Caos en tu café: Dinámica no lineal explicada (Venezuela) | ORBITECH

ORBITECH AI Academy

Conceptos básicos de caos y dinámica no lineal

Definiciones clave y propiedades de los sistemas caóticos que explican por qué tu café nunca se enfría igual

Efecto mariposa (Dependencia sensible a condiciones iniciales) law

x_{n + 1} = f (x_{n}) con | f^{'} (x) | > 1

Formes alternatives

$d (x_{n + 1}, x_{n + 1}^{'}) \geq L \cdot d (x_{n}, x_{n}^{'}) con L > 1$ — Definición formal de dependencia sensible usando distancia d

Symbole	Signification	Unité
`x_n`	estado del sistema en el instante n Pequeños cambios en x₀ generan grandes diferencias en xₙ para n grande
`f`	función de evolución temporal Función no lineal que describe la dinámica del sistema

Exemple : En una taza de café, una diferencia de 0.1 °C en la temperatura inicial puede cambiar el tiempo de enfriamiento en 5 minutos después de 30 minutos

Condición de no linealidad definition

f^{''} (x) \neq 0

Symbole	Signification	Unité
`f`	función de evolución Si f''(x) = 0, el sistema es lineal

Exemple : La ecuación del café: dT/dt = -k(T - $T_{a} m b$ ) es lineal, pero si k depende de T (ej. evaporación no lineal), el sistema se vuelve caótico

Sistema dinámico determinista law

\dot{𝐱} = 𝐅 (𝐱, t)

Formes alternatives

$\frac{d 𝐱}{d t} = 𝐅 (𝐱, t)$ — Forma alternativa usando derivada total

Symbole	Signification	Unité
`\mathbf{x}`	vector de estado del sistema Incluye variables como temperatura, velocidad de agitación, etc.
`\mathbf{F}`	campo vectorial de evolución Función que define cómo cambia el estado con el tiempo

Exemple : Para modelar café con leche: x = [T, C] donde T es temperatura y C es concentración de azúcar

Ecuaciones de Lorenz: El modelo clásico del caos

El sistema de Lorenz como ejemplo fundamental de dinámica no lineal con atractores extraños

Ecuaciones de Lorenz law

{\begin{matrix} \frac{d x}{d t} = σ (y - x) \\ \frac{d y}{d t} = x (ρ - z) - y \\ \frac{d z}{d t} = x y - β z \end{matrix}

Symbole	Signification	Unité
`x`	componente horizontal de convección Proporcional a la velocidad del fluido
`y`	componente vertical de convección Diferencia de temperatura entre corrientes ascendentes y descendentes
`z`	desviación de la temperatura lineal No linealidad en la transferencia de calor
`\sigma`	número de Prandtl Para agua: $σ$ ≈ 10; para café: $σ$ ≈ 7
`\rho`	número de Rayleigh Mide la inestabilidad térmica. Para café: $ρ$ ≈ 28
`\beta`	factor geométrico $β$ = 8/3 para recipientes rectangulares

Exemple : Con $σ$ =10, $ρ$ =28, $β$ =8/3, el sistema muestra comportamiento caótico típico (atractor de Lorenz)

Parámetro de control para caos en Lorenz approximation

ρ > ρ_{c} = \frac{σ (σ + β + 3)}{σ - β - 1}

Symbole	Signification	Unité
`\rho_c`	valor crítico de Rayleigh Para $σ$ =10, $β$ =8/3: $ρ$ _c ≈ 24.74

Exemple : En una taza de café caliente, $ρ$ ≈ 30 > 24.74 → comportamiento caótico garantizado

Exponente de Lyapunov máximo (λ_max) definition

\lambda_{\text{max}} = \lim_{t \to \\[infty\]} \frac{1}{t} \ln \left| \frac{\\delta(t)}{\\delta(0)} \right| ParseError: Extra } at position 46: … \to \\[infty\]}̲ \frac{1}{t} \l…

Formes alternatives

$δ (t) = δ (0) e^{λ_{max} t}$ — Solución de la divergencia exponencial

Symbole	Signification	Unité
`\lambda_{\text{max}}`	exponente de Lyapunov máximo Si λ_max > 0: sistema caótico; λ_max < 0: sistema estable	s^{-1}
`\delta(t)`	separación entre trayectorias Depende del sistema (distancia en espacio de fases)	m o °C
`\delta(0)`	separación inicial Diferencia mínima detectable	m o °C

Dimensions : ${[T]}^{- 1}$

Exemple : En café: δ(0)=0.01 °C, δ(60s)=0.1 °C → λ_max ≈ 0.038 s⁻¹ (caótico moderado)

Modelado de la temperatura del café

Ecuaciones diferenciales para describir cómo se enfría tu café en condiciones reales

Ley de enfriamiento de Newton (lineal) law

\frac{d T}{d t} = - k (T - T_{ambiente})

Formes alternatives

$T (t) = T_{ambiente} + (T_{0} - T_{ambiente}) e^{- k t}$ — Solución analítica para enfriamiento lineal

Symbole	Signification	Unité
`T`	temperatura del café Temperatura medida en la superficie del líquido	°C
`T_{\text{ambiente}}`	temperatura ambiente En Caracas: ~28 °C; en Mérida: ~18 °C	°C
`k`	constante de enfriamiento Depende de la superficie, material de la taza y convección	s^{-1}

Dimensions : ${[T]}^{- 1}$

Exemple : Café a 80 °C en taza de cerámica en Caracas ( $T_{a} m b$ =28 °C): k ≈ 0.005 s⁻¹ → T(10 min) ≈ 52 °C

Modelo no lineal con evaporación law

\frac{d T}{d t} = - k_{1} (T - T_{amb}) - k_{2} P_{sat} (T)

Symbole	Signification	Unité
`k_1`	constante de convección Similar a k en el modelo lineal	s^{-1}
`k_2`	constante de evaporación Depende de la humedad relativa (en Caracas: ~70%)	°C^{-1}s^{-1}
`P_{\text{sat}}(T)`	presión de saturación del vapor de agua Función no lineal de T: $P_{s} a t$ (T) = 610.78 $e^{17.27 T / (T + 237.3)}$ Pa	Pa

Dimensions : ${[T]}^{- 1}$

Exemple : Para café a 80 °C en Caracas: k₁=0.005 s⁻¹, k₂=0.0002 °C⁻¹s⁻¹ → Enfriamiento acelerado por evaporación

Tiempo de enfriamiento característico definition

τ = \frac{1}{k_{1} + k_{2} \frac{d P_{sat}}{d T} |_{T = T_{0}}}

Symbole	Signification	Unité
`\tau`	tiempo de relajación Tiempo para que el sistema reduzca su desviación en un factor e	s

Dimensions : $[T]$

Exemple : Para café en Caracas: τ ≈ 180 s (3 minutos) → En 15 min (5τ) el café alcanza ~35 °C

Solución numérica (método de Euler) approximation

T_{n + 1} = T_{n} + Δ t [- k_{1} (T_{n} - T_{amb}) - k_{2} P_{sat} (T_{n})]

Formes alternatives

$T_{n + 1} = T_{n} + Δ t \cdot f (T_{n})$ — Forma general para cualquier ecuación diferencial

Symbole	Signification	Unité
`T_n`	temperatura en el paso n Temperatura discretizada en intervalos Δt	°C
`\Delta t`	paso de tiempo Usualmente Δt = 1-5 s para precisión	s

Dimensions : $[T]$

Exemple : Con Δt=1 s, T₀=80 °C, $T_{a} m b$ =28 °C, k₁=0.005 s⁻¹, k₂=0.0002 °C⁻¹s⁻1 → T₁ ≈ 79.8 °C

Atractores y caos en sistemas reales

Cómo identificar y caracterizar el caos en fenómenos cotidianos usando atractores extraños

Dimensión de correlación (D_2) definition

D_{2} = \lim_{r \to 0} \frac{\ln C (r)}{\ln r}

Symbole	Signification	Unité
`D_2`	dimensión de correlación $D_{2}$ ≈ 2.06 para el atractor de Lorenz; $D_{2}$ < 3 indica estructura fractal
`C(r)`	función de correlación C(r) = (2/N(N-1)) Σ_{i<j} Θ(r - \| $x_{i}$ - $x_{j}$ \|)
`r`	radio de vecindad Escala de observación	m o °C

Exemple : Para datos de temperatura de café cada 0.5 s: D₂ ≈ 1.8 → Sistema con estructura caótica

Entropía de Kolmogorov-Sinai (K) definition

K = \sum_{i} λ_{i}^{+}

Symbole	Signification	Unité
`K`	entropía de Kolmogorov-Sinai Mide la tasa de pérdida de información. K > 0 indica caos determinista	bit/s
`\lambda_i^+`	exponentes de Lyapunov positivos Solo se suman los λ_i > 0	s^{-1}

Dimensions : ${[T]}^{- 1}$

Exemple : Para Lorenz con σ=10, ρ=28, β=8/3: K ≈ 0.9056 bits/s → Caos fuerte

Criterio de Kaplan-Yorke theorem

D_{KY} = j + \frac{\sum_{i=1}^j \lambda_i}{|\[lambda_{j+1}\]|} \quad \text{con} \quad \sum_{i=1}^{j+1} \lambda_i < 0 < \sum_{i=1}^j \lambda_i ParseError: Can't use function '\]' in math mode at position 59: …|\[lambda_{j+1}\̲]̲|} \quad \text{…

Symbole	Signification	Unité
`D_{KY}`	dimensión de Kaplan-Yorke Estima la dimensión fractal del atractor. Para Lorenz: $D_{K} Y$ ≈ 2.06
`j`	número de exponentes positivos Para Lorenz: j=2

Exemple : Con λ₁=0.9056, λ₂=0, λ₃=-14.57 → $D_{K} Y$ ≈ 2.06 (atractor extraño en 3D)

Reconstrucción del espacio de fases (método de retrasos) definition

Y (t) = [x (t), x (t + τ), x (t + 2 τ), \dots, x (t + (m - 1) τ)]

Symbole	Signification	Unité
`Y(t)`	punto en el espacio de fases reconstruido Vector de m dimensiones que representa el estado del sistema
`\tau`	tiempo de retraso Usualmente τ ≈ 10-20% del tiempo de autocorrelación	s
`m`	dimensión de inmersión m ≥ 2D + 1 donde D es la dimensión fractal

Exemple : Para datos de café cada 0.5 s: τ=2 s, m=3 → Espacio de fases 3D que muestra el atractor

Aplicaciones en la vida diaria (Venezuela)

Ejemplos concretos de caos en fenómenos venezolanos usando datos locales

Tiempo de vuelo Caracas-Mérida (caos en tráfico aéreo) approximation

t_{vuelo} = \frac{d}{v} + t_{espera}

Symbole	Signification	Unité
`d`	distancia aérea Caracas-Mérida: d ≈ 400 km	km
`v`	velocidad del avión Avión comercial: v ≈ 500 km/h	km/h
`t_{\text{espera}}`	tiempo de espera en aeropuerto En Maiquetía: $t_{e} s p e r a$ ≈ 30-90 min por caos en operaciones	min

Dimensions : $[T]$

Exemple : Con d=400 km, v=500 km/h, $t_{e} s p e r a$ =60 min → $t_{v} u e l o$ ≈ 1 h 48 min (pero puede variar ±20 min por caos)

Precio del café en Caracas (caos en mercados informales) law

P (t) = P_{0} e^{r t} + ϵ (t)

Symbole	Signification	Unité
`P(t)`	precio del café en el tiempo t En 2023: P₀ ≈ 500 VES por taza	VES
`r`	tasa de inflación mensual En 2023: r ≈ 0.15 (15% mensual)	mes^{-1}
`\epsilon(t)`	perturbación aleatoria Por ejemplo, escasez de granos o protestas	VES

Dimensions : $[M]$

Exemple : Con P₀=500 VES, r=0.15, t=3 meses → P(3) ≈ 760 VES (pero puede ser 600-900 VES por ε(t))

Tiempo de llegada del transporte público en Barquisimeto law

t_{llegada} = t_{programado} + δ t

Symbole	Signification	Unité
`t_{\text{programado}}`	tiempo de llegada teórico Ej. cada 15 min en ruta	min
`\delta t`	desviación por caos urbano \|δt\| puede ser hasta 100% de $t_{p} r o g r a m a d o$ por tráfico o protestas	min

Dimensions : $[T]$

Exemple : Con $t_{p} r o g r a m a d o$ =15 min → $t_{l} l e g a d a$ puede ser 7-30 min por caos en Barquisimeto

Costo de energía eléctrica en Valencia (caos en facturación) law

C = P \cdot t \cdot r_{kWh} + C_{multa}

Symbole	Signification	Unité
`C`	costo mensual de electricidad En 2023: $r_{k} W h$ ≈ 0.0005 VES/kWh (subsidiado)	VES
`P`	potencia del electrodoméstico Ej. nevera: P ≈ 0.3 kW	kW
`t`	tiempo de uso mensual Ej. nevera: t ≈ 720 h/mes	h
`C_{\text{multa}}`	multa por sobreconsumo Puede ser hasta 1000% del costo normal por caos en facturación	VES

Dimensions : $[M]$

Exemple : Con P=0.3 kW, t=720 h, $r_{k} W h$ =0.0005 VES/kWh → C ≈ 108 VES (pero puede ser 200-500 VES por multas caóticas)

Herramientas para analizar caos

Fórmulas y métodos prácticos para estudiar sistemas caóticos en el laboratorio o en casa

Número de puntos necesarios para reconstrucción approximation

N > 10^{2 + 0.4 D_{2}}

Symbole	Signification	Unité
`N`	número de puntos de datos Para D₂=2: N > 400 puntos
`D_2`	dimensión de correlación Estimada previamente

Exemple : Para analizar café: N=1000 puntos (2.5 min a 400 Hz) es suficiente para D₂≈1.8

Frecuencia de muestreo mínima approximation

f_{s} > 10 f_{max}

Symbole	Signification	Unité
`f_s`	frecuencia de muestreo Para evitar aliasing	Hz
`f_{\text{max}}`	frecuencia máxima del sistema Para café: $f_{m} a x$ ≈ 10 Hz (por evaporación)	Hz

Dimensions : ${[T]}^{- 1}$

Exemple : Para café: $f_{s}$ > 100 Hz → Muestreo cada 0.01 s (100 puntos por segundo)

Precisión requerida en mediciones approximation

δ x < \frac{Δ x}{e^{λ_{max} T}}

Symbole	Signification	Unité
`\delta x`	incertidumbre en la medición Depende de la variable medida	°C o m
`\Delta x`	escala del sistema Ej. para café: Δx ≈ 50 °C	°C o m
`T`	tiempo de predicción Ej. T=60 s para predecir enfriamiento	s

Dimensions : $[L] o [Θ]$

Exemple : Con λ_max=0.04 s⁻¹, T=60 s, Δx=50 °C → δx < 0.1 °C (precisión de termómetro digital)

Cálculo del exponente de Lyapunov (método de Wolf) definition

λ = \frac{1}{M Δ t} \sum_{i = 1}^{M} \ln | \frac{d e l t a_{i} (Δ t)}{d e l t a_{i} (0)} |

Symbole	Signification	Unité
`M`	número de intervalos M ≈ 100-1000 para buena estadística
`\Delta t`	intervalo de tiempo Usualmente Δt ≈ 1-5 s	s

Dimensions : ${[T]}^{- 1}$

Exemple : Con M=200, Δt=1 s, δ_i(0)=0.01, δ_i(1)=0.0105 → λ ≈ 0.049 s⁻¹ (caótico)

Conceptos básicos de caos y dinámica no lineal

Ecuaciones de Lorenz: El modelo clásico del caos

Modelado de la temperatura del café

Atractores y caos en sistemas reales

Aplicaciones en la vida diaria (Venezuela)

Herramientas para analizar caos

Fuentes