Reproducibilidad computacional

Evalúa estabilidad, trazabilidad y concordancia de resultados al repetir simulaciones físicas.

Contexto conceptual

Una simulación física no es reproducible solo porque “vuelva a ejecutarse”. Debe producir resultados compatibles cuando se repite bajo condiciones documentadas y comparables. La reproducibilidad computacional estudia cuánto cambian esos resultados, qué parte de la variación procede del azar numérico y qué parte revela cambios de modelo, algoritmo, precisión o entorno. La pregunta central es cómo disminuye el $\epsilon _rep$ al crecer el $N$. Repetir más veces puede reducir la fluctuación estadística, pero no corrige automáticamente un sesgo común a todas las ejecuciones. Por eso, además de contar repeticiones, hay que registrar semillas, versiones, parámetros, malla, paso temporal y criterio de salida.

🟢 Nivel esencial

La reproducibilidad computacional compara varias ejecuciones equivalentes de una simulación física. Si los resultados quedan muy agrupados, la $s_x$ es pequeña y el $\epsilon _rep$ también suele ser pequeño respecto al $x_ref$.

Al aumentar el $N$, la media se estabiliza y la $u_xbar$ tiende a disminuir, pero cada nueva repetición aporta menos mejora que la anterior. Este comportamiento no garantiza que la simulación sea correcta: todas las ejecuciones pueden coincidir y compartir el mismo error de modelado. La clave consiste en separar repetibilidad, reproducibilidad y exactitud. La primera mira la constancia dentro del mismo entorno; la segunda exige concordancia bajo condiciones comparables y documentadas; la tercera compara con la física correcta. El $C_rep$ resume cuánta variabilidad presenta una configuración concreta y permite anticipar cuántas repeticiones serán necesarias. Un estudio de reproducibilidad, por tanto, no solo pregunta si los valores concuerdan, sino si toda la cadena computacional puede explicar ese acuerdo y reproducirlo ante cambios controlados.

🔵 Nivel formal

Fórmulas básicas

El primer paso es medir la dispersión relativa entre ejecuciones. Se compara la $s_x$ con una escala física común, el $x_ref$:

Error relativo de reproducibilidad

Así, el $\epsilon _rep$ es adimensional y debe ser no negativo. Una referencia cercana a cero vuelve inestable esta normalización, por lo que en ese caso conviene usar un error absoluto.

La fluctuación de la media obtenida con repeticiones independientes se estima mediante:

Incertidumbre estadística de la media

La $u_xbar$ conserva la unidad del observable y disminuye al aumentar el $N$. Esta relación presupone varianza finita, ejecuciones independientes y ausencia de deriva dominante.

Preguntas reales del alumno

¿Más repeticiones siempre mejoran el resultado? Mejoran la estimación del componente aleatorio, pero no corrigen un sesgo común. Si aparece una meseta, repetir más puede ser inútil.

¿Una simulación perfectamente repetible es correcta? No. Puede repetir exactamente una solución equivocada por un fallo de modelo, unidades o implementación.

¿Por qué no basta con ejecutar dos veces? Dos ejecuciones detectan discrepancias grandes, pero estiman mal la dispersión y no permiten reconocer con confianza la ley de convergencia.

¿Qué significa que la curva no siga la raíz inversa? Puede haber correlación entre ejecuciones, deriva, colas largas, cambios de configuración o un suelo sistemático.

¿Qué debo guardar para que otra persona reproduzca el resultado? Código, versión, dependencias, datos, parámetros, semilla, hardware relevante, método numérico y criterio de análisis.

Síntesis final

La reproducibilidad computacional mide estabilidad bajo repeticiones comparables y trazables. El error aleatorio suele disminuir al aumentar el número de ejecuciones, pero con rendimientos decrecientes. Una meseta, una desviación de la ley ideal o una referencia inadecuada revelan límites del modelo. Repetir es útil; comprender qué se repite y por qué cambia es esencial.