adictosalaIApor Iván CarrilloContacto
UNIDAD 1 / AUTOEVALUACIÓN

¿Sabrías decidir qué modelo usar?

Estas preguntas son prácticas propuestas. Intenta justificar tu respuesta con una cuenta o un contraejemplo antes de desplegar la solución. Si solo recuerdas el nombre del método, vuelve al tema indicado.

01 / PROBABILIDAD

Una alarma acierta el 90 % de los defectos. ¿Cuántas piezas hay que retirar?

De 10 000 piezas, 100 son defectuosas. El sensor señala por error el 2 % de las sanas. ¿Qué proporción de las piezas señaladas tendría realmente defecto?

Comprobar mi razonamiento

Esperamos 90 alarmas entre las defectuosas y 198 entre las 9 900 sanas. La fracción buscada es 90/(90+198) = 31,25 %. El 90 % emplea otro denominador. El cálculo aún no decide qué retirar: para eso faltan los costes de inspeccionar o dejar pasar una pieza defectuosa.

02 / MODELOS MULTIVARIADOS

¿Y si la dirección más variable es la menos útil?

El peso de una pieza varía mucho dentro de cada clase de calidad. Su diámetro varía poco, pero separa casi por completo las dos clases. Si la primera componente principal apunta hacia el peso, ¿hay una contradicción?

Comprobar mi razonamiento

No. PCA busca varianza total sin ver etiquetas. LDA usa etiquetas y compara separación entre clases frente a dispersión dentro de ellas. Antes de elegir, comprueba las unidades de ambas medidas y evalúa la clasificación en piezas no vistas. Escalar modifica qué significa «mayor varianza».

03 / ESTIMACIÓN

¿Qué probabilidad explica mejor dos compras en ocho visitas?

En 8 visitas se registran 2 compras. Bajo un modelo Bernoulli con probabilidad constante, compara p = 0,25 y p = 0,5. ¿Darías por conocido el comportamiento de los próximos ocho visitantes?

Comprobar mi razonamiento

Para esa secuencia, L(0,25) = 0,25² × 0,75⁶ ≈ 0,01112. L(0,5) = 0,5⁸ ≈ 0,00391. La primera probabilidad ajusta mejor y coincide con el estimador 2/8. No garantiza que las próximas ocho visitas contengan dos compras. Si se comparan recuentos en vez de secuencias, ambos valores incorporan el mismo factor combinatorio.

04 / SELECCIÓN

¿Merece la pena añadir parámetros?

Dos modelos ajustados a las mismas 100 observaciones tienen log-verosimilitudes −100 y −97,5 y respectivamente 2 y 4 parámetros libres. ¿Coinciden AIC y BIC?

Comprobar mi razonamiento

AIC = 2k − 2ℓ da 204 y 203: el segundo gana por poco. BIC = k ln(n) − 2ℓ da 209,21 y 213,42: el primero gana. Los criterios se minimizan y penalizan la complejidad de manera distinta. Para una decisión predictiva, añade validación que respete cómo llegarán los datos.

05 / INFORMACIÓN

Dos modelos aciertan la clase. ¿Empatan?

Ha ocurrido la clase positiva. Un modelo le asignaba probabilidad 0,51 y el otro 0,90. Calcula su pérdida logarítmica para ese único caso.

Comprobar mi razonamiento

−ln(0,51) ≈ 0,673 y −ln(0,90) ≈ 0,105 nats. El segundo recibe menor penalización. Si hubiera ocurrido la clase negativa, el segundo perdería −ln(0,10) ≈ 2,303. Una sola observación no permite juzgar la calibración de todo el modelo.

06 / MODELOS LINEALES GENERALIZADOS

Una fábrica duplica el tiempo observado. ¿Se ha vuelto más peligrosa?

Durante 100 horas se observaron 4 incidentes; durante otras 200 horas, 8. ¿Qué comparación harías? ¿Dónde entran las horas en un modelo Poisson?

Comprobar mi razonamiento

Ambos periodos tienen 0,04 incidentes por hora. Modela log(media del recuento) = log(horas) + predictor de la tasa: el primer término es una compensación por la exposición con coeficiente fijo 1. Cuatro frente a ocho no demuestra un cambio de tasa. Comprueba dispersión y dependencia antes de interpretar intervalos.

07 / MODELOS NO PARAMÉTRICOS

Veinte árboles repiten el mismo error.

Sus errores tienen igual varianza y están perfectamente correlacionados. ¿Cuánto reduce esa varianza promediar las predicciones? ¿Qué cambiarías?

Comprobar mi razonamiento

Con correlación 1, la varianza del promedio es la de un solo error. En un bosque puedes diversificar muestras y variables candidatas; comprueba el resultado fuera de muestra. Si el problema es una etiqueta sistemáticamente equivocada, promediar no la corrige.

DEL MANUAL A UN ARTÍCULO · §9

¿Se puede ajustar sin etiquetas y evaluar con ellas?

En el caso de resonancia magnética del manual, el equipo ajusta una mezcla generalizada a intensidades de imagen mediante EM. Después compara la región segmentada con una segmentación de referencia. ¿Son incompatibles ambas decisiones?

Leer la interpretación

No. En el ajuste, la pertenencia de cada vóxel a un componente es latente; no necesitas introducir su etiqueta para estimar los parámetros. En la evaluación sí necesitas una referencia independiente para saber qué parte de la región coincide. El índice Dice es dos veces el tamaño de la intersección dividido entre la suma de los tamaños de las dos regiones. Si predices 12 vóxeles, la referencia contiene 10 y coinciden 8, Dice = 16/22 ≈ 0,73. Estas cifras son un ejercicio propio. El estudio informa de nueve pacientes: un resultado prometedor en esa muestra no establece que el sistema generalice a otros hospitales.

Artículo original de 2025, AIP Advances · alcance consultado: resumen de los autores y comparación con el §9 del manual.

Seguir practicando: diez problemas sobre estimación y selección →