido, e incluso puede estar cambiando constantemente. No sabemos lo que va a pasar y no tenemos forma de evaluar la probabilidad de que pase. Estamos completamente a oscuras. En esta formulación, el FMI falla constantemente al predecir el inicio de las recesiones porque está tratando la incertidumbre incontrolable como si fuera un riesgo resoluble. Pero no lo es, así que la previsión falla.
La diferencia que hace Knight entre incertidumbre y riesgo es útil, ¿eh? Para evitar errores de juicio graves, es importante separar lo que se puede saber de lo que no, porque algunas cosas simplemente no se pueden saber. Para afrontarlo, muchos no recurren a las viejas supersticiones de la adivinación, sino al consuelo a veces engañoso de las probabilidades. Muchas veces, las probabilidades se aplican correctamente y nos ayudan a afrontar el riesgo tomando decisiones más sabias. Pero si te aventuras en un reino incierto con tu probabilidad para tomar decisiones, puede que te lleves una sorpresa desagradable, y hasta catastrófica, ¿eh? No confundas el caos indomable con el azar domesticable.
El economista Mervyn King lo dijo muy bien: "Todos hemos crecido con la idea de que si eres inteligente, piensas en la incertidumbre en términos de probabilidades, y hay mucha gente que intentará interpretar cualquier tipo de incertidumbre futura en términos de alguna probabilidad. Creo que esto es un error grave y que perjudica la toma de decisiones". Las probabilidades son una herramienta maravillosa para afrontar el riesgo, y hay que usarlas para ese tipo de problemas. Pero en los casos de incertidumbre irresoluble, es mejor admitir "no lo sé" que usar una probabilidad falsa basada en supuestos erróneos para navegar por un territorio desconocido.
Claro, a veces tenemos que elegir, incluso cuando estamos totalmente inseguros. Las preguntas se dividen en dos: las que hay que responder y las que no. Podríamos llamarlas las preguntas de "haz lo que puedas" y las preguntas de "no te molestes". Si tienes una enfermedad rara, los médicos deben decidir cómo tratarla, aunque no sepan qué la causa ni qué es probable que funcione. Decir "no lo sé" no es una opción para afrontar un cáncer misterioso. Haz lo que puedas.
Pero, a ver, ninguna ley nos obliga a predecir que el crecimiento económico de Burundi será exactamente del 3,3 por ciento dentro de cinco años. ¡Eso es imposible!, y seguramente estará mal, y puede que nos haga cometer errores graves porque la falsa certeza nubla nuestro juicio. Decir "no lo sé" no significa que tengas que tirar la toalla y no hacer nada. Solo significa evitar hacer predicciones tontas cuando no es necesario. Cuando es necesario, es importante al menos reconocer las nieblas de la incertidumbre e incorporar la idea del caos a la toma de decisiones. Por desgracia, lo que suele pasar en nuestras sociedades es lo contrario. En lugar de premiar la humildad intelectual, confundimos la certeza con la confianza y el poder. Y así, mucha gente llega a la cima siguiendo la estrategia de estar siempre seguro, pero a menudo equivocado.
Pero si las probabilidades no sirven en situaciones de incertidumbre real, ¿por qué usamos el razonamiento probabilístico tan a menudo? El problema es que usamos la misma palabra, "probabilidad", para referirnos a muchas cosas diferentes. Y para colmo, cuando alguien da un número específico, como "un 63,8 por ciento de posibilidades", parece que la persona se ha transformado en un oráculo moderno, con un conocimiento que se ha vuelto legítimo mágicamente porque lo ha producido un cálculo matemático (aunque ese cálculo se base en supuestos erróneos). Es más difícil discutir con una probabilidad que con alguien que simplemente dice "creo" que algo va a pasar. Pero ¿es así como debemos verlo?
Escuchamos afirmaciones probabilísticas todo el tiempo. Pero, ¿qué significa decir que hay un 80 por ciento de posibilidades de lluvia hoy? La respuesta parece obvia hasta que intentas explicársela a alguien. ¿Significa que, dadas las mismas condiciones físicas iniciales en la atmósfera, lloverá el 80 por ciento de las veces (como si el clima fuera como lanzar dados con probabilidades fijas)? ¿Significa que, de cien mundos posibles imaginados con condiciones similares a las de hoy, se espera que llueva en ochenta de ellos, pero no en los otros veinte? ¿Significa que las pruebas en el modelo meteorológico son inciertas, pero que los meteorólogos quieren que sepas que tienen un nivel de confianza del 80 por ciento en la predicción de que va a llover?
¿Y qué significa que una predicción sea correcta? ¿La predicción es incorrecta si no llueve, ya que la probabilidad de lluvia era superior al 50 por ciento? Seguramente, eso no puede ser correcto, porque 80 por ciento y 100 por ciento no es lo mismo. ¿O la predicción es correcta si llueve ochenta veces de cada cien cuando la predicción dice que hay un 80 por ciento de posibilidades de lluvia? En ese caso, solo se puede comprobar la precisión de una predicción después de muchas predicciones repetidas. Pero, ¿quién dice que las condiciones físicas de hoy son comparables a las del futuro? Después de todo, como ha demostrado la teoría del caos, pequeñas variaciones en los sistemas físicos que producen el clima pueden producir grandes cambios. ¿Qué pasa si estamos comparando peras con manzanas?
Estas preguntas se vuelven aún más difíciles cuando la probabilidad pasa de los patrones meteorológicos a un evento único e irrepetible, como unas elecciones. ¿Qué significa cuando Nate Silver predijo que Hillary Clinton tenía un 71,4 por ciento de posibilidades de ganar las elecciones presidenciales de 2016? ¿Significa que si se repiten las elecciones una y otra vez en el modelo informático, Clinton gana el 71,4 por ciento de las veces? Vale, pero solo hay unas elecciones, con un solo resultado, y no se puede repetir la realidad una y otra vez, por mucho que queramos hacerlo a posteriori. ¿O significa que las elecciones son como tirar dados, pero en lugar de tener una probabilidad de uno entre seis, el dado de Hillary Clinton estaba ponderado para que saliera con una victoria el 71,4 por ciento de las veces? Cuando perdió, ¿la predicción del 71,4 por ciento fue errónea, o simplemente ocurrió el resultado menos probable?
Está claro que tenemos un problema. Cuando decimos "hay una probabilidad del X por ciento de que ocurra Y", hay muchos supuestos implícitos que podrían significar cosas muy diferentes. Decir "hay un 60 por ciento de posibilidades de que Confucio fuera una persona real de la historia" es probabilístico, pero también lo es "hay un 50 por ciento de posibilidades de que una moneda caiga en cara en el próximo lanzamiento". Son tipos de afirmaciones radicalmente diferentes, pero ambos se agrupan bajo la etiqueta de probabilidad. Y para confundir aún más las cosas, hay un sinfín de palabras para describir las probabilidades: bayesiana, objetiva, subjetiva, epistémica, aleatoria, frecuentista, propensidad, lógica, inductiva o inferencia predictiva. Y para empeorar las cosas, estas etiquetas significan cosas diferentes para diferentes personas.
A ver, intentemos aclarar la confusión.
Hay dos tipos principales de afirmaciones de probabilidad. Como explica el filósofo de la ciencia Ian Hacking, muchas probabilidades son parte de una probabilidad de tipo frecuencia o de una probabilidad de tipo creencia.
El tipo de frecuencia se basa principalmente en la frecuencia con la que se producirá un resultado, sobre todo a largo plazo durante ensayos repetidos. Por ejemplo, si lanzas una moneda cien veces, puedes obtener cuarenta y tres caras y cincuenta y siete cruces. Hay dos explicaciones posibles para ese resultado. Tal vez sea una moneda sesgada que cae en cruz con más frecuencia. O bien, la moneda podría ser una moneda justa de cincuenta y cincuenta, y solo ha habido una ligera variación en esos cien lanzamientos. Una vez que cien lanzamientos de monedas se convierten en cien millones, quedaría claro si la moneda está sesgada. Si es una moneda justa, la proporción general de caras y cruces convergería hacia una proporción de cincuenta y cincuenta.
Las probabilidades de tipo creencia son completamente diferentes. Son expresiones de un grado de confianza que tienes en una afirmación específica o en un resultado futuro, basadas en las pruebas disponibles. Confucio fue una persona real o no lo fue, por lo que cualquier afirmación probabilística sobre su existencia es una probabilidad de tipo creencia. No es como lanzar un dado. No es como si pudieras seguir ejecutando un modelo computacional de la historia y ver en cuántos mundos existe Confucio y en cuántos no. En cambio, es solo una estimación basada en las pruebas que tienes, puesta en forma numérica. Pero quienes hacen afirmaciones de probabilidad rara vez explican si su afirmación es de tipo creencia o de tipo frecuencia, lo que deja a la gente comprensiblemente confundida. Esa confusión crea un juego de manos intelectual, y a menudo hace que la gente esté demasiado dispuesta a deferir a la apariencia de sabiduría automática que a menudo acompaña a los números y las estadísticas en la sociedad moderna.
La probabilidad solo puede ser una guía útil en ciertas situaciones. Cuando nos enfrentamos a un problema en un sistema sencillo y cerrado, como un lanzamiento de dado, con seis resultados posibles claramente definidos, entonces el razonamiento probabilístico funciona a la perfección. Pero cuando trasladamos la probabilidad al ámbito de la realidad, en los sistemas adaptativos complejos en los que vivimos, las cosas pueden volverse locas muy rápidamente. Como dijeron John Kay y Mervyn King en su excelente libro, Radical Uncertainty, las probabilidades se pueden aplicar mejor a situaciones en las que "los posibles resultados están bien definidos, los procesos subyacentes que los producen cambian poco con el tiempo y hay una gran cantidad de información histórica [relevante]". Por desgracia, para muchos de los problemas más importantes a los que nos enfrentamos, estos supuestos no se cumplen. La probabilidad no funciona en el caos.
Para ver por qué, volvamos a un problema relacionado con el riesgo, en lugar de con la incertidumbre: los lanzamientos de moneda. Las dinámicas subyacentes de causa y efecto son estables a lo largo del tiempo y el espacio. Son, por usar el término técnico, estacionarias. No importa si la persona que lanza la moneda es un soldado de la dinastía Qin en la antigua China o un camarero en la moderna Virginia Occidental. Las proporciones generales de caras y cruces deberían terminar en aproximadamente el 50 por ciento. Además, cuando hablamos de la probabilidad de un lanzamiento de moneda, hablamos de la distribución media de los resultados, en lugar de intentar predecir si un lanzamiento específico será cara o cruz. También podemos realizar lanzamientos de moneda tantas veces como queramos, por lo que el fenómeno es repetible. Las monedas también son comparables o intercambiables: no importa si uso mi moneda o la tuya, siempre y cuando ambas sean de un cuarto de dólar o formen parte de una categoría de monedas justas en general. Como resultado de todos estos factores, la probabilidad de lanzamiento de moneda es convergente. Cuanto más tiempo lo hagas, más te acercarás al 50 por ciento para cada resultado. La combinación de estos factores (estacionario, medio, repetible, comparable y convergente) hace que los lanzamientos de moneda sean ideales para el análisis probabilístico, en el que los eventos pasados son un predictor casi perfecto de los resultados futuros.
Ahora, veamos otro ejemplo, en el que intentamos averiguar si el ibuprofeno ayuda a aliviar los síntomas del dolor de cabeza. Es más complicado que los lanzamientos de moneda, pero se aplican los mismos principios. A menos que los dolores de cabeza estén causados por una enfermedad nueva y desconocida, es seguro decir que el mecanismo por el cual el ibuprofeno puede ayudar a aliviar los síntomas del dolor de cabeza no está cambiando de un día para otro, por lo que este es un problema estacionario. También estamos interesados en las medias, porque buscamos un tratamiento que tienda a funcionar en todos los pacientes posibles, no uno que funcione en todos los casos específicos. Los dolores de cabeza son, por desgracia, extremadamente repetibles, tanto en los individuos como en los humanos en general. También son mayormente comparables, ya que es un supuesto razonable que el proceso químico que reduce mi dolor de cabeza probablemente también reducirá el tuyo.
Sin embargo, esto solo tiene sentido si estamos usando la categoría correcta. Puede sonar pedante, pero el lenguaje que usamos importa enormemente para las probabilidades. Las estadísticas solo son tan buenas como nuestra lingüística. ¿Qué pasa si uso la palabra dolor de cabeza para referirme a una migraña o a una sensación de dolor de cabeza producida por un tumor cerebral? Las estimaciones basadas en la probabilidad se basan en categorías precisas, en la idea de que cuando me refiero a un dolor de cabeza en diferentes contextos, estoy comparando peras con peras, en lugar de peras con manzanas. Si es la categoría correcta, entonces, al igual que con los lanzamientos de moneda, el problema de los dolores de cabeza y el ibuprofeno es convergente: incluso si hay discrepancias entre nosotros en edad, género, raza, altura, ingresos, etc., el ibuprofeno probablemente seguirá funcionando. Las mismas dinámicas se aplican a una variedad de campos, como las tablas actuariales que intentan determinar las primas de seguro, o las ligas deportivas con las mismas reglas y equipos de una temporada a otra. Los patrones pasados son un predictor fiable del futuro, por lo que las probabilidades son una apuesta segura. Esta es la Tierra de las Probabilidades Estacionarias, donde Nate Silver se siente más a gusto.
Ahora, pasemos a problemas más espinosos de incertidumbre que surgen de nuestro mundo complejo, dinámico, contingente e interconectado, propenso a puntos de inflexión, ciclos de retroalimentación y cascadas causadas por los cambios más pequeños. Los economistas Kay y King señalan el ejemplo esclarecedor de la decisión de Barack Obama de ordenar la incursión de las fuerzas especiales que mató a Osama bin Laden. Había tantas cosas desconocidas: ¿Estaba bin Laden en el complejo en Pakistán? ¿Tendría éxito la incursión en matarlo con una mínima pérdida de vidas si estaba allí? ¿Atacaría o denunciaría el gobierno paquistaní a Estados Unidos por violar su espacio aéreo?
Los asesores de Obama intentaron darle al presidente estimaciones probabilísticas para que pudiera tomar la decisión correcta. "Hay un setenta por ciento de posibilidades de que esté allí, señor Presidente". Estas eran expresiones subjetivas, basadas en la creencia, de confianza en las pruebas disponibles, no lo que la mayoría de la gente piensa cuando oye la palabra probabilidad. Bin Laden estaba allí, o no lo estaba. No era un escenario de lanzamiento de moneda, en el que estaría allí en la mitad de los mundos y no estaría allí en la otra mitad. Nadie sabía si bin Laden estaba allí. Nadie sabía cómo reaccionaría Pakistán. Nadie sabía lo que pasaría. La decisión debía tomarse con una incertidumbre inevitable.
Consideremos cómo la incursión de bin Laden difiere de un lanzamiento de moneda. En lugar de ser un caso de causalidad estacionaria, en este caso, las dinámicas subyacentes que determinarían el resultado de una posible incursión de las fuerzas especiales en Pakistán no eran estacionarias. Tal vez Pakistán podría haber respondido mal a una incursión similar en 2008, pero no tan mal en 2011. Tal vez la respuesta dependería de cuánto hubiera dormido el jefe de inteligencia paquistaní la noche anterior. Tal vez dependería del gobierno en el poder, del primer ministro, de cómo se le presentaran los hechos, o incluso del estado de ánimo de los generales de servicio. Aquí no se podía extraer de forma fiable una relación estática de causa y efecto. El resultado de la misma incursión podría desarrollarse de forma radicalmente diferente si se hubiera intentado el 1 de mayo y no el 2 de mayo. Las dinámicas eran variables y, por tanto, incognoscibles.
Además, mientras que un lanzamiento de moneda se puede comparar con otro, Barack Obama no estaba interesado en los resultados medios de todas las incursiones de las fuerzas especiales anteriores. Le importaba si esta incursión propuesta tendría éxito, por lo que estaba preocupado por un resultado específico, en lugar de por uno medio. Eso se debe a que la incursión no era repetible. Era algo único, muy diferente a un lanzamiento de moneda. También era único en lugar de comparable o intercambiable. Podrías intentar comparar la incursión de bin Laden con otras anteriores incluyéndola en la categoría de otras incursiones de las fuerzas especiales, claro, pero eran demasiado diferentes para compararlas de forma útil. La información sobre operaciones anteriores solo podía decirte que los SEAL tenían un buen historial y eran competentes (lo cual ya era obvio sin realizar ningún cálculo de probabilidad). El éxito de una incursión del Equipo Seis de los Navy SEAL tres meses antes en Somalia no te diría mucho sobre si esta incursión exacta contra bin Laden tendría éxito. Por último, la incursión era contingente, no convergente. Pequeños errores o fluctuaciones aparentemente insignificantes podrían cambiar radicalmente el resultado. En conjunto, esos factores crearon una incertidumbre irreductible, o radical. Nadie sabía cómo saldría la incursión. El pasado no ofrecía una guía fiable para el futuro. No había oráculos que consultar, por muy buenos que fueran en matemáticas. Obama tuvo que tomar su decisión frente a la incertidumbre, no al riesgo.
Esto es lo que yo llamo la Tierra de la Incertidumbre Heracliteana. Recordarás que Heráclito es el filósofo presocrático que hablaba del río que cambia constantemente y del hombre que cambia constantemente. Heráclito tenía razón en que el cambio es constante. El mundo, de hecho, todo el universo, se transforma de milisegundo a milisegundo. Pero a veces, como vimos en el capítulo anterior, esos cambios alcanzan puntos de inflexión, produciendo mecanismos de causa y efecto observacionalmente diferentes. Nunca podemos entender o predecir completamente cuándo ocurrirán esos cambios abruptos. Cuando la incertidumbre se produce porque el mundo mismo está cambiando, esa es la incertidumbre heracliteana, y las probabilidades se vuelven rápidamente inútiles, ya que los patrones pasados pueden volverse insignificantes en un instante.
Imagina que es 1995 y te han pedido que predigas cuántas horas al día pasará la persona británica media usando su teléfono en el año 2020. Podrías estudiar los patrones pasados hasta que las vacas vuelvan a casa y usar cualquier forma de lógica bayesiana que quisieras, pero probablemente no habría ayudado. En 1995, 1 de cada 130 personas usaba Internet. El iPhone no se inventaría hasta dentro de doce años. No importaría si usaras una supercomputadora con las fórmulas más sofisticadas conocidas por la humanidad, y no importaría si tus modelos estadísticos generaran una probabilidad usando lógica basada en la frecuencia o basada en la creencia. Cualquier pronóstico probabilístico en 1995 sobre el uso del teléfono en 2020 habría sido totalmente erróneo. ¿Por qué? Porque la relación entre los humanos y los teléfonos cambió fundamentalmente. Además, una pandemia que ocurre una vez cada cien años mantuvo a la gente en casa y aburrida. El mundo se volvió diferente. Algunos futuristas perspicaces en 1995 podrían haber anticipado el auge de los teléfonos inteligentes, pero sus ideas habrían venido de la comprensión de la tecnología emergente, no del razonamiento probabilístico basado en patrones de la historia. Cuando el mundo cambia, el pasado no siempre puede guiarnos. Nos perdemos cuando usamos las probabilidades en la Tierra de la Incertidumbre Heracliteana.
Hay otras formas de incertidumbre. Volvamos brevemente a la previsión meteorológica. Dejando de lado el cambio climático por un momento, en su mayoría ha sido razonable asumir que las dinámicas causales que impulsan los patrones meteorológicos eran en gran medida estacionarias, que los patrones pasados podían usarse para predecir eventos futuros. Las previsiones meteorológicas están diseñadas para ser específicas, prediciendo si lloverá en un día determinado, no si llueve el 1 de marzo medio. También son repetibles en lugar de ser algo único. Y los patrones meteorológicos también son comparables en lugar de ser únicos. Tiene sentido comparar las células de tormenta a través del tiempo y el espacio, de una manera diferente a comparar la incursión de bin Laden con otra incursión en Somalia. Pero ahora viene el problema: los patrones meteorológicos son contingentes. Como sabemos por Edward Lorenz, el padre fundador de la meteorología de la teoría del caos, las condiciones iniciales importan enormemente, por lo que los patrones meteorológicos divergirán cada vez más con el tiempo en función de los cambios más pequeños imaginables. El clima dentro de una hora es un riesgo manejable, pero debido a que el sistema es sensible a fluctuaciones pequeñas e impredecibles, se vuelve rápidamente más incierto cuanto más se mira hacia el futuro. Debido a que necesitamos predicciones específicas para que la previsión meteorológica sea útil, y debido a que los cambios infinitesimales en las condiciones iniciales crean resultados muy diferentes, todas las apuestas están canceladas después de unos diez días. La teoría del caos se hace cargo. Podríamos llamar a esto incertidumbre caótica. Con el clima, hemos reconocido los límites de nuestra comprensión; nadie intenta predecir si lloverá el día de la boda de alguien dentro de tres meses. Pero con la Tierra de la Incertidumbre Heracliteana, que encontramos con frecuencia, muchas personas todavía intentan tontamente fingir que los límites de nuestro conocimiento pueden ignorarse. Usan las probabilidades para navegar por la incertidumbre radical, una herramienta tan mal emparejada como ponerse aletas y un esnórquel al escalar una montaña.
Superpuestas a estas formas de incertidumbre hay otros tipos que nos pillan por sorpresa debido a lo que el exsecretario de Defensa