You are on page 1of 130

ASIGNATURA

SIMULACIÓN
MANUAL AUTOFORMATIVO

Autor:
GUILLERMO ELIAS JARAMILLO CABRERA
INTRODUCCIÓN

En el mundo actual, tanto en el área de los negocios, como en la industria y el go-


bierno, los proyectos en gran escala y de gran complejidad son la regla y no la ex-
cepción.
Estos proyectos complejos requieren estudios previos a su construcción o modifica-
ción, denominados estudios pilotos. Tales estudios pilotos se realizan utilizando la
técnica llamada modelización, es decir, construcción de modelos donde se realiza el
estudio con el fin de obtener conclusiones aplicables al sistema real. Construido el
modelo, el proceso de ensayar en él una alternativa se llama simular.
El conjunto de alternativas que se definen para su ensayo constituye la estrategia
de la simulación. Los objetivos del proyecto definen cuál es el sistema y cuál el me-
dio ambiente que lo rodea. El sistema procura satisfacer las necesidades cambian-
tes de ese medio ambiente en el que está insertado.
Cada nuevo sistema lo modifica y crea en él nuevas necesidades. El sistema para
poder subsistir debe adaptarse a los cambios. Uno de los objetivos de la simulación
es realizar ensayos de cambios en el sistema probándolos en el modelo, con el fin
de elegir la mejor alternativa, y así enfrentar mejor a una realidad que varía día a
día.
En esta breve introducción se destacan tres conceptos fundamentales, que consti-
tuyen el eje de esta publicación y sobre los cuales se da el curso de simulación de
sistemas.
Los contenidos propuestos en este material de estudio, sintetizan los diversos cam-
pos de aplicación de la simulación que tenemos como ingenieros y obliga al estu-
diante a buscar mayor información en los textos propuestos.

Guillermo Elías Jaramillo Cabrera

2
DIAGRAMA DE PRESENTACIÓN
DE LA ASIGNATURA

RESULTADOS DEL APRENDIZAJE:

Define, analiza, diseña, desarrolla y valida adecuadamente diferentes tipos de mo-


delos de sistemas con el propósito de utilizarlos en la ejecución de experimentos de
simulación. Ejecuta con eficacia experimentos de simulación computacional para
reducir la incertidumbre en la solución de problemas en diversas áreas del conoci-
miento humano. Demuestra una actitud de respeto por los demás, las normas de
seguridad y el medio ambiente.

UNIDADES DIDACTICAS:

UNIDAD I: UNIDAD II: UNIDAD III UNIDAD IV


Introducción al Preparación y Interacción del Finalización y
modelado y si- pruebas sobre modelo y su en- puesta a punto
mulación. los modelos. torno. del modelo.

TIEMPO MINIMO DE ESTUDIO:

UNIDAD I: UNIDAD II: UNIDAD III: UNIDAD IV:


1ª y 2ª semana 3ª, 4ª y 5 ª semana 6ª y 7ª semana 8ª semana
16 horas 16 horas 16 horas 16 horas

3
UNIDAD I: “INTRODUCCIÓN AL MODELADO Y SIMULACIÓN.”
DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD I

CONTENIDO ACTIVIDAD SISTEMA DE


FORMATIVA EVALUACIÓN

RESULTADO DE APRENDI-
ZAJE

Al finalizar la unidad el estudiante elabora un diagrama de in-


fluencias y diagrama de Forrester de un caso propio.

ACTIVIDADES FORMATI-
CONTENIDOS SISTEMA DE EVALUACIÓN
VAS
Tema N° 1: Principios  Utiliza los principios bá-
Procedimientos e indicadores a
básicos de la construc- sicos de la construcción
evaluar
ción de modelos. de modelos.
1. La simulación como  Entrega puntual de tra-
herramienta científi-  Diferencia los compo- bajos realizado.
ca. nentes de acuerdo a su
 Calidad, coherencia y
2. Beneficios generales naturaleza.
pertinencia de conteni-
de la simulación.
dos desarrollados.
 Elabora un diagrama
Tema N° 2: Definición de influencias y dia-  Prueba teórico-práctica,
de los principales grama de Forrester de individual.
componentes de los un caso, propuesto y
 Actividades desarrolla-
modelos. elegido por el mismo
das en sesiones tutori-
1. Introducción a los estudiante.
modelos. zadas.
2. Metodología del mo-  Emplea sus conocimien-
delamiento. tos y los organiza en los
principales componentes Criterios de evaluación para
Tema N° 3: Estructura- como stocks y variables. el organizador del conoci-
ción de los principales miento de una de las lectu-
componentes de los  Utiliza el simulador para ras seleccionadas.
modelos. elaborar un modelo.  Conceptos y terminolo-
1. Proceso de modeliza- gía
ción.  Presentación de un
2. Uso del software de resumen, a través de  Dominio de las relacio-
modelamiento. un organizador de co- nes entre conceptos
nocimiento, de una de  Habilidad para comuni-
Tema N° 4: Ejecución las lecturas propues- car conceptos a través
de un modelo de simu- tas. del mapa conceptual u
lación. otro.
1. Uso de Herramientas
de modelado.

4
2. Construcción de un
modelo
RECURSOS:
 Videos:
Tema Nº 1
 Principios básicos de la construcción de modelos.
https://www.youtube.com/watch?v=r8w69KQc1m8

Tema Nº 2
 Definición de los principales componentes de los modelos.
https://www.youtube.com/watch?v=xC63RFvVpRA

Tema Nº 3

 Estructuración de los principales componentes de los modelos.


https://www.youtube.com/watch?v=izDiq7AQyP0

Tema Nº 4

 Ejecución de un modelo de simulación.


https://www.youtube.com/watch?v=7AKSBDl-5W4

 Diapositivas elaboradas por el docente:


 Lectura complementaria:
Lectura Seleccionada Nº 1
El arte de la simulación científica. Tomado de:
http://laaventuradelaciencia.blogspot.pe/2011/08/el-arte-de-la-simulacion-cientifica.html.
Lectura Seleccionada Nº 2
Software para el modelamiento, simulación y programación de aplicaciones ro-
botizadas. Tomado de: www.redalyc.org/articulo.oa?id=81620149005.

Instrumento de Rúbricas: del diagrama causal, de Forrester y del organizador del


evaluación conocimiento.

BASICA
 SOKOLOWSKI John A. Principies of Modeling and Simulation A
mul-tidisciplinary Approach Wiley and Sons Inc Publication Hobo-
ken New Jersey 2009
Bibliografía
(Básica y Com-
plementaria) COMPLEMENTARIA
 COSS BU Raúl. Simulación Un Enfoque Práctico. México D.F.:
EDI-TORIAL LIMUSA S.A., 2003.
 GARCÍA Francisco Simulación de Sistemas. México D.F.: Compa-
ñía Editorial Continental S. A. CECSA 2005
Recursos Edu- BASE DE DATOS: PROQUEST.
cativos digita- BASE DE DATOS: SCIELO.
les Consulta de artículos científicos de los cuatro primeros temas.

5
UNIDAD I: INTRODUCCIÓN AL MODELADO
Y SIMULACIÓN

TEMA N° 1: Principios básicos de la construcción de modelos.

1. La simulación como herramienta científica.

La simulación es un procedimiento cuantitativo que describe un proceso al


desarrollar un modelo del mismo y después conducir una serie de experimentos
de tanteos organizados para predecir el comportamiento del mecanismo con el
tiempo. El observar los experimentos es muy parecido a observar el proceso en
operación. Para encontrar cómo reaccionaría el proceso real a ciertos cambios,
podemos producir estos cambios en nuestro modelo y simular la reacción del
proceso real a ellos.

Por ejemplo, al diseñar un avión, el diseñador puede resolver varias ecua-


ciones que describen la aerodinámica del avión. O, si aquellas ecuaciones son
demasiado difíciles de resolver, se puede construir un modelo a escala y obser-
var su conducta en el túnel de viento. En la simulación, nosotros construimos
modelos matemáticos que no se pueden resolver y los corremos con datos de
prueba para simular la conducta del sistema. Otros ejemplos: la prueba de me-
dicinas en animales de laboratorio, las pruebas simulan las respuestas de los
humanos. El manejo de automóviles en pistas de prueba, simulan el ambiente
que enfrentará el automóvil.

En los problemas estudiados hasta el momento hemos podido encontrar


una solución matemática. Sin embargo, en cada uno de esos casos el problema
fue simplificado con ciertas suposiciones para que las técnicas matemáticas
apropiadas se pudieran utilizar. No es difícil pensar en situaciones de toma de
decisiones tan complejas que es imposible la solución matemática, dado el es-
tado actual del arte en las matemáticas. En estos casos la simulación ofrece al-
ternativas razonables.

En muchas situaciones, las soluciones que resultan de simplificar las supo-


siciones son apropiadas para el que toma la decisión; en otros casos, simple-
mente no lo son.

La simulación es un sustituto apropiado para la evaluación matemática de


un modelo en muchas situaciones. Aunque también involucra suposiciones, és-
tas son tratables. El uso de la simulación nos permite proporcionar una percep-
ción clara a ciertos problemas de toma de decisiones donde la evaluación ma-
temática de un modelo no es posible.

En general los modelos de simulación difieren de los modelos matemáticos


en dos aspectos:

 Los modelos de simulación normalmente no se diseñan para encontrar solu-


ciones óptimas o mejores, como se hace en la programación lineal. En su lu-
gar se evalúan diversas alternativas propuestas y se toma una decisión con
base en la comparación de resultados. Es decir, se evalúa el rendimiento de
un sistema previamente especificado.

6
 Los modelos de simulación generalmente se centran en las operaciones deta-
lladas, ya sean físicas o financieras, del sistema. El sistema se estudia mien-
tras opera durante el tiempo y se incluyen los efectos de los resultados de un
período en el siguiente. A diferencia de los modelos matemáticos, los modelos
de simulación pueden representar al sistema como un todo y no en forma
parcial. Como resultado de esto, todas las relaciones de causa y efecto entre
los diferentes componentes del modelo son consideradas en todos los experi-
mentos del sistema. Por otro lado, la simulación permite calcular no sólo los
valores esperados (medias) de las medidas descriptivas del rendimiento de un
sistema, sino también sus valores extremos. Esto es, la simulación nos brinda
no sólo los valores esperados de las medidas de rendimiento relevantes, sino
que además nos da sus variancias.

Por ejemplo: considere la construcción de un modelo de una fábrica que ela-


bora una serie de productos. Un modelo de programación lineal podría desa-
rrollar la combinación óptima de productos. Un modelo de simulación detalla-
do podría tratar los aspectos específicos de cómo se programaría la fábrica
para obtener la combinación de productos deseada, teniendo en cuenta los
tiempos de preparación de las máquinas, el tiempo de espera antes del proce-
samiento y otros detalles que no pueden incluirse en la formulación de la pro-
gramación lineal.

De aquí la importancia de tratar una de las herramientas de la ciencia de la


administración, utilizada con mayor frecuencia, la simulación. Se presentarán
los conceptos y procedimientos de la simulación en computadora. Se hablará
de los distintos lenguajes de simulación.

El mundo moderno nos impone grandes demandas en el ámbito tecnológico y


profesional. Para que las grandes corporaciones, los medianos y pequeños
negocios puedan subsistir o fortalecer sus ventajas competitivas, sus directi-
vos o dueños tienen que emplear los medios y los procesos adecuados para
levantar datos sobre la operación y funcionamientos de sus organizaciones y
el medio ambiente que las rodea. Posteriormente se procesan esos datos para
convertirlos en información que les permita identificar nuevas oportunidades
para hacer negocios y concretizarlas mediante la asignación óptima de los re-
cursos disponibles de sus organizaciones.

El mundo de hoy pide productos y servicios de excelente calidad, de bajo pre-


cio, a la medida del cliente y con un tiempo de entrega inmediato. En este
ambiente de negocios los directivos requieren de herramientas de análisis pa-
ra apoyar su Toma de Decisiones y hacer frente a la revolucionada y dinámica
incertidumbre que rodea a sus negocios. ¿Cuál sería la herramienta para un
tomador de decisiones que le permitiera analizar no sólo el funcionamiento
presente de su organización o de alguno o varios de sus componentes, sino
también su comportamiento futuro a la luz de diferentes diseños o diversos
escenarios? Esto es, una herramienta con la habilidad de comprimir el tiempo
para observar el comportamiento y evolución de un sistema bajo diferentes
alternativas de diseño.

¿Qué valor tendría para el directivo o responsable de conducir un proyecto


aquella herramienta que le permita administrar más efectivamente el compor-
tamiento aleatorio de los elementos internos de su organización o el de los
componentes de su medio ambiente? ¿Qué herramienta daría margen al
"What if" en forma solvente, tangible y objetiva?

La simulación computacional es la respuesta a todas estas preguntas. Es por


mucho la herramienta más empleada en el modelado organizacional. Su em-

7
pleo requiere del diseño de un modelo del sistema bajo estudio, de la ejecu-
ción de dicho modelo en una computadora bajo condiciones específicas de ex-
perimentación y del análisis de los resultados arrojados por el proceso de ex-
perimentación con el objetivo de brindar pautas de comportamiento en la to-
ma de decisiones.

2. Beneficios generales de la simulación.

Existen distintas técnicas para imitar o simular las diferentes operaciones o


procesos que se realizan en la vida real y que son objeto de interés. A este
conjunto de procesos se le conoce comúnmente como Sistema. Para ser estu-
diado dicho sistema por lo general se efectúan suposiciones sobre su compor-
tamiento, las cuales llegan a tomar una forma matemática y constituir un mo-
delo que es utilizado para poder comprender con mayor facilidad el comporta-
miento del sistema.

Sin embargo, en la mayoría de los casos los sistemas de interés son muy
complejos, lo cual no permite que los modelos que los representan sean eva-
luados analíticamente. Surge aquí la posibilidad de que dichos modelos pueden
ser estudiados mediante la simulación computacional.

La simulación es una herramienta de la Investigación de Operaciones y de


gran utilidad para la toma de decisiones. Esta técnica, como ya lo menciona-
mos, es útil para representar sistemas reales y así visualizar todos y cada uno
de sus componentes, las formas en que interactúan y las políticas que los ri-
gen.

La simulación ha evolucionado hasta alcanzar una gran complejidad y se ha


podido utilizar para resolver problemas en disciplinas asociadas no sólo al dise-
ño, planeación y control de sistemas de manufactura, sino en otras como Mer-
cadotecnia, Recursos Humanos y Finanzas.

La simulación debe ser considerada como una de las mejores herramientas


para observar un sistema real en operación, con la ventaja de que no es nece-
sario detener todo el sistema para poder analizarlo. Los modelos de simulación
son una alternativa a los modelos matemáticos, y la simulación es utilizada
cuando los sistemas que se están analizando son muy complejos y no es posi-
ble obtener una solución analítica.

Ventajas de la Simulación:

 Permite una experimentación controlada.

 Permite comprimir el tiempo al experimentar.

 Permite el análisis de sensibilidad.

 Evita costos o riesgos ya que no es necesario interrumpir el desarrollo del


sistema, para estudiar su comportamiento.

 No es necesario destruir al sistema si se desea investigar sus límites de re-


sistencia.

 Si sólo es un sistema propuesto no es necesario construirlo físicamente.

 Es una herramienta de entrenamiento efectiva.

 SIMPLIFICACIÓN de los procesos productivos.

8
 EVALUACIÓN de diseños alternativos de sistemas.

9
Tema N° 2: Definición de los principales componentes de los
modelos.

3. Introducción a los modelos.

Un sistema es un grupo de componentes que interactúan, interrelacionados


o interdependientes que forman un todo complejo e unificado. (Ejemplos: Una
organización, el cuerpo humano, etc.)

Un sistema, es un conjunto de dos o más elementos interrelacionados de


cualquier especie que buscan un objetivo en común. Podemos pensar en los
sistemas como un conjunto de nodos fijados en una red gigante en la cual todo
está conectado. También se puede diferenciar entre los sistemas naturales y
los sistemas hecho-por-el hombre (human-made systems), los sistemas no-
vivientes (nonliving systems).

Dentro de los sistemas naturales tenemos el cuerpo de un ser viviente, las


sociedades humanas, un ecosistema; los cuales tienen un gran número y com-
plejidad de componentes e interacciones entre esos componentes. También
tienen un número infinito de conexiones a todos los sistemas alrededor de
ellos. Dentro de los sistemas hecho-por-el hombre tenemos los carros, los cua-
les también pueden ser bastantes complejos, pero estos sistemas no-vivientes
no están ligados tan profundamente con los sistemas que los rodean. Los sis-
temas no-vivientes hecho-por-el hombre son más autónomos que los sistemas
naturales, de los cuales podemos pensar que son más abiertos en sus conexio-
nes con los sistemas circundantes.

Ejemplos: Si un coche se descompone, el impacto de este evento no va


más allá de arreglarlo. No sucede lo mismo a si una especie fuera quitada de
un ecosistema de la pradera.

Características esenciales de los sistemas

Las partes de un sistema deben estar todas presentes para que el sistema
realice su propósito de manera óptima. Si se retiran u omiten componentes sin
afectar su funcionamiento y sus relaciones, entonces se tiene solamente una
colección de componentes y no un sistema. Por ejemplo, si quitamos los limo-
nes de un canasto lleno de cítricos, tendremos menos cítricos, pero no ha habi-
do cambio en la naturaleza de la colección de los componentes (Cítricos). Por
tanto, este no se trata de un sistema. De manera similar, si a esta colección
agregamos otros cítricos (digamos mandarinas) sin alterar su funcionalidad o
relación, seguimos teniendo una canasta de cítricos. Pero si agregáramos man-
zanas, entonces tendríamos algo más que cítricos en la canasta lo cual ha he-
cho que cambie la naturaleza del canasto, ya no es más una colección de cítri-
cos.

Las partes de un sistema se deben arreglar de una manera específica para


que el sistema realice su propósito. Si los componentes de una colección pue-
den combinarse de manera aleatoria, entonces no forman parte de un sistema.
Por ejemplo, en un tazón de frutas, las naranjas pueden ir en el fondo, en el
centro, o en la tapa sin cambiar la naturaleza esencial de la colección de fruta.

Los sistemas tienen propósitos específicos dentro de un sistema mayor.


Todos los sistemas tienen un propósito específico en relación al sistema mayor
en el cual están inmersos. No se puede forzar a que dos o más sistemas estén
juntos para obtener un nuevo sistema más grande. Tampoco se puede subdivi-

10
dir un sistema y tener automáticamente dos sistemas más pequeños con fun-
cionamiento similares. “Si divides un elefante por la mitad, no se obtienen dos
elefantes más pequeños. Y si juntas dos elefantes pequeños, no se obtiene un
elefante más grande.”
Los sistemas mantienen su estabilidad por medio de fluctuaciones y ajus-
tes. Los sistemas buscan mantener su estabilidad. Por ejemplo: una organiza-
ción hace lo mejor para mantener el margen de utilidad designado. La mayoría
de los cuerpos humanos trabajan para mantener una temperatura de cerca de
los 36 grados de Celsius.

Los sistemas tienen realimentación (retroalimentación). Un sistema posee


realimentación en sí mismo. La característica más importante de la regenera-
ción es que proporciona el catalizador para un cambio en el comportamiento. -
a regeneración es la transmisión y retorno de información. Pero como todos los
sistemas son parte de un sistemas mayor, un sistema también tiene realimen-
taciones en entre sí mismo y los sistemas externos. En algunos sistemas, la re-
alimentación y los ajustes de procesos suceden tan rápidamente que es relati-
vamente fácil que un observador los siga. En otros sistemas, puede tomar un
tiempo muy largo antes de que la realimentación se obtenga.

Como puntos adicionales a las características ya mencionadas podemos


mencionar las siguientes:

1. Cada parte del sistema aporta al logro del propósito del mismo.
2. Las partes del sistema están organizadas para cumplir el propósito
del sistema (cada parte interactúa por lo menos con otra).
3. Los sistemas presentan ciclos de retroalimentación entre sus elemen-
tos y el sistema que lo contiene.

Componentes de un sistema

Los elementos que componen un sistema pueden ser objetos físicos que
pueden tocarse o bien pueden ser intangibles.

Ejemplos:

• Componentes tangibles: Las partes que componen un automóvil


(Puertas, llantas, cofre, motor, asientos, etc.).
• Componentes intangibles como: procesos; relaciones personales; po-
líticas de la empresa; flujos de información; interacciones interpersonales; y
estados internos de la mente tales como sensaciones, sentimientos, valores, y
creencias.

Los sistemas tienen dos componentes principales:

a. De acuerdo a su nivel jerárquico, se pueden identificar a los elementos


que constituyen un sistema en dos niveles:

 Subsistemas: Son los elementos que pertenecen a un sistema ma-


yor, el cuál tiene las condiciones de un sistema en sí mismo pero que
tiene un papel en la estructura y comportamiento del sistema mayor.
La subdivisión del sistema puede ser hecha desde diferentes puntos
de vista y a diferentes niveles de detalle.

 Suprasistema: El término se aplica a las entidades de las cuales


forma parte el sistema que se está estudiando. Es posible identificar

11
uno o varios suprasistemas en base al contexto del sistema bajo es-
tudio.

b. De acuerdo a sus límites:

 Fronteras del sistema: Son los límites del sistema bajo estudio. Es la lí-
nea que separa al sistema de su entorno (o suprasistema) y que define
lo que pertenece y lo que queda fuera de él.

Tipos de sistemas

Los sistemas podemos clasificarlos de acuerdo a:

Por su comportamiento:

• Un sistema abierto, es un sistema en continuo intercambio de materia,


energía e información con su medio. Es vital el conocer al medio que lo rodea.
• Un sistema cerrado no tiene relaciones con su medio (No existen sistemas
completamente cerrados).

Por su cambio a través del tiempo:

• Un sistema dinámico, es el que muestra cambios en su estructura o en las


relaciones entre sus elementos a través del tiempo.
• Un sistema estático es aquel cuya estructura y relaciones entre sus elemen-
tos pueden considerarse permanentes a través del tiempo.

Por el grado de interdependencia que tengan:

• Sistema abierto es aquel que acepta entradas del medio ambiente y puede
entregar salidas en él, es decir, es altamente dependiente del medio ambiente.
• Sistema cerrado es aquél que es totalmente independiente del medio am-
biente.

Por la influencia de la salida en la entrada del sistema:

• Un sistema abierto está caracterizado por salidas que responden a las entra-
das; pero donde las salidas están aisladas y no tienen influencia en las entra-
das.
• Un sistema cerrado está influenciado por su propio comportamiento pasado
(también llamado sistema de retroalimentación). Un sistema cerrado tiene una
estructura de ciclo cerrado que trae resultados de acciones pasadas al sistema
para controlar futuras acciones.

4. Metodología del modelamiento.

Los sistemas se construyen en base a estructuras que dejan evidencia de


su presencia. Resulta difícil describir el concepto de estructura, en los términos
simples, la estructura es la manera sobre la cual los componentes del sistema
están interrelacionados –esto es, la organización de un sistema. La estructura
es invisible, pero está definida por las interrelaciones de las partes de un sis-
tema y no las partes en sí mismas.
La importancia de entender la estructura de un sistema radica en que es la
estructura de un sistema quien explica todos los eventos y tendencias que po-
demos observar que suceden en el mundo que nos rodea.

12
Eventos
Solo se puede reaccionar a un evento nuevo en lugar de anticiparlo y darle
forma. Lo que es más, las soluciones diseñadas en un nivel de evento tienden a
ser de breve duración. Y lo que es más importante, no hacen nada para modifi-
car la estructura fundamental que originó ese evento. El siguiente nivel implica
el movernos de un pensamiento de nivel de eventos a un pensamiento de nivel
de patrones.

Patrones
Los patrones nos permiten entender la realidad a un nivel más profundo.
Los patrones son tendencias o cambios en los eventos sobre el tiempo. Siem-
pre que se tenga un patrón de eventos, se está cerca de descubrir la estructura
sistémica que genera ese patrón. La ventaja del pensamiento en el nivel de pa-
trón, en comparación con el nivel de eventos es que el detectar un patrón ayu-
da a colocar el evento más reciente en el contexto de otros eventos similares.
El foco de atención es por tanto es, sacar el evento específico, y concentrarnos
en explorar cómo la serie de eventos están relacionados y empezar a pensar en
qué los causaron. Por último, se puede anticipar acontecimientos y cambiar en
última instancia un patrón. Una vez más, se requiere cambiar de nivel de pen-
samiento a un pensamiento a nivel estructura.

Estructuras
Es aquí donde está el poder del pensamiento a nivel de estructuras: las ac-
ciones que se toman a este nivel son creativas, porque ayudan a dar forma a
un futuro diferente, el futuro que se desea. Esto no quiere decir que las accio-
nes de apalancamiento pueden encontrarse solamente en el nivel de estructu-
ra. El apalancamiento es un concepto relativo, no un absoluto. Nuestra capaci-
dad de influenciar en el futuro aumenta cuando nos movemos del nivel de
eventos al nivel de patrones al nivel de pensamiento de estructuras, pero en
ocasiones la mejor acción que podemos hacer es el concentrarnos en el presen-
te, en el nivel de eventos. Pero, si hiciéramos solamente eso, las acciones se-
rían consideradas de un apalancamiento bajo para la perspectiva del largo pla-
zo. El arte de pensar en el nivel de una estructura sistémica viene con el cono-
cimiento de cuándo es mejor tratar un problema en el nivel de evento, patrón o
estructura, y cuándo utilizar una combinación de los tres.

Conceptos básicos del pensamiento sistémico.

El pensamiento sistémico ofrece una serie de herramientas y un marco de


referencia para ver las cosas de una manera sistémica. Por otra parte, puede
también verse como un lenguaje que ofrece una forma para comunicar las
complejidades dinámicas y sus interdependencias.

Principios del pensamiento sistémico

En general, el pensamiento de los sistemas es caracterizado por estos princi-


pios:
 Pensar con una visión “ampliada” (“big picture”). Implica ser capaz de dar
un paso atrás del acontecimiento y mirarlo con una visión más ampliada,
más grande. Cualquier problema en el que puedas pensar en este momento
es parte de un sistema mayor. Por tanto, para descubrir el origen de un
problema, se debe ampliar o expandir el área de visión para incluir el sis-
tema mayor. Con esta nueva perspectiva, tenemos una mayor oportunidad
de encontrar una solución más efectiva.
 Balancear las perspectivas a corto plazo y a largo plazo. El pensamiento sis-
témico muestra que los comportamientos que condice al éxito en el corto

13
plazo afectar el éxito de acciones a largo plazo. Al pensar en cualquier deci-
sión, el mejor enfoque es lograr un equilibrio razonable, considerar opciones
a corto plazo y a largo plazo y buscar la línea de acción que abarque am-
bos. La clave es el estar conscientes de todos los impactos potenciales de
cualquier estrategia que se elija.
 Reconocer la naturaleza dinámica, compleja e interdependiente de los siste-
mas. Si vemos al mundo de manera sistémica, vemos que todos es dinámi-
co, complejo, e interdependiente.
 Considerar factores cuantitativos y cualitativos. El pensamiento de sistemas
fomenta el uso de datos cuantitativos y cualitativos. Ninguno de los dos es
mejor; ambos son importantes y complementarios.
 Recordar que somos parte de los sistemas en el cual funcionamos y que ca-
da uno influimos en aquellos sistemas incluso mientras somos influenciados
por ellos. Uno de los principios más retadores del pensamiento sistémico es
que usualmente nosotros mismos contribuimos a nuestros propios proble-
mas. Cuando observador con una visión ampliada de las cosas, en el largo
plazo, a menudo podemos ver que hemos jugado un papel en los problemas
que enfrentamos actualmente.
 Consecuencias involuntarias. La conexión es simple: el problema nos acosa
hoy como una consecuencia involuntaria de una solución que se realizó
ayer.
 Suposiciones. En ocasiones, nuestras suposiciones son las que nos meten en
problemas.
 Valores y creencias. El tener ciertos valores y creencias pueden bloquear la
manera en que tomamos decisiones.

El pensamiento sistémico como un lenguaje especial

El pensamiento sistémico ofrece una manera diferente de comunicación so-


bre la manera en que vemos al mundo y de trabajar juntos de una manera más
productiva al entender y solucionar problemas complejos. Visto como un len-
guaje, el pensamiento sistémico tiene características únicas que lo hacen ser
una herramienta de valor para tratar temáticas de sistemas complejos:

 Se enfatiza el observar los “todos” en lugar de las partes y enfatiza el papel


de las interconexiones. Lo más importante, es que se reconoce que somos
parte de un sistema en el cuál funcionamos y por eso, contribuimos en el
comportamiento de esos sistemas.
 Es un lenguaje circular más que lineal. Se centra en las “interdependencias
cerradas”, donde x influye en y, y influye a z, y z regresa e influye a x.
 Tiene un conjunto de reglas precisas que reduce la ambigüedad y los malos
entendidos que pueden surgir cuando se habla de situaciones complejas.
 Ofrece herramientas visuales, como diagramas causales y gráficas de com-
portamiento sobre el tiempo. Estos diagramas son ricos para mostrar impli-
caciones y consecuencias, permitiendo un mejor entendimiento. Hacen én-
fasis en la dinámica del problema y no en las culpas individuales.
 Abre una ventana nueva en nuestros esquemas mentales, traduciendo nues-
tras percepciones individuales a imágenes explícitas que pueden dejar ver
diferencias significativas en puntos de vista ligeramente distintos.

Diagramas Causales.

El conjunto de los elementos que tienen relación con nuestro problema y


permiten en principio explicar el comportamiento observado, junto con las rela-
ciones entre ellos, en muchos casos de retroalimentación, forman el Sistema. El
Diagrama Causal es un diagrama que recoge los elementos clave del Sistema y
las relaciones entre ellos.

14
Como hemos dicho es importante empezar a hacer versiones que poco a po-
co nos vayan aproximando a la complejidad del modelo. La gama mínima de
elementos y relaciones que permita reproducir la Referencia Histórica, será la
que forme la estructura básica del sistema.

Una vez conocidas globalmente las variables del sistema y las hipotéticas re-
laciones causales existentes entre ellas, se pasa a la representación gráfica de
las mismas. En este diagrama, las diferentes relaciones están representadas
por flechas entre las variables afectadas por ellas.

Esas flechas van acompañadas de un signo (+ o -) que indica el tipo de in-


fluencia 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 se-
rá en sentido contrario.

Así cuando un incremento de A, produce un incremento de B, o bien una


disminución de A provoca una disminución de B, tendremos una relación positi-
va.

Y cuando un incremento de A, produce una disminución de B, o bien una


disminución de A provoca un aumento de B, tendremos una relación negativa.

Una cadena cerrada de relaciones causales recibe el nombre de bucle, retro-


alimentación o feedback. Cuando abrimos el grifo para llenar un vaso de agua
aumentamos la cantidad de agua en el vaso, pero también la cantidad de agua
que va habiendo en el vaso modifica la velocidad en la que nosotros llenamos
el vaso. Lo llenamos más despacio cuando está casi lleno; y por to tanto existe
un bucle.

El sistema formado por nosotros, el grifo y el vaso de agua es un bucle ne-


gativo porque está dirigido a conseguir un objetivo, llenar el vaso sin que se
exceda. Los bucles negativos actúan como elementos estabilizadores de los sis-
temas al dirigirlos hacia un objetivo determinado, igual que el termostato de la
calefacción la dirige hacia la temperatura seleccionada.

Los bucles se definen como "positivos" cuando el número de relaciones "ne-


gativas" es par, y "negativos" si es impar (igual que al multiplicar: -a x b = -c).

Los bucles negativos llevan al modelo hacia una situación estable y los posi-
tivos lo hacen inestable, con independencia de la situación de partida.

En la realidad los sistemas contienen ambos tipos de bucles y el comporta-


miento final dependerá de cual es el dominante en un momento determinado.

Cuando un país adquiere más armamento hace que sus vecinos se sientan
amenazados y les induce a adquirir ellos también más armamento. Este es un
bucle positivo, también llamado un circulo vicioso que crece sobre sí mismo
más y más. Los bucles positivos causan crecimiento, evolución y también el co-
lapso de los sistemas.

Naturalmente los sistemas socioeconómicos y ecológicos están formados por


cientos de bucles positivos y negativos interconectados, y su comportamiento
final no es evidente.

15
El concepto de bucle es muy útil porque nos permite partir desde la estruc-
tura del sistema que analizamos y llegar hasta su comportamiento dinámico. Si
un sistema oscila persistentemente, o se halla en equilibrio, o decae con rapi-
dez, podemos identificar las razones estructurales y decidir como modificar los
bucles causales que lo van a alterar. La aplicación de esta forma de actuar se
extiende desde el control de un proceso industrial, al seguimiento de la diabe-
tes o el cáncer, variaciones de los precios de las materias primas y el creci-
miento económico.

Pero la utilidad más importante de esta concepción es comprender como la


estructura de los sistemas provoca su comportamiento. En un mismo mercado,
en un mismo año, varias empresas que ofrecen el mismo producto presentan
resultados económicos muy diferentes. Los gerentes menos competentes ar-
gumentan múltiples causas ajenas a ellos: los costes laborales, la competencia,
los hábitos de los clientes, ... cuando en realidad deberían de estudiar porqué
los sistemas que ellos controlan (sus empresas) tienen una estructura menos
competitiva que aquellos otros que han presentado mejores resultados.

El país A percibe que la carrera de armamentos fue causada por el país B y


viceversa. Pero en realidad también puede afirmarse que el país A ha provoca-
do su rearme al adquirir armas, que motivan el rearme del país B. De forma
similar el crecimiento de los precios del crudo se debe tanto a la concentración
de la producción en unos pocos países como en el excesivo aumento del con-
sumo en los países desarrollados, de un producto que en definitiva es limitativo
al no ser renovable.

Identificar que la causa de los problemas no es algo externo al sistema no


suele ser muy popular, ya que es más fácil achacarlo a factores externos e in-
controlables por nosotros. Lo que ocurre es que si el mismo que expone el ar-
gumento de la causa externa cree verdaderamente en lo que dice, no podrá
identificar la verdadera causa del problema - dentro del sistema - y obtener los
resultados deseados. Si el sistema tiene los elementos que causan el problema
también tiene la forma en la que se puede solucionar.

Así por ejemplo, la curva de vida de un producto puede decirse que se halla
regulada inicialmente por un bucle positivo que permite un rápido crecimiento
exponencial, al que sigue una fase de estabilidad dominada por un bucle nega-
tivo en el que interviene la saturación del mercado, y por último una caída, que
suele ser también brusca, debido a la aparición de productos substitutivos de
rápido crecimiento.

Por último, señalar que el diagrama causal es de gran importancia para la


explicación del modelo final al usuario, si este no está familiarizado con esta
técnica lo cual suele ser usual.

16
Diagramas de Forrester.

El Diagrama de Flujos, también denominado Diagrama de Forrester, es el dia-


grama característico de la Dinámica de Sistemas. Es una traducción del Diagrama
Causal a una terminología que permite la escritura de las ecuaciones en el ordena-
dor para así poder validar el modelo, observar la evolución temporal de las varia-
bles y hacer análisis de sensibilidad..

No hay unas reglas precisas de como hacer esta transformación, pero si hay
alguna forma de abordar este proceso. Pasos a seguir:

1. Hacer una fotografía mental al sistema y lo que salga en ella (personas,


km2, litros, animales,..) eso son Niveles.

2. Buscar o crear unos elementos que sean "la variación de los Niveles", (per-
sonas/día, litros/hora, ...) y esos son los Flujos.

3. El resto de elementos son las Variables Auxiliares.

Como regla general esto sirve para empezar. Después ya se pueden ir ha-
ciendo retoques, y así los Niveles que vayan a permanecer constantes (m2 de la
habitación) en vez de definirlos como Niveles se pueden definir como variables au-
xiliares tipo constante que es más sencillo. Este es todo el procedimiento. Ahora
veremos con más detalle como se representan estos elementos.

17
Los "Niveles" son aquellos elementos que nos muestran en cada instante la
situación del modelo, presentan una acumulación y varían solo en función de otros
elementos denominados "flujos". Las "nubes" dentro del diagrama de flujos son
niveles de contenido inagotable. Los niveles se representan por un rectángulo.

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 "Variables auxiliares" y las "Constantes", son parámetros que permiten


una visualización mejor de los aspectos que condicionan el comportamiento de los
flujos.

Las magnitudes físicas entre flujos y niveles se transmiten a través de los


denominados "canales materiales". Por otra parte existen los llamados "canales de
información", que transmiten, como su nombre indica, informaciones que por su
naturaleza no se conservan.

Por último quedan por definir los "retardos", que simulan los retrasos de
tiempo en la transmisión de los materiales o las informaciones. En los sistemas so-
cioeconómicos es frecuente la existencia de retardos en la transmisión de la infor-
mación y de los materiales y tienen gran importancia en el comportamiento del
sistema.

Para los retardos de material existen las funciones DELAY1 y SMOOTH. Para
los de información se utilizan DELAY3 y SMOOTH3. Los de primer orden frente a
una entrada escalón, responderán con una curva exponencialmente asintótica,
mientras que un retardo de tercer orden conduce a una curva sigmoidal. En cierta
forma los retardos de información actúan como filtros alisadores de la variable de
entrada.

ACTIVIDAD FORMATIVA N° 1

1. Elaborar un diagrama de influencias y de Forrester de un caso,


propuesto y elegido por usted mismo señor estudiante. Comple-
menta la información observando el vídeo “DINAMICA DE SIS-
TEMAS - diagrama causal y diagrama Forrester CASO PRACTI-
CO”.

INSTRUCCIONES:

1. En base a los contenidos de los temas 1 y 2, analiza tu entorno y


observa un posible sistema, el cual puedas modelar.
2. Observa el Vídeo “DINAMICA DE SISTEMAS - diagrama causal y
diagrama Forrester CASO PRACTICO”, y en base a lo observado
elabora un diagrama de influencias y de forrester a partir del siste-
ma que has elegido modelar. (haz clic en el siguiente link)
https://www.youtube.com/watch?v=h2gH3h3599k

LECTURA SELECCIONADA No 1:

El arte de la simulación científica.


Daniel Martín Reina – Universidad de Sevilla – España.

18
Haz clic aquí para acceder al texto completo:
http://laaventuradelaciencia.blogspot.pe/2011/08/el-arte-de-la-simulacion-
cientifica.html
Tema N° 3: Estructuración de los principales componentes de
los modelos.
Proceso de modelización.

Desde la perspectiva de la simulación, un sistema que es objeto de estudio


puede ser discreto o continuo, estático o dinámico, determinístico o probabilístico.
Estos calificativos dependen en cierta medida del comportamiento de las denomi-
nadas variables de estado, es decir, aquellas variables que están en función del
tiempo y que muestran cómo el sistema evoluciona a través de éste.

El estado de un sistema se define como la colección de variables necesarias pa-


ra describir a un sistema en un punto particular del tiempo relativo a los objetivos
de un estudio. Un sistema está caracterizado por un conjunto de variables; cada
combinación de valores de las variables representa un estado del sistema.

Estado Transitorio: Condiciones iniciales de un sistema. Cambios bruscos


en la variable de respuesta del sistema.

Estado Estable: La distribución de probabilidad de la variable de respuesta


no cambia en el tiempo. Matemáticamente: El periodo de tiempo durante el cual la
variable de respuesta ya no cambia. Pragmáticamente: Cuando la respuesta del
sistema no afecte al siguiente sistema/ proceso.

Centraremos nuestra atención en los sistemas discretos y continuos. Un siste-


ma discreto es aquél en el que las variables de estado cambian sólo en un número
finito (contable) de puntos en el tiempo, mientras que en un sistema continuo las
variables de estado cambian continuamente con respecto al tiempo. Un ejemplo de
sistema discreto sería un banco en el que sus variables de estado es el número de
clientes presentes, ya que sólo cambia cuando llega un cliente o cuando se le ha
proporcionado el servicio. Por otra parte, el vuelo de un avión es un ejemplo de un
sistema continuo, pues sus variables de estado, tales como velocidad y posición,
cambian continuamente con respecto al tiempo. Cabe aclarar que pocos son los
sistemas en la práctica que son completamente discretos o continuos.

La mayoría de los sistemas no están aislados, sino que se encuentran en un


medio ambiente que afecta a su comportamiento. Por ejemplo, la demanda de los
consumidores sobre los productos de una compañía afecta al sistema de producción
de la organización. Por otro lado, la calidad de los productos de la compañía puede
ser un factor de influencia sobre los consumidores. Con esto se quiere sugerir que
existe una continua interacción entre el sistema y el medio ambiente que lo rodea.

Definir la frontera de un sistema (alcance) resulta generalmente algo complica-


do, puesto que hay que decidir qué elementos deben ser considerados como parte
del sistema y cuáles no. Esta dificultad se deriva primeramente porque los sistemas

19
están compuestos de varios subsistemas, y segundo porque la mayoría de los sis-
temas son subsistemas de otros más grandes. Considerar sistemas muy pequeños
puede orillar a la suboptimización; por otro lado, los sistemas tienden a interactuar
o empalmarse con otros sistemas. Por último, aun cuando la frontera ha sido de-
terminada, con frecuencia se requiere que haya conexiones con el medio ambiente.

Aunque la frontera de un sistema puede ser física, al determinar el contexto o


frontera de un sistema es mejor pensar en términos de causa y efecto. De esta
manera, una vez establecida una definición tentativa del sistema, éste puede verse
afectado por algunos factores externos. Si dichos factores controlan su funciona-
miento en forma total, no hay razón para experimentar con dicho sistema, pero si
la influencia de tales factores es parcial, entonces hay que decidir si:

1) Redefinir el sistema para incluir estos factores.


2) Ignorar dichos factores.
3) Considerar a dichos factores externos como insumos al sistema.

Se denomina medio ambiente del sistema a aquél conformado por todos aque-
llos objetos que están fuera de la frontera del sistema, pero que pueden influenciar-
lo. De ahí que un sistema pueda ser visto como una colección de objetos que inter-
actúan entre sí que son afectados por fuerzas externas y que es objeto de estudio.

Un sistema de comportamiento, continuo, dinámico y probabilístico sería una


planta procesadora de agua potable o una planta de energía eléctrica. Por otro lado,
un sistema de comportamiento discreto, dinámico y probabilístico sería una fábrica
de automóviles o un hospital.

Elementos de un sistema

Básicamente, un sistema está compuesto por entidades, actividades, recursos y


controles; estos elementos definen quién, qué, dónde, cuándo y cómo acerca del
procesamiento del sistema.

Entidades: son los artículos procesados a través del sistema, tales como pro-
ductos, clientes y documentos. Se pueden clasificar en tres tipos:

* Humanos o animados (clientes, pacientes, etc.).

* Inanimados (partes, papelería, etc.).

* Intangibles (llamadas, correo electrónico, proyectos, etc.).

Actividades: son las tareas que se realizan en el sistema, tales como llenado,
corte, reparación, atención al cliente, etc. Las actividades tiene una duración y por
lo general utilizan recursos.

Recursos: son los medios por los cuales se ejecutan las actividades, por ejem-
plo: personal, equipo, herramientas, energía, tiempo, dinero, etc. Los recursos
pueden tener características tales como capacidad, velocidad, tiempo de ciclo y
confiabilidad, asimismo, son los que definen quién o qué realiza la actividad y en
dónde.

Controles: son los que deciden cómo, cuándo y dónde se realizan las acciones,
así como también, determinan la acción cuando se presentan ciertos eventos o
condiciones. En el más alto nivel, los controles los podemos encontrar en forma de

20
políticas, planes u horarios, mientras que en un nivel bajo están en forma de pro-
cedimientos o programas.

Medidas del rendimiento de un sistema: el rendimiento de un sistema se


mide por su efectividad y eficiencia en alcanzar los objetivos para los cuales fue
diseñado. En muchas situaciones, los objetivos se fijan en función de la efectividad
en costos o la utilidad generada por el sistema. Los datos para determinar tales
medidas de rendimiento suelen ser: precios, costos, y características cuantitativas
del funcionamiento del sistema. Los objetivos del sistema se satisfacen cuando las
medidas del rendimiento alcanzan los niveles deseados.
Enfoque de sistemas: debido a que los elementos de un sistema son interde-
pendientes, no es posible conocer la respuesta del sistema estudiando aisladamente
a cada elemento es por esto que se requiere realizar un enfoque de sistemas pues
éste puede ser dividido en su estructura, pero tal vez no en sus funciones. Para
poder ver a un sistema como un todo es necesario entender las relaciones causa-
efecto así como las de decisión-respuesta.

Modelo

Los modelos son abstracciones de los sistemas. Para poder diseñar nuevos sis-
temas y optimizar los ya existentes, se utilizan modelos, ya que experimentar con
el sistema mismo puede ser muy costoso, puede destruirse el sistema o por lo me-
nos interrumpirse temporalmente en su funcionamiento, o simplemente puede ser
imposible experimentar con él. Así, un modelo debe ser lo suficientemente válido
para tomar decisiones similares a las que se tomarían en caso de experimentación
directa con el sistema. Sin embargo, los resultados de la simulación, aunque váli-
dos, no se utilizarían en el proceso de toma de decisiones si el modelo no es creí-
ble. Dicho de otra forma, tenemos dos tareas: construir un modelo apegado a lo
real (válido) y convencer a "los de arriba" de que lo es (creíble).

Tratándose de simulación, los modelos utilizados son por lo general descriptivos


pues estudian el comportamiento de sistemas a través del tiempo. Y es con base en
esta investigación que es posible determinar las condiciones bajo las cuales el sis-
tema operaría más efectiva y eficientemente. Los modelos de simulación no se di-
señan para encontrar soluciones óptimas. Es una técnica de experimentación
(eventos aleatorios), se evalúan diversas alternativas y se toman decisiones con
base en la comparación de resultados.

Puesto que los modelos de simulación suelen ser utilizados para estudiar siste-
mas complejos, por lo general pueden emplearse modos numéricos de análisis en
vez de los analíticos. En su mayoría, los modelos de simulación son probabilísticos y
están hechos a la medida del cliente.

Con relación a la simulación los modelos de interés pueden ser:

En cuanto al tiempo:

1) Estáticos: Representación de un sistema en un instante particular del tiem-


po.

2) Dinámicos: Representación de un sistema a lo largo de un periodo de tiem-


po.

En cuanto a las variables:

1) Determinísticos: Si no contiene variables aleatorias.

21
2) Estocásticos: Si contiene una o más variables aleatorias.

También pueden ser discretos o continuos, cuyas características ya se definie-


ron para los sistemas.

La simulación es una herramienta de la investigación de operaciones que nos


permite conocer y analizar el comportamiento de un sistema real o propuesto para
decidir cursos de acción: modificarlo, aceptarlo o rechazarlo.

Se considera a la Simulación como un proceso que consiste en construir un


modelo descriptivo de un sistema real, con el propósito de estudiar el comporta-
miento de dicho sistema a través del tiempo; con la ventaja de que no es necesario
interrumpirlo (si es muy costoso), destruirlo (si se desea saber sus límites máximos
de resistencia) o construirlo (si es sólo un propuesto).

El proceso para el desarrollo exitoso de un modelo de simulación, consiste en


empezar con un modelo simple, el cual puede ser enriquecido de una manera evo-
lutiva para satisfacer los requerimientos de solución de un problema. A. M. Law y
M.G. McComas (Héctor Vargas."Simulación: Mucho más que una herramienta". Re-
vista Vanguardia de Agosto de 1994. Facultad de Ingeniería del CETYS) mencionan
los siguientes elementos para el éxito de un proyecto de simulación:

 Conocimiento de la metodología de la simulación, modelos probabilísticos de


investigación de operaciones, teoría de probabilidad y estadística.

 Formulación correcta del problema.

 Información adecuada sobre la operación del sistema.

 Modelación adecuada de la aleatoreidad del sistema.

 Escoger el software adecuado y utilizarlo correctamente.

 Validar el modelo y su credibilidad.

 Utilizar los procedimientos estadísticos adecuados para interpretar los resul-


tados de la simulación.

 Utilizar técnicas adecuadas de administración de proyectos.

Los pasos que a continuación se presentan son una guía para desarrollo de un
estudio de simulación. Cabe aclarar que el tiempo requerido para cada paso depen-
de del sistema a modelar; asimismo, algunos proyectos de simulación pueden re-
querir algunos pasos no incluidos.

Pasos del Proceso de Simulación:

1. Planeación estratégica y Táctica. Establecer las condiciones experimen-


tales para el uso del modelo.

2. Formulación del Problema. Definición del problema y enunciado del obje-


tivo

3. Construcción del Modelo. Abstracción matemática del problema

4. Obtención de Información. Identificación, especificación y obtención de


datos

22
5. Desarrollo del Programa. Preparar el modelo para su procesamiento

6. Verificación. Asegurar el correcto funcionamiento del programa

7. Validación. Correspondencia entre el modelo y la realidad

8. Experimentación. Uso del modelo para obtención de resultados

9. Análisis de Resultados. Inferencias y recomendaciones basadas en el mo-


delo

10. Implementación y Documentación. Usar resultados para toma de deci-


siones y documentar el funcionamiento y uso del modelo

Aplicaciones y usos de la Simulación

Hoy en día existe una gran variedad de aplicaciones de la simulación debido a


las diferentes ventajas que ésta ofrece sobre otras herramientas utilizadas. Algunas
de estas aplicaciones son:

En la reducción de costos.

En un sistema: En el desarrollo del método de análisis, ya que con los mé-


todos existentes para resolver problemas se invierte un tiempo considerable en
poder desarrollar el método de análisis.

En la Programación computacional.

 En la modelación de un sistema.

 En la experimentación de prueba y error.

En la industria: En la capacitación del personal.

En la aviación: En el entrenamiento de pilotos.

En finanzas: Puede usarse para calcular presupuestos, analizar alternativas


de inversión, flujo de efectivo.

En mercadotecnia: El analista debe tomar decisiones para colocar la pro-


moción de un producto en diferentes medios de comunicación: periódico, radio,
televisión, etc.

En Recursos Humanos: Beneficios de la movilidad en el trabajo, del tipo


de personas para un determinado empleo, de las diferentes estructuras jerárquicas
y de relación dentro de una empresa.

Así también, la simulación ha sido empleada en sistemas tales como: biológi-


cos, económicos, de la salud, de negocios, de producción, de transportación, socia-
les, urbanos, etc.

Con el transcurso del tiempo el uso de la simulación como una herramienta de


trabajo ha aumentado, Algunos de los factores que han acentuado el uso son:

- El constante desarrollo de lenguajes y simuladores computacionales.

23
- La flexibilidad del modelaje vía simulación.

La simulación es una herramienta versátil que ha sido usada de diferentes ma-


neras, incluyendo:

 Diseño de sistemas

 Administración de sistemas

 Entrenamiento y capacitación

 Comunicación

 Relaciones públicas

Esto ha hecho de la simulación la técnica más utilizada dentro de la Administra-


ción Científica/Investigación de Operaciones y la herramienta de excelencia de la
Ingeniería Industrial.

Tema N° 4: Ejecución de un modelo de simulación.

Uso de Herramientas de modelado.

La dinámica de sistemas se basa en un lenguaje formal bastante simple, y en la


que inicialmente podemos reconocer cuatro tipos de elementos: Nivel o Stock, va-
riable de flujo, convertidor y conector. Observe la figura 1 otorgada por el software
STELLA (versión 3.07)

Figura 1

Si en un sistema dinámico, en su proceso de modelación, no se discrimina entre


todas las variables del sistema que entrarán a formar parte del modelo, como Nivel
o Stock y como variable de flujos, de otra forma, si no se sabe cuales de las varia-
bles son de estado y cuales son de flujo, entonces simplemente no se podrá mode-
lar el sistema dinámico. Así de simple.

Conceptualmente un Nivel es un stock que es alimentado por una variable de flujo


o varias variables de flujo (de entradas), y que eventualmente puede ser vaciado
por una o varias variables de flujo (de salidas); y así que las variables de flujo se
definen como aquellas que alimentan o vacían el stock. Para fijar ideas supongamos
que tenemos un sistema sencillo, por ejemplo una pequeña tienda de alquiler de
automóviles en la cual al final de cada semana se reponen los automóviles, con una
determinada política que veremos más adelante, para enfrentar la semana que vie-
ne caracterizada por una determinada demanda, que también veremos como se

24
comporta más adelante. En definitiva, tenemos la Nivel o Stock que llamaremos
STOCK, y dos variables de flujo, un flujo de entrada que llamaremos REPOSICIÓN,
y un flujo de salida que llamaremos DEMANDA. Notemos antes que nada que la
unidad de la variable STOCK es “automóviles”, y las unidades de los flujos REPOSI-
CIÓN y DEMANDA es “automóviles por semana”, de otra forma “automóvi-
les/semana”. Vamos a dibujar la relación entre estas tres variables en STELLA,

Figura 2

Con el cursor hacemos click con el botón izquierdo en el icono de la variables de


estado , arrastramos la figura a un sitio determinado y hacemos nuevamente click
con el botón izquierdo del mouse, para fijar el icono de la Nivel o Stock. La opera-
ción final deberá lucir como la indica la figura 2. Enseguida, ponemos el nombre de
STOCK al icono cuyo nombre por defecto es “Noname 1”. Lo obtenido deberá ser
similar a lo indicado en la figura 3.

Figura 3

Ahora bien, vamos a dibujar el flujo de entrada hacía el STOCK. De manera análo-
ga, dirigimos nuestro mouse hacia el icono de la variable de flujo, pinchamos ha-
ciendo un clic con el botón izquierdo, arrastramos la figura de manera conveniente,
a la altura del lado izquierdo del STOCK, una vez elegido el sitio desde donde va a
empezar a dibujarse la variable de flujo, presionamos el botón izquierdo (sin soltar-
lo) a la vez que arrastramos la figura dirigiéndola hacia el STOCK (figura 4), y toda
vez que la variable de flujo llegue de manera adecuada al STOCK, este avisará con
un leve cambio de color gris (figura 5), en ese momento dejamos de presionar el
botón izquierdo y soltamos. La situación final debería lucir como lo indica la figura
6, toda vez que cambiemos el nombre por defecto de esta variable de flujo por el
nombre definido anteriormente, REPOSICIÓN.

25
Figura 4:

Figura 5

Figura 6

Para la construcción de la variable de flujo que sale desde el STOCK, se realiza de


manera similar, esto es se hace un clic sobre el icono , nos ubicamos al interior de
la Nivel o Stock STOCK, presionamos el botón izquierdo (sin soltar) y arrastramos
el mouse hacia el lado derecho del STOCK, cuando creamos conveniente detener-
nos, soltamos el botón derecho, y debería aparecernos algo similar a la figura 7,
toda vez que cambiemos el nombre que viene por defecto por el de DEMANDA.

Figura 7

Este sencillo dibujo, nos muestra que la variación del STOCK a través del tiempo
(semanas) será causada por los flujos de entrada (REPOSICIÓN) y salida (DEMAN-
DA). Ahora bien, supongamos que esta demanda obedece una política de almace-
naje conocida como “política (s, S)”, que consiste en lo siguiente: Al final de cada
semana, si lo que hay en stock es inferior o igual que s unidades entonces inmedia-
tamente se repone hasta el nivel S, en caso contrario, si lo que hay es superior al
nivel s, entonces nada se repone. De manera que se introducen dos nuevas varia-
bles a nuestro modelos, a saber el nivel s, que llamaremos INF, y el nivel S, que
llamaremos SUP. Estas variables no son ni de flujo ni de estado, para eso entonces
utilizamos el icono de convertidores.

Con el mouse sobre el icono hacemos un clic, para coger la figura, y la posiciona-
mos en un lugar adecuado nombrando esta figura con el nombre de INF; repetimos
el mismo procedimiento para definir el convertidor SUP. El resultado final debería
lucir como lo indica la figura 8.

26
Figura 8

Ahora bien, vamos a indicar que el flujo de entrada REPOSICIÓN depende de los
valores de INF, SUP y finalmente del valor de la Nivel o Stock STOCK (en efecto,
recuérdese que “si lo que hay en stock es inferior o igual que s unidades entonces
inmediatamente se repone hasta el nivel S, en caso contrario, si lo que hay es su-
perior al nivel s, entonces nada se repone”). La manera de indicar esto es mediante
los conectores. Y se procede de la siguiente manera: nos posicionamos con el mou-
se en el icono , para capturar la imagen, y luego la ubicamos, por ejemplo, dentro
de la variable INF oprimiendo el botón izquierdo, sin soltar, y arrastrando el conec-
tor hacia la variable de flujo REPOSICIÓN, dejamos de oprimir el botón derecho
toda vez que alcancemos a esta variable de flujo que lo indicará al cambiar a color
gris. Observe la figura 9.

Figura 9

Por último, mediante sendas operaciones análogas, conectamos desde las variables
SUP y STOCK hacia REPOSICIÓN, y el resultado debería lucir como lo indica la figu-
ra 10.

27
Figura 10

Volvemos a insistir que el esquema indicado en la figura 10 nos dice que, los valo-
res que tomará la variable de flujo REPOSICIÓN dependerán de los valores de INF,
SUP y STOCK.

Continuemos con nuestro de almacenaje. Vamos a suponer que la demanda sema-


nal es aleatoria con distribución conocida, y que además estas demandas semana-
les son independientes (en el sentido probabilístico) entre si. Supongamos que la
demanda para cada semana se distribuye según una distribución de Poisson. Final-
mente agreguemos que se entrega lo que hay en stock y no se acepta demanda
diferida, esto es a modo de ejemplo, si hay en stock 2 unidades y la demanda en
esa semana es de 5, entonces se entregan simplemente las 2 y no hay compromiso
de entregar el resto de 3 unidades para la semana posterior. Con estos datos va-
mos a definir un convertidor llamado PEDIDO y otro convertidor llamado LAMDA. El
convertidor PEDIDO, de alguna manera que ya determinaremos más adelante, va a
simular los valores que se obtienen de una distribución de Poisson, y puesto que
toda distribución dependerá de un parámetro (que indica el valor promedio de los
números generados por esta distribución), llamaremos LAMBA a este parámetro.
Finalmente debemos hacer notar que los valores generados por el convertidor PE-
DIDO dependerá de lambda, y todo valor que genere el convertidor PEDIDO se in-
terpretará como la demanda ocurrida en esa semana. Entonces utilizando la técnica
ya establecida dibujamos estas dos nuevas variables y establecemos los conectores
para indicar las dependencia entre ellas. Observemos la figura 11.

Figura 11

De manera que la figura 11 está indicando todos los elementos que integrarán
nuestro modelo que representará el sistema de almacenaje o stock que opera con
la política (s, S), y que tiene una demanda aleatoria distribuida independientemen-
te según una Poisson. Y donde se indica las relaciones de independencia entre estos
elementos (aún cuando, de momento, no se establece la relación analítica entre
ellos).

Construcción de un modelo

Una vez que hemos “dibujado” nuestro sistema-modelo de almacenaje, vamos a


entregar las relaciones analíticas establecidas entre las variables que están unidas
por el conector. Observemos atentamente el sector izquierdo de nuestro dibujo an-
terior, donde aparece la lengüeta Map.

28
Figura 1

Si ubicamos el mouse sobre ese icono, y hacemos click con el botón izquierdo, ten-
dremos la siguiente situación indicada en la figura 2.

Figura 2

Los signos de interrogación que aparecen sobre las variables de nuestro modelo
están indicando que sobre ellas hay que definir su relación analítica cuando corres-
ponda, o entregar el valor que tienen. Vamos a fijar nuestra atención en la variable
de flujo REPOSICION. Recordemos que ella está definida extensivamente como “to-
da vez que el valor del STOCK sea menor o igual que INF entonces se repone (de
artículos) hasta el nivel superior SUP”. Bien, hagamos doble click sobre la variable
de flujo REPOSICION, debe aparecer la siguiente caja de diálogo como se puede
observar en la figura 3,

29
Figura 3

Sobre esta caja de diálogo haremos algunas precisiones. Hemos marcado cuatro
sectores con rotulador de sendos colores, que llamaremos zona roja, azul, negra y
verde, como lo indica la figura 4 que nos servirá para las precisiones respectivas.

30
Figura 4

La zona roja nos indica que la variable de flujo, por defecto y conforme está acti-
vado el rótulo UNIFLOW, es un flujo unidireccional, esto es tiene la propiedad de
que fluye “material” sobre la variable de estado (STOCK en nuestro caso) y que no
tiene opción de “inhalar” material desde la variable de estado, en términos hidráuli-
cos esta variable de flujo no puede bombear para extraer agua, solo puede deposi-
tar agua. Ya veremos más adelante algunos ejemplos en que una variable de flujo
puede ser bidireccional. El caso es que nuestra variable de REPOSICION solamente
entrega material hacia el STOCK.

La zona azul indica lo que ya hemos establecido, que sea la forma analítica que
tenga nuestra variable de flujo REPOSICION, ella debe requerir para su definición
las variables de STOCK, INF y SUP.

La zona negra está indicando la función analítica con la que quedará definida nues-
tra variable de flujo, y es en el lugar marcado por el video reverso donde dice “Pla-
ce right hand side...” donde se debe poner la fórmula.

Finalmente la zona verde entrega una lista de funciones que posee en su estructura
el software STELLA, en que eventualmente podamos necesitar para la construcción
de la formula para la variable de flujo REPOSICION.

Vamos ahora a definir la variable de flujo. La expresión “toda vez que el valor del
STOCK sea menor o igual que INF entonces se repone (de artículos) hasta el nivel
superior SUP” es equivalente matemáticamente a lo que indica la figura 5:

31
Figura 5

Una vez entregada esta instrucción, y convenciéndonos que es la adecuada para


definir la política de reposición del stock hacemos click en la opción OK (los otros
botones, como Become Graph, Document, etcétera, los veremos más adelante).
Deberá aparecer el diagrama indicado en la figura 6, dónde ha desaparecido el
signo de interrogación sobre la variable de flujo REPOSICION,

Figura 6

Ahora vamos a definir la variable de flujo (de salida) DEMANDA, haciendo doble
click en esta variable, aparecerá una caja de diálogo similar al de la figura 3, y se
indica en la figura 7.

Figura 7

En este caso la variable de flujo DEMANDA solo dependerá de la variable PEDIDO,


siendo esta una variable aleatoria con distribución conocida y que definiremos en su
momento. De modo que simplemente hacemos un click en PEDIDO para hacer DE-
MANDA = PEDIDO, como lo indica la figura 8.

Figura 8

Nuevamente hacemos click sobre OK, para volver a nuestro diagrama donde se
puede comprobar que habrá desaparecido el signo de interrogación sobre DEMAN-
DA.

Ahora vamos a definir la variable aleatoria PEDIDO, que recordemos se distribuye


según una Poisson de parámetro LAMBDA. Haciendo un doble click sobre PEDIDO,

32
de la lista de funciones de la caja “Builtins” seleccionamos aquella que dice “Pois-
son”, y puesto que ella requiere del parámetro LAMBDA conforme se observa en la
caja “Required Inputs” hacemos un click sobre LAMBDA, y nos queda lo indicado en
la figura 9.

Figura 9

Supongamos ahora que en nuestro sistema de almacenaje o stock, el valor de INF


tiene el valor de 1, SUP el valor de 3, y LAMBDA el valor de 1. Y además vamos a
suponer que esta empresa de alquiler de automóviles empieza con el stock a nivel
máximo, es decir con el valor de 3. La manera de entregar estos valores es sim-
plemente hacer doble click en cada una de estas variables y entregar los corres-
pondientes valores. Sin embargo dada su importancia vamos a efectuar el “llenado”
de la variable STOCK. Observemos la figura 10.

Figura 10

Observemos en la línea superior de esta caja de diálogo que por defecto está acti-
vado el botón “Reservoir” (Receptáculo), más adelante explicaremos las opciones
“Conveyor, Queue y Oven”. Que sea esta variable de estado de la clases Reservoir
significa literalmente que ella es un receptáculo que recibe flujo y que de ella puede
emanar flujo, o de otra forma que su cambio de nivel (dinámica) o cambio de los
valores de estados se debe solamente a los flujos, tanto de entrada o salida, que
sobre ella operan, y que ninguna otra variable tendrá incidencia directa en su di-
námica, esto significa que tampoco necesita conector alguno que provenga de otra
variable que pueda modificar su comportamiento dinámico, es más, observe aten-
tamente que no aparece la caja de diálogo “Required Inputs”, y en vez de ella apa-
rece la caja “Allowable Inputs” y que en rigor son todas las variables que componen
el modelo pero que no tienen ninguna relación analítica. Solamente hay que escribir
el valor de INITIAL (STOCK), es decir solo debemos entregar su valor inicial, que en
nuestro caso es 3. Escribimos este valor donde dice “Place initial value here” y ha-
cemos click en OK.

Bien, ¿qué hemos hecho? La verdad es que hemos realizado un programa compu-
tacional. En efecto, demos clic en la ficha EQUATIONS, obtendremos el siguiente
código computacional (figura 11)

33
Figura 11

A este nivel, hemos realizado un programa computacional que nos permitirá hacer
una simulación sobre el comportamiento del nivel de STOCK de una pequeña tienda
de alquiler de automóviles. Observemos cuidadosamente estas ecuaciones para
convencernos que efectivamente corresponden a un sistema de ecuaciones dinámi-
cas que mostrarán la evolución a través del tiempo del sistema dinámico que esta-
mos modelando.

Ejecución de un modelo.

Vamos a enseñar como realizar simulación para el modelo que hemos realizado.
Para esto, en el menú RUN elegimos la opción “Time Specs...”, como se ve en la
figura 1,

Figura 1

En esta opción vamos a determinar que el tiempo es discreto, toda vez que la evo-
lución de este sistema es en tiempo discreto, en rigor la unidad de tiempo de “se-
mana”, de modo que al hacer un click en la caja de diálogo que aparece lo comple-
tamos de la forma que lo indica la figura 2.

34
Figura 2

Como se puede observar, hemos determinado una longitud de 20 semanas, de ma-


nera arbitraria, con un DT igual a 1, y hemos elegido la unidad de tiempo “Weeks”
(Semanas). Una vez realizado esto hacemos un click en OK. Con esto volvemos a
nuestro diagrama original. Ahora bien, vamos a ver la evolución de la variable
STOCK mediante una gráfica, para esto hacemos un clic en el icono arrastrándolo
a un sitio conveniente, al fijarla aparecerá la siguiente caja de diálogo que indica la
figura 3,

Figura 3

35
Como podemos ver, solo en el eje vertical aparece la dimensión tiempo que hemos
indicado anteriormente al definir la “longitud de la simulación”. Para poder definir la
variable STOCK que queremos graficar hacemos doble click en cualquier parte gris
de este plano cartesiano. Deberá aparecer la siguiente caja de diálogo

Figura 4

Como podemos observar, hay dos cajas principales, una que dice “Allowable” (Ac-
cesibles), y otra titulada “Selected” (Seleccionada). Como nuestro interés es grafi-
car la evolución de la variable STOCK, es que seleccionamos esta variable haciendo
doble click a STOCK en la caja “Allowable”, con esto logramos entonces que STOCK
pase a la columna “Selected”. De momento solo elijamos esa opción y el resto de
los botones, que están por defecto lo dejamos tal cual se ve en la figura 4. Una vez
realizado esto hacemos un click en OK, y nos aparecerá la siguiente figura 5,

36
Figura 5

Y aquí podemos observar que el eje Y está tabulado con la variable STOCK. Nue-
vamente nos vamos al menú RUN y elegimos la opción RUN, debería aparecer una
gráfica como la que indica la figura 6.

Figura 6

Esta gráfica nos entrega, entonces, una evolución dinámica de la variable STOCK.
Observe que ha aparecido una imagen similar a las que tienen los controladores de
“casette”. En efecto, ese es su papel. En los iconos , al presionar uno de ellos signi-
fican, “realizar una simulación”, “pausa” y “detención”, respectivamente.

37
LECTURA SELECCIONADA No 2:

Software para el modelamiento, simulación y programación de aplica-


ciones robotizadas.
José Antonio Velásquez Costa.

Haz clic aquí para acceder al texto completo:


www.redalyc.org/articulo.oa?id=81620149005

Lee atentamente el artículo científico, reúne la información obtenida en un


organizador de conocimiento, para presentarlo como control de lectura Nº1.

RUBRICA DE EVALUACIÓN DEL ORGANIZADOR DE CONOCIMIENTO.


Nombre del estudiante: ________________________________________
Sección: _______________________ Fecha: ______________________

CRITERIOS 7 puntos 4 puntos 2 puntos Total

Está redactado de
No posee un
una forma correcta
Las ideas son poco contenido que
y comprensible, las
comprensibles al especifique las
ideas son claras y
Contenido contar con dema- ideas que se
a la vez sintéticas,
siada o muy poca desarrollan o
por lo que son
información. está muy confu-
fáciles de com-
so.
prender.

Los saberes están Los saberes no


organizados en están organizados Los saberes están
forma ascendente en forma ascen- en total desorden
Secuencia o descendente, dente o descen- y no se especifi-
presentando un dente, las ideas can correctamen-
orden y correlación no están correla- te.
de las ideas. cionadas.

Uso de imágenes Uso de algunas Presenta solo


para clarificar las imágenes en texto y usa una
Diseño e imagen ideas, fotografías, algunos eventos tipografía que
dibujos, videos en para clarificar las dificulta su lectu-
caso de ser digital. ideas. ra.

Calificación de la actividad

BIBLIOGRAFIA DE LA UNIDAD I

BASICA
 SOKOLOWSKI John A. Principies of Modeling and Simulation A mul-
tidisciplinary Approach Wiley and Sons Inc Publication Hoboken New
Jersey 2009

COMPLEMENTARIA

38
 COSS BU Raúl. Simulación Un Enfoque Práctico. México D.F.: EDI-
TORIAL LIMUSA S.A., 2003.
 GARCÍA Francisco Simulación de Sistemas. México D.F.: Compañía
Editorial Continental S. A. CECSA 2005

39
AUTOEVALUACION No 1
Las preguntas siguientes le permitirán verificar su aprendizaje de esta unidad. Le
recomiendo que las resuelva cuidadosamente.

1. ¿Qué entiende por simulación por ordenador?


a. Un dispositivo de entrada.
b. Un dispositivo de salida.
c. Un programa diseñado para imitar a una situación de la vida real.
d. Una alternativa de solución.
e. Un caso especial.

2. ¿ Con que se detectan las acciones del piloto que generan movimientos de la
cabina usando un software de simulación de vuelo?.
a. Con sensores.
b. Con software.
c. Con los seres humanos.
d. Con luces.
e. Con sonidos.

3. ¿En un simulador de vuelo, con que se reemplazará la vista real de una cabina?
a. Con un vídeo de la vida real.
b. Con imágenes generadas por ordenador.
c. Con fotografías.
d. Con luces.
e. Con sonidos.

4. ¿Cuál es uno de los principales beneficios del uso de simuladores de vuelo sobre
una aeronave real?
a. Es más realista.
b. Es más emocionante.
c. Es más barato.
d. Ninguno.
e. Es más actual.

5. ¿En cuál de estas situaciones no usaría software de simulación de vuelo?


a. Para simular situaciones de emergencia.
b. Para probar diferentes arreglos de seguridad.
c. Para experimentar volar en condiciones meteorológicas peligrosas.
d. Para construir un modelo de descontaminación ambiental.
e. Para cambiar una situación problema de una demanda de productos.

6. ¿Cuál de las siguientes alternativas es una desventaja de la simulación por or-


denador?
a. Las condiciones pueden variar y los resultados.
b. Ciertas cosas no se pueden simular con eficacia porque no sabemos lo sufi-
ciente sobre ellos, como por ejemplo, los Terremotos.
c. Las situaciones críticas pueden ser investigados sin riesgo.
d. El costo cero.
e. Se pueden realizar muchas pruebas consecutivas.

7. ¿Quién tiene más probabilidades de usar software de simulación por ordenador?


a. La policía para atrapar criminales.
b. Un diseñador de puentes probando diferentes diseños.
c. Un profesor dando una lección de inglés.
d. Un comediante probando sus bromas.

40
e. Un estudiante practicando álgebra.

8. ¿Cuál de las siguientes NO es una razón para usar la simulación por ordenador
en la prueba de las bolsas de aire (airbag) en condiciones de choque?
a. Nunca se sabe cuándo se puede estrellar.
b. Las condiciones de choque se pueden variar en la pantalla.
c. La simulación puede ser frenado para estudiar de cerca los efectos.
d. Las bolsas de choque son impredecibles.
e. Los autos no necesitan de las bolsas de aire.

9. ¿De qué depende la precisión de una simulación?


a. Colores.
b. Reglas.
c. Gráficos.
d. Sistema en tiempo real.
e. Situación externa.

10. ¿Qué entiende por el término “modelo de computadora”'?


a. La representación de un sistema de la vida real o situación.
b. Cualquier imagen digital.
c. Cualquier pieza de trabajo guardada en un archivo de hoja de cálculo.
d. Cualquier archivo de computadora.
e. Un programa específico.

41
UNIDAD II: “PREPARACIÓN Y PRUEBAS SOBRE LOS MODE-
LOS.”

DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD II

CONTENIDO ACTIVIDAD SISTEMA DE


FORMATIVA EVALUACIÓN

RESULTADO DE APRENDI-
ZAJE

Al finalizar la unidad el estudiante presenta en el software de


simulación un modelo de creación propia, utilizando los con-
ceptos de realimentación.

ACTIVIDADES FORMATI-
SISTEMA DE EVALUACIÓN
CONTENIDOS VAS
(Técnicas y Criterios)
(habilidades y actitudes)
Tema N° 1: Diseño de  Analiza la naturaleza de
Procedimientos e indicadores a
la realimentación. la realimentación en los
evaluar
1. Sistemas reali- sistemas.
mentados.  Identifica los elementos  Entrega puntual de tra-
que proveen realimenta- bajos realizado.
Tema N° 2: Uso de la ción en los sistemas y su
 Calidad, coherencia y
realimentación. influencia en el modelo.
pertinencia de conteni-
1. Estructuras que  Elabora 04 modelos sen-
dos desarrollados.
describen comportamien- cillos en los cuales se
tos. implemente sendos tipos  Prueba teórico-práctica,
Tema N° 3: Organiza- de realimentación, en el individual.
ción de pruebas sobre software de simulación.
 Actividades desarrolla-
un modelo.  Ubicar las herramientas
das en sesiones tutori-
1. Herramientas de de análisis en el softwa-
Análisis. re de simulación. zadas.
 Diseñar y ejecutar prue-
Tema N° 4: Ejecución bas sobre modelos di-
de pruebas diversas versos. Criterios de evaluación para
sobre un modelo.  Implementar en el soft- el organizador del conoci-
1. Diseño de prue- ware de simulación el miento de una de las lectu-
bas. modelo propuesto y ele- ras seleccionadas.
2. Ejecución de gido por el mismo estu-  Conceptos y terminolo-
pruebas. diante. gía
 Ubicar las herramientas
de análisis en el softwa-  Dominio de las relacio-
re de simulación. nes entre conceptos

42
 Diseñar y ejecutar prue-  Habilidad para comuni-
bas sobre modelos di- car conceptos a través
versos. del mapa conceptual u
otro.

RECURSOS:
 Videos:
Tema Nº 1
 Diseño de la realimentación.
https://www.youtube.com/watch?v=CraU2MeXIB8
Tema Nº 2
 Uso de la realimentación.
https://www.youtube.com/watch?v=xC63RFvVpRA

Tema Nº 3

 Organización de pruebas sobre un modelo.


https://www.youtube.com/watch?v=ZTGwdgjERp0

Tema Nº 4

 Ejecución de pruebas diversas sobre un modelo.


https://www.youtube.com/watch?v=ZTGwdgjERp0

 Diapositivas elaboradas por el docente:


 Lectura complementaria:
Lectura Seleccionada Nº 1
Los modelos en la ingeniería de sistemas. Tomado de://www.ppooa.com.es/mis.pdf
Lectura Seleccionada Nº 2
Aplicación de un modelo de simulación discreta en el sector del servicio automo-
tor. Tomado de :
https://revistas.upb.edu.co/index.php/industrial/article/download/2308/2058.

Rúbricas: del modelo implementado en el software de simula-


Instrumento
ción.
de evaluación

BASICA
 SOKOLOWSKI John A. Principies of Modeling and Simulation A
mul-tidisciplinary Approach Wiley and Sons Inc Publication Ho-
boken New Jersey 2009
Bibliografía
(Básica y
Complementa-
COMPLEMENTARIA
ria)
 COSS BU Raúl. Simulación Un Enfoque Práctico. México D.F.:
EDI-TORIAL LIMUSA S.A., 2003.
 GARCÍA Francisco Simulación de Sistemas. México D.F.: Com-
pañía Editorial Continental S. A. CECSA 2005
Recursos Edu- BASE DE DATOS: PROQUEST.

43
cativos digita- BASE DE DATOS: SCIELO.
les Consulta de artículos científicos de los cuatro primeros temas.

44
UNIDAD II: PREPARACIÓN Y PRUEBAS
SOBRE LOS MODELOS

TEMA N° 1: Diseño de la realimentación.

1. Sistemas realimentados.

La retroalimentación es un mecanismo de control de los sistemas dinámi-


cos por el cual una cierta proporción de la señal de salida se redirige a la en-
trada, y así regula su comportamiento, es decir, un proceso cuya señal se
mueve dentro de un sistema y vuelve al principio de éste sistema ella misma
como en un bucle; Las relaciones humanas pueden considerarse como bucles
de retroalimentación.

Es un dispositivo que vuelve a hacer un efecto sobre uno de sus causas ca-
pacitándose así para cumplir con una determinada finalidad. Las diferencias en-
tre los efectos real e ideal se transforman en energía que se vuelve a introducir
en el mecanismo y tiende a anular las diferencias iniciales que pusieron en
marcha el sistema original.

Hasta la llegada de la cibernética, los modelos de causalidad eran casi


siempre lineales. En la ciencia prevalecía una polémica epistemológica entre el
determinismo y la teleología. En términos simplificados las dos posturas repre-
sentaban el conflicto entre las causas iniciales o el resultado final como ele-
mento dominante al influir sobre los estados intermedios. La física tendía hacia
la primera postura; la biología hacia la segunda.

Existen dos tipos de sistemas principalmente. Los no realimentados y los


realimentados, este funciona de tal manera que hace que el sistema se reali-
mente, la salida vuelve al principio para que analice la diferencia y en una se-
gunda opción ajuste más, así hasta que el error es 0, mientras que en el prime-
ro no se comparan a la variable controlada con una entrada de referencia. Cada
ajuste de entrada determina una posición de funcionamiento fijo en los elemen-
tos de control.

Los sistemas cerrados

La utilización de una minicadena para disfrutar de la música puede servir


de ejemplo, al mismo tiempo que explica qué es un sistema cerrado y sus
componentes. Una persona tiene deseos de oír determinada música. La elec-
ción proviene de su entorno, de su cultura, de su formación y de la necesidad
ambiental que en ese momento posea. Al entorno cultural, social, medioam-
biental en el que se desarrolla un hecho le llamamos ambiente o contexto del
sistema. Esa persona debe elegir el disco compacto que necesite e introducirlo
en la minicadena. Son entradas del sistema, ya que sin ellas, sin la información
que aportan, es imposible que el sistema se ponga en marcha. Darle a la tecla
de inicio y comenzar el funcionamiento interno de la minicadena, es el proceso,
en el que se incluye todo el procedimiento técnico que hace que puedan produ-
cirse unos resultados. El sonido que proviene de los altavoces, son las salidas o
resultados del sistema. Si la música está alta o baja de volumen, y hay que in-

45
tervenir para ponerla a gusto de la persona, se desarrolla mediante mecanis-
mos de feedback.

El feedback supone un complicado proceso de selección de datos, de codifi-


cación de los mismos y de toma de decisiones, bien sea para continuar de la
misma forma o para rectificar algunos o todos los elementos del sistema. La re-
troacción o realimentación, son los nuevos ingresos en el sistema, de informa-
ciones provenientes del mismo funcionamiento del mismo.

En el caso de la persona que desea oír música en la minicadena, debe ver,


oír, los resultados. Si no son de su gusto, puede ser por lo dicho más arriba,
que el volumen es alto o bajo, y debe intervenir en las mismas salidas, subien-
do o bajando el volumen. Si la música no es la que pretendía, tal vez se haya
equivocado de compacto, y los mecanismos de control, o feedback, deben in-
tervenir en las entradas, cambiando el compacto equivocado por el correcto. Si
este no se encuentra, tal vez deba variar o modificar los objetivos, ya sea
oyendo otra música o dedicándose a otra actividad cualquiera, a leer por ejem-
plo.

Si el problema está en que no se oye nada, o que se oye mal, puede ser
que la minicadena esté estropeada y deba intervenir un técnico. El técnico, no
nosotros a no ser que lo seamos, debe entrar en el mismo proceso y solucio-
narlo. Es el feedback en el proceso. En estos casos, se habla de «caja negra»,
que es aquella que nunca se abre, desconocida para los no iniciados. En la ma-
yoría de los sistemas cerrados el proceso de funcionamiento es de caja negra.

En aviones y medios de transporte, la caja negra (que suele ser de color


naranja) nunca se abre, a no ser que sea necesaria una revisión o investiga-
ción. En los sistemas cerrados, el proceso normalmente es secreto, desconoci-
do para la mayoría y solamente accesibles a los técnicos. En su momento ad-
vertiremos que en los procesos sociales, hay otro tipo de técnicos, cuya res-
ponsabilidad es ser expertos en procesos, es decir, en cajas negras que debe-
rán ser capaces de abrir e interpretar.

Los sistemas abiertos

Se llaman sistemas abiertos a todas las estructuras, en las que intervienen


seres humanos o sus sociedades, y que tienen íntima relación con el medio o
ambiente en el que están inmersos. Con otras palabras, el medio incide en el
sistema, y el sistema revierte sus productos en el ambiente. Ambos se condi-
cionan mutuamente y dependen unos de otros. Para que exista un sistema, de-
be encontrarse siempre un sistema superior.

Todos los sistemas forman parte, como subsistemas, de otros sistemas de


rango más elevado. El medio ambiente, el ambiente en sí o el contexto, es el
conjunto de todos los objetos que puedan influir o tengan capacidad de influen-
cia en la operatividad de un sistema. El contexto es por ello un sistema supe-
rior, supra sistema, que engloba a otros sistemas, influye en ellos y los deter-
mina, y al mismo tiempo es influido por el sistema del que es superior.

El medio ambiente o contexto

Para evitar que esto resulte en apariencia un galimatías pongo un ejemplo.


Estamos en clase, en un curso de Formación Profesional Ocupacional. Los
alumnos acceden voluntarios a formarse, cada uno de ellos por causas e intere-
ses diferentes, expectativas distintas y tal vez, incluso, de profesiones y am-
bientes dispares. Pues bien, todos ellos provienen de un ambiente, cada cual

46
del suyo, y al mismo tiempo con características muy similares, ya que todos
son producto de una civilización occidental, ven la misma televisión, se han
educado en escuelas similares y con un sistema muy parecido…

El contexto individual ha marcado diferentemente a los alumnos, y al mis-


mo tiempo el contexto social los puede tener homogeneizados, por lo menos en
parte. También puede darse el caso de que haya alumnos marroquíes, ruma-
nos, etc., en los cuales el contexto social ya cambia sustancialmente. Pues
bien, estos alumnos provienen de un contexto, y son al mismo tiempo entradas
de un sistema abierto: El curso de formación.

Las entradas del sistema

Los alumnos ya han entrado en un sistema, que a su vez depende del sis-
tema educativo general, y del sistema cultural de nuestro país. Existen otras
entradas, no menos importantes, como son el programa del curso, los objetivos
del mismo, los medios y recursos, las capacidades del profesor, el ánimo o mo-
tivaciones inmediatas de los alumnos, etc. Si seguimos con el ejemplo de la
clase, las entradas serán los objetivos para ese día, los recursos de ese día y la
situación y condicionantes reales de esa jornada.

En general, toda la información, los procesos de programación y de codifi-


cación, y los elementos que provengan de procesos anteriores, retroacción o
feedback, vuelven a ser consideradas como entradas del sistema.

El funcionamiento o proceso del sistema

La clase ha comenzado. Estamos en pleno proceso de trabajo. Si fuera un


curso completo, el proceso abarca todo el recorrido de la acción formativa. En
una sesión el proceso está enmarcado en lo que significa el trabajo a realizar
en esa sesión, que depende de un sistema superior, el curso, y de otro supra-
sistema más elevado, el sistema educativo o el plan formativo del que depen-
de.

En el momento de la sesión de clase, se deben poner en funcionamiento


todos los mecanismos necesarios para procurar un feedback correcto. En otro
lugar de este libro, cuando se entre de lleno en la problemática de la evalua-
ción, veremos cómo puede aplicarse en una sesión de clase.

En un sistema abierto como el formativo, no cabe hablar de «caja negra»


en los mismos términos en que lo afirmábamos cuando la referencia era hacia
los sistemas cerrados. En este caso, los expertos somos nosotros, y debemos
«abrir» la caja negra de la metodología, de las relaciones interpersonales y de
los recursos, para apreciar dónde están los problemas y poder solucionarlos.

Siempre quedará otro tipo de «caja negra», que son las personalidades de
los alumnos, sus elementos íntimos, o desconocidos. Con un buen trabajo de
interrelación personal y de grupo, muchos de estos elementos, pueden salir a
flote, ganando en comunicación y sin lesionar la intimidad de los alumnos.

Los resultados, o salidas, del sistema

A los resultados, o lo que es lo mismo, a los objetivos logrados o no del


sistema les llamamos «salidas» o acciones resultantes de la fenomenología sis-
témica.

47
En la acción formativa de que hablamos, las salidas son los actos o apren-
dizajes y cambios de conducta, previstos por profesores y alumnos para el
desarrollo de determinada acción formativa.

El resultado del sistema se envía al medio. El alumno aporta a su acervo


cultural, a la sociedad o a su ámbito familiar los aprendizajes que le ha propor-
cionado el sistema. Si los productos o salidas son gratificantes, proporcionan
mayores estímulos y se refuerza la motivación para nuevos aprendizajes. Gra-
cias a lo cual se hace más favorable la repetición de situaciones.

En la sesión de clase, las salidas o productos pueden ser la misma partici-


pación de los alumnos, los aprendizajes inmediatos o el interés por la tarea que
se está realizando.

El feedback y la evaluación continua

Uno de los pilares fundamentales de cualquier sistema es el feedback. Si


hubiera que traducirlo literalmente, retroalimentación. No es fácil, ya que en
castellano, se utiliza de muchas formas, retroacción, información de retorno...
Lo verdadero es que el término feedback entraña en él mismo toda una filoso-
fía, más que una simple definición o concepto. Por esa razón es tan difícil de
definir o de traducir.

En terminologías de enseñanza, es lo más parecido a lo que llamamos eva-


luación continua, es decir, recepción o aceptación de la información que provie-
ne de cualquiera de los elementos del sistema, con el fin de rectificar lo que no
se ajusta a los objetivos o procedimientos y mantener, mejorando, lo que es
correcto.

Retroalimentación Positiva y Negativa

Es el Proceso de compartir, preocupaciones y sugerencias con la otra per-


sona con una intención de mejorar su funcionamiento como individuo.

La retroalimentación es el proceso por el cual un sistema obtiene y procesa


información acerca de las funciones que ejecuta para generar acciones correcti-
vas, preventivas o de optimización.

Mayormente la mayoría de las personas notan a diario la gran presencia (y


también la gran ausencia) de procesos de retroalimentación, al igual en los
procesos industriales (automatizados o no), en los negocios, en la comunica-
ción, en la educación, en la medicina, etc.

La retroalimentación es una herramienta efectiva para aprender como los


demás perciben mis acciones, mis palabras, mis trabajos y hacer conocer a los
demás como yo percibo los suyos.

Ejemplos de retroalimentación

El más simple puede darse en la comunicación diaria. Por ejemplo, si un


profesor le da ciertas instrucciones a otros, al final de la clase el profesor pre-
gunta: “¿me entendiste?”, entonces, pueden haber algunas respuestas como:
“si” ó “no”, “¿puedes repetirlo?”. Etc. Entonces el profesor tomará las acciones
necesarias para: repetir las indicaciones, no hacerlo, hacerlo pero antes pedir
que preste más atención, etc.

48
a.- Retroalimentación negativa:

Es la más utilizada en sistemas de control ya que como dice su nombre tra-


ta de controlar entre dos elementos.

Se dice que un sistema está retroalimentado negativamente cuando tiende


a estabilizarse, es decir trata de buscar el equilibrio, la estabilidad de que per-
manezca constante las dos variables a interactuarse.

Un mecanismo de interacción entre procesos del sistema climático se llama


retroalimentación climática negativa o Feedback negativo, cuando el resultado
de un proceso inicial desencadena cambios en un segundo proceso que, a su
vez, influye en el proceso inicial debilitándolo. Este proceso garantiza la estabi-
lidad del sistema climático pues se opone al cambio.

Ejemplo: Es cuando sacamos la mano del fuego porque nos estamos que-
mando, según la retroalimentación negativa se da esta definición ya que uno al
poner la mano al fuego nos damos cuenta (guardamos información en nuestro
cerebro) de que luego de la acción (poner la mano al fuego) hay una reacción
(la consecuencia es la quemadura sufrida) negativa, porque al almacenar este
suceso, nos daremos cuenta que será difícilmente que la vayamos a volver a
poner ó que nos suceda.

b.- Retroalimentación positiva:

Que hace justo lo contrario a lo que hace la retroalimentación negativa.

La retroalimentación positiva sucede cuando mantenemos constante la ac-


ción y modificamos los objetivos (desestabilizar una situación), es decir que
trata que una situación se mantenga en variación constante en vez de que la
acción se termine como la retroalimentación negativa.

Tomemos el ejemplo de una empresa de producción de calzados, que dise-


ña un programa de trabajo, para producir 5000 toneladas de sandalias para
dama por semana y al cabo de la primera semana se retroinforma a la gerencia
de operaciones que la producción real fue de 5500toneladas.

La gerencia decide entonces modificar su objetivo y lo lleva ahora a 5500


toneladas por semana. Las cosas se mantienen así por dos meses. Pero en el
tercer mes la producción semanal vuelve a subir, esta vez a 5700 toneladas.
Nuevamente, la gerencia modifica sus objetivos y fija esta nueva cifra como
meta semanal. La conducta que sigue esa gerencia de operaciones es de apo-
yar las acciones o las corrientes de entrada del sistema, de modo de aumentar
siempre la producción.
En este ejemplo se aplica una retroalimentación positiva.

En la retroalimentación positiva el control es prácticamente imposible, ya


que no disponemos de estándares de comparación, pues los objetivos fijados al
comienzo prácticamente no son tomados en cuenta, debido a su continua va-
riación. Como la conducta de la variable es errática, es difícil planear las activi-
dades y coordinarlas con otras.

En estas circunstancias la retroalimentación positiva tiende a eliminar todo


esfuerzo de programación y de planificación.

La retroalimentación positiva ha producido una conducta fluctuante de la


variable. En otros casos puede producir efectos de amplificación que alejan

49
constantemente al sistema de algún punto de equilibrio haciéndolo totalmente
inestable.

TEMA N° 2: Uso de la realimentación.

1. Estructuras que describen comportamientos.

1) LOS MODELOS DE CRECIMIENTO

Sabemos que la biosfera está constituida de sistemas que cambian con el paso
del tiempo. Conocemos ambos sistemas: ambiental y humano, los cuales pue-
den describirse por la forma de sus cambios.
El modo por el cual el sistema cambia depende de la organización del sistema y
del tipo de fuente de energía que se tiene disponible. Por ejemplo, si lo consi-
deramos de esta manera; algunos ecosistemas aumentan en tamaño y
complejidad mientras que otros detienen su crecimiento.

Así mismo algunas pequeñas ciudades pueden crecer y convertirse en ciudades


grandes mientras que por otro lado, otras ciudades parecen permanecer del
mismo tamaño durante varias décadas (consideramos entonces, que ellas pa-
recen haber alcanzado un estado de estabilidad). Otras ciudades, por su parte,
disminuyen de tamaño y complejidad, las industrias tienden a cerrar, y los ha-
bitantes se trasladan de ese lugar.

La organización de un sistema puede, bien estudiarse diseñando un diagrama


del sistema (modelo). A través de los tipos de fuentes de energía en un dia-
grama, podemos observar el comportamiento del sistema, que puede crece r o
disminuir.

2. El modelo de crecimiento exponencial

El modelo de crecimiento exponencial en relación con la dinámica de la


población.

Como hemos de saber, el tamaño de las poblaciones de seres vivos se suele


mantener en equilibrio, oscilando más o menos ampliamente en torno a un va-
lor medio, en función de variables conocidas como la natalidad o la mortalidad,
que a su vez dependen, como es de imaginar, de relaciones más complejas
con otras poblaciones de otras especies, variaciones en las condiciones ambien-
tales, etc.

El crecimiento de una población, es decir el incremento en el número de indivi-


duos que la componen en cada una de las generaciones, depende como factor
importante, de la tasa de natalidad, que es característica de cada especie y es
variable en función de ciertos factores ambientales, y del número de individuos
reproductores de que se parte.

Esta tasa de natalidad TN se expresa en tanto por uno. Según esta aproxima-
ción tan simple, en una generación el número inicial de individuos N0 se verá
incrementado en N0•TN:

N1 = N0 + N0•TN = N0•(1 + TN) _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ (1)

50
Al mismo tiempo, nos damos cuenta que ocurre un hecho completamente con-
trario, el cual genera que cierto número de individuos mueran. La propor-
ción de muertes respecto al total es la tasa de mortalidad TM. Luego:

N1 = N0•(1 + TN - TM) ____________ _ _ _ _ _ _ _ _ (2)

La acción conjunta de TN y TM determinan el incremento real de N0. La dife-


rencia entre TN y TM es la tasa intrínseca de crecimiento de una población, cu-
yo valor máximo se denomina como potencial biótico (r), el cual es característi-
co de cada especie:

r = TN – TM _ _ _ _ _ _ _ _ _ _ _ _ ____ _ _ _ _ _ _ _ (3)

Teniendo en cuenta ambos factores, tenemos que el número de individuos


presentes en la población en la siguiente generación será:

N1 = N0•(1 + r) _____ __ ___ _ _ _ _ _ _ _ _ _ (4)

Y en la siguiente generación tendremos:

N2 = N1 (1 + r) = N0 (1 + r) (1 + r) = N0 (1 + r)2 _ _ _ _ _ _ _ _ _ (5)

Y generalizando:

Nt = N0 (1 + r)t _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ (6)

Si TN > TM, significa que la natalidad supera a la mortalidad con la cual se está
dando, en este caso, r será mayor que 0 y la población, en conse-
cuencia lógica tiende a crecer.

En estas condiciones y si no existen limitaciones de otro tipo, la población cre-


ce de manera exponencial.

Un ejemplo para tratar de imaginar lo explicado, es el siguiente el cual muestra


este tipo de crecimiento partiendo de N0 = 6 y r = 0,1, o sea una tasa del
10%. Hay que tener muy en cuenta que este tipo de crecimiento sólo es posi-
ble en circunstancias muy específicas. Por ejemplo cuando una especie coloni-
za un nuevo espacio y no hay restricciones en los recursos ni competencia por
ellos, es decir, se proporcionan demasiadas facilidades que suelen ser e4scasas
en un modelo mas real, tal es el caso de como ocurre en un cultivo bacte-
riano recién inoculado durante los primeros momentos de su crecimiento.

Algunas especies siguen este modelo de crecimiento siguiendo ciclos de explo-


sión demográfica seguidos por elevados índices de mortalidad, por ejemplo al
comienzo de la estación reproductora. Presentan curvas de crecimiento en
forma de dientes de sierra tal y como se observa a continuación:

51
Al potencial biótico, como capacidad de una especie para reproducirse en con-
diciones ideales, se oponen una serie de factores que, en conjunto, constitu-
yen la resistencia ambiental, la cual establece un límite al crecimiento de las
poblaciones.

En especies con un comportamiento como el descrito estos factores suelen ser


independientes de la densidad de población, como variaciones climáticas, en la
cantidad de alimento disponible, tiempo de vida, riesgo natural de la especie,
entre otras.

La tasa de natalidad es primero muy elevada y luego va siendo menor hasta


igualarse a la de mortalidad cuando la población alcanza el límite de carga. Por
encima de éste, la tasa de mortalidad supera la de natalidad e impide que la
población continúe creciendo. Sin embargo, nos encontramos con que es fre-
cuente que tras un período de crecimiento rápido este ajuste tarde en ocurrir lo
suficiente como para que la población supere el nivel K de forma momentánea,
tras lo cual se produce una elevada mortalidad y por tanto, una visible caída de
la población. Y puede, ocurrir en este caso, que el valor de N oscile en torno a
K hasta alcanzar el equilibrio:

El máximo crecimiento de la población y la máxima producción se da mientras


se logra mantener la etapa de crecimiento exponencial, antes que los factores
dependientes de la densidad tomen tanta importancia logrando de esta mane-
ra, limitar el crecimiento.

52
En la siguiente figura, podemos observar lo que corresponde al segmento com-
prendido entre los puntos 1 y 2:

Ya hemos observado un poco acerca de lo que ocurre con la dinámica de la po-


blación, interpretada en base al modelo de crecimiento exponencial, por tanto
es que a continuación, se representa el crecimiento mismo de la población,
pero a hora considerando una fuente de presión constante.

La fuente de presión constante puede abastecer tanta energía como se necesi-


ta. Para entender mejor este concepto, pensemos en una población de conejos
que se encuentran en pleno crecimiento, y que poseen un abastecimiento fértil
de alimento que no considera para nada, la rapidez con que ellos suelen ali-
mentarse.

Podemos seguir en este caso el flujo del diagrama que se encuentra mas aba-
jo, para poder ver como la población de conejos tiende a aumentar; esta se
retroalimenta para traer mas energía (es decir, a través de más ali-
mentación) para procrear mas conejos.

Tenemos que se el sistema comienza con un conejo macho y una hembra, y


ellos producen cuatro conejitos que a su vez producen ocho; y así, en la misma
tasa de aumento, entonces la próxima generación producirá 16, la próxima 32,
la próxima 64 y así sucesivamente, hasta no sabemos cuando. Como el núme-
ro de conejos aumenta, ellos usan más de la fuente de energía y el número
aumenta rápidamente.

Podemos apreciar de esta manera, que existe una aceleración del cre-
cimiento de la población de conejos a lo largo de la misma concen-
tración de abastecimiento de alimento. La curva de una población bajo estas
condiciones es a lo que llamamos más comúnmente como: crecimiento ex-
ponencial.

Es muy importante observar cuidadosamente que el crecimiento ex-


ponencial aumenta en un constante porcentual ya que se encuentra en una
proporcionante función del tiempo.

A lo que se refiere en la práctica, la fuente de energía a presión constante no


puede ser mantenida siempre indefinidamente, entonces tenemos que el cre-
cimiento exponencial infinito es técnicamente imposible.

53
De cualquier manera, durante el transcurso de las primeras etapas del creci-
miento de la población, cuando la demanda de alimento suele ser pequeña
(comparada con la cantidad disponible), la energía puede encontrarse dispo-
nible a presión constante; entonces el crecimiento puede considerarse de
manera exponencial. Pero eventualmente, el alimento podría volverse limitan-
te y la situación lógicamente necesitaría ser representada por un modelo dife-
rente.

Para que nos quede mas claro el papel que juega el modelo del crecimiento ex-
ponencial, es preciso poderlo verlo desde otro punto de vista, o mas bien, po-
der moldearlo de tal manera que no quede duda de su funcionamiento. Con
esto me refiero a que este tipo de crecimiento, también puede ser observado
como un “ Interés Compuesto ”
La ecuación general para el crecimiento poblacional se puede deducir co-
mo:

Nt = N0 •

Donde Nt es el tamaño poblacional en algún momento (t), N0 es la po-


blación inicial y es la tasa de incremento anual.

Otra forma de presentar esta ecuación es:

Nt = N0 • t

Cuando no existe suficiente información como para llenar una tabla de vida de
la población, puede ser calculado a partir de la tasa de cambio en un interva-
lo de tiempo determinado. Por ejemplo:
= Nt+1 / Nt

La ecuación Nt = N0 • t describe a una población que crece exponencialmente


en el tiempo. Este tipo de crecimiento (similar al del interés compuesto en
economía) se da cuando es mayor que 1, el ambiente es constante y
hay exceso de recursos. Es el responsable de la forma de la curva de creci-
miento poblacional. Este parámetro define la velocidad del crecimiento pobla-
cional.

El crecimiento poblacional está influenciado por las características del ciclo vital
de las especies tales como: la edad al inicio de la reproducción, el número de
descendientes producidos, la supervivencia de los individuos y la longitud del
periodo reproductivo.
Una población puede crecer en forma exponencial hasta que sobrepasa la capa-
cidad del ambiente para sostenerla. Justo en ese momento la población entra
en un abrupto declive debido precisamente a la inanición, enfermedad o emi-
gración.
La curva en forma de J o exponencial la podemos apreciar mas usualmente en
poblaciones de animales introducidos en ambientes nuevos.

La tasa finita de incremento anual ( ) puede ser expresada como una tasa de
incremento, r, que describe el crecimiento poblacional instantáneo. En este ca-
so se asume que la población crece continuamente en el tiempo en vez de que
exista una estación de cría discreta.

La tasa de incremento se calcula como:


r = ln

54
La tasa de incremento depende de si la población a la que nos referimos posee
una distribución estable en clases de edad, de las fecundidades y superviven-
cias de cada edad de la población. Dado que todas estas variables cambian,
como es de suponerse, continuamente, los valores de r y cambian también
continuamente. A pesar de esto el uso de r permite comparar el crecimiento de
poblaciones que viven bajo diferentes condiciones ambientales, también permi-
te una comparación directa de tasas así como para calcular el tiempo de dupli-
cación de una población.

Aquí podemos permitirnos observar un hecho que es de gran importancia a ni-


vel de la vida de las especies. Con esto hago referencia a las condiciones am-
bientales que limitan el crecimiento poblacional.

Es decir que, en la naturaleza el ambiente cambia constantemente y los re-


cursos, como es bien sabido, son limitados. Esto nos refleja una situación que
se presenta que a medida de que la densidad de una población au-
menta, la competencia entre los miembros de la misma población por recursos
disponibles también aumenta.

Ante este escenario y la escasez de los elementos, la mortalidad se incrementa


y/o la fecundidad disminuye. Como resultado el crecimiento de la población
disminuye alcanzando en algunos casos un nivel estable. Este nivel se conoce
como la capacidad de carga o K.

Teóricamente en K la población se encuentra en equilibrio sin crecer ni dismi-


nuir.
En los casos en los cuales el crecimiento poblacional no es afectado por los ni-
veles de densidad poblacional se habla de crecimiento denso-
independiente.
A este último caso corresponde los modelos de crecimiento poblacional expo-
nencial.
Podemos verificar que para un intervalo de tiempo específico, este modelo se
expresa como:
Nt = N0 ert

(Lo único que estamos haciendo, es reemplazar t por el término “ert”) Cuando
esta modelo se especifica para tiempo continuo (no para intervalos), se
expresa por la ecuación diferencial:
dN / dt = rN

Una última forma de representar el modelo del crecimiento exponencial, y den-


tro de la dinámica de las poblaciones de manera muy resumida y concre-
ta, además de ser muy sencilla es como se anuncia a continuación:

Se supone un crecimiento continuo e indefinido (que se refiere a la retro-


alimentación positiva)
dN/dt = rN

N = # de individuos de la población, t = tiempo durante el cual se dará el cre-


cimiento, índice reproductor neto expresado como tasa diferencial, d = diferen-
cial de...

Por cada unidad de tiempo que pase la población se multiplicara por una canti-
dad constante, mientras más grande será N mayor será el crecimiento.

55
Podemos citar ejemplos para terminar de concretar la representación.
Véanse a continuación algunos de ellos:

Una población de vizcachas en enero de 1991 tenía 200 individuos y en enero


de 1992 se produjeron 40 muertes y 80 nacimientos. Hallar las tasas porcen-
tuales anuales de natalidad y mortalidad y calcule el tamaño final de la pobla-
ción suponiendo que no hubo migración.

Una población de vicuñas presenta un crecimiento exponencial (condiciones óp-


timas) en cuantos años alcanzará una población de 500 individuos. Si r =
1.2 y No = 50 individuos.

También podemos incluir una nota interesante como lo siguiente:

El economista británico Thomas Malthus propuso en 1798 que el crecimiento de


una población se puede considerar como un proceso continuo, cuya velocidad
de aumento es proporcional a la población ya existente: tenemos todos los in-
gredientes para la aparición de nuestro número.

Si P0 es la población inicial (es decir, la existente cuando comenzamos a con-


tar), existe una constante de crecimiento k en cada población, de mane-
ra que el número de individuos al cabo de un tiempo t, viene expresa-
do por una ley del tipo P(t) = P0 e k t . Por ejemplo, supongamos que contabili-
zamos 500 bacterias en una placa de Petri. Una hora después comprobamos
que su número ha aumentado hasta 800: P(1) = 800 = 500 e k · 1 , tomando
logaritmos se calcula fácilmente el valor de k como 0'47 (aproximadamente).

La ley de crecimiento de la población queda como P(t) = 500 e 0'47 t


.

Esto, dejado así, presenta un problema: al cabo de una semana, el número de


bacterias será de unos

500 e 0'47 · 168


= 10 37
ejemplares, aproximadamente.

Si consideramos una bacteria que tenga un volumen de cuatro micras cú-


bicas, calcula cuánto ocuparían las anteriores y verás que nos saldrían estos bi-
chos por la boca.

56
En la realidad ocurre que las poblaciones encuentran un nivel de satura-
ción, que no pueden sobrepasar por dificultades de espacio, de alimento o de
otros condicionantes. Los biólogos han perfeccionado la fórmula estableciéndo-
la como

, llamado modelo logístico donde A (nivel de saturación) B y


K son constantes que dependen de cada población particular.

Y para concluir con este tema, daremos una breve conclusión, que sigue como
parte de un ecosistema como los modelos antes citados:

La explotación de los ecosistemas por el hombre, ya hablemos de agricultura,


ganadería o pesca, consiste en extraer biomasa manteniendo el ecosistema in-
maduro, evitando que progrese la sucesión y el consumo respiratorio supon-
ga una menor producción neta. Desde el punto de vista de la demografía se
trataría de mantener la población de crecimiento exponencial, evitando que el
aumento de la densidad haga decrecer la producción. Pero la sobreexplotación
significa extraer más deprisa de lo que puede crecer la población, se reducirá
su densidad a un nivel inferior al de producción óptima. El buscar el máximo
beneficio en el menor plazo posible puede conducir a reducir los niveles de la
población objeto de explotación por debajo de ese umbral crítico que permita la
recuperación de la misma.

En condiciones naturales, no todas las especies utilizan la misma estrategia en


la búsqueda de su adaptación a las condiciones ambientales y su permanencia
en el tiempo. El tamaño de la población depende del equilibrio entre fer-
tilidad (o potencial biótico) y supervivencia:

• Unas especies presentan elevada fertilidad (gran potencial biótico) aunque


su supervivencia sea baja. Se denominan r estrategas, y son propias de am-
bientes cambiantes o inestables, sometidas a elevados índices de mortalidad,
que compensan con crecimientos explosivos en períodos favorables. Son espe-
cies oportunistas, pioneras o colonizadoras que basan su éxito en producir un
gran número de esporas, huevos, larvas o juveniles aunque su mortalidad sea
muy elevada (curva de supervivencia tipo III)

• Otras especies sitúan el número de individuos por debajo de la capa-


cidad de carga K, son los K estrategas, que priman la supervivencia por encima
de la fertilidad. Son especies propias de ambientes estables, muy adaptados a
ellos, en general grandes y longevos. Adoptan esta estrategia especies muy te-
rritoriales, con marcada organización social. Pero son la densidad de población
tiene un gran efecto y presentan mecanismos de regulación social: es decir,
que no todos los individuos se reproducen, ya que son muy sensibles a cambios

57
ambientales. Incluso, una población puede llegar a extinguirse, y esto puede
ser ocasionado, ya que esta última tiende a ser pequeña, o bien, si la disponibi-
lidad de recursos disminuye considerablemente.

Pero es bien cierto que las poblaciones pueden llegar a la extinción por muchas
causas. Una de las causas mas comunes en los últimos años ha sido la destruc-
ción de hábitat. La destrucción del hábitat lleva a que la convivencia se vea res-
tringida a un número cada vez menor de individuos.

En muchos casos las actividades principales de las poblaciones (como escape


a depredadores, búsqueda de alimento y apareamiento) dependen de un nú-
mero crítico de individuos. Si por alguna razón la población decrece a niveles
menores que este número crítico entonces es muy probable que ocurra la ex-
tinción.
La extinción es un proceso natural y selectivo. Las probabilidades de extin-
ción de una especie dependen de sus características biológicas como de even-
tos aleatorios. Las características biológicas que favorecen la extinción son:
gran tamaño corporal, rango geográfico restringido, especialización en un
hábitat, falta de variabilidad genética y baja plasticidad fenotípica y trófica.

En fin, esto es solo una parte muy importante que debemos tener en cuenta
para la preservación de estas especies, y para poder seguir llevando a cabo,las
diversas actividades, implantando así mismo, métodos y buscando una explica-
ción mas lógica, como con el modelo exponencial, antes citado.

Uso en la datación por medio del carbono 14.

En los sistemas cerrados (que pueden ser líquidos o sólidos), no existe aporte
continuo de nutrientes, ni drenaje de células ni de sustancias de desecho.

En estos sistemas la fase exponencial de crecimiento balanceado no restringido


dura sólo unas cuantas generaciones, debido al agotamiento de nutrientes y/o
a la acumulación de desechos.

El crecimiento en un sistema cerrado consta de varias fases, que pasamos a


comentar:

Fase de retardo (fase "lag"): Es el período de tiempo durante el que el inóculo


se adapta a las condiciones del medio fresco sobre el que se ha sembrado. Se
trata de un período de ajuste metabólico. Su duración depende de varios
factores:

 tamaño del inóculo;

 bondad del inóculo (estado metabólico previo del inóculo):

Pero aun cuando la inoculación se hace desde un cultivo previo en fase logarít-
mica, cuyo medio sea idéntico al medio fresco, se observa siempre una fase
larga.

Fase de transición, de crecimiento acelerado.

Fase de crecimiento exponencial (= fase logarítmica). La fase 2 se debe a


que cada célula entra en la fase exponencial con desfase respecto de sus com-
pañeras. Ello demuestra que las células del inóculo no están todas en las mis-
mas condiciones fisiológicas.

58
Durante la fase logarítmica se da un crecimiento balanceado no restringido du-
rante unas pocas generaciones (normalmente menos de 10). El tiempo de ge-
neración (g) es característico para cada especie o cepa, en cada medio concre-
to:

El valor del tiempo de generación (g) depende de:

• Composición del medio


• Temperatura
• Ph
• Tonicidad, entre otros

Los microorganismos heterótrofos suelen crecer más rápidamente en los me-


dios complejos, ricos, que en los medios sintéticos, y dentro de estos últimos,
mejor con glucosa que con otras fuentes de carbono.

Fase de aceleración negativa, de crecimiento desequilibrado.

Fase estacionaria: Esta fase se caracteriza porque el coeficiente neto de cre-


cimiento se hace nulo ( = 0), pero aún existe crecimiento. Lo que ocurre es
que el crecimiento bruto se equilibra con las muertes celulares.

En este período se agotan nutrientes especiales y se acumulan sustancias de


desecho. Incluso el pH del medio empieza a hacerse inadecuado para el creci-
miento celular.

Si la bacteria crece en un medio complejo, la fase 4 de transición (de acelera-


ción negativa) puede ser relativamente larga, debido a que va recurriendo a
fuentes alternativas (por ejemplo, puede recurrir a aminoácidos como fuente
de C una vez agotados los hidratos de carbono).

En la fase estacionaria aún existen reacciones metabólicas, pero el metabolis-


mo general es diferente al de la fase logarítmica:

Fase de transición hacia Fase de muerte exponencial: Se da muerte y lisis ma-


siva, exponencial, del cultivo. Se debe al agotamiento de reservas de energía.
Algunas veces las células aparecen grandes, hinchadas, distorsionadas (formas
"fantasmas", "ghost"). La pendiente de esta parte de la curva depende de las
especies (por ejemplo, en bacterias entéricas es suave, mientras que en Baci-
llus es más acentuada).

También lo podemos relacionar con una desintegración radiactiva:

Algunos átomos son inestables y se desintegran espontáneamente


emitiendo radiaciones. Se ha observado que el tiempo en que determinada sus-
tancia se reduce a la mitad, llamado vida media, es una constante carac-
terística de ella e independiente de la cantidad que haya. La ley de Rutherford
sobre la desintegración radiactiva dice que el número de átomos de un elemen-
to radiactivo transformados en un tiempo determinado es proporcional al nú-
mero de átomos de ese elemento que estén presentes en la sustancia, en par-
ticular, la fórmula que describe la desintegración es de la forma: N(t) = N0·e k
t.

La vida media de los elementos radiactivos puede utilizarse a veces para de-
terminar la fecha de sucesos del pasado de la Tierra. Las edades de las rocas
de más de 2000 millones de años pueden establecerse mediante la desintegra-
ción radiactiva del uranio (de 4500 millones de años de vida media).

59
En un organismo vivo, cada gramo de carbono contiene 10 -6 gramos de

C 14 . Tras su muerte, el organismo deja de absorber carbono y la


proporción de C 14 decrece a medida que se va desintegrando. Su vida media
es de unos 5730 años, de modo que es posible estimar la edad de restos or-
gánicos: los arqueólogos han fechado así conchas, semillas, objetos de
madera, o la fecha en que se realizaron pinturas rupestres.

 Hállese k en la fórmula de desintegración del C 14.


 El carbón de un árbol muerto en la erupción volcánica que dio origen al Lago
Cráter, en Oregón, contenía el 44'5% del C 14 que se halla en la materia viva.
¿Qué antigüedad aproximada tiene el lago?
 En el año 2000 se encuentra, en el centro de Illinois, un hueso fosilizado
con el 17% de su contenido original de C 14. ¿En qué año murió el animal?
Contéstese en el caso de que las proporciones fuesen 16% y 18% respecti-
vamente (para ver las consecuencias de un pequeño error en la medida del
carbono).

El modelo exponencial, además de servir para la datación del carbono 14, y pa-
ra las dinámicas de las poblaciones, también es de gran utilidad en las finan-
zas, ya que se relaciona con el interés compuesto y todo lo relacionado a ello.
Una aplicación más, puede ser manifestada dentro de la física como parte de la
velocidad en relación con el tiempo. Esto por citar algunas de sus más impor-
tantes aplicaciones, sin embargo, también se puede relacionar con mayores
áreas.

Modelo de crecimiento logístico.

Para comenzar a hablar acercas del modelo de crecimiento logístico, es necesa-


rio indicar que los recursos necesarios deben ser limitados; y una consecuencia
inmediata acerca de ello, es que, tanto nacimientos como muertes dependen
del tamaño de la población.

Obtenemos de esta manera, la ecuación que nos describe la familia de ecuacio-


nes de crecimiento:

Donde N es el tamaño de la población,


t = punto en el tiempo dado en minutos, horas, años, décadas, etc.

Posteriormente nos damos cuenta la manera en que se define el “de-


crecimiento de la población”, esto es:
b’ = b-aN

Y de la misma manera, la proporción de incremento, la señalaremos de la si-


guiente forma:
d’ = d+cN

Ambas se encuentran representadas de una forma muy simple, y esta es la de


líneas rectas, que respectivamente decrecen o crecen.
Con esta información, podemos darnos cuenta inmediatamente que el modelo
exponencial, anteriormente descrito, es un caso particular del modelo logístico
en donde no existe un efecto de nacimientos o muertes, es decir, a=0, o c=0.

60
Dentro del mundo real, estos modelos no suelen ser tan fáciles, las cosas se
comienzan a complicar cuando intentamos ajustarnos lo más que podamos a la
realidad. Para estos efectos, necesitamos que la población sea pequeña y gene-
re un mínimo de crecimiento de población. Los nacimientos y las muertes, aquí
van a estar comportadas como denso-dependientes.

Con lo cual, podemos describir ahora, nuestro modelo logístico:

[(b-aN)-(d+cN)]N

Esto, con una reagrupación de términos la podemos ver así:

Ahora llamemos r= (b-d), la expresión se simplifica mucho mas:

Determinemos, de una manera mucho mas simple nuestra ecuación dife-


rencial para describir el modelo de crecimiento logístico, haciendo un pequño
cambio de variables, es decir , haciendo que K= (b-d) / (a+c) Obteniendo de
esta manera : dN/dt = rN (1-(N/K)

En la figura se nos muestra una visión gráfica de que lo que se representa al


decir que las variables, tanto de nacimientos como de muertes, son denso- de-
pendientes. Mostrándonos que las muertes y nacimientos solo son iguales
en un punto, que es justo en el lugar en donde se intersectan.

Antes de continuar, es preciso tener en cuenta, que la función exponencial ya


que la función a estudiar está relacionada muy cercanamente con ella. Sin em-
bargo, no debemos confundir una con la otra.
A continuación se presenta una representación de cada uno de los modelos pa-
ra darnos cuenta de lo que la semejanza significa.

Es bueno mencionar el modelo de crecimiento discreto de una población, que


se define como

61
N t+1 = N t + rd Nt [ 1- (Nt/K)

Este modelo pareciera ser análogo al modelo continuo y también al modelo ori-
ginal del modelo exponencial. Pero este modelo esta ajustado al tiempo de re-
trazo de longitud 1.0. La población avanza en el futuro, dependiendo de la po-
blación en la fecha inicial; es decir, la dinámica depende únicamente de rd.

Observemos la representación de la gráfica que nos comunica que el tamaño


de la población no es muy grande ni muy pequeño, simplemente tiene una me-
dida en término “medio”, lo cual provoca que se cree este modelo de una forma
un poco compleja para ciertos puntos que tienen que ver con la rd.

En el estudio de la función exponencial siempre tenemos que tener en cuenta


que la base a es siempre positiva y que hay dos tipos claramente diferenciados
dependiendo de si a > 1 ó 0 < a < 1.

La función exponencial es un modelo válido para crecimientos o decrecimientos


continuos en los que las condiciones son siempre igualmente favorables:
aumento del capital ingresado en un banco, desintegración de sustancias radio-
activas.

Las poblaciones de seres vivos comienzan creciendo según una curva ex-
ponencial pero si no hay catástrofes, llegan a invadir su espacio vital y, debido
a la limitación de alimentos, peligro conforme a la especie, entre otras cosas
mas, su crecimiento se amortigua, no sobrepasando su población límite.
Este tipo de aumento, amortiguado por un nivel de saturación se llama creci-
miento logístico.

La función logística nos permite apreciar mucho mejor lo que ocurre con las
poblaciones ya que describe de manera mas precisa que la exponencial lo que
realmente ocurre con los seres vivos.

En general, la función logística asociada a una exponencial es:

FUNCION EXPONENCIAL donde C es la población inicial, x el


tiempo

FUNCION LOGÍSTICA donde L es la población límite, K = ( L / C )


-1

62
Aquí podemos introducir un ejemplo muy claro que se puede apreciar en la vida
real:

En una isla dejamos escapar 100 conejos, especie desconocida hasta entonces
en esos parajes. Supongamos que las condiciones para que se reproduzcan son
óptimas, por lo que se incrementan en un 10% mensual. ( Hasta aquí sería un
modelo exponencial típico)

Supongamos ahora que la isla tuviera un tamaño y unas condiciones tales que,
a lo sumo pudieran vivir 1000 conejos. Este es el número que consideraríamos
como nuestra población límite. En este caso la función que describe el creci-
miento es la función logística asociada. Observa en la siguiente escena sus ca-
racterísticas. L = 1000 y K = 9.

En la siguiente tabla se observa el número de conejos que habría en la isla se-


gún cada modelo.

M LOGISTICA EXPONENCIAL DIFERENCIA


E
S
0 10 10 0
1 10,891089 11 0,10891089
11 1
2 11,851126 12,1 0,24887365
35 3
3 12,883554 13,31 0,42644564
35 9
4 13,991647 14,641 0,64935236
63 7
5 15,178441 16,1051 0,92665900
1
6 16,446650 17,71561 1,26895941
58 7
7 17,798588 19,487171 1,68858252
48 4
8 19,236072 21,4358881 2,19981571
39 3
9 20,760332 23,57947691 2,81914454
37 1
1 22,371917 25,9374246 3,56550743
0 17 1

1 24,070603 28,53116706 4,46056371


1 34 8
1 25,855310 31,38428377 5,52897301
2 75 9
1 27,724028 34,52271214 6,79868369
3 45 2
1 29,673755 37,97498336 8,30122809
4 26 6
1 31,700459 41,77248169 10,0720225
5 12 7

63
1 33,799059 45,94972986 12,1506705
6 34 3
1 35,963435 50,54470285 14,5812678
7 5
1 38,186462 55,59917313 17,4127109
8 15 9
1 40,460081 61,15909045 20,6990094
9 01 4
2 42,775393 67,27499949 24,4996062
0 23 6
2 45,122787 74,00249944 28,8797118
1 58 7
2 47,492090 81,40274939 33,9106585
2 81 8
2 49,872739 89,54302433 39,6702851
3 23
2 52,253964 98,49732676 46,2433619
4 79 7

Hay que poner mucha atención como durante los primeros meses los núme-
ros son casi idénticos: aún estaba lejos el nivel de saturación. Sin embargo, al
el tiempo la diferencia es enorme y después los resultados obtenidos para cada
modelo no tienen nada que ver

Se supone que la población no crece indefinidamente y mientras mayor sea su


densidad más lento será el crecimiento, se detendrá cuando la población alcan-
ce un límite denominado capacidad de carga.

Experimenta retroalimentación negativa, la población crece solo hasta un lími-


te, la capacidad de carga, y cuando se supera disminuirá su tamaño.

Una población está influenciada en su mayor o menor grado por el medio am-
biente, esto manifiesta en el tamaño y el crecimiento de la población

dN/dt = rN[ (k-N)/k]

De una manera mas explícita, podemos decir que las poblaciones van cre-
ciendo inicialmente rápido en una fuente de presión constante, es decir, se
vuelven tan numerosas que pierden su capacidad de crecer debido a interac-
ciones entre los miembros de la población, resultando entonces, como ha-
bría de esperarse, un estado de equilibrio. Este tipo de crecimiento se llama
crecimiento logístico.

Podemos decir que el crecimiento logístico es el balance entre producción en


proporción a la población, y a las pérdidas en proporción a la oportunidad de
interacciones individuales.

El proceso de crecimiento puede ser entendido con el auxilio del diagrama de


símbolos del modelo que podemos observar en la siguiente figura . Un ejemplo
es el crecimiento de levadura en el fermento del pan. Primeramente, el creci-
miento de la población es casi exponencial. La disponibilidad de alimento es
constante y como la población crece esto implica comer más y más. Sin em-
bargo, las células de levaduras se vuelven tan numerosas que sus productos
comienzan a interferir con el propio crecimiento. Resultando un estado de
equilibrio entre producción y pérdida de células.

64
En esta figura se observa parte de la producción del modelo. El abastecimien-
to de energía es una fuente de presión constante, y la población está ex-
trayendo energía y retroalimentando para extraer más. El crecimiento de la po-
blación es por esta razón, al principio, exponencial. No obstante, en la figura se
nos muestra que la población, por interacciones consigo misma, crea un dre-
naje acelerado de energía, el cual irá eventualmente a extraer energía suficien-
te para detener el crecimiento de la población. En estas condiciones, el gráfico
muestra el crecimiento exponencial que disminuye, y eventualmente se nivela
a un estado de equilibrio. Este sistema tiene una fuente de presión constante
y un drenaje de auto-interacción.

Observemos que en la figura anteriormente citada, la etiqueta en el símbolo


de depósito es "cantidad". Este término genérico lo podemos usar para deno-
minar el contenido del depósito. También recordemos que "cantidad" puede
referirse a números de población, biomasa, depósito de energía o para todos
ellos.

Otro ejemplo del modelo es el crecimiento de la población humana y sus servi-


cios en la ciudad. El crecimiento puede aumentar exponencialmente hasta que
la superpoblación de casas, calles, tiendas, y autos comience a aumentar los
factores negativos de suciedad, ruido, crimen, y polución, y el coste de lidiar
con esto se torne progresivamente mayor. Cuanto más crece la población, ma-
yor es el drenaje, hasta que el crecimiento de la ciudad se nivela.

Consideraciones acerca de la gestión logística

Muchas empresas fabrican o comercializan en la actualidad productos y/o servi-


cios altamente competitivos, sin embargo, no cuentan con la capacidad necesa-
ria para ofertarlos en el tiempo y en el lugar, de acuerdo a los requerimientos
de los clientes. Esta falta de capacidad se debe en gran medida al no adecuado
diseño del proceso de creación de los productos y/o servicios, dentro del cual la
logística desempeña un papel decisivo.

La logística es una función de la organización que abarca el flujo material, fi-


nanciero y de información asociado al movimiento de los recursos.

ACTIVIDAD FORMATIVA N° 2

Elaborar 04 modelos sencillos en los cuales se implemente sendos


tipos de realimentación, en el software de simulación”.

INSTRUCCIONES:
1. Observa los videos
a. Crecimiento exponencial
https://www.youtube.com/watch?v=AfAdcLcYIEk
b. Estructuras genéricas
https://www.youtube.com/watch?v=ZDdq-qTiSgk
2. En base a los contenidos de los temas 3 y 4, implementa 4 tipos de
crecimientos que usen realimentación.

65
LECTURA SELECCIONADA No 1:

Los modelos en la ingeniería de sistemas.


Fernández Sánchez, José Luis– Universidad de Cantabria – España.

Haz clic aquí para acceder al texto completo:


http://www.ppooa.com.es/mis.pdf

Lee atentamente la lectura y observa los videos incrustados, reúne la in-


formación obtenida en un organizador de conocimiento.

Tema N° 3: Organización de pruebas sobre un modelo.

1. Herramientas de Análisis.

Los modelos de dinámica de sistemas son causales y descriptivos, esto quiere decir
que están orientados al diseño en vez del propósito, por lo tanto, los que es esen-
cial en la validación de un modelo es la estructura interna. ”Resultado correcto por
las razones correctas”.

Prueba de límites del modelo

Esta prueba busca determinar cuáles son los límites que fueron considerados a la
hora de definir las variables del sistema y permite deducir si tales límites son apro-
piados para el problema en cuestión, es decir, permite verificar que los límites del
modelo se correspondan con su propósito. Para ello es necesario construir un límite
inicial y a partir del mismo estudiar las variables exógenas que podrían ser endóge-
nas y las variables exógenas que podrían variar en el tiempo de acuerdo con el ho-
rizonte temporal.

La prueba de los límites del sistema tienen como propósito determinar qué varia-
bles son exógenas y cuáles son endógenas, es decir, cuales son influenciadas e in-
fluencian el sistema o cuales son influenciadas o influencian, el sistema, pero no
ambas a la vez.

Otro aspecto a considerar es el límite temporal, es decir, el horizonte de tiempo, en


el cual se da la evolución del sistema a partir delas condiciones iniciales.

Pruebas de evaluación de la estructura

Las pruebas aplicadas a la estructura tiene como propósito verificar la consistencia


de la estructura con el sistema real, es decir, que busca establecer una correlación
alta entre los elementos constitutivos de la realidad modelada y las variables del
modelo.

Entre los elementos a considerar están el nivel de agregación, la topología del sis-
tema físico y las reglas de decisión. Por ejemplo, sería inconsistente tener un mo-
delo que admita un “nivel de agua negativo”. Además se debe tener en cuenta que
haya consistencia dimensional, es decir, no es coherente que los flujos asociados a

66
un nivel sean de unidades diferentes a lo contenido en el nivel, es decir, si hay un
nivel que contiene agua, sería incoherente que hubiere un flujo de vino y que lo que
sigue estando contenido en el nivel sea agua. Concluyendo, esta prueba verifica
que en el modelo se haya considerado las características del sistema real relevantes
para su propósito.

Evaluación de parámetros

Esas pruebas deben determinar qué tanto los parámetros tienen un significado cla-
ro y evidenciable con respecto del fenómeno modelado. Estas pruebas son realiza-
das con el concurso de herramientas estadísticas o con la opinión de los expertos
en el dominio de conocimiento al cual pertenece la realidad modelada.

Pruebas de condiciones extremas

Esta prueba tiene como propósito probar la robustez del modelo bajo condiciones
extremas, es decir, permite analizar si el modelo se comporta apropiadamente
cuando las entradas toman valores extremos, por ejemplo:
Ante la pregunta de ¿cuántos nacimientos habrían si no hay conejas en la isla? y si
la pregunta fuera ¿cuánto sería el número de carros vendidos si el precio se incre-
menta a 300 millones por carro? El lector puede estar pensando que son obvias las
repuestas…es decir, debería ser obvio que el modelo debería pasar las pruebas de
condiciones extremas.

Pruebas de reproducción de comportamiento

Para evaluar la habilidad de reproducir el comportamiento en un modelo puede


usarse estadísticas comunes, por ejemplo, el R², coeficiente de determinación, por
ejemplo, la fracción de la varianza en los datos que es explicada por el modelo,
esto es, una predicción perfecta.

También se puede usar el MAE: Mean Absolute Error, el MAPE: Mean Absolute Per-
cent Error, la MAE/Mean, el (R)MSE: (Root) Mean Square Error, que pone mayor
peso en los errores grandes que en los pequeños.

Si se desea evaluar matemáticamente el nivel de ajuste de los resultados del mo-


delo con respecto a los datos reales, se usa el Estadístico de Theil, que permite ob-
tener una medida del nivel de ajuste de un modelo conforme a la realidad y consis-
te en dividir el cuadrado medio del error en tres componentes: sesgo (Um), varia-
ción desigual (Us, unequal variation) y covariación desigual (Uc, unequal covaria-
tion). El sesgo crece cuando la salida del modelo y los datos reales difieren en su
media. La variación desigual indica que la varianza de las dos series difiere. La co-
variación desigual indica que el modelo y los datos reales no están bien correlacio-
nados, es decir, que difieren punto por punto.

Para un ejemplo completo se invita al lector a revisar el artículo titulado “Un mode-
lo de simulación de la Producción de quesos madurados[1]”.

Experimentación Simulada

Forrester (1961) enuncia una situación problemática en la organización: el proceso


de aprendizaje organizacional es costoso, ineficiente, por ensayo y error. Luego
propone la correspondiente mejora: experimentar con laboratorios administrativos.

Estos laboratorios, como lo menciona en su libro, tienen como instrumento principal


de experimentación un modelo simulable en el computador construido mediante la
dinámica de sistemas. La argumentación de Forrester inicia caracterizando ciertas

67
limitaciones del proceso "natural" de aprendizaje organizacional que ocasionan in-
eficiencias en el mismo. Como solución plantea la constitución de un proceso "artifi-
cial", en laboratorio, de aprendizaje organizacional. La DS es la metodología para el
diseño del laboratorio y de sus instrumentos, y para la experimentación simulada.
Este proceso "artificial" debe de cierta manera superar algunas de las ineficiencias
de su contraparte "natural" y de este modo debe hacer más eficiente el aprendizaje
en la organización.

A partir de este esquema interpretativo sobre los planteamientos de Forrester, la


pregunta por las razones que hacen a la dinámica de sistemas adecuada para apli-
caciones de AO puede ser desagregada en tres grupos de interrogantes particula-
res:

¿Cómo sucede el proceso "natural" de aprendizaje organizacional? y ¿Cuáles son


sus limitaciones?

¿Cómo sucede el proceso "artificial" de aprendizaje organizacional? y ¿Por qué la


dinámica de sistemas es la metodología guía para ejercitar este proceso?

¿De qué manera el proceso "artificial" al ser "implantado" sobre el proceso "natural"
mejora la eficiencia del aprendizaje organizacional?

A continuación se abordan en este orden cada uno de los interrogantes.

Aprendizaje organizacional "natural"

Sotaquirá et al (1996) indican que Forrester caracterizó este proceso “natural” de


aprendizaje como la constitución progresiva de una capacidad de juicio como resul-
tado de experiencias de decisión y de acción en situaciones organizacionales. A su
vez, esta capacidad de juicio actúa como orientadora de las decisiones y acciones
en situaciones futuras. En consecuencia, el aprendizaje organizacional “natural” es
un proceso cíclico. Cabe recordar que en dinámica de sistemas el concepto de ciclo
de realimentación es fundamental porque es considerado el elemento estructural
básico de los sistemas. Finalmente hay que señalar que esta visión del aprendizaje
organizacional, como un solo ciclo de realimentación, es incompleta, por cuanto no
presenta la manera como se va constituyendo y modificando la capacidad de juicio
para decidir.

Mundos virtuales para el aprendizaje organizacional "artificial"

Con el fin de superar o atenuar esas limitaciones sobre el proceso “natural” de


aprendizaje organizacional, los investigadores dinámico-sistémicos, como lo señaló
Forrester, sugieren un proceso “artificial”. Este último, como todo proceso de
aprendizaje a la luz de la dinámica de sistemas, también está constituido por un
ciclo doble de realimentación. Pero a diferencia del “natural”, no se sucede sobre la
cotidianidad de la organización sino que ocurre en laboratorio.

Para hacer posible un proceso de aprendizaje organizacional en laboratorio, es ne-


cesario disponer de un modelo de la realidad organizacional sobre el cual se pueda
experimentar. Es decir, de manera análoga al aprendizaje “natural” que sucede en
la organización, el aprendizaje “artificial” ocurre alrededor de un modelo de la or-
ganización, que se denomina micromundo o mundo virtual.

El aprendizaje “artificial” en la organización es semejante al “natural”, lo que cam-


bia es el objeto de aprendizaje y acción, ahora es un mundo virtual. No cualquier
modelo de la organización sirve como mundo virtual para el aprendizaje en labora-
torio. Sobre el mundo virtual debe ser posible experimentar la toma de decisiones

68
y, seguidamente, recibir información de realimentación sobre sus consecuencias. El
mundo virtual debe ser entonces un modelo que simule el comportamiento dinámi-
co de la organización ante diferentes alternativas de acción y bajo diferentes esce-
narios organizacionales y ambientales.

Incrementando la eficiencia del aprendizaje organizacional

Habiéndose presentado la dinámica de sistemas como una metodología adecuada


para la creación del laboratorio para el aprendizaje “artificial” en la organización,
surge una pregunta. ¿Cómo sería un proceso eficiente de aprendizaje en la organi-
zación? Un aprendizaje organizacional eficiente sería aquel que, en primer lugar,
cumpla con el objetivo principal de hacer explícitos y modificar los modelos menta-
les individuales y colectivos, lo cual sucede de manera espontánea y esporádica en
situaciones naturales; y que, en segundo lugar, permita el cumplimiento del objeti-
vo de una manera más rápida, mediante la superación de los obstáculos naturales
citados, inherentes a la realidad organizacional. En consecuencia, se deben satisfa-
cer estas dos condiciones para sustentar que el aprendizaje "artificial" acoplado al
proceso natural da como resultado un incremento en la eficiencia del aprendizaje
organizacional.

La segunda condición implica el vencer las complejidades y limitaciones propias de


la situación organizacional real que es objeto de aprendizaje. Esta dificultad se hace
patente durante la construcción del modelo y por este motivo el modelo solo puede
ser una representación simplificada de tal realidad, con mayor razón un modelo en
dinámica de sistemas por cuanto implica lograr una formalización matemática del
fenómeno. Este modelo, el mundo virtual, es el objeto de aprendizaje y experimen-
tación en el espacio del laboratorio. Sobre el mundo virtual se tiene información
perfecta acerca de su estructura, expresada en el modelo en dinámica de sistemas,
y de su comportamiento, debido a la posibilidad de simulación.

Tema N° 4: Ejecución de pruebas diversas sobre un modelo.

2. Diseño de pruebas.

El modelamiento es un proceso iterativo en la medida en que no hay un proceso


secuencial que lo soporte, por ello los resultados de cada paso pueden llevar a me-
jorar la comprensión del problema y revisiones de pasos previos, como se indica en
el centro del diagrama que sigue. Cada línea implica un ir de vuelta desde una eta-
pa a otra, por ejemplo, se va de la etapa 1 a la 2, pero igualmente es posible re-
gresar de la cinco a cualquiera de las demás fases.

Proceso de modelado según Sterman.

69
Introducción a la validación de modelos
En los procesos de toma de decisiones en los que se usan modelos, ya sean forma-
les o mentales, es preciso que éstos sean adecuadamente validados dado que es
una eficaz manera de garantizar que el modelo sea una representación adecuada
de la realidad y que esté acorde con el propósito para el cual fue hecho.
Este proceso presupone la pregunta acerca de si realmente importan los supuestos
y específicamente a quién, además de la consideración asociada a la documenta-
ción, la cual es frecuentemente ignorada, que debe conducir hacia una adecuada
comprensión, evidenciable ésta en la réplica y la crítica, expresadas ya sea por
otros o por el mismo modelador.
Para el desarrollo de esta actividad se cuenta con una amplia gama de pruebas,
que determinan la robustez y las limitaciones del modelo; es un proceso de cons-
truir confianza en el modelo. La validación debe iniciarse desde la primera ecuación
del modelo velando porque desde un comienzo haya consistencia en las unidades
usadas. Al validar el modelo lo que se pretende es verificar que representa la reali-
dad modelada y no meramente la realización de réplicas, no se trata de que se re-
pliquen comportamientos funcionales si no que éstos se deriven de la estructura del
modelo.
Es importante asegurarse que cada variable tiene una relación con la realidad, es
decir, debe ser factible establecer para cada variable, el triángulo de la significa-
ción.
No se debe perder de vista que el hecho de que las variables se clasifican en suaves
y duras. Las variables suaves son aquellas que representan metas, expectativas o
percepciones. Al respecto Forrester (1961) dice “…omitir tales variables (las sua-
ves) es equivalente a decir que ellas tienen efecto cero, probablemente el único
valor que se conozca sea equivocado (traducción libre)[2]”, pero en todo caso hay
que considerarlas.

El proceso de validación de un modelo

Un modelo en dinámica de sistemas ha de ser validado tanto en lo que a su estruc-


tura como a su comportamiento se refiere, aunque valga decir, finalmente resulta
en que se valida la estructura de forma directa o indirecta.

La validación de la estructura del modelo consiste en establecer que las relaciones


usadas en un modelo son una representación adecuada de la realidad o relaciones
reales, y están acordes con los propósitos del modelamiento. Este tipo de evalua-
ción puede ser hecha de dos maneras: directa o indirecta.
La prueba de la estructura directa evalúa la validez de la estructura del modelo
comparándola directamente con el conocimiento cierto acerca de la estructura real
del fenómeno modelado. Esto implica evaluar cada relación en el modelo mientras
haya conocimiento verificado del sistema modelado. Estas pruebas son cualitativas
por naturaleza, no involucran la simulación.

La prueba de estructura indirecta o de comportamiento evalúa la validez de la es-


tructura indirectamente al aplicar ciertas pruebas de comportamiento sobre los pa-
trones de comportamiento generados por el modelo. Por ejemplo, la prueba de las
condiciones extremas implica asignar valores extremos a parámetros seleccionados
y comparar el comportamiento generado por el modelo con el comportamiento es-
perado o el observado en el sistema real bajo la misma condición extrema. Éstas
son pruebas extremas de comportamiento que pueden proporcionar información
indirecta sobre las posibles fallas estructurales.

En una prueba típica de comportamiento orientada a la estructura, el modelador


hace una afirmación de la forma: "si el sistema funciona bajo la condición C, enton-
ces daría como resultado el comportamiento (s) B." El modelo se ejecuta bajo la

70
condición C y se dice que éste “pasa” la prueba comportamiento orientada a la es-
tructura, si el comportamiento resultante es similar al comportamiento esperado.
Para estos modelos, la validez significa en última instancia la validez de la estructu-
ra interna del modelo.

Aunque la validación estructural es crucial, la mayoría de la literatura sobre investi-


gación técnica sobre la validación de los modelos se ocupa sólo de lo que se conoce
como la validación del comportamiento. Puede haber dos razones principales por
las que la validación de la estructura ha sido ignorada tanto tiempo en la literatura
sobre modelos. El primero se deriva de una falta de reconocimiento de la importan-
cia filosófica de la validación de la estructura en los modelos de caja transparente
(a diferencia de modelos de caja negra). La segunda razón tiene que ver con la
dificultad técnica para diseñar formalmente herramientas estadísticas orientadas a
determinar la validez estructural.
Fases en la validación de un modelo
En el siguiente gráfico se muestran las fases, como un proceso iterativo, para lograr
la validación de un modelo.
Inicia con la construcción del modelo y sus posteriores revisiones a partir de los
fallos en el intento por pasar alguna de las pruebas. Después se harán las pruebas
de desempeño directo, es decir, las pruebas sobre la estructura del modelo. Si no
pasa la prueba se ha de devolver a la fase uno. La siguiente fase evalúa la estructu-
ra a partir de los comportamientos simulados versus los observados u esperados. Si
hay fallo en esta prueba, se ha de revisar de nuevo el modelo. La cuarta fase se
concentra en validar los resultados del modelo frente a patrones de desempeño. De
nuevo si falla en estas pruebas deberá ir a revisión el modelo. Finalmente se comu-
nican los resultados de la validación a los interesados quienes proceden a su im-
plementación.

Proceso de validación de un modelo

3. Ejecución de pruebas.

El análisis de sensibilidad tiene como propósito, a partir del diseño de un escenario,


identificar los lugares en los que el sistema es más sensible, es decir, aquellos luga-
res en que con poco esfuerzo se logran resultados importantes. Se usara el softwa-
re Evolucion en el siguiente vinculo: simon.uis.edu.co

71
El análisis de sensibilidad permite:
· Estimar la sensibilidad de los resultados del modelo a cambios de un paráme-
tro, realizando análisis del tipo “que pasa si”.
· Conocer qué variables de riesgo son importante asociadas al manejo de incer-
tidumbre, por ejemplo, una variable es importante dependiendo de su parti-
cipación porcentual en los beneficios o costos y de su rango de valores pro-
bables.
· Determinar la dirección del cambio en las variables. En el caso de un proyecto
de inversión el análisis de punto de quiebre permite determinar cuánto una
variable puede cambiar hasta que su VAN se vuelva negativo.

Limitaciones del Análisis de Sensibilidad


Rango y distribución de probabilidad de variables.
· El Análisis de Sensibilidad típicamente no representa el posible rango de valo-
res.
· El Análisis de Sensibilidad no representa las probabilidades para cada rango.
Generalmente hay una pequeña probabilidad de estar en el extremo.
· Dirección de los efectos.
Para la mayoría de variables, la dirección es obvia
Conejos aumentan → Los zorros aumentan
Las muertes de conejos aumentan → La cantidad de conejos baja
Si los lobos aumentan → No es tan obvio cuando comienzan a disminuir los conejos
Un análisis basado en el cambio de una sola variable no es realista porque las va-
riables están interconectadas.

· Si el número de conejos aumenta, la cantidad de zorros aumentará.


· Si se acabara la comida de los conejos, todos, conejos y zorros se disminui-
rían.

Siguiendo con el modelo de zorros y conejos se proponen dos escenarios y se reali-


za el análisis de sensibilidad con cambios en los parámetros del modelo y se obser-
va el efecto sobre algunas variables del modelo.
Supóngase que se tiene el siguiente escenario, en el que se va a modificar la TNC
(tasa natural de nacimiento de conejos sin presencia de depredadores) desde el 20
% al 16 % disminuyendo en cada caso un 1%. Ver la siguiente tabla.

Escenario 1
Variables TMC TNC Conejos TMZ Zorros
Var 1 0,05 0,20 15 0,08 5
Var 2 0,05 0,19 15 0,08 5
Var 3 0,05 0,18 15 0,08 5
Var 4 0,05 0,17 15 0,08 5
Var 5 0,05 0,16 15 0,08 5

Este escenario permite ver qué sucede si hay cambios en la tasa de natalidad natu-
ral de los conejos, obsérvese que puede ser un parámetro controlable por el mode-
lador mediante algún tipo de medicamento o mediante la disminución de machos
en la isla.
Para hacer esto en Evolucion 4.1 inicialmente se escoge la opción “nuevo análisis
de sensibilidad con variación de parámetros”, vea en la siguiente figura el círculo
verde.

72
Análisis de Sensibilidad

Se selecciona donde indica la estrella verde la opción de trayectorias y se incluyen


los escenarios, ver la siguiente gráfica.

Para el caso que nos ocupa se selecciona el parámetro, ver gráfico rojo. Luego se
escoge la variación, recuerden que variamos de 20% a 16%, la TNC por eso se es-
coge -0.01, óvalo verde. Luego se escoge la variable que se quiere observar, es
decir, qué pasa con la cantidad de conejos, cuadrado azul. Luego se selecciona el
número de iteraciones, óvalo marrón y finalmente se da clic en Aceptar, estrella
morada. El resultado es el siguiente.

73
Resultado del Análisis de Sensibilidad Escenario 1

Obsérvese como una baja en la tasa de natalidad natural provoca oscilaciones en la


cantidad de conejos, parece que hay en el modelo un comportamiento contra-
intuitivo explicado básicamente por el efecto látigo que se produce en el retardo y
posiblemente el efecto amplificador que tiene la no-linealidad.
Se invita al lector para que diseñe nuevos escenarios de simulación teniendo en
cuenta qué variable desea observar y bajo qué condiciones. Suponga este nuevo
escenario en que se analiza los cambios en la TMC y su efecto en los zorros.

Escenario 2
Variables TMC TNC Conejos TMZ Zorros
Var 1 0,05 0,2 15 0,08 5
Var 2 0,04 0,2 15 0,08 5
Var 3 0,03 0,2 15 0,08 5
Var 4 0,02 0,2 15 0,08 5
Var 5 0,01 0,2 15 0,08 5

Y observar que sucede con el número de zorros en el sistema. Debería suceder algo
como lo que se muestra en la siguiente gráfica.

74
Resultado del Análisis de Sensibilidad Escenario 2

El lector deberá interpretar las variaciones a partir de las relaciones de las variables
del sistema y dar una explicación plausible.

TAREA ACADÉMICA N° 1

Implementar en el software de simulación el modelo propues-


to y elegido por el mismo estudiante.

INSTRUCCIONES:
1. Observa el video Implementación de modelos en Evolución
4.1
https://www.youtube.com/watch?v=PCLpoen7Ur8
2. En base a los contenidos de los temas 1, 2 y 3, implementa
un modelo de simulación creado por ti mismo, basado en la
observación de tu entorno.

LECTURA SELECCIONADA No 1:

Aplicación de un modelo de simulación discreta en el sector


del servicio automotor.
Julián Andrés Ceballos Carillos, Javier Da-río Fernández Ledesma,
Eyder Daniel Res-trepo Núñez– Universidad Pontificia Bolivariana –
Colombia.

Haz clic aquí para acceder al texto completo:


https://revistas.upb.edu.co/index.php/industrial/article/download
/2308/2058

Lee atentamente la lectura, reúne la información obtenida en un


organizador de conocimiento.

75
Tema N° 1: Gestión de módulos.

1. Complejidad de los modelos.

La complejidad dinámica se presenta porque los sistemas son:

Dinámicos. Heráclito dijo "Todo cambia". Lo que parece ser inmutable, cambia-
rá al ser visto en un horizonte de tiempo mayor. EL cambio en los sistemas ocu-
rren en escalas de tiempo diferentes y esas escalas a veces interactúan. Una es-
trella evoluciona a lo largo de millardos de años a medida que consume el hidró-
geno, entonces explotará como una supernova en segundos. Las subidas de los
mercados de valores pueden mantenerse a los largo de años, para derrumbarse
en cosa de horas."

El caso de las empresas puntocom en las Bolsas es representativo. Los econo-


mistas lo denominaban la burbuja. El precio de las acciones de muchas empre-
sas de Internet subía, y subía. Los inversionistas estaban dispuestos a colocar su
dinero en ellas. Hasta que la burbuja estalló.

Estrechamente acoplados. Los actores en el sistema interactúan fuertemente


entre sí y con el mundo natural. Todo está conectado a todo lo demás.

Gobernados por la realimentación. A causa de acoplamiento estrecho entre


los actores del sistema, nuestras acciones nos afectan. Nuestras decisiones alte-
ran el estado del mundo, provocando cambios en la naturaleza y disparando la
actuación de otros causando una nueva situación la cual influenciará nuestras
próximas decisiones. La dinámica se deriva de esas realimentaciones.

Nolineales. El efecto es raramente proporcional a la causa, y lo que ocurre lo-


calmente en un sistema (cerca del lugar de los acontecimientos actuales) usual-
mente no se aplica en las regiones distantes (otros estados del sistema). La no-
linealidad usualmente se presenta a partir de los elementos físicos básicos de los
sistemas: Un inventario insuficiente puede causar que usted eleve la producción,
pero la producción no caerá por debajo de cero, independientemente de cuanto
inventario en exceso tenga usted. La nolinealidad también se presenta cuando
múltiples factores interactúan en la toma de decisiones: La presión de los jefes
por mayores logros incrementan su motivación y esfuerzo hasta el punto cuando
percibe que la meta es imposible. La frustración entonces domina a la motiva-
ción y se rinde o se busca un nuevo jefe.

Histórico-dependientes: Tomar un camino usualmente supone tomar algunos


otros y determina a que lugar llega usted (dependencia de camino). Muchas ac-
ciones son irreversibles: usted no puede "des revolver" unos huevos fritos. Los
flujos, acumulaciones y demoras prolongadas usualmente significan que hacer y
deshacer tienen constantes de tiempo diferentes: Durante los 50 años la carrera
armamentista de la Guerra Fría las naciones con potencial nuclear generaron
más de 250 toneladas de plutonio bélico (Pu 239). El Pu 239 tiene una vida me-
dia cercana a los 24.000.

Se organizan a sí mismos: La dinámica de los sistemas se presenta espontá-


neamente a partir de su estructura interna. Usualmente, pequeñas perturbacio-
nes aleatorias son amplificadas y moldeadas por la estructura de realimentación
generando patrones en el espacio y el tiempo y creando un camino de depen-
dencia. El patrón de las rayas de las cebras, la rítmica contracción del corazón,
los ciclos persistentes en el mercado de bienes raíces, y estructuras tales como

76
las conchas marinas y los mercados todas emergen espontáneamente de la re-
alimentación entre los agentes y elementos del sistema.

Adaptativos: Las capacidades y las reglas de decisión de los agentes en los sis-
temas complejos cambian en el tiempo. La evolución lleva a la selección y proli-
feración de algunos agentes mientras otros se extinguen. La adaptación ocurre
también cuando la gente aprende de la experiencia, especialmente cuando ellos
aprenden la manera de alcanzar nuevos logros encarando los obstáculos. Sin
embargo, el aprendizaje no siempre beneficia.

Contraintuitivos: En los sistemas complejos las causas y los efectos están dis-
tantes en el tiempo y en el espacio, mientras que nosotros buscamos las causas
inmediatas que nos expliquen los eventos. Nuestra atención se dirige a los sín-
tomas de la dificultad en lugar de indagar en la causa subyacente. Las políticas
de alto apalancamiento usualmente no son obvias.

Resistentes a las políticas: La complejidad de los sistemas en los cuales es-


tamos involucrados supera nuestra habilidad para comprenderlos. Resultado:
Muchas soluciones a los problemas, aparentemente obvias, simplemente fallan o
realmente empeoran la situación.

Caracterizados por la negociación: Las demoras de tiempo en los canales de


realimentación significan que la respuesta a largo plazo del sistema a una inter-
vención es usualmente diferente de su respuesta a corto plazo. Las políticas de
alto apalancamiento usualmente causan un empeoramiento de la conducta antes
de que esta mejore, mientras que las políticas de bajo apalancamiento general-
mente producen un mejoramiento transitorio antes de que el problema se haga
mayor".

Tema N° 2: Diseño de módulos.

1. Criterios de selección de componentes.

Los sistemas complejos se caracterizan fundamentalmente porque su comporta-


miento es imprevisible (que no debe confundirse con aleatorio). Sin embargo,
complejidad no es sinónimo de complicación. El término complejidad hace refe-
rencia a algo enmarañado, enredado, de difícil comprensión. En realidad, y por el
momento, no existe una definición precisa y absolutamente aceptada de lo que
es un sistema complejo, pero pueden darse algunas peculiaridades comunes.

 En primer lugar, está compuesto por una gran cantidad de elementos relati-
vamente idénticos. Por ejemplo, el número de células en un organismo, o la can-
tidad de personas en una sociedad.
 En segundo lugar, la interacción entre sus elementos es local y origina un
comportamiento emergente que no puede explicarse a partir de dichos elemen-
tos tomados aisladamente. Un desierto puede contener billones de granos de
arena, pero sus interacciones son excesivamente simples comparadas con las
que se verifican en las abejas de un enjambre.
 Por último, es muy difícil predecir su evolución dinámica futura; es decir, es
prácticamente imposible vaticinar lo que ocurrirá más allá de un cierto horizonte
temporal.

En la naturaleza se pueden encontrar una gran cantidad de ejemplos de sistemas


complejos que se extienden desde la física hasta la neurología, desde la econo-
mía hasta la biología molecular, desde la sociología hasta las matemáticas. Por

77
ese motivo, esta clase de sistemas no constituye un caso raro ni excepcional sino
que se manifiesta en la inmensa mayoría de los fenómenos que se observan a
diario. Sin embargo, y a pesar de su gran diversidad y abundancia, se pueden
identificar conductas dinámicas genéricas, no importa su naturaleza (física, quí-
mica, biológica o social); entre ellas, las leyes de crecimiento, la autoorganiza-
ción y los procesos colectivos emergentes. Como ejemplos de sistemas comple-
jos se pueden mencionar -entre otros- una célula, un cerebro, un organismo,
una computadora, un ecosistema, una sociedad de insectos, un sistema inmuno-
lógico o una economía de mercado.

La mayoría de los sistemas complejos son inestables, se mantienen delicada-


mente equilibrados. Cualquier variación mínima entre sus elementos componen-
tes puede modificar, de forma imprevisible, las interrelaciones y, por lo tanto, el
comportamiento de todo el sistema. Así, la evolución de esta clase de sistemas
se caracteriza por la fluctuación, situación en la que el orden y el desorden se al-
ternan constantemente. Sus estados evolutivos no transcurren a través de pro-
cesos continuos y graduales, sino que suceden por medio de reorganizaciones y
saltos. Cada nuevo estado es sólo una transición, un período de "reposo entrópi-
co", en palabras del Premio Nobel ruso-belga Ilya Prigogine .

Estos sistemas nunca llegan a un óptimo global, al estado de mínima energía. En


general, crecen progresivamente hasta que llegan al límite de su desarrollo po-
tencial. En ese instante, sufren un desorden, una especie de ruptura que induce
una fragmentación del orden pre-existente. Pero después, comienzan a surgir
regularidades que organizan al sistema de acuerdo con nuevas leyes, producien-
do otra clase de desarrollo. Este comportamiento es típico en los sistemas natu-
rales: por ejemplo, el tránsito, en los insectos, del huevo a la larva y de ésta a la
crisálida. En consecuencia, la organización de los sistemas complejos se da en
diferentes niveles. Las leyes que gobiernan la causalidad de un nivel, pueden ser
totalmente diferentes a las de un nivel superior.

Auto-organización

El orden y el desorden se necesitan el uno al otro, se producen mutuamente;


son conceptos antagónicos, pero, al mismo tiempo, complementarios. En ciertos
casos, un poco de desorden posibilita un orden diferente y, a veces, más rico.
Así, por ejemplo, un organismo puede seguir viviendo a causa de la muerte de
sus células; o una organización se perpetúa gracias a la desvinculación de sus
miembros. La variación y el cambio son etapas inevitables e ineludibles por las
cuales debe transitar todo sistema complejo para crecer y desarrollarse. Cuando
esta transformación se consigue sin que intervengan factores externos al siste-
ma, se denomina "auto-organización.

La auto-organización se erige como parte esencial de cualquier sistema comple-


jo. Es la forma a través de la cual el sistema recupera el equilibrio, modificándo-
se y adaptándose al entorno que lo rodea y contiene. En esta clase de fenóme-
nos es fundamental la idea de niveles. Las interrelaciones entre los elementos de
un nivel originan nuevos tipos de elementos en otro nivel, que se pueden com-
portar de una manera muy diferente. Por ejemplo, las moléculas frente a las
macromoléculas, las macromoléculas frente a las células y las células frente a los
tejidos. De este modo, el sistema auto-organizado se va construyendo como re-
sultado de un orden incremental espacio-temporal que se crea en diferentes ni-
veles, por estratos, uno por encima del otro.

78
Los sistemas autoorganizados se mantienen dentro del estrecho dominio que os-
cila entre el orden inmutable y el desorden total, entre la constancia rígida y la
turbulencia anárquica. Una condición muy especial, con suficiente orden para
poder desarrollar procesos y evitar la extinción pero con una cierta dosis de des-
orden como para ser capaz de adaptarse a situaciones novedosas y evolucionar.
Estos cambios repentinos son lo que se conocen como transiciones de fase, o
como lo llama Christopher Langton : el borde del caos. Es en esta delgada franja
en donde se ubican los fenómenos que edifican la vida y las sociedades.

Por último, se puede aclarar que, aunque por el momento no es posible analizar
matemáticamente la evolución de muchos de estos sistemas, se los puede explo-
rar través de medios computacionales. Esto se debe a que, desde el punto de
vista computacional, son sistemas irreducibles; es decir, la única forma de estu-
diar su evolución es mediante la observación directa. Para su estudio, en conse-
cuencia, se emplean sistemas computacionales en donde se simulan sus compo-
nentes, sus conexiones y sus interacciones, y se observa la dinámica emergente.

Sistemas caóticos

Durante el siglo pasado, los científicos clasificaban a los sistemas según su grado
de predictibilidad. Así, un sistema es determinista cuando su comportamiento
inmediato es predecible, determinado, y es probabilístico (estocástico) cuando
no hay certeza de su estado futuro, pero sí una probabilidad en su comporta-
miento. No obstante, esta clasificación ha sufrido severos embates durante el úl-
timo medio siglo. Por ejemplo, se descubrió que muchos sistemas dinámicos no
lineales se comportan -en ciertas condiciones- de forma tan compleja que pare-
cen probabilísticos, aunque, en realidad, son deterministas. En otras palabras, a
pesar de que las reglas -a nivel local- son muy simples, el sistema -a nivel glo-
bal- puede tener un comportamiento inesperado, no predecible. Se trata de un
sistema caótico.

Una de las singularidades que caracterizan a los sistemas caóticos es que de-
penden sensiblemente de las condiciones iniciales. Un insignificante cambio en
las condiciones de partida se amplifica y propaga exponencialmente a lo largo
del sistema y es capaz de desencadenar -en el futuro- un comportamiento to-
talmente diferente. Es decir, configuraciones iniciales casi idénticas, sometidas a
influencias externas casi iguales, acaban transformándose en configuraciones fi-
nales absolutamente distintas. Y es este el motivo por el cual es prácticamente
imposible hacer una predicción del estado final de estos sistemas complejos.

Sin embargo, el caos no es más que un desorden solamente en apariencia, tiene


muy poco que ver con el azar. Aunque parecen evolucionar de forma aleatoria y
errática, estos sistemas tienen en realidad un orden interno subyacente. Por eso,
aun cuando son impredecibles, también son deterministas. Lo que significa que
su estado futuro está determinado por su estado actual y obedece estrictas leyes
naturales de evolución dinámica. Pero estos sistemas son tan irregulares que
jamás repiten su comportamiento pasado, ni siquiera de manera aproximada.
Por ejemplo, y aún cuando se conozcan con gran precisión las ecuaciones me-
teorológicas y se puedan medir las variables críticas (temperatura, humedad,
presión, masa y velocidad del viento), es muy difícil predecir con exactitud las
variaciones climáticas más allá de un cierto tiempo posterior. Otros sistemas
caóticos lo constituyen los fluidos en régimen turbulento, la dinámica de la at-
mósfera, las reacciones químicas, la propagación de enfermedades infecciosas,

79
los procesos metabólicos de las células, el mercado financiero mundial, los mo-
vimientos de grupos animales, la aparición aperiódica de epidemias, la arritmia
del corazón, la red neuronal del cerebro humano, etc.

El caos parece formar parte de la estructura misma de la materia y está muy li-
gado a los fenómenos de auto-organización, ya que el sistema puede saltar es-
pontánea y recurrentemente desde un estado hacia otro de mayor complejidad y
organización. Un ejemplo típico es el agua que se desliza a través de una canilla
en un goteo desordenado y, súbitamente, forma un chorro ordenado. Estos sis-
temas se caracterizan por su flexibilidad y adaptación (y, en consecuencia, por
su estabilidad), lo cual les permite enfrentar las condiciones cambiantes e im-
predecibles del entorno. Operan bajo una extensa gama de condiciones, ya que
parecen estar formados por una compleja estructura de muchos estados ordena-
dos, aunque normalmente ninguno de ellos se impone sobre los demás (a dife-
rencia de un sistema ordenado, que presenta un único comportamiento). Por lo
tanto, se puede controlar su evolución con ínfimas correcciones, a fin de forzar la
repetición de ciertas trayectorias. En otras palabras, si se los perturba adecua-
damente, se les puede obligar a que tomen uno de los muchos posibles compor-
tamientos ordenados.

Fractales y naturaleza

La teoría del caos estudia la evolución dinámica de ciertas magnitudes. Al repre-


sentar geométricamente el conjunto de sus soluciones, aparecen modelos o pa-
trones que los caracterizan. Existe un comportamiento caótico cuando dichos
modelos -a lo largo de extensos períodos de tiempo- oscilan de forma irregular,
aperiódica; parecen girar asintóticamente en las inmediaciones de ciertos valo-
res, como si describieran órbitas alrededor de ellos. Estos valores se conocen
con el nombre de atractores caóticos,atractores extraños o, simplemente, atrac-
tores (debido a que parecen atraer las soluciones hacia ellos) y su particularidad
es que presentan propiedades fractales.

Un fractal es una estructura geométrica que tiene dos características principales:


la auto-semejanza y la dimensión fraccionaria.

 La auto-semejanza significa que posee estructura similar en diferentes esca-


las en que se la observa; es decir, a través de sucesivas amplificaciones (dife-
rentes cambios de escala) se repite su forma fundamental (conserva el mismo
aspecto).
 La dimensión fraccionaria mide el grado de irregularidad o de fragmentación
de un objeto: una dimensión entre 1 y 2 significa que se comparten las propie-
dades de una recta y de un plano. No obstante, la dimensión fractal no tiene el
mismo significado que las dimensiones del tradicional espacio euclidiano: fracta-
les con dimensiones enteras (1 y 2), no se parecen en nada a una línea o a un
plano, respectivamente.

En general, las formas encontradas en la naturaleza son ejemplos de fractales:


vasos sanguíneos y sus capilares, árboles, vegetales, nubes, montañas, grietas
tectónicas, franjas costeras, cauces de ríos, turbulencias de las aguas, copos de
nieve, y una gran cantidad de otros objetos difíciles de describir por la geometría
convencional. Como se puede apreciar, se trata de formas en perpetuo creci-
miento. Por eso, cuando se observa una imagen o una fotografía de un fractal,
se lo está viendo en un determinado instante de tiempo, congelado en una etapa
precisa de su desarrollo. Y es justamente este concepto de proceso natural de
crecimiento o de desarrollo lo que vincula a los fractales con la naturaleza.

80
Una estructura fractal se puede conseguir por la repetición infinita de un proceso
bien especificado (por lo que está gobernado por reglas deterministas). Así, la
naturaleza es capaz de crear eficazmente infinidad de formas -con diferentes
grados de complejidad- únicamente reiterando innumerablemente el mismo pro-
ceso. E ínfimas modificaciones en las condiciones iniciales o en los parámetros de
ese proceso pueden provocar imprevisibles cambios finales. Es por eso que la
mayoría de los procesos caóticos originan estructuras fractales. Y es por eso,
también, que muchos fenómenos naturales aparentan tener una enorme comple-
jidad, aunque -en realidad- poseen la misma regularidad geométrica (concepto
de auto-semejanza). Sólo así se explica que existan 6.000 millones de seres
humanos diferentes, a pesar de que el proceso de gestación sea idéntico, y que
una mínima diferencia en el código genético de chimpancés y humanos haya en-
gendrado especies tan distintas. Este proceso también puede esclarecer, en bue-
na medida, cómo la escasa información contenida en una célula germinal es ca-
paz de originar seres tan increíblemente complejos.

El desarrollo de un sistema se verifica al pasar de un estado más general y ho-


mogéneo (indiferenciado) a otro más especial y heterogéneo (diferenciado). Esta
transición se da gracias a la “especialización" y a la "división del trabajo": pro-
gresivamente algunos elementos se encargan de acciones específicas, al tiempo
que se observa una subordinación a elementos dominantes (llamadas, a veces,
"partes conductoras"). De esta forma, se instala en el sistema un "orden jerár-
quico" de partes o procesos. Este principio de diferenciación es muy frecuente
tanto en biología como en psicología y, aun, en sociología. En el desarrollo em-
brionario, por ejemplo, las células se van agrupando y subordinando a los llama-
dos "organizadores". En el cerebro también se comprueba una superposición de
"estratos neuronales" que adoptan el papel de partes conductoras. Algo similar
ocurre en el comportamiento social: para poder diferenciarse, un conjunto de
personas debe agruparse alrededor de uno o varios grupos.

ACTIVIDAD FORMATIVA N° 3

Elaborar un modelo de simulación modularizado y organizado.

INSTRUCCIONES:
1. Observa los videos
a. Sistemas complejos
https://www.youtube.com/watch?v=0pBmzMpcHOg
b. Estructuras genéricas
https://www.youtube.com/watch?v=7EsFf_0EUQk
2. En base a los contenidos de los temas 3 y 4, implementa en el
software de simulación un modelo organizado y modularizado.

81
LECTURA SELECCIONADA No 3:

Carácter interdisciplinario de la modelación computacional en


la solución de problemas de salud.

Raide Alfonso González Carbonell, Elsa Nápoles Padrón, Bernardo


Calderín Pérez, Yosbel Cisneros Hidalgo, Matilde Landín Sorí– Uni-
versidad de Camagüey “Ignacio Agramonte y Loynaz” – Cuba.

Haz clic aquí para acceder al texto completo:


http://scieloprueba.sld.cu/scielo.php?script=sci_pdf&pid=S1727-
81202014000300006&lng=es&nrm=iso&tlng=es

Lee atentamente la lectura y observa los videos incrustados, reúne


la información obtenida en un organizador de conocimiento.

AUTOEVALUACION No 2

1. ¿En qué consiste la prueba de los límites del sistema?

2. ¿Para qué se realiza la prueba de la estructura del sistema?

3. ¿Cómo se aplica la evaluación de parámetros?

4. ¿Cuál es el sentido de aplicar una prueba extrema?

5. ¿La prueba de reproducción del comportamiento qué permite?

82
UNIDAD III: “INTERACCIÓN DEL MODELO Y SU ENTORNO.”

DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD III

CONTENIDO ACTIVIDAD SISTEMA DE


FORMATIVA EVALUACIÓN

RESULTADO DE APRENDI-
ZAJE

Al finalizar la unidad el estudiante presenta en el software de


simulación un modelo conectado con un origen de datos, para
la introducción y exportación de datos.

ACTIVIDADES FORMATI-
SISTEMA DE EVALUACIÓN
CONTENIDOS VAS
(Técnicas y Criterios)
(habilidades y actitudes)
Tema N° 1: Importa-  Comprender la impor-
Procedimientos e indicadores a
ción y exportación de tancia de conectar el
evaluar
datos en archivos de modelo con orígenes de
bases de datos. datos.  Entrega puntual de tra-
1. Preparación del  Realizar la conexión de bajos realizado.
repositorio. un modelo con un origen
 Calidad, coherencia y
2. El proceso de im- de datos para su poste-
pertinencia de conteni-
portación. rior análisis y discusión.
dos desarrollados.
3. El proceso de ex-  Analizar la necesidad de
portación. una GUI para los mode-  Prueba teórico-práctica,
los. individual.
Tema N° 2: Creación  Presentar del origen de
 Actividades desarrolla-
de la interfaz de inter- datos del mo-delo a tra-
das en sesiones tutori-
acción de los modelos bajar, incluyendo los da-
y el usuario final. tos de entrada y salida. zadas.
1. Necesidad del uso  Analizar los componen-
de un modelo. tes que necesita para
poder diseñar una GUI
Tema N° 3: Diseño y en un modelo. Criterios de evaluación para
creación de la Interfaz  Organizar la interfaz el organizador del conoci-
gráfica de usuario. usando componentes miento de una de las lectu-
1. Criterios de diseño. gráficos ras seleccionadas.
2. Organización de la  Elaborar el diseño de la
interfaz. interfaz de su modelo de  Conceptos y terminolo-
simulación. gía
 Dominio de las relacio-
nes entre conceptos

83
 Habilidad para comuni-
car conceptos a través
del mapa conceptual u
otro.
RECURSOS:
 Videos:
Tema Nº 1
 Importación y exportación de datos en archivos de bases de datos.
https://www.youtube.com/watch?v=BSCYR8H5mVE&spfreload=10
Tema Nº 2
 Creación de la interfaz de interacción de los modelos y el usuario final.
https://www.youtube.com/watch?v=-rgqF2uTiwM

Tema Nº 3
 Diseño y creación de la Interfaz gráfica de usuario.
https://www.youtube.com/watch?v=sn3jlc5Td8c

 Diapositivas elaboradas por el docente:


 Lectura complementaria:
Lectura Seleccionada Nº 1
Plataforma de simulación y visualización para el apoyo al análisis y toma de de-
cisiones en proyectos de movilidad urbana.
Tomado de http://www.scielo.org.co/pdf/ring/n29/n29a7.pdf
Lectura Seleccionada Nº 2
Simulación de Cadenas de Suministro: Nuevas Aplicaciones y Áreas de Desarro-
llo.
Tomado de : http://www.scielo.cl/pdf/infotec/v18n1/art18.pdf.

Rúbricas: del modelo implementado en el software de simula-


Instrumento
ción.
de evaluación

BASICA
 SOKOLOWSKI John A. Principies of Modeling and Simulation A
mul-tidisciplinary Approach Wiley and Sons Inc Publication Hobo-
ken New Jersey 2009
Bibliografía
(Básica y
Complementa-
COMPLEMENTARIA
ria)
 COSS BU Raúl. Simulación Un Enfoque Práctico. México D.F.:
EDI-TORIAL LIMUSA S.A., 2003.
 GARCÍA Francisco Simulación de Sistemas. México D.F.: Compa-
ñía Editorial Continental S. A. CECSA 2005
Recursos Edu- BASE DE DATOS: PROQUEST.
cativos digita- BASE DE DATOS: SCIELO.
les Consulta de artículos científicos de los cuatro primeros temas.

84
Tema N° 1: Importación y exportación de datos en archivos de
bases de datos.

1. Preparación del repositorio.

Recolección de datos y definición del modelo.

La información y datos deben ser recolectados del sistema de interés (si existe)
para ser usados en la determinación de aspectos operativos y de las distribuciones
de las variables aleatorias usadas en el modelo. La construcción del modelo aun es
en buena medida arte. Se debe comenzar con un modelo sencillo que pueda ser
refinado de ser necesario.

Recolección y procesamiento de la información.

Por ejemplo para un banco, se puede recolectar la información puntual, mediante


algún método de recolección se necesita capturar los siguientes datos.

- Número de llegadas por unidad de tiempo a diferentes horarios.


- Tiempos entre llegadas en diferentes horarios.
- Operaciones que se realizan en el banco.
- Frecuencia de los servicios requeridos por el usuario.
- Comportamiento del usuario en las líneas de espera.

Procesar la información capturada, en forma de tablas, gráficas, etc. a través de


algún paquete computacional.

Recolección y procesamiento de la información, consistirá en:

RECOLECCIÓN: Es el proceso de capturar los datos disponibles que se re-


quieren para la simulación del comportamiento del sistema.

PROCESAMIENTO: Se comprenden las actividades requeridas para trans-


formar los datos en información.

Por ejemplo, un directorio telefónico es un banco de datos: mi dirección y teléfono


es información que procede de ese banco de datos el hecho de que estos datos es-
tén arreglados en cierta forma (procesados y forma alfabética), permite el acceso a
la información deseada de una manera sencilla.

La formulación es necesaria para poder simular un sistema. La información debe


ser: oportuna relevante y confiable.

Las fuentes para generar información, son:

1.- Las series históricas o de tiempo: son datos útiles y de rápido procesamiento
para convertirlos en información.

2.- La opinión de expertos: Es información subjetiva, carente de detalle y de utili-


dad mínima, económica y rápida de obtener cierto tipo de información complemen-
taria.

3.- Los estudios de campo: son el método mas efectivo, aunque más costoso y tar-
dado, de obtener información requerida. Se requiere el diseño de una muestra es-
tadística representativa del universo bajo estudio; de un cuestionario que asegure
la relevancia y confiabilidad de un cuestionario y que asegure la relevancia y con-
fiabilidad de los mismos y de personal entrenado que aplique la encuesta. La infor-
mación capturada se mete a la computadora a través de algún paquete y se edita.

85
Por ejemplo, bajo estos criterios, se han desarrollado técnicas que hoy día se usan
ampliamente en las empresas, integrando datos, simulación y negocios, una de
ellas es el aprendizaje automático.

El aprendizaje automático (del inglés Machine Learning) es una sección o rama de


la inteligencia artificial y consiste en el diseño y construcción de aplicaciones o sis-
temas (algorítmicos) que son capaces de aprender con base en entradas/salidas de
datos informáticos.

Una de las principales características es que se aprende por la experiencia de los


datos, lo cual es importante para tomar decisiones en las grandes organizaciones.
El aprendizaje automático incorpora otras disciplinas como lo analítico con el análi-
sis predictivo y la minería de datos, para el reconocimiento de patrones. Hay una
variedad de algoritmos que se utilizan para tal propósito en las grandes empresas y
en las áreas de TI. Estas técnicas han evolucionado, pero no son nuevas, en los
años 50 autores como Tom M. Mitchell, Arthur Samuel y Alan Turing empezaron a
coquetear con estas técnicas.

La triplicación de los datos actualmente ha hecho que tenga una gran importancia
el aprendizaje automático relacionado con el Big Data, al igual que está vinculado a
modelos de predicción, simulación y optimización. Este tipo de modelos son rele-
vantes con algoritmos genéticos, aprendizaje similar, aprendizaje representacional,
aprendizaje basado en árboles de decisión, aprendizaje en reglas de decisión, pro-
gramación de lógica inductiva, en redes bayesianas, etc.

El aprendizaje automático en el mundo empresarial

Muchas empresas están dando un paso más allá de la inteligencia empresarial (Bu-
siness Intelligence) al integrar Machine Learning a sus procesos de producción, tan-
to para maximizar los ingresos y beneficios y también para optimizar procesos,
dándoles mayor eficacia.

El reto de las empresas es poder tener analíticas de datos y patrones de reconoci-


miento, para conseguir esto deben tener en cuenta:

 Mejorar las capacidades de análisis de negocio existentes con minería de da-


tos y análisis productivo, como técnicas para abordar los problemas comple-
jos y de decisión de una empresa.
 Mejorar el nivel de apoyo para la toma de decisiones, proporcionando un
aumento de las capacidades del sistema para el descubrimiento y análisis de
datos, tales como la detección de patrones y, de esta forma, reforzar el co-
nocimiento mediante la identificación de correlaciones.
 Ante este nivel, se debe impulsar la incorporación de capacidades de detec-
ción temprana dentro del sistema de Business Intelligence, para detectar
tendencias y patrones de conducta a corto plazo.

Una de las aplicaciones más importantes del aprendizaje automático es optimizar la


adquisición de las bases de conocimiento al interior de las organizaciones, a través
de los denominados sistemas expertos. Estos sistemas pretenden emular el proceso
de toma de decisiones de la experiencia humana en un determinado campo.

Según Jorge García hay que situarlo en el contexto de Business Intelligence (BI) y
la analítica de los grandes datos (Big Data).

Los principales enfoques de la educación automática incluyen el uso de las redes


neuronales, el aprendizaje basado en casos, los algoritmos genéticos, reglas de

86
inducción, y el aprendizaje analítico. Mientras que en el pasado se aplicaron de
forma independiente, en los últimos tiempos estos paradigmas o modelos se están
utilizando de manera híbrida, el cierre de las fronteras entre ellos permiten el desa-
rrollo de modelos más eficaces. La combinación de métodos analíticos puede garan-
tizar resultados concretos, repetibles y confiables, como componente necesario de
uso práctico en las principales soluciones empresariales e industriales.

Las estructuras de datos en el mundo de los exabytes está por descubrir. Analizar
el streaming analítico de datos en tiempo y con capacidad de escalada y de proce-
sado en paralelo es un verdadero desafío. La toma de decisiones en el tiempo con-
temporáneo cada vez es más ágil.

Los objetos inteligentes, o el Internet de las cosas, se adaptan a los modelos de


transmisión y recolección de datos. Los sensores empiezan a aprender de su en-
torno para generar mejores resultados y adaptabilidad. Esos algoritmos que se
desarrollan por medio de las técnicas de Machine Learning darán mayor eficiencia y
optimización en las grandes empresas una oportunidad para que la comunicación
entre objetos no se dé de manera mecánica y rutinaria.

2. El proceso de importación.

Los paradigmas de investigación exponen la perspectiva o visión global que se tiene


de algo. Visto así, un paradigma es el marco de referencia que emplea el investiga-
dor en sus estudios, encerrando, entre otras cosas, sus creencias y sus posturas
ideológicas. Básicamente un paradigma representa las coordenadas dentro de las
cuales se mueve un investigador.

En Sistemas de Información se han usado varios paradigmas, aunque tres son los
más relevantes y utilizados a la fecha:

 Paradigma positivista,
 Paradigma interpretativo, y
 Paradigma crítico.

Cabe destacar que otros autores incluyen axiología y retórica entre los paradigmas
positivista e interpretativo. Pero dada su importancia, los tres paradigmas destaca-
dos se comparan en la siguiente Tabla.

87
Otros paradigmas que aparecen dentro de la disciplina de la simulación.

Otros paradigmas mencionados en la disciplina de la simulación a lo largo de su


historia son:

 El Paradigma Pospositivista rechaza la idea que un individuo puede ver el


mundo perfectamente tal como es, por cuanto la realidad es compleja, múl-
tiple e interactiva y, porque el razonamiento científico y el razonamiento del
sentido común son procesos similares. Es un realismo crítico donde la reali-
dad es aprendida de forma imperfecta y probabilística. Se asume que los ob-
servadores están sesgados y todas las observaciones son subjetivas. La ob-
jetividad sólo puede ser posible triangulando, con lo cual la objetividad es un
producto y un fenómeno social. En Sistemas de Información ha tenido im-
portancia, aunque en realidad los estudios que le citan mezclan aspectos po-
sitivistas con interpretativos.
 El Paradigma Antipositivista, donde las realidades científica y social son in-
terpretadas por medios no empíricos y la investigación está sujeta a las sub-
jetividades del investigador. En Sistemas de Información solamente aparece
citado en los primeros años de disciplina de la simulación , cuando se busca-
ba alejarse del positivismo como medio de conocer y comprender la reali-
dad.
 El Paradigma Constructivista considera que cada persona construye una vi-
sión de mundo basándose en sus percepciones y en su evolución. Es un rela-
tivismo de realidades locales y específicas. Si bien en la IC este paradigma
adquiere gran importancia en los últimos años, su presencia no es clara en
Sistemas de Información, salvo en contados estudios donde se menciona la
idea de construcción social de procesos de desarrollo de sistemas. No obs-
tante, como paradigma en Sistemas de Información no es explícito.

88
Los siguientes paradigmas aparecen citados brevemente en algunos estudios, sin
mayor presencia dentro la disciplina de la simulación . Solamente el Paradigma
Marxista podría destacarse, al aparecer citado dentro de estudios críticos, aunque
más bien como un marco de referencia.

 El Paradigma Objetivista plantea que la realidad es lo que ‘allí hay’ y se ve,


como una realidad dada la cual debe conocerse de forma directa por obser-
vación del investigador.
 El Paradigma Subjetivista considera que cada persona tiene experiencias
privadas, las cuales son la base del conocimiento de la realidad. La realidad
es lo que cada uno ve.
 El Paradigma Feminista puede ser comprendido de mejor forma si se revisa
el Paradigma Crítico, con la particularidad que en este caso se trata de una
dominación por parte del hombre en cuanto género.
 El Paradigma Marxista observa la dominación por medio de los medios de
producción.

Paradigma Positivista

El Paradigma Positivista se caracteriza por medir y encontrar leyes, recurriendo a la


prueba y a la validación con el objetivo de obtener y/o probar teorías. En este pro-
ceso se hacen uso de proposiciones formales, mediciones cuantitativas, e inferen-
cias, bajo una visión empírica, reduccionista, mecanicista, analítica y causal.

Los estudios positivistas asumen que la realidad es objetiva, buscándose las leyes
causales y fundamentales que les rigen, mediante un proceso de validación que
considera criterios de validez externa, validez interna, objetividad y confiabilidad:

 Validez interna: busca garantizar un isomorfismo de los hallazgos con la


realidad.
 Validez externa: busca la generabilidad.
 Confiabilidad: busca la replicabilidad del proceso.
 Objetividad: busca garantizar neutralidad del investigador.

Este paradigma define la investigación, y en particular para Sistemas de Informa-


ción, como un monismo donde los investigadores o son ortodoxos de modelos de
ciencia (mainstream navigators), o son defensores o dueños de paradigmas (unity
advocates o Defensores de la unidad).

En Sistemas de Información, el positivismo es el paradigma más utilizado en la in-


vestigación en Sistemas de Información, alcanzando a ocupar un 97 % de los estu-
dios analizados.

Con este paradigma en Sistemas de Información se han formado las bases para el
conocimiento generalizable, a menudo representado en modelos matemáticos, que
pueden predecir patrones de comportamiento, independiente del contexto y el
tiempo.

Paradigma Interpretativo

En el Paradigma Interpretativo se considera que:

 se busca sencillamente comprender la realidad;

89
 ‘el conocimiento de la realidad se logra siguiendo las construcciones sociales
como el lenguaje, la conciencia, los significados compartidos, documentos,
herramientas y otros artefactos’ (Myers, 1997, p. 4);
 hay interés en la emergencia de una situación donde hay personas, y en ver
cómo las personas conceden significados a las cosas; y,
 es una visión perceptiva, emergente, holística, interaccional y teleológica.

El trabajo interpretativo se rige por los siguientes criterios de validez credibilidad,


transferibilidad, dependencia y confirmabilidad:

 Credibilidad: busca que los resultados surjan de marcos teóricos derivados


directamente de las situaciones en estudio y que las representaciones teóri-
cas se construyan y representen la realidad de los sujetos estudiados.
 Transferibilidad: busca aplicar o extender los resultados del caso particular a
otras situaciones o casos.
 Dependencia: busca que el proceso sea transparente, documentable, audita-
ble y escrutable.
 Confirmabilidad: busca que los resultados se basen en datos fiables y cohe-
rentes, sustantivos y teóricos, fácilmente accesibles.

Estos criterios producen visiones únicas en los observadores.

Este paradigma define al investigador, y en particular en Sistemas de Información,


como un knight of change – caballero del cambio- (al otro extremo de los
mainstream navigators y cerca de los unity advocates). En este caso, el investiga-
dor alterna objetivos, métodos, teorías o filosofías de la ciencia, todo lo que sea
necesario en una investigación en Sistemas de Información, para enfrentar la natu-
raleza diversa y heterogénea de la realidad, y que debe ser estudiada con todos los
recursos disponibles.

En el paradigma Interpretativo los sistemas se perciben como construcciones socia-


les. Por este motivo, la investigación se enfoca comprender la percepción que las
personas comparten sobre los sistemas, y en cómo surgen y son sos-tenidos los
significados de los sistemas que las personas usan.

En particular, el Paradigma Interpretativo construye un modelo que describe un


sistemas, y como parte del medio ambiente la organización que le contiene o con-
tendrá. De esta manera se ha buscado comprender el contexto de los sistemas, y el
proceso por el cual éste influencia y es influenciado por aquél.

En este sentido, estudios interpretativos se han usado en la comprensión de fenó-


menos de uso y desarrollo de sistemas, y planteamiento de modelos para análisis
de problemas de sistemas.

Paradigma Crítico

El Paradigma Crítico se caracteriza por:

 basarse en los trabajos de la Escuela de Frankfurt, lo cual significa que se


estudia principalmente la comunicación teniendo como doctrina la Teoría de
Comunicación de Habermas ;
 usar la Teoría Crítica como base epistemológica, con lo cual se busca la
emancipación de los individuos frente a las condiciones que les oprimen;
 hacer de la acción frente a la alienación algo importante dentro de una acti-
tud de cuestionamiento frente al mundo; y,

90
 se asume que las personas pueden cambiar o emanciparse de sus condicio-
nes sociales y económicas, dentro de dominaciones, entre otras, políticas,
culturales y sociales.

El conocimiento que se adquiere con este paradigma permite a investigadores y


desarrolladores (Klein y Hirschheim, 1993) llevar adelante acciones tendientes a
eliminar los conflictos de comunicación, y a facilitar el desarrollo y posterior uso de
los sistemas. En este caso, la visión crítica implica una acción, un compromiso de
cambio por parte del investigador con aquellos a los que investiga.

En el contexto de los tres paradigmas aquí presentados, el Paradigma Crítico, pue-


de decirse, es transversal, por cuanto provee una perspectiva que se complementa
con una postura ya sea positivista y/o interpretativa.

El paradigma Crítico se ha usado en Sistemas de Información para acceder y cono-


cer conflictos de dominación a través de la comunicación en grupos de trabajo, ya
sea en situaciones de aceptación/rechazo o en el desarrollo de sistemas.

También ha permitido un acercamiento a las estructuras que subyacen en una or-


ganización y hacer análisis exploratorios de la realidad organizacional para determi-
nar necesidades reales y ocultas, conflictos latentes, o toda situación derivada de
desequilibrios generados por la dominación.

En la disciplina de la simulación tienen cabida dos tipos de datos: cuantitativo o,


cualitativo.

Tipo de dato cuantitativo. El dato cuantitativo es el dato expresado en notación


lógica o matemática.

Tipo de dato cualitativo. El dato cualitativo es el dato que se expresa mediante


narraciones o palabras. Permiten descripciones extensas y ayudan a reflejar de me-
jor manera, entre otras cosas, los sentimientos y las emociones.

El método de investigación permite identificar la perspectiva a aplicar sobre un pro-


ceso de investigación, lo cual significa pasar de los datos recogidos a los resultados
confiables. Estos métodos se caracterizan por:

 ser la estrategia de investigación que permite pasar del paradigma al diseño


de la investigación y a la captura de datos; e,
 implicar diferentes habilidades y prácticas de trabajo.

A la fecha se han estudiado y aplicado en Sistemas de Información diversos méto-


dos tomados de las ciencias sociales. Sin embargo, cuatro de ellos son hoy en día
los más relevantes por su impacto futuro en ayudar a la comprensión de problemas
cualitativos en sistemas. Tales métodos son:

 Estudio de Caso;
 Teoría Fundamentada en Datos;
 Investigación-Acción; y,
 Etnografía.

A continuación estos métodos son descritos, para luego añadir otros citados en la
disciplina de la simulación .

91
Estudio de Caso

Es la investigación empírica de un fenómeno del cual se desea aprender dentro de


su contexto real cotidiano. El Estudio de caso es especialmente útil cuando los lími-
tes o bordes entre fenómeno y contexto no son del todo evidentes, por lo cual se
requieren múltiples fuentes de evidencia.

En un Estudio de Caso, un investigador conoce una realidad, un caso, acercándose


a esa realidad según conveniencia o siendo informado off-line desde ella, indepen-
diente de si se sigue una postura positivista o interpretativa. Al final emite un in-
forme conocido coloquialmente como “el caso”.

Los Estudios de Caso presentan diversas variaciones dependiendo de las siguientes


variables:

 cantidad de casos (simple o múltiple);


 unidades de análisis (holístico o detallado);
 objetivo de la investigación (descriptiva, demostrativa, generativa); y,
 temporalidad (diacrónico, sincrónico).

En Sistemas de Información han sido usados ampliamente, en estudios principal-


mente positivistas, para acercarse a una realidad, estudiar procesos, efectuar estu-
dios comparativos, y llegar al conocimiento profundo del efecto e impacto de los
sistemas.

Dinámica de un Estudio de Caso - (c) Christian A. Estay-Niculcar

Teoría Fundamentada en Datos (grounded theory)

La Teoría Fundamentada en Datos es un proceso donde no se exponen ni manifies-


tan referencias a datos externos al fenómeno, como tampoco teorías previas. Todo
lo que ocurre es entre el investigador y los datos que se manejan del fenómeno,
versus las categorías que se van descubriendo y una teoría que va emergiendo.

92
En otras palabras, en tal proceso los datos usados son sólo del área sustantiva, el
problema, temática o área de interés abordada, sin hacer referencia a nada más.

La novedad de este método está en recoger, analizar y comparar datos mientras se


generan categorías descriptivas y explicativas de un fenómeno como parte de un
proceso conducente a determinar una teoría, modelo o hipótesis que le caracterice.
Adicionalmente se añaden un conjunto de señales que alertan al investigador acer-
ca de cómo establecer conceptos, sin excluir la emergencia y desarrollo de temas
no vistos, creándose una perspectiva o comprensión nueva del comportamiento
común de los individuos y/o grupos.

En una Teoría Fundamentada en Datos, un investigador accede a una realidad ha-


ciéndose parte de ella según sea conveniente o no. Producto de esta inmersión,
conoce mejor la realidad y a partir de este profundo conocimiento codifica datos
con los cuales construye la teoría. Al final emite un informe donde plasma la teoría
o una nueva comprensión de una determinada realidad. Esta comprensión es pro-
ducto de que los análisis de datos permiten identificar estructuras organizacionales
subyacentes en la comuni-cación humana, que se encuentran en procesos ‘hilvana-
dos’ por el lenguaje y las palabras entre personas.

Las variantes del método se dan en el plano epistemológico y metodológico debido


a un “considerable disagreement among its co-founders concerning the implemen-
tation of this approach”. Así, Babchuck habla de una variante ‘straussiana’ y una
‘glaseriana’, cuya diferencia se basa en preguntarse:

 ‘¿qué pasa sí?’, punto de vista de Strauss versus,


 ‘¿qué tenemos aquí?, punto de vista de Glaser.

En Sistemas de Información se ha empleado en el estudio de interacciones:

 entre gente que vive en escenarios tecnológicos con primacía de sistemas,


por ejemplo al evaluar el impacto de la introducción de Internet en organi-
zaciones educativas; o,
 directamente en la relación individuo/grupo y sistemas, por ejemplo, estu-
diando el impacto de un nuevo sistemas en una empresa.

En este contexto, se han identificado estructuras que han permitido determinar las
causas de la aceptación y/o uso de los sistemas. Respecto de tal o cual variante se
ha usado en Sistemas de Información, no existen registros o comentarios en la lite-
ratura que permitan distinguir alguna, salvo el caso de Estay y Pastor quienes se-
ñalan que han usado la variante de Glaser. Por otra parte, Pandit ofrece un buen
ejercicio sobre la Teoría Fundamentada en Datos dentro de una metodología.

93
Dinámica de la Teoría Fundamentada de Datos (grounded theory) - (c) Christian A.
Estay-Niculcar

Investigación-Acción

Investigación-Acción implica, como su nombre indica, acción e investigación, en el


sentido de unir teoría y práctica. Investigación-Acción enfrenta la pregunta de ac-
ción ‘How can I improve the quality of my practice here?’ versus la pregunta pasiva
del investigador ‘What is happening here?’.

Hult y Lennung (en 1980) le definen de la siguiente manera: “Action Research sim-
ultaneously assists in practical problem-solving and expands scientific knowledge,
as well as enhances the competences of the respective actors, being performed
collaboratively in an immediate situation using data feedback in a cyclical process
aiming at an increased understanding of a given social situation, primarily applica-
ble for understanding of change processes in social systems and undertaken within
a mutually acceptable ethical framework”.

Para Kurt Lewin (en 1946), quien es considerado padre y fundador de la Investiga-
ción-Acción, como parte del método hay que tener presente que el conocimiento de
un sistema humano no puede darse sin procurar cambiarlo. Por esto es importante
considerar como variables de investigación la dinámica de la realidad social, el rol
del observador y el cambio continuo.

En Investigación-Acción, el investigador interviene una realidad injertándose en ella


con objeto de ayudar a hacerla mejor y/o cambiarla. Producto de esta inmersión,
conoce mejor la realidad y a partir de este profundo conocimiento ayuda a los invo-
lucrados en la realidad a manejar herramientas que les permitan enfrentar nuevos
problemas de mejora y cambio.

94
Se emiten informes en conjunto entre investigador y los involucrados en la reali-
dad. Luego de la investigación, los participantes están en condiciones de emitir in-
formes sobre la experiencia.

En Sistemas de Información se pueden consultar textos de Baskerville para un re-


sumen general.

Dinámica de Investigación-Acción - (c) Christian A. Estay-Niculcar

Etnografía

La Etnografía es el estudio descriptivo de las actividades de un grupo humano de-


terminado.

Hablar de variantes etnográficas es complicado dado que la etnografía depende de


cada investigador. Sobre este tema, se señalan algunas diferencias que podrían
establecer variantes. Aparte está la etnometodología, considerada un tema particu-
lar de Etnografía que una variante. Aparte se diferencia una etnografía holística,
una semántica y otra de comportamiento, mientras otros autores hablan de una
etnografía crítica.

En una Etnografía, un investigador se introduce en una realidad y la vive. A partir


de esta vivencia luego escribe una historia.

Para Sistemas de Información, la Etnografía ha ofrecido un riguroso método de


análisis del contexto institucional de la práctica de los sistemas donde el contexto
es una noción social de significados construidos en un universo de discurso. Especí-
ficamente ha permitido identificar procesos, al seguir el comportamiento de las per-
sonas frente a un sistema y, la organización en su evolución estructural frente a las
infraestructuras tecnológicas que sustentan y/o se basan en sistemas.

95
En particular, en Sistemas de Información se destacan algunos importantes estu-
dios etnometodológicos, pues permiten acercarse y comprender de mejor manera
el escenario donde se manifiesta Sistemas de Información, en esencia, prácticas de
trabajo singulares vinculadas a sistemas.

Dinámica de una Etnografía - (c) Christian A. Estay-Niculcar

Otros métodos

Otros métodos que aparecen dentro de la disciplina de la simulación son: fenome-


nología, interaccionismo simbólico, estudios históricos e historias de vida.

Fenomenología. La fenomenología considera que la base de todo conocimiento es


la búsqueda de la esencia de las cosas. Por esta razón, para un fenomenólogo, co-
nocer es comprender. Se introduce así una forma de comprender y conocer, más
que una forma de explicación o, en otras palabras, un método para conocer y en-
contrar la esencia de las cosas.

La fenomenología obliga a introducirse en el hecho enigmático, y problema de la


investigación, que las cosas aparezcan como ellas mismas frente al investigador.
Por ello intenta conocer la estructura esencial de un fenómeno, asumiendo que los
significados son emanados de la conciencia del observador.

En Sistemas de Información ha servido para proveer un método de interpretación a


partir del observador. Su utilidad actualmente se orienta como complemento a
otros métodos, asistiendo en el proceso de descubrir la esencia del significado de
las interpretaciones.

Esto último se hace en el entendido qué, para conocer real y efectivamente los sis-
temas en su relación con las personas, debe incluirse el carácter fenoménico del
conocimiento sobre Sistemas de Información que tienen las personas.

Interaccionismo simbólico. Considerado como método, el Interaccionismo Sim-


bólico es una forma de conceptualizar el mundo comprendiendo las interacciones de

96
las personas a través del lenguaje. Aporta una visión que permite tratar la produc-
ción y reproducción social que se manifiesta en la naturaleza simbólica de la comu-
nicación.

En Sistemas de Información actúa como modelo o patrón de comprensión para


identificar el significado dentro de intercambios comunicacionales. En este sentido,
ha servido para conocer la apreciación existente sobre procesos de cambio tecnoló-
gico, por su énfasis en procesos diarios que se concretan en realidades colectivas,
identificando símbolos y signos recurridos por las personas.

Estudios históricos. Un estudio histórico comprende la economía, las institucio-


nes, los datos históricos, los relatos persona-les, los estudios de género, las tecno-
logías, la cultura, las personas, etc., concentrándose eso sí, siempre, en los proce-
sos. Por otra parte, un estudio a-histórico es lo estático, de corto (muy corto) pla-
zo, limitado en ambiente, ideal (positivista), donde lo discreto del tiempo se acepta
como requisito para estudiar fenómenos ya aislados.

En particular, el estudio histórico, o la Historiografía es el cuerpo de técnicas, teo-


rías y principios asociados con la investigación histórica, una forma de dirigir datos
y fuentes, responder preguntas y construir teorías basadas en la evidencia de los
hechos en el tiempo. Su uso ofrece una base para ensamblar datos, relacionar
eventos y, construir una teoría.

Aunque en Sistemas de Información su uso no es extendido, existen planteamien-


tos formales sobre como usarlo. Igualmente, otros estudios específicos podrían
asociarse a este método. En particular se ha planteado que puede servir para in-
formar y contextualizar eventos, como parte de un proceso de razonamiento induc-
tivo y como fuente de nuevas hipótesis.

Historias de vida. Historia de Vida es el análisis de in-formación proveniente di-


rectamente de las personas que han vivido experiencias o han sido parte de deter-
minados fenómenos o procesos. Para lo anterior se recurre a la narración explícita
de la persona, donde el inves-tigador asume un rol de escritor de las historias. En
términos epistemológicos, la Historia de Vida es una forma humanista de acceso al
conocimiento donde toda la relevancia del caso la posee el individuo narrador.

Las variantes conocidas son la biografía, el relato de vida (‘life story’), la historia de
vida (‘life history’) y el biograma.

En Investigación Cualitativa en Sistemas de Información para este método no se


han encontrado aplicaciones explícitas, aunque muchos estudios de casos, puede
decirse, consideran como fuentes de datos narraciones de historias de vida. Su po-
tencial para disciplina de la simulación es el de estudiar los procesos organizacio-
nales desde la perspectiva de clientes, usuarios, operadores y/o desarrolladores.

A continuación se describen las técnicas de captura de datos usadas en la disciplina


de la simulación. Bajo esta denominación se agrupan técnicas y procedimientos
empleados en la observación y recolección de datos.

Entrevista/Encuesta. Mientras la Entrevista es el mecanismo de captura consis-


tente en realizar un conjunto de preguntas a una persona o grupo de personas; la
encuesta se orienta a preguntar a un grupo extenso de personas.

Observación. En esta técnica el investigador observa un fenómeno en forma direc-


ta.

97
Registro AudioVisual. Consiste en el análisis de documentos visuales,
en-tiéndase fotografías, grabaciones sonoras, videos o películas.

Recopilación de Documentos y Archivos. Es la revisión de material escrito ya


sea por medios manuales, mecánicos o electrónicos. En este tipo de trabajo tienen
cabida: encuestas, libros, revistas, bases de datos electrónicas, mensajes de co-
rreos electrónicos, etc.

Recopilación de Artefactos. Acción esencialmente antropológica y ligada a la


etnografía consistente en recoger los artefactos usados por los sujetos bajo estudio
en su rutina diaria como en la confección de otros artefactos.

Experiencia Personal. Análisis de las narraciones/historias del propio observador.

En la Tabla siguiente se muestran las ventajas y desventajas de cada una de las


técnicas empleadas en la disciplina de la simulación.

Técnica Fortalezas Debilidades


Se puede enfocar direc- Sesgos y manipulaciones
tamente en el problema. en preguntas y/o res-
Permite detectar y pro- puestas.
Entrevista fundizar en aspectos Pérdidas por olvidos y/o
causales. mala retroalimentación.
Esperar lo que se quiere
Entrevista/En-
oír.
cuesta
Se puede enfocar direc- Baja tasa de respuesta.
tamente en el problema. Formularios mal diseña-
Facilita el anonimato. dos.
Encuesta
Es cuantitativa y/o cuali- Manipulación de las pre-
tativa. guntas y en las respues-
tas permitidas.
Consumo de horas-
hombre (costo y tiempo).
Cubrir eventos en tiempo Selectividad y ámbito de
Observación real. la observación.
Directa Permite acceder al con- Pérdida de la continuidad
texto. del proceso.
Alteración del proceso.
Observación Transculturalidad.
Cubrir eventos en tiempo Consumo de horas-
real. hombre (costo y tiempo).
Permite acceder al con- Selectividad y ámbito de
Observación
texto. la observación.
Participante
Permite conocer el pro- Alteración y manipulación
ceso, el comportamiento, del proceso.
las motivaciones, etc. Transculturalidad.
Registro Audiovisual Se aprecia la diná- Consume recursos eco-
mica del fenómeno. nómicos.
Pérdida de privacidad de
los sujetos.
Repetibilidad de la revi- Potencialmente existe
Recopilación Recopilación sión. baja tasa de recuperabili-
de Documen- de docu- Acceso a referencias dad.
tos y Archivos mentos exactas. Sesgo en la selectividad.
Cubrir amplio espacio de Documentos incompletos.

98
tiempo, eventos, espa- Accesos bloqueados o no
cio, etc. permitidos.
Repetibilidad de la revi- Potencialmente existe
sión. baja tasa de recuperabili-
Acceso a referencias dad.
exactas. Sesgo en la selectividad.
Cubrir amplio espacio de Documentos incompletos.
Recopilación
tiempo, eventos, espa- Accesos bloqueados o no
de archivos
cio, etc. permitidos.
Precisión y uso de bases
de datos.
Es cualitativa y cuantita-
tiva.
Comprender los
aspectos culturales. Dificultad o problemas en
Recopilación de Artefactos Comprender las obtenerlos.
operaciones técni- Selectividad.
cas.
Facilidad de obten- Sesgos, olvidos propios
Experiencia Personal ción. voluntarios o involunta-
rios.

3. El proceso de exportación.

El Modo de análisis tiene que ver con la perspectiva de tratamiento de datos que se
sigue en una investigación.

Esta última categorización se ha estudiado en Estay y Pastor, encontrándose que


ella concentra realmente el esfuerzo de trabajo con los datos cualitativos y no es
una categoría en sí misma, sino un conglomerado de otros instrumentos de natura-
leza más operativa.

En tal sentido, el Modo de análisis es un conglomerado de diversos instrumentos,


identificándose:

 modo de análisis hermenéutico,


 mecanismos de clasificación/categorización,
 mecanismos de comparación,
 mecanismos de análisis de textos,
 mecanismos para presentar datos y,
 estudio de significados.

El modo hermenéutico. La Hermenéutica nace como una forma analizar los tex-
tos sagrados de la Biblia, como una palabra para designar la facultad de compren-
der o la perspicacia sutil e intuitiva de conocer a los demás.

La hermenéutica es la reacción al realismo filosófico, entendiendo que la compren-


sión específica de algo depende de su contexto y, el contexto depende a su vez del
significado de las cosas que le componen. Esta relación es lo que se llama el ciclo
hermenéutico.

Para el investigador, este ciclo es un ciclo que provee un aprendizaje de primer ni-
vel de los sujetos estudiados. Pero, existe un segundo ciclo, donde el investigador
analiza su propia realidad aplicando el mismo principio del ciclo hermenéutico pero

99
a su rol como entidad frente al todo de la investigación que lleva adelante. Esto se
ha considerado un segundo ciclo hermenéutico.

Para Sistemas de Información, el primer ciclo ha permitido comprender las inter-


pretaciones sobre los sistemas directamente de los sujetos estudiados y sus reali-
dades inmediatas. El segundo ciclo, poco referenciado en la literatura de disciplina
de la simulación , ha permitido comprender de mejor manera el proceso de investi-
gación.

Mecanismos de clasificación/categorización. Se pueden mencionar dos técnicas úti-


les y probadas de clasificar y categorizar datos provenientes, una de la Teoría Fun-
damentada en Datos y, otra, de la Etnografía.

 Clasificación/categorización según la Teoría Fundamentada en Datos. La


Teoría Fundamentada en Datos en esencia busca clasificar los datos en tres
categorías: conceptos, categorías y proposiciones , con los cuales consigue
generar la teoría. Para ello recurre a tres procedimientos: Open coding, Axial
coding y, Selective coding.
 Clasificación/categorización según la Etnografía. Se plantea como un
modelo para identificar los patrones de comportamiento y temas conversa-
cionales de un dominio, siguiendo cuatro tipos de análisis : análisis de domi-
nio, análisis taxonómico, análisis de componentes, y análisis de tema.

Mecanismos de comparación. Una de los mayores problemas en la Investigación


Cualitativa es la comparación de datos o categorías. Se describen en la literatura
dos mecanismos de comparación de datos: ‘Cross-Case’ y ‘Within-Case’, ligadas
originariamente al Estudio de Caso.

En esencia ambos usan herramientas similares de muestreo, análisis, ordenamiento


y presentación de datos, su diferencia radica en el enfoque de visión sobre los da-
tos:

 ‘Cross-Case’, es la comparación entre varios sitios o casos de estudio; y,


 ‘Within-Case’, es la comparación de unidades o niveles de análisis dentro
de un sitio o caso.

Mecanismos de análisis de datos. Se muestran aquí tres tipos de análisis de datos


relativos a la comprensión de un texto y su significado dentro de una interacción:

 Análisis de contenido que estudia un texto y analiza las palabras conteni-


das;
 Análisis de conversación que analiza y estudia la interacción entre perso-
nas, y,
 Análisis de discurso, ubicándose entre los dos previos y asumiendo la ite-
ratividad del ciclo hermenéu-tico de descubrir el significado, analiza y estu-
dia la estructura del discurso subyacente en la interacción social.

Mecanismos de presentación de datos. Aquí sencillamente tiene cabida los di-


versos medios o instrumentos de representación, que incluye texto, imagen y dia-
gramas.

Formas de estudiar el significado. Si bien la Hermenéutica garantiza que las


partes explican el todo y el todo explica las partes, existe un análisis paralelo que
precisa reconocer el simbolismo intrínseco en una interacción social. Esto ha llevado
a considerar diferentes formas de estudiar el significado de los datos.

100
 Semiótica. La semiótica es la ciencia de los signos que provee conceptos e
ideas que permiten un análisis sistemático de los símbolos.
 Narrativa. Una narrativa es un texto con un contenido que puede ser anali-
zado. El texto es una secuencia de frases y palabras concatenadas mediante
diferentes orde-namientos, tanto lingüísticos como sociales e institucionales.
Una narración puede darse en el contexto de una conversación, en un inter-
cambio epistolar, dentro de un grupo de discusión que usa correo electróni-
co, artículos de un per-sonaje, etc.
 Metáfora. Una Metáfora es un tropo de dicción que consiste en expresar
una idea valién-dose de otra con la que guarda analogía o semejanza, por
ejemplo como la expresión: ‘el báculo de la vejez’.
 Mito. Un Mito es una narración dramática de eventos imaginados, usual-
mente usados para explicar orígenes o transformaciones de algo. Organiza-
cionalmente es una creencia no cuestionada sobre prácticas de ciertas técni-
cas y comportamientos que no son demostrables por los hechos.
 Magia. Lo mágico es algo supersticioso o religioso, algo cuya existencia no
es posible seguir mediante el método científico, como instrumento de control
de la natura-leza en su práctica final exacta. Organizacionalmente es algo
que ayuda al funcionamiento, cohesión y funcionamiento de la sociedad.

A continuación la descripción de conceptos citados anteriormente.

Open coding es un procedimiento que descompone datos y que permite generar


unidades de análisis (conceptos) para luego agregarlas en categorías para proponer
relaciones (proposiciones). Open coding es equivalente en Sistemas de Información
a identificar objetos y abstraer sus clases.

Axial coding permite que las categorías, los conceptos o ambos se relacionen so-
bre la base de las siguientes categorías superiores (‘major categories’) preestable-
cidas: condiciones causales, fenómeno, contexto, condiciones que intervienen, es-
trategias de acción/interacción, y consecuencias, según el modelo paradigma. Axial
coding es equivalente en Sistemas de Información a identificar y definir las vincula-
ciones entre clases según determinadas clases aglutinadoras, como el modelo pa-
radigma, o según lo especifique cada caso.

Selective coding es el procedimiento donde se busca identificar categoría central


(‘core category’) a todas las encontradas y que da un sentido e intencionalidad a
todo el conjunto.

El análisis de tema: Incluye

 Análisis de dominio: involucra agrupar categorías de significados (por ejem-


plo, madre-type_of-persona e hijo-type_of-persona, o sala de conferencias-
is_a_place_of-comunicación, y panel-is_a_place_of-comunicación).
 Análisis taxonómico: involucra reconocer patrones que son parte de taxo-
nomías cultura-les, mostrando las relaciones entre todos los términos del
dominio.
 Análisis de componentes: considera la existencia de atributos descriptivos en
términos de dominio (componentes de sig-nificados, categorizando un gru-
po, por ejemplo, por sexo y edad).
 Análisis de tema: considera identificar reglas, lenguaje, rituales, rutinas en
el estudio.

101
Tema N° 2: Creación de la interfaz de interacción de los mode-
los y el usuario final.

1. Necesidad del uso de un modelo.

Cuando alguien tiene la responsabilidad de conducir un sistema dado, como por


ejemplo: un banco, una ciudad, un sistema de transporte, etc., debe tomar conti-
nuamente decisiones acerca de las acciones que ejecutará sobre el sistema. Estas
decisiones deben ser tales que la conducta resultante del sistema satisfaga de la
mejor manera posible los objetivos planteados.

Para poder decidir correctamente es necesario saber cómo responderá el sistema


ante una determinada acción. Esto podría hacerse por experimentación con el sis-
tema mismo; pero factores de costos, seguridad y otros hacen que esta opción ge-
neralmente no sea viable. A fin de superar estos inconvenientes, se reemplaza el
sistema real por otro sistema que en la mayoría de los casos es una versión simpli-
ficada. Este último sistema es el modelo a utilizar para llevar a cabo las experien-
cias necesarias sin los inconvenientes planteados anteriormente. Al proceso de ex-
perimentar con un modelo se denomina simulación. Al proceso de diseñar el plan
de experimentación para adoptar la mejor decisión se denomina optimización. Si el
plan de experimentación se lleva a cabo con el solo objeto de aprender a conducir
el sistema, entonces se denomina entrenamiento o capacitación.

En este punto, es conveniente plantear las siguientes definiciones:

 Sistema: Conjunto de objetos o ideas que están interrelacionados entre sí


como una unidad para la consecución de un fin (Shannon, 1988). También
se puede definir como la porción del Universo que será objeto de la simula-
ción.
 Modelo: Un objeto X es un modelo del objeto Y para el observador Z, si Z
puede emplear X para responder cuestiones que le interesan acerca de Y
(Minsky).
 Simulación: Simulación es el proceso de diseñar un modelo de un sistema
real y llevar a cabo experiencias con él, con la finalidad de aprender el com-
portamiento del sistema o de evaluar diversas estrategias para el funciona-
miento del sistema (Shannon, 1988).

Aplicaciones de la simulación

La simulación es conveniente cuando:

 No existe una formulación matemática analíticamente resoluble. Muchos sis-


temas reales no pueden ser modelados matemáticamente con las herra-
mientas actualmente disponibles, por ejemplo la conducta de un cliente de
un banco.
 Existe una formulación matemática, pero es difícil obtener una solución ana-
lítica. Los modelos matemáticos utilizados para modelar un reactor nuclear o
una planta química son imposibles de resolver en forma analítica sin realizar
serias simplificaciones. Teoría de Modelos y Simulación.
 No existe el sistema real. Es problema del ingeniero que tiene que diseñar
un sistema nuevo. El diseño del sistema mejorará notablemente si se cuenta
con un modelo adecuado para realizar experimentos.
 Los experimentos son imposibles debido a impedimentos económicos, de se-
guridad, de calidad o éticos. En este caso el sistema real esta disponible pa-
ra realizar experimentos, pero la dificultad de los mismos hace que se des-

102
carte esta opción. Un ejemplo de esto es la imposibilidad de provocar fallas
en un avión real para evaluar la conducta del piloto, tampoco se puede va-
riar el valor de un impuesto a para evaluar la reacción del mercado.
 El sistema evoluciona muy lentamente o muy rápidamente. Un ejemplo de
dinámica lenta es el problema de los científicos que estudian la evolución del
clima. Ellos deben predecir la conducta futura del clima, dadas las condicio-
nes actuales, no pueden esperar a que un tornado arrase una ciudad para
luego dar el mensaje de alerta. Por el contrario, existen fenómenos muy rá-
pidos que deben ser simulados para poder observarlos en detalles, por
ejemplo una explosión.

Entre las posibles desventajas de la simulación se pueden citar:

 El desarrollo de un modelo puede ser costoso, laborioso y lento.


 Existe la posibilidad de cometer errores. No se debe olvidar que la experi-
mentación se lleva a cabo con un modelo y no con el sistema real; entonces,
si el modelo está mal o se cometen errores en su manejo, los resultados
también serán incorrectos.
 No se puede conocer el grado de imprecisión de los resultados. Por lo gene-
ral el modelo se utiliza para experimentar situaciones nunca planteadas en
el sistema real, por lo tanto no existe información previa para estimar el
grado de correspondencia entre la respuesta del modelo y la del sistema
real.

Actualmente la simulación presta un invalorable servicio en casi todas las áreas


posibles, algunas de ellas son:

 Procesos de manufacturas: Ayuda a detectar cuellos de botellas, a distri-


buir personal, determinar la política de producción.
 Plantas industriales: Brinda información para establecer las condiciones
óptimas de operación, y para la elaboración de procedimientos de operación
y de emergencias.
 Sistemas públicos: Predice la demanda de energía durante las diferentes
épocas del año, anticipa el comportamiento del clima, predice la forma de
propagación de enfermedades.
 Sistemas de transportes: Detecta zonas de posible congestionamiento,
zonas con mayor riesgo de accidentes, predice la demanda para cada hora
del día.
 Construcción: Predice el efecto de los vientos y temblores sobre la estabili-
dad de los edificios, provee información sobre las condiciones de iluminación
y condiciones ambientales en el interior de los mismos, detecta las partes de
las estructuras que deben ser reforzadas.
 Diseño: Permite la selección adecuada de materiales y formas. Posibilita es-
tudiar la sensibilidad del diseño con respecto a parámetros no controlables.
 Educación: Es una excelente herramienta para ayudar a comprender un
sistema real debido a que puede expandir, comprimir o detener el tiempo, y
además es capaz de brindar información sobre variables que no pueden ser
medidas en el sistema real.
 Capacitación: Dado que el riesgo y los costos son casi nulos, una persona
puede utilizar el simulador para aprender por sí misma utilizando el método
más natural para aprender: el de prueba y error.

La importancia de la Simulación es evidente al considerar el impacto que tuvieron


algunos trabajos, como ser:

103
 La Perestroika: Estudios de simulación efectuados en Rusia en las décadas
del 70 y 80 convencieron a los dirigentes de la necesidad de plantear un
fuerte cambio en la economía de ese país.
 La caída de la bolsa de New York en 1988: La utilización de programas
de simulación por parte de los corredores de la bolsa causó una falsa inesta-
bilidad que provocó la caída.
 El regreso del Apolo 13: La simulación jugó un rol fundamental en la de-
terminación del plan de emergencia. La nave retornó con éxito a pesar de
las graves averías.
 Los Voyagers: Gracias a la simulación se pudieron establecer los itinerarios
óptimos para estas naves con un mínimo consumo de energía aprovechando
la atracción gravitacional de los planetas.
 Proyecto Monte Carlo: Von Newman y Ulam (1945) emplearon simulación
para estudiar reacciones nucleares.
 Los modelos del planeta: Algunos plantean la posibilidad de un calenta-
miento global debido al efecto invernadero. Otros plantean la posibilidad de
un enfriamiento y predicen una nueva era glaciar.
 Capacitación de tropas: En el operativo “Tormenta del desierto” llevado a
cabo en la guerra contra Irak, las tropas de todas las fuerzas estadouniden-
ses que participaron (fuerza aérea, marina y ejército) fueron entrenadas con
simuladores.
 Capacitación de policías: Se utiliza entornos virtuales para que el policía
aprenda a conducirse en situaciones de riesgo.
 Simuladores de vuelos: Fue una de las primeras aplicaciones de los simu-
ladores. Actualmente se utilizan para entrenar pilotos de aviones comercia-
les y de combate.

Tipos de simulación

De acuerdo a la naturaleza del modelo empleado, la simulación puede ser por


(Fishman, 1978):

 Identidad: Es cuando el modelo es una réplica exacta del sistema en estu-


dio. Es la que utilizan las empresas automotrices cuando realizan ensayos de
choques de automóviles utilizando unidades reales.
 Cuasi-identidad: Se utiliza una versión ligeramente simplificada del siste-
ma real. Por ejemplo, los entrenamientos militares que incluyen movilización
de equipos y tropas pero no se lleva a cabo una batalla real.
 Laboratorio: Se utilizan modelos bajo las condiciones controladas de un la-
boratorio.
Se pueden distinguir dos tipos de simulaciones:
• Juego operacional: Personas compiten entre ellas, ellas forman
parte del modelo, la otra parte consiste en computadoras, maquina-
ria, etc. Es el caso de una simulación de negocios donde las compu-
tadoras se limitan a recolectar la información generada por cada par-
ticipante y a presentarla en forma ordenada a cada uno de ellos.
• Hombre-Máquina: Se estudia la relación entre las personas y la
máquina. Las personas también forman parte del modelo. La compu-
tadora no se limita a recolectar información, sino que también la ge-
nera. Un ejemplo de este tipo de simulación es el simulador de vuelo.
 Simulación por computadora: El modelo es completamente simbólico y
está implementado en un lenguaje computacional. Las personas quedan ex-

104
cluidas del modelo. Un ejemplo es el simulador de un sistema de redes de
comunicación donde la conducta de los usuarios está modelada en forma es-
tadística. Este tipo de simulación a su vez puede ser:
• Digital: Cuando se utiliza una computadora digital.
• Analógica: Cuando se utiliza una computadora analógica. En este
grupo también se pueden incluir las simulaciones que utilizan mode-
los físicos.

El simulador por computadora

Un simulador por computadora está compuesto por las siguientes partes:

 Un modelo: Es un modelo simbólico. Puede ser un conjunto de ecuaciones,


reglas lógicas o un modelo estadístico.
 El evaluador: Es el conjunto de procedimientos que procesarán el modelo
para obtener los resultados de la simulación. Puede contener rutinas para la
resolución de sistemas de ecuaciones, generadores de números aleatorios,
rutinas estadísticas, etc.
 La interfaz: Es la parte dedicada a interactuar con el usuario, recibe las ac-
ciones del mismo y presenta los resultados de la simulación en una forma
adecuada. Esta unidad puede ser tan compleja como la cabina utilizada en
los simuladores de vuelos profesionales.

CONTROL DE LECTURA N° 2

Presentar del origen de datos del modelo a trabajar, incluyendo los datos
de entrada y salida.

INSTRUCCIONES:

1. En base al vídeo clase de la semana, diseñe los archivos de origen de datos,


para un modelo en particular elegido por el estudiante.

LECTURA SELECCIONADA No 1:

Plataforma de simulación y visualización para el apoyo al análisis y


toma de decisiones en proyectos de movilidad urbana.

William Romero, José Tiberio Hernández, Juan Camilo Ibarra, Sergio Ordó-
ñez – Universidad de Los Andes – Colombia.

Haz clic aquí para acceder al texto completo:


http://www.scielo.org.co/pdf/ring/n29/n29a7.pdf

Lee atentamente la lectura, reúne la información obtenida en un organiza-


dor de conocimiento.

105
AUTOEVALUACION No 3

1. ¿Qué se entiende por modelo?


a) Representar el objeto.
b) Representar información y mostrarla mediante un lengua-
je.
c) La representación física tridimensional del objeto y la
muestra mediante un lenguaje.
2. ¿Cuál de estos modelos son prototipos?
a) Modelos de fabricación.
b) Modelos ergonómicos.
c) Fase de formulación.
3. ¿Cuál de estas no es una fase del proceso de modelado?
a) Conceptualización.
b) Fase de modelos.
c) Evaluación del modelo.
4. ¿Qué es la simulación?
a) Crear un producto mediante procesos y diseños.
b) Proceso por el cual se dísela un modelo y se experimenta
con él
c) Maquetas experimentales.
5. ¿Por qué pueden ser falsos los resultados de la simulación?
a) Desprecio de elementos sin utilidad aparente.
b) Por usar sistemas dinámicos en tiempo real.
c) Por no existir una formulación matemática exacta del sis-
tema a estudiar.

Tema N° 3: Diseño y creación de la Interfaz gráfica de usuario.

1. Criterios de diseño.

La Interacción Humano Computadora ha sido definida de varias maneras en el


transcurrir de los años. Según la definición de algunos autores: “IHC es el diseño
de sistemas computacionales que apoyan a personas para que puedan llevar a ca-
bo sus actividades de manera eficiente y segura.” O “IHC es el estudio y práctica
de usabilidad. Es sobre el entendimiento, y creación de software y otras tecnolo-
gías que la gente querrá utilizar, será capaz de utilizar y encontrará efectivo al
usarla.”

Se requieren diferentes tipos de aplicaciones para diferentes propósitos y se nece-


sita cuidado para dividir las tareas entre humanos y computadoras, asegurando
que las actividades creativas y no‐repetitivas sean asignadas a los humanos mien-
tras que las otras sean asignadas a las computadoras.

La meta de la IHC es desarrollar y mejorar la seguridad, utilidad, eficiencia y usabi-


lidad de sistemas basados en computadoras, mediante la elaboración de sistemas
fáciles de aprender y sencillos de usar.

106
Hay dos principios claves para una buena interacción humano‐computadora: Visibi-
lidad y Provisión.

 Visibilidad: Los componentes de una interfaz deben:


• ‐ Ser visibles, pero no sobrecargar al usuario.
• ‐ Tener un buen mapeo con los efectos que producen feedback
 Relación entre los objetivos del usuario, las acciones que debe hacer
y los resultados.
 Provisión: Los componentes de una interfaz deben proveer de manera na-
tural su funcionalidad. Refiriéndose a sugerencia de uso que deben presen-
tar las propiedades de los objetos.

La importancia de la IHC radica en su capacidad de mejorar la productividad del


usuario, bajar los costos de capacitación en el uso de software y mejorar la seguri-
dad.

Interfaz Grafica de Usuario.

La interfaz de usuario es el medio con el que el usuario puede comunicarse con una
máquina, un equipo o una computadora, y comprende todos los puntos de contacto
entre este y el equipo, normalmente suelen ser fáciles de entender y simples de
accionar. La IGU se refiere al contacto visual del diseño gráfico. A optimizar la usa-
bilidad, la seguridad y la cognición. Estas son normalmente las metas a alcanzar.

La IGU es un tipo de interfaz de usuario que utiliza un conjunto de imágenes y ob-


jetos gráficos para representar la información y acciones disponibles en la interfaz.
Habitualmente las acciones se realizan mediante manipulación directa para facilitar
la interacción del usuario con la computadora. En lo que respecta al contexto
nuestro, la definición considerada idónea para la IGU es: “... podríamos definir la
interfaz gráfica de usuario, en el contexto de la interacción persona‐ordenador,
como un artefacto interactivo, que por su diseño y a través de ciertas interfaces
humanas, posibilita la interacción de una persona con el sistema informático, ha-
ciendo uso de las gramáticas visuales y verbales (signos gráficos como iconos, bo-
tones, menús y verbales como tipografía).

Como todo artefacto, exige por parte de la persona que interacciona, la capacida-
des fisiológico‐cognitivas mínimas, para poder interpretar adecuadamente los sig-
nos, y poder realizar acciones efectivas sobre la propia interfaz. ” La historia de la
IGU ha estado marcada en su evolución por dos factores decisivos: la investigación
y el negocio.

El origen de su nacimiento radica en la búsqueda de un método de interacción ami-


gable con las computadoras que superase la interfaz de línea de comandos. La re-
percusión que ha tenido su descubrimiento sobre la computación informática se ha
traducido en muchos beneficios para aquellos individuos y empresas que han ac-
tuado con astucia aprovechando y explotando los hallazgos propios y ajenos.

La IGU como artefacto tecnológico nace en el año 1973 en el centro de investiga-


ción Xerox Alto, donde se parte con el objetivo básico de encontrar un modelo óp-
timo de interacción humano ‐ computadora, pasa por un proceso de eclosión y de
madurez donde se definen sus elementos básicos, para acabar convirtiéndose en un
producto de consumo estético dentro de los sistemas interactivos, donde la inter-
faz, más allá de un medio de interacción óptimo, se transforma en un objeto inteli-
gente abierto a los procesos de personalización por parte del usuario.

107
Elementos fundamentales que componen la IGU, como la barra de tareas, tienen
una historia propia, y corresponde a muchas investigaciones y pruebas de diseño el
haber llegado a su actual definición conceptual, formal y funcional. Las IGU han
pasado de convertirse, de un artefacto tecnológico con propiedades interactivas que
posibilita la interacción con la computadora, a constituirse como artefacto inteligen-
te capaz de orientar al usuario y provocarse cambios a sí misma, en relación a los
datos tomados de éste.

Esto abre un nuevo ámbito de investigación dentro del contexto de las interfaces
que tienen que ver con la adición de inteligencia. Las IGU están actualmente abier-
tas a los procesos de personalización, permitiendo que el usuario modifique aspec-
tos visuales de la IGU de modo que la pueda adaptar a sus gustos. Este proceso
convierte a la IGU de algún modo en un objeto con identidad propia, maleable y
dispuesta para el consumo estético. Estas propiedades acercan la IGU a objetos
interactivos de ocio, como juegos con los que se puede interactuar y a través de los
cuales se puede acceder a ciertas informaciones.

2. Organización de la interfaz.

Modelo para el Diseño de la Interacción Humano ¬ Computadora

Un modelo es una representación simplificada de un fenómeno del mundo real y de


los elementos relacionados a él. MODIHC es un modelo que permite diseñar todos
los aspectos involucrados en la interacción entre un humano y una computadora
cuando se están desarrollando productos de software. Como se muestra en la figu-
ra siguiente, el modelo consta de cuatro componentes principales: usuarios, am-
biente de trabajo, tecnología y funcionalidad del sistema, los cuales están relacio-
nados entre sí y tienen como elemento coordinador al diseñador de software. El
modelo está basado en la filosofía del DCU3, así los usuarios cuentan con un papel
principal en todo el proceso de diseño.

108
El diseñador de software debe realizar la transición de la funcionalidad a la usabili-
dad, lo cual significa que el funcionamiento de un producto de software debe co-
rresponder a los requisitos y habilidades del usuario en su ambiente natural de tra-
bajo. Para ello se proponen una serie de actividades que debe realizar el diseñador
de software.

En la tabla se aprecia que el componente usuarios está presente en todas las acti-
vidades que realiza el diseñador de software. Para diseñar la IHC desde el punto de
vista de la tecnología debe considerarse el ambiente de trabajo y los productos ob-
tenidos del estudio del ambiente de trabajo así como la selección de los elementos
de hardware y software que influyen en el diseño de la funcionalidad del sistema.

En la siguiente figura se presenta el proceso para aplicar MODIHC, basado en las


actividades mencionadas anteriormente

109
Mediante el proceso de diseño y desarrollo interactivo, tal como lo propone MO-
DIHC, con la participación de los usuarios reales desde las etapas iniciales del pro-
ceso, se asegura la creación de productos de software fáciles de aprender, usar
(usables), seguros, efectivos y que simplifiquen las actividades que se deseen reali-
zar.

ACTIVIDAD N°4

Elaborar el diseño de la interfaz de un modelo propio de simulación.

INSTRUCCIONES:

1. En base a La video clase de la semana, diseñe e implemente la inter-


faz gráfica de usuario, para un modelo en particular elegido por el es-
tudiante.

110
LECTURA SELECCIONADA No 2:

Simulación de Cadenas de Suministro: Nuevas Aplicaciones y


Áreas de Desarrollo.

José L. Calderón, Francisco C. Lario – Universidad Politécnica de Valencia


– España.

Haz clic aquí para acceder al texto completo:


http://www.scielo.cl/pdf/infotec/v18n1/art18.pdf

Lee atentamente la lectura, reúne la información obtenida en un organi-


zador de conocimiento.

UNIDAD IV: “FINALIZACIÓN Y PUESTA A PUNTO DEL MODELO.”

DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD IV

CONTENIDO ACTIVIDAD SISTEMA DE


FORMATIVA EVALUACIÓN

RESULTADO DE APRENDI-
ZAJE

Al finalizar la unidad el estudiante presenta en el software de


simulación un modelo documentado, con capacidad de interac-
tuar con usuario final a través de una GUI.

ACTIVIDADES FORMATI-
SISTEMA DE EVALUACIÓN
CONTENIDOS VAS
(Técnicas y Criterios)
(habilidades y actitudes)
Tema N° 1: Creación  Crear ambientes de si-
Procedimientos e indicadores a
de un ambiente de mulación relacionados
evaluar
simulación. con sus modelos.
1. Análisis de varia-  Analizar y diseñar pági-  Entrega puntual de tra-
bles. nas de supuestos en bajos realizado.
2. Selección de va- modelos.
 Calidad, coherencia y
riables.  Crear un soporte ade-
pertinencia de conteni-
Tema N° 2: Creación cuado tanto descriptivo
dos desarrollados.
de una página de su- como narrativo para ex-

111
puestos. plicar la naturaleza y  Prueba teórico-práctica,
1. Organización de funcionamiento de un individual.
los ambientes. modelo.
 Actividades desarrolla-
2. Carga de entor-  Elaborar de un modelo
das en sesiones tutori-
nos variables. de simulación, con orí-
genes de datos e inter- zadas.
Tema N° 3: Documen- faz gráfica de usuario. Criterios de evaluación para
tación del modelo. el organizador del conoci-
1. Selección de la miento de una de las lectu-
información relevante. ras seleccionadas.
2. Diseño y ejecu-
ción de la narrativa.  Conceptos y terminolo-
gía
 Dominio de las relacio-
nes entre conceptos
 Habilidad para comuni-
car conceptos a través
del mapa conceptual u
otro.
RECURSOS:
 Videos:
Tema Nº 1
 Creación de un ambiente de simulación.
https://www.youtube.com/watch?v=tql79QjsIXk
Tema Nº 2
 Creación de una página de supuestos.
https://www.youtube.com/watch?v=InJOTkEzQtg
Tema Nº 3
 Documentación del modelo.
https://www.youtube.com/watch?v=sn3jlc5Td8c

 Diapositivas elaboradas por el docente:


 Lectura complementaria:
Lectura Seleccionada Nº 1
Análisis de la Entrada en Simulación Estocástica.
Tomado de http://www.scielo.cl/pdf/infotec/v26n1/art03.pdf

Rúbricas: del modelo implementado en el software de simula-


Instrumento
ción.
de evaluación

BASICA
 SOKOLOWSKI John A. Principies of Modeling and Simulation A
multidisciplinar y Approach Wiley and Sons Inc Publication Hobo-
ken New Jersey 2009
Bibliografía
(Básica y
Complementa-
COMPLEMENTARIA
ria)
 COSS BU Raúl. Simulación Un Enfoque Práctico. México D.F.:
EDI-TORIAL LIMUSA S.A., 2003.
 GARCÍA Francisco Simulación de Sistemas. México D.F.: Compa-
ñía Editorial Continental S. A. CECSA 2005

112
Recursos Edu- BASE DE DATOS: PROQUEST.
cativos digita- BASE DE DATOS: SCIELO.
les Consulta de artículos científicos de los cuatro primeros temas.

Tema N° 1: Creación de un ambiente de simulación.


1. Análisis de variables.

Los escenarios de simulación son el equivalente a las condiciones iniciales que se


usan en la resolución de ecuaciones diferenciales. Se definen a partir de los valores
de los parámetros y las variables de estado o niveles y las formas particulares de
las no-linealidades y los multiplicadores.

Hasta acá debe ser claro que la simulación permite tomar decisiones de manera
virtual, aprender de los errores y de los aciertos, y luego volver atrás como si nada
hubiese ocurrido, es decir, que con un buen modelo, se pueden evaluar diferentes
estrategias y estudiar sus efectos en el entorno para extrapolar conclusiones. Se
adquiere experiencia con costos bajos y evitando el riesgo de enfrentar potenciales
consecuencias adversas.

Mediante un plan de pruebas, se evaluarán los beneficios y los riesgos asociados a


cada alternativa en los escenarios simulados; así podrá identificarse la estrategia
más conveniente en cada caso.

Una situación común en los albores del siglo XXI es la prisa o el ansia por obtener
resultados en el corto plazo, la falta de plantificación y elaboración de soluciones.
Por este motivo una de las tareas a las que todo individuo con poder de decisión
debería dedicarse es al modelado y diseño de escenarios de simulación.

Pensar los escenarios de simulación es una tarea pesada y que la mayoría prefiere
dejar para otros, pero sin esta base las decisiones no serán tomadas de forma acer-
tada debido básicamente a la falta de dirección, estrategia, visión y planificación, y
mucho más en un entorno cambiante.

Alguno teóricos como Peter Schwartz (1991), proponen algunas estrategias para
llevar a cabo de forma exitosa “simulaciones de escenarios“, definiendo posibles
situaciones futuras para determinar las acciones a desarrollar. No es una receta
infalible, sino de una técnica mediante la cual se trata de definir cómo será el en-
torno en el medio y largo plazo (con varios escenarios) y definir las acciones a
desarrollar para lograr los objetivos propuestos.

La técnica de Schwartz, adecuada al modelado dinámico sistémico, tiene 5 pasos.

1. Realizar un modelo: procurando identificar las variables relevantes del


sistema.
2. Definir un mapa con dos ejes; los ejes vendrán determinados por las dos
variables más inciertas que se haya identificado.
3. Imaginar futuros posibles. A veces definir escenarios es muy frío, de
forma que puedes tratar de transformar cada escenario en una historia
de futuro.
4. Pensar en implicaciones y acciones. Para cada escenario pensar en impli-
caciones y acciones a desarrollar
5. Finalmente será necesario definir indicadores de seguimiento. Definidos
los escenarios y las actuaciones es imprescindible realizar un seguimien-
to de los mismos con la finalidad de poder ir modulando las acciones.

113
Este ejercicio no dará el escenario futuro exacto pero si ayudará a:

 Analizar la situación actual


 Analizar el entorno
 Reelaborar los modelos mentales acerca de la realidad
 Mantenerse atento a los cambios
 Disponer de un plan de actuación a medio y largo plazo
 Huir de la coyuntura de un momento

En lo que sigue se hacen un par de aclaraciones que es preciso que el lector domine
conceptualmente. Un escenario debe ser entendido como la descripción de una si-
tuación que pudiese presentarse como resultado de una acción o por una dinámica
evolutiva en el tiempo. Así mismo la construcción de escenarios implica el diseño y
elaboración de un número de visiones consistentes internamente de futuros posi-
bles, combinando la información disponible y las posibilidades de futuro.

El diseño de escenarios de simulación permite en esencia visualizar el futuro, y es


especialmente útil cuando éste no puede ser visto como una simple prolongación
del pasado, es decir, cuando una mera extrapolación generada por una regresión es
suficiente. Tal visualización consiste en tener un panorama de futuros posibles, re-
presentados cada uno de ellos en un escenario determinado.

Algunas características del diseño de escenarios:

 Ejercicio colectivo, es decir, se debe desarrollar un proceso de reflexión


compartida.
 Se proyecta al largo plazo, esto es, 10, 15 o 20 años son los horizontes
temporales habituales.
 Se valoran las proyecciones en el marco del fenómeno determinado por sus
efectos sociales, políticos y económicos.
 Se analizan y valoran los obstáculos que se oponen a la materialización de
las proyecciones o comportamientos esperados y se revisan las fuerzas que
pueden facilitarlas. Alta dependencia con la realidad modelada.

Escenarios y pronósticos

Los escenarios tienen que ver con los procesos relativos a “precisar” lo que va a
pasar, como consecuencia de una acción determinada o de una dinámica evolutiva
de un proceso de naturaleza esencialmente incierto.

El pronosticar es en esencia un sinónimo de predecir y el resultado de un buen pro-


ceso de simulación de escenarios ha de ser cuál de un conjunto posible de “escena-
rios” es más probable, es decir, cuál será el escenario que ha de ser pronosticado.

Los escenarios y la toma de decisiones

La inteligencia en la toma de decisiones se entiende como la capacidad de reunir y


analizar datos para la difusión de información relevante que permita crear conoci-
miento apto, empleando para ello la simulación mediante escenarios como herra-
mienta de estudio de los pronósticos o de los futuros plausibles, con el fin de de-
terminar entre todos los escenarios posibles el más favorable y probable.

114
Tanto la cobertura como el tipo de simulación a seguir la debe definir el usuario
final del modelo, esto se justifica en la medida en que la simulación de escenarios
puede ser aplicada a cualquier problema que pueda ser modelado y que requiera de
una solución estratégica.

Cómo construir o Simular escenarios.

Adicional a la propuesta de Peter Schwartz (1991), en términos generales se puede


proponer como etapas para la construcción y simulación de escenarios las siguien-
tes:

Etapas

1. Identificar el tema focal, los objetivos del análisis, el horizonte temporal,


el problema a modelar y a resolver.
2. Seleccionar el grupo de trabajo que puede ser mediante la aplicación de:
i. Técnicas prospectivas, es decir: seleccionar un grupo con un nivel
lo más homogéneo posible; realizar trabajo individual; que haya
anonimato entre los integrantes del grupo y que los datos se den
a partir de juicios de valor basados en conocimiento, experiencia,
imaginación, sentido común e intuición.
ii. Aplicando la inteligencia empresarial, mediante el aporte de espe-
cialistas en Inteligencia empresarial más un grupo pequeño de
expertos (con iguales características). El grupo de expertos apoya
el trabajo y lo complementa, pero los datos principales, parten de
los productos de inteligencia previamente realizados, ej: estudios
de tendencias.
3. Analizar el entorno, que consiste básicamente en identificar el contexto
dentro del cual se desarrolla el problema procurando identificar variables
exógenas determinantes o determinadas por el problema en cuestión.
4. Identificar y caracterizar las variables claves predecibles, construir el
modelo, para ello se siguen los lineamientos previamente presentados en
las lecciones precedentes, pero vale la pena recordar que es conveniente
la determinación:
i. de varios indicadores que caractericen el futuro de una variable.
ii. de las variables o indicadores que caractericen un escenario o si-
tuación.
iii. y de las variables considerando las tendencias y eventos que
permitan construir todos los escenarios posibles: Tendencias: va-
riables continuas importantes en la descripción del estado de un
escenario, basadas en consideraciones políticas, económicas, so-
ciales y técnicas. Eventos: cambios repentinos que pueden ocurrir
en el futuro, donde la ocurrencia de un evento puede alterar la
estructura de los escenarios y por tanto de una o más tendencias.
5. Recopilación de los datos. Esta fase consiste básicamente en la caracteri-
zación de una o varias variables a partir de fuentes confiables como opi-
niones de expertos o datos medidos por otras fuentes. Cada variable de-
be quedar expresada en su escala natural de medición y todos los resul-
tados deben ser expresados en una sola escala de medición, la más fac-
tible, esto redunda en la homogeneidad de los resultados.

115
6. Procesamiento y análisis de los resultados. Para este propósito se pue-
den realizar desde dos perspectivas ya sea la sintética o la analítica. En
el primer caso se obtiene un escenario con los con los valores síntesis de
cada variable y en el segundo se construyen escenarios posibles, toman-
do en consideración todas las relaciones entre los eventos y las tenden-
cias.
7. Construcción del escenario futuro o de todos los posibles, con la deter-
minación de los más probables y favorables. Para lograrlo se propone:
i. Determinación del escenario más probable. Empleo de Evolución o
Vensim o cualquier otro software.
ii. En el grupo de trabajo se determinan los escenarios: más opti-
mista y pesimista entre los más probables.
iii. Elaboración de un plan de acción para cada escenario selecciona-
do, que permita, en la medida de la variación de las circunstan-
cias, tomar medidas con la previsión adecuada. Interacción con el
futuro
8. Evaluación de las implicaciones de los escenarios al planeamiento estra-
tégico que pueden ser de alcance:

Nacional o regional, por ejemplo en la:

 Determinación del futuro socio-económico de una región o país.


 Identificar campos de desarrollo y aplicación de la tecnología.
 Caracterización de las tecnologías futuras en un sector determi-
nado.
 Futuro del comercio internacional: nuevas modalidades.
 Caracterización de escenarios futuros de sectores industriales.

Empresarial en el análisis y comprensión de las fuerzas que operan en el


entorno y que determinan o determinarán los escenarios en los que de-
ben o deberán gestionar las empresas. Algunos ejemplos:

 Estrategia para la comercialización de un producto o servicio.


 Evaluación de la factibilidad de un proceso de transferencia de
tecnología.
 Evaluación de la factibilidad de una fusión o alianza.

9. Toma de decisiones. Interacción con el futuro, acciones dirigidas al esce-


nario más favorable. Para lograr una efectiva toma de decisiones se de-
be:
 Partir de un conocimiento profundo de las realidades del espacio a
caracterizar y de las herramientas y metodologías a emplear.
 Manejar tanto la inteligencia organizacional, como la prospectiva,
los pronósticos y la simulación de escenarios, consideradas éstas
como herramientas estratégicas.
 Emplear la simulación de escenarios para predecir o generar fu-
turos plausibles posibilitando la interacción con éste, permitiendo
alcanzar una mayor competitividad.
 Simular escenarios teniendo en cuenta que se trata de una de las
herramientas claves para la realización de pronósticos y la prácti-

116
ca de la prospectiva contribuyendo directamente en la reducción
del nivel de incertidumbre.

2. Selección de variables.

Los problemas que se abordan mediante simulación discreta son más complejos
que los sistemas tradicionales. En esos sistemas hay más elementos, más eventos
y más estados. Por ejemplo, un puesto en una línea de montaje puede estar en
diferentes estados: ocioso, trabajando, averiado, esperando a un operario, etc.
Igualmente, puede haber diferentes eventos: avería del puesto, fin de operación,
comienzo de operación, fin de reparación, etc. La generación de eventos y la modi-
ficación de estados son aspectos nucleares de la simulación de eventos discretos.
En el siguiente apartado se presentan todos los elementos de un modelo de simu-
lación de eventos discretos.
Para gobernar de forma sistemática estos cambios, un modelo de simulación cons-
ta de:
 El estado de sistema, es decir, un conjunto de variables que permitan des-
cribir el estado de los diferentes elementos del sistema.
 El reloj de la simulación, que es un contador que guarda registro del instan-
te en el que se encuentra la simulación.
 La lista de eventos, donde se almacenan los eventos que deben tener lugar
y cuando deben ocurrir (por ejemplo, la lista de eventos puede contener la
información siguiente “cuando el reloj de la simulación tome el valor 32.27
el llegar a una nueva llamada al sistema”).
 Un procedimiento de inicialización, es decir, un programa para que el esta-
do del modelo de simulación sea el deseado.
 Un procedimiento de actualización del reloj, para gobernar como avanza el
reloj de la simulación.
 Un procedimiento para la generación de eventos, para generar eventos a
partir de la ejecución de eventos previos y del cambio de estado de los
elementos del sistema.
 Procedimientos para la generación de valores de variables aleatorias.
 Un generador de informes, que por defecto ofrece información sobre el
comportamiento del sistema (contadores, niveles de ocupación, etc.)
 El programa principal, que gobierna la ejecución de todo el modelo e
invoca, cuando corresponde, a cada uno de los elementos interiores.

Todos los paquetes de simulación comerciales incluyen estos elementos y facilitan


enormemente el desarrollo y la explotación de modelos de simulación.

Variables de entrada. Variables de salida. Parámetros


Toda la información requerida por los modelos se puede clasificar de la siguiente
manera:
 Datos de entrada, que son aquellos datos que sirven para alimentar el
modelo, dentro de los cuales se pueden distinguir dos tipos.
• Los datos sobre los cuales el decisor no tiene control. Constituida por
datos que no se puede modificar.
• El valor de stock inicial, sobre el cual el decisor sí tiene control. De
hecho, se realizan estudios para determinar valores mejores o más
adecuados.
 Datos de salida, que son los datos que se obtienen al ejecutar el modelo.

Estos tres grupos de datos aparecen en cualquier estudio de simulación y se de-


nominan, respectivamente, variables de entrada, parámetros y variables de salida.

117
En general, los datos que alimentan y los que se obtienen de un modelo se definen
de la siguiente manera.
 Variables de entrada. Las variables de entrada son todos aquellos datos
de entrada sobre los cuales el decisor no tiene control. Por ejemplo: la fre-
cuencia con la que llegan las llamadas de a un centro de atención telefóni-
ca, el tiempo entre averías de una máquina, la demanda de un determinado
producto, etc.
 Parámetros. Los parámetros son aquellos datos de entrada sobre los cuales
el decisor tiene control. Típicamente, en un estudio de simulación se trata
de obtener un conjunto de valores de los parámetros (es decir, una configu-
ración del sistema) satisfactoria o buena de acuerdo con algún criterio. Por
ejemplo: el número de puestos de atención al cliente en una oficina, la can-
tidad de operarios con los que se cuenta en el sistema, el orden en que se
realiza un conjunto de operaciones (el embarque a un avión), etc.
 Variables de salida. Las variables de salida son todos aquellos valores que
permiten conocer la bondad del funcionamiento del sistema estudiado. Como
se ha dicho, con el desarrollo de un estudio de simulación se pretende ob-
tener una buena solución con respecto a algún criterio. Los valores de las
variables de salida permiten evaluar el sistema. Por ejemplo: el beneficio
derivado de una nueva instalación, el nivel de saturación de los controlado-
res aéreos, la productividad de una línea de montaje, etc.

Por ultimo, conviene notar que según el estudio del que se trata un mismo ele-
mento puede ser o bien una variable de entrada o bien un parámetro. Por ejemplo,
en el diseño de las instalaciones de un nuevo aeropuerto, la tasa de averías de las
máquinas que realizan el escaneado de las maletas puede ser un parámetro, ya
que en ese tipo de estudio se pueden emplear diferentes tipos de máquina, cada
una de ellas con su tasa de averías correspondiente. Sin embargo, en el rediseño
de las operaciones de control de equipaje de un aeropuerto existente (salvo si exis-
te la posibilidad de invertir en nuevas máquinas), el dato de la tasa de averías es
una variable de entrada Para desarrollar de forma correcta un estudio completo de
simulación, es importante, en cada caso, identificar cuáles son las variables de cada
tipo y cuáles son los parámetros.

Tema N° 2: Creación de una página de supuestos.

1. Organización de los ambientes.

Dondequiera que se utilice la simulación, es importante considerar la base concep-


tual para el uso. Por momentos, es fácil dejarse arrastrar por las posibilidades téc-
nicas de las herramientas, y las razones para utilizar la simulación para ciertos ob-
jetivos podrían no estar muy claras. En este texto, exploro los factores contextuales
que influyen en el uso de la simulación.

Cualquier escenario de simulación se integra en el contexto de un ambiente de si-


mulación. El ambiente de simulación puede ser un curso, un ambiente de investiga-
ción, una demostración de simulación; llamo ambiente de simulación a todas las
actividades que reúnen gente en el tiempo y espacio alrededor de un simulador.
Los ambientes educativos tienen el objetivo de brindar oportunidades de aprendiza-
je para los participantes; los ambientes de investigación apuntan a responder pre-
guntas de investigación; las demostraciones apuntan a difundir las novedades en
torno a la simulación.

118
Cada ambiente de simulación es una “práctica social”, en la que los humanos inter-
actúan entre sí, con el simulador y con otros equipos de acuerdo a ciertas normas,
tratando de alcanzar objetivos individuales o compartidos. En un ambiente de
aprendizaje, por ejemplo, encontrará reglas para los instructores y alumnos. Los
instructores son responsables de crear las oportunidades de aprendizaje, mientras
que los alumnos son responsables de absorber esas oportunidades. Sus interaccio-
nes se basan en estas normas fundamentales y en otras adicionales. Cuáles normas
son realmente relevantes para el ambiente de aprendizaje depende además del
contexto en el que se integren. Puede haber limitaciones y requisitos conceptuales
impuestos por los programas educativos en los que tiene lugar el curso; también
puede haber limitaciones físicas en términos del personal y del equipamiento dispo-
nible. Los programas educativos y recursos se ven influenciados por la profesión
que organiza la simulación y finalmente también por la cultura nacional. Por ejem-
plo, existen diferencias considerables en la forma en que se ve la relación instructor
– alumno en los diferentes países. El instructor puede ser visto como un maestro,
facilitador, entrenador, amigo, madre, etc.; el estudiante podría ser visto como un
socio, maniquí, cliente, carga de trabajo, etc. Cualquier uso de simulación tendrá
que tener en cuenta esos diferentes niveles de contexto, ya que dan forma a los
logros y objetivos y la forma concreta en la que se utiliza la simulación.

El ambiente de la simulación.

Un ambiente de simulación en sí mismo puede dividirse analíticamente en diferen-


tes fases, interconectadas. Se describirá las fases, utilizando un curso basado en
simulación como ejemplo.

Cualquier curso comienza en realidad antes de que lleguen los participantes, con la
sesión informativa previa. Con ella los participantes obtienen una especie de infor-
mación previa acerca del curso y la simulación en general que influirá en sus expec-
tativas. La información acerca del curso podría brindarse en la carta de invitación o
volante, pero también por medio de participantes anteriores del curso, rumores
acerca del curso, y mediante muchas rutas y fuentes de información. Esto también
es válido para la información acerca de la simulación. Algunos participantes pueden
tener experiencias previas con la simulación. Esta podría ser simulación en atención
de la salud, pero también el programa de simulación de vuelos de la computadora
hogareña, paseos en simuladores en parques de diversiones, etc. Como considera-
ción práctica, es importante saber, entender y usar efectivamente las diferentes
rutas para brindar dicha sesión informativa previa. No todas las fuentes están bajo
su control, pero algunas lo están y es útil usar efectivamente la sesión informativa
previa. Esto también puede lograrse enviando a los participantes, lecturas y mate-
rial de aprendizaje previos al curso, preguntándoles sus expectativas, y solicitando
ciertos elementos de conocimientos previos, etc.

119
En la Introducción al ambiente, llegan los participantes y reciben información acer-
ca de qué se trata el curso, los potenciales y los límites de la capacitación basada
en simulación, cómo se manejará el curso, etc. En esta fase, el principio es impor-
tante para establecer la escena para el curso completo. Cuanto más activo sea el
comienzo, más altas las posibilidades de que los participantes permanezcan activos
durante el curso. También es importante crear una atmósfera positiva, de bienveni-
da, que pueda combinarse muy bien con desafíos constructivos en el caso de po-
tenciales para mejoría. El ambiente de introducción también es adecuado para in-
vestigar las expectativas que se formaron los participantes durante la sesión infor-
mativa previa y para corregir potencialmente las presunciones equivocadas o que
no sean útiles, por ejemplo, cuando los participantes tienen miedo de que se los
evalúe pero usted no tenga la intención de hacerlo.

Durante la reunión informativa sobre el simulador los participantes llegan a conocer


el simulador y el entorno de simulación. Escuchan cómo utilizar al simulador como
una herramienta técnica, qué es “normal” en el simulador y cómo pueden interac-
tuar con el entorno, solicitar ayuda, etc. Esta fase es muy importante para ayudar a
los participantes a aprovechar al máximo la experiencia de simulación. Cuanto más
cómodos se sientan con el simulador, menos asustados o tensos estarán durante el
escenario. Es importante tomarse suficiente tiempo en esta etapa y ayudar a que
los participantes pierdan el miedo con respecto a usar el simulador, un indicador de
calidad en esta fase, que puede verse fácilmente. Al principio, los participantes po-
drían pararse lo más lejos posible del simulador. Sin embargo, al final, estarán to-
mando el pulso, auscultando al paciente, examinando pupilas. El maniquí de plásti-
co está camino a convertirse en paciente y se lo trata como tal.
El ingreso de teoría puede o no ser parte de los cursos; en general, lo es. Los parti-
cipantes obtienen un poco de información teórica sobre el contenido del curso, ej.
principios de CRM (gestión de ritmo cardíaco), algoritmos, antecedentes sobre dro-
gas y procedimientos específicos. Es una tarea interesante que los instructores de
simulación exploren los métodos para brindar contenido teórico por fuera del for-
mato de conferencia. Hay muchos métodos de aprendizaje activo disponibles; ¿qué
le parece si le pide a los participantes que construyan un collage de imágenes que
describan los diferentes aspectos del contenido teórico?

Durante las Reuniones informativas sobre los escenarios, los participantes reciben
información relacionada con el caso simulado en el escenario: Historia clínica del
paciente y problema, tareas a realizar, pero también el “aquí y ahora” del escena-
rio: ¿Dónde y cuándo tiene lugar? ¿Quérecursos hay disponibles? Los participantes
también obtienen información sobre su propio rol y los de la otra gente involucrada.
La Figura 2 brinda algunas preguntas que se utilizan en el teatro. Usted y los parti-
cipantes idealmente conocen las respuestas a todas la preguntas después de una
buena reunión informativa acerca de los escenarios (o tiene buenas razones educa-
tivas para dejar abierta alguna información). Si no están disponibles todas las res-
puestas, los participantes tendrán problemas para entender el escenario, así como
a veces es difícil en el teatro entender lo que está pasando sobre el escenario. La
reunión informativa sobre el escenario ayuda a los participantes a ingresar a la
realidad del escenario.

Las preguntas que ayudan a crear un escenario comprensible son:


 ¿Quién está actuando?
 ¿Qué se está haciendo?
 ¿Dónde tiene lugar la situación?
 ¿Cuándo tiene lugar la situación?
 ¿Por qué evolucionó esta situación?
 ¿Qué motivos sigue la gente?
 ¿Qué quiere obtener la gente?

120
Los escenarios forman la base del aprendizaje basado en la experiencia. El escena-
rio y el “debriefing” (reunión para charlar sobre lo ocurrido), juntos forman el nú-
cleo de la experiencia de aprendizaje durante la simulación, (si las otras partes del
ambiente de simulación admiten esta función). Los escenarios son más que casos
clínicos. Durante el diseño y la conducción del escenario, el equipo de simulación
debería mantener los objetivos educativos en mente. El objetivo no es crear un
escenario realista; eso es sólo un medio para algunos objetivos. Existen varios gru-
pos, el nuestro incluido, que brindan ayuda para diseñar escenarios al proporcionar
“guiones”.

En muchos casos puede ser “necesario alejarse del realismo para optimizar el
aprendizaje”. Muchos elementos no realistas tienen alto valor educativo. La posibi-
lidad de repetir directamente un caso no es realista, pero ayuda al aprendizaje. La
psicología del paciente también puede cambiarse (más obvia, más complicada,
cambios más lentos, etc.) para facilitar que los participantes logren el objetivo del
escenario. Como en una película, a los costados del equipo de simulación, debería
pasar poco o nada durante un escenario que no tenga un fin específico para mejo-
rar las oportunidades de aprendizaje de los participantes. Una regla de oro es man-
tenerlo sencillo. Los participantes con mucha frecuencia hacen algo inesperado que
hace que sea necesario “salvar el escenario”, traerlo de vuelta al plan original, o
quizá seguir la corriente y cambiar el escenario al vuelo, siempre que todavía pueda
alcanzarse el objetivo.

Debería haber sólo unas pocas ocasiones en las que sea necesario detenerse y vol-
ver a comenzar. Se pueden utilizar muchos “rescatistas” dentro de la lógica del es-
cenario y por lo tanto de una forma que no interrumpa la experiencia. El que
desempeña el papel de asesor podría estar volviendo a casa, escucha una conmo-
ción en la sala de simulación y simplemente aparece para ver lo que está pasando y
luego brinda un poco de ayuda en la resolución del problema.

El “debriefing”, es la discusión facilitada del escenario, incluyendo las reflexiones


sobre la experiencia durante el escenario y los comentarios posteriores por parte de
los participantes activos mismos, posibles observadores así como el facilitador. El
“debriefing” es un elemento clave en la simulación y distingue al ambiente de la
simulación de muchos ambientes de aprendizaje clínicos y la práctica clínica. Brinda
el tiempo y marco para el análisis sistemático del escenario y lo que salió bien o no
tan bien. El facilitador guía la auto reflexión de los participantes y la suplementa
con comentarios en algunos casos.

Los puntos de aprendizaje auto descubiertos son más importantes y la mayoría del
tiempo, cubren en gran medida, los comentarios que brindaría el facilitador. Existen
muchos métodos y estructuras posibles de acuerdo a los cuales puede realizarse el
“debriefing”. Una estructura que demostró ser útil en nuestra práctica fue descrita
por Barbara Steinwachs y describe tres fases en el “debriefing”: La fase de descrip-
ción, en la que los participantes reconstruyen lo que sucedió durante el escenario.
Este es con frecuencia un momento impresionante, donde los miembros del equipo
descubren a través del relato que percibieron el problema y el tratamiento del pa-
ciente de manera sustancialmente diferente.

Por ejemplo, algunos miembros del equipo podrían en realidad no haber estado al
tanto del hecho de que se administró cierto medicamento. Las preguntas típicas en
esta fase son: “¿Qué sucedió?” o “¿Qué estuvo bien o no tan bien?” La fase de aná-
lisis, es donde el grupo escarba con mayor profundidad en las causas y razones
para las acciones que tuvieron lugar. Las preguntas aquí ayudan a los participantes
a explorar por qué tuvieron éxito o no durante el escenario. Tienen en cuenta cómo
reproducir los puntos fuertes en otros contextos y cómo evitar los puntos débiles la
próxima vez, o por lo menos evitar aquellas debilidades que tuvieron consecuencias

121
negativas reales para el paciente. Durante esta fase, también es posible desafiar al
grupo de forma constructiva.

Mediante la exploración de los modelos mentales detrás de las acciones, a través


del intercambio de opiniones abiertamente en una conversación constructiva y con
sentido, los participantes y facilitadores pueden construir en forma conjunta un es-
pacio de aprendizaje reflexivo que permita un aprendizaje más profundo. Durante
el “debriefing”, idealmente, las acciones no sólo se prescriben en el sentido de “la
próxima vez, recuerda hacer x”. La fase de análisis consiste en ayudar a los partici-
pantes a averiguar, por qué no se hizo x y qué haría falta para que ellos hagan x la
próxima vez.

El simulacro de acciones no es el objetivo en muchos casos (aunque bien podría


serlo en algunos), sino que es un aprendizaje y cambio de los modelos mentales
bastante profundo. Otra pregunta interesante es cuánto aprendizaje y cambio pue-
de ocuparse de las cuestiones que van más allá de lo cognitivo, como las emocio-
nes, o las sensaciones corporales cuando se considera el aprendizaje. El objetivo
dominante es ayudar a los participantes a realizar aquellos cambios que incremen-
tarían la seguridad y calidad de la atención para sus pacientes.

Esto puede ser elementos de diagnóstico clínico y tratamiento, pero también abarca
la comunicación, administración de recursos, conciencia de la situación y otros as-
pectos orientados al factor humano. La seguridad siempre evoluciona de la interac-
ción entre lo humano, la tecnología y la organización. Esta interacción puede anali-
zarse en el “debriefing”. En la fase de aplicación, los participantes reflexionan sobre
los mensajes que pueden llevarse del escenario y el “debriefing”. Las preguntas
ayudan a explorar esos elementos deaprendizaje que pueden ser útiles en el am-
biente clínico. El grupo también podría tratar las dificultades que pueden surgir
cuando los participantes tratan de aplicar en el ambiente clínico lo que aprendieron
en el ambiente de simulación. Un “debriefing” típico podría llevar aproximadamente
el doble de tiempo que un escenario. La finalización del cursopodría verse como el
“debriefing” en general. Durante esta última fase se cierra el curso, se realizan re-
súmenes y los participantes obtienen alguna ayuda para aplicar lo que aprendieron
durante el curso. Nuevamente, podría debatirse lo que se pueden llevar del curso
los participantes y aplicar en la práctica clínica y cómo pueden lograr tal aplicación
del aprendizaje durante el curso.

Para optimizar la educación y capacitación basadas en la simulación, hay que opti-


mizar de forma conjunta las fases interconectadas del ambiente de simulación.
Donde la reunión informativa sobre el simulador tenga puntos débiles, podrían sur-
gir inconvenientes durante los escenarios porque los participantes pueden tener
problemas en usar adecuadamente el simulador. En consecuencia, el “debriefing”
podría ser menos efectivo ya que los participantes podrían perder la confianza en la
simulación, o frustrarse porque no pudieron tratar al paciente lo mejor posible en
principio, etc. El rol del instructor de simulación cambia a través de las diferentes
fases del ambiente de simulación, desde brindar instrucción al comienzo de un cur-
so hasta facilitar el aprendizaje durante el “debriefing”, por ejemplo.

2. Carga de entornos variables.

Partiendo de la premisa que sustenta que “los contextos situacionales de actividad


no se hallan determinados por el contexto físico, es más, son creados por partici-
pantes en el contexto”, se puede deducir que la actividad generada por los indivi-
duos, depende en gran medida de las circunstancias situacionales que confiere la
interacción con la realidad. Ahora bien, es pertinente resaltar que “las acciones que
componen una actividad no son sólo ejecuciones de tipo práctico, sino también de

122
tipo sensorial, representativo, conceptual, lingüístico o afectivo-emocional. Gene-
ralmente son la combinación interfuncional de todas ellas”.
En relación con los programas de simulación, estos pueden proveer un eje de cone-
xión entre el conocimiento y el mundo. Por esto, la actividad de los individuos se
genera en la interacción con el mundo y las relaciones causales de esta interacción
en respuesta a un evento simulado de la realidad.
Otro punto que se debe tener presente, es que los contextos físicos también modifi-
can la acción de los actores en la actividad. Para este caso, los simuladores compu-
tarizados facultan un determinado tipo de posibilidades que permiten su diseño y
manipulación a voluntad; permitiendo así que los usuarios generen actividad con-
trolada dentro de unos fines particulares. Este aspecto se torna en un elemento
positivo para nuestro caso, pues posibilita que la actividad educativa sea premedi-
tada y planeada para que el estudiante responda de una manera determinada en
relación con la situación y las posibilidades que el contexto le presenta. Con esto no
se dice que el simulador deba ser un plan secuencial que lleve de la mano al apren-
diz, sino más bien debe ser un entorno de oportunidades situacionales diseñadas
para posibilitar el fin, que es educar.
Esta característica permite diseñar modelos de instrucción dentro de la forma natu-
ral como las personas aprenden, pues, como se ha demostrado en variadas investi-
gaciones, “las personas inexpertas no actúan según planes (ni siquiera cuando ha-
bían leído las instrucciones), sino sobre la base de conjuntos de destrezas previa-
mente incorporadas que habían ido configurando en una trayectoria histórica de
acciones similares”.
Desde lo anterior, no es concebible interpretar los entornos de simulación como un
simple plan de instrucción, los entornos de simulación deben ser vistos como ele-
mentos de realidad que posibilitan el desarrollo de los contextos de actividad e in-
teracción significativa. Esta perspectiva permite la construcción del conocimiento
desde la misma interacción con el contexto, donde el “conocimiento supone una
experiencia específica y contextual [donde] nuestras acciones se producen no des-
de planes construidos racionalmente, sino sobre la base de nuestras propias destre-
zas incorporadas, que son sensibles al contexto”.
En definitiva, la actividad al marco de los entornos de simulación computarizada,
“ha de verse como la interacción con los artefactos e instrumentos bajo las circuns-
tancias sociales que los envuelven y no sólo como interacción entre sujetos sociales
(...). Los recursos e instrumentos, sobre todo los objetos informáticos y automati-
zados, son también mediadores y actuantes entre el mundo y los agentes”. Asi-
mismo, la actividad vista como la mediación entre contexto situacional, individuos y
el medio circundante, exige unos elementos mínimos para su desarrollo, Por lo tan-
to, un diseño metodológico apoyado con entornos de simulación como contextos de
actividad, debe por lo menos posibilitar los siguientes elementos:
 La percepción e interacción de y con la situación.
 Inmersión.
 Participación.
 Colaboración.
 Aprehensión de los contenidos como “cualidades perceptivas de los objetos,
materiales y procesos que componen la actividad; las relaciones especiales,
analógicas, casuales, asociativas o categoriales que mantienen con otros
elementos de la realidad”.
 El compromiso del aprendiz en la situación.
 El desarrollo de las acciones y operaciones que pueden ayudar a culminar la
tarea.

Con relación al hecho de que la actividad es un producto de la interacción del hom-


bre con su entorno, la realidad simulada se torna en una oportunidad para que los
individuos ajusten los instrumentos psicológicos y conceptuales a los requerimien-
tos situacionales. Es decir, estos entornos potencian la mediación instrumental so-

123
cialmente situada, convirtiéndose en el punto de apoyo para la generación de acti-
vidad consciente y significativa. En palabras de Vygotsky, la formación de los pro-
cesos psicológicos y el pensamiento conciente de los hombres, es un evento so-
cialmente situado en relación con los acontecimientos que su entorno le impone.
Visto de esta manera, los entornos de simulación computarizada -apoyados con un
adecuado diseño metodológico-, proporcionan al aprendiz un contexto variado de
posibilidades situacionales que motivan a generar actividad significativa.

Aquí las herramientas psicológicas se ponen a prueba mediante una exigente adap-
tación y ajuste a las condiciones situacionales de la realidad simulada. Es pertinente
resaltar que las affordances que el entorno pedagógico le debe proporcionar al indi-
viduo, tienen que ser muy ricas, convirtiéndolo así en un contexto de creación, in-
teracción, uso y aplicación de herramientas y, por consiguiente, motor que genera
pensamiento consciente. Asimismo, y con ya se ha dicho, no se puede confundir
esto con proporcionar elementos construidos como piezas de rompecabezas para
que el aprendiz les junte camino a culminar la actividad. Lo que debe proporcionar
el contexto son las herramientas de mediación, no la solución, es decir, elementos
que permitan al sujeto interpretar la situación y aprehender las oportunidades.

En análisis realizado por Nardi, B. se resalta el valor de una actividad, así como la
reciprocidad que existe entre los niveles presentados por Leontiev, A. (actividad,
acciones, operaciones), y los elementos que integran la construcción de un pensa-
miento consciente. Esto es, las situaciones generan actividad, estas a su vez genera
acciones que se materializan en operaciones, pero estas últimas en dependencia de
las circunstancias, generan nuevas acciones y nuevas actividades, y así sucesiva-
mente.

Si la actividad se desarrolla al marco de eventos reales y significativos, resulta


siendo un evento altamente consciente.

“Las acciones consisten en cadenas de las operaciones, que son rutinas habituales
bien definidas, usadas como respuestas a las condiciones generadas durante la eje-
cución de la acción. Cada operación es inicialmente una acción consciente, consis-
tiendo las fases de la orientación y de la ejecución, pero cuando el modelo corres-
pondiente es bastante bueno y la acción se ha practicado bastante tiempo, la orien-
tación de la fase estará en decadencia y la acción concurrirá en una operación, que
es mucho más fluida. Al poco tiempo, se crea una nueva acción que tendrá un al-
cance más amplio y contendrá la nueva operación, recientemente formada como
una sub-parte. Por otro lado, cuando las condiciones cambian, se genera la opera-
ción y vuelve otra vez al nivel de la acción consciente (de modo que no es un refle-
jo condicionado)”.

En el contacto de los individuos con un contexto de realidad, a diferencia de la in-


teracción que se desarrolla en un entorno descontextualizado, “las actividades es-
tán cambiando y se están convirtiendo siempre. El desarrollo está ocurriendo en
todos los niveles; las nuevas operaciones se forman de acciones anteriores mien-
tras que las habilidades de los participantes aumentan; correspondientemente, en
el nivel de acciones el alcance de nuevas acciones se está inventando y a la vez se
están incrementando, se están experimentando y se están adaptando como res-
puestas a las nuevas situaciones o posibilidades encontradas en el proceso de
transformar el objeto.”.

Por otro lado, cabe resaltar que el desarrollo de la actividad está necesariamente
mediado por los artefactos, esto es, los artefactos son mediadores del pensamiento
y del comportamiento humano; mas no ocupan el mismo espacio ontológico. Sin
embargo, los artefactos al igual que las herramientas sicológicas se especializan y
desarrollan en la interacción individuo-entorno, de modo que la actividad como un

124
proceso consciente, permite generar construcciones significativas a toda escala. Así
pues, si visualizamos los entornos de simulación como artefactos que posibilitan la
mediación del individuo con su entorno, podemos ver en dicha relación, una opor-
tunidad para ajustar la actividad y los elementos que la conforman y a la especifici-
dad situacional. De modo que en este caso, la actividad estará condicionada por las
posibilidades artefactuales y la relación reglada de estas posibilidades con el en-
torno.

Otro elemento primordial dentro de un sistema de actividad, es el contexto cultural.


La cultura forma parte de un marco socialmente establecido, hecho que da estruc-
tura a lo que piensa, lo que dice y lo que hace. Así pues, desde los sistemas de ac-
tividad, la condición de miembro de una comunidad establece la forma como se
perciben los acontecimientos en dependencia de la interpretación social y cultural.
En tal sentido, el individuo sitúa su comportamiento como miembro de esa comuni-
dad, adaptándose activamente a la condición cambiante de la situación. Al respec-
to, la teoría socio-cultural ha caracterizado la cultura como un legado de artefactos
destinados a mediar la conducta del hombre frente a su entorno situacional.
Por lo tanto, si se evalúa la interacción con el entorno de simulación desde sus po-
sibilidades o limitaciones con relación a la interpretación cultural, podemos entortar
dos estadios:

Primero, si estos entornos son vistos como artefactos de mediación dentro de la


actividad, la interpretación que se genera está en total dependencia del contexto
sociocultural y no de ellos mismos, es decir, el valor y la interpretación de dicho
artefacto depende del contexto cultural en el que es empleado.
Segundo, si estos espacios se consideran entornos de situación, desde las posibili-
dades operativas que ellos facultan, dicha situación está condicionada por el com-
portamiento real del sistema y por la interpretación que le imprime el contexto cul-
tural. Por lo tanto el simulador no condiciona su interpretación, ésta sigue siendo
cultural, además que dependerá de las herramientas conceptuales que trae el
aprendiz y no propiamente de la simulación.

Desde lo anterior, es pertinente resaltar que esta apreciación está condicionada por
las posibilidades representativas de dicho entorno con relación a la realidad. Por lo
tanto, si los simuladores computarizados responden a normas y reglas naturales, su
interpretación parte del sujeto en relación con la interpretación de dicha realidad -
ya sea cultural, situacional, social o de actividad-.

Ahora bien, partiendo de la premisa que sustenta que “la mediación cultural y el
hecho de que el pensamiento se funde en la actividad implican la especificidad con-
textual de los procesos mentales”, es de sospechar que los entornos de simulación
no coartan dicha especificidad, pues la actividad emergente no se repite aunque los
eventos a simular sean los mismos. Esto se torna en una característica positiva a la
hora reciclar el material dentro de la instrucción, pues la variedad de experiencias
está enmarcada dentro de las posibilidades que el diseño metodológico le imprime.
En conclusión, los entornos de simulación no impiden el flujo natural de la activi-
dad, así como tampoco imponen un repertorio de interpretaciones socio-
culturalmente establecidas; por el contrario, solo responden a unas reglas naturales
de comportamiento con relación a una situación. De modo que, se puede a firmar
que estos entornos cobran significado en dependencia de la actividad y del grupo
socio-cultural en el que son empleados.

Otra característica que hace de los entornos de simulación una herramienta ade-
cuada para ser integrada al proceso de enseñanza y aprendizaje, es que estos es-
pacios no coartan ni condicionan la interpretación de la situación ni la interacción de
los actores dentro de la actividad. Por otro lado, la aprehensión del significado, del
contenido, y por consiguiente del aprendizaje, no es impuesta por el software o por

125
el profesor, estos elementos son construidos con relación a la particularidad de di-
cho evento situacional que se genera de la interacción con la simulación.

Tema N° 3: Documentación del modelo


1. Selección de la información relevante.

Resulta cuando menos curioso el hecho de que un concepto tan empleado como el
de recuperación de información presente cierta confusión a la hora de establecer
una definición que lo sitúe adecuadamente dentro de este campo. Autores que me-
jor introducen este problema al considerar que “se trata de un término que suele
ser definido en un sentido muy amplio”.

En realidad, el profuso uso de este término, al igual que ocurre en otras disciplinas
con otros vocablos que también pueden parecer básicos, ha propiciado que el mis-
mo no se encuentre bien empleado en muchas ocasiones, ya que unas veces los
autores lo presentan como sinónimo de la recuperación de datos llevada desde la
perspectiva de las base de datos.

Otro conjunto de autores expresan las diferencias que, a su juicio, presentan am-
bos conceptos (con lo cual la definición de recuperación de información queda, en
cierto modo, supeditada a la anterior), un tercer grupo de autores la define de for-
ma muy genérica sin entrar en mayores consideraciones sobre estas diferencias, y
un cuarto y último grupo pasa de largo sobre este problema, profundizando más en
la explicación de los sistemas de recuperación de información (SRI en adelante).

El primer grupo de definiciones están muy influenciadas por la tecnología informáti-


ca, cuya evolución ha inducido a considerar sinónimos ambos conceptos, llegándose
a olvidar que se puede recuperar información sin procedimientos informáticos
(aunque no es lo más común hoy en día).

Aun así, el frecuente y necesario empleo de una tecnología no debe sustituir el ade-
cuado uso de los conceptos terminológicos.

Un segundo grupo de autores fijan diferencias. Algunos autores piensan que la re-
cuperación de la información es “una disciplina que involucra la localización de una
determinada información dentro de un almacén de información o base de datos”,
implícitamente, se establece que la recuperación de información se encuentra aso-
ciada con el concepto de selectividad, ya que la información específica ha de ex-
traerse siguiendo algún tipo de criterio discriminatorio (selectivo por tanto).

Otros redundan en esta tesis: “una típica tarea de la recuperación de información


es traer documentos relevantes desde una gran archivo en respuesta a una pregun-
ta formulada y ordenarlos de acuerdo con su relevancia”. Del mismo modo, indican
que recuperar información es “encontrar documentos relevantes, no encontrar sim-
ples correspondencias a unos patrones de bits”.

En recuperación de datos se emplean preguntas altamente formalizadas, cuya res-


puesta es directamente la información deseada. En cambio, en recuperación de
información las preguntas resultan difíciles de trasladar a un lenguaje normalizado
(aunque existen lenguajes para la recuperación de información, son de naturaleza
mucho menos formal que los empleados en los sistemas de bases de datos relacio-
nales, por ejemplo) y la respuesta será un conjunto de documentos que probable-
mente contendrá lo deseado, con un evidente factor de indeterminación.

126
Según la relación entre el requerimiento al sistema y la satisfacción de usuario, la
recuperación de datos es determinista y la recuperación de información es posibilis-
ta, debido al nivel de incertidumbre presente en la respuesta.

El éxito de la búsqueda, en recuperación de datos el criterio a emplear es la exacti-


tud de lo encontrado, mientras que en recuperación de información, el criterio de
valor es el grado en el que la respuesta satisface las necesidades de información del
usuario, es decir, su percepción personal de utilidad.

Se destaca un aspecto importante de las reflexiones de Blair, la importancia, en


ocasiones ignorada, que tiene el factor de predicción por parte del usuario, ya que
éste debe intuir, en numerosas ocasiones, los términos que han sido utilizados para
representar el contenido de los documentos, independientemente de la presencia
de mecanismos de control terminológico.

Este criterio “es otro de los elementos que desempeñan un papel fundamental en el
complejo proceso de la recuperación de información” y que no se presenta en el
campo de la recuperación de datos.

2. Diseño y ejecución de la narrativa.

Un diseño habrá de corresponder a un instante de orden, es una forma que


concreta el proceso creativo y el de comunicación . Pero esta forma no se
detiene, ya que nosotros, como creadores, continuamos pensando esa forma y
otras tantas maneras de modificarla, repetirla o mejorarla.

El diseño como objeto y mensaje, al igual que el espectador, también continúan su


flujo abriendo paso a nuevas potencias que habrán de convertirse en actos (instan-
tes o formas) para propiciar la aparición de más potencias .El creador de imáge-
nes no puede darse el lujo de ignorar que su diseño responde a la presencia de
una problemática inserta en un flujo . Es decir, una situación producto de
un proceso histórico y de la concatenación de tomas de decisión que obede-
cen a múltiples y complejos factores .

Además, deberá estar consciente de que la presencia de un objeto de diseño


propicia, como consecuencia, redes de conexiones de pensamiento y acciones
que, si bien pueden imaginarse como futuros escenarios probables, no pueden
determinarse . Incluso pensando en un momento presente, existirán muchas
variables que, a pesar de afectar en mayor o menor medida el funcionamiento de
nuestra producción, permanecen ocultas de nuestra visión y su papel en el
flujo de los problemas de diseño podría quedar condenado al desconocimiento pe-
rene.

El tiempo como un flujo continuo es una condición que permite la existencia de


ciertos elementos narrativos, principalmente la trama o lo que habrá de ocurrir du-
rante este movimiento temporal. Si la imagen estática comprende un instante
en el tiempo, éstas habrán de corresponder a un flujo continuo de imágenes que
no sólo se suceden, sino que se conectan unas con otras generando una red que
puede interpretarse y tener sentido para el espectador, pero cuando esas imágenes
no ofrecen posibilidad de conexión, ya sea lógica o incluso ilógica (si consideramos
a la lógica difusa, por ejemplo), no logran formar un sistema capaz de ofrecer una
narrativa cohesionada; lo proyectado en pantalla se convierte entonces, en una
colección de retazos que se tocan pero no se integran .

La narración no se trata de nada, es una suerte de eventos aislados produc-


to del descuido en la construcción de la dimensión temporal del relato . La conexión

127
entre instantes queda olvidada y la historia desaparece .Con lo expuesto hasta
el momento se tiene claro en la mente lo siguiente: si con el diseño se quiere co-
municar algo a alguien, éste debe de significar algo para ese alguien .Una de las
posibles rutas para lograr esto, es el diseño de narrativas visuales, entendidas és-
tas como el diseño de estructuras de relaciones lógicas que permiten al usuario
conectar las imágenes presentadas con las propias y así poder dar sentido al men-
saje expuesto.

La construcción de este sentido habrá de ser un fenómeno realizado por la


memoria, capaz de conectar diversos instantes, esta conexión es un movimiento
que comprende la concatenación de causas y efectos, de tal suerte que el especta-
dor pueda comprender lo que ocurre en la pantalla frente a la cual se encuentra.

Aquello que ocurre se encuentra inscrito en el tiempo del relato .El tiempo con su
comprensión metafísica y cultural, permite la elaboración de redes de conexión en-
tre instantes que constituye un todo que fluye en continuidad con las cargas de
creencias, ideas e imágenes que las audiencias puedan tener.

Estos sujetos no sólo habrán de poder realizar esas conexiones, sino también en-
contrar en ellas algún sentido que promueva la acción de su parte .Al obtener el
circuito anterior, la comunicación deja de ser potencia para verse concretada en
acto .Lo anterior pertenece a la esfera de lo abstracto.

Para poder concretar en actos pedagógicos la construcción de un acceso a la explo-


ración de estructuras de ordenación de la realidad, se propone la realización de tres
actividades: el estudio de la historia, la lectura de narrativas y el acto de ver. Pare-
cerán elementos fatuos, sin embargo, se encuentran atravesados por un estudio de
gran complejidad: el del tiempo.

Si bien el diseñador puede dedicar su atención a la elaboración de imáge-


nes fijas, el tiempo como flujo le permitirá tener una comprensión mayor de su
contexto, ya que podrá acceder a diversas lógicas por medio de las cuales, se orde-
nan (y desordenan) los elementos visuales en distintos entornos y a la manera en
que son significados por muy diversas clases de espectadores y usuarios .

Si se continúa sesgando el estudio del diseño e inscribiéndolo exclusivamente en


una visión de los instantes inmediatos, el diseño habrá de ser un proceso limitado
en el mejor de los casos .Al encerrarlo en posturas parciales y estáticas, el diseño
gráfico se aleja de una comprensión profunda de los fenómenos que aborda.

Queda impedida también la posibilidad de diagnosticar problemáticas de manera


integral, así como la construcción de una visión estratégica .En general, una
visión fragmentada del flujo del tiempo no permitirá construcción prospectiva
alguna con respecto a los procesos y objetos del diseño de la comunicación gráfica.

El diseño está siempre en movimiento y se trata de algo; el problema es que en


ocasiones, los diseñadores pasan esos detalles por alto.

128
LECTURA SELECCIONADA N° 1

Análisis de la Entrada en Simulación Estocástica.

David F. Muñoz - Instituto Tecnológico Autónomo de México – México. Di-


ana Villafuerte - The University of Texas at Austin – USA.

INSTRUCCIONES:

1. Haz clic aquí para acceder al texto completo:


http://www.scielo.cl/pdf/infotec/v26n1/art03.pdf

Lee atentamente la lectura, reúne la información obtenida en un organiza-


dor de conocimiento.

TAREA ACADEMICA No 2:
Elaborar de un modelo de simulación, con orígenes de datos e in-
terfaz gráfica de usuario.
INSTRUCCIONES:
1. Observa los videos:
https://www.youtube.com/watch?v=jB4IO9FGuiY
https://www.youtube.com/watch?v=Wml0hId802o
https://www.youtube.com/watch?v=_lKjWIxjcsI
https://www.youtube.com/watch?v=HNrCwUvaGmY
2. En base a los contenidos aprendidos en clase y de las video-clases
Elaborar de un modelo de simulación, con orígenes de datos e in-
terfaz gráfica de usuario.

BIBLIOGRAFÍA

BASICA

Gordon G. (1984). Simulación de Sistemas. México: Diana.

Newell M. (1975). Técnicas de simulación en administración y economía. México:


Ed. Trillas.

Law A.M.,& Kelton W.D. (1991). Simulation Modeling & Analysis, United States of
America, New York: McGraw-Hill Inc.

Parry, J. H.,& Sherlock, P. (1976). Historia de las Antillas. Buenos Aires, Argentina:
Kapelusz.

Payne J. A. (1982). Introduction to simulation. United States of America, New York:


Mc Graw Hill.

129
SOKOLOWSKI J.A. (2009). Principies of Modeling and Simulation A mul-
tidisciplinary Approach. United States of America, New Jersey: Wiley and Sons Inc
Publication Hoboken.

THOMPSON J. R. (2009). Simulation A Modelers Approach. United States of Ameri-


ca, New York: Wiley Inter-science Publication.

Watson H.J., & Blackstone J.H. (1989). Computer Simulation, United States of
America, New York: John Wiley & Sons.

Watson J.& Blackstone W. (1989). Computer simulation. United States of America,


New York: John Wiley & Sons.

COMPLEMENTARIA

Coss Bu R. (2003). Simulación Un Enfoque Práctico. México D.F.: Limusa S.A.

Creus A. (2008). Simulación y Control de Procesos por Ordenador. México: Alfa


Omega.

Fiera M. (2003). Modelado y Simulación. Madrid: Ediciones UPC.

García F. (2005) Simulación de Sistemas. México D.F.: Compañia Editorial Conti-


nental S. A.

Gottfried, B.S. (1984). Elements of stochastic process simulation. United States of


America: New York: Prentice-Hall.

Hoover R. F. (1990). Simulation a problem-solving approach. United States of


America: New York: Addison Wesley.

Nigel G. (2006). Simulación para las Ciencias Sociales España: McGraw-Hill.

Kelton D. (2008). Simulación con Arena. México: McGraw-Hill.

Law M. A.,& Kelton W.D. (1991). Simulation modeling and analysis. United States
of America: New York: Mc Graw Hill.

Pazos J. (2003). Teoría de Colas y Simulación de Eventos Discretos. Madrid: Pear-


son Education.

Press W.H.,& Flannery B.P,& Teukosky S.A,& Vetterling W.T. (1992). Numerical
Recipes in C. United States of America, New York: Cambridge.

Ríos D. (2008). Simulación Métodos y Aplicaciones. Madrid: Alfaomega Ra-Ma.

130