Dr.

Ing. Fernando López Hernández

Escuela Superior de Ingeniería y Tecnología
Universidad Internacional de La Rioja (UNIR)

Nivel de resolución en el modelado matemático

Un sistema es un proceso físico modelado matemáticamente para poder
simular su comportamiento. Este artículo describe una serie de
recomendaciones generales que debemos llevar a cabo para realizar este
modelado.

Para analizar y predecir el comportamiento de un sistema real es necesario
modelar su comportamiento. El sistema a modelar puede ser un proceso físico,
económico, sociológico, entre otros.

Un sistema puede ser visto como una caja negra que recibe una entrada x y
produce una salida y. Habitualmente el sistema es dinámico, es decir, la entrada
x(t) y la salida y(t) varían con el tiempo t. Figura 1 resume el concepto de sistema
dinámico.



x(t) y(t)
Sistema

Figura 1: Modelo de un sistema dinámico

A la descripción matemática de un sistema o fenómeno se le llama modelo
matemático. A continuación se detalla este proceso de modelado.

Construcción inicial del modelo

La construcción del modelo matemático es un proceso de refinado iterativo. En
cada iteración de este proceso es importante:

1. Identificar variables. Buscamos las variables que hacen cambiar el sistema.
Por ejemplo, si estamos modelando la trayectoria de un cohete, podemos
empezar eligiendo la posición, altura y velocidad como variables que varían
con el tiempo.

2. Identificar de hipótesis. Aquí identificamos qué asumimos como razonable
respecto al sistema que intentamos modelar. Por ejemplo, podemos incluir
leyes físicas bien conocidas, como por ejemplo la segunda ley de Newton
F=ma.

Existe un principio de modelado bien conocido llamado KISS (Keep it simple,
Stupid), el cual dice que la mayoría de los sistemas se describen mejor si se
mantienen simples que si se complican. Esto significa que al empezar a modelar
no es recomendable incorporar todas las variables que identifiquemos en el
modelo. El número de variables que incorporamos es lo que vamos a llamar el
 Dr. Ing. Fernando López Hernández

Escuela Superior de Ingeniería y Tecnología
Universidad Internacional de La Rioja (UNIR)

nivel de resolución del modelo. Puede ser perfectamente razonable empezar
con un bajo nivel de resolución. Por ejemplo, para modelar el comportamiento
del cohete podemos empezar ignorando la fricción con el aire y la curvatura de la
tierra.

Refinar el modelo

Una vez construido el modelo tenemos que validarlo. Para ello realizamos
experimentos y los contrastamos con los resultados predichos por el modelo. En
el ejemplo del cohete, esto implica lanzar el cohete con una determinada
inclinación y velocidad y ver si la posición donde cae el cohete coincide con la
predicha por el modelo.

Se atribuye a Albert Einstein la frase "Hazlo tan simple como sea posible, pero no
más". Esto quiere decir que si los resultados son pobres, tendremos que
aumentar el nivel de resolución del modelo. Para ello podemos, o bien
incrementar el número de variables a considerar en el modelo (p.e.
introduciendo la amortiguación del aire al movimiento del cohete), o bien
modificar las hipótesis de nuestro modelo (p.e. dejar de considerar la tierra
plana).

Ciertamente al incrementar el nivel de resolución añadimos complejidad al
modelo matemático, con lo que aumenta la probabilidad de no encontrar una
solución explícita al modelo.

Aproximaciones al modelado matemático

Tradicionalmente hay 3 aproximaciones al problema del modelado matemático:

• Modelado analítico. Consiste en identificar las ecuaciones que modelan el
sistema. El siguiente ejemplo es un modelado analítico.
• Modelado gráfico. En muchos casos es posible representar gráficamente el
problema y el estudio de la representación geométrica del problema nos
ayuda a identificar cómo se comportan las variables del modelo.
• Modelado numérico. En ocasiones el modelo analítico es tan complejo que
no somos capaces de resolverlo. Además, si existen muchas variables
implicadas (habitualmente más de tres) su representación gráfica se
complica también demasiado. En estos casos, cada vez es más frecuente
utilizar modelos numéricos en los que el comportamiento del sistema se
simula por ordenador para encontrar soluciones óptimas o aproximadas.

Ejemplo de modelado

Habitualmente los sistemas se modelan matemáticamente mediante polinomios,
integrales o ecuaciones diferenciales. Para acabar este artículo vamos a ver el
método de identificación de proporcionalidad como método de modelado
analítico.
 Dr. Ing. Fernando López Hernández

Escuela Superior de Ingeniería y Tecnología
Universidad Internacional de La Rioja (UNIR)


En ciencias experimentales es muy habitual identificar proporcionalidades en las
tasas de cambio de un sistema dinámico, y después construir una ecuación
diferencial que modele este comportamiento. El símbolo que se usa para indicar
"es proporcional a" es el símbolo "∝".

Ejemplo: Crecimiento de una población

Una forma sencilla de modelar el crecimiento de una población es asumir que la
tasa de crecimiento de la población es proporcional a la población actualmente
existente. Es decir, cuantos más individuos hay en el tiempo t, más individuos
habrá en el futuro. Si p(t) representa la población en el instante t, entonces esta
proporcionalidad se puede escribir como:

𝑑𝑝
∝ 𝑝
𝑑𝑡
Las proporcionalidades son relaciones lineales que incluyen una constante de
proporcionalidad k, con lo que podemos modelar esta relación como:

𝑑𝑝
= 𝑘𝑝
𝑑𝑡

Este modelo posiblemente tiene un nivel de resolución demasiado bajo en
poblaciones humanas, ya que no considera decisiones inteligentes de los
individuos como por ejemplo, las expectativas de calidad de vida, o el coste de los
recursos consumidos por un hijo. Sin embargo, este modelo es suficientemente
bueno para modelar poblaciones de bacterias.

En este caso, todavía no conocemos el valor de la constante de proporcionalidad
k, pero podemos asumir que k>0, ya que la población es creciente con el tiempo.
El contraste de esta ecuación con los resultados de una serie de experimentos
nos pueden ayudar a identificar un valor más adecuado para k.

Problemas de valor inicial

Las ecuaciones diferenciales no suelen arrojar soluciones únicas, sino infinitas
soluciones representadas mediante una familia de soluciones φ. Por ejemplo, la
solución al Ejemplo 1 sería una familia de soluciones de la forma:

𝜙 = 𝑝(𝑡) = 𝑐𝑒 !"

Donde c es una constante. Ya que 𝑝′(𝑡) = 𝑘𝑐𝑒 !" , y al sustituir p'(t) y p(t) en la
ecuación diferencial tenemos:

𝑘𝑐𝑒 !" = 𝑘 𝑐𝑒 !"

Dado que diferentes asignaciones arbitrarias a c dan lugar a diferentes
soluciones, φ lo que representa es un conjunto infinito de soluciones.
 Dr. Ing. Fernando López Hernández

Escuela Superior de Ingeniería y Tecnología
Universidad Internacional de La Rioja (UNIR)


Este familia de soluciones requiere de una solución particular que describa los
parámetros de nuestro experimento. Para ello empezamos buscando una
condición inicial, que habitualmente es el tiempo cero t0=0. En este caso
p(t0)=c, lo cual revela que c es la población inicial.

Para identificar el valor de la constante de proporcionalidad k, vamos a suponer
que hemos determinado empíricamente que cada hora se dobla la población
inicial de bacterias c, es decir:

𝑝(0) = 𝑐 = 𝑐𝑒 !
𝑝(1) = 2𝑐 = 𝑐𝑒 !
𝑝(2) = 4𝑐 = 𝑐𝑒 !!

Esto quiere decir que 2=ek, luego k=ln(2)=0.693. Luego para el crecimiento
observado en esta población k=0.693 es la constante de proporcionalidad. Luego
sustituyendo k ya podemos obtener la solución particular para nuestro
experimento, y considerando que eln2 = 2:

!
𝜙 = 𝑝(𝑡) = 𝑐 𝑒 !" ! = 𝑐2!

En este ejemplo hemos visto como se define analíticamente un problema para el
crecimiento de una población, el cual depende de unas variables que describen la
situación (p, t, k, c) junto con unas ecuaciones que las relacionan dp/dt=kp y
p(0)=c. Tras el análisis matemático hemos identificado un modelo para predecir
poblaciones futuras, que nos lo da la solución particular p(t)=c2t.

Conclusiones

Aunque el nivel de resolución de este problema es adecuado para el crecimiento
de bacterias, se ha comprobado que es inadecuado para modelar crecimientos de
población humana. En el caso de la población humana se vuelve necesario
incrementar el nivel de resolución, quizá incluyendo aspectos como la esperanza
de vida o las guerras.

Si el modelo tiene un nivel de detalle que representa completamente a situación
física, puede ser muy difícil de gestionar. Si el modelo es demasiado sencillo los
resultados no serán precisos y no resultará útil. Esto da lugar a la búsqueda de
un compromiso entre nivel de precisión del modelo y nivel de complejidad.