| JUAN P. AGUILAR Y ALEJANDRO RANGEL
Algunos analistas se lanzan a las controversias blandiendo argumentos con una estructura tan endeble como una baraja de naipes, tan tambaleante como un flan (o gelatina). Si el número de casos de un fenómeno nocivo aumenta, dicen, entonces la situación del país respecto a ese fenómeno necesariamente empeoró.
Explicar un fenómeno sin intentar formular sus múltiples causas es una simplificación burda.
Tomemos el ejemplo de Karl Hempel sobre un par de predicciones contradictorias para Jones.
(a) Jones, un paciente con el corazón sano, acaba de someterse a la apendicectomía. De todas las personas con un corazón sano sometidas en la década a tal operación, el 93 por ciento se recuperó sin incidentes.
(b) Jones, un octogenario, se acaba de someter a la apendicectomía.
Además, Jones tiene insuficiencia renal. De los pacientes con esa descripción, sólo el 8 por ciento tuvo una recuperación sin incidentes.
De (a) y (b) se siguen dos predicciones contrarias. Pero si Jones tiene ochenta años e insuficiencia renal sería torpe considerar (a) para predecir su suerte.
Cuando buscamos explicar o predecir algún evento, deberíamos considerar toda la evidencia relevante disponible a nuestro alcance.
Omitir detalles afecta el resultado final de la predicción y/o explicación. Al razonar sobre explicaciones científicas, Karl Hempel denominó a este principio como el “requisito de evidencia total”.
Hablar una y otra vez de la cifra de muertes violentas en un periodo de tiempo, sin considerar las tendencias anteriores a ese periodo es semejante a decir que este año ningún alumno aprobó el examen, omitiendo que este periodo no se realizó examen alguno.
Una explicación o predicción razonable necesita dar antecedentes.
No considerar las condiciones de Jones para explicarle los riesgos de la operación es una equivocación. Ignorar información relevante es irresponsable. Hacerlo consciente es deshonesto y ominoso.
Es una trampa.
Todos lo sabemos. No sorprende que algunos analistas y/o políticos pierdan cada vez más credibilidad.
Si quieres leer más del tema, puedes buscar: Inductive Statistical Explanation, de Karl. G. Hempel.
