Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Grupo Nº: 2
Año 2010
Unidad II: Modelos
Guía de Contenidos
Introducción
Modelo funcional
La realidad y la abstracción.
Tipos de modelos:
Según su función
Según su estructura.
Según su incertidumbre
Tipos de modelado:
El proceso de modelización.
Pág. 2 de 14
Unidad II: Modelos
Introducción
El uso de modelos, a veces llamado "modelación", es un instrumento muy común en el estudio de
sistemas de toda índole; los modelos son especialmente importantes porque ellos nos ayudan a
comprender el funcionamiento de los sistemas. El empleo de modelos facilita el estudio de los
sistemas, aún cuando éstos puedan contener muchos componentes y mostrar numerosas
interacciones como puede ocurrir si se trata de conjuntos bastante complejos y de gran tamaño. El
trabajo de modelación constituye una actividad técnica como cualquiera otra, y dicha labor puede ser
sencilla o compleja según el tipo de problema específico que deba analizarse.
Modelo funcional
Un modelo funcional es un instrumento que sirve a su propósito en forma adecuada y que deja
satisfecho al utilizador. Un buen modelo funcional toma en cuenta todos los factores esenciales e
ignora por completo los detalles superfinos. Por eso, es de suma importancia disponer de un
propósito muy claro y preciso antes de comenzar a elaborar el modelo.
La Realidad y la Abstracción.
Realidad: Es todo lo que existe. De un modo más preciso, el término incluye todo lo que es, sea o
no perceptible, accesible o entendible por la ciencia y la filosofía o cualquier otro sistema de análisis.
Pág. 3 de 14
Unidad II: Modelos
Se podría decir que existen 2 tipos de realidades la tangible, concreta (por ejemplo un auto) y la
intangible (por ejemplo el pensamiento).
Dicho de otra manera, la abstracción consiste en aislar un elemento de su contexto o del resto de
los elementos que lo acompañan. En programación, el término se refiere al énfasis en el "¿qué
hace?" más que en el "¿cómo lo hace?" (Característica de caja negra).
A grandes rasgos la abstracción permite que dispongamos, de las características de un objeto, que
necesitemos. Por ejemplo si necesitamos el sistema Persona, podríamos poner nombre, edad,
dirección, estado civil, etc., eso sí lo necesitamos en un sistema administrativo, pero, si lo requerimos
para el área de biología, dentro de sus atributos quizá tengamos, ADN, RND, Gen x1, Gen x2, etc. Y
los atributos antes mencionados no sean requeridos. En general, podemos decir que Persona cuenta
con todos los atributos mencionados aquí, pero, por el proceso de abstracción excluimos todos
aquellos, que no tiene cabida en nuestro sistema.
Tipos de modelos:
Modelo mental:
Son intuitivos y su carácter es difícil de formalizar. Como ejemplo se puede presentar a los
cazadores primitivos, cuya supervivencia estaba determinada por su habilidad en evitar a
predadores letales. El cazador aprendió a distinguir entre los animales mortales y los que no lo
eran, cazar y defenderse de los primeros. Cuando se enfrentaba a una nueva especie no vista
antes, utilizaba su experiencia para clasificar y predecir su conducta. Se puede decir que el
modelo utilizado por un cazador para describir la conducta de los animales (su interpretación del
sistema real, desarrollado a través de la educación, práctica y experiencia) se crea a partir de los
experimentos realizados.
Modelo verbal:
Es cualitativo por naturaleza, las palabras se usan para describir las reacciones del sistema
frente a un estímulo. La regla “Si un individuo es alto, entonces puede ser buen jugador de
baloncesto” es parte de un modelo. El conjunto de reglas borrosas (como uno de los varios tipos
de sistemas basados en el conocimiento que existen) es un ejemplo de modelo verbal.
Modelo físico:
Generalmente son modelos a pequeña escala de barcos, plantas de destilación, etc. que se
desarrollan para investigar el comportamiento del sistema real. En general es costoso de
construir y resulta difícil modelar todos los fenómenos involucrados.
Pág. 4 de 14
Unidad II: Modelos
Modelo matemático:
Es aquel donde la relación entre las diferentes variables en un sistema se formaliza a través de
relaciones matemáticas (normalmente ecuaciones). Los modelos matemáticos son generalmente
muy informativos, pero en una forma más limitada que los modelos mentales o verbales, puesto
que son sólo interpretables desde un punto de vista matemático. Los modelos borrosos, por
ejemplo, son usualmente descritos por reglas borrosas; estos poseen un significado más preciso
una vez que han sido trasladados al contexto matemático.
Estos modelos y sus subclasificaciones (detalladas abajo) son usados comúnmente para
delimitar otros tipos de clasificaciones.
Según su Función:
Modelo del
Sistema
Modelos Modelos de
Modelos
Evaluativo Optimizació
Predictivos
s n
Pág. 5 de 14
Unidad II: Modelos
Modelos Predictivos: Este tipo de modelos nos informan del comportamiento de la variable en
un futuro, es decir, lo que debería ser. A este tipo de modelos corresponden aquellos basados
en técnicas estadísticas y/o econométricas, es decir, modelos de previsión.
Modelos Evaluativos: Una técnica evaluativa corresponde a medir las diferentes alternativas, y
así poder comparar los resultados de ellas. Este tipo de modelos se corresponden con los
denominados árboles de decisión.
Según su Estructura:
Modelo
del
Modelo del
Sistema
Usuario
Modelo de
Modelo de Modelo de Procesadores
Implementación Distribución Modelo de
Tareas
Modelo de
Programa
Pág. 6 de 14
Unidad II: Modelos
Modela lo que el sistema debe hacer para satisfacer los requerimientos del usuario, sin especificar
cómo se implementará, es decir, no especifica cómo se llevan a cabo las funciones, ni dónde ni qué
o quién las hace.
El modelo esencial forma parte del análisis estructurado para el análisis de sistemas.
• Modelo de comportamiento: define las funciones del sistema para que interactúe
exitosamente con el ambiente. Se desarrolla en el proceso de análisis (análisis estructurado)
de un sistema.
Modelo de Implementación:
A partir de esta etapa, el modelo esencial es instanciado en una tecnología dada. Se debe considerar
ahora, las imperfecciones de la tecnología y determinar, la cantidad de procesadores necesarios, las
cualidades de estos procesadores, el tamaño de disco necesario de acuerdo al volumen de la
información a ser almacenada, etc. Luego se diseña la solución sobre la base de esas restricciones
tecnológicas.
La creación de este modelo es independiente del resto de los modelos que conforman el de
implementación, y puede ser desarrollado en paralelo. Las interfaces deben ser diseñadas
para cada uno de los procesadores (del modelo de procesadores) y para cada una de las
tareas (del modelo de tareas).
• Modelo de Distribución:
1
Ver Glosario adjunto al final del documento.
Pág. 7 de 14
Unidad II: Modelos
Describe todas las decisiones relativas a la arquitectura de hardware (modelo de
procesadores) y a la estructuración general de la arquitectura de software (modelo de tareas).
Se incorporan, en los modelos creados hasta este punto algunas Distorsiones (requerimientos
no esenciales) destinadas a optimizar el uso de esa tecnología. El criterio fundamental es:
Minimizar todo lo posible las distorsiones agregadas.
• El Modelo de Programas:
Según su incertidumbre:
Pág. 8 de 14
Unidad II: Modelos
• Toma de decisiones bajo riesgo: La información con la que se cuenta para solucionar
el problema es incompleta, es decir, se conoce el problema, se conocen las posibles
soluciones, pero no se conoce con certeza los resultados que pueden arrojar.
Los modelos probabilísticos son vistos de manera similar que a un juego; las acciones
están basadas en los resultados esperados. El centro de interés se mueve desde un modelo
determinístico a uno probabilístico usando técnicas estadísticas subjetivas para estimación,
prueba y predicción. En los modelos probabilísticos, el riesgo significa incertidumbre para la
cual la distribución de probabilidad es conocida. Por lo tanto, la evaluación de riesgo significa
un estudio para determinar los resultados de las decisiones junto a sus probabilidades.
Los modelos concretos tienen, en general, algunas características físicas en común con la realidad
que se esta modelando. Son en si mismo sistemas reales físicos. El modelo de aeroplano usado para
las pruebas del túnel de viento, la maqueta de un edificio y los modelos e automóviles a escala
natural son modelos concretos. Las replicas son modelos concretos tan cercanos a la realidad que
puede ser difícil diferenciarlos.
Los modelos abstractos son el extremo opuesto de los modelos concretos. No tienen
características físicas comunes con el original.
Tipos de modelado:
2
Ver Glosario
Pág. 9 de 14
Unidad II: Modelos
Los modelos de caja blanca reflejan todas las propiedades del sistema real. Para su construcción se
utiliza el conocimiento previo y los principios físicos involucrados. Todas las variables y constantes
pueden interpretarse como términos físicos que son conocidos a priori. Por razones obvias, a este
tipo de modelo se le conoce también como modelo físico.
Modelado por caja negra: Los modelos por caja negra se diseñan enteramente a partir de datos, sin
tener en cuenta la interpretación de los parámetros que lo definen. La base del modelo se selecciona
a partir de núcleos estimadores cuya estructura se conoce que es muy flexible y que ha dado
resultados en aplicaciones pasadas; los parámetros de estos modelos por lo general no tienen
significado físico y se ajustan para reproducir los datos observados tan bien como sea posible. El
origen físico e interpretación de las variables medidas no es importante, y de hecho tal información
puede perderse; por ejemplo, a través de la manipulación de los datos observados.
Cuando se trata de obtener un modelo por caja negra, pero ajustando algún parámetro al que se le
puede dar una interpretación física; entonce al método de identificación de sistema utilizado se le
llama modelado físicamente parametrizado. El modelo físicamente parametrizado es normalmente
más realista que el modelado por caja negra cuando se dispone de algún conocimiento sobre las
leyes que rigen el comportamiento del parámetro que se adapta. Esta terminología implica que los
métodos de identificación pueden clasificarse en un rango entre el modelo de caja negra y el modelo
por caja blanca, a esta “zona media” se le denomina modelado por caja gris (o modelo físicamente
parametrizado).
Desde el punto de vista de una aplicación, el modelado por caja gris es el más importante, pues
permite el cumplimiento de dos aspectos fundamentales a tener en consideración cuando se realiza
un modelo:
El proceso de modelización.
El proceso de modelado consiste en el conjunto de operaciones mediante el cual, tras el oportuno
estudio y análisis, se construye el modelo del aspecto de la realidad que nos resulta problemático.
Pág. 10 de 14
Unidad II: Modelos
Este proceso, consiste, en esencia, en analizar toda la información de la que se dispone con relación
al proceso, depurarla hasta reducirla a sus aspectos esenciales, y reelaborarla de modo que pueda
ser transcrita al lenguaje sistémico que estamos viendo. En el proceso de modelado se pueden
distinguir las fases siguientes:
Definición del problema: En esta primera fase se trata de definir claramente el problema y de
establecer si es adecuado para ser descrito con los útiles sistémicos que hemos desarrollado. Para
ello el problema debe ser susceptible de ser analizado en elementos componentes, los cuales llevan
asociadas magnitudes cuya variación a lo largo del tiempo queremos estudiar.
Conceptualización del sistema: Una vez asumida, en la fase anterior, la adecuación del lenguaje
sistémico elemental para estudiar el problema, en esta segunda fase se trata de acometer dicho
estudio, definiendo los distintos elementos que integran la descripción, así como las influencias que
se producen entre ellos. El resultado de esta fase es el establecimiento del diagrama de influencias
del sistema.
Comportamiento del modelo: Esta cuarta fase consiste en la simulación informática del modelo
para determinar las trayectorias que genera.
Evaluación del modelo: En esta fase se somete el modelo a una serie de ensayos y análisis para
evaluar su validez y calidad. Estos análisis son muy variados y comprenden desde la comprobación
de la consistencia lógica de las hipótesis que incorpora hasta el estudio del ajuste entre las
trayectorias generadas por el modelo y las registradas en la realidad. Así mismo, se incluyen análisis
de sensibilidad que permiten determinar la sensibilidad del modelo, y por tanto, de las conclusiones
que se extraigan de él, con relación a los valores numéricos de los parámetros que incorpora o las
hipótesis estructurales.
Pág. 11 de 14
Unidad II: Modelos
Explotación del modelo: En esta última fase el modelo se emplea para analizar políticas
alternativas que pueden aplicarse al sistema que se está estudiando. Estas políticas alternativas se
definen normalmente mediante escenarios que representan las situaciones a las que debe
enfrentarse el usuario del modelo.
Pág. 12 de 14
Unidad II: Modelos
Glosario:
DFD Diagrama de Flujo de Datos:
Los diagramas de flujo de datos son un tipo de herramienta de modelado, permiten modelar todo
tipo de sistemas, concentrándose en las funciones que realiza, y los datos de entrada y salida de
esas funciones.
DER Diagrama de Entidad-Relación:
Un DER es una herramienta de modelado de sistemas, que se concentra en los datos
almacenados en el sistema y las relaciones entre éstos.
Un diagrama de entidad-relación o DER es un modelo de red que describe la distribución de los
datos almacenados en un sistema de forma abstracta.
Algunas bibliografías diferencian entre el diagrama entidad-relación y el modelo entidad-relación,
donde el modelo entidad-relación vendría a ser el "lenguaje" utilizado para crear diagramas de
entidad-relación. Más información en modelo de entidad-relación.
Componentes de un DER:
• TIPOS DE OBJETOS o ENTIDADES.
• RELACIONES: conectan los objetos o entidades.
DTE Diagrama de Transición de Estado:
Los DTE son herramientas de modelado de sistemas en tiempo real.
Los componentes de un DTE son:
• ESTADOS: comportamiento del sistema que es observable en el tiempo. Los sistemas tienen
un estado inicial, pero pueden tener múltiples estados finales (mutuamente excluyentes).
Cambios de estados: condiciones y acciones.
• Un diagrama de transición de estados puede utilizarse como una especificación de proceso
de un proceso de control de un DFD.
DD Diccionario de Datos:
El diccionario de datos es un listado organizado de todos los datos que pertenecen a un sistema.
El objetivo de un diccionario de datos es dar precisión sobre los datos que se manejan en un
sistema, evitando así malas interpretaciones o ambigüedades.
Define con precisión los datos de entrada, salida, componentes de almacenes, flujos, detalles de
las relaciones entre almacenes, etc.
Los diccionarios de datos son buenos complementos a los diagramas de flujo de datos, los
diagramas de entidad-relación, etc.
EP Especificación de Procesos:
La especificación de procesos, es una herramienta de modelado de sistemas, que permite definir
qué sucede en los procesos o funciones de un sistema.
El objetivo es definir qué debe hacerse para transformar ciertas entradas en ciertas salidas.
Pág. 13 de 14
Unidad II: Modelos
No hay una única forma de realizar la especificación de procesos; existen múltiples herramientas
que facilitan esta tarea.
Proceso Batch (batch processing):
Llevar a cabo una operación particular de forma automática en un grupo de archivos todos de una
vez, en lugar de "manualmente" abrir, editar y guardar cada archivo por vez.
Por ejemplo, un programa que convierta un grupo de imágenes de un formato a otra todas de una
vez sería una utilidad de procesamiento batch.
Estocástico:
Se denomina estocástico a aquel sistema que funciona, sobre todo, por el azar. La palabra
proveniente del griego: στοχαστικός, 'hábil en conjeturar'. Significa "perteneciente o relativo al azar"
según el DRAE. Las leyes conocidas de causa-efecto no explican cómo actúa el sistema (y de modo
reducido, el fenómeno) de manera determinista, sino en función de probabilidades.
En Investigación de operaciones, modelo probabilístico y modelo estocástico son prácticamente lo
mismo.
El estocástico es un algoritmo que basa su resultado en probabilidades que cambian en el tiempo,
diferenciándose del algoritmo probabilístico por su comportamiento dinámico.
En matemáticas, la estocástica es un conjunto de teorías estadísticas que tratan de los procesos
cuya evolución es aleatoria (un ejemplo de ellos son las tiradas de dados).
Pág. 14 de 14