Validación de teorías científicas con datos experimentales

Curso de Estadística Computacional con Python

Contenido del curso

Introducción

1
Programación Dinámica y Estocástica: Optimización y Modelado de Datos
01:56 min

Programación Dinámica

Caminos Aleatorios

Programas Estocásticos

Simulaciones de Montecarlo

Muestreo e Intervalos de Confianza

Datos Experimentales

Conclusiones

24
Optimización de Programas con Programación Dinámica y Simulaciones
02:54 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:004:45

Validación de teorías científicas con datos experimentales

Curso de Estadística Computacional con Python

Clase 22 de 24

Clase 22 / 24

Recursos

Comprender cómo pasar de simulaciones a datos experimentales reales es una habilidad fundamental en cualquier disciplina científica o de ingeniería. Aquí se explica cómo el método científico guía ese proceso y por qué la objetividad al diseñar experimentos marca la diferencia entre validar o falsear una teoría.

¿Por qué los datos experimentales son diferentes a los datos de simulación?

Hasta este punto, el enfoque ha estado en generar simulaciones y extraer datos directamente de ellas [0:06]. Sin embargo, en la práctica profesional y académica, es muy frecuente trabajar con datos experimentales, es decir, datos que provienen de experimentos reales. La clave está en aprender a aplicar los métodos computacionales ya conocidos sobre este tipo de información.

Cuando se habla de datos experimentales, inevitablemente se habla del método científico [0:22]. Este proceso comienza siempre con una hipótesis: una afirmación o predicción que orienta el diseño del experimento.

¿Cómo debe diseñarse un experimento válido?

Una vez que existe una hipótesis, el siguiente paso es diseñar un experimento que permita falsear o validar esa hipótesis [0:40]. Ambos resultados son igualmente válidos. El error más común es diseñar un experimento buscando confirmar lo que ya se cree. En ciencia no se trata de construir un argumento a favor, como en derecho; se trata de ser objetivos y determinar si la hipótesis es verdadera o falsa [0:52].

¿Qué ocurre después de ejecutar el experimento?

Tras ejecutar el experimento y obtener datos, se comparan con lo que predice la teoría [1:10]:

Si los datos se acercan a la predicción teórica, la teoría probablemente sea verdadera.
Si los datos se alejan, se puede comenzar a considerar que la teoría es falsa.

Este ciclo de teoría, experimento y comparación ha sido el motor del conocimiento humano durante siglos.

¿Qué ejemplos históricos ilustran la validación de teorías?

A lo largo de la historia, muchas teorías surgieron primero como deducciones matemáticas y solo años después fueron validadas experimentalmente [1:30].

La mecánica cuántica comenzó como un modelo teórico y los mejores experimentos realizados hasta hoy la han validado.
La teoría general de la relatividad de Einstein también partió de formulaciones matemáticas. Su validación más reciente incluye la detección de ondas gravitacionales [1:55].

Un dato fascinante es que ambas teorías, aunque validadas por separado, son incompatibles entre sí [2:05]. Este es uno de los grandes problemas abiertos de la física moderna.

¿Cómo se aplica esto con la ley de elasticidad de Hooke?

Un ejemplo accesible para entender todo el proceso es la ley de la elasticidad de Hooke [2:20]. Esta ley describe la relación entre la fuerza aplicada a un resorte y cuánto se estira o comprime. La fórmula es sencilla:

F = -kx, donde k es la constante del resorte y x es la elongación o compresión.

La teoría predice que esta relación es lineal [2:35]. Para validarlo experimentalmente:

Se toma un resorte.
Se le coloca un peso y se mide cuánto se alarga o achica.
Se repite con diferentes pesos.
Se comparan los datos con la predicción lineal de la teoría.

¿Qué herramienta computacional permite verificar esta linealidad?

La regresión lineal es la técnica que permite determinar si los datos experimentales realmente se comportan de forma lineal, tal como predice la teoría [2:55]. Además, cuando no existe una teoría previa, la regresión lineal sirve para generar un modelo matemático a partir de los datos observados [3:08].

Esta técnica será explorada a profundidad próximamente, conectando directamente los conceptos de experimentación con las herramientas computacionales.

Si conoces algún experimento interesante que se pueda replicar desde casa para validar o falsear una teoría, compártelo en los comentarios. Es una excelente forma de poner en práctica todo lo aprendido.

Sebastián Guzmán Rodríguez

Hace 6 años

Para complementar lo que algunos han dicho en los comentarios, en lo referente a hipótesis y teoría: Una teoría es un conjunto de ideas sobre cómo funciona el mundo, de manera general, y como tal, no existen teorías "verdaderas" o "falsas" sino más o menos adecuadas o ajustadas a los datos experimentales. Tanto la teoría gravitarcional clásica de Newton como la teoría de la relatividad general hablan del mismo fenómeno, pero sus ideas subyacentes son bien distintas. ¿Cuál es la "verdadera"? es una pregunta sin sentido, pues no hay manera de ver, de percibir empíricamente el espacio-tiempo o un marco de referencia absoluto; esas son tan solo ideas, constructos abstractos que nos ayudan a entender y explicar lo que sí podemos percibir: el movimiento de los cuerpos. Por ende, todo lo que podemos afirmar de una teoría es cuán bien se ajusta o explica los datos experimentales, y de hecho la manera de seguir avanzando en el conocimiento científico es buscando romper las teorías con las que contamos. Es decir, viendo cuáles son las condiciones límites de nuestras teorías y qué pasa, experimentalmente, cuando nos encontramos en esos límites. Por ejemplo, aunque la relatividad general se ajusta muy bien a la mayoría de las observaciones, se rompe en casos como el interior de los agujeros negros; no nos sirve más para hacer predicciones de lo que pasa en su interior, o tampoco para saber qué ocurrió en los primeros instantes luego del Big Bang... El mensaje es que las teorías tampoco están grabadas en piedra. El método científico no busca confirmar las viejas teorías, sino romperlas y remplazarlas con nuevas teorías que sean más poderosas, más precisas, que se ajusten y expliquen mejor los nuevos datos. Por último, y en breve, sobre las hipótesis: sí, son predicciones hechas a priori sobre lo que debería suceder en una observación, si nuestra respectiva teoría es acertada. Si la predicción se cumple, no pasa nada, pero si no se cumple, quiere decir que hay algo mal en nuestra teoría (o en la aplicación que hicimos de ella) y podemos empezar a investigar qué es. Un saludo.

Comentarios (49)49 comentarios

Joel Ricci López

Christian Sanclemente

Francisco Garcia [C6]

Néstor Arellano

Rafa Romero

Wilder Bravo

Karl Behrens Gil

Christian Mahonry Colorado Bulbarela

Hace 7 años

Luis Angel Martinez Elizalde

johan Stever Rodriguez Molina

Joaquin Chartier

Miguel Andres Rendon Reyes

Hace 5 años

Ariadna B

Conrado Javier Jiménez Méndez

Raymundo Soto Soto

Robin Tristan Calvo Ribera

Mario Cabrera Vicencio

Axel Yaguana

Team Platzi

Arturo Baduna

Juan Castro

Profesor

Victor Muchica Farfan

Gustavo González

Omar Daniel Centeno

Daniel Reyes Barrera

- -

Platzi Nauta

Iván Ricardo Bohórquez Basto

Luis Fernando Pedroza Taborda

Ariel Sharpe

Fernando Piñango

Juan Sebastián Gómez Moreno

Introducción

Programación Dinámica y Estocástica: Optimización y Modelado de Datos

Programación Dinámica

Programación Dinámica: Optimización de Problemas con Memorización

Optimización de Algoritmos con Programación Dinámica en Python

Caminos Aleatorios

Simulaciones con Caminos Aleatorios en Programación

Camino Aleatorio en Programación Orientada a Objetos

Algoritmo de Caminata Aleatoria en Python: Clase Borracho

Simulación de Caminata Aleatoria con Python

Visualización de Caminatas Aleatorias con Python y Bokeh

Programas Estocásticos

Programación Estocástica: Aplicaciones y Ejemplos Prácticos

Cálculo de Probabilidades y Simulación de Montecarlo

Simulaciones de Probabilidades con Dados en Python

Inferencia Estadística: Conceptos y Aplicaciones Prácticas

Cálculo de la Media Aritmética en Python paso a paso

Media, Varianza y Desviación Estándar en Estadística

Distribución Normal: Propiedades y Aplicaciones Estadísticas

Simulaciones de Montecarlo

Simulaciones de Montecarlo: Historia y Aplicaciones Prácticas

Simulación de Montecarlo para Probabilidades en Juegos de Cartas

Simulaciones de Montecarlo para Aproximar Pi

Estimación de Pi mediante Monte Carlo y Simulación Estadística

Muestreo e Intervalos de Confianza

Muestreo Estadístico: Aleatorio y Estratificado

Teorema del Límite Central: Transformación de Distribuciones

Datos Experimentales

Validación de teorías científicas con datos experimentales

Regresión Lineal con NumPy y Matplotlib en Google Colab

Conclusiones

Optimización de Programas con Programación Dinámica y Simulaciones

Validación de teorías científicas con datos experimentales