Sie sind auf Seite 1von 14

SIMULACIN EXPERIMENTADA

Diseado y preparado por: Elicer Pineda Ballesteros, Docente Unad

Contenido
SIMULACIN EXPERIMENTADA .............................................................................................. 1

Presentacin. .......................................................................................................................... 2

Introduccin a la Toma de Decisiones. ................................................................................... 2

La experimentacin simulada................................................................................................. 2

Coherencia dimensional. ........................................................................................................ 3

Simulacin y anlisis de sensibilidad en Vensim .................................................................... 7

Ecuaciones del modelo. ...................................................................................................... 7


Validacin del modelo. ....................................................................................................... 8
Anlisis de sensibilidad ......................................................................................................... 12

Bibliografa ............................................................................................................................ 14

Figura 1 Diagrama de Forrester ............................................................................................. 5


Figura 2 Unidades de la variable tasa nac pulgas............................................................... 6
Figura 3 Modelo con coherencia dimensional ...................................................................... 7
Figura 4 Proceso de validacin de un modelo ....................................................................... 9
Figura 5 Test visual ............................................................................................................. 10
Figura 6 Coeficiente de determinacin ............................................................................... 10
Figura 7 Test en Excel .......................................................................................................... 11
Figura 8 Generar regresin .................................................................................................. 11
Figura 9 Resultados ............................................................................................................. 12
Figura 10 Variacin del parmetro ...................................................................................... 12
Figura 11 Corrida 1 .............................................................................................................. 13
Figura 12 Ejecutar el modelo ............................................................................................... 13
Figura 12 Corrida 2 .............................................................................................................. 13
Figura 14 variacin de parmetros ..................................................................................... 13
Figura 15 Resultados de simulacin .................................................................................... 14
Presentacin.
Este documento es una gua para el desarrollo de la experimentacin simulada como
alternativa en la toma de decisiones. Aborda temas especficos como la coherencia
dimensional y la experimentacin simulada con Vensim; no olvidar que para hacer la
experimentacin simulada es preciso que el modelo est validado; el primer paso es la
determinacin de la coherencia dimensional.

Introduccin a la Toma de Decisiones.


En la accin de tomar decisiones est inmersa una situacin de incertidumbre puesto que
no hay nada garanta que las condiciones en las que se tome la decisin sigan siendo las
mismas. Tomar una decisin es el primer paso para elegir un plan de accin; es por esto que
el trabajo central consiste en decidir: qu hacer, cmo delegar su realizacin a quienes se
considere ms capacitados para ello, cmo justificar para qu debe hacerse, cundo debe
hacerse y as lograr la optimizacin. Existen diversas situaciones en las que se deben tomar
decisiones: las de certeza, incertidumbre y riesgo.

Decisiones en situacin de certeza: Una situacin de certeza es aquella en la que un sujeto


tiene informacin completa sobre una situacin determinada, sobre cmo evolucionar y
conoce el resultado de su decisin. Ejemplo: decisiones sobre compras cuando se conoce la
demanda, de distribucin de personal cuando se conoce el coste por persona y operacin,
etc. La toma de decisiones en un marco de certeza no implica dificultad alguna.

Decisiones en situacin de incertidumbre: Una situacin de incertidumbre es aquella en la


que un sujeto toma la decisin sin conocer toda la informacin y por ello existen varios
resultados para cada estrategia. Pueden ser decisiones no competitivas y competitivas.

Decisiones en situacin de riesgo: En este tipo de situaciones se conoce la probabilidad de


que ocurra cada situacin. Se trata de analizar beneficios y prdidas ponderados por las
probabilidades de que sucedan.

La idea es que con la experimentacin simulada se puede disminuir la incertidumbre a la


hora de afrontar la complejidad inherente a los sistemas sociales, en los procesos de toma
de decisiones.

La experimentacin simulada.

Una de las principales aportaciones de la informtica a la ciencia es la posibilidad de realizar


procesos de experimentacin simulada, mediante el modelamiento con ecuaciones en
diferencias y la solucin de tales modelos mediante los mtodos numricos y la
computacin.
La experimentacin simulada es un proceso "diseado" que debe de cierta manera superar
algunas de las ineficiencias de su contraparte "natural", es decir, el entorno y de este modo
permite hacer ms eficiente el aprendizaje en la organizacin y la consecuente toma de
decisiones con un menor nivel de incertidumbre.

Con el fin de superar o atenuar esas limitaciones sobre el proceso natural de aprendizaje,
los investigadores que usan los modelos de simulacin sugieren un proceso artificial. Este
ltimo, como todo proceso de aprendizaje a la luz de la dinmica de sistemas, tambin est
constituido por un ciclo doble de realimentacin. Pero a diferencia del natural, no se
sucede sobre la cotidianidad sino que ocurre en laboratorio virtual, el modelo.

Para hacer posible un proceso de aprendizaje en laboratorio virtual, es necesario disponer


de un modelo del fenmeno sobre el cual se pueda experimentar. Es decir, de manera
anloga al aprendizaje natural que sucede en la realidad, el aprendizaje artificial ocurre
alrededor de un modelo de la realidad.

El aprendizaje artificial es semejante al natural, lo que cambia es el objeto de


aprendizaje y accin. No cualquier modelo de la realidad sirve como mundo virtual para el
aprendizaje en laboratorio. Sobre el mundo virtual, es decir, sobre el modelo debe ser
posible experimentar y posteriormente recibir informacin de realimentacin sobre sus
consecuencias. El mundo virtual debe ser entonces un modelo que simule el
comportamiento dinmico de un cierto fenmeno ante diferentes alternativas de accin y
bajo diferentes escenarios.

Coherencia dimensional.
Segn (Mosca, 2007) la coherencia dimensional es una condicin necesaria, pero no
suficiente para que una ecuacin sea correcta. Una ecuacin puede tener las dimensiones
correctas en cada trmino, pero no describir una situacin fsica.

Es conocido que en la Fsica las magnitudes tienen dimensiones. As se dice que [v]= L/T y
[F]=ML/T2. El concepto de dimensin se debe a (Fourier, 1822) quien dijo: Es necesario
hacer notar que cada magnitud, indeterminada o constante, tiene una dimensin que le es
propia, y que los trminos de una no podran ser comparados si no tuviesen el mismo
exponente de dimensiones. Es decir, las ecuaciones deben ser homogneas
dimensionalmente hablando. Esta es la idea que subyace en el fondo de todo el anlisis
dimensional y es lo que la profesora o el profesor de primaria sugera cuando deca que no
se pueden sumar peras con manzanas; aunque esto no es estrictamente cierto, puesto que
3 peras y 2 manzanas son 5 frutas, pero en ese caso compartiran la unidad [fruta].

Existen diferentes sistemas de unidades. Las cantidades fsicas pueden expresarse en


distintas unidades segn la escala en que est graduado el instrumento de medicin. Una
distancia puede expresarse en metros, kilmetros, centmetros o pes, sin importar cul sea
la unidad empleada para medir la cantidad fsica distancia, pues todas ellas se refieren a
una dimensin fundamental llamada longitud, representada por L.

El buen manejo de las dimensiones de las cantidades fsicas en una ecuacin o frmula
fsica, permite comprobar si son correctas y si se trabajaron debidamente.

Al aplicar una ecuacin o frmula fsica, debemos recordar dos reglas:

1. Las dimensiones de las cantidades fsicas a ambos lados del signo de igualdad, deben
ser las mismas.
2. Solo pueden sumarse o restarse cantidades fsicas de la misma dimensin.

De otra parte (Izquierdo, 2008) afirma que la suma de dos magnitudes fsicas solo tiene
sentido si tienen la misma dimensin, es decir, no tiene mucho sentido sumar reas con
volmenes, o sumar un rea con una velocidad y que el resultado signifique algo. Las
ecuaciones han de ser dimensionalmente consistentes. Esto es, si tenemos:

A=B+C

La dimensin de A debe ser igual a la suma de las dimensiones de B y C.

El primer requisito que debe cumplir una ecuacin es la coherencia dimensional. Por
ejemplo, la ecuacin del movimiento rectilneo uniforme que expresa la posicin en cada
instante en funcin de la velocidad constante.

x = xo + v*t

La coherencia dimensional de las ecuaciones dice que la dimensin de ambos lados de la


ecuacin ha de ser igual.

[x] = [xo + v*t]

La posicin de un objeto es una magnitud de longitud L, por tanto su dimensin es:

[x] = L

La dimensin de [xo + v*t] es:

[xo + v*t] = [xo] + [v*t] = [xo] + [v] * [t]

Dado que:
1. La dimensin de xo = L (longitud)
2. La dimensin de v = L/T (longitud/tiempo)
3. La dimensin de t = T (tiempo)
Se deben simplificar las unidades.
La dimensin del segundo trmino de la ecuacin, ser:

[xo + v*t] = L + (L/T)*T = L, es decir, tiene unidades de longitud.

Otro ejemplo que ilustra la manera de verificar la coherencia dimensional.

Demostrar que la frmula de la distancia recorrida por un mvil, d = (V0t + at2) /2, es
dimensionalmente vlida.

Sustituyendo las cantidades fsicas por sus dimensiones tenemos que:


L = (L/T)*T + (L/T2)* T2
Despus de eliminar los literales iguales, solo queda L;

Recordar que la dimensin de:


d = [L] donde d es distancia y L es longitud que se mide en metros m.
v = [L/T] donde v es velocidad y T es tiempo que se mide en segundos s
a = [L/T2] donde a es aceleracin

Se ilustrar a continuacin la forma en que se usan las unidades en Vensim para garantizar
la coherencia dimensional, para ello se usa el modelo de las pulgas.

Figura 1 Diagrama de Forrester

Con el diagrama de Forrester se listan las ecuaciones, se definen las unidades, se verifican
las unidades de las ecuaciones y se simplifican.
Tabla 1 Unidades del modelo
Simplificacin de
Variable Unidades Ecuacin unidades Units
Vensim
TASA NAC
1/mes TASA NAC PULGAS = 0.1 1/Month
PULGAS
VIDA MEDIA
Mes VIDA MEDIA PULGAS = 9 Month
PULGAS
PULGAS Pulga PULGAS = 100 Pulga
NACIMIENTO DE NACIMIENTO DE PULGAS = [pulga]*[1/Month]
pulga/mes
PULGAS PULGAS*TASA NAC PULGAS = pulga/Month
MUERTE DE MUERTE DE PULGAS = [pulga]/[Month] =
pulga/mes
PULGAS PULGAS/VIDA MEDIA PULGAS pulga/Month

Nota: Month = mes

En Vensim quedara como se muestra en Figura 2.

Figura 2 Unidades de la variable tasa nac pulgas

Luego que se han incluido todas las ecuaciones, verificando su coherencia dimensional, se
procede a verificar, mediante Vensim, que las unidades estn ok.
Simulacin y anlisis de sensibilidad en Vensim

Para ilustrar la manera en que se puede realizar el anlisis de sensibilidad con Vensim se
seguir usando el modelo de las pulgas.

En la Figura 3 se muestra cmo se debe verificar la coherencia dimensional en Vensim. Si


aparece el cuadro con el texto Units are A. O.K., el modelo es dimensionalmente coherente.

Figura 3 Modelo con coherencia dimensional

Ecuaciones del modelo.


(01) FINAL TIME = 100
Units: Month
The final time for the simulation.

(02) INITIAL TIME = 0


Units: Month
The initial time for the simulation.

(03) MUERTE DE PULGAS = PULGAS/VIDA MEDIA PULGAS


Units: Pulga/Month

(04) NACIMIENTO DE PULGAS = PULGAS*TASA NAC PULGAS


Units: Pulga/Month

(05) PULGAS = INTEG (NACIMIENTO DE PULGAS-MUERTE DE PULGAS, 100)


Units: Pulga

(06) SAVEPER = TIME STEP


Units: Month [0,?]
The frequency with which output is stored.

(07) TASA NAC PULGAS = 0.1


Units: 1/Month
(08) TIME STEP = 1
Units: Month [0,?]
The time step for the simulation.

(09) VIDA MEDIA PULGAS = 9


Units: Month

Validacin del modelo.

El proceso de validacin de un modelo: Un modelo en dinmica 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 validacin de la estructura del modelo consiste en establecer que las relaciones usadas
en un modelo son una representacin adecuada de la realidad o relaciones reales, y estn
acordes con los propsitos del modelamiento. Este tipo de evaluacin puede ser hecha de
dos maneras: directa o indirecta.
La prueba de la estructura directa evala la validez de la estructura del modelo
comparndola directamente con el conocimiento cierto acerca de la estructura real del
fenmeno modelado. Esto implica evaluar cada relacin en el modelo mientras haya
conocimiento verificado del sistema modelado. Estas pruebas son cualitativas por
naturaleza, no involucran la simulacin.

La prueba de estructura indirecta o de comportamiento evala 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 parmetros seleccionados y comparar el
comportamiento generado por el modelo con el comportamiento esperado o el observado
en el sistema real bajo la misma condicin extrema. Estas son pruebas extremas de
comportamiento que pueden proporcionar informacin indirecta sobre las posibles fallas
estructurales.

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


afirmacin de la forma: "si el sistema funciona bajo la condicin C, entonces dara como
resultado el comportamiento (s) B." El modelo se ejecuta bajo la condicin C y se dice que
este pasa la prueba comportamiento orientada a la estructura, si el comportamiento
resultante es similar al comportamiento esperado. Para estos modelos, la validez significa
en ltima instancia la validez de la estructura interna del modelo.

Aunque la validacin estructural es crucial, la mayora de la literatura sobre investigacin


tcnica acerca de la validacin de los modelos se ocupa solo de lo que se conoce como la
validacin del comportamiento. Puede haber dos razones principales por las que la
validacin 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 filosfica de la
validacin de la estructura en los modelos de caja transparente (a diferencia de modelos de
caja negra). La segunda razn tiene que ver con la dificultad tcnica para disear
formalmente herramientas estadsticas orientadas a determinar la validez estructural.

Fases en la validacin de un modelo: En el siguiente grfico se muestran las fases, como un


proceso iterativo, para lograr la validacin de un modelo.

Inicia con la construccin del modelo y sus posteriores revisiones a partir de los fallos en el
intento por pasar alguna de las pruebas. Despus se harn las pruebas de desempeo
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 evala la estructura a partir de los
comportamientos simulados versus los observados u esperados. Si hay fallo en esta prueba,
se ha de revisar de nuevo el modelo. La cuarta fase se concentra en validar los resultados
del modelo frente a patrones de desempeo. De nuevo si falla en estas pruebas deber ir a
revisin el modelo. Finalmente se comunican los resultados de la validacin a los
interesados quienes proceden a su implementacin.

Figura 4 Proceso de validacin de un modelo

Para el caso que nos ocupa el modelo estar calibrado si logra superar al menos los dos
siguientes test; la calibracin se logra modificando los valores de los parmetros y
verificando la coherencia de los modelos. Se puede hacer la comparacin visual que consiste
en observar la forma cualitativa de las grficas que genera Vensim, vs los datos reales, ver
la Figura 5.
Figura 5 Test visual

Otro test que debe ser hecho es la validacin por coeficiente de determinacin mediante
un anlisis de regresin simple, ver la Figura 6. Este test se puede realizar con ayuda de
Excel, para ello pueden consultar este video:
https://www.youtube.com/watch?v=ACrfH_Naxls

Antes de iniciar deben tener una columna con los datos reales y otra con los datos que
genera Vensim, para poder hacer la comparacin.

Figura 6 Coeficiente de determinacin

Para realizar el test deben tener las dos columnas de datos, los reales y los que genera
Vensim. Luego dan clic en DATOS, despus en Anlisis de datos y finalmente
seleccionan Regresin. Ver los recuadros rojos.
Figura 7 Test en Excel

Luego les aparece esta ventana, en ella seleccionan los datos de entrada, es decir, los datos
reales, (Rango Y de entrada) y los datos generados por Vensim (Rango X de entrada), luego
seleccionan la celda donde se pondrn los resultados (Rango de salida:) y finalmente dan
clic en Aceptar.

Figura 8 Generar regresin

Una vez se da clic en aceptar se genera este resumen, se debe verificar que el R2 sea cercano
o superior a 0.7 para que sea aceptable el modelo. Ver Figura 9.
Figura 9 Resultados

Anlisis de sensibilidad
Con el modelo ya calibrado y funcionando adecuadamente deben disear el escenario de
simulacin.

En el primer escenario se va a verificar qu sucede con el Nivel pulgas si se cambia la TASA


NAC PULGAS con incrementos de 0.1, es decir, incrementos del 10%.

Tabla 2 Escenario 1
Escenario 1
Corrida TASA NAC PULGAS VIDA MEDIA PULGAS Pulgas
1 0,1 9 15
2 0,2 9 15
3 0,3 9 15

Inicialmente se edita el parmetro del modelo TASA NAC PULGAS y se incluye el primer
valor de la tabla que corresponde a corrida 1, es decir, 0.01. Ver la grfica. Los dems valores
estarn constantes.

Figura 10 Variacin del parmetro

Luego escribimos en la barra de herramientas el nombre de la corrida, para este caso,


Corrida 1. Ver grfica.
Figura 11 Corrida 1

Seguidamente procedemos a simular esa primera corrida, para ello damos clic en el
corredor de verde, ver la Figura 11.

Figura 12 Ejecutar el modelo

Luego se escribe ahora la corrida dos.

Figura 13 Corrida 2

Cambiamos el valor por el que corresponde a corrida 2, es decir 0,3, ver grfico.

Figura 14 variacin de parmetros

Luego se simula y as sucesivamente hasta que se tiene las corridas necesarias o requeridas.
Luego de realizar las simulaciones, con cada corrida del escenario de simulacin, se
selecciona la variable que se quiere visualizar en las grficas y se observa si hubo o no
cambio en la variable que nos interesaba conocer, generalmente son los niveles. Para el
ejemplo se est revisando el nivel pulgas frente a la variacin de la tasa de natalidad de las
pulgas.

Figura 15 Resultados de simulacin

En la Figura 15 que genera Vensim se puede ver qu pas con cada variacin; deben tener
en cuenta que cada resultado est asociado a cada corrida por el color.
No olvidar que el anlisis de sensibilidad tiene como propsito, a partir del diseo de un
escenario, identificar los lugares en los que el sistema es ms sensible, es decir, aquellos
lugares en que con poco esfuerzo se logran resultados importantes.

Bibliografa
Fourier, J. B. (1822). Thorie analytique de la chaleur. Chez Firmin Didot: pre et fils.
Izquierdo, M. (2008). Biomecnica y bases neuromusculares de la actividad fsica y el
deporte. Buenos Aires: Editorial Mdica Panamericana.
Mosca, T. (2007). Fsica para laciencia y la tecnologa. Barcelona: Revert.

Se sugiere revisar estos link:

http://laplace.us.es/wiki/index.php/1.1._Ejemplos_de_an%C3%A1lisis_dimensional
https://civil.frba.utn.edu.ar/2011/Materias/modeloshidraulicos/analisis.dimensional.pdf