Professional Documents
Culture Documents
MÉTODOS NUMÉRICOS
EN INGENIERÍA
BIOMÉDICA
Edita
Universidad Internacional de Valencia
Máster Universitario en
Ingeniería Biomédica
Los términos resaltados a lo largo del contenido en color naranja se recogen en el apartado GLOSARIO.
Índice
5
Índice
Internacional
de Valencia
4.3.1. Formulación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
GLOSARIO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
BIBLIOGRAFÍA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6
Capítulo 1
El análisis bioestadístico
7
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos
o medidas de interés sobre los que se hace un estudio. Si se refiere a una población finita y pequeña,
se pueden medir todos los individuos para tener un conocimiento exacto de los parámetros de esa
población.
Ejemplo
Si, por el contrario, se refiere a una población infinita o grande, es imposible e incosteable medir a
todos los individuos; en este caso se tendrá que sacar una muestra representativa de dicha pobla-
ción, y con base en las características medidas en esta representación (estadísticos) se podrán hacer
afirmaciones acerca de los parámetros de la población (Figura 1). Un parámetro hace referencia a un
valor de la población, mientras que un estadístico lo hace de la muestra. Cuando un estadístico de una
muestra se usa para conocer el valor de un parámetro de la población recibe el nombre de estimador.
POBLACIÓN
(Individuos con enfermedad MUESTRA
coronaria en España) (Representativa con enfermedad
Aleatoriamente coronaria en España)
PARÁMETROS
(Siempre desconocidos)
n=? v =?
ESTADÍSTICOS
(conocidos) x, S
Inferencia
Figura 1. Relación entre población y muestra, parámetros y estadísticos. Adaptado de Análisis y diseño de expe-
rimentos (p. 14), por H. Gutiérrez y R. de la Vara, 2012, Ciudad de México: McGraw-Hill.
8
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Ejemplo
Si se quiere estudiar el universo de los individuos con enfermedad coronaria en una deter-
minada región geográfica, muchas veces será imposible que todos los individuos de ese
universo sean accesibles al muestreo, pues habrá motivos de diversa índole, entre otros,
socioeconómicos, para que esto sea así.
Un asunto importante será lograr que las muestras sean representativas, en el sentido de que tengan
los aspectos clave que se desean analizar en la población. Una forma de lograr esa representatividad
es diseñar de manera adecuada un muestreo aleatorio (azar), donde la selección no se haga con
algún sesgo en una dirección que favorezca la inclusión de ciertos elementos en particular, sino que
todos los elementos de la población tengan las mismas oportunidades de ser incluidos en la muestra.
Existen varios métodos de muestreo aleatorio, por ejemplo: el simple, el estratificado, el muestreo
sistemático y por conglomerados; cada uno de ellos logra muestras representativas en función de los
objetivos del estudio y de ciertas circunstancias y características particulares de la población. Para
mayor detalle sobre estos métodos de muestreo aleatorio, se recomienda el libro de Gutiérrez (2010).
Cuando no es posible estudiar el total del universo, se selecciona una muestra y, a partir de ella, se hacen
inferencias sobre la población; este es el campo de la estadística inferencial. El objetivo de la inferencia
estadística es hacer afirmaciones válidas acerca de la población o proceso con base en la información
contenida en una muestra. Estas afirmaciones tienen por objetivo caracterizar mejor a la población y,
en muchos casos, coadyuvar en la toma de decisiones. La inferencia estadística por lo general se divide
en estimación y prueba de hipótesis, y se apoya en cantidades o datos estadísticos calculados a partir
de las observaciones en la muestra. Un estadístico se define como cualquier función de los datos mues-
trales que no contiene parámetros desconocidos. Un ejemplo estadístico es la media muestral x con la
cual se tratan de hacer afirmaciones sobre la media µ, que es un parámetro poblacional.
9
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
En términos generales, existen dos tipos de procedimientos mediante los cuales se obtiene una
muestra: muestreo probabilístico y muestreo no probabilístico. Solo para el muestreo probabilístico
existen procedimientos estadísticamente seguros que permiten hacer inferencias, a partir de una
muestra, sobre la población.
Una muestra probabilística es aquella extraída de una población, de tal manera que todo miembro de
la población tenga una probabilidad conocida, mayor de 0, de ser incluido en la muestra. Se reconocen
cuatro tipos de muestreos probabilísticos:
•• Muestreo aleatorio estratificado. El principio básico en que se apoya este tipo de muestreo es
dividir la población en estratos con el fin de obtener representatividad de los distintos subgru-
pos que componen la población y hacer comparaciones entre ellos. En cada uno se selecciona
una muestra, cuya suma representa la muestra total. En este tipo de muestreo, los estratos se
consideran como poblaciones independientes. Una vez que se ha decidido cuántos elementos
de cada estrato se deben seleccionar, solo resta aplicar los criterios del muestreo aleatorio
simple a cada estrato.
•• Muestreo por racimos o conglomerados. A diferencia del muestreo estratificado en que se to-
man todos los subgrupos, en el muestreo por conglomerados solo algunos subgrupos se selec-
cionan aleatoriamente. Después, se registran las características de todos los elementos del
conglomerado seleccionado, o bien, se selecciona una muestra de él. El muestreo por conglome-
rados puede verse como un muestreo en etapas, en el que cada etapa es en sí un muestreo alea-
torio simple. Este es un procedimiento de gran ayuda cuando los estudios son a gran escala. Su
ventaja principal es el ahorro de recursos y tiempo.
10
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Tabla 1
Cálculos estadísticos para cada tipo de muestreo probabilístico
En las muestras así obtenidas es posible calcular proporciones, razones, medias, varianzas. Sin
embargo, algunas de estas fórmulas sufren modificaciones, principalmente porque el valor de N, tamaño
del universo, cambia por el de n, tamaño de la muestra. Entre las estimaciones más frecuentes se
encuentran:
Media muestral
/ ni = 1 x i
x=
n
donde xr representa la media muestral y n, el total de elementos en la muestra.
Aleatorio simple
Varianza muestral
/ ni = 1 (x i – x) 2
s2 =
n–1
En la que s2 representa la varianza muestral y n – 1 son los grados de libertad.
Desviación estándar muestral
s = s2
Proporción muestral
a
pt =
a+b
En esta fórmula, pt representa la proporción muestral, a se refiere al total de elementos en la muestra
que tienen la característica de interés, b es el total de elementos de la muestra que no tienen dicha
característica y a + b es igual al tamaño n de la muestra.
Proporción muestral
/ Lh = 1 N h pt h
pt str =
N
Aleatorio estratificado
donde pt str representa la proporción muestral estimada mediante muestreo estratificado, L es igual al
total de estratos, h identifica cada estrato con un número progresivo que va de 1 a L, Nh es el tamaño de
la población para el estrato h-ésimo, y pt h es la proporción muestral en el estrato h-ésimo.
Media muestral
/ Lh = 1 N h x h
x str =
N
en la que xr str representa la media muestral estimada por medio del muestreo estratificado y xr h es
la media muestral en el estrato h-ésimo. En el caso de que el grupo muestreado en cada estrato sea
proporcional a su tamaño en el universo, se pueden utilizar las fórmulas del muestreo aleatorio simple.
Aquí se presenta la fórmula para estimar la media por unidad de listado cuando se desconoce N. Esta
Conglomerado
fórmula es sencilla, pero tiene el inconveniente de proporcionar un estimador sesgado. Sin embargo,
el sesgo es despreciable en la mayoría de las ocasiones. Otras fórmulas se pueden encontrar en textos
especializados de muestreo:
/ mi = 1 / nij = 1 x ij
x clu =
/ mi ni
Las fórmulas necesarias para calcular los estimadores son semejantes a las utilizadas en el muestreo
Sistemático
aleatorio simple.
Nota: Adaptado de Bioestadística (pp. 63-69), por A. de J. Celis de la Rosa, 2014, Ciudad de México: El Manual Moderno.
11
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
•• Muestreo de casos consecutivos. Entre los muestreos no probabilísticos, este es el que más se
aproxima a la selección aleatoria y se puede utilizar en una gran variedad de investigaciones.
Consiste en estudiar a todos los sujetos accesibles que se puedan identificar durante el tiempo
en que se realiza el estudio.
•• Muestreo en bola de nieve. En este muestreo, a los sujetos estudiados se les pide que recomien-
den a otros sujetos, a los que se buscará para entrevistarlos.
•• Muestreo a criterio. Este muestreo contempla la selección de sujetos que, a juicio del investiga-
dor, podrán proporcionar mayor información entre la población estudiada.
Caso estudiado, muestra y población no se definen por separado, de forma aislada: haga
siempre la definición conjunta.
12
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
La expresión nivel de confianza no debe entenderse como una expresión de credulidad, sino en el
sentido de que se está seguro de que, si se repite la estimación 100 veces, 95 veces se estará en lo
cierto y las restantes 5, equivocados.
Estudie siempre con sumo cuidado cómo se definen las unidades. Dos estudios, para poder
ser comparados, requieren la misma definición de las unidades.
También deben acotarse los posibles errores en la inferencia estadística. Diferentes hechos hacen
irreal cualquier muestra aleatoria. En primer lugar, los individuos tienen derecho a rechazar su partici-
pación en el estudio, o incluso abandonarlo en cualquier momento. En segundo lugar, no se dispone de
definiciones operativas de las poblaciones; por ejemplo, no hay ningún listado con todos los pacientes
de una determinada enfermedad. Todos estos fenómenos no aleatorios pueden provocar distorsiones
no aleatorias llamadas sesgos.
Al pasar de la muestra a la población, en el proceso inferencial hay dos posibles fuentes de errores: los
errores aleatorios, que la estadística les ayudará a cuantificar; y los errores sistemáticos, o sesgos,
cuya posible existencia deberá estudiarse —para el caso de la bioestadística— a la luz de los cono-
cimientos clínicos del grupo de investigadores. Un buen estudio debe en primer lugar, cuantificar la
magnitud del error aleatorio.
En segundo lugar debe justificar que la magnitud de este error es razonable para los objetivos del
estudio. Y en tercer lugar, debe defender la ausencia de sesgos, que podrían haberse producido por
desviaciones de la aleatoriedad de la muestra.
La inferencia estadística solo cuantifica la magnitud del error aleatorio. Si durante el estudio
un número elevado de casos se rehúsa a participar, el investigador deberá notificar clara-
mente esta situación y discutir hasta qué punto compromete o invalida las conclusiones.
13
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
Una hipótesis de investigación es una proposición o declaración realizada por el investigador cuando
este especula acerca de un resultado final de una investigación o experimento. Por lo que la idea de
la investigación es generar evidencia en favor de su hipótesis, aunque puede darse el caso de que la
evidencia llegue a rechazar la afirmación original. Usualmente la hipótesis es generada a partir de
ciertos elementos observados y de un proceso de razonamiento inductivo. Es deseable que la hipó-
tesis sea realista y comprobable, para así facilitar el diseño de la investigación.
Ejemplo
Una hipótesis puede ser, por ejemplo: “el colesterol LDL difiere entre individuos con
y sin síndrome metabólico” o, “el conjunto de individuos estudiados, con una glucemia
media de 102 mg/dl, pertenece a un universo distinto de otro cuya media es de 90 mg/
dl”. En el primer caso se postula la existencia de dos universos, uno formado por los indi-
viduos con síndrome metabólico y otro por los individuos que no lo padecen. Más exacta-
mente, los universos están formados por las cifras de colesterol LDL en cada una de las
dos condiciones. En el segundo caso, la comparación surge entre una media muestral, y la
media de un universo teórico. Para evaluar una hipótesis, en general se necesitan mues-
tras representativas de las poblaciones en estudio. Como se verá, el método consiste en
comparar las medias u otros valores muestrales, y a partir de ellos realizar las correspon-
dientes inferencias acerca de las características de los respectivos universos. Si bien es
muy frecuente estar interesado en las medias, las hipótesis pueden referirse también a
otros parámetros de las poblaciones, entre ellos las varianzas. Como queda dicho, lo que
se desea frecuentemente es establecer si existe una diferencia entre los parámetros de
dos universos: ¿son diferentes las medias universales del colesterol LDL en los individuos
con y sin síndrome metabólico, como lo sugieren las muestras? ¿Las glucemias del grupo
en estudio, podrían provenir de un universo con una determinada media? Las preguntas
se refieren a los universos, mientras que los datos de los que se dispone provienen de las
muestras.
Un buen estudio de investigación clínica debe dejar bien clara la relación secuencial, pero
separada, entre la significación estadística y la significación clínica. Un hallazgo de signi-
ficación estadística no debe conducir de modo automático a una conclusión de impor-
tancia clínica. La prueba de hipótesis solo valora de modo indirecto la verdad basal de un
hallazgo al limitar el número de veces que se alcanza una conclusión errónea. La verosimi-
litud biológica, el tamaño del efecto, la aplicabilidad a la población de pacientes y el coste
son algunos de los factores que hay que considerar al determinar si un hallazgo estadísti-
camente significativo (es decir, resultado positivo) es también relevante desde un punto
de vista clínico.
>>>
14
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
>>>
Por ejemplo, en los estudios sobre fármacos relacionados con los tratamientos frente al
cáncer, con frecuencia se detecta una diferencia estadísticamente significativa en la super-
vivencia durante varios meses con la medicación del experimento en comparación con el
placebo. Sin embargo, es preciso tener en consideración los factores mencionados previa-
mente antes de concluir que el beneficio con el empleo del nuevo medicamento sea clínica-
mente significativo.
Cuando se está interesado en verificar una hipótesis mediante la comparación de dos poblaciones
y no es posible estudiar en su totalidad ambos universos, se suele tomar una muestra de cada
grupo y a partir de ellas inferir los parámetros de ambas. Esto se realiza con la esperanza de que
las muestras estudiadas brinden información suficiente para tomar una decisión correcta sobre
la igualdad o diferencia de las dos poblaciones. Para ello, se sigue la ruta crítica que se presenta a
continuación:
1. Primero se asume que los parámetros ( i ) de ambas poblaciones son idénticos y no existe dife-
rencia entre ellos. De esta manera se define lo que se conoce como la hipótesis nula, H0.
2. Luego se calculan los estadísticos ( it ) en las muestras obtenidas de las poblaciones de interés.
Si se diera el caso de que los estadísticos calculados en las muestras extraídas de los univer-
sos en estudio fueran idénticos, se podría concluir que no existen diferencias entre las pobla-
ciones y se daría por terminado el estudio.
3. Si los estadísticos calculados a partir de las muestras son diferentes, en principio se pensaría
que la diferencia se debe al azar. En otras palabras, dado que hasta este momento se considera
que la hipótesis nula es verdadera, la diferencia se explica porque en una de las poblaciones se
han seleccionado, por azar, elementos con valores diferentes de los seleccionados en la otra
población.
4. En seguida se hace la pregunta: si las muestras que se están comparando proceden de un mis-
mo universo, o de universos que son iguales, ¿qué tan probable es observar una diferencia
como la que se está observando? Para responderla, se calcula la probabilidad de que la dife-
rencia se deba al azar.
6. Si la probabilidad de que los resultados se deban al azar es muy alta, entonces no se puede
descartar que el azar sea la explicación de la diferencia observada y se acepta la hipótesis nula.
7. Por otra parte, si la probabilidad de que los resultados se deban al azar es muy baja, entonces
se piensa que debe ser otra, y no el azar, la causa que explique las diferencias encontradas y se
rechaza la hipótesis nula.
15
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
Al comparar dos medias muestrales la hipótesis nula más frecuente suele ser que las medias de los
respectivos universos son iguales y que las diferencias observadas entre las medias muestrales
se han debido al azar. En general lo que se busca son diferencias entre los universos o poblaciones
y como ya se ha dicho, la forma de poder afirmarlas es tener suficientes argumentos como para
rechazar la hipótesis nula, es decir, como para poder demostrar que dicha hipótesis tiene muy bajas
probabilidades de ser cierta. Denotando las medias de los universos con n 1 y n 2 , si la hipótesis
nula es verdadera entonces debe ser n 1 – n 2 = 0 , y en este caso la diferencia entre las medias de
las muestras x 1 – x 2 debería también ser o estar muy próxima a cero. De modo que, cuanto mayor
sea la diferencia hallada entre las medias de las muestras, mayor será la evidencia en contra de la
hipótesis nula.
La clave para evaluar la diferencia encontrada entre las medias muestrales, es tomar en cuenta
que esta diferencia es una nueva variable, cuya distribución es normal si lo es la distribución de x 1 y x 2 ,
y cuyo valor esperado por hipótesis nula es cero. De esta forma, lo que se evalúa es el grado de
alejamiento de la diferencia de medias hallada en las muestras, x 1 – x 2 , del valor 0 esperado por
hipótesis nula. Formalmente, se compara la diferencia de medias muestrales con la diferencia de
medias universales de la hipótesis nula, esto es: ^ x 1 – x 2h – ^ n 1 – n 2h , y como el segundo término es
igual a cero, la prueba de la hipótesis se reduce a evaluar si la diferencia de medias hallada en las
muestras se aleja significativamente de cero. La probabilidad de encontrar medias muestrales que
presenten por azar diferencias iguales o mayores que las encontradas, se obtiene de las tablas de
la distribución normal.
Los procedimientos por los cuales se evalúan las hipótesis se denominan pruebas o test de signifi-
cación estadística. Tales procedimientos consisten en el cálculo a partir de los datos muestrales,
de ciertos valores o estadísticos que, como se verá, permiten determinar en qué grado se acercan o
se alejan los valores muestrales de aquéllos esperados por hipótesis y, en consecuencia, calcular la
probabilidad de que una hipótesis sea verdadera.
El procedimiento para probar una hipótesis estadística parte del supuesto de que las poblaciones a
comparar son iguales, y de que en esas poblaciones se seleccionará una muestra de cada población.
Independientemente de que las poblaciones sean iguales o no, con toda seguridad los estadísticos
calculados a partir de las muestras, por puro azar, serán diferentes a los parámetros en las pobla-
ciones de donde se tomaron las muestras. Por tanto, no puede aceptarse que cualquier diferencia
observada entre las muestras sea evidencia de que las poblaciones estudiadas son diferentes, pero
tampoco se acepta que todas las diferencias observadas se expliquen por azar. Para resolver este
conflicto, en estadística se ha definido el concepto de nivel de significancia. Este nivel define un valor
de probabilidad que ayuda a rechazar la hipótesis nula, aunque las poblaciones de donde se tomen las
muestras sean iguales entre sí. Por otra parte, también es posible que, siendo las poblaciones dife-
rentes, las muestras, por puro azar, lleguen a ser semejantes.
16
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Al evaluar estadísticamente una hipótesis, se comparan dos parámetros. Se espera que, si los pará-
metros son diferentes, el análisis señale que ellos son diferentes o que, si son iguales, el resultado lo
indique. Sin embargo, puede ocurrir que, siendo los parámetros iguales, el resultado de la prueba diga
que son diferentes y se rechace una hipótesis nula verdadera (error tipo I o error a) o que, siendo los
parámetros diferentes, se concluya a partir del análisis estadístico que son iguales, aceptando como
verdadera una hipótesis nula falsa (error tipo II o error b).
La probabilidad de cometer uno u otro tipo de error está determinada por dos aspectos: la diferencia
entre las poblaciones en estudio y el tamaño de la muestra. Al verificar una hipótesis, el investigador
desearía que la probabilidad de cometer un error a o b fuera pequeña. Sin embargo, ambos errores
mantienen una relación muy particular cuando el tamaño de la muestra se mantiene constante: al
disminuir la probabilidad de cometer un error a aumenta la probabilidad de cometer un error b, y vice-
versa. Dada esta relación, generalmente el investigador decide minimizar la probabilidad de cometer
el error a, que generalmente se considera el de mayor trascendencia.
Para lograrlo, se acostumbra que el valor de a sea 0,05, aunque también se pueden utilizar otros
valores como 0,1 o 0,01. Mientras más graves se consideran las consecuencias de cometer un error a,
más pequeño deberá ser su valor. En la práctica, el valor de a se conoce como nivel de significancia,
y cuando la probabilidad de la diferencia observada entre las muestras es igual o menor que el nivel
de significancia, se rechaza la hipótesis nula para aceptar la hipótesis alterna y se decide que la dife-
rencia observada es estadísticamente significativa. Por otra parte, generalmente se desconoce la
probabilidad de cometer un error b. Por este motivo, hay que ser muy cuidadosos al aceptar una hipó-
tesis nula diciendo que “no se encontró diferencia estadísticamente significativa”, pero generalmente
nunca se concluye que las muestras estudiadas proceden de poblaciones iguales.
Ejemplo
En el problema del colesterol LDL planteado al inicio de la sección 1.2, si fuera cierta la hipó-
tesis nula que plantea que “los niveles de colesterol LDL son los mismos en individuos con
y sin síndrome metabólico”, habría que esperar una diferencia entre las medias muestrales,
igual o muy próxima a cero.
En este caso, la variable que se examina en busca de información acerca de diferencias entre
los universos con y sin síndrome metabólico es la diferencia entre las medias de cada una
de las dos muestras: si fuera muy distinta de cero se podría deducir que los respectivos
universos deben diferir entre sí en lo que se refiere al colesterol LDL.
Para probar la hipótesis con variables normalmente distribuidas, la diferencia hallada entre
las medias de las dos muestras se divide por una estimación de su error estándar para así
poder apreciar la magnitud de su desviación de cero en los términos de una variable estan-
darizada.
>>>
17
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
>>>
Los estadísticos calculados a partir de las muestras, como las diferencias entre medias,
siguen funciones de probabilidad ya tabuladas y permiten estimar la probabilidad (P) de
que esas diferencias hayan ocurrido por azar de muestreo. Si esa probabilidad es grande,
se acepta que las diferencias encontradas pueden haberse debido simplemente a las fluc-
tuaciones del muestreo y, en el caso del colesterol LDL habría que aceptar la hipótesis
nula de medias iguales y no habría motivo para suponer que el colesterol LDL de los indi-
viduos con síndrome metabólico constituya un universo diferente al del colesterol LDL
de los individuos sin el síndrome. Si por el contrario, la probabilidad de una diferencia
igual o mayor a la hallada es muy baja, P < 0,05, se debe aceptar que una diferencia tal,
difícilmente pueda provenir del azar al muestrear un mismo universo, y que las diferencias
observadas en las muestras representan diferencias reales existentes entre distintos
universos. En el ejemplo, habría que aceptar que individuos con y sin síndrome metabólico
deben tener niveles diferentes de colesterol LDL. En esta eventualidad, la hipótesis nula
sería rechazada y la hipótesis alternativa, de distintos niveles de LDL, sería automática-
mente aceptada.
1. Aquellos que suponen la distribución normal de los datos e incluyen los parámetros en el cálcu-
lo de los estadísticos de prueba, por ejemplo, las pruebas de t, z y F, que en conjunto se recono-
cen como pruebas paramétricas.
2. Aquellos que no consideran la distribución normal de los datos, pero que sí incluyen un paráme-
tro en el cálculo de probabilidad (el cálculo exacto de probabilidad mediante las distribuciones
binomial y de Poisson), que se identifican como procedimientos libres de distribución.
18
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Existen métodos que permiten la evaluación de diversas hipótesis, en especial en pruebas de signifi-
cación estadística entre muestras, sin necesidad de asumir un tipo determinado de distribución de los
datos, como podrían ser la distribución normal, la binomial o cualquier otra. Esto significa que dichos
métodos operan sin necesidad de estimar los parámetros de las poblaciones de donde provienen las
muestras (varianza, desvío estándar), y por este motivo son conocidos como métodos no paramé-
tricos. Con estos métodos, no solo son innecesarias las estimaciones de parámetros de población,
sino que estos no intervienen en las pruebas de hipótesis.
En ocasiones, no solo puede ser incierto el tipo de distribución de los datos, sino que estos pueden
carecer de escalas de medición adecuadas, y en estos casos ha demostrado utilidad proceder a su
evaluación comparativa, sin adjudicarles medidas sino posiciones o rangos dentro del conjunto. Así,
al evaluar el efecto de varios analgésicos, estos pueden ser clasificados según su eficacia relativa
respecto de los otros, en una escala de eficacia ascendente o descendente. Otro tanto ocurre al clasi-
ficar la intensidad del dolor anginoso de uno a diez, o al graduar la capacidad funcional según la infor-
mación proporcionada por el paciente.
Si bien es difícil contar con unidades precisas para la medición del dolor o la capacidad funcional
según escalas subjetivas, la ordenación de las variables (analgesia, intensidad del dolor, capacidad
funcional) según la magnitud de las distintas observaciones, suele ser eficaz y permitir compara-
ciones entre distintos grupos sin ser necesario que los números o rangos asignados a cada individuo
se distribuyan según una función de probabilidad conocida. En estas circunstancias tienen aplicación
los métodos no paramétricos.
Si bien los métodos no paramétricos tienen la ventaja de requerir menos trabajo de cálculo
que los demás métodos basados en estimaciones de los parámetros de las poblaciones, y
en este sentido se consideran métodos rápidos, los recursos de computación con los que
actualmente se cuenta han hecho que lo sencillo y rápido del cálculo pase a segundo plano y
así, la principal utilidad de los métodos no paramétricos son los casos en donde no se puede
llegar a conocer el tipo de distribución subyacente en las muestras, o bien no existen escalas
adecuadas para las mediciones y, en cualquier caso, la estimación de parámetros en los que
basar los cálculos no es factible.
19
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
Supóngase una muestra aleatoria simple ^ X 1, X 2, ..., X n h de una población desconocida. El problema de
bondad de ajuste consiste en resolver contrastes del tipo:
Para resolver un problema de bondad de ajuste cabe distinguir principalmente dos métodos:
20
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Cuando se requiere la comparación de dos medias muestrales en grupos no apareados, los proce-
dimientos de inferencia son análogos a los ya vistos para muestras grandes. En general, las mues-
tras a comparar pueden estar formadas por individuos diferentes, o por los mismos individuos
antes y después de alguna intervención o de algún posible cambio en las variables en estudio. En
el primer caso, se habla de muestras no apareadas, por lo que se entiende que no hay correlación
estadística entre los datos de las dos muestras. Como se sabe, al comparar las medias de dos
muestras, la hipótesis nula suele ser que provienen de universos con la misma media, de modo
que µ1 = µ2 y por lo tanto µ1 – µ2 = 0. De acuerdo a esta hipótesis, se espera que las diferencias
entre las medias muestrales x 1 – x 2 , presenten una distribución en forma de campana con centro
en 0, y la prueba consiste en dividir la diferencia encontrada por su error estándar, lo que propor-
ciona un valor de t (distribución t de Student). Este a su vez permite encontrar en las tablas de la
distribución, la probabilidad de una diferencia x 1 – x 2 igual o mayor que la hallada en el estudio.
Si esa probabilidad es suficientemente pequeña, la hipótesis de medias de población iguales
debe ser rechazada, aceptándose la hipótesis alternativa de medias diferentes. Para estudios no
paramétricos figura la prueba de la U de Mann-Whitney, donde no se supone que los datos sigan
una distribución normal. Los datos no son pareados, pero representan mediciones realizadas
en dos grupos que difieren en algún modo, por ejemplo, expuestos frente a no expuestos. Con
esta prueba se busca conocer si la diferencia en las mediciones entre los dos grupos es estadís-
ticamente significativa al comparar las medianas. La prueba de Kruskall-Wallis es otra prueba
no paramétrica que puede emplearse para determinar si las medianas de dos muestras son dife-
rentes. A diferencia de la prueba de la U de Mann-Whitney, no se limita solo a dos muestras. Sin
embargo, al igual que con la prueba de la U de Mann-Whitney, se supone que las muestras son
aleatorias e independientes. Para mayor detalle puede revisarse la bibliografía de Nordness
(2006) o la de Esper y Machado (2008).
La regresión logística es una variación de la regresión lineal utilizada para describir la relación entre
dos o más variables cuando la variable de desenlace dependiente es dicotómica y las variables inde-
pendientes son de cualquier tipo.
Se ha visto que a partir de los datos muestrales puede determinarse una ecuación de regresión,
que corresponde a una recta de regresión con respecto a la cual, la sumatoria de las distancias de
los puntos muestrales elevadas al cuadrado, es un mínimo. Cuando se estudia la regresión entre dos
variables (regresión simple), en general siempre interesa más conocer el efecto de una de ellas sobre
la otra.
21
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
Sean dos variables X y Y, suponga que se quiere explicar el comportamiento de Y con base en los valores que
toma X. Para esto, se mide el valor de Y sobre un conjunto de n valores de X, con lo que se obtienen n parejas
de puntos ^ x 1, y 1 h, ^ x 2, y 2h, ..., ^ x n, y n h . A Y se le llama la variable dependiente o la variable de respuesta y a
X se le conoce como la variable independiente o la variable regresora. La variable X no necesariamente es
aleatoria, ya que en muchas ocasiones el investigador fija sus valores; en cambio, Y sí es una variable alea-
toria. Una manera de estudiar el comportamiento de Y con respecto a X es mediante un modelo de regresión
que consiste en ajustar un modelo matemático de la forma Y = f ^ X h a las n parejas de puntos. Con ello, se
puede ver si dado un valor de la variable independiente X es posible predecir el valor promedio de Y.
Suponga que las variables X y Y están relacionadas linealmente y que para cada valor de X, la variable
dependiente Y es una variable aleatoria. Es decir, que cada observación de Y puede ser descrita por
el modelo Y = b 0 + b 1 X + f donde f es un error aleatorio con media cero y varianza v2, b0 y b1 son los
parámetros del modelo, los cuales son constantes que son necesario estimar. También suponga que
los errores aleatorios no están correlacionados. La ecuación de Y es conocida como el modelo de
regresión lineal simple. Bajo el supuesto de que este modelo es adecuado y como el valor esperado
del error es cero, E ^f h = 0 , se puede ver que el valor esperado de la variable Y, para cada valor de X
está dado por la línea recta E ^Y | X h = b 0 + b 1 X .
Para tener bien especificada la ecuación que relaciona las dos variables será necesario estimar los
dos parámetros, que tienen los siguientes significados: b0 es el punto en el cual la línea recta inter-
cepta o cruza el eje y, y b1 es la pendiente de la línea, es decir, la cantidad en la que se incrementa o
disminuye la variable Y por cada unidad que se incrementa X.
Ejemplo
Entre el período eyectivo del ventrículo izquierdo y la frecuencia cardiaca, en general inte-
resará saber qué valores puede tomar el primero para diferentes frecuencias cardiacas,
mientras que difícilmente se esté interesado en estimar la frecuencia cardiaca a partir de
la medición del período eyectivo. La ecuación que da el período eyectivo (u) en función de la
frecuencia cardiaca (x) tendrá la forma Eyectivo = a + ^b · frecuencia cardiacah . Los valores
de a y b se obtienen de las muestras. Esto significa que en cualquier caso, para obtener una
ecuación de regresión se precisa un grupo de observaciones en las que basar los cálculos.
Luego, el investigador podrá aplicar los resultados al estudio de otros grupos. También
debería tenerse presente que los valores de la variable dependiente dados por la ecuación
de regresión para cada posible valor de la variable independiente, son los valores esperados
o más probables; por supuesto, existiendo cierto margen de error esperado. Es importante
tener en cuenta el rol de cada variable: cuando x actúa como independiente e y como depen-
diente, esta puede calcularse dando valores a x, hablándose entonces de regresión de y en x.
Esto implica que el mínimo de las distancias que determinan los parámetros a y b de la recta,
se toma en la dirección del eje vertical o de ordenadas. Es posible intercambiar ejes y calcular
la regresión de x en y, siendo la ecuación de la nueva recta en general diferente a la anterior,
ya que las distancias minimizadas se toman ahora a lo largo del eje horizontal. Sin embargo,
normalmente se trabaja con la regresión de y en x. En algunas oportunidades, x suele ser refe-
rida como variable predictora o covariable. La pendiente de la recta, b, toma el nombre de
coeficiente de regresión e informa el signo y magnitud de la relación entre x e y.
22
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Cuando se requiere evaluar la relación o contribución de una o más variables predictoras a la variable
dependiente o respuesta, se utiliza la regresión. Sin embargo, uno de los supuestos que debe cumplir
la variable dependiente Y a evaluarse es la distribución normal y la varianza homogénea o constante
de las subpoblaciones de datos en relación con cada valor de X. Lo anterior es una limitante cuando se
requiere evaluar la respuesta de algún proceso biológico medido como variable cuantitativa que no
siga una distribución normal (por ejemplo, concentración de alguna hormona), algún dato cualitativo o
cuantitativo resumido en proporciones (proporción de fallecimientos por sexo), variables de densidad
(número por área, volumen, periodo) como la tasa de incidencia acumulada (tasa de suicidios por año)
o alguna variable con respuesta binaria (presencia o ausencia de enfermedad).
Los modelos lineales generalizados permiten evaluar todas las variables mencionadas que presentan
distribuciones de probabilidad diferentes a la normal y varianzas inconstantes. Una variable cuantitativa
con distribución normal (Gaussiana) también puede ser evaluada por medio de un análisis lineal generali-
zado, cuyo resultado equivale al que obtendríamos por medio de la regresión lineal múltiple.
23
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
•• Función enlace.
La ecuación del modelo lineal generalizado es, en términos generales, igual a la ecuación de regresión
lineal múltiple: nYi = h ^ X i1, X i2, ..., X ik h = b 0 + b 1 X i1 + b 2 X i2 + ... + b k X ik en donde el valor medio esti-
mado de Yi está explicado por la función lineal predictiva h, es decir, la combinación específica de las
variables predictoras X i1, X i2, ..., X ik y en donde bk corresponde a los coeficientes o parámetros de la
regresión estimados a partir de los datos.
La bondad de los modelos lineales generalizados consiste en que se pueden aplicar con datos que
siguen diferentes distribuciones de probabilidad sin necesidad de transformarlos cuando no se
ajustan al supuesto de normalidad. Para profundizar en las distribuciones de probabilidad discretas
(Poisson, binomial) y continuas (gamma, exponencial), y sus diferentes tipos de error (el cambio de la
varianza con respecto a la media), se recomienda revisar las publicaciones de Walpole y Myers (1992)
y de Zuur, Ieno, Walker, Saveliev y Smith (2009), o algún libro especializado en probabilidad.
La elección del mejor modelo estará siempre determinada por el tipo de datos que se tengan. La
estructura del error del modelo lineal generalizado a construir se elegirá a priori, y estará determi-
nada por el tipo de distribución que siga la variable respuesta (dependiente). Es importante aclarar
que la distribución de las variables predictoras o independientes no definirá la estructura del error
que asumirá el modelo generalizado, ya que son variables aleatorias que se miden sin error. El tipo
de error (distribución) que se empleará en el modelo se definirá con base en el conocimiento que se
tenga sobre la variable respuesta; la información resumida por Celis y Labrada (2014) de la Tabla 2, se
puede utilizar como guía general.
Tabla 2
Distribuciones de probabilidad sugeridas para la ecuación del GLM
Distribución
Tipo de variable Ejemplos
del error
Error normal Cuantitativas continuas Talla
(gaussiano) Determinaciones bioquímicas
Cuantitativas discretas: Número de pacientes
Conteos sin un límite superior y sin
valores menores de 0
Error poisson Variables de densidad: Densidad poblacional
Conteos por unidad de volumen, rango, Tasas
área, profundidad.
Conteos agrupados Incidencia acumulada
>>>
24
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Tabla 2
Continuación
Distribución
Tipo de variable Ejemplos
del error
Nota: Adaptado de Bioestadística (p. 240), por A. de J. Celis de la Rosa, 2014, Ciudad de México: El Manual Moderno.
La regresión no lineal genera una ecuación para describir la relación no lineal entre una variable
de respuesta continua y una o más variables predictoras y predice nuevas observaciones. Utilice
la regresión no lineal en lugar de la regresión de mínimos cuadrados ordinarios cuando no pueda
modelar adecuadamente la relación con parámetros lineales. Los parámetros son lineales cuando
cada término del modelo es aditivo y contiene solo un parámetro que multiplica el término.
Para una explicación básica de la regresión no lineal, es importante entender las similitudes y diferen-
cias entre esta y la regresión lineal:
Similitudes:
•• Ambos análisis describen matemáticamente la relación entre una variable de respuesta y una o
más variables predictoras.
•• Tienen los mismos supuestos que pueden verificarse utilizando las gráficas de residuos.
Diferencias:
•• La diferencia fundamental entre las regresiones lineal y no lineal, y la base para los nombres de los
análisis, son las formas funcionales aceptables del modelo. Específicamente, la regresión lineal
requiere parámetros lineales mientras que la no lineal no. Utilice la regresión no lineal en lugar de
la regresión lineal cuando no pueda modelar adecuadamente la relación con parámetros lineales.
25
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
•• Una función de regresión lineal debe ser lineal en los parámetros, lo cual restringe la ecuación a
una sola forma básica. Los parámetros son lineales cuando cada término del modelo es aditivo
y contiene solo un parámetro que multiplica el término Y = b 0 + b 1 X 1 + b 2 X 2 + ... + b k X k , sin em-
bargo, una ecuación no lineal puede adoptar muchas formas diferentes.
•• La función que se elige suele depender del conocimiento previo de la forma de la curva de res-
puesta o del comportamiento de las propiedades físicas del sistema. Las formas no lineales
posibles incluyen cóncava, convexa, crecimiento y descenso exponencial, curva sigmoidal (S) y
curvas asintóticas. Debe especificarse la función que satisfaga los requisitos de conocimiento
previo y los supuestos de la regresión no lineal.
La regresión categórica cuantifica los datos categóricos mediante la asignación de valores numéricos a
las categorías, obteniéndose una ecuación de regresión lineal óptima para las variables transformadas.
La regresión categórica se conoce también por el acrónimo CATREG (del inglés, categorical regression).
El análisis de regresión lineal ordinario implica minimizar las diferencias de la suma de los cuadrados entre
una variable de respuesta (la dependiente) y una combinación ponderada de las variables predictoras (las
independientes). Las variables son normalmente cuantitativas, con los datos categóricos (nominales)
recodificados como variables binarias o de contraste. Como resultado, las variables categóricas sirven
para separar grupos de casos y la técnica estima conjuntos separados de parámetros para cada grupo. Los
coeficientes estimados reflejan cómo los cambios en los predictores afectan a la respuesta. La predicción
de la respuesta es posible para cualquier combinación de los valores predictores.
Un método alternativo incluye la regresión de la respuesta respecto a los propios valores predictores
categóricos. Como consecuencia, se estima un coeficiente para cada variable. Sin embargo, para las
variables categóricas, los valores categóricos son arbitrarios. La codificación de las categorías de
diferentes maneras proporciona diferentes coeficientes, dificultando las comparaciones entre los
análisis de las mismas variables.
CATREG amplía el método estándar mediante un escalamiento de las variables nominales, ordinales
y numéricas simultáneamente. El procedimiento cuantifica las variables categóricas de manera que
las cuantificaciones reflejen las características de las categorías originales. El procedimiento trata a
las variables categóricas cuantificadas como si fueran variables numéricas. La utilización de transfor-
maciones no lineales permite a las variables ser analizadas en varios niveles para encontrar el modelo
que más se ajusta.
26
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Ejemplo
Tabla 3
Variables consideradas en el análisis del caso de ejemplo
Variable Valores
Dependiente
Muchas veces las variables binarias constituyen objetos de interés como potenciales variables depen-
dientes, susceptibles de ser predichas o estimadas por distintas variables independientes, pero en
estos casos la regresión ordinaria de cuadrados mínimos presenta inconvenientes para adaptarse a
una variable dependiente que solo reconoce dos estados posibles. La regresión logística, cuya variable
dependiente es siempre binaria o dicotómica, permite determinar la existencia de relaciones entre los
valores de las variables independientes y la probabilidad de ocurrencia de la variable dependiente.
27
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
La regresión logística es un método estadístico análogo a la regresión lineal para el análisis de los
datos categóricos. En la regresión logística, la variable dependiente es categórica (en el caso más
sencillo, dicotómica, o con dos desenlaces, como la ausencia o la presencia de enfermedad). Las varia-
bles independientes pueden ser categóricas o bien continuas o discretas.
El análisis de supervivencia estudia el lapso de tiempo transcurrido entre dos eventos de interés,
como podrían ser la aparición de un acontecimiento adverso tras una intervención terapéutica, o
el tiempo transcurrido entre el inicio de una infección y su diagnóstico. El análisis de supervivencia
puede realizarse en estudios de cohorte o en ensayos clínicos siempre que para cada individuo en
observación se registre el tiempo que transcurre desde la exposición o tratamiento hasta que en él
se presente el evento terminal de interés o concluya su seguimiento durante el estudio. Este análisis
supone la integración de dos elementos:
1. Si se ha presentado o no un evento de interés. Los eventos de interés más frecuentes son: muer-
te, inicio de una enfermedad, recaída, curación, alta hospitalaria y regreso al trabajo. Aunque algu-
nos de estos podrían presentarse en más de una ocasión, para los fines del análisis solamente se
toma el primero (según sea definido por el investigador). Entre las condiciones por las cuales un
sujeto en observación sale del estudio se encuentran las siguientes: se termina el estudio sin que
el sujeto presente el evento, el sujeto abandona el estudio, el sujeto fallece por una causa distinta
de la del estudio o es retirado del estudio por otra razón de fuerza mayor (complicación terapéu-
tica, efectos secundarios al tratamiento en estudio, competencia de riesgo).
2. Total del tiempo de observación (horas, días, semanas, meses, años) que acumuló ese individuo
desde que ingresó al estudio hasta que salió de él.
Dos aspectos del «tiempo entre dos eventos» caracterizan al análisis de supervivencia: la
asimetría y la censura. La primera impide utilizar el modelo simétrico de la distribución normal.
La censura proviene principalmente del hecho de que estos tiempos solo se observan por
completo cuando el suceso final ya se ha producido, mientras que en los restantes casos solo
se sabe que «por lo menos» superan un cierto valor. El hecho de que la variable de interés sea
el tiempo, que se mide secuencialmente, tiene como consecuencia una distribución asimétrica
y la presencia de censura. Estas circunstancias desaconsejan el uso de la distribución normal,
que tan bien caracterizan sus parámetros media y desviación típica.
28
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
En este punto se explican las funciones que permiten especificar las preguntas de interés clínico:
¿cuál es la probabilidad de que un caso sobreviva cierto tiempo? y ¿cuánto vale el riesgo en un
instante determinado?:
•• La función de riesgo o fuerza de mortalidad o tasa condicional de fallo (hazard rate) es la pro-
porción de casos que presentan el evento en un momento determinado sobre el número de ca-
sos que llegan a ese momento. Una función de riesgo constante permite proporcionar una tasa
de riesgo común para todo el período de seguimiento.
Hay varios procedimientos para comparar la sobrevida global entre dos o más grupos mediante una
prueba de hipótesis. Los mismos se pueden clasificar de la manera siguiente:
•• Estudio univariante. Para describir y resumir los tiempos de vida, se emplean las funciones de
supervivencia y de riesgo, que permiten predecir el comportamiento futuro de pacientes de ca-
racterísticas similares.
29
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
Cuando las curvas se cruzan, es mejor utilizar otras pruebas, como las de Wilcoxon o de Breslow. La
hipótesis nula (la sobrevida global es la misma en los dos grupos) se rechaza cuando el valor de p de
estas pruebas es menor o igual al valor de a (nivel de significancia) seleccionado.
Los análisis de supervivencia siempre se acompañan de una curva de Kaplan-Meier, que representa
el cambio de la supervivencia a medida que avanza el tiempo de observación. En este gráfico, el eje de
las abscisas representa el tiempo que transcurre y el eje de las ordenadas, la probabilidad de sobre-
vivir. El primero es una línea que avanza horizontalmente a medida que el tiempo se acumula sin que
se presenten eventos de interés, la cual cambia a una línea vertical cuando estos se presentan.
30
Capítulo 2
Los métodos numéricos constituyen técnicas mediante las cuales es posible formular problemas
matemáticos, de tal forma que puedan resolverse utilizando operaciones aritméticas. Ahora, no es
raro que con el desarrollo de computadoras digitales eficientes y rápidas, el papel de los métodos
numéricos en la solución de problemas en ingeniería haya aumentado de forma considerable en los
últimos años. Aunque las soluciones analíticas aún son muy valiosas, tanto para resolver problemas
como para brindar una mayor comprensión, los métodos numéricos representan opciones que
aumentan, en forma considerable, la capacidad para enfrentar y resolver los problemas; como resul-
tado, se dispone de más tiempo para aprovechar las habilidades creativas personales. En conse-
cuencia, es posible dar más importancia a la formulación de un problema y a la interpretación de la
solución, así como a su incorporación al sistema total.
Muchas de las ecuaciones fundamentales en ingeniería se basan en las leyes de conservación. Entre
algunas cantidades conocidas que se someten a tales leyes están la masa, la energía y la cantidad de
movimiento. En términos matemáticos, estos principios conducen a ecuaciones de balance o de conti-
nuidad que relacionan el comportamiento del sistema, al representarlo por los niveles o respuesta de
la cantidad sujeta a modelamiento con las propiedades o características del sistema, y por los estí-
mulos externos o funciones forzadas que actúan sobre el sistema.
El objetivo principal de este capítulo es el estudio de los métodos computacionales básicos para
resolver conjuntos no homogéneos de ecuaciones lineales. El álgebra lineal es fundamental, tanto
para el análisis científico como para los métodos numéricos, que no podría hacerse mucho sin tener
un conocimiento básico de ella.
31
Capítulo 2. Métodos numéricos: conceptos básicos
Internacional
de Valencia
A las matrices con dimensión renglón n = 1, tales como b = 6b 1 b 2 b 3 ... b m@ se les conoce como
vectores renglón. Observe que para simplificar se elimina el primer subíndice de cada elemento. Las
matrices con dimensión columna m = 1, como
RS c 1 VW
S W
c = SSSc 2WWW
SS h WW
SS WW
c
T nX
se les conoce como un vector columna y se puede expresar como el transpuesto de un vector renglón. Se
pueden sumar o restar dos matrices con el mismo número de columnas y renglones. Una matriz B puede
multiplicar a la izquierda (pre multiplicarse) a otra matriz A si el número de columnas de A es igual al
número de renglones de B. Si BA = I o AB = I, donde I es una matriz identidad, entonces B = A–1. Para la matriz
identidad todos los elementos son iguales a cero excepto los elementos de la diagonal, que son iguales a
uno. Una matriz identidad se denota por I, y por ejemplo, para una dimensión de 3 # 3 se representa como
1 0 0
I = >0 1 0H
0 0 1
Otras definiciones especiales para matrices y vectores, también resultarán de utilidad más adelante,
para algunas operaciones en el ámbito matricial, entre ellas caben mencionarse: la matriz nula, la matriz
transpuesta, matriz inversa y matriz ortogonal, vector nulo, vector unitario y vector transpuesto.
32
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
donde los ai,j son coeficientes, los xi son las incógnitas y los yi son términos conocidos llamados términos
libres o independientes. En este caso, el número de incógnitas es igual al número de ecuaciones, que
es la forma más, usual de un conjunto de ecuaciones lineales. Si estos números son distintos, pueden
existir las soluciones, pero esto debe estudiarse con más cuidado. Debe ser claro que las matrices
proporcionan una notación concisa para representar ecuaciones lineales simultáneas. Por ejemplo, la
ecuación (2) puede expresarse como Ax = y, donde A es la matriz cuadrada de N # N coeficientes, y es el
vector columna N # 1 de las constantes y x es el vector columna N # 1 de las incógnitas.
Esta parte del capítulo se dedica a encontrar la solución x de la ecuación (2). La manera formal de
obtener la solución usando álgebra matricial es multiplicando cada lado de la ecuación por la inversa
de A (en el caso de que la matriz sea no singular): A–1 Ax = A–1y. Como A–1 A = I, la ecuación se convierte
en x = A–1y. Por lo tanto, se ha encontrado la solución x de la ecuación.
Debe observarse que esta no es una forma muy eficiente para resolver un sistema de ecuaciones. Así,
se emplean otros procedimientos para construir los algoritmos numéricos. Sin embargo, la matriz
inversa tiene gran valor en los análisis de ingeniería de tales sistemas.
No siempre es posible resolver un conjunto de ecuaciones lineales en forma numérica. Las condi-
ciones necesarias para la existencia de una solución única son las siguientes: el número de ecua-
ciones debe ser igual al número de incógnitas, y cada ecuación es linealmente independiente; o
en forma equivalente, ninguna ecuación se puede eliminar sumando o restando otras ecuaciones.
Sin embargo, considérese un problema ideal en el que el conjunto de ecuaciones tiene una solución
única y no aparece ninguna dificultad en el proceso de solución. La eliminación de Gauss consiste en:
la eliminación hacia adelante, y la sustitución hacia atrás.
La eliminación hacia adelante se lleva a cabo de la manera siguiente: la primera ecuación se multi-
plica por a2,1/a1,1 y se le resta a la segunda ecuación para eliminar el primer término de la segunda; de
la misma forma, el primer término de las ecuaciones restantes, i > 2, se elimina restando la primera
ecuación multiplicada por ai,1/a1,1; conviene observar que la primera ecuación no ha cambiado:
a 1, 1 x 1 + a 1, 2 x 2 + a 1, 3 x 3 + ... + a 1, N x N = y 1
al2, 2 x 2 + al2, 3 x 3 + ... + al2, N x N = yl2
h
a N, 2 x 2 + a N, 3 x 3 + ... + alN, N x N = ylN
l l
33
Capítulo 2. Métodos numéricos: conceptos básicos
Internacional
de Valencia
a i, 1
donde ali, j = a i, j – c m a . En seguida, el segundo término de cada una de las ecuaciones, desde
a 1 , 1 1, j
la tercera hasta la última, i > 2, se elimina restando la segunda ecuación multiplicada por ali,2/al2,2.
Después de terminar este paso, se eliminan los terceros términos de las demás ecuaciones, de la
cuarta a la última:
a 1, 1 x 1 + a 1, 2 x 2 + a 1, 3 x 3 + ... + a 1, N x N = y 1
al2, 2 x 2 + all2, 3 x 3 + ... + al2, N x N = yl2
all3, 3 x 3 + ... + all3, N x N = yll3
h
(N – 1)
a N, N x N = y (NN – 1)
Los términos principales de cada una de las ecuaciones anteriores reciben el nombre de pivotes. Se
podría normalizar cada una de las ecuaciones, dividiendo entre el coeficiente principal, pero esto no
se utiliza en la eliminación de Gauss; la razón fundamental es que La normalización de las ecuaciones
aumenta el tiempo total de cálculo. El procedimiento de sustitución hacia atrás comienza con La
última ecuación. Se obtiene La solución de xN en la última ecuación:
x N = y^NN – 1h /a^NN, N– 1h
Sucesivamente,
x N – 1 = 7y^NN––12h – a^NN––1,1Nh x NA /a^NN–- 12, hN – 1
h
x 1 = =y 1 – /a i, j x jG /a 1, 1
N
j=2
1 0 0 ... 0 0 y (1N – 1)
0 1 0 ... 0 0 y 2(N – 2)
0 0 1 ... 0 0 y 3(N – 3)
(3)
h ...
0 0 0 ... 1 0 y N1 – 1
0 0 0 ... 0 1 yN
Esta es la conclusión de la eliminación hacia atrás. Deben observarse dos aspectos de la ecuación (3).
En primer lugar, todos los coeficientes son iguales a cero, excepto los pivotes, que valen 1. En segundo
lugar, puesto que la ecuación (3) es una forma de arreglo de un conjunto de ecuaciones, cada renglón
se interpreta como x i = y^i N – ih es decir, la columna de la extrema derecha es la solución final.
34
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
9a i, n – / l i, k u k, nC
n–1
k=1
6. La n-ésima columna de L se obtiene de l i, n = de i = n + 1 hasta N.
u n, n
Para resolver un conjunto de ecuaciones lineales a través de la descomposición LU, la ecuación
Ax = y se puede escribir como LUx = y, donde LU = A. Esta ecuación se resuelve como sigue: sea
Ux = z, entonces la ecuación LUx = y queda como Lz = y. La solución de esta ecuación para z es fácil,
debido a la forma triangular de L. Una vez se conoce z, se resuelve la ecuación en términos de x.
Hasta aquí, se han presentado algunos métodos computacionales básicos para resolver conjuntos no homo-
géneos de ecuaciones lineales. Para una comparación sencilla entre ellos, la Tabla 4 resume las ventajas y
desventajas del uso de las eliminaciones de Gauss y Gauss-Jordan, así como la descomposición LU.
Tabla 4
Comparación de los tres métodos para las ecuaciones lineales
El algoritmo de solución es
Puede resolver conjuntos distintos términos no homogéneos
más básico
múltiples de ecuaciones (por ejemplo, en el método de Ia
potencia inversa)
Desventajas
35
Capítulo 2. Métodos numéricos: conceptos básicos
Internacional
de Valencia
En general, el número de ecuaciones, n, puede ser menor que el número de incógnitas, m. La ecuación
de un problema de este tipo se puede escribir en la forma Ax = y, donde la matriz A ya no es cuadrada
sino rectangular. Para n < m, el número de soluciones es infinito, si el sistema es homogéneo, pero los
valores numéricos de una solución no pueden determinarse de manera única.
36
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
f(x)
f ( x) = 0
Máximo f ( x) < 0
Raíz Raíz f( x) = 0
x
0
f(x) = cos x
Mínimo f ( x) = 0
f ( x) > 0
Figura 2. Diferencia ilustrada entre las raíces y el valor óptimo de una función. Adaptado de
Métodos numéricos para ingenieros (p. 353), por S. Chapra y R. Canale, 2007, Ciudad de México:
McGraw-Hill.
La localización de raíces es la búsqueda de los ceros de una función o funciones. En cambio, la opti-
mización es la búsqueda ya sea del mínimo o del máximo. El óptimo es el punto donde la curva es
plana. En términos matemáticos, esto corresponde al valor de x donde la derivada fl(x) es igual a cero.
Además, la segunda derivada fll(x), indica si el óptimo es un mínimo o un máximo: si fll(x) < 0, el punto
es un máximo; si fll(x) > 0, el punto es un mínimo.
Si ahora queda clara la relación entre las raíces y el óptimo, es posible sugerir una estrategia para
determinar este último; es decir, se puede derivar a la función y localizar la raíz (el cero) de la nueva
función. De hecho, algunos métodos de optimización tratan de encontrar un óptimo resolviendo el
problema de encontrar la raíz: fl(x) = 0. Deberá observarse que tales búsquedas con frecuencia se
complican porque fl(x) no se puede obtener analíticamente. Por lo tanto, es necesario usar aproxima-
ciones por diferencia finita para estimar la derivada.
Más allá de ver la optimización como un problema de raíces, deberá observarse que la tarea de loca-
lizar el óptimo está reforzada por una estructura matemática extra que no es parte del encontrar una
raíz simple. Esto tiende a hacer de la optimización una tarea más fácil de realizar, en particular con
casos multidimensionales.
37
Capítulo 2. Métodos numéricos: conceptos básicos
Internacional
de Valencia
La mayoría de los modelos matemáticos referidos hasta ahora en el presente capítulo han sido
descriptivos. Es decir, se han obtenido para simular el comportamiento de un dispositivo o sistema
en ingeniería. En cambio, la optimización tiene que ver con la determinación del mejor resultado, o la
mejor solución de un problema. Así, en el contexto del modelado, se les llama con frecuencia modelos
prescriptivos, puesto que sirven para señalar un curso de acción o el mejor diseño. Usualmente los
elementos fundamentales que se reconocen en problemas de optimización para prácticas de inge-
niería son:
•• Tendrá también un número de variables de diseño. Estas pueden ser números reales o enteros.
•• El problema incluye restricciones que consideran las limitaciones bajo las cuales se trabaja.
•• Si f(x) es cuadrática y las restricciones son lineales, tenemos un problema de programación cua-
drática.
•• Si f(x) no es lineal ni cuadrática y/o las restricciones no son lineales, tenemos un problema de
programación no lineal.
Se dice también que, cuando las ecuaciones de restricciones (de igualdad o desigualdad) se incluyen,
se tiene un problema de optimización restringido; de otra forma, se trata de un problema de optimi-
zación no restringido. Observe que en problemas restringidos, los grados de libertad están dados por
los límites de las funciones restrictivas y de la función objetivo.
Generalmente, para obtener una solución, el total de límites de las restricciones debe ser menor o
igual al límite de la función objetivo. En caso contrario, se dice que el problema está sobrerrestringido.
Como muestra la Figura 3.a), la búsqueda consiste, entonces, en ascender o descender picos y valles
unidimensionales. Los problemas multidimensionales implican funciones que dependen de dos o más
variables independientes. En el mismo sentido, la optimización bidimensional, de nuevo, se visualiza
como una búsqueda de picos y valles, como se observa en la Figura 3.b).
Esta vez, en lugar de limitarse a un recorrido lineal se examina toda la topografía para alcanzar el obje-
tivo en forma eficiente.
Nótese que esta figura puede tomarse para representar tanto una maximización (los contornos
aumentan de elevación de manera concéntrica) o una minimización (los contornos decrecen hasta un
valle mínimo).
38
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
f(x, y)
y
y = – sin x y = sin x
Óptimo f(x*, y*)
Máximo f(x*) y
x*
x y* x
x*
Mínimo –f(x*)
a) b)
De las técnicas más conocidas en el ámbito de ingeniería para atender problemas de optimización, se
tienen las siguientes:
Para Chapra y Canale (2007), “la clave para hacer eficiente este procedimiento es la adecuada
elección de los puntos intermedios. Es justo aquí donde entra el valor conocido como razón
5 –1
dorada o razón áurea = 0, 61803... (p. 366)”. El método comienza ubicando los dos
2
valores iniciales xl y xu, que contienen un extremo local de f(x). Después, se eligen dos puntos
interiores x1 y x2 de acuerdo con la razón dorada:
39
Capítulo 2. Métodos numéricos: conceptos básicos
Internacional
de Valencia
5 –1
d= ^x u – x lh
2
x1 = xl + d ; x2 = xu – d
La función se evalúa en estos dos puntos interiores. Dos casos pueden presentarse:
donde x0, x1 y x2 son los valores iniciales, y x3 es el valor de x que corresponde al valor máximo
del ajuste cuadrático para los valores iniciales.
40
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Hay dos métodos principales de este tipo: los algoritmos de Davidon-Fletcher-Powell (DFP)
y de Broyden-Fletcher-Goldfarb-Shanno (BFGS). Estos son similares excepto en detalles
concernientes a cómo manejan los errores de redondeo y su convergencia.
41
Capítulo 2. Métodos numéricos: conceptos básicos
Internacional
de Valencia
Una variable de holgura diferente se desarrolla para cada ecuación restringida, lo cual resulta
en lo que se conoce como la versión aumentada completamente. La diferencia entre el
número de incógnitas y el de ecuaciones está directamente relacionada con la forma en que
se distingue un punto extremo factible. Generalizando, una solución básica de m ecuaciones
lineales con n incógnitas se obtiene al igualar a cero las variables n – m y resolver las m ecua-
ciones para las m incógnitas restantes. Las variables igualadas a cero se conocen formalmente
como variables no básicas; mientras que a las m variables restantes se les llama variables
básicas. Si todas las variables básicas son no negativas, al resultado se le llama una solución
factible básica. El óptimo será una de estas. Ahora, un procedimiento directo para determinar
la solución óptima será calcular todas las soluciones básicas, determinar cuáles de ellas son
factibles, y de estas, cuál tiene el valor mayor de Z (función objetivo).
•• Optimización restringida no lineal: existen varios procedimientos para los problemas de opti-
mización no lineal con la presencia de restricciones. Para Rao (1996), generalmente, “dichos pro-
cedimientos se dividen en directos e indirectos. Los procedimientos indirectos típicos usan las
llamadas funciones de penalización. Estas consideran expresiones adicionales para hacer que
la función objetivo sea menos óptima conforme la solución se aproxima a una restricción. Así, la
solución no será aceptada por violar las restricciones. Aunque tales métodos llegan a ser útiles
en algunos problemas, se vuelven difíciles cuando el problema tiene muchas restricciones” (p.
380). El método de búsqueda del gradiente reducido generalizado, o GRG, es uno de los méto-
dos directos más populares [para detalles, Fylstra et al. (1998), Lasdon et al. (1978) y Lasdon y
Smith (1992)]. Este método primero reduce a un problema de optimización no restringido. Lo
hace resolviendo en un conjunto de ecuaciones no lineales las variables básicas en términos de
variables no básicas. Después, se resuelve el problema no restringido utilizando procedimien-
tos similares a los previamente presentados para problemas no restringidos. Se escoge prime-
ro una dirección de búsqueda a lo largo de la cual se espera mejorar la función objetivo. La selec-
ción obvia es un procedimiento cuasi-Newton (BFGS) que requiere el almacenamiento de una
aproximación de la matriz hessiana. Este procedimiento funciona muy bien en la mayoría de los
casos. Una vez establecida la dirección de búsqueda, se lleva a cabo una búsqueda unidimensio-
nal a lo largo de esa dirección, mediante un procedimiento de tamaño de paso variable.
Ecuaciones que se componen de una función desconocida y de sus derivadas, se conocen como
ecuaciones diferenciales; algunas veces se les llama ecuaciones de razón, ya que expresan la razón
de cambio de una variable como una función de variables y parámetros. Estas desempeñan un papel
importante en ingeniería debido a que muchos fenómenos físicos se formulan matemáticamente
mejor en términos de su razón de cambio.
En la ecuación diferencial, la cantidad que se está derivando, se conoce como variable dependiente.
La cantidad con respecto a la cual la variable dependiente se está derivando, se conoce como variable
independiente. Cuando la función tiene una variable independiente, la ecuación se llama ecuación
diferencial ordinaria (o EDO). Esto contrasta con una ecuación diferencial parcial (o EDP) que invo-
lucra dos o más variables independientes. Las ecuaciones diferenciales se clasifican también en
cuanto a su orden: se denomina como EDO de primer orden, cuando la derivada mayor es una primera
derivada. Una EDO de segundo orden tiene una segunda derivada, como la mayor.
42
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
yl ^ t h = f ^y, t h; y ^0 h = y 0 (4)
donde f (y, t) es una función tanto de y como de t y la segunda ecuación es una condición inicial. En la
ecuación (4), la primera derivada de y está dada como una función conocida de y y t y se desea calcular
la función incógnita y integrando numéricamente f (y, t). Si f fuera independiente de u, el cálculo sería
simplemente una integración aproximada numéricamente. Sin embargo, el hecho de que f sea una
función de la función desconocida y hace que la integración sea distinta.
La condición inicial siempre es parte de la definición del problema, debido a que Ia solución de
un problema con condiciones iniciales solo se puede determinar de manera única si dicha condi-
ción inicial está dada. Los métodos numéricos para las EDO calculan la solución en los puntos
t n = t n – 1 + h , donde h es el tamaño del paso (o intervalo de tiempo). Los aspectos principales de
algunos de los métodos de integración numérica para problemas con condiciones iniciales más
comunes se resumen en la Tabla 5.
Algunos métodos generales para la resolución de problemas de valores en la frontera son el método
de disparo y la aproximación en diferencias finitas. El primero, se basa en convertir el problema de
valor en la frontera en un problema de valor inicial equivalente. Posteriormente se aplica un proce-
dimiento de prueba y error para resolver la versión de valor inicial. Las alternativas más comunes al
método de disparo son los métodos por diferencias finitas, en las cuales, las diferencias divididas
finitas sustituyen a las derivadas en la ecuación original. Así, una ecuación diferencial lineal se trans-
forma en un conjunto de ecuaciones algebraicas simultáneas que pueden resolverse utilizando los
métodos ya descritos para ecuaciones algebraicas.
43
Capítulo 2. Métodos numéricos: conceptos básicos
Internacional
de Valencia
Tabla 5
Resumen de los métodos más comunes para resolución de problemas de EDO con condición inicial
Error Otras
Nombre de los
Fórmula relevante Características
métodos
Local Global (*)
Ecuaciones no rígidas
Métodos de Euler Diferencias hacia adelante 0(h2) 0(h) AI,CF
hacia adelante Regla del trapecio 0(h3) 0(h2) Al, CF, NL
modificado hacia atrás Diferencias hacia atrás 0(h2) 0(h) Al, CF, NL
Runge-Kutta (RK)
de segundo orden Regla del trapecio 0(h3) 0(h2) Al, CF
de tercer orden Regla de 1/3 de Simpson 0(h4) 0(h3) Al, CF
de cuarto orden Regla de 1/3 o 3/8 de Simpson 0(h5) 0(h4) Al, CF
Predictor-corrector
de segundo orden (idéntico al de RK de 2.º orden) Al, CF
de tercer orden Newton hacia atrás 0(h4) 0(h3) NA, CD
de cuarto orden Newton hacia atrás 0(h5) 0(h4) NA, CD
Ecuaciones rígidas
Métodos implícitos Diferencias hacia atrás; método de Gear Al/NA
Transf. exponencial Transformación exponencial Al
Los problemas de valores propios, o característicos o eigenvalores, constituyen una clase especial
de problemas con valores en la frontera, que son comunes en el contexto de problemas de ingeniería
que implican vibraciones, elasticidad y otros sistemas oscilantes. Además, se utilizan en una amplia
variedad de contextos en ingeniería que van más allá de los problemas con valores en la frontera. El
método del polinomio es una opción en estos casos, ya que, al escribirse la ecuación para una serie de
nodos a lo largo del mallado, se obtiene un sistema de ecuaciones homogéneo, donde las raíces son
los valores propios buscados. El método de potencias es un procedimiento iterativo que sirve para
determinar el valor propio mayor. Con ligeras modificaciones, también puede ser útil para determinar
los valores menor e intermedio. Como ventaja adicional, el vector propio correspondiente se obtiene
como parte del método. Existe una gran variedad de métodos alternativos para resolver problemas
de valores propios. La mayoría se basa en un proceso de dos pasos. El primer paso consiste en trans-
formar la matriz original en una forma más simple (por ejemplo, tridiagonal), que conserve todos
los valores propios originales. Después, se usan métodos iterativos para determinar estos valores
propios; la literatura menciona algunos para tipos especiales de matrices, como por ejemplo, el
método de Jacobi, el de Given, de Householder, el método LR de Rutishauser, el método QR de Francis,
entre otros. La Tabla 6 aparece un breve resumen para los métodos de resolución de problemas con
valores en la frontera.
44
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Tabla 6
Resumen de los métodos para los problemas con valores en la frontera
Tipos de problemas
Ventajas Desventajas
y métodos de solución
Problemas no homogéneos
Método de disparo Se puede utilizar un programa Se hace con el método de prueba y
ya existente para problemas con error. Se aplica a una clase limitada
condiciones iniciales de problemas. La solución puede
ser inestable
Un método es consistente con la ecuación diferencial parcial si la ecuación discreta usada por el
método es equivalente a la ecuación diferencial cuando el tamaño de paso tiende a cero. Otra forma
de definir la consistencia de un método es la siguiente: la ecuación de diferencias es consistente con
una ecuación diferencial parcial si el error de truncamiento local tiende a cero cuando los tamaños de
los pasos en la red de puntos se aproximan a 0.
Cuando los errores de truncamiento local de las aproximaciones por diferencias de las derivadas
parciales exactas son conocidos, la comprobación de la consistencia es directa. En cambio, cuando
los mencionados errores no se conocen, se debe analizar la ecuación de diferencias completa para
la consistencia. Esto se logra cuando se expresa cada término en la ecuación de diferencias por un
desarrollo de la serie de Taylor alrededor del punto de la malla ( i, j ). La ecuación resultante, llamada
ecuación diferencial modificada, puede ser entonces simplificada para proporcionar la forma exacta
del error de truncamiento de la ecuación de diferencias completa. Por lo tanto, la ecuación diferen-
cial modificada difiere de la ecuación diferencial parcial exacta por el error de truncamiento. De esta
manera, se puede concluir que la ecuación diferencial modificada puede ser usada para determinar la
consistencia y el orden de un esquema numérico.
45
Capítulo 2. Métodos numéricos: conceptos básicos
Internacional
de Valencia
El orden de una solución por diferencias de una ecuación diferencial parcial es la razón a la que el error
global de la solución por diferencias finitas se aproxima a cero cuando los tamaños de los pasos en la
red de puntos tienden a 0.
Cuando una ecuación diferencial parcial tiene una solución acotada, se dice que la ecuación de dife-
rencias asociada es estable si produce una solución acotada y es inestable si produce una solución no
acotada.
El concepto de estabilidad está relacionado con el crecimiento o decrecimiento de los errores que se
introducen en la etapa de cómputo. Estos errores no son producidos por una lógica incorrecta sino
que se originan porque las computadoras no pueden almacenar un número infinito de cifras deci-
males, introduciendo de esta manera un error de redondeo.
Un método particular se dice que es estable si el efecto acumulativo de todos los errores de redondeo
producidos al aplicar un determinado algoritmo es insignificante. Más específicamente, el error intro-
ducido en el nodo está dado por p ij = T ij –·T ij donde · T ij es la solución numérica del sistema de ecua-
ciones algebraicas.
Usualmente, no es posible determinar el valor exacto del error numérico p ij en el nodo ( i, j ). En la prác-
tica, la solución numérica es generalmente más precisa que las estimaciones efectuadas mediante
esos métodos estándares debido a que en los análisis de estabilidad se considera el caso más desfa-
vorable.
El primer paso en el análisis de la estabilidad de una ecuación de diferencias finitas que aproxima a
una ecuación diferencial parcial, es determinar el comportamiento de la solución exacta de la ecuación
diferencial parcial. La solución de la mayoría de los problemas físicos es acotada. Por lo tanto, en estos
casos, la solución de la ecuación de diferencias finitas también debe ser acotada. Si la solución de la
ecuación de diferencias finitas es acotada para cualquier valor de tamaño de paso que se utilice, se dice
que la ecuación de diferencias finitas es incondicionalmente estable. En cambio, si la ecuación de dife-
rencias finitas es acotada solamente para determinados tamaños de paso, la ecuación de diferencias
finitas es condicionalmente estable. Si la solución de la ecuación de diferencias finitas es no acotada
para todos los valores de tamaño de paso, entonces la ecuación de diferencias finitas es incondicional-
mente inestable. Y si la solución exacta de una ecuación diferencial parcial es no acotada, la ecuación de
diferencias finitas también deber ser no acotada. En este caso, el concepto de estabilidad no se aplica,
porque la solución numérica se comporta de la misma manera que la solución exacta.
46
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
La prueba de que una solución aproximada converge a la solución exacta de una ecuación diferen-
cial parcial es generalmente muy difícil, aún en los casos más simples. Por esta razón, se relaciona la
convergencia de un método de diferencias finitas con la consistencia y estabilidad de la ecuación de
diferencias finitas, puesto que demostrar la consistencia y estabilidad es relativamente fácil.
El teorema de equivalencia de Lax enuncia “…Dado un problema lineal de valor inicial correctamente
planteado y una aproximación de diferencias finitas consistente, la estabilidad de la misma es condi-
ción necesaria y suficiente para su convergencia” (Hirsch, 2007, pp. 286, 287).
De esta manera, la convergencia de un método de diferencias finitas puede ser determinada por
medio de un estudio de la consistencia y estabilidad de la ecuación de diferencias finitas. Si la ecua-
ción de diferencias finitas es consistente y estable, entonces el método es convergente.
47
Capítulo 3
La mayoría de los problemas en ingeniería y ciencias aplicadas puede ser dividida en dos grandes
categorías, según el enfoque que se dé a su formulación. El enfoque lagrangiano establece que todas
las partículas del sistema en estudio se definen por sus coordenadas espaciales, las cuales son
función del tiempo, en un marco de referencia preestablecido. Este enfoque está íntimamente ligado
a la mecánica newtoniana. El enfoque euleriano, por el contrario, formula el problema en términos de
los campos de las variables, es decir, trabaja con el medio continuo en vez de operar sobre las partí-
culas discretas. Estos campos de variables son, por ejemplo, tensiones, desplazamientos, tempe-
raturas, etc. y su comportamiento está usualmente definido por un conjunto de ecuaciones diferen-
ciales en derivadas parciales.
En general, los problemas en mecánica del sólido y mecánica de fluidos no pueden ser tratados analí-
ticamente, bien sea por la complejidad de la geometría del dominio o por la complejidad en las condi-
ciones de contorno. En la gran mayoría de los casos, el ingeniero debe sustituir el problema real por
un modelo matemático, que le permita obtener una solución aproximada al modelo físico que mejor
represente la situación real. En cuanto a los métodos de solución, existen dos maneras de atacar los
problemas: métodos analíticos y métodos aproximados.
Los métodos analíticos son aquellos métodos que pretenden obtener soluciones matemáticas de
tipo cerrado al problema, pudiendo mencionar a: separación de variables, transformadas de Fourier,
transformadas de Laplace, etc.
48
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Los métodos utilizados para obtener soluciones aproximadas son de carácter numérico, es decir,
pretenden obtener soluciones discretas y/o continuas de tipo aproximado. Entre ellos, pueden
mencionarse: métodos de perturbación, métodos probabilísticos, residuos ponderados, Rayleigh-Ritz,
diferencias finitas, elementos finitos, elementos de contorno, métodos sin malla, etc. La aplica-
ción de los métodos analíticos es muy restringida y solo es aplicable a un conjunto muy reducido de
problemas, los conocidos problemas clásicos. En consecuencia, debe recurrirse a los métodos numé-
ricos para obtener soluciones aproximadas a problemas de utilidad práctica en ingeniería y ciencias
aplicadas.
En este capítulo se desarrolla la formulación general del método de los elementos finitos para
cuerpos tridimensionales mediante el principio de los Trabajos Virtuales. Se derivan expresiones
para calcular la matriz de rigidez elemental y los correspondientes vectores de carga, generados por
acciones volumétricas, superficiales y cargas concentradas aplicadas en los nodos del modelo. En los
apartados siguientes, se presentarán los conceptos de discretización y aproximación, esenciales para
la formulación del método de los elementos finitos.
Se debe entonces adoptar un criterio válido y práctico que permita aplicar un modelo matemático al
modelo físico propuesto. Este criterio es denominado discretización, es decir, el modelo físico debe
contener un número finito de grados de libertad.
En el método de los elementos finitos, se asume que el medio continuo está subdividido en un
número finito de pequeñas regiones llamadas elementos, interconectadas entre sí por entidades
puntuales denominadas nodos. Esta discretización es importante ya que el número de intercone-
xiones entre zonas del continuo y sus vecinas es, en teoría, infinito. Entonces, para que una solución
numérica sea viable, solo deben considerarse los grados de libertad definidos en los nodos de la
discretización o malla de elementos finitos. La Figura 4 muestra un ejemplo de discretización en
una plancha de acero.
e u
Nodos
49
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
2
1
3 v
4
6 5
u
7
8 w
Uno de los puntos que reviste más importancia es, sin lugar a dudas, la correcta definición del modelo
discreto o malla de elementos finitos. Un modelo discreto con un número suficiente de elementos y
una adecuada disposición de los mismos, producirá mejores resultados que otro modelo con el mismo
número de elementos, pero distribuidos en forma inapropiada. La Figura 6 muestra una misma pieza
discretizada de dos maneras diferentes.
a) Recomendable b) No recomendable
50
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Lo anterior implica que el ingeniero analista debe poseer un cierto conocimiento acerca del compor-
tamiento del problema y, además, tener una cierta experiencia en la definición de mallas discretas.
La potencia del método de los elementos finitos reside, esencialmente, en la capacidad para ajustar
geometrías arbitrarias y complejas, condiciones de contorno no triviales, diferentes propiedades de
los materiales, etc., potencia que puede mejorarse en función de la calidad de la malla.
La idea de aproximación surge inmediatamente después de la discretización: ¿qué hacer con los
elementos finitos una vez definidos? La Figura 7.a) muestra un elemento finito triangular y la super-
ficie de interpolación (plano) que pasa por los tres valores de U en los nodos del elemento, siendo U la
variable a determinar en el problema. El cálculo de U en cualquier punto interior del elemento, incluido
el borde, puede realizarse mediante la interpolación U = a 1 + a 2 x + a 3 y que representa la ecuación
de un plano de coeficientes ai a determinar. El valor de U también puede ser expresado mediante
la combinación lineal de varias funciones de interpolación o funciones de forma, de manera que
3
U = U 1 N 1 + U 2 N 2 + U 3 N 3 = /U i N i donde las Ni se muestran en la Figura 7.b). La manera de calcular
i=1
las funciones de forma Ni será discutida en detalle más adelante.
u
2
1
u
Y 1
2
1
u 3
3
e
3
X
a) b)
51
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
fsz,fbz
Z,w
fsy,fby
Fz
fsx,fbx
Y,v i Fy
X,u Fx
En la figura anterior, se muestran los grados de libertad correspondientes a los tres desplazamientos
en cada uno de los ocho nodos del elemento. Las siguientes definiciones son necesarias para la formu-
lación: ue es el vector que contiene los desplazamientos en los nodos del elemento
u e = 6u 1 v 1 w 1 u 2 v 2 w 2 ... u 8 v 8 w 8@T
52
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
u = Nue (6)
Así pues, la componente u del desplazamiento se escribe, de acuerdo a la ecuación (6) como
8
u = N 1 u 1 + N 2 u 2 + ... + N 8 u 8 += /N i u i mientras que las componentes v y w se escriben de forma
i=1
similar a la componente u.
Utilizando ahora las relaciones deformación-desplazamiento (véase la ecuación 3.4.12), puede expre-
sarse el tensor de deformaciones f como el producto de una matriz B, la cual contiene las derivadas
de las funciones de interpolación de N, por el vector de desplazamientos en los nodos del elemento:
2N e
f= u = Bu e (8)
2x i
donde las derivadas parciales son tomadas término a término de N con respecto a las coordenadas
cartesianas X, Y, Z. Sustituyendo las ecuaciones (8) y (7) en la expresión de los trabajos virtuales (5) se
obtiene:
# v T d^Bu ehdv = # d^Bu ehT f v dv + # d^N s u ehT f s ds + /du iT F i (9)
V V S i
Las relaciones constitutivas mostradas en la ecuación (14) pueden escribirse en forma general como
v = D 6f – f 0@ donde D es la matriz de constantes elásticas y se agregó el vector f 0 que contiene las
deformaciones iniciales en el elemento. Sustituyendo la ecuación (8) se tiene v = DBu e – Df 0 .
Por otro lado, la primera integral expresada en la ecuación (9) puede ser escrita como
# v T d^Bu ehdv = # v T Bdu e dv debido al hecho de que la matriz B tiene términos conocidos que no
v v
dependen de los desplazamientos en los nodos del elemento y, por tanto, no puede ser variada. La
segunda integral de la ecuación (9) puede reescribirse como:
Siguiendo las mismas ideas que para la ecuación (10), la tercera integral de la ecuación (9) puede ser
reescrita como # d^N s u ehT f s ds = # du eT N sT f s ds . Sustituyendo ahora todos estos cambios reali-
S S
zados en la ecuación (9) se obtiene:
53
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
Los términos ue correspondientes a los desplazamientos del elemento finito no dependen de la posi-
ción x, y, z dentro del elemento, por lo que pueden salir de las integrales en la ecuación (11), quedando:
du eT # 6B T DBu e – B T Df 0@dv = du eT # N T f v dv + du eT # N sT f s ds + du iT /F i
v v s i
Siendo que la variación virtual de los desplazamientos u es arbitraria y no nula, la ecuación queda como:
e
Keue = Re (13)
Donde se definen:
Ke = # B T DBdv
v
R e = R ve + R se + R ie + R 0e
siendo Ke la matriz de rigidez del elemento, ue el vector de desplazamientos en los nodos del elemento
y Re es el vector total de acciones externas sobre el elemento, expresado mediante cargas concen-
tradas aplicadas en los nodos del mismo. Las componentes de Re son:
R ev = # N T f v dv; R se = # N sT f s ds ; R ie = /F i ; R 20 = # B T Df 0 dv
v s i v
Donde R son las cargas debidas a las fuerzas volumétricas actuantes sobre el elemento, Rse son las
e
v
cargas debidas a las presiones superficiales, Rie son las cargas nodales concentradas aplicadas y R0e
son las cargas debidas a la presencia de deformaciones iniciales en el elemento. Todos los vectores
anteriores de carga tienen orden 24 # 1, mientras que la matriz de rigidez del elemento es de orden
24 # 24, ya que existen 24 grados de libertad correspondientes a 24 desplazamientos nodales.
La ecuación (13) es una relación matricial que representa el sistema de ecuaciones diferenciales a
nivel del elemento. La solución de este sistema producirá los valores de los desplazamientos nodales
del elemento, expresados en coordenadas cartesianas X, Y, Z. Ahora bien, el sistema correspondiente
a la estructura completa debe ser obtenido mediante el ensamblaje de las matrices de rigidez y los
vectores de carga del elemento en una matriz de rigidez y un vector de carga globales de la estruc-
tura. Este proceso es conocido como el método directo de la rigidez, y el ensamblaje de las matrices
y vectores se realiza mediante la simple suma de los términos del elemento en los lugares que les
correspondan dentro de la matriz y vector global, como será discutido más adelante.
54
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Las relaciones constitutivas (matriz constitutiva D) son reproducidas aquí por razones de consis-
tencia (Zienkiewicz et al., 2014, p. 179) y son:
RS V
SS(1 – o) o o 0 0 0 WW
SS o (1 – o) o W
0 0 0 WW
SS W
E SS o o (1 – o) 0 0 0 WW
v= W f (14)
(1 + o) (1 – 2o) SS 0 0 0 (1 – o) /2 0 0 WW
SS W
SS 0 0 0 0 (1 – o) /2 0 WWW
SS 0 0 0 0 0 (1 – o) /2WW
T X
2 V4
V1
v1 V3
P 1
u1
3
w1
4
V2
V1 + V2 + V3 + V4 = V
Para la generación de las funciones de forma se trabajará solo con la componente u del desplaza-
miento, sabiendo que las componentes v y w exhiben el mismo comportamiento. La función que pasa
por los valores u1, u2, u3 y u4 de la Figura 9 es la función de interpolación:
RS a VW
SS 1 WW
Q ^ x, y, z h = a 1 + a 2 x + a 3 y + a 4 z = 61 x y z@SS 2WW
Sa W (15)
SSa 3WW
SSa WW
4
T X
55
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
Extendiendo la formulación anterior para los tres desplazamientos u, v y w puede escribirse que:
u
u = > v H = N [u 1 v 1 w 1 u 2 v 2 w 2 u 3 v 3 w 3 u 4 v 4 w 4] T
w
RSN 0 0 N 0 0 N 0 0 N 0 0 VW
SS 1 2 3 4 WW
N = SS 0 N 1 0 0 N 2 0 0 N 3 0 0 N 4 0 WW
SS W
0 0 N 1 0 0 N 2 0 0 N 3 0 0 N 4W
T X
El procedimiento anterior es algo engorroso, ya que involucra la inversión de la matriz M. Una manera
alternativa de calcular las funciones de forma en el elemento tetraédrico se conoce con el nombre
de coordenadas de volumen o coordenadas triangulares. La Figura 10 muestra un elemento finito
tetraédrico, dividido en cuatro volúmenes. La posición del punto P queda unívocamente definida
V V V3 V4
por los valores de los cuatro volúmenes Vi, pudiendo escribirse que 1 + 2 + + = 1 . Ahora,
Vi V V V V
llamando N i = .
V
56
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
4 v1
2
3
P 4
v2
3
2
3 P
1
P
4
v3
3 2
P
1 2
v4
Puede decirse que la función de forma Ni es el cociente entre el volumen correspondiente entre el
volumen total del tetraedro. Los volúmenes Vi pueden calcularse como:
RS 1 1 1 1 VWW RS 1 1 1 1 VWW
SS SS
1 SSx 2 x4 x3 xWWW 1 SSx 3 x1 x4 xWWW
V1 = SS W; V = S W
6 Sy 2 y4 y3 yWW 2 6 SSy 3 y1 y4 yWW
SS W SS W
z2 z4 z3 zW z3 z1 z4 zW
TR XV TR X
SS 1 1 1 1 WW SS 1 1 1 1 VWW
S W S xWWW
1 SSx 4 x2 x1 xW W 1 SSx 1 x3 x2
V3 = SS W; V = S W
6 Sy 4 y2 y1 yWW 4 6 SSy 1 y3 y2 yWW
SS W SS W
z4 z2 z1 zW z1 z3 z2 zW
T X T X
Vi
De manera que las funciones de forma N i = resultan idénticas a las obtenidas en (19).
V
57
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
El término ui sale de la derivada parcial porque no depende de las coordenadas x, y, z dentro del
elemento. Realizando la misma operación sobre las otras componentes de la deformación, se tiene:
2u 4 2 N i 2u 2v 4 2 N i 2N i
f xx = =/ u i ; c xy = + = /d ui + vn
2x i = 1 2x 2y 2 x i = 1 2 y 2x i
2v 4 2 N i 2 v 2 w 4 2N i 2N i
f yy = =/ v i ; c yz = + = /d vi + wn
2y i = 1 2y 2 z 2y i = 1 2z 2y i
2w 4 2N i 2w 2 u 4 2N i 2N i
f zz = =/ w i ; c zx = + = /c wi + um
2z i = 1 2z 2x 2z i = 1 2 x 2z i
La relación matricial entre las deformaciones y los desplazamientos se expresa como:
f = B 6u 1 v 1 w 1 u 2 v 2 w 2 u 3 v 3 w 3 u 4 v 4 w 4@T
Los términos de la matriz B son las derivadas de las funciones de forma Ni con respecto a las coordenadas
cartesianas X, Y, Z. Finalmente, la matriz B correspondiente a un nodo genérico i, puede escribirse como:
R V R V
SSSN i, x 0 0 WWW SSSb i 0 0 WWW
SS 0 N i, y 0 WW SS 0 c i 0 WW
SS WW S W
SS 0 0 N i, zW 1 SS 0 0 d iWW
B =S W = S W
SSN i, y N i, x 0 WWW 6V SSc i b i 0 WW
SS 0 N i, z N i, yWW SS W
SS WW SS 0 d i c iWWW
SN i, z 0 N i, xW Sd i 0 b iW
T X T X
Donde los bi , ci y di son los presentados en (19). Ahora, se puede proceder al cálculo de la matriz de
Ke = # B T DBdv (21)
v
Pero como los términos de la matriz B son constantes, ya que provienen de las derivadas de funciones
de forma lineales, (21) queda como Ke = V (BTDB). La matriz de rigidez del elemento es de orden 12 # 12,
ya que el mismo tiene 12 grados de libertad.
58
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Rv = # N T f v dv (22)
v
Donde f v = 7fxv fyv fzvA es el vector de las fuerzas volumétricas aplicadas al elemento finito en las
T
Rv = # 7N 1 f vx N 1 f vy N 1 f vz N 2 f vx N 2 f vy N 2 f vz N 3 f vx N 3 f vy N 3 f vz N 4 f vx N 4 f vy N 4 f vzA dv
T
Donde V es el volumen del tetraedro. Por ejemplo, supóngase que se desea integrar:
# N 12 N 3 N 42 dv = # N 12 N 20 N 31 N 42 dv
V V
# N 12 N 20 N 31 N 42 dv = ^2 + 02+!01!1+!22! + 3h! 6V = V
1680
V
Las cargas nodales equivalentes debidas a tensiones superficiales pueden ser calculadas sabiendo que
R2 = # N sT f s ds (25)
s
donde la expresión N sT significa que la matriz de funciones de forma debe ser evaluada en la superficie
(o contorno) donde se encuentran aplicadas las tensiones superficiales, y f s es el vector que contiene
las tres componentes de tensión superficial siguiendo las direcciones X, Y, Z. Sea el elemento de
la Figura 11, con una cara cargada con tensiones superficiales solo en la dirección X para simplificar el
cálculo. El punto de integración P debe, por consiguiente, encontrarse sobre la superficie 2 – 3 – 4, ya que
este es el contorno que recibe la carga.
59
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
De esto se sigue que N1 = 0 en todo el proceso de integración. El vector f s debe ser ahora expresado en
función de los valores nodales de la tensión aplicada, como:
R V R 2V
SSSq xWWW SSSN 2 q x + N 3 q x + N 4 q x WWW
2 2
donde el superíndice de los valores de q se refiere al nodo donde se aplica la tensión. Nótese que se
han empleado las funciones de forma Ni para interpolar el valor de la tensión externa sobre la cara
2 – 3 – 4.
4 4
qx
3
qx
1
Y
q x = Tensión aplicada
en dirección X
X (cara 2-3-4)
2 2
qx
Z
RS N 0 0 VWW
SS 1 W
SS 0 N1 0 WW RSN N q 2 + N N q 2 + N N q 2VW
SS W SS 1 2 x 1 3 x 1 4 xW
WW
SS 0 0 N 1 WW SS 0 WW
SSN 2 W SS
0 0 WW SS 0 WW
SS W SS N 22 q 2x + N 2 N 3 q 2x + N 2 N 4 q 2x WWW
SS 0 N2 0 WW R
SS 0 W SN q 2 + N 3 q 2x + N 4 q 2xVW SS WW
0 N 2WW SS 2 x WW S 0 WW
R s = # SS WW S
S 0 WW dA 234 R s = # SS WW dA 234
A 234 S 3
SN 0 0 WW S WW A 234 S
S 0
SS 0 N3 0 WWW T
S 0
X SS N N q 2 + N 2 q 2 + N N q 2 WWW
SS SS 2 2 x 3 x 3 4 x W
SS 0 0 N 3WWW SS 0 WW
WW
SSN 0 0 WWW SS
SS 4 SS 0 WW
SS 0 W S N 4 N 2 q 2x + N 4 N 3 q 2x + N 24 q 2x WW
N4 0 WW
SS W T X
S0 0 N 4WW
T X
Nótese que las componentes de carga solo aparecen en la dirección XX, como era de esperarse. Ahora
recordando que N1 = 0 sobre la cara 2 – 3 – 4 se obtiene el vector de cargas nodales equivalentes sobre
los nodos 2, 3 y 4 del elemento:
A 234 q3 q4 q2 q4 q2 q3 T
Rs = ;0 0 0 c q 2x + x + x m 0 0 c x + q 3x + x m 0 0 c x + x + q 4x m 0 0E
3 2 2 2 2 2 2
60
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Obsérvese que si las componentes de carga en los nodos 2, 3 y 4 fuesen iguales, es decir si
q 2x = q 3x = q 4x = q x , el vector Rs se reduce a:
A 234
Rs = 60 0 0 q x 0 0 q x 0 0 q x 0 0@T (27)
3
La ecuación (27) muestra que cada nodo de la cara triangular recibe un tercio de la carga total, como
era de esperarse. Las cargas del resto de las caras se obtienen de manera similar, teniendo cuidado de
integrar con el dAijk correspondiente.
Se muestra que tanto las deformaciones como la matriz B son matrices de punto, es decir, dependen
del punto p, h, g donde son calculadas. Recordando las relaciones constitutivas y sustituyéndolas en
la ecuación (28) se obtiene:
Donde también puede notarse que las tensiones v(p, h, g) y la matriz elástica D(p, h, g)son funciones de las
coordenadas adimensionales. De manera que las tensiones pueden calcularse mediante una sencilla
operación que consiste en evaluar la matriz D y la matriz B en el punto p, h, g deseado, y posterior-
mente, hacer la doble multiplicación matricial con los desplazamientos ue de los nodos del elemento.
Dado que los elementos discutidos son de continuidad C0, es decir, solo garantizan continuidad en la
variable esencial u, las tensiones tendrán varios valores diferentes en cada nodo i si son calculadas en los
elementos finitos que concurren al nodo i, de la misma manera como ocurre en problemas bidimensionales.
vx = N ec (30)
/ j=1 J j
61
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
Donde Nec es el número de elementos que concurren al nodo en cuestión. La ecuación anterior toma
en cuenta el volumen representado por el punto de Gauss adyacente al nodo i del elemento j, J |j, de
manera de promediar ponderadamente el valor de la tensión calculada en ese punto de Gauss. Lo
mismo puede hacerse con el resto de las componentes del vector tensión.
Tabla 7
Pseudocódigo demostrativo para generar la matriz de rigidez
Pseudocódigo
1 Inicializar matriz de rigidez K del elemento y vectores locales;
e
62
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Ejemplo
Una de las articulaciones más complejas del cuerpo humano es la articulación temporo-
mandibular (ATM), ya que combina un amplio rango de movimiento y una alta frecuencia
de uso: aproximadamente 2.000 ciclos por día. “Aunque la ATM esté implicada en muchas
actividades diarias, es durante la masticación donde las mayores fuerzas son transmitidas”
(Duarte et al, 2014, p. 159). La articulación está compuesta por el cráneo, la mandíbula, los
cartílagos y discos articulares.
Estas superficies son altamente incongruentes y este es el principal motivo por el cual
tienen tanta movilidad. Debido a las cargas que diariamente está sometida la articulación,
se estima que los trastornos de la ATM afectan un 20-25 % de la población, sin embargo,
solo entre un 3 y un 7 % consulta por esta causa.
En el siguiente ejemplo publicado por Martínez et al. (2017), se evaluó la influencia en las
deformaciones y tensiones ocasionados por los patrones más comunes de mordida de
la población a lo largo de la mandíbula y en la ATM, a través del análisis por el método de
elemento finito (MEF).
Una vez definidas todas las componentes del modelo, se procedió al ensamblaje en la herra-
mienta de preprocesamiento GiD CIMNE (https://www.gidhome.com), tal como se muestra
en la Figura 12. A su vez, en la mandíbula se definieron las superficies de inserción muscular
usando como referencia el trabajo de Borie et al. (2015), señalando las áreas donde se apli-
carán las cargas de cierre durante la masticación (p. 1378).
>>>
63
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
>>>
Para algunos escenarios de cómputo numérico no se tomaron en cuenta a los dientes en la
geometría, particularmente en donde estos no afectasen los resultados de las tensiones a lo
largo de la mandíbula y de la ATM; todo esto con el objeto de aliviar, en lo posible, el elevado
costo computacional.
Tomando en cuenta los patrones de masticación más comunes, se estudiaron las defor-
maciones y esfuerzos generados en la mandíbula y en las ATM causados por los siguientes
tipos de mordida: mordida unilateral, mordida incisiva (bilateral) y mordida molar (bilateral).
Las cargas que se tomaron en cuenta son las fuerzas ejercidas por los principales músculos invo-
lucrados en la masticación (Masetero, Temporal, Pterigoideo Lateral y Pterigoideo Medial).
Las cargas de cada músculo se colocaron en las superficies de inserción muscular corres-
pondientes en la herramienta COMET CIMNE (http://www.cimne.com/comet); esto se
realizó para cada uno de los casos analizados, debido a que las cargas biológicas y las
restricciones cambian:
•• Caso mordida incisiva. Se utilizaron las mismas cargas que para el caso patológico,
con la diferencia de que las fuerzas tuvieron un factor de escala diferente de con-
tracción muscular (EMGMi). Esto es debido a que la actividad muscular varía con
respecto al caso anterior, pero también se presenta simetría, como puede observar-
se en la Figura 13.b).
•• Caso mordida molar. Se utilizaron las mismas cargas que para el caso patológico, con
la diferencia de que las fuerzas tuvieron un factor de escala diferente de contracción
muscular (EMGMi). Esto es debido a que la actividad muscular varía con respecto al
caso anterior, también se presenta simetría, como muestra la Figura 13.c).
>>>
64
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
>>>
a)
b)
c)
Figura 13. Modelos simulados: a) mordida unilateral, b) mordida incisiva, c) mordida molar. Leyenda:
masetero superficial (SM), masetero profundo (DM), temporal anterior (TA), temporal posterior (TM),
pterigoideo medio (PM) y pterigoideo lateral (PL). Se diferencian los segmentos izquierdo y derecho
mediante los prefijos L y R respectivamente.
>>>
65
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
>>>
Tabla 8
Propiedades de los materiales
Resultados
Figura 14. Deformaciones relativas (mm/mm) en los discos articulares de las ATM para
la mordida unilateral.
Derivando de lo explicado anteriormente, si un paciente sano (con las dos ATM sanas)
mastica regularmente de forma unilateral, está recargando y afectando la ATM contraria,
promoviendo que, a largo plazo, surjan problemas con esta compleja articulación. Una vez
que aparezcan trastornos en la ATM, puede derivar esto en dolores miofasciales, dolores de
cabeza o cervical, desplazamiento del disco, dislocación mandibular, lesiones en el cóndilo y
artritis en la zona mandibular.
66
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
•• Análisis cinemático.
•• Análisis por el método de elementos finitos (FEM, finite elements method).
•• De exportación de ficheros STL (estereolitografía) para máquinas de prototipado rápido.
•• CAD, entre otros.
Enlaces de interés
ANSYS. Es un ecosistema de programas CAE para diseño, análisis y simulación de partes por
elementos finitos FEA, incluye las fases de preparación de meshing o mallado, ejecución y
post proceso. El programa ejecuta análisis de piezas sometidas a fenómenos físicos usadas
en ingeniería y diseño mecánico, puede resolver problemas físicos sometidos a esfuerzos
térmicos, fluidos, vibración y aplicaciones específicas.
http://www.ansys.com
ABAQUS SIMULIA. Es un programa CAE de cálculo por elementos finitos de propósito general
parte de la plataforma SIMULIA de Dassault Systemes. SIMULIA proporciona un portafolio
de soluciones de análisis y simulación 3D por elementos finitos, incluyendo las aplicaciones
de CATIA Análisis, Abaqus para análisis de elemento finito unificado, soluciones multifísicas y
soluciones para la administración del ciclo de vida de la información de simulación, procesos, y
propiedad intelectual.
http://www.3ds.com/products-services/simulia/
67
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
Enlaces de interés
https://es.mathworks.com/products/matlab.html
https://www.solidworks.com/es
http://www.mscsoftware.com/product/msc-nastran
68
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Enlaces de interés
COMET - CIMNE. Es una plataforma computacional desarrollada por CIMNE (International Centre
for Numerical Methods in Engineering, Barcelona - España) basada en FE para la solución de
problemas de investigación en entornos académicos e industriales. El software está escrito en
Fortran-90, lo que permite un rendimiento óptimo en tiempo de CPU y un marco de I+D fácil de usar.
La biblioteca FE de COMET incluye elementos clásicos basados en desplazamiento, elementos
mixtos de desplazamiento/presión para tratar la restricción de incompresibilidad (elasticidad
incompresible, localización de esfuerzo de cizallamiento grande, fluidos viscoplásticos rígidos
incompresibles, entre otros) y formulaciones mixtas de esfuerzo/desplazamiento para lograr la
mejor respuesta precisa a las tensiones en un análisis altamente no lineal. La biblioteca de leyes
constitutivas incluye visco-elasticidad, plasticidad de deformación pequeña y grande, modelos de
daños, etc. La biblioteca de resolución de ecuaciones abarca desde solucionadores directos (solu-
ción en serie y paralelo) hasta solucionadores iterativos (gradiente de conjugado o GMRES).
http://www.cimne.com/comet/
ADINA. Es una compañía fundada en 1986 y cuyo nombre viene de Automatic Dynamic Incre-
mental Nonlinear Analysis; se especializa en software de análisis por elementos finitos para
sistemas lineales y no lineales. La idea de la compañía es tener soluciones para estructuras,
fluidos, flujos, transferencia de calor y multifísica en un solo sistema. Adina corre en Windows,
Unix y Linux.
http://www.adina.com
AUTODESK SIMULATION. Es una suite o grupo de programas para validar y optimizar sus
diseños, la suite somete el diseño a esfuerzos virtuales para predecir su comportamiento en el
mundo real. Autodesk presenta un componente de software para cada fenómeno físico.
http://www.autodesk.com/
69
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
Enlaces de interés
CAEDIUM – SYMLAB. Es una solución de análisis CFD fácil de usar para resolver problemas de
ingeniería CAE. El programa te asiste en la optimización del modelo 3D. Usando los módulos
de Caedium pueden crearse geometrías 2D y 3D o importarlas de otro sistema de CAD. Puede
simular el flujo de un gas, líquido sobre geometría 3D por ejemplo efecto del viento sobre el
ala de un avión. El programa corre en Windows, Linux y Mac. El módulo básico de Caedium es
sin costo. Para tener la solución completa se deben tener el resto de los módulos de Caedium
que pueden ser adquiridos bajo suscripción.
http://www.symscape.com/
CF DESIGN UPFRONT CFD. Es un programa de análisis de ingeniería para CFD o análisis compu-
tacional de fluidos de alto nivel. CF Design es la única herramienta de cómputo de cálculo
fluido dinámico y de transmisión de calor diseñada de una manera comprensible y escalable
que permite al ingeniero afrontar los desafíos más complejos. CF Design funciona con Catia,
CoCreate, Inventor, NX, ProEngineer, Autodesk Revit, SolidEdge, SolidWorks, SpaceClaim y
opera en Windows.
http://www.autodesk.com/
XFLOW CFD. Es el programa de análisis dinámico de fluidos CFD con un enfoque único a este
fenómeno, este programa de computo está basado en una tecnología de cálculo de mode-
lado mecánico tipo lattice Boltzmann, una algoritmo diseñado para compañías que requieren
precisión en la simulación de flujos, aerodinámica de transición, manejo de aguas e interacción
de fluidos. XFlow simplifica el proceso y reduce los cálculos de mallado de modelos. XFlow
como software de análisis y simulación CAE incluye pre proceso y post proceso, puede hacer
análisis térmicos, fluidos en medios porosos, fluidos no newtonianos, transferencia de calor,
manejar condiciones de frontera complejos. La aplicación reduce el tiempo que los ingenieros
invierten su tiempo en discretizar las mallas y hacer cambios en topología en el dominio de
los problemas donde hay fenómenos de interacción fluido-estructura, lo que lleva a reducir
costos de proyectos de análisis y su preparación.
http://www.xflowcfd.com/
70
Capítulo 4
Los métodos numéricos constituyen técnicas mediante las cuales es posible formular problemas
matemáticos, de tal forma que puedan resolverse utilizando operaciones aritméticas. Aunque existen
muchos tipos de métodos numéricos, estos comparten una característica común: invariablemente
requieren de un buen número de tediosos cálculos aritméticos. No es raro que con el desarrollo de
computadoras digitales eficientes y rápidas, el papel de los métodos numéricos en la solución de
problemas en ingeniería haya aumentado de forma considerable en los últimos años.
Las bases del método de diferencias finitas (MDF) consisten en la construcción de una malla de una
manera estructurada, donde los nodos de la misma, en un espacio n dimensional, están localizados en
las intersecciones de n familias de líneas rectas, el reemplazo de las derivadas continuas de la ecua-
ción diferencial por las expresiones equivalentes en diferencias finitas y la resolución del sistema de
ecuaciones que queda planteado como consecuencia de la anterior sustitución.
El MDF es, tal vez, el método más simple para aplicar, particularmente para mallas con una geometría
uniforme. Su mayor desventaja consiste en su incapacidad para tratar efectivamente la solución de
problemas sobre formas geométricas irregulares.
71
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
Para obtener la solución numérica de una ecuación diferencial en derivadas parciales utilizando el
MDF se debe, como primer paso, discretizar el dominio. Para ello, el dominio continuo del problema en
estudio es reemplazado por una malla. Las intersecciones de las líneas que constituyen la malla son
denominadas nodos y es en donde se calcula la solución numérica de la ecuación diferencial parcial.
Así, por ejemplo, para discretizar el dominio D (x, t) de un problema de propagación unidimensional se
deben definir los tamaños de paso tanto temporal como espacial. Estos tamaños de paso son deter-
minados por medio de las expresiones:
L tf
hx = ; ht =
Nx + 1 Nt + 1
donde Nx y Nt son dos números enteros positivos, L es la longitud del dominio espacial y tf indica el
tiempo final en que se estudia el problema en cuestión.
La división del dominio espacial en Nx + 1 partes iguales de ancho hx, y del dominio temporal en Nt + 1
partes iguales de ancho ht, da como resultado la discretización del dominio al trazar líneas verticales y
horizontales a través de los puntos de coordenadas (xi, tj), donde:
x i = i h i, i = 0, 1, ..., N x + 1
t j = j h t, j = 0, 1, ..., N t + 1
El próximo paso para la resolución numérica de una ecuación diferencial parcial utilizando el MDF es
el reemplazo de las derivadas continuas de la ecuación diferencial por las expresiones equivalentes
en diferencias finitas. Esto se logra utilizando el desarrollo en serie de Taylor de la variable depen-
diente alrededor de un punto particular de la malla. Para ello, la variable dependiente en un nodo de
la malla es indicada utilizando como subíndice y superíndice los índices que se utilizan para denotar
dicho nodo. Así, por ejemplo, la función T (x, t) en el nodo (i, j) es expresada como T (xi , tj) = Tij.
T ij + 1 = T ij + ; E h t + ; 2 E h t2 + ... + ; E h + Rm + 1
2T j 1 22 T j 1 2m T j m
2t i 2 2t i m! 2t m i t
72
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
1 2 2 T ^ph
E ij = – h t = O^h th
2 2t 2
Una aproximación en diferencias finitas para la derivada temporal de primer orden se obtiene despre-
ciando el término de error:
j+1 j
2T j T i – T i
; E .
2t i ht
El término de error, que fue despreciado, se denomina error de truncamiento de la aproximación en
diferencias finitas para la derivada temporal de primer orden de la función T. La aproximación recién
obtenida es de primer orden y es llamada aproximación de diferencias progresivas.
Del mismo modo, puede conseguirse una aproximación de diferencias regresivas de primer orden.
Para ello, se escribe el desarrollo en serie de Taylor de T en (xi, tj) y se lo evalúa en (xi , tj – 1):
j j–1
2T j T i – T i
; E .
2t i ht
Para poder obtener una aproximación en diferencias finitas para la derivada parcial de segundo orden
de la función T con respecto al espacio, es necesario escribir el desarrollo en serie de Taylor de T de
orden tres en (xi, tj). Despreciando el término de error, se obtiene una aproximación de diferencias
finitas de segundo orden:
j j j
2 2 T j T i + 1 – 2T i + T i – 1
; 2E .
2x i h x2
j+1 j j–1
2 2 T j T i – 2T i + T i
; E .
2t 2 i h t2
73
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
Ejemplo
En años recientes, la dinámica de fluidos computacional (CFD por sus siglas en inglés) se
ha venido utilizando en forma creciente en el diseño de dispositivos que manejen sangre.
En particular, la estimación de la ruptura de glóbulos rojos (hemólisis) representa un impor-
tante reto para los científicos, ya que la sangre es un fluido complejo presente en régimen
turbulento en la mayoría de los dispositivos.
Asimismo, los estudios previos de hemólisis utilizando CFD carecen de un modelaje apro-
piado de turbulencia, y consecuentemente, de una relación confiable entre los resultados
hidráulicos y la respuesta hematológica.
Para el siguiente ejemplo, a través de técnicas de volúmenes finitos Salazar et al. (2008)
estudiaron la geometría de cánulas para evaluar un flujo relativamente simple del cual se
disponen datos experimentales de hemólisis.
Para la validación del modelo de turbulencia, se utilizó una simulación numérica directa
(DNS por sus siglas en inglés) de un arreglo de chorros coaxiales, para así seleccionar el
modelo de turbulencia más apropiado para el análisis de las cánulas.
>>>
74
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
>>>
40 mm 120 mm
A 4 mm
B
2,5 mm
Figura 15. Dimensiones de la cánula seleccionada para el estudio. Adaptado de F. A. Salazar, L. R. Rojas-So-
lórzano, y A. J. Blanco, 2008, “Turbulence modeling in the numerical estimation of hemolysis in hemodialysis
cannulae”, Revista de la Facultad de Ingeniería Universidad Central de Venezuela, 23(4), 81-92. Recuperado de
http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S0798-40652008000400009&lng=es&tlng=en
Tabla 9
Dimensiones de la cánula mostrada en la Figura 15 para los distintos casos de estudio.
A (mm) B (mm)
13G 2,21 1,6
14G 1,91 1,3
16G 1,45 1,2
Nota: Adaptado de F. A. Salazar, L. R. Rojas-Solórzano, y A. J. Blanco, 2008, “Turbulence
modeling in the numerical estimation of hemolysis in hemodialysis cannulae”, Revista de la
Facultad de Ingeniería Universidad Central de Venezuela, 23(4), 81-92. Recuperado de http://
www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S0798-40652008000400009&ln-
g=es&tlng=en
De Wachter et al. (2002) y Garon et al. (2004) utilizaron sangre de ternera en sus investiga-
ciones. Con fines comparativos, se estudió el mismo fluido en este ejemplo. El valor asintó-
tico de la viscosidad para la sangre de ternero a altas velocidades de cizallamiento es de 2,42
mPas(cP), que es el mismo valor utilizado por De Wachter et al. (2002) y Garon et al. (2004).
Utilizando como referencia el trabajo publicado por De Wachter et al. (2002), se especificó
un rango operacional de flujo sanguíneo a través de cánulas en un procedimiento de diálisis,
con un máximo de aproximadamente 400 ml/min, y un rango fisiológico de flujo sanguíneo a
través de las arterias entre 500 y 1.200 ml/min. La Figura 16 detalla las diferentes regiones
dentro del recipiente y alrededor de la cánula.
>>>
75
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
>>>
Región anular
Cánula Vaso
sanguíneo
Figura 16. Regiones del dominio seleccionadas para el estudio. Adaptado de F. A. Salazar, L. R.
Rojas-Solórzano, y A. J. Blanco, 2008, “Turbulence modeling in the numerical estimation of he-
molysis in hemodialysis cannulae”, Revista de la Facultad de Ingeniería Universidad Central de
Venezuela, 23(4), 81-92. Recuperado de https://www.researchgate.net/publication/260764473_
Turbulence_Modeling_in_the_Numerical_Estimation_of_Hemolysis_in_Hemodialysis_Cannulae
La región anular corresponde a la zona delimitada por la pared del vaso sanguíneo y la pared
externa de la cánula. La región de la cánula, como su nombre indica, está delimitada por la
cánula. La región del vaso no es parte de la cánula ni de las regiones anulares, y está deli-
mitada por el vaso sanguíneo. Tomando el valor máximo de los rangos de flujo, se puede
calcular el número promedio de Reynolds para cada región. Los valores se informan en la
Tabla 10. Los números de Reynolds por encima de 2.300 ~ 2.500 son una señal de la exis-
tencia de un régimen turbulento en esa región. Por lo tanto, estos valores indican que la tran-
sición del régimen laminar al turbulento puede ocurrir dentro del dominio bajo estudio.
Tabla 10
Valores promedio de Re por regiones a la máxima razón de flujo para las diferentes cánulas
>>>
76
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
>>>
En este punto de referencia, un perfil de velocidad laminar se establece en la entrada de un
dominio paralelepípedo rectangular. La forma de ese perfil se ajusta a la ecuación:
U1 + U2 U2 – U1 r – R1
U= + tan h d n si R < RM
2 2 2i 01
U1 + U3 U2 – U3 r – R2
U= + tan h d n si R > RM
2 2 2i 02
a)
b)
SALIDA
x ENTRADA
R2 R1
z
Figura 17. (a) Similitudes en el flujo a través de la cánula (izquierda) y el arreglo de un chorro coaxial
(derecha); (b) dominio numérico utilizado en la solución RANS del arreglo de chorro coaxial. Adaptado
de F. A. Salazar, L. R. Rojas-Solórzano, y A. J. Blanco, 2008, “Turbulence modeling in the numerical estima-
tion of hemolysis in hemodialysis cannulae”, Revista de la Facultad de Ingeniería Universidad Central de
Venezuela, 23(4), 81-92. Recuperado de https://www.researchgate.net/publication/260764473_Turbulen-
ce_Modeling_in_the_Numerical_Estimation_of_Hemolysis_in_Hemodialysis_Cannulae
>>>
77
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
>>>
Los resultados hidrodinámicos de jets array estudiados por Balarac et al. (2005) se obtuvieron
con un código de volumen finito 3D comercial ANSYS CFX (www.ansys.com). Este código usa
métodos de volúmenes finitos para la discretización de las ecuaciones de Navier-Stokes para
flujo incompresibles promediadas por Reynolds (RANS). Para el cierre matemático, el conjunto
de ecuaciones diferenciales correspondientes al modelo de turbulencia se resuelve dentro del
sistema numérico anterior. Por comparación entre los perfiles de velocidad DNS y los correspon-
dientes de la simulación RANS, se seleccionó el mejor modelo de turbulencia adecuado. La velo-
cidad en la línea central de los chorros y el radio del chorro fueron las variables de comparación.
La Figura 17.b) muestra la estructura del dominio numérico utilizado para la solución de las
ecuaciones RANS. El dominio fue discretizado como una malla hexaédrica no uniforme. La
cuadrícula hexaédrica aprovecha la simetría polar de la matriz de chorros, trabajando solo
con una cuarta parte del dominio.
Las condiciones de contorno para las simulaciones RANS se establecieron para imitar las del
caso de simulación DNS 2_17 realizado por Balarac et al. (2005): un perfil de entrada laminar,
como se muestra en la Figura 18. Esta figura también muestra la importancia de la velocidad de
dispersión del chorro d(x), definida en consecuencia Balarac et al. (2005). La longitud de desa-
rrollo del chorro es altamente dependiente de los parámetros de turbulencia en la entrada,
particularmente la relación de viscosidad turbulento a molecular. Una baja relación de visco-
sidad significa un flujo menos turbulento en la entrada. En estas simulaciones, la relación de
viscosidad se estableció en un valor lo más bajo posible, lo que resultó en una simulación numé-
ricamente estable ( o T /o = 0, 05 ). De esa forma, el perfil laminar utilizado en la entrada del caso
DNS 2_17 se puede combinar con el perfil «turbulento» en la entrada de la simulación RANS.
1 /2 ( Umax – U3 )
Umax
Ux
1/2 ( Umax – U3 )
rmax
U3
δ(x)
r
>>>
78
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
>>>
Resultados
Como se puede ver, las curvas son casi congruentes, lo que es una señal de una rejilla sufi-
cientemente refinada. Se realizaron simulaciones adicionales utilizando la rejilla n44_87 con
diferentes modelos de turbulencia, específicamente k – ~, SST estándar y SST con transición
Gamma-Theta. Los resultados se trazan en la Figura 7, en comparación con los valores del caso
DNS 2_17.
1
1,4
n22-44 k-ε n22-44 k-ε
n28-55 k-ε n28-55 k-ε
0,8
n35-69 k-ε n35-69 k-ε
1,3
n44-87 k-ε n44-87 k-ε
0,6
Ux [m/s]
1,2
0,4
δ [mm]
0,2
1,1
–0,2
0 1 2 3 4 5 6 7
0 2 4 6 8 10
a) x [mm]
b) x [mm]
Figura 19. Resultados del refinamiento para el estudio de chorros coaxiales: (a) velocidad media y (b) ra-
dio del chorro como una función de la coordenada axial x. Adaptado de F. A. Salazar, L. R. Rojas-Solórzano,
y A. J. Blanco, 2008, “Turbulence modeling in the numerical estimation of hemolysis in hemodialysis can-
nulae”, Revista de la Facultad de Ingeniería Universidad Central de Venezuela, 23(4), 81-92. Recupera-
do de http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S0798-40652008000400009&ln-
g=es&tlng=en
Además, el tratamiento de borde de pared de este modelo puede considerar los efectos
cercanos a la pared que existen en las cánulas, y que se capturan a un costo computacional
muy alto cuando se utilizan simulaciones de referencia de DNS.
>>>
79
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
>>>
Por lo tanto, este modelo de turbulencia parece ser la elección para la simulación de cánulas,
capilares y otros dispositivos biomédicos geométricamente similares, donde está presente
la transición del régimen laminar al turbulento.
1
1,4
DNS
DNS
n44-87 k-ε
0,8 n44-87 k-ε
n44-87 k-ω
1,3 n44-87 k-ω
n44-87 sst
n44-87 sst
0,6 n44-87 sst-gt
n44-87 sst-gt
Ux [m/s]
1,2
0,4
δ [mm]
0,2
1,1
0
1
–0,2
0 1 2 3 4 5 6 7
0 2 4 6 8 10
x [mm]
a) b) x [mm]
Figura 20. Resultados calculados bajo diferentes modelos de turbulencia: (a) velocidad media y (b) radio
del chorro como una función de la coordenada axial x. Adaptado de F. A. Salazar, L. R. Rojas-Solórzano, y
A. J. Blanco, 2008, “Turbulence modeling in the numerical estimation of hemolysis in hemodialysis can-
nulae”, Revista de la Facultad de Ingeniería Universidad Central de Venezuela, 23(4), 81-92. Recupera-
do de http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S0798-40652008000400009&ln-
g=es&tlng=en
Este apartado está dedicado a una breve presentación del método de los elementos de contorno.
Es un método numérico que discretiza el contorno (frontera) del cuerpo a estudiar y calcula las varia-
bles (desplazamientos y tensiones) sobre el contorno.
Por otro lado, se consideran los campos de desplazamientos y de tensiones en un medio elástico,
isótropo e infinito, resultantes de la aplicación de una carga unitaria en un cierto punto del dominio,
conocidos como la solución fundamental de Kelvin, presentadas en Love (1944).
80
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Para la formulación general del problema, considérese un problema interior, es decir un medio finito, elás-
tico, homogéneo e isótropo X, limitado por una frontera finita S, tal como se muestra en la Figura 21.a):
S*
Su
Su
x2 Ω*
Ω
Ω
x2
x1
St St
x3
x1
x3
a) b)
Figura 21. Medio continuo en estudio: (a) Dominio finito, elástico, homogéneo e isótropo, y (b) dominio infinito,
elástico, isótropo y homogéneo.
El contorno S, está a su vez dividido en dos subfronteras, la primera se denomina Su o frontera cine-
mática, en donde se conocen los campos de desplazamientos y la segunda se denomina St o frontera
estática, en donde se conocen los campos de las tensiones. Se puede escribir:
u i^Qh = u i^Qh en Su
t i^Qh = tr i^Qh en St
S = Su j St
i = 1, 2, 3 Q ! S
Para que el sistema representado en la Figura 21.a) esté en equilibrio con las fuerzas de masa, se
tienen que generar los campos de deformaciones f ij^Qh y los campos de tensiones v ij^Qh para todo
punto Q ! X, así como campos de desplazamientos u i^Qh y de tensiones t i^Qh en la frontera, es decir
para todo punto Q ! S. El dominio X está incluido en un dominio infinito X* con frontera infinita S* y
que presenta las mismas características elásticas, homogéneas e isotrópicas de X, tal como se ilustra
en la Figura 21.b). Por analogía con el razonamiento empleado en el dominio finito X, también en el
dominio infinito X* tienen que generarse campos de desplazamientos y tensiones tanto en el dominio
como en la frontera de manera que proporcionen el equilibrio del cuerpo.
Si se generaliza el problema de tal manera que se puedan plantear dos sistemas totalmente indepen-
dientes con las características ya mencionadas y, con base al principio de reciprocidad de Betti, es
posible formular la expresión:
81
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
La derivación de la ecuación de Somigliana se obtiene integrando (31) por partes e introduciendo las
ecuaciones de equilibrio. El lector interesado en los detalles puede consultar las referencias de Kane
(1994) y Brebbia et al. (1984).
* = D e (32)
f i(Q) (P,Q) i
b. Una función de regularización la cual establece que, para cualquier función regular:
Con lo que se puede transformar # f i*^Qh u i^Qh dX^Qh = # D^P,Qh u i^Qh dX^Qh = u i^Ph cuando P y Q ! X.
X X
c. Las transformaciones
Siendo u ij* ^P, Qh y t ij* ^P, Qh funciones que proporcionan el desplazamiento y la tensión que se
produce en el punto Q (punto de integración) en dirección j cuando se aplica una carga unitaria
en el punto P (punto fuente) en dirección i (Figura 22).
1 P i
r(P, Q)
Ω d∞
Q
82
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Sustituyendo ahora las expresiones (32) a (33) en la ecuación (31), reordenando y agrupando, se
obtiene:
u i^ P h = # _ u ij* ^P,Qh t j^Qh – t ij* ^P,Qh u j^QhidS^Qh + # u ij* ^P,Qh f j^Qh dX^Qh ; P ! X yQ!X (34)
S X
Así pues, la solución del problema elástico se puede obtener a través de la expresión (34), conocida como
la Ecuación de Somigliana (Kane, 1994), en función de los campos de desplazamientos y tensiones en el
contorno del dominio X y de las fuerzas de masa f j(Q) conocidas. Por otro lado, puede observarse en la
misma expresión (34) que las incógnitas del problema t j(Q) y u j(Q) se localizan en el contorno S del dominio
del problema, de allí, la gran ventaja que posee el método de los elementos de contorno sobre cualquier
otro método numérico, porque solamente se necesita discretizar el contorno. Una vez obtenida la solu-
ción del problema en el contorno S, se determinan los campos requeridos en el dominioX, simplemente
aplicando la ecuación integral (34). La segunda integral del lado derecho de (34) a los efectos producidos
por las fuerzas de masa (fuerzas volumétricas) f j(Q), siendo por tanto conocidas.
La gran ventaja del método numérico MEC estriba en el hecho de discretizar solamente el contorno S
del problema, por lo tanto es muy importante obtener una expresión alternativa de (34) referida exclu-
sivamente a puntos P pertenecientes al contorno S; para más detalles revisar trabajos de Kane (1994)
y Brebbia et al. (1984). El punto P debe entonces ser llevado al contorno, como muestra la Figura 23,
mediante un sencillo procedimiento que se describe a continuación.
Sε
ε P
Sε
"0(
u i^Ph = flim # _ u ij* ^P, Qh t j^Qh – t ij* ^P, Qh u j^Qhi dS^Qh + # u ij* ^P,Qh f j^Qh dX^Qh2 (35)
S – Sf + Sf X
lim
f"0
# u ij* ^P, Qh t j^Qh dS^Qh = 0
S – Sf
83
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
lim
f"0
# t ij* ^P, Qh u j^Qh dS^Qh = flim
"0
# t ij* ^P, Qh u j^Qh dS^Qh + flim
"0
# t ij* ^P,Qh u j^Qh dS^Qh
S – Sf + Sf S – Sf Sf
lim
f"0
# t ij* (P, Q) u j (Q) dS (Q) =
S – Sf + Sf
= flim
"0
# t ij* (P, Q) u j (Q) dS (Q) + flim
"0
# t ij* (P,Q) (u j(Q) – u j(P)) dS (Q) + (37)
S – Sf Sf
+ flim
"0
#t *
ij (P, Q) u j (P)) dS (Q)
Sf
Tomando en cuenta la continuidad de la función de desplazamientos u j^Ph la segunda integral del lado
derecho de la expresión (37) se anula:
lim
f"0
# t ij* ^P, Qh u j^Qh dS^Qh = flim
"0
# t ij* ^P, Qh u j^Qh dS^Qh + u j^Ph flim
"0
# t ij* ^P,Qh dS^Qh (38)
S – Sf + Sf S – Sf Sf
Considerando (38) y después de alguna manipulación algebraica, la expresión (36) se transforma en:
1 si i = h
Introduciendo ahora el operador delta de Kronecker definido como d ij = ' la ecuación (39) se
0 si i ≠ h
transforma en:
C ij^Ph + u j (P) = # _ u ij* ^P,Qh t j^Qh – t ij* ^P,Qh u j^QhidS^Qh + # u ij* ^P,Qh f j^Qh dX^Qh ; P y Q ! S
S X
Donde ahora P y Q pertenecen al contorno S, y el coeficiente C ij^Ph , que toma en cuenta la geometría
del contorno, queda definido como:
C ij (P) = d ij + flim
"0
# t ij* (P,Q) dS (Q) (40)
Sf
84
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Para aplicar la identidad de Somigliana, se requiere del conocimiento previo de las funciones u ij* (P, Q) y
t ij* (P, Q) las cuales relacionan los campos de desplazamientos y tensiones respectivamente en el punto
de integración Q ! S con la aplicación de una carga unitaria en el punto fuente P que puede pertenecer
a X o a S. “Tales funciones son debidas a Lord Kelvin” (Love, 1944) y corresponden a las soluciones
singulares de la ecuación de Navier, tal como lo plantea Malvern (1969).
1 1
u * + u * + De i = 0 (41)
1 – 2o j, ji i, jj G
Donde las fuerzas de masa se han sustituido por la ecuación (32). Escogiendo el vector de Galerkin g
referido al punto Q y el cual es continuo hasta la cuarta derivada, el campo de desplazamientos en P
quedará expresado como:
1
u i* = g i, kk – g (42)
2 ^1 – o h k, ik
1
gi = re (45)
8rG i
Donde r representa el vector posición entre P y Q. Sustituyendo ahora la expresión (45) en la (42),
1 1
se obtiene la expresión que define la función u ij* ^P, Qh = 7^3 – 4o h d ij + r, i r, jA . Por otro
16rG ^1 – o h r^P, Qh
lado, utilizando las ecuaciones de la teoría de la elasticidad anteriormente presentas (Timoschenko y
Goodier, 1951):
2Go *
•• Ley de comportamiento " v ij* = 2Gf ij* + f d
1 – 2o kk ij
1 *
•• Compatibilidad " f ij* = _ u + u *j, i i
2 i, j
85
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
se obtiene la expresión que permite determinar el valor de la función t ij* ^P, Qh como:
1 1
t ij* ^P, Qh = #7^1 – 2o h d ij + 3r, i r, jA r, n – ^1 – 2o h^r, i n j – r, j n i h-
8r ^1 – o h r^2P, Qh
En el caso de elasticidad bidimensional, la derivación de las soluciones fundamentales u ij* ^P, Qh; t ij* ^P, Qh
siguen un patrón similar. A continuación, se presentan las soluciones fundamentales para deforma-
ción y tensión plana expuestas por Kane (1994) y Brebbia et al. (1984).
Deformación plana
1
u ij* ^P, Qh = 7^3 – 4o h log ^r -1 h d ij + r, i r, jA
8rG ^ 1 – o h
1 1
t ij* ^P, Qh = #7^1 – 2o h d ij + 2r, i r, jA r, n – ^1 – 2o h^r, i n j – r, j n i h-
4r ^1 – o h r^P, Qh
Tensión plana
o
Basta sustituir o = en las expresiones para deformaciones planas, de manera que
1+o
: log ^r –1 h d ij + r, i r, jD
1 + o 3–o
u ij* ^P, Qh =
8rGo 1 + o
&: d ij + 2r, i r, jD r, n – ^ r n – r n h0
1+o 1 1– o 1– o
t ij* ^P, Qh =
4r r^P, Qh 1 + o 1 + o ,i j ,j i
En las soluciones fundamentales para dominios en 2D y 3D, la distancia entre el punto de integración
Q y el punto fuente P es el módulo del vector r(P,Q), el cual se define como r^P, Qh = ^r^P, Qh r^P, Qhh1/2 en donde
r^P, Qh = r^Qh – r^Ph y las derivadas direccionales r,i así como la normal ni son tomadas respecto al punto
2r^P, Qh ri^P, Qh
de integración Q, es decir r, i = = (coseno director).
2x i^ Q h r
Ejemplo
Este ejemplo estudia los desplazamientos y tensiones en un modelo de la tibia humana, bajo
cargas biológicas de compresión publicadas por Müller-Karger et al. (2001).
Descarga de archivo
En Campus virtual > Aula de la asignatura > Recursos y materiales podrás consultar
el trabajo de Müller-Karger et al. (2001) (archivo: cmes.2001.002.001).
>>>
86
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
>>>
Modelo geométrico de la tibia
Se realizó un modelo de la tibia con una longitud de 360 milímetros, tomando como criterio
para definir esta longitud los cambios en la curvatura de la tibia que se observan cuando esta
es vista frontalmente. La tibia parece formar una “s” alargada donde los puntos de inflexión
de esta curva y los cambios de espesor están a las medidas antes mencionadas.
Se construyó una malla de elementos de contorno, evitando una malla demasiado fina o
una malla excesivamente burda. Los elementos muy distorsionados fueron eliminados. El
modelo se definió con 1920 nodos y 689 elementos cuadriláteros de ocho nodos, como se
muestra en el trabajo.
La rodilla transmite el peso del cuerpo solo cuando la persona se encuentra de pie, sin movi-
miento y los músculos no están actuando, en cualquier otra situación la rodilla transmite
cargas que pueden llegar a ser hasta siete veces el peso del cuerpo que las contiene.
Las fuerzas resultantes en la articulación de la rodilla han sido estimadas en 0,5 veces el
peso del cuerpo cuando la persona se encuentra parada sobre sus dos piernas, de 3 a 4 veces
el peso del cuerpo durante la marcha y hasta siete veces al subir y bajar escaleras. La carga
se colocó en los puntos nodales que cubren áreas aproximadamente igual a las áreas del
contacto siguientes: de 460 mm2 (platillo medial) y 297 mm2 (platillo lateral).
La fuerza de compresión se distribuyó en los platillos tibiales como una fuerza constante.
La superficie en la base del modelo se restringió en los tres grados de libertad de traslación,
representando un empotramiento en la parte del distal del modelo.
La tibia proximal se toma como hueso sólido solo compuesto de hueso compacto. También
se asumió que el hueso compacto es lineal, elástico e isotrópico con la constante de Poisson
de 0,3. El módulo de Young del hueso se tomó como 17,2 GPa.
Resultados
87
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
El método parte del fundamento de que “el movimiento de un fluido puede ser descrito por la ecua-
ción de Boltzmann” (Chapman y Cowling 1970). De hecho, la ecuación de Navier-Stokes es justamente
la aproximación de segundo orden de la ecuación de Boltzmann, tal como lo describen Grad (1949) y
Pekeris (1955). Cuando la función de distribución es conocida, la velocidad macroscópica y la presión
pueden calcularse automáticamente a partir de ella. La evolución del estado del fluido en el tiempo
(como una población f de partículas) se representa por la ecuación general:
f (r j + e i d t , t n + d t) = f (r j, t n) + X f (r j, t n) (46)
donde la colisión está representada por el operador X. Para cada punto el estado del sistema se
representa por el vector definido en la siguiente ecuación en un espacio k-dimensional F:
f ^r j, t n h / _ f0 ^r j, t n h, f1 ^r j, t n h, ... fk ^ r j, t n hiT
Los métodos lattice Boltzmann se desarrollaron a partir del automatón celular de lattice Gas (LGCA
en inglés). Las células autómatas, según Wolfram en sus trabajos publicados en 1984 y 1986, “son
arreglos de celdas discretas con valores discretos”. “Conjuntos de células autómatas suficientemente
grandes muestran con frecuencia un comportamiento macroscópico similar al continuo” (Packard y
Wolfram, 1985). Estos conjuntos pueden potencialmente servir como modelos para sistemas conti-
nuos, como los sistemas fluidos. Su manejo discreto a bajo nivel, los hace particularmente elegibles
para simulaciones computacionales digitales y para algunos tipos de análisis matemáticos.
“A un nivel microscópico, los fluidos físicamente están formados por un volumen de partículas
discretas. Pero a mayor escala se ven continuos, y se pueden describir por la hidrodinámica de ecua-
ciones diferenciales parciales” (Tritton, 1977). De hecho, la forma de estas ecuaciones es práctica-
mente insensible a detalles microscópicos. Cambios en las leyes de interacción molecular pueden
afectar parámetros como la viscosidad, pero no alteran la forma básica de las ecuaciones macroscó-
picas. Como un resultado, el comportamiento global de los fluidos puede ser determinado sin repro-
ducir de manera precisa los detalles de la dinámica microscópica molecular.
88
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Cada una de estas células puede aceptar un número finito de z condiciones diferentes. Para cierto
paso de tiempo discreto cada célula puede cambiar su condición como una función de su situación
inicial y las condiciones de las células en su contorno. Las reglas de estos cambios son determinís-
ticas y uniformes en espacio y tiempo. Los métodos lattice Boltzmann son relativamente nuevos en
comparación con los más populares métodos numéricos para solucionar las ecuaciones incompresi-
bles de Navier-Stokes de la matemática fluidodinámica, que lo hacen de una manera muy especial. A
diferencia de los programas convencionales que solucionan Navier-Stokes, los métodos lattice Boltz-
mann no aproximan las ecuaciones directamente pero simulan el comportamiento del fluido en un
nivel mesoscópico y determinan la solución de las ecuaciones incompresibles de Navier-Stokes calcu-
lando ciertos momentos de la densidad de la partícula.
4.3.1. Formulación
Ludwig Boltzmann (1995) derivó en 1872 una ecuación que describía la evolución de una distribución de
partículas (término conocido como f: densidad probabilística o función de distribución) en términos
de interacciones microdinámicas, expresadas a través de un operador de colisión:
2 f v 2f
+p = X ^f, f h
2t 2x
Bhatnagar, Gross y Krook (1954) habían ya presentado una expresión simplificada (conocida como
operador BGK) para la colisión en 1954. La idea de esta simplificación se basa en que “la mayoría de
los detalles de la interacción entre dos partículas no afecta significativamente los valores experi-
mentales macroscópicos” (Succi, 2001). De esta manera, la aproximación BGK puede usarse como un
operador de colisión simplificado:
^f – f^0hh
1
X=–
x
f (0)representa una distribución f en equilibrio de Maxwell local parametrizada por las cantidades
locales conservadas (densidad, velocidad y temperatura), mientras que x es un término de escala de
tiempo típico asociado con la relajación de la colisión para el equilibrio local. Despreciando las fuerzas
externas, la ecuación simplificada de Boltzmann resulta ser:
2 f v 2f 1
+p = – ^f – f^0hh
2t 2x x
La probabilidad de encontrar una partícula en un enlace cualquiera i que une un nodo con sus vecinos,
está representada por las variables fi, que varían de forma continua en el intervalo [0,1], cumpliendo la
hipótesis de caos molecular de Boltzmann, al ser independientes unas de otras.
89
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
A partir de ellas se pueden determinar variables macroscópicas como la densidad t(r,t) y la velocidad
u(r,t) de la forma:
/ i = 1fi ^r, thc i
n
i=1
t ^ r, t h
En la ejecución de la ecuación discreta de Boltzmann para cada iteración el proceso de colisión
resuelve los fenómenos que suceden a un nivel microscópico dentro de la unidad celular; luego, el
proceso de propagación distribuye el flujo de partículas a un nivel mesoscópico en los espacios inme-
diatos de la rejilla de células. En la etapa de propagación de la ecuación de lattice Boltzmann, las partí-
culas se mueven de un nodo de la rejilla a uno de sus circunvecinos.
Una malla típica para un análisis bidimensional discretiza el espacio en un número finito de células
ordenadas que teselan todo el plano. Uno de los modelos de célula más utilizados, de geometría
cuadrada, se conoce con el nombre D2Q9. La notación DkQb, propuesta por Qian et al. (1992) define
en “k la dimensión del espacio y en b el número finito de distribuciones posibles de desplazamiento
a lo largo de la rejilla”. La célula D2Q9 permite únicamente los sentidos positivos y negativos de las
direcciones ortogonales y diagonales de la malla. La novena posibilidad es que las partículas no se
desplacen y permanezcan en reposo en su posición actual. La Figura 24.a) muestra una representación
esquemática de la célula D2Q9. La Figura 24.b) muestra un modelo de célula para análisis tridimensio-
nales que extiende la definición a un esquema de 15 distribuciones permitidas.
f7
f8 f5
f9
f11
e6 e2 e5 f3
f1
e0 f2 f4
e3 e1 f10
f12
f6 f13
a) e7 e4 e8 b) f14
Figura 24. Representación esquemática de modelos típicos de células lattice Boltzmann: a) modelo
D2Q9, cada cuadro identifica un nodo en la rejilla cuadriculada; b) esquema de una célula D3Q15.
Las velocidades discretas de los modelos de células LB más comunes están dadas por:
0 1 –1 0 0 0 0 1 –1 1 –1 1 –1 1 –1
m N D3Q15 = c f 0 0 0 1 –1 0 0 1 –1 1 –1 –1 1 –1 1 p
0 1 0 –1 0 1 –1 –1 1
N D2Q9 = c c
t t
0 0 1 0 –1 1 1 –1 –1
0 0 0 0 0 1 –1 1 –1 –1 1 1 –1 –1 1
0 1 –1 0 0 0 0 1 –1 1 –1 1 –1 1 –1 0 0 0 0
Nt D3Q19 = c f 0 0 0 1 –1 0 0 1 –1 –1 1 0 0 0 0 1 –1 1 –1 p
0 0 0 0 0 1 –1 0 0 0 0 1 –1 –1 1 1 –1 –1 1
90
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Donde c = dx / dt , y la duración del paso de tiempo dt se asume como la unidad. Quiere decir que c = 1 en
las unidades de dx = 1 y dt = 1 (a partir de ahora todas las cantidades se expresan en unidades adimen-
sionales, normalizadas por el espaciado de la rejilla dxy el paso de tiempo dt). Nótese que las veloci-
dades de partículas distintas de cero son elegidas de tal manera que las partículas se mueven a partir
de un nodo dado a uno de los próximos al contorno solamente en direcciones lattice o en diagonales.
La ecuación de múltiple relajación en el tiempo (MRT) de lattice Boltzmann, también referida como
la ecuación generalizada de lattice Boltzmann (GLBE en inglés) o método de los momentum, solventa
algunos de los defectos obvios del modelo LBGK, tales como el número fijo de Prandtl (Pr = 1 para el
modelo BGK) y la relación fija entre las viscosidades cinemática y de bulto. El modelo general RLBE
tiene tres componentes: el primer componente es el espacio de fase discreta definido por una rejilla
lattice en k dimensiones adicional a un conjunto de velocidades discretas ei elegidas apropiadamente
conectando cada sitio lattice con alguno de su contorno. El aspecto fundamental en la teoría son las
funciones de distribución de velocidades fi definidas en cada nodo rj de la rejilla. El segundo compo-
nente incluye una matriz de colisión S y N + 1 funciones de distribución de equilibrio fi (0), que son
funciones de las cantidades conservadas localmente. La tercera componente en la ecuación de evolu-
ción en tiempo discreto tn = ndt, n = 0, 1...
f _ r j + e i d t, t n + d t i – f ^r j, t n h = –S f ^r j, t n h – f^0h ^r j, t n h (47)
El proceso de colisión se logra naturalmente en el espacio definido por los vectores propios de la
matriz de la colisión, los valores propios correspondientes que son el inverso de su tiempo de rela-
jación hacia sus equilibrios. Los N + 1 valores propios de S se encuentran todos entre 0 y 2 para
mantener la estabilidad lineal y la separación de escalas, traduciéndose en que los tiempos de relaja-
ción de las cantidades no conservadas sean mucho menores que las escalas de tiempo hidrodinámico.
Los modelos LBGK son casos especiales en los que los N + 1 tiempos de relajación son todos iguales, y
la matriz de colisión S = ~I, (donde I es la matriz de identidad, ~ = 1/x, y x (> 1/2)) es el tiempo simple de
relajación del modelo.
“La formulación RLBE tiene dos grandes ventajas: primero, tiene el máximo número de
tiempos ajustables de relajación, uno por cada clase de modo cinético invariante bajo el
grupo de simetría de la rejilla preestablecida. Segundo, tiene libertad máxima en la cons-
trucción de las funciones de equilibrio de los momentum sin conservar. Un resultado inme-
diato del uso de la RLBE en vez del modelo LBGK es la mejora significativa en la estabilidad
numérica” (Lallemand y Luo, 2000).
Se puede hacer una transformación lineal a partir del espacio } a otro espacio que resulte ser más
conveniente (modelo de multirrelajación); para este caso particular, los momentum físicamente signi-
ficativos de las cantidades de fi que conforman un espacio M. Como propuso D’Humières (1992), se
utiliza la ecuación generalizada de lattice Boltzmann donde se ejecuta el proceso de colisión en el
espacio de momentum M. El cambio entre el espacio de momentum M y el espacio de velocidades
discretas } se define por la transformación lineal M que mapea un vector en } para un vector en M:
|m = M|f y |f = M–1|m
91
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
En referencia a la teoría cinética de gases presentada en su momento por Bhatnagar et al. (1954)
como las propuestas posteriores de Chen et al. (1992) y Qian et al. (1992), y usando las simetrías del
conjunto de velocidades discretas, M para el modelo de célula D2Q9 se construye como
RS V
SS Gm 1 S WWW SSR 1 1 1 1 1 1 1 1 1 VWW
SSGm 2 SWW SS–4 –1 –1 –1 –1 2 2 2 2 WWW
SS W SS
SSGm 3 SWWW SS 4 –2 –2 –2 –2 1 1 1 1 WWW
SSGm SWW SS 0 1 0 –1 0 1 –1 –1 1 WWW
S 4 W SS W
M = SSSGm 5 SWWW = SS 0 –2 0 2 0 1 –1 –1 1 WW =
SSGm SWW SS 0 0 1 0 –1 1 1 –1 –1WW
W
SS 6 WW SS W
SSGm 7 SWW SS 0 0 –2 0 2 1 1 –1 –1WW
SSGm SWW SS 0 1 –1 1 –1 0 0 0 0 WW
W
SS 8 WW SS W
SGm 9 SW S 0 0 0 0 0 1 –1 1 –1W
T X T X
= 6 m1 m2 m3 m4 m5 m6 m7 m 8 m 9@T
Para el caso tridimensional, el modelo D3Q15 se construye como fue planteado por D’Humières et al.
(2002):
RS t VW RS 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 VWW
SS W S
SS e WWW SS–2 –1 –1 –1 –1 –1 –1 1 1 1 1 1 1 1 1 WWW
SS W SS
SS f WWW SS16 –4 –4 –4 –4 –4 –4 1 1 1 1 1 1 1 1 WWW
SS j x WW SS 0 1 –1 0 0 0 0 1 –1 1 –1 1 –1 1 –1WWW
SS W SS W
SS q x WWW SS 0 –4 4 0 0 0 0 1 –1 1 –1 1 –1 1 –1WW
SS j y WW SS 0 0 0 1 –1 0 0 1 1 –1 –1 1 1 –1 –1WW
W
SS W SS W
SS q y WWW SS 0 0 0 –4 4 0 0 1 1 –1 –1 1 1 –1 –1WW
S W
M = SSS j z WWW = SS 0 0 0 0 0 1 –1 1 1 1 1 –1 –1 –1 –1WW
SS q WW SS 0 0 0 0 0 –4 4 1 1 1 1 –1 –1 –1 –1WW
W
SS z WW SS W
SS3p xxWW SS 0 2 2 –1 –1 –1 –1 0 0 0 0 0 0 0 0 WW
SS p WW SS 0 0 0 1 1 –1 –1 0 0 0 0 0 0 0 0 WW
W
SS ww WW SS W
SS p xy WW SS 0 0 0 0 0 0 0 1 –1 –1 1 1 –1 –1 1 WWW
SS W SS
SS p yz WWW SS 0 0 0 0 0 0 0 1 1 –1 –1 –1 –1 1 1 WWW
SS p zx WW SS 0 0 0 0 0 0 0 1 –1 1 –1 –1 1 –1 1 WWW
SS W S
Sm xyzWW SS 0 0 0 0 0 0 0 1 –1 –1 1 –1 1 1 –1WW
T X T X
92
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
f _ r j + e i d t, t n + d t i ± f ^r j, t n h = –M –1 St m ^r j, t n h – m^0h ^r j, t n h
Los valores nulos corresponden a la conservación de los momentum de los términos correspondientes.
Ejemplo
Para el siguiente ejemplo se presenta un modelo publicado por Pelliccioni et al. (2006), para
la simulación del flujo tridimensional que pasa a través de una válvula artificial de corazón en
posición aórtica utilizando la ecuación generalizada de lattice Boltzmann bajo un modelo de
multirrelajación. Se presentan resultados gráficos de velocidades, líneas de corriente, vorti-
cidad y esfuerzos de corte a lo largo del flujo por la arteria para modelos mecánicos de una y
dos hojas.
El modelo combina la aplicación del modelo de lattice Boltzmann con un método de multi-
rreflexión para el condicionamiento de contornos sólidos en movimiento. Esta aplicación es
utilizada para estudiar los cambios del flujo de sangre producidos por la interacción con una
prótesis mecánica de válvula aórtica implantada en la raíz aórtica.
>>>
93
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
>>>
La geometría del conjunto ventrículo y raíz aórtica utilizada fue modelada a través de herra-
mientas CAD basándose en datos tomados de la literatura: trabajos publicados por Clark y
Finke (1974), Swanson y Clark (1974), Sauren (1981) y King (1994).
Enlace de interés
ST. JUDE MEDICAL – MECHANICAL HEART VALVES
St. Jude Medical, Inc. es una compañía estadounidense de dispositivos médicos globales
con sede en Little Canada, Minnesota, Estados Unidos, un suburbio de Saint Paul. La
compañía tiene actualmente más de 20 operaciones principales y plantas de fabricación
en todo el mundo con productos vendidos en más de 100 países. Sus mercados princi-
pales incluyen los Estados Unidos, Europa, América Latina y Asia-Pacífico. La compañía
fue nombrada Jude en honor al apóstol, el santo patrón de las causas perdidas.
https://www.sjmglobal.com/en-int/patients/heart-valve-disease/our-solutions/
mechanical-heart-valves
Figura 25. Diagrama del ensamble ventrículo izquierdo + válvula mecánica + aorta utilizado
en el banco de pruebas pulsátil de King y que fue utilizado como geometría para la simulación
por lattice Boltzmann. Se muestra el montaje completo en vista isométrica. Recuperado de O.
Pelliccioni, M. Cerrolaza y M. Herrera M., 2006, “Análisis tridimensional de la interacción flui-
do-estructura en una válvula cardíaca mecánica doble hoja utilizando la ecuación generaliza-
da de lattice Boltzmann”. Revista internacional de métodos numéricos para cálculo y diseño
en ingeniería, 22(4), 377-392. Disponible en https://upcommons.upc.edu/handle/2099/4770
Las células ordenadas de manera regular y uniforme se clasificaron una a una de acuerdo a su
función dentro de la simulación como: células tipo fluido (modelan el flujo de sangre), células
tipo sólido (no realizan actividad alguna durante la simulación) y células tipo contorno (esta-
blecen el comportamiento del flujo durante el contacto fluido/pared).
>>>
94
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
>>>
Para los resultados mostrados en este análisis se utilizó una malla de aproximadamente 1772
células definidas como contorno movible y 576.322 células definidas como fluido. El acople flui-
do-estructura es directo (el contorno de los nodos y elementos coincide a lo largo de la interfase).
Figura 26. Modelo geométrico mallado para lattice Boltzmann. Se muestra detalle de la rejilla
lattice Boltzmann para la malla completa [177 x 105 x 105 células. Recuperado de O. Pelliccioni,
M. Cerrolaza y M. Herrera M., 2006, “Análisis tridimensional de la interacción fluido-estructu-
ra en una válvula cardíaca mecánica doble hoja utilizando la ecuación generalizada de lattice
Boltzmann”. Revista internacional de métodos numéricos para cálculo y diseño en ingeniería,
22(4), 377-392. Disponible en https://upcommons.upc.edu/handle/2099/4770
Las propiedades físicas de la sangre utilizadas para el modelo fueron la densidad del fluido
t = 1,050 · 103 kg/m3 y la viscosidad dinámica v = 4 mm2/s A las simulaciones numéricas se
les asignó un flujo de salida de 70 ml/pulso y un pulso cardiaco de 72 ml (0,820 s, Womersley
a2 = D2~/o = 256,4 ) resultando un Sr = 0,1. Los valores del perfil de velocidad variable en función
del tiempo para las condiciones de entrada fueron asumidos como una curva de tipo senoidal.
Los valores de las velocidades fueron adimensionalizados utilizando el número de Reynolds.
>>>
95
Capítulo 4. Otros métodos numéricos
Internacional
de Valencia
>>>
Se definió un perfil parabólico de flujo de sangre partiendo del segmento de ventrículo
izquierdo de la malla. En las simulaciones el paso de tiempo se definió para un período
como T = 227 iteraciones (~ = 2r/T). La distribución de velocidades en el dominio se
inicializó en cero para todo el sistema y luego se desarrolló la simulación en 40T para
definir el tiempo cero (t = 0) del cálculo numérico, respetando el criterio de convergencia,
u^x , t + T h – u^x , th
/ i u^x i, t + T h i # 10 –7 donde la sumatoria es aplicada a la totalidad del sistema.
i
Resultados
Se aplicó el método lattice Boltzmann para simular la respuesta de una válvula mecánica
de corazón sometida externamente a presión ventricular y aórtica. La Figura 27 muestra
valores de la componente axial de velocidad a diferentes cortes en el volumen de control. Se
puede visualizar el comportamiento del flujo a través del conjunto ventrículo, válvula y aorta
a diferentes instantes del ciclo cardiaco.
>>>
96
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
>>>
Los cálculos muestran que la dinámica de apertura y cierre de la válvula con la sangre se
deben esencialmente a un proceso cinemático gobernado por el flujo del fluido. El número
de Reynolds máximo obtenido en la válvula fue aproximadamente de 1.500 bajo un Sr = 0,1
y Womersley a2 = 222, los cuales definirían las inestabilidades numéricas comúnmente
presentes para un nivel de refinamiento de malla como el utilizado en este modelo. Por otra
parte, este trabajo se centró en el uso del método numérico para investigar la importancia
de la interacción fluido-estructura más que en la aproximación del fenómeno fisiológico en
detalle.
97
Glosario
Delphi®
Distribuido por la casa comercial Embarcadero Technologies, Inc., Delphi® es un entorno de desa-
rrollo de software diseñado para la programación de propósito general con énfasis en la progra-
mación visual. En Delphi se utiliza como lenguaje de programación una versión moderna de Pascal
llamada Object Pascal. En sus diferentes variantes, permite generar archivos ejecutables para
Windows, MacOS X, iOS, Android, GNU/Linux y la plataforma .NET.
Desvío estándar
Para una diferencia de medias muestrales xr 1 – xr 2 su desvío estándar es igual a la raíz cuadrada de la
varianza, y se designa como error estándar de la diferencia: ES ^ xr 1 – xr 2h = ^v 12 /n 1 h – ^v 22 /n 2h .
Distribución t de Student
La distribución t de Student se emplea para realizar inferencias sobre la media poblacional utilizando
muestras de pequeño tamaño (<30) cuando los datos proceden de una muestra aleatoria simple. El
planteamiento es el siguiente:
Se establece el estado por defecto para μ dando el valor hipotético (en H0) y lo que se pretende
afirmar sobre la μ para la que se están acumulando datos (Ha). Se determina el cociente crítico (la dife-
rencia entre la media de la muestra y la media poblacional hipotética dividida por el error estándar
[ES] de la media de la muestra). Se compara el cociente crítico con el valor de la t apropiado en la tabla.
Se rechaza o no se rechaza la hipótesis nula (H0). Se escribe la conclusión.
Error aleatorio
Es la oscilación de los estadísticos obtenibles en las posibles muestras, siempre centrados en el pará-
metro de la población origen de la muestra.
Estadístico
Cantidad que se obtiene a partir de los datos de una muestra y que ayuda a resumir las características
de esta.
Individuo
Cada uno de los elementos que componen la muestra y la población.
98
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Inferencia estadística
La inferencia estadística es el conjunto de procedimientos por el cual la información contenida en las
muestras se utiliza para hacer estimaciones relativas a los universos de los que proceden. La proba-
bilidad de que la media universal se halle comprendida dentro de determinados límites alrededor de
la media muestral puede ser calculada con precisión. En general, la inferencia estadística se ocupa de
dos tipos de aplicaciones: la estimación de parámetros u otras características de las distribuciones de
las variables en los universos de los que proceden las muestras, y la verificación de hipótesis acerca
de dichos universos.
Matriz inversa
La inversa de una matriz cuadrada A (de dimensiones N # N) se escribe como A–1 y satisface AA–1 =
A–1A = I.
Matriz nula
Es una matriz en la que todos los elementos son iguales a 0.
0 0 0
A = >0 0 0H
0 0 0
Matriz ortogonal
Se define como una matriz que tiene columnas ortonormales. Satisface QQT = I, QTQ = I, y QT = Q–1.
Matriz transpuesta
Para una matriz definida por A = [ ai, j ], su transpuesta se define como AT = [ ai, j ] (se intercambian i y j).
Por ejemplo:
2 3 2 0
A =; E , entonces A T = ; E
0 5 3 5
5 0
B = >2 7 H , entonces B T = ;
5 2 1
E
0 7 2
1 2
Muestra representativa
Es una parte de una población, seleccionada adecuadamente, que conserva los aspectos clave de la
población.
Nivel de significancia
Se define como la probabilidad de tomar la decisión de rechazar la hipótesis nula cuando esta es
verdadera.
99
Glosario
Internacional
de Valencia
Parámetro
Característica que, mediante su valor numérico, describe un conjunto de elementos o individuos.
Población finita
Es aquella que posee o incluye un número pequeño de elementos, de tal forma que al estudiar estadís-
ticamente esta población es necesario considerar explícitamente su tamaño.
Población infinita
Es aquella que posee o incluye un número grande de elementos, de tal forma que al estudiar estadísti-
camente esta población es necesario recurrir a muestras, que en la práctica son pequeñas respecto al
tamaño de la población.
Sesgo
Como error sistemático, es toda diferencia entre el valor del parámetro en la población origen de la
muestra y el valor del mismo parámetro en la población objetivo.
Varianza
Para una diferencia de medias muestrales xr 1 – xr 2 su varianza es igual a la suma de las respectivas
varianzas muestrales: var ^ xr 1 – xr 2h = ^v 12 /n 1 h – ^v 22 /n 2h .
Vector nulo
Vector en el que todos los elementos son iguales a 0.
0
x = >0H
0
Vector transpuesto RS x VW
S 1W
Si un vector viene dado por v = SSSx 2WWW , entonces su transpuesto se define como v T = 6x 1 x 2 x 3@ . El
SSx WW
3
transpuesto de un vector columnaTesXun vector fila.
Vector unitario
Vector en el que todos los elementos son iguales a 0 excepto uno, que vale 1:
1 0 0
u = >0H, v = > 1 H, w = >0H
0 0 1
100
Enlaces de interés
ABAQUS SIMULIA
Programa CAE de cálculo por elementos finitos de propósito general, parte de la plataforma SIMULIA
de Dassault Systemes. SIMULIA proporciona un portafolio de soluciones de análisis y simulación 3D
por elementos finitos.
http://www.3ds.com/products-services/simulia/
ADINA
Programa de análisis por elementos finitos para sistemas lineales y no lineales. Funciona en Windows,
Unix y Linux.
www.adina.com
ALGOR
Soluciones para aplicaciones de ingeniería orientadas al análisis computacional multifísica en dife-
rentes ramas, como la automotriz, la aeroespacial, la manufactura o el consumo. Professional Multi-
physics, como aplicación central, incluye capacidades de análisis CAE para esfuerzos estáticos y
simulación de eventos mecánicos, con modelos lineales y no lineales, análisis dinámicos, transferencia
de calor, fluidos y análisis electrostático.
www.algor.com
ALTAIR HYPERWORKS
Programa de análisis y simulación CAE para ingeniería desarrollado por Altair Engineering. La aplica-
ción permite a las empresas diseñar y crear productos en 3D de manera eficiente y a bajo costo.
www.altairhyperworks.com
101
Enlaces de interés
Internacional
de Valencia
AUTODESK SIMULATION
Grupo de programas para validar y optimizar sus diseños. La suite somete el diseño a esfuerzos
virtuales para predecir su comportamiento en el mundo real. Autodesk presenta un componente
informático para cada fenómeno físico.
http://www.autodesk.com/
CAEDIUM – SYMLAB
Solución de análisis CFD fácil de usar para resolver problemas de ingeniería CAE. El programa te
asiste en la optimización del modelo 3D. Usando los módulos de Caedium pueden crearse geometrías
2D y 3D o importarlas de otro sistema de CAD. Puede simular el flujo de un gas o líquido sobre geome-
tría 3D, por ejemplo, eñ efecto del viento sobre el ala de un avión. El programa funciona en Windows,
Linux y Mac. El módulo básico de Caedium es gratuito. Para tener la solución completa se deben tener
el resto de los módulos de Caedium, que pueden ser adquiridos bajo suscripción.
http://www.symscape.com/
COMSOL
Programa CAE para modelado, análisis y simulación de fenómenos físicos 3D en ingeniería, como
problemas con fluidos, estructurales, térmicos, electromecánicos, entre otros, que permite definir la
geometría 3D especificando el mesh o mallado, las cargas y la visualización previa del análisis para
luego ejecutar el posproceso y ver informes finales.
http://www.comsol.com/
102
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
CATIA
Programa informático de diseño, fabricación e ingeniería asistida por computadora comercial reali-
zado por Dassault Systèmes. El programa está desarrollado para proporcionar apoyo desde la
concepción del diseño hasta la producción y el análisis de productos. Está disponible para Microsoft
Windows, Solaris, IRIX y HP-UX.
https://www.3ds.com/es/productos-y-servicios/catia/
MATLAB
Herramienta de software matemático que ofrece un entorno de desarrollo integrado (IDE) con un
lenguaje de programación propio (lenguaje M). Está disponible para las plataformas Unix, Windows,
Mac OS X y GNU/Linux. Entre sus prestaciones básicas se hallan la manipulación de matrices, la
representación de datos y funciones, la implementación de algoritmos, la creación de interfaces de
usuario (GUI) y la comunicación con programas en otros lenguajes y con otros dispositivos. El paquete
MATLAB dispone de dos herramientas adicionales que expanden sus prestaciones, a saber, Simulink
(plataforma de simulación multidominio) y GUIDE (editor de interfaces de usuario - GUI). Además, se
pueden ampliar las capacidades de MATLAB con las cajas de herramientas (toolboxes), y las de Simu-
link con los paquetes de bloques (blocksets).
https://es.mathworks.com/products/matlab.html
NASTRAN
Programa de cálculo estructural que aplica el método de los elementos finitos (MEF). Actualmente
es The MacNeal-Schwendler Corporation (MSC) la empresa que distribuye las versiones comerciales
de NASTRAN. La aplicación está escrita en Fortran y su código consta de más de un millón de líneas.
Nastran está ampliamente extendido en la industria aeroespacial.
http://www.mscsoftware.com/product/msc-nastran
103
Enlaces de interés
Internacional
de Valencia
SOLIDWORKS SIMULATION
Software CAD para modelado mecánico en 2D y 3D, que permite modelar piezas y conjuntos y extraer
de ellos tanto planos técnicos como otro tipo de información necesaria para la producción. Es un
programa que funciona con base en las nuevas técnicas de modelado con sistemas CAD. El proceso
consiste en traspasar la idea mental del diseñador al sistema CAD, construyendo virtualmente
la pieza o conjunto. Posteriormente, todas las extracciones (planos y ficheros de intercambio) se
realizan de manera bastante automatizada. Su módulo Simulation Professional permite optimizar los
diseños, determinar la resistencia mecánica de los productos, su durabilidad, la topología, las frecuen-
cias naturales y probar la transferencia de calor y las inestabilidades de pandeo. También puede
realizar simulaciones multifísicas secuenciales.
https://www.solidworks.com/es
XFLOW CFD
Programa de análisis dinámico de fluidos CFD con un enfoque único a este fenómeno. Este programa
de computo está basado en una tecnología de cálculo de modelado mecánico de tipo lattice Boltz-
mann, una algoritmo diseñado para compañías que requieren precisión en la simulación de flujos,
aerodinámica de transición, manejo de aguas e interacción de fluidos. XFlow simplifica el proceso
y reduce los cálculos de mallado de modelos. XFlow, como programa de análisis y simulación CAE,
incluye preproceso y posproceso. Puede hacer análisis térmicos, fluidos en medios porosos, fluidos
no newtonianos, transferencia de calor, y manejar condiciones de frontera complejas. La aplicación
reduce el tiempo que los ingenieros invierten su tiempo en discretizar las mallas y hacer cambios en
topología en el dominio de los problemas donde hay fenómenos de interacción fluido-estructura, lo
que lleva a reducir costos de proyectos de análisis y su preparación.
http://www.xflowcfd.com/
3D CAD PORTAL
Portal de información sobre tecnologías de diseño, manufactura e ingeniería CADCAMCAE, PLM, digi-
talización 3D, impresión 3D, entre otras. Su sede está en Monterrey, México, y tiene corresponsales
en las principales ciudades del país.
http://www.3dcadportal.com/
104
Bibliografía
Balarac, G., y Métais, O. (2005). The near field of coaxial jets: a numerical study. Physics of Fluids, 17(6),
065102/1-14.
Bathe, K. J., y Wilson, E. (1976). Numerical methods in finite element analysis. Nueva York: Prentice
Hall.
Bhatnagar, P. L., Gross, E. P., y Krook, M. (1954). A model for collision processes in gases. I. Small ampli-
tude processes in charged and neutral one-component systems, Physical Review, 94, 511-524.
Boltzmann, L. (1995). Vorlesungen über Gastheorie, Lectures on Gas Theory, unab. Berlín: Dover.
Brebbia, C. A., y Ferrante, A. J. (1975). The finite element technique. Porto Alegre: Universidade Federal
do Rio Grande do Sul.
Brebbia, C. A., Telles, J. F. C., y Wrobel, L. C. (1984). Boundary Element Tecniches: Theory and Applica-
tions in Engineering. Berlín: Springer-Verlag.
Celis de la Rosa, A., y Labrada, V. (2014). Bioestadística. Ciudad de México: El Manual Moderno.
Cerrolaza, M. (2007). El método de elementos finitos para ingeniería y ciencias aplicadas. Caracas:
Universidad Central de Venezuela.
Cercignani, C. (1975). Theory and Application of the Boltzmann Equation. Nueva York: Elsevier.
Chapman, S., y Cowling, T. G. (1970). The Mathematical Theory of Non Uniform Gases. Cambridge:
Cambridge University Press.
Chapra S., y Canale, R. (2007). Métodos numéricos para ingenieros. Ciudad de México: McGraw-Hill.
Chen, H., Chen, S., y Matthäus, W. H. (1992). Recovery of the Navier-Stokes equations using a latti-
ce-Gas Boltzmann approach. Physical Review A, 45, R5339-R5342.
Clark, R., y Finke, E. (1974). Scanning and light microscopy of human aortic leaflets in stressed and
relaxed states. Journal of Thoracic and Cardiovascular Surgery, 67(5), 792-804.
Cobo, E., González, J., y Muñoz, P. (2007). Bioestadística para no estadísticos. Bases para interpretar
artículos científicos. Barcelona: Elsevier Masson.
D’Humières, D. (1992). Generalized lattice Boltzmann equations, Rarefied Gas Dynamics: Theory and
Simulations, Progress in Astronautics and Aeronautics, AIAA, 159, 12.
De Wachter, D., Verdonck, P. (2002). Numerical calculation of hemolysis levels in peripheral hemo-
dialysis cannulas. Artificial Organs, 26(7), 576-582.
Desai, C., y Abel, J. (1972). Introduction to the finite element method. Nueva York: Van Nostrand Reinhold.
105
Bibliografía
Internacional
de Valencia
Esper, R., y Machado, R. (2008). La investigación en medicina: bases teóricas y prácticas. Elementos
de bioestadística. Buenos Aires: La Prensa Médica Argentina.
Fylstra, D., Lasdon, L. S., Watson, J., y Waren, A. (1988). Design and Use of the Microsoft Excel Solver.
Interfaces, 28(5), 29-55.
Gallagher, R. H. (1975). Finite element analysis-Fundamentals. Nueva Jersey: Prentice Hall, Englewood
Cliffs.
Garon, A., y Farinas, M. I. (2004). Fast three-dimensional numerical hemolysis approximation. Artificial
Organs, 28(11), 1016-1025.
Gómez, J., García, F., Pina, E., y Navarro, J. (2003). Matemáticas. Profesores de enseñanza secundaria,
Vol. 2. Sevilla: Editorial Mad.
Grad, H. (1949). On the kinetic theory of rarefied gases, Communications on Pure and Applied Mathe-
matics, 2, 331.
Gutiérrez, H., y De la Vara, R. (2012). Análisis y diseño de experimentos. Ciudad de México: McGraw-
Hill.
He, X., y Luo, L.-S. (1997). Lattice Boltzmann model for the incompressible Navier-Stokes equation.
Journal of Statistical Physics, 88, 927-945.
Hirsch, Ch. (2007). Numerical Computation of Internal & External Flows (2.a ed.). Nueva York: John
Wiley & Sons.
Huebner, K. H., Dewhirst, D. L., Smith, D. E., y Byrom, T. G. (2001). The Finite Element Method for Engi-
neers. Nueva York: John Wiley & Sons.
Hughes T. J. R. (2000). The finite element method: linear static and dynamic analysis finite element
analysis. Nueva Jersey: Dover Publications.
Kane, J. H. (1994). Boundary element Analysis in Engineering Continuum Mechanics. Nueva Jersey:
Prentice-Hall.
King, M. (1994). Computational and experimental studies of flow through a bileaflet mechanical heart valve
(Tesis doctoral, UK University of Leeds). Recuperado de http://lib.leeds.ac.uk/record=b1412149~S5.
Lallemand, P.-S., y Luo, L. (2000). Theory of the lattice Boltzmann method: Dispersion, dissipation,
isotropy, Galilean invariance, and stability. Physical Review E, 61, 6546-6562.
Lasdon, L. S., Waren, A., Jain, A., y Ratner, M. (1978). Design and Testing of a Generalized Reduced
Gradient Code for Nonlinear Programming. ACM Transactions on Mathematical Software, 4(1),
34-50.
106
Bioestadística y métodos numéricos en ingeniería biomédica
Internacional
de Valencia
Lasdon, L. S., y Smith, S. (1992). Solving Large Nonlinear Programs Using GRG. ORSA Journal on
Computing, 4(1), 2-15.
Liboff, R. (1998). Kinetic theory classical, quantum and relativistic description. Nueva York: Wiley.
Love, E. H. (1944). A Treatise on the Mathematical Theory of Elasticity. Nueva York: Dover.
Malvern, L. E. (1969). Introduction to the Mechanics of Continuous Medium. Englewood Cliffs: Prenti-
ce-Hall.
Martínez, F., Pelliccioni, O., y Cerrolaza, M. (noviembre 2017). Simulación y evaluación de tensiones en la
mandíbula humana. En Luz-Col y Soveb (Presidencia), VI Congreso Venezolano de Bioingeniería.
Conferencia llevada a cabo en el Congreso Venezolano de Bioingeniería BIOVEN, Cabimas.
Müller-Karger, C. M., González, C., Aliabadi, M. H., y Cerrolaza, M. (2001). Three dimensional BEM and
FEMstress analysis of the human tibia under pathological conditions. Computer Modeling in
Engineering & Sciences, 2(1), 1-13. doi:10.3970/cmes.2001.002.001.
Packard, N., y Wolfram, S. (1985). Two-dimensional cellular automata, Journal of Statistical Physics,
38, 901.
Pekeris, C. L. (1955). Solution of the Boltzmann-Hilbert integral equation. Proceedings of the National
Academy of Sciences, 41, 661.
Pelliccioni, O., Cerrolaza, M., y Herrera, M. (2006). Análisis tridimensional de la interacción fluido-es-
tructura en una válvula cardíaca mecánica doble hoja utilizando la ecuación generalizada de
lattice Boltzmann. Revista Internacional de Métodos Numéricos para Cálculo y Diseño en Inge-
niería, 22(4), 377-392.
Qian, Y. H., d’Humières, D., y Lallemand, P. (1992). Lattice BGK models for Navier-Stokes equations,
Europhysics letters,17(6), 479-484.
Rao, S. S. (1996). Engineering Optimization: Theory and Practice (3.a ed.). Nueva York: Wiley-Inters-
cience.
Revelle, C. S., Whitlach, E. E., y Wright, J. R. (1997). Civil and Environmental Systems Engineering. Nueva
Jersey: Prentice-Hall, Englewood Cliffs.
Salazar, F., Rojas-Solórzano, L., y Blanco, A. (2008). Turbulence modeling in the numerical estimation
of hemolysis in hemodialysis cannulae. Revista de la Facultad de Ingeniería UCV, 23(4), 93-98.
Sauren, A. (1981). The Mechanical Behaviour of the Aortic Valve (tesis doctoral, Eindhoven University
of Technology). Recuperada de https://pure.tue.nl/ws/files/3130558/94978.pdf.
Succi, S. (2001), The Lattice Boltzmann Equation for Fluid Dynamics and Beyond. Oxford: Clarendon
Press.
107
Bibliografía
Internacional
de Valencia
Swanson, W., y Clark, R. (1974). Dimensions and geometric relationships of the human aortic valve as
function of pressure. Circulation Research, 35(6), 871-882.
Timoshenko, S., y Goodier, J. N. (1951). Theory of Elasticity (2.a ed.). Nueva York: McGraw-Hill.
Tritton, D. J. (1977). Physical Fluid Dynamics. Van Nostrand Reinhold, 356. doi.org/10.1002/
qj.49710343830
Wolfram, S. (1986). Theory and applications of Cellular Automata. Nueva Jersey: World Scientific.
Zienkiewicz, O. C., Taylor, R. L., y Fox, D. D. (2014). The finite element method for Solid and Structural
Mechanics. Oxford: Butterworth-Heinemann.
Zuur, A. F., Ieno, E. N., Walker, N. J., Saveliev, A. A., y Smith, G. M. (2009). Mixed Effects Models and
Extensions in Ecology with R. Nueva York: Springer.
108
Autor/a
Autor
Dr. Orlando
Dr. Orlando
J. Pelliccioni
J. Pelliccioni
M. M.
Internacional
Internacional
Reservados
Reservados
todostodos
los derechos©
los derechos© de Valencia
de Valencia
Universidad
Universidad
Internacional
Internacional
de Valencia
de Valencia
- 2018- 2019