Frecuentista, bayesiana y machine learning: ¿cuál usar?
Comparación rápida de los tres paradigmas para aprender de los datos: pregunta central, vista de la probabilidad, rol del conocimiento previo, y cuándo usar cada uno.
Tres formas distintas de aprender de los datos, lado a lado
| Aspecto | Frecuentista | Bayesiana | Machine learning |
|---|---|---|---|
| Pregunta central | ¿Son los datos compatibles con una hipótesis y qué nos dicen sobre la población? | ¿Qué tan probable es una hipótesis, dados los datos? | ¿Qué tan bien predice el modelo datos nuevos? |
| Vista de la probabilidad | Frecuencia a largo plazo en repeticiones | Grado de creencia, actualizable con datos | Generalmente no es el foco central |
| Rol del conocimiento previo | No se incorpora formalmente | Se incorpora explícitamente (prior) | Se incorpora indirectamente (elección de variables, arquitectura, ingeniería de características, regularización) |
| Resultado típico | Valor de p, intervalo de confianza | Distribución posterior, intervalo de credibilidad | Predicciones, probabilidades estimadas o métricas de desempeño |
| Tamaño de muestra | Depende del método y sus supuestos; muchos procedimientos funcionan mejor con muestras moderadas o grandes | Puede beneficiarse de información previa cuando los datos son limitados | Los modelos más complejos suelen beneficiarse de grandes cantidades de datos |
| Interpretabilidad | Alta — parámetros con significado claro | Alta — con la lectura correcta del posterior | Variable: desde alta (árboles simples) hasta muy baja (redes profundas) |
| Cuándo usarlo | Inferir sobre parámetros o evaluar hipótesis mediante procedimientos estandarizados | Cuantificar incertidumbre directamente o incorporar conocimiento previo | Predecir o clasificar con muchos datos, sin necesidad de explicar el mecanismo |
Estos enfoques no son mutuamente excluyentes: existen métodos que combinan ideas de los tres (ej. machine learning bayesiano, regularización con lectura frecuentista). La tabla resume el caso típico, no una frontera rígida.
EN RESUMEN
No hay un enfoque “correcto” en abstracto. La elección depende de la pregunta que querés responder (inferir, cuantificar incertidumbre o predecir), de si contás con conocimiento previo confiable para incorporar, y del tamaño y tipo de tus datos.
Manuel Spínola · ICOMVIS-UNA
Cómo citar
BibTeX
@online{spínola2026,
author = {Spínola, Manuel},
title = {Frecuentista, bayesiana y machine learning: ¿cuál usar?},
date = {2026-07-28},
url = {https://mspinola-infografias.netlify.app/infografias/estadistica/paradigmas/comparativa_frecuentista_bayesiana_ml.html},
langid = {es}
}
Por favor, cita este trabajo como:
Spínola, Manuel. 2026. “Frecuentista, bayesiana y machine
learning: ¿cuál usar?” July 28. https://mspinola-infografias.netlify.app/infografias/estadistica/paradigmas/comparativa_frecuentista_bayesiana_ml.html.