E192 - Intro a Probabilidades

Resumen

En el episodio 192 se hace una introducción a la teoría de probabilidades, partiendo de los fundamentos teóricos (teoría de conjuntos, espacio muestral Omega, medida, sigma álgebra y axiomas de Kolmogorov) y avanzando hacia lo que se usa en la práctica. Se explica que la variable aleatoria es una función del espacio muestral a los reales, distinta de las observaciones que se obtienen de ella. Luego se presentan PMF, PDF y CDF, la esperanza (promedio ponderado a largo plazo, no necesariamente un valor posible) y la varianza. Se revisan la ley de los grandes números y el teorema central del límite, y se aplican a un Z test, con el p-valor como probabilidad de un resultado tan raro o más bajo la hipótesis nula. Los participantes debaten cuánta teoría de la medida hace falta en la práctica: la conclusión general es que basta con la intuición, y que la segunda parte (esperanza, LGN, TCL, tests) es la más necesaria. También hay una pausa de memes (Claude Code, skills, "vibe engineering") y una demo de un proyecto de scraping de departamentos.

Capítulos

• 00:00
  IntroSe presenta el plan del episodio: teoría de conjuntos, medida, Kolmogorov y variable aleatoria, y luego PDF/PMF, CDF, esperanza, varianza, LGN, TCL y Z test. El material se hizo creando una skill en Claude (disponible gratis) y exportando a reveal.js/HTML con Quarto.
• 03:15
  Por qué importa probabilidadSe defiende que estos temas son más importantes que proyectos "que venden más": permiten detectar suposiciones erradas en el código. Se aplican en finanzas, riesgo de crédito, machine learning y en experimentos como cambiar el color de un botón, donde los tests estadísticos se fundamentan en probabilidad.
• 05:06
  Teoría de conjuntos y eventosSe definen conjuntos A y B, unión e intersección, y el espacio de todas las posibilidades llamado Omega (por ejemplo, el clima de mañana o los mililitros que llena una máquina embotelladora, de 0 a infinito). Se admite que la noción es abstracta y poco intuitiva al principio.
• 08:21
  Ejemplo de monedasCon una moneda, Omega tiene dos elementos (cara o sello); con tres lanzamientos hay 2×2×2 = 8 posibilidades.
• 10:16
  Unión, intersección y complementoSe presentan las tres operaciones básicas, ilustrando el complemento con el evento "cara, cara, cara" y todo el resto del espacio. Se vincula con el filtrado de datos, por ejemplo con un AND en SQL.
• 11:41
  Probabilidad como medidaCalcular una probabilidad equivale a medir qué tan grande es un conjunto respecto al total, es decir, casos favorables sobre casos totales. Se ilustra con la probabilidad de obtener tres caras frente a una cara en tres lanzamientos.
• 13:31
  Sigma álgebra y medibilidadSe enuncian las tres propiedades de una sigma álgebra: contiene el vacío, es cerrada bajo complemento y bajo uniones numerables. Los participantes comentan que la formalidad existe porque la versión intuitiva de medir generaba conjuntos no medibles, y mencionan la paradoja de Banach-Tarski (duplicar una esfera); concluyen que en la práctica basta la intuición.
• 20:07
  Intuición de medida discretaSe explica que medir es asignar un valor real a los conjuntos: el vacío mide 0 y todo el espacio mide 1. Con la moneda se asigna 1/2 a cara y 1/2 a sello (la medida discreta), aunque 1/3 y 2/3 también serían válidos, y de ahí se recupera la regla de casos favorables sobre casos totales. En continuo, la medida de un punto es cero (por ejemplo, medir exactamente 1,72 m), pero eso no implica que sea imposible; se menciona el hotel infinito con habitaciones infinitas.
• 31:57
  Axiomas de KolmogorovLos tres axiomas: la medida es mayor o igual a cero, la probabilidad de Omega es 1, y la probabilidad de la unión de eventos disjuntos es la suma de sus probabilidades. Una consecuencia es que P(complemento) = 1 − P(A).
• 33:46
  Variable aleatoriaSe aclara que la variable aleatoria es una función que toma un evento de Omega y le asigna un número real (por ejemplo, la cantidad de caras en tres lanzamientos, o los mililitros de una máquina). Lo que se observa son los resultados de esa variable, no la variable misma, que es un concepto abstracto que modela el fenómeno.
• 37:00
  Preguntas y ejemplo monedaSe responde que el input de la variable aleatoria son elementos del espacio muestral, y se discute en qué sentido su valor es aleatorio: la función es determinista, pero no se conoce a priori el input.
• 38:56
  Azar vs determinismoCon la anécdota de una moneda que lanzaba siempre en cara, se plantea que el fenómeno es aleatorio solo si no se controlan los factores (fuerza, ángulo, presión, etc.). Omega sería el conjunto de condiciones iniciales posibles.
• 40:17
  Omega y resultadosSe aclara que el modelado depende de la pregunta: puede ser cara/sello o "gano/pierdo" codificado como 1/0. Se enfatiza que Omega puede representar las condiciones iniciales del lanzamiento.
• 41:44
  Ejemplo del dadoPara un dado, X asigna a cada cara su valor (o cualquier otro, como el cara 1 → 11); se puede definir distintas variables aleatorias sobre el mismo espacio muestral, como el número de caras en monedas. Lo aleatorio es qué elemento de Omega entra a la función.
• 44:38
  Mapeo arbitrario a REl mapeo del dado a números es una definición arbitraria; sirve porque así P(X = 11) = 1/6 y se trabaja siempre en los reales, donde es fácil calcular. En problemas simples esto es un "overkill", pero se vuelve útil con variables más complejas.
• 47:29
  Omega en problemas realesSe reconoce que Omega es difícil de definir en problemas reales y a menudo "vive en otro lado"; se modela solo con X. Ejemplos como alturas con distribución normal muestran modelos que permiten valores imposibles, y se pone el ejemplo de estados aprobado/rechazado/pendiente.
• 49:39
  Eventos raros prob ceroQuien modela decide qué eventos incluir; lo que no interesa (moneda que cae parada o explota) se trata como probabilidad cero, y si ocurre es "mala suerte". Se menciona el COVID como evento de probabilidad casi cero.
• 50:23
  MemesSe comentan memes: Claude Code instalado en un refrigerador, usar solo conversación con el LLM versus técnicas avanzadas, skills y plan mode, "vibe engineering" como nueva profesión (con apuestas internas de predicción) y un meme de teoría de la medida.
• 56:28
  Proyecto scraping inmobiliarioSe muestra un mapa de publicaciones de departamentos en Ñuñoa y Providencia, coloreado por precio en UF normalizado por zona, con paleta apta para daltonismo. El foco es que el scraping funcione; se hizo con Codex, y falló al montarlo en AWS por bloqueos sin proxy.
• 01:03:02
  Continuas vs discretasLa idea es la misma en ambos casos; cambia la medida: en discreto se cuenta, en continuo se miden áreas o longitudes.
• 01:03:47
  PMF y PDF en prácticaLa PMF da la probabilidad de un valor específico y solo tiene sentido en discreto (promedio ponderado); la PDF da probabilidad entre a y b integrando, y la densidad no es una probabilidad (puede superar 1).
• 01:07:01
  Límites del CDFLa CDF es la probabilidad de que la variable sea menor o igual a un valor y sirve para discretas y continuas. En infinito vale 1 y en menos infinito vale 0.
• 01:08:17
  PMF vs PDF con ejemplosSe contrasta un dado cargado (masa) con la distribución de edades (densidad), y se explica que un fenómeno continuo puede discretizarse según cómo se quiera modelar.
• 01:10:18
  Cómo leer la acumuladaLa CDF es el área bajo la curva de densidad hasta un punto (o la suma de masas en el caso discreto); la función de densidad f(x) es distinta de la acumulada.
• 01:12:15
  Esperanza y valor esperadoLa esperanza es el promedio a largo plazo, una suma ponderada de valores por su probabilidad. Se ejemplifica con tres lanzamientos y el número de caras.
• 01:15:03
  Esperanza no es probabilidadPara la moneda con X = 1 si sale cara y 0 si no, E[X] = 0,5, que no es un valor posible. Si se define X como 2 o 0, la esperanza es 1; la suma de dos dados tiene esperanza 7.
• 01:20:17
  De sumatoria a integralEn el caso continuo la esperanza es análoga, con una integral en lugar de la sumatoria.
• 01:20:45
  Varianza e intuiciónLa varianza mide cuánto se desvía la variable de su esperanza. Se escribe como E[X²] − (E[X])² o como la esperanza del cuadrado de la diferencia respecto a la esperanza.
• 01:21:57
  Ley de grandes númerosPara variables i.i.d. con media mu, el promedio de n variables se acerca a mu cuando n tiende a infinito. La media teórica es desconocida y solo se conoce la empírica.
• 01:24:24
  Teorema central del límiteCon variables i.i.d. de varianza finita, (promedio − mu) dividido por sigma/√n tiende en distribución a una normal estándar, sin importar la distribución original (exponencial, Poisson, etc.).
• 01:27:24
  Convergencia y malas aplicacionesSe discute si el TCL sirve para percentiles en las colas (no necesariamente) y que las variables deben venir de la misma distribución. Se mencionan los tipos de convergencia (casi segura, en probabilidad, en distribución), con la de distribución como la más débil.
• 01:32:16
  CLT aplicado a tests ZCon la hipótesis nula se fija mu0 y se calcula el estadístico con la media, varianza y n empíricos; el estadístico se ubica en la normal estándar.
• 01:36:11
  P-valor vs alfaEl p-valor es la probabilidad de un resultado tan raro o más bajo la hipótesis nula; quien presenta prefiere reportar el p-valor en vez de solo "rechazo/no rechazo" con alfa 0,05. Se menciona que bajo H0 el p-valor distribuye uniforme al repetir el experimento.
• 01:39:44
  CierreSe anuncia que la próxima semana hay entrevista (sobre prompt injection). Los participantes opinan que la teoría pura es más curiosidad, mientras que la segunda parte (LGN, tests de hipótesis) es clave y más entretenida.

Palabras clave