Métodos para el análisis de programas probabilistas y no-deterministas utilizando probadores de teoremas. Methods for the analysis of probabilistic and nondeterministic programs using theorem provers.

La verificación y el análisis de programas con características probabilistas es una tarea necesaria del quehacer científico y tecnológico actual. El éxito y su posterior masificación de las implementaciones de protocolos de comunicación a nivel hardware y soluciones probabilistas a problemas distribuidos hacen más que interesante el uso de agentes estocásticos como elementos de programación. En muchos de estos casos el uso de agentes aleatorios produce soluciones mejores y más eficientes; en otros proveen soluciones donde es imposible encontrarlas por métodos tradicionales. Estos algoritmos se encuentran generalmente embebidos en múltiples mecanismos de hardware, por lo que un error en los mismos puede llegar a producir una multiplicación no deseada de sus efectos nocivos.Actualmente el mayor esfuerzo en el análisis de programas probabilísticos se lleva a cabo en el estudio y desarrollo de herramientas denominadas chequeadores de modelos probabilísticos. Las mismas, dado un modelo finito del sistema estocástico, obtienen de forma automática varias medidas de performance del mismo. Aunque esto puede ser bastante útil a la hora de verificar programas, para sistemas de uso general se hace necesario poder chequear especificaciones más completas que hacen a la corrección del algoritmo. Incluso sería interesante poder obtener automáticamente las propiedades del sistema, en forma de invariantes y contraejemplos.En este proyecto se pretende abordar el problema de análisis estático de programas probabilísticos mediante el uso de herramientas deductivas como probadores de teoremas y SMT solvers. Las mismas han mostrado su madurez y eficacia en atacar problemas de la programación tradicional. Con el fin de no perder automaticidad en los métodos, trabajaremos dentro del marco de "Interpretación Abstracta" el cual nos brinda un delineamiento para nuestro desarrollo teórico. Al mismo tiempo pondremos en práctica estos fundamentos mediante implementaciones concretas que utilicen aquellas herramientas.

Modelos Mixtos-Aditivos Generalizados para el Estudio de Fenómenos Biológicos y Sociales Descriptos por Datos Agregados y/o Longitudinales. Generalized Mixed Additive Models for the Study of Biological and Social Phenomenons from Longitudinal and/or Aggregated Data.

Este proyecto propone extender y generalizar los procesos de estimación e inferencia de modelos aditivos generalizados multivariados para variables aleatorias no gaussianas, que describen comportamientos de fenómenos biológicos y sociales y cuyas representaciones originan series longitudinales y datos agregados (clusters). Se genera teniendo como objeto para las aplicaciones inmediatas, el desarrollo de metodología de modelación para la comprensión de procesos biológicos, ambientales y sociales de las áreas de Salud y las Ciencias Sociales, la condicionan la presencia de fenómenos específicos, como el de las enfermedades.Es así que el plan que se propone intenta estrechar la relación entre la Matemática Aplicada, desde un enfoque bajo incertidumbre y las Ciencias Biológicas y Sociales, en general, generando nuevas herramientas para poder analizar y explicar muchos problemas sobre los cuales tienen cada vez mas información experimental y/o observacional.Se propone, en forma secuencial, comenzando por variables aleatorias discretas (Yi, con función de varianza menor que una potencia par del valor esperado E(Y)) generar una clase unificada de modelos aditivos (paramétricos y no paramétricos) generalizados, la cual contenga como casos particulares a los modelos lineales generalizados, no lineales generalizados, los aditivos generalizados, los de media marginales generalizados (enfoques GEE1 -Liang y Zeger, 1986- y GEE2 -Zhao y Prentice, 1990; Zeger y Qaqish, 1992; Yan y Fine, 2004), iniciando una conexión con los modelos lineales mixtos generalizados para variables latentes (GLLAMM, Skrondal y Rabe-Hesketh, 2004), partiendo de estructuras de datos correlacionados. Esto permitirá definir distribuciones condicionales de las respuestas, dadas las covariables y las variables latentes y estimar ecuaciones estructurales para las VL, incluyendo regresiones de VL sobre las covariables y regresiones de VL sobre otras VL y modelos específicos para considerar jerarquías de variación ya reconocidas. Cómo definir modelos que consideren estructuras espaciales o temporales, de manera tal que permitan la presencia de factores jerárquicos, fijos o aleatorios, medidos con error como es el caso de las situaciones que se presentan en las Ciencias Sociales y en Epidemiología, es un desafío a nivel estadístico. Se proyecta esa forma secuencial para la construcción de metodología tanto de estimación como de inferencia, comenzando con variables aleatorias Poisson y Bernoulli, incluyendo los existentes MLG, hasta los actuales modelos generalizados jerárquicos, conextando con los GLLAMM, partiendo de estructuras de datos correlacionados. Esta familia de modelos se generará para estructuras de variables/vectores, covariables y componentes aleatorios jerárquicos que describan fenómenos de las Ciencias Sociales y la Epidemiología.

REACCIONES ENZIMATICAS PARA LA OBTENCION DE ACEITES VEGETALES. DISEÑO DE UN EXTRUSOR REACTIVO.

IDENTIFICACION DEL PROBLEMA DE ESTUDIO: La extracción de aceite de soja, de contenido igual o menor al 20% en peso de materia seca, se realiza con solvente. El aceite se encuentra dentro de las células en organellas, por lo tanto las células de la semilla deben ser destruídas para que el aceite se encuentre disponible a la solubilización en el solvente. HIPOTESIS: En trabajos anteriores se ha demostrado que es posible aplicar una hidrólisis multienzimática sobre laminado de soja para aumentar el rendimiento de la extracción de aceite con hexano (Grasso, F. y col, 2002). Si esta operación es adecuada, el proceso puede aumentar la producción de aceite sin aumentar la capacidad de la planta. Utilizando un procedimiento de "extrusión reactiva", el reactor puede funcionar en forma continua con interacción completa de la solución enzimática y el laminado de soja, sin restricciones difusivas. En la convocatoria anterior del PID se desarrolló el plan de trabajo para llegar a la construcción del reactor. En esta convocatoria se plantea continuar con los estudios necesarios PLANTEO DE OBJETIVOS: Modelado y diseño de un Extrusor Reactivo Multienzimático de Tornillo Simple, adaptado a la línea de proceso convencional para la extracción de aceite de soja por solvente, para lograr aumento en el rendimiento de extracción sin modificar la capacidad instalada. MATERIALES Láminas de soja (Aceitera Bunge S. A.). Enzimas: alfa-amilasa, proteasa, celulasa, hemicelulasa, glucoamilasa y pectinasa (Enzyme Development Corporation - NY). Reómetro (Physica MCR 301-Anton Paar). Dispositivo para modelizado. Reactor. METODOS: Construcción de dispositivo para la simulación de la reacción multienzimática dentro del extrusor. Obtención de datos reológicos del material tratado. Modelado del comportamiento y comparación con las muestras sin enzimas. RESULTADOS ESPERADOS: Construcción del dispositivo para el pretratamiento multienzimático de laminado de soja para la extracción de aceite a escala de laboratorio y planteo del escalado industrial. IMPORTANCIA DEL PROYECTO: El aceite y harina de soja han evolucionado favorablemente, adquiriendo mayor importancia la obtención de aceite debido al impulso por la producción de biocombustible y la exportación a países como China, donde grandes empresas han firmado contratos por cantidades de 120mil Tn de aceite. Este tipo de reactor, permite la posibilidad de realizar una modificación química que pueda adaptarse a la línea de proceso ya existente. Se logra además mejorar aspectos operativos como la reducción en la cantidad de solvente utilizado, teniendo en cuenta los intentos actuales por prescindir del uso de estas sustancias, ahorro de energía y mejor calidad del producto final.