Por @Alvy — 26 de Mayo de 2017

Joe Hanson explica detalladamente en este episodio de It’s OK to be Smart qué es la suerte. O más bien, qué es lo que algunas personas consideran buena suerte o mala suerte y yendo un poco más allá por qué decimos que hay personas suertudas o auténticos gafes.

Uno de los ejemplos más conocidos de cómo creen los famosos que influye la suerte en sus vidas es el conocido como efecto de la portada de Sports Illustrated, cuyo equivalente en español sería la maldición de las natillas Danone. Básicamente viene a decir que cuando un deportista o equipo famoso aparece en la portada de la popular revista acto seguido sufre alguna desgracia en su racha de éxitos o buena suerte. Lo mismo se ha dicho en España de quienes protagonizan las natillas Danone: desde Sergi Bruguera a Alex Crivillé, Luis Figo o Ronaldinho.

El efecto es en realidad una materialización del fenómeno conocido como regresión a la media que se aplica en estadística y análisis científicos. En la práctica, normalmente quienes ocupan esa portada o protagonizan los anuncios han tenido una racha extrema de éxitos, de modo que tenderán a volver a su rendimiento normal (es decir: tener algún fracaso de vez en cuando, la media) tras haber sido fichados para la portada o el anuncio en cuestión. El efecto se analizó metódicamente en la propia revista sobre varias décadas de portadas y se comprobó que efectivamente afectaba al 37% de los deportistas.

Al respecto Hanson recomienda libros como The Luck Factor, de nuestro admirado Richard Wiseman o What the Luck? de Gary Smith. Eso permite reconocer ciertas pautas de la gente que ve todo desde el lado positivo y prefiere pensar que lo que le sucede en la vida –fruto del azar– son detalles de buena suerte («afortunadamente me salvé de ser aplastado por una roca») en vez de estar siempre quejándose de su mala suerte («una roca que cayó estuvo a punto de matarme, qué desgracia la mía»). Dice que en ocasiones esa actitud lleva a modificar el comportamiento de forma casi subliminal de modo que surgen las profecías autocumplidas «positivas».

No entender bien lo que es la regresión a la media y otras sutilezas del azar y las leyes de la probabilidad lleva a confundirse a muchas personas y caer en la falacia del jugador, colateralmente relacionada con esta: intuyen que monedas, dados y ruletas tienen cierta «memoria» sobre el pasado y que sus resultados a corto plazo tenderán a «regresar a la media». En realidad la frecuencia de un suceso no tiene por qué manifestarse a corto plazo, ni se conoce su histórico, lo que hace que cada jugada sea totalmente independiente de las anteriores. «Los dados no tienen memoria», es la mejor forma de entenderlo.

Compartir en Flipboard  Compartir en Facebook  Tuitear
Por @Alvy — 2 de Mayo de 2017

Random Sanity Project

Random Sanity Project es un servicio web con un único objetivo: comprobar y garantizar que las secuencias de números aleatorios que se generan con todo tipo de software son realmente aleatorias. La forma de hacerlo es mediante una API a la que se puede enviar una secuencia de números que se hayan generado y obtener una respuesta: verdadero si parecen realmente aleatorios, falso en caso contrario.

El objetivo es sencillamente «evitar fallos catastróficos» de algunas funciones de generación de números de este tipo, que por diversas circunstancias puedan fallar o estropearse (generando cosas secuencias como 00000…). tiene una alta precisión y solo da un falso positivo cada 260 casos, suficiente para casi cualquier aplicación.

Además de otros detalles respecto a la API en página del proyecto se puede descargar el código en Github con ejemplos.

Relacionado,

Compartir en Flipboard  Compartir en Facebook  Tuitear
Por @Alvy — 25 de Abril de 2017

Sobre la percepción de la probabilidad / Zonination

Perceptions of Probability es un trabajo de hace tiempo que Zonination presentó a los premios Information is Beautiful Awards. Básicamente consiste en preguntar a un grupo amplio de gente en qué probabilidad numérica (0-100%) creen que encajan diversos términos de los que solemos usar para referirnos a la probabilidad: «Casi seguro», «Improbable», «Casi imposible», etcétera.

La idea original es de Sherman Kent, quien lo preparó para la CIA para un trabajo sobre la «psicología del análisis de información de inteligencia». Se puede leer completo aquí: Measuring Perceptions of Uncertainty [Google Books]. Originalmente los sujetos entrevistados eran oficiales de la OTAN. Kent también propuso simplificarlos en cinco grupos que abarcaran todo el espectro probabilístico con cinto términos.

Aun a riesgo de equivocarme, ahí va esa lista con las probabilidades traducidas al castellano:

TérminoProbabilidad
Casi seguro90% - 96%
Altamente probable85% - 95%
Muy buena probabilidad75% - 85%
Probable65% - 78%
Posible65% - 75%
Creemos que60% - 80%
Probablemente65% - 85%
Más probable de lo normal       55% - 60%
Igualado50%
Dudoso15% - 33%
Improbable7% - 27%
Poco posible10% - 28%
Probablemente no20% - 38%
Pocas posibilidades10% - 20%
Casi imposible2% - 5%
Altamente improbable5% - 10%
Ligera probabilidad10% - 15%

Los datos de Zonination se realizaron sobre unas 50 respuestas, que aunque quizá no sean muchas coinciden a nivel de la gráfica con las del estudio original de Kent. Los matices son realmente sutiles, pero permiten cuantificar a qué cree referirse la gente cuando dice que algo es «altamente improbable» o «casi seguro». También muestra los matices para términos muy vagos como «probablemente« o «dudoso».

No es difícil imaginar diversos usos, incluyendo uno que permita a los equipos inteligentes afinar sus respuestas con un término más humano que un mero valor numérico. «Lo siento capitán Kirk, pero es casi imposible que podamos atravesar el campo de asteroides sin estrellarnos…»

(Vía Rob Simmon.)

Compartir en Flipboard  Compartir en Facebook  Tuitear
Por @Alvy — 6 de Febrero de 2017

Foto: Dong Kim en el Rivers Casino / Carnegie Mellon University
El jugador de póker profesional Dong Kim se enfrenta en el Casino Rivers de Pittsburgh –a través de la pantalla– con Libratus, la inteligencia artificial que resultó victoriosa en el reto Brains vs. AI

Libratus se ha enfrentado a un grupo de tipos que se ganan la vida consiguiendo engañar a sus rivales. Al principio su algoritmo no entendería lo que estaba pasando. ¿Faroles? ¿Qué es eso? Pero en cuanto lo entendió, manejó el engaño mejor que sus consumados rivales (…)

¿Qué sucedería si las máquinas empezaran a mentir? Podrían ser mentirijillas. El móvil al 80% que anuncia que su batería está baja para asegurar el suministro de electricidad cuando sea conectado al cargador o el coche cuyo ordenador anuncia averías inexistentes porque sabe que el frecuente paso por el taller alargará su vida… O grandes trolas, llegando a hacer realidad el argumento clásico de la ciencia ficción del ordenador que miente y mata (Hal en Odisea 2001 o Skynet en Terminator) para no ser desconectado (…)

Me pareció curiosa esta reflexión titulada A mentir no nos gana nadie... excepto Libratus (de Jorge Marirrodriga) sobre todo porque dediqué tiempo la semana pasada a preparar un artículo sobre ese software, Libratus: El día en que la inteligencia artificial ganó a los profesionales del póker (también publicado en El País).

La historia del reto Cerebros vs. IA, como lo llamaron a la competición, me pareció bastante interesante, porque era la primera vez que un algoritmo vencía al póker «sin límite de Texas» (Texas Hold’em) en modalidad uno‑contra‑uno. En total cuatro profesionales del Hold’em y Libratus jugaron 120.000 rondas de póker durante 20 días. De los 2 millones de dólares (virtuales) el software del departamento de informática de la Carnegie Mellon acabó llevándose 1,7 millones; como aliciente se repartían 200.000 dólares «reales» según la clasificación final. Previamente calcularon que una victoria de esa magnitid permitiría afirmar con una certeza del 99,7 por ciento que el resultado no se habría debido al puro azar.

Aunque naturalmente el programa domina perfectamente las reglas y los cálculos probabilísiticos aplicables a cada situación, también es cierto que «aprendió a engañar», y no porque se lo enseñaran expresamente: la idea de «tirarse un farol» surgió como parte del entrenamiento que hizo jugando consigo mismo para encontrar una estrategia óptima; una vez comprobada su efectividad también descubrió que debía tener en cuenta que otros jugadores usarían ese mismo recurso del juego – así que aprendió a protegerse cautamente de los faroles de los contrincantes.

El resultado es un algoritmo que –aunque necesita un supercomputadora entre bambalinas a día de hoy– afina de forma mucho más precisa y exacta que un humano la delgada línea entre apostar sobre seguro y pretenderlo; entre acobardarse y denegar un envite a sabiendas de que sus probabilidades son peores. Algo que, como dicen sus creadores, tiene múltiples aplicaciones más allá de los aparentemente sencillos juegos de naipes.

{Foto: Universidad Carnegie Mellon}

Compartir en Flipboard  Compartir en Facebook  Tuitear