Академический Документы
Профессиональный Документы
Культура Документы
Formulación de modelos
Tema 2. Formulación de modelos
1. Qué es un modelo
Tipos de modelos
Modelos matemáticos
2. Metodología de modelado
3. Ejemplos
Modelos continuos
Modelos discretos
• Bibliografía:
Por ejemplo: F. NEELAMKAVIL, Computer simulation and
modeling, 1994. Capítulo 3 (y 4).
¿Qué es un modelo?
• Representación simplificada de un sistema
que permite mejorar nuestra capacidad de
entender
describir
predecir y/o
controlar
su comportamiento.
¿Qué es un modelo?
• Representación…
Un modelo es un retrato del sistema
“Confundir un modelo con la realidad sería
como ir a un restaurante y comerse la carta”
• Simplificada
Un buen modelo es una caricatura del sistema
Reconocible
Evita los rasgos superfluos
Identifica los rasgos relevantes
¿Qué es un modelo?
Ejemplos:
• Regla para una serie (ej.: udtccssondodtcq…)
• Esquema de un circuito digital combinacional
• Circuito equivalente de una célula fotovoltaica
• Distribución normal de probabilidad
• La luz: modelo ondulatorio, corpuscular o los dos
• Modelos en ajedrez (puntos de las piezas; desarrollo en la
apertura; estructura de peones, columnas abiertas, fortaleza en blancas o en
negras; finales de peones; material necesario para mate)
Tipos de modelos
• Muchas clasificaciones posibles.
• Por ejemplo:
Mentales
“Físicos”: maquetas, prototipos, etc.
Simbólicos: ‒ Verbales. Ej.: “Más vale pájaro en mano…”
‒ Gráficos. Ej.: dibujos, gráficas
‒ Esquemáticos. Ej.: diagramas de flujo,
esquema de circuito, layouts
‒ Matemáticos.
‒ (o combinación de los anteriores)
Modelos matemáticos (I)
• Representables matemáticamente cuantitativos
– Se expresan con fórmulas. Ej.: E = m0c2
– Aunque, por lo general, lo más importante es la idea subyacente.
• Información relacionada:
– Estudio bibliográfico
– Conocimientos previos,
técnicas y recursos disponibles, etc.
Formulación matemática (I):
Modelos empíricos
Descripción de los datos experimentales
• Criterios:
Sencillez
Bondad del ajuste
Mínimo número de parámetros
Parámetros fácilmente
interpretables ( conclusiones)
• Limitaciones:
Válidos sólo para las situaciones observadas
• Ejemplo: Telefonía e internet en el mundo
Formulación matemática (II):
Modelos teóricos
Deducción a partir de ideas (teoría)
• Criterios:
Solidez del razonamiento
Adecuación a la realidad
(a los datos o, al menos, a sus tendencias).
• Limitaciones:
Complejidad conceptual
Capacidad de ajuste limitada
(difícil sin parámetros ajustables…)
“Los resultados teóricos no se los cree nadie excepto el que los obtiene,
mientras que los resultados experimentales se los creen todos excepto el que los obtiene”
Formulación matemática (III):
Modelos semi-empíricos
Deducción, pero con parámetros ajustables
• Criterios:
Simplificaciones razonables (e identificadas)
Capacidad de predicción
Mínimo número de parámetros
Parámetros con significado físico
• Limitaciones:
Validez limitada debido a parámetros ajustables
• Ejemplos: Modelos de población
• Degradación de iso-α-ácidos
Métodos de resolución
(para modelos semi-empíricos o teóricos)
No válido
(no es lo que ocurre)
Positivo:
Buen ajuste a los datos
Limitaciones:
No clara relación con parámetros
medibles
Predicción “a posteriori”…
No información de edades, etc…
Ejemplo: Modelos de población
Modelo 3: Interacción parásito-anfitrión (Modelo de Lotka-Volterra)
Hipótesis:
El parásito crece gracias al anfitrión pero inhibe su crecimiento
El efecto de auto-inhibición es poco importante
concentraciones al cabo de 15
días de degradación a diversas
temperaturas
Ejemplo: Degradación de los
iso-α-ácidos de la cerveza
Querríamos saber:
• Inferencias:
Los parámetros del modelo (v0 y E) se pueden
deducir de los datos experimentales:
Conviene disminuir c
i.e.: disminuir espesor
Ejemplo: Ecuaciones de difusión
• Difusión: flujo de donde hay más a donde hay menos
• Balance:
• Modelos discretos:
– Eventos discretos asociados habitualmente a probabilidades
– Ecuaciones en diferencias en vez de ecuaciones diferenciales
– Mayor versatilidad
– Más “microscópico”
– Menos herramienta matemática
– Mayor gasto computacional