VARIABLES DE DESVIACIN

Nosotros encontraremos de mucha utilidad en prcticamente todos los casos de estudio de

dinmica y control de sistemas lineales tomar la variable de desviacin del estado estacionario en
lugar de las variables absolutas

Fig. 6.3 Variables de desviacin
Como las variables totales son funciones del tiempo, x
(t)
, su desviacin de los valores del estado
estacionario x
s
tambin sern funciones del tiempo como muestra la Fig. 6.3.
Esta desviacin del estado estacionario se denomina desviacin o variables de desviacin.
Nosotros usaremos letras maysculas para denotar las variables de desviacin. Entonces, la
variable de desviacin X es definida como:
X = x(t) x
s
(6.37)
Las ecuaciones que describen al sistema lineal pueden ser ahora expresadas en trminos de estas
variables de desviacin. Cuando se hace esto, dos resultados muy tiles ocurren
1. Los trminos en la ecuacin diferencial ordinaria tienen las constantes fuera
2. las condiciones iniciales para las variables de desviacin son todas iguales a cero si el punto de
inicio es la condicin de operacin al estado estacionario.
Un modelo matemtico
En trminos sencillos es un grupo de ecuaciones o inecuaciones que representan una realidad. El
ingrediente principal en un modelo matemtico, como es de esperarse, es la variable. Las
variables, son la representacin de los diferentes posibilidades de un conjunto de datos; y estos
datos en su origen pueden ser de tipo determinsticos o estocsticos.




Modelo Determinista: Es en el que las variables que lo forman, son de carcter conocido, es decir,
que no depende del azar.

Modelo Estocstico: Lo contrario. Aquellos modelos, cuyas variables son de naturaleza
probabilstica, es decir que dependen de un nivel de incertidumbre; del azar. Por lo tanto,
normalmente estas variables representan es una funcin de probabilidad.

Nota: muchas veces en la prctica, algo que parece probabilstica, o del azar, realmente
corresponde a algo que se deja como caja negra por el sin nmero de variables que la componen,
por la dificultad de su medicin, etc. Si se es conciente de esto, si esto es totalmente claro, se
tendr el primer paso en firme, y como se puede observar en el grfico de eso depende todo.
Prcticamente es una decisin del modelador: Por ejemplo, para el tiempo de proceso de una
operacin, puede tomar el promedio del tiempo como un valor determinstico y usar un programa
matemtico de optimizacin o puede analizar esta variable para determinar la funcin de
densidad de probabilidad, con un promedio, un valor de desviacin estndar y tal vez usar
simulacin.
Modelo Lineal: Son aquellos modelos dnde todos los grados de sus trminos son iguales a 1, y en
cada trmino slo hay una variable.

Modelo No Lineal: Son aquellos modelos dnde algn termino tiene un grado mayor que uno. o
algn trmino tiene ms de una variable.

Modelos Continuos: Dnde sus variables son densas. O sea, que dentro de dos valores arbitrarios
[a,b] hay infinitos valores. Ejemplo: 1, 1.1, 1.12, 1.13.. etc.

Modelos Enteros o Discretos: Pues eso. Son modelos, dnde sus variables slo pueden tomar
valores enteros. Por ejemplo, si una variable representa el nmero de personas que se necesita
para cierta tarea, slo las valores enteros tienen sentido, ej: 2 personas, 3 personas, pero tal vez,
2.5 personas, no tenga mucho sentido.

Nota: A pesar de lo que pueda parecer al principio, los modelos enteros, son por mucho, ms
difciles de resolver que los problemas o modelos continuos. Requieren muchsimo ms recursos
de maquina para resolver que los problemas continuos.
Modelos Binarios: Son los modelos que slo pueden tomar los valores de cero o uno. Son un caso
especial de los modelos enteros. Estos modelos, son muy tiles para analizar variables de decisin
tipo Si/No. Y, estos modelos pueden ser particularmente tiles, en la asignacin de recursos.