Sobre el «affaire» Jon González

Jon González tenía una cuenta popular en Twitter. Unos tipos a los que no les gustaba lo que contaba urdieron una estrategia, eventualmente exitosa, para taparle la boca. Eso está contado en muchas partes, como por ejemplo, esta. Jon González era conocido por sus gráficos, que acompañaban a sus análisis y opiniones sobre diversos aspectos de la economía española. Se trata de un asunto que no me interesa demasiado porque aunque me afecta, carezco de instrumentos para actuar sobre él de forma efectiva. Es un poco como el tiempo: no soy yo el que hace llover; de igual manera, yo no subo los tipos de interés ni redacto la legislación laboral, así que invierto mi tiempo en otra cosa. ...

11 de junio de 2026 · Carlos J. Gil Bellosta

Una aportación adicional a la extensa literatura sobre potenciales extensiones del coeficiente de correlación

En 2019 escribí sobre variantes «modernas» del coeficiente de correlación.. Mencioné allí: Otra entrada mía de 2011 sobre el mismo asunto sobre el artículo Detecting Novel Associations in Large Data Sets. La correlación de Hellinger, de 2018 (que cita a la anterior). La «multivarianza total de la distancia», que se publicó en 2019 (aunque el artículo es del 17) y que no cita a ninguna de las anteriores. Y a la lista hay que sumar la de Chatterjee (también publicada en 2019, un muy fructífero año para variantes de la correlación) que solo cita al primer artículo y de cuya existencia me enteré muy recientemente. ...

4 de junio de 2026 · Carlos J. Gil Bellosta

Los LLMs chinos, ¿ocho meses por detrás del estado del arte?

Uno de los indicadores que sigue la gente hoy en día —y yo con particular interés— es el de «cuántos meses por detrás» de los mejores LLMs estadounidenses se encuentran los modelos chinos. Al respecto, el NIST (National Institute of Standards and Technology de los EEUU) ha publicado el estudio CAISI Evaluation of DeepSeek V4 Pro, que se resume en que el retraso es de ocho meses, y que contiene el gráfico ...

21 de mayo de 2026 · Carlos J. Gil Bellosta

Tres maneras de «atacar» un problema estadístico (¿o es una sola?)

Andrew Gelman escribió recientemente These are the three ways of attacking a statistical problem (illustrated with the NFL example) en el que se enfrenta a un problema estadístico usando tres técnicas distintas. El problema consiste en determinar cuál es el patrón de resultados más frecuente en series de cuatro enfrentamientos entre equipos de fútbol americano: todas las combinaciones $(x_1, x_2, x_3, x_4)$, donde $x_i \in {0, 1}$, desde $(1, 1, 1, 1)$ (el primer equipo gana todos los enfrentamientos) hasta $(0, 0, 0, 0)$ (el primer equipo pierde todos los enfrentamientos). ...

14 de mayo de 2026 · Carlos J. Gil Bellosta

El imán de Millikan: Feynman y el peligro de «corregir hasta que parezca correcto»

Hay un pasaje en el libro Genius: The Life and Science of Richard Feynman donde se lee (con mi traducción): […] científicos de Caltech advirtieron cómo la mera presencia de Feynman ejercía una especie de presión moral sobre sus resultados y métodos. Era implacablemente escéptico. Le gustaba hablar del famoso experimento de la gota de aceite del primer gran físico de Caltech, Robert Millikan, que midió la carga elemental indivisible del electrón al aislarla en diminutas gotas de aceite en suspensión. El experimento era correcto, pero algunos de los valores numéricos estaban equivocados, y el resultado de los experimentos posteriores supuso una vergüenza permanente para la física: no se agruparon en torno al resultado correcto, sino que se fueron acercando lentamente a él. El error de Millikan ejercía una atracción psicológica, como un imán distante que desviaba las observaciones de su centro. ...

16 de abril de 2026 · Carlos J. Gil Bellosta

¿Existe tal cosa como el «PIB fantasma»?

En febrero de 2026, en el blog de Citrini Research se publicó The 2028 Global Intelligence Crisis, un ejercicio de economía-ficción distópica —fechado en junio de 2028— que describía un mundo en el que la IA había arrasado el empleo de cuello blanco con tal rapidez que el flujo circular de la economía se había roto. Muchos trabajos se habían desvanecido mientras los beneficios empresariales se disparaban y, sobre el papel, el PIB seguía creciendo. ...

26 de marzo de 2026 · Carlos J. Gil Bellosta

El análisis de la supervivencia aplicado al tiempo de resolución de las conjeturas matemáticas más famosas

Se publicó hace un tiempo un análisis bastante curioso sobre la supervivencia de las conjeturas matemáticas a lo largo del tiempo. Es de agradecer que su autora haga explícitas las objeciones que a cualquiera se le ocurren sobre el universo muestral y el método de muestreo: Estamos utilizando los tiempos de resolución de las conjeturas recordadas como un proxy de los tiempos de resolución de todas las conjeturas. El tiempo de resolución de las conjeturas recordadas puede estar sesgado de varias maneras: las conjeturas antiguas quizá tengan más probabilidades de ser recordadas si han sido resueltas que si no lo han sido; las conjeturas resueltas muy recientemente probablemente también tengan más probabilidades de ser recordadas (aunque esto solo importa porque la tasa a la que se formulan conjeturas probablemente ha cambiado con el tiempo); y las conjeturas que fueron especialmente difíciles de resolver también pueden resultar más notables. El último siglo contiene pocos datos, lo que hace particularmente fácil que las estimaciones correspondientes sean inexactas. ...

19 de marzo de 2026 · Carlos J. Gil Bellosta

Sobre un inesperado factor que convierte subrepticialmente una distribución a priori en informativa

La distribución predictiva a priori es la que se obtiene de un modelo a partir de las prioris, antes de ver datos o realizar ajustes. Se utiliza para evaluar el grado en que las prioris elegidas están dentro de rango y no generan datos que no se parecen en nada a los que se espera por conocimiento previo. El libro Bayesian Modeling and Computation in Python discute las distribuciones predictivas a priori en su segundo capítulo. Allí argumenta alrededor de dos ejemplos. El primero está elegido a propósito para defender el caso de las prioris informativas frente a las objeciones de sus innumerables escépticos. El segundo es más intrigante. Muestra el gráfico ...

18 de febrero de 2026 · Carlos J. Gil Bellosta

La regresión logística en sklearn no es la regresión logística sino otra cosa: el problema oculto

La semana pasada escribí una entrada que constaba únicamente de la frase “La regresión logística en sklearn no es la regresión logística sino otra cosa.” repetida muchas veces. El problema es que la implementación que hace scikit-learn de la regresión logística usa, por defecto, l2-regularization, es decir, ridge. Lo cual, en principio, es preferible a la alternativa, es decir, no usar regularización en absoluto; pero usar regularización implica una serie de consideraciones y ajustes por parte del usuario que no siempre se tienen en cuenta. ...

7 de octubre de 2025 · Carlos J. Gil Bellosta

La regresión logística en sklearn no es la regresión logística sino otra cosa

La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa. La regresión logística en sklearn no es la regresión logística sino otra cosa.

2 de octubre de 2025 · Carlos J. Gil Bellosta