ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD DE CIENCIAS – MATEMÁTICAS

ÁLGEBRA SUPERIOR

MODELACIÓN MATEMÁTICA

DOCENTE:

ING. Hugo Jácome

ESTUDIANTE:

Joseph Martínez Parra

FECHA DE ENTREGA:

2023-08-20

PERÍODO ACADÉMICO:

2023 – 1S
 2

INTRODUCCIÓN

La matemática es la reina de todas las ciencias exactas. Su estudio genera un desarrollo

abstracto, inductivo, análogo y deductivo en cuanto a pensamiento se refiere. El campo de la

docencia cumple un rol fundamental en esta área, debido a las metodologías de enseñanza que

emplean frente a la resistencia estudiantil y la constante problemática de aprendizaje e interés

que estos grupos presentan.

La modelación matemática es una estrategia didáctica que busca alternativas pedagógicas

frente a la monótona forma de cubrir una lista de temas a modo de “programa”. Esta estrategia

concibe a la matemática como un “proceso continuo de resolución de problemas encuadrados en

contextos reales permitiendo la combinación de diferentes tareas, según las necesidades de

aprendizaje de los estudiantes.”.

La siguiente investigación se encuentra fundamentada en la importancia de conocer y

concebir la modelación matemática como una técnica primordial e interactiva para el aprendizaje

de esta ciencia exacta, mediante la conceptualización detallada de la terminología que interviene

en esta estrategia y la explicación de los procedimientos y características que la conforman; de la

misma manera, demostrar la relación e influencia directa que tiene, frente a la Carrera de

Matemáticas, sus estudiantes y profesionales.

 3

MARCO TEÓRICO

Modelación Matemática

La modelación matemática es un proceso involucrado en la obtención de un modelo

matemático. Un modelo matemático de un fenómeno o situación problema es un conjunto de

símbolos y relaciones matemáticas que representa, de alguna manera, el fenómeno en cuestión.

El modelo permite no sólo obtener una solución particular, sino también servir de soporte para

otras aplicaciones o teorías. En la práctica, ese conjunto de símbolos y relaciones puede estar

vinculado a cualquier rama de las matemáticas, en particular, a los instrumentos fundamentales

de las aplicaciones matemáticas. (Maria Salett Biembengut y Nelson Hein, 2004). La

modelación matemática surge como un medio que permite la creación o uso de modelos

matemáticos; intentando de esta manera, cambiar las metodologías de enseñanzas ordinarias y

mediante técnicas didácticas “desarrollar competencias matemáticas y propias de la modelación

matemática, la promoción de un mayor interés hacia la asignatura, así como el

desencadenamiento de un pensamiento diversificado en los alumnos”. (Salett Biembengut &

Hein, 2004).

Se debe cambiar la perspectiva que se tiene de las matemáticas, el docente facilitador al

momento de impartir sus clases magistrales debe generar en el estudiante un interés/inclinación

frente a la temática tratada y cambiar la conceptualización de que esta ciencia exacta “es un

cúmulo de saberes aislados y algoritmos descontextualizados que se realizan mecánicamente”

(Zaldívar Rojas et al., 2017); es decir, que la matemática no se emplea en la cotidianidad y que

su ejecución se plasma únicamente en seguir pasos para obtener un resultado.

 4

Etapas que conforman el proceso de modelación

La elaboración de un modelo matemático requiere conocimientos tanto matemáticos

como no matemáticos, además de creatividad para interpretar el contexto y determinar cuáles son

las variables involucradas.

Con el fin de crear y usar un modelo matemático es necesario, en principio, recorrer todo

el camino de un proceso de modelización. Analíticamente es posible describir un proceso de

modelización matemática consistente en los siguientes seis sub-procesos. (Blomhøj & Mina,

2004).

• Formulación del problema: formulación de una tarea (más o menos explícita)

que guíe la identificación de las características de la realidad percibida que será

modelizada.

• Sistematización: selección de los objetos relevantes, relaciones, etc. del dominio

de investigación resultante e idealización de las mismas para hacer posible una

representación matemática.

• Traducción de esos objetos y relaciones al lenguaje matemático.

• Uso de métodos matemáticos para arribar a resultados matemáticos y

conclusiones.

• Interpretación de los resultados y conclusiones considerando el dominio de

investigación inicial.
 5

• Evaluación de la validez del modelo por comparación con datos (observados o

predichos) y/o con el conocimiento teórico o por experiencia personal o

compartida.

Nota. Modelación Matemática, Procedimiento para su ejecución. Tomado de: (Blomhøj &

Mina, 2004).

La modelación matemática es el proceso completo de transitar desde un problema

planteado en una situación real hasta un modelo matemático; En un modelo matemático se

establece un conjunto de relaciones (igualdad y/o desigualdad) definidas en un conjunto de

variables que reflejan la esencia de los fenómenos en el objeto de estudio. Formalmente un

modelo matemático M es una estructura, donde R es el conjunto de las relaciones y V el conjunto

de las variables. “El principio fundamental consiste en que los modelos son tratados como

instrumentos para enseñar conceptos matemáticos. Toda obtención de un modelo representa un

proceso de resolución de un problema; mientras que no toda resolución de problema es una

modelización” (Brito-Vallina et al., 2011).

 6

Clasificación de los modelos matemáticos

Un vasto conocimiento tanto de la matemática como conocimientos y sus lineamientos es

fundamental para poder elaborar un modelo que corresponda al comportamiento real del objeto o

temática tratada.

Según la teoría o técnica básica utilizada en su elaboración

• Modelos de fenómenos de transporte

Dentro de estos se plantean todos aquellos modelos basados en los principios

fisicoquímicos que utilizan las ecuaciones fenomenológicas de cambio, es decir, las

ecuaciones que describen la conservación de la masa, la energía y el momento

• Modelos de balance de población

Son los que utilizan los principios de balance de población para la modelación de

las características del flujo y el mezclado en determinados sistemas, donde los fenómenos

de transporte no pueden ser planteados o son muy complejos.

• Modelos empíricos

Se basan en las técnicas de ajuste de datos empíricos estudiados en la estadística.

Según la naturaleza de los procesos

• Determinísticos-estocásticos

Los modelos determinísticos son aquellos en los cuales los valores de las variables

están especificados de forma precisa para cualquier conjunto de condiciones establecidas,

mientras que en el estocástico estos valores no se conocen con exactitud, son inciertos, es
 7

decir, son aleatorios o siguen alguna distribución probabilística. La industria se

caracteriza por numerosas situaciones en que el comportamiento de los factores

involucrados es de naturaleza aleatoria o es factible y conveniente tratarla como tal. Los

modelos estocásticos son más difíciles de trabajar que los determinísticos y requieren

conocimiento del cálculo de probabilidades.

• Estacionarios-no estacionarios

El modelo estacionario considera que no existen variaciones con respecto al

tiempo de las diferentes variables y parámetros del sistema. Por el contrario, un modelo

no estacionario considera variaciones con respecto al tiempo. Estos modelos también se

denominan transitorios o dinámicos.

• Parámetro combinado-parámetro distribuido

En los modelos parámetros combinados se ignoran las variaciones espaciales de

las variables dependientes del sistema y de sus parámetros, o sea, el sistema se considera

completamente homogéneo. Los modelos de parámetros distribuidos toman en cuenta

variaciones en el comportamiento de un punto a otro del sistema. Todos los sistemas son

distribuidos, ya que existen variaciones a través de ellos, sin embargo, frecuentemente

estas son relativamente pequeñas pudiendo ser ignoradas, y así el sistema puede ser

considerado combinado.

Según su estructura matemática

• Ecuaciones algebraicas (lineales, no lineales)

• Ecuaciones diferenciales (ordinarias, parciales)

 8

• Ecuaciones integrales

• Ecuaciones en diferencias (una dimensión, multidimensionales)

Nota. Modelación Matemática, Clasificación. Tomado de: (Brito-Vallina et al., 2011)

APLICACIONES DE LA MODELACIÓN MATEMÁTICA

1. Ingenierías

La ingeniería es una disciplina que se enfoca en aplicar conocimientos científicos

y matemáticos para diseñar, construir y mantener sistemas, estructuras, dispositivos y

procesos que satisfagan las necesidades y demandas de la sociedad. Los ingenieros

utilizan principios científicos, técnicas de diseño y métodos de resolución de problemas

para crear soluciones prácticas y eficientes a una amplia variedad de desafíos en

diferentes campos.

La modelación matemática desempeña un papel fundamental en la ingeniería al

permitir a los ingenieros comprender, analizar y diseñar sistemas complejos en una

variedad de campos; al igual, es empleada para diseñar y optimizar estructuras, sistemas y

 9

procesos. Los principales campos en los cuales la modelación matemática y sus

estrategias didácticas permiten una ejecución simplificada son:

• Ingeniería Civil

Diseño de Estructuras: Los ingenieros utilizan modelos matemáticos para

diseñar y analizar la resistencia, la estabilidad y el comportamiento de estructuras

como puentes, edificios, presas y torres de energía.

• Ingeniería Mecánica

Se usan modelos matemáticos para predecir cómo los fluidos (aire y agua)

interactúan con objetos en movimiento, lo cual es fundamental para el diseño de

aviones, automóviles, barcos y sistemas de propulsión.

• Ingeniería Eléctrica y Electrónica

En el diseño de circuitos electrónicos, sistemas de comunicación y

dispositivos electrónicos, los ingenieros utilizan modelos matemáticos para

analizar el comportamiento de componentes y sistemas eléctricos. (Reccma.es,

2023)

• Ingeniería Ambiental

En la gestión de recursos naturales y la disminución de impactos

ambientales, los modelos matemáticos ayudan a entender la dispersión de

contaminantes, el flujo de agua subterránea y otros procesos ambientales.

 10

2. Docencia

La docencia es una actividad la cual requiere tanto del dominio de teorías educativas,

como de planear, diseñar-aplicar y evaluar estrategias sustentadas en la pedagogía y en la

psicología educativa; en tanto disciplinas que dan sentido a las formas de trabajo del docente en

el aula.

La modelación matemática aplicada a la docencia, juega un papel fundamental en cuanto

a impartir una clase magistral se refiere. La matemática es una ciencia exacta en la cual las

estrategias pedagógicas juegan un rol esencial para su comprensión. El conceptualizar esta

ciencia como “monótona y repetitiva” tendría su origen en el carente didactismo que se tiene al

momento de enseñarse; Al integrar la modelación matemática en la educación, se pueden lograr

varios beneficios:

• Aplicación en la cotidianidad como metodología de enseñanza

La modelación matemática permite a los estudiantes aplicar conceptos matemáticos

en situaciones del mundo real. Al resolver problemas prácticos e interactivos, los

magistrados pueden ver la utilidad y la importancia de las matemáticas en las

diferentes situaciones que suceden en su entorno.

• Mejor comprensión de las temáticas

Al interactuar con problemas complejos que requieren modelación matemática, los

estudiantes deben comprender los conceptos y parámetros en un nivel acorde a

problemática inicial; para de esta manera, tener una aplicación efectiva y un

aprendizaje más sólido y duradero.

 11

• Desarrollo de Habilidades de Resolución de Problemas

La modelación matemática fomenta el desarrollo de habilidades de resolución de

problemas, razonamiento lógico y pensamiento crítico, gracias a sus estrategias

pedagógicas didácticas genera un aprendizaje activo que busca fomentar la

participación de los estudiantes en la creación de modelos. Los estudiantes deben

analizar situaciones, identificar variables relevantes y determinar cómo aplicar los

conceptos para resolver el problema. (Brito-Vallina et al., 2011)

 12

EJEMPLOS

EJEMPLO 1

CRECIMIENTO DE LA POBLACIÓN SEGÚN EL MODELO DE MALTHUS –

ECUACIONES DIFERENCIALES

Uno de los modelos matemáticos más simples corresponde al modelo de Malthus; este

fue propuesto por el inglés Thomas Maltus en 1798 en su famoso ensayo “Essay on the Principle

of Population”. En él Malthus, basándose en datos de la población de los Estados Unidos en el

siglo XVIII, postula que el crecimiento de la población humana es exponencial.

Matemáticamente lo que esto quiere decir es que la velocidad de crecimiento de la población es

proporcional a la misma, es decir, p′(t)=rp(t), donde p(t) es el número de individuos de la

población en el momento de tiempo t y r es cierta constante (conocida como tasa de crecimiento

de la población) que debemos deducir de los datos experimentales y p′(t) es la derivada

de p(t) (que es justamente nos da la velocidad de crecimiento). La solución de la ecuación

anterior (que es una ecuación diferencial) es p(t)=p0e ^r(t−t0), donde (p0) es el número de

individuos en el momento inicial t=t0. Está claro es que si r<0 la especie estará condenada a la

extinción, mientras que si r>0 tendremos un crecimiento exponencial

Nota. Modelo de Malthus, Crecimiento Poblacional. Tomado de: (Álvarez-Nodarse, 2018)

 13

Malthus estimaba que la producción de alimentos crecía en progresión aritmética (es

decir, proporcional al número de individuos) mientras que la población humanos crecía de forma

exponencial por lo que concluyó que el ser humano estaba predestinado a subsistir en el hambre

y la pobreza. El modelo de Malthus funciona bastante bien y solo cuando el número de

individuos es muy grande es que empieza a fallar.

¿Cómo podemos corregir el modelo malthusiano de forma que sus previsiones sean

más acordes con la experiencia?

La solución al problema vino de la mano del matemático y biólogo belga P. F.

Verhulst quien en 1837 propuso el modelo conocido como modelo logístico. Su idea consistió en

sustraerle al término rp de la ecuación de Malthus el término cp2. Así la nueva ecuación sería:

En general c ha de ser mucho más pequeño que r de forma que si p no es muy grande la

ecuación de Malthus es una aproximación bastante buena, pero si p comienza a crecer demasiado

entonces el término −cp2− se hace mayor y termina frenando el crecimiento exponencial.

Usualmente c se escribe como el cociente r/K donde K se conoce como la capacidad de carga del

medio y es una constante que está ligada a los recursos del hábitat. La solución de la ecuación de

Verhulst es:
 14

A partir de la cual se puede comprobar que para tiempos cercanos al tiempo inicial t0 y

para valores pequeños de p0, p(t)≈p0er(t−t0), es decir, se recupera la solución exponencial de

Malthus. Por otro lado, si t es muy grande (mucho más que t0), entonces p(t)≈r/c=K≈, es decir la

población se estabiliza. El comportamiento de la población según el modelo logístico lo podemos

ver en la siguiente figura:

Nota. Modelo logístico, Crecimiento Poblacional. Tomado de: (Álvarez-Nodarse, 2018)

Usemos ahora los datos recopilados por la Oficina del Censo de los Estados Unidos de la

población mundial para estimar los parámetros de la ecuación de Verhulst y deducir que podría

pasar con la misma en un futuro no muy lejano. Si usamos los datos recopilados a partir de 1950

(en ese año se estimaba que el número de personas era de 2.558⋅1092.558⋅109) hasta 2014 se

obtiene para r el valor r=0.01731313844533347. Así, comparando el valor que nos da la fórmula

de Malthus p(2000)≈6.078375327752732⋅109 vemos que es bastante parecido al valor real

estimado de 6.088571383⋅1096.088571383⋅109 personas. En cambio la predicción para el año

2010 da p(2010)=7.22732389676767⋅109 que empieza a alejarse a la estimada por el censo que

es de 6.866332358⋅1096.866332358⋅109. Si usamos ahora el modelo logístico manteniendo

para r el mismo valor de antes y tomando para c el

valor 8.361178966147587⋅10−148.361178966147587⋅10−14 (que se obtiene a a partir de los

datos del censo) podemos usar la función de Verhulst para estimar los valores de la población
 15

mundial. Así, en el 2010 el modelo logístico predice una población

de 7.067929710275726⋅1097.067929710275726⋅109, que es algo mejor (pero no mucho) que el

predicho por el modelo maltusiano.

Nota. Modelo de Malthus y logístico, Crecimiento Poblacional 2010. Tomado de: (Álvarez-

Nodarse, 2018)

A medida que nos alejamos en el tiempo, el modelo logístico predice la estabilización de

la población en un valor cercano a 2⋅10112⋅1011, cantidad que se alcanzaría en el año 2200

aproximadamente.

Nota. Modelo de Malthus y logístico, Crecimiento Poblacional 2200. Tomado de: (Álvarez-

Nodarse, 2018)
 16

El modelo logístico sigue siendo muy simple pues no tiene en cuenta ni epidemias, ni

guerras, ni terremotos y otros desastres que desgraciadamente siguen ocurriendo en el mundo en

que vivimos. Si queremos tener en cuenta dichas situaciones hay que incluir nuevos términos en

la ecuación, términos que en general no son fáciles de intuir. (Álvarez-Nodarse, 2018).

EJEMPLO 2

¿CUÁNTO TARDA UN CUBO DE HIELO EN DESCONGELARSE?

En la siguiente ejemplificación se busca encontrar valores numéricos referentes al tiempo

que tarda el hielo en cambiar de estado sólido a líquido. Para esta modelación matemática se

debe tomar en cuenta los parámetros y factores que influyen en este proceso.

Nota. Factores descongelación, Modelación Matemática. Tomado de: (Déborah Mendoza,

2015)
 17

Se analizará el tiempo que tiene tarda el hielo en derretirse en función de su masa

Nota. Recipientes utilizados para pruebas, Modelación Matemática. Tomado de: (Déborah

Mendoza, 2015)

En la siguiente imagen se muestra la relación existente entre los valores del volumen de

cada uno de los recipientes y el tiempo en el cual el hielo que contienen tiende a derretirse.

Nota. Relación volumen y tiempo, Modelación Matemática. Tomado de: (Déborah

Mendoza, 2015)
 18

Se pudo visualizar que no se logró encontrar una relación acertada en la comparativa

realizada debido a los distintos materiales por los cuales estaban formados los recipientes.

Nota. Resultados parciales, Modelación Matemática. Tomado de: (Déborah Mendoza,

2015)

Para poder continuar con la modelación y en base al error mencionado con anteriormente,

se propone utilizar recipientes del mismo material, con la finalidad de visualizar si existe

un cambio considerable entre los resultados de estos dos cálculos.

Nota. Recipientes del mismo material, Modelación Matemática. Tomado de: (Déborah

Mendoza, 2015)
 19

Se muestran los primeros resultados en base a la prueba realizada con los parámetros

anteriores. Se debe tomar en cuenta que se buscan datos intermedios con el objetivo de

plantear una gráfica que nos permite visualizar un crecimiento exponencial del tiempo en

base al volumen de líquido que contiene cada vaso.

Nota. Resultados intermedios, Modelación Matemática. Tomado de: (Déborah Mendoza,

2015)

En base a los resultados obtenidos, se puede determinar que los valores generados tanto en

la primera como segunda prueba tiene cierta relación, por lo cual se puede destacar que:

“En los recipientes que tienen poco volumen, líquido y contacto con el ambiente, el hielo

queda flotando en el fondo del vaso; mientras que, en los recipientes con mayor volumen

debido a estar en contacto directo con la superficie desde un primer momento y en todo su

proceso por flotar en el agua que se va derritiendo, tardan menos tiempo en

descongelarse comparado a los envases con otros volúmenes”.

 20

En el siguiente gráfico se mostrará la modelación matemática de este proyecto y los

resultados obtenidos acorde a los valores relacionales de las prácticas realizadas entre el

recipiente (volumen) y el tiempo de descongelación del hielo.

Nota. Gráfica relación volumen y tiempo, Modelación Matemática. Tomado de: (Déborah

Mendoza, 2015)

En los dos ejemplos presentados, podemos observar la capacidad que tiene la modelación

matemática para poder simplificar la complicidad de un tema, práctica u ejercicio;

demostrando de esta manera que, mediante estrategias didácticas y gráficas, la matemática

deja de ser “repetitiva-abstracta” y empieza a conceptualizarse como el arte de ver el mundo

desde una perspectiva numérica y lógica; permitiéndonos de esta manera, entender la

relación directa que existe entre la matemática, modelación y las problemáticas cotidianas.
 21

CONCLUSIÓN

La razón principal por la cual las matemáticas son enseñadas es lograr que los estudiantes

se encuentren en la capacidad de aplicar estos conocimientos en las diferentes

problemáticas que se presentan en la cotidianidad; la habilidad de identificar y resolver

problemas en un ambiente cultural es un parámetro fundamental mediante el cual se genera

ciudadanos críticos. La modelación matemática es una herramienta poderosa que permite

abordar paradigmas del mundo real mediante la creación de modelos matemáticos que

representan situaciones complejas; siendo posible analizar, comprender y predecir

fenómenos de manera cuantitativa y cualitativa.

Se puede destacar la modelación matemática como una estrategia que abarca una amplia

gama de áreas y aplicaciones, tanto su conceptualización como práctica son fundamentales

para contribuir con el avance del conocimiento, la toma de decisiones informadas y la

resolución de problemas prácticos. Hay que reconocer que la utilidad de la modelación

matemática no se encuentra enfocada únicamente en la resolución/replanteamiento de

paradigmas complejos, si no en las diferentes estrategias interactivas, didácticas y prácticas

que existen para impartir el conocimiento de una temática en especial; la modelación

matemática es una herramienta que desafía los límites de lo que se puede conocer y

comprender, permite abordar problemas con creatividad y rigor, contribuyendo de esta

manera al avance de la ciencia y la conceptualización que tiene el estudiante del paradigma

frente a su cotidianidad.
 22

WEBGRAFÍA

Déborah Mendoza. (2015). Slideshare. Obtenido de Práctica Educativa:

https://es.slideshare.net/debiiMendoza/ejemplo-de-modelizacin-matemtica

Maria Salett Biembengut y Nelson Hein. (2004). Modelación matemática y los desafíos.

Obtenido de http://www.revista-educacion-matematica.org.mx/descargas/vol16/vol16-2/vol16-2-

6.pdf

Álvarez-Nodarse, R. (2018, enero 16). Un ejemplo sencillo de modelización matemática: El

crecimiento de poblaciones. Blog del Instituto de Matemáticas de la Universidad de Sevilla.

https://institucional.us.es/blogimus/2018/01/un-ejemplo-sencillo-de-modelizacion-matematica-el-

crecimiento-de-poblaciones/

Blomhøj, M., & Mina, M. (2011). Modelización Matemática—Una Teoría para la Práctica.

Recuperado a partir de https://revistas.unc.edu.ar/index.php/REM/article/view/10419

Brito-Vallina, M. L., Alemán-Romero, I., Fraga-Guerra, E., Para-García, J. L., & Arias-de

Tapia, R. I. (2011). Papel de la modelación matemática en la formación de los ingenieros. Ingeniería

Mecánica, 14(2), 129-139. https://www.redalyc.org/pdf/2251/225117950005.pdf

Salett Biembengut, M., & Hein, N. (2004). Modelación matemática y los desafíos para

enseñar matemática. Educación matemática, 16(2), 105-125. https://doi.org/10.24844/EM1602.06

Zaldívar Rojas, J. D., Quiroz Rivera, S. A., Medina Ramírez, G., Zaldívar Rojas, J. D.,

Quiroz Rivera, S. A., & Medina Ramírez, G. (2017). La modelación matemática en los procesos de

formación inicial y continua de docentes. 8(15), 87-110.

https://doi.org/10.33010/ie_rie_rediech.v8i15.63