Pensamiento bayesiano, una componente distinta y relevante del pensamiento computacional (I)

 

El 30 de marzo The Lancet publica el artículo Estimates of the severity of coronavirus disease 2019: a model-based análisis, de Robert Verity, PhD † et al.

La idea que plantea es simple y constituye el esquema más definido y puro de un caso de aplicación del Teorema de Bayes, con ayuda de analítica de datos: Se centra en Hubei (China), donde surge por primera vez la pandemia y desde allí se propaga, se sabe el número de los contagiados por COVID19 que fallecieron, cómo se distribuyen por edad y el tiempo que transcurre desde la detección de la enfermedad hasta el fallecimiento. En el resto de países no existían patrones todavía respecto de esta cuestión. No se sabía cómo afectaría la pandemia en los casos más graves, de fallecimiento, en función de estas variables.

En estas condiciones es fácil por el Teorema de Bayes (aplicado con analítica de datos a un número muy grande de casos), a partir de los datos obtenidos en Hubei establecer la probabilidad de que alguien, que haya contraído la enfermedad, la curse en modalidad grave (con dificultades severas respiratorias) y su posible fallecimiento, así como el número de días que estará hospitalizado y en la UCI. Con estos datos es fácil hacer previsiones para evitar el colapso del sistema. También se dieron modelos para otras variables definidas a partir de situaciones de los enfermos en relación con la frecuencia de los viajes o los lugares de procedencia.

Esto constituye un ejemplo de cómo, con un resultado matemático simple, se pueden construir modelos complejos para obtener probabilísticamente el comportamiento de grupos, comunidades de individuos o de agregados de datos sujetos a una probabilidad o a un riesgo cuya distribución a priori se desconoce.

Fuente: Estimates of the severity of coronavirus disease 2019: a model-based análisis, de Robert Verity, PhD † et al

Esto que pasó con relación a Hubei y su precedente con respecto al COVID y a su comportamiento que merced a la probabilidad bayesiana y a la analítica de datos, permitió establecer patrones predictivos para otras regiones del mundo, en las que no se sabían a priori las estadísticas de comportamiento de la pandemia o eran dudosas por los datos oficiales, sucede con frecuencia en la ciencia, en el transcurso de investigaciones con datos difusos, así como en la práctica profesional cuando se indagan datos sujetos a una dinámica similar a la descrita para Hubei y el COVID.

 

Este post y los siguientes están extraídos del artículo "El pensamiento computacional, una cuarta competencia clave planteada por la nueva alfabetización" y ha de citarse con la siguiente referencia y su DOI. Y como el resto está acogido a una licencia CC BY-SA 4.0

Zapata-Ros, M. (August 2020) El pensamiento computacional, una cuarta competencia clave planteada por la nueva alfabetización. Preprint de ResearchGate. 

Project: 

Pensamiento computacional (Computational think). 

DOI: 

10.13140/RG.2.2.15575.91049

Referencias.- 

Verity, R., Okell, L. C., Dorigatti, I., Winskill, P., Whittaker, C., Imai, N., ... & Dighe, A. (2020). Estimates of the severity of coronavirus disease 2019: a model-based analysis. The Lancet infectious diseases. https://www.thelancet.com/journals/laninf/article/PIIS1473-3099(20)30243-7/fulltext