Modelado estocástico de sistemas dinámicos complejos, incluyendo turbulencia, interacciones moleculares y efectos de memoria.La dinámica de sistemas complejos es el estudio de cómo un gran número de componentes que interactúan dan lugar a comportamientos colectivos que no están presentes en las partes individuales. Esto incluye fenómenos como la turbulencia en fluidos, las interacciones moleculares en materiales y los efectos de memoria en sistemas físicos. El modelado estocástico es esencial aquí porque las interacciones son a menudo demasiado numerosas para rastrearlas de manera determinista, y la aleatoriedad juega un papel clave en la configuración del comportamiento macroscópico. El campo busca identificar patrones universales, como leyes de escala y transiciones de fase, que emergen en diferentes sistemas.
El marco moderno para los sistemas complejos surgió a mediados del siglo XX, con contribuciones de físicos como Onsager y Prigogine sobre termodinámica de no equilibrio, y más tarde de pioneros de la teoría del caos como Lorenz. El uso explícito de métodos estocásticos en este contexto fue impulsado por el trabajo de Zwanzig y Mori en la década de 1960 sobre funciones de memoria y ecuaciones generalizadas de Langevin.
El enfoque típicamente implica reducir los muchos grados de libertad a unas pocas variables de grano grueso que capturen la dinámica esencial, y luego agregar términos estocásticos para representar los detalles omitidos. Por ejemplo, en turbulencia, las ecuaciones de Navier-Stokes a menudo se reemplazan por modelos estocásticos que describen la cascada de energía desde escalas grandes hasta pequeñas. En sistemas con memoria, como plasmas o vidrios, la dinámica puede depender de toda la historia del sistema, lo que lleva a ecuaciones integro-diferenciales con núcleos de memoria. Estos modelos se analizan utilizando herramientas de la física estadística, como ecuaciones de Fokker-Planck e integrales de camino, para predecir la probabilidad de diferentes resultados.
Estos modelos se utilizan en la predicción climática, el diseño de materiales (por ejemplo, para aleaciones con memoria), el confinamiento de plasma en reactores de fusión, e incluso en los mercados financieros para simular fluctuaciones de precios y riesgos sistémicos.
En algunos sistemas complejos, añadir ruido puede estabilizar la dinámica, un fenómeno conocido como 'resonancia estocástica', donde una señal periódica débil se vuelve detectable solo cuando el nivel de ruido es óptimo, un principio explotado en algunos dispositivos electrónicos y posiblemente en sistemas sensoriales biológicos.
| n_s | variable | Scalar spectral index — índice espectral escalar |
| \epsilon | variable | First slow-roll parameter — slow roll parameter |
| \eta | variable | Second slow-roll parameter — slow roll parameter second |
| r | variable | Tensor-to-scalar ratio — tensor to scalar ratio |
| \sigma_f | variable | Combined uncertainty of the function f — incertidumbre varies |
| f | variable | Function of multiple measured variables — function varies |
| x_i | variable | i-th measured variable — variable varies |
| \sigma_{x_i} | variable | Uncertainty of the i-th measured variable — incertidumbre varies |
| \partial f / \partia | operador | Partial derivative of f with respect to x_i, giving the sensitivity of f to that variable — derivada parcial |
| \sqrt{} | operador | Square root of the sum of squared terms — raíz cuadrada |
| \sum_i | operador | Sum over all independent variables i — suma |

















