La temperatura es correcta: ¿por qué el modelo falla en su velocidad de cambio?

Cuando importa pendiente además del valor

Un modelo reconstruye temperatura con error de una centésima de grado. ¿Confiamos también en velocidad de calentamiento? Modelos AI físicos pueden ajustar valores y oscilar entre puntos. Derivada mide rapidez de cambio y revela oscilaciones casi invisibles en valores. Error térmico pequeño no implica pequeño error de velocidad.

Resumen. Derivamos compromiso entre ruido e intervalo al estimar derivadas de mediciones. Después comparamos funciones próximas en valores pero distintas en derivadas. Un filtro polinómico local ofrece alternativa a diferencia de dos muestras. Son cálculos sintéticos con modelo estadístico declarado, no mediciones, entrenamiento ni validación de planta. Objetivo: identificar prueba adicional antes de usar modelo en ecuación física.

Proceso sencillo con unidades explícitas

Usamos f(t)=20+2sin(ωt), temperatura Celsius, t segundos y ω=2π/60 radianes/s. Amplitud 2 °C, período 60 s; no modelo térmico completo. Derivada f′(t)=2ωcos(ωt), °C/s, aproximadamente 0,20944 en t=0. Cero es origen local: tiempos negativos son observaciones anteriores, no imposibles.

Medición y(t)=f(t)+ε(t) añade error. Suponemos independencia, media cero y desviación σ=0,05 °C igual por muestra. Cálculo de varianza no requiere ruido gaussiano. σ es hipótesis didáctica, no especificación medida. Correlación o deriva sistemática cambiarían fórmula.

Por qué acercar muestras puede empeorar estimación

Estimamos velocidad central con muestras h segundos antes y después. Diferencia térmica dividida por 2h es diferencia central D_h. Sin ruido, h menor aproxima pendiente media a derivada. Con ruido divide diferencia de errores por número cada vez menor, desestabilizando estimación aparentemente más precisa en tiempo.

Varianza mide dispersión aleatoria en (°C/s)². Varianzas independientes se suman; resta no las cancela. Desviación σ/(√2 h): 0,03536 °C/s con h=1 s; 0,35355 con h=0,1 s, mayor que derivada verdadera 0,20944. Son momentos teóricos calculados, no observaciones repetidas. Código no genera muestras aleatorias.

Ampliar ventana reduce ruido pero introduce sesgo

¿Por qué no intervalo enorme? Pendiente media de tramo curvo difiere de pendiente central. En nuestra sinusoide a cero, media D_h es exactamente 2sin(ωh)/h; restar 2ω da sesgo, error sistemático medio. Para función suave, Taylor da término principal h²f‴(t)/6, creciendo cuadráticamente mientras expansión local sea válida.

Restar expansiones cancela términos pares; dividir por 2h deja derivada y corrección cúbica reducida a h². O(h⁴) indica resto de orden cuatro o mayor con regularidad suficiente. Error cuadrático medio MSE es sesgo al cuadrado más varianza porque desviación respecto a propia media promedia cero. Raíz RMSE vuelve a °C/s para comparar con velocidad real.

Subir h de 0,1 a 5 s mejora RMSE aquí; a 10 empeora. No es paso universal: depende de ruido y curvatura. Diferencia central usa muestra futura t+h, exigiendo retraso h o estimador causal con pasado y presente. Precisión numérica no elimina restricción temporal.

Ajustar bien valores no controla derivadas

Ahora consideramos función aproximante, no ruido de medida. g(t)=f(t)+0,01sin(8πt) difiere como máximo 0,01 °C siempre, con perturbación de período 0,25 s. Pero g′−f′=0,08πcos(8πt), amplitud 0,25133 °C/s, mayor que derivada original 0,20944. Valores próximos no impiden pendientes muy distintas.

Es contraejemplo analítico, no red mal entrenada. Error de validación solo sobre valores no garantiza derivadas físicas. Perturbación εsin(kt) tiene amplitud ε y derivada εk: subir frecuencia aumenta segunda sin aumentar primera. k tiene unidades de tiempo inverso, dando εk temperatura por segundo.

Ambos ejes izquierdos son logarítmicos: distancias iguales representan razones iguales. Pasar de 0,1 a 1 s multiplica paso por diez. Observar componente dominante y dónde total deja de bajar. Ejes derechos lineales: g′ llega a negativo con f′ positiva, sugiriendo enfriamiento donde referencia aún calienta.

Alternativa: estimar pendiente local con varios puntos

En cinco tiempos t+jΔ, j de −2 a 2, ajustamos a+bjΔ+c(jΔ)² por mínimos cuadrados. Buscamos derivada central b. Simetría anula sumas j y j³; columna lineal ortogonal a constante y cuadrática. Ecuación normal b=Σ_j j y_j/(ΔΣ_j j²). Suma j²=10, pesos [−2,−1,0,1,2]/(10Δ).

Con ruido independiente de igual varianza, varianza combinada es σ² por suma de pesos cuadrados: 0,1σ²/Δ², frente 0,5σ²/Δ² central h=Δ. Baja dispersión, pero ventana más ancha y supuesto polinómico. Δ=1 s da media 0,20814 °C/s y RMSE 0,01586 frente 0,03536 central. No superioridad universal: cambios rápidos pueden atenuarse.

Mecanismo subyace a derivación polinómica local, incluidos filtros Savitzky–Golay. SciPy distingue orden de derivada, ventana, grado y separación delta. Implementamos cinco pesos directamente, sin SciPy. Bordes no tienen simetría y extensión o ajuste cambia resultado. Decir datos filtrados no reproduce derivada.

Qué verificar antes de usar curva en modelo físico

Si ecuación usa velocidad, evaluar esa cantidad con unidades y escala temporal. Penalizar curvatura, datos de derivadas o restricciones físicas limita oscilaciones, pero introduce hipótesis y pesos a validar. Derivar exactamente red tampoco resuelve: cálculo correcto para función aprendida inadecuada puede dar pendiente física errónea.

Respuesta negativa: reconstruir temperatura bien no establece derivada correcta. Primer caso amplifica ruido por ventana estrecha; segundo convierte oscilación pequeña en pendiente muy oscilante. Causas distintas, controles distintos. Datos reales requieren ruido caracterizado, tiempos, bordes y referencia independiente de derivada. No medidos aquí.

SciPy — scipy.signal.savgol_filter, parameters deriv, delta, window_length, polyorder and boundary modes.

Código guarda tabla, curvas y trayectorias analíticas con biblioteca estándar Python y Matplotlib. Sin resultados hardware o EL-AI. Fragmento reproduce media de diferencia, sesgo, varianza y combinación, distinguiendo derivada sintética conocida del estimador bajo medidas ruidosas.

import math
omega = 2*math.pi/60
sigma = 0.05
true = 2*omega
for h in [0.1, 1, 5, 10]:
    mean = 2*math.sin(omega*h)/h
    bias = mean-true
    variance = sigma**2/(2*h*h)
    print(h, mean, math.sqrt(bias*bias+variance))

Código, datos e instrucciones · JSON. Cálculos didácticos ejecutados con Python 3.14.0; figuras con Matplotlib 3.11.2. Análisis asistido por IA, sin afirmar revisión por pares ni humana. Portada original ImageGen ilustrativa: no documenta personas, sedes ni instalaciones de EL-AI. Fuentes consultadas el 29 de septiembre de 2026.