Universidad del Quindío

Facultad de Ingeniería ANÁLISIS DE DATOS PARA INGENIERÍA

Programa de Ingeniería Civil Pedro León García Reinoso (IC – MSc)
Protocolo de Modelación
Matemática 3
• Definir propósito
• Formular Modelo Conceptual
• Seleccionar Código
• Construcción Modelo
• Selección Criterios Desempeño
• Calibración del Modelo
• Validación del Modelo
• Simulación
• Presentación resultados
• Pos-auditoria
Protocolo de Modelación Matemática
El progreso de la tecnología en el campo de
Cocinar huevo
los ordenadores, computadoras personales,
la introducción métodos matemáticos
Frito Hervir ciencias se ha acelerado → los modelos
matemáticos se han convertido en una
valiosa herramienta de solución de
Freír Sal problemas en el ámbito hidrológico. Resulta
necesario enmarcar el proceso de
Agregar
modelación en una secuencia lógica, discreta,
de pasos orientados a la obtención de un
resultado, en un derrotero que se ha llamado
Servir “Protocolo de Modelación”.

Domínguez, E (2000). Protocolo para la modelación matemática de procesos hidrológicos. Meteorología Colombiana, No. 2, p.p. 33-38
 Arístoteles
384 a.C.- 322 a.C.

Para conocer algo es

suficiente con observar y
aplicar lógica. El cuerpo más
pesado cae más rápido. Su
teoría se basa en la masa.
 Arístoteles Galileo Galilei
384 a.C.- 322 a.C. 1564 - 1642

Para conocer algo es Diseña un experimento con

suficiente con observar y mediciones precisas. No
aplicar lógica. El cuerpo más importa el peso, en ausencia
pesado cae más rápido. Su de aire, todos los cuerpos
teoría se basa en la masa. caen igual de rápido.
 Arístoteles Galileo Galilei Isaac Newton
384 a.C.- 322 a.C. 1564 - 1642 1643 - 1727

Para conocer algo es Diseña un experimento con Comprueba la Teoría de

suficiente con observar y mediciones precisas. No Galileo Galilei. La aceleración
aplicar lógica. El cuerpo más importa el peso, en ausencia de la caída de los cuerpos es
pesado cae más rápido. Su de aire, todos los cuerpos constante y cada segundo que
teoría se basa en la masa. caen igual de rápido. pasa su velocidad varía.
Dubravko Horvat and Radomir Jecmenica (2016).The free fall Abbott, M.B. and Refsgaard, J.C. (2012). Distributed
experimet. Resonance. Hydrological Modelling. USA: Kluwer Academic Publishers
DEFINIR EL PROPÓSITO
El primer paso, objetivo del modelo. Ejemplos:
1. Calcular el tiempo de descarga recipiente
2. Definir la distancia entre carros en marcha
3. Calcular la deflexión máxima de una viga
En este paso se define el tipo de modelo y la
precisión con la que se desea trabajar. Los
resultados del estudio pueden presentar
nuevas posibilidades y la necesidad de
introducir otras herramientas de análisis, así
que puede modificarse en cualquier momento.
En este paso se define el dominio del modelo.
FORMULAR MODELO CONCEPTUAL
Definido en función del objetivo de la
modelación y de la información disponible.
Puede considerarse,
1. Qué procesos serán modelados.
2. Qué procesos se consideran en totalidad
3. Qué procesos se pueden simplificar
El usuario es consciente del grado de
abstracción, los supuestos subyacentes y las
limitaciones del modelo. Es factible evaluar si
es necesario ejecutar trabajo de campo. Este
paso refleja percepción actual de realidad.
FORMULAR MODELO CONCEPTUAL
Datos del experimento de caída libre,
FORMULAR MODELO CONCEPTUAL
Datos del experimento de caída libre,
FORMULAR MODELO CONCEPTUAL
Datos del experimento de caída libre,
FORMULAR MODELO CONCEPTUAL
Datos del experimento de caída libre,
FORMULAR MODELO CONCEPTUAL
Datos del experimento de caída libre,
FORMULAR MODELO CONCEPTUAL
Datos del experimento de caída libre,
FORMULAR MODELO CONCEPTUAL
Datos del experimento de caída libre,

1 2
𝑦= 𝑔𝑡
2
SELECCIÓN DEL CÓDIGO
Definido el modelo conceptual, es
recomendable seleccionar un programa de
computo adecuado, dos vías,
1. Preparar un programa para aplicación
específica.
2. Seleccionar un código entre los
programas existentes.
Si se recicla código, debe ser confiable,
alguien lo aplicó en una situación similar y
fue verificado. Este paso es la traducción
del modelo al lenguaje de maquina.
https://keisan.casio.com/exec/system/1224835316
DESARROLLAR EL CÓDIGO
Selección del modelo matemático
Con respecto a la funcionalidad,
1. Considerar la habilidad para simular el
problema que se desea resolver.
2. Cuantificar los procesos físicos
representados en el modelo.
3. Evaluar las ecuaciones adoptadas para
simular los procesos físicos.
4. Identificar los requerimientos datos,
relación inversa calidad - predicción.
DESARROLLAR EL CÓDIGO
Selección del modelo matemático
Con respecto a la complejidad,
1. Define en función de datos estimados,
de recursos y tiempo calibración.
2. Modelos baja complejidad empleados
en estudios exploratorios.
3. Modelos media complejidad para
evaluar efectos de políticas.
4. Modelos alta complejidad limitados en
investigaciones y análisis de riesgo.
Con respecto a la complejidad

https://www.fxsolver.com/solve/
DESARROLLAR EL CÓDIGO
Selección del modelo matemático
Un proceso de seis pasos,
1. Definir complejidad del modelo con
restricciones datos, tiempo, recursos.
2. Seleccionar modelo mejor clasificado
empleando funcionalidad-complejidad.
3. Evaluar si el modelo aborda cuestiones
de interés para el objetivo planteado.
4. Confirmar si el modelo puede aplicarse
en diferentes contextos de interés.
DESARROLLAR EL CÓDIGO
Selección del modelo matemático
Un proceso de seis pasos,
5. Determinar si el modelo genera las
salidas requeridas para objetivo.
6. Considerar las principales ventajas y
desventajas modelo seleccionado.
Disponibilidad de datos
Usuario: conocimiento y nivel educación
Comparar modelos datos experimentales
Análisis de incertidumbre
Necesidad mejores modelos
CONSTRUCCIÓN DEL MODELO
La información, los datos, y el código están
completos. La construcción del modelo,
1. Caracterización variables control
2. Establecer condiciones iniciales
3. Selección preliminar parámetros
Las herramientas matemáticas incluyen,
• Solución de sistemas de ecuaciones
• Implementación métodos numéricos
• Uso de herramientas de optimización
CONSTRUCCIÓN DEL MODELO
Si el valor de los parámetros se obtiene a
través de mediciones de campo, existentes
o programadas, se dice que el modelo se
parametrizó.
Si el valor de los parámetros se establece a
través de la solución del problema inverso,
se dice que los parámetros se identificaron.

𝑇 = 𝑇𝑜 − 0.0065 ∙ 𝑍
CONSTRUCCIÓN DEL MODELO

𝑇 = 29.969 − 0.0057 ∙ 𝑍
DEFINIR CRITERIOS DE DESEMPEÑO
Estos criterios definen la exactitud con la
que se desempeña el modelo. La elección
se hace en función de los objetivos de la
modelación y de los datos disponibles.
Elegir un criterio inadecuado, podría
conducir a la recolección de más datos, si
no están disponibles se elige otro criterio.
Existen muchos criterios: Error cuadrático
medio, Error medio absoluto, Error medio,
Error absoluto relativo, Diferencia pico, …
DEFINIR CRITERIOS DE DESEMPEÑO
Una métrica es un criterio de desempeño
siempre que,
1. Se conoce el valor de la métrica para la
simulación perfecta.
2. Se conoce el valor crítico que establece
que la simulación es aceptada.
3. La métrica considera la inercia o el
nivel de predictibilidad del sistema.
DEFINIR CRITERIOS DE DESEMPEÑO
Error Medio

El cálculo se hace en unidades reales de la

diferencia entre valores observados y
modelados. No se conoce un valor crítico y
para un modelo perfecto el valor sería
cero. Sin embargo, una puntuación baja no
indica necesariamente un buen modelo, ya
que los errores positivos y negativos se
anulan entre sí.
DEFINIR CRITERIOS DE DESEMPEÑO
Error Cuadrático Medio

El cálculo se registra unidades reales, es

una métrica no negativa sin límite superior.
Para un modelo perfecto el resultado sería
cero. Esta sesgada en favor de los valores
pico, ya que estos valores son los que más
aportan a la definición del error. Es una
métrica adecuada para series tiempo.
DEFINIR CRITERIOS DE DESEMPEÑO
Error absoluto relativo

Es una métrica no negativa que carece de

limite superior. Un modelo perfecto tendría
resultado cero. Es una proporción del
grado acuerdo general entre observados y
modelados. Cuanto menor sea el valor,
mejor será el rendimiento del modelo
frente a la previsión de la media.
CALIBRACIÓN DEL MODELO
Involucra la manipulación de un modelo
específico para reproducir la respuesta de
la cuenca dentro de un rango de exactitud
especificado. Se puede realizar por prueba
y error, pero es dispendioso.
Existen técnicas automáticas para la
identificación de parámetros,

1. Hill-climbing techniques
2. Simulated annealing
3. Genetic algotihms
CALIBRACIÓN DEL MODELO
Hill-climbing techniques
CALIBRACIÓN DEL MODELO
Simulated annealing
CALIBRACIÓN DEL MODELO
Genetic algotihms
VALIDACIÓN DEL MODELO
Probar la bondad de ajuste del modelo,
este se calibra con una parte información,
sin cambiar los parámetros encontrados, se
prueba el modelo con datos no utilizados,
calculando el error promedio del modelo.
Si este error está dentro de los límites
permisibles, se considera que el modelo
está validado, de lo contrario repetir.
VALIDACIÓN DEL MODELO

1 2
𝑦= 𝑔𝑡
2

𝑦 = 4.903𝑡 2 𝑦 = 4.899𝑡 1.999

SIMULACIÓN DEL MODELO
Es el aprovechamiento sistemático del
modelo bajo las condiciones planteadas,
este procedimiento es técnico y solamente
hay que verificar que los parámetros e
hipótesis planteados estén reflejados en el
código implementado. Es recomendable
realizar un análisis de sensibilidad para
evaluar efectos de la incertidumbre.
PRESENTACIÓN DE RESULTADOS
Involucra un proceso exhaustivo que
trata de obtener el mayor número de
respuestas con los datos obtenidos, verifica
la coherencia de los resultados. Una vez
analizado esto, se consolida el documento.
PRESENTACIÓN DE RESULTADOS
Involucra un proceso exhaustivo que
trata de obtener el mayor número de
respuestas con los datos obtenidos, verifica
la coherencia de los resultados. Una vez
analizado esto, se consolida el documento.
POST AUDITORIA
Posibilidad extra de validación para el
modelo. Es realizada varios años después
de realizado el estudio de modelación,
cuando las predicciones del modelo
pueden ser evaluadas.
Por otra parte, si es posible incluir nueva
información, el modelo puede mejorar y
hacer cambiar nuestra percepción de la
realidad, provocando la inducción de
mejoras en el modelo conceptual inicial.
Es un proceso retroalimentación continua.
 Pedro León García Reinoso
pedrogarcia@uniquindio.edu.co

Centro de Estudios e Investigaciones de la Facultad de Ingeniería - CEIFI

Grupo de Investigación, Desarrollo y Estudio del Recurso Hídrico y el Ambiente
Carrera 15 Calle 12 N – Universidad del Quindío – Bloque de Ingeniería – Piso 3
Tel. 57-6-7359300 (103)