Storyboard

ID:('ky', 1793)

Storyboard

La utilidad de un modelo científico depende de su capacidad para reproducir la realidad. Sus parámetros y las variables que calcula deben ser consistentes con las observaciones experimentales y con las mediciones realizadas sobre el sistema. Por ello, someter el modelo a prueba frente a los datos es una etapa indispensable del proceso científico. Como señalaba Richard Feynman:

Para poder realizar esta validación, primero es necesario clasificar correctamente todas las cantidades que intervienen en el modelo. Debemos distinguir entre las constantes universales, cuyos valores son conocidos y no dependen del sistema; las variables externas o forzantes, que representan las condiciones impuestas desde el exterior y pueden modificarse durante la simulación; los parámetros estructurales, que caracterizan al sistema y normalmente se determinan mediante mediciones independientes; las variables algebraicas, que el modelo calcula instantáneamente a partir del estado del sistema y no poseen memoria temporal; y, finalmente, las variables dinámicas o de estado, cuya evolución en el tiempo constituye el núcleo del modelo y sobre las cuales se construyen sus predicciones. Esta clasificación permite identificar con claridad qué información proviene del mundo real, qué cantidades son propias del modelo y cuáles corresponden a los resultados que posteriormente pueden compararse con las observaciones experimentales.

ID:('gp', 654)

Storyboard

Para que un modelo matemático pueda interpretarse, validarse y utilizarse correctamente, es indispensable clasificar todas las cantidades que intervienen según su origen y su comportamiento temporal. No todas las variables cumplen el mismo rol: algunas representan información proveniente del mundo real, mientras que otras son calculadas por el propio modelo. Asimismo, algunas permanecen constantes durante una simulación, mientras que otras evolucionan continuamente como consecuencia de la dinámica del sistema. Esta clasificación determina cómo se construye el modelo, cómo se calibra y, especialmente, cómo se compara con las observaciones experimentales.

La figura resume esta organización mediante dos criterios fundamentales. El primero distingue si una cantidad es dada por el usuario o el experimento, o si es calculada por el modelo. El segundo distingue si la cantidad posee memoria temporal, es decir, si depende de su historia previa, o si puede calcularse instantáneamente a partir de los valores actuales de otras variables. De la combinación de ambos criterios surgen cuatro categorías claramente diferenciadas.

1. Variables forzantes (entradas externas).

Corresponden a condiciones externas que el modelo recibe desde el ambiente o desde el experimento y que pueden modificarse durante la simulación. No son calculadas por el modelo y tampoco poseen memoria propia. Su función es representar las condiciones bajo las cuales opera el sistema. Ejemplos típicos son la radiación fotosintéticamente activa (PAR), la temperatura del aire, la concentración atmosférica de CO, la humedad relativa o el déficit de presión de vapor (VPD). En una simulación interactiva suelen ser las variables que el usuario modifica mediante controles o deslizadores.

2. Parámetros estructurales.

Son propiedades propias del sistema que permanecen constantes durante una corrida del modelo. Describen características fisiológicas, geométricas o físicas del organismo y normalmente se obtienen mediante mediciones o procesos de calibración independientes. Ejemplos son la conductancia estomática máxima ($g_{max}$), el área foliar específica (SLA), la densidad de la madera, la profundidad máxima de las raíces o parámetros de curvas fisiológicas como los coeficientes de BallBerry o de vulnerabilidad hidráulica. Estos parámetros sólo cambian entre simulaciones o durante procesos de calibración.

3. Variables calculadas algebraicamente (sin memoria).

Son cantidades que el modelo calcula de forma instantánea utilizando los valores actuales de otras variables. No almacenan información del pasado; si cambian las entradas, su valor se recalcula completamente en el mismo instante. Ejemplos son la conductancia estomática ($g_s$), la fotosíntesis neta ($A_n$), la tasa de transpiración (E) o la eficiencia en el uso del agua (WUE), cuando se obtienen directamente a partir del estado actual del sistema.

4. Variables calculadas dinámicamente (con memoria).

Constituyen los estados internos del modelo. Su evolución depende de ecuaciones diferenciales y, por tanto, conservan memoria de su historia. Requieren una condición inicial y evolucionan acumulando los efectos de los procesos físicos representados por el modelo. Ejemplos incluyen el potencial hídrico de la hoja ($\Psi_l$), la concentración intercelular de $CO_2$ ($c_i$), el contenido de agua en distintos compartimentos o la biomasa acumulada. Estas variables representan el comportamiento dinámico del sistema y son las responsables de reproducir fenómenos transitorios y retardos fisiológicos.

Esta clasificación no sólo organiza el modelo desde un punto de vista conceptual, sino que también facilita su implementación computacional, la detección de errores lógicos, la calibración de parámetros y la validación frente a datos experimentales. Además, permite identificar con claridad qué información proviene de mediciones, qué propiedades pertenecen al sistema estudiado y cuáles son verdaderamente las predicciones generadas por el modelo.

ID:('gp', 655)

Storyboard

Si se analizan las ecuaciones del modelo, se observará que algunas aparecen formuladas mediante derivadas o integrales respecto del tiempo. Estas ecuaciones representan la parte dinámica del sistema, es decir, aquellas variables cuyo valor actual depende no solo de las condiciones presentes, sino también de su historia temporal.

Un ejemplo es la ecuación:

donde $\Psi_l$ corresponde al potencial hídrico foliar y constituye la variable dinámica con memoria, ya que su evolución depende de la integración de los flujos a lo largo del tiempo. La constante $C_l$ representa la capacitancia hídrica foliar, mientras que $F_x$ (flujo xilemático) y $E$ (transpiración por difusión de vapor) son variables dinámicas sin memoria: su valor puede variar con el tiempo, pero en cada instante se calcula directamente a partir del estado actual del sistema, sin requerir información de tiempos anteriores.

Otro ejemplo es:

donde $c_i$ es la concentración de $CO_2$ en el espacio intercelular y constituye nuevamente una variable dinámica con memoria, ya que su valor resulta de integrar el balance entre entradas y salidas de dióxido de carbono. La constante $C_i$ representa la capacitancia de $CO_2$ del espacio intercelular, mientras que $A_{ns}$ (oferta difusiva de $CO_2$) y $A_{nd}$ (demanda bioquímica de $CO_2$) son variables dinámicas sin memoria, cuyo valor se determina instantáneamente en función del estado actual del modelo.

Las variables dinámicas con memoria corresponden a los estados del sistema. Son las únicas que conservan información del pasado y, por lo tanto, determinan la evolución temporal del modelo. Su cálculo requiere la integración numérica de las ecuaciones diferenciales, constituyendo el núcleo de la simulación dinámica que se describe en las secciones siguientes.

ID:('gp', 692)

Storyboard

Existen variables que no aparecen derivadas ni integradas respecto del tiempo, pero que pueden calcularse directamente a partir de las variables dinámicas con memoria. Estas corresponden a las variables dinámicas sin memoria, ya que su valor cambia durante la simulación, aunque en cada instante queda completamente determinado por el estado actual del sistema.

Un ejemplo es el flujo xilemático $F_x$, que se obtiene a partir del potencial hídrico foliar $\Psi_l$, una variable dinámica con memoria, junto con las constantes $K_h$ (conductancia hidráulica efectiva), $L$ (longitud hidráulica) y el potencial hídrico del suelo $\Psi_s$:

En este caso, $F_x$ no requiere integración temporal, pero evoluciona en el tiempo porque depende de $\Psi_l$, cuyo valor sí posee memoria. Esta dependencia puede ser indirecta, propagándose a través de varias ecuaciones algebraicas. Por ejemplo, el balance hídrico se define como:

donde intervienen el flujo xilemático $F_x$ y la transpiración $E$. Ambas son variables dinámicas sin memoria, ya que se recalculan continuamente a partir del estado del sistema, mientras que $\Delta_b$ es simplemente una variable algebraica obtenida como diferencia entre ambas.

Estas relaciones pueden visualizarse fácilmente en la red lógica, donde es posible seguir las dependencias que nacen en una variable dinámica con memoria y se propagan a través de una cadena de ecuaciones hasta generar múltiples variables dinámicas sin memoria.



La identificación de estas variables resulta especialmente importante porque, en muchos sistemas reales, las variables dinámicas con memoria son difíciles o incluso imposibles de medir directamente. En cambio, varias de las variables dinámicas sin memoria sí pueden observarse experimentalmente, permitiendo comparar las predicciones del simulador con mediciones reales y validar el comportamiento del modelo.

Finalmente, existen otras variables algebraicas que no dependen, ni directa ni indirectamente, de las variables dinámicas con memoria. Estas variables no forman parte de la simulación temporal propiamente tal, pero pueden analizarse para estudiar cómo responden frente a cambios en las variables forzantes y en las variables estructurales del modelo. De esta manera es posible caracterizar el comportamiento estático del sistema y evaluar la influencia de sus parámetros sobre las magnitudes calculadas.

ID:('gp', 693)

Storyboard

Para analizar el comportamiento del modelo en aquellas variables algebraicas sin memoria que no dependen de variables dinámicas con memoria, sino únicamente de variables de forzamiento y/o variables estructurales, puede generarse una rutina de análisis utilizando el siguiente prompt. Este debe ejecutarse en el mismo chat en el que se realizaron los pasos anteriores, de manera que la inteligencia artificial conserve el contexto completo del modelo previamente construido:

Toma las tablas `equations` y `variables` ya generadas en este chat para el modelo [nombre del modelo]. El objetivo es construir una página HTML de análisis previo al simulador: permite estudiar cómo se comporta cada variable calculada algebraica que NO depende, ni directa ni transitivamente, de ninguna variable calculada dinámica (con memoria), y compararla contra datos medidos si se dispone de ellos. PASO 0 Verifica prerrequisitos antes de continuar Este prompt asume que `equations` y `variables` ya fueron generadas y auditadas con el mismo esquema usado en este proyecto. Antes de avanzar, confirma explícitamente lo siguiente y detente a pedir aclaración si alguno falla no asumas ni completes en silencio: - `equations` existe con una columna `formula_txt` donde las ecuaciones dinámicas están escritas explícitamente en la forma `d(·)/dt = ...` (o equivalente evidente, ej. `dX/dt`). Si en este modelo las ODEs se marcan de otra manera (una columna booleana `es_dinamica`, notación ``, u otra convención), dilo y usa ese criterio en el Paso 1 en vez de asumir la notación por defecto. - `variables` existe con una columna `class` (A/B1/B2/C1/C2) y con información suficiente para distinguir Tipo 1 (forzante, varía dentro de una corrida) de Tipo 2 (parámetro estructural, fijo dentro de una corrida) para cada símbolo necesaria para el Paso 2. - Todos los símbolos en ambas tablas siguen la CONVENCIÓN DE IDENTIFICADORES de abajo. Si encuentras símbolos con notación decorativa (subíndices con coma, letras griegas Unicode con subíndice, superíndices) que no tienen ya un identificador plano equivalente definido, conviértelos tú mismo a un identificador plano antes de continuar, y usa esa conversión de forma uniforme en el resto de esta respuesta no dejes que el mismo símbolo aparezca en dos formas distintas entre las tablas y la página generada. - Si `equations`/`variables` no existen todavía para este modelo, o existen pero nunca pasaron por una auditoría de Nivel/Origen/Clase, detente aquí: este prompt no es el punto de partida. Indícalo y sugiere correr primero la secuencia de este proyecto (derivación de grupos temáticos red semántica propuesta y auditoría de ecuaciones diagnóstico de cabos sueltos) para producir esas tablas antes de intentar este análisis. CONVENCIÓN DE IDENTIFICADORES aplica en todo el prompt Usa un único identificador por símbolo, en texto plano, sin notación matemática decorativa (sin subíndices con coma, sin letras griegas Unicode salvo que también sean válidas como identificador de programación plano, sin superíndices). Ese mismo identificador debe aparecer, sin ninguna variación, en los cinco lugares donde el símbolo pueda aparecer: el nombre interno en el código, la opción del combobox, la fórmula mostrada en pantalla, el eje del gráfico, y la clave que exige el archivo CSV de datos medidos. Si el símbolo original de las tablas `equations`/`variables` usa notación con coma o griega (ej. o,s, Cs,l), conviértelo a un identificador plano equivalente (ej. Psi_os, Cs_l) y usa ESE identificador de forma uniforme en toda la interfaz nunca muestres una versión "bonita" en un lugar y la versión de código en otro, porque eso obliga al usuario a traducir mentalmente entre ambas al preparar el archivo de datos. Puedes incluir opcionalmente el nombre descriptivo en español a continuación del identificador (ej. "Psi_os Potencial osmótico del suelo"), pero el identificador en sí no cambia de forma entre pantalla y archivo. PASO 1 Filtra las ecuaciones sin dependencia de memoria Recorre `equations` y para cada ecuación construye su cadena completa de dependencias (inputs, y los inputs de esos inputs, recursivamente). Retén solo las ecuaciones cuya cadena completa NO contiene, en ningún nivel, una variable calculada dinámica (identificada según el criterio confirmado en el Paso 0). Descarta toda ecuación cuya cadena sí toque una variable con memoria, aunque sea indirectamente. Entrega la lista resultante como tabla: symbol (en el identificador plano uniforme), equation_id, formula_txt (también en identificadores planos) estas son las "algebraicas candidatas" de esta herramienta. Si el resultado es una lista vacía (el modelo no tiene ninguna variable algebraica libre de dependencia de memoria), dilo explícitamente y detente esta herramienta no aplica a ese modelo tal como está estructurado. PASO 2 Resuelve el conjunto mínimo de forzantes/estructurales por variable candidata Para cada algebraica candidata del Paso 1, resuelve su conjunto mínimo de variables Tipo 1 (forzante) y Tipo 2 (parámetro estructural) de las que depende. Si un input de la ecuación es a su vez otra algebraica candidata (no una forzante/estructural), sustitúyela por sus propios inputs y repite el proceso hasta que la dependencia quede expresada únicamente en términos de forzantes y estructurales sin ninguna algebraica intermedia en la lista final. Entrega como tabla: symbol (la algebraica), depends_on (lista de símbolos forzante/estructural), chain (la secuencia de ecuaciones intermedias usadas para llegar ahí, para trazabilidad). PASO 3 Especifica la página HTML de análisis Construye un archivo HTML autocontenido (un solo archivo, JS embebido, sin backend) con el siguiente comportamiento: Panel izquierdo: - Combobox 1: lista de todas las algebraicas candidatas del Paso 1 (identificador plano + nombre descriptivo). - Al elegir una en el Combobox 1, debajo se lista automáticamente su conjunto mínimo de forzantes/estructurales del Paso 2 (solo lectura, como referencia), usando el mismo identificador plano. - Combobox 2: las mismas forzantes/estructurales de las que depende la algebraica elegida. Al elegir una aquí, esa variable se fija como eje X del gráfico y aparece un control de rango (mínimo, máximo, número de puntos). - Para cada una de las demás variables de las que depende (todas menos la elegida como eje X), aparece un campo de entrada con: valor fijo y error () asociado editable por el usuario, salvo que haya un archivo cargado (ver más abajo). Panel derecho gráfico: - Eje X: la forzante/estructural elegida, recorriendo el rango indicado, etiquetado con su identificador plano. - Eje Y: la algebraica elegida, calculada evaluando la cadena completa de ecuaciones (incluyendo las algebraicas intermedias del Paso 2) para cada punto del eje X, etiquetada con su identificador plano. - Propagación de incertidumbre por Monte Carlo: para cada punto del eje X, muestrea N veces (parametrizable, default ~2000) los valores de las demás variables según su valor fijo y error declarados (distribución normal por defecto), evalúa la cadena completa en cada muestreo, y calcula la media y una banda de incertidumbre (ej. percentiles 5-95 o ±1, indicar cuál se usa). - Dibuja la curva central como línea sólida y la banda de incertidumbre como dos líneas punteadas (límite superior e inferior). - Este comportamiento debe funcionar genéricamente para CUALQUIER algebraica candidata y CUALQUIER forzante/estructural de su conjunto mínimo no hardcodees el cálculo para un solo caso, constrúyelo desde las ecuaciones y dependencias resueltas en los Pasos 1-2. Formato del archivo de datos medidos (CSV con bloque de metadatos): - Línea(s) de metadatos, con prefijo `#`: - `#algebraic=<identificador plano>` la algebraica medida - `#x_var=<identificador plano>` la forzante/estructural usada como eje X - `#fixed: var1=valor, var1_err=error, var2=valor, ...` TODAS las demás variables del conjunto mínimo de esa algebraica (Paso 2), excluyendo x_var, cada una con su valor y, si se conoce, su error, usando siempre el identificador plano. Esta lista debe ser completa: el archivo es la fuente única de las condiciones bajo las que se midió, no un complemento a valores ingresados a mano. - Encabezado de columnas: `x,x_err,y,y_err` - Una fila por punto experimental: valor y error de la forzante (x, x_err) y valor y error de la algebraica medida (y, y_err). x_err e y_err son opcionales por punto (si faltan, no se dibuja la cruz de incertidumbre en esa dimensión). - El identificador que el usuario debe escribir en `algebraic` y `x_var` tiene que ser exactamente el mismo texto que aparece en el Combobox 1/2 y en la fórmula mostrada en pantalla sin conversión necesaria entre lo que se ve y lo que se escribe. Validación al cargar el archivo: - Si `algebraic` no corresponde a ninguna algebraica candidata del Paso 1, o `x_var` no pertenece al conjunto mínimo de esa algebraica (Paso 2), rechazar el archivo con mensaje explícito no adivinar ni aproximar. - Si el bloque `fixed` no cubre exactamente el conjunto {dependencias mínimas de la algebraica} menos {x_var}, rechazar el archivo indicando qué variable falta. Si trae una variable que no pertenece a ese conjunto, ignorarla y avisar. Comportamiento al cargar la página: - Si NO se ha cargado ningún archivo: selecciona automáticamente la primera algebraica candidata y su primera forzante/estructural como eje X, con valores por defecto razonables para las demás variables (ej. punto medio de un rango típico) y grafica la curva calculada con su banda de error la página debe quedar usable para explorar comportamiento sin necesidad de datos. Todos los campos quedan editables en este modo. - Si SÍ se carga un archivo (al inicio o después): la página lee los metadatos y fija automáticamente el Combobox 1 (algebraic), el Combobox 2 (x_var), y rellena el bloque `fixed` completo en el panel izquierdo como campos de SOLO LECTURA (no editables mientras el archivo esté cargado, para evitar que la curva calculada se muestre con parámetros distintos a los vigentes durante la medición). Calcula la curva con esos valores exactos, la grafica junto con la banda de Monte Carlo, y sobrepone los puntos medidos como puntos rojos con cruces de incertidumbre horizontal/vertical según x_err/y_err quedando lista la comparación empírica sin pasos manuales adicionales. Debe existir un botón para quitar el archivo cargado y volver al modo manual editable. No apliques todavía ningún estilo visual definitivo (colores, fondo, tipografía) usa un diseño limpio y funcional por ahora; el estilo final se ajustará en un paso posterior una vez se cargue el diseño de referencia del simulador ya existente en este proyecto.

ID:('gp', 694)

Storyboard

ID:('gp', 696)

Storyboard

Una vez establecido el modelo, es fundamental verificar que describa correctamente el sistema que estamos estudiando. Una parte del modelo está constituida por relaciones algebraicas que no varían explícitamente en el tiempo. Estas variables algebraicas sin memoria dependen de parámetros, de variables de forzamiento como la temperatura y de variables estructurales, como las dimensiones o la masa de un objeto.

Para comprobar que estas relaciones representan adecuadamente la realidad, es necesario realizar mediciones experimentales de distintas combinaciones de los parámetros y de las variables algebraicas, estimar la incertidumbre asociada a cada medición y comparar los resultados obtenidos con los valores predichos por las ecuaciones del modelo.

Los datos experimentales se almacenan en un archivo con el siguiente formato:

#algebraic=(código de la variable algebraica representada en el eje Y) #x_var=(código de la variable representada en el eje X) #fixed: (símbolo parámetro)=valor, (símbolo parámetro)=valor, ... x,x_err,y,y_err .....

Un ejemplo concreto es:

#algebraic=Psi_os #x_var=T #fixed: R=8.314, T=21.8, T_err=0.3, Cs_s=18.6, Cs_s_err=1.5 x,x_err,y,y_err 270,0.5,-0.045,0.003 280,0.5,-0.042,0.003 290,0.5,-0.044,0.003 300,0.5,-0.047,0.003

A partir de esta información es posible comparar las mediciones con las predicciones del modelo, evaluar la calidad del ajuste e identificar posibles desviaciones sistemáticas o errores en la formulación de las ecuaciones. El resultado se presenta en un gráfico con una forma similar a la siguiente:

ID:('gp', 697)

Storyboard

Cuando deseamos analizar el comportamiento de las variables dinámicas con memoria, así como de las variables algebraicas que pueden calcularse directamente a partir de ellas, podemos construir un simulador capaz de resolver las ecuaciones del modelo en el tiempo. A partir de un conjunto de parámetros y condiciones iniciales, incluyendo sus incertidumbres, el simulador calcula la evolución temporal de las variables dinámicas y de todas las variables derivadas asociadas.

El prompt para generar esta ventana se presenta a continuación:

Toma las tablas `equations` y `variables` ya generadas en este chat para el modelo [nombre del modelo]. El objetivo es construir una página HTML de análisis temporal: permite estudiar cómo evoluciona en el tiempo cualquier variable del modelo (las variables con memoria propia, o cualquiera de las que dependen de ellas), integrando el sistema dinámico completo, comparando varias curvas paralelas para distintos valores de una misma forzante/estructural, y superponiendo datos medidos si se dispone de ellos. PASO 0 Verifica prerrequisitos antes de continuar Igual que en la herramienta algebraica de este proyecto: confirma que `equations` tiene un criterio claro para identificar ecuaciones dinámicas (forma `d(·)/dt` u otra convención declarada explícitamente), que `variables` distingue Tipo 1/Tipo 2 de Tipo 3/4, y que los símbolos siguen la convención de identificadores planos de abajo convirtiendo los que no la sigan antes de continuar. Si `equations`/`variables` no existen o no fueron auditadas, detente y sugiere correr primero la secuencia de este proyecto. Adicionalmente, para esta herramienta: cuenta cuántas variables dinámicas (con memoria) tiene el modelo el comportamiento del Paso 3 depende de ese número y de si están acopladas entre sí (ver Paso 3). CONVENCIÓN DE IDENTIFICADORES aplica en todo el prompt Un único identificador plano por símbolo (sin subíndices con coma ni notación decorativa), usado sin variación en el combobox, la fórmula mostrada, los ejes del gráfico y las claves que exige el archivo de datos medidos. PASO 1 Identifica las variables dinámicas con memoria Lista TODAS las variables cuya ecuación definitoria tiene forma `d(·)/dt` (según el criterio confirmado en el Paso 0) no asumas un número fijo, el modelo puede tener una, dos, o más. Para cada una, entrega: symbol, equation_id, formula_txt (la ODE completa, incluyendo su condición inicial declarada en `variables`). Si no hay ninguna variable dinámica en el modelo, dilo explícitamente y detente esta herramienta no aplica. PASO 2 Identifica las variables calculadas que dependen de las dinámicas (directa o transitivamente) Recorre `equations` y retén toda ecuación algebraica cuya cadena de dependencias toca, en algún nivel, al menos una de las variables dinámicas del Paso 1. Entrega como tabla: symbol, equation_id, formula_txt, depends_on_state (lista de cuáles variables dinámicas específicas están en su cadena de dependencia puede ser una, varias, o todas). PASO 3 Resuelve el conjunto de forzantes/estructurales requerido, y determina el grado de acoplamiento entre estados Antes de resolver el conjunto de dependencias, determina si las variables dinámicas del Paso 1 están acopladas entre sí: revisa si alguna ecuación algebraica del Paso 2 que depende de una variable dinámica A aparece, directa o transitivamente, como input de la ecuación `d(·)/dt` de otra variable dinámica B (y/o viceversa). Reporta el resultado como un grafo o lista de qué variable dinámica influye en cuál otra, y clasifica el sistema en uno de dos casos: - CASO ACOPLADO: existe al menos un ciclo de dependencia entre dos o más variables dinámicas (cada una influye en la otra, directa o transitivamente). En este caso, calcular la trayectoria de CUALQUIER variable del Paso 1 o Paso 2 que pertenezca a ese grupo acoplado requiere integrar TODAS las variables dinámicas del grupo simultáneamente, y por lo tanto requiere el conjunto COMPLETO de forzantes/estructurales de las que dependa cualquiera de ellas sin excepción, independientemente de cuál variable se esté graficando. - CASO DESACOPLADO (o parcialmente acoplado): si el modelo tiene múltiples variables dinámicas pero algunas no dependen entre sí (ninguna cadena las conecta), resuelve el conjunto mínimo de forzantes/estructurales por separado para cada grupo de variables dinámicas mutuamente independientes igual que se hace en la herramienta algebraica de este proyecto, pero a nivel de grupo de estados en vez de a nivel de variable individual. Entrega: (a) la clasificación acoplado/desacoplado con la evidencia (qué ecuaciones forman el ciclo, si existe), y (b) la lista completa de forzantes/estructurales requerida por cada grupo resultante (identificador plano, tipo Forzante/Estructural, unidad). PASO 4 Especifica la página HTML de análisis temporal Construye un archivo HTML autocontenido (un solo archivo, JS embebido, sin backend), mismo estilo limpio y funcional (fondo claro, sin tema oscuro) que la herramienta algebraica ya construida en este proyecto no apliques todavía la identidad visual definitiva del simulador. Panel izquierdo: - Combobox 1 ("Variable a graficar"), con dos grupos (optgroup): - Grupo "Dinámicas con memoria": todas las del Paso 1 - Grupo "Calculadas (dependen del estado)": todas las del Paso 2 - Al elegir una, se muestra automáticamente (solo lectura) a qué grupo de acoplamiento pertenece (Paso 3) y la lista de forzantes/ estructurales que ese grupo específico requiere no necesariamente la lista completa del modelo, si el sistema resultó desacoplado y esa variable pertenece a un grupo más pequeño. - Combobox 2 ("Forzante/estructural a barrer en curvas paralelas"): la lista requerida por el grupo de la variable actualmente elegida en el Combobox 1. Al elegir una: - Campo "Valores" lista de valores separados por coma; cada valor genera una curva paralela distinta. - Campo "Error" uno o más valores separados por coma; si trae un solo valor, se aplica como a todas las curvas; si trae tantos valores como la lista de "Valores", se aplica un distinto por curva. - Para cada una de las demás forzantes/estructurales del grupo (todas menos la elegida para barrer), un campo de valor fijo + error (), editable, salvo que haya un archivo cargado. - Condiciones iniciales: un campo por cada variable dinámica que pertenezca al grupo de la variable elegida en el Combobox 1 (no necesariamente todas las del modelo, si hay grupos desacoplados) siempre visibles y editables para ese grupo. - Rango de tiempo: campos t_min, t_max, número de pasos (para el integrador RK4). Panel derecho gráfico: - Eje X: tiempo. Eje Y: la variable elegida en el Combobox 1. - Para cada valor de la lista de "Valores" del Combobox 2: integra simultáneamente todas las variables dinámicas del grupo de acoplamiento correspondiente (vía RK4) usando ese valor para la forzante/estructural barrida y los valores fijos del resto, y extrae la trayectoria de la variable elegida. - Propagación de incertidumbre por Monte Carlo por curva: para cada valor barrido, muestrea N veces (parametrizable, default ~500 más costoso que el caso algebraico porque cada muestra requiere una integración completa) los valores de las demás variables según su error declarado, integra el sistema en cada muestreo, y calcula percentiles 5-95 en cada paso de tiempo. - Dibuja, por cada valor barrido, una curva central sólida (mediana) y dos líneas punteadas (percentiles 5 y 95), un color distinto por curva paralela, con leyenda indicando a qué valor de la forzante/estructural barrida corresponde cada una. - Debe funcionar genéricamente para cualquier variable del Paso 1 o Paso 2 y cualquier forzante/estructural de su grupo no hardcodees el caso de una combinación o un número fijo de estados. Formato del archivo de datos medidos (CSV con bloque de metadatos): - Metadatos, con prefijo `#`: - `#dynamic=<identificador plano>` la variable medida - `#sweep_var=<identificador plano>` la forzante/estructural cuyos distintos valores generan las curvas paralelas presentes en el archivo - `#init: X1_0=valor, X2_0=valor, ...` la condición inicial de CADA variable dinámica que pertenezca al grupo de acoplamiento de la variable `dynamic` (una por cada una, usando su identificador plano + sufijo `_0`) no un número fijo de columnas, tantas como variables dinámicas tenga ese grupo específico. - `#fixed: var1=valor, var1_err=error, ...` TODAS las demás forzantes/estructurales requeridas por ese grupo (Paso 3), excluyendo sweep_var. - Encabezado de columnas: `series,t,t_err,y,y_err` - `series` el valor de sweep_var al que corresponde esa fila - `t,t_err` tiempo y su incertidumbre (t_err opcional) - `y,y_err` valor medido de la variable `dynamic` y su incertidumbre (y_err opcional) - Puede haber múltiples series en el mismo archivo agrupar por `series` y dibujar cada grupo como puntos rojos superpuestos sobre su curva calculada correspondiente, mismo color de referencia. Validación al cargar el archivo: - `dynamic` debe pertenecer a la unión de los Pasos 1 y 2; `sweep_var` debe pertenecer al conjunto requerido por el grupo de esa variable; si no, rechazar con mensaje explícito. - El bloque `fixed` debe cubrir exactamente {conjunto requerido por el grupo} menos {sweep_var}; si falta o sobra algo, rechazar/avisar indicando qué. - Deben estar declaradas las condiciones iniciales de TODAS las variables dinámicas del grupo correspondiente ni más ni menos que las que ese grupo específico necesita; si falta alguna, rechazar. - Cada valor distinto en `series` que no coincida con los "Valores" ingresados manualmente se agrega automáticamente a la lista de curvas a calcular. Comportamiento al cargar la página: - Sin archivo: selecciona automáticamente la primera variable del Paso 1, la primera forzante/estructural de su grupo como variable barrida con 2-3 valores por defecto razonables, condiciones iniciales y rango de tiempo por defecto para las variables dinámicas de ese grupo, y grafica las curvas calculadas con su banda de error todo editable. - Con archivo cargado: fija automáticamente el Combobox 1 (dynamic), el Combobox 2 (sweep_var) con la lista de valores tomada de los `series` del archivo, las condiciones iniciales declaradas en `#init:`, el rango de tiempo (cubriendo al menos el rango de `t` presente en los datos), y todos los campos de `fixed` en modo SOLO LECTURA. Calcula y grafica las curvas correspondientes junto con los puntos medidos superpuestos por serie. Debe existir un botón para quitar el archivo y volver a modo manual editable. No apliques todavía ningún estilo visual definitivo mismo criterio que la herramienta anterior; el estilo final se ajustará una vez se cargue el diseño de referencia del simulador ya existente en este proyecto.

ID:('gp', 695)

Storyboard

Cuando queremos estudiar el comportamiento de las variables dinámicas con memoria, debemos resolver las ecuaciones que determinan su evolución temporal y representar gráficamente cada variable en función del tiempo.

Adicionalmente, podemos analizar cómo cambia esta evolución al modificar uno de los parámetros de forzamiento y/o estructurales. Para ello se pueden definir distintos valores del parámetro y representar una curva temporal para cada uno, lo que permite visualizar directamente su efecto sobre la dinámica del sistema.

También es importante considerar la incerteza asociada a las mediciones utilizadas por el modelo y estimar cómo esta se propaga a través de los cálculos. De esta manera, además de la curva correspondiente al valor estimado de la variable, se puede representar su rango de incertidumbre mediante dos líneas punteadas que delimitan los valores inferior y superior esperados:

ID:('gp', 647)

Storyboard

En 1905, Albert Einstein publicó uno de los trabajos que marcarían el nacimiento de la física estadística moderna. Su objetivo era demostrar que el movimiento irregular observado en pequeñas partículas suspendidas en un líquido el movimiento browniano podía explicarse como consecuencia directa de los choques aleatorios producidos por las moléculas invisibles del fluido. Para ello desarrolló un modelo matemático capaz de relacionar las fluctuaciones microscópicas con propiedades macroscópicas medibles en el laboratorio.

El resultado fue una ecuación que conecta el desplazamiento cuadrático medio de una partícula con el tiempo, la temperatura, la viscosidad dinámica del fluido y el tamaño de la partícula. En esta relación aparece el número de Avogadro, $N_A$, estableciendo un puente entre el mundo microscópico de los átomos y el mundo macroscópico de las mediciones experimentales. Mientras la temperatura y la viscosidad podían determinarse directamente en el laboratorio, el valor de $N_A$ aún no había sido medido de manera convincente, por lo que la ecuación ofrecía un método completamente nuevo para determinarlo.

La expresión mostrada en la figura corresponde a la forma utilizada posteriormente por Jean Perrin para analizar sus experimentos sobre movimiento browniano. Midiendo el desplazamiento de partículas suspendidas en un fluido y conociendo la temperatura, la viscosidad y el tamaño de dichas partículas, Perrin pudo despejar el valor de $N_A$ y compararlo con el obtenido mediante métodos completamente independientes.

La importancia de este trabajo trasciende el propio movimiento browniano. Einstein no construyó una ecuación mediante un ajuste empírico de datos, sino que la dedujo a partir de principios fundamentales de la física estadística. En consecuencia, todos los parámetros de la ecuación poseen un significado físico bien definido y pueden medirse independientemente del experimento utilizado para validarla. Este enfoque constituye el ideal del modelamiento científico: desarrollar ecuaciones fundamentadas en leyes universales de la naturaleza, cuyos parámetros representen propiedades físicas reales y no simples constantes de ajuste. Fue precisamente la confirmación experimental realizada por Perrin la que consolidó esta visión y transformó la ecuación de Einstein en uno de los ejemplos clásicos de un modelo basado en principios fundamentales.

ID:('gp', 658)

Storyboard

En 1905, Albert Einstein desarrolló una descripción teórica del movimiento browniano que relacionaba el desplazamiento aleatorio de pequeñas partículas suspendidas en un fluido con propiedades físicas medibles como la temperatura, la viscosidad y el tamaño de las partículas. En esa ecuación aparecía una constante fundamental, $N_A$, cuya interpretación física aún no había sido demostrada experimentalmente.

Dos décadas más tarde, Jean Perrin realizó una serie de experimentos observando al microscopio el movimiento browniano de diminutas partículas suspendidas en un líquido. Midiendo su desplazamiento medio cuadrático y utilizando la relación propuesta por Einstein, pudo despejar el valor de $N_A$. El resultado coincidió con el número de Avogadro obtenido por métodos completamente independientes, demostrando que la constante introducida por Einstein correspondía efectivamente a una constante universal de la naturaleza y no a un simple parámetro de ajuste.

Este resultado tuvo una enorme importancia para la física. La ecuación de Einstein dejó de ser una expresión cuya validez dependía de un valor numérico ajustado experimentalmente y pasó a convertirse en una ley basada en principios fundamentales, cuyos parámetros poseen un significado físico universal. En otras palabras, la teoría no solo describía correctamente un experimento particular, sino que quedaba conectada con las constantes fundamentales que gobiernan toda la materia.

Este trabajo conjunto de Einstein y Perrin representa un ejemplo del gold standard en modelamiento científico. El objetivo no es construir ecuaciones que funcionen únicamente para un sistema específico mediante parámetros ajustados, sino desarrollar modelos cuyos parámetros correspondan a magnitudes universales de la física y, por ello, puedan aplicarse y verificarse en una amplia variedad de fenómenos. Esa búsqueda de universalidad es la que distingue a un modelo fundamentado en principios físicos de un simple ajuste numérico de datos.

ID:('gp', 659)

Storyboard

No todas las ecuaciones poseen el mismo valor científico, aun cuando todas puedan reproducir correctamente un conjunto de datos experimentales. La diferencia radica en cómo fueron construidas y, por lo tanto, en su capacidad para explicar un fenómeno, extrapolar a nuevas condiciones y revelar los mecanismos físicos que gobiernan el sistema.

Las ecuaciones pueden clasificarse en cuatro niveles principales:

• Nivel 0 Curve Fitting.

La ecuación se obtiene ajustando una función matemática a un conjunto de datos experimentales. Su objetivo es reproducir las observaciones con el menor error posible, pero sus parámetros normalmente carecen de significado físico. Estas ecuaciones suelen describir bien los datos utilizados para el ajuste, aunque su capacidad predictiva fuera de ese rango es limitada.

• Nivel 1 Descriptive.

La ecuación resume el comportamiento observado mediante una expresión matemática sencilla, por ejemplo un polinomio o una función empírica. Aunque describe tendencias generales del sistema, todavía no representa los mecanismos físicos que generan dicho comportamiento.

• Nivel 2 Mechanistic.

La ecuación se construye a partir del conocimiento de los procesos físicos, químicos o biológicos involucrados. Cada término representa un mecanismo identificable y los parámetros poseen un significado concreto dentro del sistema estudiado. Estos modelos permiten comprender cómo interactúan los distintos procesos y facilitan el análisis de escenarios nuevos.

• Nivel 3 Fundamental.

Corresponde al nivel más alto de modelamiento. La ecuación se deriva de principios físicos generales, como leyes de conservación, principios variacionales o teorías fundamentales. Sus parámetros corresponden a constantes universales o a propiedades físicas medibles independientemente del sistema analizado. Por ello, estos modelos poseen una elevada capacidad predictiva y pueden aplicarse a una amplia variedad de fenómenos sin requerir reajustes específicos.

Una característica importante es que todos los niveles pueden mostrar un excelente acuerdo con los datos experimentales. Sin embargo, una buena coincidencia con las mediciones no garantiza que el modelo represente correctamente la física del fenómeno. Dos ecuaciones pueden ajustarse casi perfectamente a los mismos datos, pero una de ellas ser únicamente una aproximación matemática mientras la otra refleja los mecanismos fundamentales que gobiernan el sistema.

Por esta razón, en modelamiento científico el objetivo no consiste únicamente en minimizar el error respecto de los datos, sino en construir ecuaciones apoyadas en principios cada vez más generales. El ejemplo clásico es el trabajo de Einstein y Perrin: una ecuación adquiere verdadero poder científico cuando sus parámetros dejan de ser simples ajustes numéricos y pasan a representar constantes universales de la naturaleza. Ese es el estándar al que aspira el modelamiento basado en principios fundamentales.

ID:('gp', 660)

Storyboard

Así como las ecuaciones pueden clasificarse según su nivel de fundamentación, las variables y parámetros que aparecen en ellas también poseen distintos niveles de calidad científica. La diferencia principal radica en cómo se obtiene cada valor y en cuán independiente es del propio modelo. Mientras más universal e independiente sea un parámetro, mayor será la capacidad predictiva del modelo y menor la necesidad de ajustarlo cada vez que se aplica a un nuevo sistema.

Las variables y parámetros pueden clasificarse en cinco categorías principales:

• Categoría $A$ Basada en principios fundamentales.

Corresponde a constantes universales o parámetros derivados directamente de leyes fundamentales de la física. Su valor no depende del sistema particular que se estudia ni del modelo utilizado. Ejemplos típicos son la velocidad de la luz, la constante de Planck, el número de Avogadro o la constante de los gases. Constituyen el nivel de mayor calidad científica.

• Categoría $B_1$ Medida en el sistema.

Son propiedades físicas determinadas experimentalmente en el sistema que se desea modelar. Aunque no son universales, tampoco dependen del modelo matemático utilizado. Ejemplos son la viscosidad de un fluido, una constante cinética medida o la conductividad de un material específico.

• Categoría $B_2$ Medida en un sistema similar.

El parámetro proviene de experimentos realizados sobre un sistema equivalente o suficientemente parecido. No ha sido ajustado para el modelo actual, sino transferido desde otra situación experimental. Esta categoría permite reutilizar conocimiento existente cuando no se dispone de mediciones directas.

• Categoría $C_1$ Ajustada con significado físico.

El parámetro debe ajustarse para que el modelo reproduzca correctamente los datos, pero dicho ajuste se realiza dentro de límites físicamente razonables y conservando una interpretación clara. Después del ajuste, el valor obtenido puede compararse con mediciones independientes o con valores esperados según la teoría.

• Categoría $C_2$ Ajuste puramente numérico.

El parámetro existe únicamente para mejorar el acuerdo entre el modelo y los datos experimentales. Carece de significado físico independiente y no puede medirse ni verificarse fuera del propio modelo. Aunque este tipo de parámetros suele mejorar el ajuste, también aumenta el riesgo de sobreajuste y reduce considerablemente la capacidad predictiva del modelo.

Esta clasificación permite evaluar objetivamente la calidad de un modelo matemático. Dos modelos pueden reproducir con la misma precisión un conjunto de datos experimentales, pero aquel que utiliza mayor proporción de variables de las categorías $A$, $B_1$ y $B_2$ será generalmente más robusto, más explicativo y más confiable al extrapolar a nuevas condiciones. En cambio, un modelo que depende principalmente de parámetros $C_1$ y, especialmente, $C_2$, puede describir correctamente los datos disponibles, pero su capacidad para predecir el comportamiento del sistema fuera de las condiciones de ajuste será mucho menor.

En consecuencia, uno de los objetivos centrales del modelamiento científico consiste en reemplazar progresivamente los parámetros ajustados por variables cuyo valor provenga de principios fundamentales o de mediciones independientes. Siguiendo el ideal planteado por Einstein y confirmado experimentalmente por Perrin, un buen modelo no solo debe ajustarse a los datos, sino también estar construido con parámetros que posean un significado físico universal o verificable de manera independiente.

ID:('gp', 661)