Los modelos matemáticos se utilizan para predecir casi todo, desde el tráfico y el clima hasta el metabolismo de las plantas y la biotecnología industrial.
Sin embargo, si bien son herramientas valiosas en una amplia gama de campos, los modelos predictivos aún están plagados de incertidumbres o errores, y un gran esfuerzo se dirige a determinar el alcance y los efectos de estos errores.
Ahora, un equipo de investigadores dirigido por Dion Vlachos de la Universidad de Delaware ha desarrollado un marco para abordar este problema al observar los efectos de los parámetros correlacionados.
Su trabajo aparece en un artículo publicado en Química de la naturaleza .
Vlachos explica que todos los modelos matemáticos comprenden una serie de medidas, conocidas como parámetros. Los modelos de pronóstico del tiempo, por ejemplo, incluyen docenas de parámetros, desde temperatura y precipitación hasta velocidad del viento y rayos.
Los pequeños errores en cualquiera de estas medidas pueden hacer que las predicciones del modelo se desvíen, por lo que los meteorólogos no están seguros de si una tormenta que se aproxima se convertirá en una tormenta de nieve en la región del Atlántico Medio o se lanzará al mar justo al norte delCarolinas y dejar a los niños en Delaware decepcionados de que no tuvieron un día de nieve.
Al evaluar los efectos de tales errores, los investigadores han evaluado tradicionalmente cada uno de ellos por separado y luego los "sumaron", lo que, como resultado, puede conducir a una sobreestimación.
Vlachos usa una analogía simple para explicar por qué.
"Si usted y un amigo tienen cuatro razones para querer vivir en la ciudad, eso puede parecer un total de ocho razones", dice. "Pero si tres de sus razones se superponen, la lista termina con solo cincoartículos, no ocho "
"Es lo mismo con los parámetros del modelo", continúa. "Cuando observamos las correlaciones entre los parámetros y su dependencia entre ellos, nos dimos cuenta de que los errores no eran tan grandes como pensábamos que eran".
El documento documenta el trabajo del equipo para predecir el comportamiento colectivo de las redes de reacción, con el objetivo de mejorar las transformaciones químicas en la catálisis.
Sin embargo, el enfoque tiene aplicaciones en campos que van desde la catálisis y la combustión hasta las ciencias ambientales y la biología.
"Los modelos son más robustos y confiables de lo que pensamos que eran", dice Vlachos. "Tiene sentido que los parámetros sean interdependientes y que no se pueda cambiar uno sin afectar a los demás, ya sea que se trate del calentamiento global otratamiento de aguas residuales."
Fuente de la historia :
Materiales proporcionado por Universidad de Delaware . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :