(#449). AUMENTO DE CASOS DE GLIOBLASTOMA TAMBIÉN EN FRANCIA

[MONOTEMA] Como explicamos en el post anterior, la incidencia de glioblastoma creció significativamente en Inglaterra, Canadá y Estados Unidos en el periodo 1995-2015.

Hace escasos meses, en julio de 2019, la agencia pública francesa “Santé Publique France”, que actúa bajo la supervisión del Ministerio de Sanidad, publicó este informe donde se estima la incidencia y mortalidad por cáncer en la Francia metropolitana entre los años 1990 y 2015, con proyecciones hasta 2018.

Los número de casos histológicamente confirmados se han multiplicado por 4 en el periodo considerado, tal y como puede contemplarse en la figura siguiente:

Los autores del estudio hacen referencia también a la investigación realizada en Australia por Dobes et al. (2011), donde la incidencia de glioblastoma creció significativamente de 3.2 a 3.96 casos por 100000 personas/año en el periodo 2000-2008.

Los investigadores franceses plantean varias hipótesis para justificar el incremento importante de casos de este tipo de cáncer cerebral, entre ellas la de exposición a radiación electromagnética no ionizante que, como ya sabemos, incluye la radiación de los teléfonos móviles.

Todos los posts relacionados




(#447). EDUCACIÓN TÓXICA. EL IMPERIO DE LAS PANTALLAS Y LA MÚSICA DOMINANTE EN NIÑOS Y ADOLESCENTES

[MONOTEMA] En Educación Tóxica, Jon Illescas explica la importancia y el efecto que tienen los contenidos audiovisuales, en especial la música,  para la educación de niños y adolescentes. Lo hace apoyado en un profundo trabajo de investigación y análisis sociológico, que nos muestra evidencias suficientes para concluir que el dominio de la industria cultural es esencial para que la oligarquía empresarial y los propietarios del capital puedan mantener su posición de privilegio con respecto a la clase trabajadora, mediante un premeditado sistema de control social.

Jon Illescas, es profesor de enseñanza secundaria y bachillerato. Licenciado en Bellas Artes por la Universidad Miguel Hernández con Premio Extraordinario de Licenciatura, posteriormente se doctoró en Sociología y Comunicación por la Universidad de Alicante, consiguiendo también el Premio Extraordinario de Doctorado.  Jon es un artista plástico, que además ha publicado un centenar de trabajos sobre cultura, comunicación y economía. Entre ellos destaca el libro que precede a este, titulado “La dictadura del videoclip”, publicado en 2015 y que ha recibido excelentes críticas y ya va por la tercera edición.

Desde hace muchos años doy clase de marketing a los alumnos de segundo curso de GADE en la UPCT, estudiantes de 18, 19, 20 años que son prácticamente adolescentes, y lo que observado en los últimos tiempos en ellos concuerda perfectamente con las tesis de este libro.

Muchos de estos estudiantes (no todos), además de una dependencia de las pantallas (especialmente del teléfono móvil) cada vez más enfermiza, vienen con dos ideas preconcebidas y equivocadas, fruto de la brutal propaganda del sistema capitalista neoliberal:

La primera de ellas es la búsqueda de la satisfacción inmediata y el éxito fácil como leitmotiv; evitan los análisis sosegados de problemas complejos y creen que todo se puede resolver con frases simples, argumentar con un “zasca” o explicar una idea con un mensaje de 140 caracteres. Todo rápido y fácil, y por eso buscan que los profesores les den herramientas para la acción, pero no, y esto es importante, herramientas para el pensamiento. Para ellos las nuevas tecnologías son una especie de bendición divina , y no se puede criticar ningún aspecto de ellas sin ser etiquetado como retrógrado, porque para ellos todo es blanco o negro, todo es dualismo, no hay matices.

La segunda de ellas es que son libres para elegir lo que quieren, porque viven en el mejor sistema económico posible, donde quien triunfa es porque se lo ha ganado, y donde el libre mercado es sinónimo de democracia. Están convencidos de que la demanda es quien dirige la oferta, es decir, son ellos los que con sus gustos y preferencias eligen lo que el mercado debe producir.

Estas dos ideas son desmontadas por Jon en el libro de forma brillante, mostrando la necesidad de realizar análisis sociológicos bien elaborados para entender las causas de los problemas complejos, en este caso, los relacionados con la educación y nuevas tecnologías. Además, muestra evidencias incontestables de que no es la demanda la que determina la oferta, todo lo contrario, somos manipulados para que pensemos y nos comportemos como quiere el poder hegemónico. En este sentido su tesis es similar a las conclusiones de Baudrillard sobre la función del marketing en el sistema capitalista, como medio de propaganda del poder, que nos dice qué debemos consumir para ser felices.

El libro desarrolla todos estos temas usando como principal hilo conductor  la industria musical, desnudando su funcionamiento como sistema de control de masas. Sin embargo, no se queda sólo en el diagnóstico del problema, sino que también plantea alternativas y formas de luchar contrahegemónicas, que son muy interesantes, tanto para educadores (profesores y padres), como para aquellos políticos que las quieran escuchar.

Es evidente que no es un libro contra el uso de las las nuevas tecnologías en la educación, ni tampoco emplea una visión excesivamente moralista. Hay que profundizar en su lectura para darse cuenta de los matices sobre la necesidad de control y limitación de ciertas prácticas educativas que, en definitiva, no son más que la reproducción de los intereses del capital privado. Frente a ello, independencia de lo público, enseñanza libre de toda injerencia empresarial, y fomento de la inversión estatal en crear una industria cultural alternativa, basada en algo que,  desafortunadamente, suena anacrónico a muchos, y es la defensa de los Derechos Humanos.

En definitiva, un libro que probablemente hará reflexionar a aquellos padres que llevan a sus hijos a colegios con iPad desde primaria, a los que les regalan un móvil para su comunión, a los que permiten que sus hijos de 7-8 años se pasen las tardes conectados jugando a videojuegos, a los profesores de colegio que eligen ciertas canciones para las funciones de los niños, a los docentes que piensan que están haciendo la revolución digital en sus colegios porque los profesores llevan el móvil a todas horas y sus alumnos hacen Power Points, o a los políticos que se venden a los intereses privados, fomentando la educación concertada mientras mantienen en la miseria a los centros públicos.

Todos los posts relacionados




(#446) RENDIMIENTO EN BASE A VICTORIAS PRODUCIDAS POR LOS JUGADORES

[MONOTEMA] El índice PTC se construye en base a los factores que determinan la producción (FDP) en cada partido. Pasar de FDP a PTC se hace mediante una relación de equivalencia, por lo que las unidades de PTC no tienen sentido en sí mismas, pero sí a nivel relativo, por supuesto, es decir, para comparar jugadores.

En cualquier caso, y quizá perdiendo un poco de rigor, pero ganando facilidad interpretativa, hay una forma de convertir los valores de PTC a victorias producidas.

Para ello, hemos tomado los datos de PTC de los equipos de la NBA desde la temporada 1996/97 hasta la 2018/19, junto con el número de victorias. A través de una regresión lineal simple podemos relacionar ambas variables:

Los resultados son:

Es cierto que tenemos una varianza explicada no demasiado buena, pero aquí el interés se centra principalmente en la predicción de las victorias, y menos en la bondad del modelo. Es decir, con lo que tenemos, que es un índice PTC formado por equivalencia, por lo que el teóricamente relacionado con el diferencial de cada partido es el FDP, hemos de arreglárnoslas para realizar una predicción medianamente aceptable. Y esto es lo que acabamos de hacer.

En mi opinión, y para salvar algunos problemas de unidades e interpretabilidad, lo mejor es construir esos valores de victorias producidas con referencia a la media de los jugadores de la NBA (o de las ligas donde se aplique). De este modo, ya no vamos a tener problemas con el intercept  durante cada momento de la temporada (haría que las victorias producidas estuvieran en negativo durante muchos meses).

Por tanto, ya estamos en condiciones de presentar el nuevo índice de victorias producidas, al que podemos llamar PTCwins, y que se calcula de la manera siguiente, para cada jugador :

Y esto es lo que vamos a ir mostrando cada semana (más o menos) tanto para la NBA como para la Liga ACB.

En consecuencia, el PTCwins para cada jugador se interpretaría como el número de victorias estimadas producidas en relación a la media de la liga. Un PTCwins positivo indicaría que el jugador produce más victorias que la media, y PTCwins negativo sugeriría que produce menos victorias que el jugador promedio.

Todos los posts relacionados




(#444). ¿ES LUKA DONCIC UNA ESTRELLA DE LA NBA? ANÁLISIS DE PRODUCTIVIDAD COMPARADA

[MONOTEMA] Importante: toda la información se actualizará en mi nueva web:  www.playertotalcontribution.com

En esta página vamos a ir incorporando los datos de productividad (PTC/MP) de Luka Doncic comparado con otras estrellas de la NBA. El objetivo es analizar al jugador esloveno, tomando como referencia otros jugadores consagrados y futuras estrellas.

La elección de los jugadores a comparar es subjetiva, en base a gustos personales y relaciones interesantes.

Iremos actualizando los datos mes a mes. La lista completa de jugadores con la productividad agregada puede consultarse aquí.

Actualizado 21/11/19 



Todos los posts relacionados




(#438).TEORÍA DE PROBABILIDAD E INFERENCIA ESTADÍSTICA SEGÚN ARIS SPANOS (IIIe)

[MONOTEMA]  Avanzamos con el quinto apartado del tercer capítulo de Probability Theory and Statistical Inference, de Aris Spanos.

Parámetros y momentos

Además del histograma de la distribución de datos observados, también disponemos de ciertos números que caracterizan la distribución como la media o la varianza. Esos valores numéricos están relacionados con los momentos de la distribución, que son esperanzas matemáticas de ciertas funciones de la variable aleatoria , genéricamente denotadas por .

Si escogemos diferentes funciones  obtendremos diferentes momentos de la distribución. Por ejemplo:

Media 

Para variables continuas:

Para variables discretas:

Varianza

Una forma conveniente de calcular los momentos de una distribución es a través de la función generatriz de momentos (mgf), donde

Para variables aleatorias discretas las integrales se vuelven sumatorios.

Por ejemplo, para una variable aleatoria X que sigue una distribución de Poisson:

Dado que: 

Entonces:

A partir de los momentos de la distribución se puede estudiar la asimetría y el apuntamiento. De este modo, podemos caracterizar la forma de la distribución a partir de los momentos.

Todos los posts relacionados




(#437). TEORÍA DE PROBABILIDAD E INFERENCIA ESTADÍSTICA SEGÚN ARIS SPANOS (IIId)

[MONOTEMA] En esta cuarta entrega del tercer capítulo de Probability Theory and Statistical Inference, de Aris Spanos, seguimos profundizando en la relación entre espacio de probabilidad y modelo de probabilidad.

Cuando las probabilidades son funciones conocidas de ciertos parámetros desconocidos , entonces podemos transformar el espacio probabilístico en un modelo de probabilidad definido por:

donde  es una colección de funciones de densidad que dependen de un conjunto de parámetros  en el espacio paramétrico .

Podríamos usar también la función de distribución:

Pongamos un ejemplo usando la distribución Beta como modelo de probabilidad:

 

Podemos analizar el porcentaje de acierto en los tiros libres de los jugadores NBA hasta 2015 (el acumulado en sus respectivas carreras), para aquellos que hubieran lanzado al menos 30 tiros libres.

El histograma de la distribución es el siguiente:

data:read_list(file_search("RUTADELARCHIVO.txt"));
datatranspose:transpose(data);
estatura:datatranspose;
histogram (
estatura,
nclasses=15,
frequency=density,
xlabel="Espacio muestral. Porcentaje acierto tiros libres",
ylabel="Densidad de probabilidad",
fill_color=green,
fill_density=0.5);

Para ello nos ayudamos de nuevo de Stata 13.0, y estipulamos una distribución Beta de parámetros (18, 7.5). 

Es decir, para la modelización empírica debemos postular a priori una familia de densidades que refleje el mecanismo estocástico que da origen a los datos observados. Para ello, tiene espacial relevancia el rango de valores de la variable aleatoria.

Estamos todavía al comienzo, pero ya hemos intuido cómo se plantea un modelo de probabilidad.

Todos los posts relacionados




(#436). TEORÍA DE PROBABILIDAD E INFERENCIA ESTADÍSTICA SEGÚN ARIS SPANOS (IIIc)

[MONOTEMA]  Continuamos con el tercer apartado del tercer capítulo de Probability Theory and Statistical Inference, de Aris Spanos.

Si vemos  como sólo una función del punto final del intervalo , entonces podemos definir la distribución acumulada (cdf):

Ahora sí hemos generado una función que relaciona el número real asignado a cada posible evento con su probabilidad de ocurrencia. Pero en este caso es la probabilidad acumulada.

Para el caso simple (discreto) tenemos la función de densidad:

Por tanto, los espacios probabilísticos pueden simplificarse en el caso de variables aleatorias discretas y continuas a los siguientes:

Spanos se plantea en este punto si se pueden definir funciones de densidad para variables continuas y funciones de distribución para variables discretas, y la respuesta es que sí.

La estatura de los jugadores de la NBA se puede considerar como una variable continua. Desde el inicio de la NBA hasta el año 2015, hay 3984 jugadores cuya estatura se muestra en este archivo.

El histograma de la distribución es el siguiente:

data:read_list(file_search("RUTADELARCHIVO.txt "));
datatranspose:transpose(data);
estatura:datatranspose;
histogram (
estatura,
nclasses=15,
frequency=density,
xlabel="Espacio muestral. Estatura jugadores NBA (cm)",
ylabel="Densidad de probabilidad",
fill_color=green,
fill_density=0.5);

Es una distribución que se aproxima a una Normal, pero que no sabemos realmente si lo es. Recordemos que una distribución Normal tiene como función de densidad:

De este modo, podemos tomar como media y desviación típica la de la muestra, como una estimación de los parámetros poblacionales.

El resultado, tras emplear Stata 13.0, es el mostrado en el gráfico siguiente:

Sin embargo, otras distribuciones también podrían ajustarse a los datos. Por ejemplo, la distribución Weibull:

En Maxima podemos representar las 3 distribuciones, Normal, Weibull y logística, de la siguiente forma:

load(distrib);
plot2d([pdf_weibull(x,18,198.2),pdf_logistic(x,198.2,5.5),
pdf_normal (x, 198.2, 9.32)],
[x,160,230],[y,0,0.05],
[xlabel, "Espacio muestral. Estatura jugadores NBA (cm)"],
[ylabel, "Densidad de probabilidad"],
[legend, "Weibull", "Logistica", "Normal"]);

Las 3 distribuciones consideradas, estipulan que . Esto es un elemento a tener en cuenta porque en este caso tenemos  una distribución de estatura cuyos valores no pueden ser nunca cero o menor que cero. Por tanto, . Desde el punto de vista práctico quizá para este ejemplo no tenga demasiada importancia, pero a nivel didáctico nos sirve para justifica la búsqueda de otra función de densidad que sólo permita valores positivos.

Una opción es emplear la función chi-cuadrado:

 es la función Gamma.

Así, para r=198, y con la ayuda de Stata 13.0, vemos la distribución chi-cuadrado en azul.

Como se puede apreciar, el ajuste no es tan bueno como la distribución Normal, aunque pese a que la Normal tenga un rango de valores teórico fuera del permitido por este caso.

En definitiva, hemos visto que podemos simplificar los espacios probabilísticos empleando funciones de densidad y de distribución. Así, con la adecuada elección de la función de densidad podemos relacionar los eventos con su probabilidad de ocurrencia, teniendo en cuenta que en distribuciones continuas lo pertinente es analizar la probabilidad entre 2 puntos de la distribución.

Todos los posts relacionados




(#435).TEORÍA DE PROBABILIDAD E INFERENCIA ESTADÍSTICA SEGÚN ARIS SPANOS (IIIb)

[MONOTEMA] Avanzamos en el tercer capítulo de Probability Theory and Statistical Inference, de Aris Spanos, dando una noción general de variable aleatoria:

La variable aleatoria simple es un caso particular contenido en esta definición general. El espacio de eventos discreto está contenido en este continuo.

Spanos define la pre-imagen  de la variable aleatoria  como  una función que mapea números reales en el espacio de eventos:

De este modo, si , entonces:

En la definición general de variable aleatoria:

  

El conjunto de todos esos intervalos es un Borel-field :

De este modo: 

Y así Spanos realiza una metamorfosis del espacio probabilístico gracias a la función variable aleatoria:

que es el espacio inducido por la variable aleatoria.

Todos los posts relacionados




(#434).TEORÍA DE PROBABILIDAD E INFERENCIA ESTADÍSTICA SEGÚN ARIS SPANOS (IIIa)

[MONOTEMA] Continuamos con el tercer capítulo de: Probability Theory and Statistical Inference, de Aris Spanos. 

Capítulo III. La noción de un modelo probabilístico

Comencemos con una visión simple del concepto de variable aleatoria.

El autor divide en 3 pasos el objetivo de mapear el espacio probabilístico   sobre la recta real :

Paso 1:

 

donde se preserva la estructura del espacio de eventos , tal que   para cada .

Este es el concepto simple de variable aleatoria.

Paso 2: 

 es una función de probabilidad

 es una función de distribución

Paso 3:

 es una función de densidad

 para todo 

Es decir, para cada valor de X, o lo que es lo mismo, para cada , la función de densidad  especifica la probabilidad. Y esto hace que no sea necesario conocer las probabilidades a priori, sino que simplemente estén en función de algún parámetro .

Así podemos obtener una familia de funciones de densidad determinada por , lo que va a ser esencial para el modelado estadístico. Es decir, en función de las características del experimento se pueden proponer diferentes funciones de densidad con divergentes valores de 

Lanzar tiros libres en baloncesto

Podemos definir diferentes experimentos sobre el lanzamiento de tiros libres en baloncesto. Por ejemplo:

1)  Al lanzar un tiro libre podemos definir la variable aleatoria:

: acertar

Según este experimento podemos definir  la distribución de Bernuilli:

2) Al lanzar varios tiros libres, podemos definir la variable aleatoria:

: número de aciertos total en n lanzamientos

Como bien indica Spanos, la repetición de n ensayos de Bernouilli nos da la distribución binomial cuya función de densidad es:

donde:

Tanto el caso 1) como el 2) lo comentamos en el Capítulo IIa.

3) Pero consideremos de nuevo el experimento de lanzar varios tiros libres, pero ahora definamos la siguiente variable aleatoria:

: lanzar tiros libres hasta anotar

Ahora la elección de la función de densidad ya no es la de una distribución binomial, sino geométrica:

Si seguimos con el ejemplo de Luka Doncic y su 71.3% de efectividad en los lanzamientos libres en 2018/19, entonces:

que obviamente coincide con su probabilidad, es decir, que cuando lanza un sólo tiro libre el valor es el de la probabilidad de anotar. Pero. ¿cuál sería la probabilidad de que tuviera que lanzar 3 tiros libres para anotar? O lo que es lo mismo, que fallara los dos primeros y anotara el tercero:

Es decir, que un poco más del 5% de las ocasiones en las que Doncic lance tres tiros libres seguidos, fallará los dos primeros y anotará el tercero.

En el siguiente código de Maxima se especifica la distribución geométrica para n=5, con las probabilidades correspondientes:

kill (all);
tiroslibres(n,x,fi):=fi*(1-fi)^(x-1);
funcion(x):=tiroslibres(5,x,0.713);
unlanzamiento:funcion(1);
doslanzamientos:funcion(2);
treslanzamientos:funcion(3);
cuatrolanzamientos:funcion(4);
cincolanzamientos:funcion(5);
plot2d([funcion(x),[discrete,[[1,unlanzamiento],
[2,doslanzamientos],[3,treslanzamientos],
[4,cuatrolanzamientos], [5,cincolanzamientos]]]], [x,1,5],
[y,0,1], [style, lines, points],[color, green, red],
[xlabel, "Tiros libres lanzados hasta anotar el primero"],
[ylabel, "Función de densidad"], [legend, false]);

En el siguiente post, avanzaremos con una noción más general de variable aleatoria.

Todos los posts relacionados




(#433). ETIOPÍA, LA NUEVA CANTERA DE EXPLOTACIÓN PARA LAS MARCAS DE ROPA

[MONOTEMA] Esclarecedor reportaje de la televisión alemana Das Erste, sobre la nueva “moda” de producir textil en Etiopía.

Tras la catástrofe del Rana Plaza en Bangladesh, ocurrida en 2013, la industria busca nuevos lugares donde seguir con su dinámica de explotación al menor coste posible. Pese a que, incluso desde el gobierno alemán, se ha vendido que es una nueva oportunidad para comenzar de cero y hacer las cosas mejor en el sector, lo que muestra esta investigación es todo lo contrario, es decir, se siguen reproduciendo los mismos dramas y la misma situación de esclavitud moderna, pero ahora a un coste base de $26 al mes.

El reportaje muestra fábricas modernas, visitadas por políticos alemanes, y que dan una primera sensación de condiciones dignas. Pero, al rascar un poco, se ve que no es así.

Los investigadores se dan cuenta que la presión por conseguir cuotas de producción, los salarios de miseria, y la forma de tratar a los trabajadores como si fueran esclavos siguen siendo una característica de este modo de producción.

Tras visitar a algunas trabajadores que viven en condiciones infra humanas, ellas cuentan que eso no es lo que esperaban cuando comenzaron en la fábrica. Ganan entre $23 y $35 al mes y no les da para nada, sólo para apenas subsistir. No se sienten humanas.

Cuando los reporteros les enseñan a las trabajadores lo que dice H&M en relación a su objetivo de pagar salarios dignos, y lo mucho que están trabajando en este sentido, las empleadas contestan atónitas que ojalá la marca sueca cumpliera la mitad de lo que dice, que con eso sería incluso suficiente.

El propio gobierno de Etiopía está tratando de “vender” su país como el más barato para producir, “la mitad de lo que se paga en Bangladesh”. Es una dinámica terrible, porque ya es difícil imaginar cuál será el próximo país que quiera “ganar” a Etiopía en salarios de miseria.

Cuando se le pregunta al responsable de la fábrica al respecto, dice que entiende que el salario que ganan los empleados no les permita llevar una vida digna, y ofrece la solución de incrementar la productividad. Vaya, incrementar todavía más la presión por las cuotas de producción, que conllevan desmayos, no poder ir al servicio, no cobrar si enfermas, insultarles, acoso sexual, prohibición de hablar entre ellos, trabajar horas extra permanentemente, etc.

Claro, los trabajadores, en este nuevo infierno disfrazado de fábricas de bonita apariencia, poco pueden hacer, más allá de quejarse a investigadores como estos. No tienen la capacidad de organizarse correctamente, en un casi inexistente movimiento sindical.

Tanto el Gobierno alemán, como H$M y Kik (las marca afectadas) dicen que investigarán lo que ocurre. Es la “respuesta tipo”,  la que ya tristemente conocemos tras décadas de explotación laboral

Todos los posts relacionados