Definicin de Sistema

Un sistema es un conjunto de partes o elementos organizadas y relacionadas

que interactan entre s para lograr un objetivo. Los sistemas reciben (entrada)
datos, energa o materia del ambiente y proveen (salida) informacin, energa
o materia.
Un sistema puede ser fsico o concreto (una computadora, un televisor, un
humano) o puede ser abstracto o conceptual (un software)
Cada sistema existe dentro de otro ms grande, por lo tanto un sistema puede
estar formado por subsistemas y partes, y a la vez puede ser parte de un
supersistema.
Los sistemas tienen lmites o fronteras, que los diferencian del ambiente. Ese
lmite puede ser fsico (el gabinete de una computadora) o conceptual. Si hay
algn intercambio entre el sistema y el ambiente a travs de ese lmite, el
sistema
es
abierto,
de
lo
contrario,
el
sistema
es
cerrado.
Tipos de sistemas

Pueden ser fsicos o abstractos:

Sistemas fsicos o concretos: compuestos por equipos, maquinaria, objetos y
cosas
reales.
El
hardware.
Sistemas abstractos: compuestos por conceptos, planes, hiptesis e ideas.
Muchas veces solo existen en el pensamiento de las personas. Es el software.

En cuanto a su naturaleza
Pueden cerrados o abiertos:
Sistemas cerrados: no presentan intercambio con el medio ambiente que los
rodea, son hermticos a cualquier influencia ambiental. No reciben ningn
recurso externo y nada producen que sea enviado hacia fuera. En rigor, no
existen sistemas cerrados. Se da el nombre de sistema cerrado a aquellos
sistemas cuyo comportamiento es determinista y programado y que opera con
muy pequeo intercambio de energa y materia con el ambiente. Se aplica el
trmino a los sistemas completamente estructurados, donde los elementos y
relaciones se combinan de una manera peculiar y rgida produciendo una salida
invariable,
como
las
mquinas.
Sistemas abiertos: presentan intercambio con el ambiente, a travs de
entradas y salidas. Intercambian energa y materia con el ambiente. Son
adaptativos para sobrevivir. Su estructura es ptima cuando el conjunto de
elementos del sistema se organiza, aproximndose a una operacin adaptativa.
Sistemas aislados: son aquellos sistemas en los que no se produce intercambio
de
materia
ni
energa.

Caractersticas de los Sistemas

Sistema es un todo organizado y complejo; es un conjunto de objetos unidos

por alguna forma de interaccin o interdependencia. Los lmites o fronteras
entre
el
sistema
y
su
ambiente
PROPOSITO U OBJETO: Todo sistema tiene uno o algunos propsitos. Los
elementos
(u
objetos), como tambin las relaciones, definen una distribucin que trata
siempre
de
alcanzar
un
objetivo.
- GLOBALISMO O TOTALIDAD: Un cambio en una de las unidades del sistema,
con
probabilidad
producir cambios en las otras. El efecto total se presenta como un ajuste a
todo el sistema. Hay una relacin de causa / efecto.
- ENTROPIA: Es la tendencia de los sistemas a desgastarse, a desintegrarse,
para
el
relajamiento de los estndares y un aumento de la aleatoriedad. La entropa
aumenta con el correr del tiempo. Si aumenta la informacin, disminuye la
entropa, pues la informacin es la base de la configuracin y del orden. De
aqu nace la negentropa, o sea, la informacincomo medio o instrumento de
ordenacin del sistema.
- HOMEOSTACIA: Es el equilibrio dinmico entre las partes del sistema. Los
sistemas tienen una tendencia a adaptarse con el fin de alcanzar un equilibrio
interno
frente
a
los
cambios
externos del entorno. Una organizacin podr ser entendida como un sistema o
subsistema o un supersistema, dependiendo del enfoque.
Conclusin
Hoy en da los Sistemas han surgido de mucho en la sociedad, ya que a traves
de las computadoras podemos obtener informacion y comunicarnos por medio
de programas que este nos ofrece de manera mas sencilla y con mucha mas
facilidad!!

Los vocablos modelo y modelizacin, en su acepcin ms amplia, incluyen una gran variedad
de contructos realizados por el intelecto. Segn el contexto donde se inscriban tambin
adquieren significados diferentes. Segn Jeffers (1982) un
representacin de las relaciones

entre algunas cantidades

modelo

s.l.

sera

la

o cualidades definidas

formalmente (generalmente en trminos matemticos o fsicos). Realmente bajo el trmino de

modelo caben numerosos productos que van desde un simple esquema mental, hasta los
sofisticados modelos de simulacin numrica.

Proceso ideal de modelizacin

Fuente: iespaa
Ya que estamos tratando en este curso bsico sobre filosofa y sociologa de la ciencia de
aclarar conceptos (cuando ello es posible), utilizar en este post un documento base que
publiqu con otros compaeros hace ya unos aos. En realidad el tema no ha variado mucho, si
bien, como es obvio han aparecido algunos nuevos tipos, gracias a los enormes progresos
realizados en el mbito de la computacin, entre otros.
Ibez,J.J., Machado,C., Zucarello,V. & Gonzlez-Huecas,C. 1995. Modelos de Simulacin y Variabilidad EspacioTemporal. En: (pp. 111-132), Ibez, J. J. & Machado, C. (Editores), Anlisis de la Variabilidad Espacio-Temporal y
Procesos Caticos en Ciencias Medioambientales, Geoforma-CSIC, 308 p. Logroo.

Hoy en da han existe un sinnmero de clasificaciones de modelos. Cuando en las dcadas de

los aos 60 y 70 comenzaron los estudios sobre modelizacin en el mbito de los recursos
naturales, las mencionadas caracterizaciones fueron muy tiles con objeto de estructurar las
aproximaciones e ideas iniciales. Sin embargo, segn avanzaron las investigaciones y los

constructos fueron ganando en complejidad, dejaron de reflejar los progresos alcanzados y, lo

que es ms importante, comenzaron con harta frecuencia a confundir ms que a clarificar.
Uno de principales problemas que acarrean es que, a menudo, comioenza a apreciarse ms la
publicacin de un modelo que analizar la realidad de campo. Ms aun, muchos investigadores y la
prensa exponen sus resultados de tal modo, que confunden al ciudadano. Las conclusiones que
se pueden obtener de un modelo, tan solo son validas si sus premisas lo son, as como si
se ha hecho uso de los datos neseraios y suficientes. El problema estriba es que muy a
menudo la naturaleza es demasiado compleja como para poder captarse por un mero
modelo. Por tanto, son aproximaciones a la realidad que deben considerarse como hiptesis
cientficas, hasta que sean corroboradas por evidencias empricas suficientes en el mbito
para el que los autores los disearon.
No debe por tanto extraar que algunos autores duden del inters de estas clasificaciones,
mucho ms por cuanto al menos una buena parte de los modelos matemticos actuales son
compuestos o hbridos, es decir que incluyen varios tipos de ellos de diferente naturaleza.
Seguidamente se exponen algunas de las mismas.

Diseo ideal de Modelos Matemticos

En una primera aproximacin, cabra distinguir entre modelos mentales, semnticos, fsicos,
analgicos, matemticos y digitales (Tabla 1). Desde esta perspectiva, las representaciones

mentales de rasgos y procesos constituyen lo que se denomina modelos conceptuales, mientras

que su formalizacin lingstica da lugar a la elaboracin de modelos semnticos. Los modelos
fsicos y analgicos se basan en estructuras materiales construidas en el laboratorio para
simular el comportamiento de un sistema real. Generalmente se trata de prototipos con
reducciones de escala respecto al fenmeno a modelar, fabricados con materiales. Un ejemplo
sera la minuaturizacin de los cauces fluviales en un laboratorio, con vistas a analizar su
comportamiento. Cuando se utilizan materiales cuyas propiedades pretenden emular el
comportamiento del sistema natural a estudiar se habla de modelos fsicos. Si por el contrario,
se hace uso de estructuras elaboradas con materiales muy distintos a las del objeto o proceso
a analizar se habla de modelos analgicos. No hablamos pues de lo que actualmente suele
entenderse por modelos, que son los que acontinuacin esponemos.
Los modelos matemticos son sistemas de ecuaciones y proposiciones lgicas que intentan
representar las relaciones entre variables (propiedades mensurables del sistema cuyas
magnitudes varan en el tiempo) y parmetros (cantidades temporalmente invariables que
caracterizan al sistema). Cuando en la elaboracin de modelos matemticos se acude al uso de
los ordenadores puede hablarse de modelos computacionales.
CLASIFICACIN DE MODELOS PARA EL ESTUDIO DE LA EROSIN
(MODIFICADO DE MORGAN 1986)

MENTALES: Representacin mental de estructuras y procesos

SEMNTICOS: Formalizacin lingustica de un modelo mental
FSICOS: Modelos a escala reducida construidos generalmente en el
laboratorio con materiales de distinta naturaleza; se asume una similitud
dinmica entre el modelo y el sistema real
ANALGICOS: Utilizan sistemas mecnicos o elctricos anlogos a los
sistemas bajo consideracin, como por ejemplo, el flujo de electricidad puede
ser capaz de simular el flujo de agua.
NUMRICOS: Representacin formal en base al uso de matemticas.
i. EMPRICOS: Se sustentan en la identificacin de relaciones
estadsticamente significativas entre ciertas variables que se
asumen como esenciales y suficientes para modelar el
comportamiento del sistema. Con tal motivo, debe disponerse
previamente de una base de datos de tamao adecuado.
Pueden subdividirse en tres categoras diferentes:
De Caja Negra: Slo se analizan los datos de entrada y de salida
del modelo.
De Caja Gris: Se explican algunos detalles del conocimiento
existente sobre el comportamiento del sistema.
De Caja Blanca: Se conocen y explican todos los detalles del
comportamiento del Sistema.
ii. ESTOCSTICOS: Consisten en la generacin de series de datos
sintticas a partir de las propiedades estadsticas de las
poblaciones de datos existentes. Son muy tiles con objeto de
generar secuencias de datos que alimenten a modelos empricos o
a los basados sobre leyes fsicas, cuando tan slo se dispone de
informacin recogida durante periodos de observacin breves.

iii. DE SOPORTE FSICO: Elaborados con ecuaciones matemticas

al objeto de describir los procesos involucrados en el modelo,
teniendo en cuenta las leyes de conservacin de masas y energa,
etc.
iii. DIGITALES: Modelos estocsticos, de soporte fsico, etc.
Basados en el uso de ordenadores digitales capaces de procesar
una gran cantidad de datos.

Alternativamente podemos hablar de modelos lgicos, empricos semi-empricos y fsicos.

Puntualizemos aqu que el vocablo fsico no se refiere al uso de materiales, como en el prrafo
anterior, sino al de los instrumentos conceptuales que nos deparan las ciencias fsicas. Un
modelo lgico es aquel en el cual la representacin de una estructura o proceso se formula
mediante las leyes de la lgica. Estas ltimas suelen acudir al auxilio de la simbologa
matemtica. Un modelo emprico prescinde de consideraciones tericas, para centrarse en el
anlisis (generalmente estadstico) de las relaciones entre los valores de las variables
estimadas. Se entiende por modelo fsico o determinista a aquellos que se sustentan sobre
leyes fsicas bien conocidas. Finalmente, se denominan modelos semi-empricos a los que
utilizan leyes fsicas y estimaciones empricas simultneamente.
Otros autores prefieren categorizar los modelos matemticos como deterministas,
probabilistas y de optimizacin. A su vez los modelos matemticos y computacionales pueden
subdividirse en diferentes familias segn las herramientas metodolgicas utilizadas, como
mostramos abajo.
Independientemente del tipo de modelos considerado, estos varan en su grado de
complejidad. As, en la bibliografa, pueden contemplarse desde formulaciones
extremadamente simples hasta otras en las que intervienen una gran variedad de
parmetros y variables cuyas interacciones son de carcter no lineal. Por trmino general,
al complejizarse la estructura de un modelo, aumenta el tiempo empleado en su diseo,
construccin y comprensin, as como los costes de implementacin. Frecuentemente, no
existe una relacin directa entre complejidad y eficacia, por lo que, para determinados
propsitos, pueden ser preferibles modelos simples frente a otros ms sofisticados. En los
modelos fsicos no es infrecuente observar que algunas de las variables contempladas no
hayan, sido directamente determinadas. En este ltimo caso sus valores se calculan mediante
las denominadas funciones de transferencia, o escogiendo variables indirectas (tambin
llamadas subrogadas) relacionadas con las que se deberan estimar. La razn debe buscarse en
el hecho de que, a pesar de que existan mtodos para su determinacin, estos, son caros o
complicados. Cuando las magnitudes de las variables no pueden ser fsicamente estimadas, se
acude a procedimientos de calibracin especficos. Se trata pues de llegar a un compromiso
entre la disponibilidad de datos, los costos y tiempo requeridos para la construccin del modelo
y las restricciones experimentales para la determinacin de ciertas variables.
Segn se ha progresado en la materia, la relacin entre el tiempo empleado en la
adquisicin de datos y el gastado en la construccin del modelo ha variado
sustancialmente. As, mientras en sus inicios, la tarea de modelizacin se centraba
preferentemente en la obtencin de datos experimentales, la sofisticacin de los productos

actuales ha invertido esta tendencia. Este hecho resukta ms que preocupante desde
diferentes puntos de vista. Pongamos un ejemplo. Todos sabemos que aun no se a cuantificado
el nmero de especies biolgicas que existen en el Planeta. Pues bien, en lugar de formar a ms
taxnomos que las identifiquen, se destina ms tiempo y recuros econmicos a la elaboracin
de modelos que intenten predecir las que pudiera haber, cabiendo uso de las mencionadas
variables indirectas o subrogadas. Se trata de un tema muy preocupante ya que tales
inferencias son meras aproximaciones basadas en la suposicin (muy a menudo no verificada) de
que estas ltimas son buenas predoctores en un amplio espectro de circunstancias ambientales.
Raramente este es el caso.
Los nuevos avances en el campo de la modelizacin permiten la elaboracin de ciertas
predicciones que en muchos casos no son susceptibles de verificacin experimental
(ANDERSON & SAMBLES 1988). Este es el caso de los modelos que simulan la evolucin del
paisaje a largo plazo, o el de los que predicen los intervalos de recurrencia de eventos
catastrficos )sequas e inundaciones, por ejemplo) con prolongados periodos de retorno.
Los primeros modelos en el mbito de los recursos naturales (y en otros muchos) fueron
empricos (con la salvedad de los conceptuales, que han existido desde siempre). De hecho,
an se siguen utilizando, dado que son fcilmente formulables, con relaciones costo-beneficio
aceptables y, frecuentemente, de un poder predictivo no inferior al alcanzado por modelos
mucho ms sofisticados, como los basados en leyes fsicas. En la terminologa de Morgan
(1986), la mayor parte de aquellos productos corresponderan a los denominados modelos
empricos de caja gris. Se basan en la identificacin y definicin de los procesos mecnicos de
mayor relevancia para alcanzar los objetivos perseguidos. Con tal motivo suele requerirse un
gran volumen de medidas experimentales, tanto de campo como de laboratorio. Tambin son
imprescindibles herramientas estadsticas, ms o menos sofisticadas. Dentro de estas
ltimas, las ecuaciones de regresin, simple o mltiple, han alcanzado gran popularidad.
Actualmente, los modelos son estructurados sobre bases tericas ms slidas. En otras
palabras, cada vez son ms abundantes los modelos basados en leyes fsicas. Estos tambin
son conocidos como deterministas (lineales o no lineales-caticos). Los modelos fsicos muy
sofisticados suelen requerir un gran nmero, variedad y sofisticacin de variables y datos, as
como largos procesos de computacin. Sin embargo, como ya hemos comentado, estos ltimos
no son necesariamente mejores (p. ej., ANDERSON & SAMBLES 1988). Por otro lado, tampoco
parece existir una relacin directa entre la complejidad de los modelos basados en leyes
fsicas y su eficacia Finalmente, algunos autores defienden las bondades de los modelos
estocsticos frente a los fsicos (SINGH et. al. 1988).

Tabla n 2
FAMILIAS DE MODELOS MATEMTICOS (Tabla no Exhaustiva)
MODELOS DINMICOS
MODELOS MATRICIALES (sobre lgica booleana o difusa)

MODELOS ESTOCSTICOS (modelos de distribucin, anlisis de la varianza,

Markov,etc.)

MODELOS MULTIVARIANTES

MODELOS DE OPTIMIZACIN
MODELOS DE LA TEORA DE JUEGOS

MODELOS DE LA TEORA DE CATSTROFES

MODELOS CATICOS (geometra fractal, criticalidad autoorganizada,
sinergtica,etc.)

MODELOS DE REDES NEURONALES

MODELOS DE AUTMATAS CELULARES
Aunque no profundizaremos en este tema, es obvio que existen reas de investigacin en
donde la modelizacin ha progresado ms que en otras. As, por ejemplo, en el mbito de la
geomorfologa, las disciplinas que hacen un mayor uso de la modelizacin son la hidrologa,
erosin y geomorfologa fluvial, mientras que en edafologa lo son la evaluacin y contaminacin
de suelos, y en agricultura la agroclimtologa. En todo caso son las CC. de la atmsfera en
donde se han alcanzado logros ms espectaculares, con vistas a predecir el comportamiento del
sistema climtico.

DEFINICIONES DE MODELOS
En ciencias puras y, sobre todo, en ciencias aplicadas, se denomina modelo cientfico a una
representacin abstracta, conceptual, grfica o visual (ver, por ejemplo: mapa conceptual),
fsica, matemtica, de fenmenos, sistemas o procesos a fin de analizar, describir, explicar,
simular - en general, explorar, controlar y predecir- esos fenmenos o procesos. Un modelo
permite determinar un resultado final o output a partir de unos datos de entrada o inputs. Se
considera que la creacin de un modelo es una parte esencial de toda actividad cientfica.
Un modelo es una representacin de la realidad segn Colin Lee (1972)
Pidd (1996) propone la siguiente definicin mucho ms completa: Un modelo es una
representacin explcita y externa de parte de la realidad como la ven las personas
que desean usar el modelo para entender, cambiar, gestionar y controlar dicha parte
de la realidad

An cuando hay pocos acuerdos generales acerca del uso, etc, de modelos, la ciencia
moderna ofrece una coleccin creciente de mtodos, tcnicas y teoras acerca de diversos
tipos de modelos. Las teoras y/o propuestas sobre la construccin, empleo y validacin de
modelos se encuentran en disciplinas tales como la metodologa; filosofa de la ciencia,
teora general de sistemas y el campo, relativamente nuevo, de visualizacin cientfica. En
la prctica, diferentes ramas o disciplinas cientficas tienen sus propias ideas y normas
acerca de tipos especficos de modelos (ver, por ejemplo: teora de modelos). Sin embargo,
y en general, todos siguen los principios del modelado.
Para hacer un modelo es necesario plantear una serie de hiptesis, de manera que lo que se
quiere estudiar est suficientemente plasmado en la representacin, aunque tambin se
busca, normalmente, que sea lo bastante sencillo como para poder ser manipulado y
estudiado.

1.4. PASOS GENERALES Y TCNICAS DE LA CONSTRUCCIN

DE MODELOS MATEMTICOS

MTODO CIENTFICO

Podemos definir el mtodo cientfico como el proceso que sigue la

comunidad cientfica para dar respuesta a sus interrogantes, la
secuencia de procedimientos que usa para confirmar como regla o
conocimiento lo que en origen es una mera hiptesis. El mtodo
cientfico est basado en los principios de reproducibilidad y
refutabilidad o falseabilidad y consta fundamentalmente de cinco pasos:

1. Observacin Anlisis sensorial sobre algo -una cosa, un hecho,

un fenmeno,- que despierta curiosidad. Conviene que la
observacin sea detenida, concisa y numerosa, no en vano es el
punto de partida del mtodo y de ella depende en buena medida
el xito del proceso.
2. Hiptesis Es la explicacin que se le da al hecho o fenmeno
observado con anterioridad. Puede haber varias hiptesis para una
misma cosa o acontecimiento y stas no han de ser tomadas
nunca como verdaderas, sino que sern sometidas a experimentos
posteriores para confirmar su veracidad.
3. Experimentacin Esta fase del mtodo cientfico consiste en
probar -experimentar- para verificar la validez de las hiptesis
planteadas o descartarlas, parcialmente o en su totalidad.
4. Teora Se hacen teoras de aquellas
probabilidad de confirmarse como ciertas.
5.

hiptesis

con

ms

Ley Una hiptesis se convierte en ley cuando queda demostrada

mediante la experimentacin.

El Mtodo cientfico consta de los siguientes pasos:

1. Definir el problema y recolectar datos (delimitar el problema)
2. Formular un modelo (casi siempre es un modelo matemtico) para
representar el problema (situacin real). El proceso de modelado
es creativo, es un proceso evolutivo que comienza con un simple
modelo verbal para definir la esencia del problema y
gradualmente evoluciona hacia un modelo matemtico ms
complejo.
3. Resolucin del modelo (desarrollar un procedimiento basado en
computadoras para derivar soluciones del problema a partir del
modelo).
4. Verificar con la realidad (probar el modelo y refinar segn se
necesite; debe asegurarse que el modelo ofrece una
representacin suficientemente precisa del modelo real).
5. Aplicar el modelo para analizar el problema y desarrollar
recomendaciones para la administracin; si el modelo se va aplicar
de manera repetida para ayudar a guiar las decisiones de forma
constante, esta puede ser la base para el desarrollo de un sistema
de apoyo a las decisiones.
6. Ayudar a implantar las recomendaciones del equipo que adopte la
administracin.
PASOS PARA LA CONSTRUCCIN DE UN MODELO

Una manera de resumir las etapas usuales (no secuenciales) de un estudio de IO es la

siguiente:
1. Definicin del problema de inters y recoleccin de los datos relevantes
2. Formulacin de un modelo que represente el problema
3. Solucin del modelo
4. Prueba del modelo
5. Preparacin para la aplicacin del modelo
6. Puesta en marcha
Definicin del problema y recoleccin de datos
La primera actividad que se debe realizar es el estudio del sistema relevante, esto incluye
determinar los objetivos, las restricciones sobre lo que se puede hacer, los diferentes cursos
de accin posibles las interrelaciones del rea bajo estudio con otras reas de la
organizacin, los lmites de tiempo para tomar una decisin. Este proceso de definir el
problema es muy importante ya que afectar en forma significativa las conclusiones en
estudio, lo cual hace imposible extraer una respuesta correcta de un problema equivocado.
Lo primero que hay que reconocer es que un equipo de IO, por lo general trabaja en un
nivel de asesora. A los miembros del equipo no se les presentan un problema y se les dice
que lo resuelvan como puedan, sino que asesoran a la gerencia (casi siempre un tomador de
decisiones). El equipo realiza un anlisis tcnico y despus presentan un informe a los
administradores. Con frecuencia, el informe a la gerencia identifica cierto nmero de
opciones atractivas, en particular bajo diferentes suposiciones. El gerente evala el estudio
y sus recomendaciones. Y toma una decisin final basndose en su mejor juicio.
Entonces, es vital que el equipo de IO pueda observar desde el mismo nivel que la gerencia.
Es comn que el equipo de IO pase mucho tiempo recolectando los datos relevantes sobre
el problema.
Ejemplo: Un estudio de IO hecho para Citgo Petroleum Corporation optimiz tanto las
operaciones de refinacin como el abastecimiento, la distribucin y la comercializacin de
sus productos, logrando un mejoramiento en las utilidades de alrededor de $70 millones de
dlares al ao. La recoleccin de datos tambin jug un papel muy importante en este
estudio.
Formulacin del modelo
Una vez definido el problema la siguiente etapa consiste en reformularlo para su anlisis,
mediante la construccin de un modelo que represente la esencia del problema. Los
modelos son representaciones idealizadas de la realidad. Los modelos tienen muchas
ventajas sobre una descripcin verbal del problema, una ventaja obvia es que el modelo
describe un problema en forma mucho ms concisa. Al desarrollar el modelo, se
recomienda empezar con una versin muy sencilla y moverse, en forma evolutiva, hacia
modelos ms elaborados que reflejen mejor la complejidad del problema real. Los modelos
siempre deben ser menos complejos que el sistema real, de otra manera, no tiene sentido
trabajar con modelos si se puede trabajar con el sistema real en s.

Ejemplo: La oficina responsable del control del agua y los servicios pblicos del gobierno
de Holanda, el Rijkswaterstatt, contrat un importante estudio de IO para guiarlo en el
desarrollo de una nueva poltica de administracin del agua. La nueva poltica ahorr
cientos de millones de dlares en gastos de inversin y redujo el dao agrcola en alrededor
de $15 millones de dlares anuales, al mismo tiempo que disminuy la contaminacin
trmica, debida a las algas. En lugar de formular modelo, ste estudio de IO desarroll un
sistema integrado y comprensible de 50 modelos, algunos de los modelos se desarrollaron
en versiones sencillas y complejas. La versin sencilla se us para adquirir una visin
bsica, en cambio la versin compleja se us cuando se deseaba mayor exactitud o ms
detalles en los resultados.
Obtencin de una solucin a partir del modelo
Una vez formulado el modelo para el problema bajo estudio, la siguiente etapa de un
estudio consiste en desarrollar un procedimiento para derivar en una solucin al problema a
partir de este modelo, segn el tipo de modelo este puede hacerse en computadora. Puede
pensarse que esta debe ser la parte principal de estudio, pero por lo general no lo es,
encontrar la solucin es la parte divertida del estudio, mientras que el verdadero trabajo se
encuentra en las etapas anteriores y posteriores del estudio. Un tema comn es la bsqueda
de una solucin ptima, es decir, la mejor, es necesario reconocer que estas Matemticas
para la toma de decisiones permiten soluciones que son ptimas slo respecto al modelo
que se esta utilizando. Como el modelo necesariamente es una idealizacin y no una
representacin del problema real, no puede existir una garanta de que la solucin ptima
del modelo resulte ser la mejor solucin posible que pueda llevarse a la prctica para el
problema real. Esto, por supuesto, es de esperarse si se toma en cuenta los muchos
imponderables e incertidumbre asociados a casi todos los problemas reales, pero si el
modelo est bien formulado la solucin debe tener una buena aproximacin de curso de
accin ideal para el problema real.
El eminente cientfico de la administracin y premio Nobel de Economa, Herbert Simon,
introdujo el concepto de que en la prctica es mucho ms frecuente satisfazar que
optimizar. Al inventar el trmino satisfazar como una combinacin de satisfacer y
optimizar. La distincin entre optimizar y satisfazar refleja la diferencia entre la teora y la
realidad. Por lo tanto, la meta de un estudio de IO debe ser llevar a cabo el estudio de una
manera ptima, independientemente de si implica o no encontrar una solucin ptima para
el modelo. Al reconocer este concepto, en ocasiones se utilizan solo procedimientos de
diseo intuitivo para encontrar una buena solucin subptima. Una solucin ptima para el
modelo original puede ser mucho menos que ideal para el problema real, de manera que es
necesario hacer un anlisis adicional. El anlisis posptimo, constituye una parte muy
importante, ste determina qu parmetros del modelo son los ms crticos, los parmetros
crticos, del modelo son aquellos cuyos valores no se pueden cambiar sin que la solucin
ptima cambie.
Ejemplo: Considere de nuevo el estudio de IO para el Rijkswaterstatt sobre la poltica
nacional de administracin de agua en Holanda. Este estudio no concluy con la
recomendacin de una solucin. Ms bien, se identificaron, analizaron y compararon varias
alternativas atractivas. El anlisis postptimo jug un papel importante en este estudio. Por

ejemplo, ciertos parmetros de los modelos representaron estndares ecolgicos. El anlisis

postptimo incluy la evaluacin del impacto en los problemas de agua si los valores de los
parmetros se cambiaran de los estndares ecolgicos a otros valores razonables. Se us
tambin para evaluar el impacto de cambio de las suposiciones de los modelos, por
ejemplo, la suposicin sobre el efecto de tratados internacionales futuros sobre la
contaminacin que pudiera llegar, etc.
Prueba del modelo
Sin duda que la primera versin de un modelo grande tenga muchas fallas, por lo tanto
antes de usar el modelo debe probarse para identificar y corregir todas las fallas que se
pueda, este proceso de prueba y mejoramiento se conoce como validacin del modelo. Un
modelo es vlido si, independientemente de sus inexactitudes, puede dar una prediccin
confiable del funcionamiento del sistema. Un mtodo comn para probar la validez de un
modelo es comparar su funcionamiento con algunos datos pasados disponibles del sistema
actual (se le llama tambin prueba retrospectiva). Debe notarse que tal mtodo de
validacin no es apropiado para sistemas que no existen, ya que no habr datos disponibles
para poder comparar. Otro mtodo podra ser incluir a una persona que no haya participado
en la formulacin del modelo, para poder encontrar errores que el equipo de IO no
encontr.
Ejemplo: Considerando nuevamente el estudio de IO para el Rijkswaterstatt sobre la
poltica de administracin del agua. El proceso de prueba del modelo en este caso const de
tres grandes partes. Primero, el equipo de IO verific el comportamiento general de los
modelos viendo si los resultados de cada uno de ellos cambiaban en forma razonable al
hacer cambios en los valores de los parmetros. Segundo, se hizo una prueba retrospectiva.
Tercero, personas totalmente ajenas al proyecto, llevaron a cabo una revisin tcnica de los
modelos, la metodologa y los resultados. Este proceso llev al reconocimiento de varios
aspectos importantes y a mejoras en los modelos.

Preparacin para la aplicacin del modelo

El siguiente paso es instalar un sistema bien documentado para aplicar el modelo. Este
sistema incluir el modelo y el procedimiento de solucin (adems del anlisis postptimo)
y los procedimientos operativos para su implantacin (este sistema casi siempre esta
diseado para computadora). Parte de este esfuerzo incluye el desarrollo de un proceso de
mantenimiento durante su uso futuro, por lo tanto si las condiciones cambian con el tiempo,
este proceso debe modificar al sistema como al modelo.
Implantacin del modelo
Una vez desarrollado el sistema para aplicar el modelo, la ltima etapa consiste en la
implantacin de los resultados probados del modelo. Esto bsicamente implicara la

traduccin de estos resultados en instrucciones de operacin detallada, emitidas en una

forma comprensible a los individuos que administrar y operarn al sistema. A la
culminacin del estudio, es apropiado que el equipo de IO documente su metodologa
utilizada con suficiente claridad para que el trabajo sea reproducible.
Ejemplo: Volviendo al caso de la poltica nacional de administracin del agua del
Rijkswaterstatt en Holanda. La administracin deseaba documentacin ms extensa que lo
normal, tanto para apoyar la nueva poltica como para utilizarla en la capacitacin de
nuevos analistas o al realizar nuevos estudios.

MODELOS MATEMTICOS
En trminos sencillos es un grupo de ecuaciones o inecuaciones que representan una
realidad. El ingrediente principal en un modelo matemtico, como es de esperarse, es la
variable. Las variables, son la representacin de los diferentes posibilidades de un conjunto
de datos; y estos datos en su origen pueden ser de tipo determinsticos o estocsticos.

Modelo Determinista: Es en el que las variables que lo forman, son de carcter conocido,
es decir, que no depende del azar.
Modelo Estocstico: Lo contrario. Aquellos modelos, cuyas variables son de naturaleza
probabilstica, es decir que dependen de un nivel de incertidumbre; del azar. Por lo tanto,
normalmente estas variables representan es una funcin de probabilidad.
Nota: muchas veces en la prctica, algo que parece probabilstica, o del azar, realmente
corresponde a algo que se deja como caja negra por el sin nmero de variables que la
componen, por la dificultad de su medicin, etc. Si se es consciente de esto, si esto es
totalmente claro, se tendr el primer paso en firme, y como se puede observar en el grfico
de eso depende todo. Prcticamente es una decisin del modelador: Por ejemplo, para el
tiempo de proceso de una operacin, puede tomar el promedio del tiempo como un valor
determinstico y usar un programa matemtico de optimizacin o puede analizar esta

variable para determinar la funcin de densidad de probabilidad, con un promedio, un valor

de desviacin estndar y tal vez usar simulacin.
Modelo Lineal: Son aquellos modelos dnde todos los grados de sus trminos son iguales
a 1, y en cada trmino slo hay una variable.
Modelo No Lineal: Son aquellos modelos dnde algn termino tiene un grado mayor que
uno. o algn trmino tiene ms de una variable.
Modelos Continuos: Dnde sus variables son densas. O sea, que dentro de dos valores
arbitrarios [a,b] hay infinitos valores. Ejemplo: 1, 1.1, 1.12, 1.13.. etc.
Modelos Enteros o Discretos: Pues eso. Son modelos, dnde sus variables slo pueden
tomar valores enteros. Por ejemplo, si una variable representa el nmero de personas que se
necesita para cierta tarea, slo las valores enteros tienen sentido, ej: 2 personas, 3 personas,
pero tal vez, 2.5 personas, no tenga mucho sentido.
Nota: A pesar de lo que pueda parecer al principio, los modelos enteros, son por mucho,
ms difciles de resolver que los problemas o modelos continuos. Requieren muchsimo
ms recursos de maquina para resolver que los problemas continuos.
Modelos Binarios: Son los modelos que slo pueden tomar los valores de cero o uno. Son
un caso especial de los modelos enteros. Estos modelos, son muy tiles para analizar
variables de decisin tipo Si/No. Y, estos modelos pueden ser particularmente tiles, en la
asignacin de recursos.

CLASIFICACION DE LOS MODELOS

Existen mltiples tipos de modelos para representar la realidad. Algunos
de ellos son:
1. Dinmicos: Utilizados para representar sistemas cuyo estado
vara con el tiempo.
2. Estticos: Utilizados para representar sistemas cuyo estado es
invariable a travs del tiempo.
3. Matemticos: Representan la realidad en forma abstracta de
muy diversas maneras.
4. Fsicos: Son aquellos en que la realidad es representada por algo
tangible, construido en escala o que por lo menos se comporta en
forma anloga a esa realidad (maquetas, prototipos, modelos
analgicos, etc.).
5. Analticos: La realidad se representa por frmulas matemticas.
Estudiar el sistema consiste en operar con esas frmulas
matemticas (resolucin de ecuaciones).
6. Numricos: Se tiene el comportamiento numrico de las
variables intervinientes. no se obtiene ninguna solucin analtica.

7. Continuos: Representan sistemas cuyos cambios de estado son

graduales. Las variables intervinientes son continuas.
8. Discretos: Representan sistemas cuyos cambios de estado son de
a saltos. Las variables varan en forma discontinua.
9. Determinsticos: Son modelos cuya solucin para determinadas
condiciones es nica y siempre la misma.
10.
Estocsticos: Representan sistemas donde los hechos
suceden al azar, lo cual no es repetitivo. No se puede asegurar
cules acciones ocurren en un determinado instante. Se conoce la
probabilidad de ocurrencia y su distribucin probabilstica. (Por
ejemplo, llega una persona cada 20 10 segundos, con una
distribucin equiprobable dentro del intervalo).

Clasificacin de Modelos:
a) Modelos Concretos y
Abstractos.
b) Modelos
Abiertos y
Cerrados.
c) Modelos Estticos y
Dinmicos.
d) Modelos Anticipativosy
Causales.
e) Modelos Estocsticos y
Deterministas.
f) Modelos Continuos, Discretos y de Eventos
Discretos.
g) Modelos de Parmetros
Distribuidos y Concentrados
h) Modelos Fsicos y Matemticos.