Experimento: Midamos el movimiento del ascensor con el móvil

21 febrero 2020

ACTUALIZACIÓN

Vídeo con la resolución

Os dejo con el experimento que nos enseñó Pablo Rodríguez en su estupendo artículo Un empollón en mi ascensor

Pablo hacía los cálculos con Python, mi aportación es hacerlos usando una hoja de cálculo, para que lo hagan como ejercicio alumnos míos que están en ello, y quizá otros estudiantes con menos habilidades en programación.

Que lo disfruten.

Compartan y, si les gusta/quieren y pueden… colaboren. KO-FI

 


Soluciones a los ejercicios sobre Hojas de cálculo y datos públicos

19 febrero 2020

Para los que estuvierais interesados en el manual de prácticas de hojas de cálculo enfocado al tratamiento de datos de acceso público. Aquí os dejo unos vídeos con las soluciones. Espero que os sirva a los interesados… y a los profes os dé alguna idea para hacer que nuestros chavales puedan cotejar información y sean menos fáciles de engañar.


Elogio del burlete

25 enero 2020

Sólo por hacer buenos los refranes “En casa del herrero, cuchillo de palo” y “Consejos vendo y para mí no tengo”, he pasado mas de veinte años explicando qué es un burlete y lo útil que es, mientras por mis ventanas correderas entra un biruji bastante desagradable.

Fuente: https://www.definiciones-de.com/Definicion/de/burlete.php

Empecemos.

El frío no existe.

No creáis, queridos lectores, que esto es un post de “autoayuda” en el peor sentido, es que el frío, en realidad NO existe.

En el mismo sentido que la oscuridad no existe, que lo que hay es la ausencia de luz, y que nadie trata de “meter oscuridad” en una habitación o evitar que “la oscuridad salga”, con el frío pasa algo parecido.

Y entonces, Panaderito nuestro, ¿qué ******* es lo que siento cuando toco un cubo de hielo con la mano? ¿No es el frío que entra en mi cuerpo? No, es el calor que sale.

Cuando pensamos en calefactar un local, intentamos compensar el calor que se escapa a través de paredes, cristales de ventanas… no el frío que entra.

PEEEERO lo que sí que existe es el aire frío. Si tienes una rendija, una puerta que cierra mal, o que debe abrirse y cerrarse… lo que puede que entre en tu casa no es frío, sino aire frío, que tendrás que calentar pagando calefacción, a la vez que el aire caliente que se escapa dilapida la energía que le diste en el exterior. Dos pagos a la basura.

Las rendijas son algo a lo que hay que presentar mucha atención, antes de invertir en grandes reformas o en subir la temperatura de la calefacción.

Puedes usar un papel fino sujeto por un extremo para intentar encontrar esas corrientes de aire que quizá no veas y que existan. Buenos lugares para mirar son: los antiguos cajones de las persianas, huecos demasiado grandes bajo las puertas o ventanas que no cierran suficientemente bien.

Para los cajones de las persianas, quizá lo mejor sea sellar esas rendijas con silicona, ya que no deben “abrirse y cerrarse” de manera normal.

Una forma muy barata de solucionar las rendijas en puertas y ventanas son los burletes. El objeto es barato, fácil de colocar y la mejora en muy considerable.

El de la imagen superior es para ventanas. Mira en tu tienda de bricolaje, porque hay modelos diferentes para ventanas correderas o batientes.

Para las puertas existen muchas variantes. Algunas muy “pro” y otras tan simples como poner un “peluche” contra la puerta o improvisar con gomaespuma una variante de alguno convencional. De nuevo, asequibles de precio y muy fáciles de instalar.

En resumen:

Ponga un burlete en su vida… la hará más cálida.

y

No seas como Javi, aplica el conocimiento que tengas.

 


Videotutoriales de TinkerCAD

21 enero 2020

He hecho un par de vídeos como ejemplos de cómo diseñar en TinkerCAD.

Aquí os lo dejo por si os sirve a vosotros o a vuestros alumnos, si sois profes.

DADO EN RELIEVE

CAJA CON TAPA DESLIZANTE

Os recuerdo también que tenéis este tutorial para iniciaros en TinkerCAD si aún no lo conocéis.

Y este manual si queréis saber lo fundamental sobre impresión 3D y sois recién llegados


El que mide, sabe. El que no, sólo opina.

19 enero 2020

Este era el leitmotiv de la gira de mi libro Aproxímate y una de las cosas que como profesor del área de ciencias más me gustaría que aprendiesen mis alumnos.

Ando pensando en qué podía hacer en el mundo de las hojas de cálculo y resulta que Guillermo Peris y yo andábamos pensando en cosas muy parecidas.

Pues gracias a la pericia de Gaby Jorquera aquí os dejo cómo sacar datos del Instituto Nacional de Estadística, para poder hacer luego nuestras cuentas y sacar nuestras propias conclusiones, o comprobar si esos números que vemos por ahí son verdad.

Hay mucho que podéis mirar o usar con vuestros alumnos. Incluso podéis ver directamente gráficas. Mirad, esta es la de la tan “discutida” brecha salarial por sexo (haz click para ver bien).

Por supuesto el INE no es el único sitio donde podéis consultar y visualizar datos, tenéis:

Gapminder el legado del enorme Hans Rosling (os dejo enlazada una de sus más famosas conferencias)

Google Public Data que agrega datos de varias fuentes

CIVIO donde tenemos a nuestro admirado Javier de la Cueva

EuropaPress con unas gráficas online muy vistosas.


Algoritmos, datos, sesgos e inteligencia artificial

18 diciembre 2019

Hablamos mucho de estas cosas, y no siempre da la impresión de que el conocimiento llegue al público, aunque fuese en los aspectos más generales. Pero, para eso tenéis a vuestro Panadero.

Últimamente oigo demasiado hablar sobre los “algoritmos” y su “maldad”.

Recordemos que un algoritmo es una secuencia de pasos para resolver un problema, como una receta de cocina.

Hoy en día, si pensáis en una inteligencia artificial como un robot que “siente”, tiene “voluntad”, “creatividad”, etc., al menos en la medida que nosotros podamos tenerla… no existe.

Lo que sí tenemos son sistemas “expertos” que son capaces de tomar decisiones en campos concretos de manera similar o superior a humanos expertos en esas materias. Por ejemplo, los programas que juegan al ajedrez o al go.

Si hay algoritmos interesantes en esas máquinas son los que les llevan a “aprender”, a comprender la situación para luego poder desenvolverse, tomar decisiones y demás.

El más avanzado programa de Go lo que hizo fue jugar muchísimas veces contra “sí mismo”, en realidad contra versiones anteriores, hasta conseguir tener un desempeño lejos del alcance del mejor humano.

Aunque el sistema de entrenamiento más conocido es el supervisado, en el que le facilito a la máquina una base de datos y espero que ella los “entienda”, extraiga patrones y conclusiones que le permitan tomar decisiones en el futuro.

Por ejemplo, un banco quiere entrenar una IA para que evalúe la posibilidad de que esta persona que está pidiendo un crédito termine siendo un moroso. Lo que se hace es dejar que la máquina eche muchas “cuentas” en algo que podíamos llamar (que me perdonen los puristas) “estadística con esteroides”, hasta que encuentra unas ciertas “reglas” que le permite “anticipar”, conociendo tus circunstancias (sexo, edad, dirección, nivel de estudios, etc.) si vas a ser moroso o no. Vaya, lo mismo que antes tenía que hacer un humano, tirando de su experiencia.

De esta forma, los datos que le damos a la IA son su “única” experiencia… y eso es muy peligroso.

Veamos un ejemplo, vamos a jugar a que tú eres la IA, yo te daré un conjunto de datos de una población que me he inventado y luego te preguntaré si concedemos el crédito a unas personas nuevas que vienen a pedirlo.

Estos son tus datos.

Venga, ¡échales un ojo que ya vienen los clientes!

Acaba de aparecer Guillermo, hombre, de raza negra, del que no sabemos si tiene hijos o dónde vive. ¿Qué hacemos?

Otro, Luisa, mujer, de raza blanca, de la que tampoco sabemos más.

Uno más, Pepi, mujer de raza blanca y con hijos.

Atención, olvídate de todo lo que no sean tus datos, tú, como IA sólo tomas información de ellos. Y, estos datos, míralos, nos dicen que alguien como Guillermo, no será un buen pagador.

Así que, nos vamos a otro banco con otra IA, que ha aprendido de estos datos

Si le planteamos los mismo casos de antes, Guillermo, Luisa y Pepi, verás que, en este caso, las conclusiones no serán muy halagüeñas para Luisa y Pepi.

Lamentablemente eso es lo que “dicen” los datos. En el primer caso, que las personas de raza negra serán morosas y en el segundo que las mujeres no serán muy proclives a devolverlo.

¿Es verdad que eso es lo que pasa con las personas que comparten esas características en mi población inventada? ¿Son “mentira” esos datos?

No son mentira… son un SUBCONJUNTO del total, una visión parcial que puede malinterpretarse, porque estamos tratando de forma incorrecta esa muestra de datos. Mira la población que me inventé y mira cómo son, efectivamente, subconjuntos. Siendo la población completamente equilibrada respecto a los indicadores de raza, hijos o sexo.

Las mismas personas que estaban en los subconjuntos están en el total, no se han manipulado sus datos, sólo que habíamos tomado muestras sesgadas. Como quien pregunta a dos personas por la calle dónde está el cine y concluye que nadie en el pueblo lo sabe porque el cien por cien de los encuestados (DOS!) no lo sabía.

¿Qué diferencia hay entre estos sistemas y las estadísticas tradicionales?

Pues que aquí, ni en los datos, ni en la máquina final es tan sencillo interpretar si están sesgados, qué sesgos tienen o cómo eliminarlos. En la práctica se puede caer en ir a “lo fácil”: He pagado un pastón por la máquina, le he metido muchos datos y me dice que no le dé el préstamo a Pepi. Pues no se lo doy.

Lo gordo es que a Pepi no le das el préstamo ni ninguna otra explicación, no sabe por qué ha sido excluida (quizá ni los propietarios lo saben) o por qué no contrataron el otro día a su primo David, o por qué es tan cara la póliza del seguro de su padre.

Como os decía es algo bastante complejo. Mirad, intentemos arreglar la base de datos primera, la que estaba sesgada por raza, para que no aplique ese sesgo. Borremos directamente la información racial, y veamos qué conclusión sacamos.

En este caso lo “poco recomendable” es prestarle dinero a alguien de la ZONA2… y ahora os animo a que vayáis a la base de datos y veáis que en los distintos barrios predominan distintas razas, con lo que, incluso quitando la información sobre la raza, mi base de datos conserva un sesgo racista.

Si añadimos a esto que LAS RAZAS HUMANAS NO EXISTEN y que NO SE CONSIDERA AL “SEXO” COMO UNA OPCIÓN BINARIA terminando con un doble mortal, nuestra máquina sesga a personas (sin que seamos conscientes) y además por características que están mal definidas o recopiladas. La pera.

Como veis, la “maldad” no está en el algoritmo, ni en las matemáticas, ni en particular en la estadística o en la programación… las máquinas heredan los “prejuicios” que están contenidos en los datos con las que se las entrena. No tienen la capacidad de entender que si hay un colectivo marginado al que nunca se le concede el acceso a crédito, jamás podrá salir de la pobreza y pagar esos créditos, o que es normal que otros colectivos no hayan tenido nivel alto de estudios, si se les prohibió acceder a ellos(!!) y tantas cosas, que no se infieren de conjunto de datos limitado y sesgado con el que las “alimentamos”. El diablo está en los datos.

Por cierto, ¿esto no os hace pensar en esas pequeñas criaturitas que se (mal)educan en entornos terribles y llegan a ciertas conclusiones sobre los otros y la vida, porque no han tenido los pobres otro input que ese, y van repitiendo consignas que ni siquiera resisten el mínimo análisis lógico. Uno de los ejemplos más claro de esto son los inmigrantes de Schrödinger que pueden A LA VEZ quitarte el trabajo y estar en casa sin hacer nada mientras cobran ayudas públicas.

Quizá os parezca que digo cosas raras o que pasarán en el futuro, pero dejadme que os ponga dos ejemplos del pasado bastante llamativos.

Un bot de Twitter que, al dejarle que aprendiera de la interacción con los usuarios (ya sabemos cómo es Twitter), terminó convirtiéndose en un troll, maleducado, sexualizado, fan de Hitler y de Trump.

Un programa de reconocimiento de fotografías que, al haber sido entrenado para reconocer a personas fundamentalmente de piel clara… confundió a una pareja de piel oscura con… ejem… con… gorilas(!!)

Y es por asuntos como este, de los que no se habla lo suficiente, por lo que se pide que estas cosas que se hacen con IAs estén abiertas al escrutinio público, ya que nos afectan a todos y pueden atentar contra derechos tan fundamentales, como que te consideren humano, pero claro, también está el dinero…

Un recuerdo siempre a Helena Matute que es un referente en esta lucha por lo que es de todos.


Resultados en problemas, ¿fracciones, raíces o sólo decimales?

10 diciembre 2019

¿Es adecuado dar como respuesta de un problema “2/7 metros”?

A mi entender, no. Me explico.

Ese número que he puesto tiene infinitos decimales, pero lleva unidades… porque se refiere a una magnitud física, a algo medible. Puede que sea la respuesta a “¿Cuántos metros de tela nos corresponden a cada uno si hemos comprado dos y somos siete personas?”.

¿Y qué problema le ves, Panaderito nuestro, a que el reparto de dos metros de tela entre siete personas se exprese como “dos séptimos”? No puede ser más obvio.

PUES CLARO QUE VEO PROBLEMAS. YO SIEMPRE VEO PROBLEMAS… Y NO MENORES.

Parece que ya (casi) todo el mundo ha asumido que dar una magnitud física sin las unidades es una barbaridad. Por ejemplo, si me preguntas a qué distancia vivo de ti y te respondo “CINCO”, bien puedo ser tu vecino de portal (a cinco metros), de ciudad (kilómetros) o alguien que ande no muy lejos de la estrella Proxima Centauri (a cinco años-luz). De forma que “CINCO” no es una respuesta válida, ni siquiera aproximada. No contiene ninguna información que se pueda usar.

Pero aún seguimos teniendo la “asignatura pendiente” de LA INCERTIDUMBRES, LOS ERRORES EN LAS MEDIDAS.

Volviendo al ejemplo de la tela. Las siete personas, son siete, venga, eso te lo acepto, pero los dos metros de tela, ¿son dos metros exactos? Imposible, ¿verdad? ¿Ni un átomo de más ni uno de menos?

Lo más probable es que sean dos metros, “centímetro arriba, centímetro abajo”, o quizá unos cuantos centímetros extra, o quizá lo hayan cortado con mimo exquisito, pero sigamos teniendo una tolerancia de unos milímetros. O pudiera ser que la tela encogiera o se expandiera según la humedad ambiente…

Y mil cosas más que nos indican que ese dos, no era un DOS, era un 2,0 ± 0,1 m, si tenemos una incertidumbre de 10 centímetros, o bien 2,00 ± 0,01 m, si nuestra incertidumbre es de un centímetro.

Y ahora dime tú: Si no sabíamos si había un centímetro de más o uno de menos, ¿cómo puedo decir que la parte que me toca es de 2/7 m = 0,28571429… m? ¿Cómo puedo decir que me tocan veintiocho centímetros y medio, con siete décimas de milímetro, y una centésima de milímetro, y cuatro micras y… ¿Qué sentido tiene eso? NINGUNO, ya te lo digo yo.

Si tengo un error de un centímetro en la medida original y divido por siete, debo expresar el resultado con milímetros y no mucho más, los demás números NO TIENEN SENTIDO, por mucho que lo diga la calculadora. Los números que arroja la calculadora hay que interpretarlos, no son la verdad revelada por Dios.

Vemos con claridad, ahora, que el error con el que conocía la medida original me condiciona la precisión con la que puedo dar el resultado.

Así que, si estamos haciendo un problema de matemáticas ABSTRACTO, en las que las cifras no se refieren a nada en particular -porque podrían referirse a cualquier cosa (benditas matemáticas)- ahí no hay ningún problema en que el resultado sea 2/7, Pi, o raíz de 2, PEEEEEERO, si estamos resolviendo un problema del MundoReal™, en el que la ciudad A está a diez kilómetros de la ciudad B, tengo una tela de dos metros, un campo de 3 hectáreas… todas esas cifras llevan asociada una incertidumbre en su medida, que condiciona la que podamos dar en el resultado.

Es una convención corriente que, si no se indica lo contrario, el error es de ±1 en la última cifra que pongamos. Así 2 m lo entendermos como 2 ± 1 m. En cambio 2,0 será 2.0 ± 0,1 m. Y, como veis, tiene todo el sentido poner 2,000 y es un número distinto a 2. En el primero hemos medido esos tres decimales y han salido cero, como podrían haber salido 5, 7 y 3. Sin embargo cuando decimos que la medida es 2, se entiende que no tenemos ni idea (porque no los hemos medido) del valor de los decimales.

Y ahora dejadme que vaya un paso más allá.

Cuando hacemos cálculos sobre el MundoReal™ no solamente tenemos medidas con incertidumbres, es que estamos haciendo números SUPONIENDO que la realidad se aproxima a un MODELO, más o menos preciso de cómo creemos que funciona. Por ejemplo, cuando hacemos cálculos sobre cuánto tarda algo en caer (una distancia de metros) solemos despreciar el efecto del aire, por ser pequeño, cosa que está muy bien, pero que ya supone que nuestro resultado no será “exacto”, sino aproximado. Y, de nuevo os pregunto, ¿qué sentido tiene hacer un cálculo dentro de un modelo aproximado y dar el resultado con infinitos decimales, si el error del modelo ya afectaría al tercer decimal?

Creo que además de divulgar estas cosas al público en general, debemos ir procurando que vayan calando en el alumnado, porque este es el uso particular que hacemos de las matemáticas en las ciencias experimentales y es necesario aprenderlo y aplicarlo correctamente.

Si os gustan estas cosas, os escribí un libro completo, Aproxímate, que tenéis sólo en las mejores librerías. Experimentos caseros con los que te enseño las matemáticas de las ciencias experimentales desde cero, la varita mágica que te dirá cómo funciona las cosas sin tener que creerte a nadie, porque: “El que mide, sabe, el que no, sólo opina”.


A %d blogueros les gusta esto: