Blog de robótica e inteligencia artificial

Mostrando entradas con la etiqueta matemáticas. Mostrar todas las entradas
Mostrando entradas con la etiqueta matemáticas. Mostrar todas las entradas

1/06/2020

El peso de la tinta, y las posibilidades de la lotería de Navidad

Por petición de un ilustre lector de este blog, voy a republicar una de las entradas más exitosas de esta bitácora. Este año ha habido una polémica en el sorteo de la lotería de Navidad, debido a la aparente manipulación de las bolas por parte de un funcionario.

Hoy ha sido en España la tradicional Lotería del Niño y voy a añadir yo otra polémica: ¿el peso de la tinta de las bolas de Navidad afecta en las posibilidades de extracción de la bola? Es decir, ¿el número 11.111, por tener menos tinta que el número 88.888, tiene menos posibilidades de salir? Cuando dais vueltas sin parar a un recipiente con un objeto dentro, ese objeto inmediatamente saldrá expulsado hacia las paredes del recipiente. A eso se le llama fuerza centrífuga, y crece cuanto mayor es la velocidad de giro del contenedor, y cuanto mayor masa tiene el objeto del interior.

El bombo de la loteŕia siempre gira a la misma velocidad. Por lo tanto, ¿afecta en algo el peso de las bolas? ¿El 88.888 llega a las paredes del bombo antes que el 11.111, y en consecuencia, está más cerca de ser agraciada con un premio?




La normativa de las Loterías y Apuestas del Estado indica claramente que las bolas tienen que tener un peso de 3 gr y un diámetro de 18,8 mm y están esculpidas en madera de boj. Además, no llevan tinta, sino que los números están marcados mediante un grabado láser. La Wikipedia española sugiere que por lo tanto, no hay diferencia de peso en los números. Sin embargo, yo no estoy de acuerdo. El grabado láser sí que influye en el peso. Concretamente, no añade peso, sino que lo quita, ya que el grabado consiste en la eliminación de una fina capa de material con la silueta de la cifra que deseemos imprimir.
 
Sin embargo, a pesar de que las bolitas varíen de peso en céntimas o milésimas de gramo -habrá bolas de 2'98, 2'998, 2'999gr...etc- en el sorteo eso se vuelve despreciable
 
El peso de las bolitas tendría importancia si la fuerza del bombo fuera igualmente pequeño y proporcional a las bolas. Sin embargo, la fuerza de giro puede ser del orden de 10.000 veces superior al peso de cada bolita, tanto si tiene el peso por encima como por debajo de 3 gramos. Por lo tanto, ocurre lo que en matemáticas llamamos 'dato despreciable'. Es decir, los excesos o defectos quitados por el láser en cada canica de boj se ve ampliamente superado por la fuerza de giro del bombo. 
 
Si a eso sumamos el movimiento caótico de choque de unas bolas contra otras, podemos concluir que no, que el distinto peso de cada bolita no afecta en absoluto. ¡Mito cazado!
Comparte:

12/01/2019

Apps de citas online (IV): puntuación de usuarios y subasta de datos personales

Esta es la cuarta entrada de una serie de artículos sobre apps de citas online que he decidido crear. A lo largo de ellos, veremos distintos aspectos científicos que intervienen en este reciente fenómeno social. Aquí tenéis el primero de ellos:
Así ha quedado la serie:
 1- Apps de citas online (I): el problema matemático
2- Apps de citas online (II): los patrones oscuros
3- Apps de citas online (III): los usuarios como mercado y un poco de teoría de juegos 
4- Apps de citas online (IV): puntuación de usuarios y subasta de datos online




Para finalizar (por el momento) esta serie de artículos sobre aplicaciones de citas, me centraré en desmitificar dos ideas muy extendidas:

1) No, los usuarios no tienen capacidad de elección en aplicaciones como Tinder. La aplicación no es transparente y no nos muestra a todos los usuarios restantes.

2) No, tampoco nadie es capaz de hackear el algoritmo o pensar que lo domina y lograr tener muchos flechazos automáticamente. El algoritmo cambiará en unas semanas.


Vayamos por partes. La sensación de que somos capaces de elegir entre miles de usuarios es una de las armas psicológicas más poderosas de las aplicaciones de citas. Pero en realidad, no elegimos, sino que estas aplicaciones nos muestran lo que ellos quieren, y no al resto de usuarios que hay. Paso a explicarme:

Judit Duportail es una periodista que en 2017 investigó a fondo el algoritmo de la popular aplicación Tinder, y llegó la conclusión de que esta aplicación calcula una nota de tu deseabilidad, y en función de eso, te muestra a unos usuarios u otros. La compañía anunció este año que renunciaba a esta nota, pero yo no me lo termino de creer. ¿Cómo calculan esa nota? Usan varias herramientas.




Entre otras cosas, a través de Rekognition, una inteligencia artificial creada por Amazon para categorizar las fotos, y a través de un minucioso análisis de datos que permiten a Tinder estimar el coeficiente intelectual de sus usuarios, su nivel de escolaridad y su estado emocional general. Y por supuesto, apostaría que es relevante cómo de activo es cada usuario en la aplicación de citas.

Estos programitas no desperdician ni un solo dato: la extensión de tus mensajes, cuánto tardas en escribir a tus flechazos, cuántos flechazos obtienes, y de quién, a qué distancia están... todo ello les permite saber en qué momento mostrarte qué perfiles, y hasta pueden predecir con cierto índice de acierto si esos perfiles son más proclives a gustarse o no.

Este es el cuarto artículo en el que estoy hablando de lo difícil que es crear un flechazo en estas aplicaciones, ¿y no os preguntáis que para qué sirven entonces? Además de las suscripciones de pago, estos software se nutren de la venta de datos de los usuarios. O mejor dicho, de la subasta de datos de los usuarios (la realidad, vuelve a superar a la ficción):




En este proyecto podréis echar un vistazo al precio estimado de perfiles que se subastan. Tal y como se explica en el blog de Corio, conocemos el precio de estos datos gracias a la activista Joana Moll.

Esta activista digital compró un millón de perfiles de aplicaciones de citas por solo 136€ a una empresa llamada USDate. El paquete con los datos de estos perfiles incluían imágenes (5 millones de ellas), nombres de usuario, correos, nacionalidad, género, edad, orientación sexual, intereses, profesión, características personales y algunos rasgos de personalidad.

Resumiendo, ¿ha quedado claro que no existe la capacidad de elección? Creo que la aplicación también es útil para que entendáis por qué nadie puede hackear el algoritmo. Como mucho, podéis llegar a intuir cómo puntúa Tinder las fotos, o descubrir vagamente qué cosas se tienen en cuenta en la puntuación total de los perfiles. pero nada más. Y lo más probable es que esos truquitos que hayáis aprendido, cambien en la siguiente actualización.

Por lo tanto, espero que al final de este serie de artículos en el blog, haya quedado claro cuáles son los propósitos reales de estas aplicaciones, que se basan en varias trampas matemáticas y psicológicas, y que probablemente vosotros seáis el producto realmente.
Comparte:

11/23/2019

Apps de citas online (III) - los usuarios como mercado y un poco de teoría de juegos

Esta es la tercera entrada de una serie de artículos sobre apps de citas online que he decidido crear. A lo largo de ellos, veremos distintos aspectos científicos que intervienen en este reciente fenómeno social. Aquí tenéis el primero de ellos:
Así ha quedado la serie:
 1- Apps de citas online (I): el problema matemático
2- Apps de citas online (II): los patrones oscuros
3- Apps de citas online (III): los usuarios como mercado y un poco de teoría de juegos 
4- Apps de citas online (IV): puntuación de usuarios y subasta de datos online



Muchos usuarios se quejan de las apps de citas online. Intentaré describiros un sencillo ejemplo para que entendáis cuál es el origen de su malestar. Se llama, el Supermercado de los Matrimonios:

Por cada pareja que se forme, un supermercado repartirá 100€ entre los dos miembros. Supongamos que hay 20 hombres y 20 mujeres en un supermercado. Está claro que se emparejarán las 40 personas, y que se dividirán 50-50€ mutuamente.

Pero ahora imaginemos que hay 19 hombres y 20 mujeres. Podríais imaginar que esto apenas alteraría el comportamiento, pero estáis totalmente equivocados: de nuevo, pensemos que se han formado 19 parejas, repartiéndose 50€:50€, pero se ha dejado a una mujer sola. Esta fémina está poco dispuesta a quedarse soltera, y por eso, está dispuesto a romper el mercado y ofrecer un trato de 60€:40€ al hombre que decida irse con ella. Algún hombre aceptará, dejando a otra mujer soltera, y esta a su vez ofreciendo un trato de 70€:30€ a otro hombre. Y así evoluciona todo hasta llegar a la proporción de 100€:0€, excepto para la última mujer, que se quedará sola y sin nada.

Es decir, en cuanto se ha desequilibrado un poco el mercado, ya no se cumple el denominado Equilibrio de Nash, quien dice que el colectivo a llegado a un punto de equilibrio, donde nadie cambiaría su opción escogida para estar mejor.

En términos económicos, en mercados no-cooperativos con recursos compartidos, los pequeños cambios en ellos pueden alterar de manera muy relevante los incentivos, llevando a un punto de equilibrio muy mal para todas las partes.



Y esto es exactamente lo que ocurre en Tinder y otras apps de citas. Pero lo más importante es que los chicos son 2 veces más activos que ellas, aproximadamente. En Europa y Estados Unidos, típicamente el reparto de chicos y chicas es de 60%-40% respectivamente, pero debido al mayor uso, se convierte en un 80%-20%.

Y precisamente, esta asimetría tan grande del mercado es lo que impide llegar a una eficiencia y satisfacción para todos los usuarios. El comportamiento de este ecosistema tan distorsionado y desequilibrado es el siguiente: llamar la atención de las chicas es tan difícil, que los chicos tienden a valorar positivamente (deslizar hacia la derecha) a TODAS las chicas. Absolutamente a todas. Es lo que llamamos el teorema de Coase, donde las 'transacciones entre usuarios', no tienen coste alguno.

Se asume que como las chicas son menos, y están en 'posición de poder' en este mercado, ellas eligen. Los varones quieren asegurarse las opciones de ser alguno de los pocos chicos a los que las chicas deslizan a la derecha. Es una actitud propia de teoría de juegos de un entorno no-colaborativo.




Esto provoca un sistema perverso, ya que las mujeres están absolutamente saturadas de pretendientes, se agobian, y se tiende a crear flechazos de muy poca calidad. Además, las mujeres tienden a sentir 'la paradoja de la elección', donde disponen de tal oferta de pretendientes, que sienten que siempre 'el siguiente chico va a ser mejor que el anterior' que se les muestre.

¿Qué solución existe para evitar este comportamiento? Afortunadamente, varias. Una posible alternativa sería que las apps de citas limitasen mucho más el número de valoraciones que cada día puede hacer un usuario. De esa manera, no saturaría tanto el mercado. Y otra segunda alternativa es que fuese más costoso 'el sí por el sí'. Es decir, quizás las apps podrían penalizar que se lograse un flechazo, y que ninguno de los miembros hable entre ellos.

Es lo que pretenden aplicaciones como Coffee Meets Bagel, que solo permite unas pocas elecciones cada día, o Adopta Un Tío, que otorga el poder a las chicas de ser ellas que elijan entre los usuarios, y no al revés.
Comparte:

4/04/2019

Taller de Inteligencia Artificial para estudiantes de bachillerato

La pasada semana tuve el honor de llevar a cabo una actividad que me dio muchas satisfacciones. Concretamente, después de más de un año de trabajo, organicé un pequeño taller de inteligencia artificial para alumnos de bachillerato en un colegio de mi querida San Sebastián. La motivación principal para realizarlo es que creemos que actualmente no hay apenas propuestas para enseñar las matemáticas de la inteligencia artificial a estudiantes jóvenes. Sí que hay multitud de talleres que enseñan robótica con Arduino o Raspberry. Pero no hay ninguno que explique que detrás de la inteligencia artificial hay matemáticas muy sencillas. Por lo tanto, a partir de esta idea creamos una propuesta de taller. Este artículo pretende describir en qué consistió esta actividad y su propósito:

La premisa más importante es conocer los objetivos del taller. Para nosotros, la intención no era enseñar inteligencia artificial, sino desmitificar esta disciplina y hacer conscientes a los alumnos de las matemáticas simples que hay tras ellas. Tener esto en cuenta es muy importante.

Además, el taller se basaba en ejercicios realizados con el lenguaje de programación Scratch. Este lenguaje, para quien no lo conozca, es un entorno de programación gráfico que permite realizar pequeños algoritmos y tareas arrastrando bloques de colores, eligiendo variables de una manera muy visual, etc. Es un tipo de herramienta muy útil para iniciar a los alumnos en nociones básicas de programación, y soy conocedor de varios colegios de la región que lo usan con estudiantes a partir de 13 años.

Pero volvamos al taller. La actividad completa duró una hora y el tiempo se repartió de la siguiente manera:

En los 15 primeros minutos de actividad, se impartieron los siguientes conceptos de una manera muy sintética:
              - Introducción a la inteligencia artificial
              - En qué consiste el algoritmo de clusterización K-means
              -  Cómo funciona una red neuronal

Posteriormente, los chavales tuvieron 45 minutos para realizar dos ejercicios y poner en práctica las nociones básicas que se les había impartido hace unos minutos. La metodología de esta parte práctica se implementó de la siguiente manera: los alumnos trabajaron en parejas, y tenían a su disposición el archivo de un algoritmo de inteligencia artificial implementado en Scratch. En este archivo estaba implementado casi todo el código necesario, salvo un par de huecos que tenían que rellenar para que todo el programa se ejecutase correctamente. Para que fuera un poco más fácil, en una esquina de la zona de trabajo de Scratch, los alumnos tenían las piezas de código que había que encajar en los huecos, pero desordenadas. Una vez que completaban el código, los estudiantes podían comprobar si habían acertado o no ejecutándolo en el mismo Scratch.

A los estudiantes se les asignó dos problemas, uno detrás de otro:

1) El algoritmo de clusterización K-means, donde tenían que conseguir clasificar una nube de puntos en tantos clusters como quisieran. Los clusters estaban definidos por 'puntos gordos' de colores, y la clasificación consistía en pintar los puntitos según el color del 'punto gordo' más cercano que tuvieran.

2) Posteriormente se asignó una red neuronal muy sencilla (dos entradas y una salida), entrenada con los datos de entrada y salida de una puerta lógica AND. Para cada ejercicio disponían de 20 minutos como máximo.

A continuación incluyo algunas imágenes representativas de estos problemas:





Parece sencillo, ¿no? Ahora vienen los resultados: para nosotros el taller fue un éxito, ya que todas las parejas de alumnos completaron los ejercicios antes del tiempo asignado, y tenían la sensación de haber entendido el ejercicio y el algoritmo.

Para comprobar esta comprensión, los estudiantes tuvieron que completar un test de preguntas antes y después del taller. En esta prueba, nosotros, como investigadores, queríamos comprobar el grado de alcance de consecución de los objetivos que nos habíamos marcado. Y la buena noticia es que estamos muy contentos con los resultados que obtuvimos. Por ejemplo, una de las preguntas planteadas era:

El nivel de conocimientos matemáticos y técnicos requeridos para entender la inteligencia artificial está fuera del alcance de la mayoría de la población.

Con la puntuación de una escala Lickert (1 a 5, 1: totalmente desacuerdo; 5: totalmente de acuerdo) tuvimos diferencias muy significativas en las respuestas antes y después del taller, lo cual demuestra que la metodología que empleamos es bastante acertada para conseguir este objetivo.

Tal y como prometí en Twitter, he dejado colgados en un repositorio abierto los archivos de Scratch completos utilizados en el taller. Aunque aún no aparezca, estarán bajo una licencia GNU GPLv3. Porque el conocimiento debe ser libre.

La metodología del taller está registrada en el archivo de propiedad intelectual. Finalmente, mi grupo de I+D y yo hemos publicado tres artículos explicando el taller: dos trabajos para dos congresos internacionales y un artículo científico en Arxiv titulado Using Scratch to Teach Undergraduate Students' Skills on Artificial Intelligence donde explicamos el estado del arte y motivaciones para realizar el taller de inteligencia artificial. Ojo, que en este caso, el taller que explicamos en Arxiv no es exactamente el mismo que he descrito en este artículo de blog. Ese aún está en el horno :-).

El taller de inteligencia artificial sigue creciendo y ya estamos planteando nuevos ejercicios para entender cómo funciona un ordenador o un robot para escapar de un laberinto, o conocer el camino más corto en un circuito.


¿Os gusta la idea? ¿Os parece que habría que mejorar algo? Si os interesa algo de todo esto, no dudéis en hacerlo en los comentarios del artículo o a través del email ideasecundaria@yahoo.es.
Comparte:

3/11/2019

¿Es rentable hoy en día tener un coche?

Quien me conoce, sabrá que tengo cierto síndrome de Diógenes (y alguno más). Esta entrada es el resultado de una de las consecuencias de esa manía. 

Compré mi coche nuevo en mayo de 2008, y lo uso casi a diario. Creo que no merece la pena a efectos del artículo revelar el modelo. Basta con decir que es un utilitario de gasolina. Siempre he solido guardar las distintas facturas que el coche ha generado por las distintas revisiones y averías. Entre eso, y justificantes bancarios que guardaba, he desarrollado la tabla en la que se reflejan los gastos de visita al taller mecánico, impuestos y seguros obligatorios que ha generado el coche.

Nota aclaratoria: el coche aún está en uso y siempre he realizado las revisiones que le tocaban. Considero que el coche ha salido bueno. Es decir, salvo un detalle, no se le ha roto nada prematuramente, y lo que he sustituido ha sido por uso y desgaste. 

He redondeado los números de la viñeta municipal y el seguro en ocasiones.



Gastos durante la vida de coche
MESCOSTE [€]CONCEPTO
115.000Precio de coche
2200Seguro
10215Seguro
12178,98Mantenimiento
1540Viñeta municipal
22215Seguro
24166,37Mantenimiento
2740Viñeta municipal
34220Seguro
3840Viñeta municipal
39347,24Mantenimiento y reparación
46230Seguro
5140Viñeta municipal
53133Mantenimiento
58240Seguro
60155Mantenimiento
6340Viñeta municipal
69218,91Mantenimiento
70240Seguro
7140,57ITV
7440Viñeta municipal
75120,49Pastillas de freno
82250Seguro
83118,05Mantenimiento
84527,49Paragolpes y neumáticos
8840Viñeta municipal
89439,28Freno de mano
95505,50Correa y bomba de agua
96254,55Seguro
9840,57ITV
99207,53Mantenimiento y cambio batería
10240Viñeta
108163,65Mantenimiento
109269,18Seguro
110488,88Elevalunas eléctrico
11440Viñeta municipal
118162,55Mantenimiento
121279,77Seguro
12240,57ITV
124241,01Mantenimiento
12642,36Viñeta municipal
131174,92Mantenimiento


Lo que pretendía con este artículo era poder estimar cuál era el coste del vehículo al mes a lo largo de su vida, sumando el precio de compra y el resto de conceptos. Y el resultado es la siguiente gráfica:

 Como se puede ver, los primeros meses no permiten apreciar bien qué ocurre a partir del mes 10 aproximadamente. Así que la siguiente gráfica es un detalle de la primera, a partir del mes 22.


El coste total del coche a día de hoy asciende a 22.486€. Como se puede ver, a partir del mes 102 la amortización del coche desciende de 200€/mes, y la línea se tiende a convertir en una asíntota. A día de hoy, la amortización está en torno a 170€/mes, a la cual habría que sumar el combustible y el garaje (quien lo tenga). El que lo tenga todo, podría estar en unos 400€/mes tranquilamente.

Por otro lado, tampoco tengo claro que la gráfica siempre sea descendiente, ya que llega un punto en el que el coche requerirá de más mantenimiento y reparaciones.

Otro dato interesante es el coste del km/€. Aproximadamente he recorrido 170.000km, así que el km está ahora mismo a 13,22 céntimos. 

El gráfico pretende ayudar a decidirme en un futuro sobre una opción de renting de coche o no. 

¿Qué os parece? ¿Os ha llamado la atención?





Comparte:

3/04/2019

El estudio del tiro parabólico sin ordenadores

Este artículo se publicó originalmente el 22 de febrero en la Revista Dyna, publicación de investigación en ingeniería:



El estudio de la trayectoria de las bolas de cañón es un bonito caso de las tensiones entre el conocimiento práctico y teórico en la ciencia a lo largo de la historia. Sorprende la cantidad de matemáticas que se dedicaron a este campo.

Nicolo Tartaglia es un científico del siglo XVI, cuya fama ha llegado hasta nuestros días principalmente por la pelea que tuvo con Cardano sobre la resolución algebraica de las ecuaciones cúbicas. Sin embargo, Tartaglia también publicó en 1537 La nova scientia, en la cual describía la trayectoria de un proyectil como si fuera una línea recta inicial, y una posterior caída:

Figura 1: Ilustración de tiro mixto y portada de Nova scientia [1] 





Figura 2: Ilustración de tiro horizontal, según Tartaglia [2]


Realmente, ni siquiera el propio Tartaglia se terminó creyendo su teoría, tal y como reconoció años más tarde. Pero este pensador italiano sentó las bases para crear unos ábacos que tabulaban sus cálculos, y así poder calcular la longitud del tiro en función de la inclinación del cañón. Estos ábacos se usaron hasta el siglo XVIII.

Más tarde, en 1638, Galileo Galilei propuso su modelo de disparo parabólico, lo cual era un poco absurdo, ya que Galileo, a pesar de conocer que había algún tipo de resistencia al aire, no la contabilizó en sus cálculos. El caso es que conseguía una trayectoria simétrica que no resultaba nada realista, y por eso, los artilleros siguieron usando el modelo de Tartaglia. En ciertas ocasiones, hasta les era suficiente usar el modelo de tiro triangular de Daniel Santbech, propuesto en 1561.

Figura 3: Modelo de disparo de Daniel Santhech [1]

Sin embargo, todo esto cambió en el siglo XVIII con nuestro siguiente personaje: Benjamin Robins. Este científico inglés nació en Bath en 1707, justo el mismo año que el matemático Euler. Pronto se dedicó a la ingeniería militar, y su mayor contribución al estudio de la balística reside en que sugirió que era imprescindible tener en cuenta la fuerza de resistencia de aire, y que dependía mucho más de la velocidad inicial del disparo que de su alcance. Para demostrarlo, Benjamin Robins diseñó un péndulo balístico, gracias al cual podía calcular las velocidades iniciales de los proyectiles, teniendo en cuenta la mecánica newtoniana y la teoría de péndulos de Huygens. De hecho, a Robins también se le considera el padre de los túneles de viento por este tipo de aportaciones.
 
Figura 4: Péndulo balístico de Robins   
 


Esencialmente, el invento consistía en disparar una bala contra la masa colgada del péndulo y calcular su arco. La masa del péndulo era bastante mayor que la de las balas de aquella época.


Benjamin Robins ya era miembro de la Royal Society desde 1727, y afortunadamente, la grandeza de este personaje se notó enseguida. En 1742 publicó su obra New principles of gunnery. Cómo sería el libro, que un empleador de Euler, Federico el Grande de Prusia, preguntó al matemático cuál era el mejor libro de balística, y a pesar del poco apego que tenía Robins a su propio libro, Euler lo eligió. No solo eso, sino que lo tradujo del inglés al alemán, y añadió unos cuantos comentarios sobre él. De manera que el nuevo manuscrito pasó de tener 150 páginas a 720. En 1783, se tradujo al francés, y según cuenta Napoleón, fue uno de los libros que más influyó a sus científicos e ingenieros.

Escribió una vez un oficial de artillería, que Robins era a la artillería como el inmortal Newton lo era a la filosofía. Antes de su influencia, el acierto en el tiro era una cuestión de azar sujeta a múltiples variables e incertidumbres. Ese mismo siglo, el presidente de la Royal Society fue más allá y afirmó que Robins había inventado una ciencia nueva.










BIBLIOGRAFIA

[1] Janet Heine Barnett (2009). Mathematics goes ballistic: Benjamin Robins, Leonhard Euler, and the mathematical education of military engineers, BSHM Bulletin: Journal of the British Society for the History of Mathematics, 24:2, 92-104, DOI: 10.1080/17498430902820887

[2] Ed Sandifer. How Euler did it. The cannonballs http://eulerarchive.maa.org/hedi/HEDI-2006-12.pdf

[3] The first wind tunnels.

https://www.centennialofflight.net/essay/Evolution_of_Technology/first_wind_tunnels/Tech34.htm

[4] McMurran, S., & Rickey, V. F. (2008, October). The impact of ballistics on mathematics. In Published in the Proceedings of the 16th ARL/USMA Technical Symposium https://www.revolvy.com/page/Benjamin-Robins

[5] Steele, B. D. (1994). Muskets and pendulums: Benjamin robins, Leonhard Euler, and the ballistics revolution. Technology and Culture, 35(2), 348-382


Comparte:

11/11/2018

Errores de ajuste y Fukushima

Una famosa cita científica dice que si no usas datos, probablemente lo que hagas no sea ciencia. Pero contar con datos no resuelve el problema completo, ya que normalmente hay que interpretarlos y establecer una relación entre los datos con los que contemos. 

En este artículo pretendo explicar un par de casos históricos famosos sobre el problema de sobreajuste. Es decir, lograr que la relación que calcules sobre tus datos, sea demasiado cercana a los propios datos. Se va a entender muy bien con los siguientes ejemplos:


- Evolución del tamaño de población de Estados Unidos

Este ejemplo apareció en la página de Mathworks del software matemático Matlab. En ella, se dibujan algunos puntos del tamño de población de Estados Unidos a lo largo de la historia, y se ajusta con uan ecuación de segundo grado.


Pero si yo fuera Donald Trump, me preocuparía por ver la evolución de esta gráfica en el futuro:


Es decir, este ejemplo demuestra que a pesar de que la curva se ajusta muy bien a los datos puntuales con los que yo tenía, la gráfica no es correcta (o eso esperamos).

Lógicamente, no todos las líneas, según su grado, van a ajustar correctamente con la realidad, pero puede que arrojen resultados más lógicos.


 

- Ptolomeo y su sistema de círculos

Ptolomeo consideró que la Tierra era el centro del universo, y para eso creó un sistema de círculos que según él, reproducía perfectamente los movimientos de todos los cuerpos celestes alrededor de la Tierra. El problema era que había que dibujar nuevos círculos cada cierto tiempo para ajustar los datos.



Cuando el resto de los astrónomos tuvieron que crear tantos círculos que el modelado les parecía dudoso, llegó Copérnico a desarrollar un sistema más realista.


- La central de Fukushima

Este ejemplo de la central nuclear probablemente sea uno de los más esclarecedores de sobreajuste: para fabricar la central, los ingenieros se basaron en una relación denominada ley de Gutenberg - Richter, la cual establece la frecuencia de que ocurran terremotos de cierta magnitud. Desde los imperceptibles hasta los terremotos de grado 10.

Ahora, fijaros en las siguientes dos imágenes:



La primera imagen representa la relación que crearon los ingenieros, consistente en dos líneas rectas, donde el punto de inflexión ocurre alrededor de 7,3. La segunda imagen muestra un ajuste de los datos peor, consistente en una única recta. Sin embargo, la primera imagen establece que un terremoto de grado 9 se da cada 13.000 años, mientras que la segunda imagen indica que un terremoto así se da cada 300. Y por esta razón, Fukushima fue dimensionada solo para aguantar un terremoto de 8,6 grados.

¿Sorprendente? Un error de cálculo que costaba arreglar 30 segundos provocó que se echase a perder una gran infraestructura. Los datos no lo son todo. También existe su correcta interpretación.





Fuente:

1- https://ml.berkeley.edu/blog/2017/07/13/tutorial-4/
2- https://stats.stackexchange.com/questions/128616/whats-a-real-world-example-of-overfitting
3- https://datascience.stackexchange.com/questions/61/why-is-overfitting-bad-in-machine-learning
4- https://www.britannica.com/science/Ptolemaic-system
Comparte:

10/26/2018

Los sesgos de los sistemas inteligentes y la realidad

Hace dos semanas, saltó a la palestra la noticia de que el programa de inteligencia artificial que usa Amazon para contratar a trabajadores tenía una clara preferencia hacia los hombres. Estas distinciones y decisiones injustas merecen más atención desde hoy mismo que la que los medios le están dando, pero no le veo fácil solución a este problema de la tecnología. En este texto explico por qué.


Para ello, me voy a centrar en un caso un poco más antiguo, de mayo de 2016, en el que el medio ProPublica acusaba a un sistema inteligente, COMPAS, usado en el sistema de justicia estadounidense, de tener un sesgo contra las personas negras a la hora de predecir si un delincuente volvería a reincidir o no. Concretamente, con las personas blancas tenía una mayor posibilidad de predecir que no reincidían, y finalmente sí que lo hacían. Mientras, con las negras predecía que iban a volver a delinquir y finalmente no lo hacían.

A pesar de que se armó un buen escándalo, cuatro meses después el Washington Post publicó un artículo en el que demostraba que las interpretaciones de sesgos sobre COMPAS que había realizado ProPublica no eran nada consistentes y que no estaba claro que el programa tuviera una mala preferencia. El problema está en cómo define ProPublica un sistema justo.


Fuente


Para Northpoint, la empresa desarrolladora de COMPAS, la aplicación es justa y veraz, ya que la proporción de la población que reincidió es igual en cualquiera de los dos colectivos, tal y como se puede ver en la imagen. A esto se le denomina calibración del sistema. Sin embargo, ProPublica se fijaba en el conjunto que finalmente no reincidió. Y aquí viene el problema: es imposible tener una solución tecnológica que sea justa según las dos definiciones. De hecho, eso de lo que acusó ProPublica es una de las consecuencias necesarias de diseñar un algoritmo sin sesgos. Un equipo de investigadores de la universidad de Stanford se propusieron calcular el coste de la equidad y concluyeron que el algoritmo, en efecto, se podía hacer que no tuviera la famosa distinción entre blancos y negros, pero a costa de perder precisión en el conjunto global. Llevaría a tener un 17% más de blancos en la cárcel con muy poco riesgo de reincidencia.

Hay que tener claro qué es estrictamente hablando, un sesgo, en el sentido matemático, y qué es lo que promulgan muchos medios. Vayamos en primer lugar con el sentido científico:

En estadística, un sesgo (bias en inglés) se define como un predictor que provoca que los todos los errores vayan en la misma dirección. Es distinto de la imprecisión (variance), el cual se usa para describir errores sin ninguna dirección en particular. El siguiente gráfico lo describe muy bien:



Fuente


Es decir, para un matemático un sesgo corresponde a la diferencia entre la respuesta que da un sistema de inteligencia artificial y la realidad. Sin embargo, los medios extienden que un sesgo es la diferencia entre la respuesta tecnológica y la realidad idealizada que tienen los periodistas. Y eso no tiene ningún sentido. Una cosa es la realidad veraz, la que existe y a partir de la cual se extraen los datos para entrenar a una solución inteligente, y otra cosa muy distinta es la realidad que alguien crea que debería ser.

Por decirlo de una manera sencilla: es nuestra realidad la que está sesgada. Y manipular los datos para que no lo sea, implica una manipulación que daría lugar a otro tipo de sesgos en las respuestas de los sistemas inteligentes. Cualquier modelización de nuestra realidad va a estar sesgada. Siempre va a existir el mismo problema mientras existan dos distribuciones de personas de diferente tamaño. De hecho, no importa cuánto me aleje o me acerque al detalle de la muestra: siempre apareceran subgrupos.

Como consecuencia, la cuestión sobre este tipo de algoritmos se reduce a una cuestión moral que habrá que regular de alguna manera. Habrá que establecer unas reglas de manera que se establezcan un orden de prioridades de sesgos asumibles, siendo conscientes de que se van a producir. De hecho, Google tiene una página interactiva donde se expone claramente un caso de dos grupos de población y cómo procesa la información un algoritmo a la hora de decidir si concederles un crédito o no. El ejemplo original se basaba en que a las personas negras les rechazaban muchos más créditos que a las blancas. Pero simplemente respondía a la realidad de que el primer grupo tenía menos ingresos y más impagos que el segundo. No nos gusta la realidad. Pero el gigante tecnológico concluye en que se podría eliminar ese sesgo a costa de que muchas menos personas reciban una respuesta positiva a su préstamo, en los dos grupos de población.

Cada vez aparecerán más casos de este tipo. Al caso de Amazon y COMPAS, hay que unir los no tan famosos del mismo Google, algoritmos financieros y medios de comunicación. Pero no serán ni los primeros ni los últimos, y hay que tener claro de qué estamos hablando.

En este caso concreto, me temo que los códigos abiertos no van a venir a arreglar el problema.




Fuentes:
- Jacobitemag.org
- Hackernoon.com


Comparte:

8/13/2017

Un poco de estadística y fútbol

A las puertas del comienzo de una nueva Liga de Fútbol, aquí va un pequeño artículo sobre estadísticas y alguna curiosidad que quizás os hayáis planteado: ¿cómo se representan las estadísticas de los jugadores durante la temporada (por ejemplo, pases con éxito o tiros a puerta)?

Tomemos como ejemplo los tiros a puerta. Según esta página web, el total de tiros de Messi a lo largo de la pasada temporada fue de 131, de los cuales 77 fueron tiros a puerta. Es decir, un 58'78%. Ahora bien, pensemos en el comienzo de la Liga 2017/18. ¿Qué ocurre cuando el jugador hace su primer tiro? ¿Si va a puerta, tendría una efectividad de 100%? ¿Y si falla, del 0%? ¿No es esto un poco drástico? ¿Significa esto que Messi va a quedarse toda la temporada probablemente en un valor de alrededor de 0 ó 100% de efectividad de tiros a puerta? 

¡Claro que no! Pero eso es porque partimos de información previa, y es el conocimiento de las estadísticas de Messi más o menos al finalizar las temporadas, y eso en estadística tiene mucho sentido y en inglés se le denomina prior. Vayamos paso a paso.

Para los tiros a puerta viene muy bien una herramienta que ya vimos en un post anterior, y es la distribución binomial Beta, que oscila entre (0, 1) y está determinada por los parámetros α y β.

Para el caso de los tiros a puerta habituales de un jugador, vamos a imaginar que al final de la temporada, la mayoría de jugadores tienen una efectividad del 27% respecto al total de tiros. Esto equivale a una α =  81 y  β =219.


Ahora mismo, esa distribución sería la siguiente:



En principio, la probabilidad inicial de cualquier jugador (incluído Messi) de acertar tiros a puerta es este, obtenido a partir de los datos de todos los jugadores a lo largo de la temporada pasada. Ahora, ¿qué ocurre cuando Messi realiza el primer tiro de la temporada en el primer partido de Liga? Actualizamos la función binomial Beta de la siguiente manera:

Beta(α + aciertos, β + fallos).

Es decir, si el tiro iba a puerta, es un caso de éxito, y tendríamos la nueva Beta (81 + 1, 219), y esa función dibujada sería la siguiente:

Los cambios son apenas perceptibles entre una gráfica y otra, pero los ha habido. Es normal que ocurra esto, ya que significa que un tiro no altera apenas las estadísticas globales de un jugador a lo largo de la temporada.

Pero según se van acumulando los tiros, se nota aún más. Pongamos que el jugador hace 300 tiros en una temporada, de los cuales a puerta van 100. Tendríamos Beta (81+100, 219+200):


Ahora sí que se notan cambios aparentes. Y además, la distribución se ha estrechado, debido sobretodo a que la probabilidad de acierto de Messi a lo largo de la temporada ha sido bastante baja.




Nota
Los valores iniciales de α = 81 y β = 219 se obtienen a partir de la siguiente fórmula:




El artículo está basado en este hilo de Stackexchange.



https://stats.stackexchange.com/questions/47771/what-is-the-intuition-behind-beta-distribution
Comparte:

5/24/2017

¿Cómo sabéis de qué producto de Amazon fiaros?

En muchas ocasiones, las estrellas que tienen los productos de Amazon es uno de nuestros criterios para elegir entre uno u otro, sobre todo sin son muy parecidos en sus prestaciones o características. Además, este gigante de Internet permite la siguiente situación que se ve en la foto:



La foto, extraída de este blog, tiene los productos ordenados por valoración de clientes. Probablemente en ese caso la mayoría de vosotros optaría por el artículo de la derecha, ya que parece que el consenso es mayor. En el caso de la tostadora, puede que esa información sea aislada y de alguien poco parecido a nosotros. Quizás sea alguien tan parcial como el vendedor, que intenta colarnos las bondades del aparato.

Pero pongamos un caso un poco más difícil: si pensamos en situaciones binarias con solo dos opciones para asignar (me gusta / no me gusta), ¿qué producto escogemos entre las siguientes alternativas?
A) 400 opiniones positivas y 100 negativas
B) 9 opiniones positivas y 1 negativa

En estas ocasiones, es de gran ayuda la distribución beta de las matemáticas. Esta función tiene dos parámetros, α y β, y se emplea para modelar eventos que se definen por valores mínimos y máximos.

 El lenguaje de programación R es muy apropiado para jugar con funciones estadísticas, y si intentamos hallar el intervalo de confianza del 95% para ambos productos, tendremos:

Es decir, la verdadera calidad del producto A oscila entre un 76% y 83%, mientras que la del B lo hace entre un 58% y 97%, con una probabilidad del 95% de ocasiones. De hecho, si dibujamos las funciones, veríamos que las funciones beta del producto A es muy estrecha y alta, mientras que la del B es todo lo contrario, tal y como se ve en la última imagen.




Fuente: Joy of data (con códigos)
Comparte:

8/08/2016

¿Se puede predecir el tiempo del ganador de 100m lisos en las Olimpiadas de Río?

Ya hay varios casas de apuesta en Internet que hacen sus pronósticos sobre quién será el ganador de los 100m. A día de hoy, por ejemplo en http://www.paddypower.com,




Y en un gráfico quedaría así:

En este punto, lo que tenemos es una serie de datos. Ahora, de lo que se trata es de intentar predecir el tiempo del Oro en la final de 2016. Tenemos una serie de datos temporales, y queremos predecir el nuevo punto. Para ello, hay una información muy valiosa, y es que la tendencia de los tiempos es claramente bajista.

La primera opción consistiría en obtener una línea que capture el comportamiento de los números de la manera más fiel posible. A esto se le llama línea de regresión, y se puede hacer con el método de mínimos cuadrados.



Lo cual corresponde a una recta de la siguiente forma:
En la ecuación anterior, x representa al año e y al tiempo. Por lo tanto, si hacemos cálculos, el tiempo en x=2016 sería de y=9,64s.

El método de los mínimos cuadrados persigue que en todos los puntos, la diferencia cuadrática entre el punto real y la recta que se obtenga sea la mínima posible. Sin embargo, esto lo hemos encontrado solo para una ecuación de segundo orden. En principio, cuanto mayor sea el grado de x, más se puede aproximar la curva a los puntos reales de los tiempos. Probemos y veamos en la siguiente imagen:


La línea roja corresponde al polinomio de segundo orden y el verde, al de orden 3. Sus ecuaciones son las siguientes:



Lo cual, para el caso rojo nos da un tiempo de 9,82 segundos en 2016. Y para el verde, 9,19 segundos. No conviene seguir aumentando el orden de la ecuación sin ninguna razón, ya que puede ocurrir el problema de overfit, y que los grados altos empiecen a asemejarse a la curva mucho peor que las ecuaciones de bajo grado.

Resumiendo, tenemos las siguientes opciones:
a) 9,64 seg
b) 9,82 seg
c) 9,19 seg.

¿Con cuál nos quedamos? Pues no necesariamente con ninguno. Me explico: Fijémonos en la primera ecuación, la de primer grado. 

 
Como se puede ver, casi ningún punto coincide con la recta, sino que hay una distancia entre la recta que hemos creado y el punto real. A esto se le llama residuo, y los hay de diferente magnitud a lo largo de todos los años, e incluso varían a estar por encima y debajo de la curva. Por estos residuos, quizás convenga no tratar la predicción de datos de manera determinista, sino considerando que va a haber una incertidumbre en nuestros pronósticos. Es decir, empleando métodos probabilísticos. Y uno de los más interesantes, es el método de Bayes.

Es una simplificación extrema, pero Bayes realiza predicciones según va a haciendo observaciones. De hecho, para realizar la predicción voy a emplear una variante de Bayes: el filtro de Kalman (explicada justo en la entrada anterior), el cual tiene una propiedad de predicción. Su implementación para una dimensión es muy sencilla, y este filtro va adaptándose con los nuevos valores. Sin entrar en muchas explicaciones y siguiendo los pasos del enlace anterior, el tiempo que arroja el filtro de Kalman es de 9,37 segundos.

A modo de resumen de la entrada: se aprecia que hay muchas maneras y basándose en distintos enfoques para realizar predicciones en el tiempo. Todo esto es la base de una disciplina muy en boga: machine learning, o el aprendizaje máquina, el cual sobre todo os sonará por el big data y la inteligencia artificial. 

No hemos ahondado en las muchas maneras más complejas que las presentadas para hacer predicciones, y sería pura casualidad que alguno de los resultados aquí arrojados coincidiera con el Oro Olímpico. Pero tampoco nos hemos metido en pasos previos que sí que se dan en el machine learning: descarte de valores poco representativos, filtrado, comprobación del ajuste de los métodos de predicción, etc.
Comparte:

7/12/2016

In memoriam: Rudolf Kalman

El pasado 2 de julio falleció Rudolf Kalman, uno de los científicos cuyos resultados nos afectan directamente en la vida cotidiana. Es una fortuna que los científicos disfruten del prestigio durante su vida.

La mayor contribución de este matemático, ingeniero e inventor húngaro formado en Estados Unidos, es el celebérrimo filtro que lleva su nombre, y que se incorporó en el programa Apollo de la NASA en 1960. ¿De qué sirve este filtro?  No voy a explicarlo con un cohete, sino con un dispositivo mucho más sencillo:

Pensemos que un sensor nos arroja cada intervalo de tiempo una medida de la posición de la máquina, y que se iría llenando el siguiente vector de posiciones:

x = [0  0.1  0.22  0.31  0.42  0.50...];

¿Son estas posiciones las absolutas y las totalmente fiables? NUNCA. Por muy bueno y caro que sea un sensor, nunca será perfecto, y siempre su medida va a tener una incertidumbre. La medida que arroje un sensor en cada instante puede representarse mediante una campana de Gauss. Lo más probable es que la medida del sensor sea en el punto más alto, pero podría darse que estuviera en otro punto.

Y si imaginamos además que hay un sensor que mide la aceleración en los mismos intervalos de tiempo de mi máquina, tampoco puedo considerar que esas aceleraciones sean exactas. Ocurre exactamente lo mismo que con la posición. 

Vaya, ¡qué faena! Resulta que ni la posición ni la aceleración en cada instante de tiempo es fiable. Por lo tanto, en ningún momento parece que pueda asegurar dónde está mi máquina. ¿Llegamos a la Luna de chiripa o qué? 

El filtro de Kalman viene a resolver esas incertidumbres en las medidas de los sensores y fusiona los datos en sencillos pasos los datos hasta tener la posición real de mi máquina. Posiblemente, tras el filtrado de Kalman, la posición de mi aparato no sea el que he puesto en el vector x, sino:

x1= [0  0.11  0.23  0.30   0.40  0.48], por decir algo.

Programar el filtro de Kalman en Matlab o Excel es sencillísimo, tal y como se puede encontrar en numerosas webs, como ésta. Como os podéis imaginar, el filtro de Kalman está muy de moda ahora entre ingenieros que se dedican a la robótica móvil, pero es que esta herramienta se emplea en cualquier serie de datos temporales para predecir con más exactitud.

Hay una variable si el sistema a modelar es no-lineal, que es el filtro de Kalman Extendido, pero de ese no vamos a hablar ahora.

Puede que os interese saber que en todos los partidos de fútbol se emplea el filtro de Kalman para las cámaras del estadio y el seguimiento de objetos móviles. 

A pesar de todo lo dicho, Rudolf Kalman no fue el único que llegó a desarrollar su algoritmo. Tal y como indica la Wikipedia, esto fue una co-invención. Rudolf Kalman no fue el único que pensó sobre este problema, y entre otros estuvieron Gauss, Kolmogorov, Legendre... pero sobre todo, la co-autoría se puede atribuir también a Peter Swerling, quién llegó a una expresión parecida poco antes de manera independiente.


Comparte:

5/31/2016

Un poco de química y matemáticas del fútbol

¿Cuál es el origen de la estética y geometría del balón de fútbol al que estamos acostumbrados? Posiblemente, mucha gente atribuya este objeto a miles de horas de y trabajo de depuración de diseñadores. Como si tras un montón de pruebas, lográsemos un gran diseño estético de coche con sus líneas. Pero para los matemáticos, representa un curioso problema. ¿Habéis contado alguna vez cuántos paneles, hexágonos y pentágonos tiene un balón?



Pues si lo hacéis con un poco de paciencia, descubriréis que balones como el de la imagen tienen 12 pentágonos. La FIFA concretamente no dice nada de esto, sino que dice que para que una pelota sea pelota:
- debe ser una esfera con una circunferencia entre 68 y 70 cm.
- con un máximo de una desviación de 1.5% de la forma esférica cuando esté inflada
- la presión debe ser de 0.8 atmósferas.

¿Cuántos hexágonos tiene? Esto os costará un poco. ¡Armaros de paciencia para contarlos!

Pero a ver, ¿dónde está aquí la matemática y la química? Pues obviamente, el problema matemático reside en cómo encerrar un volumen sólo con pentágonos y hexágonos. Fíjaos en las siguientes imágenes (extraídas de aquí):

Son figuras que encierran un volumen y están formados por pentágonos y hexágonos... pero eso no tiene pinta de rodar por el césped correctamente (El de la izquierda tiene 20 vértices y 12 pentágonos; el de la derecha a su vez, tiene 24 vértices, 12 pentágonos y 2 hexágonos). ¿Cuál es la característica común en estas dos figuras? Que ambas tienen 12 pentágonos, y a eso se le denomina fullereno

Si manteniendo los 12 pentágonos, aumentamos un poco el número de hexágonos y de vértices, obtenemos formas que se parecen ya. Concremente, la siguiente figura tiene 12 pentágonos y 20 hexágonos, y si no estuviera inflada, descansaría sobre una cara.

Y desde luego, no es "esférico", como se refieren a él muchos comentaristas deportivos, ya que puede constituir el 85% del volumen de una esfera. Si añadiésemos más vértices y hexágonos lograríamos formas aún más esféricas. ¿El problema? Que todo eso encarece el coste de la pelotita y las marcas no pasan por ahí. Pero volvamos a ver de dónde sale que en todas las "esferas" hay 12 pentágonos:

Esto se demostró en el siglo XIX, a cargo del GENIAL matemático Leonard Euler, que relaciona el número de caras, vértices y aristas en un poliedro. Esta fórmula dice de manera muy simplificada que si v son los vértices, a las aristas y c las caras, siempre se cumple que:

v - a + c = 2   (v - e + f en inglés, mucho más extendida) 

Si un fullereno tiene p pentágonos y h hexágonos: 

- cada arista está compartida por dos caras: a = (5p + 6h)/2
- cada vértice está compartida por 3 caras: v = (5p + 6h)/3
- hay p + h caras: c=p+h

Y si aplicáis la fórmula de Euler, descubriréis que p=12.

Un problema similar surgió en los 80 en el ámbito de la química, cuando se estudiaba un molécula de carbono de 60 átomos, que formaba anillos de 5 y 6 átomos cada uno. Se sabía que el hueco de esta molécula era hueco. Y cuando se empezó a dibujar el fullereno como un balón de fútbol, al principio se le comenzó a llamar futboleno. Y ojo, que 3 señores recibieron el Nobel de Química en 1996 por el descubrimiento de esta estructura.




Más información

http://static.cs.brown.edu/courses/csci1950-h/soccerball_topology.pdf
 http://mathtourist.blogspot.com.es/2010/06/hexagons-pentagons-and-geodesic-domes.html
http://verne.elpais.com/verne/2015/09/11/articulo/1441988783_165642.html
http://blog.zacharyabel.com/tag/eulers-graph-formula/
https://math.stackexchange.com/questions/18340/why-are-there-12-pentagons-and-20-hexagons-on-a-soccer-ball
http://platea.pntic.mec.es/~aperez4/alcobendas/alcobendas.htm
Comparte:

Sígueme en redes:

descripción descripción descripción

En mi mesilla

Blog Archive