Libro PDF

BIOESTADÍSTICA Y
MÉTODOS NUMÉRICOS
EN INGENIERÍA
BIOMÉDICA
Dr. Orlando J. Pelliccioni M.
MÁSTER UNIVERSITARIO EN INGENIERÍA BIOMÉDICA

Módulo I. Formación técnica y gerencial
Este material es de uso exclusivo para los alumnos
de la Universidad Internacional de Valencia. No
Internacional está permitida la reproducción total o parcial de su
contenido ni su tratamiento por cualquier método
de Valencia por aquellas personas que no acrediten su relación
con la Universidad Internacional de Valencia, sin
autorización expresa de la misma.
Edita
Universidad Internacional de Valencia
Máster Universitario en
Ingeniería Biomédica
Bioestadística y métodos numéricos en ingeniería biomédica

Módulo I. Formación técnica y gerencial
6 ECTS
Dr. Orlando J. Pelliccioni M.

Leyendas
Enlace de interés Ejemplo Importante Descarga de archivo
Los términos resaltados a lo largo del contenido en color naranja se recogen en el apartado GLOSARIO.
Índice
CAPÍTULO 1. EL ANÁLISIS BIOESTADÍSTICO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.1. Conceptos fundamentales a considerar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1. Muestreo estadístico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.2. Inferencia estadística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2. Prueba de significación y contraste de hipótesis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1. Prueba de hipótesis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2. Contraste de hipótesis entre dos o más poblaciones de distribuciones normales . . . . . . . . . . . . 16
1.2.3. Contraste de hipótesis mediante pruebas de significación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2.4. Medidas relacionadas con técnicas paramétricas y no-paramétricas. . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.5. Contraste de bondad de ajuste a una distribución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.6. Comparación de grupos independientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3. Modelos de regresión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.1. Regresión lineal simple. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.2. Regresión lineal múltiple. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.3. Modelo lineal generalizado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.4. Regresión no lineal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.5. Regresión categórica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.6. Regresión logística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.4. Análisis de datos de supervivencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4.1. Método de Kaplan-Meier. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.4.2. Pruebas de hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
CAPÍTULO 2. MÉTODOS NUMÉRICOS: CONCEPTOS BÁSICOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.1. Conceptos básicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.1. Resolución numérica de ecuaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.2. Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.3. Técnicas de optimización. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.4. Soluciones numéricas en derivadas parciales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.1.5. Consistencia, estabilidad y convergencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
CAPÍTULO 3. MÉTODO DE ELEMENTOS FINITOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.1. Discretización, aproximación e interpolación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2. Formulación en mecánica del sólido. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3. Elementos tetraédricos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5
Índice
Internacional
de Valencia
3.3.1. Funciones de forma. Coordenadas de volumen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.2. Matriz deformación-desplazamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3.3. Cargas nodales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4. Obtención de tensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.5. Pseudocódigo para generar la matriz de rigidez. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.6. Software comercial para problemas de ingeniería. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
CAPÍTULO 4. OTROS MÉTODOS NUMÉRICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4.1. Diferencias finitas y volúmenes finitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1.1. Discretización del dominio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.2. Aproximaciones en diferencias finitas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.3. Solución en diferencias finitas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2. Elementos de contorno. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2.1. La identidad de Somigliana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.2. Soluciones fundamentales en dos y tres dimensiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3. Métodos lattice Boltzmann. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3.1. Formulación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.3.2. Modelo de múltiple relajación en el tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
GLOSARIO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
ENLACES DE INTERÉS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
BIBLIOGRAFÍA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6
Capítulo 1
El análisis bioestadístico
La bioestadística es el instrumento que permite manejar y obtener información de la gran cantidad

de datos producidos en las diversas áreas de interés en la biología o en la ingeniería biomédica. Sin
embargo, como la estadística está fundamentada en desarrollos matemáticos, la comprensión
de sus procedimientos no siempre resulta una tarea sencilla para el investigador en aplicaciones
del sector salud, que debe al final lograr una mínima familiarización con sus nociones básicas y sus
modos de operar, no solo para su eventual aplicación en trabajos de investigación sino también para la
evaluación crítica de toda la información a la que se halla expuesto diariamente. El presente capítulo
pretende conducirle a través de los conceptos básicos en los que se fundamenta la bioestadística, el
significado de sus métodos más corrientes y las posibilidades de su aplicación en la práctica.
1.1. Conceptos fundamentales a considerar

Un listado con la presión arterial sistólica de 150 pacientes puede resultar muy poco informativo si se
limita a la simple lectura de una columna de 150 números. La estadística ofrece métodos para hacer
concisa y manejable la información contenida en tales conjuntos de datos y, en el ejemplo, se podría
calcular el promedio de las cifras de presión arterial y tomar nota del valor más bajo y el más alto
del listado: el informe sería entonces algo así como “la presión sistólica promedio del grupo fue 121
mmHg, con un rango de 82 a 183”. De la comparación estadística entre dos grupos como el mencio-
nado, pueden surgir conclusiones como “los individuos del grupo B tienen una presión arterial sistólica
promedio mayor que los del grupo A”.
7
Capítulo 1. El análisis bioestadístico
Internacional
de Valencia
El estudio de la correlación entre frecuencia cardiaca y volumen sistólico en un grupo de individuos

puede sugerir que “en general, cuanto mayor sea la frecuencia cardiaca, menor será el volumen sistólico,
y viceversa”. Estas conclusiones pueden ser muy difíciles de percibir por la mera inspección de las tablas
con las mediciones originales. Más aún, en el caso de dos grupos con diferentes promedios de presión
arterial y en el de la correlación entre frecuencia cardiaca y volumen sistólico, es importante conocer
el nivel de seguridad o confianza que se puede tener de que los resultados observados traduzcan rela-
ciones realmente existentes en las poblaciones de las que provienen los datos y no se hayan originado
en fluctuaciones debidas al azar, y estos son problemas típicos que la estadística ayuda a contestar. A
continuación, se exponen algunos de los conceptos básicos utilizados en bioestadística.
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
Un parámetro que podría ser de interés es la proporción p de glicemia en ayuno, o la media µ,

de alguna variable medida a los pacientes.
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
Internacional
de Valencia
El objetivo fundamental de la toma de muestras de poblaciones o muestreo es obtener información

acerca de dichas poblaciones. Esto se realiza mediante operaciones de inferencia estadística. La
ventaja del trabajo con muestras radica en la obtención de información acerca de conjuntos extensos,
partiendo de muestras de dimensiones mucho más pequeñas. Si bien es posible pensar que con los
recursos de computación disponibles y dejando de lado el volcado de los datos en las planillas de
cálculo, el tiempo y el trabajo personal consumidos serán los mismos analizando muestras o pobla-
ciones, existen dos razones muy evidentes a favor del muestreo, que solo se mencionarán: la primera
es el costo, en dinero y en tiempo, de cada observación, que puede limitar en forma drástica el estudio
exhaustivo de una población. La segunda, de igual importancia, es que muchas poblaciones, si bien
pueden estar bien definidas, solo pueden ser muestreadas en forma incompleta por no estar todos
sus elementos accesibles (Gutiérrez y De la Vara, 2012, p. 14).
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.
Un aspecto clave en la interpretación y utilización de cualquier estadístico es que se trata de una

variable aleatoria, ya que su valor depende de los elementos que son seleccionados para integrar
la muestra, y por lo tanto, varía de una muestra a otra. La forma de tomar en cuenta este hecho es
conocer su distribución de probabilidad de cada estadístico. Pero para que las inferencias sean útiles,
la muestra debe ser un reflejo del universo a partir del cual se obtuvo. Por desgracia, no hay una
manera infalible de obtenerla a pesar de que se han descrito diversos procedimientos para ello.
9
Internacional
de Valencia
1.1.1. Muestreo estadístico
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 simple. Si tenemos una población de tamaño N y seleccionamos una

muestra de tamaño n cuando todas las muestras posibles de ese tamaño tienen la misma pro-
babilidad de ser seleccionadas, entonces se ha tomado una muestra aleatoria simple. Para su
empleo es indispensable disponer de un marco muestral, es decir, un listado con los elemen-
tos de la población numerados del 1 a N. La selección de los elementos que componen la mues-
tra es al azar, por lo que las preferencias y deseos del sujeto no influyen en este proceso. Para
que la selección sea al azar se debe utilizar uno de los siguientes procedimientos: sorteo, ta-
bla de números aleatorios, números aleatorios generados por una calculadora o por una com-
putadora.
•• 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.
•• Muestreo sistemático. En este procedimiento se seleccionan los elementos de la muestra de-

terminando de antemano cuántos elementos se dejarán pasar antes de seleccionar el que se
tomará en cuenta para integrar la muestra. Aunque se considera que no reúne todos los requi-
sitos de aleatoriedad, es de suma utilidad cuando el tamaño de la población es muy grande y
es difícil elaborar un marco muestral, o no se dispone de suficientes páginas de números alea-
torios.
La Tabla 1 reúne las fórmulas para el cálculo estadístico de cada muestreo:
10
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
Internacional
de Valencia
El muestreo no probabilístico se justifica por la comodidad y la economía, pero tiene el inconveniente

de que los resultados de la muestra no siempre pueden generalizarse para toda la población. Entre los
tipos de muestreo no probabilístico se encuentran:
•• 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 de conveniencia. Mediante este procedimiento, la muestra se conforma por sujetos

que pueden ser fácilmente accesibles en la población que se desea estudiar.
•• 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.
1.1.2. Inferencia estadística
Un ejemplo que ilustra la práctica de estimaciones mediante inferencia estadística consiste en

obtener información acerca de la media del universo µ a partir de una media muestral x de tamaño
n, conociendo el desvío estándar del universo v. En principio, la propia media muestral x es la
mejor estimación de µ (es un estimador insesgado), y si bien es improbable que coincidan exac-
tamente, se espera que las probabilidades de x de hallarse cerca de µ sean mayores que las de
hallarse lejos. Este tipo de estimación mediante un número que se espera se aproxime al parámetro
estimado, se denomina estimación puntual. Prosiguiendo, se puede desear tener una idea del grado
de exactitud de la estimación puntual llevada a cabo por la media muestral x . Esto puede lograrse
calculando un intervalo alrededor de x , en el cual exista una probabilidad definida: del 95 % o 0,95,
de encontrar la media universal µ. El procedimiento tiene en cuenta que tomando muestras de una
población normalmente distribuida, el 95 % de las medias muestrales x estará comprendido en
el intervalo entre +1,96 y –1,96 errores estándar alrededor de la media de población µ, lo que equi-
vale a decir que una muestra tomada al azar tiene el 95 % de probabilidades de contener la media
µ en el intervalo dado por x ± 1, 96 errores estándar (nótese que el error estándar es el nombre del
desvío estándar de x , igual a v/ n ). Por lo tanto, la diferencia entre x y µ estará en el 95 % de los
casos comprendida entre +1,96 y –1,96 errores estándar. Esto expresa que la media del universo
se hallará con probabilidad igual a 0,95, en el intervalo comprendido entre la media muestral x y
1,96 veces el error estándar a cada lado (prácticamente 2 veces el desvío estándar a cada lado de
la media muestral). Dicho intervalo se llama intervalo de confianza de la estimación (en este caso,
intervalo de confianza del 95 %).
12
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.
La metodología estadística considera y cuantifica la diversidad entre las unidades. Pobla-

ción, muestra y unidad se contienen progresivamente: la población contiene la muestra y
esta a su vez, las unidades. La diferencia, a nivel de concepto, es que hay un número ilimitado
de muestras y de individuos. La población, sin embargo, es única, y representa al conjunto
que se desea conocer.
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.
1.2. Prueba de significación y contraste de hipótesis

A la vista de la información aportada por la muestra, las dos preguntas principales de la inferencia
estadística son: ¿qué valores del parámetro son creíbles? y ¿se puede negar cierto valor del pará-
metro? La primera se responde mediante intervalos de confianza, y la segunda por contraste de
hipótesis.
13
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
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.
1.2.1. Prueba de hipótesis
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.
5. Luego se adopta una de dos opciones:
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
Internacional
de Valencia
1.2.2. Contraste de hipótesis entre dos o más poblaciones

de distribuciones normales
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.
1.2.3. Contraste de hipótesis mediante pruebas de significación
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
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
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.
El valor de P, que se adopta antes de realizar la prueba de significación, se denomina nivel de

significación (a = 0,05) y el test, en caso de motivar el rechazo de la hipótesis nula, es decla-
rado estadísticamente significativo en el nivel elegido, por ejemplo P = 0,05. El rechazo de
la hipótesis nula no significa la certeza absoluta de que el colesterol LDL difiera entre los
grupos comparados, ya que, si se acepta que una diferencia como la observada se puede
obtener por azar el 5 % de las veces muestreando un mismo universo o dos universos iguales
respecto del colesterol LDL, no hay garantía absoluta de que este no sea el caso presente,
pero es un riesgo que se acepta correr, pues de lo contrario no hay inferencia posible. Queda
un nivel de incertidumbre del 5 % al rechazar la hipótesis nula, y es un hecho característico
de la inferencia estadística que la cuantía de esa incertidumbre pueda ser calculada con
exactitud.
Las pruebas de significación pueden realizarse en pares de muestras o en grupos de tres

o más muestras a la vez. Por ejemplo, pueden compararse las medias de la presión arterial
bajo tres o más tratamientos diferentes, originándose comparaciones múltiples.
1.2.4. Medidas relacionadas con técnicas paramétricas y no-paramétricas
Los procedimientos estadísticos pueden clasificarse en tres grupos:
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
Internacional
de Valencia
3. Los procedimientos de inferencia que no se refieren a parámetros de población, que se cono-

cen como pruebas no paramétricas. Por conveniencia, la mayoría de los textos de estadística
agrupan tanto los procedimientos verdaderamente no paramétricos como los libres de distri-
bución y los presentan bajo el título de procedimientos no paramétricos.
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 general, los métodos no paramétricos se utilizan cuando la presunción de no normalidad de los

datos es fuerte, o cuando de ser cierta, pudiera tener consecuencias de importancia en los cálculos.
Su principal utilidad son las pruebas de significación estadística, ya que al no estimar parámetros
son menos útiles para estudiar las características de la distribución de una variable. Por lo tanto, se
utilizan para comparar muestras pero, como se verá, no comparan sus medias, varianzas u otros pará-
metros, es decir, no toman en consideración de qué tipo de distribución se trata en cada caso.
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
Internacional
de Valencia
1.2.5. Contraste de bondad de ajuste a una distribución
Uno de los problemas fundamentales de la inferencia no paramétrica es examinar la bondad de ajuste

a una distribución. Consiste en decidir, a partir de una muestra aleatoria, si puede admitirse que la
distribución poblacional coincide con una distribución dada. Los problemas de inferencia no paramé-
trica surgen cuando queremos emitir juicios estadísticos sobre la distribución poblacional en su
conjunto.
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:
H0: la muestra proviene de una distribución F0
H1: la muestra no proviene de la distribución F0
donde F0 es una distribución conocida. El problema de contrastar la bondad de ajuste es no paramé-

trico en el sentido de que no se trata de decidir entre distribuciones Fi que solo difieren en el valor
de i.
Para resolver un problema de bondad de ajuste cabe distinguir principalmente dos métodos:
1. Contrastes |2: se descompone el recorrido de la distribución teórica en un número finito de

subconjuntos A 1, A 2, ..., A k . Luego, se clasifican las observaciones según el subconjunto al que
pertenezcan. Por último, se comparan las frecuencias observadas de cada Ai con las probabili-
dades teóricas correspondientes. Formalmente se realiza un contraste de hipótesis sobre los
parámetros de la distribución multinomial de la variable k–dimensional que cuenta el número
de observaciones en cada Ai. Así, el problema inicialmente paramétrico se reduce a un contras-
te paramétrico relacionado con la distribución multinomial.
2. Contrastes de Kolmogorov-Smirnov: consisten en comparar la distribución empírica con la

teórica planteada en la hipótesis nula. Midiendo las distancias entre distribuciones puede sa-
berse si la diferencia es importante o poco significativa.
1.2.6. Comparación de grupos independientes
La diferencia entre dos medias muestrales x 1 y x 2 aparece frecuentemente al comparar muestras

con el objeto de realizar inferencias acerca de las poblaciones que representan. Una diferencia de
medias x 1 – x 2 , puede considerarse una nueva variable, y en este sentido, conviene conocer cuáles
son su esperanza matemática, su varianza y su desvío estándar. Esto encuentra aplicación en las
comparaciones entre muestras de las que se ocupa la inferencia estadística. Un requisito que debe
cumplirse para que la varianza estimada sea válida, es que las muestras sean independientes, o sea
que no exista correlación entre las muestras, pues en este caso la varianza total se reduce y, lo que
es importante, existen métodos óptimos para aprovechar esta reducción de la variabilidad de la
diferencia de medias cuando se trata de comparaciones y pruebas de hipótesis entre datos correla-
cionados.
20
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).
1.3. Modelos de regresión

La regresión lineal es un tipo de análisis que se emplea para describir la probabilidad de que se
produzca un desenlace, una variable dependiente, a tenor de la relación entre dos o más variables
continuas aleatorias independientes. Se emplea para predecir cómo pueden afectar los cambios en
una (en el caso de la regresión lineal simple) o en muchas (en el caso de la regresión lineal múltiple)
variables al valor del desenlace de interés dependiente, representado como x.
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.
1.3.1. Regresión lineal simple
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
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
Internacional
de Valencia
1.3.2. Regresión lineal múltiple

Muchas veces hay asociación entre más de dos variables y existe la posibilidad de expresar una de
ellas en función de las demás. Una forma de hacerlo consiste en una extensión del método de la regre-
sión para un par de variables x e y. En este caso habrá más de una variable independiente, cuyos valores
determinarán a la variable dependiente y de acuerdo con una ecuación de regresión múltiple. Varias x
son así utilizadas simultáneamente para explicar los cambios de la y. Las distintas variables x 1, x 2, ..., x i ,
suelen llamarse variables independientes y también predictores o covariables. Se ha señalado que
como muchas veces dos o más de las xi están correlacionadas entre sí y por lo tanto no son estadística-
mente independientes, la expresión variable independiente debería evitarse. Sin embargo su uso está
aceptado, en el sentido de que cada xi puede condicionar en parte los valores que adopta y.
En líneas generales, gran parte de los conceptos vistos con respecto a la regresión simple de una sola
x, se mantienen para la regresión múltiple. Con la introducción de más de una variable independiente,
muchas veces es posible aumentar la precisión de las estimaciones de la variable dependiente, lo cual
se explica porque cada variable independiente aporta información para dicha estimación, hecho que
se traduce en una reducción de la variabilidad residual (la que permanece “inexplicada” por la regre-
sión). Desde ya, una de las aplicaciones de la regresión múltiple es el aumento de la precisión en la
predicción de una variable dependiente.
La forma general de la ecuación de regresión múltiple estimada a partir de los datos es:
Y = a + b 1 x 1 + b 2 x 2 + ... + b i x i ++ ...b n x n , donde bi son los coeficientes de regresión múltiple o de regre-
sión parcial de Y en xi.
1.3.3. Modelo lineal generalizado

Los modelos lineales generalizados (generalized linear model o GLM) pueden considerarse una
extensión del análisis de regresión lineal múltiple. Una de las grandes ventajas de utilizar los GLM
como herramienta al analizar modelos biológicos o de ingeniería biomédica, cuando se usan correc-
tamente, es su capacidad de abordar a priori y objetivamente el incumplimiento de los supuestos
modelos de regresión lineal de acuerdo con el tipo de datos que se maneje, garantizando una correcta
selección y especificación del modelo, adecuadas afirmaciones sobre el proceso en estudio e inferen-
cias acordes sobre la población estudiada.
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
Internacional
de Valencia
Los modelos lineales generalizados tienen en su estructura tres propiedades:
•• Estructura del error f i .
•• Función lineal predictiva h ^ X i1, X i2, ..., X ik h .
•• 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
Internacional
de Valencia
Tabla 2
Continuación
Distribución
Tipo de variable Ejemplos
del error
Conteos con un límite superior y con Conteo de personas infectadas de un

la misma probabilidad de presentar el total de pacientes internados
evento
Error binomial
Conteos expresados en proporciones Proporción de pacientes agrupados por
sexo
Datos de presencia – ausencia Presencia o ausencia de enfermedad
Cuantitativas continuas con coeficiente Alternativa a la distribución normal
Error gamma
de variación constante
Datos de probabilidad de supervivencia Tiempo transcurrido hasta el evento
Error exponencial
terminal
Nota: Adaptado de Bioestadística (p. 240), por A. de J. Celis de la Rosa, 2014, Ciudad de México: El Manual Moderno.
1.3.4. Regresión no lineal
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.
•• Pueden modelar una relación curva.
•• Minimizan la suma de los cuadrados del error residual (SSE).
•• 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
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.
Aunque la flexibilidad para especificar muchas funciones de expectativa diferentes es

muy conveniente, también es cierto que puede requerirse un gran esfuerzo para deter-
minar la función que proporcione el ajuste óptimo para los datos. Esto, con frecuencia,
requiere investigación adicional, conocimiento del área de estudio y análisis de ensayo y
error. Además, en el caso de las ecuaciones no lineales, determinar el efecto que tiene cada
predictor sobre la respuesta puede ser menos intuitivo que para las ecuaciones lineales.
1.3.5. Regresión categórica
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
Internacional
de Valencia
Ejemplo
La regresión categórica se puede utilizar para estudiar el riesgo cardiovascular en una

región poblacional. El análisis de regresión categórica resulta ser una buena opción cuando
el caso de estudio se enfrenta a problemas en los que la mayoría de las variables analizadas
son del tipo categóricas. Aplicando esta técnica se puede realizar un estudio para descubrir
relaciones no lineales entre las variables predictoras y obtener modelos adecuados para
realizar predicciones. El caso de estudio puede combinar la variable de riesgo cardiovas-
cular, que es numérica, con otra serie de variables predictoras categóricas, como las resu-
midas en la Tabla 3.
Tabla 3
Variables consideradas en el análisis del caso de ejemplo
Variable Valores
Dependiente
Riesgo cardiovascular Real (numérica)
Presión arterial media Baja, media, alta

Sexo del paciente Hombre, mujer
Edad del paciente 16-80 años
Hábito de fumar Sí, no
Hábito de tomar Sí, no
Independientes
Diabetes mellitus Sí, no

Presión sistólica basal Baja, media, alta
Presión sistólica basal en el primer minuto Baja, media, alta
Presión diastólica basal Baja, media, alta
Presión diastólica basal en el segundo minuto Baja, media, alta
Colesterol LDL Bajo, medio, alto
Diagnóstico del paciente dado por el comité de Hipertenso, Hiperrreactivo vascular,
expertos Normotenso
1.3.6. Regresión logística
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
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.
1.4. Análisis de datos de supervivencia

El análisis de la supervivencia estudia una variable respuesta definida como el lapso de tiempo trans-
currido entre dos sucesos. En general, cualquier tiempo de interés se denomina tiempo de supervi-
vencia aunque no represente el tiempo hasta la muerte.
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.
Si se renuncia a basar la comparación en un parámetro, como la media, se puede recurrir a

los procedimientos no paramétricos, que no requieren tampoco una distribución concreta
y permiten, además, considerar secuencialmente los datos, de forma que cada individuo
solo contribuye al estudio mientras está bajo observación; es decir, mientras no aparece la
censura. Por ello, son la alternativa más usada en estudios de supervivencia.
28
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 supervivencia proporciona la probabilidad de que un paciente sobreviva un de-

terminado tiempo.
•• 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.
1.4.1. Método de Kaplan-Meier
El análisis de supervivencia puede realizarse mediante el método de Kaplan-Meier, que es particular-

mente útil cuando existen datos truncados. Este método es un procedimiento estadístico no paramé-
trico que asume un supuesto: los sujetos que se pierden al seguimiento no son diferentes de los que
se mantienen en él, particularmente en lo referente al desenlace que se estudia.
dt
Para calcular la supervivencia al tiempo t se utiliza la fórmula S ^ t h = P t d 1–
n donde dt corresponde
nt
al número de defunciones en el momento t, nt es el número de sujetos en riesgo de fallecer al inicio del
tiempo t y P, o multiplicatorio, significa “multiplicar todo”, desde t = 0 hasta completar el tiempo de
seguimiento en que se desea calcular la sobrevida.
1.4.2. Pruebas de hipótesis
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.
•• Estudio bivariante. Para comparar el patrón de supervivencia de dos poblaciones se emplean

las pruebas de Log-rank y de Gehan.
•• Estudio multivariante. El modelo de riesgos proporcionales de Cox selecciona aquellos facto-

res de riesgo que más contribuyen a predecir el tiempo de vida teniendo en cuenta la influencia
de los otros factores. O bien, para estimar el efecto de una intervención ajustando por las condi-
ciones de los pacientes y del entorno en el que se aplica la intervención.
El más conocido es la prueba de Log-Rank. El procedimiento para su cálculo es complejo, pero la

mayoría de los programas de cómputo utilizados para realizar análisis de sobrevida lo muestran entre
sus resultados. Esta prueba es el método más indicado cuando el evento de interés es poco frecuente
o cuando las curvas de supervivencia son divergentes.
29
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
Métodos numéricos: conceptos básicos
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
2.1. Conceptos básicos

Para las siguientes secciones, el álgebra y la notación matricial son útiles, ya que proporcionan una
forma concisa para representar y manejar ecuaciones algebraicas lineales. Una matriz consiste en un
arreglo rectangular de elementos representado por un solo símbolo. Como se ilustra en la ecuación (1),
A es la notación breve para la matriz y aij designa un elemento individual de la matriz.
RS a a a g a VW
S 11 12 13 1m W
A = SSSa 21 a 22 a 23 g a 2mWWW (1)
SS h h h h WW
SS W
Sa n1 a n2 a n3 g a nmWW
T X
Un conjunto horizontal de elementos se llama un renglón (o fila); y uno vertical, columna. El primer
subíndice i siempre designa el número del renglón en el cual está el elemento. El segundo subíndice
j designa la columna. Por ejemplo, el elemento a23 está en el renglón 2 y la columna 3. La matriz en la
ecuación (1) tiene n renglones y m columnas, y se dice que tiene una dimensión (o tamaño) de n por m (o
n # m). Esta se conoce como una matriz n por m.
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.
2.1.1. Resolución numérica de ecuaciones
Un conjunto de N ecuaciones es de Ia forma:

a 1, 1 x 1 + a 1, 2 x 2 + a 1, 3 x 3 + ... + a 1, N x N = y 1
a 2, 1 x 1 + a 2, 2 x 2 + a 2, 3 x 3 + ... + a 2, N x N = y 2
(2)
h
a N, 1 x 1 + a N, 2 x 2 + a N, 3 x 3 + ... + a N, N x N = y N
32
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.
2.1.2. Sistemas lineales

La eliminación de Gauss es el método que se utiliza en forma más amplia para resolver un conjunto
de ecuaciones lineales. Cuando al menos uno de los términos libres de la ecuación (2) es distinto de
cero, se dice que el conjunto es no homogéneo. La eliminación de Gauss se aplica solo al caso de los
conjuntos no homogéneos de ecuaciones. No siempre puede ser fácil la solución de un conjunto de
ecuaciones lineales, debido al hecho de que quizá no tenga una solución única. Aunque tuviera una
solución única, la solución calculada puede ser inexacta en el caso de un problema mal condicionado.
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
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
Con esto se completa la eliminación de Gauss.
La eliminación de Gauss-Jordan es una variante de la eliminación de Gauss y comparte con esta el

proceso de eliminación hacia adelante, pero difiere en el proceso hacia atrás, el cual recibe el nombre
de eliminación hacia atrás. Este proceso convierte en 1 a los coeficientes en La posición de pivoteo y
elimina los demás. Primero se divide el último renglón entre a^NN, N– 1h para obtener 0 0 0 g 1 y N , donde
y N = y^NN – 1h /a^NN, N– 1h . Los N-ésimos coeficientes de cada renglón, excepto el último se eliminan restando
el último renglón ecuación multiplicado por el N–ésimo coeficiente al i-ésimo renglón. Al repetir el
proceso de eliminación, el arreglo queda finalmente:
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
Internacional
de Valencia
Una tercera opción para la resolución de sistemas de ecuaciones lineales es la descomposición

LU. El esquema de descomposición LU es una transformación de una matriz A como producto de
dos matrices, A = LU, donde L es una matriz triangular inferior y U es una matriz triangular superior.
Cuando uno debe resolver varios conjuntos de ecuaciones lineales en los que todas las matrices de
coeficientes son iguales pero los términos no homogéneos (lado derecho) son distintos, la solución
de las ecuaciones utilizando la descomposición LU tiende a ser más eficiente que la eliminación de
Gauss. La descomposición LU para una matriz de 3 # 3 se ilustra de la manera siguiente:
RS a a a VW RS 1 0 0VWRSu u u VW
SS 1, 1 1, 2 1, 3 WW SS WWS 1, 1 1, 2 1, 3 W
SSa 2, 1 a 2, 2 a 2, 3WW = SSl 2, 1 1 0WWSSS 0 u 2, 2 u 2, 3WWW
SSa a a WW SSl l WWSS
0 0 u 3, 3WW
3, 1 3, 2 3, 3 3, 1 3, 2 1
T X T XT X
Conviene observar que los elementos de la diagonal de L valen 1. El esquema general de la descompo-
sición LU para una matriz de orden N es el siguiente:
1. El primer renglón de U, ui,j para j = 1 hasta N, se obtiene por medio de u 1, j = a 1, j de j = 1 hasta N.
2. La primera columna de L, li,1 para i = 2 hasta N, se obtiene por medio de l i, 1 = a i, 1 /u 1, 1 de i = 2 hasta N.
3. El segundo renglón de U se obtiene como u 2, j = a 2, j – l 2, 1 u 1, j de j = 2 hasta N.
4. La segunda columna de L se obtiene mediante l i, 2 = 6a i, 2 – l i, 1 u 1, 2@ /u 2, 2 de i = 3 hasta N.

n–1
5. El n-ésimo renglón de U se obtiene de u n, j = a n, j – / l n, k u k, j de j = n hasta N.
k=1
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
Eliminación de Gauss Eliminación de Gauss-Jordan Descomposición LU

Eficaz si un conjunto de ecuaciones
La base para calcular Ia inversa. lineales se resuelve varias veces con
Ventajas
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
Solución de un único Menos eficiente y más complicado

Menos eficiente para un único
conjunto de ecuaciones que Ia eliminación de Gauss si solo
conjunto de ecuaciones
lineales a la vez se usa una vez
35
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.
Si se tienen n ecuaciones linealmente independientes para m incógnitas y n < m, se pueden encontrar

n variables básicas y m – n variables libres. Si se reúnen las variables básicas del lado izquierdo de
las ecuaciones y todas las variables libres del lado derecho, en el conjunto de n ecuaciones se pueden
despejar las variables libres en términos de las variables básicas. El único requerimiento para elegir
las variables básicas es que las n ecuaciones de estas formen un conjunto no singular. Como resultado,
la elección de variables básicas no siempre es única. El hecho de saber cuáles de las variables pueden
ser básicas no es evidente a primera vista. Sin embargo, hay un método para encontrarlas por medio
de la eliminación de Gauss (o Gauss-Jordan) diseñado para las matrices de n # m, el cual se explica a
continuación. Considérese un arreglo de n ecuaciones con m incógnitas, donde se supone que n ≤ m.
a 1, 1 x 1 + a 1, 2 x 2 + a 1, 3 x 3 + ... + a 1, m x m = y 1
a 2, 1 x 1 + a 2, 2 x 2 + a 2, 3 x 3 + ... + a 2, m x m = y 2
h
a n, 1 x 1 + a n, 2 x 2 + a n, 3 x 3 + ... + a n, m x m = y m
Las ecuaciones se expresan en la forma de arreglo aumentado:

a 1, 1 a 1, 2 g a 1, m : y 1
a 2, 1 a 2, 2 g a 2, m : y 2
h
a n, 1 a n, 2 g a n, m : y n
La aplicación de la eliminación de Gauss-Jordan al arreglo anterior llevará una forma como la

siguiente:
1 x 0 0 x x : xl
0 0 1 0 x x : xl
0 0 0 1 x x : xl
0 0 0 0 0 0 : 0
0 0 0 0 0 0 : 0
donde x denota valores no nulos, los pivotes valen 1 y los símbolos xl corresponden a los coeficientes
de las variables libres. En los procesos de eliminación de Gauss-Jordan, los renglones se intercambian
(pivoteo) en caso necesario. Los renglones nulos representan a las ecuaciones linealmente depen-
dientes que se han eliminado.
El algoritmo de solución que se ha explicado es universal, ya que, además de calcular la solución de un

sistema de n # m:
•• Se puede aplicar para encontrar la solución única de un sistema n # n.

•• Encuentra la solución, incluso cuando la matriz de coeficientes sea singular.
•• Se puede utilizar para calcular la inversa de una matriz cuadrada. Para encontrar la inversa de
una matriz de n # n, consideramos un arreglo aumentado de n # (2n + 1), en el que las primeras n
columnas son de la matriz cuadrada, las siguientes n forman una matriz identidad y la última
columna correspondiente a los términos no homogéneos se hacen iguales a 0.
36
Internacional
de Valencia
2.1.3. Técnicas de optimización
La localización de raíces y la optimización están relacionadas, en el sentido de que ambas involucran

valores iniciales y la búsqueda de un punto en una función. La diferencia fundamental entre ambos
tipos de problemas se ilustra en la Figura 2.
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
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:
•• El problema involucrará una función objetivo que se optimizará.
•• 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.
Los problemas de optimización se clasifican considerando la forma de f(x):
•• Si f(x) y las restricciones son lineales, tenemos un problema de programación lineal.
•• 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.
Otra forma de clasificar los problemas de optimización es según su dimensionalidad. En general se

dividen en unidimensionales y multidimensionales. Como su nombre lo indica, los primeros involu-
cran funciones que dependen de una sola variable independiente.
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
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)
Figura 3. Ejemplos de optimización: a) unidimensional; b) bidimensional. Adaptado de Métodos numéricos para

ingenieros (p. 359), por S. Chapra y R. Canale, 2007, Ciudad de México: McGraw-Hill.
Finalmente, el proceso de encontrar un máximo o de encontrar un mínimo es, en esencia, idéntico,

ya que un mismo valor, por ejemplo x*, minimiza f(x) y maximiza –f(x). Esta equivalencia se ilustra en
forma gráfica, para una función unidimensional, en la Figura 3.a).
De las técnicas más conocidas en el ámbito de ingeniería para atender problemas de optimización, se
tienen las siguientes:
•• Búsqueda de la sección dorada. Identificado para la optimización unidimensional no restringi-

da, es un ejemplo de un método cerrado que depende de los valores iniciales que encierran un
solo valor óptimo, sencillo y de propósito general; es igual en esencia al método de la bisección
para localizar raíces. El método depende de la definición de un intervalo, que contenga una sola
respuesta; es decir, deberá contener un solo máximo (o mínimo), y por esto se llama unimodal.
Los valores iniciales inferior (xl) y superior (xu) definen los límites inferior y superior respectiva-
mente, del intervalo, pero a diferencia de la bisección se necesita una nueva estrategia para en-
contrar el valor tope dentro del intervalo. En vez de usar solamente dos valores de la función, se
necesitarán tres valores de la función para detectar si hay un máximo; así que hay que escoger
un punto más dentro del intervalo. Después hay que tomar un cuarto punto. La prueba para el
máximo podrá aplicarse para determinar si el máximo se encuentra dentro de los primeros tres
o de los últimos tres puntos.
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
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:
1. Si f ^ x 1 h 2 f ^ x 2h , entonces el dominio de x a la izquierda de x2, de x1 a x2, se puede eliminar, ya

que no contiene el máximo. En este caso, x2 será el nuevo x1 en la siguiente vuelta.
2. Si f ^ x 2h 2 f ^ x 1 h , entonces el dominio de x a la derecha de x1, de x1 a xu podrá eliminarse. En

este caso, x1 será el nuevo xu en la siguiente iteración.
•• Interpolación cuadrática. Esta técnica, también aplicada para optimización unidimensional no

restringida, es un ejemplo de método cerrado que aprovecha la ventaja de que un polinomio de
segundo grado con frecuencia proporciona una buena aproximación a la forma de f(x) en las cer-
canías de un valor óptimo. Es posible demostrar mediante algunas operaciones algebraicas que
el resultado es
f ^ x 0 h^ x 21 – x 22h + f ^ x 1 h^ x 22 – x 20 h + f ^ x 2h^ x 20 – x 21 h
x3 =
2f ^ x 0 h^ x 1 – x 2h + 2f ^ x 1 h^ x 2 – x 0 h + 2f ^ x 2h^ x 0 – x 1 h
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.
•• Método de Newton. A diferencia de los métodos de optimización unidimensional no restringida

previos, el método de Newton es abierto y permite encontrar un valor óptimo de f(x) al definir
una nueva función, g (x) = f l (x) . Así, como el mismo valor óptimo x * satisface ambas funciones
g (x *) = f l (x *) = 0 , se emplea lo siguiente:
f l ( x i)
xi + 1 = xi –
f ll (x i)
El método de Newton es abierto y similar al de Newton-Raphson, pues no requiere de valores

iniciales que contengan al óptimo. Además, también tiene la desventaja de que llega a ser
divergente. Por último, usualmente es una buena idea verificar que la segunda derivada tenga
el signo correcto para confirmar que la técnica converge al resultado deseado.
•• Métodos directos. Aplicados sobre problemas de optimización multidimensional no restringi-

dos, estos van desde procedimientos muy burdos hasta técnicas más elegantes que intentan
aprovechar la naturaleza de la función. Se pueden mencionar por ejemplo la búsqueda aleato-
ria, donde la función es evaluada en valores seleccionados aleatoriamente; si el método se lleva
a cabo con un número suficiente de muestras, el óptimo eventualmente se localizará. Otros
como las búsquedas univariadas y búsquedas patrón: la primera evalúa solo una variable a la
vez para mejorar la aproximación y las otras las mantienen constantes (pueden aplicarse aquí
sobre cada variable cualquiera de los métodos anteriormente descritos); la segunda búsqueda
se basa en una trayectoria previamente predefinida de valores a evaluar (direcciones patrón),
que pueden presentar por observación del mapa de resultados una oportunidad para llegar di-
rectamente a lo largo de la cresta de búsqueda hacia el máximo.
40
Internacional
de Valencia
•• Métodos con gradiente. Aplicados sobre problemas de optimización multidimensional, como su

nombre lo indica, utilizan en forma explícita información de la derivada para generar algoritmos
eficientes que localicen el óptimo. Algunos métodos avanzados del gradiente son conocidos,
como el de gradientes conjugados (Fletcher-Reeves). Este algoritmo modifica el método de as-
censo de máxima inclinación al imponer la condición de que sucesivas direcciones de búsqueda del
gradiente sean mutuamente conjugadas. El método de Newton es otro ejemplo cuando se extien-
de a los casos multivariados. Cuando se escribe la serie de Taylor de segundo orden para la función
a optimizar cerca del punto xi, aparece la matriz hessiana H; en el mínimo, si H es no singular se
puede demostrar que x i + 1 = x i – H –i 1 df converge en forma cuadrática cerca del óptimo. Este mé-
todo, de nuevo, se comporta mejor que el método del ascenso de máxima inclinación. Sin embargo,
observe que este método requiere tanto del cálculo de las segundas derivadas como de la inver-
sión matricial, en cada iteración; por lo que el método no es muy útil en la práctica para funciones
con gran número de variables. Además, el método de Newton quizá no converja si el punto inicial
no está cerca del óptimo. Se menciona también el método de Marquardt, que usa el método del
descenso de máxima inclinación cuando x está lejos de x *, y el método de Newton cuando x está
cerca de un óptimo. Esto se puede lograr al modificar la diagonal del hessiano en la ecuación
x i + 1 = x i – H –i 1 df , resultando Hu i = H i + a i I , donde ai es una constante positiva e I es la matriz iden-
tidad. Conforme continúan las iteraciones, ai se aproxima a cero y el método se convierte en el de
Newton. Así, el método de Marquardt ofrece lo mejor de los procedimientos: comienza en forma
confiable a partir de valores iniciales pobres y luego acelera en forma rápida cuando se aproxima
al óptimo. Por desgracia, el método también requiere la evaluación del hessiano y la inversión ma-
tricial en cada paso. Finalmente, están los métodos cuasi-Newton, o métodos de métrica varia-
ble, que buscan estimar el camino directo hacia el óptimo en forma similar al método de Newton.
Estos métodos se llaman de cuasi-Newton porque no usan el hessiano verdadero, sino más bien
una aproximación. Así, se tienen dos aproximaciones simultáneas: la aproximación original de la
serie de Taylor y la aproximación del hessiano.
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.
•• Optimización restringida lineal. La programación lineal (o PL, por simplicidad) es un método de

optimización que se ocupa del cumplimiento de un determinado objetivo, en presencia de res-
tricciones. El término lineal denota que las funciones matemáticas que representan el objetivo
y las restricciones son lineales. Para Revelle et al. (1997), “el término programación no significa
‘programación en computadora’; más bien denota ‘programar’ o ‘fijar una agenda’ ” (p. 10). Debido
a que las soluciones gráficas están limitadas a dos o tres dimensiones, tienen una utilidad prác-
tica limitada. Sin embargo, son muy útiles para demostrar algunos conceptos básicos de las téc-
nicas algebraicas generales, utilizadas para resolver problemas multidimensiones en la compu-
tadora. El método simplex se basa en la suposición de que la solución óptima estará en un punto
extremo. Así, el procedimiento debe ser capaz de discriminar si durante la solución del proble-
ma se presentará un punto extremo. Para esto, las ecuaciones con restricciones se reformulan
como igualdades, introduciendo las llamadas variables de holgura. Como lo indica su nombre,
una variable de holgura mide cuánto de un recurso restringido está disponible, es decir, cuánta
holgura está disponible.
41
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.
2.1.4. Soluciones numéricas en derivadas parciales
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
Internacional
de Valencia
Las leyes fundamentales de la física: la mecánica, la electricidad y la termodinámica con frecuencia

se basan en observaciones empíricas que explican las variaciones de las propiedades físicas y los
estados de los sistemas. Más que en describir directamente el estado de los sistemas físicos, las
leyes a menudo se expresan en términos de los cambios del espacio y del tiempo. Esas leyes definen
mecanismos de cambio. Cuando se combinan con las leyes de conservación de la energía, masa o
cantidad de movimiento, resultan ecuaciones diferenciales. La integración subsecuente de estas
ecuaciones diferenciales origina funciones matemáticas que describen el estado espacial y temporal
de un sistema en términos de variaciones de energía, masa o velocidad.
Una ecuación diferencial ordinaria se acompaña de condiciones auxiliares. Estas condiciones se

utilizan para evaluar las constantes de integración que resultan durante la solución de la ecuación.
Para una ecuación de n–ésimo orden, se requieren n condiciones. Si todas las condiciones se espe-
cifican para el mismo valor de la variable independiente, entonces se trata de un problema de valor
inicial. Hay otra aplicación en la cual las condiciones no se conocen para un solo punto, sino, más bien,
se conocen en diferentes valores de la variable independiente. Debido a que estos valores se especi-
fican en los puntos extremos o frontera de un sistema, se les conoce como problemas de valores en la
frontera. Muchas aplicaciones importantes en ingeniería son de esta clase. Muchos de los problemas
con condiciones iniciales dependen del tiempo; en ellos, las condiciones para la solución están dadas
en el tiempo inicial. Los métodos numéricos para los problemas con condiciones iniciales difieren
en forma significativa de los que se utilizan para los problemas con condiciones en la frontera. El
problema con condiciones iniciales de una EDO de primer orden se puede escribir en la forma
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
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
*NA: Sin capacidad de auto inicialización

Al: Capacidad de auto inicialización
CF: El tamaño del intervalo se puede cambiar con facilidad a mitad de la solución
CD: El tamaño del intervalo se cambia con dificultad.
NL: En cada paso, podría requerirse la solución de ecuaciones no lineales
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
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
Método de diferencias finitas

que utiliza la solución tridiagonal No hay problemas de inestabilidad. Se debe desarrollar un programa
No se utiliza el método de prueba para cada problema particular
y error para problemas lineales. Se
puede aplicar a los problemas no
lineales con iteración
Problemas de valores propios

Método matricial Se calculan todos los valores No se puede aplicar si el tamaño de
propios de una sola vez la matriz es grande
Método iterativo
Método de la potencia inversa Sencillez Solamente para el valor propio
fundamental.
Método de la potencia inversa Igual de sencillo que el método de Debe usarse el método de prueba
con desplazamiento la potencia. Se puede calcular y error para evaluar el valor propio;
cualquier valor propio solo para valores propios reales.
2.1.5. Consistencia, estabilidad y convergencia
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
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.
Un método de diferencias finitas es convergente si la solución de la ecuación de diferencias finitas

se aproxima a la solución exacta de la ecuación diferencial parcial cuando los tamaños de los pasos
en la malla tienden a cero. Si T ij denota la solución exacta de la ecuación diferencial parcial, ·T ij repre-
senta la solución aproximada por diferencias finitas y e ij la diferencia entre ellos, se puede definir a
la convergencia de la siguiente manera T ij – ·T ij = e ij " 0 cuando los tamaños de pasos tienden a cero.
La solución exacta del sistema de ecuaciones algebraicas es la solución aproximada de la ecuación

diferencial parcial, la cual es obtenida cuando ningún error numérico se presenta durante su cómputo.
De esta manera, la magnitud del error en cada nodo depende del tamaño de la malla y de los valores
de las derivadas de mayor orden en ese nodo, omitidos en las aproximaciones por diferencias finitas.
46
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
Método de elementos finitos
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
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.
3.1. Discretización, aproximación e interpolación

Los problemas de mecánica del medio continuo corresponden a problemas físicos que tienen infinitos
grados de libertad. Naturalmente, el modelo físico que el ingeniero utiliza para representar la realidad
no puede basarse en un modelo de infinitos grados de libertad.
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
a) Modelo real b) Discretización c) Elemento finito
Figura 4. Plancha de acero: geometría y discretización.
49
Capítulo 3. Método de elementos finitos
Internacional
de Valencia
La Figura 4.c) ilustra un elemento finito perteneciente a la malla de discretización mostrada en la

Figura 4.b). Este elemento está formado por cuatro lados y cuatro nodos, en cada uno de los cuales
se definieron dos grados de libertad traslacionales, los cuales representan las dos posibilidades de
movimiento de cada nodo. La Figura 5 muestra una discretización tridimensional de una pieza mecá-
nica. El elemento finito de la Figura 5.b) es una región tridimensional de forma hexaédrica y está defi-
nida por ocho nodos y seis caras.
2
1
3 v
4
6 5
u
7
8 w
Figura 5. Mallado tridimensional con elementos hexaédricos.
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
Figura 6. Distintas versiones de mallado para una misma pieza.
En la Figura 6.a) se observa como se ha concentrado un mayor número de elementos alrededor de la

entalladura, donde se espera que se produzcan los mayores niveles de tensiones. Sin embargo, en la
Figura 6.b), los elementos se han distribuido de forma desigual, discretizándose las zonas alejadas de
la entalladura con más elementos que cerca de la misma. Esto conducirá a que el modelo matemático
no va a reproducir correctamente las altas tensiones cerca de la entalladura. Así pues, para definir un
modelo adecuadamente es necesario observar las siguientes dos reglas:
50
Internacional
de Valencia
•• Colocar un número suficiente de elementos para representar la evolución de las variables.

•• Distribuir apropiadamente los elementos de la malla.
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)
Figura 7. Configuración triangular de un modelo elemental para el cálculo por elementos

finitos.
3.2. Formulación en mecánica del sólido

En este apartado se presenta la formulación general del método de los elementos finitos en mecá-
nica del sólido. Se presupone que el lector dispone de un cierto conocimiento previo de las opera-
ciones matriciales que surgen en la derivación de las ecuaciones. Por otro lado, esta formulación
está basada en el principio de los trabajos virtuales, utilizado para desarrollar las relaciones
matriciales.
51
Internacional
de Valencia
El principio de los trabajos virtuales puede formularse como:
# v T dfdv = # du T f v dv + # du sT f s ds + /du iT F i (5)

V V S i
donde la letra d significa primera variación de los campos de desplazamientos y deformaciones en

el sólido, v es el volumen del elemento y s se refiere a la superficie del mismo. El último término de la
ecuación (5) expresa el trabajo virtual realizado por las cargas concentradas aplicadas directamente
en los nodos del elemento finito (Huebner, Dewhirst, Smith y Byrom, 2001, p. 25). Sea el elemento
finito tridimensional mostrado en la Figura 8
Cuerpo tridimensional Elemento finito
fsz,fbz
Z,w
fsy,fby
Fz
fsx,fbx
Y,v i Fy
X,u Fx
Figura 8. Elemento finito tridimensional.
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
es decir, se trata de un vector columna de orden 24 # 1. La forma de ordenar los desplaza-

mientos queda a criterio del usuario, si bien la forma mostrada es la mejor desde un punto de
vista computacional. El tensor de deformaciones en cualquier punto interno del elemento es
f = 6f xx f yy f zz c xy c yz c zx@T mientras que el tensor de tensiones en cualquier punto interno del
elemento es v = 6v xx v yy v zz x xy x yz x zx@T . Las cargas externas, en las direcciones cartesianas X,
U, Z, aplicadas al elemento también deben ser definidas. Así, fv es el vector de fuerzas volumétricas,
proveniente de peso propio, fuerzas centrífugas, etc. f v = 7fxv fyv fzvA .
T
Las cargas superficiales fs provienen normalmente de presiones aplicadas en la superficie del

elemento finito f s = 7fxs fys fzsA y, finalmente, las cargas nodales concentradas aplicadas a cada
T
nodo i son F i = 7Fxi Fyi FziA

T
52
Internacional
de Valencia
Ahora, es necesario definir la interpolación de los desplazamientos interiores del elemento, en

función de los desplazamientos de los nodos del elemento. Siguiendo las ideas de interpolación
presentadas anteriormente, puede escribirse que:
u = Nue (6)
donde N es la matriz de funciones de interpolación (funciones de forma), de orden 3 # 24 y u es el

vector de los desplazamientos internos del elemento:
RSN 0 0 N 0 0 ... N 8 0 0 VWW
SS 1 2
W
N = SS 0 N 1 0 0 N 2 0 ... 0 N 8 0 WW
SS W
0 0 N1 0 0 N 2 ... 0 0 N 8W
T X
u = 6u v w@ (7)
T
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:
# d^Nu ehT f v dv = # du eT N T f v dv (10)

v v
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:
# 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 (11)

V V S i
53
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
# 6B T DBu e – B T Df 0@dv = # N T f v dv + # N sT f s ds + /F i (12)

v v s i
Finalmente, la ecuación (12) puede expresarse como la relación matricial:
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.
Un aspecto importante a mencionar aquí es que la formulación desarrollada no incluye los

grados de libertad rotacionales de los nodos, los cuales no aparecen en las ecuaciones de equi-
librio. En otras palabras, los modelos bidimensionales y tridimensionales de elasticidad no
consideran grados de libertad rotacionales. No ocurre lo mismo, sin embargo, con los modelos
de análisis de pórticos rígidos y flexión de placas y conchas. Estos modelos deben modificar
ligeramente la ecuación de los Trabajos Virtuales, de manera de incluir las rotaciones de los
nodos. El lector interesado en los detalles de la formulación puede consultar las referencias:
Huebner et al. (2001), Zienkiewicz, Taylor y Fox (2014), Hughes (1987), Bathe y Wilson (1976).
54
Internacional
de Valencia
A continuación, se presentará la formulación de problemas tridimensionales de elasticidad lineal, es

decir, al análisis de sólidos arbitrarios.
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
3.3. Elementos tetraédricos

Se discutirá la formulación correspondiente a los elementos tetraédricos de cuatro nodos utilizando
como referencia a Gallagher (1975) y Desai (1972). Si se desea obtener resultados confiables, es necesario
definir un número grande de los mismos para obtener buenos resultados, ya que los campos de deforma-
ción son constantes. Sin embargo, son incluidos aquí debido a la sencillez de su formulación, lo cual ayuda
en la cabal comprensión de su comportamiento y del comportamiento de otro tipo de elementos.
3.3.1. Funciones de forma. Coordenadas de volumen
Sea la Figura 9 un elemento tetraédrico:
2 V4
V1
v1 V3
P 1
u1
3
w1
4
V2
V1 + V2 + V3 + V4 = V
Figura 9. Elemento tetraédrico de 4 nodos.
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
Internacional
de Valencia
Si se particulariza la expresión (15) para los cuatro valores nodales, se tendrá:

RS u 1 VW RS1 x 1 y 1 z 1 VWRS a 1 VW RS a 1 VW
SS WW SS WWS W SS WW
SSu 2WW SS1 x 2 y 2 z 2WWSSSa 2WWW S a 2W
SSu WW = SS1 x y z WWSSa WW = M SSSa WWW (16)
SS 3WW SS 3 3 3WWSS 3WW SS 3WW
Su 4W S1 x 4 y 4 z 4WSa 4W Sa 4W
T X T XT X T X
Los coeficientes ai pueden calcularse de (16) como:
6a 1 a 2 a 3 a 4@T = M –1 6u 1 u 2 u 3 u 4@T (17)
Sustituyendo la ecuación (17) en (15) se obtiene:

RS u VW RS u VW
SS 1 WW SS 1 WW
Q ^ x, y, z h = 61 x y z@ M SS WW = 6N 1 N 2 N 3 N 4@SSu 2WW (18)
–1 S u 2 W S W
SSu 3WW SSu 3WW
SSu 4WW SSu WW
4
T X T X
Los valores de Ni en la expresión (18) son las funciones de interpolación o funciones de forma
buscadas, las cuales tienen la expresión:
1
Ni = ^a + b x + c i y + d i z h con
6V i i
RS x y z VW RS1 y z VW
SS j j jWW SS j jW
W
a i = SSx k y k z kWW; b i = SS1 y k z kWW
SS x y z WW SS W
1 1 1 1 y 1 z 1W
RSTx 1 z VW X TR X
SS x j y j 1VWW
(19)
SS j jW
S W
c i = SSx k 1 z kWWW; d i = SSx k y k 1WW
SS x 1 z WW SS W
1 1 x 1 y 1 1W
T X T X
Las funciones Ni son las funciones de interpolación que permiten calcular el valor de la variable u en
cualquier punto interior del elemento tetraédrico, de manera que:
4
u = N 1 u 1 + N 2 u 2 + N 3 u 3 + N 4 u 4 = /N i u i (20)
i=1
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
Internacional
de Valencia
4 v1
2
3
P 4
v2
3
2
3 P
1
P
4
v3
3 2
P
1 2
v4
Figura 10. División de tetraedro en cuatro tetraedros.
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
Internacional
de Valencia
3.3.2. Matriz deformación-desplazamiento
Teniendo en cuenta las relaciones deformación-desplazamiento presentadas Zienkiewicz et al. (2014)

y en virtud de (20), puede escribirse:
2 u 4 2 ^ N i u i h 4 2N i
2x /
f xx = = =/ u
i=1
2x i=1
2x i
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
donde B es la matriz deformación-desplazamiento, la cual tiene la forma:

RSN 0 0 N 2, x 0 0 N 3, x 0 0 N 4, x 0 0 WVW
SS 1, x W
SS 0 N 1, y 0 0 N 2, y 0 0 N 3, y 0 0 N 4, y 0 WW
SS W
S0 0 N 1, z 0 0 N 2, z 0 0 N 3, z 0 0 N 4, zWW
B = SS W
SSN 1, y N 1, x 0 N 2, y N 2, x 0 N 3, y N 3, x 0 N 4, y N 4, x 0 WW
SS 0 W
N 1, z N 1, y 0 N 2, z N 2, y 0 N 3, z N 3, y 0 N 4, z N 4, yWW
SS W
SN 1, z 0 N 1, x N 2, z 0 N 2, x N 3, z 0 N 3, x N 4, z 0 N 4, xWW
T X
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

rigidez del elemento, cuya expresión es:
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
Internacional
de Valencia
3.3.3. Cargas nodales

Otro punto importante es el cálculo de las fuerzas equivalentes nodales debidas a fuerzas volumé-
tricas y tensiones superficiales. El cálculo de las fuerzas equivalentes debidas a las fuerzas volumé-
tricas puede hacerse sabiendo que:
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
direcciones cartesianas X, Y, Z. Sustituyendo la matriz de funciones de forma N y f v en la ecuación (22)

se obtiene:
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
Al hacer la integración correspondiente, se obtiene:

V v v v v v v v v v v v vT
Rv = 7f f f f f f f f f f f f A (23)
4 x y z x y z x y z x y z
expresión que muestra que le corresponde un cuarto de la carga total a cada nodo y en cada dirección,
como era de esperarse. La integración de la expresión (23) involucra la evaluación de un término gené-
rico del tipo # # # N i ^x, y, zhf v dzdydx , es decir, es una integral triple en x, y, z, la cual puede resultar
x y z
algo incómoda de resolver. Sin embargo, este tipo de integrales puede evaluarse mediante la fórmula
presentada por Brebbia y Ferrante (1975):
# N 1r N 2s N 3m N 4n dv = ^r + s r+!sm!m+!nn! + 3h! 6V (24)

V
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
La aplicación de la fórmula (24) produce:
# 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
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
f s = SSq yWW = SS 0 WW (26)

SSq WW SS 0
WW
T zX T X
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
Figura 11. Elemento tetraédrico cargado en una cara.
Sustituyendo ahora (25) en (26) se obtiene
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
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.
3.4. Obtención de tensiones

Una etapa de indudable importancia es el cálculo de tensiones en el elemento. Estas son las magnitudes
que el ingeniero proyectista necesita para diseñar la estructura, suponiendo que las mismas son trans-
formadas en fuerzas internas. La literatura técnica muestra que los mejores puntos para calcular las
tensiones son los puntos de integración de Gauss, si bien estas pueden ser calculadas en cualquier punto
del elemento, incluyendo sus nodos. Si se desea calcular las tensiones en los nodos del elemento, esto
puede realizarse sin ninguna dificultad, simplemente definiendo los nodos como puntos gaussianos de
coordenadas p = ±1, h = ±1 y g = ±1. A continuación, se mostrará cómo se pueden obtener las tensiones en
cualquier punto p, h, g del elemento transformado. En efecto, una vez calculados los desplazamientos
en todos los nodos de la malla, pueden escribirse las relaciones deformación-desplazamiento:
f(p, h, g) = B(p, h, g) ue (28)
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:
v(p, h, g) = D(p, h, g) f(p, h, g) = D(p, h, g) B(p, h, g) ue (29)
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.
Si se desea obtener las tensiones en el nodo i, deberá recurrirse a procesos de extrapolación o de

suavizado de tensiones [3], para obtener un único valor de las tensiones en el nodo. Estos procesos
por lo general involucran un alto costo de tiempo de computador, por lo que se prefiere calcular las
tensiones en los puntos de Gauss del elemento. Sin embargo, una manera sencilla de obtener las
tensiones en un nodo i, al cual concurren varios elementos finitos, puede ser el simple promedio
ponderado de los valores de las tensiones en los puntos de Gauss que rodean al nodo i. Así, por
ejemplo, si se desea obtener la tensión vx en el nodo i, deberá realizarse la siguiente operación:
N ec
/ j = 1v xj J j
vx = N ec (30)
/ j=1 J j
61
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.
3.5. Pseudocódigo para generar la matriz de rigidez

A continuación se incluye un sencillo pseudocódigo que ilustra el proceso de generación de la matriz
de rigidez y el vector de cargas del elemento. Se entiende que el lector está familiarizado con
aspectos básicos de programación estructurada. Además, debe mencionarse que si bien un pseudo-
código es una secuencia de sentencias independientes del lenguaje de programación que se utilice
posteriormente, aquí se le ha dado al pseudocódigo una ligera inclinación hacia el lenguaje Delphi®,
debido a su sencillez y claridad. En el esquema presentado en la Tabla 7, las letras en itálica indican
comentarios del autor a sentencias del pseudocódigo, mientras que las letras en negrita indican pala-
bras reservadas propias del lenguaje Delphi®.
Tabla 7
Pseudocódigo demostrativo para generar la matriz de rigidez
Pseudocódigo
1 Inicializar matriz de rigidez K del elemento y vectores locales;
e
2 For ik:=1 to Num_puntos_integ do { Lazo sobre los puntos de Gauss}

3 begin
4 Recuperar abscisa pik y peso wik del punto de Gauss;
5 For jk:=1 to Num_puntos_integ do
6 begin
7 Recuperar abscisa hjk y peso wjk del punto de Gauss;
8 For kk:=1 to Num_puntos_integ do
9 begin
10 Recuperar abscisa gkk y peso wkk del punto de Gauss;
11 Calcular las funciones de forma Ni y sus derivadas Ni,x, Ni,y, Ni,z en el punto de Gauss;
12 Calcular matriz elástica D en punto de Gauss;
13 Evaluar y acumular efectos de la temperatura, cargas volumétricas y deformaciones
iniciales en el punto de Gauss;
14 For i:=1 to 20 do {número máximo de nodos es 20 }
15 begin
16 If Lista_de_nodos[i]<> 0 then { nodo i existe }
17 begin
18 For j:=i to 20 do { solo construye el triángulo superior de la matriz de rigidez}
19 begin
20 If Lista_de_nodos[j] <> 0 then { nodo j existe }
21 begin
22 Calcular y acumular la contribución de la submatriz nodal Kij en el
punto de Gauss Kije = Kije + (BiT DBj |J|)(pik,hjk,gkk) wik wjk wkk
23 end; { if ... }
24 end; { For j ... }
25 end; { if ... }
26 end; { For i ...}
27 end; { For kk ...}
28 end; { For jk ...}
29 end; { For ik ...}
30 Copiar triángulo superior en triángulo inferior de la matriz Ke;
62
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).
Modelo geométrico de la ATM
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).
Superficie de inserción masetero

Superficie de inserción temporal
Superficie de inserción pterigoideo medial
Superficie de inserción pterigoideo lateral
Figura 12. Modelo completo en vista isométrica de la ATM en estudio.
>>>
63
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.
Materiales y cargas biológicas
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).
El caso de la mordida unilateral, es un patrón de masticación, pero dependiendo de la causa

de este patrón, es a su vez un caso patológico en el que no ocurre una oclusión completa,
bien sea por una mala distribución dentaria o porque una de las ATM se encuentra en mal
estado y la mordida resulta asimétrica.
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 patológico/mordida unilateral. Está establecido que cuando la mordida es asi-

métrica, de igual forma es la respuesta de los músculos masticatorios (Nelson, 1986 y
Korioth y Hannam, 1990), por lo que cada músculo masticatorio se le asigna un factor
de escala específico (EMGMi). Las magnitudes y vectores unitarios fueron obtenidos
de diversos trabajos, tales como: Korioth et al. (1992), Martínez-Reina (2006), Com-
misso (2012) y Commisso et al. (2014). La Figura 13.a) muestra el modelo con las cargas
representativas de cada músculo principal masticatorio.
•• 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
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.
En lo que refiere a las propiedades mecánicas de los materiales asignados, se utilizaron

cuatro diferentes cuyos valores se muestran en la Tabla 8.
>>>
65
Internacional
de Valencia
>>>
Tabla 8
Propiedades de los materiales
N.° Componente Material E(MPa) o

1 Mandíbula Hueso cortical-esponjoso mandibular 10.873 0,3
2 Hueso temporal Hueso cortical craneal 15.000 0,3
3 Disco articular Disco 44.100 0,4
4 Dientes Dentina 17.600 0,25
Resultados
Uno de los resultados más relevantes es la diferencia de esfuerzos y desplazamientos exis-

tentes entre el lado derecho e izquierdo en la mordida unilateral. Por esto es que se reporta
que pacientes con dolencias, por ejemplo, en la ATM derecha, al morder del lado dañado
sienten menos dolor que al morder del lado izquierdo (sano) y esto es porque el lado sano se
lleva consigo las mayores deformaciones y tensiones, por lo que la ATM dañada sufre menos.
Observando la Figura 14 se destaca que en los discos articulares el izquierdo presenta un
área mayor de afectación en deformación elástica en comparación con el disco derecho.
Estos resultados son consistentes con el trabajo de Duarte et al. (2014), ubicándose por el
centro-frontal del mismo. La máxima deformación reportada fue de 0,126 mm/mm para el
disco izquierdo contra un máximo de 0,028 mm/mm en el disco articular derecho.
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
Internacional
de Valencia
3.6. Software comercial para problemas de ingeniería

Ingeniería asistida por computadora o por ordenador (CAE, del inglés computer aided enginee-
ring) es la disciplina que se encarga del conjunto de programas informáticos que permiten analizar y
simular los diseños de ingeniería realizados con el ordenador, o creados de otro modo e introducidos
en el ordenador, para valorar sus características, propiedades, viabilidad, y rentabilidad. Su finalidad
es optimizar su desarrollo y consecuentes costos de fabricación, y reducir al máximo las pruebas para
la obtención del producto deseado. La base de todas ellas se presenta como módulos o extensiones
de aplicaciones para el diseño asistido por computadora o por ordenador (CAD, del inglés computer
aided design), que incorporan:
•• 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.
En la actualidad y de acuerdo a informes de 3D CAD Portal (http://www.3dcadportal.com), algunas de

las aplicaciones comerciales más conocidas en el ámbito de ingeniería son:
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
CATIA. Es un programa informático de diseño, fabricación e ingeniería asistida por computa-

dora comercial realizado por Dassault Systèmes. El programa está desarrollado para propor-
cionar apoyo desde la concepción del diseño hasta la producción y el análisis de productos.
Está disponible para Microsoft Windows, Solaris, IRIX y HP-UX. Provee una arquitectura
abierta para el desarrollo de aplicaciones o para personalizar el programa. Las interfaces de
programación de aplicaciones, CAA2 (o CAAV5), se pueden programar en Visual Basic y C++.
https://www.3ds.com/es/productos-y-servicios/catia/
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
Internacional
de Valencia
Enlaces de interés
MATLAB. Es una herramienta de software matemático que ofrece un entorno de desa-

rrollo integrado (IDE) con un lenguaje de programación propio (lenguaje M). Está dispo-
nible 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 hardware. 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 (tool-
boxes); y las de Simulink con los paquetes de bloques (blocksets).
https://es.mathworks.com/products/matlab.html
SOLIDWORKS SIMULATION. Es un software CAD para modelado mecánico en 2D y 3D,

desarrollado en la actualidad por SolidWorks, una filial de Dassault Systèmes para el
sistema operativo Microsoft Windows. El programa 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 extrac-
ciones (planos y ficheros de intercambio) se realizan de manera bastante automatizada.
Su módulo SOLIDWORKS Simulation Professional permite optimizar los diseños, deter-
minar 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. Su módulo SOLIDWORKS Simu-
lation Premium permite evaluar efizcamente bajo librerías de cálculo bajo el método del
elemento finito sus diseños para la respuesta dinámica y no lineal, las cargas dinámicas
y los materiales compuestos; también incluye tres estudios avanzados: estático no lineal,
dinámico no lineal y dinámico lineal.
https://www.solidworks.com/es
NASTRAN. Es un programa de cálculo estructural que aplica el método de los elementos

finitos (MEF). The MacNeal-Schwendler Corporation (MSC) fue una de las principales desa-
rrolladoras del código del NASTRAN, que en un principio era un código abierto de dominio
público. 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
68
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
ALGOR. Es una solución para aplicaciones de ingeniería orientada a análisis computacional

multifísica en diferentes ramas como automotriz, aeroespacial, manufactura, consumo. Profes-
sional Multiphysics, como aplicación central incluye capacidades de análisis CAE para esfuerzos
estáticos y simulación de eventos mecánicos, con modelos lineares y no lineares, análisis diná-
micos, transferencia de calor, fluidos y análisis electrostático.
http://www.algor.com
ALTAIR HYPERWORKS. Es un programa de análisis y simulación CAE para ingeniería desarro-

llado por Altair Engineering. La aplicación permite a las empresas diseñar y crear productos
en 3D de manera eficiente y a bajo costo.
www.altairhyperworks.com
AMPS ADVANCED MULTIPHYSICS SIMULATION PROGRAM. AMPS (Advanced Multi-Physics

Simulation Program) es una solución de cómputo para aplicar, simular y resolver análisis por
elementos finitos.
http://www.ampstech.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
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/
COMSOL. Es un software 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, cargas y la visuali-
zación previa del análisis para luego ejecutar el pos proceso y ver reportes finales.
http://www.comsol.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.
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
Otros métodos numéricos
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.
4.1. Diferencias finitas y volúmenes finitos

La aproximación por medio de diferencias finitas es el método más antiguo aplicado para obtener la
solución numérica de ecuaciones diferenciales. “Se considera que la primera aplicación ha sido desa-
rrollada por Euler en 1768” (Gómez et al, 2003, p. 169).
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
4.1.1. Discretización del dominio
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
4.1.2. Aproximaciones en diferencias finitas
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.
Para ejemplificar el procedimiento de aproximación, se considerará la derivada parcial de primer

orden de la función T con respecto al tiempo. Para ello, se utilizará el desarrollo en serie de Taylor de T
en (xi, tj) y se lo evaluará en (xi , tj + 1). De esta manera se obtiene:
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
Donde Rm + 1 es el término residual, dado por:

1 2 m + 1 T ^ph m + 1
Rm + 1 = ht ; t # p # t + ht
^ m + 1 h ! 2t m + 1
El término residual Rm + 1 es el error asociado con el truncamiento de la serie de Taylor. Es importante
conocer el orden de dicho error, es decir, conocer la forma en que el error tiende a cero cuando ht " 0.
Como se puede observar, el término residual Rm + 1 depende de h tm + 1 , por lo tanto, cuando ht " 0, el
error tenderá a cero como h tm + 1 .
72
Internacional
de Valencia
En consecuencia, el orden de truncamiento de la serie de Taylor para aproximar Tij + 1 es m + 1. Esto es

indicado con el símbolo O ^h tm + 1 h . Si se despeja la derivada parcial de primer orden de la función T con
respecto al tiempo resulta:
j+1 j
2T j T i – T i 1 2 2 T j
; E = – ; 2 E h t – ... – ; Eh
1 2m T j m – 1 Rm + 1
+
2t i ht 2 2t i m! 2t m i t ht
Donde:
Rm + 1 1 2 m + 1 T ^p h h tm + 1
= = O ^h tm h
ht ^ m + 1 h ! 2t m + 1 ht
En particular, si se escribe el desarrollo en serie de Taylor de primer orden, entonces, la expresión

anterior está dada por:
2T j T i – T i 1 2 2 T ^ p h
j+1 j
; E = – ht
2t i ht 2 2t 2
Donde el término de error es:
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
Esta aproximación es denominada de diferencias centradas. Trabajando de manera similar, es posible

obtener las siguientes aproximaciones en diferencias finitas
j+1 j j–1
2 2 T j T i – 2T i + T i
< 2F .
2y i hy2
j+1 j j–1
2 2 T j T i – 2T i + T i
; E .
2t 2 i h t2
73
Internacional
de Valencia
4.1.3. Solución en diferencias finitas
La solución en diferencias finitas de una ecuación diferencial parcial se obtiene al reemplazar

cada una de las derivadas parciales exactas en la ecuación diferencial por su correspondiente
aproximación en diferencias finitas. De esta manera, es posible discretizar la ecuación diferen-
cial parcial.
Al aplicar la ecuación discretizada en cada punto de la malla se obtiene un sistema de ecuaciones

denominado sistema de ecuaciones de diferencias finitas. El proceso de aproximación requiere de
la selección de un método adecuado para obtener la solución del sistema de ecuaciones algebraicas
planteado. Una vez resuelto el sistema de ecuaciones de diferencias finitas se obtiene el valor de la
función en los nodos de la malla, es decir, que al emplear el método de diferencias finitas se obtiene
una solución aproximada discreta.
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.
Los perfiles de velocidad y de esfuerzo cortante promediados temporalmente fueron

comparados entre el DNS y las simulaciones RANS con distintos modelos de turbulencia.
Modelo geométrico de la cánula y arteria
La Figura 15 describe la geometría utilizada en el estudio numérico. Los diámetros interiores

A y B representan el núcleo de la cánula y su extremo cónico, respectivamente. Las dimen-
siones de los diferentes tamaños de cánulas estudiadas se enumeran en la Tabla 9.
>>>
74
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
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
Anular Cánula Vaso sanguíneo

13G 1.158 1.680 2.783
14G 1.215 1.943 2.783
16G 2.559 1.314 2.783
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 Inge-
niería 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
En base a las características geométricas de las cánulas y el capilar, se ha seleccionado un

punto de referencia para validar la selección del modelo de turbulencia. Balarac et al. (2005)
realizaron una simulación numérica directa (DNS) para una serie de chorros coaxiales, que se
asemeja mucho a las características del flujo a través de una cánula, como puede verse en la
Figura 17.a). En ambos casos, hay una capa de corte entre las corrientes internas y externas.
El capilar podría considerarse como un caso particular de un flujo de chorro (especialmente
en el cono divergente), donde la velocidad anular y central son similares.
>>>
76
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
Donde U1 , U2 y U3 representan las velocidades promedio en el chorro interno, el chorro

externo y el chorro libre, respectivamente. R1 y R2 son el radio de los chorros internos y
externos, respectivamente, como se especifica en la Figura 17.b). RM es el promedio aritmé-
tico entre R1 y R2. i01 y i02 son el espesor del momento de entrada de las capas de cizalladura
interna y externa, respectivamente.
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
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
Figura 18. Perfil laminar de entrada utilizado en la simulación. 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 Univer-
sidad 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
>>>
78
Internacional
de Valencia
>>>
Resultados
La velocidad de la línea central Ux y la velocidad de dispersión del chorro d se calcularon para

cada cuadrícula definida por caso de estudio, con un modelo de turbulencia k – f estándar. Los
resultados se trazan en la Figura 19 como una función de la coordenada axial x.
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
Se encontró que diferentes modelos de turbulencia (k – f, k – ~, SST y SST con el modelo

de transición Gamma-Theta) difieren significativamente en la predicción del desarrollo del
flujo y la transición de laminar a turbulento. Se obtuvo que el modelo de turbulencia más
adecuado para la cánula es el de Transporte de Esfuerzos Cortantes con transición modelo
Gamma-Theta, como se puede ver en la Figura 20.
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
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
4.2. Elementos de contorno
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.
Partiendo de las consideraciones básicas en la elasticidad presentadas por Timoschenko y Goodier

(1951), se introduce la formulación directa del método de los elementos de contorno con base a la
ecuación integral de Somigliana, la cual permite determinar los campos de las variables del problema
a través de los campos conocidos de las mismas sobre la frontera del dominio.
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
Internacional
de Valencia
4.2.1. La identidad de Somigliana
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:
# v ij(Q) f ij* (Q) dX (Q) = # v ij* (Q) f ij(Q) dX (Q), Q ! X (31)

X X
81
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).
Adicionalmente se utilizan las funciones indicadas a continuación:
a. Una función auxiliar para expresar f i(Q)

* de tal forma que:
* = D e (32)
f i(Q) (P,Q) i
* son fuerzas unitarias aplicadas en un punto P ! X según las direcciones e de los

Donde las f i(Q) i
ejes cartesianos globales y la función D (P,Q) representa el delta de Dirac, que se define como
3 si P / Q
D^P, Qh = (
0 si P ! Q
# H^Qh^P,Qh dX^Qh = H P
X
b. Una función de regularización la cual establece que, para cualquier función regular:
# H^Qh D^P,Qh dX^Qh = H P

X
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
u i*^Qh = u ij* ^P, Qh e j; t i*^Qh = t ij* ^P, Qh e j (33)
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
Figura 22. Carga unitaria aplicada y su efecto sobre el medio elástico.
82
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
Figura 23. Modificación del contorno.
Tomando límites, la expresión (34) puede rescribirse como:
"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
Y puede demostrarse que, en general y para una superficie cualquiera, se cumplirá:
lim
f"0
# u ij* ^P, Qh t j^Qh dS^Qh = 0
S – Sf
83
Internacional
de Valencia
Con lo que la expresión (35) queda como:
u i^ P h = # u ij* ^P,Qh t j^Qh dS^Qh + # u ij* ^P,Qh f j^Qh dX^Qh – flim

"0
# t ij* ^P, Qh u j^Qh dS^Qh (36)
S X S – Sf + Sf
La tercera integral de la ecuación (36) puede transformarse en:
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
Ahora, la integración sobre S f puede ser transformada sumando y restando el término

lim
f"0
# t ij* ^P,Qh u j^Qh dS^Qh de manera que:
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:
u i^Ph + u j^Ph flim

"0
# t ij* ^P,Qh dS^Qh = # _ u ij* ^P,Qh t j^Qh – t ij* ^P,Qh u j^QhidS^Qh + # u ij* ^P,Qh f j^Qh dX^Qh (39)
Sf S X
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
Para la evaluación de expresión (40) se dispone de fórmulas adecuadas en la literatura técnica de

Kane (1994) en contornos 2D y 3D.
84
Internacional
de Valencia
4.2.2. Soluciones fundamentales en dos y tres dimensiones
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).
A continuación se presentarán las soluciones fundamentales para dominios bidimensionales y tridi-

mensionales en problemas elásticos. La ecuación de Navier permite escribir el conjunto de ecua-
ciones diferenciales que gobiernan la teoría de la elasticidad, en función únicamente del campo de
desplazamientos ui ( P ). Por lo tanto, para una carga puntual unitaria en un medio infinito tridimensional,
la ecuación de Navier puede ser escrita como sigue:
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
Y, sustituyendo (42) en (41), se tiene:

1 1 1 1 1
g – g +g – g = – De i (43)
1 – 2o j, kkji 1 – 2o 2 ^1 – o h k, jkji i, kkjj 2 ^1 – oh k, ikjj G
Haciendo uso de las siguientes igualdades g k, jkji = g k, jjki; g k, ikjj = g k, jjki y sustituyendo en (43), se obtiene:
1
g i, kkjj + De i = 0 (44)
G
La solución de la ecuación (44) tiene la expresión publicada por Malvern (1969):
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):
•• Equilibrio " t i* = v ij* n j
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
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).
Como se puede observar, se realizó la reconstrucción tridimensional de la tibia a partir de

tomografías computarizadas (véase la Figura 1). Se calcularon esfuerzos y desplazamientos
en el modelo con el método de elementos de contorno.
>>>
86
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
Después de un análisis por el método de elementos de contorno, se obtuvieron las tensiones

de von Mises y los desplazamientos en la superficie del modelo. El esfuerzo máximo de
compresión en el modelo de la tibia ocurre en la parte posterior del hueso. Se encontró un
esfuerzo máximo de von Mises de 100,18 MPa, que ocurre hacia el final del eje de la tibia a
una distancia de la parte proximal de 330 mm. Los esfuerzos en este modelo están suave-
mente distribuidos a lo largo de todo el hueso.También se observó una deflexión positiva
máxima de 5,74 mm. En el modelo presentado aquí, la distribución de esfuerzo y despla-
zamiento resultaron algo menores, ya que se consideró la tibia solo compuesta por hueso
compacto.
87
Internacional
de Valencia
4.3. Métodos lattice Boltzmann

La ecuación de Boltzmann (LBE en inglés) “es un esquema marchante de diferencias finitas explícito
en el tiempo, basado en la ecuación discreta (en espacio y tiempo) de Boltzmann” (He y Luo, 1997, p.
927). El método lattice Boltzmann trabaja usualmente en una malla prefijada tipo rejilla en el espacio
cartesiano, como consecuencia de la simetría del arreglo discreto de velocidades. También se debe
al hecho de que el espaciado dx de la rejilla se relaciona al paso de tiempo dt por dx = cdt, donde c es la
unidad básica del arreglo discreto de velocidades. Esto hace que el método funcione bajo un esquema
bastante sencillo de dos pasos fundamentales: la colisión y la propagación. En la colisión se modela
de manera simplificada la interacción entre las partículas de fluido y en la propagación las partículas
de fluido simplemente se desplazan de un punto de la rejilla al próximo de acuerdo a sus direcciones
de velocidad (arreglo discreto e).
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.
Un automatón celular es un sistema dinámico discreto, gobernado por la aplicación recursiva de

reglas determinísticas sencillas. Se define en un área celular; modelado como un arreglo k-dimen-
sional dividido en células regulares discretas.
88
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
El cómputo de este operador de colisión X es un problema de interés que, en condiciones normales,

se resuelve como una complicada ecuación Integro-Diferencial. Su función en la ecuación es controlar
la velocidad de cambio en f durante la colisión. “Desarrollada originalmente en el marco de sistemas
de gases diluidos, la ecuación de Boltzmann ha sobresalido a través de muchas áreas de la física esta-
dística moderna” (Cercignani, 1975). “Para facilitar las soluciones numéricas y analíticas de la ecuación
de Boltzmann, expresiones más simples que sustituyen al complicado operador integral no lineal de la
colisión, sin menoscabo de la física básica” (Liboff, 1998).
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
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
t ^r, t h = /fi ^r, t h ; u ^r, t h =

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.
4.3.2. Modelo de múltiple relajación en el tiempo
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
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
Internacional
de Valencia
La parte de la propagación de la evolución en la ecuación (46) o la ecuación (47) es trivial en }, mien-

tras que la colisión en dichas ecuaciones preferiblemente se calculan computacionalmente en el
espacio M por razones físicas y de facilidad computacional.
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
Las filas de la matriz de transformación M se organizaron en función del tensor correspondiente. El

estado local en el espacio M: m = ^ t, e, f, j x, q x, j y, q y, p xx, p xy hT puede interpretarse físicamente de
la siguiente manera: m1 = t es la densidad, m2 = e está relacionado a la energía cinética, m3 = f está
relacionado al cuadrado de la energía cinética, m4 = jx y m6 = jy son las componentes x e y del flujo
másico, m5 = qx y m7 = qy son proporcionales a las componentes x e y del flujo de energía, y m8 = pxx y
m9 = pxy son proporcionales a las componentes de la diagonal y no-diagonal del tensor de esfuerzos
viscosos.
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
Internacional
de Valencia
Las filas de la matriz de transformación M se organizaron en función del tensor correspondiente. El

estado local en el espacio M puede interpretarse físicamente así: m1 = t es la densidad de masa, m2 = e
está relacionado a la energía cinética independiente de la densidad, m3 = f está relacionado la energía
cinética cuadrada independiente de la densidad y la energía cinética, m4, 6, 8 = jx, y, z son las componentes
x, y, z de momentum, m5, 7, 9 = qx, y, z son proporcionales a las componentes x, y, z del flujo de energía
independiente del flujo másico. Las componentes de la diagonal del tensor de esfuerzos viscosos
están dadas por m10 = 3 pxx, m11 = 3 pww = pyy – pzz (con pxx + pyy + pzz = 0) y las componentes fuera de la
diagonal m12, 13, 14 = pxy, yz, zx; y un momentum antisimétrico de orden tres m15 = mx, y, z.
La dinámica del flujo a simular se describe a través de un desplazamiento discreto en espacio y

tiempo bajo la ecuación generalizada de Boltzmann, por ejemplo, con multi-relajación en el tiempo.
Una vez llevada al plano vectorial M, la ecuación (47) se convierte en:
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 propios N + 1 de St se encuentran todos entre 0 y 2 distribuidos en el siguiente orden

(D’Humières et al, 2002):
St / diag ^0, s 2, s 3, 0, s 5, 0, s 5, 0, s 5, s 10, s 10, s 12, s 12, s 12, s 15 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.
Modelo geométrico del ventrículo, aorta y la prótesis mecánica
El modelo en estudio lo constituye básicamente una población de células autómatas de tipo

D3Q15 de geometría con forma de cubo, de manera que tesela completamente el volumen
de control definido por el contorno que representa la porción de ventrículo izquierdo, el
segmento de la válvula aórtica y parte de la aorta (véase Figura 25).
>>>
93
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).
La geometría de la válvula seleccionada fue el modelo bivalva de la St. Jude Medical y se

realizó utilizando las dimensiones reales para conservar la proporcionalidad.
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
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).
La Figura 26 muestra la configuración de la rejilla global y detalles de la zona de la válvula.

Como puede observarse en la imagen, la geometría de la válvula se adaptó a la geometría
regular de la malla lattice Boltzmann.
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
Condiciones multifísicas y cargas biológicas

En este sistema se asumió un flujo laminar para un fluido de comportamiento isotérmico,
incompresible y newtoniano. Los efectos del implante valvular en las prótesis mecánicas se
analizaron a través de simulaciones numéricas en el tiempo del flujo de sangre a través de
ellas. Las condiciones fisiológicas del implante se modelaron cuidadosamente y la geome-
tría de la cavidad aórtica se modificó ajustándola al modelo del equipo de pruebas in vitro
utilizado en los estudios realizados por King (1994).
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.
De manera adicional, el segmento aórtico trazado en la geometría fue extendido en su

longitud hasta cuatro veces su diámetro, con el objeto de eliminar efectos numéricos en el
contorno de salida. El diámetro aórtico se consideró de 29 mm.
>>>
95
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.
Figura 27. Dinámica transitoria

de arriba hacia abajo: 0,0T (t = 0,0 s),
0,33T (t = 0,264 s),0,66T (t = 0,528 s)
y 0,99T (t = 0,792 s); magnitud de la
velocidad axial |ux|. Recuperado de
O. Pelliccioni, M. Cerrolaza y M. He-
rrera, 2006, “Análisis tridimensional
de la interacción fluido-estructura
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. Disponi-
ble en https://upcommons.upc.edu/
handle/2099/4770
>>>
96
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.
Esperanza matemática de una diferencia de medias muestrales

Para una diferencia de medias muestrales, es el valor al que tiende dicha diferencia al promediarse un
número indefinidamente grande de observaciones. Puede demostrarse que la esperanza matemática
de una diferencia de medias muestrales xr 1 – xr 2 es igual a la diferencia entre las respectivas medias
universales: E ^ xr 1 – xr 2h = n 1 – n 2 .
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
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
AMPS ADVANCED MULTIPHYSICS PROGRAM

Solución de cómputo para aplicar, simular y resolver análisis por elementos finitos.
http://www.ampstech.com/
ANSYS / ANSYS CFX

Ecosistema de programas CAE para diseño, análisis y simulación de partes por elementos finitos FEA
(Mechanical y Multiphysics), diferencias finitas y volúmenes finitos (CFX). Incluye las fases de prepa-
ración de meshing o mallado, ejecución y posproceso. El programa ejecuta análisis de piezas some-
tidas a fenómenos físicos usadas en ingeniería y diseño mecánico. Puede resolver problemas físicos
sometidos a esfuerzos térmicos, fluidos, vibración y aplicaciones específicas.
www.ansys.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.
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/
CF DESIGN UPFRONT CFD

Programa de análisis de ingeniería para CFD o análisis computacional de fluidos de alto nivel. CF
Design es la única herramienta de cómputo de cálculo fluido dinámico y de transmisión de calor dise-
ñada 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, Soli-
dEdge, SolidWorks, SpaceClaim y opera en Windows.
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/
GiD CIMNE – The personal pre and post processor

GiD es un pre- y posprocesador universal, adaptable y fácil de usar para simulaciones numéricas en
ciencia e ingeniería. Ha sido diseñado para cubrir todas las necesidades comunes en el campo de las
simulaciones numéricas desde el preprocesamiento hasta el posprocesamiento: modelado geomé-
trico (CAD), generación de malla, definición de datos de análisis, transferencia de datos al programa
de análisis, operaciones de posprocesamiento y visualización de resultados.
https://www.gidhome.com/
102
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/
COMET CIMNE – Coupled Mechanical and Thermal
Plataforma computacional 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
y presión para tratar la restricción de incompresibilidad y formulaciones mixtas de esfuerzo y
desplazamiento para lograr la mejor respuesta precisa a las tensiones en un análisis altamente
no lineal. La biblioteca de leyes constitutivas incluye viscoelasticidad, plasticidad de deformación
pequeña y grande, modelos de daños, etc. La biblioteca de resolución de ecuaciones abarca desde
solucionadores directos (solución en serie y paralelo) hasta solucionadores iterativos (gradiente de
conjugado o GMRES).
http://www.cimne.com/comet/
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
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 principales 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/mechani-
cal-heart-valves
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. (2010). Calidad total y productividad. Ciudad de México: McGraw-Hill.
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
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.
Nordness, R. (2006). Epidemiología y Bioestadística. Secretos. Madrid: Elsevier.
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
Walpole, R. E., y Myers, R. H. (1992). Probabilidad y estadística. Ciudad de México D: McGraw-Hill.
Wolfram, S. (1984). Cellular Automata as models of complexity. Nature, 311, 419.
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

Libro PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Libro PDF

Uploaded by

Copyright:

Available Formats

BIOESTADÍSTICA Y

Dr. Orlando J. Pelliccioni M.

MÁSTER UNIVERSITARIO EN INGENIERÍA BIOMÉDICA

Bioestadística y métodos numéricos en ingeniería biomédica

Dr. Orlando J. Pelliccioni M.

Enlace de interés Ejemplo Importante Descarga de archivo

CAPÍTULO 1. EL ANÁLISIS BIOESTADÍSTICO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

CAPÍTULO 2. MÉTODOS NUMÉRICOS: CONCEPTOS BÁSICOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

CAPÍTULO 3. MÉTODO DE ELEMENTOS FINITOS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.3.1. Funciones de forma. Coordenadas de volumen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.3.2. Matriz deformación-desplazamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.3.3. Cargas nodales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.4. Obtención de tensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

3.5. Pseudocódigo para generar la matriz de rigidez. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

3.6. Software comercial para problemas de ingeniería. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

CAPÍTULO 4. OTROS MÉTODOS NUMÉRICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4.1.1. Discretización del dominio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.1.2. Aproximaciones en diferencias finitas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.1.3. Solución en diferencias finitas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.2. Elementos de contorno. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.2.1. La identidad de Somigliana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

4.2.2. Soluciones fundamentales en dos y tres dimensiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

4.3. Métodos lattice Boltzmann. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

4.3.2. Modelo de múltiple relajación en el tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

ENLACES DE INTERÉS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

La bioestadística es el instrumento que permite manejar y obtener información de la gran cantidad

1.1. Conceptos fundamentales a considerar

El estudio de la correlación entre frecuencia cardiaca y volumen sistólico en un grupo de individuos

Un parámetro que podría ser de interés es la proporción p de glicemia en ayuno, o la media µ,

El objetivo fundamental de la toma de muestras de poblaciones o muestreo es obtener información

Un aspecto clave en la interpretación y utilización de cualquier estadístico es que se trata de una

1.1.1. Muestreo estadístico

•• Muestreo aleatorio simple. Si tenemos una población de tamaño N y seleccionamos una

•• Muestreo sistemático. En este procedimiento se seleccionan los elementos de la muestra de-

La Tabla 1 reúne las fórmulas para el cálculo estadístico de cada muestreo:

El muestreo no probabilístico se justifica por la comodidad y la economía, pero tiene el inconveniente

•• Muestreo de conveniencia. Mediante este procedimiento, la muestra se conforma por sujetos

1.1.2. Inferencia estadística

Un ejemplo que ilustra la práctica de estimaciones mediante inferencia estadística consiste en

La metodología estadística considera y cuantifica la diversidad entre las unidades. Pobla-

1.2. Prueba de significación y contraste de hipótesis

1.2.1. Prueba de hipótesis

5. Luego se adopta una de dos opciones:

1.2.2. Contraste de hipótesis entre dos o más poblaciones

1.2.3. Contraste de hipótesis mediante pruebas de significación

El valor de P, que se adopta antes de realizar la prueba de significación, se denomina nivel de

Las pruebas de significación pueden realizarse en pares de muestras o en grupos de tres

1.2.4. Medidas relacionadas con técnicas paramétricas y no-paramétricas

Los procedimientos estadísticos pueden clasificarse en tres grupos:

3. Los procedimientos de inferencia que no se refieren a parámetros de población, que se cono-

En general, los métodos no paramétricos se utilizan cuando la presunción de no normalidad de los

1.2.5. Contraste de bondad de ajuste a una distribución

Uno de los problemas fundamentales de la inferencia no paramétrica es examinar la bondad de ajuste

H0: la muestra proviene de una distribución F0

H1: la muestra no proviene de la distribución F0

donde F0 es una distribución conocida. El problema de contrastar la bondad de ajuste es no paramé-

1. Contrastes |2: se descompone el recorrido de la distribución teórica en un número finito de

2. Contrastes de Kolmogorov-Smirnov: consisten en comparar la distribución empírica con la

1.2.6. Comparación de grupos independientes

La diferencia entre dos medias muestrales x 1 y x 2 aparece frecuentemente al comparar muestras

1.3. Modelos de regresión

1.3.1. Regresión lineal simple

1.3.2. Regresión lineal múltiple