Fernando Llavador Colomer: Modelos Matemáticos de Sistemas Variables en El Tiempo

i
MODELOS MATEMTICOS DE SISTEMAS VARIABLES EN EL

TIEMPO
______________________________________________________________________
Fernando Llavador Colomer
Jefe Dpto. Control de Calidad. Entidad Pblica de Saneamiento de Aguas
Residuales de la Comunidad Valenciana
NDICE
1 CONCEPTOS BSICOS: SISTEMA Y MODELO............................................... 1
2 ELEMENTOS DE UN MODELO............................................................................ 2
2.1 VARIABLES DE ESTADO Y EXTERNAS ...................................................................... 3
2.2 MODELO CONCEPTUAL. DIAGRAMAS DE CONTROL................................................. 5
2.3 DESCRIPCIN MATEMTICA DEL SISTEMA .............................................................. 7
3 ESTADO ESTACIONARIO Y ESTABILIDAD................................................... 15
3.1 ESTABILIDAD Y BIFURCACIN .............................................................................. 22
4 ANLISIS DE SENSIBILIDAD............................................................................. 32
4.1 SENSIBILIDAD A LA FORMA DE LAS ECUACIONES. ................................................. 32
4.2 SENSIBILIDAD A LOS PARMETROS....................................................................... 32
4.3 SENSIBILIDAD A LAS CONDICIONES INICIALES....................................................... 37
5 ESTIMACIN DE PARMETROS Y CLCULO DE INCERTIDUMBRES. 44
5.1 EVALUACIN PREVIA DE PARMETROS................................................................. 44
5.2 CALIBRACIN NUMRICA DEL MODELO................................................................ 45
5.3 INCERTIDUMBRE DE LOS PARMETROS ................................................................. 48
5.4 DISEO EXPERIMENTAL........................................................................................ 50
6 PREDICCIN DE LA EVOLUCIN TEMPORAL DEL SISTEMA.
INCERTIDUMBRE DE LAS PREDICCIONES ...................................................... 52
7 VALIDACIN ESTADSTICA DEL MODELO ................................................. 56
8 VENTAJAS Y RIESGOS DEL EMPLEO DE MODELOS MATEMTICOS
DE SISTEMAS NATURALES.................................................................................... 61
BIBLIOGRAFA.......................................................................................................... 65
ii
MODELOS MATEMTICOS DE SISTEMAS VARIABLES EN EL TIEMPO Revisin: 26/09/2005
____________________________________________________________________________
______________________________________________________________________
1
1 CONCEPTOS BSICOS: SISTEMA Y MODELO
Entenderemos por sistema un conjunto complejo de elementos funcionales
directa o indirectamente relacionados entre s en una red causal.
Si existe alguna influencia entre los componentes del sistema y el entorno
exterior al mismo, hablamos de sistemas abiertos; por contra, cuando estos
componentes no tienen ningn tipo de relacin con el entorno, el sistema se dice
cerrado.
Define el diccionario de la lengua espaola el trmino modelo como un
esquema terico, generalmente en forma matemtica, de un sistema o de una realidad
compleja, que se elabora para facilitar su comprensin y el estudio de su
comportamiento.
Si consideramos un sistema como una porcin de la naturaleza constituida por
diversos componentes interrelacionados entre ellos, cualquier representacin de ste
sistema constituye un modelo del mismo.
SISTEMA REAL
(parte del universo limitada
en el tiempo y el espacio)
SISTEMA REAL
(parte del universo limitada
en el tiempo y el espacio)
MODELO
(representacin de
la naturaleza)
MODELO
(representacin de
la naturaleza)
Modelizacin
MODELIZADOR
MODELIZADOR
Observacin
Comparacin
Estilo
Tcnica
Habilidad
Experiencia
Medios
materiales
Nuevas
observaciones
Figura 1. Ciclo observacin-representacin-correccin en la representacin abstracta
de la naturaleza
Tal como simboliza la figura 1, el modelo es una imagen abstracta de un
sistema real, construido en base a los conocimientos previos de que se dispone sobre
____________________________________________________________________________
______________________________________________________________________
2
ste. El perfeccionamiento de esta imagen se produce mediante un ciclo continuo de
observacin de la realidad, representacin de sta, comprobacin, nueva observacin,
etc. El objetivo ltimo del modelo es predecir el comportamiento del sistema cuando
sobre l se dan las condiciones observadas.
Si el modelo proporciona la situacin del sistema cuando ste se encuentra en
equilibrio tanto interno como con el entorno, hablamos de modelos de estado
estacionario o modelos estticos; por el contrario cuando el modelo proporciona la
evolucin del sistema con el tiempo cuando no se han alcanzado las condiciones de
equilibrio, hablamos de modelos de estado no estacionario, variables en el tiempo o
dinmicos.
2 ELEMENTOS DE UN MODELO
En la historia de la civilizacin, pocas cosas ha habido tan permanente como el
uso de tcnicas matemticas para describir los fenmenos de la naturaleza; as, si en el
siglo XVI, Galieo afirmaba que "el universo est escrito en lenguaje matemtico",
cuatro siglos ms tarde, sostiene Dirac que toda ley fsica se ha de poder expresar en
trminos matemticos bellos.
Si en el apartado anterior hemos definido el concepto de modelo como una
representacin de la naturaleza, aqu introduciremos el concepto de modelo matemtico
como una representacin de la naturaleza expresada mediante lenguaje matemtico.
En el proceso de elaboracin de un modelo matemtico de un sistema
complejo, se pueden establecer las siguientes fases:
1. adquisicin de informacin y conocimientos previos sobre el sistema. En esta
fase es importante la identificacin de los componentes internos y externos del
sistema y las relaciones entre ellos;
2. reconocimiento de las caractersticas del entorno que afectan al sistema (p. ej.
condiciones ambientales) y delimitacin del intervalo de valores de stas dentro
del cual puede operar el modelo;
3. especificacin del objeto y alcance del modelo: identificacin del problema y
delimitacin del marco espacial y temporal;
4. asignacin de los elementos modelo que caracterizan el estado del sistema;
5. descripcin matemtica de la estructura del modelo. En definitiva, el modelo no
es mas que un conjunto de reglas o artificio matemtico que nos permite
predecir el estado futuro de un sistema a partir del conocimiento de su estado
actual. Bsicamente la estructura matemtica del modelo est constituida por el
conjunto de reglas o ecuaciones que ligan los diferentes elementos del modelo,
____________________________________________________________________________
______________________________________________________________________
3
reproduciendo la relaciones observadas entre los componentes internos (y
externos) del sistema;
6. verificacin del modelo, ajuste a las mediciones preliminares de que se dispone
y estimacin de parmetros;
7. validacin del modelo a partir de nuevas observaciones del sistema y estimacin
de la incertidumbre de las predicciones.
Con todo esto, podemos agrupar los elementos de un modelo matemtico en las
cinco categoras siguientes:
variables internas: representan a los componentes internos del sistema;
variables externas: representan a los componentes externos del sistema;
ecuaciones matemticas: representan las relaciones entre los componentes del
sistema;
parmetros: trminos numricos de las ecuaciones matemticas cuyo valor puede
variar dependiendo del mbito de aplicacin del modelo;
constantes: trminos numricos de las ecuaciones matemticas cuyo valor es
invariable dentro del marco espacial y temporal de aplicacin del modelo
2.1 Variables de estado y externas
En el desarrollo de un modelo, se debern especificar tanto las variables que
caracterizan el estado de un sistema como aquellas otras que, sin hacerlo, tienen
influencia sobre los valores de las primeras. Por ejemplo, en un sistema en el que se
desarrollan reacciones qumicas, el estado del mismo puede quedar determinado por las
concentraciones de las diferentes especies que intervienen en las reacciones; la presin
o la temperatura quiz no porten ninguna informacin sobre el estado del mismo, pero
pueden tener una influencia fundamental sobre la evolucin del sistema y, en
consecuencia, sobre el estado del mismo en el tiempo.
Atendiendo a la forma en que las variables actan sobre el sistema, stas se
pueden clasificar como:
Variables de estado (internas). Determinan el estado o situacin del sistema en un
tiempo determinado. En un modelo, constituyen las componentes del mismo.
Si se consideran v variables de estado, cada situacin del sistema (estado) en
un tiempo determinado vendr representada por un punto en un espacio
d-dimensional R
d
denominado espacio de estados o espacio de fases, siendo d
el nmero de variables suficiente para determinar la evolucin del sistema (d v).
El espacio de fases, F, est constituido por todos los estados posibles que puede
alcanzar el sistema y contiene, en sus ejes, la totalidad de los aspectos de la
dinmica del sistema. El espacio de fases puede ser finito (cuando las variables de
____________________________________________________________________________
______________________________________________________________________
4
estado slo pueden tomar un nmero finito de valores distintos), contable infinito
(por ejemplo, cuando las variables de estado toman valores enteros) o incontable
infinito (por ejemplo, cuando las variables de estado toman valores reales).
Variables de control (externas). Son variables que influyen en las variables de
estado, no siendo afectadas por la evolucin de stas. Las variables externas
constituyen las causas primeras del comportamiento del sistema.
Un sistema dinmico consiste en un espacio abstracto F (espacio de fases)
cuyas coordenadas representan el estado dinmico del sistema en cualquier instante y
una regla dinmica
t
f (dependiente del tiempo) que especifica la tendencia
inmediatamente futura de todas las variables de estado a partir solamente de los valores
presentes de esas misma variables.
El parmetro tiempo puede ser una variable real (t R) o una variable entera
(t Z); en el primer caso la evolucin del sistema toma la forma de una curva continua
(denominada flujo), mientras que en el segundo caso la evolucin avanza a saltos
discretos en el tiempo por iteracin sobre una secuencia de puntos (llamada mapa).
Desde el punto de vista del proceso de clculo, el modelo trasforma
matemticamente una informacin de entrada (datos) en otra informacin de salida
(resultados). Los datos constituiran las variables de entrada, mientras que los
resultados seran las variables de salida. Las variables de salida estn constituidas
bsicamente por los valores de las variables de estado producidos por el modelo
mediante el proceso de clculo, mientras que entre las variables de entrada estarn los
valores iniciales de las variables de estado y las variables externas.
Respecto a este proceso de clculo, una variable de estado puede desempear
funciones tanto de variable de entrada como de salida, o bien nicamente tener
justificacin en el modelo a los efectos de conseguir una adecuada representacin
interna del sistema, jugando, en este caso, un papel de mediacin entre las variables de
entrada y salida.
2.2 Modelo conceptual. Diagramas de control
El objetivo principal de los diagramas de control es establecer relaciones causa-
efecto o interacciones entre los distintos componentes o variables del sistema. El
diagrama de control representa un diseo de la hiptesis de funcionamiento del sistema
y por lo tanto una idealizacin de la naturaleza compleja del mismo (figura 2). Esta
etapa constituye la conceptualizacin del modelo. El modelo aqu obtenido es un
modelo conceptual.
Las interacciones constituyen flujos de informacin que transcurren en el
sentido de la causa al efecto, de manera que un componente es afectado por todos
aquellos de los que recibe informacin, mientras que afecta a todos aquellos a los que
____________________________________________________________________________
______________________________________________________________________
5
transfiere informacin. Las interacciones puede generarse en el interior del propio
sistema (endgenas) como provenir del entorno exterior (exgenas).
VARIABLE EXTERNA
Interaccin
externa
Interacciones
internas
VARIABLE DE ESTADO A VARIABLE DE ESTADO B
VARIABLE DE ESTADO C
VARIABLE DE ESTADO D
PROCESOS
Figura 2. Ejemplo de diagrama de control. Interacciones entre variables internas y
externas
Cuando una interaccin entre tiene el efecto de producir la transformacin de
una variable de estado en otra, constituye un proceso.
Para una determinada variable de estado, sobre el diagrama de control, se
podrn distinguir interacciones endgenas y exgenas dependiendo del tipo de variable
que afecta a aquella.
Las interacciones endgenas pueden establecer relaciones unidireccionales
(A B), bidireccionales (A B), e incluso cclicas entre las diferentes variables de
estado (A B C A), mientras que las interacciones exgenas deben ser
necesariamente unidireccionales ya que una variable de estado puede ser afectada por
una variable externa, pero no al revs, dado precisamente la condicin de externa de la
segunda.
____________________________________________________________________________
______________________________________________________________________
6
2.3 Descripcin matemtica del sistema
El objetivo de esta etapa es obtener una expresin matemtica que describa la
variacin temporal de cada variable de estado. Su realizacin supone la determinacin
de la forma concreta de las ecuaciones matemticas que describen cada proceso fsico,
qumico o biolgico relacionado en el diagrama de control. Las ecuaciones matemticas
que conforman el modelo matemtico constituirn una aplicacin unvoca de las
variables de entrada en las variables de salida.
Si el modelo formado permite conocer exactamente la evolucin futura del
sistema, conocido exactamente (si esto fuera posible) el estado inicial del mismo,
diremos que se trata de un modelo determinista; por el contrario, si el modelo incorpora
componentes aleatorios, de manera que su evolucin futura slo puede ser conocida con
una cierta probabilidad, estaremos ante un modelo estocstico.
Generalmente, cuando las variables de estado tienen dimensiones de masa (M)
o concentracin (ML
-3
)), la variacin temporal de aquellas se puede calcular a partir del
balance de materia aplicado a cada componente en el sistema. Este balance contabiliza,
para cada variable de estado, los flujos totales de materia que entran y salen del sistema
por cualquier causa:
Velocidad de variacin temporal
de la masa del componente
y en el sistema
Velocidad de entrada
de masa del componente
y en el sistema
Velocidad de salida
de masa del componente
y en el sistema
=
-
Velocidad de produccin o
desaparicin de masa
del componente y
en el sistema

(1)
y vendr expresada matemticamente como:
( )

= = =
n 3 2 1 i s e
y ,.., y , y , y f y
dt
dy

(2)
donde:
____________________________________________________________________________
______________________________________________________________________
7
y
= velocidad de variacin del componente y en el sistema,
e
= suma de los flujos de entrada del componente y en el sistema,
s
= suma de los flujos de salida del componente y en el sistema,
y
i
= suma de los flujos internos de produccin (fuentes) y eliminacin
(sumideros) del componente y.
Si la evaluacin de los flujos internos de produccin y eliminacin de cada
variable de estado se realiza considerando los mecanismos cinticos observados para
cada proceso de transformacin, produciremos un modelo mecanicista; por contra, si el
modelo nicamente reproduce el comportamiento observado del sistema sin atender a
los mecanismos internos de regulan el comportamiento del mismo, estaremos ante un
modelo de caja negra.
La extensin de la ecuacin (2) a todas las variables de estado tomar, la forma
de un sistema de ecuaciones diferenciales (o en derivadas parciales), cuya resolucin
proporcionar una prediccin de los valores de las variables de estado a lo largo del
tiempo.
Por ejemplo, sea un sistema de volumen constante V (L
3
) con tres componentes
A, B y C (variables de estado) que reaccionan entre s mediante procesos cinticos
qumicos de primer orden segn el siguiente esquema:
B
A
C
k
2
k
-3
k
3
k
1
k
-1
k
-2
Suponiendo que el espacio fsico ocupado por el sistema es homogneo y
llamando [A], [B] y [C] a las concentraciones (ML
-3
) de cada uno de estos componentes
en el sistema, las expresiones para la variacin temporal de cada uno de ellos debida a
cada una de las reacciones qumicas son:
____________________________________________________________________________
______________________________________________________________________
8
Proceso A B C
B A -k
1
[A] k
1
[A]
A B k
-1
[B] -k
-1
[B]
C B -k
2
[B] k
2
[B]
B C k
-2
[C] -k
2
[C]
A C k
3
[C] -k
3
[C]
C A -k
-3
[A] k
-3
[A]
as, la velocidad de produccin o desaparicin de cada componente (MT
-1
) por reaccin,
sera:
[ ]
[ ] [ ] [ ] [ ]
[ ]
[ ] [ ] [ ] [ ]
[ ]
[ ] [ ] [ ] [ ] A k C k - C k B k
dt
C d
A k B k B k A k
dt
B d
A k - C k B k A k -
dt
A d
3 - 3 2 - 2 C
2 - 2 1 - 1 B
3 - 3 1 - 1 A
+ + = =
+ = =
+ + = =
(3)
Si al sistema llega una corriente Q (L
3
T
-1
) de entrada (sistema abierto), con una
concentracin [A]
inf
, [B]
inf
y [C]
inf
de cada unos de los componentes, los trminos de
entrada y salida de masa en el sistema para cada componente seran:
A B C
Entrada (MT
-1
): [ ]
inf
A Q [ ]
inf
B Q [ ]
inf
C Q
Salida (MT
-1
): [ ] A Q [ ] B Q [ ] C Q
La aplicacin de un balance de materia a cada componente, proporcionara el
modelo matemtico de este sistema que estara constituido por el sistema de tres
ecuaciones diferenciales:
[ ]
[ ] [ ] [ ] [ ] [ ] [ ] ( )
[ ]
[ ] [ ] [ ] [ ] [ ] [ ] ( )
[ ]
[ ] [ ] [ ] [ ] [ ] [ ] ( ) A k C k - C k B k V C Q C Q
dt
C d
V
A k B k B k A k V B Q B Q
dt
B d
V
A k - C k B k A k - V A Q A Q
dt
A d
V
3 - 3 2 - 2 inf
2 - 2 1 - 1 inf
3 - 3 1 - 1 inf
+ + + =
+ + =
+ + + =
(4)
En general, en un sistema con n
k
procesos entre n
v
variables de estado y
i
y n
x
variables
externas x
j
en la forma:
____________________________________________________________________________
______________________________________________________________________
9
r
1,1
y
1
+ r
1,2
y
2
+ ... + r
1,v
y
v
+ t
1,1
x
1
+ t
1,2
x
2
+ ... + t
1,c
x
c
u
1,1
y
1
+ u
1,2
y
2
+ ... + u
1,v
y
v
...
r
p,1
y
1
+ r
p,2
y
2
+ ... + r
p,v
y
v
+ t
p,1
x
1
+ t
p,2
x
2
+ ... + t
p,c
x
c
u
p,1
y
1
+ u
p,2
y
2
+ ... + u
p,v
y
v
...
r
k,1
y
1
+ r
k,2
y
2
+ ... + r
k,v
y
v
+ t
k,1
x
1
+ t
k,2
x
2
+ ... + t
k,c
x
c
u
k,1
y
1
+ u
k,2
y
2
+ ... + u
k,v
y
v
si todos los procesos son elementales, la expresin de la velocidad de cada proceso,
p
,
ser:
( ) ( )

= =
=
k
1 i
i , p
t
i p p
x k
v
1 i
i p,
r
i
y (5)
La suma (r
p,1
+ r
p,2
+ ... + r
p,v
+ t
p,1
+ t
p,2
+ ... + t
p,c
) constituye el orden de
reaccin del proceso p, mientras que el coeficiente r
p,i
representa el orden de reaccin
del proceso p respecto al componente y
i
.
Para cada proceso, el coeficiente k
p
se denomina constante de velocidad o
velocidad especfica y representa la velocidad del proceso cuando las
concentraciones de todas las variables de estado y externas (reactivos) que intervienen
en l son numricamente iguales a la unidad.
La velocidad de variacin con respecto al tiempo de la variable de estado y
i
,
debido a los procesos cinticos (reaccin) ser:
( )
=
=
nk
1 i
i , p i , p p
i
r u
dt
dy
(6)
Los elementos (u
p,i
- r
p,i
) constituyen una matriz de dimensiones n
k
n
v
denominada matriz de coeficientes estequiomtricos del modelo. Cada elemento
p,i
de la matriz de coeficientes estequiomtricos proporciona la conversin entre la
velocidad del proceso p (
p
) y la velocidad de variacin de la variable de estado y
i
provocada por este proceso (dy
i
/dt)
p
.
Para el sistema qumico general con v variables de estado y k procesos, la
matriz de coeficientes estequiomtricos tendra la forma:
____________________________________________________________________________
______________________________________________________________________
10
Procesos Variables de estado
y
1
y
2
y
3 y
j y
v
1

1,j
2

2,j
3

3,j

i,1
i,2
i,3
i,j
i,v

k

k,j
la velocidad de variacin de la variable de estado j vendra dada por:
k j , k i j , i 2 j , 2 1 j , 1 j
... ... dt / dy + + + + + = (7)
La matriz de coeficientes estequiomtricos en el ejemplo de los tres
componentes A, B, C estara formada por los valores:
Proceso A B C Cintica
B A -1 1 0
1
= k
1
[A]
A B 1 -1 0
2
= k
-1
[B]
C B 0 -1 1
3
= k
2
[B]
B C 0 1 -1
4
= k
-2
[C]
A C 1 0 -1
5
= k
3
[C]
C A -1 0 1
6
= k
-3
[A]
Los diferentes coeficientes que afectan a las variables de estado en la
representacin matemtica de los procesos que intervienen en el modelo reciben el
nombre genrico de parmetros del modelo.
Es importante advertir que el diseo de un modelo sin considerar ms criterios
que el conseguir un buen ajuste entre las predicciones y las observaciones
experimentales de las propiedades del sistema, puede llevar a una sobreparametrizacin
del modelo. Esta sobreparametrizacin se traducira en un aumento de la incertidumbre
de los parmetros estimados, invalidando el modelo como herramienta de prediccin.
En modelos estticos, para cada variable de estado tendremos una funcin
implicita de las variables de estado; en modelos dinmicos, para cada variable de estado
tendremos una ecuacin diferencial.
La forma de las ecuaciones matemticas que describen los procesos,
determinar dos grandes categoras de modelos: por un lado aquellos en que las
velocidades de variacin de las variables de estado son combinacin lineal de stas y de
los parmetros (modelos lineales) y por otro aquellos en que no se da esta relacin de
linealidad (modelos no lineales). La linealidad o no-linealidad del modelo depender de
la linealidad o no-linealidad observada en el sistema y del grado de aproximacin que la
representacin matemtica (modelo) pretenda.
____________________________________________________________________________
______________________________________________________________________
11
Por ejemplo, sea un sistema con dos variables de estado X, Y y dos variables
externas A y B en el que se desarrollan un proceso en cuatro etapas elementales
(Brusselator), una de ellas autocataltica (etapa 3):
Etapa 1 A X k
1
= 1
Etapa 2 B + X Y + D k
2
= 1
Etapa 3 2X + Y 3X k
3
= 1
Etapa 4 X E k
4
= 1
Las velocidades de produccin o desaparicin de cada componente (MT
-1
) por
reaccin, seran:
[ ]
[ ] [ ] [ ] [ ] [ ] [ ]
[ ]
[ ] [ ] [ ] [ ] Y X k X B k
dt
Y d
X k - Y X k X B k - A k
dt
X d
2
3 2 Y
4
2
3 2 1 X
= =
+ = =
(8)
El modelo es, pues, no lineal. Los sistemas no lineales pueden exhibir una
amplia variedad de comportamientos; as en el ejemplo del Brusselator, con los valores
de las variables externas: [A] = 1 y [B] = 2, el sistema presenta un comportamiento
oscilatorio amortiguado como el mostrado en la figura 3.
En general, llamaremos sistemas lineales a aquellos para los que se cumple el
principio de superposicin, es decir que el efecto de la actuacin conjunta de dos causas
distintas consiste slo en la superposicin de los efectos que cada una de las causas
hubiera generado por si misma. Matemticamente un modelo lineal implicara el
cumplimiento de las condiciones:
( ) ( ) ( )
1 1
y M y M y y M + = + (9)
( ) ( ) y M y M = (10)
siendo un escalar, y e y
1
dos vectores de estado y M la aplicacin representada por el
modelo.
La resolucin de la ecuacin de movimiento del sistema (2) proporcionar la
evolucin de ste en el tiempo; esta evolucin desde un estado inicial a otro final vendr
representada, en el espacio de fases, por una secuencia de puntos llamada trayectoria de
evolucin (figura 4). El conjunto de puntos del espacio de fases (infinito si la evolucin
es continua en el tiempo) que corresponden a las trayectorias a partir de un determinado
estado inicial constituye la rbita de ese estado.
____________________________________________________________________________
______________________________________________________________________
12
X
Y
Figura 3. Evolucin en el tiempo de las concentraciones de especies intermedias en un
sistema qumico oscilante (Brusselator)
En principio, podremos clasificar las posibles trayectorias de evolucin de un
sistema como:
a) estacionario ( ) y y f
t
= t (11)
b) peridico ( ) ( ) y f y f
p
T t
t
+
= para un periodo mnimo T
p
(12)
c) aperidico ( ) ( ) y f y f
' t t
t t' (13)
Un punto y del espacio de fases F (y F) se dir que es un punto errtico si
existe un entorno abierto F
0
de y en el cual las trayectorias nunca regresan:
( ) F y f
t
t > t
min
; (14)
por contra, un punto es no errtico si para cualquier entorno abierto F
0
de y, las
trayectorias regresan al entorno F
0
repetidas veces, lo que implica que para cualquier
tiempo t
min
, existe un tiempo posterior t tal que:
( ) F y f
t
(15)
____________________________________________________________________________
______________________________________________________________________
13
Una rbita peridica corresponde a una trayectoria que regresa exactamente al
punto inicial en un tiempo finito.
Figura 4. Trayectoria de evolucin en un sistema qumico oscilante (Brusselator)
Si existe un volumen conectado del espacio de fases F
0
, tal que cuando el
sistema evoluciona en el tiempo partiendo de cualquier estado de ese espacio, el flujo se
contrae globalmente en un subconjunto de aquel espacio, diremos que este ltimo
subconjunto constituye un atractor. El atractor puede ser nico o pueden coexistir
cualquier nmero de conjuntos atractores distintos, cada uno de los cuales tendr su
propia cuenca de atraccin, determinada por el conjunto de todos los puntos que caen en
el atractor cuando evolucionan en el tiempo.
El atractor puede ser un punto fijo, una rbita periodica, aperidica o una
combinacin de los anteriores. El caso ms interesante lo constituyen los atractores
recurrentes aperidicos denominados atractores extraos.
Por el contrario, si podemos encerrar el conjunto de puntos no errticos por
un volumen conectado del espacio de fases F
0
y todos los puntos pertenecientes a F
0
pero no a eventualmente salen de F
0
, nos referiremos a como un repulsor.
En la figura 5 se muestra el aspecto en el espacio de fases de un atractor (ciclo
lmite) alrededor del punto de equilibrio para el sistema Brusselator. Se puede observar
____________________________________________________________________________
______________________________________________________________________
14
como las trayectorias a partir de puntos exteriores a este ciclo son atradas por el
espacio ocupado por el atractor, mientras que las trayectorias a partir de puntos
exteriores a este ciclo repelidas por el punto de equilibrio.
Atractor
Pto equlibrio
Figura 5. Atractor / repulsor en el sistema Brusselator
3 ESTADO ESTACIONARIO Y ESTABILIDAD
Si el sistema con el tiempo tiende al equilibrio, alcanzar un estado
estacionario en el que 0
dt
) t ( dy
= . En este estado, el sistema estara representado por la
condicin:
( ) 0 y ,.., y , y , y f y
dt
dy
n 3 2 1 i s e
= = = =

(16)
y la ecuacin de estado vendra dada por el ) t ( y lim
t
, con lo que el modelo dinmico
representa un rgimen de transicin hacia el estado estacionario o de equilibrio a que
tiende el sistema. Se trata pues de un equilibrio dinmico donde los aumentos y
disminuciones en el valor de cada variable de estado se compensan exactamente.
____________________________________________________________________________
______________________________________________________________________
15
Expresemos la velocidad de variacin del vector de estado Y como:
( ) =
, Y F
t
Y
(17)
donde F es un operador no lineal que acta sobre el espacio de fases al que pertenece Y
y representa un conjunto de parmetros de control que influyen sobre el desarrollo del
sistema.
En un estado de referencia Y
S
, tendremos que
( ) =
, Y F
t
Y
S
S
(18)
Si introducimos una perturbacin y sobre el estado de referencia Y
S
, tal que
Y=Y
S
+ y, se cumplir que:
t
y
t
Y
t
Y
S
(19)
con lo que:
( ) ( ) ( ) ( ) + = =
, Y F , y Y F , Y F , Y F
t
Y
t
Y
t
y
S S S
S
(20)
Formalmente se puede desarrollar en serie:
( ) ( )
n
Y
n
n
3
Y
3
3
2
Y
2
2
Y
S S
y
Y
F
! n
1
y
Y
F
6
1
y
Y
F
2
1
y
Y
F
Y F , y Y F
S
S S
S
|
|
\
|
+
+
|
|
\
|
+
|
|
\
|
+ |
\
|
+ = +
(21)
Si definimos un operador lineal L():
( )
S
Y
Y
F
L |
\
|
= (22)
y otro operador no lineal h(y,):
( )
n
Y
n
n
3
Y
3
3
2
Y
2
2
y
Y
F
! n
1
y
Y
F
6
1
y
Y
F
2
1
, y h
S S S
|
|
\
|
+ +
|
|
\
|
+
|
|
\
|
= (23)
el problema no lineal (21) se podra expresar como suma de una contribucin lineal y
una no lineal:
____________________________________________________________________________
______________________________________________________________________
16
( ) ( ) ( ) ( ) + + = + , y h y L Y F , y Y F
S S
(24)
con lo que la evolucin en el tiempo de la perturbacin introducida sobre el estado de
referencia Y
S
dada por la ecuacin (20) quedara como:
( ) ( ) + =
, y h y L
t
y
(25)
viniendo esta evolucin determinada por la componente lineal de la ecuacin anterior
para perturbaciones suficientemente pequeas:
( ) y L
t
y
=
(26)
Si el estado de referencia se corresponde, adems, con un estado de equilibrio,
el operador lineal L() es independiente del tiempo, y la ecuacin diferencial (26)
tendr soluciones en la forma:
t
e u y

= (27)
donde u sera un vector de dimensiones idnticas a y. Con esto, de (26) se obtendra:
( )
t t
e u L e u
t
y

= =
(28)
y
( ) u L u = (29)
lo que representa un problemas de vectores propios caracterstico donde L() sera la
matriz jacobiana del sistema en el estado de referencia y un valor propio.
Si Re e Im son, respectivamente las partes real e imaginaria del nmero
complejo , se deduce que x es una funcin exponencialmente decreciente (con o sin
modulacin peridica, dependiendo de que Im sea igual o distinta de cero) para
Re < 0 , lo que implicara que para tiempos suficientemente grandes (t ), la
perturbacin se anulara (y = 0) y el sistema alcanzara el estado de referencia: el estado
de referencia es, por tanto, estable. Si por el contrario, Re > 0, la perturbacin
crecera de forma exponencial indicando que el estado de referencia es inestable.
La condicin para la cual Re = 0 representa la frontera entre los
comportamientos estable e inestable y se conoce como condicin de estabilidad
marginal para el estado de referencia.
Como el operador L depende del vector de parmetros de control , una
variacin en ste provocar una variacin del operador L y con ello de sus valores
propios (al menos de algunos de ellos), de manera que se puede expresar como
____________________________________________________________________________
______________________________________________________________________
17
funcin del parmetro de control. Se conoce como valor crtico
k
al valor del
parmetro de control para el cul cambia el rgimen de estabilidad del sistema.
En resumen, el anlisis de estabilidad estudia el comportamiento del sistema
cuando se introduce una pequea perturbacin sobre el estado de referencia. Si la
perturbacin introducida es pequea, se puede suponer que el sistema es lineal y el
comportamiento al cesar la perturbacin vendr determinado por los valores propios de
la matriz jacobiana en ese estado de referencia. Si todos los valores propios tienen su
parte real negativa, el sistema ser estable y para tiempo infinito converger a un estado
de equilibrio. Si algn valor propio tiene parte imaginaria no nula, el sistema presentar
comportamiento oscilatorio
Las posibles clases de estabilidad y el comportamiento tras una perturbacin
son:
Nodo estable. La condicin de estabilidad viene dada por que todos los valores
propios tiene su parte real negativa y ninguno tiene parte imaginaria. El
sistema es estable y, tras una perturbacin, regresa de forma asinttica al
estado original.
Foco estable. Todos los valores propios tiene su parte real negativa y alguno
tiene parte imaginaria El sistema es estable y, tras una perturbacin, regresa al
estado original de forma oscilatoria.
Nodo inestable. Algn valor propio tiene su parte real positiva y el resto nulas,
no teniendo ninguno parte imaginaria. El sistema es inestable y no regresa, tras
una perturbacin, al estado original
Foco inestable. Algn valor propio tiene su parte real positiva y el resto nulas;
adems, alguno de ellos tienen parte imaginaria. El sistema es inestable y se
aleja, de forma oscilatoria, del estado original.
Punto de ensilladura. Algunos valores propios tienen su parte real positiva y
otros negativa. El sistema es inestable y tras una perturbacin se aleja o se
acerca al estado de equilibrio dependiendo de la direccin de la perturbacin
(nodo en forma de "silla de montar").
Ciclo lmite. Todos los valores propios son imaginarios puros (todas las partes
reales son nulas). El sistema, tras una perturbacin, entra en una rbita cerrada
prxima al estado original.
Indeterminada. Algunos valores propios son nulos (parte real e imaginaria
nulas). No se puede determinar la estabilidad del sistema.
El valor de estado estacionario depende de los valores de las variables externas
y parmetros del modelo, As, en la figura 6 se puede observar como, en el sistema
____________________________________________________________________________
______________________________________________________________________
18
Brusselator, introducido en el apartado anterior, cambia el valor de equilibrio de las
variables de estado X, Y cuando cambia el valor de la variable externa A.
X
Y
Figura 6. Dependencia del estado estacionario en el sistema Brusselator respecto a la
variable externa A.
En este sistema se obtiene un estado estacionario para cualquier valor no nulo
de la variable externa A. Para el caso A = 0, la primera etapa del sistema no se
desarrolla, quedando el sistema reducido a las etapas 2 a 4. En esta situacin, el sistema
de ecuaciones (16) queda indeterminado.
En efecto, cuando este sistema evoluciona a partir de un estado inicial, puede
llegar a estabilizarse, tendiendo la variable de estado X a un valor nulo, mientras que el
valor a que tiende la variable Y depende de los valores iniciales de X e Y.
Examinemos ahora el sistema de reacciones en cadena ramificadas, con un
mecanismo de cuatro etapas:
____________________________________________________________________________
______________________________________________________________________
19
1) Iniciacin: M
1
2 R
1
k
1
= 1
2) Ramificacin: R
1
+ M
1
2 R
2
k
2
= 1
3) Propagacin: R
2
+ M
1
R
1
+ M
2
k
3
= 1
4) Terminacin: R
1
+ M
3
M
4
k
4
donde M
1
, M
2
, M
3
y M
4
son especies estables con valor unidad y R
1
, R
2
especies
intermedias inestables.
Las ecuaciones que determinan el estado estacionario de este sistema vienen
dadas por:
[ ]
[ ] [ ][ ] [ ][ ] [ ][ ]
[ ]
[ ][ ] [ ][ ] 0 R M k R M 2k
dt
R d
0 R M k - R M k R M k - M k 2
dt
R d
2 1 3 1 1 2
2
R
1 3 4 2 1 3 1 1 2 1 1
1
R
2
1
= = =
= + = =
(30)
R
2 R
1
Figura 7. Dependencia del estado estacionario en el sistema de reacciones de cadena
ramificadas respecto a la constante de velocidad de la etapa de terminacin.
____________________________________________________________________________
______________________________________________________________________
20
En este caso, las dos variables de estado R
1
y R
2
varan de forma no lineal con
el valor de la constante de velocidad de la etapa de terminacin, tal como muestra la
figura 7. Obsrvese como, en este caso, para valores de k
4
< 1, no se alcanza el estado
estacionario, producindose un crecimiento explosivo de los valores de las especies
intermedias R
1
y R
2
.
3.1 Estabilidad y bifurcacin
Veamos ahora un sistema no lineal formado por dos reacciones reversibles
como:
Etapa 1: A + 2 X 3 X k
1
Etapa 2: 3 X A + 2 X k
2
Etapa 3: X B k
3
Etapa 4: B X k
4
Las soluciones de estado estacionario X
S
vendran dadas por las races del
polinomio cbico:
0 B k X k X A k X k
4 S 3
2
S 1
3
S 2
= + + (31)
y dependiendo de los valores de los parmetros podemos encontrarnos con una solucin
nica, o con hasta tres soluciones.
En sistemas continuos, la resolucin del sistema de ecuaciones algebraicas
dado por (16) dependiendo del valor de los parmetros del modelo, puede dar lugar a
diferentes soluciones (puntos fijos) dependiendo del valor de los parmetros del
modelo, y asociado a ello, cambios en la estabilidad del sistema en estos puntos. A este
fenmeno se le denomina como bifurcacin, y a los puntos del espacio de parmetros
en los que cambia la estabilidad del sistema, se les conoce como puntos de
bifurcacin. Al diagrama que representa las soluciones del sistema de ecuaciones para
cada valor del parmetro de bifurcacin se le conoce como diagrama de bifurcacin.
En sistema no lineales, existe una amplia variedad de comportamientos de
bifurcacin, algunos de los cuales se muestran en las figuras 8 a 12, 18 y 19 para el
caso de un sistema con una variable de estado y un nico parmetro de control; As, en
la figura 8 se muestra una bifurcacin de punto lmite en la que el cambio en el valor
del parmetro de control, provoca un cambio en la estabilidad del sistema. La
combinacin de bifurcaciones de punto lmite puede dar lugar a fenmenos de
biestabilidad e histresis (figura 9).
____________________________________________________________________________
______________________________________________________________________
21
Parmetro de bifurcacin
C
o
n
c
e
n
t
r
a
c
i
n

e
s
t
a
c
i
o
n
a
r
i
a
Rama inestable
0
Rama estable
Figura 8. Diagramas de bifurcacin. Bifurcacin de punto lmite
1

2
Parmetro

C
o
n
c
e
n
t
r
a
c
i
n

e
s
t
a
c
i
o
n
a
r
i
a
ZONA
ESTABLE
ZONA
ESTABLE
ZONA
BIESTABLE
Figura 9. Diagramas de bifurcacin. Biestabilidad e histresis
Cuando existen soluciones mltiples, una bifurcacin transcrtica (figura 10)
provoca que, a medida que vara el parmetro de control, dos puntos fijos se encuentren
intercambien su estabilidad.
____________________________________________________________________________
______________________________________________________________________
22
C
o
n
c
e
n
t
r
a
c
i
n

e
s
t
a
c
i
o
n
a
r
i
a
0
Rama inestable
Rama estable
Figura 10. Diagramas de bifurcacin. Bifurcacin transcrtica
Puede darse el caso de que el sistema presente una solucin nica para un
rango de valores, mientras que a partir de un determinado valor del parmetro de
control, aparezcan soluciones mltiples. Son las denominadas bifurcaciones de
horquilla) (figuras 11 y 12)
0
C
o
n
c
e
n
t
r
a
c
i
n

e
s
t
a
c
i
o
n
a
r
i
a
Rama estable
Rama estable
Rama estable
Rama inestable
Figura 11. Diagramas de bifurcacin. Bifurcacin de horquilla supercrtica
____________________________________________________________________________
______________________________________________________________________
23
C
o
n
c
e
n
t
r
a
c
i
n

e
s
t
a
c
i
o
n
a
r
i
a
Rama estable
Rama inestable
Rama inestable
Rama inestable
0
Figura 12. Diagramas de bifurcacin. Bifurcacin de horquilla subcrtica
Por ltimo, examinemos de nuevo el ejemplo antes expuesto del Brusselator. A
partir del sistema de ecuaciones (8), la solucin de estado estacionario se obtendra
como solucin del sistema de ecuaciones algebraicas:
[ ]
[ ] [ ][ ] [ ] [ ] [ ]
[ ]
[ ][ ] [ ] [ ] 0 Y X k X B k
dt
Y d
0 X k - Y X k X B k - A k
dt
X d
2
3 2 Y
4
2
3 2 1 X
= = =
= + = =
(32)
obtenindose la solucin:
[ ]
[ ]
[ ] A
B
k k
k k
Y
A
k
k
X
3 1
4 2
S
4
1
S
=
=
(33)
Si suponemos k
1
= k
2
= k
3
= 1, el estado de referencia vendra dado por:
X
S
= [A], Y
S
= [B]/[A] (34)
y la matriz jacobiana del sistema en este estado sera:
( )
[ ] [ ]
[ ] [ ]
(
=
2
2
S S
A B
A 1 B
Y , X L (35)
____________________________________________________________________________
______________________________________________________________________
24
La resolucin de la ecuacin caracterstica:
[ ] ( ) [ ] ( ) [ ] [ ] B A A 1 B 0 I L
2 2
+ = = (36)
nos muestra que existe un cambio en la estabilidad del sistema cuando [ ] [ ] 1 A B
2
+ = ,
apareciendo para el valor [ ] [ ] 1 A B
2
+ = un comportamiento peridico. El punto
constituye un punto de bifurcacin de Hopf.
El estado de referencia (X
S
, Y
S
) constituye un punto de equilibrio del sistema,
y conforme [B] aumenta, su estabilidad cambia segn (figura 13):
[ ] [ ] [ ] A 2 1 A B
2
+ < Nodo estable
[ ] [ ] [ ] A 2 1 A B
2
+ + > y [ ] [ ] 1 A B
2
+ < Foco estable
[ ] [ ] 1 A B
2
+ = Ciclo lmite
[ ] [ ] 1 A B
2
+ > Foco inestable
B=A
2
+1 B=A
2
+1-2A
FOCO
(Im 0)
ESTABLE
(Re < 0)
NODO
(Im = 0)
INESTABLE
(Re > 0)
Figura 13. Zonas de estabilidad de los puntos de equilibrio del sistema Brusselator en
funcin de los valores de las variables externas[A] y [B]
____________________________________________________________________________
______________________________________________________________________
25
En las figuras 14a 17 se muestran algunos ejemplos del cambio de estabilidad
de los puntos de equilibrio del sistema Brusselator cuando cambian los valores de las
variables externas [A] y [B].
Pto equlibrio
Figura 14. Estabilidad del punto de equilibrio del sistema Brusselator para [A]=3,
y[B]=2 (Nodo estable)
____________________________________________________________________________
______________________________________________________________________
26
Figura 15. Estabilidad del punto de equilibrio del sistema Brusselator para [A]=1.5,
y[B]=2 (Foco estable)
Figura 16. Estabilidad del punto de equilibrio del sistema Brusselator para [A]=1,
y[B]=2 (Ciclo lmite)
____________________________________________________________________________
______________________________________________________________________
27
Figura 17. Estabilidad del punto de equilibrio del sistema Brusselator para [A]=0.5,
y[B]=2 (Foco inestable)
A diferencia de las bifurcaciones estticas que proporcionan soluciones
independientes del tiempo, la bifurcacin de Hopf constituye un fenmeno dinmico
que da lugar a un comportamiento temporal peridico. En la medida en que el
parmetro aumenta por encima de su valor en el punto de bifurcacin la amplitud de
la solucin se hace cada vez mayor, partiendo de cero (figuras 18 y 19).
____________________________________________________________________________
______________________________________________________________________
28
Amplitud = 0 La amplitud crece al alejarnos de
0
( )
0
C
o
n
c
e
n
t
r
a
c
i
n

e
s
t
a
c
i
o
n
a
r
i
a
Estable
Oscilatorio estable
Inestable
Figura 18. Diagramas de bifurcacin. Bifurcacin de Hopf supercrtica
C
o
n
c
e
n
t
r
a
c
i
n

e
s
t
a
c
i
o
n
a
r
i
a
Estable
Oscilatoria inestable
0
Inestable
Figura 19. Diagramas de bifurcacin. Bifurcacin de Hopf subcrtica
La transicin hacia la complejidad est estrechamente relacionada con la
ramificacin (bifurcacin) de nuevas ramas de solucin, y sta aparece como
consecuencia de la inestabilidad de un estado de referencia, que est generada por las
no-linealidades y las imposiciones que actan sobre sistemas abiertos.
____________________________________________________________________________
______________________________________________________________________
29
4 ANLISIS DE SENSIBILIDAD
El anlisis de sensibilidad permite calcular como afectan a los resultados de las
variables de estado calculados a lo largo del tiempo, pequeos cambios en los valores
de algunos elementos del modelo ( parmetros o variables externas ). El efecto
depender de los valores concretos del valor del elemento del modelo cambiado,
pudiendo obtenerse sensibilidades diferentes con diferentes configuraciones de
elementos del modelo. Se puede plantear dos metodologas:
Estudio univariante de la sensibilidad a cambios en el valor de un elemento del
modelo cuando el resto de ellos permanecen inalterados.
Estudio multivariante de la sensibilidad para diferentes configuraciones de
elementos del modelo, permitiendo poner de manifiesto efectos cruzados entre
ellos. Las diferentes configuraciones de los elementos del modelo a estudiar se
obtendran, bien aplicando un diseo estadstico de experimentos, bien realizando
muestreos aleatorios de las configuraciones posibles.
4.1 Sensibilidad a la forma de las ecuaciones.
Proporciona el efecto que producen los cambios en la formulacin matemtica
de los procesos del modelo sobre los valores de las variables de estado calculadas por el
mismo.
4.2 Sensibilidad a los parmetros
La sensibilidad del sistema a pequeos cambios en los valores de los
parmetros es usualmente expresada como la variacin de las variables de estado
respecto a la variacin de los parmetros. Como los valores de las variables de estado
varan a lo largo del tiempo, los efectos que sobre stas producen cambios en los
parmetros sern funciones del tiempo. Se pueden calcular tres tipos diferentes de
funcin de sensibilidad CS
i,j
de la variable de estado y
i
con respecto al parmetro
j
:
a) Sensibilidad absoluta:
( ) ( ) ( ) ( )
j i j j i i j , i
, t y , t y t y t CS + = = (37)
____________________________________________________________________________
______________________________________________________________________
30
b) Sensibilidad relativa:
( )
( )
( ) ( )
j
j i j j i
j
i
j , i
, t y , t y
t y
t CS

+
=

= (38)
c) Sensibilidad relativa ajustada:
( )
( )
( )
( ) ( )
( )
j i
j
j
j i j j i
i
j
j
i
j , i
, t y
, t y , t y
t y
t y
t CS

+
=
= (39)
Para calcular un valor nico de la sensibilidad del sistema en el intervalo
semicerrado de tiempos muestreados ]k
0
, k], se pueden adoptar diferentes enfoques,
cada uno de los cuales proporciona un ndice parcial de sensibilidad de cada variable de
estado respecto a cada parmetro:
a) el mnimo valor de los coeficientes de
sensibilidad en el tiempo de simulacin:
( ) ( ) k CS min IS
j , i j , i
=
(40)
b) el mximo valor de los coeficientes de
( ) ( ) k CS max IS
j , i j , i
=
(41)
c) el valor acumulado de los valores de los
coeficientes de sensibilidad en el tiempo de
simulacin:
( ) ( )
=
k
j , i j , i
k CS IS
(42)
d) la media aritmtica de los valores de los
simulacin:
( ) ( )
n
k CS
IS
k
j , i
j , i
=
(43)
e) el mnimo valor absoluto de los coeficientes de
( ) k CS min IS
j , i j , i
=
(44)
f) el mximo valor absoluto de los coeficientes de
( ) k CS max IS
j , i j , i
=
(45)
____________________________________________________________________________
______________________________________________________________________
31
g) el valor acumulado de los valores absolutos de
los coeficientes de sensibilidad en el tiempo de
simulacin:
( )
=
k
j , i j , i
k CS IS
(46)
h) la media aritmtica de los valores absolutos de
los coeficientes de sensibilidad en el tiempo de
simulacin:
( )
n
k CS
IS
k
j , i
j , i
=
(47)
i) la media cuadrtica de los valores de los
simulacin:
( ) ( )
n
k CS
IS
k
2
j , i
j , i
=
(48)
j) el valor del coeficiente de sensibilidad obtenido
en el tiempo final del intervalo de simulacin
( ) ( )
ltimo
j , i j , i
k CS IS =
(49)
El anlisis de sensibilidad compara los resultados obtenidos en la simulacin
para cada configuracin de parmetros, con los resultados obtenidos para una
configuracin de parmetros con los valores medios de todos los valores explorados.
Por ejemplo, para una configuracin de tres parmetros
1
,
2
,
3
con los valores:

1

2

3
1 2 1
0 1 2
1 0 1
el anlisis de sensibilidad proporcionara la comparacin de las simulaciones con los
vectores de parmetros (1, 2, 1), (0, 1, 2) y (1, 0, 1) todas ellas con la simulacin
correspondiente al vector de medias de parmetros (2/3, 3/3, 4/3).
Una seleccin apropiada de los valores de los parmetros a explorar permitir
realizar un estudio univariante para cada parmetro:

1

2

3
2 1 1 (efecto de k1 = 2 respecto al valor medio k1 = 1)
____________________________________________________________________________
______________________________________________________________________
32
Por ltimo, con valores apropiados de los parmetros a explorar, se podra
aplicar un diseo factorial al test de sensibilidad. En el ejemplo anterior, podramos
disear un diseo factorial de los tres parmetros a dos niveles (2
3
):

1

2

3
0 0 0
2 0 0
0 2 0
2 2 0
0 0 2
2 0 2
0 2 2
2 2 2
En caso de que el sistema tienda con el tiempo a un estado estacionario,
tomando un tiempo ltimo de simulacin suficientemente grande, el ndice parcial de
sensibilidad dado por (49), proporciona una aproximacin del anlisis de sensibilidad
en estado estacionario.
Si se calcula la sensibilidad relativa cuando el incremento en el valor del
parmetro es muy pequeo, nos aproximamos al valor de la derivada parcial de cada
variables de estado respecto a los parmetros:
j
i
0
j

j
i

y
lim
(50)
En este caso, se define la matriz global de sensibilidad (S) a los parmetros como la
matriz cuyos elementos son:
bien, los valores de las derivadas parciales de las variables de estado respecto al
parmetro promediados en el tiempo de simulacin -segn las frmulas (40) a
(49) -;
bien, los valores de las derivadas parciales de las variables de estado respecto al
parmetro promediados en el tiempo de simulacin -segn las frmulas (40) a
(49) - y ajustados (multiplicados por el rango de variacin del parmetro y
divididos por el rango de variacin de cada variable de estado);
Independientemente de cualquiera de las dos alternativas anteriores elegidas,
los valores pueden estar sin normalizar o normalizados (divididos por la norma eucldea
de cada parmetro).
Se definen los ndices globales de sensibilidad para el parmetro i como:
a) Cuadrado medio:

=
=
nv
1 j
2
j , i
msqr
i
s
n
1
(51)
____________________________________________________________________________
______________________________________________________________________
33
b) Media absoluta:

=
=
nv
1 j
j , i
mabs
i
s
n
1
(52)
c) Media aritmtica:

=
=
nv
1 j
j , i
mean
i
s
n
1
(53)
d) Valor mximo:
( )
j , i
j
max
i
s max =
(54)
e) Valor mnimo:
( )
j , i
j
min
i
s min =
(55)
siendo n el nmero de variables de estado y s
i,j
el elemento de la matriz de sensibilidad
S correspondiente a la sensibilidad de la variable de estado j respecto al parmetro i.
Los ndices globales de sensibilidad representan una medida nica de la
sensibilidad en el espacio multivariante de las variables de estado.
Si se calcula la matriz de sensibilidad ajustada y normalizada, la inversa de la
raz cuadrada del menor valor propio de S
T
x S, es el valor del ndice de colinealidad
entre parmetros.
Si la matriz de sensibilidades ajustada no est normalizada, el valor
k 2 1
k
1 j
k
j

|
|
\
|
=

=
(56)
donde k es el nmero de parmetros analizados, combina la informacin del ndice
global de sensibilidad y del ndice de colinealidad entre parmetros.
El valor de
k
es alto si el ndice global de sensibilidad es alto y el ndice de
colinealidad entre parmetros es bajo; por contra, valores altos del ndice de
colinealidad y bajos del ndice global de sensibilidad, dan valores bajos de
k
.
Un valor alto de
k
sugiere una buena identificabilidad del subconjunto de
parmetros analizados.
____________________________________________________________________________
______________________________________________________________________
34
4.3 Sensibilidad a las condiciones iniciales.
Este estudio de sensibilidad tiene como objetivo determinar en que situaciones,
pequeos cambios en el valor de las condiciones iniciales, originan grandes cambios en
los valores predichos por el modelo para las variables de estado.
Como quiera que la determinacin de los valores iniciales de las variables de
estado siempre est afectada por una incertidumbre, un sistema que sea muy sensible a
pequeos cambios en los valores de stas, es esencialmente impredecible alcanzando,
despus de un determinado tiempo, estados muy diferentes cuando evoluciona a partir
de condiciones iniciales ligeramente diferentes (figura 20). Si la trayectoria de
evolucin en el tiempo de los estados correspondientes a condiciones iniciales
ligeramente diferentes es sumamente irregular el sistema presentar un comportamiento
aparentemente catico.
Figura 20. Evolucin de un sistema con comportamiento catico (sistema de Rssler) a
partir de dos estados iniciales ligeramente diferentes (lneas continua y punteada).
Obsrvese que, si bien en un principio los estados del sistema son experimentalmente
indistinguibles, al cabo de un cierto tiempo, se obtienen dos evoluciones notablemente
distintas.
____________________________________________________________________________
______________________________________________________________________
35
Veamos un ejemplo de sistema que presenta una acusada sensibilidad a las
condiciones iniciales. Sea un sistema (sistema catico de Rssler) con tres especies
intermedias (variables de estado) X, Y, Z y tres variables externas A, B y C, donde se
producen los cinco procesos reversibles (diez etapas elementales) siguientes:
Etapa 1: A + X 2 X k
1
= 1
Etapa 2: 2 X A + X k
2
= 0.25
Etapa 3: X + Y 2 Y k
3
= 1
Etapa 4: 2 Y X + Y k
4
= 0.003
Etapa 5: B + Z 2 Z k
5
= 1
Etapa 6: 2 Z B + Z k
6
= 0.5
Etapa 7: C + Y D k
7
= 1
Etapa 8: D C+ Y k
8
= 1
Etapa 9: X + Z E k
9
= 1
Etapa 10: E X + Z k
10
= 1
Con los valores de variables externas: [A] = 30.0; [B] = 16.5; [D] = 0.01 y
[E] = 0.01
Como en el caso del Brusselator que vimos anteriormente, este sistema cuenta
con tres etapas autocatalticas (etapas 1, 3 y 5), siendo el sistema no lineal en relacin
con las variables de estado. Al calcular la evolucin del sistema con respecto al tiempo,
se observa (figura 21) como conforme el valor de la variable externa C (parmetro de
bifurcacin) decrece, el sistema va intensificando su comportamiento errtico.
La condicin de comportamiento catico, que es caracterstico de sistemas
dinmicos no lineales, implica que en el espacio R
v
de las variables de estado, la
distancia L(t) entre los estados que se obtienen por evolucin a partir de estados
iniciales ligeramente distintos, crece con el tiempo generalmente en forma exponencial:
t
e ) 0 ( L ) t ( L

= (57)
siendo L(0) la distancia entre los estados iniciales y un exponente denominado
exponente caracterstico de Lyapunov que determina la condicin de comportamiento
catico del sistema cuando toma valores positivos.
El exponente de Lyapunov es una medida cuantitativa de la sensibilidad del
sistema a las condiciones iniciales, representando la velocidad relativa media de
convergencia o divergencia de las trayectorias de sistemas que evolucionan a partir de
estados iniciales muy prximos:
( )
( )
dt
t dL
t L
1
= (58)
siendo L(t) la distancia, en el espacio de fases, entre los estados que se obtienen por
evolucin a partir de estados iniciales ligeramente distintos.
____________________________________________________________________________
______________________________________________________________________
36
C = 13.0
C = 12.0
C = 10.0
Figura 21. Evolucin del comportamiento del sistema en funcin del valor del
parmetro de bifurcacin C
Consideremos en el espacio de fases vv un estado de referencia inicial
representado por un punto y una serie de estados iniciales ligeramente diferentes
situados sobre una hiper esfera de radio dr
0.
La evolucin en el tiempo de los estados
correspondiente a puntos de la hiper esfera conducen a nuevos estados que pueden
deformar esta de manera que adquiera forma de hiper-elipsoide (figura 22). Se pueden
definir, entonces v exponentes de Lyapunov como:
|
|
\
|
=

0
i
t
i
dr
) t ( dl
ln
t
1
lim (59)
siendo dl
i
(t) la longitud del semieje del elipsoide de estados en el tiempo t y dr
0
la
distancia entre los estados iniciales y el estado de referencia (radio de la hiperesfera).
____________________________________________________________________________
______________________________________________________________________
37
dl
1
dl
2
dr
Espacio de fases
Tiempo final
(hiper esfera deformada:
hiper elipsoide)
Tiempo inicial
(hiper esfera inicial)
Trayectoria de referencia
Figura 22. Representacin en el espacio de fases de la evolucin de un sistema a partir
de condiciones iniciales ligeramente distintas
Los v exponentes
i
ordenados de mayor a menor, constituyen el espectro de
Lyapunov del atractor (figura 23), obtenindose la condicin de comportamiento
catico cuando el mayor de estos coeficientes (
1
) es positivo.
El espectro de Lyapunov est fuertemente relacionado con la dimensin fractal
del atractor extrao. Se define la dimensin de Lyapunov, d
f
, como:
1 j
j
1 i
i
f
j d
+
=
+ =
(60)
donde j viene determinado por la condicin:
0
j
1 i
i
>
=
(61)
y
0
1 j
1 i
i
<
+
=
(62)
____________________________________________________________________________
______________________________________________________________________
38
1
> 0
2
Figura 23. Espectro de Lyapunov para el sistema de Rssler
Si para n tiempos suficientemente alejados del origen de tiempos en la
evolucin del sistema, se han determinado a partir de condiciones iniciales ligeramente
distintas en el espacio de fases, las distancias entre estados, el mayor coeficiente de
Lyapunov,
1
, vendr dado por:
=
|
|
\
|
=
n
1 k
0
k
1
L
L
ln
n
1
(63)
siendo el intervalo de tiempo entre estados sucesivos.
A fin de que en todos lo intervalos de tiempo, la distancia entre los estados
iniciales se mantenga pequea (igual a L
0
), una de las evoluciones se calcula a partir de
estados iniciales obtenidos corrigiendo en la direccin de L
k
el estado final resultante en
el anterior intervalo (figura 24).
Las condiciones de comportamiento catico pueden presentarse para
determinadas configuraciones del vector de parmetros, mientras que para otras, el
sistema se muestra esencialmente insensible a las condiciones iniciales.
____________________________________________________________________________
______________________________________________________________________
39
Igualmente es posible encontrar sistemas cuyos estados divergen cuando
evolucionan a partir de estados iniciales ligeramente distintos, pero que despus de un
tiempo, convergen hacia estados estacionarios.
L
4
L
2
L
3
L
1
L
1
L
0
t
1
t
2
t
3
t
4
t
0
Figura 24. Evolucin de sistemas en intervalos de tiempo sucesivos, partiendo de
estados iniciales ligeramente diferentes. La lnea slida representa la evolucin de
referencia; en cada intervalo, las flechas slidas indican la evolucin del sistema a
partir de estados perturbados
Qu aspecto exhibe la evolucin en el espacio de fases de un sistema con
comportamiento catico?
En las figuras 25 y 26 se muestra, respectivamente, la trayectoria de evolucin
del sistema de Rssler en el espacio de fases 3D formado por las variables de estado X,
Y y Z y su proyeccin sobre el plano XY. Puede observarse en estas figuras, como este
sistema, tiende a ocupar todos los estados de un determinado volumen del espacio de
fases, recorriendo en su evolucin rbitas de geometra complicada, sin que sea sencillo
establecer la evolucin futura a partir de la posicin (estado) en un instante
determinado. Como quiera que el sistema es determinista, la evolucin del mismo queda
fijada por la posicin en el espacio de fases en el instante inicial y por consiguiente, las
rbitas no se cortarn nunca.
____________________________________________________________________________
______________________________________________________________________
40
Figura 25. Trayectoria de evolucin del sistema de Rssler (atractor extrao)
Figura 26. Proyeccin sobre el plano XY de la trayectoria de evolucin del sistema de
Rssler
____________________________________________________________________________
______________________________________________________________________
41
Cuando la evolucin del sistema a partir de estados iniciales tan prximos que
sean experimentalmente indistinguibles, conduce en cada tiempo a estados
notablemente diferentes, la prediccin se hace, en consecuencia, imposible.
Debe quedar clara la verdadera naturaleza del comportamiento catico. Este
comportamiento no se basa, pues en causas aleatorias, sino que se trata del resultado de
la evolucin de un sistema plenamente determinista, cuyo estado en cada momento
viene determinado por los estados anteriores en el tiempo, si bien presenta una acusada
sensibilidad a las condiciones en el origen de la evolucin. La imprecisin en la
determinacin de estas condiciones iniciales provoca este "aparente caos".
El caos determinista constituye, quiz, el comportamiento ms desconcertante
de los sistemas complejos.
5 ESTIMACIN DE PARMETROS Y CLCULO DE INCERTIDUMBRES
5.1 Evaluacin previa de parmetros
A partir de la experiencia previa acumulada sobre el comportamiento del
sistema, debern asignarse valores numricos concretos a los diferentes parmetros del
modelo.
Estos valores constituyen una aproximacin inicial que posteriormente podr
ser optimizada para hacer que la prediccin del modelo se ajuste lo mejor posible a las
observaciones realizadas del sistema.
En la evaluacin previa de parmetros, es importante delimitar los intervalos
de variacin de los diferentes parmetros del modelo, los cuales pueden estar
determinados por el conjunto de valores dentro de los cuales estos conservan sentido
fsico o por el intervalo de valores deducido de la experiencia de que se dispone sobre el
sistema. De ser posible, es importante adquirir conocimiento sobre la funcin estadstica
de distribucin de los valores de estos parmetros (forma de la curva de distribucin,
estimador de tendencia central, estimador de dispersin, etc.)
____________________________________________________________________________
______________________________________________________________________
42
5.2 Calibracin numrica del modelo
El objetivo de la calibracin es determinar que conjunto
de valores de los
parmetros del modelo proporcionan una mejor correspondencia entre las predicciones
proporcionadas por el modelo y las observaciones del sistema realizadas
experimentalmente.
La etapa de calibracin se justifica porque a menudo los valores de los
parmetros que incorporan los modelos no son bien conocidos o aparecen en la
literatura con un cierto grado de incertidumbre. Adems, todos los modelos son
simplificaciones de la naturaleza, de manera que aunque aqul incluya los procesos ms
importantes, puede no reflejar con todo detalle la estructura real del sistema,
conteniendo este ltimo, procesos e interacciones entre procesos que el modelo ignora,
por lo que ser necesario estimar los valores de los parmetros que mejor reproducen el
comportamiento observado del sistema.
Lo anterior se pone especialmente de manifiesto en sistemas en los que
intervienen organismos vivos donde cada especie exhibe un comportamiento
caracterstico, de manera que cuando el modelo incorpora como variables de estado
grupos de organismos, debern estimarse los valores de los parmetros que representan
el comportamiento medio de varias especies agrupadas en la variable de estado.
En la prctica, la calibracin se realiza, bien mediante procedimientos prueba-
error, bien mediante mtodos numricos de optimizacin que determinen el conjunto de
parmetros que proporciona la mejor correspondencia entre los valores calculados y los
valores medidos. Esta correspondencia entre valores calculados y valores medidos se
cuantifica mediante una cierta funcin objetivo J, cuya forma depende del enfoque
con que se plantee el problema de la estimacin de parmetros.
Usualmente se emplean mtodos de estimacin basados en el teorema de Bayes
o en el principio de mxima verosimilitud para modelos estocsticos y en los mnimos
cuadrados (simples o ponderados) para los modelos deterministas.
En el planteamiento bayesiano, los parmetros se toman como variables
aleatorias y la estimacin proporciona sus distribuciones de probabilidad, tomndose la
esperanza matemtica o la moda de estas distribuciones si se desea obtener una
estimacin puntual de los parmetros, o bien la zona que encierre una probabilidad
determinada en estas distribuciones si lo que se desea obtener son los intervalos de
confianza.
Los mtodos mximo verosmiles buscan como mejor estimacin del vector
de parmetros , aquel vector
, que hace mxima la probabilidad (verosimilitud) de

haber observado la muestra.
____________________________________________________________________________
______________________________________________________________________
43
En el enfoque mnimo cuadrtico, se busca el conjunto de valores de los
parmetros
que hace mnima la suma de los cuadrados de las diferencias entre los
valores medidos experimentalmente y
i
y los valores calculados ( ) y t
i
:
( ) ( ) ( ) ( ) ( ) ( )

t
t
i i i
T
i i
0
dt ; t y t y w ; t y t y min , i = 1, ..., v (64)
siendo w
i
el factor de ponderacin (peso) correspondiente a la variable de estado i y A
la regin del espacio de parmetros dentro de la cual estos conservan su sentido fsico.
Si las desviaciones del modelo respecto a las observaciones experimentales
(residuos) se distribuyen normalmente, la estimacin del vector de parmetros
que
hace mnima la suma de los residuos al cuadrado, es tambin la estimacin mximo
verosmil de .
Si en el intervalo de tiempo entre t
0
y t, se han determinado n valores de las v
variables de estado, efectundose las correspondientes n predicciones con el modelo
matemtico, el objetivo de la calibracin mediante mtodos de mnimos cuadrados
consiste en determinar el valor del vector que haga mnimo el valor de la funcin
objetivo J:
( ) ( ) ( ) ( )
2
k , i k , i
n
1 k
v
1 i
i k k k
n
1 k
T
k k
y y
w y )
( y W y )
( y J = =

= = =

(65)
donde
k , i
y e
k , i
y
son, respectivamente, los valores observados y calculados por el

modelo para la variable de estado i en el tiempo k, y siendo W
k
una matriz (vv)
de pesos de las diferentes variables de estado. Usualmente, la matriz W
k
se elige:
como una matriz diagonal con los pesos de cada variable en la diagonal principal:
W
k
= diag(w
k,1
,w
k,2
,,w
k,v
);
como la matriz identidad (igual peso para todas las variables de estado)
como la inversa de la matriz de covarianzas C

k
de los errores de determinacin de
las variables de estado.
La funcin objetivo, J, representa toda la informacin contenida en las
observaciones y no explicada por el modelo.
En la figura 27 se muestra la superficie de respuesta de una cierta funcin
objetivo de dos parmetros
1
y
2
. El objetivo de la calibracin ser encontrar el
punto )
(
2 1
que hace mnimo el valor de esta funcin y que corresponde a la
____________________________________________________________________________
______________________________________________________________________
44
situacin en que el modelo reproduce lo ms exactamente posible las observaciones
experimentales.
Mnimo valor de la funcin objetivo
Valor ptimo de los parmetros: (
1
,
2
)
2
Figura 27. Curvas de nivel de una superficie funcin objetivo de dos parmetros
Cuando no todas las variables de estado son observables (y por lo tanto
medibles), la funcin objetivo puede establecerse como funcin de un conjunto de
variables observables, que a su vez son funcin conocida de las variables de estado.
En cualquier caso, el proceso de calibracin debe limitarse a los rangos de
valores en los cuales los parmetros del modelo conservan sentido fsico.
La imposibilidad de calibracin de un modelo, no tiene necesariamente que
indicar que el modelo es incorrecto. Es esencial que las observaciones utilizadas para la
calibracin reflejen la dinmica del sistema, por lo que la calidad de los datos obtenidos
puede condicionar la posibilidad de calibracin del sistema. Generalmente, ser una
buena prctica el considerar todos los procesos que afectan a las variables de estado
como etapa previa al diseo de un plan de experimentacin cuyo objeto sea la
calibracin de un modelo (ver apartado 5.4).
El anlisis de sensibilidad a los parmetros del modelo, permitir identificar
que parmetros producen un mayor efecto en los resultados del modelo y por tanto los
____________________________________________________________________________
______________________________________________________________________
45
que deben ser calibrados con mayor precisin. As, para que un parmetro pueda
calibrarse con una cierta seguridad, debe darse la condicin de que pequeas
desviaciones en el valor del parmetro respecto al ptimo, produzcan significativas
diferencias en el valor de la funcin objetivo; es decir que los parmetros del modelo
sern tanto mejor identificables cuanto mayor sea la diferencia entre J( + ) y J()
para un determinado.
El valor esperado de la funcin objetivo cuando el vector de parmetros variase
en un pequeo incremento sera:
( ) [ ] ( )

= =
+
(
(
\
|
\
|
+
n
1 k
k k k
n
1 k
T
T
W C tr ) k (
y
W ) k (
y
J E (66)
Como el ltimo trmino de derecha de esta expresin representa el error
experimental de las mediciones de las variables de estado, la condicin de
identificabilidad de los parmetros del modelo depender del valor del primer trmino
que es, en definitiva, la inversa de la matriz de covarianzas del error experimental en la
determinacin de los parmetros.
Cuando los valores obtenidos en la calibracin difieran grandemente de los
valores previos de que dispona antes del estudio de sensibilidad, puede ser conveniente
repetir las etapas de anlisis de sensibilidad y calibracin para optimizar los resultados
obtenidos.
5.3 Incertidumbre de los parmetros
Definimos la incertidumbre de la medida de una magnitud como el intervalo de
valores de dicha magnitud entre los cuales se encontrar el valor real con una
determinada probabilidad.
Como quiera que la informacin de entrada al modelo (valores iniciales de las
variables de estado, variables externas y parmetros) tiene una incertidumbre asociada,
sta se propagar a travs de la estructura matemtica del modelo haciendo que los
valores de las variables de estado pronosticados por el mismo estn tambin afectados
por una cierta indeterminacin. La incertidumbre del modelo ser debida a la
combinacin de:
a) la incertidumbre de las variables de entrada;
b) la incertidumbre de los parmetros
y
c) la incertidumbre en la estructura del modelo.
____________________________________________________________________________
______________________________________________________________________
46
El anlisis de la incertidumbre de un modelo consiste en la evaluacin de la
incertidumbre de las predicciones proporcionadas por el mismo, as como el estudio de
las diferentes fuentes de incertidumbre.
En modelos dinmicos no lineales, una estimacin de la incertidumbre
asociada a los parmetros obtenidos tras la calibracin, se puede obtener a partir de un
segundo anlisis de sensibilidad a los parmetros.
Si el modelo consta de v variables de estado y p parmetros, tendremos a cada
tiempo t, una matriz de sensibilidades Y
de dimensiones (vp) cuyos elementos (Y
)
i,j
son los diferentes coeficientes de sensibilidad S
i,j
calculados a este tiempo.
Si en el intervalo de tiempo entre t
0
y t se han determinado n valores
experimentales, obtenindose las correspondientes n matrices de sensibilidad, se
construye a partir de ellas, la matriz de informacin de - F como:
( ) ( ) |
\
|
\
|
= =

= =
) k (
y
W ) k (
y
k Y W k Y F
k
n
1 k
T
n
1 k
1
k
T
(67)
Esta matriz es la inversa de la matriz de covarianzas de los errores de
determinacin de los parmetros (F = V
-1
).
Las longitudes de los intervalos de confianza de los parmetros sern
proporcionales a las inversas de las races cuadradas de los valores propios de la matriz
de informacin.
Si se conoce exactamente la matriz de covarianzas de los errores
experimentales de determinacin de las variables de estado y se define la matriz de
pesos W
k
como la inversa de aquella, los errores tpicos de los parmetros son,
aproximadamente:
( )
i , i i
V = (68)
y los intervalos 100q% de confianza individuales para estos parmetros:
( )
i p n ,
t

(69)
siendo t
,n-p
los valores de la funcin de distribucin t de Student con n-p grados de
libertad y un nivel de significacin = (1-q).
Esta estimacin es demasiado optimista y proporciona valores inferiores a los
reales pues no tiene en cuenta el error debido a la falta de ajuste de los datos al modelo.
Una estimacin ms realista que tiene en cuenta los errores debidos a la falta de ajuste
del modelo, vendra dada por:
( )
i , i i
V s = (70)
____________________________________________________________________________
______________________________________________________________________
47
donde s es el cuadrado medio de los residuos:
( )
p n
J
s
opt
= (71)
siendo J
opt
()el valor de la funcin objetivo ptima.
En el caso de modelos lineales, la regin de confianza conjunta de probabilidad
q, en el espacio p-dimensional de los parmetros, est acotada por el contorno S de
suma de cuadrados tal que:
( ) ( ) ( )
(
+
(
=

= =
p n , p
p n
p
1 y y w S
2
k , i k , i
n
1 k
v
1 i
i
F (72)
donde el primer factor de la derecha representa la suma de los errores al cuadrado en un
punto del espacio de parmetros y ( ) p n , p
F es el punto 100% de la funcin de

distribucin de F con p y n - p grados de libertad. Estas regiones de confianza tomarn
forma de "hiper elipsoides" cuya orientacin vendr determinada por los vectores
propios de la matriz F, siendo la longitud de los ejes de estos hiper elipsoides
proporcional a la inversa de la raz cuadrada de los valores propios de la matriz F y q la
probabilidad del intervalo de confianza ( ) = q 1 ;.
En el caso de modelo no lineales, los valores propios y vectores propios de la
matriz F slo proporcionaran una aproximacin de la orientacin y longitud de los ejes
de las regiones de confianza de los parmetros.
5.4 Diseo experimental
Diferentes criterios se han desarrollado al objeto de disear experimentos en
los que la informacin obtenida permita una determinacin de los parmetros o de
combinaciones de ellos lo ms precisa posible.
La matriz de informacin de Fisher o su equivalente matriz de varianzas-
covarianzas resume la informacin contenida en un experimento, pudindose emplear
diferentes medidas escalares obtenidas a partir de ella como estimadores de la precisin
del clculo de los parmetros. Algunos de estos indicadores son:
____________________________________________________________________________
______________________________________________________________________
48
Criterio Estimador
A ( ) [ ]
1
F tr min

(73)
A ( ) [ ] F tr max (74)
D ( ) [ ] F det max (75)
E ( ) [ ] F max
min
(76)
E
( )
(
(
) F (
F
min
min
max
(77)
donde
min
y
max
son, respectivamente, el menor y el mayor de los valores propios de
la matriz de informacin de Fisher.
Los criterios A y D minimizan, respectivamente, las medias aritmticas y
geomtricas de los errores de identificacin de los parmetros; el criterio E procura
minimizar el mayor de los errores. Como en estos criterios se persigue la maximizacin
de los valores propios de la matriz de informacin de Fisher, garantizan la
maximizacin de la distancia desde el caso singular que se correspondera a un
experimento no informativo.
El criterio E debe ser interpretado en trminos de la forma de la funcin
objetivo ya que la relacin entre el ms grande y el ms pequeo de los valores propios
es indicativa de esta forma. (El objetivo sera tener valores propios lo ms prximos
unos a otros como sea posible, en cuyo caso, la forma sera circular).
Cuando ( ) F
min
es cero, la relacin ( ) ( ) F F
max max
es infinita, indicando
que hay infinito nmero de combinaciones de parmetros que pueden ser usados para
describir los datos experimentales y, por lo tanto, el experimento es no informativo. La
matriz de Fisher es entonces singular y los criterios D y E son cero mientras que el
criterio A no puede ser determinado ya que la inversin de la matriz F es imposible.
En este caso en que ( ) 0 F
min
= , aunque se desarrolle un experimento no
informativo y que, por tanto, no permite la identificacin de los parmetros, el criterio
A permitira su maximizacin siempre que alguno de los restantes valores propios sea
mayor de cero.
Una limitacin importante de la matriz de Fisher es que sta constituye una
propiedad local, calculada en un punto del espacio de parmetros. Como el punto de
parmetros ptimo no es conocido a priori, la matriz F se determina en un punto que
____________________________________________________________________________
______________________________________________________________________
49
estar ms o menos alejado del ptimo, por lo que aquella no representar exactamente
las propiedades de este ltimo.
Efectuando una exploracin del espacio de parmetros por muestreo estadstico
(aleatorio o sistemtico) y determinando la matriz F en cada punto de la muestra,
podemos obtener las pautas generales de variacin de los criterios escalares de diseo
obtenidos de ella.
Alternativamente a estos criterios multivariantes de diseo, si el objetivo es
conseguir una reduccin de la estimacin del error de un parmetro concreto, puede
obtenerse un diseo apropiado utilizando esta componente de la varianza como criterio
de diseo.
El diseo de un experimento exige determinar entre otros aspectos, qu
predicciones del modelo (salidas) deben ser medidas experimentalmente; en qu
instante de tiempo y con qu frecuencia; qu condiciones iniciales y qu variables
externas (entradas) afectan significativamente al comportamiento del sistema, etc.
Un apropiado diseo permitir decidir, de entre estos aspectos del experimento,
cuales deben fijarse para poder obtener la informacin necesaria para determinar los
valores de los parmetros con la precisin requerida y con un coste mnimo. La
secuencia normal de operaciones del diseo experimental sera:
1. Exploracin de diferentes condiciones de experimentacin (p. ej. mediante muestreo
sistemtico o aleatorio);
2. Determinacin de la matriz F en cada una de las configuraciones muestreadas;
3. Localizacin de las condiciones que hacen ptimo el criterio de diseo elegido;
6 PREDICCIN DE LA EVOLUCIN TEMPORAL DEL SISTEMA.
INCERTIDUMBRE DE LAS PREDICCIONES
En la ltima fase, el modelo podr ser obtenido para predecir la evolucin del
sistema que representa y simular su comportamiento ante diferentes situaciones,
siempre dentro del intervalo de situaciones para el que fue validado.
En resumen, un modelo dinmico nos dar una expresin matemtica de la
evolucin en el tiempo de los valores de las variables de estado:
[ ] ) t ( , ), t ( q ), t ( u ), t ( y
dt
) t ( dy
= f (78)
donde:
y(t) = vector dinmico de estado (sus componentes sern todas las variables
que determinan el estado del sistema, con independencia de que sean medibles o no).
____________________________________________________________________________
______________________________________________________________________
50
u(t) = vector de control formado por las variables externas que determinan el
control de los procesos que operan en el sistema y que han sido integrados en el modelo
matemtico (variables externas de control).
q(t) = vector formado por las variables externas de entrada del sistema como
flujos y concentraciones (variables de externas de entrada).
= vector de parmetros del modelo. En este vector englobamos tanto
aquellos valores que son absolutamente invariables (por ejemplo los pesos atmicos) y
que denominaremos constantes universales, como aquellos que consideramos
invariables en nuestro sistema si bien admitimos que pueden variar de un sistema a otro
y que constituyen los parmetros verdaderos.
(t) = ruido aleatorio. Generalmente se admite que la prediccin
determinista proporcionada por el modelo matemtico, viene afectada por una
perturbacin aleatoria normalmente distribuida, de valor medio cero y de varianza
2
constante en el tiempo (ruido blanco).
f = funcin vectorial de las variables de estado dependiente del tiempo
(dinmica).
La introduccin del vector de ruido (t) implica que cada prediccin del
modelo vendr afectada por una alteracin aleatoria, pero precisamente por la condicin
de distribucin normal y de media cero del ruido blanco, el estado medio del sistema a
un tiempo determinado coincide con el estado en ausencia de ruido, obtenindose ste
por resolucin de las ecuaciones que integran el modelo matemtico prescindiendo de la
componente aleatoria (figura 28).
Admitiendo que el modelo describe exactamente el sistema natural, las
predicciones de las variables de estado, como ya indicamos en 5.3, vendrn afectadas
por una incertidumbre que ser debida al efecto de las incertidumbres en los parmetros,
en las variables externas del modelo y en la determinacin de los valores iniciales de las
variables de estado. Si admitimos que stas son las nicas fuentes de variacin, se
pueden hacer simulaciones agregando al modelo vectores de ruido aleatorio para el
vector de parmetros ( ( ) t
), los vectores de variables externas ( ( ) t

u
, ( ) t
q
) y el
vector de valores iniciales de las variables de estado (
0
y
).
En este caso, el sistema quedara representado por:
[ ] 0 ) t ( , ), t ( ), t ( q ), t ( ), t ( u , ), t ( y
dt
) t ( dy
q u 0
y
= = f (79)
para rgimen estacionario y
[ ] ) t ( , ), t ( ), t ( q ), t ( ), t ( u ), t ( ), t ( y
dt
) t ( dy
q u 0
y
f = (80)
____________________________________________________________________________
______________________________________________________________________
51
para rgimen transitorio (no estacionario).
Comportamiento medio + ruido
Comportamiento medio
Figura 28. Efecto del ruido en las predicciones del modelo
Mientras que para las condiciones iniciales, el ruido introducido tendra el
efecto de una perturbacin en los valores de aquellas que se mantendra constante a lo
largo del tiempo (
0
y
), en los dems casos, los ruidos pueden ir alterando
aleatoriamente los valores de los parmetros y variables externas a lo largo del tiempo
de simulacin, por lo que aquellos se representarn como una cierta funcin del tiempo
( ( ) ( ) ( ) t , t , t
q u
).
Como apuntamos en el caso del comportamiento catico, es importante
precisar que la introduccin del ruido aleatorio en el modelo no tiene porqu implicar
que se admite un cierto indeterminismo (libertad) de la naturaleza representada por el
modelo, sino que supone incorporar el efecto de la imprecisin en la determinacin
(medida) de las condiciones iniciales del estado (variables de estado, variables externas
y parmetros) y el efecto de variables ocultas no observadas ni incluidas en la
formulacin del modelo.
____________________________________________________________________________
______________________________________________________________________
52
La propagacin de las incertidumbres de los parmetros a travs del modelo
permite calcular la incertidumbre de las predicciones para un nivel de confianza
determinado.
Cuando los modelos no son lineales respecto a los parmetros, las
incertidumbres deben calcularse estadsticamente mediante simulaciones para diferentes
configuraciones de parmetros (mtodo de Monte Carlo); en el caso particular de que el
modelo sea lineal respecto a los parmetros, podramos obtener una aproximacin de las
incertidumbres de las predicciones, dentro del rango de variacin de los parmetros:
a) Incertidumbre para la media de la variable de estado h en el tiempo k
( )

= =

=
np
1 i
np
1 j
j i
j
k
i
k
j , i med
U U
y y
k U (81)
b) Incertidumbre para la prediccin individual de la variable de estado h en el tiempo k
( ) ( ) ( ) h MSE
g n
n
k U k U
med pre

+ = (82)
donde:
i,j
= coeficiente de correlacin entre los errores de determinacin de los
parmetros i y j;
U
i
= incertidumbre de determinacin del parmetro i;
g = nmero de parmetros del modelo
y
MSE(h) = error cuadrtico medio de la variable de estado h en el intervalo de
tiempo muestreado (suma para los n valores experimentales de los
residuos (valor medido - valor calculado) al cuadrado, dividido por el
nmero de puntos experimentales:
( ) ( )
=
=
n
1 i
2
k , i k , i
y
y
n
1
h MSE (83)
Considerando que las variables de estado tienen una funcin de distribucin
normal, en el intervalo de tiempo determinado por las observaciones experimentales,
para cada tiempo calculado las incertidumbres se determinan como producto de los
errores estndar de la media y la prediccin individual multiplicados por el valor crtico
de la distribucin t de Student para (n-p) grados de libertad y una probabilidad de
(100 - nc)/200, siendo n el nmero de observaciones experimentales realizadas, p el
nmero de parmetros calculados y nc el nivel de confianza (%) elegido (figura 29).
____________________________________________________________________________
______________________________________________________________________
53
Intervalo para la
media
Intervalo para la
prediccin individual
Figura 29. Intervalos de incertidumbre para la prediccin individual y para la media
Los intervalos de confianza as calculados son vlidos solamente si los errores
de determinacin de los parmetros no estn correlacionados entre s.
7 VALIDACIN ESTADSTICA DEL MODELO
La validacin consiste en la verificacin objetiva de la concordancia entre el
comportamiento del sistema predicho por el modelo y el observado experimentalmente.
De manera anloga a la calibracin, la validacin se efectuar por comparacin
entre los valores medidos de las variables de estado y los valores calculados por el
modelo, si bien el conjunto de observaciones experimentales utilizadas para validar el
modelo debern ser independientes del utilizado en la calibracin.
La validacin del modelo proporciona el mtodo de evaluar el grado de
confianza que podremos otorgar a las predicciones del modelo.
La validacin puede llevarse a cabo con dos objetivos: por una lado verificar
que la comparacin entre las predicciones dadas por el modelo y las observaciones
experimentales del sistema real son aceptables; por otro, determinar entre varios
posibles modelos cual de ellos proporciona las mejores predicciones.
____________________________________________________________________________
______________________________________________________________________
54
A) Comparacin entre las predicciones dadas por el modelo y las observaciones
experimentales
Un buen modelo deber ofrecer una concordancia alta entre las predicciones
proporcionadas por el mismo y las observaciones del sistema real lo que implica que, en
cada instante muestreado k, los errores o diferencias e
k
entre las predicciones del
modelo M
k
y las observaciones experimentales S
k
sean bajas:
k k k
S M e = (84)
Si las observaciones experimentales se han dividido en dos conjuntos de
tamaos n y m, utilizados con fines de calibracin y validacin respectivamente, el
sesgo medio observado entre las observaciones y las predicciones vendr dado por:
m
e
e
m
1 k
k n
=
+
= (85)
Como la variable
=
e m
W
N
tiene una distribucin aproximadamente
normal, para una probabilidad determinada p, el valor crtico W
cr
, determina el intervalo
de valores [-W
cr
, W
cr
] que encierra una probabilidad p en una curva de distribucin
normal de esperanza matemtica 0 y desviacin tpica 1; As, si el valor absoluto de W
N
calculado es superior a W
cr
el test indicara que el modelo produce resultados con un
sesgo significativo a la probabilidad p.
En la prctica no se conoce bien y deber ser estimada a partir de la
desviacin tpica muestral s. En este caso la variable
s
e m
W
k

= tendra una
distribucin t con n-g grados de libertad, siendo g el nmero de parmetros ajustado en
la etapa de calibracin. Si n es suficientemente grande, los valores de ambos
estadsticos son prcticamente iguales.
Otro ensayo para evaluar la adecuacin de las predicciones del modelo se basa en la
suma de los errores al cuadrado. En este caso, el estadstico
2
m
1 k
2
k n
e
e
Q
=
+
tiene una
distribucin
2
con m grados de libertad. Como, al igual que antes,
2
es, generalmente
mal conocido, tenindose que estimar a partir de los datos usados en la calibracin, una
mejor aproximacin la constituye el estadstico
2
m
1 k
2
k n
e
s m
e
Q
=
+
que sigue una distribucin
F con m y n-g grados de libertad
____________________________________________________________________________
______________________________________________________________________
55
En cualquier caso, si para un nivel de significacin = 1 - p, el valor calculado
del estadstico excede el valor crtico de la correspondiente curva de distribucin con
los apropiados grados de libertad, las predicciones proporcionadas por el modelo tienen
un sesgo significativo.
El criterio basados en la suma de errores al cuadrado puede ser muy sensible a
la existencia de datos anormalmente altos o bajos y por tanto menos adecuado que
criterios basados en el sesgo medio.
Otra propiedad importante de las predicciones del modelo es que los errores de
prediccin deber estar incorrelacionados . Esto implica que las autocorrelaciones entre
los resultados del modelo:
( )( )
( )
=
+ =

=
m
1 k
2
k
m
1 d k
d k k
d
y
y y
r (86)
sean prxima a cero para cualquier retardo d.
Por ltimo, los errores de prediccin debern tener una distribucin estadstica
normal.
B) Comparacin entre las predicciones dadas por diferentes modelos
La eleccin entre varios posibles modelos puede llevarse a cabo por
comparacin entre el sesgo y la precisin de las predicciones proporcionados por cada
uno de ellos.
Criterios de evaluacin del sesgo de las predicciones seran:
a) Error medio:
m
e
ME
m
1 k
k n
=
+
=
(87)
b) Error relativo medio:

= +
+
=
m
1 k k n
k n
S
e
m
100
MPE
(88)
, mientras que la precisin de las predicciones sera evaluada por:
a) Error cuadrtico medio:
m
e
MSE
m
1 k
2
k n
=
+
=
(89)
b) Error absoluto medio:
m
e
MAE
m
1 k
k n
=
+
=
(90)
____________________________________________________________________________
______________________________________________________________________
56
c) Error absoluto relativo medio:

= +
+
=
m
1 k k n
k n
S
e
m
100
MAPE
(91)
El mejor modelo proporcionar sesgos lo ms prximos a cero (criterios ME y
MPE), mientras que los criterios MSE, MAE y MAPE relacionados con la precisin de
las predicciones se mantienen lo ms bajos posibles.
Como sntesis de lo hasta aqu expuesto, en la figura 30 se muestra la
secuencia de operaciones implicadas en el desarrollo de modelos matemticos de
sistemas dinmicos, resaltado las etapas que requieren informacin obtenida de la
observacin experimental del sistema.
Bsicamente, la informacin experimental previa del medio natural que se
pretende modelar permitir escoger los descriptores del sistema (variables de estado),
identificar los procesos y relaciones entre ellos y formular las expresiones matemticas
de los mismos, dando con ello forma al modelo del sistema.
Posteriormente, una vez formulado el modelo, la observacin del medio,
permitir la calibracin del modelo y la verificacin de sus predicciones.
____________________________________________________________________________
______________________________________________________________________
57
Observaciones
experimentales
Seleccin de variables que
describen el sistema
Seleccin de variables que
describen el sistema
Definicin del
objeto del modelo
Definicin del
objeto del modelo
Anlisis de la incertidumbre
Anlisis de la incertidumbre
Calibracin del modelo
Calibracin del modelo
Diseo experimental
Diseo experimental
Anlisis de sensibilidad
Anlisis de sensibilidad
Formulacin matemtica
de los procesos
Formulacin matemtica
de los procesos
Identificacin de procesos y
relaciones entre las variables
Identificacin de procesos y
relaciones entre las variables
Prediccin de la
evolucin del sistema
Prediccin de la
evolucin del sistema
Validacin del modelo
Validacin del modelo
Observaciones
experimentales
independientes
Conocimientos
previos del
sistema
Figura 30. Etapas en la construccin de modelos matemticos de sistemas dinmicos.
Las lneas punteadas representan flujos de informacin; las continuas secuencias de
operaciones
____________________________________________________________________________
______________________________________________________________________
58
8 VENTAJAS Y RIESGOS DEL EMPLEO DE MODELOS MATEMTICOS DE
SISTEMAS NATURALES
A lo largo de los anteriores apartados hemos ido describiendo tanto la
complejidad de comportamientos que pueden exhibir los sistemas dinmicos como la
complicacin de la representacin de stos mediante modelos matemticos.
Alejndonos del formalismo fsico y matemtico hasta aqu utilizado, con la
finalidad de simplificar la metodologa de estudio de este tipo de sistemas, se nos puede
plantear una duda primordial: por qu no prescindir de la representacin matemtica
(modelo)? qu ventajas aporta el empleo de modelos matemticos de sistemas
naturales que pueden aconsejar su utilizacin?
En respuesta a estos interrogantes, de forma concisa, podemos argumentar:
1. La modelizacin mejora la comprensin global del sistema representado.
Los procesos reales son a menudo complejos y parcialmente comprendidos; en
consecuencia, el modelo matemtico es una aproximacin de los procesos reales.
El modelo representa un marco mental, una hiptesis estructurada dentro de la
que podemos colocar los valores de las variables que caracterizan el estado del
sistema, de manera que sus relaciones mutuas adquieran sentido fsico.
2. Los modelos pueden ser utilizados para la prediccin del comportamiento del
sistema y servir para la optimizacin de los procesos, tanto en fase de diseo como
operativa
Un modelo es una representacin ideal y generalizada de un sistema, en forma
susceptible de cuantificacin con el propsito generalmente explcito de prediccin;
3. Los modelos pueden ser utilizados para la educacin y el entrenamiento
La modelizacin constituye un proceso continuo. La modelizacin es un arte,
pero implica tambin un proceso importante de aprendizaje, mejorando nuestra
capacidad de interpretacin de las observaciones y el conocimiento de la estructura
del sistema.
4. Los modelos ayudan al diseo experimental y constituyen una herramienta de
anlisis de datos experimentales;
El proceso de modelizacin sugiere la necesidad de nuevos datos y
experimentaciones para descubrir aspectos del comportamiento del sistema que no
son bien comprendidos.
____________________________________________________________________________
______________________________________________________________________
59
Por ltimo, y a pesar de estos beneficios que comporta el estudio de sistemas
naturales mediante el empleo de modelos matemticos, tambin de su uso se derivan
una serie de riesgos que es conveniente conocer para intentar evitar sus consecuencias.
Mencionaremos brevemente tres riesgos frecuentes, cada uno de los cuales ilustraremos
mediante un ejemplo extrado de la mitologa clsica; As:
Riesgo 1.- El mito de Procrustes
Era Procrustes un bandido que actuaba en el istmo de Corinto y que tras
ofrecer hospitalidad en su posada a los viajeros que pasaban por sus dominios, les
ofreca descanso en su nica cama, donde los mataba de la siguiente manera: a los que
eran altos los mutilaba cortndoles las extremidades hasta que cupieran en la cama
pequea, y a los de baja estatura los estiraba hasta ajustarlos a la grande. Teseo lo
castig aplicndole este mismo mtodo.
Este mito nos sirve de ejemplo para mostrar el riesgo de intentar ajustar la
naturaleza (el viajero) a nuestro modelo (la cama), cercenando o exagerando en demasa
la interpretacin de nuestras observaciones a fin de hacer que ajuste a nuestro modelo.
El modelo puede ser una ayuda importante en la interpretacin de las
observaciones de la realidad, pero sta no tiene porque ajustarse a las predicciones de
aquel. Siempre el modelo debe estar al servicio de la interpretacin de las observaciones
y no al revs. Consecuentemente, no ser una prctica correcta el corregir las
observaciones en base a las predicciones proporcionadas por el modelo.
Riesgo 2.- El mito de Pigmalin
Enamorado Pigmalin, rey de Chipre, de una estatua de Afrodita que el mismo
haba fabricado con mucho cario y en la que haba plasmado su ideal de la belleza
femenina, rog a la diosa que le diera por esposa a una mujer que se asemejara lo ms
posible a su estatua. Afrodita accedi de una manera singular al ruego de este artista
enamorado: insufl vida a la figura que l mismo haba modelado. Pigmalin la llam a
partir de entonces Galatea.
Aqu, la leyenda nos instruye sobre la tentacin de dar mas relevancia al
modelo (escultura) que a la propia realidad. El modelo es una "simple abstraccin" de la
realidad, realizada con el objetivo de servir de ayuda para unos determinados fines. La
belleza completa, con toda su riqueza de matices est en la realidad observada; de
manera que, si bien el modelo puede ayudar a interpretar el comportamiento del sistema
y sugerir nuevas observaciones, la fuente primaria de informacin y conocimiento
residir en el sistema real.
Este ejemplo, junto con el anterior, ilustra el principio de subordinacin del
modelo a las observaciones. Una discordancia reiterada entre la observacin
experimental y la prediccin del modelo puede motivar un proceso de identificacin de
errores experimentales, pero una vez descartados stos, se evidencia que el modelo
____________________________________________________________________________
______________________________________________________________________
60
utilizado proporciona una representacin del sistema natural con una resolucin
insuficiente.
Riesgo 3.- El mito de caro
caro, hijo del famoso escultor y arquitecto Ddalo, fue encerrado en el
laberinto del Minotauro en Creta junto a su padre. A fin de poder escapar, Ddalo
fabric para ambos, uniendo plumas de ave con cera, unas alas que deban impulsarles
por el aire. Antes de la partida aconsej Ddalo a su hijo caro que no volase demasiado
cerca del sol, para que este no fundiera la cera que una las plumas de las alas, ni
demasiado bajo, para que el mar no cargara de humedad a stas; pero el joven caro,
movido por un exceso de confianza y el impulso de su inexperiencia quiso volar
demasiado alto, provocando que el sol deshiciera sus alas y precipitndose al mar donde
muri ahogado.
Este ltimo mito nos advierte del peligro de rebasar en la utilizacin del
modelo (alas), las limitaciones que en su desarrollo y experimentacin se pusieron de
manifiesto. Cada modelo se construye mediante el ensamblaje de piezas de
conocimiento cada una de las cuales ha sido obtenida en determinadas condiciones que
no deben ser sobrepasadas en la utilizacin del modelo. La utilizacin del modelo fuera
de estos lmites nos pone en peligro de obtener resultados sin fundamento o carentes de
consistencia (precipitarnos al mar).
____________________________________________________________________________
______________________________________________________________________
61
BIBLIOGRAFA
Beck, M.B. (1987). Water quality modeling: a review of the analysis of uncertainty.
Water Resources. 23(8): 1393-1442.
Carstensen, J.; Vanrolleghem, P.; Rauch, W. y Reichert, P. (1997). Terminology and
methodology in modelling for water quality management A
discusion starter, en Beck, M.B. y Lessard, P. ed.:
WATERMATEX97. System Analysis and Computing in Water
Quality Management: Towards A New Agenda. Wat. Sci. Tech.,
36(5): 157-168.
Cvitanovi, R. et al. (2004) Classical and Quantum Chaos. www.nbi.dk/ChaosBook.
Niels Bohr Institute. Copenhagen.
Dochain, D. y Vanrolleghem, P. (2001). Dynamical Modelling and Estimation in
Wastewater Treatment Processes. IWA Pub. London.
Hamby, D.M. (1994). A review of techniques for parameter sensitivity analysis of
environmental models. Environmental Monitoring and Assessment,
32: 135-154
Lions, J.L. (1990). El planeta Tierra. El papel de las matemticas y los
superordenadores. Instituto de Espaa- Ed. Espasa Calpe, S.A.
Madrid.
Nicolis, G. y Prigogine, I. (1994). La estructura de lo complejo. Alianza Universidad.
Madrid.
Power, M. (1993). The predictive validation of ecological and environmental models.
Ecological modelling, 68(1993): 33-50
Wolf, A.; Swift, J.B.; Swinney, H.L. y Vastano, J.A. (1985). Determining Lyapunov
exponents from a time series. Physica, 16(D): 285-317.

Fernando Llavador Colomer: Modelos Matemáticos de Sistemas Variables en El Tiempo

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Fernando Llavador Colomer: Modelos Matemáticos de Sistemas Variables en El Tiempo

Uploaded by

Copyright:

Available Formats

i

MODELOS MATEMTICOS DE SISTEMAS VARIABLES EN EL

= velocidad de variacin del componente y en el sistema,

, que hace mxima la probabilidad (verosimilitud) de

son, respectivamente, los valores observados y calculados por el

como la inversa de la matriz de covarianzas C

de dimensiones (vp) cuyos elementos (Y

F es el punto 100% de la funcin de

), los vectores de variables externas ( ( ) t

You might also like