Modifica di Inicio (sezione)

==Epistemología==

<center>
{|
|-
| align="right" width="250" |<small>''El cisne negro simboliza uno de los problemas históricos de la epistemología: si todos los cisnes que hemos visto hasta ahora son blancos, ¿podemos decidir que todos los cisnes son blancos?''</small>
| align="center" |[[File:Black_Swan_(Cygnus_atratus)_RWD.jpg|175px|center]]
|-
| align="center" |[[File:Duck-Rabbit illusion.jpg|203px|center]]
| width="250" |<small>''Kuhn usó ilusiones ópticas para demostrar cómo un cambio de paradigma puede hacer que una persona perciba la misma información de manera completamente diferente.''</small>
|}
</center>

'''Epistemología''' (del griego ἐπιστήμη, epistēmē, “conocimiento cierto” o “ciencia”, y λόγος, logos, “discurso”) es la rama de la filosofía que estudia las condiciones necesarias para adquirir conocimientos científicos y los métodos a través de los cuales se alcanzan.{{Tooltip|<sup>[5]</sup>|<ref>El término fue acuñado por el filósofo escocés [[Wpen:James Frederick Ferrier|James Frederick Ferrier]], en su ''Institutes of Metaphysic'' (1854); ver Internet Encyclopedia of Philosophy, ''[https://www.iep.utm.edu/ferrier/ James Frederick Ferrier (1808—1864)]''</ref>|<small>El término fue acuñado por el filósofo escocés [[Wpen:James Frederick Ferrier|James Frederick Ferrier]], en su ''Institutes of Metaphysic'' (1854); ver Internet Encyclopedia of Philosophy, ''[https://www.iep.utm.edu/ferrier/ James Frederick Ferrier (1808—1864)]</small>|}}

En particular, la epistemología analiza los fundamentos, la validez y los límites del conocimiento científico. En los países anglófonos, el término "epistemología" se usa a menudo como sinónimo de teoría del conocimiento o gnoseología.

El problema central de la epistemología, hoy como en la época de Hume,{{Tooltip|<sup>[6]</sup>|<ref>[[wikipedia:David_Hume|David Hume]] (1711–1776) fue un filósofo escocés.</ref>|<small>📌 David Hume, hijo del abogado Joseph Home de Chirnside y de Katherine Falconer, hija del presidente del colegio de justicia, nació como el tercer hijo en un palacio en el lado norte del Lawnmarket en Edimburgo. Aunque de origen noble, su familia no era muy rica, y a él se le confió una porción pequeña de su patrimonio. Cambió su apellido de Home a Hume en 1734, para mantener mejor la pronunciación escocesa también en Inglaterra.</small>}}{{Tooltip|<sup>[7]</sup>|<ref>{{cita libro
| autor = Srivastava S
| título = Verifiability is a core principle of science
| url = https://www.cambridge.org/core/journals/behavioral-and-brain-sciences/article/verifiability-is-a-core-principle-of-science/D46462A598492AFDB7AFB4975A313446#
| obra = Behav Brain Sci
| año = 2018
| editor = Cambridge University Press
| DOI = 10.1017/S0140525X18000869
}}</ref>|<small>📌 El conocimiento científico debería ser verificable. Las replicaciones favorecen la verificabilidad de varias maneras. De la manera más directa, las replicaciones pueden confirmar afirmaciones empíricas. La investigación de replicación también promueve la difusión de la información necesaria para otros aspectos de la verificación; crea conocimiento meta-científico sobre qué resultados considerar creíbles incluso en ausencia de replicaciones; y refuerza una norma más amplia según la cual los científicos deben controlar mutuamente su trabajo.</small>}} es la cuestión de la verificabilidad.

Según la paradoja de Hempel, cada ejemplo que no contradice una teoría la confirma. Esto se expresa en lógica proposicional como:

<math>A \Rightarrow B = \lnot A \lor B</math> {{Tooltip||2=Consideremos la siguiente afirmación: ✅ “Si una persona tiene TMD, entonces experimenta dolor orofacial.” Podemos representar esto en lógica como <math>A \Rightarrow B = \lnot A \lor B</math>, donde: 🎯<math>A</math> representa "La persona tiene TMD." 🎯 <math>B</math> representa "La persona experimenta dolor orofacial." En este caso, "Si una persona tiene TMD, entonces experimenta dolor orofacial" es equivalente a decir “o la persona no tiene TMD (<math>\lnot A</math>), o experimenta dolor orofacial (<math>B</math>)”. 🧠 La fórmula es verdadera en los siguientes casos: Si la persona no tiene TMD (<math>\lnot A</math>), la afirmación es verdadera, independientemente del dolor orofacial. Si la persona tiene TMD (<math>A</math>) y experimenta dolor orofacial (<math>B</math>), la afirmación es verdadera. La afirmación es falsa solo si la persona tiene TMD (<math>A</math>) pero no experimenta dolor orofacial (<math>\lnot B</math>), contradiciendo la condición de implicación.}}

Pero ninguna teoría puede ser definitivamente confirmada: un número infinito de experimentos futuros podría siempre refutarla.{{Tooltip|<sup>[8]</sup>|<ref>{{cita libro
| autor = Evans M
| título = Measuring statistical evidence using relative belief
| url = https://www.ncbi.nlm.nih.gov/pubmed/26925207
| obra = Comput Struct Biotechnol J
| año = 2016
| DOI = 10.1016/j.csbj.2015.12.001
}}</ref>|<small>📌 Una cuestión fundamental en la teoría de la inferencia estadística es cómo se debería medir la evidencia estadística. Ciertamente, términos como “evidencia estadística” o simplemente “evidencia” son ampliamente utilizados en contextos estadísticos. Sin embargo, es correcto afirmar que una caracterización precisa de este concepto sigue siendo algo esquiva. Nuestro objetivo aquí es proporcionar una definición de cómo medir la evidencia estadística en relación con un problema estadístico específico. Dado que la evidencia es lo que provoca el cambio de creencias, se propone medir la evidencia en función de la magnitud del cambio de creencias, desde el momento a priori hasta el momento a posteriori. 🧠 En consecuencia, nuestra definición implica la existencia de creencias preexistentes, lo que plantea cuestiones relativas a la subjetividad y la objetividad en los análisis estadísticos. Este aspecto se aborda a través de un principio que requiere la falsabilidad de cada elemento involucrado en el análisis estadístico. Estas consideraciones llevan a la necesidad de verificar posibles conflictos entre las creencias a priori y los datos observados, y de medir el sesgo a priori presente en una distribución inicial</small>|}} 

{{qnq|Pero no es todo tan obvio...}}

=== '''P-value''' ===
En medicina, a menudo confiamos en la inferencia estadística para validar los resultados experimentales. Una de las herramientas más conocidas es el 'P-value', o valor de probabilidad, un indicador utilizado en las pruebas de significancia.{{Tooltip||2=El P-value representa la probabilidad de que los resultados observados se deban al azar, asumiendo verdadera la hipótesis nula <math> H_0 </math>. No debe usarse como criterio binario (por ejemplo, <math> p < 0.05 </math>) para decisiones científicas, ya que valores cercanos al umbral requieren verificaciones adicionales, como la validación cruzada. El ''P-hacking'' (repetir pruebas para obtener significancia) aumenta los falsos positivos. Diseños experimentales rigurosos y la transparencia sobre todas las pruebas realizadas pueden mitigar este riesgo. El error de tipo I aumenta con las pruebas múltiples: para <math> N </math> pruebas independientes con umbral <math> \alpha </math>, la Tasa de Error Familiar (FWER) es <math> FWER = 1 - (1 - \alpha)^N </math>. La corrección de Bonferroni divide el umbral por <math>N</math>, <math>p < \frac{\alpha}{N}</math>, pero puede aumentar los falsos negativos. La Tasa de Falsos Descubrimientos (FDR) de Benjamini-Hochberg permite más descubrimientos con una proporción aceptable de falsos positivos. El enfoque bayesiano utiliza conocimientos previos para equilibrar prior y datos con una distribución posterior, ofreciendo una alternativa válida al P-value. Para combinar los P-value de varios estudios, el meta-análisis utiliza métodos como el de Fisher: <math> \chi^2 = -2 \sum \ln(p_i) </math>. 🧠 En resumen, el p-value sigue siendo útil si se contextualiza e integra con otras medidas, como intervalos de confianza y enfoques bayesianos.}}

Sin embargo, incluso el P-value, durante años un criterio fundamental en la medicina basada en evidencias, es hoy objeto de profunda revisión. En 2019, una campaña publicada en "Nature", firmada por más de 800 científicos, cuestionó el uso rígido de la significancia estadística.{{Tooltip|<sup>[9]</sup>|<ref>{{cita libro
| autor = Amrhein V
| autor2 = Greenland S
| autor3 = McShane B
| título = Scientists rise up against statistical significance
| url = https://www.ncbi.nlm.nih.gov/pubmed/30894741
| obra = Nature
| año = 2019
| DOI = 10.1038/d41586-019-00857-9
}}</ref>|<small>📌  En la edición de marzo de Nature, más de 800 científicos firmaron un comentario en el que se pide la retirada del término “significancia estadística” [1]. Los principales argumentos de los autores se refieren al hecho de que la literatura científica está llena de interpretaciones erróneas y potencialmente dañinas de asociaciones basadas en una clasificación arbitraria y binaria, fundada en un valor de p de 0,05. Los autores ilustran las críticas de este enfoque, proporcionando ejemplos concretos en los que ha llevado a conclusiones erróneas dentro y entre diferentes estudios. 🧠 Además, al analizar 791 artículos publicados en cinco revistas académicas, encontraron que el 51% de ellos interpretaron erróneamente un resultado estadísticamente no significativo como indicación de la ausencia de un efecto.</small>}} Esta "revolución silenciosa" en el campo de la inferencia estadística promueve un enfoque más reflexivo, contextual y científicamente honesto. Entre las voces más autorizadas en este debate encontramos:

* Rodgers JL – que habla de una “revolución metodológica silenciosa”{{Tooltip|<sup>[10]</sup>|<ref>{{cita libro|autor=Rodgers JL|título=The epistemology of mathematical and statistical modeling: a quiet methodological revolution|url=https://www.ncbi.nlm.nih.gov/pubmed/20063905|obra=Am Psychol|año=2010|DOI=10.1037/a0018326}}</ref>|<small>📌  En las últimas décadas se ha producido, casi sin discusión, una silenciosa revolución metodológica: una revolución de la modelización. Por el contrario, el siglo XX terminó con vivos debates sobre la utilidad de la prueba de significancia de la hipótesis nula (NHST). Sin embargo, dicha controversia podría haber sido al menos en parte irrelevante, ya que de diversas maneras la revolución de la modelización ha hecho superfluo el debate sobre la NHST. Comienzo presentando una historia de la NHST y de la modelización, y de las relaciones entre ambos. Posteriormente, defino e ilustro los principios que guían el desarrollo y la evaluación de los modelos matemáticos. Sigue una discusión sobre la diferencia entre el uso de procedimientos estadísticos en un marco basado en reglas y la construcción de modelos matemáticos dentro de una epistemología científica. 🧠 En la formación de posgrado en psicología se trata con atención casi exclusivamente el primer enfoque, basado en reglas. Se describen entonces las implicaciones pedagógicas de este desequilibrio y la necesidad de una didáctica revisada para tener en cuenta la revolución de la modelización. Finalmente, se discute cómo la atención a la modelización implica una evolución de la práctica estadística en direcciones más progresistas. La base epistemológica de la estadística se ha desplazado: de un conjunto de procedimientos aplicados de manera mecánica a la construcción y evaluación de modelos estadísticos y científicos.</small>|}}

* Meehl P – que sugiere sustituir las pruebas de significancia con 'intervalos de confianza' y 'predicciones numéricas verificables'{{Tooltip|<sup>[11]</sup>|<ref>{{cita libro
| autor = Meehl P
| título = The problem is epistemology, not statistics: replace significance tests by confidence intervals and quantify accuracy of risky numerical predictions
| año = 1997}}</ref>|<small>📌 Las pruebas de significancia tienen un papel en la investigación en ciencias sociales, pero su uso generalizado en la evaluación de teorías es a menudo perjudicial. La causa de esto no reside en las matemáticas en sí, sino en la escasa comprensión, por parte de los científicos sociales, de la relación lógica entre teoría y hechos, es decir, en una falta de claridad metodológica o epistemológica.🧭  Las teorías implican observaciones, pero no vale lo contrario. Aunque el éxito de una teoría en derivar un hecho tiende a corroborarla, esta confirmación es débil a menos que el hecho tenga una probabilidad a priori muy baja y haya pocas teorías alternativas plausibles. 🧭 La detección de una diferencia o correlación distinta de cero — como ocurre al rechazar la hipótesis nula — no tiene generalmente una probabilidad a priori muy baja, ya que en las ciencias sociales prácticamente todo está correlacionado con todo lo demás, independientemente de la teoría. 🎯 En el uso "fuerte" de las pruebas de significancia, la teoría predice un valor numérico puntual, o un intervalo muy estrecho, por lo que la prueba pone a la teoría frente a un serio riesgo de falsificación si esta fuera objetivamente incorrecta. En general, es preferible construir un intervalo de confianza, que proporciona información más rica e implica de todos modos la refutación de la hipótesis nula si una diferencia cae fuera del intervalo. 🧠 Las pruebas de significancia resultan generalmente más justificables en contextos tecnológicos (por ejemplo, en la evaluación de una intervención) que en la evaluación de teorías. Sería útil disponer de un índice cuantitativo que mida cuán precisamente una teoría logra predecir un hecho arriesgado, y se propone un ejemplo de dicho índice. A diferencia de las prácticas actuales más difundidas, los manuales y cursos de estadística deberían aclarar y subrayar el gran abismo semántico (lógico) que separa una teoría sustancial (causal, composicional) de una hipótesis estadística.</small>|}}

* Sprenger & Hartmann – promotores de la 'filosofía Bayesiana de la ciencia'{{Tooltip|<sup>[12]</sup>|<ref>{{cita libro
| autor = Sprenger J
| autor2 = Hartmann S
| título = Bayesian Philosophy of Science. Variations on a Theme by the Reverend Thomas Bayes
| año = 2019
| editor = Oxford University Press
}}</ref>|<small>📌 ¿Cómo deberíamos razonar en la ciencia? Jan Sprenger y Stephan Hartmann ofrecen una visión innovadora sobre temas clásicos de la filosofía de la ciencia, utilizando un único concepto clave para explicar y aclarar numerosos aspectos del razonamiento científico. 🧭 Proponen que buenos argumentos y buenas inferencias se caracterizan por su efecto en nuestros grados racionales de creencia. 🧠 Contrariamente a la visión según la cual no habría espacio para actitudes subjetivas en la "ciencia objetiva", Sprenger y Hartmann explican el valor de las pruebas convincentes a través de un ciclo de variaciones sobre el tema de la representación de los grados racionales de creencia mediante probabilidades subjetivas (y de su modificación a través de la condicionalización bayesiana). De este modo, integran la inferencia bayesiana — la principal teoría de la racionalidad en las ciencias sociales — con la práctica científica del siglo XXI. Bayesian Philosophy of Science muestra así cómo modelar tales actitudes mejora nuestra comprensión de las causas, las explicaciones, las pruebas confirmatorias y los modelos científicos en general. Su enfoque combina una perspectiva científicamente orientada y matemáticamente refinada con el análisis conceptual y una particular atención a los problemas metodológicos de la ciencia moderna, especialmente en la inferencia estadística, resultando por tanto una valiosa herramienta tanto para los filósofos como para los practicantes de la ciencia.</small>}}

La 'American Statistical Association' ha apoyado este cambio publicando un número especial de la revista 'The American Statistician', titulado “Statistical Inference in the 21st Century: A World Beyond p < 0.05”.{{Tooltip|<sup>[13]</sup>|<ref name="wasser">{{cita libro
| autor = Wasserstein RL
| autor2 = Schirm AL
| autor3 = Lazar NA
| título = Moving to a World Beyond ''p'' < 0.05
| url = https://www.tandfonline.com/doi/full/10.1080/00031305.2019.1583913
| obra = Am Stat
| año = 2019
| DOI = 10.1080/00031305.2019.1583913
}}</ref>|<small>🧠 Algunos de ustedes, explorando este número especial de The American Statistician, podrían preguntarse si se trata de una reprimenda por parte de estadísticos pedantes empeñados en darles lecciones sobre qué no hacer con los p-value, sin ofrecer soluciones reales al difícil problema de separar la señal del ruido en los datos y tomar decisiones en condiciones de incertidumbre. No teman. En este número, gracias a 43 artículos innovadores y estimulantes escritos por estadísticos visionarios, llega la ayuda que necesitamos.</small>|}} El volumen propone nuevas modalidades de representación de la incertidumbre e invita a superar la dependencia del P-value como única métrica de la verdad científica.