Reseña · No Ficción · Ciencia de Datos
Más datos, peores predicciones: la paradoja que nadie te enseñó
The Signal and the Noise (2012) · Nate Silver, estadístico, fundador de FiveThirtyEight y el hombre que predijo correctamente los resultados electorales en 49 de 50 estados en 2008.
¿Cuándo fue la última vez que una predicción tuya falló completamente?
¿Seguiste una recomendación de inversión que sonaba sólida y resultó en pérdida? ¿Leíste un análisis político que auguraba el fin del mundo… y no pasó nada? ¿Le creíste a un experto con décadas de experiencia que resultó no saber más que vos?
Vivimos en la era con más datos disponibles de toda la historia humana. Y sin embargo, las predicciones siguen fallando a una tasa asombrosa. Los economistas no vieron venir la crisis de 2008. Los servicios de inteligencia no anticiparon el 11-S. Las agencias de calificación crediticia dieron triple-A a papeles que valían cero.
Nate Silver propone algo incómodo: el problema no es que tengamos pocos datos. Es que no sabemos distinguir la señal del ruido. Y esa habilidad, dice, se puede aprender.
Más información no implica mejores predicciones. La cantidad de datos disponibles crece exponencialmente, pero la proporción de datos que realmente son útiles (la señal) no crece al mismo ritmo. El ruido aumenta más rápido que la señal.
Los argumentos del libro
Seis ideas que cambian cómo pensás el futuro
1. Los mejores predictores piensan como zorros, no como erizos.
Silver retoma al filósofo Isaiah Berlin: el erizo sabe una sola cosa grande; el zorro sabe muchas cosas. En el mundo de las predicciones, los erizos son los expertos que tienen una gran teoría y la aplican a todo. Los panelistas de televisión que repiten el mismo marco sin importar el tema. Los economistas que insisten en un solo modelo.
Silver analizó casi mil predicciones del programa The McLaughlin Group y descubrió algo demoledor: los panelistas tenían exactamente la misma tasa de acierto que si hubieran lanzado una moneda al aire. 338 predicciones correctas, 338 incorrectas.
Especializado en una sola gran idea. Seguro de sus predicciones. No actualiza sus creencias ante nueva evidencia. Suena convincente en la tele. Raramente acierta.
Usa muchas fuentes y disciplinas. Acepta la incertidumbre. Actualiza sus modelos cuando aparece nueva información. Menos carismático. Mucho más preciso.
2. La crisis de 2008 fue, antes que todo, una falla de predicción.
Silver dedica el primer capítulo a diseccionar cómo las agencias calificadoras (Moody’s, S&P, Fitch) le pusieron nota AAA a instrumentos financieros construidos sobre hipotecas basura. El problema no fue que mintieran: fue que confundieron el mapa con el territorio. Sus modelos estadísticos usaban datos de períodos donde el mercado inmobiliario siempre había subido. Cuando el mercado cayó, los modelos no tenían precedente y colapsaron junto con él.
Las agencias estimaron el riesgo de impago usando datos históricos de una era sin precedentes de apreciación inmobiliaria. Era como predecir accidentes de autos borracho basándose en tus 20.000 viajes sobrio. Tu muestra no incluye ningún dato del escenario que intentás predecir.
3. El teorema de Bayes: actualizar creencias es un acto de honestidad intelectual.
Una de las ideas más prácticas del libro. Bayes propone algo simple: toda predicción debería empezar con una probabilidad inicial (lo que creés antes de ver evidencia) y actualizarse a medida que llega nueva información. Suena obvio. No lo hacemos.
«Si tu creencia previa es que hay un 0,00001% de posibilidad de que los cigarrillos causen cáncer de pulmón, eso explica por qué toda la evidencia en sentido contrario no podía convencerte.»
— Nate Silver, sobre R. A. Fisher y el sesgo de confirmaciónEl problema es que muchas veces llegamos a los datos con conclusiones ya formadas. El estadístico R.A. Fisher, uno de los grandes de su campo, fumaba sin parar y pasó décadas negando la evidencia entre tabaco y cáncer. Su «probabilidad previa» era tan baja que ningún dato podía moverla.
4. La meteorología: el modelo de lo que una buena predicción puede ser.
Silver usa los meteorólogos como ejemplo positivo —algo infrecuente en el libro. Hoy, los pronósticos a tres días son tan precisos como los pronósticos a un día lo eran en los años ’70. ¿Por qué? Porque los meteorólogos aprendieron a expresar sus predicciones en términos probabilísticos («60% de lluvia»), a combinar modelos computacionales con juicio humano, y a medir sistemáticamente sus errores para mejorar.
Los pronósticos de los meteorólogos del Servicio Nacional del Tiempo de EE.UU. mejoran un 25% cuando combinan el output de los modelos computacionales con el juicio humano. La máquina sola no alcanza, pero tampoco el humano solo. La combinación gana.
5. Terremotos, economía y clima: hay cosas que no se pueden predecir con fechas exactas.
Silver traza una línea clara entre sistemas predecibles (los planetas, el clima a largo plazo) y sistemas caóticos donde la predicción puntual es imposible por diseño. Los terremotos, los mercados financieros y las epidemias entran en esta segunda categoría. El error no es intentar predecirlos: es creer que podés darles una fecha y una magnitud exacta.
Después del terremoto de L’Aquila en 2009, un sismólogo italiano fue condenado a seis años de prisión por no haber predicho el desastre. Silver argumenta que eso es como encarcelar a alguien por no haber ganado en el casino.
6. Los mercados y el póker: la diferencia entre riesgo e incertidumbre.
El economista Frank Knight distinguía entre riesgo (podés asignarle una probabilidad) e incertidumbre (no podés). Silver lo aplica a los mercados financieros: la mayoría de los inversores no pueden ganarle al mercado en el largo plazo no porque sean tontos, sino porque el mercado ya incorpora toda la información disponible. El póker, en cambio, sí tiene señal explotable: los jugadores cometen errores sistemáticos y consistentes que un analista puede aprovechar.
Del libro
Tres historias que se quedan en la cabeza
El apostador de básquet que le ganaba a las casas de apuestas
Bob Voulgaris era un apostador profesional de NBA que ganaba millones de dólares por año. Su ventaja no era un algoritmo secreto: era que veía más partidos que nadie, registraba tendencias que las casas de apuestas ignoraban, y apostaba solo cuando su estimación de probabilidad era significativamente distinta a la línea del mercado.
Silver lo usa para ilustrar que la señal existe en los mercados, pero es pequeña y efímera. Voulgaris podía explotarla porque invertía una cantidad ridícula de tiempo en un dominio muy específico. La mayoría no puede (ni quiere) hacer eso.
Kasparov vs. Deep Blue: por qué el hombre perdió… y por qué eso no importa tanto
En 1997, la computadora de IBM Deep Blue venció al campeón mundial de ajedrez Garry Kasparov. Silver analiza el partido con detalle. Deep Blue podía calcular 200 millones de posiciones por segundo. Kasparov evaluaba unas tres.
Pero la conclusión de Silver no es «las máquinas ganan siempre». Es que humanos y máquinas tienen fortalezas distintas y se complementan. En torneos de ajedrez avanzado, los mejores resultados los obtienen equipos de humanos + computadora, no máquinas solas. El humano aporta intuición estratégica; la máquina, precisión táctica.
La gripe porcina de 2009: cómo sobreestimamos y subestimamos al mismo tiempo
Cuando apareció el H1N1 en 2009, los modelos de salud pública inicialmente proyectaron entre 30.000 y 90.000 muertes en EE.UU. para el otoño. Terminaron siendo unas 12.000 —menos que una temporada de gripe común.
¿Falla del modelo? No exactamente. El problema era que los primeros datos venían de México, donde el sistema de salud pública reportaba solo los casos más graves. La tasa de letalidad aparente era mucho más alta que la real. Silver lo usa para mostrar cómo el sesgo en la muestra inicial distorsiona todas las proyecciones siguientes.
«La señal es la verdad. El ruido es lo que nos distrae de la verdad.»
— Nate Silver, introducciónLas predicciones más confiables vienen de quienes aceptan la incertidumbre abiertamente, no de quienes suenan más seguros. La certeza entusiasta suele ser la señal de que alguien no entendió el problema.
Audiencia
Para quién es este libro
El tomador de decisiones
Si tomás decisiones con datos —en negocios, finanzas o política— este libro te da herramientas concretas para saber cuándo confiar en un modelo y cuándo no.
El ciudadano escéptico
Si querés entender por qué los «expertos» fallan tanto —y cómo distinguir al que sabe del que aparenta saber— este libro es un manual de defensa personal intelectual.
El curioso sin formación técnica
Silver escribe estadística como si contara historias. No hace falta saber matemática; hace falta ganas de pensar mejor.
El profesional de datos
Si ya trabajás con modelos predictivos, el libro ofrece una perspectiva más humana y epistemológica sobre los límites de lo que los datos pueden decir.
Lo que el libro no resuelve bien
Silver es brillante contando historias y haciendo que la estadística sea divertida. Pero el libro tiene un problema de estructura: son 13 capítulos relativamente independientes que abarcan béisbol, terremotos, cambio climático, terrorismo, póker y bolsa. La unidad conceptual existe —todo habla de señal vs. ruido— pero a veces la sensación es de colección de ensayos más que de argumento progresivo.
Además, varios ejemplos ya tienen más de una década y se notan. Los datos electorales son de 2008 y 2010, los debates sobre el clima son de 2012. El núcleo conceptual sigue siendo válido, pero algunos lectores van a sentir que están leyendo historia reciente más que actualidad.
Ser bueno prediciendo el futuro empieza por aceptar que no sabés tanto
La tesis de Silver es, en el fondo, una lección de humildad epistémica: los mejores pronosticadores no son los más confiados ni los más inteligentes. Son los que más rápido actualizan sus modelos cuando la evidencia los contradice.
En un mundo que premia la certeza —los titulares sin matices, los gurús que hablan sin condicionales, los expertos que nunca dicen «no sé»— este libro es un argumento sostenido a favor de la duda como herramienta de precisión.
No vas a terminar The Signal and the Noise sabiendo predecir el futuro. Pero sí vas a terminar sabiendo qué preguntas hacerle a quien dice que puede hacerlo. Y eso, en la práctica, vale mucho más.