Iniciar prueba gratuita
Popular Nuevos Géneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Buscando...
SoBrief
Cómo no equivocarse

Cómo no equivocarse

Título traducido
Título original: How Not to Be Wrong
Los números pueden hacer que argumentos débiles parezcan convincentes. ¿Qué supuestos se esconden en el cálculo?
por Jordan Ellenberg 2014 480 páginas
3.95
21.000+ valoraciones
Escuchar
Inmersivo
V2.3
Amazon Kindle Audible
Prueba el acceso completo por 3 días
¡Desbloquea la escucha y mucho más!
Continuar

Ideas clave

Examina lo que desapareció antes de confiar en las pruebas que quedan

Los casos ausentes importan. Durante la Segunda Guerra Mundial, unos oficiales estudiaron los agujeros de bala en los aviones que regresaban y propusieron reforzar las zonas más dañadas. El estadístico Abraham Wald observó que los motores tenían menos agujeros. Los aviones alcanzados allí tenían menos probabilidades de regresar, así que las aeronaves supervivientes ocultaban los impactos más peligrosos. El blindaje debía colocarse en los motores, donde no había pruebas porque los aviones vulnerables ya no estaban.

La selección distorsiona la imagen. Las clasificaciones de fondos mutuos pueden hacer que los fondos supervivientes parezcan mejores que el conjunto original, porque los fondos de bajo rendimiento suelen cerrar. Un estudio citado en el libro halló que incluir los fondos quebrados reducía la rentabilidad anual declarada del 10,8 % al 8,9 %. Siempre que la inclusión dependa del éxito, la supervivencia o la visibilidad, pregúntate quiénes nunca llegaron a formar parte de los datos.

Análisis

Lo sorprendente es que la intuición de Wald no consiste en una ingeniosa corrección de una estadística. Corrige el proceso que produjo esa estadística. La misma pregunta se aplica a las reseñas en línea, las investigaciones publicadas y los estudios de caso de empresas: ¿qué fracasos se filtraron antes de presentar las pruebas? Es una disciplina útil tanto para los lectores como para quienes toman decisiones. Sin embargo, los datos ausentes no siempre cuentan una sola historia. Un avión puede desaparecer por motivos ajenos a los daños en el motor, y los fondos quebrados pueden diferir en algo más que su rendimiento. La lección es investigar la selección, no dar por sentado cuál es su efecto concreto.

Comprueba si la curva se dobla antes de prolongar una tendencia

Los patrones locales engañan cuando se observan a distancia. Una curva suave parece casi recta cuando se mira de cerca. Por eso una línea puede describir un tramo corto de movimiento y, sin embargo, fallar estrepitosamente al prolongarla. El ejemplo del libro es un misil: una proyección en línea recta se ajusta a unas pocas observaciones iniciales y luego predice un ascenso interminable, aunque la gravedad termine haciendo caer el misil.

Los extremos conducen a malos pronósticos. Un estudio extrapoló las tendencias ascendentes de peso en Estados Unidos y predijo que para 2048 todos los estadounidenses tendrían sobrepeso. Pero una proporción no puede seguir aumentando de forma lineal más allá del 100 %, y el incremento ya había empezado a desacelerarse. La curva de Laffer ilustra la idea general: tanto unos impuestos demasiado bajos como unos demasiado altos pueden reducir la recaudación. La dirección depende del punto de partida, y los porcentajes de totales que pueden volverse negativos pueden dar lugar a afirmaciones absurdas.

Análisis

Aquí resulta útil distinguir entre interpolación y extrapolación. Una línea puede ser una buena aproximación local sin ser un mapa fiable de lo que ocurrirá después. Esto importa en los pronósticos empresariales, las proyecciones climáticas y las métricas personales, donde a menudo se confunde el impulso reciente con una ley permanente. Como contrapunto, los modelos curvos pueden ser igual de engañosos si se elige su forma para ajustarla a las expectativas. Lo responsable no es simplemente rechazar las líneas rectas, sino indicar el rango para el que un modelo cuenta con respaldo empírico y qué podría hacer que su pronóstico fallara.

Cuantos más patrones pones a prueba, menos sorprendente resulta acertar

El azar produce resultados sorprendentes. El corredor de bolsa de Baltimore parece brillante tras predecir correctamente diez movimientos del mercado. Pero, en secreto, había enviado predicciones distintas a 10.240 personas y había descartado a quienes recibieron pronósticos equivocados. Era inevitable que diez personas vieran una racha perfecta. El mismo efecto de selección aparece cuando los investigadores prueban muchas posibilidades, pero publican solo el resultado prometedor.

Un valor p pequeño es una prueba limitada. Un valor p estima con qué frecuencia surgirían resultados al menos así de extremos si una hipótesis nula determinada fuera cierta. No indica la probabilidad de que la propia hipótesis sea cierta. Analizar miles de regiones cerebrales, como en la resonancia magnética funcional, crea muchas oportunidades para que el ruido parezca significativo. En un famoso chiste, se escaneó a un salmón muerto y se detectaron aparentes respuestas a emociones humanas, lo que ilustra por qué los investigadores deben corregir las comparaciones múltiples. La replicación permite comprobar si la señal persiste.

Análisis

La cuestión clave es la amplitud de la búsqueda, no solo la improbabilidad del resultado ganador. Un resultado que parece extraordinario tras una única prueba planificada puede ser rutinario después de miles de intentos ocultos. Esta idea va más allá de los laboratorios y se aplica a los experimentos de productos, los historiales de inversión y las anécdotas virales. Las prácticas de investigación modernas, como el prerregistro, hacen visible el plan de búsqueda antes de que lleguen los resultados y reducen la tentación de presentar un desenlace afortunado como un descubrimiento. Aun así, unos umbrales más estrictos no son la solución por sí solos: pueden ocultar efectos reales pequeños cuando los estudios tienen muy pocos participantes. La calidad de las pruebas depende del diseño, del alcance de la búsqueda y del seguimiento.

Actualiza tus creencias con las tasas de base, no solo con la sorpresa

Las pruebas necesitan un punto de partida. La inferencia bayesiana describe cómo deberían cambiar las creencias cuando llega nueva información. Combina una probabilidad previa —la plausibilidad inicial de una hipótesis— con la verosimilitud de observar las pruebas si esa hipótesis fuera cierta. Los investigadores del código bíblico afirmaron haber encontrado coincidencias inusuales entre los nombres de rabinos y fechas en la Torá, pero las decisiones sobre cómo escribir e identificar a los rabinos dejaban margen de maniobra. Otras decisiones hicieron que Guerra y paz pareciera igualmente predictiva.

Los sucesos raros siguen siendo raros. En el ejemplo hipotético del filtro de Facebook que presenta el libro, un algoritmo señala a 100.000 de los 200 millones de usuarios como personas con el doble de probabilidades que el promedio de ser terroristas. Aunque su clasificación funcione tal como se afirma, solo unas diez de las personas señaladas serían terroristas, por lo que casi todas serían inocentes. La probabilidad de que el sistema señale a alguien inocente no es lo mismo que la probabilidad de que alguien sea culpable dado que el sistema lo ha señalado.

Análisis

Las tasas de base explican por qué una prueba puede ser precisa en cierto sentido y, aun así, generar sobre todo falsas alarmas cuando la condición que busca detectar es rara. La distinción es crucial en los cribados médicos, la detección de fraudes y los sistemas de seguridad, donde una tasa moderada de falsos positivos puede superar ampliamente el número de casos reales. La actualización bayesiana también deja a la vista los supuestos: las creencias previas influyen en la conclusión y esas probabilidades previas pueden cuestionarse. Eso no es un defecto exclusivo del razonamiento bayesiano. Es un recordatorio de que las conclusiones dependen tanto de los datos observados como del conocimiento de fondo, que conviene explicitar en lugar de introducir a escondidas.

Elige según la utilidad esperada, no según el tamaño del premio

La ganancia promedio no es una promesa. El valor esperado se calcula multiplicando cada resultado posible por su probabilidad y sumando luego los productos. Un boleto de Powerball puede ofrecer un premio mayor anunciado muy elevado y, aun así, valer en promedio menos de lo que cuesta, especialmente cuando muchos ganadores pueden repartirse el premio. El juego Cash WinFall de Massachusetts ofreció brevemente otro cálculo: cuando el dinero acumulado del premio mayor se transfería a premios menores, los jugadores que compraban grandes cantidades de boletos podían adquirir suficientes para que el rendimiento promedio fuera favorable.

El riesgo cambia la decisión. Incluso una rentabilidad monetaria esperada positiva puede resultar inaceptable para alguien que no pueda soportar una pérdida grande. La utilidad mide cuánto importa un resultado a quien toma la decisión, y no solo cuál es su valor monetario. Los grupos de jugadores de Cash WinFall también empleaban combinaciones de boletos cuidadosamente organizadas para reducir la variación de los pagos. Sus ganancias dependían de las reglas y del volumen, no de que un solo boleto fuera un ganador seguro.

Análisis

El valor esperado es útil cuando se conocen razonablemente los resultados y sus probabilidades, como en una lotería con reglas publicadas. Es menos concluyente cuando las probabilidades son inciertas, las pérdidas ponen en peligro la seguridad básica o las personas valoran los resultados de maneras distintas. Por eso un inversor rico y un hogar con pocos ahorros pueden rechazar racionalmente la misma apuesta por motivos diferentes. Este marco también revela una dimensión social: un promedio favorable para un grupo grande de jugadores puede coexistir con un trato desfavorable para los jugadores comunes. La aritmética evalúa una opción, pero no puede decidir el bienestar de quién debe contar ni qué nivel de riesgo es justo.

Culpa al azar antes de declarar una cura, una maldición o un genio

Los resultados extremos tienden a acercarse de nuevo a lo habitual. La regresión a la media es la tendencia a que resultados excepcionalmente altos o bajos vayan seguidos, en promedio, de otros menos extremos cuando el rendimiento incluye un componente aleatorio. Francis Galton observó este fenómeno en la estatura de las familias: los padres altos tendían a tener hijos altos, pero la estatura de esos hijos solía estar más cerca del promedio. La misma lógica socava la afirmación de Horace Secrist de que las empresas decaen de manera natural hasta volverse mediocres. Las empresas seleccionadas por sus resultados excepcionales probablemente combinaban habilidad y buena suerte; la suerte no tiene por qué repetirse.

El momento elegido crea falsas curas. La gente suele probar una dieta cuando su peso es inusualmente alto, así que puede bajar algo de peso sin que la dieta sea la causa. Los beisbolistas seleccionados para el Home Run Derby suelen haber tenido una primera mitad de temporada excepcional; sus cifras posteriores tienden a bajar, lo que puede parecer una maldición. Un grupo de comparación ayuda a distinguir los efectos del tratamiento de las fluctuaciones normales.

Análisis

La regresión a la media es un antídoto discreto contra los relatos que premian o castigan a las personas por un único resultado extremo. Es especialmente importante en la educación, la medicina, el deporte y la gestión, donde a menudo se interviene con quienes peor van o se celebra a quienes han alcanzado un pico. La prueba más sólida compara grupos similares durante el mismo período, idealmente con asignación aleatoria. Pero la regresión no demuestra que una intervención sea ineficaz. Un tratamiento real puede coexistir con un retorno natural hacia el promedio. El error consiste en tratar una mejora posterior a la selección como prueba de que la intervención la causó.

Considera la correlación una pista, no un veredicto causal

Una asociación puede tener varias explicaciones. La correlación de Galton mide cómo varían conjuntamente las variables, no si una causa la otra. Las personas con niveles altos de colesterol HDL suelen sufrir menos infartos, pero un fármaco que eleva el HDL no necesariamente los previene. El HDL podría ser un indicador de otro proceso, en lugar del mecanismo que protege el corazón. Este es el problema de los criterios de valoración subrogados: se utiliza un indicador fácil de medir en lugar del resultado que realmente importa.

Las afirmaciones causales requieren pruebas convergentes. Los primeros estudios encontraron una asociación entre el tabaquismo y el cáncer de pulmón, pero los investigadores consideraron explicaciones alternativas, entre ellas causas compartidas y la posibilidad de que la enfermedad influyera en el consumo de tabaco. Con el tiempo, las pruebas basadas en un mayor consumo de tabaco, los patrones de enfermedad, los exfumadores y la investigación biológica reforzaron la hipótesis causal. El libro también describe la falacia de Berkson: estudiar únicamente a pacientes hospitalizados puede crear una asociación engañosa, porque varias enfermedades aumentan de manera independiente la probabilidad de hospitalización.

Análisis

La distinción entre predicción e intervención es fundamental para la ciencia moderna. Una variable puede predecir bien un resultado y, aun así, ser inútil para modificarlo, igual que un barómetro predice la lluvia sin causarla. Los experimentos aleatorizados ayudan a responder preguntas sobre intervenciones, mientras que los diagramas causales y los experimentos naturales pueden aclarar los mecanismos cuando la aleatorización es imposible. El ejemplo del tabaquismo también muestra que el escepticismo tiene dos caras: una certeza prematura puede inducir a error, pero exigir pruebas perfectas sin límite puede retrasar la acción. Un buen razonamiento causal sopesa las explicaciones alternativas frente al patrón acumulado de pruebas, no frente a una fantasía de certeza.

Una multitud puede sostener opiniones racionales que no producen una mayoría coherente

La opinión pública no siempre se reduce a una sola respuesta. Los votantes pueden favorecer en general los recortes del gasto y, a la vez, oponerse a los recortes de cada programa concreto porque discrepan sobre cuáles merecen protección. En unas elecciones con tres candidatos, una mayoría puede preferir a A frente a B, otra mayoría a B frente a C y una tercera a C frente a A. Este ciclo, llamado paradoja de Condorcet, significa que quizá no haya ningún candidato que venza a todos sus rivales en enfrentamientos directos.

Las reglas de votación moldean el resultado. En Florida, en el año 2000, Ralph Nader no podía ganar, pero su presencia alteró la contienda entre Al Gore y George W. Bush. Los sistemas alternativos, como las papeletas clasificadas y la segunda vuelta instantánea, aprovechan más información sobre las preferencias, pero aun así pueden producir resultados contraintuitivos. No existe un procedimiento que convierta a la perfección cualquier conjunto de preferencias en una voluntad colectiva inequívoca.

Análisis

Esto nos recuerda que agregar preferencias no es una operación neutral de contabilidad. Una regla de votación define qué preferencias cuentan y cómo se combinan, del mismo modo que un instrumento de medición define qué puede observar. Por eso el diseño institucional es una decisión política sustantiva, no un detalle técnico secundario. Las papeletas clasificadas pueden reducir algunas formas de división del voto, pero no eliminan todas las paradojas; ningún método es el mejor según todos los criterios. La pregunta útil no es si un sistema revela a la perfección lo que quiere el público, sino qué concesiones hace visibles, cuáles oculta y si esas concesiones pueden defenderse.

Usa las matemáticas para disciplinar el sentido común, no para fabricar certezas

Las matemáticas amplían el razonamiento ordinario. La afirmación central del libro es que el pensamiento matemático no consiste solo en calcular. Proporciona definiciones, modelos y comprobaciones que ayudan a la intuición a llegar más lejos de lo que podría por sí sola. La geometría de la perspectiva explica por qué los rieles paralelos parecen encontrarse en un punto de fuga. Los códigos correctores de errores emplean patrones cuidadosamente espaciados para que quien recibe un mensaje pueda reconstruirlo si está dañado. Ambos ejemplos muestran cómo las estructuras abstractas se convierten en herramientas prácticas.

Los modelos tienen límites. Un modelo construido a partir de estudios inciertos sobre la tuberculosis no podía predecir con fiabilidad las infecciones de las décadas siguientes, aunque produjera una cifra de aspecto preciso. Los pronósticos electorales de Nate Silver ofrecían probabilidades en lugar de fingir que conocían con certeza al ganador. La disciplina matemática consiste en declarar los supuestos, poner a prueba los límites del modelo y ajustar la precisión a las pruebas disponibles. El objetivo no es evitar todo error, sino saber qué respalda una conclusión y cuánta incertidumbre sigue habiendo.

Análisis

La mayor contribución del libro es su representación de las matemáticas como un hábito de atención disciplinada: definir la pregunta, examinar los supuestos, poner a prueba explicaciones alternativas y tener presente la incertidumbre. Sus ejemplos construidos, desde la perspectiva hasta la codificación, también muestran por qué la abstracción no supone escapar de la realidad. Puede revelar estructuras que la percepción ordinaria no detecta. Pero el razonamiento formal no puede resolver todas las disputas. Las decisiones sobre valores, riesgos aceptables y justicia requieren un juicio que va más allá del cálculo. Una respuesta matemática solo es fiable si también lo son la pregunta, los supuestos y los límites.

Análisis

Este libro es un recorrido guiado por los errores que surgen cuando la gente trata los números como si se interpretaran por sí solos. Importa su método narrativo: un agujero de bala ausente, un consejo bursátil sospechosamente exitoso, un salmón aparentemente clarividente o unas elecciones sin un ganador estable plantean un acertijo concreto antes de que se nombre la idea matemática. El lector no aprende una única fórmula maestra, sino una serie de hábitos: comprobar cómo se seleccionaron los datos, distinguir el ajuste local de la predicción a largo plazo, preguntar a qué está condicionada una probabilidad y separar la asociación de la intervención.

La tensión central es productiva. Las matemáticas pueden hacer que el razonamiento ordinario sea más explícito y potente, pero todos los modelos dependen de definiciones y supuestos que las matemáticas por sí solas no pueden certificar. Un valor p no puede determinar si un efecto detectado importa. Una rentabilidad esperada no puede decidir de quién cuentan las pérdidas. Una regla de votación no puede revelar una voluntad pública única y coherente cuando las preferencias forman un ciclo. Por eso el libro presenta la alfabetización matemática como una combinación de competencia técnica y modestia intelectual.

Sus relatos también revelan un problema institucional recurrente: los incentivos determinan qué pruebas se hacen visibles. Los fondos desaparecen, los estudios fallidos quedan sin publicar y los actores políticos eligen el denominador que mejor respalda sus afirmaciones. No son simples errores cognitivos individuales. Son sistemas que premian las conclusiones atractivas y ocultan los casos inconvenientes. Por consiguiente, razonar mejor exige mejores procedimientos, incluidos planes de búsqueda transparentes, replicación, grupos de comparación adecuados y una comunicación honesta de la incertidumbre.

La lección más amplia del libro no es que toda pregunta pueda traducirse a términos matemáticos. Es que las afirmaciones cuantitativas merecen un examen que abarque la formulación del problema, y no solo la aritmética. Un cálculo puede ser impecable y, aun así, responder a la pregunta equivocada. El pensamiento matemático se gana su autoridad al hacer visible la estructura y reconocer después dónde terminan las pruebas y dónde empieza el juicio.

Resumen en 30 segundos
Los datos pueden inducir a error cuando desaparecen los casos fallidos, se prueban muchos patrones o se prolongan las tendencias más allá del rango en que se sostienen. Una probabilidad necesita su tasa de base: incluso un sistema de detección útil puede generar sobre todo falsas alarmas cuando el suceso es poco frecuente. El rendimiento esperado no es lo mismo que un resultado garantizado, y la tolerancia al riesgo importa. La correlación por sí sola no demuestra causalidad. Los modelos y las reglas de votación aclaran las opciones, pero sus supuestos condicionan las respuestas.
Contiene spoilers

Última actualización:

Reportar problema

Resumen de reseñas

3.95 de 5
Promedio de 21.000+ valoraciones de Goodreads y Amazon.

How Not to Be Wrong recibe reseñas mayoritariamente positivas por hacer que las matemáticas resulten accesibles y pertinentes para la vida cotidiana. Los lectores valoran el estilo ameno de Ellenberg, su humor y sus ejemplos del mundo real. Muchos consideran que el libro es esclarecedor, sobre todo en lo relativo a la estadística y la probabilidad. Algunos critican su extensión y cierta complejidad ocasional. Los comentarios políticos de los capítulos posteriores dividen a los lectores. En general, se recomienda a quienes se interesan por las matemáticas aplicadas y el pensamiento crítico, aunque algunos señalan que puede resultar difícil para quienes no tienen formación matemática.

Tu valoración:
4.46
403 valoraciones
¿Quieres leer el libro completo?

Glosario

sesgo de supervivencia

Los fracasos que faltan distorsionan los resultados

Distorsión que se produce cuando el análisis incluye únicamente a personas, organizaciones u objetos que sobrevivieron a un proceso. Como la supervivencia puede depender del desempeño o de la vulnerabilidad, la muestra restante no representa al grupo completo. Por ejemplo, estudiar solo los aviones que regresaron oculta los patrones de daños asociados con los que no volvieron.

falsa linealidad

Suponer que las tendencias siguen una línea recta

El error de suponer que una relación continúa en una dirección y a un ritmo constantes. Un modelo lineal puede describir un rango limitado de observaciones, pero fallar al extenderse más allá de ese rango. Puede generar proyecciones imposibles o inverosímiles, como una proporción de población superior al 100 % o un misil que nunca desciende.

ley de los grandes números

Los promedios se estabilizan con la repetición

Principio de probabilidad según el cual las observaciones repetidas de un proceso aleatorio tienden a acercar el promedio observado a su valor esperado. No significa que el siguiente resultado compense los anteriores. Después de una larga racha de caras, una moneda justa sigue teniendo la misma probabilidad de salir cara; los lanzamientos adicionales diluyen el desequilibrio anterior.

prueba de significación de la hipótesis nula

Compara los datos con la ausencia de efecto

Procedimiento estadístico que parte del supuesto de una hipótesis nula específica, a menudo que un tratamiento no tiene efecto. Calcula qué probabilidad tendrían los datos observados, o unos datos más extremos, bajo ese supuesto. Un valor p pequeño pone en duda la hipótesis nula, pero no indica directamente la probabilidad de que esta sea cierta.

inferencia bayesiana

Actualiza las creencias a partir de la evidencia

Método para revisar la plausibilidad relativa de las hipótesis a medida que aparece nueva evidencia. Combina las probabilidades previas, que representan la plausibilidad inicial, con la probabilidad de observar la evidencia bajo cada hipótesis. Las probabilidades posteriores resultantes dependen tanto de la evidencia como de los supuestos previos.

valor esperado

Promedio de resultados ponderado por sus probabilidades

Cálculo que multiplica cada resultado posible por su probabilidad y suma los productos. Describe el pago promedio a lo largo de muchas repeticiones, no necesariamente el resultado de un único evento. Un billete de lotería puede tener un valor esperado positivo y, aun así, ser muy probable que no gane nada.

regresión a la media

Los resultados extremos se vuelven menos extremos

Tendencia a que una observación inusualmente alta o baja vaya seguida de un resultado más cercano al promedio cuando las mediciones incluyen variaciones aleatorias. No implica que una fuerza oculta castigue la excelencia o recompense el fracaso. Explica por qué seleccionar a quienes obtienen resultados extremos y volver a medirlos puede crear una aparente mejora o caída sin que medie una intervención causal.

falacia de Berkson

La selección crea una asociación falsa

Asociación engañosa que puede surgir cuando el análisis se restringe a un grupo seleccionado por una consecuencia compartida de dos afecciones. Por ejemplo, los pacientes de un hospital pueden parecer mostrar una relación entre enfermedades porque cualquiera de ellas puede hacer que alguien ingrese en el hospital. Puede que esa relación no exista en la población general.

paradoja de Condorcet

Las preferencias mayoritarias forman un ciclo

Problema de elección colectiva en el que las preferencias de la mayoría pueden formar un ciclo. Una mayoría puede preferir al candidato A antes que al B, otra mayoría preferir al B antes que al C y una tercera preferir al C antes que al A. En tal caso, ningún candidato es el favorito constante de la mayoría en todas las comparaciones por pares.

código de Hamming

Corrige mensajes digitales dañados

Código de corrección de errores que añade bits estructurados a un mensaje para que el receptor pueda detectar y corregir ciertos errores de transmisión. En el ejemplo descrito, cada mensaje de tres bits se codifica como una palabra de código de siete bits. La separación geométrica entre las palabras de código permitidas permite distinguir un error de un bit de otros mensajes válidos.

formalismo

Razonamiento a partir de reglas definidas

Concepción de las matemáticas según la cual los símbolos y objetos se rigen por axiomas explícitos y reglas de deducción. Según esta perspectiva, una afirmación matemática queda demostrada al mostrar que se deriva de los supuestos elegidos. Este enfoque aclara qué permite un sistema, pero deja abierta la cuestión de si sus definiciones captan el significado que se pretende aplicar al mundo real.

Preguntas frecuentes

¿De qué trata How Not to Be Wrong?

  • Las matemáticas en la vida cotidiana: El libro explora cómo el pensamiento matemático puede mejorar la toma de decisiones en ámbitos diversos, desde la política hasta la medicina. Destaca que las matemáticas no consisten solo en números, sino en comprender el mundo.
  • Aplicaciones en el mundo real: Ellenberg recurre a ejemplos como el análisis de los agujeros de bala de Abraham Wald para mostrar cómo las matemáticas pueden conducir a mejores observaciones y decisiones.
  • Accesible para todos: El autor se propone hacer comprensibles para el público general conceptos matemáticos complejos y demostrar que cualquiera puede relacionarse con las matemáticas de manera significativa.

¿Por qué debería leer How Not to Be Wrong?

  • Mejora el pensamiento crítico: El libro fortalece la capacidad de pensar de forma crítica y analítica sobre los problemas cotidianos y ayuda a evitar errores de razonamiento frecuentes.
  • Ameno e informativo: Con anécdotas y humor, la narración de Ellenberg vuelve cercanas y entretenidas ideas complejas.
  • Una perspectiva más amplia: Anima a descubrir conexiones entre las matemáticas y diversos campos, y favorece una comprensión integral de la influencia de las matemáticas en nuestras vidas.

¿Cuáles son las ideas principales de How Not to Be Wrong?

  • Las matemáticas están en todas partes: Las matemáticas forman parte integral de la vida cotidiana e influyen en las decisiones políticas, económicas y personales.
  • Cuidado con las estadísticas engañosas: Ellenberg advierte contra la interpretación errónea de los datos estadísticos, como porcentajes y promedios, mediante ejemplos como las proyecciones de obesidad.
  • Comprender la probabilidad: El libro subraya la importancia de entender la probabilidad, en particular en la investigación científica y la toma de decisiones.

¿Cuáles son las mejores citas de How Not to Be Wrong y qué significan?

  • «Las matemáticas son la extensión del sentido común por otros medios»: Las matemáticas potencian nuestra capacidad natural de razonar y nos brindan herramientas para comprender mejor situaciones complejas.
  • «El blindaje va donde no están los agujeros de bala»: Esta frase destaca la importancia de comprender el sesgo de supervivencia y tomar decisiones basadas en datos exhaustivos.
  • «Las cosas improbables ocurren a menudo»: Un recordatorio de que pueden suceder acontecimientos poco probables y de la importancia de razonar con cuidado sobre la estadística.

¿Cómo explica Jordan Ellenberg el concepto de linealidad en How Not to Be Wrong?

  • Linealidad frente a no linealidad: Ellenberg contrapone el pensamiento lineal, que supone relaciones directas, al pensamiento no lineal, que reconoce relaciones complejas.
  • Ejemplos del mundo real: Recurre a la curva de Laffer para mostrar cómo los tipos impositivos y los ingresos del gobierno pueden tener una relación no lineal.
  • La importancia del contexto: Comprender el contexto es esencial para tomar decisiones fundamentadas, ya que las soluciones óptimas suelen encontrarse entre los extremos.

¿Qué es la inferencia bayesiana según How Not to Be Wrong?

  • Definición de inferencia bayesiana: Método estadístico que actualiza la probabilidad de una hipótesis a medida que se dispone de más evidencia.
  • Probabilidades previas y posteriores: Combina las creencias previas con datos nuevos para formar una creencia posterior, como ilustran ejemplos de resultados de ruleta.
  • Aplicaciones en el mundo real: Se aplica en campos como la medicina y las ciencias sociales para mejorar la toma de decisiones y permitir una comprensión matizada de la incertidumbre.

¿Cómo aborda How Not to Be Wrong el uso indebido de la estadística?

  • Porcentajes engañosos: Ellenberg analiza cómo se pueden manipular los porcentajes para crear relatos engañosos y advierte contra aceptar las estadísticas sin examinarlas.
  • La importancia del contexto: El contexto importa al interpretar estadísticas, como muestran los datos de crecimiento del empleo, en los que predominaba el sector no transable.
  • Evaluación crítica: Anima a evaluar críticamente las afirmaciones estadísticas y recuerda que la significación estadística no siempre equivale a importancia práctica.

¿Qué importancia tiene la historia de Abraham Wald en How Not to Be Wrong?

  • Sesgo de supervivencia: La historia de Wald ilustra el sesgo de supervivencia: se extraen conclusiones a partir únicamente de los resultados visibles y se ignoran los casos que no sobrevivieron.
  • Perspicacia matemática: La observación de Wald sobre dónde colocar el blindaje en los aviones durante la Segunda Guerra Mundial demuestra cómo el razonamiento matemático puede mejorar la toma de decisiones.
  • Aplicación en el mundo real: Ellenberg emplea esta historia para mostrar cómo aplicar el pensamiento matemático a problemas reales y animar a pensar críticamente sobre los datos.

¿Cómo explica How Not to Be Wrong el concepto de correlación?

  • Qué es la correlación: Medida estadística que describe hasta qué punto dos variables cambian juntas e indica relaciones predecibles.
  • La correlación no implica causalidad: Que dos variables estén correlacionadas no significa que una cause la otra; se trata de una idea errónea muy común.
  • Representación visual: Los diagramas de dispersión permiten visualizar las correlaciones y muestran la intensidad y la dirección de las relaciones entre variables.

¿Qué papel desempeña la regresión a la media en How Not to Be Wrong?

  • Definición de regresión a la media: Fenómeno estadístico por el cual las observaciones extremas tienden a acercarse al promedio en mediciones posteriores.
  • Implicaciones para el rendimiento: Quienes obtienen resultados muy altos suelen experimentar este fenómeno, lo que puede provocar una caída natural del rendimiento con el tiempo.
  • Ejemplos del mundo real: Ejemplos deportivos, como el desempeño de los jugadores de béisbol, muestran cómo la regresión a la media puede distorsionar las expectativas.

¿Cómo ilustra How Not to Be Wrong la importancia de comprender la estadística?

  • La estadística en la vida cotidiana: La estadística desempeña un papel fundamental en la toma de decisiones, desde las relacionadas con la salud hasta las inversiones financieras.
  • Evitar interpretaciones erróneas: El libro señala errores comunes al interpretar datos estadísticos y anima a evaluarlos críticamente.
  • El conocimiento como herramienta: Comprender la estadística permite a los lectores tomar decisiones fundamentadas y evitar que los datos engañosos los induzcan a error.

¿Qué importancia tiene el título How Not to Be Wrong?

  • Centrarse en evitar errores: El título refleja el tema del libro: utilizar el razonamiento matemático para evitar errores de pensamiento frecuentes.
  • Énfasis en el pensamiento crítico: Propone una actitud proactiva ante la información y los datos, basada en el análisis crítico.
  • Aplicación amplia: Da a entender que las lecciones aprendidas pueden aplicarse a ámbitos diversos, desde las finanzas personales hasta la investigación científica.

Sobre el autor

Jordan Ellenberg es un destacado matemático y escritor. Como titular de la cátedra John D. MacArthur de Matemáticas en la Universidad de Wisconsin-Madison, combina su experiencia académica con la capacidad de comunicar conceptos matemáticos complejos al público general. Sus textos han aparecido en diversas publicaciones prominentes, entre ellas Slate, The Wall Street Journal, The New York Times, The Washington Post, The Boston Globe y The Believer. Su habilidad para tender puentes entre las matemáticas académicas y la divulgación científica lo ha convertido en una voz respetada en ambos campos y ha contribuido a la comprensión pública de los principios matemáticos y sus aplicaciones en el mundo real.

Otros libros de Jordan Ellenberg

Descargar PDF

Para guardar este resumen de Cómo no equivocarse para más tarde, descarga el PDF gratis. Puedes imprimirlo o leerlo sin conexión cuando quieras.
Download PDF

Descargar EPUB

Para leer este resumen de Cómo no equivocarse en tu dispositivo o aplicación de lectura, descarga el EPUB gratis. El formato de libro digital .epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.
Download EPUB
¿Quieres leer el libro completo?
Seguir
Escuchar
Inicio
Swipe
Biblio
App
Prueba el acceso completo por 3 días
Escucha, guarda y mucho más
Comparar funciones Gratis Pro
📖 Leer resúmenes
Lee resúmenes ilimitados. Los usuarios gratuitos obtienen 3 al mes
🎧 Escuchar resúmenes
Escucha resúmenes ilimitados en 40 idiomas
—
❤️ Marcadores ilimitados
Usuarios gratuitos limitados a 4
—
📜 Historial ilimitado
Usuarios gratuitos limitados a 4
—
📥 Descargas ilimitadas
Usuarios gratuitos limitados a 1
—
Cronología sin riesgo
Hoy: Obtén acceso instantáneo
Escucha resúmenes completos de más de 26.000 libros. ¡Son más de 12.000 horas de audio!
Día 2: Recordatorio de prueba
Te enviaremos una notificación de que tu prueba está por terminar.
Día 3: Tu suscripción comienza
Se te cobrará el 25 nov,
cancela en cualquier momento antes.
Consume 2.8× More Books
2.8× libros más Escucha Lectura
Nuestros usuarios nos adoran
1M+ lectores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este sitio es un antes y un después. He leído resúmenes como nunca antes. Lo recomiendo muchísimo.
— Dave G
Vale cada centavo y cada minuto, y está muy bien hecho. Nunca había visto esta calidad de resúmenes en otros sitios. ¡Muy útil!
— Em
¡Muy recomendado! Servicio fantástico. Perfecto para quienes quieren algo más que una sinopsis, pero no todos los detalles de un audiolibro completo.
— Greg M
Ahorra un 62%
Anual
$119.88 $44.99/año/año
$3.75/mes
Mensual
$9.99/mes
Inicia tu prueba gratuita de 3 días
3 días gratis, luego $44.99/año. Cancela cuando quieras.
Unlock a world of fiction & nonfiction books
Más de 26.000 libros por el precio de 2
Lee cualquier libro en 10 minutos
Descubre libros nuevos como en Tinder
Solicita cualquier libro si no está resumido
Lee más libros que cualquiera que conozcas
La app nº 1 para amantes de los libros
Lifelike & immersive summaries
Garantía de devolución de 30 días
Descarga resúmenes en EPUB o PDF
Cancela en cualquier momento con unos clics

¿Por qué solo un resumen?

Escáner
Busca un código de barras para escanear

⭐
⭐
⭐
Tenemos un regalo especial para ti
Abrir
38% de descuento
DESCUENTO PARA TI
⭐
⭐
⭐
$79.99
$49.99/año
Solo $4.16 al mes
Continuar
Empieza con 2 toques y cancela fácilmente
Configuración
General
Widget
Cargando...