El modelo Bayesiano del ciclo explicado: por qué mostramos sigma, no una fecha

La mayoría de las apps de seguimiento del ciclo muestran una fecha precisa. "Menstruación: 14 de marzo." Parece un dato. Es una decisión de interfaz que oculta una distribución de probabilidad detrás de un único número. El modelo Bayesiano del ciclo realiza la misma matemática, pero muestra la dispersión.

Este artículo explica cómo funciona realmente la matemática, por qué Soulwise muestra sigma en lugar de fingir certeza, y cómo se ve todo ello en la interfaz cotidiana.

Qué significa "Bayesiano" aquí exactamente

La inferencia Bayesiana combina dos cosas:

• Una distribución previa (prior): tu creencia inicial sobre la duración del ciclo antes de tener datos de esta usuaria concreta.
• Una verosimilitud (likelihood): lo que cada nuevo ciclo registrado te dice.

Multiplícalas, normaliza y obtienes una distribución posterior (posterior): la creencia actualizada. Esa posterior se convierte en la distribución previa para el siguiente ciclo. El modelo gana precisión conforme llegan más ciclos.

Soulwise comienza con una distribución previa gaussiana centrada en mu = 28 días con una desviación estándar de sigma = 5 días. Esa es la forma aproximada de la distribución de la duración del ciclo en la población general. A medida que se registran tus propios ciclos, el modelo desplaza el centro hacia tu media personal y estrecha (o amplía) el sigma según tu propia variabilidad.

La actualización conjugada, en un párrafo

Para una distribución previa gaussiana y una verosimilitud gaussiana, la matemática se simplifica de forma elegante. Si tu distribución previa dice ciclo ~ N(mu_0, sigma_0) y observas los ciclos x_1, x_2, ..., x_n, la 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: cuantos más ciclos registras, menos importa la distribución previa y más dominan tus datos personales. Tras unos 3 ciclos registrados, la distribución previa poblacional contribuye poco; tras unos 10, es solo ruido.

Qué ve la usuaria

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

• Un rango probable. La ventana temporal donde la 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 descripciones en lenguaje natural:
  • "Correlación probable" cuando sigma es estrecho y los datos son recientes.
  • "Señal débil" cuando sigma es amplio o los datos son escasos.
  • "Datos insuficientes" cuando el número de ciclos registrados es inferior al mínimo requerido por el modelo.

Así, en lugar de "Menstruación: 14 de marzo", la usuaria ve "Probablemente 12-16 de marzo, señal débil." Ese es el resultado real del modelo, no un artificio de interfaz.

Por qué no ocultar nada

Tres razones.

Honestidad. Un rastreador de patrones no puede prometer una fecha que no conoce. Mostrar sigma es la única forma de que la usuaria pueda calibrar su confianza en la app.

Seguridad. Una fecha de apariencia certera anima a las personas a planificar en torno a ella cosas que la app no puede sustentar, incluyendo concepción, anticoncepción y decisiones clínicas. Una etiqueta de confianza dice "esto es una estimación", que es lo que es.

Robustez ante ciclos irregulares. El SOP (síndrome de ovario poliquístico), la perimenopausia, los ciclos postpíldora y la terapia hormonal amplían todos el sigma. Un rastreador tradicional o falla notablemente o abandona silenciosamente a la usuaria. Un rastreador Bayesiano simplemente etiqueta la estimación como "señal débil" y sigue funcionando.

Lo que el modelo no es

Algunos límites precisos, escritos para que no puedan difuminarse con el tiempo:

• No estima eventos específicos del ciclo más allá del rango de fecha de la próxima menstruación.
• No proporciona una ventana de planificación familiar.
• No está diseñado para casos de uso relacionados con la concepción o la anticoncepción.
• No está clínicamente validado y no reemplaza el asesoramiento clínico ante menstruaciones ausentes, sangrado irregular o síntomas persistentes.

Estos límites no son el modelo siendo conservador. Son el modelo con su alcance correctamente definido. La estimación del ciclo y la estimación de la fertilidad son problemas diferentes, con necesidades de datos diferentes y exigencias regulatorias diferentes.

Donde la matemática encuentra el ritual diario

En Soulwise, el resultado Bayesiano alimenta el contexto de la fase del ciclo que se usa en el check-in diario. El ritual de 20 segundos pregunta cómo te sientes; la respuesta usa la fase del ciclo como uno de los cinco factores de entrada. Cuando sigma es amplio, la tarjeta de respuesta pondera menos la fase del ciclo. Cuando sigma es estrecho, la pondera más. La matemática se gana su lugar siendo honesta sobre cuánta certeza tiene.

La versión corta: un rastreador Bayesiano real muestra sigma. Si tu app muestra una única fecha certera, el modelo subyacente puede ser idéntico, pero la presentación oculta lo que realmente sabe.