← SE-023 · ↑ Parte 01 · 📚 Índice completo · SE-025 →
Punto profesional y fundamento pedagógico
Punto profesional. La clase existe para convertir observaciones en un informe reproducible que otra persona pueda repetir y disputar.
Por qué aparece aquí. Se sitúa después de Taller: observar un programa desde el código hasta la máquina y antes de Windows, Linux, macOS y sus modelos operativos: convierte el conocimiento anterior en una decisión observable que la clase siguiente podrá reutilizar. La continuidad se comprueba en el artefacto, no por compartir vocabulario.
Error conceptual que debe corregir. Confundir reproducibilidad con capturas o correlación con causalidad.
Secuencia de aprendizaje. Formula una pregunta refutable y preregistra carga, variables, oráculo y umbral antes de medir. Otra persona debe ejecutar el protocolo desde el fixture versionado, recalcular la tabla y disputar la conclusión. Conserva los intentos fallidos y termina con la condición concreta que obligaría a cambiar la decisión.
Evidencia de aprendizaje. Protocolo, datos crudos, script, checksum, informe y resultados no validados. Debe contener predicción previa, observación, explicación causal, contraejemplo, criterio de aceptación y una nota de qué dato haría cambiar la conclusión.
Límite de la conclusión. Un procedimiento reproducible no garantiza representatividad ni exactitud física.
Trazabilidad fuente → afirmación
| Fuente primaria u oficial | Afirmación que respalda | Lo que no prueba |
|---|---|---|
| Python documentation | las APIs del proyecto | No demuestra por sí sola que el artefacto del estudiante sea correcto. |
| Unicode Standard | y RISC-V specifications respaldan los contratos elegidos | No demuestra por sí sola que el artefacto del estudiante sea correcto. |
| Software Carbon Intensity | delimita afirmaciones energéticas si el proyecto las considera | No demuestra por sí sola que el artefacto del estudiante sea correcto. |
Antes de empezar
SE-023 te dio un protocolo integrado. Ahora elegirás una pregunta acotada y defenderás un informe que una persona pueda reproducir, cuestionar y extender. El resultado cierra la Parte 01 y se convertirá en insumo de la Parte 02, donde aprenderás a preparar y diagnosticar el entorno que hizo posibles las observaciones.
Prerrequisitos
Dossier de SE-023, artefactos SE-013–SE-022, Git y Python 3.11+.
Problema auténtico
Un informe afirma “la opción B usa menos recursos” sin definir carga, equivalencia, entorno ni variación. Nadie puede repetirlo y el resultado se usa para decidir hardware.
Objetivos observables
Formularás una pregunta contrastable; diseñarás dos hipótesis; construirás un caso mínimo; conservarás datos y procedencia; interpretarás incertidumbre; y responderás una revisión adversarial.
Temas y por qué importan
| Elemento | Función | Por qué importa |
|---|---|---|
| Pregunta | delimita variable y decisión | evita medir sin propósito |
| Diseño | controla carga e invariantes | permite atribución prudente |
| Evidencia | conserva datos y entorno | hace posible reproducción |
| Discusión | separa resultado, inferencia y límite | impide generalización indebida |
Mapa conceptual
Ver la notación fuente del diagrama
flowchart LR
Q[Pregunta] --> H[Hipótesis rivales]
H --> D[Diseño]
D --> X[Ejecución]
X --> R[Resultados]
R --> I[Interpretación y límites]
I --> V[Revisión]
V --> QLa revisión vuelve a la pregunta porque puede descubrir que el experimento no la respondía.
Conceptos y decisiones
1. Una buena pregunta conecta mecanismo y decisión
“¿Qué es más rápido?” es insuficiente. “Para archivos UTF-8 de 1–20 MB, ¿procesar en streaming reduce pico de memoria Python sin aumentar más de 10 % la latencia bajo este runtime?” fija carga, métricas y decisión. El umbral debe justificarse por contexto.
2. Hipótesis rivales evitan diseñar solo para confirmar
La hipótesis principal predice resultado y mecanismo; una rival ofrece explicación alternativa, por ejemplo overhead de lectura frente a materialización. Se escribe qué observación debilita cada una antes de ejecutar.
3. Reproducibilidad requiere procedencia completa
Se registran commit, versión, plataforma expuesta, entrada, semilla, comandos, orden, repeticiones, salida y limpieza. Los datos crudos se conservan; el resumen se deriva. La ausencia de hardware idéntico no invalida reproducción: obliga a comparar patrones y explicar diferencias.
4. Un resultado local no es una ley
El informe distingue: observamos X; bajo supuestos inferimos Y; no medimos Z. Se discuten amenazas como calentamiento, instrumento, representatividad y cambios de runtime. Un resultado inconcluso es válido si el método permite comprender por qué.
5. La revisión forma parte del producto
La persona revisora intenta ejecutar, cuestiona unidades e identifica afirmaciones que exceden evidencia. El autor responde cambiando texto, diseño o conclusión y conserva el desacuerdo. Aprobar no significa coincidir, sino que la cadena pueda inspeccionarse.
Caso conductor: opciones de proyecto sobre el analizador local de eventos
Puedes investigar representación Unicode y tamaño, enteros/float y error, orden de acceso y tiempo, materialización/streaming, o arranque/estado estable. Solo eliges una pregunta. El resto sirve como control o límite, no como excusa para un informe enciclopédico.
Definiciones de trabajo
- variable independiente: factor que se cambia deliberadamente;
- variable respuesta: observación comparada;
- control: condición mantenida o referencia;
- amenaza a validez: mecanismo que ofrece otra explicación;
- procedencia: cadena que permite rastrear evidencia.
Glosario
Raw data son observaciones sin resumen. Replication repite método; reproduction puede recalcular desde artefactos según convención declarada. Aquí se exige repetir el procedimiento documentado.
Ejemplo mínimo
Pregunta, dos scripts equivalentes, diez muestras por tamaño y un límite explícito constituyen mejor informe que cien métricas sin decisión.
Ejemplo profesional
Un benchmark de librerías publica código, dataset permitido, versiones y resultados. Evita nombres promocionales y permite que mantenedores expliquen diferencias.
Práctica guiada
Usa como base el laboratorio ejecutable de la Parte 01; trabaja sobre una copia o conserva tus salidas en el directorio work/SE-024/.
- Escribe
proposal.mdcon pregunta, decisión, hipótesis y riesgos. - Obtén revisión antes de ejecutar.
- Construye el caso mínimo y pruebas de equivalencia.
- Ejecuta con protocolo y guarda datos crudos en CSV/JSON.
- Genera tabla resumen desde esos datos, no a mano.
- Redacta método, resultados, discusión y límites.
- Pide reproducción y registra cambios en
review.md. - Verifica limpieza y entrega commit identificable.
Ejercicios
- Refuta una generalización de tu propio resultado.
- Cambia una condición y predice antes de medir.
- Escribe una decisión responsable si el resultado es inconcluso.
Reto verificable
Un revisor clona o copia el directorio, ejecuta el comando documentado, obtiene salida válida y puede recalcular la tabla. Debe señalar qué afirmación no puede extenderse a producción.
Preguntas frecuentes
¿Debo obtener una mejora?
No. Se evalúa método, explicación y honestidad, no una dirección deseada.
¿Puedo instalar herramientas?
No son necesarias. Una herramienta opcional requiere versión, licencia, autorización y alternativa.
Fallo controlado y diagnóstico
Omite deliberadamente la semilla o versión en un primer intento. Registra el fracaso de reproducción y corrige el contrato; no borres la evidencia del aprendizaje.
Errores comunes y cómo corregirlos
| Síntoma | Causa | Corrección |
|---|---|---|
| pregunta amplia | decisión no delimitada | fija carga, variable, métrica y umbral |
| solo hay resumen | datos crudos ausentes | conserva y deriva automáticamente |
| variantes no equivalentes | resultado no verificado | prueba invariantes antes de medir |
| conclusión universal | contexto borrado | añade amenazas, límites y próxima prueba |
Entorno y archivos clave
proposal.md, src/, tests/, data/raw.csv, report.md, review.md, cleanup.md; Python 3.11+ y biblioteca estándar.
Seguridad, ética y accesibilidad
Datos sintéticos, carga acotada, sin identificadores de dispositivo innecesarios. El reporte ofrece tablas y descripciones; respeta licencias y no desacredita proyectos por una prueba local.
Transferencia
Reformula la pregunta para otro lenguaje o equipo y distingue qué parte del método permanece.
Evaluación y evidencia
Aprueba con pregunta contrastable, equivalencia, datos crudos, reproducción, revisión y límites. No puntúa cantidad de gráficos.
Fuentes
- Python documentation respalda las APIs del proyecto.
- Unicode Standard y RISC-V specifications respaldan los contratos elegidos.
- Software Carbon Intensity delimita afirmaciones energéticas si el proyecto las considera.
Límites y siguiente paso
El proyecto no certifica hardware ni producción. SE-025 empieza a estudiar cómo el sistema operativo ofrece y gobierna el entorno observado.