Verificación
Comprobar que el programa implementa fielmente el modelo conceptual.
Simulación y código · Curso de validación y análisis
Validación, Experimentación y Análisis de Simulaciones
Aprendé a confiar en tus simulaciones con criterio estadístico: verificar el código, validar contra datos reales, calibrar parámetros, diseñar experimentos y comunicar la incertidumbre sin sobrestimar los resultados.
- 46
- temas progresivos
- Estadístico
- tests y confianza
- Práctico
- análisis en Python
Antes de creerle al simulador
Que el código corra no significa que sea válido
Una simulación que ejecuta sin errores puede estar mal verificada, mal calibrada o comparada con datos insuficientes. La verificación responde si construimos bien el modelo, la validación responde si construimos el modelo correcto, y el análisis responde con qué precisión y con qué riesgo decidimos.
En este curso recorreremos ese camino completo: depuración de simulaciones, validación histórica y predictiva, calibración, bondad de ajuste con chi-cuadrado y Kolmogorov-Smirnov, tests no paramétricos, estimación e intervalos de confianza, réplicas, calentamiento, sensibilidad, diseño de experimentos y comunicación honesta de la incertidumbre. Todo con tablas, gráficos y experimentos en Python.
El recorrido
Cuatro ideas que conectan todo
Del código que corre a la decisión justificada con evidencia estadística.
Validación
Contrastar el modelo con datos reales, expertos y predicciones.
Experimentación
Diseñar réplicas, calentamiento, factores y escenarios comparables.
Análisis
Cuantificar error, confianza, sensibilidad e incertidumbre al comunicar.