CAPTULO 2

, ,
CONCEPTOS BASICOS DEL ANALISIS
DE SISTEMAS y SIMULACiN

INTRODUCCiN

En este captulo describiremos algunos conceptos implcitos en los trminos "siste-

ma", "anlisis de sistemas", "modelo" y "simulacin", y proporcionaremos una revisin
general de las cuatro etapas tericas del anlisis de sistemas. El objetivo principal es co-
menzar a desarrollar el marco conceptual que facilita la aplicacin del anlisis de siste-
mas 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 sim-
ple los diferentes tipos de modelos. Posteriormente abordaremos en forma prctica el de-
sarrollo y el uso del modelo, para lo que utilizaremos un ejemplo numrico sencillo. Fi-
nalmente 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, "siste-
ma" es difcil de definir en forma precisa. Un sistema es un conjunto de componentes in-
terrelacionados que poseen un lmite y funcionan como una unidad. Un sistema es cual-
quier conjunto de materiales y procesos que se comunican para realizar una serie de fun-
ciones. 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 conside-
rarlo 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
 conceptosbsicosdel anlisisde sistemasy 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, de-
pendiendo de nuestro inters particular. Esta idea puede ser ejemplificada mediante una
analoga con una cmara de vdeo. Supongamos que comenzamos filmando con la cma-
ra 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 fil-
mando, 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 lla-
nura 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 monta-
as 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 continua-
mos 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 perspec-
tivas sern ms adecuadas y tiles que otras. Si nuestro inters principal es el movimien-
to 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 ana-
lizar para obtener resultados relevantes de acuerdo con nuestro inters principal se en-
cuentra 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 es-
cala 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 es-
pecies compiten por el mismo recurso.
Para nuestros propsitos es conveniente pensar en trminos de un "sistema de inte-
rs" 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 m-

todo cientfico a problemas relacionados con sistemas complejos. Es un conjunto de teo-

16
2.2.2
 conceptosbsicos

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 ele-

mentos 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 con-
siderar 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) determi-
nsticos 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, po-
demos considerar las maquetas arquitectnicas que, por su reducida escala,nos ayudan
a visualizar las relaciones espaciales de una obra en construccin. De acuerdo con nues-
tra defInicin original de modelo, el modelo fsico recin descrito tambin es una abstrac-
cin 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 espe-
cial de modelos abstractos que usan la matemtica como lenguaje. stos son fundamen-
talmente iguales a otros modelos abstracto$, ya que proveen una descripcin de los sis-
temas 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 inhe-
rentemente 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 gra-
do centgrado de disminucin de la temperatura ambiental", se puede traducir fcilmen-
te en un modelo matemtico "Y = 100 -2X", donde Y representa los requisitos energti-
cos (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
 conceptosbsicosdel anlisisde sistemasy 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 co-
mo 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 resu-
mir 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 pre-
dice 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 principal-
mente 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 tasametab-
lica 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 reclu-
tamiento anual de una poblacin en funcin del tamao de la poblacin, parece explica-
tivo, 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 siem-

pre predecir que la energa requerida por el individuo es lOOkcal/da. Si la temperatura

18
 conceptosbsicos 19

ambiental es -10C,el requerimiento energtico ser siempre 120kcal/da, y as sucesiva-

mente. Un modelo es estocstico,si contiene una o ms variables aleatorias. Las predic-
ciones 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 represen-
tamos b como una variable aleatoria que puede tomar los valores de 2.0 2.5 con la mis-
ma 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. Po-
dramos 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 am-
biental es -10C (o cualquier otra temperatura excepto OC)no ser la misma. Si la mo-
neda 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 distribucio-

nes 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 inheren-
te al sistema, debemos usar un modelo estocstico.Tambin debemos usar un modelo es-
tocstico si queremos realizar comparaciones estad~ticasentre las predicciones del mo-
delo en diferentes situaciones.
20 conceptosbsicosdel anlisisde sistemasy simulacin

Modelos de simulacin versus analticos. Los modelos analticos son aquellos que
se pueden resolver matemticamente en forma cerrada. Entre algunos ejemplos se pue-
den mencionar los modelos de regresin, los modelos de distribuciones estadsticas te-
ricas 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 = tamao de la poblacin en el momento t

No = tamao inicial de la poblacin
r = tasa intrnseca de crecimiento poblacional
t = 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 solu-

cin analtica deben resolverse numricamente usando un conjunto de operaciones arit-
mticas. Estos son los modelos de simulacin, y muchos de los modelos ecolgicos cor-
responden 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 am-
bientales en el momento (t).
 conceptosbsicos 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 simula-
cin implica la prdida del realismo ecolgico para obtener ms potencia matemtica,
o la prdida de la potencia matemtica para incluir ms realismo ecolgico,respectivamen-
te. 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 comporta-

miento del sistemaque estamosestudiando. Los modelos de simulacin estn compuestos
de una serie de operaciones aritmticas y lgicas que, en conjunto, representan la estruc-
tura (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 sis-
tema 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 dia-
gramtica del modelo de la fluctuacin del peso recin descrito.) Las reglas que gobier-
nan 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 simula-
cin 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/,t+l-respiracint,/+1f(pesoJf(temperatura/1 (1.2)

consumo,. '+1 - (1.3)
respiracin,. '+1 peso/; (1.4)

La Ecuacin (1.1)estableceque el peso del animal (g) en 1 unidad de tiempo en el fu-

turo (pesot.J -en el momento t + 1- es igual al peso actual (g) (pesoJ -en el momento t-
ms 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 gra-
mos 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 in-
tervalo 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".
 conceptosbsicos 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 con-
secutivos es 20C y 19C, respectivamente, podemos simular la fluctuacin del peso del
animal durante este perodo de dos das de la siguiente forma:

= tasa cons * pesoo

consumoO,l
0.05(100) = 5

= tasa resp * pesoo

respiracinO,l
0.0025(20)(100) =5

L\pesoo,l
- consumoO,l -respiracinO,l
5-5=0

peso} = pesoo + ~pesoO,l

100 + O = 100

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

= tasa resp* peso}

respiracinl,2
0.0025(19)(100)=4.75

L1peSO},2
= consumol,2-respiracinl,2
5 -4.75 = 0.25

= 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 conceptosbsicosdel anlisisde sistemasy 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 natura-
les, 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 con-

ceptual, 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 grfi-
camente usando smbolos que indican la naturaleza especficade cada relacin. Tambin
debemos bosquejar los patrones esperados del comportamiento del modelo, lo cual fre-
cuentemente se hace en trminos de la dinmica temporal de los componentes ms im-
portantes del sistema. Estos patrones sirven como punto de referencia durante la evalua-
cin del modelo para aseguramos que el modelo provee el tipo de predicciones que nos
permita abordar nuestras preguntas.
 etapastericasen el anlisisde sistemas 25

Si observamos nuevamente la representacin diagramtica del modelo de la fluctua-

cin del peso presentado en la seccinanterior, notamos que el modelo conceptual inclu-
ye el peso del animal, el consumo, la tasa de consumo, la respiracin, la tasa de respira-
cin 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 mode-
lo conceptual estn representados por smbolos diferentes, lo cual indica que cumplen di-
ferentes funciones en el sistema. El peso del animal representa material (g) que se l-,aacu-
mulado en el sistema (en el animal) hasta el momento actual. Esta acumulacin de mate-
rial 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 consUD10y respiracin son n-
meros que representan el consumo y la respiracin por unidad de peso corporal del ani-
mal (g/ g-da). La temperatura ambiental (OC)representa un factor que afecta la respira-
cin, 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 tradu-
cir nuestro modelo conceptual (representado diagramtica y verbalmente) a una serie de
ecuaciones matemticas que, en conjunto, forman el modelo cuantitativo. Esta traduc-
cin, o especificacin cuantitativa, hace uso de diversos tipos de informacin sobre el
sistema real. Posteriormenteresolvemostodas las ecuacionesdel 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 nota-
cin 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 tempe-
ratura 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 estima-
da 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 mo-

delo es apropiado o no para cumplir con nuestros objetivos (Figura 2.2). En la literatura
 26 conceptosbsicosdel anlisisde sistemasy simulacin

comnmente se usa el trmino "validacin" del modelo, pero a menudo incorrectamente

se tiende a destacarde sobremanera las comparaciones entre las predicciones del mode-
lo y las observacionesdel sistema real como el nico criterio de validacin. Nosotros pre-
ferimos 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. Fre-
cuentemente 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 sensibi-
lidad de este modelo a posibles errores cometidos al representar la ecuacin del consu-
mo 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 simu-
lar con el modelo los mismos experimentos que realizaramos en el mundo real para res-
ponder nuestras preguntas. Tambin analizamos, interpretamos y comunicamos los
resultados de las simulaGionesusando los mismos procedimientos generales que usara-
mos 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 ver-
sin 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
 etapastericasen 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 ante-
rior. 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.