Tau Education Matemáticas con estructura
Tau Education es una academia de matemáticas, programación y materias cuantitativas. Construimos cursos alrededor de problemas, representaciones, modelos y validación para que las ideas puedan reconocerse y reutilizarse en contextos nuevos.
01 · Cambiar la mirada
Tomaremos cuatro errores de medición, conservaremos exactamente los mismos valores y los reorganizaremos para decidir si son variación alrededor de cero o una desviación sistemática.
01 · Situación
Un sensor se equivoca por pocos grados en cuatro pruebas. ¿Es ruido o hay un sesgo que podemos corregir?
Comparamos el sensor con una referencia calibrada y registramos sensor menos referencia. Un error positivo significa que el sensor marca una temperatura mayor que la referencia.
02 · Primera representación
La tabla conserva cada prueba y su error con signo. Podemos leer los cuatro valores sin perder cuál pertenece a cada medición.
03 · El límite
Mirados uno por uno, los errores parecen modestos. Pero para decidir si basta con aceptarlos necesitamos saber si se compensan alrededor de cero o apuntan todos en la misma dirección.
¿Los errores se compensan o están desplazados juntos?
04 · Replantear
Los mismos cuatro errores se colocan ahora según su magnitud y su signo, usando cero como referencia de una medición sin desplazamiento.
Cada es el error con signo entre la lectura del sensor y la referencia. La media resume el desplazamiento del grupo; si permanece lejos de cero en datos comparables, hay evidencia de sesgo.
05 · Decidir
Si este patrón se repite en condiciones comparables, ¿qué ajuste probarías primero?
Los cuatro errores tienen el mismo signo y se agrupan alrededor de un desplazamiento similar. Restar el error medio es defendible si ese patrón se mantiene en pruebas nuevas bajo condiciones comparables. El eje muestra que los errores no están repartidos alrededor de cero: todos se desplazan en la misma dirección. Antes de añadir complejidad conviene probar una corrección de offset y validarla.
06 · Comprobar
La misma operación en otros contextos
Los mismos valores, una vista a la vez.
02 · Cómo se ve una clase
Una clase Tau puede comenzar con una situación sencilla y terminar conectando geometría, modelado, error y optimización. El código funciona como laboratorio cuando ayuda a probar una idea; no sustituye la explicación matemática.
Tres torres estiman su distancia a una ubicación desconocida. En un mapa ideal, tres circunferencias deberían coincidir en un mismo punto, pero las mediciones reales no lo hacen. Restringimos primero la búsqueda a un camino conocido y preguntamos qué posición explica mejor los tres datos.
import numpy as np
T = np.array([[0,0],[8,1],[4,7]])
r = np.array([4.503,4.569,4.698])
def loss(x):
p = np.array([x, 2.5])
e = np.linalg.norm(T-p, axis=1) - r
return np.sum(e**2), np.max(np.abs(e))
xs = np.linspace(0, 8, 161)
L = np.array([loss(x)[0] for x in xs])
x_hat = xs[np.argmin(L)]
# x óptimo=3.70 km · loss=0.037 km2 · resid.max=0.188 kmLa pregunta cambió de representación
Empezamos con geometría y terminamos construyendo una función que asigna un costo a cada respuesta posible. Esa transformación reaparece en estadística, métodos numéricos, Machine Learning y problemas de estimación con sensores.
03 · Un lenguaje común
Tau puede enseñar áreas distintas sin tratarlas como islas. Buscamos las estructuras que sobreviven al cambiar de representación, herramienta o contexto.
04 · Dos espacios