## [Calibración del Modelo](/es/node/60529) Definición El proceso de ajustar parámetros del modelo y, cuando procede, entradas o términos de corrección de sesgo para que las predicciones del modelo concuerden mejor con los datos observacionales, incluyendo con frecuencia pasos de validación y consideración del rendimiento predictivo en las condiciones objetivo. ## Principio Principio La calibración alinea las salidas del modelo con los datos optimizando parámetros o añadiendo términos correctivos mientras se previene el sobreajuste mediante validación cruzada, regularización o retención de datos de validación; reconoce tanto la incertidumbre de los parámetros como el error estructural del modelo. ## Demostración Demostración Ajustar parámetros de un modelo climático para reproducir ciclos estacionales de temperatura observados; modificar factores de escala de emisión en un modelo de calidad del aire para coincidir con mediciones de concentración; calibrar el sesgo de un sensor antes de su asimilación en predicciones. ## Aplicación incorrecta Aplicación incorrecta Sobreajustar parámetros para coincidir con un conjunto de datos particular (data dredging) de modo que el modelo ajuste ruido en lugar de señal, o usar la calibración para ocultar deficiencias estructurales del modelo en lugar de revisar la estructura del mismo. ## Consecuencia Consecuencia Un modelo bien calibrado proporciona mayor precisión predictiva dentro del dominio de calibración y estimaciones de incertidumbre más claras; respalda pronósticos fiables y simulaciones relevantes para políticas, pero exige validación cuidadosa para asegurar la transferibilidad fuera de los datos de calibración. ## Inversión Inversión Validación o falsación del modelo: en lugar de ajustar parámetros para encajar datos, se prueba el modelo y puede ser rechazado, o se consideran estructuras de modelo alternativas; el promediado de modelos puede usarse en lugar de calibrar un solo modelo. ## Límite Límite Se centra en el ajuste de parámetros/entradas y en la alineación práctica con datos con fines predictivos; excluye la selección de modelos pura (decidir entre estructuras alternativas) y difiere de la estimación de parámetros en que la calibración suele ser pragmática, iterativa y orientada a la utilidad predictiva en vez de a la optimalidad estadística pura. ## Tensión semántica Tensión semántica Existe tensión entre la calibración y el sobreajuste por una parte y la estimación estadística rigurosa por otra; la calibración es pragmática y dirigida al rendimiento, mientras que la estimación estadística enfatiza la cuantificación principiada de la incertidumbre y los diagnósticos de identificabilidad. ## Síntesis Síntesis La calibración del modelo es el ajuste práctico de parámetros y términos correctivos para aproximar las salidas del modelo a las observaciones, equilibrando ajuste y generalización mediante validación, regularización y tratamiento explícito de la incertidumbre y el error estructural.