2 A0518 MA Finanzas Industriales ED1 V1 2015

Simulación
Guillermo Elias Jaramillo Cabrera

Simulación. Manual Autoformativo
Guillermo Elias Jaramillo Cabrera
Primera edición
Huancayo, agosto de 2016
De esta edición
© Universidad Continental, Modalidad Virtual
Av. San Carlos 1980, Huancayo-Perú
Teléfono: (51 64) 481-430 anexo 7361
Correo: recursosucvirtual@continental.edu.pe
http://virtual.ucontinental.edu.pe/
Dirección: Emma Barrios Ipenza

Edición: Eliana Gallardo Echenique
Asistente de edición: Andrid Poma Acevedo
Asesoría didáctica: Luisa Aquije de Lozano
Diseño y diagramación: Francisco Rosales Guerra
Todos los derechos reservados. Cada autor es responsable del contenido de su propio texto.
Este manual autoformativo no puede ser reproducido, total ni parcialmente, ni registrado en o

transmitido por un sistema de recuperación de información, en ninguna forma ni por ningún
medio sea mecánico, fotoquímico, electrónico, magnético, electro-óptico, por fotocopia, o
cualquier otro medio, sin el permiso previo de la Universidad Continental.
ÍNDICE
INTRODUCCIÓN 7
RESULTADOS DEL APRENDIZAJE: 8
UNIDADES DIDÁCTICAS: 8
TIEMPO MINIMO DE ESTUDIO: 8
UNIDAD I: “INTRODUCCIÓN AL MODELADO Y SIMULACIÓN.” 9

DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD I 9
ORGANIZACIÓN DE LOS APRENDIZAJES 9
TEMA N° 1: Principios básicos de la construcción de modelos. 10
1 La simulación como herramienta científica. 10
2 Beneficios generales de la simulación. 11
Tema N° 2: Definición de los principales componentes de los modelos. 13

1 Introducción a los modelos. 13
2 Metodología del modelamiento. 15
LECTURA SELECCIONADA N° 1 20
ACTIVIDAD formativa N° 1 20
Tema N° 3: Estructuración de los principales componentes de los modelos. 21
1 Proceso de modelización. 21
2 Elementos de un sistema 22
3 Modelo 22
4 Uso del software de modelamiento 24
Tema N° 4: Ejecución de un modelo de simulación. 27

1 Uso de Herramientas de modelado. 27
2 Construcción de un modelo 31
RUBRICA DE EVALUACIÓN DEL ORGANIZADOR DE CONOCIMIENTO. 38
BIBLIOGRAFÍA DE LA UNIDAD I 39
AUTOEVALUACIÓN DE LA UNIDAD I 40
UNIDAD II: “PREPARACIÓN Y PRUEBAS SOBRE LOS MODELOS.” 43

DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD II 43
TEMA N° 1: Diseño de la realimentación. 45
1 Sistemas realimentados. 45
2 El feedback y la evaluación continua 47
TEMA N° 2: Uso de la realimentación. 49
1 Estructuras que describen comportamientos. 49
2 El modelo de crecimiento exponencial 49
ACTIVIDAD FORMATIVA N° 2 61
Tema N° 3: Organización de pruebas sobre un modelo. 62
1 Herramientas de Análisis. 62
Tema N° 4: Ejecución de pruebas diversas sobre un modelo. 65

1 Diseño de pruebas. 65
2 Ejecución de pruebas. 67
Tema N° 5: Gestión de módulos 72
1 Complejidad de los modelos. 72
Tema N° 6: Diseño de módulos 74

1 Criterios de selección de componentes. 74
ACTIVIDAD FORMATIVA N° 3 77
AUTOEVALUACIÓN DE LA UNIDAD II 77
UNIDAD III: “INTERACCIÓN DEL MODELO Y SU ENTORNO.” 79

DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD III 79
ORGANIZACIÓN DE CONTENIDOS 79
Tema N° 1: Importación y exportación de datos en archivos de bases de datos. 80
1 Preparación del repositorio. 80
2 El proceso de importación. 82
3 El proceso de exportación. 92
Tema N° 2: Creación de la interfaz de interacción de los modelos y el usuario final. 94

1 Necesidad del uso de un modelo. 94
Tema N° 3: Diseño y creación de la Interfaz gráfica de usuario 98
1 Criterios de diseño. 98
2 Organización de la interfaz. 99

ACTIVIDAD N° 4 101
AUTOEVALUACIÓN de la UNIDAD III 102
UNIDAD IV: “FINALIZACIÓN Y PUESTA A PUNTO DEL MODELO.” 103

DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD IV 103
Tema N° 1: Creación de un ambiente de simulación. 104
1 Análisis de variables. 104
2 Selección de variables. 107
Tema N° 2: Creación de una página de supuestos. 109

1 Organización de los ambientes. 109
2 Carga de entornos variables. 112
Tema N° 3: Documentación del modelo 115

1 Selección de la información relevante. 115
2 Diseño y ejecución de la narrativa. 116

BIBLIOGRAFÍA DE LA UNIDAD IV 117
AUTOEVALUACIÓN N.º 4 118
ANEXOS: CLAVES DE RESPUESTAS DE LAS AUTOEVALUACIÓNES 119
Simulación
MANUAL AUTOFORMATIVO 7
INTRODUCCIÓN
E
n el mundo actual, tanto en el área de los ne- las necesidades cambiantes de ese medio ambiente en el
gocios, como en la industria y el gobierno, los que está insertado.
proyectos en gran escala y de gran complejidad
son la regla y no la excepción. Cada nuevo sistema lo modifica y crea en él nuevas ne-
cesidades. El sistema para poder subsistir debe adaptar-
Estos proyectos complejos requieren estudios previos a se a los cambios. Uno de los objetivos de la simulación es
su construcción o modificación, denominados estudios realizar ensayos de cambios en el sistema probándolos
pilotos. Tales estudios pilotos se realizan utilizando la en el modelo, con el fin de elegir la mejor alternativa,
técnica llamada modelización, es decir, construcción de y así enfrentar mejor a una realidad que varía día a día.
modelos donde se realiza el estudio con el fin de obte-
ner conclusiones aplicables al sistema real. Construido En esta breve introducción se destacan tres conceptos fun-
el modelo, el proceso de ensayar en él una alternativa se damentales, que constituyen el eje de esta publicación y
llama simular. sobre los cuales se da el curso de simulación de sistemas.
El conjunto de alternativas que se definen para su ensa- Los contenidos propuestos en este material de estudio,
yo constituye la estrategia de la simulación. Los objeti- sintetizan los diversos campos de aplicación de la simu-
vos del proyecto definen cuál es el sistema y cuál el me- lación que tenemos como ingenieros y obliga al estu-
dio ambiente que lo rodea. El sistema procura satisfacer diante a buscar mayor información en los textos pro-
puestos.
8
DIAGRAMA DE PRESENTACIÓN DE LA ASIGNATURA

Diagrama Objetivos Inicio
RESULTADOS DEL APRENDIZAJE:

Desarrollo
de contenidos
Actividades Autoevaluación
Define, analiza, diseña, desarrolla y valida adecuadamente diferentes tipos de modelos de sistemas con el propósito
de utilizarlos en la ejecución de experimentos de simulación. Ejecuta con eficacia experimentos de simulación com-
putacional
Lecturas
para Bibliografía
Glosario
reducir la incertidumbre en la solución de problemas en diversas áreas del conocimiento humano.
Demuestra
seleccionadas
una actitud de respeto por los demás, las normas de seguridad y el medio ambiente.
UNIDADES DIDÁCTICAS:
Recordatorio Anotaciones Chat
UNIDAD I UNIDAD II UNIDAD III UNIDAD IV
Introducción al modelado y Preparación y pruebas sobre los Interacción del modelo y su Finalización y puesta a punto del
simulación. modelos. entorno. 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
Simulación
UNIDAD I: “INTRODUCCIÓN AL MODELADO Y SIMULACIÓN.”

Desarrollo Actividades Autoevaluación
de contenidos
Lecturas
DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD I
Glosario Bibliografía
seleccionadas
CONTENIDOS EJEMPLOS ACTIVIDADES

Recordatorio
de contenidos Anotaciones Chat
AUTOEVALUACIÓN BIBLIOGRAFÍA
Lecturas Glosario Bibliografía
seleccionadas
ORGANIZACIÓN DE LOS APRENDIZAJES

CONOCIMIENTOS PROCEDIMIENTOS ACTITUDES
Video de presentación de la asignatura 1. Utilizar los principios básicos de la 1. Valora la importancia de crear modelos
Unidad I: “Introducción al modelado y
de contenidos
construcción de modelos. que permitan simular situaciones de la
simulación” 2. Diferenciar los componentes de la vida real.
1° Video clase (Video conferencia) construcción de modelos, de acuerdo a 2. Comprende el uso de la simulación y su
su naturaleza. importancia dentro el ámbito de su carrera
Tema N° 1: Principios básicos de la construc- y del quehacer humano para lograr una
Lecturas Glosario
ción de modelos. Bibliografía Actividad N° 1
seleccionadas
cultura de calidad.
1. La simulación como herramienta cientí- Elaborar un diagrama de influencias y de
Forrester de un caso, propuesto y elegido por 3. Fomenta el trabajo en equipo sus conoci-
fica. mientos para la realización de modelos de
el mismo estudiante.
2. Beneficios generales de la simulación. simulación de casos de la vida real.
Tema N°Anotaciones
2: Definición
Recordatorio
de los principales
Chat
componentes de los modelos.

1. Introducción a los modelos.
2. Metodología del modelamiento.
Lectura seleccionada 1
Martín Reina, D. (2011) El arte de la simu-
lación científica. Universidad de Sevilla:
España. Disponible en http://laaventuradela-
ciencia.blogspot.pe/2011/08/el-arte-de-la-si-
mulacion-cientifica.html
2º Video clase 3. Emplear los conocimientos adquiridos

Tema N° 3: Estructuración de los principales y organizarlos en los principales compo-
componentes de los modelos. nentes como stocks y variables.
1. Proceso de modelización. 4. Utilizar el simulador para elaborar un
modelo.
2. Uso del software de modelamiento.
Control de Lectura Nº 1
Tema N° 4: Ejecución de un modelo de
simulación. Presentación de un resumen, a través de un
organizador de conocimiento, de una de las
1. Uso de Herramientas de modelado. lecturas propuestas.
2. Construcción de un modelo.
Velásquez Costa, José Antonio (2009).
Software para el modelamiento, simulación
y programación de aplicaciones robotizadas.
Disponible en: www.redalyc.org/articulo.
oa?id=81620149005
Autoevaluación Nº 1
10 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 des-
pués 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 reac-
ción del proceso real a ellos.
Por ejemplo, al diseñar un avión, el diseñador puede resolver varias ecuaciones que describen la aerodinámica del
avión. O, si aquellas ecuaciones son demasiado difíciles de resolver, se puede construir un modelo a escala y observar
su conducta en el túnel de viento. En la simulación, nosotros construimos modelos matemáticos que no se pueden re-
solver y los corremos con datos de prueba para simular la conducta del sistema. Otros ejemplos: la prueba de medicinas
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 apro-
piadas se pudieran utilizar. No es difícil pensar en situaciones de toma de decisiones tan complejas que es imposible la
solución matemática, dado el estado actual del arte en las matemáticas. En estos casos la simulación ofrece alternativas
razonables.
En muchas situaciones, las soluciones que resultan de simplificar las suposiciones son apropiadas para el que toma la
decisión; en otros casos, simplemente no lo son.
La simulación es un sustituto apropiado para la evaluación matemática de un modelo en muchas situaciones. Aunque
también involucra suposiciones, éstas son tratables. El uso de la simulación nos permite proporcionar una percepción
clara a ciertos problemas de toma de decisiones donde la evaluación matemática 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 soluciones óptimas o mejores, como se
hace en la programación lineal. En su lugar 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.
• Los modelos de simulación generalmente se centran en las operaciones detalladas, ya sean físicas o financieras,
del sistema. El sistema se estudia mientras 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 experimentos 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 elabora una serie de productos. Un modelo
de programación lineal podría desarrollar la combinación óptima de productos. Un modelo de simulación detallado
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 procesamiento
y otros detalles que no pueden incluirse en la formulación de la programación lineal.
De aquí la importancia de tratar una de las herramientas de la ciencia de la administración, utilizada con mayor fre-
cuencia, 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 cor-
poraciones, los medianos y pequeños negocios puedan subsistir o fortalecer sus ventajas competitivas, sus directivos
Simulación
UNIDAD I: “INTRODUCCIÓN AL MODELADO Y SIMULACIÓN.” MANUAL AUTOFORMATIVO 11
o dueños tienen que emplear los medios y los procesos adecuados para levantar datos sobre la operación y funciona-
mientos de sus organizaciones y el medio ambiente que las rodea. Posteriormente se procesan esos datos para conver-
tirlos en información que les permita identificar nuevas oportunidades para hacer negocios y concretizarlas mediante
la asignación óptima de los recursos disponibles de sus organizaciones.
El mundo de hoy pide productos y servicios de excelente calidad, de bajo precio, a la medida del cliente y con un
tiempo de entrega inmediato. En este ambiente de negocios los directivos requieren de herramientas de análisis para
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 pre-
sente 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 admi-
nistrar más efectivamente el comportamiento aleatorio de los elementos internos de su organización o el de los com-
ponentes 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 empleo requiere del diseño de un modelo del sistema bajo estudio, de la ejecución de
dicho modelo en una computadora bajo condiciones específicas de experimentación y del análisis de los resultados
arrojados por el proceso de experimentación con el objetivo de brindar pautas de comportamiento en la toma 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 estudiado
dicho sistema por lo general se efectúan suposiciones sobre su comportamiento, las cuales llegan a tomar una forma
matemática y constituir un modelo que es utilizado para poder comprender con mayor facilidad el comportamiento
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 evaluados analíticamente. Surge aquí la posibilidad de que dichos modelos pueden ser estu-
diados 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 mencionamos, 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 rigen.
La simulación ha evolucionado hasta alcanzar una gran complejidad y se ha podido utilizar para resolver problemas en
disciplinas asociadas no sólo al diseño, planeación y control de sistemas de manufactura, sino en otras como Mercado-
tecnia, 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 necesario 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 posible 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 resistencia.
• Si sólo es un sistema propuesto no es necesario construirlo físicamente.
• Es una herramienta de entrenamiento efectiva.
• SIMPLIFICACIÓN de los procesos productivos.
• EVALUACIÓN de diseños alternativos de sistemas.

Simulación
Tema N° 2: Definición de los principales componentes de los modelos.
1 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 co-
nectado. 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 cua-
les tienen un gran número y complejidad 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 cuales también pueden ser bastantes complejos, pero estos sistemas no-vivientes no están ligados
tan profundamente con los sistemas que los rodean. Los sistemas novivientes hecho-por-el hombre son más autóno-
mos que los sistemas naturales, de los cuales podemos pensar que son más abiertos en sus conexiones 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 colec-
ción de componentes y no un sistema. Por ejemplo, si quitamos los limones de un canasto lleno de cítricos, tendremos
menos cítricos, pero no ha habido 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 manzanas, en-
tonces tendríamos algo más que cítricos en la canasta lo cual ha hecho que cambie la naturaleza del canasto, ya no es
más una colección de cítricos.
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 pueden 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 específi-
co 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 subdividir un sistema y tener automáticamente dos sistemas
más pequeños con funcionamiento 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 ajustes. Los sistemas buscan mantener su estabili-
dad. Por ejemplo: una organización 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 caracterís-
tica más importante de la regeneración 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 realimentaciones en entre sí mismo y los sistemas externos. En algunos sistemas, la realimen-
tación y los ajustes de procesos suceden tan rápidamente que es relativamente 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 elementos 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; políticas de la empresa; flujos de información;
interacciones interpersonales; y estados internos de la mente tales como sensaciones, sentimientos, valores, y creen-
cias.
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 mayor, 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 uno o varios suprasistemas en base al contexto del sistema bajo estudio.
b. De acuerdo a sus límites:
· Fronteras del sistema: Son los límites del sistema bajo estudio. Es la línea 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 elementos pueden considerarse permanentes a
través del tiempo.
Simulación
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 alta-
mente dependiente del medio ambiente.
• Sistema cerrado es aquél que es totalmente independiente del medio ambiente.
Por la influencia de la salida en la entrada del sistema:
• Un sistema abierto está caracterizado por salidas que responden a las entradas; pero donde las salidas están aisladas
y no tienen influencia en las entradas.
• Un sistema cerrado está influenciado por su propio comportamiento pasado (también llamado sistema de retroa-
limentación). Un sistema cerrado tiene una estructura de ciclo cerrado que trae resultados de acciones pasadas al
sistema para controlar futuras acciones.
2 Metodología del modelamiento.
Los sistemas se construyen en base a estructuras que dejan evidencia de su presencia. Resulta difícil describir el con-
cepto 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 interre-
laciones de las partes de un sistema 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 podemos observar que suceden en el mundo que nos rodea.
Eventos
Solo se puede reaccionar a un evento nuevo en lugar de anticiparlo y darle forma. Lo que es más, las soluciones diseña-
das en un nivel de evento tienden a ser de breve duración. Y lo que es más importante, no hacen nada para modificar
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. Siempre 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 patrón, en comparación con el nivel de eventos es
que el detectar un patrón ayuda 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 rela-
cionados 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 pensamiento a un pensamiento a nivel estructura.
Estructuras
Es aquí donde está el poder del pensamiento a nivel de estructuras: las acciones 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 acciones de apa-
lancamiento pueden encontrarse solamente en el nivel de estructura. El apalancamiento es un concepto relativo, no
un absoluto. Nuestra capacidad 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 con-
centrarnos en el presente, en el nivel de eventos. Pero, si hiciéramos solamente eso, las acciones serían consideradas
de un apalancamiento bajo para la perspectiva del largo plazo. El arte de pensar en el nivel de una estructura sistémica
viene con el conocimiento 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 compleji-
dades dinámicas y sus interdependencias.
Principios del pensamiento sistémico
En general, el pensamiento de los sistemas es caracterizado por estos principios:
• Pensar con una visión “ampliada” (“big picture”). Implica ser capaz de dar un paso atrás del acontecimiento y mi-
rarlo 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 sistema 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 sistémico muestra que los comportamientos
que condice al éxito en el corto plazo afectar el éxito de acciones a largo plazo. Al pensar en cualquier decisión,
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 ambos. 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 sistemas. Si vemos al mundo de manera
sistémica, vemos que todos es dinámico, 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 cada 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 problemas. 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 involunta-
ria 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 sobre 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 lenguaje,
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 impor-
tante, 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 comportamiento sobre el tiempo. Estos diagra-
Simulación
mas son ricos para mostrar implicaciones y consecuencias, permitiendo un mejor entendimiento. Hacen énfasis en
la dinámica del problema y no en las culpas individuales.
• Abre una ventana nueva en nuestros esquemas mentales, traduciendo nuestras percepciones individuales a imáge-
nes 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 compor-
tamiento observado, junto con las relaciones 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.
Como hemos dicho es importante empezar a hacer versiones que poco a poco 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 relaciones causales existentes entre ellas, se
pasa a la representación gráfica de las mismas. En este diagrama, las diferentes relaciones están representadas por fle-
chas entre las variables afectadas por ellas.
Esas flechas van acompañadas de un signo (+ o -) que indica el tipo de influencia ejercida por una variable sobre la
otra. Un signo “+” quiere decir que un cambio en la variable origen de la flecha producirá un cambio del mismo senti-
do en la variable destino. El signo “-” simboliza que el efecto producido será 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 positiva.
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, retroalimentación 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 negativo porque está dirigido a conseguir un
objetivo, llenar el vaso sin que se exceda. Los bucles negativos actúan como elementos estabilizadores de los sistemas
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 “negativas” 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 positivos lo hacen inestable, con independencia
de la situación de partida.
En la realidad los sistemas contienen ambos tipos de bucles y el comportamiento final dependerá de cual es el domi-
nante 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 colapso 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.
El concepto de bucle es muy útil porque nos permite partir desde la estructura 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 diabetes
o el cáncer, variaciones de los precios de las materias primas y el crecimiento económico.
Pero la utilidad más importante de esta concepción es comprender como la estructura de los sistemas provoca su com-
portamiento. En un mismo mercado, en un mismo año, varias empresas que ofrecen el mismo producto presentan
resultados económicos muy diferentes. Los gerentes menos competentes argumentan 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 provocado 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 consumo 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 incontrolables por nosotros. Lo que ocurre es que si el mismo que expone el argumen-
to de la causa externa cree verdaderamente en lo que dice, no podrá identificar la verdadera causa del problema–den-
tro 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 po-
sitivo que permite un rápido crecimiento exponencial, al que sigue una fase de estabilidad dominada por un bucle
negativo 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 ca usal 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.
Tasa de Nacimientos
Natalidad
Población
Tasa de
Mortalidad
Muertes
Figura N°1. Ejemplo de Diagrama causal

Fuente: Autoría propia
Diagramas de Forrester.
población
nacimientos defunciones
esperanza de vida
tasa de natalidad
Figura N°2. Ejemplo de un Diagrama de Forrester o Diagrama de Flujos
Simulación
El Diagrama de Flujos, también denominado Diagrama de Forrester, es el diagrama característico de la Dinámica de

Sistemas. Es una traducción del Diagrama Causal a una terminología que permite la escritura de las ecuaciones en el or-
denador para así poder validar el modelo, observar la evolución temporal de las variables 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”, (personas/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 haciendo 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
auxiliares tipo constante que es más sencillo. Este es todo el procedimiento. Ahora veremos con más detalle como se
representan estos elementos.
Los “Niveles” son aquellos elementos que nos muestran en cada instante la situación del modelo, presentan una acu-
mulación 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 socioeconómicos 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 asintó-
tica, mientras que un retardo de tercer orden conduce a una curva sigmoidal. En cierta forma los retardos de informa-
ción actúan como filtros alisadores de la variable de entrada.
20 Diagrama Objetivos Inicio

de contenidos
LECTURA SELECCIONADA N° 1
seleccionadas
Leer artículo: El arte de la simulación (científica)
Martín Reina, D. (2011) El arte de la simulación científica. Universidad de Sevilla: España. Disponible en http://laa-
venturadelaciencia.blogspot.pe/2011/08/el-arte-de-la-simulacion-cientifica.html
Lee atentamente la lectura y observa los videos incrustados, reúne la información obtenida en un organizador de co-
nocimiento.
ACTIVIDAD formativa N° 1
de contenidos
1. Elaborar un diagrama de influencias y de Forrester de un caso, propuesto y elegido por usted mismo señor estu-
diante. Complementa la información observando el vídeo “DINAMICA DE SISTEMAS–diagrama causal y diagra-
Lecturas
seleccionadas
ma Forrester
Glosario Bibliografía CASO PRACTICO”.
INSTRUCCIONES:
Recordatorio 1. En base
Anotaciones Chata 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 sistema que has elegido modelar. (haz
clic en el siguiente link) https://www.youtube.com/watch?v=h2gH3h3599k
Simulación
Tema N° 3: Estructuración de los principales componentes de los modelos.
1 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
denominadas 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 para 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 sistema 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 cuan-
do 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 compor-
tamiento. 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 in-
fluencia 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 complicado, 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 están compuestos de varios subsistemas, y segundo porque la mayoría de los sistemas 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 determinada, 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 funcionamiento en forma total, no hay ra-
zón 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 aquellos objetos que están fuera de la frontera
del sistema, pero que pueden influenciarlo. De ahí que un sistema pueda ser visto como una colección de objetos que
interactúan 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.
2 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 productos, 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 ejemplo: personal, equipo, herramientas, ener-
gía, 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 políticas, planes u horarios, mientras que en un nivel bajo están en forma de procedimientos o programas.
Medidas del rendimiento de un sistema: el rendimiento de un sistema se mide por su efectividad y eficiencia en alcan-
zar 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 interdependientes, no es posible conocer la res-
puesta del sistema estudiando aisladamente a cada elemento es por esto que se requiere realizar un enfoque de siste-
mas 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.
3 Modelo
Los modelos son abstracciones de los sistemas. Para poder diseñar nuevos sistemas 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 menos 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 válidos, no se utilizarían
en el proceso de toma de decisiones si el modelo no es creíble. 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 sistema operaría más efectiva y eficientemente. Los modelos de simulación no se diseñan para encontrar so-
luciones 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 sistemas complejos, por lo general pueden
emplearse modos numéricos de análisis en vez de los analíticos. En su mayoría, los modelos de simulación son proba-
bilísticos 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 tiempo.

Simulación
2) Dinámicos: Representación de un sistema a lo largo de un periodo de tiempo.
En cuanto a las variables:
1) Determinísticos: Si no contiene variables aleatorias.
2) Estocásticos: Si contiene una o más variables aleatorias.
También pueden ser discretos o continuos, cuyas características ya se definieron para los sistemas.
La simulación es una herramienta de la investigación de operaciones que nos permite conocer y analizar el comporta-
miento 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 comportamiento 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 evolutiva para satisfacer los requerimientos de solución de un problema. A. M.
Law y M.G. McComas (Héctor Vargas.”Simulación: Mucho más que una herramienta”. Revista Vanguardia de Agosto
de 1994. Facultad de Ingeniería del CETYS) mencionan los siguientes elementos para el éxito de un proyecto de si-
mulación:
• 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 resultados 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 depende del sistema a modelar; asimismo, algunos proyectos de simulación
pueden requerir algunos pasos no incluidos.
Pasos del Proceso de Simulación:
1. Planeación estratégica y Táctica. Establecer las condiciones experimentales para el uso del modelo.
2. Formulación del Problema. Definición del problema y enunciado del objetivo
3. Construcción del Modelo. Abstracción matemática del problema
4. Obtención de Información. Identificación, especificación y obtención de datos
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 modelo

10. Implementación y Documentación. Usar resultados para toma de decisiones 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 métodos 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 promoción 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: biológicos, económicos, de la salud, de negocios,
de producción, de transportación, sociales, 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.
• La flexibilidad del modelaje vía simulación.
La simulación es una herramienta versátil que ha sido usada de diferentes maneras, 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 Administración Científica/Investigación de Ope-
raciones y la herramienta de excelencia de la Ingeniería Industrial.
4 Uso del software de modelamiento
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 depende del sistema a modelar; asimismo, algunos proyectos de simulación
pueden requerir algunos pasos no incluidos.
Simulación
Pasos del Proceso de Simulación:
1. Planeación estratégica y Táctica. Establecer las condiciones experimentales para el uso del modelo.
2. Formulación del Problema. Definición del problema y enunciado del objetivo
3. Construcción del Modelo. Abstracción matemática del problema
4. Obtención de Información. Identificación, especificación y obtención de datos
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 modelo
10. Implementación y Documentación. Usar resultados para toma de decisiones 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 métodos 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 promoción 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: biológicos, económicos, de la salud, de negocios,
de producción, de transportación, sociales, 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.
- La flexibilidad del modelaje vía simulación.

La simulación es una herramienta versátil que ha sido usada de diferentes maneras, 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 Administración Científica/Investigación de Ope-
raciones y la herramienta de excelencia de la Ingeniería Industrial.
Uso del software de modelamiento.
Simulación
Tema
UNIDAD I: “INTRODUCCIÓN AL MODELADO Y SIMULACIÓN.” N° 4: Ejecución deMANUAL
un AUTOFORMATIVO 27
modelo de simulación.
Uso de Herramientas de modelado.

Uso del software de modelamiento.
La dinámica de sistemas se basa en un lenguaje formal bastante simple, y e
Tema N° 4: Ejecución de un modelo de simulación.
Tema N° 4: inicialmente
Ejecución podemos
de unreconocer
modelo cuatro tipos de elementos: Nivel o Stock, var
de simulación.
flujo, convertidor y conector. Observe la figura 1 otorgada por el software
Uso de Herramientas(versión 3.07)
de modelado.
1 Uso de Herramientas de modelado.
La dinámica de sistemas se basa en un lenguaje formal bastante simple, y en la que
La dinámica de sistemaspodemos
inicialmente se basa enreconocer
un lenguajecuatro
formaltipos
bastante simple, y en laNivel
de elementos: que inicialmente podemos
o Stock, variable dereconocer
cuatro tipos de elementos: Nivel o Stock, variable de flujo, convertidor y conector. Observe
flujo, convertidor y conector. Observe la figura 1 otorgada por el software STELLA la figura 3 otorgada por el
software STELLA (versión
(versión 3.07) 3.07)
Figura 1
Si en un sistema dinámico, en su proceso de modelación, no se discrimina e

das las variables del sistema que entrarán a formar parte del modelo, como
Stock y como variable de flujos, de otra forma, si no se sabe cuales de las v
Figura 1 Figura 3. Tipos
son de deelementos
estadoen y las cuales
herramientas
son de de
modelado
flujo, entonces simplemente no se podrá mo
sistema dinámico. Así de simple.
Si en un sistema dinámico, en su proceso de modelación, no se discrimina entre to-
das
Si en un sistema lasdinámico,
variablesendel su sistema
proceso de que entrarán no
modelación, a formar parte entre
se discrimina del modelo,
todas las como
variablesNivel o
del sistema que
Stock y como variable
Conceptualmente
de flujos, de otra
un Nivel
forma, si
es
no
un
se
stock
sabe
que esdealimentado
cuales las variables
por una variable de
entrarán a formar parte del modelo, como Nivel o Stock y como variable de flujos, de otra forma, si no se sabe cuales
son de varias de variables de flujo simplemente
(de entradas), yseque eventualmente puede ser vaci
de las variables sonestado y cuales
de estado y cualesson flujo,entonces
son de flujo, entonces simplemente no seno podrá podrámodelar modelar
el sistemael dinámico.
sistema dinámico. Así de simple. una o varias variables de flujo (de salidas); y así que las variables de flujo se
Así de simple.
como aquellas que alimentan o vacían el stock. Para fijar ideas supongamos
Conceptualmente
Conceptualmente un Nivel es un nemos
Nivel
un stock es un
que un sistema
stock
es alimentado quesencillo,
es una
por por ejemplo
alimentado
variable por
de una
flujo una pequeña
variable
o varias de tienda
variables flujo o de(de
de flujo alquiler
ende au
tradas), y varias variables de
que eventualmente puede les
flujo en
(de
ser la cualpor al
entradas),
vaciado una final
y oquedeeventualmente
varias cada
variables semanade flujose(de
puedereponen los
y asíautomóviles,
ser vaciado
salidas); por
que con una d
las variables
de flujo seuna o varias
definen comovariables
aquellas que nada
de política
flujo
alimentan que veremos
(deosalidas);
vacían y así Para
el stock. más
que lasadelante,
fijar variables
ideas para enfrentar
de flujo
supongamos setenemos
que la semana
definen que viene
un sistema
como
sencillo, por aquellas
ejemplo una pequeña rizadade
que alimentan
tienda por una de
oalquiler
vacían determinada
elautomóviles
stock. Para demanda,
en fijar
la cualideas que también
supongamos
al final de veremos
cada semanaquesete- comolos
reponen se compo
automóviles,nemos un sistema
con una determinada adelante.
sencillo,
política porque En
ejemplodefinitiva,
veremos una tenemos
más pequeña
adelante, tienda
para laenfrentar
Nivel o la
Stock
de alquiler de
semana que llamaremos
automóvi-
que STOCK, y do
viene caracteriza-
da por una lesdeterminada
en la cual demanda,
al final de bles
quecada de semana
flujo,
también unseflujo
veremos deseentrada
reponen
como que
másllamaremos
los automóviles,
comporta con una
adelante. REPOSICIÓN,
determi-tenemos
En definitiva, y la
un flujo d
nada
Nivel o Stock que política que veremos
llamaremos STOCK, quey más llamaremos
dos adelante,
variables de DEMANDA.
para un
flujo, flujo Notemos
enfrentar la semana
de entrada antes
que que queviene
llamaremos nada que la unidad
caracte-
REPOSICIÓN, y un de la
rizada
flujo de salida quepor una determinada
llamaremos STOCK
DEMANDA. es “automóviles”,
demanda,
Notemos que que
antes también
nada y que
las
veremosunidades
la como
unidad dede los flujos
lasevariable
comportaSTOCK REPOSICIÓN
máses “automó- y DEMA
viles”, y lasadelante.
unidades En definitiva,
de los “automóviles
tenemos lay Nivel
flujos REPOSICIÓN por osemana”,
DEMANDA Stock quedellamaremos
es “automóvilesotra forma “automóviles/semana”.
STOCK,
por semana”, dey otra
dos forma
varia-“automóvi-Vamos a d
les/semana”.blesVamos
de flujo, un flujo
a dibujar de entrada
relación
la relación entre queestas
entre
estas llamaremos
tres enREPOSICIÓN,
tres variables
variables STELLA, en STELLA, 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 REPOSICIÓN y DEMANDA es
“automóviles por semana”, de otra forma “automóviles/semana”. Vamos a dibujar la
relación entre estas tres variables en STELLA,
Figura 4. Representación de un Stock en el software 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.
Figura 2
Con el cursor hacemos click con el botón izquierdo en el icono de la va
do , arrastramos la figura a un sitio determinado y hacemos nuevam
28 botón izquierdo del mouse,UNIDAD
paraI: “INTRODUCCIÓN AL MODELADO
fijar el icono de laY SIMULACIÓN.”
Nivel o Stock. La
deberá lucir como la indica la figura 2. Enseguida, ponemos el nomb
icono cuyo nombre por defecto es “Noname 1”. Lo obtenido deberá
indicado en la figura 3.
La operación final deberá lucir como la indica la figura 2. Enseguida, ponemos el nombre de STOCK al icono cuyo
nombre por defecto es “Noname 1”.Figura 3 deberá ser similar a lo indicado en la figura 5.
Lo obtenido
Ahora bien, vamos a dibujar el flujo de entrada hacía e

dirigimos
Figura33 nuestro mouse hacia el icono de la variable de
Figura
clic con el botón izquierdo, arrastramos la figura de ma
del Ahoraladobien,
Ahora izquierdo
bien, vamosadel
vamos STOCK,
adibujar
dibujar elelflujouna
flujodedevez elegido
entrada
entrada hacía
hacía elel
el sitio
STO
STOCK
dibujarse
dirigimosnuestro
dirigimos la variable
nuestro mouse
mouse de
haciaflujo,
hacia elel presionamos
icono
icono dedela la el de
variable
variable botón
de izq
flujo,
flujo, p
que cliccon
clic conelelbotón
arrastramos botónizquierdo,
izquierdo,
la figura arrastramos
dirigiéndola
arrastramos la la figura
hacia
figura de
deel manera
STOCK
manera co
del lado izquierdo
del lado izquierdo
variable de flujo llegue del STOCK,
del STOCK, una vez
una vez adecuada
de manera elegido
elegido el sitioel sitio desde
desde d
al STOCK,
dibujarse
dibujarse lala variable
variable de de flujo,
flujo,
bio de color gris (figura 5), en ese momento dejamos presionamos
presionamos el el botón
botón izquierd
izquierdo d
que
que
Figura arrastramos
Stock nombradolalafigura
arrastramos
5. Elemento figuradirigiéndola
dirigiéndolahacia hacia el el STOCK
STOCK (figur
(figura
yvariable
Figura
Fuente: soltamos.
3 propia
Autoría
variablede deflujo
La situación
flujollegue
lleguededemanera
final debería
maneraadecuadaadecuada
lucir
al al
comoeste
STOCK,
STOCK,
lo
este
ind
avia
Ahora bien, vamos a dibujar el flujocambiemos
bio
bio dedecolor
de entrada color el
hacíagris
gris
el nombre
(figura
STOCK.(figura 5),por
5),
De manera en defecto
enese esemomento
análoga, de
momento
dirigimos esta
dejamos
nuestro variable
dejamos
mouse dede
hacia de
presio
pres
Ahora bien, vamos a con
dibujar elizquierdo,
flujo dearrastramos
entradalahacía el manera
STOCK. De m
anteriormente,
el icono de la variable de flujo, pinchamos haciendo
yy soltamos.
soltamos.La un clicREPOSICIÓN.
Lasituación el botón
situaciónfinal finaldebería
deberíalucir figura
lucircomocomo delo lo
indica
indica la la
fi
conveniente, a la altura del ladodirigimos
izquierdo del nuestro
STOCK, una mouse haciael el
vez elegido sitioicono de la va
desde donde variable
a empezarde flujo, pincham
a dibujarse
el cambiemos
la variable de flujo, presionamosclic cambiemos elelnombre
nombre por
por defecto
defecto
con el botón izquierdo, arrastramos la figura de manera
botón izquierdo (sin soltarlo) a la vez que de
arrastramos de
la esta
esta
figura variable
variable
dirigiéndola dede
hacia flujo p
flujo
convenie
queanteriormente,
el STOCK (figura 5), y toda vez del anteriormente,
lado
la izquierdo
variable REPOSICIÓN.
REPOSICIÓN.
del
de flujo llegue deSTOCK, una vez
manera adecuada elegido
al STOCK, esteel sitiocondesde
avisará un leve donde
cambio de color gris (figura 6), en ese momento dejamos de presionar el botón izquierdo y soltamos. La situación final
dibujarse la variable de flujo, presionamos el botón izquierdo (sin s
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,queREPOSICIÓN.
arrastramos la figura dirigiéndola hacia el STOCK (figura 4), y
variable de flujo llegue de manera adecuada al STOCK, este avisará c
bio de color gris (figura 5), en ese momento dejamos de presionar el
y soltamos. La situación final debería lucir como lo indica la figura
cambiemos el nombre por defecto de esta variable de flujo por el n
anteriormente, REPOSICIÓN.
Figura 4:
Figura
Figura 4:
Figura 6:
4:
Inserción de la variable Flujo
Figura 4:
Figura 7: Unión del flujo con el Stock
Figura 5

Figura
Figura 55
Figura 6
Figura 5 6
Figura
Figura 6Situación final
Figura 8:
Para laAutoría
Fuente: construcción
propia de la variable de flujo que sale desde el
Para lasimilar,
manera construcción esto esde se lahacevariable
un clicde flujoelque
sobre icono sale desde
, nos ubic
Para la construcción de la variable Para
manera
de flujo la
que construcción
similar,
sale desde el esto
STOCK, es de
se se la
hace
realiza variable
de un
manera clic de
sobre
similar, flujo
esto el
es se que
icono
hace un sale
, nos d
u
clic sobre el icono , nos ubicamos alNivel
interiorodeStock
la Nivel oSTOCK,
Stock STOCK, presionamos el botón
presionamos el botón izquierdoizquierdo
(sin soltar) y(sin so
arrastramos el mouse hacia el ladomanera similar, esto es se hace unel clic sobre el icono ,
Nivel ohacia
mouse
derecho del
Stock
STOCK,
STOCK,
elcuando
lado presionamos
derecho
creamos del STOCK,
conveniente
botón
detenernos,cuando izquierdo
soltamos elcreamos
botón
(sin
con
derecho, y debería aparecernosFigura
algo mouse
Nivel
soltamos
similar hacia
6 oa laStock
el 9,eltoda
botón
figura lado
STOCK, derecho
derecho,
vez que del
presionamos
y debería
cambiemos STOCK,
aparecernos
el nombre que cuando
el viene
botón poralgo creamos
izquierdo
defecto similar ac
por el de DEMANDA. soltamos
que
mouse cambiemos
haciael botón derecho,
elel lado
nombre quey viene
derecho debería aparecernos
delporSTOCK,
defecto por cuando algo
el de simila
DEMA
crea
Para que cambiemos el nombre que viene por defecto por el de
la construcción de la variable de flujo que sale desde el DE
STOC
soltamos
manera similar,el esto
botón derecho,
es se hace un y clicdebería
sobre el aparecernos
icono , nos ubicamos algo
queocambiemos
Nivel Stock STOCK,elpresionamos nombre que viene izquierdo
el botón por defecto por el yd
(sin soltar)
mouse hacia el lado derecho del STOCK, cuando creamos convenie
Simulación
Figura 7
Este sencillo dibujo, nos muestra que la variación del STOCK a través del tiemp
Figura 7
(semanas) será causada por los flujos de entrada (REPOSICIÓN) y salida (DEMAN
DA). Ahora bien, supongamos que esta demanda obedece una política de almacenaj
Este sencillo dibujo, nos muestra que la variación del STOCK a través del tiem
conocida como “política (s, S)”, que consiste en lo siguiente: Al final de cada semana
(semanas)
si lo que hay seráen causada por los oflujos
stock es inferior igual de queentrada
s unidades(REPOSICIÓN) y salida (DEMA
entonces inmediatamente s
Figura DA). 7
Figurarepone Ahora bien, supongamos que esta demanda obedece
hasta el nivel S, en caso contrario, si lo que hay es superior al nivel
9: Modelado una política de almacen
s, enton
conocida
ces nadacomo
Fuente: Autoría propia “política
se repone. De(s, S)”, que
manera que consiste en lo siguiente:
se introducen dos nuevas Al final de cada
variables sema
a nuestr
Este si lo que
sencillo
modelos, hay en
a dibujo, stock
saber del es inferior
nos s,muestra
el nivel o igual que
que la s unidades
variación entonces
del inmediatamente
STOCK a través
Este sencillo dibujo, nos muestra que la variación STOCK aque
travésllamaremos
del tiempo INF, y elserá
(semanas) nivel S, que
causada llamaremos
por los flujos SUP
repone
Estas hasta el no
variables nivel
sonS,niende caso
flujo contrario,
ni de si lopara
estado, que eso
hay entonces
es superior al nivel el
utilizamos s, icon
ent
de entrada (REPOSICIÓN) (semanas)
ces nada
será
y salida (DEMANDA).
se
causada
repone. De
porsupongamos
Ahora bien,
manera
losque flujos que de
se
entrada
esta demanda
introducen
(REPOSICIÓN)
obedece
dos nuevas
una política de y sali
variables a nues
almacenaje conocida DA). de convertidores.
Ahora(s,bien,
como “política
modelos,
S)”, quesupongamos
a saber el nivel s, queque
consiste en lo siguiente: esta
Al finaldemanda
llamaremos INF, y elobedece
de cada semana, una
si lo que hay
nivel S, que política de
en stock
llamaremos S
es inferior o igual que s unidades entonces inmediatamente se repone hasta el nivel S, en caso contrario, si lo que hay
conocida
Estas
es superior al nivel s, entonces Connada
como
variables
el semouse “política
repone. no
sobre son (s,
ni de
el icono
De manera
S)”,
flujo
quehacemos
que
ni de
se introducen
consiste
estado,
un clic, en
para lo
para coger
dos nuevas
siguiente:
eso entonces
laafigura,
variables
Al final
utilizamos
nuestro ymodelos,
de
la posicionamo el ca
ico
si lo que
deen hay
convertidores.
un lugar en stock
adecuado es inferior
nombrando o igual
esta que
figura s
con unidades
el nombre
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, entonces
de INF; inmedie
repetimos
repone
para eso entonces utilizamos mismo hasta
el icono procedimiento
el nivel S, en caso contrario, si lo que hay es superior al luc
de convertidores. para definir el convertidor SUP. El resultado final debería niv
Con
como el lomouse
indicasobre el icono
la figura 8. hacemos un clic, para coger la figura, y la posicionam
ces en nada se
un lugar
repone.
adecuado
De manera que se introducen dos nuevas variable
Con el mouse sobre el icono hacemos un clic, para cogernombrando esta figura en
la figura, y la posicionamos con
un el nombre
lugar adecuado denombran-
INF; repetimos
modelos,
do esta figura con el nombre mismo
de INF; aprocedimiento
saber el
repetimos nivel
para
el mismo s,definir
que el
procedimiento llamaremos
convertidor INF,
para definir el SUP. y resultado
El
convertidorelSUP.
nivel S,
finalque
El resultado llama
debería lu
final debería lucir comoEstas comovariables
lo indica lalofigura
indica10.no son ni
la figura 8. de flujo ni de estado, para eso entonces utilizam
de convertidores.
Con el mouse sobre el icono hacemos un clic, para coger la figura, y la p

en un lugar adecuado nombrando esta figura con el nombre de INF;
mismo procedimiento para definir el convertidor SUP. El resultado final
como lo indica la figura 8.
Figura 8
Ahora bien, vamos a indicar que el flujo de entrada REPOSICIÓN depende de los va
lores de INF, SUP y finalmente del valor de la Nivel o Stock STOCK (en efecto, re
Figura
Figura 810: Inserción de variables
cuérdese quepropia
“si lo que hay en stock es inferior o igual que s unidades entonces in
Fuente: Autoría
mediatamente se repone hasta el nivel S, en caso contrario, si lo que hay es superio
Ahora bien, vamos a indicar Ahora
al nivel
que bien,
s, de
el flujo vamos REPOSICIÓN
entonces
entrada anada
indicar que
se repone”).el flujo
depende La de
demanera entrada
los valoresde REPOSICIÓN
deindicar
INF, SUPesto esdepende del de
mediante
y finalmente loslos
co
lores
nectores.
valor de la Nivel o Stock STOCK de INF, SUP
Y serecuérdese
(en efecto, y finalmente
procede de del
quela“sisiguiente valor
lo que haymanera: de la
en stock esnos Nivel o Stock
posicionamos
inferior STOCK
o igual que con (en efecto,
el mouse en e
s unidades
entonces inmediatamente se cuérdese
icono
repone quecapturar
, para
hasta el“si lo S,
nivel quela hay contrario,
enimagen,
caso en ystock
luegosies
lolainferior
hay eso superior
ubicamos,
que igual que
por ejemplo,s unidades
al nivel s,dentro
entonces entonces
de la varia
nada se repone”). La manera mediatamente
bledeINF indicar estose
oprimiendo es repone
mediante
el botón hasta el nivel S,
los izquierdo,
conectores. Y seen
sin caso ycontrario,
procede
soltar, dearrastrando si lo
la siguiente elque
manera: hay
nos eshacia
conector supel
posicionamos con el mouseal en nivel
el icono
variable s,de,entonces
para capturar
flujo nada se repone”).
la imagen,
REPOSICIÓN, y luego laLa
dejamos demanera
ubicamos,
oprimir de
por indicarderecho
elejemplo,
botón esto de
dentro estoda
lamediante
varia-
vez que losal
ble INF oprimiendo el botón nectores.
izquierdo,Ya
cancemos se
sin procede
soltar,
esta de de
la siguiente
y arrastrando
variable el conector
flujo que lo manera:
hacia nos posicionamos
la variable
indicará colorcon
de flujoa REPOSICIÓN,
al cambiar el Observe
gris. mouse en l
dejamos de oprimir el botón icono
derecho
figura , 9.
paratodacapturar la imagen,a esta
vez que alcancemos y luego
variablela ubicamos,
de flujo que por ejemplo,
lo indicará dentroa de la va
al cambiar
color gris. Observe la figurable
11. INF oprimiendo el botón izquierdo, sin soltar, y arrastrando el conector hacia
Figura 8
variable de flujo REPOSICIÓN, dejamos de oprimir el botón derecho toda vez que
cancemos a esta variable de flujo que lo indicará al cambiar a color gris. Observe
Ahorafigura bien,9. vamos a indicar que el flujo de entrada REPOSICIÓN depend
lores de INF, SUP y finalmente del valor de la Nivel o Stock STOCK (en
cuérdese que “si lo que hay en stock es inferior o igual que s unidades
mediatamente se repone hasta el nivel S, en caso contrario, si lo que hay
al nivel s, entonces nada se repone”). La manera de indicar esto es med
nectores. Y se procede de la siguiente manera: nos posicionamos con el
icono , para capturar la imagen, y luego la ubicamos, por ejemplo, dentro
ble INF oprimiendo el botón izquierdo, sin soltar, y arrastrando el cone
Figura
Figura 911: Inserción de los conectores
variable deAutoría
Fuente: flujopropia
REPOSICIÓN, dejamos de oprimir el botón derecho toda
cancemos a esta variable de flujo que lo indicará al cambiar a color gris
figura 9.
Figura 9
Por último, mediante sendas operaciones análogas, conectamos desde

SUP y STOCK hacia REPOSICIÓN, y el resultado debería lucir como lo i
Por último, mediante sendas
10.operaciones análogas, conectamos desde las variables SUP y STOCK hacia REPOSICIÓN,
y el resultado debería lucir como lo indica la figura 12.
Figura 10
Volvemos a insistir que el esquema indicado en la figura 10 nos dice que, los v
que tomará la variable de flujo REPOSICIÓN dependerán de los valores de INF,
STOCK.
Continuemos con nuestro de almacenaje. Vamos a suponer que la demanda se

es aleatoria con distribución conocida, y que además estas demandas semanal
independientes (en el sentido probabilístico) entre si. Supongamos que la de
Figura
para
Figura 12:10
cada
Conectores para el flujo Reposición
semana se distribuye según una distribución de Poisson. Finalmente
guemos que se entrega lo que hay en stock y no se acepta demanda diferida, e
Volvemos a insistir queaelmodo
esquema deindicado
ejemplo, en lasifigura
hay12 ennos
stock 2 unidades
dice que, los valores y latomará
que demanda en esa
la variable semana es
de flujo
REPOSICIÓN dependerán de los valores de INF, SUP y STOCK.
entonces se entregan simplemente las 2 y no hay compromiso de entregar el re
3 unidades para la semana posterior. Conindicado
estos datos vamos a 10
definir un conv
Continuemos con nuestroVolvemos
de almacenaje. a Vamos
insistir que el
a suponer queesquema
la demanda semanal en la
es aleatoria figura
con distribuciónnosco- dice qu
llamado
nocida, y que además estas quedemandasPEDIDO
tomará la yvariable
semanales otro convertidor
de flujo (en
son independientes llamado
REPOSICIÓN LAMDA.
el sentido El convertidor
dependerán
probabilístico) entre si.de PEDIDO,
los valores
Suponga- de
manera
mos que la demanda paraSTOCK. que ya determinaremos más adelante, va a simular
cada semana se distribuye según una distribución de Poisson. Finalmente agreguemos que los valores que se
se entrega lo que hay ennen
stockde una
y no distribución
se acepta de Poisson,
demanda diferida, esto es aymodo
puesto que toda
de ejemplo, si hay distribución
en stock 2 unidadesdependerá
parámetro
y la demanda en esa semana (que indica
es de 5, entonces el valor
se entregan promedio
simplemente las 2 y de loscompromiso
no hay números de generados por esta di
entregar el resto
de 3 unidades para la semanaContinuemos con datos
nuestro de almacenaje. Vamos
llamado a suponer que
con- la dem
ción), posterior.
llamaremos Con estos
LAMBA vamos a este a definir un convertidor
parámetro. Finalmente PEDIDO
debemos y otro
hacer notar q
vertidor llamado LAMDA. es aleatoria
El convertidor con
PEDIDO, distribución conocida, y que además estas demandas s
valores generados pordeelalguna manera quePEDIDO
convertidor ya determinaremos
dependerá más adelante,
de lambda, va a simu-
y todo val
independientes
lar los valores que se obtienen
genere
de una distribución
el convertidor (en de el
PEDIDOsentido
Poisson, probabilístico)
y puesto
sepor
que toda distribución
interpretará como entre si. Supongamos
dependerá
la demanda
de un pará-
ocurrida enque
metro (que indica el valor promedio
para cada semana de los números generados
se distribuye esta
segúndistribución), llamaremos
una distribución de LAMBA a este
Poisson. Fin
parámetro. Finalmentemana.debemosEntonces
hacer notarutilizando
que los valores la técnica
generadosya porestablecida
el convertidor dibujamos
PEDIDO dependeráestas dos nuev
de
lambda, y todo valor que
guemos
riables que se entrega
genereyelestablecemos
convertidor PEDIDO
lo que haycomo
los conectores
se interpretará para
en indicar
stock ylas
la demanda
no se acepta
dependencia
ocurrida
demanda
entre ellas.
en esa semana.
di
a
Entonces utilizando la vemos modo de
técnica yalaestablecidaejemplo,
figura 11. si hay en stock 2 unidades y la demanda
dibujamos estas dos nuevas variables y establecemos los conectores para en esa se
entonces
indicar las dependencia entre se entregan
ellas. Observemos la figurasimplemente
13. las 2 y no hay compromiso de entreg
3 unidades para la semana posterior. Con estos datos vamos a definir u
llamado PEDIDO y otro convertidor llamado LAMDA. El convertidor PEDI
manera que ya determinaremos más adelante, va a simular los valores
nen de una distribución de Poisson, y puesto que toda distribución dep
parámetro (que indica el valor promedio de los números generados por
ción), llamaremos LAMBA a este parámetro. Finalmente debemos hacer
valores generados por el convertidor PEDIDO dependerá de lambda, y t
genere el convertidor PEDIDO se interpretará como la demanda ocurri
mana. Entonces utilizando la técnica ya establecida dibujamos estas d
riables y establecemos los conectores para indicar las dependencia entre
vemos la figura 11.
Figura 11Conectores y variables para el flujo Demanda

Figura 13:
De manera que la figura 13 está indicando todos los elementos que integrarán nuestro modelo que representará el
sistema de almacenaje De manera
o stock quecon
que opera la lafigura
política11
(s, está indicando
S), y que tiene una todos los
demanda elementos
aleatoria queinde-
distribuida integrarán
pendientemente según una Poisson. Y donde se indica las relaciones de independencia entre estos elementos (aún con la
tro modelo que representará el sistema de almacenaje o stock que opera
cuando, de momento, noca se(s, S), ylaque
establece tiene
relación una entre
analítica demanda
ellos). aleatoria distribuida independientemente
una Poisson. Y donde se indica las relaciones de independen
Una vez que (aún hemos cuando, de momento,
“dibujado” nuestrono se establece la de
sistema-modelo relación analít
almacenaj
tregar
UNIDAD I: “INTRODUCCIÓN AL MODELADO Y SIMULACIÓN.” analíticas establecidasSimulación
las relaciones entre
MANUAL las variables que31está
AUTOFORMATIVO
Construcción de un modelo
conector. Observemos atentamente el sector izquierdo de nuestro d
donde aparece la lengüeta Map.
Una vez que hemos “dibujado” nuestro sistema-modelo de
2 Construcción de un modelo tregar las relaciones analíticas establecidas entre las variable
Una vez que hemos “dibujado” nuestro conector.
sistema-modeloObservemos atentamente
de almacenaje, vamos el sector
a entregar las relaciones izquierdo
analíticas esta- de
donde aparece la lengüeta Map.
blecidas entre las variables que están unidas por el conector. Observemos atentamente el sector izquierdo de nuestro
dibujo anterior, donde aparece la lengüeta Map.
Figura 1
Figura 1
Figura 14: Lengüeta Map
Si ubicamos el mouse sobre ese icono, y hacemos click con el botón
dremos
Si ubicamos el mouse sobre eselaicono,
siguiente
y hacemossituación indicada
click con el botón en
izquierdo, la figura
tendremos 2. situación indi-
la siguiente
cada en la figura 14.
Si ubicamos el mouse sobre ese icono, y hacemos click co
dremos la siguiente situación indicada en la figura 2.

Figura 2
Figura 14: Mapa del sistema-modelo de almacenaje
Los signos de interrogación que aparecen sobre las variables de nuestro modelo están indicando que sobre ellas hay
que definir su relación analítica cuandoFigura 2
corresponda, o entregar el valor que tienen. Vamos a fijar nuestra atención
en la variable de flujo REPOSICION. Recordemos que ella está definida extensivamente como “toda vez que el valor
del STOCK sea menorLososignos de entonces
igual que INF interrogación que
se repone (de aparecen
artículos) sobre
hasta el nivel lasSUP”.
superior variables de nuestr
Bien, hagamos
doble click sobre la variable de flujo REPOSICION, debe aparecer la siguiente caja de diálogo como se puede observar
en la figura 15.
indicando que sobre ellas hay que definir su relación analítica cuando
entregar el valor que tienen.
Los signos Vamos a que
de interrogación fijaraparecen
nuestra sobre
atención en la v
las variables
REPOSICION.indicando
Recordemos que ella
que sobre está
ellas haydefinida extensivamente
que definir como
su relación analíti
el valor del STOCK seaelmenor
entregar o igual
valor que que Vamos
tienen. INF entonces
a fijar se repone
nuestra (de
atenció
el nivel superior SUP”. Bien,
REPOSICION. hagamos que
Recordemos dobleellaclick
estásobre la variable
definida de
extensivam
el valor del
CION, debe aparecer la STOCK seacaja
siguiente menor o igual que
de diálogo como INFseentonces se re
puede obser
3, el nivel superior SUP”. Bien, hagamos doble click sobre la
CION, debe aparecer la siguiente caja de diálogo como se pu
Figura 3
Figura 3
Figura 15: Especificar proceso del flujo
Sobre esta caja de diálogo haremos algunas precisiones. Hemos marcado cuatro sec-
Sobre esta caja deSobre esta caja de diálogo haremos algunas precisiones. Hemos marcado cuatro sec-
diálogo
tores haremos algunas precisiones. Hemosquemarcado cuatro sectores con rotulador de sendos co-
tores concon rotulador
rotulador de sendos
de sendos colores,
colores, llamaremos
que llamaremos zona
zona roja, roja,negra
azul, azul,ynegra
verde,y verde,
lores, que llamaremos zona roja, azul, negra y verde, como lo indica la figura 16 que nos
como lo indica la figura 4 que nos servirá para las precisiones respectivas.
como lo indica la figura 4 que nos servirá para las precisiones respectivas. servirá para las precisiones
respectivas.
Figura 4
Figura 4 16: Distribución de zonas

Figura
La zona roja nos indica que la variable de flujo, por defecto y conforme está activado 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 hidráulicos esta variable de flujo
ble decional.
flujo no El puede
caso es que nuestra
bombear variableagua,
para extraer de REPOSICION solamenteagua.
solo puede depositar entrega
Ya v
remosLa hacia el STOCK.
más zona negra está indicando la función analítica con la que q
adelante algunos ejemplos en que una variable de flujo puede ser bidire
cional. El caso es que nuestra variable de REPOSICION solamente entrega mater
UNIDAD I: “INTRODUCCIÓN AL MODELADO variable deindica
flujo, y esya en el establecido,
lugar marcado
Simulación
que seapor el video 33rev
hacia YLa
elSIMULACIÓN.”
zona azul
STOCK. lo que hemos MANUAL AUTOFORMATIVO la forma analítica qu
right
nuestra hand side...”
variable donde
de flujo se debe
REPOSICION, poner
ella la fórmula.
debe requerir para su definición la
La zona bles de indica
azul STOCK, lo INF
que yyaSUP.
hemos establecido, que sea la forma analítica que teng
nuestra variable de la
Finalmente flujo REPOSICION,
zona verdelaentrega ella debeuna requerir
lista para
dequesu definición que
funciones las vari
po
no puede bombear para extraer bles deLaSTOCK,
agua, zona
solo negra
puedeINF yestá
SUP.indicando
depositar agua. Ya veremos función analíticaalgunos
más adelante con laejemplos quedará
en que definida
software STELLA,
variable Eldecaso flujo, esenenque
y nuestra el eventualmente
lugar elpodamos necesitar pa
una variable de flujo puede ser bidireccional. es que variable demarcado
REPOSICION por solamente
video reverso
entrega ma- donde dic
terial hacia el STOCK. La zonaformula
right hand
negra para
side...”
está la donde
indicandovariable de poner
lasefunción
debe flujo REPOSICION.
la
analítica fórmula.
con la que quedará definida nuest
variable de flujo, y es en el lugar marcado por el video reverso donde dice “Pla
La zona azul indica lo que ya hemos Finalmente
establecido,
right Vamos
hand side...” ladonde
que zona
sea la verde
forma
se debe entrega
analítica
poner una
que listanuestra
tenga
la fórmula. de funciones
variable que posee
de flujo REPO-en su estru
software las
SICION, ella debe requerir para su definición
ahora
STELLA,
a de
variablesen
definir
que
STOCK,
la variable
eventualmente
de flujo. La expresión “tod
INF y SUP. podamos necesitar para la construcci
STOCK
formula seala
para menor
variable odeigual
flujo que
una REPOSICION.
INF entonces se en repone (de a
La zona negra está indicando Finalmente
la función
superior
la zona
analítica con
SUP”
verde
la que entrega
quedará
eseventualmente
lista
definida
equivalentepodamos
de funciones
nuestra variable
matemáticamente deque posee
flujo, y es en elsu estructura
lugar
a construcción
lo que indica
marcado por el video reverso software diceSTELLA,
donde Vamos “Place
ahora
en hand
right a
que side...”
definir la donde
variablese debe
de poner la
flujo.
necesitar
Lafórmula.
expresión
para la
“toda vez que el v
de
formula para la variable de flujo REPOSICION.
Finalmente la zona verde entrega una STOCK
lista de sea menor
funciones queo posee
igualen que INF entonces
su estructura se repone
el software STELLA,(de artículos)
en que even- hasta
tualmente podamos necesitar Vamos superior SUP”
ahora a definir
para la construcción es equivalente
la variable
de la formula matemáticamente
para lade flujo.de
variable Laflujo a
expresión lo
REPOSICION. que indica
“toda vez que la figura 5: d
el valor
STOCK sea menor o igual que INF entonces se repone (de artículos) hasta el niv
Vamos ahora a definir la variable de flujo.SUP”
superior La expresión “toda vez matemáticamente
es equivalente que el valor del STOCK seaque
a lo menor o igual
indica la que INF5:
figura en-
tonces se repone (de artículos) hasta el nivel superior SUP” es equivalente matemáticamente a lo que indica la figura 17:
Figura 5
Figura 5
Una vez entregada esta instrucción, y convenciéndonos que es
Una
Figuranir 5 la vez entregada esta instrucción, y convenciéndonos que es la adecuada pa
Figura nir política
la política
17: Definir de
la variable dede
flujo reposición
reposición
del stock hacemos click en la opc
del stock hacemos click en la opción OK (los otro
Fuente:nes,
Autoría como Become Graph, Document,
etcétera, etcétera, los
másveremos
propia
Una vez nes, como Become
entregada Graph,
esta instrucción, Document,
y convenciéndonos los
queveremos
es la adecuada adelante).
para de
nir laaparecer
política de el diagrama
reposición del indicado
stock hacemosen la
clickfigura
dónde
en la 6,
ha dónde
Una vez entregada esta instrucción, y convenciéndonos que es la adecuada para definir la política de reposición del signo
aparecer el diagrama indicado en la figura 6, ha
desaparecido
opción OK (los desapa
el
otros bot
nes,
stock hacemos click en la opción OK rrogación
rrogación
como Become sobre
(los otros botones, la
sobrecomo
Graph, variable de
la variable
Document,flujo REPOSICION,
de Document,
flujo REPOSICION,
etcétera,
Become Graph, los veremos más adelante).
etcétera, los veremos más Debe
adelante). Deberá aparecer elaparecer
diagramael diagrama
indicado en laindicado
figura 18,en la figura
dónde 6, dónde ha
ha desaparecido desaparecido
el signo el signo de int
de interrogación
rrogación sobre la variable de flujo REPOSICION,
sobre la variable de flujo REPOSICION,
Figura 6
Figura 6
Figura
Figura 618: Representación del resultado esperado
Ahora vamos
Fuente: Autoríaapropia
definir la variable de flujo (de salida) DEMANDA, haciendo do
en esta variable, aparecerá una caja de diálogo similar al de la figura 3, y se in
Ahora vamos a definir la variable de flujo (de salida) DEMANDA, haciendo doble click en esta variable, aparecerá una
lavamos
figuraa7.definir la variable de flujo (de salida) DEMANDA, haciendo doble cli
caja de diálogo similar al de laAhora
figura 16, y se indica en la figura 17.
en esta variable, aparecerá una caja de diálogo similar al de la figura 3, y se indica e
Ahora
la figura 7. vamos a definir la variable de flujo (de salida) DEMAND
en esta variable, aparecerá una caja de diálogo similar al de la
la figura 7.
Figura 7 Definir la variable de flujo (de salida)
Figura 19:
En este
Fuente: Autoría caso la variable de flujo DEMANDA solo dependerá de la var
propia
Figura 7 siendo esta una variable aleatoria con distribución conocida y que def
En este caso la variable de flujo DEMANDA solo dependerá de la variable PEDIDO, siendo esta una variable aleatoria
momento. De modo que simplemente hacemos un click en PEDIDO p
con distribución conocida y que definiremos en su momento. De modo que simplemente hacemos un click en PEDI-
MANDA = PEDIDO, como lo indica la figura 8.
DO para hacer DEMANDA = PEDIDO, como lo indica la figura 20.
Figura 7
Figura 8 Definir la variable de flujo DEMANDA

Figura 20:
Nuevamente hacemos click sobre OK, para volver a nuestro diagrama d

comprobar que habrá desaparecido el signo de interrogación sobre DEM
Figura 8
Nuevamente hacemos click sobre OK, para volver a nuestro diagrama do
comprobar que habrá desaparecido el signo de interrogación sobre DEMA
Nuevamente
Ahora vamos a definirclick
hacemos sobre OK,
la variable para volver
aleatoria a nuestro
PEDIDO, diagrama do
que recordemos
comprobar que habrá desaparecido el signo de interrogación
según una Poisson de parámetro LAMBDA. Haciendo un doble sobre
clickDEMA
sobr
la lista de funciones de la caja “Builtins” seleccionamos aquella que dic
Nuevamente hacemos click sobre OK, para Ahora volver avamos
puesto que ellaa
nuestro definir donde
requiere
diagrama ladel
variable
se puedealeatoria
parámetro LAMBDAPEDIDO,
comprobar que
conforme
que habrá recordemos
se observa e
desapa-
según una Poisson de parámetro LAMBDA. Haciendo
quired Inputs” hacemos un click sobre LAMBDA, y nos queda lo
recido el signo de interrogación sobre DEMANDA. un doble click sobr
indicad
la
9. lista de funciones de la caja “Builtins” seleccionamos aquella que dic
puesto que ella requiere del parámetro LAMBDA conforme
Ahora vamos a definir la variable aleatoria PEDIDO, que recordemos se distribuye según una Poisson de parámetro se observa e
quired Inputs” hacemos un click sobre LAMBDA, y nos queda
LAMBDA. Haciendo un doble click sobre PEDIDO, de la lista de funciones de la caja “Builtins” seleccionamos aquella lo indicad
que dice “Poisson”, y puesto que ella requiere9.del parámetro LAMBDA conforme se observa en la caja “Required Inputs”
hacemos un click sobre LAMBDA, y nos queda lo indicado en la figura 21.
Figura 9
Figura 9
Figura 21: Definir la variable aleatoria PEDIDO
Supongamos ahora que en nuestro sistema de almacenaje o stock, el
tiene el valor de 1, SUP el valor de 3, y LAMBDA el valor de 1. Y ade
Supongamos ahora que en nuestro sistema de suponer
almacenajequeo stock,
esta el empresa
valor de INFde tiene
alquiler de de
el valor automóviles
1, SUP el valorempieza
de 3, y con el
Supongamos
máximo, ahora que en nuestro 3. sistema de dealmacenaje o stock, el
LAMBDA el valor de 1. Y además vamos a suponer que es
estadecir
empresa con deelalquiler
valor de automóviles
de La manera empieza entregar
con el stockestos
a valor
tiene
mente de
nivel máximo, es decir con el valor de 3. La manera el valor
hacer de
doble
entregar 1, SUP
click
estos el valor
en cada
valores de 3, y
una de estas
es simplemente LAMBDA el
hacer variables valor de
doble click yenentregar
cada 1. Y ade
los c
suponer
tes valores.
una de estas variables y entregar los correspondientes que Sin
valores.esta empresa
Sinembargo
embargo desualquiler
dada
dada de automóviles
su importancia
importancia vamos vamos
a efectuarempieza
“lle- con
a elefectuar el el
“l
máximo,
nado” de la variable STOCK. Observemos la variable es decir con el valor
figura 22. STOCK. Observemos la figura 10. de 3. La manera de entregar estos valor
mente hacer doble click en cada una de estas variables y entregar los c
tes valores. Sin embargo dada su importancia vamos a efectuar el “l
variable STOCK. Observemos la figura 10.
Figura 10
Figura 22. “Llenado” de la variable STOCK
Observemos en la línea superior de esta caja Figura 10 que por defecto está activado el botón “Reservoir” (Receptá-
de diálogo
culo), más adelante explicaremos las opciones “Conveyor, Queue
Observemos y Oven”.
en la línea Que seade
superior esta variable
esta caja de deestado
diálogode que
la clases
por defecto
Reservoir significa literalmente que ella es unel receptáculo que recibe(Receptáculo),
botón “Reservoir” flujo y que de ellamáspuede emanar flujo,
adelante o de otra las opc
explicaremos
forma que su cambio de nivel (dinámica) oyor, cambio de losy valores
Queue Oven”.deQue estados
seaseesta
debevariable
solamentedea los flujos,de
estado tanto de
la clases Rese
entrada o salida, que sobre ella operan, y que Observemos
ninguna otraque
literalmente en laella
línea
variable es superior
tendrá de esta
unincidencia
receptáculo caja
directa
que dedinámica,
en recibe
su diálogo
flujo que
esto
y que porde
sig- defecto
ella p
nifica que tampoco necesita conector alguno el que
botón
flujo, o de “Reservoir”
provengaotradeforma (Receptáculo),
otra variable
que su puedamás
quecambio de adelante
modificar
nivel su explicaremos
comportamiento
(dinámica) o cambio las opc
de
yor,
dinámico, es más, observe atentamente queestados Queue
no aparece se laycaja
debeOven”.
de Que “Required
diálogo
solamente sea esta
a los variable
Inputs”,
flujos, tantoy de
endeestado
vez de elladeaparece
entrada olasalida,
clasesque Reses
literalmente
la caja “Allowable Inputs” y que en rigor sonran, que ninguna otra variable tendrá incidencia directa en su dinámicp
todasylas que
variables ella
que es un
componen receptáculo
el modelo que
pero recibe
que no flujo
tienen y que
ninguna de ella
relación analítica. Solamente hay que escribir flujo,
el o
valorde
ca que tampocodeotra forma
INITIAL queconector
(STOCK),
necesita suescambio dedebemos
deciralguno
solo nivel
que (dinámica)
entregar sude
provenga ovalor
cambio de
otra variab
inicial, que en nuestro caso¿qué
Bien, es 3. Escribimos modificar su comportamiento dinámico, es más, observe atentamente qs
estados
hemos hecho?este valor
La se debe
donde
verdad solamente
dice
es “Place
que a los
initial
hemos flujos,
value here”
realizado tanto
y de
hacemos
un entrada
click
programa en o
OK.
compu-salida, que
tacional. En efecto, ran, y que ninguna otra variable tendrá y incidencia directa en có-
su dinámic
Bien, ¿qué hemos hecho? La verdad es quedemos
la caja
hemos
ca que
clic
de en
realizado
tampoco
launficha
diálogo EQUATIONS,
“Required
programa
necesita
Inputs”,obtendremos
computacional.
conector alguno
en efecto,
En vez de
que
eldemos
siguiente
ella aparece
provenga clicde la la variab
en otra caja
digo computacional
ficha EQUATIONS, obtendremos el siguiente puts”
(figura y
11)que en rigor
código computacional son todas
(figura 23) las variables que componen el modelo
modificar
tienen su comportamiento
ninguna dinámico,
relación analítica. es más,hay
Solamente observe atentamente
que escribir el valoq
la caja de diálogo “Required Inputs”, y en vez
(STOCK), es decir solo debemos entregar su valor inicial, que en nuesde ella aparece la caja
puts” y queeste
Escribimos en valor
rigor donde
son todasdice las variables
“Place que componen
initial value here” y hacemos el modelo clic
tienen ninguna relación analítica. Solamente hay que escribir el valo
(STOCK), es decir solo debemos entregar su valor inicial, que en nues
Escribimos este valor donde dice “Place initial value here” y hacemos clic
Figura 11Código computacional del modelado

Figura 23.
A este nivel, hemos realizado un programa computacional que nos permitirá hacer una simulación sobre el compor-
tamiento del nivel de STOCK de una pequeña tienda de alquiler de automóviles. Observemos cuidadosamente estas
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 con-
vencernos que efectivamente corresponden a un sistema de ecuaciones dinámicas
que mostrarán la evolución a través del tiempo del sistema dinámico que estamos
A este nivel, hemos realizado un programa computacional que
una simulación sobre el comportamiento del nivel de STOCK de
de alquiler de automóviles. Observemos
Simulación cuidadosamente estas e
vencernos que efectivamente corresponden a un sistema de ec
que mostrarán la evolución a través del tiempo del sistema din
modelando.
ecuaciones para convencernos que efectivamente corresponden a un sistema de ecuaciones dinámicas que mostrarán
la evolución a través del tiempo del sistema dinámico que estamos modelando.
Ejecución de un modelo.
Ejecución de un modelo.
Vamos a enseñar como realizar simulación para el modelo que he
esto,
Vamos a enseñar como realizar simulación paraen el menú
el modelo queRUN
hemoselegimos la opción
realizado. Para “Time
esto, en el Specs...”,
menú RUN elegimoscomo se
la opción “Time Specs...”, como se ve en la figura 24,
Figura
Figura 24.1
Run Specs para realizar la simulación del modelo
En esta opción vamos a determinar que el tiempo es discreto, toda vez que la evolución de este sistema es en tiempo
discreto, en rigor la unidad de tiempo de “semana”, de modo que al hacer un click en la caja de diálogo que aparece
Enlaesta
lo completamos de la forma que lo indica figuraopción
25. vamos a determinar que el tiempo es discreto, tod
ción de este sistema es en tiempo discreto, en rigor la unidad d
na”, de modo que al hacer un click en la caja de diálogo que apar
de la forma que lo indica la figura 2.

Figura 2
Figura 25. Cuadro de especificación para la ejecución del modelo
Como se puede observar, hemos determinado una longitud de 20 semanas, de manera arbitraria, con un DT igual
Como
a 1, y hemos elegido la se puede
unidad observar,
de tiempo hemos
“Weeks” determinado
(Semanas). Una vezuna longitud
realizado dehacemos
esto 20 semanas, de en
un click mane-
OK. Con
ra arbitraria, con un DT igual a 1, y hemos elegido la unidad de tiempo “Weeks” (Se- una
esto volvemos a nuestro diagrama original. Ahora bien, vamos a ver la evolución de la variable STOCK mediante
manas). 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 me-
diante 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,
Como se puede observar, hemos determinado una longitud de 20 semanas, de mane-
36 ra arbitraria, con un DT igual a 1, y hemos elegidoUNIDAD la unidad de tiempo
I: “INTRODUCCIÓN “Weeks”
AL MODELADO (Se-
Y SIMULACIÓN.”
manas). 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 me-
diante 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,
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 26,
Figura 3
Figura 26. Gráfica de evolución de la variable Stock
Como podemos ver, solo en el eje vertical aparece la dimensión tiempo que hemos indicado anteriormente al definir
Como podemos
la “longitud de la simulación”. ver, solo
Para poder en la
definir el variable
eje vertical
STOCKaparece la dimensión
que queremos tiempo
graficar quedoble
hacemos hemosclick en
indicado anteriormente al definir la “longitud de la simulación”.
cualquier parte gris de este plano cartesiano. Deberá aparecer la siguiente caja de diálogo.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 Definición del gráfico

Figura 27.
Como podemos observar, hay dos cajas principales, una que dice “Allowable” (Accesi-
bles), y otra titulada “Selected” (Seleccionada). Como nuestro interés es graficar 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 boto-
nes, que están por defecto lo dejamos tal cual se ve en la figura 4. Una vez realizado
Figura 4
Simulación
Como podemos observar, hay dos cajas principales, una que dice “Allowable” (Accesi-
bles), y otra titulada “Selected” (Seleccionada). Como nuestro interés es graficar la
evolución de la variable STOCK, es que seleccionamos esta variable haciendo doble
Como podemos observar, hay dosen
click a STOCK cajas
la principales, una quecon
caja “Allowable”, diceesto
“Allowable”
logramos (Accesibles),
entonces quey otraSTOCK
tituladapase
“Selected”
a
(Seleccionada). Como nuestro interés es graficar la evolución de la variable STOCK, es
la columna “Selected”. De momento solo elijamos esa opción y el resto de los boto-que seleccionamos esta varia-
ble haciendo doble click
nes, quea STOCK
están poren ladefecto
caja “Allowable”,
lo dejamos contal
esto logramos
cual entonces
se ve en que4.
la figura STOCK
Una vezpaserealizado
a la columna
“Selected”. De momento solo elijamos esa opción y el resto de los botones, que
esto hacemos un click en OK, y nos aparecerá la siguiente figura 5, 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 28.
Figura
Figura 28.5Gráfico definido

Y Fuente:
aquí Autoría
podemos
propia
observar que el eje Y está tabulado con la variable STOCK. Nueva-
mente nos vamos al menú RUN y elegimos la opción RUN, debería aparecer una gráfi-
Y aquí podemosca como la
observar que
que indica
el eje la tabulado
Y está figura 6.con la variable STOCK. Nuevamente nos vamos al menú RUN y
elegimos la opción RUN, debería aparecer una gráfica como la que indica la figura 29.
Figura 6
Figura 29. Representación gráfica del modelo.
Fuente: Autoría propia.
Esta gráfica nos Esta gráfica

entrega, nos una
entonces, entrega, entonces,
evolución dinámica una
de la evolución dinámica
variable STOCK. de que
Observe la variable STOCK.
ha aparecido una ima-
Observe que ha aparecido una imagen similar a las que tienen los controladores deuno
gen similar a las que tienen los controladores de “casette”. En efecto, ese es su papel. En los iconos , al presionar
“casette”. En efecto, ese es su papel. En los iconos , al presionar uno de ellos signifi-
de ellos significan, “realizar una simulación”, “pausa” y “detención”, respectivamente.
can, “realizar una simulación”, “pausa” y “detención”, respectivamente.
38 Diagrama Objetivos Inicio

de contenidos
seleccionadas
Leer artículo: Software para el modelamiento, simulación y programación de aplicaciones robotizadas.
Velásquez Costa, José Antonio (2009). Software para el modelamiento, simulación y programación de aplicaciones
robotizadas. Disponible en: www.redalyc.org/articulo.oa?id=81620149005
Lee atentamente el artículo científico, reúne la información obtenida en un organizador de conocimiento, para pre-
sentarlo
Diagrama como
Objetivos control
Inicio de lectura Nº1.

de contenidos
RUBRICA DE EVALUACIÓN DEL ORGANIZADOR DE CONOCIMIENTO.

seleccionadas
Nombre del estudiante: ________________________________________
Sección:
Recordatorio
_______________________
Anotaciones Chat
Fecha: ______________________
CRITERIOS 7 puntos 4 puntos 2 puntos Total
Está redactado de una Las ideas son poco com- No posee un contenido
forma correcta y compren- prensibles al contar con que especifique las ideas
Contenido sible, las ideas son claras y a demasiada o muy poca que se desarrollan o está
la vez sintéticas, por lo que información. muy confuso.
son fáciles de comprender.
Los saberes están organiza- Los saberes no están Los saberes están en total
dos en forma ascendente o organizados en forma desorden y no se especifi-
Secuencia descendente, presentando ascendente o descen- can correctamente.
un orden y correlación de dente, las ideas no están
las ideas. correlacionadas.
Uso de imágenes para clari- Uso de algunas imágenes Presenta solo texto y
Diseño e imagen ficar las ideas, fotografías, en algunos eventos para usa una tipografía que
dibujos, videos en caso de clarificar las ideas. dificulta su lectura.
ser digital.
Calificación de la actividad
Simulación
Objetivos
Inicio
s
BIBLIOGRAFÍA DE LA UNIDAD I
s
Basica
Sokolowski, J. A. (2009) Principies of Modeling and Simulation A mul-tidisciplinary Approach. New Jersey: Wiley and Sons
o Anotaciones
Inc Publication Hoboken
Chat
Complementaria
Coss B. R. (2003). Simulación Un Enfoque Práctico. México D.F.: EdiTorial Limusa S.A.
García, F. (2005). Simulación de Sistemas. México D.F.: Compañía Editorial Continental S. A. CECSA
40
Objetivos Inicio
s
AUTOEVALUACIÓN DE LA UNIDAD I
s
Las preguntas siguientes le permitirán verificar su aprendizaje de esta unidad. Le recomiendo que las resuelva cuida-
dosamente.
o Anotaciones Chat
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 simu-
lación 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.

Simulación
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 ordenador?
a. Las condiciones pueden variar y los resultados.
b. Ciertas cosas no se pueden simular con eficacia porque no sabemos lo suficiente 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.
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.

Simulación
UNIDAD II: “PREPARACIÓN Y PRUEBAS SOBRE LOS MODELOS.”

de contenidos
Lecturas
seleccionadas
DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD II

de contenidos
seleccionadas
Recordatorio
Anotaciones Chat

Unidad II: “Preparación y pruebas sobre los
de contenidos 1. Analizar la naturaleza de la realimenta- 1. Valora la importancia de crear modelos
modelos” ción en los sistemas. que permitan simular situaciones de la
3º Video clase 2. Identificar los elementos que proveen vida real.
Tema N° 1: Diseño de la realimentación. realimentación en los sistemas y su 2. Comprende el uso de la simulación y su
Lecturas
seleccionadas
Glosario Bibliografía influencia en el modelo. importancia dentro el ámbito de su carre-
1. Sistemas realimentados. ra y del quehacer humano para lograr una
Actividad N° 2
Tema N° 2: Uso de la realimentación. cultura de calidad.
Elaborar 04 modelos sencillos en los cuales se
1. Estructuras que describen comporta- implemente sendos tipos de realimentación, 3. Fomenta el trabajo en equipo sus conoci-
mientos. en el software de simulación. mientos para la realización de modelos de
Lectura seleccionada 1 simulación de casos de la vida real.
Fernández Sánchez, J. L. (junio, 2005). Los
Modelos en la Ingeniería de Sistemas. IX
Congreso Internacional de Ingeniería de
Proyectos, 1–10. Disponible en http://www.
ppooa.com.es/mis.pdf
4º Video clase 3. Ubicar las herramientas de análisis en el

Tema N° 3: Organización de pruebas sobre software de simulación.
un modelo. 4. Diseñar y ejecutar pruebas sobre mode-
1. Herramientas de Análisis. los diversos.
Tema N° 4: Ejecución de pruebas diversas Tarea Académica Nº 1
sobre un modelo. Implementar en el software de simulación
1. Diseño de pruebas. el modelo propuesto y elegido por el mismo
estudiante.
2. Ejecución de pruebas.
Ceballos Carillos, J. A., Restrepo Núñez,
E. D., & Fernández Ledesma, J. D. (2013).
Aplicación de un modelo de simulación
discreta en el sector del servicio automotor.
Revista Ingeniería Industrial UPB, 01(01),
51–61. Disponible en https://revistas.upb.
edu.co/index.php/industrial/article/down-
load/2308/2058
44 UNIDAD II: “PREPARACIÓN Y PRUEBAS SOBRE LOS MODELOS.”
5° Video clase (Video conferencia) 5. Analizar la complejidad de los modelos

Tema N° 1: Gestión de módulos. y la necesidad de categorizarlos.
1. Complejidad de los modelos. 6. Utilizar los criterios de selección para
modularizar un modelo.
Tema N° 2: Diseño de módulos.
Actividad N° 3
1. Criterios de selección de componentes.
Elaborar un modelo de simulación modulari-
Lectura seleccionada 3 zado y organizado.
González Carbonell, R. A., Nápoles Padrón,
E., Calderín Pérez, B., Cisneros Hidalgo,
Y., & Landín Sorí, M. (2014). Carácter
interdisciplinario de la modelación com-
putacional en la solución de problemas
de salud. Humanidades Médicas, 14(3),
646–658. Disponible en http://scieloprue-
ba.sld.cu/scielo.php?script=sci_pdf&pi-
d=S1727-81202014000300006&lng=es&nr-
m=iso&tlng=es
Simulación
UNIDAD II: “PREPARACIÓN Y PRUEBAS SOBRE LOS MODELOS.” MANUAL AUTOFORMATIVO 45
TEMA N° 1: Diseño de la realimentación.
1 Sistemas realimentados.
La retroalimentación es un mecanismo de control de los sistemas dinámicos por el cual una cierta proporción de la
señal de salida se redirige a la entrada, y así regula su comportamiento, es decir, un proceso cuya señal se mueve den-
tro 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 capacitándose así para cumplir con una deter-
minada finalidad. Las diferencias entre 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 represen-
taban el conflicto entre las causas iniciales o el resultado final como elemento 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 realimente, la salida vuelve al principio para que analice la diferencia y en una segunda
opción ajuste más, así hasta que el error es 0, mientras que en el primero no se comparan a la variable controlada con
una entrada de referencia. Cada ajuste de entrada determina una posición de funcionamiento fijo en los elementos
de control.
1.1. 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 elección pro-
viene de su entorno, de su cultura, de su formación y de la necesidad ambiental que en ese momento posea. Al entorno
cultural, social, medioambiental 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 producirse 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 intervenir para ponerla a gusto de la persona,
se desarrolla mediante mecanismos de feedback.
El feedback supone un complicado proceso de selección de datos, de codificación de los mismos y de toma de de-
cisiones, bien sea para continuar de la misma forma o para rectificar algunos o todos los elementos del sistema. La
retroacción o realimentación, son los nuevos ingresos en el sistema, de informaciones provenientes del mismo funcio-
namiento 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, subiendo 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 intervenir 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 ejemplo.
Si el problema está en que no se oye nada, o que se oye mal, puede ser que la minicadena esté estropeada y deba inter-
venir un técnico. El técnico, no nosotros a no ser que lo seamos, debe entrar en el mismo proceso y solucionarlo. 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 mayoría 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 ne-
cesaria una revisión o investigación. En los sistemas cerrados, el proceso normalmente es secreto, desconocido para
la mayoría y solamente accesibles a los técnicos. En su momento advertiremos que en los procesos sociales, hay otro
tipo de técnicos, cuya responsabilidad es ser expertos en procesos, es decir, en cajas negras que deberán ser capaces
de abrir e interpretar.
1.2. 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 condicionan mutuamente y dependen unos de otros. Para
que exista un sistema, debe encontrarse siempre un sistema superior.
Todos los sistemas forman parte, como subsistemas, de otros sistemas de rango más elevado. El medio ambiente, el am-
biente en sí o el contexto, es el conjunto de todos los objetos que puedan influir o tengan capacidad de influencia en
la operatividad de un sistema. El contexto es por ello un sistema superior, supra sistema, que engloba a otros sistemas,
influye en ellos y los determina, y al mismo tiempo es influido por el sistema del que es superior.
1.3. El medio ambiente o contexto
Para evitar que esto resulte en apariencia un galimatías pongo un ejemplo. Estamos en clase, en un curso de Forma-
ción Profesional Ocupacional. Los alumnos acceden voluntarios a formarse, cada uno de ellos por causas e intereses di-
ferentes, expectativas distintas y tal vez, incluso, de profesiones y ambientes dispares. Pues bien, todos ellos provienen
de un ambiente, cada cual 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 mismo tiempo el contexto social los puede tener
homogeneizados, por lo menos en parte. También puede darse el caso de que haya alumnos marroquíes, rumanos,
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.
1.4. Las entradas del sistema
Los alumnos ya han entrado en un sistema, que a su vez depende del sistema educativo general, y del sistema cultu-
ral 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 motivaciones 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 codificación, y los elementos que provengan de
procesos anteriores, retroacción o feedback, vuelven a ser consideradas como entradas del sistema.
1.5. 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 suprasistema más elevado, el sistema educativo o
el plan formativo del que depende.
En el momento de la sesión de clase, se deben poner en funcionamiento todos los mecanismos necesarios para pro-
curar un feedback correcto. En otro lugar de este libro, cuando se entre de lleno en la problemática de la evaluación,
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 afirmába-
mos 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 desco-
nocidos. 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.
Simulación
1.6. 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 resul-
tantes de la fenomenología sistémica.
En la acción formativa de que hablamos, las salidas son los actos o aprendizajes 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 proporcionado el sistema. Si los productos o salidas son gratificantes, proporcionan mayores
estímulos y se refuerza la motivación para nuevos aprendizajes. Gracias a lo cual se hace más favorable la repetición de
situaciones.
En la sesión de clase, las salidas o productos pueden ser la misma participación de los alumnos, los aprendizajes inme-
diatos o el interés por la tarea que se está realizando.
2 El feedback y la evaluación continua
Uno de los pilares fundamentales de cualquier sistema es el feedback. Si hubiera que traducirlo literalmente, retroa-
limentación. 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 filosofía, más que una simple definición o concep-
to. Por esa razón es tan difícil de definir o de traducir.
En terminologías de enseñanza, es lo más parecido a lo que llamamos evaluación continua, es decir, recepción o acep-
tación de la información que proviene 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.
2.1. Retroalimentación Positiva y Negativa
Es el Proceso de compartir, preocupaciones y sugerencias con la otra persona con una intención de mejorar su funcio-
namiento 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 correctivas, 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 comunicación, 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 pregunta: “¿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.
a.- Retroalimentación negativa:
Es la más utilizada en sistemas de control ya que como dice su nombre trata 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 permanezca 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 estabilidad del sistema climático pues se
opone al cambio.
Ejemplo: Es cuando sacamos la mano del fuego porque nos estamos quemando, según la retroalimentación negativa se
da esta definición ya que uno al poner la mano al fuego nos damos cuenta (guardamos información en nuestro cere-
bro) 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 acción y modificamos los objetivos (desestabi-
lizar 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 diseña 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 mantie-
nen así por dos meses. Pero en el tercer mes la producción semanal vuelve a subir, esta vez a 5700 toneladas. Nueva-
mente, la gerencia modifica sus objetivos y fija esta nueva cifra como meta semanal. La conducta que sigue esa gerencia
de operaciones es de apoyar 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 compa-

ración, pues los objetivos fijados al comienzo prácticamente no son tomados en cuenta, debido a su continua variación.
Como la conducta de la variable es errática, es difícil planear las actividades y coordinarlas con otras.
En estas circunstancias la retroalimentación positiva tiende a eliminar todo esfuerzo de programación y de planifica-
ción.
La retroalimentación positiva ha producido una conducta fluctuante de la variable. En otros casos puede producir
efectos de amplificación que alejan constantemente al sistema de algún punto de equilibrio haciéndolo totalmente
inestable.
Simulación
TEMA N° 2: Uso de la realimentación.
1 E
structuras 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 pueden 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 consideramos de esta manera; algunos ecosistemas aumentan en tamaño y comple-
jidad 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 habitantes 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 diagrama, 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 valor 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 ambientales, etc.
El crecimiento de una población, es decir el incremento en el número de individuos 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 aproximación tan simple, en una generación el nú-
mero inicial de individuos N0 se verá incrementado en N0•TN:
N1 = N0 + N0•TN = N0•(1 + TN) _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ (1)
Al mismo tiempo, nos damos cuenta que ocurre un hecho completamente contrario, el cual genera que cierto número
de individuos mueran. La proporción 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 diferencia entre TN y TM es la tasa intrínseca
de crecimiento de una población, cuyo valor máximo se denomina como potencial biótico (r), el cual es característico
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)
N2 = N1 (1 + r) = N0 (1 + r) (1 + r) = N0 (1 + r)2 _ _ _ _ _ _ _ _ _ (5)
50 Y generalizando: UNIDAD II: “PREPARACIÓN Y PRUEBAS SOBRE LOS MODELOS.”
Nt = N0 (1 + r)t _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ (6)
Y en laSisiguiente
TN > generación
TM, significa que la natalidad supera a la mortalidad con la cual se está
tendremos:
dando, en este caso, r será mayor que 0 y la población, en consecuen-
cia(1lógica
N2 = N1 tiende
+ r) = N0 (1 + r)a(1crecer.
+ r) = N0 (1 + r)2 _ _ _ _ _ _ _ _ _ (5)
Y generalizando:
En estas condiciones y si no existen limitaciones de otro tipo, la población crece
de(1manera
Nt = N0 + r)t _ _ _exponencial.
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ (6)
Si TNUn ejemplo
> TM, para
significa que tratar de
la natalidad imaginar
supera lo explicado,
a la mortalidad esestá
con la cual se eldando,
siguiente
en esteel cual
caso, muestra
r será mayor que
0 y la este
población, en consecuencia lógica tiende a crecer.
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 posible en cir-
En estas condiciones y si no existen limitaciones de otro tipo, la población crece de manera exponencial.
cunstancias muy específicas. Por ejemplo cuando una especie coloniza un nuevo
espacio
Un ejemplo paraytratar
no hay restricciones
de imaginar en eslos
lo explicado, recursos
el siguiente ni competencia
el cual muestra este tipopor ellos, es partiendo
de crecimiento decir,
de N0se= 6 proporcionan
y r = 0,1, o sea unademasiadas
tasa del 10%. Hayfacilidades que suelen ser e4scasas en un modelo
que tener muy en cuenta que este tipo de crecimiento sólo es posible
en circunstancias muy específicas. Por ejemplo cuando una especie coloniza
mas real, tal es el caso de como ocurre en un cultivo bacteriano recién inocu-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
lado durante los primeros momentos de su crecimiento.
un modelo mas real, tal es el caso de como ocurre en un cultivo bacteriano recién inoculado durante los primeros
momentos de su crecimiento.
Algunas especies siguen este modelo de crecimiento siguiendo ciclos de explosión
demográfica
Algunas especies siguenseguidos
este modelo por elevados
de crecimiento índices
siguiendo dedemortalidad,
ciclos por ejemplo
explosión demográfica al elevados
seguidos por co-
mienzo de la estación reproductora. Presentan curvas de crecimiento en formafor-
índices de mortalidad, por ejemplo al comienzo de la estación reproductora. Presentan curvas de crecimiento en
ma dededientes de sierra
dientes de tal y como
sierra se y
tal observa
como a continuación:
se observa a continuación:
Figura 30. Modelo con curvas de crecimiento

Al potencial biótico, Fuente:como capacidad de una especie para reproducirse en condi-
Autoría propia
ciones ideales, se oponen una serie de factores que, en conjunto, constituyen la
Al potencial biótico, como capacidad de una especie para reproducirse en condiciones ideales, se oponen una serie
resistencia
de factores ambiental,
que, en conjunto, la cual
constituyen establece
la resistencia un límite
ambiental, al establece
la cual crecimiento deal las
un límite poblacio-
crecimiento de las
nes.
poblaciones.
En especies
En especies con un comportamiento
con un comportamiento como el descrito como el descrito
estos factores suelen serestos factoresdesuelen
independientes serde
la densidad
población,
independientes de la densidad de población, como variaciones climáticas, en de
como variaciones climáticas, en la cantidad de alimento disponible, tiempo de vida, riesgo natural la la
especie, entre otras.
cantidad de alimento disponible, tiempo de vida, riesgo natural de la especie, en-
tre
La tasa deotras.
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
La tasa
población continúedecreciendo.
natalidad es primero
Sin embargo, muy elevada
nos encontramos y frecuente
con que es luego va que siendo menor
tras un período hasta
de crecimien-
to rápido este ajusteatarde
igualarse en ocurrir
la de lo suficiente
mortalidad como para
cuando que la población
la población supere el
alcanza elnivel K de de
límite forma momentánea,
carga. Por
tras lo cual se produce una elevada mortalidad y por tanto, una visible caída de la población. Y puede, ocurrir en este
encima de éste, la tasa de mortalidad supera la de natalidad e impide que la po-
caso, que el valor de N oscile en torno a K hasta alcanzar el equilibrio:
blación continúe creciendo. Sin embargo, nos encontramos con que es frecuente
que tras un período de crecimiento rápido este ajuste tarde en ocurrir lo suficien-
te como para que la población supere el nivel K de forma momentánea, tras lo
alcanzar el equilibrio:
cual se produce una elevada mortalidad y por tanto, una visibleSimulación

caída de la pobla-
UNIDAD II: “PREPARACIÓN Y PRUEBAS SOBRE LOS MODELOS.”
ción. Y puede, ocurrir en este caso, que el valor de N oscile en torno
MANUAL a K hasta
AUTOFORMATIVO 51
alcanzar el equilibrio:
El máximo crecimientoFigura de laRepresentación

poblaciónde y la máxima producción se da mientras se
El máximo crecimiento31.de la poblaciónla y
tasalademáxima
natalidad producción se da mientras se
logra mantener la etapa de crecimiento
Fuente: Autoría propia exponencial, antes que los factores de-
logra mantener la etapa de crecimiento exponencial, antes que los factores de-
pendientes de la de densidad tomen tanta importancia logrando de esta manera, li-
El máximopendientes la población
crecimiento de la densidad y tomen
la máximatanta importancia
producción logrando
se da mientras se de esta
logra manera,
mantener li- de
la etapa creci-
mitar elmitar
crecimiento.
el crecimiento.
miento exponencial, antes que los factores dependientes de la densidad tomen tanta importancia logrando de esta
manera, limitar el crecimiento.
En la siguiente
En la siguiente figura,
figura, podemos
podemos observarlo
observar lo que
que corresponde
corresponde al al
segmento
segmento com-com-
prendido
En prendido
la siguienteentre entre
figura,los los
puntos
podemos puntos 1
1 y lo
observar y 2:
2:que corresponde al segmento comprendido 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
Figura 32. Representación densidad - tiempo
Ya hora considerando Fuente:
una fuente de presión constante.
hemos observado un poco acerca de lo que ocurre con la dinámica de la po-
Autoría propia
blación, Lainterpretada
fuenteunde
Ya hemos observado poco en base
presión
acerca al modelo
constante
de lo que puede
ocurre conde crecimiento
abastecer tanta
la dinámica exponencial,
de la energía
población,como porentanto
base al es
se necesita.
interpretada modelo
que
de aPara
continuación,
crecimiento exponencial, se tanto
entender mejor
por representa el pensemos
esteesconcepto, crecimiento
que a continuación, se en mismo
una
representa de la de
población población,
conejos
el crecimiento mismo de pero
que a
la población,
hora considerando
se encuentran unaen fuente
pleno de presión
crecimiento, y
pero a hora considerando una fuente de presión constante. constante.
que poseen un abastecimiento fértil de
alimento que no considera para nada, la rapidez con que ellos suelen alimentarse.
La
La fuentepresión
fuente de constanteconstante
de presión puede abastecer tantaabastecer
puede energía comotanta
se necesita. Para entender
energía como se mejor este concepto,
necesita.
pensemos enPodemos seguir en este caso el flujo del diagrama que se encuentra mas abajo,
una población de conejos que se encuentran en pleno crecimiento, y que poseen un abastecimiento fértil
Para entender
de alimento que no
mejor
considera
este
para
concepto,
nada, la rapidez
pensemos
con que ellos
en
suelen
una población
para poder ver como la población de conejos tiende a aumentar; esta se retro-
alimentarse.
de conejos que
se encuentran en pleno
alimenta para traer crecimiento,
mas energía y(es que poseen
decir, a un abastecimiento
través de más alimenta- fértil de
alimento
Podemos queen no
este considera
caso el flujo para
ción) para procrear mas conejos.
seguir del nada,
diagrama la
que rapidez
se encuentra con
mas que
abajo,ellos
para suelen
poder ver alimentarse.
como la población de
conejos tiende a aumentar; esta se retroalimenta para traer mas energía (es decir, a través de más alimentación) para
procrear
Podemos mas conejos.
Tenemos
seguirqueen se el sistema
este caso elcomienza
flujo del con un conejo macho
diagrama que sey encuentra
una hembra,mas y ellos
abajo,
producen cuatro conejitos que a su vez producen ocho;
para poder ver como la población de conejos tiende a aumentar; esta se retro- y así, en la misma tasa
alimenta para traer mas energía (es decir, a través de más alimenta-
ción) 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 número 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 crecimiento de la población de conejos a lo largo de
la misma concentración de abastecimiento de alimento. La curva de una población bajo estas condiciones es a lo que
llamamos más comúnmente como: crecimiento exponencial.
Es muy importante observar cuidadosamente que el crecimiento exponencial 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 indefini-
damente, entonces tenemos que el crecimiento exponencial infinito es técnicamente imposible.
De cualquier manera, durante el transcurso de las primeras etapas del crecimiento de la población, cuando la deman-
da de alimento suele ser pequeña (comparada con la cantidad disponible), la energía puede encontrarse disponible
a presión constante; entonces el crecimiento puede considerarse de manera exponencial. Pero eventualmente, el
alimento podría volverse limitante y la situación lógicamente necesitaría ser representada por un modelo diferente.
Para que nos quede mas claro el papel que juega el modelo del crecimiento exponencial, es preciso poderlo verlo
desde otro punto de vista, o mas bien, poder 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 como:
Nt = N0 •
Donde Nt es el tamaño poblacional en algún momento (t), N0 es la población 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 intervalo 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 crecimiento poblacional. Este parámetro define la velocidad
del crecimiento poblacional.
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 capacidad del ambiente para sostenerla.
Justo en ese momento la población entra en un abrupto declive debido precisamente a la inanición, enfermedad o
emigración.
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 crecimien-
to poblacional instantáneo. En este caso 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
Simulación
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 supervivencias 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 permite
una comparación directa de tasas así como para calcular el tiempo de duplicación de una población.
Aquí podemos permitirnos observar un hecho que es de gran importancia a nivel de la vida de las especies. Con esto
hago referencia a las condiciones ambientales que limitan el crecimiento poblacional.
Es decir que, en la naturaleza el ambiente cambia constantemente y los recursos, como es bien sabido, son limitados.
Esto nos refleja una situación que se presenta que a medida de que la densidad de una población aumenta, la compe-
tencia 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 disminuir.
En los casos en los cuales el crecimiento poblacional no es afectado por los niveles de densidad poblacional se habla
de crecimiento denso-independiente.
A este último caso corresponde los modelos de crecimiento poblacional exponencial.
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 dentro de la dinámica de las poblaciones
de manera muy resumida y concreta, además de ser muy sencilla es como se anuncia a continuación:
Se supone un crecimiento continuo e indefinido (que se refiere a la retroalimentación positiva)
dN/dt = rN
N = # de individuos de la población, t = tiempo durante el cual se dará el crecimiento, índice reproductor neto expre-
sado como tasa diferencial, d = diferencial de...
Por cada unidad de tiempo que pase la población se multiplicara por una cantidad constante, mientras más grande
será N mayor será el crecimiento.
Evolución temporal de la población
Modelo exponencial
200,0
150,0
Individuos
100,0
50,0
0,0
1
10
13
16
18
22
25
28
Años
Figura 33. Evolución temporal de la población. Modelo exponencial.

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 porcentuales anuales de natalidad y mortalidad y calcule el tamaño final de la población
suponiendo que no hubo migración.
Una población de vicuñas presenta un crecimiento exponencial (condiciones óptimas) 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
ingredientes para la aparición de nuestro número.
Si P0 es la población inicial (es decir, la existente cuando comenzamos a contar), existe una constante de crecimiento
k en cada población, de manera que el número de individuos al cabo de un tiempo t, viene expresado por una ley del
tipo P(t) = P0 e k t . Por ejemplo, supongamos que contabilizamos 500 bacterias en una placa de Petri. Una hora des-
pués 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 cúbicas, calcula cuánto ocuparían las anteriores
y verás que nos saldrían estos bichos por la boca.
En la realidad ocurre que las poblaciones encuentran un nivel de saturación, que no pueden sobrepasar por dificul-
tades de espacio, de alimento o de otros condicionantes. Los biólogos han perfeccionado la fórmula estableciéndola
como
, llamado modelo logístico donde A (nivel de saturación) B y K son constantes que dependen de
cada población particular.
P(t) = A e
kt
B + ekt
Modelo exponencial Modelo logístico
Figura 34. Crecimiento poblacional de bacterias. Modelo exponencial y logístico.

Y para concluir con este tema, daremos una breve conclusión, que sigue como parte de un ecosistema como los mo-
delos antes citados:
Simulación
La explotación de los ecosistemas por el hombre, ya hablemos de agricultura, ganadería o pesca, consiste en extraer
biomasa manteniendo el ecosistema inmaduro, evitando que progrese la sucesión y el consumo respiratorio suponga
una menor producción neta. Desde el punto de vista de la demografía se trataría de mantener la población de creci-
miento 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 con-
diciones ambientales y su permanencia en el tiempo. El tamaño de la población depende del equilibrio entre fertilidad
(o potencial biótico) y supervivencia:
• Unas
especies presentan elevada fertilidad (gran potencial biótico) aunque su supervivencia sea baja. Se denomi-
nan r estrategas, y son propias de ambientes cambiantes o inestables, sometidas a elevados índices de mortalidad,
que compensan con crecimientos explosivos en períodos favorables. Son especies oportunistas, pioneras o coloni-
zadoras que basan su éxito en producir un gran número de esporas, huevos, larvas o juveniles aunque su mortali-
dad sea muy elevada (curva de supervivencia tipo III)
• Otras
especies sitúan el número de individuos por debajo de la capacidad 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 territoriales, 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 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 disponibilidad de recursos disminuye considerablemente.
Pero es bien cierto que las poblaciones pueden llegar a la extinción por muchas causas. Una de las causas mas comu-
nes en los últimos años ha sido la destrucción de hábitat. La destrucción del hábitat lleva a que la convivencia se vea
restringida 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 número crítico de individuos. Si por alguna razón la población decrece a niveles
menores que este número crítico entonces es muy probable que ocurra la extinción.
La extinción es un proceso natural y selectivo. Las probabilidades de extinción de una especie dependen de sus ca-
racterísticas biológicas como de eventos 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 plas-
ticidad 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 fac-
tores:
• tamaño del inóculo;

• bondad del inóculo (estado metabólico previo del inóculo):
Pero aun cuando la inoculación se hace desde un cultivo previo en fase logarítmica, 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 compañeras. Ello demuestra que las células del inóculo no están todas en las mismas con-
diciones fisiológicas.
Durante la fase logarítmica se da un crecimiento balanceado no restringido durante unas pocas generaciones (normal-
mente menos de 10). El tiempo de generación (g) es característico para cada especie o cepa, en cada medio concreto:
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 medios 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 crecimiento 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 crecimiento celular.
Si la bacteria crece en un medio complejo, la fase 4 de transición (de aceleración 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 metabolismo general es diferente al de la fase loga-
rítmica:
Fase de transición hacia Fase de muerte exponencial: Se da muerte y lisis masiva, 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 enté-
ricas es suave, mientras que en Bacillus 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 sustancia se reduce a la mitad, llamado vida media, es una constante característica 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 elemento radiactivo transformados en un tiempo determinado es proporcional al número de átomos
de ese elemento que estén presentes en la sustancia, en particular, 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 determinar 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 desintegración
radiactiva del uranio (de 4500 millones de años de vida media).
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 orgánicos: los
Simulación
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% respectivamente
(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 para las dinámicas de las poblaciones, tam-
bién es de gran utilidad en las finanzas, 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 importantes 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 necesario 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 ecuaciones de crecimiento:
dN = (b´ - d´)N
dt
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 “decrecimiento de la población”, esto es:
b’ = b-aN
Y de la misma manera, la proporción de incremento, la señalaremos de la siguiente forma:
d’ = d+cN
Ambas se encuentran representadas de una forma muy simple, y esta es la de líneas rectas, que respectivamente decre-
cen 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.
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 genere
un mínimo de crecimiento de población. Los nacimientos y las muertes, aquí van a estar comportadas como denso-de-
pendientes.
Con lo cual, podemos describir ahora, nuestro modelo logístico:
dN = [(b-aN)-(d+cN)]N
dt
Esto, con una reagrupación de términos la podemos ver así:
dN = [[b- d] (b - d) (a - c) N]N
dt (b - d) (b - d)
58 Ahora llamemos r= (b-d), la expresión seII:simplifica
UNIDAD mucho
“PREPARACIÓN mas:
Y PRUEBAS SOBRE LOS MODELOS.”
Ahora llamemos r= (b-d), la expresión se simplifica mucho mas:

Determinemos, de una manera mucho mas simple nuestra ecuación dife-
dN = rN [1- (a + c) N] rencial para describir el modelo de crecimiento logístico, haciendo un pequño
dt (b - d) cambio de variables, es decir , haciendo que K= (b-d) / (a+c) Obteniendo de
esta manera : dN/dt = rN (1-(N/K)
Determinemos, de una manera mucho mas simple nuestra ecuación diferencial para describir el modelo de crecimien-
to 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)
Figura 35. Ejemplo de modelo logístico.

En la figura
Fuente:se nospropia
Autoría muestra una visión gráfica de que lo que se representa al
decir que las variables, tanto de nacimientos como de muertes, son denso- de-
En la figura se nos muestra una visión gráfica
pendientes. de que lo que
Mostrándonos se representa
que al decir
las muertes y que las variables,solo
nacimientos tanto son
de nacimien-
iguales
tos como de muertes, son denso- dependientes. Mostrándonos que las muertes y
en un punto, que es justo en el lugar en donde se intersectan. 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 relaciona-
da muy cercanamente con Antes de embargo,
ella. Sin continuar,
no es preciso
debemos tener en
confundir unacuenta, que la función exponencial ya
con la otra.
que la función a estudiar está relacionada muy cercanamente con ella. Sin em-
bargo,
A continuación se presenta no debemos de
una representación confundir
cada unouna con
de los la otra.
modelos para darnos cuenta de lo que la semejanza
significa. A continuación se presenta una representación de cada uno de los modelos pa-
N t+1 = N tra + darnos
rd Nt [ cuenta de lo que la semejanza significa.
1- (Nt/K)
Es bueno mencionar el modelo de crecimiento discreto de una población, que se define como
Espareciera
bueno mencionar el al
modelo decontinuo
crecimiento discreto de una ori-
población, que
N t+1 = N t Este modelo
+ rd Nt [ 1- (Nt/K) ser análogo modelo y también al modelo
se define como
ginal del modelo exponencial. Pero este modelo esta ajustado al tiempo de re-
Este modelo trazo de longitud
pareciera 1.0.alLa
ser análogo población
modelo avanza
continuo en elalfuturo,
y también modelo dependiendo de laexponencial.
original del modelo po- Pero
este modelo blación en la al
esta ajustado fecha inicial;
tiempo es decir,
de retrazo la dinámica
de longitud dependeavanza
1.0. La población únicamente de rd.
en el futuro, dependiendo de la
población en la fecha inicial; es decir, la dinámica depende únicamente de rd.
58
Figura 36. Modelo ajustado al tiempo de retraso de longitud 1.0.

Observemos la representación de propia
Fuente: Autoría la gráfica que nos comunica que el ta-
maño de la población no es muy grande ni muy pequeño, simplemente tiene
una medida 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

Simulación
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 medida 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 radioac-
tivas.
Las poblaciones de seres vivos comienzan creciendo según una curva exponencial 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 crecimiento 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
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 características. L = 1000 y K = 9.
En la siguiente tabla se observa el número de conejos que habría en la isla según cada modelo.
Tabla 1. Número de conejos que habría en la isla según cada modelo
MES LOGISTICA EXPONENCIAL DIFERENCIA
0 10 10 0
1 10,89108911 11 0,108910891
2 11,85112635 12,1 0,248873653
3 12,88355435 13,31 0,426445649
4 13,99164763 14,641 0,649352367
5 15,178441 16,1051 0,926659001
6 16,44665058 17,71561 1,268959417
7 17,79858848 19,487171 1,688582524
8 19,23607239 21,4358881 2,199815713

MES LOGISTICA EXPONENCIAL DIFERENCIA
9 20,76033237 23,57947691 2,819144541
10 22,37191717 25,9374246 3,565507431
11 24,07060334 28,53116706 4,460563718
12 25,85531075 31,38428377 5,528973019
13 27,72402845 34,52271214 6,798683692
14 29,67375526 37,97498336 8,301228096
15 31,70045912 41,77248169 10,07202257
16 33,79905934 45,94972986 12,15067053
17 35,963435 50,54470285 14,58126785
18 38,18646215 55,59917313 17,41271099
19 40,46008101 61,15909045 20,69900944
20 42,77539323 67,27499949 24,49960626
21 45,12278758 74,00249944 28,87971187
22 47,49209081 81,40274939 33,91065858
23 49,87273923 89,54302433 39,6702851
24 52,25396479 98,49732676 46,24336197
Hay que poner mucha atención como durante los primeros meses los números 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 alcance un límite denominado capacidad de carga.
Experimenta retroalimentación negativa, la población crece solo hasta un límite, la capacidad de carga, y cuando se
supera disminuirá su tamaño.
Una población está influenciada en su mayor o menor grado por el medio ambiente, 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 creciendo inicialmente rápido en una fuente de
presión constante, es decir, se vuelven tan numerosas que pierden su capacidad de crecer debido a interacciones entre
los miembros de la población, resultando entonces, como habría 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 pérdi-
das 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 ob-
servar en la siguiente figura . Un ejemplo es el crecimiento de levadura en el fermento del pan. Primeramente, el creci-
Simulación
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 embargo, 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.
En esta figura se observa parte de la producción del modelo. El abastecimiento de energía es una fuente de presión
constante, y la población está extrayendo energía y retroalimentando para extraer más. El crecimiento de la población
es por esta razón, al principio, exponencial. No obstante, en la figura se nos muestra que la población, por interac-
ciones consigo misma, crea un drenaje acelerado de energía, el cual irá eventualmente a extraer energía suficiente
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 denominar el contenido del depósito. También recordemos que “cantidad” puede re-
ferirse 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 servicios 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, mayor 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 servicios altamente competitivos, sin embar-
go, no cuentan con la capacidad necesaria 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
Diagrama y/o servicios,
Objetivos Inicio dentro del cual la logística desempeña un papel decisivo.
La logística es una función de la organización que abarca el flujo material, financiero y de información asociado al
movimiento de los recursos.
de contenidos
seleccionadas
Leer articulo: Los modelos en la ingeniería de sistemas.
Fernández Sánchez, J. L. (Junio, 2005). Los Modelos en la Ingeniería de Sistemas. IX Congreso Internacional de Ingenieria
de Proyectos, 1–10. Disponible en http://www.ppooa.com.es/mis.pdf
nocimiento.
ACTIVIDAD FORMATIVA N° 2
de contenidos
Elaborar 04 modelos sencillos en los cuales se implemente sendos tipos de realimentación, en el software de simula-
ción”.
seleccionadas
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.
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 esencial 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 apropiados 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 endógenas y las variables exógenas que podrían variar en el
tiempo de acuerdo con el horizonte temporal.
La prueba de los límites del sistema tienen como propósito determinar qué variables son exógenas y cuáles son endó-
genas, es decir, cuales son influenciadas e influencian 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 siste-
ma 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 va-
riables del modelo.
Entre los elementos a considerar están el nivel de agregación, la topología del sistema físico y las reglas de decisión. Por
ejemplo, sería inconsistente tener un modelo 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 un nivel sean de unidades dife-
rentes 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 claro y evidenciable con respecto del
fenómeno modelado. Estas pruebas son realizadas 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 incrementa 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.
Simulación
También se puede usar el MAE: Mean Absolute Error, el MAPE: Mean Absolute Percent 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 modelo con respecto a los datos reales, se
usa el Estadístico de Theil, que permite obtener una medida del nivel de ajuste de un modelo conforme a la realidad
y consiste en dividir el cuadrado medio del error en tres componentes: sesgo (Um), variación desigual (Us, unequal
variation) y covariación desigual (Uc, unequal covariation). El sesgo crece cuando la salida del modelo y los datos rea-
les difieren en su media. La variación desigual indica que la varianza de las dos series difiere. La covariación desigual
indica que el modelo y los datos reales no están bien correlacionados, es decir, que difieren punto por punto.
Para un ejemplo completo se invita al lector a revisar el artículo titulado “Un modelo 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 carac-
terizando ciertas limitaciones del proceso “natural” de aprendizaje organizacional que ocasionan ineficiencias en el
mismo. Como solución plantea la constitución de un proceso “artificial”, en laboratorio, de aprendizaje organizacio-
nal. 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 aplicaciones de AO puede ser desagregada en tres grupos de interrogantes
particulares:
¿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 metodolo-
gía guía para ejercitar este proceso?
¿De qué manera el proceso “artificial” al ser “implantado” sobre el proceso “natural” mejora la eficiencia del aprendi-
zaje 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 resultado de experiencias de decisión y de acción en situaciones organiza-
cionales. 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 rea-
limentación, 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 investi-
gadores dinámico-sistémicos, como lo señaló Forrester, sugieren un proceso “artificial”. Este último, como todo proce-
so 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 necesario 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 organización, que se
denomina micromundo o mundo virtual.
El aprendizaje “artificial” en la organización es semejante al “natural”, lo que cambia es el objeto de aprendizaje y

acción, ahora es un mundo virtual. No cualquier modelo de la organización sirve como mundo virtual para el apren-
dizaje en laboratorio. Sobre el mundo virtual debe ser posible experimentar la toma de decisiones y, seguidamente,
recibir información de realimentación sobre sus consecuencias. El mundo virtual debe ser entonces un modelo que
simule el comportamiento dinámico de la organización ante diferentes alternativas de acción y bajo diferentes escena-
rios 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 organización? Un aprendizaje organizacional eficiente sería aquel que, en primer lugar, cumpla con el objetivo
principal de hacer explícitos y modificar los modelos mentales individuales y colectivos, lo cual sucede de manera es-
pontánea y esporádica en situaciones naturales; y que, en segundo lugar, permita el cumplimiento del objetivo de una
manera más rápida, mediante la superación de los obstáculos naturales citados, inherentes a la realidad organizacio-
nal. En consecuencia, se deben satisfacer 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 experimentación 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.
Simulación
Tema N° 4: Ejecución de pruebas diversas sobre un modelo.
1 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 mejorar 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 etapa a otra, por ejemplo, se
va de la etapa 1 a la 2, pero igualmente es posible regresar de la cinco a cualquiera de las demás fases.
1. Articulación del problema

(Determinación de los límites)
5. Evaluación y
2. Hipótesis
formulación de
Dinámica
Políticas
4. Prueba 3. Formulación
Figura 35. Proceso de modelado según Sterman.
Fuente: http://datateca.unad.edu.co/contenidos/301126/301126/f59.png
Proceso de modelado según Sterman.
Introducción a la validación de modelos
En los procesos de toma de decisiones en los que se usan modelos, ya sean formales 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 documentación, 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 mode-
lador.
Para el desarrollo de esta actividad se cuenta con una amplia gama de pruebas, que determinan la robustez y las limi-
taciones del modelo; es un proceso de construir 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 mode-
lo lo que se pretende es verificar que representa la realidad modelada y no meramente la realización de réplicas, no se
trata de que se repliquen 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 significación.
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 suaves) 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 estructura 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 repre-
sentación adecuada de la realidad o relaciones reales, y están acordes con los propósitos del modelamiento. Este tipo
de evaluación 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 estructura indirectamente al aplicar

ciertas pruebas de comportamiento sobre los patrones de comportamiento generados por el modelo. Por ejemplo, la
prueba de las condiciones extremas implica asignar valores extremos a parámetros seleccionados y comparar el com-
portamiento generado por el modelo con el comportamiento esperado 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, entonces daría como resultado el comportamiento (s) B.” El modelo se ejecuta bajo la
condición C y se dice que éste “pasa” la prueba comportamiento orientada a la estructura, si el comportamiento resul-
tante es similar al comportamiento esperado.
Para estos modelos, la validez significa en última instancia la validez de la estructura interna del modelo.
Aunque la validación estructural es crucial, la mayoría de la literatura sobre investigación 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 importancia 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 estructura a partir de los comporta-
mientos 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 comunican los resultados de la validación a los interesados
quienes proceden a su implementación.
Simulación
Construcción y revisiones
del modelo
Falla Fases
Desempeño directo
Pruebas de estructura Falla
Fases Falla
Desempeño indirecto
Pruebas de estructura
Fases
Pruebas de patrones de desempeño
Fases
Comunicar los resultados

e iniciar la implementación
Figura 38. Proceso de validación de un modelo.

Fuente: http://datateca.unad.edu.co/contenidos/301126/301126/f60.png
2 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 lugares en que con poco esfuerzo se logran resultados importantes. Se usará
el software Evolucion en el siguiente vinculo: simon.uis.edu.co
El análisis de sensibilidad permite:
• Estimar la sensibilidad de los resultados del modelo a cambios de un parámetro, realizando análisis del tipo “que
pasa si”.
• Conocer qué variables de riesgo son importante asociadas al manejo de incertidumbre, por ejemplo, una variable
es importante dependiendo de su participación 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 valores.
• El Análisis de Sensibilidad no representa las probabilidades para cada rango. Generalmente hay una pequeña pro-
babilidad 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
Para de
la conejos
mayoría aumentan —La cantidad
de variables, de conejos
la dirección esbaja
obvia
Conejos
Si los lobos aumentan
aumentan—No → Los
es tan obviozorros
cuandoaumentan
comienzan a disminuir los conejos
Las muertes de conejos aumentan → La cantidad de conejos baja
Si los
Un análisis lobos
basado enaumentan unaNo
el cambio de→ esvariable
sola tan obvio
no es cuando comienzan
realista porque a disminuir
las variables los conejos
están interconectadas.
Un análisis basado en el cambio de una sola variable no es realista porque las va-
• Si el número de conejos aumenta, la cantidad de zorros aumentará.
riables están interconectadas.
• Si se acabara la comida de los conejos, todos, conejos y zorros se disminuirían.
· Si el número de conejos aumenta, la cantidad de zorros aumentará.
Siguiendo con el modelo de zorros y conejos se proponen dos escenarios y se realiza el análisis de sensibilidad con
· Si se acabara la comida de los conejos, todos, conejos y zorros se disminui-
cambios en los parámetros del modelo y se observa el efecto sobre algunas variables del modelo.
rían.
Supóngase que se tiene el siguiente escenario, en el que se va a modificar la TNC (tasa natural de nacimiento de co-
Siguiendo
nejos sin con
presencia de el modelo de
depredadores) zorros
desde el 20 %y al
conejos se proponen
16 % disminuyendo doscaso
en cada escenarios
un 1%. Very lasesiguiente
reali- tabla
za el análisis de sensibilidad con cambios en los parámetros del modelo y se obser-
Tabla 2. Escenario 1. Modelo zorros y conejos.
va el efecto sobre algunas variables del modelo.
Supóngase que se tiene el siguiente escenario,
Escenario 1
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
Variables TMC en cada caso un 1%.
TNC ConejosVer la siguiente
TMZ tabla. Zorros
Var 1 0,05 0,20 15 0,08 5

Escenario 1
Var 2 0,05 Variables
0,19 TMC TNC Conejos
15 TMZ Zorros
0,08 5
Var 3 0,05 Var 10,18 0,05 0,20 15 15 0,08 5

0,08 5
Var 2 0,05 0,19 15 0,08 5
Var 4 0,05 0,17 15 0,08 5
Var 3 0,05 0,18 15 0,08 5
Var 5 0,05 Var 40,16 0,05 0,17 15 15 0,08 5
0,08 5
Fuente: Autoría propia. Var 5 0,05 0,16 15 0,08 5
Este escenario
Este escenario permite verpermite ver
qué sucede quécambios
si hay sucedeen si hayde
la tasa cambios
natalidaden la tasa
natural de
de los natalidad
conejos, natu-
obsérvese que pue-
de ser ral
un parámetro controlable por el modelador mediante algún tipo de medicamento
de los conejos, obsérvese que puede ser un parámetro controlable por el mode- o mediante la disminución
de machos enmediante
lador la isla. 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 pa-
Para hacer esto en Evolucion 4.1 inicialmente se escoge la opción “nuevo análisis
rámetros”, vea en la siguiente figura el círculo verde.
de sensibilidad con variación de parámetros”, vea en la siguiente figura el círculo
verde.
Figura 39. Ícono para un nuevo análisis de sensibilidad.

Análisis de Sensibilidad
Simulación
Se selecciona donde
Figura indica ladeestrella
40. Análisis verde la opción de trayectorias y se incluyen
Sensibilidad-Trayectorias.
los escenarios, ver la siguiente
Fuente: Autoría propiagráfica.
Se selecciona donde indica la estrella verde la opción de trayectorias y se incluyen
los escenarios, ver la siguiente gráfica.
Se selecciona donde indica ladonde
Se selecciona estrellaindica
verde la
la opción
estrellade trayectorias
verde y sede
la opción incluyen los escenarios,
trayectorias ver la siguiente gráfica.
y se incluyen
los escenarios, ver la siguiente gráfica.
Para el caso que nos41.

Figura ocupa se selecciona
Definición el parámetro, ver gráfico rojo. Luego se
de trayectorias.
escoge la variación,Fuente:recuerden que variamos de 20% a 16%, la TNC por eso se es-
Autoría propia
Para elPara
caso
coge que
caso nos
el-0.01, ocupa
óvalonos
que verde.
ocupase selecciona
Luego
se se escogeel
selecciona parámetro,
laparámetro,
el variable quever ver
se gráfico
quiere
gráfico rojo.rojo.
observar,
Luego Luego
es se se
Para elescoge
caso que la variación,
nos
decir, ocupa
qué se
pasa recuerden
selecciona
con la el
cantidadque de variamos
parámetro, ver
conejos, de
gráfico 20%
rojo.
cuadrado a
Luego
azul. 16%,
escoge la variación, recuerden que variamos de 20% a 16%, la TNC por eso se es- se
Luego la
escoge
se TNCla por eso
variación,
selecciona el se es- que va-
recuerden
riamoscoge
de 20% número
a 16%,
-0.01,
coge lade
TNC
óvalo
-0.01, iteraciones,
porverde.
verde.
óvalo seóvalo
esoLuego escoge
Luego marrón
-0.01,
sese y finalmente
óvalo
escoge
escoge verde.
la
la se que
Luego
variable
variable daque
clic
se en
escoge
se se Aceptar, estrella
la variable
quiere
quiere queesse quiere
observar,
observar, es observar, es
morada.
decir, qué pasadecir,
con laqué Elpasa
cantidadresultado
de laes
conconejos, el cuadrado
siguiente. azul. Luego se selecciona el número de iteraciones, óvalo marrón y
decir, qué pasa con la cantidad de conejos, cuadrado azul. Luego se selecciona el
cantidad de conejos, cuadrado azul. Luego se selecciona el
finalmente se da
número clic iteraciones,
número
de ende
Aceptar, estrella
iteraciones,
óvalo morada.
óvalo
marrónEl resultado
marrón es el siguiente.
yy finalmente
finalmente sese
dada
clicclic
en Aceptar, estrella
en Aceptar, estrella
morada. El resultado es el siguiente.
morada. El resultado es el siguiente.
Figura 42. Resultado del Análisis de Sensibilidad Escenario 1

72
72
Resultado
Resultado del Análisis de Sensibilidad del Análisis
Escenario 1 de Sensibilidad Escenario 1
Obsérvese como una baja en la tasa de natalidad natural provoca oscilaciones en la cantidad de conejos, parece que
Obsérvese
hay en el modelo como una baja encontra-intuitivo
un comportamiento la tasa deexplicado
natalidad natural
básicamente por provoca oscilaciones
el efecto látigo que se produceen
en ella
cantidad de conejos,
retardo y posiblemente parece
el efecto que hay
amplificador en el
que tiene modelo un comportamiento contra-
la no-linealidad.
intuitivo explicado básicamente por el efecto látigo que se produce en el retardo y
Se invita al lector para que diseñe nuevos escenarios de simulación teniendo en cuenta qué variable desea observar y
posiblemente
bajo qué condiciones. el efecto
Supongaamplificador que
este nuevo escenario tiene
en que la no-linealidad.
se analiza los cambios en la TMC y su efecto en los zorros.
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
Tabla 3. Escenario 2. Modelo zorros y conejos.
escenario en que se analiza los cambiosEscenario en la2 TMC y su efecto en los zorros.
Variables TMC TNC Conejos TMZ Zorros

Escenario 2
Var 1 0,05 Variables 0,2TMC TNC Conejos
15 TMZ 0,08
Zorros 5
Var 2 0,04 Var 1 0,20,05 0,2 15 15 0,08 0,08 5 5
Var 3 0,03 Var 2 0,20,04 0,2 15 15 0,08 0,08 5 5
Var 4 0,02
Var 3 0,03 0,2
0,2 15
15 0,08 0,08 5 5
Var 4 0,02 0,2 15 0,08 5
Var 5 0,01 0,2 15 0,08 5
Var 5 0,01 0,2 15 0,08 5
Y Yobservar
observar queque sucede
sucede con eldenúmero
con el número zorros en elde zorros
sistema. en suceder
Debería el sistema. Debería
algo como suceder
lo que se muestra algo
en la si-
como lográfica.
guiente que se muestra en la siguiente gráfica.
Resultado
Figura 43. Resultado del Análisis de del Análisis
Sensibilidad de
Escenario 2 Sensibilidad Escenario 2
ElEllector deberá
lector deberá interpretar
interpretar las variaciones
las variaciones a partir
a partir de las relaciones de de las relaciones
las variables del sistema yde
dar las variables
una explicación
del sistema y dar una explicación plausible.
plausible.
Simulación
UNIDAD II:
Diagrama
“PREPARACIÓN
Objetivos Inicio
Y PRUEBAS SOBRE LOS MODELOS.” MANUAL AUTOFORMATIVO 71

de contenidos
seleccionadas
Leer artículo: Aplicación de un modelo de simulación discreta en el sector del servicio automotor (pp. 51-61).
Ceballos Carillos, J. A., Restrepo Núñez, E. D., & Fernández Ledesma, J. D. (2013). Aplicación de un modelo de simu-
lación discreta en el sector del servicio automotor. Revista Ingeniería Industrial UPB, 01(01), 51–61. Disponible en
https://goo.gl/9k0B5f
Lee atentamente la lectura, reúne la información obtenida en un organizador de conocimiento.

Tema N° 5: 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, cambiará al ser visto en un horizonte de tiem-
po mayor. EL cambio en los sistemas ocurren en escalas de tiempo diferentes y esas escalas a veces interactúan. Una
estrella evoluciona a lo largo de millardos de años a medida que consume el hidrógeno, entonces explotará como una
supernova en segundos. Las subidas de los mercados de valores pueden mantenerse a los largo de años, para derrum-
barse en cosa de horas.”
El caso de las empresas puntocom en las Bolsas es representativo. Los economistas lo denominaban la burbuja. El
precio de las acciones de muchas empresas 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 alteran 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 localmente en un sistema (cerca del lugar
de los acontecimientos actuales) usualmente 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 motivación 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 acciones 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 media cercana a los 24.000.
Se organizan a sí mismos: La dinámica de los sistemas se presenta espontáneamente a partir de su estructura interna.
Usualmente, pequeñas perturbaciones aleatorias son amplificadas y moldeadas por la estructura de realimentación ge-
nerando patrones en el espacio y el tiempo y creando un camino de dependencia. 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 las
conchas marinas y los mercados todas emergen espontáneamente de la realimentación entre los agentes y elementos
del sistema.
Adaptativos: Las capacidades y las reglas de decisión de los agentes en los sistemas complejos cambian en el tiempo.
La evolución lleva a la selección y proliferación 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 nue-
vos logros encarando los obstáculos. Sin embargo, el aprendizaje no siempre beneficia.
Contraintuitivos: En los sistemas complejos las causas y los efectos están distantes 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 síntomas
de la dificultad en lugar de indagar en la causa subyacente. Las políticas de alto apalancamiento usualmente no son
obvias.
Simulación
Resistentes a las políticas: La complejidad de los sistemas en los cuales estamos involucrados supera nuestra habilidad
para comprenderlos. Resultado: Muchas soluciones a los problemas, aparentemente obvias, simplemente fallan o real-
mente 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 intervención 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 generalmente producen un mejoramiento transitorio antes de que el problema se
haga mayor”.
Tema N° 6: Diseño de módulos
1 Criterios de selección de componentes.
Los sistemas complejos se caracterizan fundamentalmente porque su comportamiento es imprevisible (que no debe
confundirse con aleatorio). Sin embargo, complejidad no es sinónimo de complicación. El término complejidad hace
referencia a algo enmarañado, enredado, de difícil comprensión. En realidad, y por el momento, no existe una defi-
nición 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 relativamente idénticos. Por ejemplo, el nú-
mero de células en un organismo, o la cantidad de personas en una sociedad.
• En segundo lugar, la interacción entre sus elementos es local y origina un comportamiento emergente que no pue-
de explicarse a partir de dichos elementos 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 economía hasta la biología molecular, desde la sociología hasta las matemáticas.
Por 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, química, biológica o social); entre
ellas, las leyes de crecimiento, la autoorganización y los procesos colectivos emergentes. Como ejemplos de sistemas
complejos se pueden mencionar -entre otros- una célula, un cerebro, un organismo, una computadora, un ecosistema,
una sociedad de insectos, un sistema inmunológico o una economía de mercado.
La mayoría de los sistemas complejos son inestables, se mantienen delicadamente equilibrados. Cualquier variación
mínima entre sus elementos componentes 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, si-
tuación en la que el orden y el desorden se alternan constantemente. Sus estados evolutivos no transcurren a través de
procesos continuos y graduales, sino que suceden por medio de reorganizaciones y saltos. Cada nuevo estado es sólo
una transición, un período de “reposo entrópico”, 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 potencial. 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, produciendo otra clase de desarrollo. Este comportamiento es típico en los siste-
mas naturales: 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 sistema, se denomina “auto-organización.
La auto-organización se erige como parte esencial de cualquier sistema complejo. Es la forma a través de la cual el
sistema recupera el equilibrio, modificándose y adaptándose al entorno que lo rodea y contiene. En esta clase de fenó-
Simulación
menos 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 comportar 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 resultado de un orden incremental espacio-temporal que se crea en diferen-
tes niveles, por estratos, uno por encima del otro.
Los sistemas autoorganizados se mantienen dentro del estrecho dominio que oscila entre el orden inmutable y el des-
orden 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 desorden 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 fenó-
menos 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 explorar través de medios computacionales. Esto se debe a que, desde el pun-
to de vista computacional, son sistemas irreducibles; es decir, la única forma de estudiar su evolución es mediante la
observación directa. Para su estudio, en consecuencia, se emplean sistemas computacionales en donde se simulan sus
componentes, 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) cuan-
do no hay certeza de su estado futuro, pero sí una probabilidad en su comportamiento. No obstante, esta clasificación
ha sufrido severos embates durante el último medio siglo. Por ejemplo, se descubrió que muchos sistemas dinámicos
no lineales se comportan -en ciertas condiciones- de forma tan compleja que parecen probabilísticos, aunque, en rea-
lidad, son deterministas. En otras palabras, a pesar de que las reglas -a nivel local- son muy simples, el sistema -a nivel
global- 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 dependen 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 totalmente diferente. Es decir, configuracio-
nes iniciales casi idénticas, sometidas a influencias externas casi iguales, acaban transformándose en configuraciones
finales 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 conoz-
can con gran precisión las ecuaciones meteorológicas 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, los procesos metabólicos de las células,
el mercado financiero mundial, los movimientos 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 ligado a los fenómenos de auto-organiza-
ción, ya que el sistema puede saltar espontánea 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, súbita-
mente, forma un chorro ordenado. Estos sistemas se caracterizan por su flexibilidad y adaptación (y, en consecuencia,
por su estabilidad), lo cual les permite enfrentar las condiciones cambiantes e impredecibles del entorno. Operan
bajo una extensa gama de condiciones, ya que parecen estar formados por una compleja estructura de muchos estados
ordenados, aunque normalmente ninguno de ellos se impone sobre los demás (a diferencia 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 adecuadamente, se les puede obligar
a que tomen uno de los muchos posibles comportamientos ordenados.
Fractales y naturaleza
La teoría del caos estudia la evolución dinámica de ciertas magnitudes. Al representar geométricamente el conjunto de
sus soluciones, aparecen modelos o patrones 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 asintótica-
mente en las inmediaciones de ciertos valores, como si describieran órbitas alrededor de ellos. Estos valores se conocen
con el nombre de atractores caóticos,atractores extraños o, simplemente, atractores (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 escalas en que se la observa; es decir, a través
de sucesivas amplificaciones (diferentes 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 propiedades de una recta y de un plano. No obstante, la dimensión fractal no
tiene el mismo significado que las dimensiones del tradicional espacio euclidiano: fractales con dimensiones ente-
ras (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 nie-
ve, y una gran cantidad de otros objetos difíciles de describir por la geometría convencional. Como se puede apreciar,
se trata de formas en perpetuo crecimiento. 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.
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 diferen-
tes grados de complejidad- únicamente reiterando innumerablemente el mismo proceso. 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 complejidad, 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 huma-
nos haya engendrado especies tan distintas. Este proceso también puede esclarecer, en buena medida, cómo la escasa
información contenida en una célula germinal es capaz de originar seres tan increíblemente complejos.
El desarrollo de un sistema se verifica al pasar de un estado más general y homogéneo (indiferenciado) a otro más
especial y heterogéneo (diferenciado). Esta transición se da gracias a la “especialización” y a la “división del trabajo”:
progresivamente 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
jerárquico” de partes o procesos. Este principio de diferenciación es muy frecuente tanto en biología como en psico-
logía y, aun, en sociología. En el desarrollo embrionario, por ejemplo, las células se van agrupando y subordinando a
los llamados “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.
Simulación
UNIDAD II:
Diagrama
“PREPARACIÓN
Objetivos Inicio
Y PRUEBAS SOBRE LOS MODELOS.” MANUAL AUTOFORMATIVO 77

de contenidos
seleccionadas
Leer artículo: Carácter interdisciplinario de la modelación computacional en la solución de problemas de salud (pp. 646-
658).
González Carbonell, R. A., Nápoles Padrón, E., Calderín Pérez, B., Cisneros Hidalgo, Y., & Landín Sorí, M.
(2014). Carácter interdisciplinario de la modelación computacional en la solución de problemas de salud. Hu-
manidades Médicas, 14(3), 646–658. Disponible en http://scieloprueba.sld.cu/scielo.php?script=sci_pdf&pi-
d=S1727-81202014000300006&lng=es&nrm=iso&tlng=es
nocimiento.
ACTIVIDAD FORMATIVA N° 3
de contenidos
Elaborar un modelo de simulación modularizado y organizado.
INSTRUCCIONES:
seleccionadas
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 mo-
dularizado.
Objetivos Inicio
AUTOEVALUACIÓN DE LA UNIDAD II
s
1. ¿En qué consiste la prueba de los límites del sistema?
s 2. ¿Para qué se realiza la prueba de la estructura del sistema?
3. ¿Cómo se aplica la evaluación de parámetros?

o Anotaciones Chat
4. ¿Cuál es el sentido de aplicar una prueba extrema?
5. ¿La prueba de reproducción del comportamiento qué permite?

78
Simulación
UNIDAD III: “INTERACCIÓN DEL MODELO Y SU ENTORNO.”

de contenidos
DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD III

Diagrama
seleccionadas Objetivos Inicio

Desarrollo
Recordatorio Actividades
Anotaciones Autoevaluación
Chat
de contenidos
seleccionadas
ORGANIZACIÓN DE CONTENIDOS
Recordatorio
Diagrama Anotaciones
Objetivos Chat
Inicio

Unidad III: “Interacción del modelo y su
de contenidos 1. Comprender la importancia de conectar 1. Valora la importancia de crear modelos
entorno” el modelo con orígenes de datos. que permitan simular situaciones de la
6º Video clase 2. Realizar la conexión de un modelo con vida real.
Tema N° 1: Importación y exportación de un origen de datos para su posterior 2. Comprende el uso de la simulación y su
datos en archivos de bases de datos.
seleccionadas análisis y discusión. importancia dentro el ámbito de su carrera
3. Analizar la necesidad de una GUI para y del quehacer humano para lograr una
1. Preparación del repositorio. cultura de calidad.
los modelos.
2. El proceso de importación. 3. Fomenta el trabajo en equipo sus conoci-
Control de Lectura Nº 2
3. El proceso de exportación. mientos para la realización de modelos de
Recordatorio Anotaciones Chat Presentar del origen de datos del modelo a simulación de casos de la vida real.
Tema N° 2: Creación de la interfaz de inte- trabajar, incluyendo los datos de entrada y
racción de los modelos y el usuario final. salida.
1. Necesidad del uso de un modelo.
Romero, W., Hernández, J. T., Ibarra, J. C., &
Ordóñez, S. (2009). Plataforma de simula-
ción y visualización para el apoyo al análisis
y toma de decisiones en proyectos de mo-
vilidad urbana. Revista de Ingeniería, (29),
52–58. Disponible en http://www.scielo.org.
co/pdf/ring/n29/n29a7.pdf
7° Video clase 3. Analizar los componentes que necesita

Tema N° 3: Diseño y creación de la Interfaz para poder diseñar una GUI en un
gráfica de usuario. modelo.
1. Criterios de diseño. 4. Organizar la interfaz usando compo-
nentes gráficos
2. Organización de la interfaz.
Actividad N° 4
Elaborar el diseño de la interfaz de su mode-
Calderón, J. L., & Lario, F. C. (2007). Simula- lo de simulación.
ción de cadenas de suministro: Nuevas apli-
caciones y áreas de desarrollo. Información
Tecnológica, 18(1), 137–146. http://www.
scielo.cl/pdf/infotec/v18n1/art18.pdf
80 UNIDAD III: “INTERACCIÓN DEL MODELO Y SU ENTORNO.”
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 requieren para la simulación del comporta-
miento del sistema.
PROCESAMIENTO: Se comprenden las actividades requeridas para transformar 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 estén 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.- L
as 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 utilidad mínima, económica y rápida de
obtener cierto tipo de información complementaria.
3.- Los estudios de campo: son el método mas efectivo, aunque más costoso y tardado, de obtener información requeri-
da. Se requiere el diseño de una muestra estadística representativa del universo bajo estudio; de un cuestionario que
asegure la relevancia y confiabilidad de un cuestionario y que asegure la relevancia y confiabilidad de los mismos
y de personal entrenado que aplique la encuesta. La información capturada se mete a la computadora a través de
algún paquete y se edita.
Por ejemplo, bajo estos criterios, se han desarrollado técnicas que hoy día se usan ampliamente en las empresas, inte-
grando datos, simulación y negocios, una de ellas es el aprendizaje automático.
Simulación
UNIDAD III: “INTERACCIÓN DEL MODELO Y SU ENTORNO.” MANUAL AUTOFORMATIVO 81
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 sistemas (algorítmicos) que son capaces de aprender con base en entra-
das/salidas de datos informáticos.
Una de las principales características es que se aprende por la experiencia de los datos, lo cual es importante para to-
mar decisiones en las grandes organizaciones. El aprendizaje automático incorpora otras disciplinas como lo analítico
con el análisis 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 relacio-
nado con el Big Data, al igual que está vinculado a modelos de predicción, simulación y optimización. Este tipo de mo-
delos son relevantes con algoritmos genéticos, aprendizaje similar, aprendizaje representacional, aprendizaje basado
en árboles de decisión, aprendizaje en reglas de decisión, programación 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 (Business Intelligence) al integrar Ma-
chine Learning a sus procesos de producción, tanto 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 reconocimiento, para conseguir esto deben
tener en cuenta:
• Mejorar las capacidades de análisis de negocio existentes con minería de datos y análisis productivo, como técnicas
para abordar los problemas complejos 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 conoci-
miento mediante la identificación de correlaciones.
• Ante este nivel, se debe impulsar la incorporación de capacidades de detección 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 cono-
cimiento 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 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 desarrollo de modelos más eficaces. La combinación de métodos analíti-
cos puede garantizar 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 procesado en paralelo es un verdadero desafío. La toma de decisiones en el
tiempo contemporáneo 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 entorno 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 em-
presas 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 investigador 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 inves-
tigador.
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 destacados se comparan en la siguiente Tabla.
Tabla 4. Paradigmas de los Sistemas de Información más relevantes y utilizados.
Paradigma positivista paradigma interpretativo paradigma crítico
El mundo de aprende de la Relativismo, subjetivismo u Realismo crítico

realidad objetiva, absoluta (objetivo)
El mundo está dado y es inde- La realidad está construida en La realidad está delineada por
pendiente del observador un contexto valores sociales, políticos, cultu-
ontologia rales, económicos, étnicos y de
género.
El tiempo es un factor influyente
Un universo único de referencia Un universo por observador, Hay tres universos, el del sujeto,
conducente a una multiplicidad el del objeto y de la comunidad.
de universos (o multiverso)
Dualista / objetivista Transaccional / subjetivista Transaccional / subjetivista

Epistemologia
Hallar la verdad Crea los hallazgos Los hallazgos están medidos por
los valores
Experimental / manipulativo. Hermeneútico / dialéctico Dialógico / dialéctico

Verificación de hipótesis.
Causal.
Uso de métodos cuantitativos.
Metodología La captura de datos es una
función separada del análisis de
datos.
Es étic. Es emic.
Es nomotético. Es idiográfico.
Genera un saber técnico donde Genera un conocimiento prac- Genera un conocimiento para
Objeto de investigador se trata de predecir y controlar el ticó enfocado en la interacción emancipar a las personas
mundo natural y social humana
Fuente: Estay-Niculcar’s, C. (2010) Disponible en https://cestay.wordpress.com/2010/09/02/investigacion-cualitativa-en-sistemas-de-informa-

cion-instrumentos-de-investigacion-15-paradigmas-positivista-interpretativo-y-critico/
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, múltiple e interactiva y, porque el razonamiento científico y el razonamiento del
sentido común son procesos similares. Es un realismo crítico donde la realidad es aprendida de forma imperfecta y
Simulación
probabilística. Se asume que los observadores están sesgados y todas las observaciones son subjetivas. La objetividad
sólo puede ser posible triangulando, con lo cual la objetividad es un producto y un fenómeno social. En Sistemas
de Información ha tenido importancia, aunque en realidad los estudios que le citan mezclan aspectos positivistas
con interpretativos.
• El Paradigma Antipositivista, donde las realidades científica y social son interpretadas por medios no empíricos y la
investigación está sujeta a las subjetividades del investigador. En Sistemas de Información solamente aparece citado
en los primeros años de disciplina de la simulación , cuando se buscaba alejarse del positivismo como medio de
conocer y comprender la realidad.
• El Paradigma Constructivista considera que cada persona construye una visión de mundo basándose en sus per-
cepciones y en su evolución. Es un relativismo 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 conta-
dos estudios donde se menciona la idea de construcción social de procesos de desarrollo de sistemas. No obstante,
como paradigma en Sistemas de Información no es explícito.
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 observación del investigador.
• El Paradigma Subjetivista considera que cada persona tiene experiencias privadas, las cuales son la base del conoci-
miento 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 particula-
ridad 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 ob-
jetivo de obtener y/o probar teorías. En este proceso se hacen uso de proposiciones formales, mediciones cuantitativas,
e inferencias, 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 Información, como un monismo donde los
investigadores o son ortodoxos de modelos de ciencia (mainstream navigators), o son defensores o dueños de paradig-
mas (unity advocates o Defensores de la unidad).
En Sistemas de Información, el positivismo es el paradigma más utilizado en la investigación en Sistemas de Informa-

ción, alcanzando a ocupar un 97 % de los estudios analizados.
Con este paradigma en Sistemas de Información se han formado las bases para el conocimiento generalizable, a me-
nudo 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;
• ‘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 significa-
dos 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 estu-
dio y que las representaciones teóricas 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, auditable y escrutable.
• Confirmabilidad: busca que los resultados se basen en datos fiables y coherentes, 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 – caba-
llero del cambio- (al otro extremo de los mainstream navigators y cerca de los unity advocates). En este caso, el inves-
tigador alterna objetivos, métodos, teorías o filosofías de la ciencia, todo lo que sea necesario en una investigación en
Sistemas de Información, para enfrentar la naturaleza 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 sociales. Por este motivo, la investigación
se enfoca comprender la percepción que las personas comparten sobre los sistemas, y en cómo surgen y son sostenidos
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 contendrá. 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 fenómenos 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 actitud de cuestionamiento frente al mun-
do; y,
Simulación
• se asume que las personas pueden cambiar o emanciparse de sus condiciones sociales y económicas, dentro de do-
minaciones, 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 pos-
terior 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, puede 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 conocer 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 organización y hacer análisis explora-
torios de la realidad organizacional para determinar 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 des-
cripciones extensas y ayudan a reflejar de mejor manera, entre otras cosas, los sentimientos y las emociones.
El método de investigación permite identificar la perspectiva a aplicar sobre un proceso de investigación, lo cual signi-
fica 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 métodos 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 .
Estudio de Caso
Es la investigación empírica de un fenómeno del cual se desea aprender dentro de su contexto real cotidiano. El Es-
tudio de caso es especialmente útil cuando los límites 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, independiente de si se sigue una postura positivista o interpretativa. Al final emite
un informe conocido coloquialmente como “el caso”.
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

Los Estudios de Caso presentan diversas variaciones dependiendo de las siguientes variables:
variables:
• cantidad de casos (simple o múltiple);
• cantidad de casos (simple o múltiple);
• unidades
• unidades de análisis deoanálisis
(holístico (holístico o detallado);
detallado);
• objetivo de la investigación (descriptiva, demostrativa, generativa); y,
• objetivo de la investigación (descriptiva, demostrativa, generativa); y,
• temporalidad (diacrónico, sincrónico).
• temporalidad (diacrónico, sincrónico).
En Sistemas de Información han sido usados ampliamente, en estudios principal-
En Sistemas de mente positivistas,
Información parausados
han sido acercarse a una realidad,
ampliamente, estudiar
en estudios procesos, efectuar
principalmente estu-
positivistas, para acercarse a
dios comparativos,
una realidad, estudiar y llegar
procesos, efectuar al conocimiento
estudios profundo
comparativos, y llegar aldel efecto e impacto
conocimiento profundodedel
losefecto e impac-
to de los sistemas.
sistemas.
Dinámica
Figura de un de
44. Dinámica Estudio de de
un Estudio Caso
Caso- (c) Christian A. Estay-Niculcar
Fuente: Estay-Niculcar’s, C. (2010) Disponible en https://goo.gl/84pGb8
Teoría Fundamentada en Datos (grounded theory)

Teoría Fundamentada
La Teoría Fundamentada en Datos es unen Datosdonde
proceso (grounded theory)ni manifiestan referencias a datos externos al
no se exponen
fenómeno, como tampoco teorías previas. Todo lo que ocurre es entre el investigador y los datos que se manejan del
La Teoría
fenómeno, versus Fundamentada
las categorías endescubriendo
que se van Datos es un yproceso donde
una teoría que no se exponen ni manifies-
va emergiendo.
tan referencias a datos externos al fenómeno, como tampoco teorías previas. Todo
lo que
En otras palabras, en ocurre es entre
tal proceso el investigador
los datos y los
usados son sólo del datos que se manejan
área sustantiva, del fenómeno,
el problema, temática o área de interés
abordada, sin versus
hacer referencia a nada más.
las categorías que se van descubriendo y una teoría que va emergiendo.
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 acerca de cómo establecer
95
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 haciéndose parte de ella según sea con-
Simulación
veniente 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 producto de que los análisis de datos permiten identificar estructuras
organizacionales subyacentes en la comunicación humana, que se encuentran en procesos ‘hilvanados’ 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 implementation of this approach”. Así, Babchuck habla de una variante ‘straus-
siana’ 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 organizaciones educativas; o,
• directamente en la relación individuo/grupo y sistemas, por ejemplo, estudiando 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 comen-
tarios en la literatura que permitan distinguir alguna, salvo el caso de Estay y Pastor quienes señalan 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.
Dinámica de la Teoría
Figura 45. Dinámica Fundamentada
de la Teoría Fundamentada de deDatos
Datos (grounded theory) - (c) Christian A.
Fuente: Estay-Niculcar’s, C. (2010) Disponible en https://goo.gl/yN5VWE
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 acción ‘How can I improve the quality of my practice here?’ versus la
pregunta pasiva implica,
del investigador ‘What como su
is happening nombre indica, acción e investigación, en el
here?’.
sentido de unir teoría y práctica. Investigación-Acción enfrenta la pregunta de ac-
ción
Hult y Lennung (en‘How can
1980) I improve
le definen de the quality of
la siguiente my practice
manera: “Actionhere?’ versus
Research la preguntaassists
simultaneously pasiva in practical pro-
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
blem-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 applicable 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 Investigación-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
Seinvolucrados
ayuda a los emiten informes en conjunto
en la realidad a manejarentre investigador
herramientas que les y los involucrados
permitan en laproblemas
enfrentar nuevos reali- de me-
jora y cambio.
dad. Luego de la investigación, los participantes están en condiciones de emitir in-
formes sobre la experiencia.
Se emiten informes en conjunto entre investigador y los involucrados en la realidad. Luego de la investigación, los
participantes están en condiciones de emitir informes sobre la experiencia.
Ende
En Sistemas Sistemas de se
Información Información se pueden
pueden consultar consultar
textos de textos
Baskerville deresumen
para un Baskerville para un re-
general.
sumen general.
Figura 46. Dinámica

Dinámica de Investigación-Acción - (c) Christian A. Estay-Niculcar
de Investigación-Acción
Fuente: Estay-Niculcar’s, C. (2010) Disponible en: https://goo.gl/lrzxB1
Etnografía
Etnografía
La Etnografía es el estudio descriptivo de las actividades de un grupo humano determinado.
La Etnografía es el estudio descriptivo de las actividades de un grupo humano de-
Hablar de variantes etnográficas es complicado dado que la etnografía depende de cada investigador. Sobre este tema,
terminado.
se señalan algunas diferencias que podrían establecer variantes. Aparte está la etnometodología, considerada un tema
particularHablar
de Etnografía que una variante.
de variantes Apartees
etnográficas se complicado
diferencia unadado
etnografía
que la holística, una semántica
etnografía dependey de
otra de com-
portamiento, mientras otros autores hablan de una etnografía crítica.
cada investigador. Sobre este tema, se señalan algunas diferencias que podrían
establecer variantes. Aparte está la etnometodología, considerada un tema particu-
En una Etnografía, un investigador se introduce en una realidad y la vive. A partir de esta vivencia luego escribe una
lar de Etnografía que una variante. Aparte se diferencia una etnografía holística,
historia.
una semántica y otra de comportamiento, mientras otros autores hablan de una
etnografía
Para Sistemas crítica. la Etnografía ha ofrecido un riguroso método de análisis del contexto institucional de la
de Información,
práctica de los sistemas donde el contexto es una noción social de significados construidos en un universo de discurso.
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
Simulación
Específicamente ha permitido identificar procesos, al seguir el comportamiento de las personas frente a un sistema
y, la organización en su evolución estructural frente a las infraestructuras tecnológicas que sustentan y/o se basan en
sistemas.
En particular, en Sistemas de Información se destacan algunos importantes estu-
diosenetnometodológicos,
En particular, pues
Sistemas de Información permiten
se destacan acercarse
algunos y comprender
importantes de mejor manera
estudios etnometodológicos, pues permi-
ten acercarse
el escenario donde se manifiesta Sistemas de Información, en esencia, prácticas deen esencia,
y comprender de mejor manera el escenario donde se manifiesta Sistemas de Información,
prácticas de trabajosingulares
trabajo singulares vinculadas
vinculadasa sistemas.
a sistemas.
Dinámica de una
Figura 47. Dinámica Etnografía
de una Etnografía - (c) Christian A. Estay-Niculcar
Fuente: Estay-Niculcar’s, C. (2010) Disponible en https://goo.gl/VB5XNC
Otros métodos
Otros métodos
Otros métodos que aparecen dentro de la disciplina de la simulación son: fenomenología, interaccionismo simbólico,
Otros métodos
estudios históricos e historiasque aparecen dentro de la disciplina de la simulación son: fenome-
de vida.
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 co-
Fenomenología. La fenomenología considera que la base de todo conocimiento es
sas. Por esta razón, para un fenomenólogo, conocer es comprender. Se introduce así una forma de comprender y cono-
la búsqueda de la esencia de las cosas. Por esta razón, para un fenomenólogo, co-
cer, más que una forma de explicación o, en otras palabras, un método para conocer y encontrar la esencia de las cosas.
nocer es comprender. Se introduce así una forma de comprender y conocer, más
que unaobliga
La fenomenología forma de explicación
a introducirse en el o, en enigmático,
hecho otras palabras, un método
y problema para conocer
de la investigación, que ylasen-
cosas aparez-
contrar la esencia de las cosas.
can como ellas mismas frente al investigador. Por ello intenta conocer la estructura esencial de un fenómeno, asumien-
do que los significados son emanados de la conciencia del observador.
La fenomenología obliga a introducirse en el hecho enigmático, y problema de la
En Sistemas investigación,
de Informaciónque las cosas
ha servido para aparezcan como de
proveer un método ellas mismas frente
interpretación a partiraldel
investigador.
observador. Su utilidad
actualmente Porse ello intenta
orienta como conocer la estructura
complemento esencial
a otros métodos, de unen
asistiendo fenómeno, asumiendo
el proceso de descubrir laque los del signi-
esencia
significados son
ficado de las interpretaciones. emanados de la conciencia del observador.
En Sistemas de Información ha servido para proveer un método de interpretación a

Esto último se hace en el entendido qué, para conocer real y efectivamente los sistemas en su relación con las personas,
partir
debe incluirse del observador.
el carácter fenoménico Su utilidad actualmente
del conocimiento se de
sobre Sistemas orienta como que
Información complemento a
tienen las personas.
otros métodos, asistiendo en el proceso de descubrir la esencia del significado de
las interpretaciones.
Interaccionismo simbólico. Considerado como método, el Interaccionismo Simbólico es una forma de conceptualizar
el mundo comprendiendo las interacciones de las personas a través del lenguaje. Aporta una visión que permite tratar
Esto último se hace en el entendido qué, para conocer real y efectivamente los sis-
la producción y reproducción social que se manifiesta en la naturaleza simbólica de la comunicación.
temas en su relación con las personas, debe incluirse el carácter fenoménico del
conocimiento
En Sistemas de Información sobre Sistemas
actúa de Información
como modelo o patrón de que tienen las
comprensión parapersonas.
identificar el significado dentro de
intercambios comunicacionales. En este sentido, ha servido para conocer la apreciación existente sobre procesos de
Interaccionismo simbólico. Considerado como método, el Interaccionismo Sim-
cambio tecnológico, por su énfasis en procesos diarios que se concretan en realidades colectivas, identificando símbo-
bólico es una forma de conceptualizar el mundo comprendiendo las interacciones de
99
los y signos recurridos por las personas.
Estudios históricos. Un estudio histórico comprende la economía, las instituciones, los datos históricos, los relatos
personales, los estudios de género, las tecnologías, la cultura, las personas, etc., concentrándose eso sí, siempre, en los
procesos. Por otra parte, un estudio a-histórico es lo estático, de corto (muy corto) plazo, 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, teorías y principios asociados con la in-
vestigación histórica, una forma de dirigir datos y fuentes, responder preguntas y construir teorías basadas en la eviden-
cia 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 planteamientos formales sobre como usarlo.
Igualmente, otros estudios específicos podrían asociarse a este método. En particular se ha planteado que puede servir
para informar y contextualizar eventos, como parte de un proceso de razonamiento inductivo y como fuente de nuevas
hipótesis.
Historias de vida. Historia de Vida es el análisis de información proveniente directamente de las personas que han
vivido experiencias o han sido parte de determinados fenómenos o procesos. Para lo anterior se recurre a la narración
explícita de la persona, donde el investigador 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 explí-
citas, aunque muchos estudios de casos, puede decirse, consideran como fuentes de datos narraciones de historias de
vida. Su potencial para disciplina de la simulación es el de estudiar los procesos organizacionales 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 deno-
minación se agrupan técnicas y procedimientos empleados en la observación y recolección de datos.
Entrevista/Encuesta. Mientras la Entrevista es el mecanismo de captura consistente en realizar un conjunto de pregun-

tas 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 directa.
Registro AudioVisual. Consiste en el análisis de documentos visuales, entiéndase 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
correos 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.
Simulación
Tabla 5. Técnicas de captura de datos usadas en la disciplina de la simulación
Técnica Fortalezas Debilidades
Se puede enfocar directamente Sesgos y manipulaciones en pre-

en el problema. guntas y/o respuestas.
Entrevista/Encuesta
Entrevista Permite detectar y profundizar Pérdidas por olvidos y/o mala

en aspectos causales. retroalimentación.
Esperar lo que se quiere oír.
Se puede enfocar directamente Baja tasa de respuesta.

en el problema. Formularios mal diseñados.
Encuesta
Facilita el anonimato. Manipulación de las preguntas y
Es cuantitativa y/o cualitativa. en las respuestas permitidas.
Observación Directa Cubrir eventos en tiempo real. Consumo de horas-hombre (cos-

Permite acceder al contexto. to y tiempo).
Selectividad y ámbito de la ob
servación.
Pérdida de la continuidad del
proceso.
Alteración del proceso.
Observación
Transculturalidad.
Observación Participante Cubrir eventos en tiempo real. Consumo de horas-hombre (cos-

Permite acceder al contexto. to y tiempo).
Permite conocer el proceso, el Selectividad y ámbito de la ob
comportamiento, las motiva servación.
ciones, etc. Alteración y manipulación del
proceso.
Transculturalidad.
Consume recursos económicos.

Se aprecia la dinámica del fe
Registro Audiovisual Pérdida de privacidad de los
nómeno.
sujetos.
Recopilación de documentos Repetibilidad de la revisión. Potencialmente existe baja tasa

Recopilación de Documentos y Archivos
Acceso a referencias exactas. de recuperabilidad.

Cubrir amplio espacio de tiem- Sesgo en la selectividad.
po, eventos, espacio, etc. Documentos incompletos.
Accesos bloqueados o no per
mitidos.
Recopilación de archivos Repetibilidad de la revisión. Potencialmente existe baja tasa

Acceso a referencias exactas. de recuperabilidad.
Cubrir amplio espacio de tiem- Sesgo en la selectividad.
po, eventos, espacio, etc. Documentos incompletos.
Precisión y uso de bases de Accesos bloqueados o no per
datos. mitidos.
Es cualitativa y cuantitativa.
Comprender los aspectos Dificultad o problemas en obte

culturales. nerlos.
Recopilación de Artefactos
Comprender las operacio- Selectividad.
nes técnicas.
Experiencia Personal Facilidad de obtención. Sesgos, olvidos propios volunta

rios o involuntarios.

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 naturaleza 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 textos sagrados de la Biblia, como una
palabra para designar la facultad de comprender o la perspicacia sutil e intuitiva de conocer a los demás.
La hermenéutica es la reacción al realismo filosófico, entendiendo que la comprensión 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 nivel de los sujetos estudiados. Pero,
existe un segundo ciclo, donde el investigador analiza su propia realidad aplicando el mismo principio del ciclo her-
menéutico pero 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 interpretaciones sobre los sistemas direc-
tamente de los sujetos estudiados y sus realidades inmediatas. El segundo ciclo, poco referenciado en la literatura de
disciplina de la simulación , ha permitido comprender de mejor manera el proceso de investigación.
Mecanismos de clasificación/categorización. Se pueden mencionar dos técnicas útiles y probadas de clasificar y cate-
gorizar datos provenientes, una de la Teoría Fundamentada en Datos y, otra, de la Etnografía.
• Clasificación/categorización según la Teoría Fundamentada en Datos. La Teoría Fundamentada en Datos en esen-

cia busca clasificar los datos en tres categorías: conceptos, categorías y proposiciones , con los cuales consigue gene-
rar 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 conversacionales de un dominio, siguiendo cuatro tipos de análisis : análisis de dominio,
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 da-
tos 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 dife-
rencia radica en el enfoque de visión sobre los datos:
• ‘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 contenidas;

Simulación
• Análisis de conversación que analiza y estudia la interacción entre personas, y,
• Análisis de discurso, ubicándose entre los dos previos y asumiendo la iteratividad del ciclo hermenéutico de descu-
brir el significado, analiza y estudia la estructura del discurso subyacente en la interacción social.
Mecanismos de presentación de datos. Aquí sencillamente tiene cabida los diversos medios o instrumentos de repre-
sentación, que incluye texto, imagen y diagramas.
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.
• 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 analizado. El texto es una secuencia de frases
y palabras concatenadas mediante diferentes ordenamientos, tanto lingüísticos como sociales e institucionales. Una
narración puede darse en el contexto de una conversación, en un intercambio epistolar, dentro de un grupo de
discusión que usa correo electrónico, artículos de un personaje, etc.
• Metáfora. Una Metáfora es un tropo de dicción que consiste en expresar una idea valiéndose 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, usualmente usados para explicar orígenes o
transformaciones de algo. Organizacionalmente es una creencia no cuestionada sobre prácticas de ciertas técnicas
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 naturaleza 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 sobre la base de las siguientes categorías
superiores (‘major categories’) preestablecidas: condiciones causales, fenómeno, contexto, condiciones que intervie-
nen, estrategias de acción/interacción, y consecuencias, según el modelo paradigma. Axial coding es equivalente en
Sistemas de Información a identificar y definir las vinculaciones entre clases según determinadas clases aglutinadoras,
como el modelo paradigma, 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 ejemplo, madre-type_of-persona e hijo-ty-
pe_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 taxonomías culturales, mostrando las relacio-
nes entre todos los términos del dominio.
• Análisis de componentes: considera la existencia de atributos descriptivos en términos de dominio (componentes

de significados, categorizando un grupo, por ejemplo, por sexo y edad).
• Análisis de tema: considera identificar reglas, lenguaje, rituales, rutinas en el estudio.

Tema N° 2: Creación de la interfaz de interacción de los modelos 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 continuamente decisiones acerca de las acciones que ejecutará sobre el siste-
ma. 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 sistema mismo; pero factores de costos, seguridad y otros hacen que esta
opción generalmente no sea viable. A fin de superar estos inconvenientes, se reemplaza el sistema real por otro siste-
ma que en la mayoría de los casos es una versión simplificada. Este último sistema es el modelo a utilizar para llevar a
cabo las experiencias necesarias sin los inconvenientes planteados anteriormente. Al proceso de experimentar 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 simulación.
• Modelo: Un objeto X es un modelo del objeto Y para el observador Z, si Z puede emplear X para responder cues-
tiones 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 comportamiento del sistema o de evaluar diversas estrategias para el funcionamien-
to del sistema (Shannon, 1988).
Aplicaciones de la simulación
La simulación es conveniente cuando:
• No existe una formulación matemática analíticamente resoluble. Muchos sistemas reales no pueden ser modelados
matemáticamente con las herramientas actualmente disponibles, por ejemplo la conducta de un cliente de un
banco.
• Existe una formulación matemática, pero es difícil obtener una solución analítica. Los modelos matemáticos utiliza-
dos 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 seguridad, de calidad o éticos. En este
caso el sistema real esta disponible para realizar experimentos, pero la dificultad de los mismos hace que se descarte
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 variar 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 condi-
ciones actuales, no pueden esperar a que un tornado arrase una ciudad para luego dar el mensaje de alerta. Por el
contrario, existen fenómenos muy rápidos que deben ser simulados para poder observarlos en detalles, por ejem-
plo una explosión.
Simulación
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 experimentación 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 general el modelo se utiliza para experimen-
tar 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 distribuir personal, determinar la política de
producción.
• Plantas industriales: Brinda información para establecer las condiciones óptimas de operación, y para la elabora-
ción de procedimientos de operación y de emergencias.
• Sistemas públicos: Predice la demanda de energía durante las diferentes épocas del año, anticipa el comportamien-
to del clima, predice la forma de propagación de enfermedades.
• Sistemas de transportes: Detecta zonas de posible congestionamiento, zonas con mayor riesgo de accidentes, predi-
ce la demanda para cada hora del día.
• Construcción: Predice el efecto de los vientos y temblores sobre la estabilidad 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 estudiar la sensibilidad del diseño con res-
pecto 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 me-
didas 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:
• 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 inestabilidad que provocó la caída.
• El regreso del Apolo 13: La simulación jugó un rol fundamental en la determinación 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 calentamiento 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 estadounidenses 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 simuladores. Actualmente se utilizan para en-
trenar pilotos de aviones comerciales 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 estudio. Es la que utilizan las empresas auto-
motrices cuando realizan ensayos de choques de automóviles utilizando unidades reales.
• Cuasi-identidad: Se utiliza una versión ligeramente simplificada del sistema 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 laboratorio.
Se pueden distinguir dos tipos de simulaciones:
• Juego operacional: Personas compiten entre ellas, ellas forman parte del modelo, la otra parte consiste en compu-
tadoras, maquinaria, etc. Es el caso de una simulación de negocios donde las computadoras se limitan a recolectar
la información generada por cada participante 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 computadora no se limita a recolectar información, sino que también la genera. 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 com-
putacional. Las personas quedan excluidas del modelo. Un ejemplo es el simulador de un sistema de redes de comu-
nicación donde la conducta de los usuarios está modelada en forma estadística. 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 simulacio-
nes que utilizan modelos 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 simu-
lación. 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 acciones del mismo y presenta los resulta-
dos de la simulación en una forma adecuada. Esta unidad puede ser tan compleja como la cabina utilizada en los
simuladores de vuelos profesionales.
Simulación

Diagrama
UNIDAD
Objetivos
III:Inicio
“INTERACCIÓN DEL MODELO Y SU ENTORNO.” MANUAL AUTOFORMATIVO 97

de contenidos
seleccionadas
Leer artículo: Plataforma de simulación y visualización para el apoyo al análisis y toma de decisiones en proyectos de
movilidad urbana (pp. 52-58).
Romero,
Recordatorio W., Hernández,
Anotaciones Chat J. T., Ibarra, J. C., & Ordóñez, S. (2009). Plataforma de simulación y visualización para el apo-
yo al análisis y toma de decisiones en proyectos de movilidad urbana. Revista de Ingeniería, (29), 52–58. Disponible
en http://www.scielo.org.co/pdf/ring/n29/n29a7.pdf

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 de-
finición de algunos autores: “IHC es el diseño de sistemas computacionales que apoyan a personas para que puedan
llevar a cabo 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 tecnologías que la gente querrá utilizar, será capaz de utilizar y encon-
trará efectivo al usarla.”
Se requieren diferentes tipos de aplicaciones para diferentes propósitos y se necesita cuidado para dividir las tareas
entre humanos y computadoras, asegurando que las actividades creativas y no‐repetitivas sean asignadas a los humanos
mientras que las otras sean asignadas a las computadoras.
La meta de la IHC es desarrollar y mejorar la seguridad, utilidad, eficiencia y usabilidad de sistemas basados en com-
putadoras, mediante la elaboración de sistemas fáciles de aprender y sencillos de usar.
Hay dos principios claves para una buena interacción humano‐computadora: Visibilidad 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 natural su funcionalidad. Refiriéndose a
sugerencia de uso que deben presentar las propiedades de los objetos.
La importancia de la IHC radica en su capacidad de mejorar la productividad del usuario, bajar los costos de capacita-
ción en el uso de software y mejorar la seguridad.
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 com-
putadora, y comprende todos los puntos de contacto entre este y el equipo, normalmente suelen ser fáciles de enten-
der y simples de accionar. La IGU se refiere al contacto visual del diseño gráfico. A optimizar la usabilidad, 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 objetos gráficos para representar la
información y acciones disponibles en la interfaz. Habitualmente las acciones se realizan mediante manipulación di-
recta 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, haciendo uso de las gramáticas visuales y verbales (signos
gráficos como iconos, botones, menús y verbales como tipografía).
Como todo artefacto, exige por parte de la persona que interacciona, la capacidades fisiológico‐cognitivas mínimas,
para poder interpretar adecuadamente los signos, y poder realizar acciones efectivas sobre la propia interfaz. ” La his-
toria 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 amigable con las computadoras que
superase la interfaz de línea de comandos. La repercusión que ha tenido su descubrimiento sobre la computación
informática se ha traducido en muchos beneficios para aquellos individuos y empresas que han actuado con astucia
aprovechando y explotando los hallazgos propios y ajenos.
Simulación
La IGU como artefacto tecnológico nace en el año 1973 en el centro de investigación Xerox Alto, donde se parte con
el objetivo básico de encontrar un modelo óptimo de interacción humano ‐ computadora, pasa por un proceso de eclo-
sión 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 interfaz, más allá de un medio de interacción óptimo, se transfor-
ma en un objeto inteligente abierto a los procesos de personalización por parte del usuario.
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 inteligente 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 abiertas a los procesos de personalización, permitiendo que el usuario modi-
fique aspectos 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 figura siguiente, el modelo
consta de cuatro está
modelo componentes
basado enprincipales: usuarios,
la filosofía ambiente
del DCU3, así de
lostrabajo, tecnología
usuarios cuentan y funcionalidad
con un papeldel sistema, los
cuales están relacionados entre sí y tienen como
principal en todo el proceso de diseño. elemento coordinador al diseñador de software. El modelo está basa-
do en la filosofía del DCU3, así los usuarios cuentan con un papel principal en todo el proceso de diseño.
Figura 48. Relación entre los componentes de MODIHC

Fuente: Extraído de Narciso & Valero, 2008. Disponible en https://goo.gl/K8IhSm
El diseñador de software debe realizar la transición de la funcionalidad a la usabili-
dad, lo software
El diseñador de cual significa que el
debe realizar funcionamiento
la transición de un producto
de la funcionalidad de software
a la usabilidad, debe co-
lo cual significa que el funciona-
rresponder a los requisitos y habilidades del usuario en su ambiente natural
miento de un producto de software debe corresponder a los requisitos y habilidades del usuario en desutra-
ambiente natural
bajo.
de trabajo. Para
Para elloello se proponen
se proponen unadeserie
una serie de actividades
actividades que debe
que debe realizar realizar de
el diseñador el software.
diseñador
de software.
componente de modihc actividad del diseñador de software
Precisar el contexto en uso: Identificar a todos los usuarios del producto de software y clasificarlos
según sus características particulares, conocer para que y bajo qué condiciones usarán el producto
Usuarios de software.
Especificar los requisitos: Identificar las necesidades de la organización y las metas de los usuarios
que deben cumplirse para que el producto sea exitoso.
AMBIENTE DE TRABAJO Estudiar el ambiente de trabajo: Tomar en cuenta el ambiente en el cual se usará el sistema. tales
como espacio y luz, aspectos sociales y organizacionales.
Determinar elementos de hardware: Seleccionar los dispositivos de entrada / salida apropiados para
la ejecución de las tareas del producto de software.
TECNOLOGÍA
Determinar elementos de software: Seleccionar cual es el mejor estilo de interacción para diseñar la
interfaz de usuario.
Determinar la funcionalidad del sistema: Conocer el modelo mental de cada uno de los usuarios,
FUNCIONALIDAD mezclarlo con el modelo mental propio y diseñar la interfaz de usuario.
DEL SISTEMA
Evaluar el diseño: Contrastar el diseño con los requisitos
Figura 49. Actividades del diseñador de software en MODIHC

Fuente: Extraído de Narciso & Valero (2008). Disponible en https://goo.gl/WcE7QR
En la Figura 49 se aprecia que el componente usuarios está presente en todas las actividades 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 obtenidos 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 anterior-
mente
Identificar la
necesidad de
diseñar la IHC
Precisar el
contexto de uso
Especificar los requisitos
Crear perfiles de usuarios
Estudiar el
ambiente de trabajo
Determinar elementos
de hardware y software
Determinar la
funcionalidad del sistema
Evaluar el diseño
El producto de software
satisface los requisitos
especificados
Figura 50. Proceso para aplicar MODIHC

Fuente: Extraído de Narciso & Valero (2008, p. 42). Disponible en http://tesis.ula.ve/pregrado/tde_arquivos/8/
TDE-2009-10-05T11:15:58Z-649/Publico/Valero%20Gustavo.pdf
Mediante el proceso de diseño y desarrollo interactivo, tal como lo propone MODIHC, con la participación de los
usuarios reales desde las etapas iniciales del proceso, se asegura la creación de productos de software fáciles de apren-
der, usar (usables), seguros, efectivos y que simplifiquen las actividades que se deseen realizar.
Simulación

Diagrama
UNIDAD
Objetivos
III:Inicio
“INTERACCIÓN DEL MODELO Y SU ENTORNO.” MANUAL AUTOFORMATIVO 101

de contenidos
seleccionadas
Leer artículo: Simulación de cadenas de suministro: nuevas aplicaciones y áreas de desarrollo (pp. 137-146).
Calderón, J. L., & Lario, F. C. (2007). Simulación de cadenas de suministro: Nuevas aplicaciones y áreas de desarrollo.
Información
Recordatorio Anotaciones Tecnológica,
Chat 18(1), 137–146. http://www.scielo.cl/pdf/infotec/v18n1/art18.pdf

ACTIVIDAD N° 4
de contenidos
Elaborar el diseño de la interfaz de un modelo propio de simulación.
Lecturas
seleccionadas INSTRUCCIONES:
1. En base a La video clase de la semana, diseñe e implemente la interfaz gráfica de usuario, para un modelo en par-
ticular elegido por el estudiante.
Objetivos Inicio
AUTOEVALUACIÓN de la UNIDAD III

s
1. ¿Qué se entiende por modelo?
s
Glosario
Bibliografía
a) Representar el objeto.
b) Representar información y mostrarla mediante un lenguaje.

o Anotaciones
Chat
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 sistema a estudiar.

Simulación
UNIDAD IV: “FINALIZACIÓN Y PUESTA A PUNTO DEL MODELO.”

de contenidos
DIAGRAMA DE PRESENTACIÓN DE LA UNIDAD IV

Diagrama
seleccionadas Objetivos Inicio

Desarrollo
Recordatorio Actividades
Anotaciones Autoevaluación
Chat
de contenidos
seleccionadas
Recordatorio
Anotaciones Chat
Unidad IV: “Finalización y puesta a punto del 1. Crear ambientes de simulación relacio- 1. Valora la importancia de crear modelos
modelo”Actividades Autoevaluación
Desarrollo
de contenidos
nados con sus modelos. que permitan simular situaciones de la
8º Video clase 2. Analizar y diseñar páginas de supuestos vida real.
Tema N° 1: Creación de un ambiente de en modelos. 2. Comprende el uso de la simulación y su
simulación. 3. Crear un soporte adecuado tanto des- importancia dentro el ámbito de su carrera
Lecturas Glosario Bibliografía criptivo como narrativo para explicar y del quehacer humano para lograr una
1.
seleccionadasAnálisis de variables. cultura de calidad.
la naturaleza y funcionamiento de un
2. Selección de variables. modelo. 3. Fomenta el trabajo en equipo sus conoci-
Tema N° 2: Creación de una página de Tarea Académica Nº 2 mientos para la realización de modelos de
supuestos. simulación de casos de la vida real.
Elaborar de un modelo de simulación,
1.
Recordatorio
Organización
Anotaciones
deChatlos ambientes. con orígenes de datos e interfaz gráfica de
2. Carga de entornos variables. usuario.
Tema N° 3: Documentación del modelo
1. Selección de la información relevante.
2. Diseño y ejecución de la narrativa.
Muñoz, D. F., & Villafuerte, D. (2015). Aná-
lisis de la Entrada en Simulación Estocástica.
Información Tecnológica, 26(1), 13–22.
http://www.scielo.cl/pdf/infotec/v26n1/
art03.pdf
104 UNIDAD IV: “FINALIZACIÓN Y PUESTA A PUNTO DEL MODELO.”
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 parti-
culares 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 acertada debido básicamente a la falta de dirección, estrategia, visión y pla-
nificación, y mucho más en un entorno cambiante.
Alguno teóricos como Peter Schwartz (1991), proponen algunas estrategias para llevar a cabo de forma exitosa “simu-
laciones 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 entorno 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 iden-
tificado.
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 implicaciones y acciones a desarrollar
5. Finalmente será necesario definir indicadores de seguimiento. Definidos los escenarios y las actuaciones es impres-
cindible realizar un seguimiento de los mismos con la finalidad de poder ir modulando las acciones.
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

Simulación
UNIDAD IV: “FINALIZACIÓN Y PUESTA A PUNTO DEL MODELO.” MANUAL AUTOFORMATIVO 105
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 situación 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 posibles, 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, representados 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 es-
perados 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 proceso de simulación de escenarios

ha de ser cuál de un conjunto posible de “escenarios” 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 conocimiento apto, empleando para ello la simulación mediante escenarios
como herramienta de estudio de los pronósticos o de los futuros plausibles, con el fin de determinar entre todos los
escenarios posibles el más favorable y probable.
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 siguientes:
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 especialistas en Inteligencia empresarial más un
grupo pequeño de expertos (con iguales características). El grupo de expertos apoya el trabajo y lo comple-
menta, 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 determi-
nación:
I. de varios indicadores que caractericen el futuro de una variable.
II. de las variables o indicadores que caractericen un escenario o situación.
III. y de las variables considerando las tendencias y eventos que permitan construir todos los escenarios posibles:
Tendencias: variables continuas importantes en la descripción del estado de un escenario, basadas en consi-
deraciones políticas, económicas, sociales 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 caracterización de una o varias variables a partir
de fuentes confiables como opiniones de expertos o datos medidos por otras fuentes. Cada variable debe quedar
expresada en su escala natural de medición y todos los resultados deben ser expresados en una sola escala de me-
dición, la más factible, esto redunda en la homogeneidad de los resultados.
6. Procesamiento y análisis de los resultados. Para este propósito se pueden 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, tomando en consideración todas las relaciones entre los eventos
y las tendencias.
7. Construcción del escenario futuro o de todos los posibles, con la determinación 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 optimista y pesimista entre los más probables.
III. Elaboración de un plan de acción para cada escenario seleccionado, que permita, en la medida de la varia-
ción de las circunstancias, tomar medidas con la previsión adecuada. Interacción con el futuro
8. Evaluación de las implicaciones de los escenarios al planeamiento estratégico 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 determinado.
• 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 deben o deberán gestionar las empresas. Algunos ejemplos:
Simulación
• 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 escenario más favorable. Para lograr una efec-
tiva toma de decisiones se debe:
• Partir de un conocimiento profundo de las realidades del espacio a caracterizar y de las herramientas y metodolo-
gías 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 futuros 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 pronós-
ticos y la práctica 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 modificación de estados son aspectos nucleares de la simulación de eventos discretos. En el siguiente apartado se
presentan todos los elementos de un modelo de simulación de eventos discretos.
Para gobernar de forma sistemática estos cambios, un modelo de simulación consta de:
• El estado de sistema, es decir, un conjunto de variables que permitan describir el estado de los diferentes elementos
del sistema.
• El reloj de la simulación, que es un contador que guarda registro del instante 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 estado 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 ex-
plotación 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 dis-
tinguir 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 denominan, respectivamente, variables de
entrada, parámetros y variables de salida.
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 frecuencia con la que llegan las llamadas de a un centro de atención telefónica, 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 confi-
guración del sistema) satisfactoria o buena de acuerdo con algún criterio. Por ejemplo: el número de puestos de
atención al cliente en una oficina, la cantidad 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 funciona-
miento del sistema estudiado. Como se ha dicho, con el desarrollo de un estudio de simulación se pretende obtener
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 controladores aéreos, la
productividad de una línea de montaje, etc.
Por ultimo, conviene notar que según el estudio del que se trata un mismo elemento 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 existe la posibilidad de
invertir en nuevas máquinas), el dato de la tasa de averías es una variable de entrada Para desarrollar de forma correc-
ta un estudio completo de simulación, es importante, en cada caso, identificar cuáles son las variables de cada tipo y
cuáles son los parámetros.
Simulación
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 conceptual para el uso. Por momentos, es
fácil dejarse arrastrar por las posibilidades técnicas de las herramientas, y las razones para utilizar la simulación para
ciertos objetivos 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 simulación. El ambiente de simulación

puede ser un curso, un ambiente de investigación, 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 tie-
nen el objetivo de brindar oportunidades de aprendizaje para los participantes; los ambientes de investigación apuntan
a responder preguntas de investigación; las demostraciones apuntan a difundir las novedades en torno a la simulación.
Cada ambiente de simulación es una “práctica social”, en la que los humanos interactúan 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 res-
ponsables de crear las oportunidades de aprendizaje, mientras que los alumnos son responsables de absorber esas
oportunidades. Sus interacciones 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 disponible. Los programas
educativos y recursos se ven influenciados por la profesión que organiza la simulación y finalmente también por la cul-
tura nacional. Por ejemplo, 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 diferentes fases, interconectadas. Se descri-
birá las fases, utilizando un curso basado en simulación como ejemplo.
Cualquier curso
Figura 49. El ajuste de comienza ensus
la simulación con realidad
diferentes antes de queTodas
fases conectadas. lleguen
las faseslos participantes,
necesitan estar presentes,con la podrían
también

sesión informativa previa. Con ella los participantes obtienen
considerar las rupturas como propias fases, y algunas fases podrían ser repetidas.
una especie de infor-
Fuente: Extraído de Dieckmann, P. p. 2. Disponible en http://www.laerdaltraining.com/sun/enable/pdf/dieckman_article.pdf
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
Cualquier curso comienza en realidad antes de que lleguen los participantes, con la sesión informativa previa. Con ella
los participantes obtienen una especie de información previa acerca del curso y la simulación en general que influirá
en sus expectativas. La información acerca del curso podría brindarse en la carta de invitación o volante, pero tam-
bién 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
consideración práctica, es importante saber, entender y usar efectivamente las diferentes rutas para brindar dicha se-
sión 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 material de aprendizaje
previos al curso, preguntándoles sus expectativas, y solicitando ciertos elementos de conocimientos previos, etc.
En la Introducción al ambiente, llegan los participantes y reciben información acerca de qué se trata el curso, los po-
tenciales y los límites de la capacitación basada en simulación, cómo se manejará el curso, etc. En esta fase, el principio
es importante para establecer la escena para el curso completo. Cuanto más activo sea el comienzo, más altas las posi-
bilidades de que los participantes permanezcan activos durante el curso. También es importante crear una atmósfera
positiva, de bienvenida, que pueda combinarse muy bien con desafíos constructivos en el caso de potenciales para
mejoría. El ambiente de introducción también es adecuado para investigar las expectativas que se formaron los parti-
cipantes durante la sesión informativa 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 interactuar con el entorno, solicitar ayuda, etc. Esta fase es muy importante para ayudar a los participan-
tes 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 podrían pararse lo más lejos posible del simulador. Sin embargo, al
final, estarán tomando el pulso, auscultando al paciente, examinando pupilas. El maniquí de plástico 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 participantes obtienen un poco de
información teórica sobre el contenido del curso, ej. principios de CRM (gestión de ritmo cardíaco), algoritmos,
antecedentes sobre drogas y procedimientos específicos. Es una tarea interesante que los instructores de simulación
exploren los métodos para brindar contenido teórico por fuera del formato 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
escenario: ¿Dónde y cuándo tiene lugar? ¿Quérecursos hay disponibles? Los participantes también obtienen informa-
ción 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 participantes idealmente conocen las respuestas a todas la preguntas después de una buena reunión
informativa acerca de los escenarios (o tiene buenas razones educativas para dejar abierta alguna información). Si no
están disponibles todas las respuestas, 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?

Simulación
• ¿Qué motivos sigue la gente?
• ¿Qué quiere obtener la gente?
Los escenarios forman la base del aprendizaje basado en la experiencia. El escenario y el “debriefing” (reunión para
charlar sobre lo ocurrido), juntos forman el núcleo 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 grupos, 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 posibilidad de repetir directamente un caso no es realista, pero ayuda al apren-
dizaje. 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 mejorar las opor-
tunidades de aprendizaje de los participantes. Una regla de oro es mantenerlo 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 volver a comenzar. Se pueden utilizar
muchos “rescatistas” dentro de la lógica del escenario 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 conmoción 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 es-
cenario 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 esce-
nario 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 descripción, 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 paciente de manera sustancialmente diferente.
Por ejemplo, algunos miembros del equipo podrían en realidad no haber estado al tanto del hecho de que se adminis-
tró cierto medicamento. Las preguntas típicas en esta fase son: “¿Qué sucedió?” o “¿Qué estuvo bien o no tan bien?” La
fase de análisis, es donde el grupo escarba con mayor profundidad en las causas y razones para las acciones que tuvie-
ron 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 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 abierta-
mente en una conversación constructiva y con sentido, los participantes y facilitadores pueden construir en forma conjun-
ta un espacio 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 participantes 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 puede ocuparse de las cuestiones que van más allá de lo cognitivo, como las emociones, o las sensaciones
corporales cuando se considera el aprendizaje. El objetivo dominante es ayudar a los participantes a realizar aquellos
cambios que incrementarían 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 aspectos orientados al factor humano. La seguridad siempre evoluciona
de la interacción entre lo humano, la tecnología y la organización. Esta interacción puede analizarse en el “debrie-
fing”. 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 ambiente
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 aproxima-
damente 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 resúmenes 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 optimizar de forma conjunta las fases
interconectadas del ambiente de simulación. Donde la reunión informativa sobre el simulador tenga puntos débiles,
podrían surgir inconvenientes durante los escenarios porque los participantes pueden tener problemas en usar ade-
cuadamente 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 brin-
dar instrucción al comienzo de un curso 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 participantes en el contexto”, se puede deducir que la actividad generada por
los individuos, 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 prác-
tico, sino también de tipo sensorial, representativo, conceptual, lingüístico o afectivo-emocional. Generalmente son la
combinación interfuncional de todas ellas”.
En relación con los programas de simulación, estos pueden proveer un eje de conexión 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 modifican la acción de los actores en la
actividad. Para este caso, los simuladores computarizados facultan un determinado tipo de posibilidades que permiten
su diseño y manipulación a voluntad; permitiendo así que los usuarios generen actividad controlada dentro de unos
fines particulares. Este aspecto se torna en un elemento positivo para nuestro caso, pues posibilita que la actividad
educativa sea premeditada 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 se-
cuencial que lleve de la mano al aprendiz, 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 natural como las personas aprenden,
pues, como se ha demostrado en variadas investigaciones, “las personas inexpertas no actúan según planes (ni siquiera
cuando habían leído las instrucciones), sino sobre la base de conjuntos de destrezas previamente 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 elementos de realidad que posibilitan el desarrollo de los contextos de
actividad e interacción significativa. Esta perspectiva permite la construcción del conocimiento desde la misma inte-
racción con el contexto, donde el “conocimiento supone una experiencia específica y contextual [donde] nuestras
acciones se producen no desde planes construidos racionalmente, sino sobre la base de nuestras propias destrezas
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 circunstancias sociales que los envuelven y no sólo como interacción entre
sujetos sociales (...). Los recursos e instrumentos, sobre todo los objetos informáticos y automatizados, son también
mediadores y actuantes entre el mundo y los agentes”. Asimismo, la actividad vista como la mediación entre contexto
situacional, individuos y el medio circundante, exige unos elementos mínimos para su desarrollo, Por lo tanto, un
Simulación
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 ele-
mentos 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 hombre con su entorno, la realidad
simulada se torna en una oportunidad para que los individuos ajusten los instrumentos psicológicos y conceptuales
a los requerimientos situacionales. Es decir, estos entornos potencian la mediación instrumental socialmente situada,
convirtiéndose en el punto de apoyo para la generación de actividad consciente y significativa. En palabras de Vygotsky,
la formación de los procesos psicológicos y el pensamiento conciente de los hombres, es un evento socialmente situa-
do 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 adaptación y ajuste a las condiciones
situacionales de la realidad simulada. Es pertinente resaltar que las affordances que el entorno pedagógico le debe
proporcionar al individuo, tienen que ser muy ricas, convirtiéndolo así en un contexto de creación, interacción, 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 oportu-
nidades.
En análisis realizado por Nardi, B. se resalta el valor de una actividad, así como la reciprocidad que existe entre los nive-
les presentados por Leontiev, A. (actividad, acciones, operaciones), y los elementos que integran la construcción de un
pensamiento 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 sucesivamente.
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 respues-
tas a las condiciones generadas durante la ejecución de la acción. Cada operación es inicialmente una acción conscien-
te, consistiendo las fases de la orientación y de la ejecución, pero cuando el modelo correspondiente es bastante bueno
y la acción se ha practicado bastante tiempo, la orientación 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 alcance más amplio
y contendrá la nueva operación, recientemente formada como una sub-parte. Por otro lado, cuando las condiciones
cambian, se genera la operación y vuelve otra vez al nivel de la acción consciente (de modo que no es un reflejo con-
dicionado)”.
En el contacto de los individuos con un contexto de realidad, a diferencia de la interacción que se desarrolla en un
entorno descontextualizado, “las actividades están cambiando y se están convirtiendo siempre. El desarrollo está ocu-
rriendo en todos los niveles; las nuevas operaciones se forman de acciones anteriores mientras que las habilidades de
los participantes aumentan; correspondientemente, en el nivel de acciones el alcance de nuevas acciones se está inven-
tando y a la vez se están incrementando, se están experimentando y se están adaptando como respuestas 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 ontoló-
gico. 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 proceso consciente, permite generar construcciones significati-
vas 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 oportunidad para ajustar la actividad y los elementos
que la conforman y a la especificidad situacional. De modo que en este caso, la actividad estará condicionada por las
posibilidades artefactuales y la relación reglada de estas posibilidades con el entorno.
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 estructura a lo que piensa, lo que dice y lo que hace. Así pues, desde los
sistemas de actividad, la condición de miembro de una comunidad establece la forma como se perciben los aconte-
cimientos en dependencia de la interpretación social y cultural. En tal sentido, el individuo sitúa su comportamiento
como miembro de esa comunidad, adaptándose activamente a la condición cambiante de la situación. Al respecto,
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 posibilidades 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 posibilidades operativas que ellos facultan,
dicha situación está condicionada por el comportamiento real del sistema y por la interpretación que le imprime el
contexto cultural. 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 fun-
de en la actividad implican la especificidad contextual 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 actividad, así como tampoco imponen un
repertorio de interpretaciones socio-culturalmente establecidas; por el contrario, solo responden a unas reglas natu-
rales 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 adecuada para ser integrada al proceso
de enseñanza y aprendizaje, es que estos espacios 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 el profesor, estos elementos son construidos con
relación a la particularidad de dicho evento situacional que se genera de la interacción con la simulación.
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 mejor 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 mismo 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 ambos conceptos (con lo cual la defini-
ción de recuperación de información queda, en cierto modo, supeditada a la anterior), un tercer grupo de autores
la define de forma 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 informática, 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 adecuado uso de los conceptos termi-
nológicos.
Un segundo grupo de autores fijan diferencias. Algunos autores piensan que la recuperación 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 asociada con el concepto de
selectividad, ya que la información específica ha de extraerse 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 des-
de una gran archivo en respuesta a una pregunta formulada y ordenarlos de acuerdo con su relevancia”. Del mismo
modo, indican que recuperar información es “encontrar documentos relevantes, no encontrar simples corresponden-
cias a unos patrones de bits”.
En recuperación de datos se emplean preguntas altamente formalizadas, cuya respuesta es directamente la informa-
ción 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 relacionales, por ejemplo) y la respuesta será un conjunto de do-
cumentos que probablemente contendrá lo deseado, con un evidente factor de indeterminación.
Según la relación entre el requerimiento al sistema y la satisfacción de usuario, la recuperación de datos es determinis-
ta y la recuperación de información es posibilista, debido al nivel de incertidumbre presente en la respuesta.
El éxito de la búsqueda, en recuperación de datos el criterio a emplear es la exactitud 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 in-
formación 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 fac-
tor 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 recupera-
ción 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 comu-
nicación . 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 poten-
cias que habrán de convertirse en actos (instantes o formas) para propiciar la aparición de más potencias .El creador
de imágenes 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
obedecen 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 perene.
El tiempo como un flujo continuo es una condición que permite la existencia de ciertos elementos narrativos, princi-
palmente la trama o lo que habrá de ocurrir durante 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 cuan-
do 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 producto del descuido en la construcción de la
dimensión temporal del relato . La conexión 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 comunicar 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 éstas 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 mensaje 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
espectador 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 entre 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 encontrar en ellas algún sentido que pro-
mueva 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 exploración 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. Parecerán 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 imágenes 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 inmedia-
tos, 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.
Simulación
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.
de contenidos
seleccionadas
Leer artículo: Análisis de la entrada en simulación estocástica (pp. 13-22).
Muñoz, D. F. & Villafuerte, D. (2015). Análisis de la entrada en simulación estocástica. Información tecnológica, 26(1),
Objetivos 13-22.Anotaciones
Recordatorio
Inicio DisponibleChat en: http://www.scielo.cl/pdf/infotec/v26n1/art03.pdf

os
BIBLIOGRAFÍA DE LA UNIDAD IV
s
Basica
o Anotaciones
Gordon
Chat
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.
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 America, New York: Wiley Inter-science Publi-
cation.
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 Continental 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: Pearson Education.
Press W.H.,& Flannery B.P., Teukosky ,S.A. & Vetterling W.T. (1992). Numerical Recipes in C. United States of America,
Objetivos New York: Cambridge.
Inicio
Ríos D. (2008). Simulación Métodos y Aplicaciones. Madrid: Alfaomega Ra-Ma.

os
AUTOEVALUACIÓN N.º 4
s
Especifique una V si el enunciado es verdadero o una F si es falso según corresponda.
1. Con un plan de pruebas, se evalúa los beneficios y los riesgos asociados a cada alternativa en los escenarios simula-
o Anotaciones
dos. (….)
Chat
2. El plan de pruebas no podrá identificar la estrategia más conveniente en cada caso. (….)
3. La técnica de Schwartz, adecuada al modelado dinámico sistémico, tiene 7 pasos. (….)
4. Una de las técnicas de Schwartz es “Mantener la atención en los cambios” (….)
5. Datos de entrada son aquellos datos que sirven para alimentar el modelo. (….)
6. Los datos sobre los cuales el decisor no tiene control esta constituida por datos que no se puede modificar.
(….)
7. El decisor no tiene control sobre el valor de stock inicial. (….)
8. Datos de salida, que son los datos que se obtienen al reiniciar el modelo. (….)
9. Variables de entrada: Por ejemplo, la demanda de un determinado producto. (….)
10. Variables de salida: Por ejemplo, el nivel de saturación de los controladores aéreos. (….)
Simulación
ANEXOS: CLAVES DE RESPUESTAS DE LAS AUTOEVALUACIÓNES
AUTOEVALUACIÓN 1
NÚMERO DE ITEM CLAVE DE RESPUESTA
1. C
2. A
3. B
4. A
5. B
6. B
7. B
8. A
9. B
10. A
AUTOEVALUACIÓN 3
1. C
2. B
3. B
4. B
5. A
AUTOEVALUACIÓN 4
1. V
2. F
3. F
4. F
5. V
6. V
7. F
8. F
9. V
10. V
Simulación
E
ste manual autoformativo es el mate- muro y las tareas, siempre acompañado de tus
rial didáctico más importante de la docentes y amigos.
presente asignatura. Elaborado por el
docente, orienta y facilita el auto aprendizaje El modelo educativo de la Universidad Con-
de los contenidos y el desarrollo de las activi- tinental a distancia es innovador, interactivo
dades propuestas en el sílabo. e integral, conjugando el conocimiento, la

investigación y la innovación. Su estructu-
Los demás recursos educativos del aula virtual ra, organización y funcionamiento están de
complementan y se derivan del manual. Los acuerdo a los estándares internacionales.
contenidos multimedia ofrecidos utilizando Es innovador, porque desarrolla las mejores
videos, presentaciones, audios, clases interac- prácticas del e-learning universitario global;
tivas, se corresponden a los contenidos del interactivo, porque proporciona recursos
presente manual. La educación a distancia en para la comunicación y colaboración síncro-
entornos virtuales te permite estudiar desde na y asíncrona con docentes y estudiantes;
el lugar donde te encuentres y a la hora que e integral, pues articula contenidos, medios
más te convenga. Basta conectarse al Internet, y recursos para el aprendizaje permanente y
ingresar al campus virtual donde encontrarás en espacios flexibles. Ahora podrás estar en
todos tus servicios: aulas, videoclases, presen- la universidad en tiempo real sin ir a la uni-
taciones animadas, biblioteca de recursos, versidad.

2 A0518 MA Finanzas Industriales ED1 V1 2015

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2 A0518 MA Finanzas Industriales ED1 V1 2015

Transféré par

Droits d'auteur :

Formats disponibles

Simulación

Guillermo Elias Jaramillo Cabrera

Dirección: Emma Barrios Ipenza

Este manual autoformativo no puede ser reproducido, total ni parcialmente, ni registrado en o

UNIDAD I: “INTRODUCCIÓN AL MODELADO Y SIMULACIÓN.” 9

Tema N° 2: Definición de los principales componentes de los modelos. 13

Tema N° 4: Ejecución de un modelo de simulación. 27

UNIDAD II: “PREPARACIÓN Y PRUEBAS SOBRE LOS MODELOS.” 43

Tema N° 4: Ejecución de pruebas diversas sobre un modelo. 65

Tema N° 6: Diseño de módulos 74

UNIDAD III: “INTERACCIÓN DEL MODELO Y SU ENTORNO.” 79

Tema N° 2: Creación de la interfaz de interacción de los modelos y el usuario final. 94

LECTURA SELECCIONADA N° 2 101

UNIDAD IV: “FINALIZACIÓN Y PUESTA A PUNTO DEL MODELO.” 103

Tema N° 2: Creación de una página de supuestos. 109

Tema N° 3: Documentación del modelo 115

LECTURA SELECCIONADA N° 1 117

llama simular. sobre los cuales se da el curso de simulación de sistemas.

DIAGRAMA DE PRESENTACIÓN DE LA ASIGNATURA

RESULTADOS DEL APRENDIZAJE:

UNIDAD I UNIDAD II UNIDAD III UNIDAD IV

TIEMPO MINIMO DE ESTUDIO:

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

Diagrama Objetivos Inicio

UNIDAD I: “INTRODUCCIÓN AL MODELADO Y SIMULACIÓN.”

CONTENIDOS EJEMPLOS ACTIVIDADES

Recordatorio Anotaciones Chat

ORGANIZACIÓN DE LOS APRENDIZAJES

CONOCIMIENTOS PROCEDIMIENTOS ACTITUDES

componentes de los modelos.

2º Video clase 3. Emplear los conocimientos adquiridos

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

1 La simulación como herramienta científica.

2 Beneficios generales de la simulación.

• Permite una experimentación controlada.

• Permite comprimir el tiempo al experimentar.

• Permite el análisis de sensibilidad.

• No es necesario destruir al sistema si se desea investigar sus límites de resistencia.

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

• Es una herramienta de entrenamiento efectiva.

• SIMPLIFICACIÓN de los procesos productivos.

• EVALUACIÓN de diseños alternativos de sistemas.

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

1 Introducción a los modelos.

Características esenciales de los sistemas

Los sistemas tienen dos componentes principales:

b. De acuerdo a sus límites:

Los sistemas podemos clasificarlos de acuerdo a:

Por su cambio a través del tiempo:

Por el grado de interdependencia que tengan:

• Sistema cerrado es aquél que es totalmente independiente del medio ambiente.

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

2 Metodología del modelamiento.

Conceptos básicos del pensamiento sistémico.

Principios del pensamiento sistémico

En general, el pensamiento de los sistemas es caracterizado por estos principios:

El pensamiento sistémico como un lenguaje especial

Figura N°1. Ejemplo de Diagrama causal

El Diagrama de Flujos, también denominado Diagrama de Forrester, es el diagrama característico de la Dinámica de

3. El resto de elementos son las Variables Auxiliares.

Desarrollo Actividades Autoevaluación

Leer artículo: El arte de la simulación (científica)

Tema N° 3: Estructuración de los principales componentes de los modelos.

Estado Estable: La distribución de probabilidad de la variable de respuesta no cambia en el tiempo. Matemáticamente:

2º Video clase 3. Emplear los conocimientos adquiridos

1 La simulación como herramienta científica.

b. De acuerdo a sus límites:

3. El resto de elementos son las Variables Auxiliares.

1) Redefinir el sistema para incluir estos factores.

2) Ignorar dichos factores.

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

1) Estáticos: Representación de un sistema en un instante particular del tiempo.

2) Dinámicos: Representación de un sistema a lo largo de un periodo de tiempo.

1) Determinísticos: Si no contiene variables aleatorias.

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

2. Formulación del Problema. Definición del problema y enunciado del objetivo

3. Construcción del Modelo. Abstracción matemática del problema

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

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 modelo

• El constante desarrollo de lenguajes y simuladores computacionales.

2. Formulación del Problema. Definición del problema y enunciado del objetivo

3. Construcción del Modelo. Abstracción matemática del problema

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

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 modelo

- El constante desarrollo de lenguajes y simuladores computacionales.

- La flexibilidad del modelaje vía simulación.

RUBRICA DE EVALUACIÓN DEL ORGANIZADOR DE CONOCIMIENTO.