A bayesian is one who, vaguely expecting a horse, and catching a glimpse of a donkey, strongly believes he has seen a mule\u201d<\/em><\/p>\n\n\n\n Anti-Bayesian joke attributed to Karl Pearson<\/p>\n\n\n\n Introducci\u00f3n<\/strong><\/p>\n\n\n\n Durante mucho tiempo la formaci\u00f3n en materia de metodolog\u00eda de an\u00e1lisis en inteligencia estrat\u00e9gica en los cursos y postgrados universitarios espa\u00f1oles ha estado focalizada, en gran medida, en las denominadas SAT, acr\u00f3nimo en ingl\u00e9s de Structured Analytic Techniques, popularizadas por el manual con el mismo t\u00edtulo de los Pherson, relegando a un segundo plano el estudio de otras t\u00e9cnicas de car\u00e1cter m\u00e1s cuantitativo. De hecho, son los mismos autores los que reconocen, en las p\u00e1ginas iniciales de su libro, la existencia de cuatro categor\u00edas de m\u00e9todos anal\u00edticos, dos de los cuales de car\u00e1cter cuantitativo: m\u00e9todos cuantitativos usando datos emp\u00edricos y m\u00e9todos cuantitativos utilizando datos generados por expertos (Heuer y Pherson, 2015: 48). Sin embargo, estos m\u00e9todos no son ni explicados ni tratados en su manual[1]<\/a>.<\/p>\n\n\n\n Por otro lado, una de las pocas t\u00e9cnicas con cierto car\u00e1cter cuantitativo (nos referimos a que metriza o cuantifica informaci\u00f3n cualitativa en un marco bayesiano), como es el Analysis of Competing Hypotheses, conocido bajo el acr\u00f3nimo de ACH, adolece, en la obra de los Pherson, de una falta de explicaci\u00f3n epist\u00e9mica rigurosa. De hecho, es el mismo Richard Heuer quien, en la descripci\u00f3n t\u00e9cnica de Palo Alto que se realiz\u00f3 para la versi\u00f3n 1.1 del software, afirma: \u201cExiste un riesgo sustancial al asignar nuestra confianza a una caja negra cuyo funcionamiento interno no es completamente entendido. Dado que los usuarios pueden tener diferentes or\u00edgenes (matem\u00e1ticos o no), lo que es comprensible para un usuario puede no ser tan comprensible para otro\u201d (Heuer, 2005: 4). Uno de los objetivos de este trabajo es introducir al lector en el conocimiento del sustrato l\u00f3gico y epist\u00e9mico de la t\u00e9cnica dentro del marco bayesiano.<\/p>\n\n\n\n Desgraciadamente, como he afirmado al comienzo del art\u00edculo, en Espa\u00f1a nos hemos focalizado demasiado (y en gran medida muchos programas siguen haci\u00e9ndolo) en las SAT, que, salvo excepciones como el ACH, est\u00e1n m\u00e1s orientadas al an\u00e1lisis cualitativo, olvidando la importancia y el peso que deber\u00edan tener en los programas formativos otras t\u00e9cnicas cuantitativas de referencia como la que vamos a desarrollar en este trabajo. Esto es comprensible en una disciplina que apenas comenzaba a dar sus primeros pasos en nuestro pa\u00eds y cuyos programas estaban a\u00fan en desarrollo, pero no lo es ahora, cuando ya tiene el recorrido y el criterio suficientes para poder distinguir con claridad el n\u00facleo fundamental de la metodolog\u00eda de an\u00e1lisis en inteligencia.<\/p>\n\n\n\n Dentro del amplio abanico de t\u00e9cnicas cuantitativas empleadas en metodolog\u00eda de an\u00e1lisis en inteligencia estrat\u00e9gica, podemos distinguir claramente las t\u00e9cnicas m\u00e1s tradicionales como pueden ser el an\u00e1lisis bayesiano o la regresi\u00f3n lineal de otras que son m\u00e1s recientes como el An\u00e1lisis de Riesgos Adversarios (ARA), que se aplica al modelado de escenarios en contraterrorismo[2]<\/a> o el estudio de patrones espaciales y patrones de actividad[3]<\/a>.<\/p>\n\n\n\n A lo largo de este trabajo desarrollaremos con profusi\u00f3n el an\u00e1lisis bayesiano. Es una t\u00e9cnica que pertenece al grupo de las t\u00e9cnicas m\u00e1s tradicionales pero que no por ello ha dejado de ser utilizada, pues, en algunas cuestiones de inteligencia, tanto su pertinencia como sus resultados han quedado m\u00e1s que demostrados a lo largo del tiempo.<\/p>\n\n\n\n En honor a la verdad, el enfoque bayesiano fue olvidado en el ba\u00fal de los recuerdos durante mucho tiempo hasta que fue rescatado por unos pocos visionarios que vieron en \u00e9l un potencial del que carec\u00eda el enfoque frecuentista tradicional. Desde entonces ha cosechado muchos y probados \u00e9xitos. En lo que al \u00e1mbito de Seguridad y Defensa se refiere jug\u00f3 un papel relevante y destacado durante la II Guerra Mundial[4]<\/a> y m\u00e1s tarde, como veremos en este trabajo, la CIA lo utiliz\u00f3 como una de sus t\u00e9cnicas de an\u00e1lisis innovadoras dentro del Directorio de Inteligencia.<\/p>\n\n\n\n M\u00e1s all\u00e1 de sus or\u00edgenes y posterior desarrollo, hoy en d\u00eda el an\u00e1lisis bayesiano es un contenido de obligada referencia en la mayor\u00eda de los programas universitarios serios dedicados a formar nuevos analistas en el \u00e1mbito de inteligencia, tanto a nivel nacional como internacional[5]<\/a>. <\/p>\n\n\n\n Aunque la ecuaci\u00f3n del Teorema de Bayes es relativamente sencilla, sus resultados no son nada intuitivos porque juega con probabilidades condicionadas. Para una buena parte de los analistas, el Teorema de Bayes es dif\u00edcil de aprender y aplicar. Y esto tambi\u00e9n incluye a los superiores que, frecuentemente, no terminan de creerse los resultados porque, al ser tan poco intuitivos, simplemente parecen equivocados y aparecen como un gran galimat\u00edas estad\u00edstico incomprensible. Para demostrar esta caracter\u00edstica contraintuitiva del Teorema de Bayes bastar\u00e1 con ilustrar un sencillo problema tomado de Bar-Hillel y Falk (Bar-Hillel y Falk, 1982: 109):<\/p>\n\n\n\n Los Smith tienen dos beb\u00e9s. Uno de ellos es una ni\u00f1a. \u00bfCu\u00e1l es la probabilidad de que el otro sea tambi\u00e9n una ni\u00f1a?<\/em><\/p>\n\n\n\n La respuesta m\u00e1s frecuente es 1\/2. Pero es err\u00f3nea. La teor\u00eda de los modelos mentales explica este error aduciendo que las personas interpretan que el problema pide \u201cla probabilidad de que un beb\u00e9 sea ni\u00f1a\u201d y, en consecuencia, construyen los modelos:<\/p>\n\n\n\n Ni\u00f1o Ni\u00f1a<\/p>\n\n\n\n y a partir de ah\u00ed, deducen que la probabilidad de que sea ni\u00f1a es de 1\/2. Pero, realmente lo que el problema pide es una probabilidad condicionada: P (Las dos sean ni\u00f1as\/ Una es ni\u00f1a).<\/p>\n\n\n\n Una sencilla justificaci\u00f3n matem\u00e1tica de la soluci\u00f3n ser\u00eda la siguiente:<\/p>\n\n\n\n El espacio muestral se expresar\u00eda as\u00ed:<\/p>\n\n\n\n \u03a9 = {(ni\u00f1o, ni\u00f1o), (ni\u00f1o, ni\u00f1a), (ni\u00f1a, ni\u00f1o), (ni\u00f1a, ni\u00f1a)}<\/p>\n\n\n\n pero, al decirnos que uno de ellos es ni\u00f1a, quedar\u00eda as\u00ed:<\/p>\n\n\n\n \u03a9 = {(ni\u00f1o, ni\u00f1a), (ni\u00f1a, ni\u00f1o), (ni\u00f1a, ni\u00f1a))<\/p>\n\n\n\n por tanto (admitiendo que ambos sexos son igualmente probables), tendr\u00edamos:<\/p>\n\n\n\n P (Dos ni\u00f1as\/ Al menos uno es ni\u00f1a)= 1\/3.<\/p>\n\n\n\n Como observamos, es f\u00e1cil caer en errores cuando lidiamos con la probabilidad condicionada debido al funcionamiento cognitivo de nuestros patrones mentales.<\/p>\n\n\n\n Pero \u00bfpor qu\u00e9 resulta tan \u00fatil el an\u00e1lisis bayesiano en inteligencia? Sencillamente porque nos permite actualizar el grado de certeza de nuestras hip\u00f3tesis actualizando continuamente nuestra informaci\u00f3n, caracter\u00edstica \u00e9sta que le diferencia de otras muchas herramientas y t\u00e9cnicas de an\u00e1lisis y que resulta ser fundamental en el an\u00e1lisis de inteligencia, como analizaremos m\u00e1s adelante en este mismo trabajo.<\/p>\n\n\n\n Hay tres caracter\u00edsticas principales que diferencian a los m\u00e9todos bayesianos de otros m\u00e9todos y t\u00e9cnicas convencionales en an\u00e1lisis de inteligencia. La primera es que el analista es obligado a cuantificar sus juicios en t\u00e9rminos num\u00e9ricos, algo que normalmente no suele hacer. Desde este punto de vista, el an\u00e1lisis bayesiano nos ayuda a cuantificar lo que Polya denomin\u00f3 como razonamiento plausible[6]<\/a> que surge de forzar los argumentos de la l\u00f3gica cl\u00e1sica para dar lugar a los patrones heur\u00edsticos y que guarda una estrecha relaci\u00f3n con la l\u00f3gica abductiva.<\/p>\n\n\n\n La segunda es que el analista no toma la informaci\u00f3n disponible como dada y elabora a partir de ah\u00ed sus conclusiones sobre los m\u00e9ritos relativos de hip\u00f3tesis opuestas, m\u00e1s bien investiga por etapas la verdad de cada hip\u00f3tesis de trabajo centr\u00e1ndose solo en la verosimilitud de cada nuevo elemento de evidencia para cada hip\u00f3tesis de trabajo si \u00e9stas fueran ciertas. De esta forma, el analista es menos sensible a su propio ego y no se siente inclinado a reforzar posiciones previamente asentadas.<\/p>\n\n\n\n La tercera caracter\u00edstica distintiva del m\u00e9todo bayesiano es que el analista va construyendo sus juicios sobre las piezas de evidencia. No es como el resumen de evidencias que \u00e9l tendr\u00eda que hacer si tuviera que juzgar su significado para las conclusiones finales. Las matem\u00e1ticas hacen ese resumen por \u00e9l dici\u00e9ndole: si \u00e9sta es la lectura de las evidencias individuales que tienes, \u00e9sta es la conclusi\u00f3n que se sigue de ellas. Las personas, generalmente, son mucho mejores evaluando una sola evidencia que construyendo inferencias a partir del cuerpo conjunto de todas las evidencias (Zlotnick, 1970: 44-45).<\/p>\n\n\n\n \u00bfDe qu\u00e9 hablamos cuando hablamos de an\u00e1lisis bayesiano?<\/strong><\/p>\n\n\n\n La estad\u00edstica bayesiana, al contrario que la estad\u00edstica frecuentista que se fundamenta en la idea de cuantificar la probabilidad de un suceso a partir de la frecuencia relativa de aparici\u00f3n, parte de la noci\u00f3n de que la probabilidad representa el grado de creencia que otorgamos al suceso en cuesti\u00f3n. La diferencia entre ambas, pues, es una cuesti\u00f3n de concepto de probabilidad. Para la estad\u00edstica cl\u00e1sica o frecuentista la probabilidad es un concepto objetivo, que se encuentra en la naturaleza, mientras que para la estad\u00edstica bayesiana se encuentra en el observador, siendo as\u00ed un concepto subjetivo. De este modo, en la estad\u00edstica cl\u00e1sica solo se toma como fuente de informaci\u00f3n las muestras obtenidas, mientras en caso bayesiano, adem\u00e1s de la muestra, tambi\u00e9n juega un papel fundamental la informaci\u00f3n previa o externa que se posee en relaci\u00f3n a los fen\u00f3menos que se pretenden modelizar.<\/p>\n\n\n\n Para introducir al lector no iniciado por los senderos bayesianos trataremos de ir desglosando los diferentes conceptos. Sin \u00e1nimo de ser exhaustivos, dos de los conceptos m\u00e1s importantes son el de probabilidad inversa (estrechamente relacionado con la probabilidad condicional) y el axioma de verosimilitud.<\/p>\n\n\n\n Probabilidad Inversa<\/em><\/p>\n\n\n\n Este principio asevera que la probabilidad de una causa dado un efecto es distinta de la probabilidad de un efecto dada una causa. Por ejemplo, supongamos que denotamos con A el evento o suceso de que una persona es mujer y con B el suceso de que est\u00e9 embarazada. Intuitivamente podemos observar que:<\/p>\n\n\n\n P(A\/B) o probabilidad de que una persona sea mujer dado que est\u00e1 embarazada es de un 100% pues todas las personas embarazadas son mujeres. Sin embargo, la P(B\/A) o probabilidad de estar embarazada dado que se es mujer, seg\u00fan las estad\u00edsticas es de un 2%. Bayes encontr\u00f3 una relaci\u00f3n entre estas dos probabilidades, lo cual es sumamente importante porque \u00fanicamente conociendo una de las dos probabilidades podemos llegar a conocer la otra.<\/p>\n\n\n\n Siguiendo con las probabilidades condicionadas, tenemos que:<\/p>\n\n\n\n P(A\/B)=P(A\u1d16B)\/P(B)<\/p>\n\n\n\n Es decir, la probabilidad de un suceso A dado otro suceso B es igual a la probabilidad de la intersecci\u00f3n de ambos sucesos dividido por la probabilidad del suceso B.<\/p>\n\n\n\n Despejando en esta expresi\u00f3n llegamos a:<\/p>\n\n\n\n P(A\u1d16B)=P(A\/B)*P(B) (1)<\/p>\n\n\n\n De igual forma tenemos que:<\/p>\n\n\n\n P(B\/A)= P(B\u1d16A)\/P(A<\/p>\n\n\n\n Y, por tanto:<\/p>\n\n\n\n P(B\u1d16A)= P(B\/A)*P(A) (2)<\/p>\n\n\n\n Como sabemos que la probabilidad de la intersecci\u00f3n es siempre la misma, es decir, P(A\u1d16B)= P(B\u1d16A) e igualando las expresiones 1 y 2 obtenemos:<\/p>\n\n\n\n P(A\/B)*P(B)= P(B\/A)*P(A) <\/p>\n\n\n\n Y despejando en esta expresi\u00f3n, llegamos al resultado:<\/p>\n\n\n\n P(B\/A)= P(A\/B)*P(B)\/P(A), que es el c\u00e9lebre Teorema de Bayes.<\/strong><\/p>\n\n\n\n En esta expresi\u00f3n:<\/p>\n\n\n\n P(A) es la probabilidad total<\/p>\n\n\n\n P(B) es la probabilidad \u201ca priori\u201d<\/p>\n\n\n\n P(A\/B) es la probabilidad condicional de un suceso A condicionado a otro sucedo dado B<\/p>\n\n\n\n P(B\/A) es la probabilidad \u201ca posteriori\u201d<\/p>\n\n\n\n Hasta aqu\u00ed la explicaci\u00f3n m\u00e1s conocida y tambi\u00e9n m\u00e1s simple del Teorema de Bayes.<\/p>\n\n\n\n Axioma de verosimilitud<\/em><\/p>\n\n\n\n A partir de estos conceptos simples podemos adentrarnos ya en la forma compleja del An\u00e1lisis bayesiano, es decir, la que tiene que ver con la relaci\u00f3n entre probabilidad y verosimilitud. Dicha relaci\u00f3n queda expresada mediante la siguiente ecuaci\u00f3n:<\/p>\n\n\n\n Donde:<\/p>\n\n\n\n Pr(H) es la probabilidad a priori de que la hip\u00f3tesis H sea cierta<\/p>\n\n\n\n Pr(H\/D) es la probabilidad a posteriori de que la hip\u00f3tesis H sea cierta, es decir, la probabilidad de que la hip\u00f3tesis sea cierta una vez que se han observado los datos.<\/p>\n\n\n\n Pr(Datos\/H) es la verosimilitud, es decir, la probabilidad de haber observado esos datos si la hip\u00f3tesis H es cierta.<\/p>\n\n\n\n Pr(Datos) es la verosimilitud marginal, la probabilidad de haber observado esos datos independientemente de que la hip\u00f3tesis H sea cierta o no.<\/p>\n\n\n\n De manera alternativa tambi\u00e9n podemos expresarlo a la manera de Zlotnick:<\/p>\n\n\n\n Donde[7]<\/a>:<\/p>\n\n\n\n R es la probabilidad a posteriori<\/p>\n\n\n\n P es la probabilidad a priori<\/p>\n\n\n\n L es la verosimilitud<\/p>\n\n\n\n El axioma de verosimilitud surge de la combinaci\u00f3n de la Ley de Verosimilitud y el Principio de Verosimilitud. La Ley de Verosimilitud afirma que, en el marco de un modelo estad\u00edstico, un conjunto particular de datos apoya a una hip\u00f3tesis estad\u00edstica mejor que a otra si la probabilidad de la primera hip\u00f3tesis, sobre los datos, es superior a la probabilidad de la segunda hip\u00f3tesis.<\/p>\n\n\n\n El Principio de Verosimilitud establece que la funci\u00f3n de verosimilitud contiene toda la informaci\u00f3n relevante para la evaluaci\u00f3n de la evidencia estad\u00edstica. Otras facetas de los datos que no tienen en cuenta la funci\u00f3n de verosimilitud son irrelevantes para la evaluaci\u00f3n de la fuerza de la evidencia estad\u00edstica, aunque pueden ser significativos para la planificaci\u00f3n de estudios o para el an\u00e1lisis de decisiones, pero est\u00e1n separados de la fuerza de la evidencia estad\u00edstica.<\/p>\n\n\n\n El lector no iniciado entender\u00e1 mucho mejor estos conceptos cuando lea el apartado dedicado a la mec\u00e1nica del an\u00e1lisis bayesiano.<\/p>\n\n\n\n La CIA y el an\u00e1lisis bayesiano<\/strong><\/p>\n\n\n\n La aplicaci\u00f3n del Teorema de Bayes al an\u00e1lisis de inteligencia no es algo novedoso. De hecho, la Central Intelligence Agency<\/em> (CIA) comenz\u00f3 a investigar la utilidad de este tipo de an\u00e1lisis como herramienta para los analistas a partir de 1967. De esas fechas son documentos tempranos de la CIA como The sino-soviet border dispute: a comparison of the conventional and bayesian methods for intelligence warning <\/em>de noviembre de 1967 y Bayes Theorem in the Korean War<\/em> de Julio de 1968. Poco tiempo despu\u00e9s, en 1970, Jack Zlotnick escribi\u00f3 para la CIA un informe, que se convertir\u00eda en una referencia obligada, titulado Bayes theorem for intelligence analysis<\/em> sobre su uso y potencialidades que hoy, ya desclasificado, puede consultarse en la web. Finalmente todos estos avances cristalizar\u00edan en un manual, el Handbook of bayesian analysis for intelligence[8]<\/strong><\/a><\/em>, tambi\u00e9n desclasificado. Publicado en junio de 1975 por el Directorio de Inteligencia y m\u00e1s concretamente por la Oficina de Investigaci\u00f3n Pol\u00edtica, su lectura estaba reservada para las oficiales de inteligencia.<\/p>\n\n\n\n Teniendo en cuenta que a algunos lectores les puede resultar \u00fatil profundizar en estas cuestiones, repasaremos brevemente el contenido y las aportaciones de cada uno de estos documentos:<\/p>\n\n\n\n Este informe, clasificado en su tiempo como secreto, de apenas ocho p\u00e1ginas, explica y describe los resultados de un experimento que fue dise\u00f1ado para probar la superioridad del m\u00e9todo bayesiano con respecto a otros m\u00e9todos de an\u00e1lisis convencionales. El experimento fue llevado a cabo con varios analistas de diferentes departamentos del directorio de inteligencia.<\/p>\n\n\n\n Informe de 22 p\u00e1ginas clasificado en su tiempo como secreto y que hoy en d\u00eda tambi\u00e9n est\u00e1 desclasificado. Seg\u00fan aparece se\u00f1alado en sus primeras p\u00e1ginas, su finalidad es la de describir un test para determinar la aplicabilidad del c\u00e1lculo de probabilidad (y m\u00e1s concretamente del Teorema de Bayes) al campo de la inteligencia prospectiva o predictiva. El test simula las estimaciones de inteligencia de la posible intervenci\u00f3n de la China Comunista en la Guerra de Corea en 1950.<\/p>\n\n\n\n El informe explica c\u00f3mo se simul\u00f3 la situaci\u00f3n hist\u00f3rica, c\u00f3mo se form\u00f3 el escenario de evidencias, qu\u00e9 hip\u00f3tesis de cabecera se escogieron y c\u00f3mo se desarroll\u00f3 el test.<\/p>\n\n\n\n Cabe destacar el apartado final de notas t\u00e9cnicas que explica la mec\u00e1nica del modelo y los c\u00e1lculos probabil\u00edsticos empleados.<\/p>\n\n\n\n El documento es un \u201cpaper\u201d acad\u00e9mico que su autor, Jack Zlotnick, present\u00f3 en una Conferencia en Michigan el 18 de junio de 1970. A lo largo de sus nueve p\u00e1ginas Zlotnick desgrana los compones te\u00f3ricos y metodol\u00f3gicos del an\u00e1lisis bayesiano se\u00f1alando de forma n\u00edtida sus ventajas, pero tambi\u00e9n algunos de los problemas metodol\u00f3gicos que tienen estrecha relaci\u00f3n como por ejemplo el tema de la evidencia causal o el de la falsa evidencia. El mismo autor insiste en que lo contenido en ellas no tiene un \u201ccar\u00e1cter oficial\u201d pero es evidente que ley\u00e9ndolas podemos hacernos una idea de c\u00f3mo estaba el estado de la cuesti\u00f3n en la CIA en aquellas fechas y hasta qu\u00e9 punto el an\u00e1lisis bayesiano se hab\u00eda desarrollado. Esas p\u00e1ginas demuestran que la CIA ya hab\u00eda superado y dejado atr\u00e1s la forma simple del an\u00e1lisis bayesiano y hab\u00eda comenzado a estudiar las posibilidades de su forma m\u00e1s avanzada, esto es, las aplicaciones al an\u00e1lisis de inteligencia de lo relacionado con el axioma de verosimilitud.<\/p>\n\n\n\n El manual, publicado en junio de 1975 y hoy desclasificado es muy recomendable para los analistas que quieran introducirse en este tipo de an\u00e1lisis. Un aut\u00e9ntico monogr\u00e1fico de 28 p\u00e1ginas que describe el uso general de la metodolog\u00eda bayesiana en la pr\u00e1ctica, paso a paso y de forma sencilla. L\u00f3gicamente el apartado estrella es el dedicado a describir los posibles caminos para realizar los c\u00e1lculos necesarios. Incluye, incluso, el c\u00f3digo de sintaxis para ejecutar los modelos de \u00e1rboles bayesianos, claro est\u00e1, en unos lenguajes de computaci\u00f3n antiguos y hoy en d\u00eda en desuso como el BASIC o el APL. El ejemplo que se propone para explicar la mec\u00e1nica es un caso de inteligencia geopol\u00edtica pero el mismo manual explica que la aplicaci\u00f3n de la t\u00e9cnica puede ir mucho m\u00e1s all\u00e1 de ese campo particular y puede ser adaptada con unos pocos cambios a otras \u00e1reas tem\u00e1ticas.<\/p>\n\n\n\n Se advierte la importancia de las llamadas \u201c3 w\u201d de la inteligencia, a saber:<\/p>\n\n\n\n Adem\u00e1s, en el proceso de inteligencia, la naturaleza del problema dicta que metodolog\u00eda y t\u00e9cnicas son apropiadas para encararlo. Y no siempre los m\u00e9todos bayesianos pueden resultar ser los m\u00e1s apropiados.<\/p>\n\n\n\n A continuaci\u00f3n, se describe en qu\u00e9 tipo de cuestiones es aconsejable utilizar el an\u00e1lisis bayesiano. En este sentido, Bayes es solo \u00fatil cuando la cuesti\u00f3n puede ser expresada con un conjunto reducido de resultados como, por ejemplo, guerra versus no guerra, desarrollo de capacidad nuclear versus desarrollo de mecanismos de paz versus no desarrollo de capacidad nuclear. De hecho, Bayes resulta in\u00fatil cuando se intenta predecir algo demasiado gen\u00e9rico como, por ejemplo, el futuro de las relaciones entre ambas Coreas. Para ser factible, dicha cuesti\u00f3n, deber\u00eda ser reformulada en t\u00e9rminos de alternativas espec\u00edficas y escenarios m\u00e1s o menos excluyentes. Tambi\u00e9n debe existir un flujo de datos e informaci\u00f3n relacionados, al menos perif\u00e9ricamente, con la cuesti\u00f3n.<\/p>\n\n\n\n El manual tambi\u00e9n refleja una serie de reflexiones sobre la conveniencia de la utilizaci\u00f3n de gr\u00e1ficos descriptivos en los informes finales.<\/p>\n\n\n\n Mec\u00e1nica y aplicaciones del an\u00e1lisis bayesiano en el an\u00e1lisis de inteligencia<\/strong><\/p>\n\n\n\n A primera vista, la regla de Bayes es un sencillo teorema cuyo enunciado, en rom\u00e1n paladino, se reduce a lo siguiente: al actualizar la opini\u00f3n que inicialmente ten\u00edamos sobre algo por disponer de nueva informaci\u00f3n objetiva, llegamos a un planteamiento mejor. Pero algo realmente explosivo se deriva de esta simple afirmaci\u00f3n, a saber, el teorema de Bayes nos indica que no s\u00f3lo es posible adquirir conocimiento, aunque nos falten datos o estos resulten inadecuados, sino que ese conocimiento puede obtenerse a partir de aproximaciones o incluso de la ignorancia total como punto de partida (Bertsch, 2012: 12).<\/p>\n\n\n\n Esto \u00faltimo tiene una conexi\u00f3n directa con el trabajo cotidiano en an\u00e1lisis de inteligencia. En otra ocasi\u00f3n he escrito sobre los fundamentos del an\u00e1lisis de inteligencia y las cuestiones epistemol\u00f3gicas vinculadas a \u00e9ste. La tarea de an\u00e1lisis en inteligencia se asemeja muchas veces a intentar unir y desunir las piezas de un puzle para desvelar lo que estaba oculto (al menos de una forma primaria), pero al fin y al cabo estaba. No nos inventamos nada. No se trata, pues, de recopilar, unir y resumir la informaci\u00f3n, por muy importante que esta sea, sino de ir un paso m\u00e1s all\u00e1 y tratar de desvelar los significados y el conocimiento que permanec\u00eda oculto (que no ocultado intencionadamente) y velado (Somiedo, 2016: 10-12).<\/p>\n\n\n\n Ante este gran reto nos encontramos ante tres dificultades. La primera es que no siempre tenemos todas las piezas del puzle y suele suceder que no encontramos mayor sentido a las que tenemos. En este sentido, podemos considerarnos como una especie de \u201cchapuceros habilidosos\u201d que explotan al m\u00e1ximo todas las posibilidades de la informaci\u00f3n disponible en cada momento para generar conocimiento.<\/p>\n\n\n\n En segundo lugar, en la metaf\u00f3rica bolsa donde buscamos nuestras piezas, hay adem\u00e1s piezas de otros puzles diferentes al que queremos formar que pueden llevarnos a confusi\u00f3n. Todos hemos experimentado este tipo de complejidad cuando de peque\u00f1os mezcl\u00e1bamos las piezas de varios puzles y una pieza parec\u00eda encajar cuando realmente no era as\u00ed.<\/p>\n\n\n\n La \u00faltima y no por ello menos importante, es que la imagen del puzle no es una imagen fija, sino que es din\u00e1mica, va cambiando y transform\u00e1ndose. Imaginemos un puzle con la imagen del rostro de una ni\u00f1a peque\u00f1a. \u00bfQu\u00e9 pasar\u00e1 con el rostro de esa ni\u00f1a cuando hayan transcurrido 20 a\u00f1os m\u00e1s? Cambiar\u00e1. Comenzar\u00e1n a aparecer las primeras arrugas fruto del paso del tiempo y la morfolog\u00eda del rostro ir\u00e1 evolucionando. Pero, si dejamos a un lado la variable \u00abtiempo\u00bb, siempre presente, tambi\u00e9n puede verse influida por otras variables. Imaginemos un tr\u00e1gico accidente dom\u00e9stico con salpicaduras de aceite en el rostro. Hacer inteligencia puede ser, a veces, conseguir una imagen o foto fija en un determinado lugar, tiempo y circunstancia, pero otras veces significa intentar construir una pel\u00edcula completa y esto es m\u00e1s laborioso y dif\u00edcil.<\/p>\n\n\n\n Hasta aqu\u00ed hemos descrito lo que se conoce con el nombre de complejidad en detalle, pero el an\u00e1lisis de inteligencia tiene, adem\u00e1s, un tipo de complejidad din\u00e1mica. La imagen usual para explicar este tipo de complejidad es la de un tablero de ajedrez. La complejidad din\u00e1mica es aquella en la que los elementos se relacionan unos con otros de muchas formas distintas, porque cada parte puede tener diferentes estados, de modo que unas cuantas pueden combinarse en miles de formas diferentes. Resulta, pues, err\u00f3neo basar la complejidad en el n\u00famero de partes. El ajedrez es un juego de complejidad din\u00e1mica, ya que con cada nuevo movimiento el tablero se transforma, pues se modifican las relaciones entre las piezas. En an\u00e1lisis de inteligencia el movimiento de un actor puede afectar a su vez al movimiento de otros.<\/p>\n\n\n\n Una vez que una determinada problem\u00e1tica o cuesti\u00f3n ha sido seleccionada como candidata para la utilizaci\u00f3n del an\u00e1lisis bayesiano, la primera etapa consiste en formular categor\u00edas que sean m\u00e1s o menos excluyentes que cubran las posibilidades m\u00e1s relevantes que envuelven el problema tratado. Cuando la formulaci\u00f3n puede expresarse en t\u00e9rminos dicot\u00f3micos, esto simplifica y facilita mucho las cosas. Pero a menudo habr\u00e1 m\u00e1s de dos posibilidades o hip\u00f3tesis encima de la mesa.<\/p>\n\n\n\n Aunque el an\u00e1lisis puede ser realizado por una \u00fanica persona, dependiendo de la naturaleza m\u00e1s o menos interdisciplinar de la cuesti\u00f3n tratada, es conveniente incluir un grupo de analistas con diferentes especialidades: geopol\u00edtica, militar, econ\u00f3mica, etc.[9]<\/a> En el encuentro inicial se explicar\u00e1n el formato y los procedimientos a todos los participantes. Adem\u00e1s, se elaborar\u00e1 una lista de participantes donde se se\u00f1alar\u00e1 el nombre del participante, posici\u00f3n, n\u00famero de a\u00f1os de servicio, n\u00famero de tel\u00e9fono de la oficina y las probabilidades que asigna a cada hip\u00f3tesis al comienzo del an\u00e1lisis.<\/p>\n\n\n\n Una vez iniciado el an\u00e1lisis, un analista o un peque\u00f1o grupo de analistas pueden escribir una lista de cada una de las evidencias individuales y asignarles las probabilidades. Esto puede ser revisado diaria, semanal, mensualmente o cuando aparezcan nuevas evidencias que anotar. Las probabilidades asociadas pueden ser revisadas en cualquier momento.<\/p>\n\n\n\n La tercera etapa consiste en determinar cu\u00e1nto debe prolongarse el an\u00e1lisis en el tiempo y cuantos informes y con qu\u00e9 cadencia ser\u00e1 necesario realizar.<\/p>\n\n\n\n A continuaci\u00f3n, expondremos de una manera sencilla y concisa la mec\u00e1nica del an\u00e1lisis bayesiano en inteligencia teniendo como base los contenidos del manual de la CIA ya citado.<\/p>\n\n\n\n El manual se\u00f1ala que hay dos posibles caminos: uno b\u00e1sico y otro simplificado. Ambos se basan en las mismas relaciones matem\u00e1ticas, pero se diferencian en que uno trabaja con ratios de probabilidad y el otro con probabilidades directamente. El m\u00e9todo simplificado solo puede trabajar con cuestiones dicot\u00f3micas mutuamente excluyentes. El m\u00e9todo b\u00e1sico, por el contrario, puede usarse, en cualquier caso, tanto dicot\u00f3mico como m\u00faltiple. Ambos m\u00e9todos requieren unas probabilidades iniciales aportadas por el juicio de cada analista.<\/p>\n\n\n\n Supongamos que se plantean tres hip\u00f3tesis sobre el conflicto de las dos Coreas (Corea del Norte y Corea del Sur):<\/p>\n\n\n\n Supongamos ahora que el analista asigna al comienzo del an\u00e1lisis un 25% de probabilidad a las hip\u00f3tesis A y B y un 50% a la C. N\u00f3tese que todas las hip\u00f3tesis juntas deben sumar el 100%. Despu\u00e9s, durante el desarrollo del an\u00e1lisis, los analistas evaluaran como se relaciona cada una de las nuevas evidencias con cada una de las hip\u00f3tesis. Para ello utilizar\u00e1n el razonamiento abductivo[10]<\/a>, y se formularan la siguiente pregunta para cada hip\u00f3tesis de trabajo: \u00bfCon que probabilidad ocurrir\u00eda esa evidencia si la hip\u00f3tesis A fuera verdadera?. Como el lector observar\u00e1, se trata de una probabilidad condicional de la evidencia dado que se toma por cierta la hip\u00f3tesis A. Lo mismo para las otras dos hip\u00f3tesis.<\/p>\n\n\n\n En el caso que examinamos supongamos que se recibe una informaci\u00f3n de un agente de que el l\u00edder de Corea del Norte est\u00e1 redactando un discurso muy belicoso que pretende leer en p\u00fablico en los pr\u00f3ximos d\u00edas. Esa evidencia ser\u00eda cierta al 90% para la hip\u00f3tesis A y B y un 80% para la C. Como se observa, en este caso, las probabilidades no necesariamente deben sumar el 100%.<\/p>\n\n\n\n La f\u00f3rmula general para calcular la probabilidad revisada con la introducci\u00f3n de cada nueva evidencia es:<\/p>\n\n\n\n Donde:<\/p>\n\n\n\n P(Si) es la probabilidad inicial para el escenario i<\/p>\n\n\n\n P(I\/Si) es la probabilidad condicional de cada nuevo evento<\/p>\n\n\n\n P(Si\/I) es la probabilidad revisada para el escenario i<\/p>\n\n\n\n m es el n\u00famero de escenarios<\/p>\n\n\n\n En nuestro ejemplo tenemos que, para la primera evidencia introducida:<\/p>\n\n\n\n Como podemos observar, las probabilidades revisadas deben seguir sumando el 100%. Estas nuevas probabilidades se tomar\u00e1n como probabilidades de inicio cuando introduzcamos nuestra segunda evidencia.<\/p>\n\n\n\n Imaginemos ahora la entrada de una nueva evidencia cuyas probabilidades condicionadas son:<\/p>\n\n\n\n Para Hip\u00f3tesis A: 60%<\/p>\n\n\n\n Para Hip\u00f3tesis B: 20%<\/p>\n\n\n\n Para Hip\u00f3tesis C: 10%<\/p>\n\n\n\n Volvemos a realizar c\u00e1lculos para esta nueva evidencia:<\/p>\n\n\n\n Evidentemente, todos los c\u00e1lculos aqu\u00ed implementados a mano pueden realizarse con la ayuda de los modernos software de computaci\u00f3n.<\/p>\n\n\n\n Se utiliza el m\u00e9todo simplificado cuando las circunstancias lo permiten, esto es cuando hablamos de hip\u00f3tesis dicot\u00f3micas excluyentes. El uso de este m\u00e9todo reduce enormemente los esfuerzos de los analistas, siendo incluso factible realizar los c\u00e1lculos a mano, como veremos a continuaci\u00f3n.<\/p>\n\n\n\n Se comienza estableciendo las probabilidades iniciales para cada hip\u00f3tesis. Como en el m\u00e9todo anterior, cada nueva evidencia es evaluada asign\u00e1ndole dos n\u00fameros, uno para cada hip\u00f3tesis (recordemos que aqu\u00ed trabajamos solo con dos hip\u00f3tesis). Pero el resultado cambia, porque si bien en el primer m\u00e9todo b\u00e1sico el resultado era un n\u00famero en porcentaje aqu\u00ed va a ser una raz\u00f3n de una hip\u00f3tesis sobre otra. Por ejemplo, si una determinada evidencia se valora como un 10% de verosimilitud con la hip\u00f3tesis A y un 90% de verosimilitud con la hip\u00f3tesis B y la evaluaci\u00f3n se realiza en t\u00e9rminos de la hip\u00f3tesis A sobre la B, el resultado ser\u00eda 10\/90.<\/p>\n\n\n\n Imaginemos ahora que la valoraci\u00f3n inicial de los analistas para las dos hip\u00f3tesis A y B es de 25% y 75% respectivamente. Que se valoran cinco evidencias diferentes como especifica el siguiente cuadro y que se quiere obtener la raz\u00f3n de la hip\u00f3tesis B sobre la hip\u00f3tesis A<\/p>\n\n\n\n Los c\u00e1lculos se efectuar\u00edan como sigue:<\/p>\n\n\n\n El resultado obtenido en t\u00e9rminos de raz\u00f3n debe ser convertido despu\u00e9s en porcentaje de probabilidad. Para ello, nuestro nuevo denominador ser\u00e1 la suma del numerador y el denominador del resultado inicial y nuestro nuevo numerador ser\u00e1 100. En este caso obtendr\u00edamos 100\/16 o, lo que es lo mismo, 6.25. El siguiente paso es multiplicar el numerador y denominador de nuestro resultado inicial por esta cantidad reci\u00e9n obtenida. El resultado final ser\u00eda:<\/p>\n\n\n\n Hip\u00f3tesis A: 15* 6.25 = 93.75<\/p>\n\n\n\n Hip\u00f3tesis B: 1* 6.25 = 6.25<\/p>\n\n\n\n En la actualidad, la aplicaci\u00f3n directa de los m\u00e9todos bayesianos en el \u00e1mbito de inteligencia tiene que ver con el an\u00e1lisis de indicadores y las alertas estrat\u00e9gicas que pretenden, b\u00e1sicamente, descubrir cualquier patr\u00f3n de actividad de un pa\u00eds extranjero que pueda influir directa o indirectamente en los intereses de la seguridad nacional. Un ejemplo hipot\u00e9tico y muy b\u00e1sico ser\u00eda la probabilidad del comienzo de una guerra civil en un pa\u00eds, probabilidad que debe ser actualizada continuamente a la luz de nuevos sucesos o eventos.<\/p>\n\n\n\n Si hay una t\u00e9cnica de an\u00e1lisis famosa entre los analistas de inteligencia, esa es, sin lugar a dudas, el an\u00e1lisis de hip\u00f3tesis en competencia (ACH). Esta t\u00e9cnica fue desarrollada entre los a\u00f1os 1978 y 1986 por el prestigioso analista de la CIA Richards J. Heuer y se dio a conocer por primera vez con la publicaci\u00f3n del libro, ahora un cl\u00e1sico, de Heuer titulado \u201cLa psicolog\u00eda del an\u00e1lisis de inteligencia\u201d.<\/em><\/p>\n\n\n\n Se ha escrito mucho sobre esta t\u00e9cnica, pero aqu\u00ed \u00fanicamente nos interesa en relaci\u00f3n al tema que hemos tratado, esto es, desde una perspectiva puramente metodol\u00f3gica.<\/p>\n\n\n\n Efectivamente, esta t\u00e9cnica de an\u00e1lisis est\u00e1 enmarcada en un marco probabil\u00edstico bayesiano y trata de estudiar simult\u00e1neamente todas las hip\u00f3tesis posibles y relacionarlas con las evidencias existentes para clasificarlas por orden de probabilidad. Es decir, en esencia, es el desarrollo de la mec\u00e1nica que previamente hemos desarrollado realizando los c\u00e1lculos a mano y sin ayuda del software.<\/p>\n\n\n\n Desde un punto de vista epistemol\u00f3gico, podemos decir que la matriz del ACH trata de metrizar o cuantificar la informaci\u00f3n cualitativa. Desde una perspectiva m\u00e1s cercana a la l\u00f3gica el an\u00e1lisis es una aplicaci\u00f3n de varias clases de inferencia, inferencia abductiva, inferencia inductiva e inferencia de la mejor explicaci\u00f3n, logrando con ello la s\u00edntesis cl\u00e1sica de la investigaci\u00f3n cient\u00edfica.<\/p>\n\n\n\n En la generaci\u00f3n de hip\u00f3tesis se sigue al pie de la letra la primera regla de Pierce que dice que la hip\u00f3tesis debe ser formulada claramente como una pregunta antes que se hagan las observaciones que han de comprobar su verdad. Respecto a las evidencias, Heuer recomienda incluir no s\u00f3lo las evidencias que creamos m\u00e1s claras, sino todo el conjunto de factores relacionados con el objetivo y que podr\u00edan tener impacto a la hora de elaborar la hip\u00f3tesis final. No se debe caer en el error o la tentaci\u00f3n de tomar s\u00f3lo aquellas observaciones que apoyan las hip\u00f3tesis de trabajo.<\/p>\n\n\n\n En el siguiente paso, el an\u00e1lisis adopta la forma de una inferencia inductiva, evaluando las hip\u00f3tesis a la luz de las evidencias. Se aconseja reconsiderar o reformular las hip\u00f3tesis para reflejas todas las alternativas importantes. Puede ser necesario combinar algunas hip\u00f3tesis con otras.<\/p>\n\n\n\n Finalmente se revisa cada hip\u00f3tesis para sacar conclusiones provisionales sobre la probabilidad relativa de cada una. Este estadio final se desarrolla a trav\u00e9s de la inferencia de la mejor explicaci\u00f3n, que nos ayuda a elegir la mejor hip\u00f3tesis de las que tenemos, mediante la ayuda de la probabilidad establecida por el programa para cada hip\u00f3tesis. La inferencia de la mejor explicaci\u00f3n (IME) se ocupa de los criterios de selecci\u00f3n que deben aplicarse para determinar cu\u00e1l es la hip\u00f3tesis correcta. No se afirma que la hip\u00f3tesis escogida sea la verdadera, sino solo que es bastante seguro o probable que lo sea. Podemos afirmar que la justificaci\u00f3n de IME es una justificaci\u00f3n inductiva, aunque debamos distinguir la inferencia inductiva y la IME como dos tipos diferentes de inferencia (Vega y Olmos, 2011: 301-304).<\/p>\n\n\n\n Dado que los eventos son din\u00e1micos y est\u00e1n sujetos a una variedad de influencias, las conclusiones son siempre o casi siempre provisionales. Por tanto, se especifican en el informe aquellos hechos que podr\u00edan causar cambios significativos en la probabilidad de la hip\u00f3tesis aceptada. El informe tambi\u00e9n puede sugerir posibilidades que pueden desarrollarse en el futuro.<\/p>\n\n\n\n Si dejamos a un lado el \u00e1mbito de las alertas tempranas y los indicadores, el an\u00e1lisis bayesiano tambi\u00e9n es utilizado en otras \u00e1reas de la inteligencia estrechamente vinculadas a la predicci\u00f3n o la prospectiva. Una de ellas es el an\u00e1lisis de series temporales, donde se introducen par\u00e1metros bayesianos que condensan la informaci\u00f3n de los expertos para completar la informaci\u00f3n de los datos en los modelos ARMA o ARIMA. Una vez estimado el modelo, \u00e9ste arroja unos resultados en t\u00e9rminos de par\u00e1metros bayesianos \u201ca posteriori\u201d que sirven como nuevos \u201ca priori\u201d en la siguiente ocasi\u00f3n.<\/p>\n\n\n\n Conclusiones<\/strong><\/p>\n\n\n\n El m\u00e9todo bayesiano busca aislar el an\u00e1lisis de las posibles fragilidades de la l\u00f3gica humana agregando las evidencias. Sin embargo, el trabajo en el mundo del an\u00e1lisis de inteligencia est\u00e1 relacionado no s\u00f3lo con la posible inconsistencia diaria entre la conclusi\u00f3n derivada del cuerpo de evidencias tomadas como un todo y la conclusi\u00f3n que l\u00f3gicamente deber\u00eda seguirse de los juicios sobre las evidencias consideradas una por una, sino tambi\u00e9n ante la posibilidad de error a la hora de juzgar las evidencias por separado.<\/p>\n\n\n\n Desde un punto de vista pragm\u00e1tico, en inteligencia se anhela el tipo de evidencia que se explica por s\u00ed misma y a la que la mayor\u00eda de la gente atribuye el mismo valor, porque se supone que, a mayor n\u00famero de ese tipo de evidencias, m\u00e1s f\u00e1cil lo tendr\u00e1 el analista, pues le ayudan a llegar a conclusiones mucho mejor de lo que podr\u00eda hacerlo cualquier otro m\u00e9todo de la l\u00f3gica formal. Respecto a este punto, los bayesianos responden que la inteligencia debe hacerlo lo mejor que pueda con la informaci\u00f3n que tiene en ese momento. En un mundo en el que no dejan de aparecer juicios y suposiciones equivocadas a partir de las evidencias la aproximaci\u00f3n bayesiana no supone la perfecci\u00f3n, pero s\u00ed un camino para mejorar.<\/p>\n\n\n\n Pero a\u00fan cabe mencionar otro logro hist\u00f3rico de la metodolog\u00eda bayesiana y es que el m\u00e9todo bayesiano sali\u00f3 en ayuda del an\u00e1lisis de inteligencia al proporcionarle una herramienta, fundamentada en su aparato l\u00f3gico-matem\u00e1tico, para sustanciar o contradecir las verbalizaciones que aportaban incertidumbre al an\u00e1lisis de inteligencia tradicional, usos verbales que ya hab\u00edan sido criticados por Sherman Kent buscando alg\u00fan tipo de cuantificaci\u00f3n o metrizaci\u00f3n de determinados usos en los informes como era el caso de la diferencia entre probablemente cierto y posiblemente cierto o la diferencia entre improbable y dudoso.<\/p>\n\n\n\n Por otro lado, es importante destacar que el conocimiento y el manejo de este tipo de an\u00e1lisis no s\u00f3lo concierne a los analistas sino, casi obligadamente, tambi\u00e9n a sus superiores directos e indirectos. De lo contrario, como ya hemos apuntado, y debido a que el an\u00e1lisis bayesiano, al utilizar la probabilidad condicional, es muy contraintuitivo, puede suceder que no se entiendan sus resultados y de ese desconocimiento surja la desconfianza hacia los resultados aportados por el mismo.<\/p>\n\n\n\n Pero eso no ser\u00e1 posible hasta que los programas de formaci\u00f3n universitarios y militares para analistas y oficiales de inteligencia de nuestro pa\u00eds incorporen estos conocimientos plenamente, desde el rigor metodol\u00f3gico, sin las desconfianzas y el desconocimiento que han generado en \u00e9pocas anteriores. Y es responsabilidad de los centros formativos, pero tambi\u00e9n de los profesionales, trabajar y tratar de remar en la misma direcci\u00f3n para que en alg\u00fan momento as\u00ed suceda.<\/p>\n\n\n\n Nota sobre el autor:<\/p>\n\n\n\n Juan Pablo Somiedo<\/strong> es analista de inteligencia.<\/em><\/p>\n\n\n\n Referencias bibliogr\u00e1ficas:<\/strong><\/p>\n\n\n\n Bar-Hillel, M. & Falk, R. (1982). Some teasers concerning conditional probabilities. Revista Cognition<\/em>, (11), 109-122. Disponible en: https:\/\/www.clear.rice.edu\/comp280\/10spring\/class\/19\/Teasers.pdf<\/a><\/p>\n\n\n\n Bertsch, S. (2012). La teor\u00eda que nunca muri\u00f3. <\/em>Barcelona: Editorial Cr\u00edtica<\/p>\n\n\n\n Clauser, J. (2008). An introduction to intelligence research and analysis.<\/em> Maryland: Scarecrow professional intelligence education series, n\u00ba 3.<\/p>\n\n\n\n Fisk, C.E. (1967). The sino-soviet border dispute: a comparison of the conventional and bayesian methods for intelligence warning. Disponible en: https:\/\/www.cia.gov\/\u2026for\u2026intelligence\/\u2026\/v16i2a04p_0001.htm<\/a><\/p>\n\n\n\n Heuer, R. (2005). ACH1.1: A Tool for Analyzing Competing Hypotheses Technical Description for Version 1.1. Disponible en: http:\/\/www.pherson.org\/PDFFiles\/ACHTechnicalDescription.pdf<\/p>\n\n\n\n Heuer, R. y Pherson, R. (2015). T\u00e9cnicas Anal\u00edticas Estructuradas para el an\u00e1lisis de inteligencia<\/em>. Madrid: Editorial Plaza y Vald\u00e9s.<\/p>\n\n\n\n Rios, S. y Rios, D. (2002). La arquitectura del conocimiento complejo, el sentido com\u00fan y la probabilidad. Disponible en: http:\/\/www.rac.es\/ficheros\/doc\/00358.pdf<\/a><\/p>\n\n\n\n Somiedo, J.P. (2012). El papel de la epistemolog\u00eda en el an\u00e1lisis de inteligencia. Inteligencia y seguridad: Revista de an\u00e1lisis y prospectiva<\/em>, (12), 241-272.<\/p>\n\n\n\n -(2014a). El an\u00e1lisis de informaci\u00f3n en entornos colaborativos. Trabajo Fin de M\u00e1ster. Universidad Nacional de Educaci\u00f3n a Distancia (UNED). Disponible en: http:\/\/e-spacio.uned.es\/fez\/view\/bibliuned:masterFilosofiaFilosofiaPractica-Jpsomiedo<\/a><\/p>\n\n\n\n -(2014b). Una aproximaci\u00f3n al an\u00e1lisis de riesgos adversarios (ARA) aplicado a la lucha contraterrorista. Instituto Espa\u00f1ol de Estudios Estrat\u00e9gicos<\/em>. Disponible en: http:\/\/www.ieee.es\/Galerias\/fichero\/docs_opinion\/2014\/DIEEEO05-2014_AnalisisdeRiesgos_JuanPabloSomiedo.pdf<\/a><\/p>\n\n\n\n -(2016). Cuestiones epistemol\u00f3gicas vinculadas al an\u00e1lisis de inteligencia, Instituto Universitario de Investigaci\u00f3n sobre Seguridad Interior (IUSI)<\/em>. Disponible en: http:\/\/iuisi.es\/?p=217<\/a><\/p>\n\n\n\n Vega, L. y Olmos, P. (Coord.) (2011). Compendio de L\u00f3gica, Argumentaci\u00f3n y Ret\u00f3rica<\/em>. Madrid: Trotta<\/p>\n\n\n\n VV.AA. (1975). Handbook of Bayesian Analysis for Intelligence.<\/em> Directorate of Intelligence, Central Intelligence Agency. Disponible en: https:\/\/www.cia.gov\/\u2026\/CIA-RDP86B00269R001100080001-0.pdf<\/a><\/p>\n\n\n\n VV.AA. (1968). Bayes\u00b4 Theorem in the Korean War. Directorate of Intelligence, Central Intelligence Agency. Disponible en: https:\/\/www.cia.gov\/library\/readingroom\/\u2026\/DOC_0001205738.pdf<\/a><\/p>\n\n\n\n Zlotnick, J. (1970). Bayes theorem for intelligence analysis. Disponible en: https:\/\/www.cia.gov\/library\/\u2026intelligence\/\u2026\/pdf\/v16i2a03p.pdf<\/a><\/p>\n\n\n\n [1]<\/a> En este sentido, siempre me ha parecido que la obra de Jerome Clauser, An Introduction to Intelligence Research and Analysis<\/em>, supera con mucho al manual de t\u00e9cnicas estructuradas de los Pherson, acerc\u00e1ndose m\u00e1s a las tareas y metodolog\u00edas empleadas por los analistas. Pero aqu\u00e9l fue tomado como referencia y este, siendo mucho m\u00e1s riguroso y aproximado a la realidad del analista de inteligencia e incorporando algunas t\u00e9cnicas cuantitativas, contin\u00faa olvidado en el ba\u00fal de los recuerdos y ni se menciona en la mayor\u00eda de los cursos de formaci\u00f3n para analistas.<\/p>\n\n\n\n [2]<\/a> El modelo de \u201cAdversarial Risk Analysis for Counterterrorism Modeling\u201d (ARA) tuvo su origen en el esfuerzo conjunto de tres profesores mientras participaban en el programa \u201cRisk an\u00e1lisis, extreme events and decisi\u00f3n theory\u201d en el SAMSI (Statistical and Applied Mathematical Sciencies Institute), un proyecto colaborativo de varias universidades de Estados Unidos. Los resultados se plasmaron en un art\u00edculo publicado en el Jasa (Journal of the American Statistical Association). Los autores son David Banks, Jes\u00fas R\u00edos y el profesor espa\u00f1ol David R\u00edos Ins\u00faa. (Somiedo, 2014: 7).<\/p>\n\n\n\n [3]<\/a> El lector interesado en profundizar en el estudio de patrones en inteligencia puede consultar un art\u00edculo escrito por el autor para el Grupo de Estudios en Seguridad Internacional de la Universidad de Granada que lleva por t\u00edtulo Notas t\u00e9cnicas sobre el estudio de patrones en el an\u00e1lisis de inteligencia militar utilizando software libre<\/em> y que est\u00e1 disponible en el siguiente enlace: http:\/\/www.seguridadinternacional.es\/?q=es\/content\/notas-t%C3%A9cnicas-sobre-el-estudio-de-patrones-en-el-an%C3%A1lisis-de-inteligencia-militar<\/a><\/p>\n\n\n\n [4]<\/a> El lector interesado puede profundizar en este aspecto consultando los cap\u00edtulos cuarto (Bayes acude al frente) y noveno (Siempre hay una primera vez) de la obra de la obra de Sharon Bertsch McGrayne citada en el apartado bibliogr\u00e1fico.<\/p>\n\n\n\n [5]<\/a> Sirvan como prueba de lo que escribo el programa del Justice Institute of British Columbia de Canad\u00e1: http:\/\/www.jibc.ca\/sites\/default\/files\/justice_public_safety\/pdf\/JIBCINTL-TACTProgramInformation.pdf<\/a>, el de la California State University Fullerton de EE.UU: http:\/\/extension.fullerton.edu\/ProfessionalDevelopment\/Certificates\/Crime<\/a> o el de la Angelo State University de Texas en EE.UU www.angelo.edu\/courses\/syllabi\/201720\/29302.pdf<\/a><\/p>\n\n\n\n [6]<\/a> En sus investigaciones, Polya puso el \u00e9nfasis en los aspectos cualitativos del razonamiento plausible. Pero, de hecho, como bien apunta el profesor Sixto R\u00edos, es posible modelizar el razonamiento plausible en t\u00e9rminos probabil\u00edsticos mediante las hip\u00f3tesis de Cox, con lo que se consigue ver c\u00f3mo el razonamiento plausible puede considerarse como una extensi\u00f3n del razonamiento l\u00f3gico (R\u00edos, 2002: 114). Adem\u00e1s, el an\u00e1lisis bayesiano nos sirve para actualizar nuestra informaci\u00f3n con la incorporaci\u00f3n de nuevas evidencias.<\/p>\n\n\n\n [7]<\/a> El s\u00edmbolo \u201c\u03b1\u201d significa que equivale no que es igual. Es una notaci\u00f3n muy utilizada en estad\u00edstica bayesiana.<\/p>\n\n\n\n [8]<\/a> El manual puede consultarse en la siguiente direcci\u00f3n:https:\/\/www.cia.gov\/library\/readingroom\/docs\/CIA-RDP86B00269R001100080001-0.pdf<\/a>.<\/p>\n\n\n\n [9]<\/a> En 1906 Francis Galton bautiz\u00f3 el concepto de regresi\u00f3n a la media. Su tesis era que la predicci\u00f3n de un grupo de persona expresada como un todo, mejora la precisi\u00f3n de cualquier experto individual. James Suroweicki se\u00f1ala de nuevo recientemente esta idea en su libro \u201cThe wisdom of crowds\u201d. A nivel estad\u00edstico, lo que ocurre es que, si se agregan apropiadamente la visi\u00f3n de muchas personas, el ruido queda compensado con el ruido, y nos quedamos con la se\u00f1al.<\/strong> Es una teor\u00eda realmente \u00fatil y eficiente, pero que requiere de la heterogeneidad de las fuentes, la toma de decisiones independientes y un buen proceso de agregaci\u00f3n de informaci\u00f3n. (Somiedo, 2014: 29).<\/p>\n\n\n\n![\"\"\/](\"http:\/\/www.ugr.es\/~resi\/analisis-bayesiano-inteligencia1.jpg\")
<\/figure>\n\n\n\n![\"\"\/](\"http:\/\/www.ugr.es\/~resi\/analisis-bayesiano-inteligencia2.jpg\")
<\/figure>\n\n\n\n![\"\"\/](\"http:\/\/www.ugr.es\/~resi\/analisis-bayesiano-inteligencia3.jpg\")
<\/figure>\n\n\n\n![\"\"\/](\"http:\/\/www.ugr.es\/~resi\/analisis-bayesiano-inteligencia4.jpg\")
<\/figure>\n\n\n\n![\"\"\/](\"http:\/\/www.ugr.es\/~resi\/analisis-bayesiano-inteligencia5.jpg\")
<\/figure>\n\n\n\n![\"\"\/](\"http:\/\/www.ugr.es\/~resi\/analisis-bayesiano-inteligencia6.jpg\")
<\/figure>\n\n\n\n![\"\"\/](\"http:\/\/www.ugr.es\/~resi\/analisis-bayesiano-inteligencia7.jpg\")
<\/figure>\n\n\n\n
\n\n\n\n