01 · Punto de partida
El modelo que se banca datos
En el Tema 44 el número medía el orden interno. Ahora el afuera juzga: datos y patrones reales contra curva del modelo. La validación une medición (Tema 44), réplicas (Tema 42) y calibración en un veredicto que se puede repetir.
Por eso el modelo lindo no alcanza: si no reproduce la S, el pico o la cola real, es juguete. Validar es ponerle calle al laboratorio.
- ¿Qué dato o patrón real se quiere reproducir?
- ¿Con qué parámetros se calibró?
- ¿Cuánto se desvía el modelo del dato?
- ¿Pasa en datos nuevos o solo en los viejos?
02 · Definición
Dato, patrón y ajuste
Toda validación combina qué exige la calle, qué da el modelo y cuánto se separan:
Dato
Serie o cifra real: adopción por año, pico de casos. Sin dato no hay examen.
Patrón
Forma que se exige: S, pico, cola. A veces valida la forma antes que el número.
Ajuste
Error entre modelo y dato: medio absoluto en puntos. Chica valida, grande rechaza.
| Mundo | Patrón real | Error típico |
|---|---|---|
| Adopción | curva S (Tema 30) | puntos fuera de la S |
| Epidemia | pico y cola (Tema 32) | pico corrido o alto |
| Tráfico | flujo que cae (Tema 33) | techo en otra densidad |
| Barrios | islas visibles (Tema 29) | mezcla donde hay grumos |
03 · Prueba
Ajustar que tienta frente a validar que exige
Calibrar abraza los datos viejos; validar exige datos nuevos. Confundirlos es autoengañarse.
Calibración
Abraza lo visto
Busca p y q: minimiza error viejo. Necesaria pero miente si se vende como prueba.
Validación
Rinde lo no visto
Prueba en nuevo: error nuevo chico. La que decide si el modelo sale a la calle.
- Validación
- Prueba en datos o patrones no usados para calibrar. Se mide con error medio y forma.
- Calibración
- Ajuste de parámetros a datos viejos: abraza lo visto. Sin validación es promesa.
- Sobreajuste
- Abrazo tan fuerte que copia ruido: rinde viejo y falla nuevo. Muchos parámetros, poca calle.
- Patrón
- Forma cualitativa exigida: S, pico, oscilación. Valida antes que el decimal.
04 · Ciclo
La ronda que rinde examen
Cada validación fija patrón, corre gemelos y compara, en este orden:
- 1Fijar patrón y error.
Serie real más tolerancia: qué forma y cuánto desvío se banca.
- 2Correr calibrado.
Modelo con p y q fijos y semilla: la curva que rinde examen.
- 3Comparar con veredicto.
Error medio contra tolerancia: valida, ajusta o rechaza.
05 · Representación en Python
Error que juzga sin gritar
El error medio es un promedio de distancias. El veredicto es una comparación contra tolerancia.
Python en tu navegador. Subí el ruido y observá cómo el mismo modelo pasa de validar a rechazar.
def error_medio(modelo, dato):
return sum(abs(m - d) for m, d in zip(modelo, dato)) / len(dato)
print(round(error_medio([0.2, 0.5], [0.25, 0.45]), 3))Da 0,05: cinco puntos de desvío medio. Número con veredicto pendiente.
Veredicto con tolerancia
Chico valida, medio ajusta y grande rechaza: la tolerancia se declara antes.
def veredicto(error, tol=0.08):
return "valida" if error <= tol else "rechaza"
print(veredicto(0.05), veredicto(0.15))06 · Exploración
Laboratorio: calle que juzga curva
Datos reales fijos en gris con forma S durante 15 rondas. El modelo usa publicidad p y contagio q con ruido. Verde modelo, gris dato. ¿Qué p y q dejan el error bajo 8 puntos?
El examen de la S
error = promedio |modelo − dato|
Con p 0,03 y q 0,40, el modelo valida.
Dos curvas S en el tiempo: gris dato fijo, verde modelo con tus parámetros. El error promedia la distancia por ronda. Pulsá Nueva réplica para otro ruido con la misma p y q.
Preguntas para explorar
- Con p = 0 y q = 0, ¿el error es chico? ¿Por qué sin motores no hay S aunque haya ruido?
- Subí q al máximo con p media. ¿El modelo se adelanta? ¿Qué motor corre la S a la izquierda?
- Repetí 3 veces con valores medios. ¿El veredicto cambia? ¿Qué parte es p–q y qué parte es ruido?
Ver respuestas sugeridas
- No: plano contra S es error grande. Sin siembra ni contagio no hay curva que validar.
- Sí: contagio alto dispara antes y el error sube por adelanto. q mueve el tiempo, no solo el nivel.
- A veces: el ruido mueve el borde del veredicto. p–q pone el centro, el ruido mueve el decimal.
07 · Comprensión
Confusiones frecuentes
«Validar es calibrar»
Calibrar abraza viejos; validar rinde nuevos. Vender ajuste como prueba es sobreajuste con diploma.
«Error chico es verdad»
Chico es ajuste, no verdad: con muchos parámetros hasta el ruido se abraza. Simple que valida vale doble.
«Patrón es decorado»
Patrón es examen previo al decimal: sin S no hay error que valga. Forma primero, número después.
«Una validación cierra»
Una valida un patrón; el modelo rinde varios o no sale. S, pico y cola: examen múltiple.
08 · Práctica guiada
Ejercicios con Python
Ejercicio 1: error que mide
Ejecutá y compará cerca contra lejos. Luego igualá modelo y dato.
def error_medio(m, d): return sum(abs(a - b) for a, b in zip(m, d)) / len(d)
print(error_medio([0.5], [0.55]), error_medio([0.5], [0.9]), error_medio([0.5], [0.5]))Ver solución razonada
Da 0,05, 0,4 y 0,0: cerca valida, lejos rechaza e igual clava. El promedio juzga.
Ejercicio 2: predecir el veredicto
Sin ejecutar primero: error 0,06 con tolerancia 0,08. ¿Veredicto? ¿Y con 0,12?
print(0.06 <= 0.08, 0.12 <= 0.08)Ver solución
Da True y False: valida y rechaza. La tolerancia decide antes que el deseo.
Ejercicio 3: parte que juzga
Si calibrás con 2020–2022, ¿con qué validás? Escribilo en una línea.
Ver una posible respuesta
print("con 2023 no visto")Con datos nuevos no usados: viejos ajustan, nuevos juzgan. Partir o mentir.
09 · Síntesis
Ideas para recordar
- Validar es dato real contra curva con error medio y tolerancia.
- Calibrar abraza viejos; validar rinde nuevos.
- Sin partir datos el error miente por sobreajuste.
- Patrón primero y decimal después.
- En Python, promedio de |modelo − dato| contra tolerancia.
En el próximo tema escalaremos de decenas a millones de agentes: qué aguanta y qué se rompe.