Se abordan dos problemas en el modelamiento de sistemas de parámetros distribuidos (SPDs) descritos por Ecuaciones Diferenciales Parciales (EDPs): 1) Modelamiento empírico de los SPDs mediante identificación paramétrica y consiste en la ubicación los sensores en el dominio espacial tal que se maximice la sensibilidad de la solución del modelo respecto a los parámetros a identificar. Para esto se encuentran las configuraciones que maximizan una función objetivo basada en la Matriz de Información de Fisher del sistema y que generan experimentos óptimos para la identificación de SPDs. 2) Aproximación de SPDs por modelos de orden reducido. En la simulación de SPDs descritos por EDPs, los modelos matemáticos son aproximados por medio métodos numéricos que generan sistemas de Ecuaciones Diferenciales Ordinarias de alto orden, los cuales son inútiles para propósitos de control y optimización en línea. Se redujo la alta dimensionalidad de estos sistemas mediante el uso de proyecciones tipo Galerkin en subespacios funcionales de orden reducido con bases ortogonales tipo POD (Proper Orthogonal Decomposition), Finalmente, se integran las dos metodologías para resolver un problema general de la teoría de control, relacionada con la ubicación óptima de sensores para estimación de estados basado en modelos de orden reducido / Abstract: Two different problems in modeling of distributed parameter systems (DPSs) described by partial differential equations (PDEs) were approached. 1) Parametric identification of DPSs that consist on how to locate a discrete number of sensors such that the sensitivity function of the model response respect to the unknown parameters is maximized. The optimum configurations that maximize a cost function based on the Fisher Information Matrix were found, generating optimum experiments for system identification of DPSs. 2) Approximation of DPSs by reduced order models. In the simulation of DPSs modeled by PDEs, the mathematical models are approximated by numerical methods generating high order systems of ordinary differential equations, which are already unuseful for control and online optimization purposes. High dimensionality of this kind of systems were reduced by performing Galerkin projection into low-order functional subspaces spanned by POD basis. Finally, both approaches are used to solve a general problem of control theory, i.e., the optimal sensor placement for state estimation based on reduced order models