Datos escasos
La modelización para eventos extremos implica aceptar que la escasez de datos limita la robustez. Tablas y gráficos ilustran cómo los supuestos habituales se rompen en escenarios imprevistos.
Contraste metodológico
Las diferencias entre enfoques se vuelven evidentes al contrastar resultados tabulados. La objetividad obliga a exponer tanto los aciertos como los errores de cada método.
Límites del ajuste
Evitar la sobrecalibración es un arte. Demasiado ajuste empeora la utilidad del modelo fuera de la muestra, como se demuestra en simulaciones y revisiones.
Lectura de resultados
Cada resultado es contingente y debe leerse en función de la muestra y el contexto. La incertidumbre estadística se convierte en variable protagonista.