Reproducción de errores y reducción de casos

← SE-104 — Dev Containers y entornos desechables · ↑ Parte 08 · 📚 Índice completo · 🌐 Portal · SE-106 — Ergonomía, accesibilidad y productividad del entorno →

Punto profesional y fundamento pedagógico

Punto profesional. La clase existe para reducir un fallo conservando la condición causal y descartando ruido.

Por qué aparece aquí. Se sitúa después de Dev Containers y entornos desechables y antes de Ergonomía, accesibilidad y productividad del entorno: 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. Eliminar pasos hasta que desaparece también el defecto.

Secuencia de aprendizaje. Antes de leer la solución, el estudiante predice el resultado del caso normal y del error conceptual anterior. Luego explica un caso resuelto paso a paso, construye un contraejemplo que cambie la decisión y, sin consultar el texto, reconstruye el mecanismo y lo aplica a una entrada nueva. La secuencia usa predicción, explicación propia, contraste y recuperación. ICAP distingue participación de construcción de conocimiento; How People Learn II exige conectar conocimiento previo, contexto y transferencia; la práctica de recuperación respalda producir de nuevo la explicación tras una demora; y Education for Life and Work exige devolución que explique la causa del error.

Evidencia de aprendizaje. Minimal-reproduction.md con condición, reducción, hipótesis y prueba de regresión. 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 caso mínimo puede ocultar interacciones necesarias en producción.

Trazabilidad fuente → afirmación

Antes de empezar

Esta clase continúa el entorno reproducible de diagnóstico de la Parte 08. Recupera la evidencia de la clase anterior, añade una decisión propia de Reproducción de errores y reducción de casos y deja un artefacto que la clase siguiente deberá consumir. La pregunta activa es: ¿Cuál es el menor caso que conserva el síntoma y separa causa de coincidencia?

Prerrequisitos

• Haber completado la clase anterior o reconstruir su contrato y evidencia.
• Python 3.11 o posterior, terminal, editor y Git; un segundo runtime es opcional y debe declararse.
• Trabajar con fixtures sintéticos: ninguna observación necesita datos de una persona o sistema real.

Problema auténtico

El reporte del entorno reproducible de diagnóstico necesita repositorio completo, 40.000 eventos y una extensión del editor. Cambiar cualquier cosa parece arreglarlo porque la reproducción es lenta e inestable.

Objetivos observables

Al terminar podrás explicar los cinco mecanismos de esta clase, predecir su comportamiento antes de ejecutar, construir un caso normal y uno límite, diagnosticar el fallo controlado, comparar una alternativa y entregar evidencia que otra persona pueda reproducir.

Mapa conceptual

flowchart LR
    N1[Reproducción determinista] --> N2[Reducción por dimensiones] --> N3[Una variable por experimento] --> N4[Primera divergencia] --> N5[Caso mínimo / representatividad]
    N5 -->|fallo o cambio| N1

El mapa se lee como una cadena de razonamiento, no como fases obligatorias del runtime. La flecha de retorno indica que un fallo o cambio de requisito obliga a revisar el modelo inicial; no autoriza a parchear solo la última salida.

Temas y por qué importan

Conceptos y decisiones

1. Reproducción determinista

Se fija entrada, semilla, reloj, versión y comando hasta que el síntoma aparece con tasa conocida. Si es intermitente se registra frecuencia, no se finge determinismo. Una prueba flaky no es prueba de corrección.

2. Reducción por dimensiones

Se minimizan datos, código, configuración, tiempo y entorno por separado. Quitar mitad y conservar el fallo acelera búsqueda, pero dependencias entre elementos requieren volver a comprobar cada paso. El artefacto mínimo sigue explicando dominio.

3. Una variable por experimento

Cada ejecución cambia una condición y conserva las demás. Comparar versiones necesita la misma entrada y configuración. Varias correcciones simultáneas pueden ocultar cuál causó la diferencia y dificultan regresión.

4. Primera divergencia

Se comparan trazas sana y afectada desde el mismo inicio y se localiza el primer estado distinto, no el último error. Esa posición reduce hipótesis causales. Diferencias posteriores pueden ser consecuencias y no deben optimizarse primero.

5. Caso mínimo y representatividad

Reducir demasiado puede cambiar el mecanismo: quitar concurrencia elimina la carrera o acortar datos evita resize. Se conserva la propiedad esencial y se añade un caso representativo separado. Mínimo sirve para causa; representativo para impacto.

Definiciones de trabajo

• reproducción determinista: se fija entrada, semilla, reloj, versión y comando hasta que el síntoma aparece con tasa conocida.
• reducción por dimensiones: se minimizan datos, código, configuración, tiempo y entorno por separado.
• una variable por experimento: cada ejecución cambia una condición y conserva las demás.
• primera divergencia: se comparan trazas sana y afectada desde el mismo inicio y se localiza el primer estado distinto, no el último error.
• caso mínimo y representatividad: reducir demasiado puede cambiar el mecanismo: quitar concurrencia elimina la carrera o acortar datos evita resize.

Las definiciones son operativas para el entorno reproducible de diagnóstico. No convierten términos con historia más amplia en sinónimos y deben contrastarse con la documentación primaria enlazada al final.

Ejemplo mínimo

python -m unittest tests.test_priority.PriorityTests.test_two_equal_items -v
python reproduce.py --fixture fixtures/two-equal.json --seed 731 --trace evidence/trace.json

Antes de ejecutar, predice estado, resultado y error. Después registra versión, comando y salida. Si el fragmento es pseudocódigo o pertenece a otro lenguaje, etiquétalo como tal y no afirmes que fue ejecutado.

Ejemplo profesional

En el entorno reproducible de diagnóstico, una investigación conserva síntoma, entorno, reproducción, hipótesis, observaciones, causa, corrección y regresión. La implementación de esta clase debe conservar ese contrato aunque cambie la forma interna. El caso profesional no pregunta únicamente si produce una salida: pregunta quién puede producirla, qué estado observa, cómo falla y qué rastro permite disputar una decisión incorrecta.

Compara el caso normal con autorización falsa, evidencia incompleta, empate y repetición. Un mecanismo es apropiado cuando esas diferencias quedan visibles y localizadas; es peligroso cuando dependen de orden accidental, estado oculto o una convención que el consumidor no puede conocer.

Práctica guiada

1. Copia el contrato de entrada y salida antes de escribir implementación.
2. Predice el caso normal y un límite; identifica la invariante que no puede romperse.
3. Implementa la versión mínima sin I/O dentro del núcleo.
4. Ejecuta el caso y conserva comando, versión y salida bajo evidence/.
5. Introduce el fallo controlado, reduce la reproducción y formula dos hipótesis rivales.
6. Corrige la causa, añade regresión y ejecuta el conjunto completo.
7. Compara con otro paradigma o lenguaje indicando qué semántica se preserva.

Ejercicios

1. Lectura: dibuja una traza de cinco pasos y marca dónde cambia estado o control.
2. Construcción: añade una observación que refute una hipótesis sin cambiar simultáneamente el sistema.
3. Frontera: cubre vacío, empate, no autorizado e inválido con resultados distintos.
4. Contraste: reescribe una pieza con otro modelo y explica una mejora y una pérdida.

Reto verificable

Entrega implementación, fixtures, pruebas y un informe corto. Se aprueba si otra persona ejecuta desde checkout limpio, obtiene los mismos resultados y puede relacionar cada rama o transformación con una regla del dominio. No se aprueba por cantidad de archivos ni por usar la sintaxis característica del paradigma.

Caso conductor

El entorno reproducible de diagnóstico parte de una inversión de empates en la biblioteca de estructuras y algoritmos, captura versión y entrada mínima, compara un entorno sano con uno afectado y conserva la primera divergencia observable. Cambia después una sola regla o condición y revisa qué archivos, pruebas y trazas debieron modificarse. Esa superficie de cambio alimenta el proyecto final de la parte.

Preguntas frecuentes

¿Una técnica o herramienta determina toda la arquitectura?

No. Puede organizar un núcleo o una frontera sin dominar el sistema completo. Combinar técnicas es válido si las fronteras preservan identidad, orden, errores y evidencia.

¿Más automatización o menos líneas significan una solución mejor?

No. La brevedad puede quitar duplicación o esconder decisiones. Se evalúan semántica, diagnóstico, costo de cambio y adecuación a la carga.

¿Debo instalar todas las herramientas mencionadas?

No. Instala solo lo necesario para la práctica elegida. Registra versión y comandos; si solo analizas una notación o salida, decláralo como análisis no ejecutado.

Fallo controlado y diagnóstico

Elimina el tercer evento y el fallo desaparece, pero concluyes que el tercero es causa. Repite permutaciones: el mecanismo real es el resize activado por tamaño, no su contenido.

Registra síntoma, entrada mínima, hipótesis, observación que descarta cada hipótesis, causa, corrección y prueba de regresión. No cambies simultáneamente implementación, fixture y expectativa.

Errores comunes y cómo corregirlos

Entorno y archivos clave

work/SE-105/
├── README.md
├── diagnostic_environment/
│   ├── domain.py
│   └── se_105.py
├── fixtures/cases.json
├── tests/test_se_105.py
└── evidence/diagnosis.md

El README declara plataforma, runtimes, comandos, limpieza y límites. Evita dependencias externas cuando la biblioteca estándar permita observar el mecanismo; si agregas una, fija procedencia y versión.

Seguridad, ética y accesibilidad

• la autorización forma parte del dominio y no se infiere por ausencia de rechazo;
• no uses eval, reglas descargadas ni serialización insegura;
• limita colas, recursión, tamaño de entrada y tiempo de evaluación;
• redacta trazas y conserva una explicación textual además de color o animación;
• una recomendación automatizada debe poder revisarse, impugnarse y corregirse;
• respeta licencias de ejemplos y atribuye adaptaciones.

Transferencia

Traslada un fixture al segundo modelo, herramienta, plataforma o lenguaje. Compara representación de ausencia, error, mutabilidad, orden y cancelación. La transferencia está lograda cuando el contrato se conserva y las diferencias están explicadas, no cuando la interfaz se parece.

Evaluación y evidencia

Fuentes

• Language Server Protocol 3.18 — Mensajes, capacidades y sincronización entre editor y servidor; autoridad: Microsoft.
• Debug Adapter Protocol — Breakpoints, frames, variables y negociación de capacidades; autoridad: Microsoft.
• Python Debugging and Profiling — Pdb, cprofile, timeit, tracemalloc y límites instrumentales; autoridad: Python Software Foundation.
• Python venv — Aislamiento de intérprete, scripts y entorno virtual; autoridad: Python Software Foundation.
• Development Container Specification — Configuración reproducible de herramientas y ciclo de vida del contenedor; autoridad: Dev Container Specification maintainers.
• Web Content Accessibility Guidelines 2.2 — Percepción, operación por teclado y reducción de barreras en interfaces; autoridad: W3C.

Cada fuente respalda el mecanismo indicado; ninguna demuestra que la implementación del entorno reproducible de diagnóstico sea correcta. Esa afirmación depende de fixtures, pruebas, trazas y revisión reproducible.

Límites y siguiente paso

El caso mínimo aún debe poder ejecutarlo otra persona con modalidades distintas. La siguiente clase incorpora ergonomía y accesibilidad al entorno, no como decoración.

Glosario

• reproducción determinista: se fija entrada, semilla, reloj, versión y comando hasta que el síntoma aparece con tasa conocida.
• reducción por dimensiones: se minimizan datos, código, configuración, tiempo y entorno por separado.
• una variable por experimento: cada ejecución cambia una condición y conserva las demás.
• primera divergencia: se comparan trazas sana y afectada desde el mismo inicio y se localiza el primer estado distinto, no el último error.
• caso mínimo y representatividad: reducir demasiado puede cambiar el mecanismo: quitar concurrencia elimina la carrera o acortar datos evita resize.

← SE-104 — Dev Containers y entornos desechables · ↑ Parte 08 · 📚 Índice completo · 🌐 Portal · SE-106 — Ergonomía, accesibilidad y productividad del entorno →