El modelo reproduce la medida: ¿ha identificado realmente el material?

Un error pequeño puede ocultar una respuesta indeterminada

Un modelo de IA recibe una señal y devuelve dos propiedades del material. Reconstruye casi perfectamente la señal: ¿encontró las propiedades correctas? No necesariamente. Si combinaciones distintas producen la misma observación, el problema precede al algoritmo: los datos no las distinguen. Construimos y resolvemos un problema inverso y cambiamos diseño de medida. Reducir residuo, obtener salida única e identificar causa física son logros distintos.

Resumen. Un modelo lineal adimensional usa verdad sintética(0,8;0,2). Medir su suma admite infinitas soluciones; mínimos cuadrados de norma mínima devuelve(0,5;0,5), residuo despreciable y error paramétrico0,4243. Una penalización selecciona solución única sin añadir información. Una segunda medida casi redundante amplifica perturbación0,001; otra más distinta reduce cambio. Son cálculos ejecutados, no medidas reales ni resultados de modelo entrenado.

De predecir a reconstruir parámetros

El problema directo elige parámetros y predice señal; el inverso observa señal y reconstruye parámetros. x=(x₁,x₂) son contribuciones normalizadas, y una lectura. y=x₁+x₂ es deliberadamente simple, no ley espectroscópica validada ni fracciones químicas. Imaginamos dos efectos aditivos. Cantidades adimensionales tras normalización supuesta; una prueba real requiere escalas y unidades originales.

Fijamosx*=(0,8;0,2), luego y=1. La estrella marca verdad conocida solo sintéticamente para medir error. En problemas reales suele faltar. Evaluar solo reproducción de y puede ocultar parámetros erróneos. Lo mismo ocurre al entrenar solo para reconstruir señal: un buen objetivo observable no garantiza identificar de manera única efectos ocultos.

Lafamilia x(t) mantiene suma al aumentar un aporte y reducir otro igual. (1,−1) está en núcleo de A, dirección invisible. Aun imponiendo no negatividad queda−0,5≤t≤0,5: no implica unicidad. (0,5;0,5),(0,8;0,2),(0,9;0,1) dan1. Es no identificabilidad estructural, no fallo de convergencia.

Residuo y error paramétrico responden preguntas distintas

Residuo||Ax−y||₂ mide desacuerdo de señal; error||x−x*||₂ mide distancia a verdad sintética. Para(0,5;0,5), residuo matemático cero pero error√[(-0,3)²+0,3²]≈0,424264. No contradice: son objetos distintos. Residuo numérico2,22×10⁻¹⁶ viene de redondeo, no de precisión física.

Norma mínima elige simetría porque||x(t)||²=0,5+2t² se minimiza en t=0. Prefiere norma menor, no conoce verdad(0,8;0,2). Una red podría aprender otra preferencia de distribución de entrenamiento; no entrenamos ni evaluamos red. La salida puede reflejar preferencia metodológica donde la medida no distingue alternativas.

Hacer única la solución no crea información

Añadimos penalización cuadrática de Tikhonov. Un término exige compatibilidad y otro penaliza parámetros grandes; λ no negativo controla compromiso. Normalización hace comparables términos; cambiar unidades sin reescalar penalización cambia preferencia. λ no es constante física ni probabilidad: es elección que documentar y validar.

Restar da2λ(x₁−x₂)=0 y con λ positivo son iguales. Sustituir da(2+λ)x₁=1. Conλ=0,1 valen≈0,476190; suma≈0,952381 y residuo≈0,047619. Solución única y estable aquí, pero error≈0,425598: no identificamos mejor verdad. La penalización selecciona y reduce un punto, no observa dirección ausente.

Usar||x−x₀||² explicita preferencia. Referencias(0,5;0,5) y(0,9;0,1) ya satisfacen medida; conλ=0,1 cada una anula ambos términos y queda única. Residuos despreciables, parámetros distintos. No demostramos prior correcto: refutamos «solución única y buen ajuste implican propiedades identificadas».

Una segunda medida puede ser casi la primera

Añadimosy₂=x₁+(1+ε)x₂. Conε distinto de cero, restar day₂−y₁=εx₂ e identifica parámetros exactamente. Peroε pequeño casi repite primera medida: información discriminante está en diferencia diminuta. Lecturas limpiasy₁=1,y₂=1+0,2ε. Añadimosδ=0,001 determinista solo a segunda, sin inventar distribución de ruido.

Conε=0,01, y₂ limpio1,002 pasa a1,003. Reconstruimosx₂=0,3,x₁=0,7 frente a0,2 y0,8. Cambiar0,001 medida desplaza0,1 cada parámetro. Residuo sigue despreciable porque ajustamos exactamente dos ecuaciones perturbadas, ocultando amplificación. Error≈0,141421. Son números normalizados, no resolución instrumental.

Conε=0,001 sale≈(−0,2;1,2). Si aportes deben ser no negativos, es físicamente inadmisible y diagnostica amplificación no restringida. No ejecutamos optimización positiva ni atribuimos rendimiento. Impedir negativos no prueba recuperar(0,8;0,2). Un punto físicamente acotado puede seguir lejos de verdad, como mostró familia de suma uno.

Cambiamos diseño aε=1,y₂=x₁+2x₂. Igual perturbación0,001 produce≈(0,799;0,201), desplazamiento0,001, cien veces menor que conε=0,01. No mejoró ruido ni algoritmo: la medida distingue mejor contribuciones. Diseño experimental pregunta direcciones observables, no solo cuántas lecturas, con modelo y escala comparables.

Qué nos dicen los valores singulares

SVD describe cómo A estira direcciones ortogonales. Valores pequeños indican cambios débiles de señal e inversión puede amplificar perturbación. Conε=0,01 los valores≈2,0050125 y0,0049875 dan condición≈402,0075; conε=1 baja a6,8541. No es porcentaje previsto de error: describe sensibilidad relativa peor bajo normas y escalas declaradas.

Con prior cero, regularización sustituye1/σ porσ/(σ²+λ). Siσ²≪λ atenúa dirección, reduciendo ruido pero quizá también diferencias reales. Intercambia variabilidad y sesgo, no obtiene gratis información ausente. Con una medida, dirección nula sigue sin observarse y decide preferencia del prior.

Los resultados muestran ambos lados: conε=0,001, error sin regularizar≈1,4142 baja a0,4245 conλ=0,01, acercándose a simetría. Conε=1, la mismaλ eleva error de0,001414 a0,038199. No hay ganador universal. Aplicaciones necesitan selección, modelo de ruido y evidencia independiente; estos casos calculados muestran mecanismo.

Reproducir sin confundir convenciones con datos

El programa usa NumPy2.5.3 ylstsq conrcond=None. Tikhonov amplía A con sqrt(λ)I y objetivo con sqrt(λ)x₀, sin invertir explícitamente AᵀA. Documentación primaria especifica norma mínima entre soluciones y umbral singular. Rango numérico depende de precisión y umbral, no equivale a identificación práctica con ruido.

Calculamos residuo comonorm(A@x−y). Un residuals vacío no prueba error cero: documentación prevé vacío según forma o rango. Guardamos verdad, matrices, observaciones limpias y perturbadas, valores singulares y estimaciones. Ruido determinista, sin semilla. Redondeo entre plataformas no cambia contraejemplo algebraico, pero versiones y tolerancias siguen formando reproducibilidad.

Repetir primera medida añade filas proporcionales y no elimina núcleo(1,−1). Ruido independiente puede mejorar suma sin separar aportes. Es razonamiento algebraico, no repetición ejecutada. Un modelo mayor incorpora conocimiento, pero no vuelve informativa retroactivamente una medida ciega. Hay que indicar origen extra: otros datos, prior, restricciones o entrenamiento.

La respuesta es no: reproducir medida no identifica por sí solo propiedades. No identificabilidad admite explicaciones equivalentes; casi redundancia amplifica perturbaciones; regularizar estabiliza por preferencia, no certifica causa. Una medida discriminante puede importar más que otra penalización. El ejercicio verifica distinción sin atribuir a EL-AI pruebas, modelos propios, descubrimientos o experimentos inexistentes.

NumPy primary reference — numpy.linalg.lstsq: minimum-norm solution, residuals and singular-value cutoff; accessed16October2026.

import numpy as np
from experiment import solve, TRUE
for eps in [.001,.01,1.]:
    A=np.array([[1.,1.],[1.,1.+eps]])
    y=A@TRUE+np.array([0.,.001])
    print(eps,solve(A,y)['x'],solve(A,y)['residual_norm'])

Código, datos e instrucciones · JSON. Cálculos didácticos ejecutados con Python 3.14.0; figuras con Matplotlib 3.11.2. Análisis asistido por IA, sin afirmar revisión por pares ni humana. Portada original ImageGen ilustrativa: no documenta personas, sedes ni instalaciones de EL-AI. Fuentes consultadas el 16 de octubre de 2026.