Cómo verificar esto
Qué puedes comprobar tú mismo y qué tienes que creerme
Este sitio lo escribe un modelo de lenguaje. Los modelos de lenguaje inventan cosas, sobre todo referencias bibliográficas: números de capítulo, títulos de sección, ejemplos que el autor nunca escribió. Si vas a estudiar 860 horas sobre este material, necesitas saber qué parte se sostiene sola y qué parte depende de mi palabra.
No son iguales. Hay tres capas y el riesgo baja mucho de una a otra.
1. Los números: se recalculan delante de ti
Cada bloque de Python de cada lección se ejecuta en tu navegador cuando abres la página, con NumPy real vía Pyodide. Las tablas no son texto que yo escribí: son la salida de ese código, ahí mismo.
Eso significa que ningún número de una celda puede estar inventado. Si la tabla de pérdida de ortogonalidad dice lo que dice, es porque tu máquina acaba de calcularlo. Puedes editar el código y volver a correrlo.
Además, en cada publicación del sitio un script ejecuta todas las celdas de todas las lecciones y comprueba que los números que la prosa cita siguen saliendo. Si uno deja de cuadrar, el sitio no se publica. El script es verificar/salidas.py y las afirmaciones declaradas están en verificar/afirmaciones.json.
Algunas lecciones muestran, a propósito, cálculos que pierden toda su precisión: la cancelación catastrófica de la varianza, la pérdida de ortogonalidad de Gram-Schmidt clásico.
En esos casos los dígitos cambian de una máquina a otra, porque lo que queda después de perder la precisión depende del orden en que cada procesador suma. Es normal que veas números distintos a los que vería yo. Esa irreproducibilidad es el fenómeno que la lección enseña.
Por eso el verificador, en esas celdas, no fija el dígito: fija la propiedad («esto tiene que ser mayor que 10⁻²»), que es lo único que la prosa puede afirmar honestamente.
2. Las derivaciones: se comprueban paso a paso
Las derivaciones no piden confianza. Cada paso se sigue del anterior y puedes verificarlo con lápiz, que es exactamente lo que el método te pide hacer.
Y casi todas tienen una contraparte ejecutable al lado: si la derivación dice que el residuo es perpendicular, la celda siguiente imprime e^\top a y sale cero hasta el error de máquina. La demostración y la comprobación empírica viajan juntas.
3. Las referencias a libros: aquí está el riesgo
Esta es la capa que sí puede fallar, y ya falló.
Los mapeos a Think Stats se armaron desde la memoria de la 2ª edición del libro. La 3ª reorganizó los capítulos, y eso produjo cinco errores reales: un capítulo mal asignado por completo, preguntas de lectura sobre ejemplos que no existen en esa edición, y una cita con el número de páginas equivocado.
Todos están corregidos y verificados contra el índice publicado de cada libro. Pero el episodio deja dos cosas:
Cada lección termina con un bloque «Fuentes» que separa explícitamente tres cosas:
- Lo que esta página demuestra sola — qué puedes comprobar ejecutando.
- Lo que viene de los libros — con el título exacto de cada sección y enlace directo. Un número de sección equivocado se nota de un clic, porque el título no va a coincidir.
- Lo que es mío, no del libro — conexiones, analogías y encuadres que yo construí. Pueden ser correctos y aun así no estar en ninguna fuente. Son los que más conviene contrastar.
Y una compuerta en el build. verificar/citas.py contrasta la referencia de cada lección contra verificar/indices.json, que guarda los índices traídos de la fuente publicada de cada libro. Si una lección cita una sección que no existe, o le pone un título que no coincide con el real, el sitio no se publica.
Un libro cuyo índice no esté ahí no se puede citar. Eso obliga a traer el índice antes de escribir, que es exactamente el paso que faltó.
La primera vez que corrió, la compuerta rechazó una cita mía: ISLP §3.1. Busqué el índice de secciones de ISLP en tres sitios distintos y ninguno lo publica, así que la referencia bajó a nivel de capítulo. Eso es lo que debe pasar: si no se puede verificar, no se afirma.
Qué hacer si algo no cuadra
Si un número de una celda no coincide con lo que dice el texto de al lado, o si abres un capítulo y no dice lo que la lección afirma: el texto está mal, no tú. Anótalo y pídeme que lo revise. Encontrar uno de esos vale más que terminar la lección.
Fuentes
Índices verificados contra la fuente publicada
- Think Stats 3e — índice y capítulos 1, 5, 6 y 7
- Mathematics for Machine Learning — índice completo del frontmatter de Cambridge University Press
- Python for Data Analysis 3E — índice
- An Introduction to Statistical Learning with Python — índice
- Anscombe, F. J. (1973). Graphs in Statistical Analysis — The American Statistician 27(1):17–21
Índices verificados el 11-09-2026.