Tema 2

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.

• Según su fundamentación (¿de dónde salen?)

– Empíricos: descripción de los datos “experimentales”
– Teóricos: deducción a partir de conceptos o ideas.
– Semi-empíricos:
como los teóricos, pero con parámetros de ajuste.
Modelos matemáticos (II)
• Según las variables:
continuos o discretos
• Según las ecuaciones:
lineales o no lineales
• Según la dependencia temporal:
estáticos o dinámicos
• Según su naturaleza (aleatoriedad):
deterministas o estocásticos
• Según la resolución de las ecuaciones:
analítica o numérica
 ¿Qué queremos entender, predecir
Motivación y objetivos
o controlar…? ¿para qué? ¿en qué
Requerimientos (¿cuantitativo?).
condiciones? ¿cómo de bien?
Diseño de Análisis del sistema ¿Qué dicen los datos?
experimentos Inspección de datos ¿Qué parece que pasa?
Identificar parámetros y variables.
¿Qué dicen otros que pasa?
Estudio de información relacionada
Vamos a suponer que aquí lo
Formulación de hipótesis que pasa es que…
Metodología Especificar rango de aplicabilidad
(Modelo conceptual: la idea)
de Inferencia Si lo que pasara fuera eso
también tendría que ocurrir que…
modelado Deducción de consecuencias
P. ej.: Formulación matemática, Y tal variable valdría…
¿Cómo elaborar resolución o simulación numérica (Modelo matemático: “la fórmula”)
y predicciones cuantitativas
modelos? ¿Es lógico y coherente?
NO ¿Predice bien los casos obvios?
Validación interna ¿La metodología ha sido adecuada?
¿Tenemos datos suficientes?
SI
¿Se adecúa a los objetivos?
NO Validación
(“falsación”) ¿Se ajusta a los datos?
¿También a datos nuevos?
SI
NO Certificación ¿Estamos “suficientemente”
(interna o externa) seguros de que ocurre así?
SI
Documentación
 Motivación y objetivos
• Definir el problema
• Requerimientos
– Tipo de modelo
• ¿cuantitativo? (¿y hasta qué
punto: “tendencia” o “ajuste”?)
• grado de predictibilidad
• ¿orientado a optimización?
– Rango de aplicabilidad
• Luego quizá se pueda generalizar
• El arte de despreciar lo despreciable
– ¿Cómo de bien?
• Basta con resolver el problema…
Lo que no hay que hacer: el boli de la NASA
 Análisis del sistema
• Inspección de datos:
– En ocasiones con análisis estadístico.
• Identificar parámetros y variables.
– Seleccionar los aspectos relevantes:
elegir las preguntas
(ej.: “artículo de Newton”)

• 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)

Resolución analítica Resol. numérica o simulación

(la solución es una fórmula)
 “Generalidad”
 Mensaje más claro
 No sujeto a ruido
 Sin coste computacional
 Dificultad conceptual
  No siempre hay
solución analítica
 Imposible en situaciones
complejas
(solución computacional aproximada)
 Menor esfuerzo conceptual
  Posible aun sin solución analítica
 Factible en situaciones complejas
 Resultado válido sólo para cada caso
 No da idea directa de causas y
dependencias
 Coste computacional
 Problemas de ruido y convergencia:
Necesidad de analizar los datos… calculados

(Ver Tema 3 y Bloque III)

 Ejemplo: Modelos de población
Modelo 1:
Hipótesis: - Distribución invariante de edades y sexos
– No inmigración/emigración
• Evolución temporal de la población N(t):

 No válido
(no es lo que ocurre)

• Otras posibilidades: complicado…

 Ejemplo: Modelos de población
Modelo 2: incluyendo auto-inhibición (modelo “logístico”)

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

Oscilación de población (la del parásito con retardo)

 Modelos semi-empíricos
Ejemplo: Degradación de los iso-α-ácidos
de la cerveza
• Provenientes del lúpulo
• Responsables del amargor típico de la cerveza
• Se degradan a temperatura ambiente
(conservación en refrigeración)
• Medidas experimentales de
concentración mediante
cromatografía de líquidos

concentraciones al cabo de 15
días de degradación a diversas
temperaturas
 Ejemplo: Degradación de los
iso-α-ácidos de la cerveza
Querríamos saber:

• ¿Qué está pasando “microscópicamente”?

• ¿Cómo quedarían las curvas C vs T para t =7 días o 1 mes?
• ¿Cuánto durará la cerveza a 4ºC? ¿y a 50ºC?
• ¿Cuáles serían las mejores condiciones experimentales
para hacer las medidas con precisión?
 Ejemplo: Degradación de los
iso-α-ácidos de la cerveza
• Modelo: Degradación térmica
, donde:

• Inferencias:
 Los parámetros del modelo (v0 y E) se pueden
deducir de los datos experimentales:

 Tiempo de degradación (al 50%):

 Errores en el ajuste de v(T):  error grande

para C0 y CCini

 Verificación de C(15días, 4ºC)  Cinicial

 Ejemplo: Microbolómetro
• Cámaras que detectan radiación infrerroja
• Cada píxel es una “mesa” que se calienta al absorber IR
• La temperatura de cada mesa se mide con una RDT y un
puente de Wheatstone
 Ejemplo: Microbolómetro
• ¿De qué depende la sensibilidad de esta cámara?
¿Mejora refrigerándola?
• ¿ De qué depende su tiempo de respuesta?
• ¿Cómo se puede conseguir aumentar simultáneamente
su sensibilidad y su rapidez?




 Conviene disminuir c
i.e.: disminuir espesor
 Ejemplo: Ecuaciones de difusión
• Difusión: flujo de donde hay más a donde hay menos

• Balance:

• Si hay arrastre y desaparición:

difusión arrastre desaparición

 Modelos continuos y
modelos discretos
• Variables continuas o variables discretas
– Ejemplos en modelos de población

• 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