LogitLab Pro

Unidad 4 · Clasificación
Diapositivas S07
🎯 Misión Analítica & Pregunta Gancho Modelado 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 $P \in [0, 1]$.

$P(Y=1|X) = \frac{1}{1 + e^{-z}}$
1. Espacio Logit (Lineal)

$z = \ln\left(\frac{P}{1-P}\right) = \beta_0 + \beta_1 X$

Rango: $(-\infty, +\infty)$. Permite estimación como un modelo lineal ordinario.

2. Espacio de Chances (Odds)

$\text{Odds} = \frac{P}{1-P} = e^{\beta_0} \cdot (e^{\beta_1})^X$

Rango: $[0, +\infty)$. Efecto multiplicativo exacto por cada unidad adicional de $X$.

3. Espacio Probabilístico

$P(Y=1|X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X)}}$

Rango: $[0, 1]$. Pendiente máxima en $P=0.5$ ($\beta_1 / 4$), atenuándose en las colas.