You are on page 1of 102

El texto que se presenta, es el resultado de años de experiencia en la enseñanza de

los temas relacionados con la Dinámica de Sistemas. Esta experiencia ha ido


concretándose en la elaboración de una serie de apuntes de los temas fundamentales,
que son distribuidos entre los alumnos o publicados en la página Web de la
asignatura. Ahora, y gracias a la carrera de Ingeniería de Sistemas e Ingeniería
Informática, estos apuntes, toman un sentido más formal y de referencia futura.

La selección del contenido, incluye los temas fundamentales que pensamos se


deberían abordar en cualquier curso sobre Dinámica de Sistemas. En particular
debería servir de base para los contenidos del programa de la asignatura misma.

Se ha incluido inicialmente una introducción sobre los sistemas y los modelos; una
manera resumida de introducir el pensamiento sistémico, el segundo capítulo trata la
forma de empezar a modelar en base a patrones o arquetipos sistémicos, dejando
para más adelante la modelación libre, los siguientes capítulos se concentran en la
metodología de la Dinámica de Sistemas, refiriendo cada una de sus etapas,
buscando ejemplificar adecuadamente su aplicación para una correcta asimilación.

Jorge W. Orellana Araoz


1.1. Introducción
A modo de capítulo de introducción veremos un poco de historia sistémica
sobre el origen de la Teoría General de Sistemas, su correspondiente aplicación
en el enfoque sistémico, las características de los sistemas, basadas en los
paradigmas sistémicos, concluyendo con una definición de modelo que
utilizaremos a lo largo del curso.

Siglos atrás, una forma de comprender algo que no se entendía, era aislarlo y
averiguar de qué estaba constituido. En áreas como la biología y la química, fue
exitoso, pero su generalización llamada reduccionismo, no lo fue tanto (algo es
la suma de sus partes). Siguiendo este criterio no habría diferencia entre una
casa y un montón de materiales de construcción. Sin embargo la diferencia está
en su organización. La casa está organizada de una manera precisa y
compleja, mientras que las del montón de materiales de construcción están
simplemente juntos. Los científicos comprendieron que era importante entender
cómo se agrupaban los pedazos, y erróneamente le dieron más importancia a
las partes que a los patrones de organización.

Esta visión dio como resultado la división de las ciencias en muchas


especialidades diferentes. Debido a que los componentes básicos de cada tema
eran diferentes, se entendió que las formas en que estos componentes se
organizaban también eran diferentes y que las diversas especialidades tenían
poco en común entre ellas. El resultado fue que los expertos de cada
especialidad desarrollaron sus propias teorías para explicarlos y por lo tanto,
estos expertos de campos diferentes no podían entenderse el uno con el otro y
la gente común no podía entender a ninguno de ellos, sin años de esfuerzo y
estudio.

A principios de 1920, un grupo de investigadores comenzó a analizar las


regularidades de las maneras en que las diferentes especialidades se
organizaban y descubrieron que no importa cuán diferentes se veían los
componentes de diferentes campos, estaban puestos juntos según las mismas
reglas generales de organización.

Se descubrió que había una manera de relacionar los diferentes campos del
conocimiento y mostrarlos con criterios comunes. Ese descubrimiento se llamó
Teoría General de Sistemas y revolucionó muchos campos de la ciencia;
atribuyéndosele a Ludwig von Bertalanffy.

La Teoría General de Sistemas aporta, por una lado, una manera de encarar los
grandes y caóticos problemas de la vida real, que no se adecuan a las mismas
soluciones; y por otro lado, una metodología para que la gente común pueda
conseguir una imagen clara de cómo funcionan algunas cosas de su entorno,
sin tener que pasar sus vidas estudiando todos los detalles de cada problema.

Al hablar de sistemas, aparece la idea de totalidad, pero las propiedades de esa


totalidad no responden a la simple suma de sus partes o componentes y sus
respectivas propiedades. Esa totalidad surge como algo distinto de sus
componentes y sus propiedades ya que se genera en la interrelación de dichas
partes, surgiendo también como distintas a las de quienes la conforman. Esta
explicación responde al principio Aristotélico o primer paradigma sistémico de
que el todo es mas que la suma de sus partes (todo/parte).

Tomando este principio y enriqueciéndolo, Bertalanffy observa que un sistema


es distinguible de su entorno por la particular manera de relacionarse de sus
componentes, formulando el segundo paradigma sistémico, la relación
todo/entorno, quedando de esta manera explicitado que un sistema establece
un flujo de relaciones con el ambiente donde actúa.

El tercer paradigma sistémico le corresponde a Niklas Luhmann, que habla


sobre la propiedad de un sistema de crear su propia estructura y los elementos
de que se compone, llamado autopoiesis (elemento/relación).

1.2. Enfoque Sistémico

El enfoque o pensamiento sistémico es una disciplina para ver totalidades que


se reflejan como un marco para ver interrelaciones en lugar de consecuencias
lineales causa-efecto y para ver patrones de cambio, en vez de instantáneas.
Ofrece un lenguaje que comienza por la reestructuración de nuestro
pensamiento. El enfoque sistémico parte de dos conceptos fundamentales:

• Sinergia Un sistema posee propiedades importantes no deducibles como


suma de las correspondientes de sus elementos. (El todo es más que la
suma de las partes).
• Homeostasis Todo sistema posee una resistencia al cambio, una
tendencia al mantenimiento del estado de equilibrio

Para aplicar este enfoque se usa el análisis y la síntesis que son procesos
complementarios, como dos caras de la moneda, ya que pueden considerarse
separadamente, pero no pueden separarse. El análisis permite mirar dentro de
las cosas, mientras que por la síntesis se contempla desde su exterior. Existe
una complementariedad. El análisis se aboca sobre la estructura, revela cómo
trabajan las cosas. La síntesis se concentra en la función, revela porque operan
las cosas o como lo hacen. Así el análisis produce conocimiento, lo que nos
permite describir, mientras que la síntesis genera comprensión, lo que nos
permite explicar. Los tres pasos siguientes, nos permiten aplicar estas técnicas:

a) Identificar un todo que contenga un sistema del cual el objeto que se ha


de explicar es una parte.
b) Explicar la conducta o las propiedades del todo.
c) Explicar la conducta o las propiedades del objeto que va ha ser
explicado, en término de sus funciones dentro del todo.

El buen funcionamiento de un sistema depende más de como interactúan entre


sí sus partes, que de cómo actúa cada uno de ellos independientemente.

1.3. Sistema
La palabra sistema tiene muchas interpretaciones dependiendo del contexto en
el que se usa, puede significar, por ejemplo, un procedimiento, un proceso o su
control, una red o un programa de procesamiento de datos basado en
computadora, para Draper Kauffman, un sistema es una colección de partes
que interactúan con cada una de las otras para funcionar como un todo. De
acuerdo a los dos primeros paradigmas sistémicos una definición completa
debería ser:

Definición 1

Un sistema es un conjunto de partes que interactúan entre sí para


formar un todo, relacionándose con su medio.
 
Como puede verse el sistema es un conjunto; esto es, contiene elementos que
tienen una razón para que se consideren juntos. Pero es más que un simple
conjunto, también contiene las relaciones que existen entre sus elementos. De
manera que si el sistema es un programa computacional, los elementos serán
las instrucciones y las relaciones se definirán con la estructura particular del
programa.

En nuestra usual forma de análisis nos solemos centrar en los elementos que
componen el sistema, no obstante, para comprender el funcionamiento de
sistemas complejos es necesario prestar atención a las relaciones entre los
elementos que forman el sistema. En este curso, prestaremos especial atención
a las relaciones que existen entre los sistemas. Es imposible entender la
esencia de una orquesta sinfónica únicamente prestando atención a los
músicos y a sus instrumentos, es la coordinación que tienen entre sí, la que
produce la música. El cuerpo humano, un bosque, el país, un ecosistema son
mucho más que la suma de sus partes. Por ello se puede comprender que, por
ejemplo, en el problema del tráfico vehicular confluyen muchos elementos
relacionados entre sí: número de habitantes, número de coches, precio de la
gasolina, estacionamientos, transportes alternativos, etc. Es con frecuencia más
fácil y efectivo para solucionar un problema actuar sobre las relaciones entre los
elementos que modificar los elementos en sí.

El concepto engloba la idea de un grupo de elementos conectados entre sí que


forman un todo, que muestra propiedades que son propiedades del todo y no
solo propiedades de sus componentes. El sabor del agua, por ejemplo, es una
propiedad de la sustancia, no del hidrógeno y del oxígeno que se combinan
para formarla. Así un sistema es un todo que no puede ser dividido en partes
independientes. De esto se deriva dos de sus propiedades más importantes:

• Cada parte de un sistema tiene propiedades que se pierden cuando se


separan del sistema.
• Cada sistema tiene algunas propiedades esenciales que no tiene
ninguna de sus partes.

1.4. Sistemas Complejos


Los sistemas complejos presentan un comportamiento que puede ser en
muchos casos, precisamente el opuesto al que sería intuitivo esperar. A este
modo de comportamiento Jay Forrester lo llama anti-intuitivo (counter-intuitive).
La intuición que preside el análisis de los sistemas se ha elaborado a partir del
análisis de sistemas simples por lo que las conclusiones que se extraen de la
aplicación de esta intuición a sistemas complejos puede llegar a resultados
exactamente opuestos a los que aparecen en la realidad. Algunas
características de los mismos son las siguientes:

• Son de orden superior, es decir existen muchos estados o niveles de


variables en el sistema.
• Son de ciclos múltiples, tienen un número importante de ciclos de
realimentación que interactúan con signo positivo o negativo.
• Son no lineales, este acoplamiento no lineal de los ciclos de
realimentación permite que un determinado ciclo domine la estructura un
tiempo para luego ser reemplazando por otro ciclo con profundas
consecuencias para el comportamiento del sistema.
• Resisten los cambios de políticas, las políticas son reglas que describen
cómo la información disponible en un punto del tiempo va a ser utilizada
para determinar una acción futura.
• Contienen puntos de presión influyentes para alterar el balance del
sistema.
• Los cambios en el comportamiento de los sistemas complejos por lo
general causan respuestas en el corto plazo opuestas a los efectos de
largo plazo.
1.5. Modelos
En todo momento de nuestra vida, quizás sin considerarlo como tal, cada vez
que se intenta resolver un problema acudimos a la ayuda de un modelo. Un
Modelo es un simple ordenamiento de suposiciones sobre determinado sistema
complejo. Es un intento de comprender algunos aspectos de una infinita
variedad a través de la selección de una serie de observaciones generales
obtenidas por percepción y experiencia pasada aplicadas al problema
planteado. Una definición muy aceptada es que un modelo es la interpretación
explícita de lo que uno entiende de una situación, o tan sólo de las ideas de uno
acerca de esa situación. Para este curso aplicaremos la siguiente definición:

Definición 2
Un modelo es la representación del comportamiento de un sistema real.
 

Puede expresarse en ecuaciones matemáticas, símbolos o palabras, pero en


esencia es una descripción de entidades, procesos o atributos y las relaciones
entre ellos. Puede ser prescriptivo o ilustrativo, pero, sobre todo, debe ser útil.
El hecho de que esté en términos de interpretaciones o ideas acerca de una
situación proporciona la libertad de modelar cualquier cosa que se considera
relevante a la situación antes que un modelo de la situación misma. Cabe
aclarar que el modelo es sólo parte de un proceso de análisis y no el resultado.

Resumen
El enfoque o pensamiento sistémico es una disciplina para ver totalidades que se
reflejan como un marco para ver interrelaciones. Parte de dos conceptos
fundamentales: la sinergia y la homeostásis. Para aplicar este enfoque se usa el
análisis y la síntesis, mismos que son complementarios. La síntesis se concentra
en la función mientras que el análisis produce conocimiento.

Para Draper Kauffman, sistema es una colección de partes que interactúan con
cada una de las otras para funcionar como un todo.

Los sistemas complejos presentan un comportamiento que puede ser en muchos


casos, precisamente el opuesto al que sería intuitivo esperar, y algunas de sus
características son: de orden superior, de ciclos múltiples, no lineales, resisten los
cambios de políticas, contienen puntos de presión, causas respuestas en el corto
plazo.

Un Modelo es un simple ordenamiento de suposiciones sobre determinado sistema


complejo.
Términos y conceptos clave
Sistema, enfoque sistémico, teoría general de sistemas, modelo

Referencias bibliográficas
[1]: Bertalanffy L.W. Teoría General de los Sistemas. Ed. Fondo de cultura México, 1968
[2]: Kauffman, Draper. SISTEMAS 1. Una introducción al Pensamiento Sistémico. Minneapolis.
Future Systems Inc, 1980
[2]: Martín García, Juan. Teoría y Ejercicios Prácticos de Dinámica de Sistemas. Barcelona –
España, 2006
[4]: Monzó Marco, José. El Pensador Sistémico. Volumen I. Artículos 1995-2005
[5]: O’Connor, Joseph; McDermott, Ian. Introducción al Pensamiento Sistémico. Ed. Urano,
1998
[7]: Senge, Peter. La Quinta Disciplina. Ed. Granica, 1992.
2.1. Introducción

En este capítulo hablaremos sobre una forma de modelar basada en patrones,


donde se debe buscar el arquetipo adecuado al que se ajusta un problema; como
una primera aproximación al mundo de la modelación de sistemas.

El modelamiento causal (causa-efecto) constituye un lenguaje sistémico muy


adecuado para ver las diversas interrelaciones que existen en un problema
determinado. Sirve para hacer un bosquejo de todos los elementos sin entrar en los
detalles matemáticos del posible modelo. Es un vehículo para ordenar, de forma
muy concentrada, todas las causas que supuestamente pueden contribuir a un
determinado efecto. Nos permite, por tanto, lograr un conocimiento común de un
problema complejo, sin ser nunca substitutivo de los datos. Es importante ser
conscientes de que los modelos de causa-efecto presentan y organizan teorías.
Solo cuando estas teorías son contrastadas con datos podemos probar las causas
de los fenómenos observables. Para obtener un modelo causal de un sistema hay
que considerar los siguientes aspectos:

• Pensar en términos de relaciones causa – efecto.


• Centrarse en las relaciones de retroalimentación entre los componentes del
sistema.
• Determinar los límites apropiados para decidir los elementos a incluir en el
estudio.
• Elegir adecuadamente las unidades de tiempo y retardo

2.2. Aspectos para la modelación causal


2.2.1.Pensar en términos de relaciones causa – efecto
En un modelo causal aparecen formalizados los elementos del sistema y se
establecen las relaciones entre ellos, las diferentes relaciones están representadas
por flechas entre variables afectadas por ellas. Estas flechas van acompañadas de
un signo (+ ó -) que indica el tipo de influencia ejercida por una variable sobre la
otra. Un signo “+” quiere decir que un cambio en la variable origen de la flecha
producirá un cambio del mismo sentido en la variable destino. El signo “-” simboliza
que el efecto producido será en sentido contrario.

Si se tienen dos variables A, B y si A es capaz de influenciar a B, se representa la


relación con una flecha que una ambas variables. Para denotar si la influencia
causa variación en el mismo sentido (es decir, si a un aumento de A se genera un
aumento de B, y si a una disminución de A se genera una reducción de B se
coloca el signo + sobre la flecha:
 

Gráfica 2.1.
Por ejemplo:

+
Presa Predador

Gráfica 2.2.

Por otro lado, si a un aumento/disminución de A se corresponde una


disminución/aumento de B, entonces se denota:

Gráfica 2.3.

Por ejemplo:

-
Predador Presa

Gráfica 2.4.

También puede utilizarse tal relación entre un parámetro y una variable, con esto se
representa que si el parámetro variase, lo haría en el mismo sentido la variable sobre la
que actúa.

-
Superficie de un pueblo Densidad de la población

Gráfica 2.5.

Análogas consideraciones se hacen cuando un parámetro afecta negativamente a una


variable:

+
Aceleracion de la Gravedad Velocidad de la caida

Gráfica 2.6.
Estos parámetros se consideran constantes dentro del contexto en que están siendo
considerados, por lo tanto no tiene un signo “+” ó “-” unido a ellos.

Recursos Productividad
+
Inventario de bienes Terminados

Gráfica 2.7.

Este ejemplo indica que Recursos interactúa con Productividad de tal manera que
incrementa al Inventario de bienes Terminados. Se puede pensar en una constante
como un catalizador o filtro para el resultado. Si Productividad incrementa, esta
interactuará con Recursos e incrementará aún más a Inventario de bienes
Terminados. Si Productividad decrece, esta interactuará con Recursos e
incrementará a Inventario de bienes Terminados, pero en menor proporción.

2.2.2.Centrarse en las relaciones de retroalimentación entre los


componentes del sistema
Si se agrega una nueva variable C al sistema anterior, la cual esté influenciada por
B en el mismo sentido, y que sea capaz de influenciar a A de manera positiva, se
tendría:

Gráfica 2.8.

Si A aumenta, inmediatamente B aumentará, ocasionándose entonces un


incremento en C, lo cual aumentará nuevamente a A, y así sucesivamente. En este
caso, la variación de un elemento se propaga a lo largo del bucle o ciclo de manera
que se refuerza la variación inicial. Este efecto se conoce como ciclo de
retroalimentación positiva; se presenta cuando todas las relaciones son
positivas. En la construcción de un modelo aparecen ciclos de retroalimentación o
“feed-backs”.
Hay un ciclo de realimentación cuando en un modelo causal existe una flecha que
partiendo de una variable vuelve a ella después de un camino más o menos largo.
Existen dos tipos de ciclos: los de reforzamiento y los de balance.

2.2.2.1. Ciclo de reforzamiento

Un ciclo de reforzamiento (positivo o explosivo) es aquel en que las interacciones son


tales que cada acción incrementa a la otra. Cualquier situación donde la acción
produce un resultado que genera más de la misma acción, se representa por un ciclo
de reforzamiento.

Gráfica 2.9.

El ejemplo muestra lo que sucede en una cuenta bancaria típica. El Capital en la


cuenta interactúa con la Tasa de Interés e incrementa el Interés. El Interés a su vez
incrementa al Capital. Esta acción de reforzamiento sucede cada mes o cada periodo
de capitalización del banco. La bola de nieve rodando la colina es la señal de que el
ciclo es de reforzamiento. El pequeño gráfico a la derecha del Capital indica que el
crecimiento del Capital es exponencial.

2.2.2.2. Ciclo de balance

Un ciclo de balance (negativo o depresivo) es aquel en que la acción intenta llevar dos
cosas a un acuerdo. Cualquier situación donde uno intenta resolver un problema o
lograr una meta u objetivo es representación de los bucles de balance.

Gráfica 2.10.

La gráfica provee la forma básica del ciclo o bucle de balance. El estado deseado
interactúa con el estado actual para producir una diferencia (GAP). La diferencia
incrementa la acción y la acción incrementa al estado actual. El estado actual entonces
decrementa la diferencia. El pequeño reloj a la derecha entre la acción y el estado
actual indica algún tiempo de demora que le toma a la acción cambiar el estado actual.
A medida que el estado actual se acerca al estado deseado la diferencia se hace más
y más pequeña de manera que suma menos y menos a la acción, la cual se añade al
estado actual. Una vez que la acción ha movido el estado actual a un punto donde es
igual al estado deseado la diferencia es cero y no hay más adición a la acción, de
manera que tampoco hay acción. La balanza en el centro del bucle es la indicación de
que se trata de un ciclo de balance.

Para determinar si un ciclo es positivo o negativo, se siguen las siguientes reglas:

• Cuando en una secuencia de realimentación solo hay signos positivos, el ciclo


es positivo.
• Cuando solo hay signos negativos, el ciclo es positivo, si el número total de
signos es par; y negativo en caso contrario.
• Cuando hay signos positivos y negativos, el sentido del ciclo es positivo si la
suma de signos negativos es par, cualquiera sea el número de signos positivos.
En caso contrario, el ciclo es depresivo.

Los ciclos negativos llevan al modelo hacia una situación estable y los positivos lo
hacen inestable, con independencia de la situación de partida. En la realidad los
sistemas contienen ambos tipos de ciclos y el comportamiento final dependerá de cuál
es el dominante en un momento determinado. Estas relaciones de realimentación
pueden producir una variedad de comportamientos en sistemas reales. Los
comportamientos usuales de los ciclos de realimentación son los siguientes:

• Crecimiento Exponencial. Son los sistemas que poseen un ciclo positivo.


(Ejemplos: ventas desde un inicio, una población de conejos)

Gráfica 2.11.

• Comportamiento en búsqueda de Metas. Son los sistemas que tienen un


ciclo negativo. (Ejemplos: el número de empleados en una empresa y el
número de nuevos despidos; el número de clientes potenciales y las nuevas
ventas)

Gráfica 2.12.
• Comportamiento en forma de S (S-shaped). Son sistemas en los cuales
existe un ciclo positivo que actúa en un principio como dominante y hace
arrancar el sistema exponencialmente, y que después es sustituido por otro
ciclo negativo que anula los efectos del anterior y proporciona estabilidad al
sistema, situándolo en un valor asintóticamente. (Ejemplos: Ciclo de vida
dinámico de un producto; la aceptación de una idea científica revolucionaria)

Gráfica 2.13.

• Oscilaciones. Para que un sistema muestre un comportamiento oscilante


es necesario que tenga al menos dos niveles, que son elementos del
sistema en los que se producen acumulaciones físicas. (Ejemplos: Ciclos de
negocios; oscilaciones de inventario)

Gráfica 2.14.

2.2.3. Determinar los límites apropiados para decidir los elementos a


incluir en el estudio

El establecimiento de la relación causa – efecto entre 2 variables se obtiene del


conocimiento de expertos en el área, de estudios realizados o de datos históricos sobre
el comportamiento del sistema. De todas maneras durante este proceso puede ser que
algunas de las variables que se seleccionaron al inicio sean eliminadas y otras nuevas
sean introducidas. El proceso a pesar que se presenta de una manera lineal es un
proceso iterativo, ya que continuamente se pasa de la primera a la segunda fase del
proceso, hasta conseguir la lista definitiva de las variables y las ideas básicas sobre
sus interrelaciones, que se pueden presentar a través de los ciclos causales.

2.2.4.Elegir adecuadamente las unidades de tiempo y retardo

En el estudio de sistemas dinámicos es necesario establecer una unidad de tiempo.


La elección de la unidad de tiempo es convencional y se hace atendiendo a dos
criterios:
o La finalidad del estudio
o Los datos disponibles

El primer criterio debería ser decisivo; sin embargo, razones prácticas hacen que
deba atenderse el segundo. Elegir adecuadamente la unidad de tiempo es
importante para obtener conclusiones útiles de la simulación. Por ejemplo, si se
quiere estudiar la evolución de una población de conejos en una área determinada,
puede ser interesante utilizar el día como unidad temporal; sin embargo, la carencia
de datos puede llevar a tener que elegir el mes. De poco o nada serviría el estudio
si la unidad seleccionada fuese el quinquenio. Por el contrario, sería poco
adecuado utilizar el día para estudiar la evolución de una población de elefantes.

En un modelo causal hay un retardo cuando el efecto se manifiesta en un intervalo


superior a la unidad de tiempo utilizada. La existencia o no de retardos está
condicionada por la unidad de tiempo. Puede suceder que por incrementar o
disminuir la unidad de tiempo aparezcan o desaparezcan retardos. Por ejemplo en
el sistema cuenta bancaria, la relación capital - interés - capital, hay retardos si la
capitalización es trimestral y la unidad de tiempo es el día. En cambio no habrá
retardos si la unidad fuese el semestre.

No todas las relaciones causa-efecto ocurren instantáneamente. Algunas veces las


consecuencias de una acción o decisión no aparecen hasta después de días,
meses o incluso años después que un evento ha ocurrido. A menudo la relación
entre causa y efecto es oscurecida por su separación en el tiempo. Esto dificulta
entender al sistema cuando las consecuencias no pueden verse próximos al
comportamiento. Las demoras existen en todo lugar en el mundo real. Los retrasos
pueden producir comportamientos interesantes y complejos en sistemas incluso
cuando esos sistemas no tienen ninguna realimentación y complejidad limitada
causa-efecto.

Para ilustrarlo, revisaremos el ejemplo del precio y las ventas. La utilidad para una
línea de productos se determina multiplicando precio por ventas. Si se incrementa
el precio o las ventas darán lugar a una utilidad más alta.

Gráfica 2.15.
Según esta visión, tiene sentido el aumentar siempre el precio porque la utilidad
será siempre más alta. En términos económicos, la demanda es perfectamente
inelástica con respecto a precio (la demanda perfectamente inelástica implica que
no hay ninguna relación entre el precio y las ventas). El comportamiento de cada
una de estas variables se puede ver en la gráfica 2.16.

Hay que notar que, aunque el precio y la utilidad cambian durante la simulación, las
ventas no cambian. Sin embargo, la demanda es afectada generalmente por el
precio, aunque a menudo no inmediatamente. Los clientes pueden tomar tiempo
para ajustar sus patrones de consumo incluso después de un cambio del precio.

Gráfica 2.16.

Por ejemplo, en los años 70, los precios de la gasolina alrededor del mundo se
incremento rápida y substancialmente. Los dueños de carros no podían reducir su
demanda de gasolina inmediatamente. Tomó a los clientes, años antes de que
pudieran ajustar sus patrones de consumo.
Gráfica 2.17.

Este acoplamiento entre el precio y las ventas ahora es como el acoplamiento original
entre la causa y efecto, excepto que hemos introducido un retraso. Ya que no hay
ningún retraso entre el precio y la utilidad, cuando ocurre una subida del precio, la
primera cosa a suceder es un incremento de la utilidad. Eventualmente, sin embargo,
los clientes pueden ajustar su consumo y las ventas bajaran, dando por resultado una
utilidad más baja. El comportamiento de la subida del precio y de los cambios
subsecuentes en ventas y utilidad se puede apreciar en la gráfica 2.18.

Gráfica 2.18.
2.3. Patologías (arquetipos sistémicos)
En Medicina la Patología es el estudio y clasificación de las causas, el desarrollo y los
síntomas de las enfermedades. Aquí vamos a realizar lo mismo, pero referido a los
sistemas en general, clasificando las causas de ciertos comportamientos enfermos,
estudiando sus síntomas y analizando el proceso que siguen.

Los arquetipos sistémicos son representaciones de situaciones problemáticas


organizacionales que se repiten en diferentes contextos, analizadas desde el marco de
la dinámica de sistemas, que presentan comportamientos dinámicos.

Cada arquetipo es representado mediante un pequeño diagrama de ciclos causales


(constituido por unos pocos ciclos de retroalimentación), que muestra la estructura
causal que produce la situación problemática asociada al arquetipo.

2.3.1.Resistencia al cambio

Muchos problemas persisten a pesar de los continuos esfuerzos para solucionarlos.


Los sistemas se resisten a cualquier cambio que intentemos porque su
configuración actual es el resultado de muchos intentos anteriores como el nuestro
que no tuvieron éxito, ya que si no el sistema sería hoy diferente, y a una estructura
interna que le hace estable, y capaz de neutralizar los cambios del entorno, como
el que nosotros realizamos con nuestra acción.

Gráfica 2.19.

Hemos visto que los sistemas basan su estabilidad sobre las acciones de todos sus
elementos que persiguen unos objetivos diferentes, tratando de que el resto del
sistema sea lo más próximo a sus deseos. A partir de este momento, si un
elemento del sistema o una acción exterior intentan modificar su estabilidad, los
restantes elementos realizarán acciones para volver a la situación inicial,
neutralizando por consiguiente la acción que alteraba su estabilidad.
Gráfica 2.20.

2.3.2.Erosión de objetivos

Muchos sistemas no solamente son resistentes a los cambios que intentan mejorar su
estado, sino que muestran una persistente tendencia a empeorar, a pesar de los
esfuerzos para que mejore su situación.

Gráfica 2.21.

Un sistema que basa sus objetivos en la realidad, y únicamente pretende mejorarla


está abocado a una tendencia permanente a los bajos resultados. Un sistema que
obtiene sus objetivos de una base externa al sistema es inmune a este tipo de
procesos. El obvio antídoto para esta patología reside en fijar al sistema objetivos
absolutos, no basados en la situación actual ni en la pasada, y tomar acciones
correctivas en función a la diferencia existente.
Un riesgo se observa a veces cuando el objetivo se desplaza al alza ya que los
resultados han superado el objetivo absoluto inicial. En este caso cuando los
resultados de sitúen por debajo del objetivo inicial, si fue modificado al alza una vez,
todos esperarán que vuelva a ser modificado, esta vez a la baja. El objetivo absoluto
pierde credibilidad tanto si se modifica al alza como a la baja, y la credibilidad no se
recupera.
Gráfica 2.22.

2.3.3.Adicción simple

Este fenómeno se produce cuando existe un objetivo que sirve de punto de


comparación con el estado del sistema, en base a cuya discrepancia se toma una
acción correctora proporcional a la misma, pero aquí la acción tomada no sirve tanto
para aproximar el estado del sistema real al deseado sino para percibir que el sistema
real está próximo al deseado, sin que esta acción tenga ningún efecto en ese sentido.

La falta de una percepción clara del estado real del sistema hace que no se tomen las
acciones correctoras necesarias, ya que se percibe que el estado del sistema es más
próximo al objetivo de lo que en realidad está.

Cuando el efecto inmediato o a corto plazo de la acción desaparece, el problema, o


sea la discrepancia entre el estado real y el deseado, reaparece y con frecuencia con
mayor intensidad, así que el sistema vuelve a tomar alguna acción que aparentemente
le solucione el problema cada vez que el efecto de la anterior empieza a desaparecer.

Gráfica 2.23.
El planteamiento de políticas en los casos de un sistema adictivo es difícil ya que las
acciones tomadas ofrecen resultados aparentes a corto plazo, pero una vez iniciado el
proceso es muy difícil detenerlo. Evidentemente el mejor procedimiento es estar alerta
contra este tipo de procesos, es decir ser prudente al uso de acciones que atacan los
síntomas, pero empeoran el problema al evitarlo. En ocasiones se recomienda un
proceso de retorno gradual. Pero siempre es menos costoso evitar que el proceso
adictivo se inicie que intentar salirse de él después.

Gráfica 2.24.

2.3.4.Adicción con paso de la carga al factor externo

El paso de la carga, el trabajo o la función, a un factor externo es una forma benévola


de la Adicción. En esta clase de sistema una fuerza externa mantiene el sistema en su
situación deseada. Una fuerza bienintencionada, benevolente, y muy efectiva decide
ayudar para conseguir que el sistema tenga nuestra posición deseada. Este nuevo
mecanismo funciona muy bien. Pero con este proceso, a través de una destrucción
activa de los impedimentos que frenaban el sistema hacia la posición deseada, o por
simple atrofia, las fuerzas originales que intentaban corregir la posición del sistema se
debilitan. Cuando el sistema se desvía de la posición deseada el factor externo redobla
su potencia, lo cual aún debilita más a las fuerzas originales. Finalmente el sistema
original toma una posición de dependencia total del factor externo ya que sus fuerzas
correctivas originales han desaparecido por completo y en general de forma
irreversible.

Gráfica 2.25.
Apoyarse en un factor externo para situar el sistema en nuestra posición deseada no
es algo malo en principio. Es usualmente beneficioso y permite al sistema plantearse la
consecución de mejores objetivos. Pero la dinámica del sistema puede ser
problemática por dos razones: Primero, el factor externo que interviene no suele
percibir las consecuencias que su ayuda va a tener en los elementos del sistema, y en
especial en aquellos que intentaban hacer ese mismo esfuerzo. Segundo, la
comunidad que es ayudada no se plantea que la ayuda es temporal y pierde el sentido
del largo plazo por lo que se vuelve más vulnerable y dependiente del factor externo.

La retirada de la ayuda de un sistema que está siendo ayudado no suele ser fácil y en
muchas ocasiones es sencillamente imposible. Este proceso de retirada de la ayuda
sin deteriorar el sistema se ha de basar siempre en la identificación de los elementos
internos del sistema que en su estado original se encargaban de corregir el problema,
reforzar estos mecanismos, y a medida que empiecen a actuar ir retirando la ayuda.

2.3.5.Efectos a corto y a largo plazo

En ocasiones se realizan, en aras de un determinado objetivo, grandes esfuerzos pero


en la dirección equivocada. Una solución eficaz en el corto plazo tiene consecuencias
de largo plazo imprevistas que requieren más uso de la misma solución. No hay que
descuidar el largo plazo. De ser posible no hay que recurrir a las soluciones de corto
plazo, o usarlas sólo para ganar tiempo mientras se trabaja en un remedio duradero.

Gráfica 2.26.

En general se presta atención a los componentes del sistema y a su comportamiento a


corto plazo, todo ello basado en una información incompleta.

Lo que no parece ser que tengamos es la capacidad para articular los argumentos,
ante los otros y ante nosotros mismos para convencernos de que lo que estamos
percibiendo es lo correcto. Esperamos hallar la solución que tenga una relación
próxima con el síntoma, una ganancia a largo plazo que empiece con una ganancia a
corto plazo, o una estrategia que produzca satisfacción a todos los agentes implicados.
Pero sabemos que los sistemas complejos no se comportan de esa forma. Así que
algo dentro de nosotros sigue insistiendo de algún modo en que tal vez esa solución
sencilla y eficaz no debe ser la mejor. Así que seguimos proponiendo difíciles políticas
que no pueden funcionar, negándonos otras más sencillas y eficaces que sí podrían.

Gráfica 2.27.

2.3.6.Límites del crecimiento

En este arquetipo, un proceso se alimenta de sí mismo para producir un periodo de


crecimiento o expansión acelerada. Luego el crecimiento se vuelve más lento (a
menudo en forma inexplicable para quienes participan en el sistema) y puede
detenerse o se revierte e inicia un colapso acelerado.

La fase de crecimiento es causada por uno o varios ciclos de realimentación positiva.


La desaceleración surge por un ciclo negativo o compensador que se activa cuando se
llega a un límite. El límite puede ser una restricción en los recursos, o una reacción
externa o interna ante el crecimiento. El colapso acelerado (cuando ocurre) surge del
ciclo positivo que se revierte, generando cada vez más contracción.

Gráfica 2.28.
Identificar y remover, si es posible, la restricción al crecimiento (ciclo positivo) permite
detener la acción del proceso de balance (ciclo negativo) y lograr un mayor
desempeño.

Gráfica 2.29.

2.3.7.Éxito para el que tiene éxito

En este arquetipo, dos actividades compiten por recursos limitados. A mayor éxito,
mayor respaldo, con lo cual la otra se queda sin recursos. Una de las dos actividades,
grupos o individuos interrelacionados comienza a andar muy bien mientras el otro
apenas subsiste.

Gráfica 2.30.

Hay que buscar la meta abarcadora de logro equilibrado de ambas opciones. En


algunos casos, se debe romper o debilitar el eslabonamiento entre ambas, para que no
compitan por el mismo recurso limitado (esto es deseable en casos donde ese
eslabonamiento pasa inadvertido y crea una insana competencia por los recursos).

El evaluar las políticas de asignación de recursos permite considerar mejores acciones


para alcanzar los objetivos planteados, identificando las posibles ventajas iniciales que
permitan lograr un mayor éxito.
Gráfica 2.31.

2.3.8.Escalada

Para este arquetipo, dos personas u organizaciones entienden que su bienestar


depende de una ventaja relativa de una sobre la otra. Cuando una se adelanta, la otra
se siente amenazada y actúa con mayor agresividad para recobrar su ventaja, lo cual
amenaza a la primera, aumentando su agresividad, y así sucesivamente. A menudo
cada parte ve su conducta agresiva como una reacción defensiva ante la agresión de
la otra; pero la defensa de cada parte deriva en una escalada que escapa a la voluntad
de ambas.

Gráfica 2.32.

Hay que buscar el modo de que ambas partes ganen o alcancen sus objetivos. En
muchos casos una parte puede revertir unilateralmente la espiral viciosa al realizar
agresivos actos pacíficos que hagan sentir al otro menos amenazado. Para esto se
debería identificar resultados de una fuerte competencia en el largo plazo.
Gráfica 2.33.

2.3.9.Tragedia del territorio común

Este arquetipo muestra como las personas u organizaciones utilizan un recurso común
pero limitado reparando únicamente en las necesidades individuales. Al principio son
recompensados pero eventualmente hay una disminución en las ganancias, lo cual les
induce a intensificar los esfuerzos. Al final agotan o erosionan el recurso.

Hay que administrar el territorio común, educando a todos y creando formas de


autorregulación y presión de pares, o mediante un mecanismo de regulación oficial,
idealmente diseñado por los participantes.

Gráfica 2.34.

La interacción entre los individuos en presencia de un bien común puede producir el


agotamiento de éste. Por lo tanto, el identificar la relación entre las acciones de los
individuos y sus efectos en el colectivo permite detener el colapso del recurso.
Gráfica 2.35.

2.3.10. Crecimiento y sub – inversión

Este arquetipo muestra que el crecimiento se aproxima a un límite que se puede


eliminar o desplazar hacia el futuro si la empresa o individuo invierte en capacidad
adicional. Pero la inversión debe ser intensa y rápida para impedir la reducción del
crecimiento, pues de lo contrario no se hará nunca.

A menudo las metas decisivas o las pautas de desempeño se rebajan para justificar la
sub - inversión. Cuando esto ocurre, las metas más bajas conducen a expectativas
más bajas, que luego se traducen en un mal desempeño causado por la sub -
inversión.

Gráfica 2.36.

Si hay un potencial genuino para el crecimiento, hay que construir capacidad


anticipándose a la demanda, como estrategia para generar demanda. Además de
sostener la visión, especialmente en lo concerniente a la evaluación de las pautas
de desempeño y la capacidad para satisfacer la demanda potencial.
Gráfica 2.37.

2.4. Conexiones entre arquetipos

Aquí mostramos la manera en que los arquetipos pueden interactuar con los demás:

Gráfica 2.38.

Resumen
El modelamiento causal (causa-efecto) constituye un lenguaje sistémico muy adecuado
para ver las diversas interrelaciones que existen en un problema determinado.
En un modelo causal aparecen formalizados los elementos del sistema y se establecen
las relaciones entre ellos.

El ciclo de retroalimentación positiva, se presenta cuando todas las relaciones son


positivas.

Un ciclo de reforzamiento (positivo o explosivo) es aquel en que las interacciones son


tales que cada acción incrementa a la otra.

Un ciclo de balance (negativo o depresivo) es aquel en que la acción intenta llevar dos
cosas a un acuerdo.

Los comportamientos usuales de los ciclos de realimentación son el crecimiento


exponencial, comportamiento en búsqueda de metas, comportamiento en forma de S y
oscilaciones.

El establecimiento de la relación causa – efecto entre 2 variables se obtiene del


conocimiento de expertos en el área, de estudios realizados o de datos históricos
sobre el comportamiento del sistema.

En el estudio de sistemas dinámicos es necesario establecer una unidad de tiempo y


esta elección de unidad de tiempo es convencional y se hace atendiendo a dos
criterios: la finalidad del estudio y los datos disponibles.

En un modelo causal hay un retardo cuando el efecto se manifiesta en un intervalo


superior a la unidad de tiempo utilizada.

Los arquetipos sistémicos son representaciones de situaciones problemáticas


organizacionales que se repiten en diferentes contextos, analizadas desde el marco de
la dinámica de sistemas, que presentan comportamientos dinámicos contraintuitivo,
entre ellas podemos mencionar a: resistencia al cambio, erosión de objetivos, adicción
simple, adicción con paso de carga al factor externo, efectos a corto y largo plazo,
límites de crecimiento, éxito para el que tiene éxito, escalada, tragedia del territorio
común y crecimiento y sub – inversión.

Términos y conceptos clave


Modelación causal, causa – efecto, retroalimentación, ciclos de reforzamiento, ciclos
de balance, patologías, arquetipos.

Referencias bibliográficas
[1]: Braun, William. The System Archetypes 2002
[2]: Martín García, Juan. Teoría y ejercicios prácticos de Dinámica de Sistemas. Barcelona
(España) 2006
[3]: Martín García, Juan. Sysware. Barcelona (España) 2005
[4]: Mejía, Andrés & Díaz, Gloria. Tipos de arcos y hacia dónde disparan: Sobre la naturaleza y
posibilidades de los arquetipos 2006
[5]: Senge, Peter. La Quinta Disciplina. Ed. Granica, 1992
[6]: Senge, Peter. La Quinta Disciplina en la Práctica. Ed. Granica, 1994
3.1. Introducción
En los capítulos anteriores tratamos el pensamiento sistémico y su aplicación práctica,
a partir de este capítulo hablaremos sobre la Dinámica de Sistemas; una metodología
que permite modelar casi cualquier tipo de sistemas y representando su estructura,
simular su comportamiento, además de sus etapas y terminaremos el mismo con la
ejemplificación de la primera etapa de la metodología.

3.2. Dinámica de Sistemas


Es una disciplina académica creada en los años 60’s por Jay Forrester del Instituto
Tecnológico de Massachusetts (M.I.T.). Originalmente fue dirigido a las ciencias
administrativas e ingenieriles, pero gradualmente se ha desarrollado como una
herramienta útil en el análisis de sistemas sociales, económicos, físicos, químicos,
biológicos y ecológicos.

Separemos los dos términos que componen la metodología para conceptualizar


adecuadamente su contexto. De acuerdo a nuestra definición de sistema en el primer
capítulo, como una colección de elementos que continuamente interactúan entre sí
para formar un todo; las relaciones subyacentes y las conexiones entre los elementos
del sistema se denominan estructura del sistema. Por ejemplo en un ecosistema, su
estructura se define basándose en las interacciones entre la población de animales, las
tasas de natalidad y mortalidad, la cantidad de alimento y otras variables específicas
de cada ecosistema, es decir, las variables importantes que influyen sobre el sistema.

Por otro lado, el término dinámico se refiere al cambio sobre el tiempo. Si algo es
dinámico, este está constantemente cambiando en respuesta a un estimulo que lo
influencia. Un sistema dinámico es entonces un sistema en el cual las variables
interactúan para estimular cambios sobre el tiempo.

La dinámica de sistemas es una metodología usada para entender como los sistemas
van cambiando en el tiempo. La forma en la cual los elementos o variables que
componen un sistema varían sobre el tiempo se denomina comportamiento del
sistema. En el ejemplo del ecosistema, el comportamiento está representado por las
dinámicas de crecimiento y reducción de la población. Este comportamiento se debe a
la influencia de la disponibilidad de alimentos, los depredadores y el medio ambiente,
que son todos elementos del sistema.

Una característica común a todos los sistemas es que su estructura determina su


comportamiento. La dinámica de sistemas relaciona el comportamiento de un sistema
con su estructura subyacente. Un modelo de dinámica de sistemas (DS) es la
representación de la estructura del sistema.

Una vez que el modelo DS es construido y las condiciones iniciales están


especificadas, una computadora puede simular el comportamiento de las diferentes
variables sobre el tiempo.

Un buen modelo intenta imitar algunos aspectos de la vida real. Ya que la vida real no
permite retroceder en el tiempo y cambiar la estructura del sistema, la simulación da el
poder de cambiar la estructura del sistema y analizar su comportamiento bajo
diferentes condiciones.
Un modelo de dinámica de sistemas permite generar escenarios de simulación como
una herramienta para tomar decisiones; alterando un sistema podemos examinar cómo
responderá a distintas condiciones. En el ejemplo del ecosistema, se puede examinar
el efecto de una sequía o analizar el impacto de la eliminación de una especie animal
en el comportamiento total del sistema.

La dinámica de sistemas ofrece una fuente de realimentación directa e inmediata para


probar las suposiciones acerca de los modelos mentales de la realidad a través de la
simulación por computadora, que es la imitación del comportamiento del sistema a
través de cálculos numéricos ejecutados sobre un modelo de dinámica de sistemas.

3.3. Definiciones de dinámica de sistemas


A continuación revisaremos algunas definiciones de los autores más representativos de
la metodología:

Definición 1

“Es un camino para estudiar el comportamiento (behavior) de los sistemas para mostrar
como las políticas, decisiones, estructura y demoras (tiempo) están interrelacionadas para
influenciar sobre el crecimiento y la estabilidad”.
Jay Forrester.
 

Definición 2

“Es una disciplina que permite visualizar la integridad e interrelaciones y el aprendizaje


para cómo estructurar dichas interrelaciones en una forma más efectiva y eficiente”.
Peter Senge.

Definición 3

“Está basada en la especificación y discusión de cuatro características fundamentales: 1.


pensamiento en modelos: explícitamente modelado comprensivo. 2. pensamiento
interrelacionado: estructuras sistémicas. 3. pensamiento dinámico: pensar en procesos
dinámicos (con demoras, realimentaciones, oscilaciones). 4. Sistemas conductores: facilita
la habilidad de práctica en el gerenciamiento y control de sistemas”.
Gunter Ossimitz.  

 
Definición 4

“Establece técnicas que permiten expresar en un lenguaje formalizado (el de las


matemáticas) los modelos verbales (mentales) de los sistemas sociales.”

Javier Aracil.
 

Definición 5

“Es una técnica de uso generalizado para modelar y estudiar el


comportamiento de cualquier clase de sistemas. Su característica es la
existencia de retardo y bucles de realimentación por lo que conlleva a que
estos sistemas tengan comportamientos inesperados y contra intuitivos.”

Martínez S. y Requena A.
 
3.4. Etapas de modelación de dinámica de sistemas
La metodología DS comprende cuatro etapas con sus respectivos pasos que permiten
desarrollar modelos:

• Conceptualización

Definir el propósito del modelo


Definir la frontera del modelo e identificar las variables clave
Describir el comportamiento o dibujar los modos de referencia de las variables clave.
Diagramar los mecanismos básicos y ciclos de realimentación del sistema (diagrama
causa-efecto).

• Formulación

Convertir diagramas causa-efecto a diagramas y ecuaciones flujo-nivel (diagramas


Forrester o DS).
Estimar y seleccionar valores de parámetros.

• Prueba

Simular el modelo y probar las hipótesis dinámicas.


Probar las suposiciones del modelo
Probar el comportamiento del modelo y su sensibilidad a perturbaciones.

• Implementación

Probar la respuesta del modelo a diferentes políticas o entornos.


Traducir las conclusiones del estudio a una forma accesible a la gente común.

La siguiente grafica nos muestra el carácter iterativo de las etapas mencionadas:

Gráfica 3.1

3.5. Conceptualización de modelos DS


En esta primera etapa, el modelador debe determinar el propósito del modelo, sus
fronteras, su posible comportamiento y la naturaleza de los mecanismos básicos.
3.5.1.Propósito del modelo

Este es un paso de dos partes: enfocarse sobre un problema y reducir la audiencia del
modelo.

Un modelo DS es construido para entender un sistema que tiene creado un problema y


continua manteniéndolo. Para tener un modelo significativo, debe haber un problema
subyacente en el sistema que cree una necesidad para conocimiento y entendimiento
adicional del sistema. La meta de la etapa de conceptualización es llegar a un modelo
conceptual en bruto capaz de mostrar el problema relevante de un sistema. Después
de escoger que área del problema se enfocará, un modelador debe reunir datos
relevantes y adicionalmente definir el enfoque del modelo. La información relevante
para un sistema dinámico no consiste solo de datos estadísticos medidos, sino también
de conocimiento operativo de gente familiarizada con el sistema que está siendo
analizado.

El modelador debe también considerar la audiencia del modelo primario. Si la


estructura y comportamiento del modelo no puede ser entendido por su audiencia, o si
no responde preguntas que interesan a la audiencia, entonces el modelo es inútil.

El primer paso, al crear un modelo significativo de los datos disponibles, es definir el


propósito del modelo mientras se mantiene en mente la audiencia del modelo. El
propósito del modelo deberá mencionar algún tipo de acción o comportamiento sobre
el tiempo que el modelo analizara. Sin un propósito clara y estrictamente definido es
muy dificultoso decidir que componentes del sistema son importantes.

El propósito de un modelo normalmente se enmarca en una de las siguientes


categorías:

• Para clarificar el conocimiento y entendimiento del sistema.


• Para descubrir políticas que mejoraran el comportamiento del sistema.
• Para capturar modelos mentales y servir como un medio de comunicación y
unificación.

Si consideramos por ejemplo las infecciones respiratorias agudas, el propósito del


modelo podría ser: “Determinar la evolución de las Infecciones respiratorias
agudas (IRA’s) con o sin neumonía, como causal de la mortalidad infantil en la
ciudad”. Como audiencia del modelo podríamos considerar que está destinado al
servicio de salud SEDES de la ciudad, que están interesados en conocer el
comportamiento de la enfermedad y así tomar decisiones sobre ella.

3.5.2.Frontera del modelo

Cada sistema tiene una frontera o límite cerrado dentro del cual es generado el
comportamiento de interés. Cuando se crea un modelo DS de un sistema, el
modelador debe definir claramente la frontera del modelo. La frontera del modelo
contiene todos los componentes presentes en el modelo final.

Primero, un modelador deberá reunir todos los componentes que el vea sean
necesarios para crear un modelo del sistema, aun aquellos de los cuales no está
seguro. Esta lista inicial de componentes debe seguir las siguientes reglas:
Ø Los componentes deben ser los necesarios. El modelador configura la
frontera tal que nada que este excluido del modelo es necesario para
generar y representar propiamente el comportamiento de interés definido en
el propósito del modelo. Obviamente nada incluido deberá ser innecesario.

Ø Los componentes pueden ser agregados. Se debería poder agregar


componentes si no cambian la naturaleza del problema que está siendo
modelado o el propósito del modelo. Menos componentes ayudan a evitar
complicaciones innecesarias.

Ø Los componentes deben ser direccionales. Todos los componentes


importantes deben tener un nombre direccional que puede crecer o
decrecer.

Segundo, para especificar una frontera del modelo, el modelador deberá separar los
componentes iniciales en dos grupos importantes:

Ø Endógenos, variables dinámicas envueltas en los ciclos de realimentación


del sistema.

Ø Exógenos, componentes cuyos valores no son directamente afectados por


el sistema.

Es útil hacer dos columnas llamadas “endógenos” y “exógenos” y llenar estas


columnas después de un cuidadoso examen de cada componente de la lista de
componentes inicial en el contexto del propósito del modelo. Puede haber algunos
componentes en la lista inicial, que después de este minucioso examen sean
innecesarios en el modelo. El modelador deberá ahora tener un mejor entendimiento
de la estructura del modelo.

Finalmente, después de dividir la lista inicial en dos categorías, es útil reexaminar los
componentes endógenos y exógenos para especificar cuáles son stocks o niveles y
cuales son flujos (Normalmente los componentes exógenos serán constantes o
parámetros y no flujos o niveles). Para una fácil identificación los niveles o stocks son
acumulaciones, usualmente son algo que puede ser visualizado y medido, tal como la
población, pero también pueden ser abstractos como nivel de reputación. Los flujos
son cambios en los niveles, son tasas que son medidas en unidades de nivel sobre el
tiempo (tasa de nacimiento, tasa de muerte, tasa de compras, etc.).

En el ejemplo de las infecciones respiratorias agudas, una lista de componentes


iniciales podría ser la siguiente:

v Población infantil v Curación con tratamiento


v Nacimientos v Tasa de tratamiento
v Muertes v Tasa de contacto humano
v Tasa de mortalidad v Población IRA’s sin
v Tasa de natalidad neumonía
v Infección v Población IRA’s con
v Complicación neumonía
v Tasa de complicación v Cobertura de salud
v Curación sin tratamiento v Acceso familiar a la salud
v Tasa de curación v Prevalencia
   
La lista inicial se divide en la siguiente tabla:

Tabla 3.1: Componentes del modelo

Componentes Endógenos Componentes Exógenos

Población infantil (Nivel) Tasa de natalidad

Nacimientos (Flujo) Tasa de infección

Muertes (Flujo) Tasa de complicación

Tasa de mortalidad Tasa de tratamiento

Infección (Flujo) Tasa de contacto humano

Población susceptible Tasa de curación

Curación sin tratamiento (Flujo)

Complicación (Flujo)

Curación con tratamiento (Flujo)

Población IRA’s sin neumonía (Nivel)

Población IRA’s con neumonía (Nivel)

Cobertura de Salud

Acceso familiar a la salud

Prevalencia

Ya que el propósito de construir el modelo es determinar la evolución de las


Infecciones respiratorias agudas (IRA’s), el modelo base no incluirá las inmunizaciones
por vacuna, ya que están podrían enmascarar el curso natural de la enfermedad.

3.5.3.Modos de referencia

El modo de referencia representa el comportamiento de las variables clave de un


sistema sobre el tiempo. Un gráfico de modo de referencia tiene al tiempo sobre el eje
horizontal y unidades de las variables en el eje vertical. El modo de referencia captura
modelos mentales y datos históricos sobre papel, da las pistas para la estructura
apropiada del modelo, y puede verificar la credibilidad una vez que el modelo es
construido. Un modelador construye modos de referencia para comprobar la existencia
de algún fenómeno o comportamiento extraño en el sistema.

Aun cuando las descripciones verbales o un conjunto de estadísticas acerca del


comportamiento de un sistema pueden servir para el mismo propósito que el gráfico del
modo de referencia, existe mayor preferencia por la forma gráfica por diversas razones,
una descripción verbal puede ser larga, confusa, y no llevar la misma impresión visual
que un gráfico.

La observación histórica y los modos de referencia hipotéticos son dos modos de


referencia que un modelador puede crear durante la conceptualización.

Ø Un modo de referencia por observación histórica existe cuando un


modelador tiene un problema y desea generar conocimiento acerca de
posibles causas y soluciones. Este modo de referencia usa datos históricos.
Es útil comparar la salida del modelo con el modo de referencia histórico en
etapas posteriores a esta. Si el modelo no produce un comportamiento
similar a las observaciones históricas, es una indicación que el modelo debe
ser rediseñado.

Gráfica 3.2

Ø Cuando no hay información histórica disponible, el modelador puede crear


un modo de referencia hipotético que consiste de una simple curva,
típicamente dibujada a mano, capturando las características clave del
patrón de comportamiento de los componentes importantes del sistema.
Bosquejar una curva hipotética requiere abstraer las características
interesantes de una variable desde los detalles del sistema dado.
Comportamientos comunes de este modo de referencia son crecimiento y
decrecimiento exponencial, colapso, amortiguamiento y oscilaciones.

Gráfica 3.3

Dibujando los modos de referencia, un modelador simula la situación en su mente y


piensa claramente acerca de qué factores influencian a otros; tomado en cuenta los
factores más importantes (niveles y flujos) y graficando su comportamiento sobre el
tiempo.

Siguiendo con el ejemplo de las infecciones respiratorias agudas, mostraremos en las


siguientes gráficas los componentes dinámicos más importantes.
Tabla 3.2: Población de IRA’s con neumonía

Año 2000 2001 2002 2003 2004 2005 2006



10321 12002 13665 15278 16817 18292 19737
Casos

Gráfica 3.4: Año Vs. Población de IRA’s con neumonía

Fuente: SNIS-VIG.EPID

Tabla 3.3: Población de IRA’s sin neumonía

Año 2000 2001 2002 2003 2004 2005 2006


N° Casos 92350 102472 112524 122393 131999 141372 150633

Gráfica 3.5: Año Vs. Población de IRA’s sin neumonía

Fuente: SNIS-VIG.EPID

Tabla 3.4: Población Infantil

Año 2000 2001 2002 2003 2004 2005 2006


< de 5 años 213333 215978 218969 222027 224867 227204 228974
Gráfica 3.6: Año Vs. Población Infantil

Fuente: Instituto Nacional de Estadística

Tabla 3.5: Mortalidad Infantil


AÑO 2000 2001 2002 2003 2004 2005 2006

TASA 72,12 70,25 66,08 62,07 58,15 54,25 52,09

Gráfica 3.7: Año vs. Tasa de mortalidad

Fuente: SNIS-VIG.EPID

3.5.4.Mecanismos básicos

Los mecanismos básicos son los ciclos de realimentación en el modelo y representan


el conjunto más pequeño de relaciones causa-efecto reales capaces de generar el
modo de referencia, aunque también podría ser una simple historia que explique el
comportamiento dinámico del sistema.

Para elaborar los mecanismos básicos, un modelador debe primero mentalmente


decidir sobre una hipótesis dinámica. Una hipótesis dinámica es una explicación del
comportamiento del modo de referencia y deberá ser consistente con el propósito del
modelo. Un modelador usa una hipótesis dinámica para dibujar y probar las
consecuencias de los ciclos de realimentación, luego crea diagramas que ilustran los
mecanismos básicos que manejan el comportamiento del sistema dinámico.
Un modelo no puede ser construido sin un entendimiento de los ciclos de
realimentación. Tener una buena hipótesis dinámica y mecanismos básicos bien
definidos implica tener la información suficiente para empezar a formalizar el sistema
en ecuaciones flujo-nivel.

Para representar los mecanismos básicos se puede usar diagramas causa-efecto o


diagramas flujo-nivel. Los diagramas flujo-nivel tienen la tendencia a ser más
detallados que los diagramas causa-efecto, forzando al modelador a pensar más
específicamente acerca de la estructura del sistema

En el ejemplo de las infecciones respiratorias agudas, las hipótesis dinámicas serian:

• A más tasa de infección mayor infección, tanto a más infección habrá mayor
Población con IRA’s sin neumonía y a mas población con IRA’s sin neumonía
mayor prevalencia, y a mas prevalencia mayor infección.
• A más Población con IRA’s sin neumonía mayor complicación o tratamiento y a
más tratamiento o complicación menor población con IRA’s sin neumonía.
• A más complicación mayor población IRA’s con neumonía, a mas población con
IRA’s con neumonía mayor prevalencia y a mayor curación menor población IRA’s
con neumonía.

Gráfica 3.8

• A mayor población IRA’s con neumonía, mayor incidencia en tasa de mortalidad


infantil.
• A más nacimientos mayor Población infantil, a más población infantil, más
Nacimientos, filtrados por la tasas de natalidad.
• A más Población infantil más muertes, a más muertes menos Población infantil,
filtrados por la tasa de mortalidad.
• La interrelación entre población IRA’s con neumonía, la cobertura de salud y el
acceso familiar afectara a la tasa de mortalidad
Gráfica 3.9

El resultado de los mecanismos básicos nos muestra el primer modelo que representa
al sistema y es la base para trabajar en la siguiente etapa.

Resumen
Originalmente fue dirigido a las ciencias administrativas e ingenieriles, pero
gradualmente se ha desarrollado como una herramienta útil en el análisis de sistemas
sociales, económicos, físicos, químicos, biológicos y ecológicos.

La dinámica de sistemas es una metodología usada para entender como los sistemas
van cambiando en el tiempo.

Un modelo de dinámica de sistemas es la representación de la estructura del sistema,


que le permite generar escenarios de simulación como una herramienta para tomar
decisiones; alterando un sistema podemos examinar cómo responderá a distintas
condiciones.

Las etapas en la modelación de sistemas son 4: conceptualización, formulación,


prueba e implementación.

En conceptualización, el modelador debe determinar el propósito del modelo, sus


fronteras, su posible comportamiento y la naturaleza de los mecanismos básicos.

El propósito de un modelo normalmente se enmarca para clarificar el conocimiento y


entendimiento del sistema, descubrir políticas que mejoraran el comportamiento del
sistema, capturar modelos mentales y servir como un medio de comunicación y
unificación.

La frontera del modelo contiene todos los componentes presentes en el modelo final,
pues en ella se deberá reunir todos los componentes que sean necesarios para crear
un modelo del sistema, luego, para especificar una frontera del modelo, se deberá
separar los componentes iniciales en variables endógenas y variables exógenas.

El modo de referencia representa el comportamiento de las variables clave de un


sistema sobre el tiempo.

Los mecanismos básicos son los ciclos de realimentación en el modelo y representan


el conjunto más pequeño de relaciones causa-efecto reales capaces de generar el
modo de referencia, aunque también podría ser una simple historia que explique el
comportamiento dinámico del sistema
Términos y conceptos clave
Sistema, estructura, dinámico, comportamiento, mecanismos básicos,
conceptualización, propósito, frontera, modo de referencia.

Referencias bibliográficas
[1]: Aracil, Javier & Gordillo. Dinámica de Sistemas. Alianza Universidad Textos, 1999
[2]: Aracil, Javier. Dinámica de Sistemas. ISDEFE, 1995
[3]: Drew, Donald R. Dinámica de Sistemas Aplicada. ISDEFE, 1995
[4]: Forrester, Jay. Principles of Systems. Productivity Press.1998
[5]: Martín García, Juan. Teoría y ejercicios prácticos de Dinámica de Sistemas. Barcelona
(España) 2006
[6]: Albin, Stephanie. Building a System Dynamics Model Part 1: Conceptualization (D-4597).
Extraido de Road Maps: A Guide to Learning System Dynamics
http://sysdyn.clexchange.org/road-maps/rm-toc.html
4.1. Introducción

En este capítulo explicaremos la segunda etapa de la modelación con Dinámica


de Sistemas: formulación, presentándola desde el punto de vista de elementos
genéricos que permitirán comprender su representación, terminando el capitulo
ejemplificaremos el problema iniciado en temas anteriores.

Los modelos matemáticos, programables en un computador, están enunciados


de una manera explícita; el lenguaje matemático que se emplea para la
descripción del modelo no deja lugar a la ambigüedad. Un modelo de dinámica
de sistemas es más explícito que un modelo mental y, por lo tanto, puede ser
expresado sin ambigüedad. Las hipótesis sobre las que se ha montado el
modelo, así como las interrelaciones entre los elementos que lo forman,
aparecen con toda claridad en el mismo, y son susceptibles de discusión y
revisión. Por ello la proyección futura del modelo puede hacerse de forma
completamente precisa.

4.2. Diagrama Flujo – Nivel (DS o Forrester)


El Diagrama de Flujos, es característico de la Dinámica de Sistemas y es una
traducción del diagrama causal a una terminología que facilita la escritura de las
ecuaciones. Básicamente consiste en la clasificación de los elementos del
sistema.

4.2.1.Nivel o stock
Un nivel es un símbolo genérico para cualquier cosa que acumula o drena. Los
niveles son aquellos elementos que describen en cada instante la situación del
modelo, presentan una cierta estabilidad en el tiempo y varían solo en función
de otros elementos denominados flujos. Los niveles se representan por un
rectángulo.

Nivel

Gráfica 4.1

4.2.2.Flujo
Un flujo es la tasa de cambio de un nivel. Los flujos son elementos que pueden
definirse como funciones temporales. Puede decirse que recogen las acciones
resultantes de las decisiones tomadas en el sistema, determinando las
variaciones de los niveles. Las nubes en el diagrama de flujos son niveles de
contenido inagotable.

Flujo
Gráfica 4.2
4.2.3.Convertidor
Un convertidor se usa para tomar datos de entrada y manipular o convertir esa
entrada en alguna señal de salida. Estos convertidores son variables auxiliares
y constantes o parámetros, y permiten una visualización mejor de los aspectos
que condicionan el comportamiento de los flujos. Puede utilizarse un círculo o
solo escribir el nombre de la variable.

Gráfica 4.3

4.2.4.Conector

Un conector es una flecha que permite el paso de información o de magnitudes


físicas entre convertidores y convertidores, niveles y convertidores, niveles y
flujos, y convertidores y flujos.

ss
Gráfica 4.4

4.3. Estructura matemática de un modelo DS


La estructura matemática de un modelo de dinámica de sistemas es un sistema
de ecuaciones diferenciales. Pero en lugar de escribir directamente las
ecuaciones diferenciales, se escriben ecuaciones para cada uno de los
símbolos vistos anteriormente, es decir para los niveles, los flujos, las variables
auxiliares, etc.

Una variable de estado (o nivel), es decir, una variable que acumula sus valores
(matemáticamente representado con una integral) es cambiada por variables
que se representan por flujos de material (flujos). Si N es el Nivel, FE y FS los
flujos de entrada y de salida respectivamente, se puede escribir la siguiente
ecuación:

donde N(t) es el valor del nivel en el instante de tiempo t y N(0) es el valor


inicial del nivel. Esa ecuación se puede escribir, de forma aproximada,
empleando métodos de integración numérica:
Esta última forma es la que se emplea comúnmente en Dinámica de Sistemas
para definir cualquier nivel en términos de sus flujos. La ecuación de flujo es la
siguiente:

donde TN es el flujo normal y M es lo que se denomina multiplicador de flujo


normal. Si M(t) = 1 se tiene una situación neutral en la que F(t) = TN * N(t), es
decir, el flujo es una fracción constante del nivel.

El multiplicador M(t) refleja el efecto de otros factores sobre la variable de nivel


en cuestión: M(t) = M1[V1(t)] * M2[V2(t)] * ... * MK[VK(t)] , en donde cada factor
Mi[Vi(t)] es una función no lineal de una variable Vi, la cual puede ser un nivel o
una variable auxiliar.

4.4. Estructuras genéricas


Las estructuras genéricas son estructuras simples que se presentan en muy
diversas situaciones. Los ciclos de realimentación son los elementos
estructurales básicos del sistema

4.4.1.Realimentación lineal positiva de primer orden

Uno de los sistemas de realimentación más simple es el ciclo de realimentación


positivo. La realimentación positiva ocurre cuando el cambio se propaga a
través de un sistema para producir más cambio en la misma dirección. Este es
el tipo de realimentación que produce crecimiento.

Gráfica 4.5

4.4.1.1. Diagrama del modelo

La figura muestra la estructura genérica de realimentación positiva de primer


orden. En la ecuación del flujo, se multiplica el nivel por la fracción componente
o se divide el nivel entre la constante de tiempo. La constante de tiempo es
simplemente el reciproco de la fracción componente.

4.4.1.2. Ecuaciones del modelo

Las ecuaciones para la estructura genérica son:


Nivel(t) = Nivel(t-dt) + (flujo)*dt
Es el stock o nivel del sistema.
Unidad: unidades.

Flujo = nivel * fracción componente


El flujo es la fracción del nivel que fluye dentro del sistema por unidad de
tiempo.
Unidad: unidades/tiempo

Fracción componente = una constante


Es un factor de crecimiento y determina el flujo de entrada al nivel. Es la
cantidad de unidades sumadas al nivel por cada unidad ya existente en el nivel
en cada ciclo.
Unidad: unidades/unidad/tiempo

Si en lugar de fracción componente se tiene una constante de tiempo, las


ecuaciones tendrían la siguiente variación:

Flujo = nivel / constante de tiempo


Unidad: unidades/tiempo

Constante de Tiempo = una constante


Es el tiempo de ajuste para el nivel. Corresponde al tiempo por cada unidad
inicial al componerse en una nueva unidad.
Unidad: tiempo

Comparando las dos posibles ecuaciones para el flujo, se puede notar que el
multiplicador en la ecuación del flujo esta dado por:

Multiplicador = fracción componente = 1/constante de tiempo

4.4.1.3. Comportamiento del modelo

4M
800,000
0.4

2M
400,000
0.3

0
0
0.2
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Tiempo
Nivel
Flujo
Fraccion componente o constante de tiempo
Gráfica 4.6

La característica del crecimiento exponencial es su tiempo contante de


duplicación, es decir, el tiempo que le toma para duplicarse al nivel permanece
constante. Para encontrar el tiempo de duplicación del nivel, se necesita la
constante de tiempo del sistema, que se puede obtener directamente si el
modelo lo tiene o del reciproco de la fracción componente:

Constante de tiempo = 1 / fracción componente

El tiempo de duplicación para el nivel esta dado por:

Tiempo de duplicación = ln 2 * constante de tiempo


Tiempo de duplicación = 0.7 * constante de tiempo

4.4.1.4. Comportamientos producidos por la estructura genérica

Para explorar los diferentes posibles comportamientos, primero experimentaremos


cambiando el valor inicial del nivel (stock) y manteniendo el valor constante de la
fracción componente. Los diferentes comportamientos al cambiar valores del nivel
inicial son mostrados en la siguiente figura.

Dando valores distintos al nivel inicial (-2000, -1000, 0, 1000, 2000) para diferentes
corridas y manteniendo constante la fracción componente en 0.3.
Nivel
6M

3M

-3 M

-6 M
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Time (Month)
Nivel : 1 Nivel : 3
Nivel : 5 Nivel : 2
Nivel : 4

Gráfica 4.7

Veremos ahora que acelera o retarda el crecimiento exponencial de un sistema.


Si variamos ahora los valores de la fracción componente en 0, 0.1, 0.2, 0.3, 0.4
para diferentes corridas manteniendo constante el valor inicial del nivel en 1000

Nivel
100,000

75,000

50,000

25,000

0
0 2 4 6 8 10 12 14 16 18 20
Time (Year)
Nivel : 5 Nivel : 2
Nivel : 4 Nivel : 1
Nivel : 3
se tiene lo siguiente:
Gráfica 4.8

4.4.1.5. Tabla resumen del comportamiento del nivel

El comportamiento del ciclo de realimentación positiva se resume en la tabla


siguiente: (la fracción componente con valor cero corresponde a una constante
de tiempo infinita).

Comportamiento del nivel


para una valor inicial del NIVEL
nivel y el multiplicador en el
flujo (fracción o tiempo
constante) Negativo Cero Positivo

Cero Equilibrio Cero Equilibrio


Fracción
Componente
Crecimiento Crecimiento
Positivo Exponencial Exponencial
Cero
Negativo Positivo

4.4.1.6. Ejemplos del ciclo de realimentación positiva de primer orden

Sistema Depósito Bancario - Interés

Gráfica 4.9

Interés = Deposito Bancario * Tasa de Interés

Sistema Conocimiento - Aprendizaje

Gráfica 4.10

Aprendizaje = Conocimiento / Tiempo para Aprender

4.4.2.Realimentación negativa lineal de primer orden


El decrecimiento exponencial es uno de los comportamientos más comunes de
un ciclo de realimentación negativa. Las características importantes del
decrecimiento exponencial es su comportamiento asintótico y el tiempo de
división constante de la curva. El tiempo de división es el tiempo que le toma al
nivel reducirse a la mitad. La formula siguiente aproxima al tiempo de división
de un nivel usando la constante de tiempo.

Tiempo de división = 0.7 * constante de tiempo.


Tiempo de división = 0.7 / Fracción de drenaje.

Gráfica 4.11

En el diagrama el tiempo constante es 3 porque la línea tangente al valor inicial


del stock cruza el eje de tiempo en 3 unidades.

Sistema Depósito Bancario – Interés

Gráfica 4.12

Interés = Deposito Bancario * Tasa de Interés

Sistema Conocimiento – Aprendizaje

Gráfica 4.13

Aprendizaje = Conocimiento / Tiempo para Aprender


4.4.2.1. Diagrama del modelo

Gráfica 4.14

Un ciclo de realimentación negativa simple consiste en un nivel (variable de


estado), un flujo de salida y una meta u objetivo. El flujo de salida es
proporcional a la diferencia entre el nivel y la meta.

4.4.2.2. Ecuaciones del modelo


Las ecuaciones para la estructura genérica son:

Nivel(t) = Nivel(t-dt) + (- flujo)*dt

Es el stock o nivel del sistema.


Unidad: unidades.

Flujo = fracción de drenaje * diferencia de ajuste

El flujo de salida es la fracción del nivel que fluye del sistema por unidad
de tiempo.
Unidad: unidades/tiempo

Diferencia de ajuste = Nivel – Meta para el Nivel

Es la diferencia entre el nivel y la meta para el nivel.


Unidad: unidades

Fracción de drenaje = una constante

Es la fracción de la diferencia o gap (igual al nivel si la meta es cero) la


cual está más cerca cada periodo de tiempo.
Unidad: 1/tiempo

Meta para el nivel = una constante

Es el objetivo al cual tiene que llegar el nivel.


Unidad: unidades

Si en lugar de fracción de drenaje se tiene una constante de tiempo, las


ecuaciones tendrían la siguiente variación:

Flujo = Diferencia de ajuste / constante de tiempo


Unidad: unidades/tiempo

Constante de Tiempo = una constante

Representa el tiempo de ajuste para el nivel


Unidad: tiempo

Comparando las dos posibles ecuaciones para el flujo, se puede notar que el
multiplicador en la ecuación del flujo esta dado por:

Multiplicador = fracción de drenaje = 1/constante de tiempo

4.4.2.3. Comportamiento del modelo

La característica del decrecimiento exponencial es su tiempo constante de


división, el cual es el tiempo para que la Diferencia (GAP) se corte por la mitad.
Si colocamos la fracción de drenaje en 0.2, el tiempo de división permanece
constante para toda la simulación, en la siguiente figura por ejemplo el nivel
inicial es 100 y la meta 50, toma cerca de 3.5 años para que la diferencia se
corte a la mitad en 25 (nivel=75) y otros 3.5 años para que la diferencia se corte
otra vez a la mitad en 12.5 (nivel=62.5).

100

85

70

55

40
0 2 4 6 8 10 12 14 16 18 20
Tiempo
Nivel Meta para el nivel
Gráfica 4.15

4.4.2.4. Comportamientos producidos por la estructura genérica

El comportamiento producido por esta estructura puede variar dependiendo de


los valores de tres parámetros: el valor inicial del nivel, la meta y la fracción de
drenaje.

Cambiando el valor inicial del nivel. En la estructura genérica, hacemos


variar el valor inicial del nivel en los siguientes valores –8000, -4000, 0, 4000,
8000 para las diferentes corridas. Consideramos el valor de la meta en 0 y la
fracción de drenaje en 0.2.
Nivel
8,000

4,000

-4,000

-8,000
0 2 4 6 8 10 12 14 16 18 20
Time (Year)
Nivel : 5 Nivel : 2
Nivel : 4 Nivel : 1
Nivel : 3
Gráfica 4.16

La figura muestra como el nivel se acerca siempre asintóticamente a su meta.


En 5 veces de división de tiempo, el nivel esta cerca del 97% de llegar a su
meta.

Cambiando el valor de la fracción de drenaje. Este cambio acelera o retarda


el decrecimiento exponencial del sistema. Para observar su efecto variaremos
el valor de la fracción de drenaje en 0, 0.1, 0.2, 0.3 y 04, manteniendo constante
el valor del nivel en 8000 y la meta en 0.
Nivel
8,000

6,000

4,000

2,000

0
0 2 4 6 8 10 12 14 16 18 20
Time (Year)
Nivel : 5 Nivel : 2
Nivel : 4 Nivel : 1
Nivel : 3
Gráfica 4.17

Cuando la fracción de drenaje es cero, el nivel no varía, por otro lado un valor
grande en la fracción de drenaje hace que el nivel acelere su aproximación a la
meta. Podemos ver entonces, que para la fracción de drenaje de 0.1
corresponde el tiempo de división de 7 unidades de tiempo, mientras que para
la fracción de drenaje 0.4 el tiempo de división es 1.75 unidades de tiempo.

Cambiando el valor de la Meta. Mantenemos el valor del nivel en 8000 y la


fracción de drenaje en 0.2, los valores para la meta serán 8000, 6000, 4000,
2000 y 0.
Nivel
8,000

6,000

4,000

2,000

0
0 2 4 6 8 10 12 14 16 18 20
Time (Year)
Nivel : 4 Nivel : 2
Nivel : 5 Nivel : 1
Nivel : 3

Gráfica 4.18

En todos los casos, después de 5 divisiones de tiempo el nivel esta a 97% de la


meta.

4.4.2.5. Tabla resumen del comportamiento del nivel

El comportamiento del ciclo de realimentación negativa se resume en la tabla


siguiente:

Comportamiento del nivel


para una valor inicial del NIVEL
nivel y el multiplicador en el
flujo (fracción o tiempo
constante) con Meta=0 Negativo Cero Positivo

Equilibrio a un Equilibrio a Equilibrio a un


Cero
valor negativo Cero valor positivo
Fracción de
Drenaje Crecimiento Decrecimiento
Equilibrio a
Positivo asintótico al asintótico al
Cero
equilibrio equilibrio

4.4.2.6. Ejemplos de realimentación negativa de primer orden

Sistema Decrecimiento Radioactivo

Gráfica 4.19

Decremento = Fracción de Decremento * Componente Radioactivo


Sistema Población-muerte

Gráfica 4.20

Muertes = Población * Tasa de mortalidad

Sistema Reducción Empresa

Gráfica 4.21

Despido = Diferencia / Tiempo de ajuste


Diferencia = Numero de empleados - Numero deseado de empleados

El ejemplo 3 tiene la misma estructura básica que los ejemplos 1 y 2, veamos


porque, Si el número deseado de empleados es 0, entonces la Diferencia será
igual al Número de empleados y la ecuación del flujo será:

Despido = Diferencia / Tiempo de ajuste


Despido = (Numero de empleados-Numero deseado de empleados) /
Tiempo de ajuste
Despido = (Numero de empleados – 0) / Tiempo de ajuste
Despido = Numero de empleados / Tiempo de ajuste

4.4.3.Añadiendo flujos constantes


Analizaremos sistemas de realimentación con flujos constantes de entrada y
salida, presentando tres pasos para la simulación mental: calcular el equilibrio,
determinar el modo de comportamiento y esquematizar el comportamiento
esperado.

4.4.3.1. Realimentación positiva con flujo de salida constante

Se demostrará la aplicación de los siguientes principios de la simulación mental:

• Añadir flujos constantes a un sistema de realimentación positiva desplaza


el equilibrio del valor cero.
• Los flujos constantes no cambian las características del crecimiento
exponencial generado por un ciclo de realimentación positiva

El modelo de ejemplo a simular fue construido hipotéticamente por científicos


interesados en mantener una población de moscas de fruta en orden de
asegurar la provisión para uso de experimentos. El flujo de entrada corresponde
a la reproducción, ya que las moscas se reproducen rápidamente, sumando
cerca de la mitad de la población cada día, los científicos estiman una tasa de
reproducción de 50% por día. El flujo de salida corresponde a un flujo constante
de remoción del espécimen. Los científicos desean brindar una provisión diaria
de 50 moscas de fruta. Para poder determinar la cantidad exacta de moscas de
fruta necesarias para empezar la crianza, los científicos construyeron el
siguiente modelo:

Gráfica 4.22

La cantidad de moscas de fruta que los científicos precisan, debería permitir


que la población permanezca estable, con un equilibrio entre la reproducción y
la remoción. Para simular el comportamiento de equilibrio se siguen los
siguientes pasos:

Paso 1. Calcular el equilibrio

El flujo de salida desplaza el equilibrio (de un sistema de realimentación


positiva) de cero. El equilibrio en el nivel se logra igualando la suma de flujos de
entrada con la suma de los flujos de salida, para el ejemplo esto sería:

Reproducción = Remoción
Población de Moscas de fruta * Tasa de Reproducción = Remoción

Resolviendo la ecuación podemos obtener el equilibrio para el nivel:

Población de moscas de fruta = Remoción / Tasa de Reproducción


= 50 / 0.5 = 100 moscas de fruta

Paso 2. Determinar el modo de comportamiento.

Los sistemas de realimentación positiva tienden a exhibir un crecimiento


exponencial lejos del equilibrio, decrecimiento exponencial hacia el equilibrio o
equilibrio. Ya que estamos simulando el comportamiento del nivel a la
estabilidad, 100 moscas de fruta, este será el modo de comportamiento.
Paso 3. Esquematizar el comportamiento esperado.

1,000

750

500

250

0
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Poblacion mosca de fruta

Gráfica 4.23

Ya que la simulación indica que la población estará estable en 100 moscas de


fruta, los científicos deciden ordenar esta cantidad, pero el laboratorio
erróneamente les envía 120 moscas de fruta, entonces los científicos
nuevamente predicen el comportamiento de la población:

Paso 1. Calcular el equilibrio

Sabemos que el equilibrio de la población está en 100 mosca de fruta.

Paso 2. Determinar el modo de comportamiento.

Si hay 120 moscas, la población claramente no está en equilibrio, se espera un


crecimiento exponencial en lugar del equilibrio.

Paso 3. Esquematizar el comportamiento.

Ya que el flujo de salida constante no cambia el comportamiento exponencial


generado por el ciclo de realimentación positiva, el tiempo de duplicación puede
ser utilizado para estimar el comportamiento. El tiempo de duplicación sería:

Tiempo de duplicación = 0.7 / Tasa de Reproducción = 0.7 / 0.5 = 1.4 días

Esto significa que el nivel de 120 moscas se duplicará a 240 en solo 1.4 días, si
es así, significa que el sistema se comporta como si no hubiese un flujo de
salida. Podemos esquematizar inicialmente dos comportamientos y luego
unirlos para interpretar un solo comportamiento.

En primer lugar el gráfico correspondiente a las 20 moscas sobrantes que se


comporta como un ciclo de realimentación positivo puro y con un tiempo de
duplicación de 1.4 días.
1,000

750

500

250

0
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Poblacion mosca de fruta

Gráfica 4.24

El comportamiento esperado para el sistema estará formado por el gráfico


anterior de equilibrio y este ultimo de crecimiento exponencial. Puesto que el
nuevo equilibrio está representado por una línea horizontal en 100 (moscas de
fruta), sumando este modo de comportamiento a la curva exponencial, la
desplaza hasta la cantidad del nuevo equilibrio. La siguiente figura muestra el
comportamiento final estimado para el sistema donde el crecimiento
exponencial con el flujo de salida es comparado con el que no tiene flujo de
salida.

Gráfica 4.25

4.4.3.1.1. Ejemplo (Sistema Fundación premios Nobel)

Cada año la Fundación Premios Nobel distribuye aproximadamente un total de


6.000.000 $us en premios en efectivo a aquellos quienes en el año precedente
hayan conferido los más grandes beneficios a la humanidad en las siguientes
áreas: química, literatura, medicina, física, economía y paz. Estos premios
están financiados por la acumulación de intereses de una cuenta de banco. El
siguiente modelo representa este sistema y las ecuaciones para lograr un
equilibrio son las siguientes:

Flujo de salida = Flujo de entrada


Remoción de Efectivo = Acumulación de Interés
Premios = Fundación * Tasa de Interés

Despejando cuanto debería tener la Fundación Nobel para lograr un equilibrio,


obtenemos la siguiente ecuación:
Fundación = Premios / Tasa de Interés
Fundación = 6.000.000 $us / 0.1 = 60.000.000 $us

Gráfica 4.26

4.4.3.2. Realimentación negativa con flujos de entrada constante

Se demostrará la aplicación de los siguientes principios de la simulación mental:

Añadir flujos constantes a un sistema de realimentación negativa desplaza el


equilibrio.
Los flujos constantes no cambian las características del decremento
exponencial producido la realimentación negativa. Por lo tanto el tiempo de
división se convierte en una útil herramienta de simulación mental.

El sistema de realimentación negativa a ser simulado es el drenaje de un


fregadero que contiene un flujo entrante producido por una llave de agua. La
tasa de drenaje es proporcional al volumen de agua en el fregadero, la fracción
de drenaje es 0.1. El agua fluye a una tasa de 30 cm3/s. El modelo para este
sistema es el siguiente:

Gráfica 4.27

Mentalmente simularemos el comportamiento del sistema, cuando este está en


equilibrio:

Paso 1. Calcular el equilibrio

En ausencia de un flujo de entrada, el sistema está en equilibrio cuando el


fregadero está vacío. Al sumar un flujo de entrada el volumen en equilibrio se
desplaza. Para encontrar cuanto es esta variación, igualamos la suma de flujos
de entrada con la suma de flujos de salida:

Entrada de agua = Drenaje de Agua


Entrada de agua = Agua en el fregadero * Fracción de drenaje

Despejando el volumen de agua:

Agua en el fregadero = Entrada de agua / Fracción de Drenaje


Agua en el fregadero = 30 / 0.1 = 300 cm3

Paso 2. Determinar el modo de comportamiento

En sistemas de realimentación negativa el nivel tiende a aproximarse al


equilibrio asintóticamente ya sea por debajo o por arriba. Para esta simulación
intentaremos estimar el comportamiento del sistema cuando el nivel este en 300
cm3, lo que representa equilibrio.

Paso 3. Esquematizar el modo de comportamiento esperado

El gráfico muestra una línea horizontal que representa el desplazamiento del


equilibrio de 0 cm3 a 300 cm3.

Gráfica 4.28

Ahora simularemos el caso cuando el fregadero tiene 500 cm3 de agua al inicio
de la simulación:

Paso 1. Calcular el equilibrio

Se conoce de la anterior simulación que el equilibrio esta en 300 cm3 de agua.

Paso 2. Determinar el modo de comportamiento

Para esta simulación el volumen de agua es 500 cm3 mayor que el valor de
equilibrio. De manera que el sistema se acerca al equilibrio desde arriba.

Paso3. Esquematizar el comportamiento.

El comportamiento del sistema como un todo puede ser descompuesto en dos


partes que pueden ser graficadas separadamente. De los 500 cm3 de agua
presentes al inicio 300 cm3 están en equilibrio, la diferencia 200 cm3 está sujeta
a drenaje de acuerdo a la ecuación de división de tiempo:
División de tiempo =0.7 / fracción de drenaje = 0.7 / 0.1 = 7 segundos

Para obtener un esbozo del comportamiento del sistema como un todo,


añadimos el diagrama de 300 cm3 de agua en equilibrio anterior a este último y
se obtiene el siguiente:

Gráfica 4.29

4.4.3.2.1. Ejemplo (Memorizando letras de canciones)

Si a alguien le encanta escuchar ópera italiana, también pueda gustarle


cantarlas, pero no puede recordar las letras de esas canciones a menos que las
escuche muy atentamente. De manera que decide escuchar su opera favorita
cuidadosamente y tratar de memorizar cada palabra. Al principio cuando la
canción empieza a tocar el puede recordar muchas palabras, sin embargo,
cuando la canción esta por la mitad y ya ha memorizado muchas palabras, él
empieza a olvidar alguna de las primeras palabras. Un modelo que representa
esto es el siguiente (suponiendo que el flujo de palabras escuchadas es
constante):

Gráfica 4.30

Cuando las palabras son escuchadas a una tasa de cerca de una palabra cada
dos segundos, considerando que el equilibrio se logre en 45 palabras
recordadas, usando las correspondientes ecuaciones tenemos:

Palabras ejecutadas = Palabras olvidadas


Palabras ejecutadas = Palabras recordadas / Tiempo para olvidar

De esta ecuación podemos obtener la constante de tiempo:

Tiempo para olvidar = Palabras recordadas / Palabras ejecutadas


= 45 / 0.5 = 90 seg.
4.4.4.Combinación de sistemas de realimentación

Los ciclos de realimentación son los elementos básicos de la estructura del


sistema. La realimentación en los sistemas causa una aproximación a todo el
comportamiento dinámico.

4.4.4.1. Fracciones constantes idénticas

Recurriremos a un ejemplo para graficar esta estructura. Se requiere un modelo


para la producción de arboles, de manera de poder determinar políticas que
puedan mejorar el inventario e incrementar las ventas. De acuerdo al
comportamiento de los 5 años anteriores, se propone el siguiente modelo:

Gráfica 4.31

Se vende anualmente alrededor del 8% del inventario, entonces para mantener


un equilibrio se planta los mismos 8% anualmente para reponer el inventario.
Para evaluar la estrategia y considerando que el modelo tiene un ciclo de
realimentación positiva y otro de realimentación negativa, seguimos los pasos
de la simulación mental:

Paso 1. Determinar la naturaleza del comportamiento del ciclo en el


sistema

Revisando el modelo vemos que si el numero de arboles se incrementa,


también lo hace el flujo de plantado, sobre el tiempo, esto genera un
comportamiento exponencial debido a la presencia de realimentación positiva.
El flujo de salida, sin embargo muestra que si los arboles se incrementan, las
ventas también se incrementan, bajo este segundo patrón de comportamiento,
el numero de arboles gradualmente se acerca a cero, su meta. Este
comportamiento orientado a metas es causado por la realimentación negativa.

Para determinar el comportamiento total del sistema, ambos flujos deben ser
considerados, las siguientes ecuaciones dan los valores de Plantado y Ventas:

Plantado= Arboles*Fracción de Plantado= Arboles*0.08


(Arboles/año) = (Arboles* 1/año)

Ventas = Arboles*Fracción de Ventas = Arboles*0.08


(Arboles/año) = (Arboles* 1/año)

En este caso los dos flujos son igualmente fuertes porque las fracciones
componentes son iguales. Esto significa que el flujo de entrada es siempre igual
al flujo de salida, de tal manera que el flujo neto es cero y el valor del nivel es
constante.

Paso 2. Determinar el valor inicial del nivel

El valor inicial es 500 arboles

Paso 3.Determinar el valor final del nivel

Ya que el flujo de entrada es el mismo que el de salida el valor del nivel


permanece constante en 500 árboles.

600

450

300

150

0
0 2 4 6 8 10 12 14 16 18 20
Tiempo
Arboles Ventas
Plantado
Gráfica 4.32

4.4.4.2. Fracciones constantes diferentes

Se desea desarrollar una estrategia que gradualmente incremente el inventario


de arboles y expanda el negocio, ya que de la anterior estrategia se nota que no
habrá crecimiento alguno en las ventas. Por lo tanto se decide incrementar la
fracción de plantado a 0.30, es decir se plantara el 30% del inventario cada año,
podremos determinar el nuevo comportamiento del sistema con los siguientes
pasos:

Paso 1. Determinar la naturaleza del comportamiento del ciclo del sistema

Los comportamientos de los ciclos individuales son los mismos que en el caso
anterior. La diferencia entre los dos modelos es el cambio en la fracción de
plantado. El valor mayor de fracción de plantado hace que el ciclo de plantado
sea considerablemente más fuerte. Ya que el ciclo positivo es el dominante el
inventario de arboles se incrementara exponencialmente.

Paso 2. Determinar el valor inicial del nivel

El inventario inicial de arboles es 500

Paso 3. Determinar el valor final del nivel


Un sistema alcanza el equilibrio cuando el flujo de entrada y salida son iguales.
Ya que el sistema produce crecimiento exponencial, este no puede alcanzar el
equilibrio y se demuestra esta hipótesis con las siguientes ecuaciones:

Flujo de entrada = Flujo de salida


Arboles*Fracción de plantado = Arboles*Fracción de ventas
(Arboles * 1/año) = (Arboles * 1/año)
Arboles*0.30 = Arboles*0.08
0.30 = 0.08
El siguiente gráfico muestra el comportamiento del sistema mostrando la
desigualdad de los flujos.

40,000

30,000

20,000

10,000

0
0 2 4 6 8 10 12 14 16 18 20
Tiempo
Arboles Ventas
Plantado
Gráfica 4.33

4.4.4.3. Realimentación no lineal

En base a los resultados de la anterior estrategia, se determina que no es


práctico para el negocio, ya que se tendrá una producción de arboles que no se
podrá manejar ni vender por lo que podrán morir por efectos del clima. Después
de consultar con un agrónomo, se ve que para hacer un mejor uso de los 6000
metros cuadrados de tierra, se deberá incrementar la producción de arboles
hasta 5800, por lo que se propone una nueva estrategia para alcanzar esta
meta en los siguientes 5 años; por lo que cada año se plantara el 30 % de la
diferencia entre la meta de 5800 árboles y el inventario actual, esta estrategia
se resume en el siguiente modelo:

Gráfica 4.34

Para hacer la simulación mental del modelo se siguen los siguientes pasos:
Paso 1. Determinar la naturaleza del comportamiento del ciclo en el
sistema

La estructura del ciclo de plantado ha cambiado, ahora un incremento en el


numero de arboles cierra la diferencia entre el inventario actual y la meta
deseada. El plantado de arboles será más lento cuanto más se acerque a la
meta. El tipo de comportamiento orientado a la meta ejemplifica un ciclo de
realimentación negativo. El ciclo de ventas también es un ciclo de
realimentación negativo ya que no ha cambiado desde la anterior estrategia.

El comportamiento general del sistema puede ser determinado examinando el


dominio relativo de los ciclos. Inicialmente el ciclo de plantado es más fuerte
que el ciclo de ventas. Por ejemplo en el primer año se plantara 1590 arboles
(Plantado = 5800*0.3) pero se venderá solo 40 arboles (Ventas= 500*0.08).
Este no siempre será el caso, ya que si el inventario de arboles se incrementa,
la diferencia entre el inventario y la meta decrecerá y eventualmente se estará
plantando tanto arboles como se vendan. En este punto el flujo de entrada
igualara al flujo de salida por lo que se lograra un equilibrio.

Paso 2. Determinar el valor inicial del nivel

El valor inicial del nivel aun es de 500 arboles

Paso 3. Determinar el valor final del nivel

El valor final ocurre cuando el sistema está en equilibrio, y esto ocurrirá de


acuerdo a las siguientes ecuaciones:

Plantado = Ventas
(Arboles/año) = (Arboles/año)
Fracción de Plantado * Diferencia = Arboles *fracción de Venta
(1/año)*arboles = arboles * (1/año)

Sustituyendo los números tenemos:

0.30* (5800 – Arboles) = 0.08 * Arboles


5800 – Arboles = (0.08 * Arboles) / 0.30
5800 = Arboles + Arboles * (0.08 / 0.30)
5800 = Arboles * (1+ (0.08 / 0.30))
5800 = Arboles * 1.267
Arboles = 4578 en equilibrio
Considerando la meta de 5800 árboles, se alcanza el equilibrio mucho más
antes.

6,000

4,500

3,000

1,500

0
0 2 4 6 8 10 12 14 16 18 20
Tiempo
Arboles Ventas
Plantado
Gráfica 4.35

4.4.4.4. Realimentación no lineal con Función gráfica

Aun cuando la anterior estrategia alcanza la meta prevista, se desea encontrar


la tasa a la cual se debería empezar a plantar, ya que no se puede empezar a
plantar 1600 árboles por año sin incrementar sus ventas, así que se plantea
utilizar una relación no lineal para controlar el plantado. La hipótesis se refiere a
que debe reducir el plantado solo si se incrementa la densidad de arboles, con
lo que estaría controlando la densidad de árboles plantados, de acuerdo al
siguiente modelo:

Gráfica 4.36

El ciclo de ventas se mantiene como en la anterior estrategia, mientras que en


el ciclo de plantado, en lugar de que el plantado sea una fracción del número
total de arboles, se escala este valor por un multiplicador que se ajusta por la
densidad de arboles, de acuerdo a la siguiente función:
Gráfica 4.37

Usando los conocimientos de simulación metal, determinamos el comportamiento del


sistema:

Paso 1.Determinar la naturaleza del comportamiento del ciclo en el sistema

El ciclo de ventas permanece como un ciclo de realimentación negativa, sin embargo el


ciclo de plantado tiene un inusual comportamiento debido a la función gráfica
relacionada.
La fracción de plantado de 0.30 tiene la tendencia de incrementar exponencialmente el
número de árboles plantados (ciclo positivo). La densidad sin embargo se decrementa
en función al incremento de arboles (ciclo negativo), de acuerdo a esto se generan tres
posibilidades extremas:

• Si el ciclo positivo domina el comportamiento del sistema, la densidad de arboles


crecerá a un valor de 1.2 arboles/ metro cuadrado y la tasa de plantado será cero.
Esto significa que se puede descontar la posibilidad de que el ciclo positivo genere
crecimiento exponencial ya que no puede haber crecimiento si la tasa de plantado
es cero.
• Si el ciclo negativo domina el comportamiento del sistema. Esto puede causar un
comportamiento asintótico y permitir que el inventario de arboles llegue al nivel
deseado. Desafortunadamente esto es muy similar a la estrategia 3, el cual tiene
una tasa de plantado inicial muy larga y se quiere encontrar una estrategia más
ideal. El hecho que la densidad tenga cambios muy pequeños de hasta 0.6
arboles/metro cuadrado ayuda a que se decida a que inicialmente haya espacio
para un crecimiento exponencial, en otras palabras el ciclo positivo inicial será más
fuerte hasta que el valor de la densidad haga un cambio significante.
• El ciclo tiene inicialmente características de realimentación positiva, pero la
dominancia se desplazara y el ciclo mostrara características de realimentación
negativa, con lo que el resultado será un comportamiento S-shaped (formación S).

Paso 2. Determinar el valor inicial del nivel

Este aun es 500 arboles

Paso 3. Determinar el valor final del nivel

El valor final del sistema ocurre cuando el sistema esta en equilibrio cuando los flujos
son iguales, de acuerdo a las siguientes ecuaciones:
Plantado = Ventas
(Arboles/año) = (Arboles/año)

Fracción Plantado*Arboles*Multiplicador Densidad(Densidad) = Arboles*fracción


Venta
(1/año)*arboles* (Arboles/Arboles) = arboles * (1/año)

Sustituyendo los números tenemos:

0.30* Arboles* Multiplicador de Densidad(Densidad) = 0.08 * Arboles


Multiplicador de Densidad(Densidad) = (Arboles * 0.08) / (Arboles * 0.30)
Multiplicador de Densidad(Densidad) = 0.08 / 0.30
Multiplicador de Densidad(Densidad) = 0.267

Revisando el gráfico de la función Multiplicador de Densidad para un valor de


0.267 corresponde una densidad de 0.96 arboles/metro cuadrado, con esta
densidad en una área de 6000 metros/cuadrados habrán 5800 árboles.

6,000
2,000

3,000
1,000

0
0
0 2 4 6 8 10 12 14 16 18 20
Time (Month)
Arboles
Plantado
Ventas

Gráfica 4.38

Satisfechos con la simulación se decide implementar la ultima estrategia para el


negocio.

4.5. Ejemplo de formulación


En base a los submodelos causales, resultado de la etapa de conceptualización en
el capitulo anterior, se diagrama el modelo flujo-nivel siguiente:
Software Vensim
Tasa de contacto
Prevalencia
Tasa de infeccion

Poblacion con Poblacion


IRAs sin IRAs con
neumonia Complicacion neumonia Curacion con
Infeccion
tratamiento

Muertes por Tasa de


Curacion sin tratamiento
Tasa de curacion tratamiento neumonia
Tasa de
complicacion
Tasa muertes por
neumonia

Poblacion
Nacimientos infantil
Muertes

Tasa de Incidencia de pobreza


Tasa de natalidad mortalidad en educacion
Cobertura de
Razon porcentual salud hogares con bajo
hogares sin
camas hospitalarias logro educativo
servicios basicos
Acceso familiar
Personal medico
Camas Incidencia de pobreza y
Hospitalarias Tasa porcentual
falencia de recursos servicios basicos

Tasa de poblacion Incidencia de


atendida en centros de pobreza en salud Numero de
razon porcentual de salud hogares
No acceso a
personal en salud medicamentos

Hogares sin acceso


a salud
Gráfica 4.40

Software I-Think
Tasa de contacto

Tasa de tratamiento
Tasa de inf eccion Prev alencia

Poblacion IRAs sin neumonia


Poblacion IRAs con neumonia

Inf eccion Complicacion Curacion con


tratamiento

Curacion sin tratamiento Tasa de complicacion


Muertes por neumonia
Tasa de curacion

tasa muertos por neumonia


Poblacion Inf antil Muertes
Nacimientos

Hogares con bajo logro educativ o

Tasa de natalidad
Tasa de mortalidad
Incidencia de pobreza
en educacion
Acceso f amiliar
Razon porcentual
Cobertura
camas hospitalarias
de salud
Personal medico

Hogares sin serv icios


Incidencia de pobreza
Tasa porcentual basicos
Tasa de poblacion y serv icios basicos
Camas hospitalarias f alencia de recursos Incidencia de
atendida en
Razon porcentual de pobreza en salud
centros de salud
personal en salud

Numero de hogares
no acceso a medicamentos

Hogares sin acceso a salud

Gráfica 4.41
Las ecuaciones respectivas son:

Ecuaciones de Nivel:

Población con IRAs sin neumonía= INTEG (+Infección –Complicación -Curación sin
tratamiento)

Población infantil= INTEG (+Nacimientos-Muertes)

Población IRAs con neumonía= INTEG (+ Complicación -Curación con tratamiento-Muertes


por neumonía)

Ecuaciones de Flujo:

Complicación=Población con IRAs sin neumonía*Tasa de complicación

Curación con tratamiento=Población IRAs con neumonía*Tasa de tratamiento

Curación sin tratamiento=Población con IRAs sin neumonía*Tasa de curación

Infección=(Tasa de infección*Población infantil)+Prevalencia

Muertes=Población infantil*Tasa de mortalidad

Muertes por neumonía= Población IRAs con neumonía*Tasa muertes por neumonía

Nacimientos=Población infantil*Tasa de natalidad

Variables Auxiliares:

Tasa de mortalidad=(-Acceso familiar-Muertes por neumonía + Cobertura de salud)

Acceso familiar=(Incidencia de pobreza en educación +Incidencia de pobreza en salud


+Incidencia de pobreza y servicios básicos)

Cobertura de salud=Tasa de población atendida en centros de salud +Tasa porcentual


falencia de recursos

Incidencia de pobreza en educación= (hogares con bajo logro educativo/Numero de


hogares)

Incidencia de pobreza en salud=(Hogares sin acceso a salud/Numero de hogares)

Incidencia de pobreza y servicios básicos= (hogares sin servicios básicos/Numero de hogares)

Prevalencia=(Población IRAs con neumonía +Población con IRAs sin neumonía)*Tasa de


contacto

Razón porcentual camas hospitalarias=(Población infantil/Camas Hospitalarias)

Razón porcentual de personal en salud=(Población infantil/Personal médico)


Tasa porcentual falencia de recursos=No acceso a medicamentos +Razón porcentual camas
hospitalarias +razón porcentual de personal en salud

Parámetros:1

Camas Hospitalarias= 1468


Hogares con bajo logro educativo= 267310
Hogares sin acceso a salud= 274112
Hogares sin servicios básicos= 173512
No acceso a medicamentos= 30
Número de hogares= 352411
Personal médico= 3789
Tasa de complicación= 0.1233
Tasa de contacto= 0.765
Tasa de curación= 0.8767
Tasa de infección= 0.11
Tasa de natalidad= 0.08
Tasa de población atendida en centros de salud= 44.73
Tasa de tratamiento= 0.875
Tasa muertes por neumonía= 0.021

Resumen
Originalmente fue dirigido a las ciencias administrativas e ingenieriles, pero
gradualmente se ha desarrollado como una herramienta útil en el análisis de sistemas
sociales, económicos, físicos, químicos, biológicos y ecológicos.

La dinámica de sistemas es una metodología usada para entender como los sistemas
van cambiando en el tiempo.

Un modelo de dinámica de sistemas es la representación de la estructura del sistema,


que le permite generar escenarios de simulación como una herramienta para tomar
decisiones; alterando un sistema podemos examinar cómo responderá a distintas
condiciones.

Las etapas en la modelación de sistemas son 4: conceptualización, formulación,


prueba e implementación.

En conceptualización, el modelador debe determinar el propósito del modelo, sus


fronteras, su posible comportamiento y la naturaleza de los mecanismos básicos.

El propósito de un modelo normalmente se enmarca para clarificar el conocimiento y


entendimiento del sistema, descubrir políticas que mejoraran el comportamiento del
sistema, capturar modelos mentales y servir como un medio de comunicación y
unificación.

La frontera del modelo contiene todos los componentes presentes en el modelo final,
pues en ella se deberá reunir todos los componentes que sean necesarios para crear

                                                                                                                       
1
 Fuente: Instituto Nacional de Estadistica y SNIS-VIG.EPID Cbba.
un modelo del sistema, luego, para especificar una frontera del modelo, se deberá
separar los componentes iniciales en variables endógenas y variables exógenas.

El modo de referencia representa el comportamiento de las variables clave de un


sistema sobre el tiempo.

Los mecanismos básicos son los ciclos de realimentación en el modelo y representan


el conjunto más pequeño de relaciones causa-efecto reales capaces de generar el
modo de referencia, aunque también podría ser una simple historia que explique el
comportamiento dinámico del sistema

Términos y conceptos clave


Sistema, estructura, dinámico, comportamiento, mecanismos básicos,
conceptualización, propósito, frontera, modo de referencia.

Referencias bibliográficas
[1]: Albin, Stephanie & Choudhari, Mark. Generic Structures: First order positive
feedback loops (D-4474-2) An introduction to the generic structure in positive
feedback systems. extraido de Road Maps: A Guide to Learning System Dynamics
http://sysdyn.clexchange.org/road-maps/rm-toc.html
[2]: Albin, Stephanie. Generic Structures: First order negative feedback loops (D-4475-
2) An introduction to the generic structure in negative feedback systems. Extraido
de Road Maps: A Guide to Learning System Dynamics
http://sysdyn.clexchange.org/road-maps/rm-toc.html
[3]: Aracil, Javier & Gordillo. Dinámica de Sistemas. Alianza Universidad Textos, 1999
[4]: Aracil, Javier. Dinámica de Sistemas. ISDEFE, 1995
[5]: Coronado, Alan. Beginner Modeling Exercises Section 4: Mental Simulation: Adding
constant flows (D-4546-2) Simple exercises on introducing a constant flow to
positive and negative feedback systems. Extraido de Road Maps: A Guide to
Learning System Dynamics http://sysdyn.clexchange.org/road-maps/rm-toc.html
[6]: Drew, Donald R. Dinámica de Sistemas Aplicada. ISDEFE, 1995
[7]: Forrester, Jay. Principles of Systems. Productivity Press.1998
[8]: Martín García, Juan. Teoría y ejercicios prácticos de Dinámica de Sistemas.
Barcelona (España). 2006
[9]: Stanley, Laughton & Zhu, Helen. Beginner Modeling Exercises Section 5: Mental
simulation of Combining Feedbacks in First-Order Systems (D-4593-2) Simple
exercises on systems producing S-shaped growth. Extraido de Road Maps: A
Guide to Learning System Dynamics http://sysdyn.clexchange.org/road-maps/rm-
toc.html
[10]:Whelan, Joseph. Beginner Modeling Exercises Section 2: Mental simulation of
Positive Feedback (D-4487) Simple exercises on positive feedback systems.
Extraido de Road Maps: A Guide to Learning System Dynamics
http://sysdyn.clexchange.org/road-maps/rm-toc.html
[11]:Zhu, Helen. Beginner Modeling Exercises Section 3: Mental simulation of Negative
Feedback (D-4536-2) Simple exercises on negative feedback systems. Extraido de
Road Maps: A Guide to Learning System Dynamics
http://sysdyn.clexchange.org/road-maps/rm-toc.html
5.1. Introducción
En este capítulo explicaremos la tercera y cuarta etapa de la modelación con
Dinámica de Sistemas: prueba e implementación, ejemplificando el problema iniciado
en temas anteriores.

5.2. Prueba
En esta etapa se distinguen tres pasos que permiten probar el modelo generado en la
anterior etapa mediante la simulación por computadora.

• Simular el modelo y probar las hipótesis dinámicas


• Probar las suposiciones del modelo (Validación del modelo)
• Probar el comportamiento del modelo y su sensibilidad a perturbaciones

5.2.1. Simular el modelo y probar las hipótesis dinámicas


La construcción del modelo culmina una descripción racional del proceso que se está
estudiando y es el resultado de la etapa de formulación. A partir de este modelo se genera
su comportamiento. La simulación por computadora del modelo permite determinar las
trayectorias que genera.

Si el modelo es correcto, el comportamiento representado deberá reproducir, con cierto


grado de precisión que se considere aceptable, el de la descripción empírica del sistema
modelado (modo de referencia de la etapa de conceptualización).

Si ocurre el caso de que se careciera del modo de referencia, debido a que se diera un
tipo de situación en el que confluyen una serie de factores que previamente no se
hubieran dado; la evaluación del modelo se haría por expertos, en tanto se considere que
incorpora todas las hipótesis que razonablemente se pudiesen hacer con relación a esa
situación.

En el ejemplo de las etapas anteriores, procedemos a representar los comportamientos


simulados de las variables clave:

Tabla 5.1. Población infantil


Año 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Población 213333 216913 221486 226761 232723 239365 246693 254721 263472 272978 283280

1: Poblacion Inf antil


1: 290000

1: 250000 1

1
1: 210000
2000.00 2002.00 2004.00 2006.00 2008.00 2010.00
Page 1 Y ears

Gráfica 5.1.
Tabla 5.2. Población IRA’s sin neumonía
Año 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
IRA's s/neumonía 92350 102019 111447 120246 128560 136511 144206 151742 159204 166671 174216

1: Poblacion IRAs sin neumonia


1: 180000

1: 135000
1

1
1: 90000
2000.00 2002.00 2004.00 2006.00 2008.00 2010.00
Page 1 Y ears

Gráfica 5.2.

Tabla 5.3. Población IRA’s con neumonía


Año 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
IRA's c/neumonía 10321 12460 13875 15184 16406 17558 18658 19721 20761 21789 22817

1: Poblacion IRAs con neumonia


1: 30000

1
1: 20000
1

1
1: 10000
2000.00 2002.00 2004.00 2006.00 2008.00 2010.00
Page 1 Y ears

Gráfica 5.3.

Tabla 5.4. Tasa de mortalidad


Año 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Tasa mortalidad 0.06 0.06 0.06 0.05 0.05 0.05 0.05 0.05 0.04 0.04 0.04

1: Tasa de mortalidad
1: 0

1: 0 1

1: 0
2000 2003 2005 2008 2010
Page 1 Y ears 09:14 p.m. Mar, 18 de Nov de 2008

Gráfica 5.4.
5.2.2. Probar las suposiciones del modelo (Validación del
modelo)
El objetivo principal de la validación de modelo de dinámica de sistemas es establecer
la validez de la estructura del modelo. En este paso se somete el modelo a una serie
de ensayos y análisis para evaluar su validez y calidad. Estos análisis son muy
variados y comprenden desde la comprobación de la consistencia lógica de las
hipótesis que incorpora hasta el estudio del ajuste entre las trayectorias generadas por
el modelo y las registradas en la realidad.

El orden lógico que se sigue en el proceso de validación es el siguiente:

• Pruebas de estructura directa.


• Pruebas de comportamiento orientadas a estructura.
• Pruebas de la precisión del modelo (patrones de comportamiento).

5.2.2.1. Pruebas de estructura directa.


Se trata de pruebas cuyo objetivo es valorar la validez de la estructura del modelo,
mediante una comparación directa con lo que se conoce acerca del sistema real. Esta
comparación requiere tomar cada ecuación matemática o relación lógica
individualmente y compararlas con las que se conocen del sistema real. Pero, esto no
requiere simulación alguna.

Las pruebas de estructura directa se pueden clasificar como:

• Empíricas, implican una comparación de la estructura del modelo con


información cuantitativa o cualitativa obtenida directamente del sistema real que
estamos modelando.
• Teóricas, implican una comparación de la estructura del modelo con lo que se
conoce por la literatura acerca de estos sistemas.

5.2.2.1.1 Pruebas de confirmación de la estructura

Son quizás las más difíciles de formalizar y cuantificar, en la medida en que


pretenden comparar directamente las ecuaciones del modelo con las relaciones
que existen en el sistema real. La información necesaria para este tipo de
comparación es por naturaleza altamente cualitativa y no se puede reflejar con un
conjunto de datos numéricos. Sin embargo, hay algunas herramientas
semiformales para llevar a cabo estas pruebas de estructura directa (inspecciones
formales, revisiones, análisis de flujo de datos, etc.).

5.2.2.1.2. Pruebas de confirmación de parámetros

Consistente en evaluar los parámetros constantes frente a los que se conocen del
sistema real, tanto conceptual como numéricamente. La confirmación conceptual
consiste en identificar los elementos del sistema real que se corresponden con los
parámetros del modelo. La confirmación numérica consiste en estimar el valor
numérico del parámetro con suficiente precisión. Las pruebas de confirmación de
parámetros se deben aplicar tanto en las pruebas empíricas como en las teóricas.
5.2.2.1.3. Prueba en condiciones extremas

Que implica evaluar la validez de las ecuaciones del modelo bajo condiciones
extremas, evaluando la credibilidad de los valores resultantes frente a lo que
ocurriría bajo las mismas condiciones en la vida real. A diferencia de lo que ocurre
en condiciones normales de funcionamiento, en condiciones extremas es
relativamente fácil predecir el valor de las variables del sistema real, por ejemplo si
la población es cero no puede haber ni nacimientos, ni trabajadores, ni consumo,
etc. Por lo tanto, cada ecuación del modelo se puede probar asignando valores
extremos a las variables de entrada y comparando el valor de la variable de salida
con lo que lógicamente ocurriría en el sistema real bajo las mismas condiciones
extremas (las pruebas en condiciones extremas no implican una simulación).

5.2.2.1.4. Pruebas de consistencia dimensional

Han de probar que las dimensiones a ambos lados de la ecuación tienen que ser
las mismas. Para ser significativo, la prueba requiere que el modelo no tenga
falsos parámetros de escala, que no tienen significado en la vida real.

5.2.2.2. Pruebas de comportamiento orientadas a estructura

Se trata de un conjunto de pruebas cuyo objetivo es validar la estructura del modelo,


pero indirectamente; mediante una serie de pruebas de comportamiento que se
aplican a patrones de comportamiento generados en el modelo.

Estas son pruebas potentes, en el sentido de que pueden ayudar al modelador a


descubrir defectos estructurales.

5.2.2.2.1. Test en condiciones extremas

Consiste en asignar valores extremos del parámetro seleccionado, y comparar el


comportamiento generado por el modelo con el observado en el sistema real bajo
estas mismas condiciones extremas (a estas pruebas también se les llama stress
testing).

5.2.2.2.2. Test de sensibilidad de comportamiento

Consiste en determinar aquellos parámetros para los cuáles el modelo es muy


sensible, y comprobar si el sistema real es igualmente sensible con respecto a
estos mismos parámetros.

5.2.2.2.3. Predicción de la modificación del comportamiento

Esta prueba se puede realizar en el caso en que sea posible encontrar datos
acerca de una versión modificada en el sistema real. El modelo supera esta
prueba, si es capaz de generar un comportamiento modificado similar cuando la
simulación se lleva a cabo con las modificaciones estructurales que reflejan la
estructura del sistema real modificado.
5.2.2.2.4. Test de relación de fase

Este tipo de pruebas hacen uso de la relación de fase entre parejas de variables en
el modelo, obtenidas como resultado de la simulación. Si alguna relación de fase
obtenida del modelo, es contraria a la que se observa o se espera del sistema real,
quiere decir que hay un fallo estructural en el modelo.

5.2.2.2.5. Análisis de las características cualitativas

La prueba consiste en especificar las principales características cualitativas del


comportamiento esperado, bajo unas condiciones de prueba dadas, y luego
compararlas con los resultados de la simulación actual.

5.2.2.2.6. Turing Test

En esta prueba, a los expertos se les presenta un conjunto de patrones de


comportamiento de salida simulados y reales y se les pregunta si pueden
diferenciar entre estos dos tipos de patrones. Si las pruebas demuestran que los
dos tipos de patrones de comportamiento son estadísticamente indistinguibles,
entonces se dice que ha pasado la prueba particular de Turing, sin embargo si los
expertos detectan diferencias significativas, entonces son entrevistados con el
propósito de descubrir fallos estructurales en el modelo, que pudieran ser los
causantes de tales diferencias.

Después de estudiar cada una de estas pruebas podemos observar que las pruebas
de comportamiento orientadas a estructura son bastante sólidas ya que proporcionan
información acerca de fallos estructurales que puedan existir en potencia. La ventaja
más importante que presenta estos test frente a los de estructura directa es que los
primeros son mucho más adecuados para formalizar y cuantificar. Las pruebas de
estructura directa, aunque más potentes en concepto, tienen el inconveniente de que
son en esencia demasiado cualitativas e informales.

Puesto que las pruebas de comportamiento orientadas a estructura combinan la


resistencia de la orientación estructural con la ventaja de ser cuantificable, éstas
parecen ser la dirección más adecuada en las investigaciones sobre la validación de
modelos. Una buena implementación de la prueba en condiciones extremas nos la
ofrece la característica Reality Check del software de simulación VENSIM. Reality
Check consta de sentencias de la forma: “si la entrada impuesta al sistema es A,
entonces el comportamiento B resultaría”. En este caso el software realiza
simulaciones y prueba la conformidad del modelo con respecto al comportamiento
anticipado. El Reality Check es, por tanto, una versión del concepto general de
pruebas de afirmación.

5.2.2.3. Pruebas de la precisión del modelo (patrón de comportamiento)


Una vez que se ha obtenido la suficiente confianza en la validez de la estructura del
modelo, se puede comenzar a realizar ciertas pruebas diseñadas para medir la
certeza con que el modelo, puede reproducir los principales patrones de
comportamiento mostrados por el sistema real.
Es crucial notar que la importancia reside más en la predicción del patrón (período,
frecuencia, retrasos de fase, amplitudes, etc.) que en la predicción del evento en
concreto. Esto es un resultado lógico de la orientación a largo plazo de los modelos de
dinámica de sistemas.

No debería dar la impresión errónea de que la validación total del modelo consta de un
único proceso secuencial; empezando por el modelo inicial y terminando con las
pruebas de comportamiento. En realidad, dependiendo de los resultados de las
pruebas específicas puede haber numerosos bucles y revisiones del modelo a lo largo
del proceso.

Una vez que el modelo ha superado todas las pruebas estructurales podemos
comenzar a evaluar su capacidad de predicción, llevando a cabo una serie de pruebas
de comportamiento.

Si el modelo pasa todas las pruebas de estructura directa y de comportamiento


orientadas a estructura, pero sin embargo falla las pruebas de patrones de
comportamiento, entonces se deben de considerar nuevos parámetros y funciones de
entrada, en cuyo caso podemos prescindir de las pruebas de estructura y aplicar
únicamente las pruebas de patrones de comportamiento.

Una vez se supone que la estructura del modelo es adecuada, se llevarán a cabo las
pruebas de predicción de patrones de comportamiento. Esta parte es importante
debido principalmente a dos razones:

• Las pruebas estadísticas convencionales no son aplicables a los modelos de


predicción del tipo de Dinámica de Sistemas
• Una de las críticas más frecuentes realizadas sobre la metodología de
Dinámica de Sistemas es la ausencia de unas pruebas de capacidad
predictiva que sean formales y cuantitativas.

Las pruebas de patrones de comportamiento son insuficientes puesto que no


proporcionan ninguna información sobre la validez de la estructura del modelo.

Existen dos tipos distintos de patrones de comportamiento que requieren dos tipos de
prueba:

• Si el problema implica un transitorio (comportamiento altamente no


estacionario), entonces es imposible aplicar ninguna medida estadística
estándar, puesto que el problema no es de naturaleza estadística. La mejor
aproximación es comparar medidas gráficas / visuales de las características
más típicas de patrones de comportamiento, tales como: amplitud, tiempo
entre dos máximos, pendiente, valor mínimo, número de puntos de inflexión,
tiempo de establecimiento, etc. Aún siendo el problema de naturaleza no
estadística, es posible diseñar fórmulas de situaciones específicas que
pueden estimar éstas y algunas otras características de patrones de
comportamiento.
• Si el problema implica una simulación permanente a largo plazo es posible
aplicar ciertas pruebas estadísticas estándar. Si un modelo no pasa las
pruebas de patrón de comportamiento, volvemos de nuevo a las revisiones
del modelo. Pero en este caso, puesto que la confianza en la estructura del
modelo debe haber sido establecida anteriormente, dichas revisiones
implican únicamente cambios de funciones de entrada y / o parámetros más
que revisiones estructurales.

5.2.2.3.1. Pruebas de predicción de patrones de comportamiento

Las pruebas de predicción de patrones de comportamiento básicamente consisten


en comparar el comportamiento generado por el modelo con el comportamiento
observado en el sistema real que tratamos de modelar. Este tipo de comparación
es difícil y problemático para modelos de Dinámica de Sistemas debido a varias
razones.
Por un lado, los parámetros de ruido de modelos de Dinámica de Sistemas no son
necesariamente independientes y/o con un distribución normal. Los patrones de
comportamiento generados por modelos de dinámica de Sistemas típicos son
altamente no correlacionados, generalmente son no estacionarios en cuanto a su
valor medio y a veces tampoco lo son en su varianza. Estas características de los
modelos de Dinámica de Sistemas violan las tres suposiciones fundamentales en
que se apoyan las pruebas estadísticas convencionales; estas son: distribución
normal, independencia y estacionariedad.

De este modo, las pruebas estándar como el t-test, F-test, o el c2-test, no se


pueden aplicar directamente a la validación de modelos de Dinámica de Sistemas.
Teniendo en mente estos problemas, una aproximación sería la de eliminar
características no deseables, como la autocorrelación o la no estacionariedad de
los datos, y entonces aplicar los tests estándar a los datos ya transformados.

Sin embargo, esta aproximación no nos sirve tampoco para la validación del
comportamiento de los modelos de Dinámica de Sistemas, ya que estas
características no deseables para nuestra estadística, que acabamos de
mencionar son importantes componentes del temporales del patrón que el modelo
de Dinámica de Sistemas trata de reproducir.
En lugar de eliminarlas, el analista debe responsabilizarse de demostrar que el
modelo es capaz de generar autocorrelaciones y no estacionariedades (como
pueden ser ciclos, tendencias de crecimiento, etc.) similares a las que se observan
en el comportamiento del sistema real.

Está suficientemente demostrado que, por su naturaleza, los modelos de Dinámica


de Sistemas, no predicen valores específicos individuales de variables de salida
(predicción puntual), sino que predicen patrones de tiempo globales, del sistema
completo (predicción de patrón).

Como consecuencia de que las pruebas estadísticas estándar resultan


inapropiadas, los expertos en Dinámica de Sistemas, han adoptado procedimientos
relativamente cualitativos para la validación de la predicción de patrones de
comportamiento. La Dinámica de Sistemas ha sido frecuentemente criticada por su
falta de herramientas de evaluación formales y cuantitativas. Los expertos en
Dinámica de Sistemas han respondido a este tipo de críticas afirmando que la
validación de modelos es inherentemente relativa e incluso ampliamente informal y
cualitativa por su propia naturaleza.
Debe entenderse que la utilización completa de herramientas formales -
cuantitativas para evaluar el comportamiento de un modelo de Dinámica de
Sistemas, no es incompatible con la filosofía relativista / holistica de la validación
de modelos.

5.2.2.3.2. El empleo de pruebas estadísticas

A pesar de que la generación de números pseudoaleatorios y variables aleatorias no


es muy importante en dinámica de sistemas, estos elementos pueden ser introducidos
en los modelos.

Los lenguajes de dinámica de sistemas proporcionan funciones que dan soporte a


estas características. Por ejemplo en VENSIM la función RANDOM_0_1() genera un
número aleatorio entre 0 y 1. El comportamiento probabilístico puede introducirse a
través de variables de flujo o de información.

Cuando un modelo tiene carácter aleatorio produce como resultados variables


aleatorias que deben interpretarse mediante técnicas estadísticas. Sin embargo estas
pruebas presentan una serie de problemas que se enumeran a continuación. Las
pruebas de significancia estadística consisten en plantear una hipótesis provisional
(null hypothesis) y evaluar si las implicaciones derivadas de ella discrepan
significativamente en términos estadísticos con respecto a los datos obtenidos del
sistema real. Para medir la discrepancia se calcula un estadístico que combina los
datos empíricos y la hipótesis provisional, y se divide su rango de valores de salida en
dos intervalos, denominando región crítica a aquel que corresponde con la decisión de
rechazar la hipótesis bajo prueba. Para hacer esta división del rango de salida del
estadístico hay que elegir un nivel de discrepancia por encima del cual se considera la
hipótesis como falsa. Pero al aproximar las variables aleatorias observables de
sistema real por muestras estadísticas existe una cierta probabilidad de equivocarse,
en el caso de que el conjunto de datos recogido no aproximen adecuadamente la
función distribución de probabilidad.

Hay dos tipos de errores que son: rechazar la hipótesis provisional cuando en realidad
es cierta (error tipo I), y aceptar la hipótesis como válida cuando es falsa (error tipo II).

A la probabilidad de cometer el error tipo I se le denomina nivel se significancia del


test, y a la probabilidad no cometer el error tipo II, o sea la probabilidad de aceptar la
hipótesis sólo cuando esta es cierta, se le llama potencia del test. Así, una prueba con
un nivel de significancia de 0.05 descartará hipótesis válidas sólo el 5% de las
ocasiones.

El uso de pruebas estadísticas de significancia como herramientas para validar


modelos es un tema controvertido. En dinámica de sistemas este tipo de test ha sido
poco utilizado, a pesar de que es una herramienta habitual para validar modelos en las
ciencias sociales y económicas, lo que le ha acarreado algunas críticas.

Emplear pruebas de significancia estadística para evaluar modelos de dinámica de


sistemas y, por extensión, otros modelos socioeconómicos, tiene problemas tanto
técnicos como filosóficos. Los primera de las cuestiones técnicas que desaconsejan el
uso de dichas pruebas es que la mayoría de ellas necesitan al menos que los datos
empíricos empleados sean no autocorrelacionados (los valores de una misma variable
sean independientes entre sí), no posean correlación entre sí las diferentes variables
observadas, y dichas variables sigan una distribución gaussiana.
Las dos primeras exigencias casi nunca se satisfacen en un modelo de dinámica de
sistemas debido al carácter social de los sistemas reales a modelar. En los sistemas
sociales las interdependencias entre variables son abundantes y en ocasiones
difícilmente identificables. Por eso asegurar que no existen dependencias en la
muestra de datos es casi imposible. En estas condiciones de datos correlacionados la
complejidad de las pruebas aumenta mucho.

Otra dificultad técnica en la aplicación de pruebas de significancia estadística es la


adquisición de datos del sistema real sin falsearlos, lo que produciría resultados
incorrectos de las pruebas.

La última dificultad técnica estriba en que los modelos no suelen tener una única
variable de salida, sino que existen varias importantes para el propósito perseguido.
Por tanto el test a realizar debería evaluar la significancia estadística conjunta de
múltiples hipótesis al mismo tiempo. Estos test son complejos y poco generales, sobre
todo si, como se ha comentado antes, los datos de entrada están correlacionados.

Respecto a los problemas filosóficos que surgen de comprobar hipótesis


estadísticamente, el primero surge a la hora de fijar el nivel de significancia con que se
va a aplicar una prueba. En la bibliografía se encuentra a menudo la recomendación
de colocarlo entre 0.10 y 0.05.

Sin embargo no suelen considerarse con la suficiente atención los efectos de esta
elección. Si eligiéramos un nivel de significancia pequeño, esto es, una baja
probabilidad de rechazar una hipótesis verdadera, tendríamos inevitablemente una alta
probabilidad de aceptar hipótesis falsas (error tipo II).

Cada uno de los dos tipos de error en que podemos caer tiene un coste y por ello al
decidir cuál debe ser el nivel de significancia debemos intentar minimizar el coste
conjunto que ambos errores nos acarrearán en término medio. Esto ya es complicado
en otras situaciones, pero en validación de modelos es incluso difícil de definir: cómo
vamos a medir el coste de rechazar un modelo válido o el de aceptar uno falso.

Debido a esta incertidumbre, tradicionalmente se ha escogido un nivel de significancia


arbitrario, aunque rechazar o aceptar modelos en base a un criterio injustificado vacía
a la prueba de objetividad y, por lo tanto, de utilidad.

Una alternativa para resolver esto es restarle importancia al test, calculando el


estadístico pero sin usarlo como elemento discriminante de validez, solamente como
un indicador más de su aptitud. Además esta actitud está en línea con el
planteamiento filosófico que juzgamos como más adecuado para la dinámica de
sistemas en un apartado anterior.

Desde esa perspectiva filosófica la validación ha de ser un proceso continuo y


progresivo, y ponderar tanto la validez como la utilidad que nos da el modelo. Por eso
es mejor permitir que sea el modelador o usuario del modelo quien emplee estos
estadísticos del modo informal/cualitativo que mejor le parezca en el proceso de
validación. Al final el usuario considerará el modelo como válido si piensa que le es
más útil usarlo que no hacerlo. Esto es un claro ejemplo de la combinación de técnicas
formales/cuantitativas con informales/cualitativas que emplea la dinámica de sistemas
al evaluar la confianza en un modelo.
5.2.2.4. Validación del modelo ejemplo
La validación es la demostración de que el modelo, dentro de su campo de aplicación,
representa a la realidad con un grado de exactitud adecuado para la aplicación
deseada. Juzgar la validez de un modelo fundamentalmente implica juzgar también la
validez de su propósito. Utilizaremos para la cuantificación de la contrastación la
técnica de error porcentual medio absoluto (EPMA):

Wr − W 
*100 ≤ ε
W
Donde:

Wr = Valor histórico
W  = Valor simulado
ε = error

Población infantil Tabla 5.5. Población infantil


 
AÑO HISTORICO MODELO EPMA
 
2000 213333 213333 0,00000

  2001 215978 215213 0,35546

2002 218969 218041 0,42561


 
2003 222027 221501 0,23747

  2004 224867 225550 0,30282

2005 227204 230151 1,28046


 
2006 228974 235283 2,68145
Gráfica 5.5.
 

Población IRA’s sin neumonía Tabla 5.6. IRA’s sin neumonía

AÑO HISTORICO MODELO EPMA

2000 92349 92350 0,00108

2001 102472 102010 0,45290

2002 112524 111243 1,15153

2003 122393 119699 2,25065

2004 131998 127531 3,50268

2005 141372 134869 4,82172

2006 150633 141820 6,21422

Gráfica 5.6.
Población IRA’s con neumonía Tabla 5.7. IRA’s con neumonía

AÑO HISTORICO MODELO EPMA

2000 10321 10321 0,00000

2001 12002 12460 3,67576

2002 13665 13874 1,50641

2003 15278 15159 0,78501

2004 16817 16335 2,95072

2005 18292 17424 4,98163

2006 19737 18441 7,02782

Gráfica 5.7.

Tasa de mortalidad Tabla 5.8. Tasa de mortalidad

AÑO HISTORICO MODELO EPMA

2000 0,072 0,071 1,40845

2001 0,070 0,067 4,47761

2002 0,066 0,064 3,12500

2003 0,062 0,062 0,00000

2004 0,058 0,060 3,33333

2005 0,054 0,058 6,89655

Gráfica 5.8. 2006 0,052 0,056 7,14286

Los resultados en una tabla resumen con el resultado del EPMA calculado para cada
componente del modelo son:
Tabla 5.9. Resultado EPMA
Componente EPMA

Población IRA’s con neumonía 1,97%

Población IRA’s sin neumonía 2,83%

Población Infantil 0,49%

Tasa de Mortalidad 0,92%

Por los porcentajes calculados se acepta el comportamiento del modelo como una
representación adecuada del comportamiento del sistema real.
5.2.3. Probar el comportamiento del modelo y su sensibilidad a
perturbaciones
Los parámetros que se utilizan en el modelo de simulación dinámica constituyen las
mejores estimaciones de sus valores reales. Ahora que tenemos un modelo
construido y probado, debemos verificar cómo responde ante cambios en los
parámetros utilizados, es decir, verificar cuan sensibles son los resultados del modelo
a los cambios en esos parámetros sobre los cuales tenemos dudas. Este análisis
posterior a la construcción y ajuste del modelo se conoce como Análisis de
Sensibilidad.

El análisis de sensibilidad es empleado para determinar que tan sensible es el modelo


ante cambios en los parámetros que intervienen en el modelo. Para esto, será
necesario simular el modelo un número infinito de veces, cambiando cada vez los
valores. A la técnica de simular un proceso que contiene elementos aleatorios
repitiendo el proceso una y otra vez para ver cómo se comporta se llama Método de
Montecarlo y es de aplicación usual en estudios empresariales y científicos.

En el análisis de sensibilidad sobre el modelo ejemplo, se realiza ligeras


modificaciones en los parámetros y se les asigna una distribución randómica sobre la
que se variarán y se observará su impacto en el comportamiento del modelo
(particularmente sobre las variables a las que afectan). Se muestran distribuciones de
probabilidad a lo largo del tiempo.

Población Infantil

Mediante la variación del Parámetro tasa de natalidad se realizan 200 simulaciones,


mediante una distribución Uniforme con valores aleatorios en el intervalo 0-1

REAL
50% 75% 95% 100%
Poblacion infantil
80 M

60 M

40 M

20 M

0
2000 2003 2005 2008 2010
Time (Year)
Gráfica 5.9.

Los límites exteriores de incertidumbre (100%) muestran los valores máximos de


aproximadamente 20,37 millones y un valor mínimo de aproximadamente 142.348 al
final de la simulación.
Población IRA’s sin neumonía

Variando el parámetro tasa de infección mediante una distribución Uniforme con


valores aleatorios en el intervalo 0-1.
Current
50% 75% 95% 100%
Poblacion con IRAs sin neumonia
4M

3M

2M

1M

0
2000 2003 2005 2008 2010
Time (Year)
Gráfica 5.10.

Los límites exteriores de incertidumbre (100%) muestran los valores máximos de


aproximadamente 2,220 millones y un valor mínimo de aproximadamente 28.469 al
final de la simulación.

Población IRA’s con neumonía

Mediante la variación del parámetro tasa de tratamiento y tasa muerte por


neumonía en una distribución Uniforme con valores aleatorios entre el intervalo de 0-1
Current
50% 75% 95% 100%
Poblacion IRAs con neumonia
2M

1.5 M

1M

500,000

0
2000 2003 2005 2008 2010
Time (Year)
Gráfica 5.11.

Los límites exteriores de incertidumbre (100%) muestran los valores máximos de


aproximadamente 2 millones y un valor mínimo de 0 al final de la simulación.

Tasa de Mortalidad

Variando el parámetro tasa muertes por neumonía en una distribución Uniforme con
valores aleatorios entre el intervalo de 0-1
REAL
50% 75% 95% 100%
Tasa de mortalidad
40

-20

-80

-140

-200
2000 2003 2005 2008 2010
Time (Year)
Gráfica 5.12.

Los límites exteriores de incertidumbre (100%) muestran los valores máximos de 30 %


aproximadamente.

5.3. Implementación
Esta última etapa consta de dos pasos:

• Probar la respuesta del modelo a diferentes políticas o entornos


• Traducir las conclusiones del estudio a una forma accesible a la gente común.

5.3.1. Probar la respuesta del modelo a diferentes políticas o


entornos (Explotación del modelo)

Este paso del modelo se emplea para analizar políticas alternativas que pueden
aplicarse al sistema que se está estudiando. Estas políticas alternativas se definen
normalmente mediante escenarios que representan las situaciones a las que debe
enfrentarse el usuario del modelo.

En el ejemplo se pueden considerar los siguientes escenarios:

Escenario 1

Para la generación de un primer escenario estratégico de toma de decisión, se


considera la hipótesis de simulación “que pasa si…”, considerando que el SEDES
consiga duplicar su presupuesto asignado con el cual podría contratar el doble de
personal médico, duplicar su infraestructura hospitalaria, incrementar el acceso
gratuito a medicamentos y ejecutar una campaña de concientización para asistir a los
centros de salud, lo que incidirá en mejorar la tasa de tratamiento de la enfermedad.
Graph for Tasa de mortalidad
0.08

0.06

0.04

0.02

0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Time (Year)
Tasa de mortalidad : ESCENA1
Tasa de mortalidad : REAL

Gráfica 5.13.

Tabla 5.9. Tasa de mortalidad (Escena 1 – Real)


2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Años

ESCENA1 0.0543 0.0528 0.0505 0.0486 0.0468 0.0451 0.0435 0.0420 0.0406 0.0391 0.0377

REAL 0.0711 0.0668 0.0641 0.0617 0.0595 0.0576 0.0559 0.0544 0.0530 0.0517 0.0505

El resultado que produce el modelo de simulación en este escenario hace que la Tasa
de Mortalidad Infantil se reduzca ampliamente.

Escenario 2

Para la generación del segundo escenario se considerara una mejora de acceso a la


salud que involucra implícitamente al gobierno mediante SEDES, incremento en
educación que involucra al gobierno y SEDUCA e incremento en los hogares con
servicios básicos que involucra al gobierno y las municipalidades.
Graph for Tasa de mortalidad
0.08

0.065

0.05

0.035

0.02
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Time (Year)
Tasa de mortalidad : ESCENA2
Tasa de mortalidad : ESCENA1
Tasa de mortalidad : REAL

Gráfica 5.14.
Tabla 5.10. Tasa de mortalidad (escenario 2 – real)
AÑO 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

ESCENA2 0.0639 0.0596 0.0568 0.0544 0.0521 0.0500 0.0481 0.0463 0.0445 0.0429 0.0413

ESCENA1 0.0543 0.0528 0.0505 0.0486 0.0468 0.0451 0.0435 0.0420 0.0406 0.0391 0.0377

REAL 0.0711 0.0668 0.0641 0.0617 0.0595 0.0576 0.0559 0.0544 0.0530 0.0517 0.0505

Este escenario muestra una reducción mayor en la tasa de mortalidad que el anterior
escenario.

Escenario 3

Se considera un último escenario como la combinación de los dos anteriores.

Graph for Tasa de mortalidad


0.08

0.06

0.04

0.02

0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Time (Year)
Tasa de mortalidad : ESCENA3
Tasa de mortalidad : ESCENA2
Tasa de mortalidad : ESCENA1
Tasa de mortalidad : REAL

Gráfica 5.15.

Tabla 5.11. tasa de mortalidad (escenario 3 - real)


AÑO 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

ESCENA3 0.0471 0.0426 0.0397 0.0369 0.0342 0.0315 0.0289 0.0262 0.0236 0.0208 0.0180

ESCENA2 0.0639 0.0596 0.0568 0.0544 0.0521 0.0500 0.0481 0.0463 0.0445 0.0429 0.0413

ESCENA1 0.0543 0.0528 0.0505 0.0486 0.0468 0.0451 0.0435 0.0420 0.0406 0.0391 0.0377

REAL 0.0711 0.0668 0.0641 0.0617 0.0595 0.0576 0.0559 0.0544 0.0530 0.0517 0.0505

Este escenario combina los dos anteriores y mejora la tasa de mortalidad.

5.3.2. Traducir las conclusiones del estudio a una forma


accesible a la gente común.
El último paso se traduce en generar una interface que el usuario final pueda manejar
y le permita interactuar con el modelo en forma transparente sin mayor conocimiento
de modelación o simulación.
En el ejemplo utilizamos el software I Think y Vensim para mostrar algunas interfaces
de usuario y su aplicación.

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Gráfica 5.16.
 
Resumen
Para las pruebas se distinguen tres pasos: simular, probar las suposiciones, probar el
comportamiento y su sensibilidad a perturbaciones del modelo.
La simulación por computadora del modelo permite determinar las trayectorias que
genera el modelo.
En la validación lo que se pretende es establecer la validez de la estructura del
modelo, esto mediante pruebas de estructura directa, pruebas de comportamiento
orientadas a estructura y pruebas para la precisión del modelo (patrones de
comportamiento).
La etapa de implementación consta de dos pasos: Probar la respuesta del modelo a
diferentes políticas o entornos y traducir las conclusiones del estudio a una forma
accesible a la gente común.

Términos y conceptos clave


Prueba, simulación, hipótesis dinámica, validación, comportamiento, estructura.

Referencias bibliográficas
[1]: Álvarez, Yolanda & Pérez-Bustamante Guillermo. La validación de los modelos de
dinámica de sistemas. Universidad de Oviedo (España) extraído de http://dinamica-­‐
sistemas.mty.itesm.mx/archivos/Congreso%20Latinoamericano%202004.pdf  
[2]: Aracil, Javier & Gordillo. Dinámica de Sistemas. Alianza Universidad Textos, 1999
[3]: Aracil, Javier. Dinámica de Sistemas. ISDEFE, 1995
[4]: Drew, Donald R. Dinámica de Sistemas Aplicada. ISDEFE, 1995
[5]: Martín García, Juan. Teoría y ejercicios prácticos de Dinámica de Sistemas. Barcelona
(España). 2006
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

You might also like