Está en la página 1de 25

Tema 2

Formulacin de modelos

Tema 2. Formulacin de modelos


1. Qu es un modelo
Tipos de modelos
Modelos matemticos

2. Metodologa de modelado
3. Ejemplos
Modelos continuos
Modelos discretos
Bibliografa:
Por ejemplo: F. NEELAMKAVIL, Computer simulation and
modeling, 1994. Captulo 3 (y 4).

Qu es un modelo?
Representacin simplificada de un sistema
que permite mejorar nuestra capacidad de
entender
describir
predecir y/o
controlar
su comportamiento.

Qu es un modelo?
Representacin
Un modelo es un retrato del sistema
Confundir un modelo con la realidad sera
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

Qu es un modelo?
Ejemplos:
Regla para una serie (ej.: udtccssondodtcq)
Esquema de un circuito digital combinacional
Circuito equivalente de una clula fotovoltaica
Distribucin 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
Fsicos: maquetas, prototipos, etc.
Simblicos:

Verbales. Ej.: Ms vale pjaro


en mano

Grficos. Ej.: dibujos, grficas


Esquemticos. Ej.: diagramas de flujo,
esquema de circuito, layouts

Matemticos.
(o combinacin de los anteriores)

Modelos matemticos (I)


Representables matemticamente cuantitativos
Se expresan con frmulas. Ej.: E = m0c2
Aunque, por lo general, lo ms importante es la idea subyacente.

Segn su fundamentacin (de dnde salen?)


Empricos: descripcin de los datos experimentales
Tericos: deduccin a partir de conceptos o ideas.
Semi-empricos:
como los tericos, pero con parmetros de ajuste.

Modelos matemticos (II)


Segn las variables:
continuos o discretos
Segn las ecuaciones:
lineales o no lineales
Segn la dependencia temporal:
estticos o dinmicos
Segn su naturaleza (aleatoriedad):
deterministas o estocsticos
Segn la resolucin de las ecuaciones:
analtica o numrica

Motivacin y objetivos
Requerimientos (cuantitativo?).

Diseo de
experimentos

Anlisis del sistema

Inspeccin de datos
Identificar parmetros y variables.
Estudio de informacin relacionada

Formulacin de hiptesis

Metodologa
de
modelado

Especificar rango de aplicabilidad

Inferencia
Deduccin de consecuencias
P. ej.: Formulacin matemtica,
resolucin o simulacin numrica
y predicciones cuantitativas

Cmo elaborar
modelos?
NO

Validacin interna
SI

NO

Validacin
(falsacin)
SI

NO

Certificacin

(interna o externa)
SI

Documentacin

Qu queremos entender, predecir


o controlar? para qu? en qu
condiciones? cmo de bien?
Qu dicen los datos?
Qu parece que pasa?
Qu dicen otros que pasa?
Vamos a suponer que aqu lo
que pasa es que
(Modelo conceptual: la idea)
Si lo que pasara fuera eso
tambin tendra que ocurrir que
Y tal variable valdra
(Modelo matemtico: la frmula)
Es lgico y coherente?
Predice bien los casos obvios?
La metodologa ha sido
adecuada?
Tenemos datos suficientes?
Se
losdatos?
objetivos?
Se adeca
ajusta a alos
Tambin a datos nuevos?
Estamos suficientemente
seguros de que ocurre as?

Motivacin y objetivos
Definir el problema
Requerimientos
Tipo de modelo
cuantitativo? (y hasta qu
punto: tendencia o ajuste?)
grado de predictibilidad
orientado a optimizacin?

Rango de aplicabilidad
Luego quiz se pueda generalizar
El arte de despreciar lo despreciable

Cmo de bien?
Basta con resolver el problema
Lo que no hay que hacer: el boli de la NASA

Anlisis del sistema


Inspeccin de datos:
En ocasiones con anlisis estadstico.

Identificar parmetros y variables.


Seleccionar los aspectos relevantes:
elegir las preguntas
(ej.: artculo de Newton)

Informacin relacionada:
Estudio bibliogrfico
Conocimientos previos,
tcnicas y recursos disponibles, etc.

Formulacin matemtica (I):


Modelos empricos
Descripcin de los datos experimentales
Criterios:

Sencillez
Bondad del ajuste
Mnimo nmero de parmetros
Parmetros fcilmente
interpretables ( conclusiones)

Limitaciones:
Vlidos slo para las situaciones observadas

Ejemplo: Telefona e internet en el mundo

Formulacin matemtica (II):


Modelos tericos
Deduccin a partir de ideas (teora)
Criterios:
Solidez del razonamiento
Adecuacin a la realidad
(a los datos o, al menos, a sus tendencias).

Limitaciones:
Complejidad conceptual
Capacidad de ajuste limitada
(difcil sin parmetros ajustables)
Los resultados tericos no se los cree nadie excepto el que los
obtiene,
mientras que los resultados experimentales se los creen todos

Formulacin matemtica (III):


Modelos semi-empricos
Deduccin, pero con parmetros ajustables
Criterios:

Simplificaciones razonables (e identificadas)


Capacidad de prediccin
Mnimo nmero de parmetros
Parmetros con significado fsico

Limitaciones:
Validez limitada debido a parmetros ajustables

Ejemplos:

Modelos de poblacin
Degradacin de iso--cidos

Mtodos de resolucin
(para modelos semi-empricos o tericos)
Resolucin analtica
(la solucin es una frmula)
Generalidad
Mensaje ms claro
No sujeto a ruido
Sin coste computacional
Dificultad conceptual
No siempre hay
solucin analtica
Imposible en situaciones
complejas

Resol. numrica o simulacin


(solucin computacional aproximada)
Menor esfuerzo conceptual
Posible aun sin solucin analtica
Factible en situaciones complejas
Resultado vlido slo 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 poblacin


Modelo 1:
Hiptesis: - Distribucin invariante de edades y sexos
No inmigracin/emigracin

Evolucin temporal de la poblacin N(t):

No vlido
(no es lo que ocurre)

Otras posibilidades:

complicado

Ejemplo: Modelos de poblacin


Modelo 2: incluyendo auto-inhibicin (modelo logstico)

Positivo:
Buen ajuste a los datos

Limitaciones:
No clara relacin con
parmetros medibles
Prediccin a posteriori
No informacin de edades, etc

Ejemplo: Modelos de poblacin


Modelo 3: Interaccin parsito-anfitrin (Modelo de Lotka-Volterra)
Hiptesis:
El parsito crece gracias al anfitrin pero inhibe su crecimiento
El efecto de auto-inhibicin es poco importante

Oscilacin de poblacin (la del parsito con retardo)

Modelos semi-empricos
Ejemplo: Degradacin de los iso--cidos

de la cerveza
Provenientes del lpulo
Responsables del amargor tpico de la cerveza
Se degradan a temperatura ambiente
(conservacin en refrigeracin)
Medidas experimentales de
concentracin mediante
cromatografa de lquidos

concentraciones al cabo de 15
das de degradacin a
diversas temperaturas

Ejemplo: Degradacin de los

iso--cidos de la cerveza
Querramos saber:
Qu est pasando microscpicamente?
Cmo quedaran las curvas C vs T para t =7 das o 1 mes?
Cunto durar la cerveza a 4C? y a 50C?
Cules seran las mejores condiciones experimentales para
hacer las medidas con precisin?

Ejemplo: Degradacin de los

iso--cidos de la cerveza
Modelo: Degradacin trmica
, donde:

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

Tiempo de degradacin (al 50%):


Errores en el ajuste de v(T):
Verificacin de C(15das, 4C) Cinicial

error grande
para C0 y CCini

Ejemplo: Microbolmetro
Cmaras que detectan radiacin infrerroja
Cada pxel 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: Microbolmetro
De qu depende la sensibilidad de esta cmara?
Mejora refrigerndola?
De qu depende su tiempo de respuesta?
Cmo se puede conseguir aumentar simultneamente
su sensibilidad y su rapidez?

Conviene disminuir c
i.e.: disminuir espesor

Ejemplo: Ecuaciones de difusin


Difusin: flujo de donde hay ms a donde hay menos

Balance:

Si hay arrastre y desaparicin:

difusin

arrastre desaparicin

Modelos continuos y
modelos discretos
Variables continuas o variables discretas
Ejemplos en modelos de poblacin

Modelos discretos:
Eventos discretos asociados habitualmente a probabilidades
Ecuaciones en diferencias en vez de ecuaciones diferenciales
Mayor versatilidad
Ms microscpico
Menos herramienta matemtica
Mayor gasto computacional