- Perez-Diukina, Cristina|||0009-0001-2218-7123
[ES] Muchos modelos matemáticos intentan describir la dinámica de fenómenos físicos mediante ecuaciones diferenciales. La comunidad científica reconoce que estos modelos son herramientas poderosas para estudiar problemas complejos. Sin embargo, al aplicarlos a situaciones reales, es fundamental considerar la incertidumbre. Esta puede originarse por el propio desconocimiento de todos los factores que determinan la dinámica del proceso debido a la complejidad del mismo o a los errores de medición que producen al tomar las muestras que se necesistan para usar dichos modelos en escenarios prácticos. Desde esta perspectiva, en el contexto de las ecuaciones diferenciales, se distinguen dos enfoques principales: las Ecuaciones Diferenciales Estocásticas (EDEs) y las Ecuaciones Diferenciales Aleatorias (EDAs). En las EDEs, la incertidumbre se introduce directamente en la ecuación mediante un proceso estocástico. Este proceso, llamado ruido, suele ser de tipo Gaussiano, como el ruido blanco. Por otro lado, las EDAs consideran la aleatorización directa de la correspondiente ecuación diferencial determinista. En este caso, los datos del modelo, es decir, las condiciones iniciales, los términos fuente y/o los parámetros del modelo son tratados como variables aleatorias o procesos estocásticos. A diferencia de las EDEs, en las EDAs no se asume un patrón probabilista en la formulación de la ecuación diferencial. Es por ello que el enfoque basado en EDAs permite una mayor flexibilidad en el tratamiento de la incertidumbre. Las distribuciones de los datos del modelo se determinan a partir de los datos observados cuya dinámica (Cuantificación de la Incertidumbre) se quiere capturar. No obstante, para aplicar de forma rigurosa la teoría de las EDAs es necesario suponer cierta regularidad en su formulación, como la continuidad (o continuidad a trozos) de sus inputs. En modelos de crecimiento, esta suposición es razonable, ya que los cambios suelen ocurrir de manera gradual, si bien, patrones de crecimiento con cambios repentinos -con saltos puntuales-, también pueden tratarse mediante EDAs como se ilustra a lo largo de esta tesis. Esta tesis presenta un estudio exhaustivo de los procesos de crecimiento aleatorio e introduce múltiples modelos de crecimiento basados en EDAs. Cada modelo se calibra utilizando datos reales o sintéticos para garantizar una representación realista. Además, el trabajo evalúa diversas metodologías de calibración que incorporan aleatoriedad, incluyendo la Optimización por Enjambre de Partículas (PSO), el Principio de Máxima Entropía (PME) y el Método de los Momentos (MOM). Se exploran en profundidad tanto las aplicaciones analíticas como computacionales de las EDAs. Este trabajo también busca ampliar el alcance de las EDAs al extender su aplicabilidad más allá de trayectorias continuas, incorporando saltos aleatorios, los cuales son herramientas fundamentales para modelar fenómenos del mundo real caracterizados por cambios abruptos e impredecibles. Al permitir dinámicas discontinuas, este enfoque proporciona un marco más completo para capturar escenarios donde ocurren cambios súbitos, como la administración de múltiples dosis de un fármaco en farmacocinética, donde la concentración de una sustancia en el cuerpo experimenta aumentos bruscos en intervalos específicos, o los impactos ambientales que afectan significativamente a los sistemas biológicos o ecológicos, como la influencia de los aleloquímicos. Además, esta investigación profundiza en la modelización de sistemas con dominios aleatorios, donde la periodicidad de una función de entrada es incierta, introduciendo así un nivel adicional de complejidad y realismo. Esto es especialmente relevante en contextos donde las condiciones externas o las restricciones evolucionan de manera impredecible a lo largo del tiempo, como en el caso del movimiento de células dentro de un fotobiorreactor., [CA] Molts models matemàtics intenten descriure la dinàmica de fenòmens físics mitjançant equacions diferencials. La comunitat científica reconeix que aquests models són eines poderoses per a l'estudi de problemes complexos. Tanmateix, a l'hora d'aplicar-los a situacions reals, és fonamental tenir en compte la incertesa. Aquesta pot originar-se pel propi desconeixement de tots els factors que determinen la dinàmica del procés a causa de la seua complexitat, o bé pels errors de mesura que es produeixen en prendre les mostres necessàries per utilitzar aquests models en escenaris pràctics. Des d'aquesta perspectiva, en el context de les equacions diferencials, es distingeixen dos enfocaments principals: les Equacions Diferencials Estocàstiques (EDEs) i les Equacions Diferencials Aleatòries (EDAs). En les EDEs, la incertesa s'introdueix directament en l'equació mitjançant un procés estocàstic. Aquest procés, anomenat soroll, sol ser de tipus gaussià, com el soroll blanc. D'altra banda, les EDAs consideren l'aleatorització directa de l'equació diferencial determinista corresponent. En aquest cas, les dades del model, és a dir, les condicions inicials, els termes font i/o els paràmetres del model, es tracten com a variables aleatòries o processos estocàstics. A diferència de les EDEs, en les EDAs no s'assumeix des del principi un patró probabilístic en la formulació de l'equació diferencial. És per això que l'enfocament basat en EDAs permet una major flexibilitat en el tractament de la incertesa. Les distribucions de les dades del model es determinen a partir de les dades observades la dinàmica de les quals (Quantificació de la Incertesa) es vol capturar. No obstant això, per tal d'aplicar de manera rigorosa la teoria de les EDAs, cal suposar certa regularitat en la seua formulació, com ara la continuïtat (o continuïtat a trossos) dels seus \textit{inputs}. En models de creixement, aquesta suposició és raonable, ja que els canvis solen produir-se de manera gradual; si bé, patrons de creixement amb canvis sobtats amb salts puntuals també es poden tractar mitjançant EDAs, com s'il·lustra al llarg d'aquesta tesi. Aquesta tesi presenta un estudi exhaustiu dels processos de creixement aleatori i introdueix múltiples models de creixement basats en EDAs. Cada model es calibra utilitzant dades reals o sintètiques per garantir una representació realista. A més, el treball avalua diverses metodologies de calibració que incorporen aleatorietat, incloent-hi l'Optimització per Eixams de Partícules (usualment denotat per les seues sigles en anglés, PSO), el Principi de Màxima Entropia (PME) i el Mètode dels Moments (MOM). S'exploren en profunditat tant les aplicacions analítiques com les computacionals de les EDAs. Aquest treball també busca ampliar l'abast de les EDAs estenent la seua aplicabilitat més enllà de trajectòries contínues per incorporar salts aleatoris, els quals són eines fonamentals per modelar fenòmens del món real caracteritzats per canvis sobtats i imprevisibles. En permetre dinàmiques discontínues, aquest enfocament proporciona un marc més complet per capturar escenaris on es produeixen canvis bruscs, com l'administració de múltiples dosis d'un fàrmac en farmacocinètica, on la concentració d'una substància en el cos experimenta augments bruscos en intervals específics, o els impactes ambientals que afecten significativament els sistemes biològics o ecològics, com la influència dels aleloquímics. A més, aquesta investigació aprofundeix en la modelització de sistemes amb dominis aleatoris, on la periodicitat d'una funció d'entrada és incerta, introduint així un nivell addicional de complexitat i realisme. Això és especialment rellevant en contextos on les condicions externes o les restriccions evolucionen de manera imprevisible al llarg del temps, com en el cas del moviment de cèl·lules dins d'un fotobioreactor., [EN] Many mathematical models attempt to describe the dynamics of physical phenomena using differential equations. The scientific community acknowledges that these models are powerful tools for studying complex problems. However, when applying them to real situations, it is essential to consider uncertainty. This uncertainty may arise from the lack of knowledge of all the factors determining the process's dynamics due to its complexity or from measurement errors introduced when collecting the samples needed to use these models in practical scenarios. From this perspective, in the context of differential equations, two main approaches can be distinguished: Stochastic Differential Equations (SDEs) and Random Differential Equations (RDEs). In SDEs, uncertainty is introduced directly into the equation through a stochastic process. This process, referred to as noise, is often Gaussian in nature, such as white noise. On the other hand, RDEs consider the direct randomization of the corresponding deterministic differential equation. In this case, the model data i.e., initial conditions, source terms, and/or model parameters are treated as random variables or stochastic processes. Unlike SDEs, RDEs do not assume a probabilistic pattern in the formulation of the differential equation. For this reason, the RDE-based approach offers greater flexibility in handling uncertainty. The distributions of the model data are determined from the observed data whose dynamics (Uncertainty Quantification) one seeks to capture. Nevertheless, to rigorously apply RDE theory, it is necessary to assume a certain regularity in its formulation, such as continuity (or piecewise continuity) of its inputs. In growth models, this assumption is reasonable, since changes typically occur gradually; however, growth patterns with sudden changes characterized by discrete jumps can also be addressed through RDEs, as illustrated throughout this thesis. This work also aims to broaden the scope of RDEs by extending their applicability beyond continuous trajectories to incorporate random jumps, which serve as a critical tool for modeling real-world phenomena characterized by abrupt and unpredictable changes. By allowing for discontinuous dynamics, this approach provides a more comprehensive framework for capturing scenarios where sudden shifts occur, such as the administration of multiple doses of a drug in pharmacokinetics, where the concentration of a substance in the body experiences sharp increases at specific intervals, or environmental shocks that significantly influence biological or ecological systems, such as the influence of allelochemicals. Furthermore, this research delves into the modeling of systems with random domains, where the periodicity of an input function is itself uncertain, introducing an additional layer of complexity and realism. This is particularly relevant in contexts where external conditions or constraints evolve unpredictably over time, such as the movement of cells in a photobioreactor., Cristina Luisovna Pérez has been awarded an FPU21/02343 grant as well as EST/00567 from the Ministry of Universities. This work has been supported by the research project grant PID2020-115270GB–I00 granted by the research project MCIN/AEI/10.13039/501100011033. This work has been supported by the research project CIGE/2023/79 (Generalitat Valenciana)