En mis dos artículos anteriores, expulsado la serie “Lea conmigo” y terminé de leer el primeros dos capitulos de “El libro del por qué”por Judea Perla. Estos artículos discuten la necesidad de introducir la causalidad para permitir una toma de decisiones similar a la humana y enfatizan la Escalera de Causalidad que sienta las bases para futuras discusiones. En este artículo, exploraremos las cerraduras que abren la puerta del primer al segundo peldaño de la escalera de la causalidad, permitiéndonos ir más allá de la probabilidad y adentrarnos en el pensamiento causal. Pasaremos de la regla de Bayes a la red bayesiana y, finalmente, a los diagramas causales.
Como fanático de las novelas policíacas, mi serie favorita es Sherlock Holmes. Todavía recuerdo todos esos días y noches que los leí sin darme cuenta del paso del tiempo. Años después, muchos detalles del caso ya habían desaparecido de mi memoria, pero todavía recuerdo las citas célebres como todos:
Cuando se ha eliminado lo imposible, lo que queda, por improbable que sea, debe ser la verdad.
Traduciendo esta cita al campo de la estadística, hay dos tipos de probabilidades: probabilidad directa y probabilidad inversa. Según el razonamiento deductivo de Sherlock Holmes, el trabajo de detective consiste simplemente en encontrar al asesino con la mayor probabilidad inversa.
Al pasar de la probabilidad directa a la probabilidad inversa, no sólo estamos invirtiendo las variables secuencialmente, sino que también estamos imponiendo una relación causal. Como se analizó brevemente en el artículo anterior, la regla de Bayes proporciona un puente que conecta datos objetivos (evidencia) con opiniones subjetivas (creencia previa). Según la regla de Bayes, podemos calcular probabilidades condicionales a partir de dos variables cualesquiera. Para cualquier variable A y B, dado que B ha sucedido, la probabilidad de que A suceda es:
P(A|B) = P(A&B)/P(B)