El modelado bayesiano de ciclos, explicado: por qué mostramos sigma y no una fecha

La mayoría de las apps de ciclos te muestra una fecha con total seguridad. "Periodo: 14 de marzo". Parece un dato. En realidad es una decisión de UX que esconde una distribución de probabilidad detrás de un solo número. El modelado bayesiano de ciclos hace los mismos cálculos, pero te muestra el rango de variación.

Este artículo explica cómo funcionan realmente las matemáticas, por qué Soulwise muestra sigma en lugar de fingir certeza y cómo se ve eso en la interfaz del día a día.

Qué recordar

• El modelado bayesiano de ciclos parte de una distribución previa gaussiana que describe la duración típica del ciclo menstrual (Soulwise usa mu=28, sigma=5) y actualiza esa distribución previa con cada nuevo ciclo registrado mediante una actualización conjugada.
• El resultado es una distribución de probabilidad, no una sola fecha.
• Soulwise lo muestra como un rango probable más una de tres etiquetas de confianza: "Correlación probable", "Señal débil" o "Datos insuficientes". El valor sigma se le muestra al usuario, no se oculta.
• El modelo sirve para identificar patrones, no para la planificación familiar ni como método anticonceptivo.

Qué significa realmente "bayesiano" aquí

La inferencia bayesiana combina dos cosas:

• Un prior: tu creencia inicial sobre la duración del ciclo antes de tener datos de este usuario en particular.
• Una verosimilitud: lo que te dice cada ciclo recién registrado.

Multiplícalos, normaliza y obtienes un posterior: tu creencia actualizada. Ese posterior se convierte en el prior del siguiente ciclo. El modelo se vuelve más preciso a medida que llegan más ciclos.

Soulwise comienza con un prior gaussiano centrado en mu = 28 días con una desviación estándar de sigma = 5 días. Esa es la forma aproximada de la duración del ciclo en la población más amplia. A medida que se registran tus propios ciclos, el modelo desplaza el centro hacia tu media personal y ajusta (o amplía) la sigma según tu variabilidad.

La actualización conjugada, en un párrafo

Para una distribución previa gaussiana y una verosimilitud gaussiana, las matemáticas se simplifican muy bien. Si tu distribución previa dice cycle ~ N(mu_0, sigma_0) y observas ciclos x_1, x_2, ..., x_n, la distribución posterior también es gaussiana:

posterior_mean = (mu_0 / sigma_0^2 + sum(x_i) / sigma_observed^2) / (1 / sigma_0^2 + n / sigma_observed^2)
posterior_sigma = sqrt(1 / (1 / sigma_0^2 + n / sigma_observed^2))

Traducción: mientras más ciclos registres, menos importa la distribución previa y más dominan tus datos personales. Después de ~3 ciclos registrados, la distribución previa poblacional aporta poco; después de ~10, es ruido.

Lo que ve el usuario

La distribución posterior es una curva. La interfaz no puede mostrar una curva en una notificación. Por eso Soulwise la comprime en dos cosas:

• Un rango probable. La ventana donde la distribución posterior concentra la mayor parte de su masa (por ejemplo, el intervalo central del 68%, aproximadamente +/- 1 sigma).
• Una etiqueta de confianza. Una de tres etiquetas en lenguaje claro:
  • "Correlación probable" cuando sigma es estrecha y los datos son recientes.
  • "Señal débil" cuando sigma es amplia o los datos son escasos.
  • "Datos insuficientes" cuando hay menos ciclos registrados que el mínimo del modelo.

Así, en lugar de "Periodo: 14, de marzo", el usuario ve "Probable 12-16, de marzo, señal débil". Ese es el resultado real del modelo, no un adorno de la experiencia de usuario.

Por qué no ocultamos nada

Tres razones.

Honestidad. Un rastreador de patrones no puede prometer una fecha que no conoce. Mostrar el sigma es la única forma en que el usuario puede calibrar la confianza.

Seguridad. Una fecha que se ve segura anima a las personas a planificar en torno a ella para cosas que la app no puede respaldar, como la concepción, la anticoncepción y las decisiones clínicas. Una etiqueta de confianza dice "esto es una estimación", que es justo lo que es.

Solidez frente a ciclos irregulares. El síndrome de ovario poliquístico, la perimenopausia, los ciclos posteriores a la píldora y la terapia hormonal amplían el sigma. Un rastreador tradicional o falla feo o deja de lado al usuario sin avisar. Un rastreador bayesiano simplemente etiqueta la estimación como "señal débil" y sigue funcionando.

Lo que el modelo no es

Algunos límites estrictos, escritos para que no se desdibujen:

• No estima eventos específicos del ciclo más allá del próximo rango de fechas del periodo.
• No genera una ventana de planificación familiar.
• No está diseñado para casos de uso de concepción o anticoncepción.
• No está clínicamente validado y no reemplaza el consejo médico ante periodos ausentes, sangrado irregular o síntomas persistentes.

Estos límites no significan que el modelo sea conservador. Significan que tiene un alcance correctamente definido. Estimar el periodo y estimar la planificación familiar son problemas distintos, con necesidades de datos distintas y exigencias regulatorias distintas.

Donde las matemáticas se encuentran con el ritual diario

En Soulwise, el resultado bayesiano alimenta el contexto de fase del ciclo que se usa en el registro diario. El ritual de 20 segundos te pregunta cómo te sientes; la respuesta usa la fase del ciclo como uno de cinco datos de entrada. Cuando sigma es amplio, la tarjeta de respuesta le da menos peso a la fase del ciclo. Cuando sigma es estrecho, le da más peso. Las matemáticas se ganan su lugar al ser honestas sobre qué tan seguras están.

La versión corta: un verdadero rastreador bayesiano muestra sigma. Si tu app te muestra una sola fecha con seguridad, el modelo detrás puede ser el mismo, pero la forma de presentarlo esconde lo que en realidad sabe.

Preguntas frecuentes

¿Por qué usar un modelo bayesiano en lugar de un promedio simple?

Un promedio simple ignora qué tan confiable es la estimación. Dos usuarias con el mismo promedio de 28 días pueden tener una variabilidad de ciclo muy distinta. Los modelos bayesianos siguen la dispersión de tus datos, no solo el punto medio, así que el rango estimado se amplía para los ciclos irregulares y se ajusta para los regulares.

¿Qué significa la sigma en la práctica?

La sigma es la desviación estándar de la distribución de la duración del ciclo. Una sigma pequeña (menos de 2 días) significa que tus ciclos están muy agrupados; un rango probable abarca unos pocos días. Una sigma grande (5+ días) significa que los ciclos se extienden a lo largo de una semana o más, y la app debería decirlo.

¿Por qué no dar simplemente una sola fecha estimada?

Porque el modelo en realidad no la conoce. Una sola fecha es una decisión de experiencia de usuario que oculta la incertidumbre. Mostrar el rango es más honesto y coincide con cómo funcionan realmente los cálculos.

¿Esto estima eventos específicos del ciclo?

No. El modelado bayesiano del ciclo estima cuándo es probable que ocurra el próximo periodo. No es una herramienta de planificación familiar, ni una herramienta anticonceptiva, ni un sustituto de métodos validados clínicamente.