cap\u00edtulo<\/a>, seg\u00fan este razonamiento, la gallina que recibe comida todos los d\u00edas por parte del granjero acaba esperando que la rutina contin\u00fae indefinidamente, y asocia la presencia del granjero con alimento. Sin embargo, su visi\u00f3n inductiva del mundo no contempla que un d\u00eda cualquiera esa misma presencia traer\u00e1 consigo la muerte, una conclusi\u00f3n completamente inesperada dentro del marco de sus experiencias previas.<\/p>\n\n\n\nEn este contexto, la probabilidad, una disciplina que encuentra su hogar entre la matem\u00e1tica y la estad\u00edstica surge como una herramienta fundamental para evaluar la incertidumbre y tratar de cuantificar el riesgo en escenarios donde la inducci\u00f3n, por s\u00ed sola, no puede garantizar certeza.<\/strong> Pese a tambi\u00e9n depender de patrones pasados, permite modelar escenarios futuros con distintos grados de confianza. A trav\u00e9s de su estudio, la humanidad ha desarrollado conceptos muy importantes y \u00fatiles que ayudan a medir la frecuencia esperada de ciertos eventos, salvando muchas vidas por el camino y ayudando al progreso.<\/p>\n\n\n\nPese a que su estructura matem\u00e1tica proporciona una base m\u00e1s s\u00f3lida para tomar decisiones en un mundo incierto, <\/strong>la probabilidad tampoco es infalible ante \u00abcisnes negros\u00bb. Porque \u00bfqu\u00e9 probabilidad puede tener algo que nunca se ha observado?<\/p>\n\n\n\nMidiendo lo incierto:<\/h2>\n\n\n\n Dec\u00eda Russel que la fuerza de las certezas aumenta en funci\u00f3n de la repetici\u00f3n de casos observados, y he aqu\u00ed el primer problema: \u00bfqui\u00e9n define cuales son los distintos casos posibles? Parece que las teor\u00edas y la experiencia previa son responsables, y aqu\u00ed empieza a oler a m\u00e1s problemas.<\/p>\n\n\n\n
En probabilidad se define el concepto de espacio muestral como el conjunto de todos los resultados posibles de un experimento o fen\u00f3meno aleatorio<\/strong>. Por ejemplo, al lanzar un dado de seis caras, el espacio muestral est\u00e1 compuesto por los n\u00fameros {1,2,3,4,5,6}. La probabilidad de cada evento individual dentro de este espacio puede variar seg\u00fan las condiciones y la informaci\u00f3n disponible, lo que conecta directamente con nuestro fil\u00f3sofo de d\u00eda: cuantas m\u00e1s veces observemos un evento dentro del espacio muestral, m\u00e1s fuertes ser\u00e1n nuestras conclusiones probabil\u00edsticas, aunque nunca podamos alcanzar una certeza absoluta.<\/p>\n\n\n\nEl espacio muestral puede estar incompleto<\/strong>, como por ejemplo en el lanzamiento de una moneda cuyo espacio muestral muchos definir\u00edan como {cara, cruz}, pero \u00bfes realmente imposible que caiga de canto? Es algo ciertamente improbable, pero si se lanzase sobre un terreno embarrado, d\u00f3nde la moneda puede quedarse clavada, quiz\u00e1s se pudiese observar por primera vez tal evento \u00abimposible\u00bb. Aqu\u00ed se corre el riesgo de pensar que lo que se ve es todo lo que hay, que dir\u00edan Daniel Kahneman y Amos Tversky, pero no suele ser una premisa v\u00e1lida para explicar c\u00f3mo funciona la realidad.<\/p>\n\n\n\nPara intentar que el espacio muestral cubra el m\u00e1ximo n\u00famero de opciones y las conclusiones sean lo m\u00e1s representativas posibles, es crucial considerar el tama\u00f1o muestral<\/strong> en los an\u00e1lisis, algo que tambi\u00e9n le recomendar\u00eda el propio Kahneman (para que vea que aqu\u00ed no solo se habla de fil\u00f3sofos). Este concepto determina cu\u00e1ntos casos se deben observar o experimentar para garantizar que las inferencias sean confiables. Por ejemplo, si solo se observa un lanzamiento de un dado y sale un \u00ab6\u00bb, se podr\u00eda caer en la falsa conclusi\u00f3n de que \u201c6\u201d es el \u00fanico resultado posible. S\u00f3lo al ampliar el tama\u00f1o muestral hasta realizar lanzamientos infinitos se podr\u00eda deducir que todos los n\u00fameros del 1 al 6 son igualmente probables en un dado perfecto. En la pr\u00e1ctica, con un tama\u00f1o lo suficientemente grande se confirmar\u00eda esa tendencia, pese a no conseguir un resultado perfecto.<\/p>\n\n\n\nCalcular el tama\u00f1o muestral m\u00ednimo necesario es, por tanto, una tarea clave para unir la teor\u00eda y la pr\u00e1ctica. No se preocupe que esto no es se va a convertir en una clase llena de c\u00e1lculos (a\u00fan). Obviando las f\u00f3rmulas matem\u00e1ticas, es importante mencionar que los siguientes factores afectan a la hora de calcular el tama\u00f1o de la muestra.<\/p>\n\n\n\n
\nVariabilidad de la poblaci\u00f3n<\/strong>: Cuanto m\u00e1s variabilidad, mayor tama\u00f1o de muestra ser\u00e1 necesario para que la aparici\u00f3n de casos menos probables se ajuste. En el ejemplo del dado todos los casos son igualmente probables, por lo que un tama\u00f1o comedido de la muestra puede arrojar resultados cercanos a la realidad. Por el contrario, la mayor variabilidad natural entre individuos hace que se den resultados poco significativos cuando se mide el desempe\u00f1o acad\u00e9mico en escuelas de pocos alumnos, sobrerrepresentando los casos extremos.Nivel de confianza<\/strong>: Cuanta m\u00e1s confianza se exija, mayor tama\u00f1o ser\u00e1 necesario. Intuitivamente, la muestra tendr\u00e1 que ser m\u00e1s grande para obtener un nivel de certeza del 99% que del 95%.Margen de error<\/strong>: Inversamente proporcional a la precisi\u00f3n exigida, es decir, cu\u00e1nto se permite a los resultados que se alejen de la realidad. Cuanto menor margen de error, mayor ser\u00e1 la muestra requerida.Tama\u00f1o de la poblaci\u00f3n<\/strong>: La poblaci\u00f3n, o grupo de inter\u00e9s del que se extrae la muestra, se refiere al total de individuos, eventos o elementos que comparten la caracter\u00edstica espec\u00edfica que se desea medir. En el caso de la tirada de dados podr\u00eda tratarse de los cientos de dados de un determinado casino. En el ejemplo de las escuelas, la poblaci\u00f3n podr\u00eda ser el conjunto de los estudiantes de un pa\u00eds, y el tama\u00f1o medirse en millones. Cuanto m\u00e1s grande sea el tama\u00f1o, mayor ser\u00e1 la muestra necesaria.<\/li>\n<\/ul>\n\n\n\nEs bastante com\u00fan encontrar literatura acad\u00e9mica reconociendo que un tama\u00f1o de muestra insuficiente ha invalidado la credibilidad de ciertos experimentos. No se trata de una cuesti\u00f3n de vaguer\u00eda de los investigadores, en muchos casos el tama\u00f1o de la muestra necesario puede hacer que un experimento sea imposible de realizar y haya que sacrificar alguno de los factores mencionados.<\/p>\n\n\n\n
Fuera del mundo acad\u00e9mico le resultar\u00e1 familiar el caso de los sondeos previos a las elecciones democr\u00e1ticas. Como referencia, en Espa\u00f1a el famoso CIS (Centro de Investigaciones Sociol\u00f3gicas) suele entrevistar a 4000 personas en edad de votar, cifra calculada a partir de un nivel de confianza de 95.5% y un margen de error del 1,6% para el conjunto de la muestra. Nunca he visto al CIS predecir que habr\u00eda sobres con lonchas de chorizo en su interior, pero para alegr\u00eda de los noticiarios suele haber alguna cada a\u00f1o, por lo que parece que el espacio muestral no coincide con la realidad en su totalidad.<\/p>\n\n\n\n
Tambi\u00e9n habr\u00e1 alg\u00fan que otro ejemplo en el que el CIS no haya acertado demasiado midiendo la intenci\u00f3n de voto. Tampoco parece un trabajo sencillo por m\u00faltiples motivos. En primer lugar podemos echar mano al concepto de reactividad psicol\u00f3gica<\/strong> \u00a0\u2014fen\u00f3meno por el cual los individuos alteran su comportamiento o conducta cuando sospechan que est\u00e1n siendo observados\u2014. Adem\u00e1s se rompe el principio b\u00e1sico del secreto del voto, por lo que la pregunta no se ajusta a la acci\u00f3n en su totalidad, la encuesta no se hace el mismo d\u00eda que la votaci\u00f3n, no se conocen los incentivos de los entrevistados, y la variabilidad de las opciones es elevada debido a las circunscripciones. De hecho se observa que el error por comunidad es mucho m\u00e1s alto que el te\u00f3rico utilizado para calcular el tama\u00f1o.<\/p>\n\n\n\nPodr\u00eda uno llegar a pensar que hasta un mono lanzando dardos acertar\u00eda m\u00e1s veces. Aunque el ejemplo es robado del mundo de la inversi\u00f3n (al que acabaremos llegando), hay un \u00faltimo concepto pendiente antes de saltar a nuestra parcelita: \u00bfQu\u00e9 hay de realidad en tal afirmaci\u00f3n?<\/p>\n\n\n\n
La tasa base: cuando todo lo dem\u00e1s no aporta<\/h2>\n\n\n\n La tasa base tiene mucho que ver con la afirmaci\u00f3n de los monos. Para explicar el concepto partamos del siguiente ejemplo: \u201cpuede llover\u201d. Esta afirmaci\u00f3n es bastante vaga y, sin m\u00e1s informaci\u00f3n, s\u00f3lo se podr\u00eda suponer que la probabilidad de lluvia es de un 50%, una estimaci\u00f3n basada puramente en la incertidumbre. La tasa base<\/strong> (o prevalencia base) se refiere a la probabilidad inicial de un evento antes de considerar cualquier informaci\u00f3n adicional. En el ejemplo: 0.5 (50%). Sin embargo, este n\u00famero puede cambiar a medida que se obtienen m\u00e1s datos.<\/p>\n\n\n\nPrimer ajuste: Contexto geogr\u00e1fico<\/strong><\/p>\n\n\n\nSi quienes participan en la conversaci\u00f3n est\u00e1n en Sevilla en pleno agosto, intuir\u00edan que pueden ajustar su tasa base hacia abajo. La nueva tasa base se calibrar\u00e1, partiendo de la primera, en funci\u00f3n a la evidencia hist\u00f3rica relevante <\/strong>que dice que la lluvia en esa regi\u00f3n y \u00e9poca del a\u00f1o es extremadamente rara. Esto estrecha la creencia inicial hacia una probabilidad mucho menor, quiz\u00e1s cercana al 1%, que ser\u00e1 el siguiente punto de partida.<\/p>\n\n\n\nSegundo ajuste: Un dato nuevo<\/strong><\/p>\n\n\n\nEl servicio meteorol\u00f3gico andaluz informa de la existencia de un frente de baja presi\u00f3n que podr\u00eda traer lluvias a la regi\u00f3n. Este nuevo dato es una evidencia que debe combinarse con la tasa base anterior para calcular la nueva referencia. Imagine que seg\u00fan los meteor\u00f3logos, cuando llueve hay un 50% de probabilidad de que se den estos frentes. Esto no quiere decir que la nueva tasa base sea del 50%, sino que ser\u00e1 el resultado de ajustar el 1% original con esta nueva informaci\u00f3n. Aqu\u00ed entra en juego el teorema de Bayes, <\/strong>y en este caso s\u00ed es conveniente navegar un ejemplo pr\u00e1ctico para ver por qu\u00e9, dado que el ser humano es bastante malo trabajando con estad\u00edsticas y probabilidades.<\/p>\n\n\n\nEl teorema de Bayes define la siguiente f\u00f3rmula para calcular la probabilidad actualizada de A (la lluvia del ejemplo) dado que B (frente de baja presi\u00f3n):<\/p>\n\n\n
\n
Donde:<\/p>\n\n\n\n
\nP(A) es la probabilidad inicial (la tasa base<\/strong>) de que ocurra el evento A, como la probabilidad de lluvia en Sevilla en agosto (muy baja). Para el ejemplo 0.01 (1%).<\/li>\n\n\n\nP(B|A) es la probabilidad de observar la nueva evidencia B (frente de baja presi\u00f3n) dado que<\/strong> A es cierto (si llueve). Para el ejemplo pondr\u00e9 que van de la mano la mitad de las veces: 0.5 (50%).<\/li>\n\n\n\nP(B) es la probabilidad total de observar B, independientemente de si A ocurre o no (frente de baja presi\u00f3n llueva o no, tambi\u00e9n improbable en Sevilla en agosto). Para el ejemplo 0.02 (2%).<\/li>\n\n\n\n P(A|B) es la probabilidad actualizada de A (lluvia) dado que<\/strong> se ha observado B (frente de baja presi\u00f3n). Se denomina \u201cprobabilidad posterior\u201d. Haciendo los n\u00fameros, la nueva tasa base es de 25%.<\/strong><\/li>\n<\/ul>\n\n\n\nPuede pararse y hacer los c\u00e1lculos a mano para ver d\u00f3nde se ha ido el otro 25% que nos separa del n\u00famero que intuitivamente esperar\u00edamos encontrar.<\/p>\n\n\n\n
S\u00f3lo encontrar\u00eda un 50% si la probabilidad (tasa base) de frentes fuese exactamente la misma que la de lluvia, pero no es raro pensar que habr\u00e1 ocasiones en las que haya frentes y no llueva (viento, nubes, etc.), y viceversa, llueva aunque no haya frentes. Tambi\u00e9n podr\u00edamos obtener un 50% si la \u00fanica causa de lluvia fuesen los frentes (P(B|A) ser\u00eda 100%), pero aun as\u00ed depender\u00eda de la relaci\u00f3n entre frecuencias de cada evento.<\/p>\n\n\n\n
Es posible que el ejemplo le haya creado cierto desconcierto si no est\u00e1 familiarizado con el tema (o si es meteor\u00f3logo y he dicho alguna barbaridad, ante la cual pido disculpas). La psicolog\u00eda cognitiva explica que nuestro cerebro no est\u00e1 feliz cuando algo resulta complejo de procesar. Para aliviar esa sensaci\u00f3n de esfuerzo puede tomar alg\u00fan dulce o seguir leyendo, porque le ofrezco un ejemplo m\u00e1s intuitivo (y alegre para paliar el desasosiego cerebral).<\/p>\n\n\n\n
Tercer ajuste: Ropa mojada<\/strong><\/p>\n\n\n\nPor la tarde, la misma persona se asoma por la ventana y ve que la ropa tendida est\u00e1 moj\u00e1ndose, este es otro dato adicional que eleva a\u00fan m\u00e1s la probabilidad de lluvia, sobre todo si suponemos que vive en una casa, lo que limita la opci\u00f3n de tener vecinos bromistas por arriba. Quiz\u00e1s, tras cotejar mentalmente esta nueva evidencia con la evidencia hist\u00f3rica de escenarios similares, la probabilidad haya subido hasta un 100%. Pero \u00bfQu\u00e9 pasa con la tasa base?<\/p>\n\n\n\n
\nP(A) es la probabilidad inicial de lluvia en Sevilla en agosto, y no ha cambiado. Para el ejemplo 0.01 (1%).<\/li>\n\n\n\n P(B|A) es la probabilidad de observar la nueva evidencia B (ropa moj\u00e1ndose) dado que<\/strong> A es cierto (si llueve, para el ejemplo es la \u00fanica opci\u00f3n). Para el ejemplo 1 (100%).<\/li>\n\n\n\nP(B) es la probabilidad total de observar B, independientemente de si A ocurre o no (ropa moj\u00e1ndose, s\u00f3lo posible si llueve, as\u00ed que la probabilidad es id\u00e9ntica<\/strong>). Para el ejemplo 0.01 (1%).<\/li>\n\n\n\nP(A|B) es la probabilidad actualizada de A (lluvia) dado que<\/strong> se ha observado B (ropa moj\u00e1ndose). Haciendo los n\u00fameros, la nueva tasa base es de 100%.<\/strong><\/li>\n<\/ul>\n\n\n\n\u00bfPor qu\u00e9 ahora s\u00ed? Porque B s\u00f3lo puede darse si A<\/strong>. No hay otra opci\u00f3n (para nuestro espacio muestral) de que la ropa est\u00e9 moj\u00e1ndose si no llueve, esto iguala la probabilidad de ambos eventos, algo que no pasaba en el anterior ejemplo. Aqu\u00ed tenemos la tan manida causalidad (basada en la experiencia), no mera correlaci\u00f3n.<\/p>\n\n\n\nEstos ejemplos ilustran c\u00f3mo las nuevas evidencias van modificando la probabilidad inicial pero sin ignorarla<\/strong>. Combinar lo que ya sabemos con lo que estamos observando es crucial para evitar errores como sobrevalorar o ignorar determinados escenarios en la interpretaci\u00f3n de eventos.<\/p>\n\n\n\nPara cerrar el bloque, es importante mencionar que el teorema de Bayes es una herramienta muy \u00fatil para el c\u00e1lculo de probabilidades posteriores pero su extensi\u00f3n a teorema de rango como podr\u00eda ser la l\u00f3gica deductiva es muy problem\u00e1tica.<\/p>\n\n\n\n
Invirtiendo: \u00bfY ahora qu\u00e9?<\/h2>\n\n\n\n Una de las cr\u00edticas al teorema de Bayes es que, si se es completamente objetivo, la probabilidad previa de cada evento es cero. Al haber infinito n\u00famero de posibilidades, el c\u00e1lculo de cada una no puede ser otro que cero. Por ello muchos bayesanos han abogado por el concepto de confianza subjetiva para poder justificar c\u00e1lculos que intenten explicar la realidad. En la inversi\u00f3n la confianza subjetiva puede ser un obst\u00e1culo may\u00fasculo, en especial para el peque\u00f1o inversor \u00bfQu\u00e9 confianza puede tener en no perder dinero?<\/p>\n\n\n\n
Si no partimos de una probabilidad 0 (recomendable para no coquetear con el nihilismo), la experiencia previa dice que el peque\u00f1o inversor no lo tiene dif\u00edcil si sigue ciertas buenas pr\u00e1cticas. Por otro lado, el an\u00e1lisis de las limitaciones inherentes al enfoque probabil\u00edstico dice que el peque\u00f1o inversor tampoco lo tiene f\u00e1cil, y esa ser\u00e1 seguramente la \u00fanica conclusi\u00f3n que pueda extraer. Puede que el t\u00e9rmino conclusi\u00f3n no pasase una revisi\u00f3n m\u00ednimamente cr\u00edtica al tratarse m\u00e1s bien de una obviedad, pero en ella reside una lecci\u00f3n fundamental: la probabilidad es una gu\u00eda, no una garant\u00eda<\/strong>. Aunque puede iluminar ciertos caminos, no elimina la incertidumbre ni asegura el \u00e9xito. El peque\u00f1o inversor debe navegar entre la confianza que brindan los n\u00fameros y la humildad de reconocer que siempre puede haber factores impredecibles que escapan a cualquier modelo probabil\u00edstico. Y s\u00ed, hacer caso al viejo adagio de \u00abcorrelaci\u00f3n no indica causalidad\u00bb.<\/p>\n\n\n\nCuando se dice que la renta variable a largo plazo devuelve un resultado positivo X, uno puede pensar en que la Primera Guerra Mundial fue para muchos, durante los primeros meses de conflicto, \u00abla guerra que acabar\u00eda con todas las guerras\u00bb. Quiz\u00e1s hasta tuviese cierto sentido probabil\u00edsticamente, como muchas otras cosas que acabaron no siendo ciertas. Otras, en cambio, eran incluso probabil\u00edsticamente imposibles, como que un activo digital sin garant\u00eda de ning\u00fan tipo hiciese millonarias a no pocas personas. Dependiendo de qu\u00e9 nos pregunten se podr\u00eda decir que hasta cierto punto todo depende de la experiencia, pero en algunos casos se podr\u00eda decir que nada depender\u00e1 de la experiencia previa, sino de la imposibilidad de conocer el futuro. \u00bfEntonces qu\u00e9 puede hacer uno para que la inflaci\u00f3n no le coma los ahorros?<\/p>\n\n\n\n
Puede asignar confianza a lo que dicen los estudios, y buscar flaquezas en tal asignaci\u00f3n, aqu\u00ed se le han presentado algunas herramientas. El espacio muestral es una de ellas, a la hora de definir en qu\u00e9 proceso se tiene m\u00e1s confianza, lo recomendable es al menos considerar un espacio lo suficientemente variado \u00bfHay vida m\u00e1s all\u00e1 de las carteras populares del momento? Si la probabilidad de que indexarse sea la mejor opci\u00f3n es alta puede preguntarse \u00bfCu\u00e1l es la probabilidad de que yo soporte la volatilidad? No olvide fijarse en el espacio muestral de su comportamiento, de poco sirve elegir al \u00abcaballo ganador\u00bb si no llega a meta montado, puede observarlo si se acerca al hip\u00f3dromo, en ese caso ganar\u00e1 el siguiente que llegue a meta a lomos de su corcel, por lento que este sea.<\/p>\n\n\n\n
Tambi\u00e9n puede recordar el tama\u00f1o muestral, esto puede que no le haga ser el m\u00e1s popular de las redes sociales, donde se prodiga reducir el tama\u00f1o de la muestra lo m\u00e1ximo posible para que confirme un relato sesgado. \u00abTal fondo ha sido el mejor de los \u00faltimos a\u00f1os\u00bb \u00bfY cu\u00e1ntos a\u00f1os son esos? \u00bfQu\u00e9 pas\u00f3 los otros a\u00f1os? Son preguntas que incomodar\u00e1n a algunos, pero ayudan a asignar probabilidades.<\/p>\n\n\n\n
Adem\u00e1s es posible aplicar ambos conceptos al tiempo de una vida. Si uno escucha a los mayores es probable que oiga con asiduidad \u201csi hubieras vivido lo que yo\u2026\u201d. Hay gente que ha encontrado tr\u00e9boles de cuatro hojas, visto monedas aterrizar de canto y torres m\u00e1s altas caer, es importante prestar atenci\u00f3n a sus vivencias, pues mejoran el c\u00e1lculo de probabilidades ante lo que se podr\u00eda definir s\u00f3lo en base a la experiencia propia. Muchas ramas de la ciencia se fundamentan en ello. Esa conclusi\u00f3n tambi\u00e9n es obvia, pero no por ello deja de ser un buen consejo.<\/p>\n\n\n\n
Si es de aquellos que se atrever\u00edan a reservar con much\u00edsima antelaci\u00f3n una noche de hotel para el 28 de julio de 2061, lejos de las luces urbanas, con el prop\u00f3sito de presenciar la pr\u00f3xima aparici\u00f3n del cometa Halley, usted conf\u00eda en las probabilidades calculadas en base a la experiencia de otros y tiene medio camino hecho. El otro medio es exigir un grado de confianza similar a las predicciones que puedan hacerse en campos no tan cient\u00edficos, como la bolsa o conocerse a uno mismo.<\/p>\n\n\n\n
PS: El primer avistamiento del cometa Halley documentado data del a\u00f1o 240 a.c., no quiero decir con ello que tenga que exigir unos 2200 a\u00f1os m\u00e1s de recorrido a la renta variable para poder invertir.<\/p>\n","protected":false},"excerpt":{"rendered":"
Algo tienen las aves de corral para haberse convertido en parte imprescindible del recetario filos\u00f3fico. Aunque el tema de hoy no es el manido \u201c\u00bfqu\u00e9 fue antes, el huevo o la gallina?\u201d Si no lo que influenci\u00f3 a Nassin Nicholas Taleb para convertir el ejemplo del pavo antes de Acci\u00f3n de Gracias en un elemento m\u00e1s de la cultura popular: La gallina de Russell. Bertrand… <\/p>\n
Leer m\u00e1s<\/a><\/p>\n","protected":false},"author":29,"featured_media":107,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"publish_to_discourse":"","publish_post_category":"25","wpdc_auto_publish_overridden":"","wpdc_topic_tags":"","wpdc_pin_topic":"","wpdc_pin_until":"","discourse_post_id":"232915","discourse_permalink":"https:\/\/foro.masdividendos.com\/t\/del-corral-al-parque-probabilidad-e-incertidumbre\/21652","wpdc_publishing_response":"success","wpdc_publishing_error":"","footnotes":""},"categories":[7,8],"tags":[15,20],"_links":{"self":[{"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/posts\/103"}],"collection":[{"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/users\/29"}],"replies":[{"embeddable":true,"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/comments?post=103"}],"version-history":[{"count":6,"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/posts\/103\/revisions"}],"predecessor-version":[{"id":111,"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/posts\/103\/revisions\/111"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/media\/107"}],"wp:attachment":[{"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/media?parent=103"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/categories?post=103"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-json\/wp\/v2\/tags?post=103"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/blogs.masdividendos.com\/todo-suma\/wp-content\/uploads\/sites\/31\/2025\/01\/image-1.png\")
<\/figure><\/div>\n\n\n