Escamilla Hernández Diego Mariano Síntesis y análisis de Bioprocesos 7FV2

MODELO DETERMINISTICO
Un modelo determinista es un modelo matemático donde las mismas entradas o
condiciones iniciales producirán invariablemente las mismas salidas o resultados,
no contemplándose la existencia de azar, o incertidumbre en el proceso modelada
mediante dicho modelo.
Está estrechamente relacionado con la creación de entornos simulados a través de
simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de
gestión que permitan disminuir la propagación de errores. Los modelos
deterministas sólo pueden ser adecuados para sistemas deterministas no caóticos,
para sistemas azarosos (no-determinista) y caóticos (determinista impredecible a
largo plazo) los modelos deterministas no pueden predecir adecuadamente la
mayor parte de sus características.

MODELO PROBABILISTICO o ESTOCASTICO

Un modelo es estocástico cuando al menos una variable de este es tomada como
un dato al azar y las relaciones entre variables se toman por medio de funciones
probabilísticas. Sirven por lo general para realizar grandes series de muestreos,
quitan mucho tiempo en el computador son muy utilizados en investigaciones
científicas. Para lograr modelar correctamente un proceso estocástico es necesario
comprender numerosos conceptos de probabilidad y estadística.
Dentro del conjunto de procesos estocásticos se encuentran, por ejemplo, el tiempo
de funcionamiento de una máquina entre avería y avería, su tiempo de reparación
y el tiempo que necesita un operador humano para realizar una determinada
operación.
Modelo probabilístico es la forma que pueden tomar un conjunto de datos obtenidos
de muestreos de datos con comportamiento que se supone aleatorio.
Es un tipo de modelo matemático que usa la probabilidad, y que incluye un conjunto
de asunciones sobre la generación de algunos datos muéstrales, de tal manera que
asemejen a los datos de una población mayor.
MODELOS LINEALES Y NO LINEALES

Los modelos lineales en los parámetros aparecen con frecuencia en multitud de

ciencias experimentales, ya que permiten por ejemplo estudiar la influencia de
ciertos factores en la variabilidad de los datos (Análisis de la Varianza), o
caracterizar una variable como función de otra u otras (Modelos de Regresión,
Análisis de la Covarianza). Los modelos lineales generalizados comprenden
además los Modelos Logit. (logístico)y Probit. (probabilístico), muy utilizados en
las ciencias biomédicas. En general se puede decir que el conocimiento de la
asignatura resulta fundamental en todo tipo de saber que utilice modelos
estadísticos para caracterizar los datos, lo que ocurre en la inmensa mayoría.
Escamilla Hernández Diego Mariano Síntesis y análisis de Bioprocesos 7FV2

Como ejemplos se pueden citar Biología, Farmacología, Medicina, Economía,

Psicología, Sociología, etc.
En los modelos lineales los parámetros (valores poblacionales desconocidos)
entran linealmente en la ecuación. No importa que la(s) variable(s)
independiente(s) estén en la ecuación en forma no lineal: recordemos que son
fijas, ya sea por el diseño o por observación. Lo importante es que cada parámetro
aparezca multiplicado por una cantidad conocida y después sumado. Esto permite
encontrar soluciones usando métodos para resolver ecuaciones múltiples
Por el contrario, los modelos no lineales son modelos de regresión en los cuales
los parámetros aparecen en forma no lineal en la ecuación.
• Un modelo de regresión NO LINEAL se puede definir como un ajuste a
cualquier modelo diferente del modelo de una LINEA RECTA.
MODELO LOGÍSTICO O VERHULST

La ley logística discreta venía dada por la siguiente expresión: 𝑃𝑃𝑃𝑃 + 1 − 𝑃𝑃𝑃𝑃 =
(𝑎𝑎 − 𝑏𝑏𝑏𝑏𝑏𝑏)𝑃𝑃𝑃𝑃 − (𝑐𝑐 + 𝑑𝑑𝑑𝑑𝑑𝑑)𝑃𝑃𝑃𝑃 , (1) En este caso, la tasa de fertilidad (𝑓𝑓(𝑃𝑃) =
𝑎𝑎 − 𝑏𝑏𝑏𝑏) tanto como la de mortalidad (𝑚𝑚(𝑃𝑃) = 𝑐𝑐 + 𝑑𝑑𝑑𝑑) dependían linealmente
(pues son rectas) de la propia población (a diferencia del caso Malthusiano, en
que ambas eran constantes). Aquí a, b, c, d eran números positivos. Reordenando
términos en (1) y suponiendo que a > c se llega fácilmente a la siguiente
𝑏𝑏+𝑑𝑑
expresión: 𝑃𝑃𝑃𝑃 + 1 − 𝑃𝑃𝑃𝑃 = 𝑃𝑃𝑃𝑃(𝑎𝑎 − 𝑐𝑐 − (𝑏𝑏 + 𝑑𝑑)𝑃𝑃𝑃𝑃 ) = (𝑎𝑎 − 𝑐𝑐)𝑃𝑃𝑃𝑃 (1 − 𝑃𝑃𝑃𝑃) .
𝑎𝑎−𝑐𝑐
Dividiendo finalmente esta ecuación por ∆t, que denotaba la distancia temporal
entre dos recuentos consecutivos, y teniendo en cuenta que el cociente
incremental (𝑃𝑃𝑃𝑃 + 1 − 𝑃𝑃𝑃𝑃)/∆t se puede aproximar por P’(t), es claro que en el
caso continuo se obtiene la siguiente ecuación diferencial: 𝑃𝑃’(𝑡𝑡) = 𝑟𝑟𝑟𝑟(𝑡𝑡) (1 −
𝑃𝑃(𝑡𝑡)) 𝑎𝑎 − 𝑐𝑐 𝑎𝑎 − 𝑐𝑐
) , 𝑐𝑐𝑐𝑐𝑐𝑐 𝑟𝑟 = 𝑦𝑦 𝐾𝐾 = , que recibe el nombre de ecuación diferencial
𝐾𝐾 ∆𝑡𝑡 𝑏𝑏 + 𝑑𝑑
logística o de Verhulst.
Pierre François Verhulst, matemático belga que publicó en 1938 la ecuación que
hoy se conoce como logística Cabe destacar que un nuevo parámetro hace acto
de presencia en la ecuación logística si se compara con el ya estudiado modelo
Malthusiano 𝑃𝑃’ = 𝑟𝑟𝑟𝑟. Se trata de la constante (positiva) 𝐾𝐾, que recibe el nombre
de capacidad de carga del medio y en resumen representa el número máximo de
individuos que la población admite (nótese que en esta constante aparecen
resumidas un buen número de circunstancias que influyen de forma decisiva en el
desarrollo de la población, a saber: factores climatológicos, disponibilidad de
nutrientes, recursos del medio, etc.) Comparando de nuevo con la ecuación de
Malthus, en el caso logístico la tasa de crecimiento deja de ser constante para
pasar a autorregularse según el tamaño de la población en cada instante.
Escamilla Hernández Diego Mariano Síntesis y análisis de Bioprocesos 7FV2

MODELO DE GOMPERTZ
Modelo de Gompertz. La ecuación diferencial de Gompertz viene dada por la
𝑑𝑑𝑑𝑑(𝑡𝑡) 𝐴𝐴
siguiente expresión: = 𝐾𝐾𝐾𝐾(𝑡𝑡) ln � � , que incluye los mismos parámetros
𝑑𝑑𝑑𝑑 𝑁𝑁(𝑡𝑡)
biológicos que el modelo logístico, la tasa intrínseca de crecimiento K y A como el
crecimiento máximo. La tasa de crecimiento del modelo, definida como:
𝐴𝐴
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = 𝐾𝐾 ln � � es, por tanto, de orden logarítmico. La ecuación
𝑁𝑁(𝑡𝑡)
diferencial de Gompertz puede resolverse explícitamente y sus soluciones son:
−𝐾𝐾𝐾𝐾
𝑁𝑁(𝑡𝑡) = 𝐴𝐴𝐴𝐴 −𝐵𝐵𝑒𝑒 , donde: 𝑁𝑁(𝑡𝑡) es el tamaño de la población al tiempo t, A es el
𝐴𝐴
valor del máximo crecimiento y además determina un punto de inflexión en , B
𝜀𝜀
número positivo que desplaza el modelo a la izquierda o derecha, K establece la
tasa intrínseca de crecimiento.
Escamilla Hernández Diego Mariano Síntesis y análisis de Bioprocesos 7FV2

MODELO DE KONAK

El modelo propuesto por Konak (1974), se expresa mediante la ecuación

Con λ> 0
𝑑𝑑𝑑𝑑
o = 𝐾𝐾𝑀𝑀 (𝜇𝜇0 − 𝜇𝜇)𝜆𝜆
𝑑𝑑𝑑𝑑

Donde, k = 1/ (µ máx.[K[S]); p es una constante empírica. Konak demostró que esta

ecuación se convierte en la ecuación de Monod para p = 2, y en la ecuación de
Teissier para p = 1.
𝐶𝐶
− 𝑠𝑠
Modelo de Teissier (1936) 𝜇𝜇 = 𝜇𝜇max (1 − 𝑒𝑒 𝐾𝐾𝑠𝑠 )