Si x(t) se muestrea a frecuencia fs (paso h=1/fs), las frecuencias representables sin ambiguedad cumplen |f|
4.6 Ventanas y leakage espectral (fuga)
Analizar con ventanas finitas equivale a multiplicar x(t) por una ventana w(t). En frecuencia se produce una convolucion X_w = X * W. Si la ventana es rectangular, sus lóbulos laterales son altos y aparece fuga de energia a frecuencias vecinas. Ventanas como Hanning, Hamming o Blackman reducen lóbulos laterales a costa de ensanchar el lóbulo principal. La eleccion depende del compromiso entre resolucion y fuga.
4.7 FFT, resolucion y filtrado lineal
La FFT computa la transformada discreta en O(N log N). La resolucion en frecuencia es delta_f = fs/N para N muestras. Filtros lineales LTI se describen por su respuesta en frecuencia H(f); la salida cumple Y(f)=H(f)X(f). En tiempo discreto se implementan mediante convolucion con la respuesta al impulso o via multiplicacion en frecuencia. La estabilidad y el retardo de grupo deben considerarse en aplicaciones de sincronizacion y fase.
4.8 Ejercicios del capítulo
1) Descompone en serie de Fourier una onda triangular y estima el decaimiento de los armónicos. 2) Para una senoidal x(t)=A*cos(2*pi*f0*t+phi), calcula X(f) e identifica las lineas en f=±f0. 3) Muestra cómo el uso de ventana rectangular vs Hanning afecta el leakage en un tono puro desalineado con los bins de la FFT. 4) Diseña un esquema de muestreo para medir hasta 300 Hz sin aliasing e indica el filtro antialias sugerido. 5) Propón un filtro pasa-banda en frecuencia para aislar un modo de oscilación y discute su impacto sobre amplitud y fase.
Capítulo 5 – Sistemas dinámicos discretos y mapas del giro
En este capítulo se estudian modelos de tiempo discreto donde la evolución del estado se da mediante iteraciones. Estos sistemas permiten analizar estabilidad, bifurcaciones y caos con herramientas matemáticas simples. El giro aparece en la iteración angular y en la periodicidad emergente de los mapas.
5.1 Definición de mapa discreto
Un sistema dinámico discreto se define como x_{n+1} = f(x_n), donde x_n es el estado en el paso n. El análisis se centra en los puntos fijos (x* = f(x*)) y en sus propiedades de estabilidad. Estos modelos son la base para estudiar poblaciones, economías simplificadas y osciladores digitales.
5.2 Estabilidad de puntos fijos
Un punto fijo x* es estable si pequeñas perturbaciones tienden a desaparecer. La condición típica es |f'(x*)| < 1. Si |f'(x*)| > 1, el punto fijo es inestable y la órbita diverge hacia otro régimen. Esta regla es el análogo discreto a la estabilidad lineal en ecuaciones diferenciales.
5.3 Mapa logístico
El mapa logístico se define como x_{n+1} = r x_n (1 - x_n), con r parámetro de control. Para valores bajos de r, la población converge a un punto estable; al aumentar r aparecen ciclos de periodo 2, 4, 8, hasta caos. Este modelo ilustra cómo surge complejidad a partir de una ecuación simple.
5.4 Bifurcaciones y diagrama de Feigenbaum
Al variar r en el mapa logístico se observan transiciones llamadas bifurcaciones: el número de estados periódicos se duplica en cascada. El diagrama de bifurcaciones muestra el destino de x_n para muchos valores de r y revela la universalidad de la constante de Feigenbaum (delta ≈ 4.669).
5.5 Mapas angulares y giro discreto
El mapa angular más simple es theta_{n+1} = theta_n + omega (mod 2 pi). Si omega es racional (p/q), la órbita es periódica con q estados; si es irracional, nunca se repite y llena densamente el círculo. Este modelo conecta los números irracionales con la noción de giro cuasi-periódico.
5.6 Caos y sensibilidad a condiciones iniciales
Un sistema es caótico si muestra: 1) sensibilidad a condiciones iniciales, 2) mezcla topológica, y 3) densidad de órbitas periódicas. En mapas como el logístico con r>3.57, dos trayectorias con diferencias minúsculas se separan exponencialmente, haciendo imposible predecir el futuro a largo plazo.
5.7 Mapas bidimensionales: Hénon y rotaciones no lineales
El mapa de Hénon es un ejemplo bidimensional: x_{n+1}=1 - a x_n^2 + y_n, y_{n+1}=b x_n. Para ciertos valores de a y b, las órbitas forman atractores extraños con geometría fractal. Estos modelos muestran cómo la combinación de contracción y giro no lineal genera estructuras complejas.
5.8 Ejercicios del capítulo
1) Para f(x)=cos(x), determina numéricamente los puntos fijos y discute su estabilidad. 2) Simula el mapa logístico para r=2.5, 3.2, 3.5 y 3.8, y describe el comportamiento. 3) Construye el diagrama de bifurcaciones del mapa logístico para r en [2.5,4]. 4) Implementa el mapa angular con omega = sqrt(2) y muéstralo en el círculo. 5) Estudia el mapa de Hénon con a=1.4, b=0.3 y grafica su atractor.
Capítulo 6 – Metaestabilidad y transiciones discretas
Este capítulo estudia cómo en sistemas discretos y continuos aparecen estados temporales de aparente estabilidad (metaestables) antes de transiciones a otros regímenes. La metaestabilidad se observa en física, biología y dinámica social, y conecta la noción de giro con cambios abruptos de fase.
6.1 Definición de metaestabilidad
Un estado metaestable es aquel que parece estable durante un tiempo finito, pero eventualmente transiciona a otro régimen. Matemáticamente, decimos que un conjunto S es metaestable si la probabilidad de permanecer en S es alta durante un intervalo [0,Tm], pero luego decae hacia cero. Esta noción se aplica a partículas en pozos de potencial, a neuronas cercanas al umbral y a sistemas sociales en equilibrio aparente.
6.2 Metaestabilidad en pozos de potencial
En física, una partícula en un potencial doble (dos valles separados por una barrera) puede quedar atrapada en un valle durante mucho tiempo antes de cruzar al otro. El tiempo de permanencia depende de la altura de la barrera y del nivel de ruido o fluctuaciones. Este ejemplo ilustra cómo la estabilidad aparente es transitoria y gobernada por probabilidades de escape.
6.3 Metaestabilidad en dinámica discreta
En mapas iterativos como el logístico, al variar el parámetro de control se observan ventanas periódicas dentro del régimen caótico. Estas ventanas son metaestables: durante un número grande de iteraciones el sistema parece periódico, pero pequeñas perturbaciones o cambios de r lo devuelven al caos.
6.4 Transiciones de fase y umbrales
La metaestabilidad suele terminar en una transición de fase: el cruce de un umbral que reorganiza el régimen. Ejemplo: en osciladores acoplados, cuando el acoplamiento supera un valor crítico, el estado metaestable sincrónico parcial se convierte en sincronía global. Estos umbrales son puntos críticos donde pequeñas variaciones producen grandes cambios.
6.5 Medición del tiempo de permanencia
Una forma de cuantificar metaestabilidad es medir el tiempo promedio que un sistema pasa en un estado antes de transicionar. Este tiempo Tm puede modelarse como Tm ≈ exp(ΔU/D), donde ΔU es la altura de la barrera y D la intensidad del ruido. En sistemas discretos, se estima contando el número de iteraciones en que la órbita permanece en un dominio antes de escapar.
6.6 Metaestabilidad en biología y cognición
En neurociencia, redes neuronales muestran metaestabilidad cuando sostienen patrones de actividad por segundos antes de reorganizarse. En cognición, la atención puede permanecer en un foco de forma transitoria y luego saltar a otro. Estas dinámicas se explican con el mismo marco matemático de pozos y escapes, ahora aplicado a la mente y la percepción.
6.7 Indicadores matemáticos de metaestabilidad
Para detectar metaestabilidad se usan: 1) distribuciones de tiempos de permanencia con colas largas, 2) correlaciones temporales persistentes, 3) espectros de Lyapunov que cambian de signo en ventanas finitas, y 4) medidas de coherencia temporal (H). Estos indicadores permiten distinguir estabilidad genuina de aparente.
6.8 Ejercicios del capítulo
1) Simula una partícula en un potencial doble y mide el tiempo promedio antes de escape. 2) Explora el mapa logístico para r=3.82 y observa ventanas periódicas metaestables. 3) En un conjunto de osciladores acoplados, identifica el umbral donde se pasa de sincronía parcial a global. 4) Discute un ejemplo de metaestabilidad en biología o sociedad (p. ej., una colonia de bacterias o un sistema político). 5) Diseña un indicador simple para medir tiempos de permanencia en tu simulación.
Capítulo 7 – Coherencia global y sincronización avanzada
Este capítulo explora cómo múltiples sistemas en interacción —osciladores, fases, redes de agentes— pueden alcanzar estados de coherencia colectiva. Se estudian parámetros de orden global, el modelo de Kuramoto, sincronización parcial y completa, efectos del ruido y de la topología de red, así como aplicaciones en física, biología y sociología.
7.1 Parámetro de orden global
Para N osciladores con fases θ_k, la coherencia se mide mediante el parámetro de orden:
$$
R e^{i\Psi} = \frac{1}{N}\sum_{k=1}^N e^{i \theta_k}, \qquad R \in [0,1].
$$
Si R ≈ 0, las fases están desordenadas; si R ≈ 1, el sistema está sincronizado. Este parámetro se interpreta en RUAGAK como medida de coherencia rotacional global.
7.2 Modelo de Kuramoto
El modelo de Kuramoto describe N osciladores acoplados con ecuación:
$$
\dot{\theta}_i = \omega_i + \frac{K}{N} \sum_{j=1}^N \sin(\theta_j - \theta_i).
$$
Aquí ω_i son las frecuencias naturales y K la intensidad de acoplamiento. A medida que K aumenta, el sistema transita de desorden a sincronía parcial y finalmente a sincronía global. Este modelo es análogo a presentes relativos que se alinean bajo acoplamiento suficiente.
7.3 Umbral de sincronización
En distribuciones simétricas unimodales de frecuencias g(ω), existe un umbral crítico:
$$
K_c = \frac{2}{\pi g(0)}.
$$
Cuando K > K_c, un subconjunto de osciladores se sincroniza (R > 0). Esta transición se interpreta como un cambio de fase: un paso desde un régimen caótico hacia uno ordenado. El cálculo del umbral es central para predecir cuándo emerge coherencia.
7.4 Sincronización parcial y completa
En la práctica, no todos los osciladores alcanzan sincronía. Cuando R toma valores intermedios (0 < R < 1), el sistema está en sincronización parcial: un grupo coherente coexiste con fases dispersas. La sincronización completa ocurre cuando casi todos los osciladores convergen en fase, alcanzando R ≈ 1. Este fenómeno se observa en redes neuronales, en láseres y en movimientos colectivos.
7.5 Efecto del ruido en la sincronización
El ruido puede tener efectos opuestos en la sincronización. Un ruido fuerte tiende a desordenar fases y reducir R. Sin embargo, en ciertos regímenes, el ruido puede inducir sincronía estocástica (stochastic resonance), donde pequeñas fluctuaciones favorecen la coherencia global. Este fenómeno ilustra la metaestabilidad entre orden y desorden.
7.6 Redes heterogéneas y topología
La topología de la red de acoplamientos influye fuertemente en la sincronización. En una red completa, todos los nodos interactúan igualmente; en redes locales o complejas, la estructura condiciona el patrón de coherencia. La ecuación generalizada es:
$$
\dot{\theta}_i = \omega_i + \sum_{j=1}^N K_{ij} A_{ij} \sin(\theta_j - \theta_i),
$$
con matriz de adyacencia A_{ij}. Ejemplo: en el cerebro, la sincronía se organiza según conectomas específicos.
7.7 Medidas complementarias de coherencia
Además del parámetro global R, se utilizan métricas como:
1) **Phase Locking Value (PLV):** medida de acoplamiento entre pares de osciladores.
2) **Entropía de fase:** mide la dispersión de las fases.
3) **Coherencia espectral:** correlación en el dominio de la frecuencia.
Estas métricas ofrecen una visión más granular de la sincronía en sistemas heterogéneos.
7.8 Ejercicios del capítulo
1) Simula el modelo de Kuramoto con N=50 y distribuciones de ω estrechas y anchas; observa R(t). 2) Calcula el umbral Kc para una distribución uniforme en [-1,1]. 3) Implementa un modelo con ruido gaussiano y analiza el efecto sobre R. 4) Compara la sincronización en una red completa y en una red en anillo. 5) Discute un ejemplo real de sincronización colectiva (p. ej., luciérnagas, aplausos, osciladores electrónicos).
Capítulo 8 – Aplicaciones integradoras y RUAGAK
En este capítulo se muestran aplicaciones prácticas de los conceptos desarrollados: desde péndulos y osciladores eléctricos hasta el análisis de señales digitales y sincronía biológica. Se enfatiza la integración con la teoría RUAGAK: cada aplicación se interpreta como un presente relativo en el que el giro, la coherencia y la metaestabilidad se hacen observables.
8.1 Osciladores mecánicos y eléctricos
El modelo de oscilador armónico se aplica a péndulos, resortes y circuitos LC. En todos los casos, la ecuación base es:
$$
\ddot{x} + \omega_0^2 x = 0, qquad x(t) = A \cos(\omega_0 t + \phi).
$$
En RUAGAK, cada oscilación es un presente relativo que refleja la coherencia entre energía cinética y potencial.
8.2 Señales digitales y Fourier discreto
Una señal discreta x[n] puede expandirse en serie de Fourier discreta:
$$
x[n] = \frac{1}{N} \sum_{k=0}^{N-1} X[k] e^{i 2\pi kn/N},
$$
con coeficientes $X[k]$ obtenidos por transformada discreta de Fourier (DFT). Esto permite analizar la composición frecuencial de cualquier señal y conectar con la idea de presentes relativos en dominios temporales fragmentados.
8.3 Sincronía biológica y ritmos colectivos
Procesos biológicos como la respiración, el latido cardíaco o los ritmos circadianos se modelan como presentes relativos. La sincronía de luciérnagas o de neuronas se explica con dinámicas de Kuramoto y parámetros de orden global. En RUAGAK, estos ejemplos ilustran cómo la coherencia emerge espontáneamente en sistemas vivos.
8.4 Comunicaciones y modulación
Las ondas portadoras en comunicaciones se modelan como fasores. Una señal modulada en amplitud es:
$$
s(t) = (1 + m \cos(\omega_m t)) \cos(\omega_c t).
$$
La descomposición en Fourier muestra bandas laterales que codifican la información. En RUAGAK, esto se interpreta como presentes relativos acoplados entre portadora y modulante.
8.5 Coherencia cuántica y rotacional
En mecánica cuántica, un estado puede escribirse como superposición de giros en el espacio de Hilbert. La evolución unitaria:
$$
|\psi(t)\rangle = e^{-iHt/\hbar} |\psi(0)\rangle
$$
se interpreta en RUAGAK como giro en un espacio de presentes relativos. La coherencia se mide con la pureza del estado o con la entropía de von Neumann.
8.6 Metaestabilidad tecnológica
En sistemas tecnológicos como redes eléctricas o sincronía de osciladores en chips, se observan fases metaestables antes de colapso o sincronía completa. La matemática del giro permite modelar estas transiciones y anticipar fallos o reorganizaciones colectivas.
8.7 Integración con RUAGAK
Todos los ejemplos anteriores muestran cómo la matemática del giro conecta con RUAGAK:
1) Cada oscilación define un presente relativo.
2) La coherencia global se interpreta con parámetros de orden.
3) La metaestabilidad describe fases intermedias.
4) La adaptación de intervalos temporales se alinea con el tiempo fracturado de RUAGAK.
Este puente entre matemática, física y RUAGAK abre aplicaciones transdisciplinarias.
8.8 Ejercicios finales
1) Modela un oscilador LC y calcula su frecuencia natural.
2) Expande una señal discreta de 8 puntos en Fourier y representa sus coeficientes.
3) Estudia un ejemplo biológico de sincronía (luciérnagas, EEG) y discútelo con el modelo de Kuramoto.
4) Simula una señal AM y muestra su espectro.
5) Escribe la evolución de un estado cuántico simple bajo una Hamiltoniana diagonal y analiza su coherencia.
6) Discute un caso tecnológico donde la metaestabilidad sea crítica (p. ej., red eléctrica, sincronía de relojes).