Ecuaciones diferenciales en

la ingeniería en computación
Aplicaciones
Elaborado por Landázuri Brambila Álvaro Ulises - Martes 21 de noviembre de 2017


ECUACIONES DIFERENCIALES EN LA INGENIERÍA EN COMPUTACIÓN - APLICACIONES 1

 Introducción
Las ecuaciones diferenciales son empleadas en el modelado de fenómenos físicos a
nuestro alrededor, pues permiten relacionar tasas de cambio de alguna variable de interés en
función de otras variables. Esto nos permite predecir matemáticamente el comportamiento de
sucesos futuros, simular experimentos, generar señales y procesar información, entre otras
utilidades.
La ingeniería en computación se encuentra cimentada en la electrónica binaria, y ésta a
su vez se basa en la electricidad y magnetismo, por lo que podemos afirmar que el estudio de
las ecuaciones diferenciales que explican el funcionamiento de los sistemas de hardware
subyacentes a toda la computación es de suma importancia. Dado que estos fenómenos son
también estudiados (y a mayor detalle) en la ingeniería eléctrica electrónica, esta
investigación se enfoca en otra aplicación menos conocida de las ecuaciones diferenciales
dentro de mi ingeniería, el procesamiento de datos en la computación gráfica y la inteligencia
artificial.

ECUACIONES DIFERENCIALES EN LA INGENIERÍA EN COMPUTACIÓN - APLICACIONES 2

 Modelos ocultos de Márkov
¿Qué es un modelo de Márkov?

Para cualquier sistema dado, un modelo de Márkov consiste en una lista de posibles
estados de ese sistema, los posibles trayectos de transición entre estos estados, y los
parámetros de rapidez de esas transiciones. En el análisis de confiabilidad las transiciones
usualmente consisten en fallas y reparaciones. Cuando se representa un modelo de Márkov
gráficamente, cada estado se muestra usualmente como una “burbuja”, con flechas
denotando los trayectos de transición entre estados, como se puede apreciar en la figura a
continuación que representa un único componente que posee sólo dos estados: funcionando
y detenido.

Estado 0: λ Estado 1:
Funcionando Detenido

El símbolo λ denota el parámetro de rapidez de la transición desde el Estado 0 al Estado

1. Además, se denota con Pj(t) la probabilidad de que el sistema se encuentre en el Estado j en
el momento t. Si se sabe que el dispositivo se encuentra funcionando en algún tiempo inicial
t=0, las probabilidades iniciales de los dos estados son P0(0) = 1 y P1(0) = 0. A partir de ese
momento, la probabilidad del Estado 0 decrece a la tasa constante λ, lo que significa que si el
sistema se encuentra en el Estado 0 en un instante dado, la probabilidad de pasar al Estado 1
durante el siguiente incremento de tiempo dt es λdt. Por tanto, la probabilidad total de que la
transición del Estado 0 al Estado 1 suceda durante un intervalo de incremento de tiempo
específico dt está dada al multiplicar la probabilidad de que el componente se encuentre en el
Estado 0 al comienzo de ese intervalo y la probabilidad de la transición durante un intervalo
dt dado que se encontraba en el Estado 0 al comienzo de ese incremento. Esto representa el
cambio de incremento dP0 de la probabilidad del Estado 0 en cualquier momento dado,
expresado con la siguiente relación fundamental:
dP0 = –(P0)(λdt)
Al dividir ambos lados de la ecuación entre dt, se obtiene la ecuación diferencial:

ECUACIONES DIFERENCIALES EN LA INGENIERÍA EN COMPUTACIÓN - APLICACIONES 3

 d P0
" = − λP0
dt
Esto significa que el trayecto de transición desde un estado dado a cualquier otro estado
reduce la probabilidad del estado original a una tasa igual al parámetro de rapidez λ
multiplicado por la probabilidad actual del estado. Ahora, dado que la probabilidad total de
ambos estados debe sumar 1, se tiene que la probabilidad del Estado1 debe incrementarse a
la misma tasa a la que la probabilidad del Estado 0 decrece. Así pues, las ecuaciones para este
simple modelo son:
d P0 d P1
" = − λP0 " = λP0 " 0 + P1 = 1
P
dt dt
La solución a estas ecuaciones, con las condiciones iniciales P0(0) = 1 y P1(0) = 0, es:
" 0(t) = e −λt
P " 1(t) = 1 − e−λt
P
La forma de esta solución explica el porqué las transiciones con tasas constantes son
algunas veces llamadas “transiciones exponenciales”, puesto que los tiempos de transición
están distribuidos de manera exponencial. Además, es claro que la probabilidad total de
todos los estados se conserva. La probabilidad simplemente “fluye” de un estado al otro.
(Brown, 2016)

¿Qué es un modelo oculto de Márkov?

Un modelo oculto de Márkov es una herramienta para representar distribuciones de

probabilidad sobre secuencias de observaciones. Denotemos la observación en el momento t
con la variable Yt. Cuando no se requiere procesar señales continuas, e asume que las
observaciones son realizadas en intervalos de tiempo discretos y uniformes, para que t pueda
ser un índice entero de tiempo.
El modelo oculto de Márkov obtiene su nombre a partir de dos propiedades
importantes. Primero, asume que la observación en el momento t fue generada por un
proceso cuyo estado St se encuentra oculto al observador. Segundo, asume que el estado de
este proceso oculto satisface la propiedad de Márkov, esto es, dado el valor de St-1, el estado
actual St es independiente de todos los estados precedentes a t – 1. En otras palabras, el
estado en algún momento encapsula todo lo que se requiere saber acera de la historia del
proceso para así predecir el futuro del proceso. Las salidas también satisfacen una propiedad
de Márkov con relación a los estados: dado St, Yt es independiente de los estados y
observaciones en cualquier otro índice de tiempo.

ECUACIONES DIFERENCIALES EN LA INGENIERÍA EN COMPUTACIÓN - APLICACIONES 4

 ( ) ( ) ( )∏ ( ) ( )
T
P
" S1:T, Y1:T = P S1 P Y1 S1 P St St−1 P Yt St
t=2

Esta probabilidad se puede representar gráficamente de acuerdo a la Figura 1.

Figura 1: Esta gráfica, también conocida como red Bayesiana, red de confianza, modelo
probabilístico gráfico o red de probabilidad independiente, muestra las dependencias entre las
variables del modelo.

(Ghahramani, 2001)

¿Cómo son usados los modelos ocultos de Márkov?

Los modelos ocultos de Márkov pueden usarse, entre otras cosas, para clasificar formas
en 2D (también denominado reconocimiento de objetos planos). Las formas se representan
por contornos modelados con coeficientes de curvatura: la curvatura es un escalar que
representa un estimado de la segunda derivada del límite de la forma. De esta manera,
empezando en un punto genérico del límite de la figura, un objeto se representa por una
secuencia de coeficientes de curvatura, esto es, una señal de curvatura. Estas representaciones
de formas son usadas para entrenar un modelo oculto de Márkov continuo, donde la
probabilidad de transición de cada estado se representa por una función de Gauss
unidimensional.
El entrenamiento se detiene ante una aparente convergencia de resultados. Cada
modelo oculto de Márkov se inicializa cuidadosamente usando el Modelo de Combinación
de Gauss. El número de estados es estimado usando el Criterio de Inferencia Bayesiano. Este
método escoge el modelo al realizar un análisis de selección de modelos de la fase de
agrupación del modelo de combinación de Gauss, esto es, se escoge la combinación que
mejor se ajusta a los datos recabados. Al final de esta fase, se tiene un modelo oculto de
Márkov λi por cada objeto o forma obji.

ECUACIONES DIFERENCIALES EN LA INGENIERÍA EN COMPUTACIÓN - APLICACIONES 5

 Posteriormente, cuando se desea calcular la probabilidad de que una secuencia (forma)
desconocida pertenezca a a una clase Cl (por ejemplo, rectángulo, círculo, triángulo), se
utiliza la fórmula:

( )
l" = arg max P O λi
i
(Bicego, 2003)

Conclusiones
Los modelos ocultos de Márkev son herramientas útiles empleadas en prácticamente
todos los sistemas de reconocimiento de voz, biología molecular, computación gráfica y otros
sistemas de reconocimiento de patrones. Estos modelos se basan en varios conceptos
matemáticos, incluyendo a las ecuaciones diferenciales.
Las ecuaciones diferenciales permiten calcular los parámetros de rapidez de transición
entre distintos estados, y estos a su vez son usados para clasificar formas bidimensionales de
acuerdo a los datos empleados durante el entrenamiento del algoritmo.
Por otro lado, es importante recalcar que existen otros usos de los modelos ocultos de
Márkev mucho más avanzados, como el reconocimiento facial o la detección de las caras de
un objeto tridimensional, pero que utilizan conceptos matemáticos aún fuera de mis
conocimientos actuales.
Espero poder seguir aprendiendo las matemáticas sin las cuales la ingeniería en
computación (y todas las demás) no existiría(n), y también disfrutar la belleza con la que
sistemas sumamente complicados a primera vista tienen aplicaciones prácticas en la vida
cotidiana, para después descubrir que simplemente se basan en una pirámide que se puede
descomponer en principios matemáticos elementales.

Bibliografía
Brown, K. (2016). Markev Models and Reliability. 1st ed. Kevin Brown.

Ghahramani, Z. (2001). An Introduction to Hidden Markov Models and Bayesian

Networks. International Journal of Pattern Recognition and Artificial Intelligence, 15(1), pp.9-42.

Bicego, M. (2003). Hidden Markov Models for Pattern Recognition and Computer Vision:

methodological issues and applications. Ph.D. Università degli Studi di Verona.

ECUACIONES DIFERENCIALES EN LA INGENIERÍA EN COMPUTACIÓN - APLICACIONES 6