🎯 Misión Analítica & Pregunta GanchoModelado probabilístico guiado por optimización de decisiones, no juego arbitrario de sliders.
Este simulador no es un mero juego interactivo para deslizar umbrales o mover sliders sin rumbo, sino una estación econométrica y probabilística diseñada para responder a preguntas analíticas fundamentales y resolver tres dilemas de clasificación de alto impacto:
Desafío 1: Odds Ratios vs Probabilidad
¿Por qué un incremento en $X$ multiplica las chances por $e^{\beta_1}$ de forma constante en toda la escala, mientras que el impacto en la probabilidad marginal $\Delta P$ se desacelera asintóticamente en los extremos?
Desafío 2: Costos Asimétricos & Umbral $\tau$
Si un Falso Negativo (incumplimiento crediticio o condición crítica no detectada) cuesta USD 10.000 y un Falso Positivo solo USD 500, ¿por qué fijar $\tau = 0.50$ destruye valor y en qué punto de corte se minimiza el costo financiero?
Desafío 3: Curva ROC & Índice de Youden
En el trade-off $(\text{FPR}, \text{TPR})$ de la curva ROC: ¿cuál es el área bajo la curva (AUC) del modelo y qué umbral maximiza simultáneamente la sensibilidad y la especificidad ($J = TPR - FPR$)?
Parámetros del Logit
MLE
Intercepto ($\beta_0$):-2.50
Determina el log-odds cuando $X = 0$ ($P_0 = \frac{1}{1+e^{-\beta_0}}$)
Pendiente ($\beta_1$):0.80
Tasa de cambio de los Log-Odds por unidad de $X$
Punto de prueba ($X$):3.50
Odds Ratio ($OR = e^{\beta_1}$):2.23
Cambio relativo en Chances:+123%
Punto de Indiferencia ($P=0.5$):X = 3.12
Predicción en $X$:P = 0.574 (57.4%)
Función Sigmoide vs Recta Lineal
Mapeo del predictor lineal $z = \beta_0 + \beta_1 X$ al espacio acotado de probabilidad $P \in [0, 1]$.
Matriz de Confusión ($N=200$ observaciones de prueba)
Realidad \ Pred
Predicción Negativa ($0$)
Predicción Positiva ($1$)
Real Negativo ($0$)
Verdaderos Negativos (TN)115
Falsos Positivos (FP - Tipo I)15
Real Positivo ($1$)
Falsos Negativos (FN - Tipo II)8
Verdaderos Positivos (TP)62
Exactitud (Accuracy)88.5%(TP+TN)/Total
Sensibilidad (Recall)88.6%TP/(TP+FN)
Especificidad88.5%TN/(TN+FP)
Precisión (PPV)80.5%TP/(TP+FP)
Distribución de Probabilidades y Separación por Umbral $\tau$
Línea vertical = Corte $\tau$
Diagnóstico Discriminante ROC
La Curva ROC (Receiver Operating Characteristic) grafica la tasa de verdaderos positivos ($\text{TPR} = \text{Sensibilidad}$) contra la tasa de falsos positivos ($\text{FPR} = 1 - \text{Especificidad}$) a lo largo de todos los posibles umbrales de decisión $\tau \in [0, 1]$.