CAPTULO 2

CONCEPTOS BASICOS DEL ANALISIS DE SISTEMAS y SIMULACiN

INTRODUCCiN

En este captulo describiremos algunos conceptos implcitos en los trminos "sistema", "anlisis de sistemas", "modelo" y "simulacin", y proporcionaremos una revisin general de las cuatro etapas tericas del anlisis de sistemas. El objetivo principal es comenzar a desarrollar el marco conceptual que facilita la aplicacin del anlisis de sistemas y simulacin a cualquier sistema complejo. Primero consideraremos la idea de un sistema desde una perspectiva filosfica y propondremos el trmino "sistema de inters" como la base fundamental del proceso de desarrollo de un modelo. Luego definiremos los trminos "sistemas", "anlisis de sistemas" y "modelo" y describiremos en forma simple los diferentes tipos de modelos. Posteriormente abordaremos en forma prctica el desarrollo y el uso del modelo, para lo que utilizaremos un ejemplo numrico sencillo. Finalmente presentaremos una breve descripcin de las cuatro etapas tericas del anlisis de sistemas,las cuales sern presentadas ms detalladamente en la Parte n.

2.2

CONCEPTOS BSICOS Sistema

Al igual que muchas palabras cuyo significado deducimos en forma intuitiva, "sistema" es difcil de definir en forma precisa. Un sistema es un conjunto de componentes interrelacionados que poseen un lmite y funcionan como una unidad. Un sistema es cualquier conjunto de materiales y procesos que se comunican para realizar una serie de funciones. Un sistema es un conjunto de procesos interconectados caracterizado por muchas vas recprocas de causa y efecto. Claramente, cualquier conjunto de objetos que interactan puede ser considerado un sistema. El principal atributo de un sistema es que podemos entenderlo slo al considerarlo como un todo. Otro atributo importante de un sistema,o ms estrictamente hablando, de nuestro concepto de sistema, es que se define de acuerdo con un propsito particular;

2.1 2.2.1

conceptos bsicosdel anlisisde sistemas y simulacin

por ejemplo, para contestar una pregunta, para demostrar una teora o para clasificar una parte del mundo real. Algunos ejemplos comunes de sistemas ecolgicos incluyen los ecosistemas,las comunidades, las poblaciones y los individuos. Sin embargo, el fUmen de un venado y el planeta Tierra tambin pueden ser considerados sistemas. Un sistema determinado del mundo real se puede visualizar de diferentes formas, dependiendo de nuestro inters particular. Esta idea puede ser ejemplificada mediante una analoga con una cmara de vdeo. Supongamos que comenzamos filmando con la cmara enfocada en un rea de 10 m x 10 m desde una altura de 10 m. Desde esta perspectiva vemos que la cmara enfoca un guanaco en una llanura. A medida que continuamos filmando, vamos cambiando el foco cie la cmara, de forma tal que el campo visual aumenta en un orden de magnitud cada cinco segundos. Despus de cinco segundos observamos un rea de 100 m x 100 m desde una altura de 100 m; luego de 10 segundos enfocamos un rea de 1000 m x 1000 m desde una altura de 1000m, y as sucesivamente. A medida que la perspectiva cambia, observamos que el guanaco se encuentra en una pequea llanura rodeada de un bosque, que el bosque se encuentra en una zona montaosa, y que al este de las montaas se encuentra un gran desierto. Mientras contina cambiando la perspectiva, vemos que el guanaco est, probablemente, en una llanura entre las montaas de la cordillera de los Andes, ya que se puede distinguir el contorno de Amrica del Sur. Rpidamente vemos el hemisferio Occidental, luego el Sistema Solar y as continuamos hasta que vemos la Va Lctea. Por supuesto que ninguna de estasperspectivas es ms real que la otra. Sin embargo, todos coincidimos en que, dependiendo de nuestros intereses, algunas de estas perspectivas sern ms adecuadas y tiles que otras. Si nuestro inters principal es el movimiento del guanaco en la llanura, no nos debera interesar la visin de las estrellas de la Va Lctea ni la toma del guanaco en el rea de 10 m x 10 m. El sistema que deberamos analizar para obtener resultados relevantes de acuerdo con nuestro inters principal se encuentra entre estos dos extremos. Resumiendo estas ideas ms formalmente, los sistemas tienen dos propiedades de importancia particular. Primero, los sistemas pueden estar anidados: un individuo es parte de una poblacin, una poblacin es parte de una comunidad y as sucesivamente. Sin embargo, a cualquier escala, e incluyendo cualquier nivel de detalle, los sistemas se pueden estudiar usando el mismo conjunto de principios y tcnicas conocido como la teora general de sistemas (von Bertalanffy 1964).Segundo, los sistemas con la misma escala y con el mismo nivel de detalle se pueden sobreponer. Por ejemplo, el sistema que definiramos para estudiar la dinmica poblacional de la especieA se sobrepondr con el sistema que definamos para estudiar la dinmica poblacional de la especieB, si ambas especies compiten por el mismo recurso. Para nuestros propsitos es conveniente pensar en trminos de un "sistema de inters" subjetivo que se define de acuerdo con un problema espefico y en forma personal. Debemos definir cuidadosamente los lmites del "sistema de inters" de acuerdo con el problema que estemos estudiando. Como veremos ms adelante, ste es el primer paso en el anlisis de sistemas y no es una tarea trivial.
Anlisis de sistemas

El anlisis de sistemas se puede definir ms directamente como la aplicacin del mtodo cientfico a problemas relacionados con sistemas complejos. Es un conjunto de teo-

16 2.2.2

conceptos bsicos

ras y tcnicas que sirve para estudiar, describir y hacer predicciones acercade sistemas complejos, y que frecuentemente hace uso de la matemtica avanzada, procedimientos estadsticos y computadoras. Sin embargo, la esencia del anlisis de sistemas no radica en el conjunto de tcnicas cuantitativas, sino en la universalidad y la flexibilidad de su enfoque.

2.2.3

Modelo

Un modelo es una abstraccin de la realidad. Es una descripcin formal de los elementos ms esenciales de un problema. Debido a que estos elementos son exactamente los mismos que hemos definido como parte de nuestro sistema de inters, podemos considerar un modelo como una descripcin formal del sistema de inters. La descripcin puede ser fsica, matemtica o verbal; sin embargo, algunos especialistas no estn de acuerdo con los modelos verbales, ya que consideran que el lenguaje verbal puede ser ambiguo Oeffers 1978). Los modelos se pueden clasificar en una variedad de formas (ejemplos en Forrester 1961,Gold 1977/]effers 1978).Algunas de las dicotoma s ms relevantes de acuerdo con nuestros intereses incluyen modelos: (1) fsicos versus abstractos, (2) dinmicos versus estticos, (3) correlacionales (empricos) versus explicativos (mecansticos), (4) determinsticos versus estocsticos y (5) de simulacin versus analticos. Modelos fsicos versus abstractos. Los modelos fsicos generalmente son rplicas fsicas a menor escaladel objeto en estudio. Como un ejemplo de este tipo de modelo, podemos considerar las maquetas arquitectnicas que, por su reducida escala,nos ayudan a visualizar las relaciones espaciales de una obra en construccin. De acuerdo con nuestra defInicin original de modelo, el modelo fsico recin descrito tambin es una abstraccin de la realidad. Los modelos abstractos usan smbolos en lugar de rplicas a menor escala, para representar el sistema estudiado. El simbolismo usado puede ser el lenguaje escrito o una descripcin verbal. Los modelos matemticos corresponden a un tipo especial de modelos abstractos que usan la matemtica como lenguaje. stos son fundamentalmente iguales a otros modelos abstracto$, ya que proveen una descripcin de los sistemas que estn representando. Dado que la notacin matemtica es ms especfica que el lenguaje, un modelo matemtico es menos ambiguo que muchos de los modelos verbales. Convertir un modelo verbal en un modelo matemtico no es un proceso inherentemente difcil. El modelo verbal "los requisitos energticos del individuo A son de 100 kcal/da cuando la temperatura ambiental es OCy aumenta 2 kcal/da por cada grado centgrado de disminucin de la temperatura ambiental", se puede traducir fcilmente en un modelo matemtico "Y = 100 -2X", donde Y representa los requisitos energticos (kcal/ da) y X la temperatura ambiental (OC)".Las dificultades aparecencuando el modelo verbal no es una descripcin adecuada del sistema, como ocurre frecuentemente cuando tratamos con modelos complejos.

17

conceptos bsicosdel anlisisde sistemas y simulacin

Modelos estticos versus dinmicos. Los modelos pueden representar sistemas que cambian o sistemas que no cambian en el tiempo. Un modelo esttico describe una relacin, o un conjunto de relaciones, que no cambia en el tiempo. Entre los ejemplos ms comunes se encuentran los modelos de regresin que no incorporan el factor tiempo como una de las variables independientes. Un modelo dinmico describe una relacin que vara en el tiempo. Como ejemplos de sistemas dinmicos podemos citar los modelos de regresin que incluyen el factor tiempo como una de las variables independientes y los modelos de simulacin que discutiremos ms adelante. Modelos correlacionales (empricos) versus explicativos (mecansticos). Los modelos correlacionales o empricos se desarrollan principalmente para describir y resumir un conjunto de relaciones, sin representar explcitamente los procesos o mecanismos que operan en el sistema real. El objetivo es predecir y no explicar. Un modelo que predice la tasa metablica de un animal slo en funcin del tamao corporal es un ejemplo de este tipo de modelo. Los modelos explicativos o mecansticosse desarrollan principalmente para representar la dinmica interna del sistema de inters. El objetivo de estos modelos es explicar el comportamiento del sistema por medio de la representacin de los mecanismoscausalesde dicho comportamiento. Un modelo que representala tasametablica de un animal en funcin del peso corporal, nivel de actividad, temperatura ambiental, viento y tiempo de exposicin a las condiciones ambientales,es un ejemplo de un modelo explicativo. Los modelos puramente explicativos y puramente correlacionales son los extremos de un continuum. La clasificacin de un modelo en este continuum depende del objetivo de la persona que desarrolla el modelo, ms que de la estructura del modelo en S. Un modelo que nos parece explicativo a cierto nivel de detalle nos puede parecer correlacional a otro nivel de detalle. Por ejemplo, un modelo que representa el reclutamiento anual de una poblacin en funcin del tamao de la poblacin, parece explicativo, cuando lo comparamos con un modelo que representa el reclutamiento anual como una constante igual al promedio de los datos acumulados en el tiempo. Sin embargo, este mismo modelo parece correlacional, si lo comparamos con un modelo que calcula el reclutamiento con base en las tasas de natalidad especfica por edades de los individuos de la poblacin, las cuales, a su vez, dependen del rango social de los individuos y del estado nutricional durante la estacin reproductiva. Modelos determinsticos versus estocsticos. Un modelo es determinstico si no contiene variables aleatorias. Las predicciones obtenidas usando modelos determinsticos en el marco de un conjunto especfico de condiciones sern siempre idnticas. El modelo que desarrollamos previamente y que describe los requerimientos energticos de un individuo (YI en kcal/ da) en funcin de la temperatura ambiental (X, en C),
y = 100 -2X

es un modelo deterrninstico. Cuando la temperatura ambiental es OaC,el modelo siempre predecir que la energa requerida por el individuo es lOOkcal/da. Si la temperatura

18

conceptos bsicos

19

ambiental es -10C,el requerimiento energtico ser siempre 120kcal/da, y as sucesivamente. Un modelo es estocstico,si contiene una o ms variables aleatorias. Las predicciones obtenidas usando un modelo estocsticoen el marco de un conjunto especfico de condiciones no son siempre las mismas, ya que las variables aleatorias dentro del modelo pueden tomar diferentes valores cada vez que se resuelve el modelo. El modelo del requerimiento energtico de un individuo tiene la forma general
Y=a-bX

donde a y b son constantes(a = 100,b = 2). Podemos convertir este modelo en un modelo estocsticorepresentando a y/o b como una variable aleatoria. Supongamos que representamos b como una variable aleatoria que puede tomar los valores de 2.0 2.5 con la misma probabilidad. Cada vez que calculamos una prediccin del modelo, debemos elegir al azar un valor para b desde la distribucin de valores que hemos especificado. Podramos lanzar una moneda: cara significa b = 2.0 Y cruz significa b = 2.5. Las predicciones del modelo para el requerimiento energtico de un individuo cuando la temperatura ambiental es -10C (o cualquier otra temperatura excepto OC)no ser la misma. Si la moneda muestra cara, entonces calculamos
y = 100 -2.0(-10) = 120

y si la moneda muestra cruz, calculamos

y = 100 -2.5(-10) = 125

En muchos modelos estocsticos,las variables aleatorias se eligen usando distribuciones ms formales (uniforme, normal, binomial negativa, etc.), pero el procedimiento general es el mismo. La eleccin entre el uso de un modelo determinstico o de uno estocstico depende de los objetivos espeficos del proyecto. Los modelos deterrninsticos generalmente son ms fciles de desarrollar, porque slo es necesario estimar las constantes, mientras que en los modelos estocsticosse debe especificar la distribucin completa de cada una de las variables aleatorias. Tambin son ms fciles de usar, porque las predicciones de una simulacin determinada slo se hacen una vez (ya que siempre sern idnticas), mientras que las predicciones de un modelo estocstico deben replicarse tantas veces como sea necesariopara obtener una respuestapromedio adecuadapara una situacin determinada. Si para lograr los objetivos del proyecto necesitamos representar la variabilidad, ya seala variabilidad asociada a las estimaciones de los parmetros del sistema o aquella inherente al sistema, debemos usar un modelo estocstico.Tambin debemos usar un modelo estocstico si queremos realizar comparaciones estad~ticasentre las predicciones del modelo en diferentes situaciones.

20

conceptos bsicos del anlisisde sistemas y simulacin

Modelos de simulacin versus analticos. Los modelos analticos son aquellos que se pueden resolver matemticamente en forma cerrada. Entre algunos ejemplos se pueden mencionar los modelos de regresin, los modelos de distribuciones estadsticas tericas estndar y algunos modelos basados en ecuacionesdiferenciales simples. Con estos modelos se puede obtener una solucin general aplicable a todas las situaciones que el modelo puede representar. El modelo que representa el crecimiento poblacional en un ambiente con recursosilimitados (crecimiento exponencial)es un modelo analtico simple
Nt = Noert

donde
Nt No r t = = = = tamao de la poblacin en el momento t tamao inicial de la poblacin tasa intrnseca de crecimiento poblacional tiempo

Podemos resolver este modelo del tamao poblacional (Nt) para cualquier momento (t) sustituyendo el valor de t por el valor deseado, suponiendo que ya hayamos definido el tamao inicial de la poblacin (No) y la tasa intrnseca de crecimiento poblacional (r). Si el tamao inicial de la poblacin es de 100 individuos y la tasa intrnseca de crecimiento poblacional es de 0.1, el tamao de la poblacin en el momento 5 es:

N5 = 100&.1(5) = 164.9 y en el momento 8 es: N8 = 100&.1(8) = 222.6

y as sucesivamente.Aquellos modelos para los cuales es imposible encontrar una solucin analtica deben resolverse numricamente usando un conjunto de operaciones aritmticas. Estos son los modelos de simulacin, y muchos de los modelos ecolgicos corresponden a este tipo. Por ejemplo, los modelos que representan la dinmica de una poblacin en respuesta a las relaciones competitivas denso-dependientes, que a su vez estn influenciadas por condiciones ambientales variables, se pueden resumir usando la funcin general:
Nt+l = f (Nt,EJ

donde
Nt+l = tamao de la poblacin en el momento t + 1 f (Nt,EJ= alguna funcin compleja del tamao poblacional y las condiciones ambientales en el momento (t).

conceptos bsicos

21

Frecuentementeno podemos resolver estos modelos analticamente debido a que la funcin, o el conjunto de ecuaciones que describenf (Nt,Et), es demasiada compleja. El modelo se debe resolver matemticamente para cada intervalo de tiempo. En la prxima seccinproporcionaremos ms detalles acercade la simulacin e incluiremos un ejemplo numrico. Filosficamente, la eleccin entre un modelo analtico y un modelo de simulacin implica la prdida del realismo ecolgico para obtener ms potencia matemtica, o la prdida de la potencia matemtica para incluir ms realismo ecolgico,respectivamente. Desde un punto de vista prctico, estas consideraciones no son triviales y dependen principalmente de los objetivos del proyecto. Si el nivel de d.:talle al cual el sistema de inters debe ser representado para lograr los objetivos nos permite el uso de modelos analticos, entonces deberamos usar un modelo analtico. Sin embargo, si el nivel de detalle apropiado requiere un modelo demasiado complejo como para ser representado analticamente, deberamos usar un modelo de simulacin. En muchos casosen ecologa y manejo de los recursos naturales necesitamos representar el sistema de inters de una manera demasiada compleja como para hacerlo en forma analtica.

2.2.4 Simulacin
Silnulacin es el uso de un modelo para imitar, o describir !,aso a paso, el comportamiento del sistemaque estamosestudiando. Los modelos de simulacin estn compuestos de una serie de operaciones aritmticas y lgicas que, en conjunto, representan la estructura (el estado) y el comportamiento (el cambio de estado) del sistema de inters. Los conceptos de "estado del sistema" y "cambio de estado del sistema" son muy simples, pero a la vez muy eficaces,y son fundamentales para la simulacin (Patten 1971).El sistema de,lnters existe en diferentes estados en distintos momentos en el tiempo y existen reglas que rigen la forma en que el estado del sistema cambia a medida que transcurre el tiempO. Las reglas que gobiernan el cambio tambin pueden cambiar en el tiempo, ya que cada Una por s misma es una funcin del estado del sistema. Si escogemoslas variables apropiadas para describir el sistema y representamos adecuadamente las reglas que gobiernan el cambio, deberamos poder predecir los cambios en el estado del sistema a travs del tiempo, es decir, podramos simular el comportamiento del sistema. Supongamos que queremos simular las fluctuaciones de peso (en g) de un animal a lo largo del tiempo. Conceptualmente, nuestro sistema de inters incluye un individuo cuya biomasa vara en el tiempo, en funcin de la cantidad de alimento consumido y de la energa perdida por respirac,in.Supongamos que la eficiencia de asimilacin es 100%. Podramos considerar el peso del animal, en gramos, en cualquier momento t (pesoJ como la variable que describe el estado del sistema. Supongamos, adems, que sabemos que el consumo de alimento (en g/da) es una funcin del peso del animal y que la respiracin (en g/da) depende del peso del animal y de la temperatura ambiental (Figura 2.1). (Los smbolos usados en la Figura 2.1 tienen significados especficos que definiremos en el Captulo 3. Por el momento, la figura es slo una representacin diagramtica del modelo de la fluctuacin del peso recin descrito.) Las reglas que gobiernan el cambio de estado del sistema se pueden representar usando dos ecuaciones, una que represente el consumo en funcin del peso del animal y la otra que represente la

22

conceptos bsicos del anlisis de sistemas y simulacin

tasa cons
~

"-

tasa resp

---',,~~

Figura 2.1. Diagrama de un modelo de simulacin que predice la fluctuacin del peso (g) de un animal en el tiempo. El consumo depende del peso del animal y de una constante que representa la tasa de consumo por unidad de peso corporal. La respiracin depende del peso del animal y de una variable que representa la tasa de respiracin por una unidad de peso corporal en funcin de la temperatura ambiental.

respiracin en funcin del peso y la temperatura ambiental (tasa cons y tasa resp son constantes que usaremos ms adelante para describir el modelo en forma cuantitativa.) Dado que conocemos el peso inicial del animal, podemos construir un modelo de simulacin para predecir las fluctuaciones del peso del animal en el marco de un conjunto de temperaturas ambientales. La representacin matemtica de los modelos de simulacin puede tomar diferentes formas. Podramos construir el modelo de simulacin para nuestro ejemplo usando las siguientes ecuacionesl:
pesot+

= peso, + Llpeso,,/.

(1.1)

donde
.:1peso'.I+1 consumo,. '+1 respiracin,. '+1

consumO/,t+l-respiracint,/+1f(pesoJf(temperatura/1 peso/;

(1.2) (1.3) (1.4)

La Ecuacin (1.1)estableceque el peso del animal (g) en 1 unidad de tiempo en el futuro (pesot.J -en el momento t + 1- es igual al peso actual (g) (pesoJ -en el momento tms el cambio neto en el peso del animal durante el prximo intervalo de tiempo (g/ da) -de t a t + 1 (L\pesol.l.J-. La Ecuacin (1.2) es la ecuacin de diferencia que estableceque el cambio neto en el peso del animal (g) durante el prximo intervalo de tiempo (L\pesot, t.J es igual a los gramos consumidos durante el prximo intervalo de tiempo (consumC;!t,t.J menos los gramos respirados durante el prximo intervalo de tiempo (respiraci.n't, t.J. La Ecuacin (1.3)estableceque los gramos consumidos durante el prximo intervalo de tiempo (consumot,t.Jes igual a una funcin (f) del peso del animal al comienzo del intervalo de tiempo (pesoJ.
1 Las ecuacionesde diferencia tambin se pueden escribir en una forma ligeramente diferente pero equivalente a la forma de la ecuacin 1.1: peso,= peso,-] + /:.peso'-I".

conceptos bsicos

23

La Ecuacin (1.4) estableceque los gramos respirados durante el prximo intervalo de tiempo (respracn,.,+Jes igual a una funcin (f) del peso del animal en el momento t (peso,) y de la temperatura ambiental al comienzo del intervalo de tiempo (temperatura,). Por supuesto que f (peso,)y f (temperatura" peso,)deben representarse explcitamente. Por ejemplo, si el consumo es una funcin lineal del peso podramos escribir:
consumo(/,/+1) = f (peso/) = tasa cons ,. peso,

donde tasa cons es una constante que, supongamos, es igual a 0.05 g/ g-da. De la misma forma para respiracin podramos escribir:
respiracin(I,I+1)

f (temperatura" peso,) tasa resp ..peso

donde tasa resp depende de la temperatura ambiental que, supongamos, es igual a 0.0025g/ g-da * temperatura y que temperatura est expresada en C. Si establecemos que el peso inicial del animal es 100 g Y que la temperatura ambiental para dos das consecutivos es 20C y 19C, respectivamente, podemos simular la fluctuacin del peso del animal durante este perodo de dos das de la siguiente forma: consumoO,l
respiracinO,l

=
=

tasa cons * pesoo

0.05(100) = 5
tasa resp * pesoo 0.0025(20)(100) =5

L\pesoo,l

5-5=0 =

consumoO,l -respiracinO,l

peso}

pesoo + ~pesoO,l 100 + O = 100

y
consumol,2 respiracinl,2
= tasa cons * peso]
0.05(100) = 5

tasa resp* peso} 0.0025(19)(100) =4.75

5 -4.75 = 0.25

L1peSO},2

consumol,2 -respiracinl,2

peSOt+ ~peSOt,2 100 + 0.25 = 100.25

Nuestro modelo de simulacin predice que un animal que pesa 100 g al inicio de la simulacin pesar 100.25g despus de dos das, si la temperatura ambiental para los das O y 1 es de 20C y 19C, respectivamente. CO2MODOl

peSO2

24

conceptos bsicos del anlisisde sistemas y simulacin

2.3

ETAPAS TERICAS EN EL ANLISIS

DE SISTEMAS

Varios autores han sugerido diversos esquemaspara aplicar el anlisis de sistemas en biologa yecologa (Gold 1977,Jeffers 1978,Innis 1979,Kitclng 1983).Estos esquemas se diferencian en los detalles (nmero de pasos, nombre de los pasos), pero todos se basan en la teora general de sistemas. Luego de aplicar el anlisis de sistemas y simulacin a una variedad de problemas relacionados con ecologa y manejo de los recursos naturales, hemos identificado cuatro etapas fundamentales en el proceso del desarrollo y uso de un modelo: (1) desarrollo del modelo conceptual, (2) desarrollo del modelo cuantitativo, (3) evaluacin del modelo y (4) uso del modelo (Figura 2.2). En el resto de este captulo se presenta una revisin general de est~s cuatro etapas tericas, cada una de las cuales ser tratada con ms detalle en la Parte 11.

Etapa

Desarrollo del modelo conceptual

Etapa 11:Desarrollo

del modelo

cuantitativo

Etapa 111: Evaluacin

del modelo

Etapa IV: Uso del modelo

Figura 2.2. Cuatro etapas en el anlisis de sistemas.

2.3.1 Etapa 1: Desarrollo del modelo conceptual El objetivo de la primera etapa del anlisis de sistemases desarrollar un modelo conceptual, o cualitativo, del sistema de inters (Figura 2.2). Con base en los objetivos del proyecto, debefi)os decidir cules son, y cmo se relacionan entre ellos, los componentes del mundo r~ar que incluiremos en nuestro sistema de inters. Estos componentes y sus relaciones forman lo que denominamos modelo conceptual, al que representamos grficamente usando smbolos que indican la naturaleza especficade cada relacin. Tambin debemos bosquejar los patrones esperados del comportamiento del modelo, lo cual frecuentemente se hace en trminos de la dinmica temporal de los componentes ms importantes del sistema. Estos patrones sirven como punto de referencia durante la evaluacin del modelo para aseguramos que el modelo provee el tipo de predicciones que nos permita abordar nuestras preguntas.

etapastericas en el anlisisde sistemas

25

Si observamos nuevamente la representacin diagramtica del modelo de la fluctuacin del peso presentado en la seccinanterior, notamos que el modelo conceptual incluye el peso del animal, el consumo, la tasa de consumo, la respiracin, la tasa de respiracin y la temperatura ambiental (Figura 2.1). Este modelo no incluye, por ejemplo, la cantidad de alimento disponible o la abundancia de animales, de lo cual se deduce que nuestro objetivo es simular las fluctuaciones del peso de un animal que tiene accesoa una fuente ilimitada de alimento. Tambin observamos que los factores incluidos en el modelo conceptual estn representados por smbolos diferentes, lo cual indica que cumplen diferentes funciones en el sistema. El peso del animal representa material (g) que se l-,aacumulado en el sistema (en el animal) hasta el momento actual. Esta acumulacin de material puede seguir cambiando a medida que cambia la diferencia neta entre el consumo y la respiracin. Este cambio continuo (g/ da) representa el resultado de los procesos que ocurren en el sistema a lo largo del tiempo. Las tasas de consUD10 y respiracin son nmeros que representan el consumo y la respiracin por unidad de peso corporal del animal (g/ g-da). La temperatura ambiental (OC)representa un factor que afecta la respiracin, sin estar controlado por ninguno de los componentes del sistema. En trminos del comportamiento esperado de este modelo, suponiendo que el animal es adulto, podemos esperar que ste mantenga un peso relativamente constante a temperatura normal.

Etapa 11: Desarrollo del modelo cuantitativo El objetivo de la segunda etapa del anlisis de sistemas es desarrollar un modelo cuantitativo del sistema de inters (Figura 2.2). Durante este proceso tratamos de traducir nuestro modelo conceptual (representado diagramtica y verbalmente) a una serie de ecuaciones matemticas que, en conjunto, forman el modelo cuantitativo. Esta traduccin, o especificacin cuantitativa, hace uso de diversos tipos de informacin sobre el sistema real. Posteriormenteresolvemostodas las ecuaciones del modelo para cada intervalo de tiempo durante el perodo completo de la simulacin. Esta simulacin recibe el nombre de simulacin de referencia. En la seccinanterior, presentamos los aspectos mecnicos relacionados con la notacin y la solucin de las ecuaciones correspondientes al modelo de la fluctuacin del peso del animal. La ecuacin de la respiracin se podra determinar analizando datos de laboratorio sobre la relacin entre la respiracin de un adulto de esta especie y la temperatura ambiental. La ecuacin del consumo se podra obtener a partir de una relacin emprica entre los requerimientos alimenticios y el peso corporal que haya sido estimada para un grupo de especiessimilares, si es que no existe esta informacin para nuestra especie. Los valores de temperatura ambiental se asignan directamente al modelo con base en las condiciones que queremos simular.

Etapa 111:Evaluacin del modelo El objetivo de la tercera etapa del anlisis de sistemas consiste en determinar si el modelo es apropiado o no para cumplir con nuestros objetivos (Figura 2.2). En la literatura

26

conceptos bsicosdel anlisisde sistemas y simulacin

comnmente se usa el trmino "validacin" del modelo, pero a menudo incorrectamente se tiende a destacarde sobremanera las comparaciones entre las predicciones del modelo y las observacionesdel sistema real como el nico criterio de validacin. Nosotros preferimos referimos a este proceso como "evaluacin" del modelo con base en todos los aspectosde la estructura y comportamiento que hacen que el modelo sea potencialmente til. Dependiendo de los objetivos del modelo, podemos profundizar en la interpretacin de las relaciones entre los componentes del modelo o en su capacidad predictiva. Frecuentemente nos interesar evaluar cun sensibles son las predicciones del modelo a aquellos aspectosque representamos con cierta incertidumbre. Supongamos que el objetivo principal de nuestro modelo de la fluctuacin del peso sea simular el efecto de la temperatura ambiental sobre el peso como resultado del efecto que tiene la temperatura sobre la respiracin. Un modelo til no slo debe predecir correctamente las fluctuaciones del peso frente a las variaciones de la temperatura, sino que tambin debe representar fehacientemente las relaciones entre la temperatura y la respiracin y entre la respiracin y el consumo dentro del rango de temperaturas en el que estamosinteresados. Tambin podramos estar interesados en determinar la sensibilidad de este modelo a posibles errores cometidos al representar la ecuacin del consumo usando una relacin emprica estimada a partir de un amplio grupo de especies.

Etapa IV: Uso del modelo

El objetivo de la etapa final del anlisis de sistemas es responder las preguntas que fueron identificadas al comienzo del proyecto (Figura 2.2). Esto implica disear y simular con el modelo los mismos experimentos que realizaramos en el mundo real para responder nuestras preguntas. Tambin analizamos, interpretamos y comunicamos los resultados de las simulaGionesusando los mismos procedimientos generales que usaramos para analizar, interpretar y comunicar los resultados de un experimento realizado en el mundo real. El diseo experimental para nuestro modelo de la fluctuacin del peso podra incluir tres simulaciones, en las cuales la temperatura ambiental es (1) normal (simulacin de referencia con valores de temperatura ambiental de 20C y 19C los das O y 1, respecti-vamente), (2) ms clida (21C y 20C) Y (3) ms fra (19C y 18C). Si tuviramos una versin estocsticadel modelo (la que desarrollaremos ms adelante), podramos correr el nmero necesariode rplicas y comparar el promedio del peso final predicho en el marco de cada uno de los regmenes de temperatura usando un anlisis de la varianza.

2.3.5

Iteracin

de las etapas

Las cuatro etapasdel anlisis de sistemasse encuentran ntimamente interconectadas. Aunque tericamente podramos pensar que el proceso consiste en seguir las etapas en la secuencia indicada en la Figura 2.2, en la prctica podemos pasar por cada etapa ms de una vez. En cualquiera de las etapas podramos encontrar que hemos pasado por alto, o representado errneamente, alguno de los componentes o procesos del sistema. En

2.3.4

etapastericas en el anlisisde sistemas

27

este caso debemosretomar a una etapa anterior, frecuentemente al desarrollo del modelo conceptual o al desarrollo del modelo cuantitativo. Durante la evaluacin del modelo debemos revisarlo para detectar cualquier incoherencia y as retornar a una etapa anterior. La identificacin de estas incoherencias ayuda a comprender el sistema y es uno de los beneficios del proceso de desarrollar un modelo. En el Captulo 8 demostraremos con ms detalle la naturaleza iterativa de la construccin de un modelo.