Professional Documents
Culture Documents
proceso original. Este mtodo de cognicin conjuga las ventajas de la teora y del
experimento. Al trabajar con el modelo matemtico y no con el objeto cognitivo
(proceso o fenmeno en estudio) en forma relativamente rpida y barata se pueden
estudiar sus propiedades de estado y pronosticar la evolucin del mismo (ventaja
terica). Al mismo tiempo los algoritmos numricos permiten, apoyndose en la
potencia de clculo de los ordenadores, verificar las cualidades del objeto cognitivo en
una forma no accesible para los enfoques tericos (ventaja del experimento).
La modelacin matemtica ha sido aplicada desde los tiempos en que
aparecieron las ciencias exactas. No por casualidad algunos mtodos de clculo llevan
el nombre de grandes cientficos como Newton y Euler e incluso la palabra algoritmo
se desprende del nombre del cientfico rabe del medio evo AlGuarismi. El segundo
nacimiento de la modelacin matemtica tuvo lugar con la aparicin del ordenador en
los aos 40 50 del siglo XX y fue impulsado por los requerimientos, sin precedente,
de los gobiernos de Estados Unidos y de la Unin Sovitica ( ,
1997) para la creacin de escudos de defensa antiarea contra msiles nucleares. En este
caso la modelacin matemtica cumpli con todas las expectativas, explosiones
nucleares, trayectorias de misiles y lanzamiento de satlites fueron realizados con
anterioridad en las entraas de ordenadores con la ayuda de modelos matemticos. Este
xito contribuy al desarrollo de la modelacin matemtica hasta sus niveles actuales
posicionndola en el ncleo estructural de la sociedad de la informacin. El
sorprendente progreso de los medios de tratamiento y transmisin de informacin
requiere de un ncleo de anlisis que permita convertir la materia prima de la
informacin en conocimiento. El desarrollo histrico de la modelacin matemtica
muestra que ella debe ser el ncleo intelectual de las tecnologas de la informacin ya
que esto permitir resolver no solo problemas directos sino tambin problemas inversos
para la gestin de sistemas complejos.
2.2. ESQUEMA GENERAL DE LA MODELACIN
El proceso de modelacin matemtica de cualquier objeto cognitivo (proceso,
fenmeno) consiste en un plan de trabajo preciso que se enmarca en tres etapas que
conforman la triloga modelo algoritmo programa (vase figura 1).
Efran Antonio DOMNGUEZ CALLE
Departamento de Ecologa y Territorio
Facultad de Estudios Ambientales y Rurales
Pontificia Universidad Javeriana
Modelo
Objeto
Cognitivo
Programa
Algoritmo
Sistema
Causa
Efecto
(a)
Influencia Inversa
Sistema
Causa
Efecto
(b)
Influencia
(b) Inversa
Efecto 1
Efecto 2
Causa
Sistema
(c)
...
Efecto n
Figura (2). Esquema de las relaciones causa efecto: (a) secunciales (b) con
retroalimentacin.
Funcin de retroalimentacin
Analoga de la influencia inversa
OPERADOR
Entrada
Parmetros
Analoga
de causa
Variables
de estado
Salida
Analoga
de efecto
En detalle: las entradas del modelo representan las variables que activan el flujo
de materia, energa o informacin en el sistema (por ejemplo la precipitacin al caer y
redistribuirse sobre la cuenca impulsa los flujos de agua en la misma), las entradas son
la analoga de la causa. Las salidas estn conformadas por el vector de variables que
caracterizan el estado del sistema (por ejemplo los caudales lquido y slido de una
cuenca). A su vez la estructura del modelo analoga del sistema en el que transcurre
el proceso es el mecanismo de transformacin de las entradas en salidas. En si la
Efran Antonio DOMNGUEZ CALLE
Departamento de Ecologa y Territorio
Facultad de Estudios Ambientales y Rurales
Pontificia Universidad Javeriana
estructura del modelo es el corazn del mismo, por ello su grado de complejidad, como
elemento del modelo, es mayor. La estructura del modelo est conformada por:
El operador la estructura matemtica que establece las reglas de
correspondencia entre las entradas (causas) y su imagen en el dominio de las salidas
(efectos). Ms estrictamente el operador matemtico refleja un conjunto de funciones
(X) en otro conjunto funcional (Y).
Los parmetros magnitudes encargadas de describir las caractersticas fsicas
y funcionales del sistema.
Las variables de estado magnitudes que representan el estado del sistema y
cuya evolucin espacio temporal constituye las salidas del modelo.
La funcin de retroalimentacin mecanismo que refleja el grado en el que las
salidas del modelo influyen en el transcurrir de los procesos del sistema. Generalmente
es una cualidad intrnseca del operador del modelo. En parte representa el orden de no
linealidad del proceso en estudio.
2.3. EJEMPLOS DE OPERADORES MATEMTICOS
Entre las nociones descritas el operador matemtico es de gran importancia. La
seleccin del operador matemtico es una tarea difcil que se basa en la experiencia
existente sobre el proceso en estudio. Generalmente para establecer el operador
matemtico se hace uso de las leyes de conservacin de masa, momento, energa e
informacin en un volumen de control determinado. Como ejemplos de operador
matemtico se pueden enunciar las siguientes expresiones:
Operador de diferenciacin
d
df (t )
L f (t )
ft' .
dt
dt
2
2
2
donde ( x1 , x2 ,..., xn )
...
x1 x 2
x n
un papel
muy importante
en la
fisicomatemtica
y la
geometra.
s g f ( x1 , x2 ...xn )
L( g ) g
2 g 2 g
2 g
.
...
x1 x2
xn
.
x j
f ( x)
, o sea el vector
x j
f ( x) f ( x)
f ( x)
. El producto escalar del operador por
,
,...,
con las coordenadas
x
x
x
2
n
1
a j
j 1
x j
div (a) a e j
e1
x
, a1 , a 2 ,..., an- 2 rot(a) a111
a n 2,1
en
x 2
a11
a n 2, 2
en
x n
a1n .
a n 2,n
2
2
j 1 x j
n
10
OPERADOR
PARAMETROS
ENTRADA
S
VARIABLES
???????
ESTRUCTURA
OPERADOR
VARIABLES
???????
ENTRADA
ESTRUCTURA
Figura 5.SPrimer tipo de problema inverso.
SALIDAS
bajo
(vase
estudio
figura
6).
OPERADOR
PARMETROS
?????????
VARIABLES
ESTRUCTURA
SALIDAS
11
ecuaciones que mejor trasponen las entradas en salidas. En este caso se trata de definir
las ecuaciones que mejor relacionan una seal de entrada con otra de salida. Un ejemplo
de este tipo de problema se tiene cuando se supone que existe algn tipo de
correspondencia entre dos variables observadas y mediante el anlisis regresivo se
intenta construir una ecuacin matemtica que las relacione con el fin de utilizar una de
ellas como predictor de la otra.
????????
????????
ENTRADAS
VARIABLES
ESTRUCTURA
SALIDAS
12
modelo matemtico puede hacer seguimiento de las variaciones temporales del proceso
en estudio entonces este es un modelo dinmico (no estacionario), en ellos el tiempo
participa como una variable independiente. En el caso contrario se tiene un modelo
esttico (estacionario1), es decir sin el tiempo como variable independiente. El tercer
criterio de clasificacin analiza el nmero de dimensiones en las que varan la variable
de estado y los parmetros del modelo. Si la estructura matemtica slo considera los
cambios de estas en una dimensin, por ejemplo en el tiempo, entonces se tiene un
modelo aglutinado. S por el contrario se toma en cuenta dos o ms dimensiones, por
ejemplo los cambios en el tiempo y en una coordenada espacial en dos coordenadas
espaciales, este ser un modelo distribuido. Formalmente, los modelos aglutinados se
representan con ecuaciones diferenciales ordinarias con uno o menos argumentos
independientes, mientras que los distribuidos son ecuaciones en derivadas parciales con
dos o ms.
Se pueden utilizar otros criterios de clasificacin de los modelos matemticos,
entre ellos la clasificacin por disciplinas (modelos hidrolgicos, biolgicos,
ecolgicos, etc.) y la clasificacin segn la validez del principio de superposicin para
el operador matemtico aplicado (modelo lineal o no lineal). Otro criterio consiste en
clasificar al modelo por la claridad fsica de su operador matemtico. Si este ltimo ha
sido deducido totalmente de leyes fsicas se habla de un modelo de caja blanca o
basado en la fsica del proceso y s por el contrario la deduccin del operador esta
relacionada con la solucin del problema inverso tipo 2 se habla de un modelo de caja
negra.
2.6.1. EJEMPLOS DE MODELOS Y SU CLASIFICACIN
A continuacin algunos modelos matemticos son descritos con la terminologa
presentada anteriormente y clasificados segn los tres criterios, arriba enunciados.
Esttico y estacionario son categoras similares pero no idnticas. Esttico hace referencia a la ausencia
total de evolucin temporal, mientras que estacionario seala la invariabilidad temporal del patrn de
comportamiento . Este ltimo puede ser estable pero invariante, como sucede con las oscilaciones
sinusoidales climatolgicas que se repiten ao a ao.
Efran Antonio DOMNGUEZ CALLE
13
Departamento de Ecologa y Territorio
Facultad de Estudios Ambientales y Rurales
Pontificia Universidad Javeriana
da
k g a k d a.
dt
(1)
Donde:
a
kg
Concentracin de algas
Taza de crecimiento de primer orden
mg/m3
d-1
kd
Respiracin/Excrecin
d-1
da
(k g kra )a C gz za;
dt
(2)
dz
(aca C gz ) za k dz z.
dt
(3)
Donde:
k dz
d-1
g/m3
gC/gChla
d-1
d-1
14
C gz aca k dz
,
, y
. Su operador matemtico est compuesto
Modelos lluvia-escorrenta
Los modelos lluvia-escorrenta son un buen ejemplo de cmo un mismo proceso puede
ser simulado con distintas estructuras matemticas. A continuacin se presenta para el
mismo proceso una versin aglutinada y otra distribuida (Kovalenko, 1998). En
captulos posteriores se analiza como de un modelo distribuido se puede obtener uno
aglutinado.
Variante aglutinada
dQ(t ) 1
Q(t ) X (t ) .
dt
k
(4)
En el cual:
Q
t
K
X
Tiempo de relajamiento
afluencia
coordenada temporal
coeficiente de escorrenta
precipitaciones
T;
L3/T;
T;
L3/T.
15
este modelo estn constituidas por las precipitaciones X (t ) que son transformadas por
el operador matemtico en la variable de estado Q(t ) que representa los caudales de
agua registrados en la salida de la cuenca. Solucionar el modelo cuatro significa
encontrar la funcin Q(t ) .
Variante distribuido
h q x q y
X ;
t x
y
ix
;
q x Ch
2
2
ix i y
3
q y Ch
Donde
(5)
iy
i x2 i y2
h
(6)
(7)
lmina de agua;
caudal elemental en la direccin ;
qx
q y caudal elemental en la direccin y;
X
ix
iy
Ci
Ci
Ci
Ci
Ci
Ci
Ci
Vx
Vy
Vz
Ex
Ey
Ez
t
x
y
z x
x y
y z
z
(Ci 1 , Ci , Ci 1 ,V x ,V y ,V z , x, y, z, t ) (Ci , x, y, z, t )
(8)
16
Donde:
Ci
Vx ,V y ,Vz
Ex , E y , Ez
Tiempo;
x, y, z
(Ci , x, y, z, t )
17
18
19
20
21
pronosticar con una bondad de ajuste adecuada. Existen criterios de validacin para
determinar cuando el ajuste de lo pronosticado con lo real es adecuado, entre ellos se
pueden mencionar el criterio del Centro Hidrometeorolgico Ruso (S/
) , el Criterio
Bayesiano de Informacin (BIS por sus siglas en ingles) empleado por la Nacional
Oceanic and Atmosferic Administration (NOAA), el criterio de eficiencia de NashSucktliffe y el porcentaje de pronsticos acertados (con mayor detalle vase pargrafo
4.).
3.7. SIMULACIN
Con el modelo validado, se puede dar inicio a la simulacin bajo las condiciones
planteadas, este procedimiento es tcnico y solamente hay que verificar que los
parmetros e hiptesis planteados estn reflejados en el cdigo implementado para el
modelo matemtico. Expresado de otro modo, este es el paso en el que modelo
matemtico es explotado operativamente.
3.8. ANLISIS Y PRESENTACIN DE RESULTADOS
En esta etapa se trata de obtener el mayor nmero de respuestas con los datos
obtenidos por el modelo y se verifica la coherencia de los resultados. Una vez analizado
esto, se procede a consolidar el documento soporte para el proceso de toma de
decisiones.
22
23
i Qir Qir1 .
(1)
1 n
i
n i 1 .
(2)
( i ) 2
i 1
(3)
n 1
(Qir Qim ) 2
i 1
(4)
n 1
Observando las ecuaciones (1), (2), (3) y (4) se deduce que el criterio S
24
de pronstico para superar al pronstico por inercia, de ningn modo describe el nivel
de error que se pueda cometer en los pronstico. Por esto, adicionalmente se evala el
porcentaje de pronsticos acertados, el cual en caso de ser igual o mayor al 80%
demostrara una bondad de ajuste muy buena, mientras que si el porcentaje de aciertos
se encuentra entre el 60 y 79% esta se cataloga como satisfactoria y para los casos en
que es menor del 60% inaceptable. Para determinar el porcentaje de pronosticos
acertados se debe determinar el error mximo max permitido para cada pronstico,
este se puede definir como: max 0,674 . Este max fue propuesto por el Centro
Hidrometeorolgico de Rusia (CHR), pero el max tambin puede ser dictado por las
necesidades del sector usuario que requiere de los pronsticos hidrolgicos. Por ejemplo
el Subcomit Hidrolgico y de Plantas Elctricas (SHPE) de Colombia establece que el
error mximo permitido para los pronsticos de afluencias mensuales no debe superar el
30% (ISA, 2001). Finalmente, para determinar si un modelo matemtico esta validado
se exige que: S 0,8 . Para el pronstico perfecto S 0 , una buena validacin
cumple con S / 0.50 y una satisfactoria con 0.51 S / 0.80 . S S 0,8 la
parametrizacin del modelo se debe repetir.
4.2. CRITERIO DE INFORMACIN BAYESIANO (BIS)
Este criterio toma en cuenta el error promedio absoluto de la modelacin y su
desviacin estandar (NOAA, 1999)
i 1
Qim Qir
n 1
i 1
(5)
Qim Qir r
n 1
(6)
25
SC
BIS
(7)
1
SC 2
1
Q
(8)
BIS 0,80
(9)
26