Professional Documents
Culture Documents
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.
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
modelo
s.l.
sera
la
o cualidades definidas
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 MULTIVARIANTES
MODELOS DE OPTIMIZACIN
MODELOS DE LA TEORA DE JUEGOS
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.
MTODO CIENTFICO
hiptesis
con
ms
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
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
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.