Professional Documents
Culture Documents
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.
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.
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.
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:
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
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.
Definición 2
Un modelo es la representación del comportamiento de un sistema real.
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.
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
Gráfica 2.1.
Por ejemplo:
+
Presa Predador
Gráfica 2.2.
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.
+
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.
Gráfica 2.8.
Gráfica 2.9.
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.
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:
Gráfica 2.11.
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.
Gráfica 2.14.
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.
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.
2.3.1.Resistencia al cambio
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.
2.3.3.Adicción simple
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.
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.
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.
Gráfica 2.26.
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.
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.
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.
2.3.8.Escalada
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.
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.
Gráfica 2.34.
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.
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.
Un ciclo de balance (negativo o depresivo) es aquel en que la acción intenta llevar dos
cosas a un acuerdo.
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.
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.
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.
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
Definición 3
Definición 4
Javier Aracil.
Definición 5
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
• Formulación
• Prueba
• Implementación
Gráfica 3.1
Este es un paso de dos partes: enfocarse sobre un problema y reducir la audiencia 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.
Segundo, para especificar una frontera del modelo, el modelador deberá separar los
componentes iniciales en dos grupos importantes:
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.).
Complicación (Flujo)
Cobertura de Salud
Prevalencia
3.5.3.Modos de referencia
Gráfica 3.2
Gráfica 3.3
Fuente: SNIS-VIG.EPID
Fuente: SNIS-VIG.EPID
Fuente: SNIS-VIG.EPID
3.5.4.Mecanismos básicos
• 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
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.
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.
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
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
ss
Gráfica 4.4
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:
Gráfica 4.5
Comparando las dos posibles ecuaciones para el flujo, se puede notar que el
multiplicador en la ecuación del flujo esta dado por:
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
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
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
Gráfica 4.9
Gráfica 4.10
Gráfica 4.11
Gráfica 4.12
Gráfica 4.13
Gráfica 4.14
El flujo de salida es la fracción del nivel que fluye del sistema por unidad
de tiempo.
Unidad: unidades/tiempo
Comparando las dos posibles ecuaciones para el flujo, se puede notar que el
multiplicador en la ecuación del flujo esta dado por:
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
4,000
-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
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.
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
Gráfica 4.19
Gráfica 4.20
Gráfica 4.21
Gráfica 4.22
Reproducción = Remoción
Población de Moscas de fruta * Tasa de Reproducción = Remoción
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
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.
750
500
250
0
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Poblacion mosca de fruta
Gráfica 4.24
Gráfica 4.25
Gráfica 4.26
Gráfica 4.27
Gráfica 4.28
Ahora simularemos el caso cuando el fregadero tiene 500 cm3 de agua al inicio
de la simulación:
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.
Gráfica 4.29
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:
Gráfica 4.31
Para determinar el comportamiento total del sistema, ambos flujos deben ser
considerados, las siguientes ecuaciones dan los valores de Plantado y Ventas:
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.
600
450
300
150
0
0 2 4 6 8 10 12 14 16 18 20
Tiempo
Arboles Ventas
Plantado
Gráfica 4.32
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.
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
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
Plantado = Ventas
(Arboles/año) = (Arboles/año)
Fracción de Plantado * Diferencia = Arboles *fracción de Venta
(1/año)*arboles = arboles * (1/año)
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
Gráfica 4.36
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)
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
Poblacion
Nacimientos infantil
Muertes
Software I-Think
Tasa de contacto
Tasa de tratamiento
Tasa de inf eccion Prev alencia
Tasa de natalidad
Tasa de mortalidad
Incidencia de pobreza
en educacion
Acceso f amiliar
Razon porcentual
Cobertura
camas hospitalarias
de salud
Personal medico
Numero de hogares
no acceso a medicamentos
Gráfica 4.41
Las ecuaciones respectivas son:
Ecuaciones de Nivel:
Población con IRAs sin neumonía= INTEG (+Infección –Complicación -Curación sin
tratamiento)
Ecuaciones de Flujo:
Muertes por neumonía= Población IRAs con neumonía*Tasa muertes por neumonía
Variables Auxiliares:
Parámetros:1
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.
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.
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.
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.
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: 135000
1
1
1: 90000
2000.00 2002.00 2004.00 2006.00 2008.00 2010.00
Page 1 Y ears
Gráfica 5.2.
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.
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.
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).
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.
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.
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.
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.
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:
Existen dos tipos distintos de patrones de comportamiento que requieren dos tipos de
prueba:
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.
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).
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.
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.
Wr − W
*100 ≤ ε
W
Donde:
Wr = Valor histórico
W = Valor simulado
ε = error
Gráfica 5.6.
Población IRA’s con neumonía Tabla 5.7. IRA’s con neumonía
Gráfica 5.7.
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
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.
Población Infantil
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.
3M
2M
1M
0
2000 2003 2005 2008 2010
Time (Year)
Gráfica 5.10.
1.5 M
1M
500,000
0
2000 2003 2005 2008 2010
Time (Year)
Gráfica 5.11.
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.
5.3. Implementación
Esta última etapa consta de dos pasos:
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.
Escenario 1
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.
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
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
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.
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
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.
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