Apuntes de Ingeniería de Sistemas

1
Ingeniería de sistemas II
Teoría General de Sistemas

Ludving Von Bertanllaffy (1963-69)
¿Qué es el sistema generalizado? Concebir el universo como un sistema el cual tiene propiedades y principios
generales.
(Universo = sistema) Î Principio, Propiedades
Enfoque sistémico
Evoluciona en el tiempo desde diversos paradigmas. } Historia
a) Paradigma Globalista.- Surge con el hombre primitivo donde el hombre intenta explicar los
caprichos naturales bajo la influencia de divinidades, también se lo llama paradigma teológico.
b) Paradigma Cartesiano.- (Rene Descartes) “Discurso del método” obra donde se explica como
funcionan las maquina desde el principio de la mecánica racional.
(Sistema) Maquinas: 4 principio fundamentales.
• Principio de Evidencia: El sistema debe ser palpable o con evidencia física.

• Principio estructural: Todo mecanismo tiene estructura física.
• Principio de la exhaustividad: Se tiene que describir cada uno de los componentes del
sistema.
• Principio Funcional: Todo debe tener una función específica.
Todo esto involucra a una: Estructura + Función
c) Paradigma Genético (1930): se afirma que los sistemas cambian, el principio del cambio y
evolución en el tiempo.
• Paradigma de la evolución de los sistemas
Sistema= Estructura +Funciona + Evolución
d) Paradigma Cibernético (1950): Se busca la funcionalidad del sistema que tiene un efecto y fin en el
entorno.
e) Paradigma o enfoque sistémico (1960): Es la combinación del paradigma genético y cibernético en
donde un sistema = Estructura + Funciona + Genética + Entorno.
En consecuencia un sistema para el enfoque sistémico es un conjunto de elementos que interrelacionados

entre si cumplen una función en un entorno y a medida que transcurre el tiempo ven evolucionando su
estructura y organización que conserva su identidad.
Un sistema tiene principios y propiedades.
PRINCIPIO Y PROPIEDADES DEL SISTEMA GENERALIZADO

a) Entorno.- Es un principio que afirma que todo sistema se encuentra en un sistema mayor o entorno,
activamente relacionado modificando dicho entorno.
b) Estructura.- Es el principio que afirma que todo sistema es identificado como un conjunto de
elementos que pertenecen a un entorno y que se encuentra interrelacionado siguiendo un fin común.
c) Frontera.- Es el principio que establece que el sistema puede ser diferenciado del entorno
identificando los elementos que pertenece al sistema en un momento determinado del tiempo.
d) Organización.- Se define como el conjunto de relaciones relevantes entre los elementos de un
sistema en un instante en el tiempo.
Lic. Olban Vargas Fernández

2
e) Equifinalidad.- Un sistema se origina para cumplir una función en el entorno, la equifinalidad

afirma que ante diversas circunstancias, condiciones y organización el sistema siempre procurara
alcanzar su objetivo o función.
f) Sinergia.- Afirma que la suma total de las funcionalidades de los elementos integrados en el sistema
es mayor en conjunto que la suma individual de la funcionalidades de los elementos.
g) Retroalimentación.- El sistema al cumplir una función en el entorno modifica dicho entorno y la
capacidad de conocer los efectos que tienen la actividad de un sistema se denomina
retroalimentación existen 2 tipos de retroalimentación (+) y (-). En la positiva se encuentra el
sistema en un proceso de amplificación de influencias externas y el negativo disminuye el sistema la
influencia externa hacia un equilibrio.
h) Adaptabilidad.- Ante cambios en el entorno el sistema es capaz de modificar la estructura para
asegurar su existencia conservando su equifinalidad.
i) Morfoestasis.- Es la forma como se adaptan los sistemas, se aíslan de la influencia del entorno
cambiante para conservar su estructura y conservar su objetivo.
j) Morfogénesis.- Puede cambiar toda su estructura y se adapta al cambio del entorno, origina
(megaentropia) es la medida a la adaptación del sistema, entropía tendencia al desorden, la entropía
es la medida que representa la capacidad de organización del sistema conservando relaciones de
valor.
k) Emergencia.- Este principio se refiere a que la descomposición de un sistema, llega a definir un
nuevo sistema cualitativamente diferente constituyendo una nueva totalidad denominada subsistema.
l) Subsistema.- Conjunto de elementos y relaciones que corresponden a estructuras y funciones
especializadas dentro de un sistema mayor.
m) Transferencia.- Es la capacidad de compartir la misma representación simbólica de estructuras
organización y propiedades entre sistemas diferentes con interpretaciones también diferentes. Este
principio se inicia con el mismo sistema generalizado o universo.
TENDENCIA DE LA TEORÍA GENERAL DEL SISTEMA.

Al considerar que el autor de Teoría General de Sistemas es un biólogo, se hace evidente que bajo la visión de
la teoría general de sistemas se han desarrollado diversas tendencias conservando un mismo marco
conceptual; pero en diferentes ramas, los principales fueron ramas biológicas, económicas, sociales, ciencias
exactas, ciencias de la información y representación de sistemas, las que nos interesan son estas ultimas y
entre ellas podemos destacar:
Cibernética.- campo interdisciplinario que abarca el ámbito de los procesos, comunicación y control tanto
entre seres vivos como entre maquinas.
Dinámica de sistemas: Considerando la realidad orgánico, funcional y genética (cambios en el tiempo).
Existen dos sistemas estáticos y sistemas dinámicos.
• Los sistemas estáticos no cambian, por ejemplo: las matemáticas.

• Los sistemas dinámicos donde tienen base en el tiempo.
La diferencia entre ambas es que existe una variable en el tiempo, que vuelve al sistema dinámico.
Teoría de la información.- Visión sistémica que estudia y explica el origen, generación, representación,
procesamiento e interpretación de la información.

3
Dinámica de Sistemas
En el Enfoque Sistémico un Sistema es definido por una red de relaciones entre los diferentes elementos de un
sistema; la organización de esta red y los valores o atributos que toman los elementos determina lo que se
conoce como comportamiento de sistema, el cual varía con el tiempo. La dinámica de sistemas combina la
teoría, los métodos y la filosofía para analizar el comportamiento de los sistemas y fue desarrollada por Jay
Forrester.
La dinámica de sistemas surgió de la búsqueda de una mejor comprensión de la administración. Su aplicación

se ha extendido ahora al cambio medio ambiental, la política, la conducta económica, la medicina y la
ingeniería, así como a otros campos.
HISTORIA DE LA DINÁMICA DE SISTEMAS

Forrester, ingeniero de sistemas del Instituto Tecnológico de Masachussets (MIT) desarrolló esta metodología
durante la década de los cincuenta. La primera aplicación fue el análisis de la estructura de una empresa
norteamericana, y el estudio de las oscilaciones en las ventas de esta empresa, publicada como “Industrial
Dynamics”. En 1969 se publica la obra Dinámica Urbana, en la que se muestra cómo el "modelado DS" es
aplicable a sistemas de ciudades. En 1970, aparece El modelo del mundo, trabajo que sirvió de base para que
Meadows y Meadows realizasen el I Informe al Club de Roma, divulgado posteriormente con el nombre de
“Los límites del crecimiento”. Estos trabajos y su discusión popularizaron la Dinámica de Sistemas a nivel
mundial.
Forrester estableció un paralelismo entre los sistemas dinámicos (o en evolución) y uno hidrodinámico,
constituido por depósitos, intercomunicados por canales con o sin retardos, variando mediante flujos su nivel,
con el concurso de fenómenos exógenos.
La dinámica de sistemas, permite en estos días ir más allá de los estudios de casos y las teorías descriptivas.
La dinámica de sistemas no está restringida a sistemas lineales, pudiendo hacer pleno uso de las
características no-lineales de los sistemas. Combinados con los ordenadores, los modelos de dinámica de
sistemas permiten una simulación eficaz de sistemas complejos. Dicha simulación representa la única forma
de determinar el comportamiento en los sistemas no-lineales complejos.
Actualmente, bajo la supervisión de Forrester, y con el auspicio del MIT se desarrolla la aplicación del a DS a
campos sociales, priorizando la educación y el aprendiza en Norteamérica. El Capitulo de DS del MIT brinda
información para la aplicación y el aprendizaje de DS, pudiendo obtenerse la guía “Roads Map RM” de
manera gratuita. Esta Guía esta disponible de manera parcial en español en el Capitulo latinoamericano de
DS.
Capitulo DS MIT: http//sysdyn.clexchange.org
Capitulo Latinoamericano DS: http//dinamica-sistemas.mtyitesm.mx
DEFINICIÓN DE LA DS
Para dar una definición de DS debemos primero comprender los términos que componen esta definición.
SISTEMA: Orgánico (definición clara de los elementos y la red de relaciones) + Funcional (la actividad e
influencia del entorno) + Genético (Cambios a medida que transcurre el tiempo)
DINAMICA: Los atributos o valores que toman los elementos de un sistema se pueden asociar con variables.
El valor de dichas variables cambia con el tiempo, como consecuencia de la interacción de los elementos. El
COMPORTAMIENO vendrá dado por el conjunto de trayectoria de las variables describiendo lo acontecido
con el sistema en el transcurso del tiempo.

4
En consecuencia, Dinámica de Sistemas es una metodología ideada para estudiar el comportamiento de

sistemas dinámicos, con la finalidad de comprender dicho comportamiento y así poder evitar
comportamientos indeseables, por medio del desarrollo de modelos y con ellos (simulación) establecer
estrategias de solución a estos últimos.
La dinámica de sistemas es empleada para resolver problemas concretos. Los campos de aplicación de la
dinámica de sistemas son muy variados. Por ejemplo, para construir modelos de simulación informática,
sistemas sociológicos, ecológicos y medioambientales. Otro campo interesante de aplicaciones es el que
suministran los sistemas energéticos, en donde se ha empleado para definir estrategias de empleo de los
recursos energéticos. Se ha empleado también para problemas de defensa, simulando problemas logísticos de
evolución de tropas y otros problemas análogos.
NOCIÓN DE SISTEMA DINÁMICO

La característica fundamental de un sistema dinámico es la evolución del sistema en el tiempo.
Para modelarlo es necesario Determinar las interacciones que permiten observar su evolución:
Limites del sistema

Selección de aquellos componentes que sirvan para generar los modos de comportamiento.
Espacio en donde se llevará a cabo el estudio.
No se toman en cuenta aspectos irrelevantes.
Elementos y relaciones en los modelos.

Un sistema esta formado por un conjunto de elementos en interacción.
Del mismo modelo se pueden generar distintos modelos.
CONSTRUCCIÓN DE MODELOS EN DINÁMICA DE SISTEMAS
Se siguen las siguientes Fases:
CONCEPTUALIZACIÓN
Implica una investigación descriptiva para realizar una descripción detallada de un sistema empleando:
Estadística descriptiva (Estimación de parámetros)
Métodos Numéricos (Representaciones funcionales)
a) Descripción verbal del sistema

b) Definición precisa del modelo en el tiempo (días, meses, años,…)
c) Diagrama causal
Se realiza una representación grafica donde se identifican tipos de variables

• Variables de nivel
• Variables de flujo
• Variables Auxiliares
Se realiza un proceso en cascada si la representación e identificación esta incompleta.
Investigación Descriptiva
Descripción Verbal
Diagramas Causales
Identificación Variables

5
FORMULACIÓN
d) Construcción del diagrama de Forrester
e) Establecimiento de las ecuaciones para la simulación
ANÁLISIS Y EVALUACIÓN
e) Análisis del modelo (comparación, análisis de sensibilidad, análisis de políticas)
f) Evaluación, comunicación e implementación.
EXPLOTACIÓN
DIAGRAMAS DE INFLUENCIAS O CAUSALES

Muestran el comportamiento del sistema. Permite conocer la estructura de un sistema dinámico, dada por la
especificación de las variables y la relación de cada par de variables.
Para la conceptualización mínima de un sistema dinámico se emplean:
• Conjunto de composición (elementos)
• Relaciones (Como se producen las influencias entro los elementos
En el diagrama de influencias los elementos estas representados mediante hitos textuales y las influencias
mediante arcos orientados y con un signos que representa la relación de influencia entre elementos.
Por ejemplo si deseamos representar el siguiente caso: “Una persona que llena un vaso de
agua mediante la observación del nivel alcanzado en el vaso actúa sobre el grifo, de manera
que lo va cerrando a medida que se alcanza el nivel deseado”.
Los signos que determinan la relación de influencia indican si existe una relación positiva o
negativa.
La Relación de influencia positiva indica que si el antecedente crece el consecuente

también lo hace. Y si dicho antecedente decrece el consecuente decrece de igual forma.
A B
+

6
La Relación de influencia negativa indica que si el antecedente crece el consecuente

decrece. Y si dicho antecedente decrece él consecuente crece.
A B
-
Al existir ciclos o bucles en los diagramas de influencia podemos definirlos como:
BUCLES DE RETROALIMENTACIÓN POSITIVA: Son aquellos en los que la variación

de un elemento se propaga a lo largo del bucle de manera que refuerza la variación inicial.
Es importante considerar que un bucle un número par de influencias negativas se anulan, volviendo al bucle
en uno de retroalimentación positiva.
BUCLES DE RETROALIMENTACIÓN NEGATIVA: Son aquellos en los que la variación de un elemento

se propaga a lo largo del bucle de manera que contrarreste la variación inicial por medio de un numero impar
de influencia negativas. TIENDE A CREAR EQUILIBRIO porque se caracterizan por tener un
comportamiento determinado por un objetivo.
Con las consideraciones del punto anterior ya tenemos una manera de conceptualizar los elementos básicos
para una descripción esquemática de un sistema dinámico. Conceptualizar en este caso consiste en identificar
la serie de elementos entre los que se producen influencias.

7
Esta actividad terminará clasificando los elementos hallados en tres categorías las cuales se emplearan en la
formulación del modelo, estas categorías son:
• Variables de Nivel, son las variables más importantes y representan magnitudes cuya evolución es el
objetivo del estudio, se caracterizan por ser magnitudes escalares (valor con unidad).
• Variables de Flujo, determinan la variación de una variable de nivel a lo largo del tiempo, se
caracterizan por estar asociadas a una unidad de tiempo.
• Variables auxiliares, que representan elementos intermedios para la determinación de flujos a partir
de las variables de nivel, impuestas por el entorno a por el propio sistema.
FORMULACION DEL MODELO

Esta actividad consiste en la construcción de los Diagramas de Forrester, empleando para ello las variables
determinadas en la etapa de conceptualización.
DIAGRAMAS DE FORRESTER.
Son diagramas causales en los que los elementos de un sistema se representan empleando la siguiente
notación
1. Niveles. (variables de nivel) las cuales pueden ser depósitos o nubes
2. Flujos (variables de flujo)
3. Variables Auxiliares

8
4. Otras Representaciones
Asi por ejemplo una representación con diagramas de Forrester sería:
Para formular un modelo en DS se emplean un conjunto de Estructuras Genéricas, las cuales nos permiten una
representación mas concreta y particular, permitiendo adicionalmente determinar la Ecuaciones del Modelo.
Estas Estructuras Genéricas y sus respectivas Ecuaciones serán estudiadas en el próximo tema.
SISTEMAS DINAMICOS DE PRIMER Y SEGUNDO ORDEN.

Los sistemas dinámicos se pueden clasificar de acuerdo a los niveles o variables en los cuales centra un
estudio en DS, según ello podemos definir la siguiente clasificación.
Sistemas dinámicos de primer orden
Este tipo de sistemas dinámico posee un único nivel en su estructura y además pueden estar formados por
bucles de realimentación positiva o por bucles de realimentación negativa.
Los sistemas de primer orden no presentan oscilaciones, ya que este tipo de sistemas solo cuenta
con un nivel en su estructura, esto es que si el nivel con el que cuentan llega a un punto de
equilibrio temporal difícilmente podrá salir de él. Para salir de esta situación es necesario que el
flujo de salida del nivel dependiese de alguna otra variable que evolucione con el tiempo, lo que nos
lleva a concluir que para que se produzcan oscilaciones se necesitan dos o más niveles;
característica de los sistemas de segundo orden. Adicionalmente estos sistemas se caracterizan por
presentar comportamiento lineal o comportamiento exponencial cuando existe
retroalimentación.
Flujo Constante (Lineal) Retroalimentación Positiva (Crec. Expon.)

9
Retroalimentación negativa (Decrec. Exponencial)
Crecimiento Exponencial Crecimiento Lineal Decrecimiento Exponencial
Sistemas dinámicos de segundo orden

Los sistemas dinámicos de segundo orden cuentan con dos niveles de en su estructura, estos niveles se
encuentran inmersos en un número de hasta tres bucles realimentados, siendo uno de estos el principal y dos
bucles más que son los secundarios. El bucle principal conecta a los dos niveles mientras los secundarios
conectan a un nivel consigo mismo. La característica más importante de los sistemas de segundo orden es el
hecho de que tienen la posibilidad de presentar oscilaciones, dado esto por la presencia de los dos niveles en
su estructura.

10
Un sistema dinámico de segundo orden puede presentar oscilaciones, las cuales pueden clasificarse en
Amortiguadas, Mantenidas y Crecientes.
( 1 )Amortiguadas, ( 2 ) Mantenidas y ( 3 ) Crecientes.
Los sistemas oscilantes abundan en la naturaleza, por ejemplo los patrones del dormir - despertar de una
persona, el número de manchas solares, la economía nacional, el péndulo del reloj antiguo del abuelo, etc.
Mientras que una persona promedio observa un sin número de sistemas oscilantes a través de la vida,
comprender el por que de ese comportamiento resulta ser algo muy interesante.

11
Aplicación de la Dinámica de Sistemas

Para la aplicación de la dinámica de sistemas su autor, J Forrester, plantea un conjunto de sistemas dinámicos
elementales, que pueden ser empleados, combinándoles, para la construcción de sistemas más complejos.
A estos sistemas elementales se les denomina estructuras genéricas, y se pueden clasificar en estructuras
genéricas de primer orden o de segundo orden.
ESTRUCTURAS GENÉRICAS DE PRIMER ORDEN.

Una estructura genérica es un sistema elemental o básico en dinámica de sistemas, se considera primer orden
pues solo se tiene un nivel en su estructura.
Son:
a) Sistemas con retroalimentación positiva
b) Sistemas con retroalimentación negativa
c) Sistemas con flujos constantes
d) Sistemas con comportamientos en S
a) Sistemas con retroalimentación positiva.- Un sistema con retroalimentación positiva de primer

orden se caracteriza por tener un nivel y un flujo inmersos en un bucle de retroalimentación positiva su
estructura mínima es la siguiente.
Diagrama de Influencia
Diagrama de Forrester
Ecuación del modelo
dt = Unidad de tiempo
Nivel (To) = Ctte (unidad)
Nivel (t) = Nivel (t-dt) + flujo (t) * dt
Flujo (t) = Nivel (t-dt) * Var Aux
Var Aux = ctte 1/dt

12
Ejemplo:
En un laboratorio se realiza el estudio de la población de cierto tipo de bacteria se ha llegado a determinar que
el lapso se una semana la población de bacterias se incrementa en un 25% si la población inicial de esta
bacteria fue de 5 millones de especies cual sera la población al cabo de un mes.
Solucion:
Nivel: Población de bacterias tasa Inc = 25% 1/semana
Pob de Bac
Inc de Bacterias
tasa de Inc
dt = semana
Nivel (0) = 5 (millones bacterias)
Nivel (t) = Nivel (t-1) + Flujo (t) * semana
Flujo (t) = Nivel (t-1) * tasa Inc
Tasa de Inc = 0.25 * 1/semana
Población de bacterias (0) = 5 (millones bacterias)

Población de bacterias (t) = Pob de Bac (t-1) + Inc de Bact (t) * semana
Inc de bacterias (t) = Pob de Inc (t-1) * tasa de Inc
Tasa Inc = 0.25 1/semana
Comportamiento
12
0 1 2 3 4 t
Semana Pob de Bact Inc de Bact

0 5 -
1 6.25 1.25
2 7.81 1.56
3 9.76 1.95
4 12.20 2.44
5
Un sistema con retroalimentación positiva de primer orden siempre tendrá un comportamiento de crecimiento
exponencial lo que implica que su comportamiento continuo será una función dependiente de la función
exponencial.

13
Origen del comportamiento continúo
Si definimos a r = Var. Aux.

dt = t
Nivel (0) = C
Flujo (t) = Nivel (t-1) * r
Nivel (1) = Nivel (0) + flujo (1) Î Nivel (1) = c + c * r

Flujo (1) = Nivel (0) * r
Nivel (2) = Nivel (1) + flujo (2) Î Nivel (2)= Nivel (1) + Nivel (1) * r
= Nivel (1) (1+r)
Flujo (2) = Nivel (1) * r = C (1 + r) (1+r)
= C (1 + r) 2
En general
Nivel (t) = c (1 + r) t
Si r se encuentra en meses y se desea el efecto en semanas (1 mes = 4.5 semanas) Î r / 4.5 y t * 4.5
Si r se encuentra en meses y se declara el efecto en días(1 mes = 30 días) Î r / 30 y t * 30

En general n = valor de división y nivel (t)
Î C (1+r / n)t*n
Para hallar el comportamiento continúo n Î ∞
Nivel (t) = LimnÎ∞ (1+r/n)t*n
Nivel (t) = C * er t Ecuación Continua
Sin embargo se tiene que ajustar r para un cálculo exacto y acorde al comportamiento discreto.
Ecuaciones Discretas
dt = Tiempo (discreto)
t1 = to + dt
t2 = t1 + dt
Nivel (to) = ctte
Nivel (t) = Nivel (t-dt) + flujo (t) * dt
Flujo (t) = Nivel (t-dt) * Var Aux
Var Aux = ctte 1/dt
Ecuaciones Continuas
T: tiempo continuo
Nivel (to) = C
Nivel (t) = C er t
r = ctte

14
Considerando el ejemplo anterior del estudio de las bacterias determinadas en que tiempo exactamente se
duplicara la población inicial.
dt = Semana
Pob bac (0) = 5
Pob bac (t) = Pob bac (t-1) + Inc Bac (t)
Inc Bac (t) = Pob Bac (t-1) * 0.25
Semana Pob Bac Inc Bac 5 e 0.25 t 5 e 0.22 t

0 5 5 5
1 6.25 1.25 6.42 6.25
2 7.81 1.56 8.24 7.81
3 9.76 1.95 10.59 9.76
4 12.20 2.44 13.59 12.20
Nivel (t) = 5 e 0.25 t

Nivel (t) ) 5 e 0.25 t Î5 e r1-1 =6.25
e r1 = 6.25/5
r1 = Ln 6.25/5
r1 = 0.22 (r ajustado)
i) Tiempo Duplicación
Nivel (0) = C = C er 0
Nivel (t) = 2 C = C er t
C er t = 2C
C er 0 C
er t – r 0 = 2
er t = 2
r t = Ln 2 Î t = ln2 / r
Para nuestro ejemplo

t = ln2 / 0.223 = 3.108
Ejemplo
En la ciudad de El Alto fue creada en el año 1985 meses 290 e 0.19 t
inicialmente tuvo una población de 290000habitantes 0 290
con una tasa de de crecimiento anual del 21% en cuantos 1 350.6
años la ciudad de El Alto duplicara su población a partir
2 424.06
de su fundación, en cuantos años logro tener 700000
habitantes y en cuantos años llegara a tener 1000000 3 512.79
4 620.10
Pob (0) = 290 Î Pob (t) = 290 e0.21 t 5 749.85
r = 0.21
6 906.76
290 er1 = 350.9
r1 = ln (350.9/290) = ln (1.21) 7 1096.50
r1 = 0.19 Î Pob (t) = 290 e0.19 t 8 1325.94
9 1603.39
a) Pob (0) = 290 = 290 e0.19 * 0 Î 880/290 = 290
e0.19 t /290 10 1938.90
Pob (t) = 580 = 290 e0.19 t 11 2344.62
T = ln2 / 0.19 = 3.64 12 2835.23
b) Pob (0) = 290 Î 700 / 290 = 290 e0.19 t/ 290
Pob (t) = 700

15
T = ln (700/290) / 0.19 = 4.63
c) Pob (0) = 290 Î 1000 / 290 = 290 e0.19 t / 290

t = ln (1000/290) / 0.19 = 6.51
b) Sistemas de retroalimentación Negativa de Primer Orden.- Como hemos de definido

anteriormente la retroalimentación en un sistema depende de un objetivo, este proceso ara que el sistema se
oriente o dirija hacia el objetivo.
En el caso de Dinámica de sistemas la finalidad de la retroalimentación negativa es hacer que la magnitud del
nivel se aproxime hacia el objetivo planteado.
Asumiendo que la mayoría de los niveles cuentan con unidades que no admiten valores negativos, se pueden
plantear 2 tipos de objetivos.
El Primero “META CERO” Intentará hacer desaparecer la magnitud del nivel.

El Segundo “META DISTINTA DE CERO” Hará que la magnitud del nivel se dirija y aproxime a un valor
mayor que cero.
Retroalimentación Negativa Meta Cero.-
Nivel
Flujo
Factor Decrecimiento
Ecuaciones del modelo.-
Dt = tiempo
Nivel (0) = ctte
Nivel (t) = Nivel (t-dt) – flujo (t) dt
Flujo (t) =Nivel (t-dt) * FD
FD = ctte 1/dt
Ejemplo:

16
Un artefacto eléctrico trabaja con una batería de 9 voltios y consume el voltaje hasta que la batería sea
inservible, si el artefacto requiere de un voltaje mínimo de 6 voltios y su funcionamiento desgasta la vertía en
un 5 % por hora de funcionamiento en cuantas
horas el artefacto dejara de funcionar.
Dt = hora
Voltaje (0) = 9v Volt aje
Volt (t) = Volt (t-1) – Desgaste (t) Desgaste
Desgate (t) = Volt (t-1) * FD
FD = 5 % = 5/100 = 0.05
FD
Hora Volt Desgaste

0 9 -
1 8.55 0.45
2 8.12 0.43
3 7.71 0.41
4 7.32 0.38
5 6.95 0.36
6 6.60 0.34
7 6.27 0.33
8 5.95 0.31
Decrecimiento Asintótico a 0 ( Nunca llega a ser 0 )
Ecuaciones Continuas
Nivel (t) = Ce – r t
Ce – r t = 6
9e – r t = 6
- rt = ln (6/9)
-0.05 t = - 0.67
T = 0.67 = 8.11
0.05
9 e – r = 8.55
r = - ln (8.55 / 9)
r = 0.0512
Retroalimentación Negativa (Meta <> 0).

Se fija un objetivo y una diferencia con el nivel actual. El objetivo del sistema es hacer desaparecer la
diferencia
Objet ivo
Nivel
Voltaje
Flujo
Difencia
Diferencia Flujo
factor
Objetivo
fact or Dec

17
Ecuaciones del modelo
Dt = tiempo
Nivel (0) = ctte
Diferencia (t) = Nivel (t-dt) – Objetivo
Objetivo = ctte
Nivel (t) = Nivel (t-dt) – Flujo (t) dt
Flujo (t) = Diferencia (t) * Fac. Dec
Factor Dec = ctte 1 / dt
Ejemplo:
En la republica de Bolivia actualmente existen 35000 hectáreas de cultivo de coca, por convenios
internacionales solo deberían existir 20000 hectáreas de cultivo de coca, la cooperación internacional brindara
los recursos necesarios a la FELC de tal manera que se erradique los cultivos sedentarios con la condición de
que por año estos sea reducidos en 15% ¿En cuanto tiempo se habrá reducido la mitad de los cultivos
exedentarios.
Dt = años Cult Coca

Cult Coca (0) = 35000 Erradicacion
Cult Exed (t) = Cult Coca (t -1) – Objetivo
Objetivo = 20000
Cultivos
Cult Coca (t) = Cult Coca (t -1) – Erradicación (t) dt
Erradicación (t) = Diferencia (t) * Fac Dec T asa Erradicacion
Factor Dec = 15 % 1 / 100 = 0.15%
Objetivo
Año Cult Coca Cult Ex Erradicación

0 35 - -
1 32.75 15 2.25
2 30.84 12.75 1.91
3 29.21 10.84 1.63
4 27.82 9.21 1.38
5 26.65 7.83 1.17
6 25.48 6.66 0.99
7 24.63 5.67 0.85
8 23.91 4.82 0.72
9 23.3 4.1 0.61
Dif = Coe -r t
-r t
Nivel = Obj + Coe Co = Nivel (0) – objetivo
15 er = 12.75
er = 12.75 / 15
r = ln (12.76/15) = - 16.25%
ln2/0.16.25 = t ½ = 4.26

18
La retroalimentación negativa se caracteriza por tener un comportamiento denominado decrecimiento

asintótico sin embargo si en el modelo se plantea un objetivo mayor que el nivel la diferencia se convertirá en
una magnitud negativa obligando al flujo a cambiar y ser uno de entrada en lugar de salida ocasionando lo
que se llama crecimiento asintótico.
Obj>Nivel (0)
Nivel
Obj Meta<>0
Meta = 0
Dif = Nivel – objetivo Î Dif < 0

Flujo = dif V.A. Î flujo < 0
>0
Nivel (t) = Nivel (t-1) – flujo
= Nivel (t-1) + flujo
En consecuencia decimos que la retroalimentación tiene un comportamiento asintótico
iii) Flujo de Constantes
En el caso de la retroalimentación positiva o negativa se considera el nivel al momento de realizar el cálculo

de los respectivos flujos lo que ocasionaba un comportamiento asociado al exponencial.
Si se deja de lado la influencia del nivel en el flujo y se asocia al mismo un crecimiento constante que
ocasiona un comportamiento lineal con pendientes positiva para los flujos de salida. Es importante aclarar que
en esta estructura genérica no existen bucles de retroalimentación.
Diagrama de Forester Ecuaciones del Modelo Pendiente

Flujo dt = tiempo Positiva
Inc.Ctte.(0) = Ctte (unidades)
Nive Nivel(0) = Ctte(unidades)
Nivel(t) = Nivel(t-1) + Flujo(t)
Inc.Ctte. Flujo(t) = Inc.Ctte.
Flujo dt = tiempo Negativa

Dec.Ctte.(0) = Ctte (unidades)
Nive Nivel(0) = Ctte(unidades)
Nivel(t) = Nivel(t-1) - Flujo(t)
Flujo(t) = Dec.Ctte.
Dec.Ct
te.
Ejemplo:
Flujos constantes
Una empresa que llega a alcanzar un equilibrio financiero establece que de manera mensual tiene un ingreso
constante de 1.2 millones y un ingreso constante por gastos de 1.02, se asume que sus operaciones empiezan
en 0.

19
T otal ingreso
Ingresos
Ingreso mensual
a) determinar el total de ingresos para 1 año.

Dt = meses
Total Ingresos (0) = 0
Total Ingresos (t) = Total Ingresos (t-1) + Ingresos
Ingresos (t) = Ingreso Mensual
Ingreso mensual = 1,2
Mes Total Ingreso Ingreso

0 0 -
1 1.2 1.2
2 2.4 1.2
3 3.6 1.2
4 4.8 1.2
5 5 1.2
6 6.2 1.2
7 7.4 1.2
8 8.6 1.2
9 9.8 1.2
10 10 1.2
11 11.2 1.2
12 14.4 1.2
d) Comportamiento en S
Otra estructura elemental que trabaja con un nivel es aquella que cuenta con 2 bucles de retroalimentación
uno positivo y otro negativo, el efecto de los flujos asociados a estos bucles ocasiona el denominado
crecimiento o comportamiento en S.
Un sistema que presenta un comportamiento en S comienza con un dominio del bucle de retroalimentación
positivo una apariencia de retroalimentación positiva en apariencia el bucle de retroalimentación positivo esta
inactivo o es muy pequeño.
A medida que la magnitud del nivel se incrementa gracias al bucle negativo y de su flujo de salida se
incrementa en consecuencia directa de un proceso de saturación.
El hecho de sobrepasar un límite ocasionara un determinado efecto de nivel que incrementara en una
proporción mayor a uno, los factores de decrecimiento del bucle de retroalimentación negativo.
La estructura genérica del comportamiento en S intenta representar las condiciones de un medio ambiente
entorno, ante el comportamiento de un nivel.

20
Flujo 1 Nivel Flujo 2
Factor Decrec Ajustado

factor Crecimiento Efecto Nivel
Nivel No rmal Factor Decrec
Diagrama de Forrester
Nivel
In Flow Out Flow
Fact or Decrec Ajust ado

FD Efecto Nivel
Nivel Normal Fact or Decrec
Ecuaciones del Modelo
Dt = tiempo
Nivel (0) = ctte
Nivel (t) = Nivel (t-dt) + (Inflow (t) – outflow (t)) dt
Inflow (t) = Nivel (t-dt) *FC
FC = ctte 1/dt
Outflow (t) = Nivel (t-dt) * FD Ajustado (t)
FD Ajustado (t) = FD * Efecto Nivel (t)
FD = ctte 1/dt
1 Nivel (t) <= Nivel Normal

Efecto de Nivel (t) = F(Nivel (t)Nivel Normal) Nivel (t) > Nivel Normal
¾ 1
Ejemplo: En un bosque tropical se estudia el comportamiento de la población del mono gris, esta especie
tiene una natalidad normal de 17% anual y una tasa de mortalidad normal del 12%. El área del bosque puede
sostener una población normal de 500 especimenes por cada 10 unidades ensima de este límite la tasa de
mortalidad se incrementa en un 10% de la original si la población inicial es de 300 individuos ¿Cuál es el
límite poblacional después de 20 años? ¿En qué año se alcanza a este límite?
Diagrama de Forester

21
Nacimiento Muertes
Pob.Monos
+ -
TasaNatalidad Ts.Mortalidad Ajustada
Ts.Mrt.Nor.
Población Normal Efecto de Nivel
Ecuaciones del Modelo
dt = Años
Pob.Monos(0) = 300
Pob.Monos(t) = Pob.Monos(t-1) + (Nacimiento(t) – Muertes(t))
Nacimiento(t) = Pob.Monos(t-1) * TasaNatalidad
TasaNatalidad = 0.17
Muertes(t) = Pob.Monos(t-1) * Ts.Mortalidad Ajustada(t)
Ts.Mortalidad Ajustada(t) = Ts.Mrt.Nor. * Efecto de Nivel(t)
Ts.Mrt.Nor. = 0.13
1 Pob.Monos(t) ≤ Población Normal
Efecto de Nivel(t) =
F(Pob.Monos(t), Población Normal) e.o.c.
Y = Efecto Nivel (es una recta)
Y – Y0 Y0 – Y1
X – X0 X0 – X1
E.N. – 1 1 – 1.1
Pob.Monos – Pob.Normal 300 – 500
Analicemos el efecto de nivel
X Y 2 510
Pob.Monos E.N.
P1
1 500 1
Pob.Normal Po 3 520
1 + 10% = 1.1
1.1 + 10% = 1.2
Si Po(Xo, Yo) ^ P1(X1 + Y1)
L: Y – Y0 Y0 – Y1
X – X0 X0 – X1
L: E.N. – 1 1 – 1.1 0.1

Pob.Monos – Pob.Normal 510 – 500 10
= 0.01

22
1 Pob.Monos(t) ≤ Población Normal

Efecto de Nivel(t) =
1+ 0.01 (Pob.Monos(t), Población Normal) e.o.c.
Para vensin:
1,25
UN = IF THEN ELSE (Pob.Monos ≤ Pob.Normal,
1,2
1, 1+(0.1/10) * (Pob.Monos - Pob.Normal))
1,15
1,1
1,05
0,95
0,9
500 510 520
ESTRUCTURA GENÉRICA DE SEGUNDO ORDEN

Una estructura de segundo orden se caracteriza por estar compuesta de 2 niveles. Ambos niveles deberán
relacionarse entres si, no de manera directa si no por medio de flujos asociativos.
a) Sistema con comportamiento Oscilatorio.- Aquellos sistemas que se encuentran inmersos en un

máximo de 3 bucles de retroalimentación siendo uno el principal y los otros 2 secundarios presentara
comportamiento oscilatorio si el bucle principal une a los 2 niveles y es de retroalimentación
negativa adicionalmente podemos establecer que los bucles secundarios son de presencia optativa y
en algunos casos no se encuentran presentes.
V Aux 12
Flujo 1
Nivel 1 Nivel 2
Flujo1 Flujo2
Flujo 2
Var Aux1 Var Aux2
V Aux 21

23
Nivel 1
Flujo 1 Flujo 12
V Aux 21
V Aux1
Nivel 2
Flujo 21 Flujo 2
Nivel No rmal
V Aux 2
El comportamiento oscilatorio puede ser
( 1 )Amortiguadas, ( 2 ) Mantenidas y ( 3 ) Crecientes.
A consecuencia directa de la presencia opcional de los bucles secundarios y del hecho de que los flujos de
asociación pueden ser de entrada o de salida, pero una en contra posición del otro, no se pueden establecer
ecuaciones del modelo únicas y generales se deberán hallar dichas ecuaciones para cada caso particular.
Ejemplo:
Una industria establece una política laboral para empleados eventuales basándose en el inventario de sus
productos fabricados por los empleados eventuales.
Cada empleado en la industria contribuye en la construcción de ¼ del producto final por mes la empresa a
establecido que por mes se deben vender 50 de los productos elaborados por los empleados eventuales,
adicionalmente de acuerdo a cambios sindicales se deberán contratar 30 empleados eventuales.
La cantidad de despidos mensuales se definirá de acuerdo al exceso de producción existente en inventario

residual, la empresa establece que necesita como máximo un inventario deseado de 20 productos actualmente
en inventario existen 35 productos y se encuentren en la empresa 190 empleados eventuales contratados ¿Cuál
será el comportamiento de la cantidad de empleados en el inventario de productos?

24
Invent ario
Vent as
P roduccio n
Vendidos P roduct ividad
Empleado
Despidos Contrato s
Diferencia Contratados
P roduct ividad Inv
Inventario deseado
Dt = mes
Inventario (0) = 35
Empleados (0) = 190
Inventario (t) = Inventario (t-1) + (producción (t) – ventas (t))
= Inventario (0) + producción (t) – Ventas (t) dt
Ventas (t) = Vendidos; vendidos = 50
Producción (t) = Productividad * Empleados (t -1)
Empleados (t) = empleados (t -1) + (contratos (t) – Despidos (t))
Contratos (t) = Contratos; contratos = 30
Despidos (t) = Productividad Inv * Diferencia (t)
Diferencia (t) = Inventario (t) – Inv deseado
Inv Deseado = 20
COMPLEJIDAD DE SISTEMAS DINÁMICOS Y ESTRUCTURAS GENÉRICAS.
Dependiendo de la frontera para el sistema que esta estudiando o del tipo de estudio que se realiza
un sistema dinámico puede estar compuesta por 1,2 o muchísimos mas niveles.
Partiendo del principio de emergencia de la teoría general de sistemas podemos dividir el análisis y
diseño de nuestro sistema y modelo en componentes más pequeño o subsistemas con identidad
propia hasta llegar a obtener una representación elemental que se pueda asociar con una estructura
genérica.
La principal dificultad para proseguir con el estudio se presenta para integrar las estructuras
genéricas en un solo modelo de tal manera que sea si la interacción entre las estructuras genéricas
individuales esto debido a que el análisis matemático crece en complejidad a medida que se integra
las estructuras para subsanar este problema se recurre al uso de herramientas de software que
facilite el análisis del comportamiento o los cálculos matemáticos y estadísticos.
Visión general del uso de dinámica de sistemas. Como hemos mencionado la dinámica de
sistemas es una herramienta utilizada en diferentes áreas y sustentada en la construcción de
modelos, el principal enfoque es generalizado en función a un proceso de toma de decisiones
sustentando las decisiones en la información generada en el modelo y en acciones sobre los
parámetros del modelo que presentan el curso de acción que se debe seguir.

25
Sistema dinámico Discreto y Estocástico

SISTEMA
De acuerdo a la Teoría General de Sistemas, tres componentes son los que definen a un sistema
- Orgánico (Estructura + relación)

SISTEMA - Funcional (Comportamiento + Objetivo)
- Genético (Evolución en el tiempo)
La relación que tiene el componente de cambio o genético da lugar a la clasificación de los sistemas en
sistemas Estáticos y sistemas Dinámicos
Sistemas Estáticos
El componente genético de su definición NO depende del (t) tiempo, en consecuencia el sistema no cambia, y
por lo cual los componentes orgánico y funcional son invariantes en el transcurso del tiempo.
Ejemplo:
Un sistema de ecuaciones
3x + 2y + 2 = 0
6x + 6y – 2 = 3
x – 2y + 2 = 1
Sistemas Dinámicos
El componente genético de su definición depende del (t) tiempo, haciendo variar los componentes orgánico y
funcional.
Ejemplo:
Los circuitos electrónicos
Sistema en Tiempo Discreto

Sea una secuencia {to, t1, t2, t3, … , tn}
Discreto de tiempo
(Instantes puntuales en el tiempo)
Un sistema se encuentra estudiando en tiempo discreto cuando

se analiza su comportamiento orgánico funcional únicamente en
los tiempos puntuales en una secuencia discreta de tiempo, al
analizar el comportamiento no se considera como evoluciona el
comportamiento en los intervalos de tiempo.
Sistema en tiempo Continuo
Intervalo de tiempo [to , tn]

Un sistema en tiempo continuo es estudiado tanto en
organización como función en cada uno de los posibles
momentos pertenecientes a un intervalo de tiempo.

26
Sistemas Determinísticos
Los elementos estructurales de un sistema se pueden asociar con variables, dichas variables se denominarán
Variables de Estado. El valor de estas variables en los sistemas dinámicos cambia con el tiempo, como
consecuencia de la interacción de los elementos. El comportamiento vendrá dado por el conjunto de
trayectorias descritas por los valores que asumen las variables de estado describiendo lo acontecido con el
sistema en el transcurso del tiempo.
Sistema Í x, y
Variables de estado
Si un sistema esta completamente descrito estructuralmente por una variable entonces el sistema es
denominado de una dimensión
S: x (sistema de una dimensión)
Si el sistema es estático el valor de x es constante sin importar que transcurra el tiempo.

Si el sistema es dinámico el valor de x varia en un intervalo dependiente del tiempo
[x0, x1,x2,…, xn] para [t0, t1,t2,…, tn] entonces X = variable
Para saber que ocurrirá con el sistema en el futro (hallar X1) a partir de un punto conocido (Xo) se debe
emplear lo que se denomina Función de Evolución. Es así que:
Para el tiempo to
X: Xo
Para el tiempo t1
X: X1 = F (Xo)
Para el tiempo t1
X: X2 = F (X1, X0)
Para el tiempo tn
X: Xn = F (Xn-1, Xn-2,…, Xo)
El caso más sencillo de la función de evolución es:

Xn = F (Xn-1)
Si el sistema es de dimensión dos, dos variables de estado lo describen estructuralmente
Sistema: x , y
x, y : (xo, yo) (x1, y1) (x2, y2) ……. (xn, yn)
to t1 t2 …….. tn
La función de evolución más simple para este caso será
(Xn, Yn) = F (Xn-1, Yn-1)
Si halla una relación tal que Y = g (x), definiendo las relaciones u organización del sistema a nivel estructural,
logramos simplificar la función de evolución:
Para el tiempo to
X: Xo, g(Xo)

27
Para el tiempo t1
X: X1= F(Xo), g(X1)
Para el tiempo tn
X: Xn= F(Xn-1), g(Xn)
Lo que implicaría solo estudiar una función de evolución dependiente de X

Xn = F (Xn-1)
Lo importante en el estudio de sistemas determinísticos es hallar o definir la función de evolución ya sea esta
una función de variable real o sea una función de variable vectorial.
Al observar la realidad se podrán determinar las variables de estado y un conjunto de observaciones discretas
que describan el comportamiento ya sea empleando modelos pre-establecidos o métodos numéricos se podrá
hallar la función de evolución.
X: [x0, x1,x2, x3, x4]
Y X
X1 X0
X2 X1
X3 X2
Xn Xn-1
Hallando Y=F(X) que resultaría siendo Xn= F(Xn-1)
Para simplificar el estudio de un sistema dinámico una vez que se tiene la función de evolución se procura
identificar dos casos específicos en el dominio de la función.
i) Puntos Fijos
Sea sistema: x
Xi es un punto fijo
Xi = F(Xi)
Los puntos fijos para una función de evolución de un

determinado sistema representa el hecho de que el
sistema haya entrado en un equilibrio o un estado que
nunca va hacer abandonado.
Para hallar los puntos fijos se puede de operar matemáticamente si se tiene la función de evolución si esta no
es compleja, en caso contrario se puede emplear otros métodos uno de los mas conocidos es el método grafico
denominado diagrama de telaraña.
ii) Puntos Periódicos

Sea el sistema: X de una dimensión y una secuencia de estado se cumple.
X1= f(X0)
X2= f(X1) X0=Fn(X0)
Xn= f(Xn - 1) X0= f(f(f…(f(X0))))
Xo= f(Xn) n-veces

28
En consecuencia {X0, X1,…, Xn} son puntos periódicos de f y del mismo sistema.
Una función que cumpla con las anteriores características se considera como una función de evolución con un
periodo de grado n.
La principal ventaja de determinar los puntos periódicos para el comportamiento de un sistema es que el
estudio del sistema en transcurso del tiempo se reducirá a simplemente estudiar el conjunto de sub puntos
periódicos. Sin embargo no todos los sistemas y funciones de evolución tendrán puntos periódicos.
Sistemas o procesos estocásticos (Dinámicos)

Un sistema dinámico estocástico, también conocido como proceso estocástico, es un sistema cuyo
comportamiento en el tiempo evoluciona al azar. Si el sistema en un momento determinado se muestra en un
estado, en el próximo instante existe la probabilidad de que el sistema se encuentre en varios posibles estados.
Para realizar el estudio de este tipo de sistemas se emplean modelos probabilísticas, en los cuales los sucesos
a estudiar, son los hechos de que un sistema en un instante en el tiempo se encuentra en un determinado
estado.
Ejemplo:
Un jugador tiene un capital de 200 $us y participa en un juego de azar donde debe apostar 100 $us por
participación. Si la probabilidad de perder es 1-p; representar como evoluciona en el tiempo la cantidad de
dinero que tiene el jugador.
Dinero
Tiempo 0 100 200 300 400
to 0 0 1 0 0
t1 0 1–p 0 p 0
t2 (1-p)2 0 2 p (1-p) 0 p2
to, Xo = 200 Î t1: p(X1 = 100 | Xo=200) = 1 – p

t2: p(X2 = 200 | X1=100, Xo = 200) = 2 p (1 - p)
t2 : p(X2 = 0 | X1=100, X0= 200) = (1 - p)2

29
Probabilidad de transición de estados

Los sistemas determinísticos para representar como evoluciona su comportamiento en el tiempo emplean lo
que se denomina función de evolución, en cambio los sistemas estocásticos emplean distribuciones de
probabilidad, en consecuencia cada estado en un tiempo determinado tendrá una probabilidad de transición a
un siguiente estado acorde con dicha distribución, denominándose a esta probabilidad de transición de estado.
El caso más sencillo de la probabilidad de transición es:
Para el tiempo tn:

p(Xn = in) = p(Xn = in | X n-1 = i n-1)
Procesos estocásticos
Se trata de estudiar una colección de variables aleatorias, o al menos una, asociadas a un conjunto de índices
de tiempo T,
{Xt, t ∈ T}.
Puede tratarse de un conjunto de instantes de tiempo o de un conjunto de posiciones en el plano o en el

espacio.
Un proceso aleatorio puede verse como una función aplicada sobre el espacio producto de un espacio
probabilístico y el conjunto de índices en el tiempo y que toma valores en un conjunto imagen E, en general
será R, Rn o C:
W: X, T Î E
W : Xn = in , tn Î Xtn (Xn = in ) = p(Xn = in ) ∈ R
De esta forma si se fija un índice t, entonces tenemos una variable aleatoria Xt: X → E que a cada suceso Xn=
in le asocia un resultado Xtn (Xn=in) ∈ E, siendo esta una distribución de probabilidades para una variable
aleatoria.
Para ejemplificar un proceso estocástico, dada la complejidad de los mismos, estudiaremos a continuación un
caso específico, que bajo ciertas condiciones preestablecidas se simplifica y será más comprensible.
Cadenas de Markov
Las cadenas de Markov son un caso específico de sistemas estocásticos de tiempo discreto, para éste caso
específico se debe cumplir las siguientes condiciones al comportamiento de los estados.
i) Sea una secuencia de tiempos discretos {t0,t1,..,tn}
P(Xtn = in | Xtn-1 = in-1,…,Xtn = io)= P(Xtn = in | Xtn-1 = in-1)
Si se conoce el presente, el futuro ya no dependerá del pasado.
ii) Hipótesis de estabilidad

P(Xtn = i | Xtn-1 = j) = pij = ctte independiente del tiempo
Una cadena de Markov puede ser representada de manera grafica o matricial. Para trabajar con la
representación matricial el sistema deberá tener un conjunto de estados finito numerable.
Ejemplo:
Un jugador participa en un juego de bacará (siete), inicialmente cuenta con un capital de 300 $us, su meta
para dejar de jugar es duplicar el capital o perderlo todo en un intento. Estudiar el comportamiento de la
cantidad de dinero del jugador en el tiempo.

30
i) Identificamos los estados del sistema.

Finito numerable = {0, 100, 200, 300, 400, 500, 600}$us
ii) Identificamos el modelo probabilístico del sistema en el tiempo
Modelo Bernoulli (0: perder; 1: ganar)

X=0 p
Bernoulli (x)
X=1 1–p
El sistema cambia de estado según el modelo Bernoulli, donde p es la probabilidad de perder en el juego
Bacará; y 1 – p es la probabilidad de ganar.
Representación Grafica
1-p 1-p 1-p 1-p 1-p 1
0 100 200 300 400 500 600
1 p p p p p
i) p (Xt+1 = 400| Xt = 300) = 1 – p ; p(Xt+1=200 | Xt= 300) = p
ii) 1 – p ^ p no cambian respecto ti
Para completar el modelo debemos hallar el valor de “p”
S: {Ganar, Perder}
P(Ganar) = 1 – p
P(perder) = p
Se obtiene una suma de siete en 2 dados
S: Lanzar 2 dados
(1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

(2,1) (2,2) (2,3) (2,4) (2,5) (2,6)
: : : : :
(6,1) (6,2) (6,3) (6,4) (6,5) (6,6)
#S = 36
P(x,y) = Sucesos independientes de tal forma que:

P(1,3) = p(1) p (3) = 1/6 x 1/6 = 1/36
Considerando un solo dado

S1 = {1, 2, 3, 4, 5, 6} cada cara tiene la misma probabilidad.
i) P(a) < 1
ii) P(S)=1 entonces P (Ai)= P(1) + P(2) + P(3) + P(4) + P(5) + P(6)
X + X + X + X + X + X
6x = 1

31
X = 1/6 entonces P(1)= P(2)= P(3)= P(4)= P(5)= P(6)=X = 1/6
Evento
Ganar = {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}
P (Ganar) = P(1,6)+ P(2,5)+P (3,4)+ P(4,3)+ P(5,2)+ P(6,1)

= 6/36=1/6
P(Perder) = 1- 1/6 = 5/6 = p
Matriz de Probabilidad de transición (Cambio tÎ t+1)
Xt+1
XT 0 100 200 300 400 500 600
0 1 0 0 0 0 0 0
100 5/6 0 1/6 0 0 0 0
200 0 5/6 0 1/6 0 0 0
300 0 0 5/6 0 1/6 0 0
400 0 0 0 5/6 0 1/6 0
500 0 0 0 0 5/6 0 1/6
600 0 0 0 0 0 0 1
Para trabajar con una cadena de Markov se emplea un vector fila de probabilidades iniciales (ti) multiplicando
el vector por la matriz de probabilidad de transición (P) se obtiene (V t i+1)
En nuestro ejemplo:
To Vo = [0 0 0 1 0 0 0]
T1 V1 = Vo x P
V1 = [0 0 5/6 0 5/6 0 0]
T2 V2 = V1 x P
V2 = [0 25/36 0 10/36 0 1/36 0]
Si se desea establecer una transición mayor se deberá:

To Vo
Tn Vn= Vo x Pn
To Vo → T2 V2
V1= Vo x P
V2= V1 x P = (Vo x P) x P = Vo (P)2
Características de la Matriz de Probabilidades de transición.

Para una cadena de Markov la “matriz de probabilidades de transición” presenta un conjunto de distribuciones
de probabilidad cada una de estas expresa las probabilidades de cambiar de un estado Xi a una Xj en un salto
en el tiempo (t → t+1).
En “P” cada fila es una distribución de probabilidad por la cual los elementos de cada fila suman en total “1”.

32
Cada elemento adicionalmente es una probabilidad.
Ejemplo:
Dos niños Adrian y Boris juegan a cara y cruz con el dinero en unidades de 1Bs que cada uno tiene. Si A
cuenta con 2 bolivianos y B tiene 3 Bs; representar la cantidad de dinero de A con una cadena de Harkov.
Estados del proceso Estocástico = {5, 4, 3, 2, 1, 0}

¿Cómo cambia el sistema de estados?
X= 0 ;P
Modelo Bernulli (X) =
X= 1 ;1-P
Ganar = 1
Perder= 0
P(x=0)= P(perder) = 0.5= ½ = P

P(X = 1) = 1 – P = 1 – 0.5 = 0.5
Xj
Xi 0 1 2 3 4 5
0 1 0 0 0 0 0 ∑fila = 1
1 0.5 0 0.5 0 0 0 ∑fila = 1
2 0 0.5 0 0.5 0 0 ∑fila = 1
3 0 0 0.5 0 0.5 0 ∑fila = 1
4 0 0 0 0.5 0 0.5 ∑fila = 1
5 0 0 0 0 0 1 ∑fila = 1
Características de los estados de la matriz de los estados de probabilidad.

Como sabemos la matriz de probabilidad de transición representa la probabilidad de cambiar desde un estado
inicial hasta un estado siguiente y, si empleamos la matriz P será en un instante en el tiempo, se emplea P2
luego de 2 saltos en el tiempo, y así sucesivamente. Si desde i se puede llegar a un estado j en algún instante
en el tiempo se dirá que j es accesible desde i, siempre y cuando la probabilidad pij>0 de alguna matriz. P n
x0 x1 x2
x0 0 0.5 0.5
P x1 0.3 0.7 0
x2 0 1 0
X0 Î X1 Si p01 > 0
P01 ∈ Pn
No p01 = 0
Los estados de una cadena de Markov también pueden ser comunicantes, absorbentes, transitorios y
recurrentes.
a) Estado Accesible
iÎ j: j es accesible desde i Ssi pij ∈ Pn / pij > 0
i Î j : j no es accesible desde i Ssi pij ∈ Pn / pij = 0

33
b) estado comunicantes
i ↔ j: i se comunica con j
j se comunica con i
Ssi iÎj ^ jÎi
c) Estado Absorbente
Es un estado del cual no se puede salir una vez que se ingresa a i es absorbente Ssi pi j = 1
d) Estado Transitorio
Es aquel estado que una vez de salida no existe la probabilidad de volver a el
e) Estado Recurrente
Es aquel estado, que una vez se sale de el, existe la forma de regresar al mismo después de n saltos
en el tiempo.
i es periódico n es el periodo del estado

Ssi i Î i para P n
Ejemplo:
a b c d
a 0 0.5 0.5 0
b 0.3 0 0.7 0
c 0.3 0.1 0.5 0.3
d 0.5 0.5 0 0
¿a Î d?
a b c d
a 0.3 0.5 0.5 0.15

b 0.21 0.22 0.36 0.21 no es accesible en P
c 0.27 0.33 0.31 0.09
d 0.15 0.25 0.6 0
Para P2 si es accesible
Pad = 0.15> 0 es accesible
¿a ↔ b?
i) ¿a Î b? pab = 0.5
ii) ¿b Î a? pba = 0.3
a se comunica con b
Para la siguiente cadena de Markov, ¿Qué estados son absorbentes?

34
P
x0 x1 x2 x3 x4
x0 1 0 0 0 0
x1 0.5 0.25 0.5 0.25 0
x2 0.25 0 0.5 0 0.25
x3 0 0.25 0 0.25 0.5
x4 0 0 0 0 1
P2
x0 x1 x2 x3 x4
x0 1 0 0 0 0
x1 0.625 0 0.25 0 0.125
x2 0.25 0.25 0.5 0.25 0.25
x3 0.125 0 0.25 0 0.025
x4 0 0 0 0 1
X0 Px0x0 = 1
X4 Px4x4 = 1
Una matriz de probabilidades de transición se denomina aperiódica cuando todos sus estados son recurrentes
con un periodo igual a 1, esto ocurrirá cuando la matriz de probabilidad de transición este compuesta por
probabilidades todas mayores que cero.
Una cadena de Markov que tenga una matriz de probabilidad de transición aperiódica tendrá una distribución
límite.
Una matriz será clasificada como periódica si tiene estados recurrentes, con un periodo mayor a 1, y el
periodo de la matriz será el máximo común divisor de los periodos de los estados recurrentes existentes. Las
matrices periódicas tendrán tantas distribuciones límite como el periodo que tienen.
Distribución Límite
x y z
Lim P= x y z
n Î∞ x y z
La distribución límite es un estado de equilibrio que alcanza la cadena de Markov y define una única
distribución de probabilidad para el cambio de estados, una cadena de Markov de distribución límite podrá
trabajar con dicha distribución para lapsos muy largos de tiempo lo que facilita la toma de decisiones o de
inferencia probabilística.

35
Simulación de Montecarlo
Una de las características de los sistemas estocásticos es su comportamiento aleatorio, que se refleja mediante
la posibilidad de realizar cambios de estados aleatorios, eso quiere decir que si el sistema se encuentra en
estado Xo existen varios posibles estados siguientes.
Esa característica obliga a emplear métodos de simulación que imiten el comportamiento aleatorio del
sistema estocástico. La simulación de Montecarlo es uno de esos métodos, fue desarrollado a finales de la
década de los 30 y sustenta su trabajo en el uso de números aleatorios recibió el denominativo de Montecarlo
pues originalmente se emplea una ruleta para la generación de los números aleatorios y en Montecarlo se
encontraba mas grande de casino de la época, famoso por sus juegos de ruleta. Uno de los más destacados
usos que se les dio a esta simulación fue la simulación del comportamiento aleatorio de las trayectorias de los
electrones al momento de inventar la bomba atómica.
La simulación de Montecarlo emplea 2 elementos fundamentales para sus fines el primer elemento son las
distribuciones de probabilidad, empleados para la construcción de los denominados intervalos de Montecarlo
o de confianza, el segundo elemento es emplear los números aleatorios on utilizados de manera conjunta con
una función inversa a la pertenencia a un intervalo para determinar los estados que compondrán el
comportamiento aleatorio del sistema estocástico.
Los pasos a seguir en una simulación de Montecarlo son los siguientes:
1. Se determina los estados del sistema estocástico Xi

2. Se define una distribución de probabilidad para dichos estados
3. Para cada estado se define un único intervalo de confianza Ixi
4. Se generan números aleatorios y se determina su pertenencia de cada de Ixi
5. Se establece Xi = F-1 (IXi) para cada numero aleatorio se define el estado correspondiente
En consecuencia por cada número aleatorio se define un estado
Ejemplo:
Una fábrica de electrónica realiza el estudio del compartimiento de las ventas de un de sus productos.
Considerando las últimas 50 ventas. Se asume que el comportamiento de dichas ventas no presento ninguna
tendencia y es de carácter aleatorio.
Tabla de ventas
(100, 120, 130, 140, 140, 100, 130, 120)
Xo Ni Fi fi Fi Intervalo
100 8 8/50 0,16 0,16 [0 0,16>
120 12 12/50 0,24 0,4 [0,16 0,40>
130 9 9/50 0,18 0,58 [0,40 0,58>
140 13 13/50 0,26 0,84 [0,58 0,84>
150 8 8/50 0,16 1 [0,84 1]
50 1

36
Generar 10 números aleatorios
Cos (6) Nº Aleat. Ixi Xi=F–1 (Ixi)

1 0,809 I4 140
2 0,914 I5 150
3 0,846 I5 150
4 0,538 I3 130
5 0,154 I1 100
6 0,016 I1 100
7 0,231 I2 120
8 0,838 I4 140
9 0,528 I3 130
10 0,26 I2 120
Se pueden tomar decisiones basándose en estadísticas, como la media o la moda. Para nuestro ejemplo es
posible hallar:
Media = 128
Moda = 130, 140,150
La simulación de Montecarlo puede ser empleada de manera conjunta con las cadenas de Markov para
simular comportamientos específicos de este tipo de sistemas estocásticos. Para ello se realizan de manera
simultanea 2 o mas simulaciones de Montecarlo las cuales se regirán bajo los siguientes aspectos.
1. Se deberá construir un conjunto de intervalos de confianza para la distribución inicial

de la cadena de Markov: Vo.
2. Considerando que cada Fila de la matriz de probabilidades de transición, que es una
distribución de probabilidades, se deberá construir para cada una de ellas un conjunto
de intervalos de Montecarlo.
3. Se generan números aleatorios para definir el estado inicial trabajando con el primer
conjunto de intervalos de Vo.
4. De acuerdo al resultado obtenido se selecciona la fila correspondiente al estado
establecido en el punto anterior, se genera un segundo número aleatorio y se realiza
la simulación de Montecarlo con los intervalos construidos en base a la distribución
de la fila relacionada.
5. Se repetirá el proceso si corresponde o se empleará el resultado del punto anterior si
la simulación así los exige.
Ejemplo:
En un sistema de comunicaciones se envía mensajes compuestos por 0 y 1 cuya longitud es de una palabra, la
probabilidad de que el mensaje un bit sea cero es del 0.48. Dicho sistema de comunicación esta compuesto
por 4 terminales de repetición idénticas en las cuales la probabilidad de error es del 3%. Empleando la
simulación de Montecarlo determinar la proporción de confiabilidad del sistema para 10 mensajes.

37
Origen Î P Î P Î P Î P Î destino
Xi 0 1
Xo 0 0.97 0.03 P
1 0.05 0.95
Para el sistema de comunicación completo la Matriz de probabilidades de transición será P4
P4 =
0.894 0.106
0.177 0.823
Nuestro mensaje será un Word = 16 bits, donde cada bit tendrá la siguiente probabilidad
0 1
Vo= [ 0.48 0.52 ]
Usar la simulación de Montecarlo + la cadena de Markov
1. Intervalo de Montecarlo
Xi fi Fi Ii
0 0.48 0.48 [0 - 048]

1 0.52 1 [0.48 1]
2. Para Xo = 0
Xi fi Fi Ii
0 0.894 0.894 [0 - 0, 894]

1 0.106 1 [0.894 - 1]
Para Xo = 1
Xi fi Fi Ii
0 0.177 0.177 [0 - 0,177]

1 0.823 1 [0.177 - 1]

38
Se transmite un mensaje
Bit #aleat1 Bit trans #aleat2 Bit Recib
0 0.819 1 0.769 1
1 0.494 1 0.574 1
2 0.890 1 0.540 1
3 0.164 0 0.884 0
4 0.006 0 0.796 0
5 0.666 1 0.658 1
6 0.269 0 0.827 0
7 0.783 1 0.626 1
8 0.498 1 0.591 1
9 0.089 0 0.716 0
10 0.638 1 0.621 1
11 0.821 1 0.398 1
12 0.219 0 0.303 0
13 0.251 0 0.458 0
14 0.436 0 0.964 1
15 0.287 1 0.437 0
Por el bit 14 el mensaje es transmitido erróneamente. Para nuestro ejemplo debemos repetir el proceso otras 9
veces mas, y definir las proporciones de éxito y de fracaso.

39
Identificación de Sistemas
1. Modelado frente a Identificación.
El primer objetivo a la hora de realizar la simulación de un sistema es la obtención de un modelo matemático
que describa adecuadamente su comportamiento. Esta tarea es denominada modelado, y puede ser realizada
mediante dos metodologías diferentes: una que se basa en la extracción de las relaciones de las variables a
partir de datos experimentales, denominada identificación, y otra metodología que se fundamenta en la
aplicación de las leyes de la física para la obtención del modelo. Esta última metodología recibe el nombre de
modelado, término que a veces también es utilizado para hacer referencia al proceso de obtención de un
modelo sin distinción de la metodología aplicada, como ya se hizo al principio de este párrafo.
1.1. Descripción de la metodología de identificación.

La metodología de modelado se caracteriza por generar conjuntos de ecuaciones diferenciales y/o
algebraicas, normalmente no lineales, que se obtienen a partir de un estudio analítico del sistema basado en
una serie de hipótesis sobre dicho sistema y el uso de leyes de comportamiento físico. Los modelos generados
mediante esta metodología reciben el nombre de modelos teóricos o físicos, o también analíticos.
La metodología de identificación se caracteriza por considerar el sistema como una caja negra, sin hacer
ninguna hipótesis ni tener en cuenta los mecanismos internos de funcionamiento del sistema, y se basa en
medidas experimentales para deducir las relaciones entrada-salida. Estos modelos son denominados modelos
de caja negra o empíricos.
Las etapas de la metodología de identificación se detallan a continuación:

1. Obtención de datos de entrada-salida. Para ello se debe excitar el sistema mediante la aplicación de
varias señales de entrada y registrar la evolución de sus entradas y salidas durante un intervalo de tiempo.
2. Tratamiento previo de los datos registrados. Los datos registrados están generalmente acompañados de
ruidos indeseados u otro tipo de imperfecciones que puede ser necesario corregir
antes de iniciar la identificación del modelo. Se trata, por tanto, de preparar los datos para facilitar y
mejorar el proceso de identificación.
3. Elección de la estructura del modelo. En un modelo matemático se puede distinguir una estructura, por
ejemplo , y los parámetros del modelo (a=1, b=2). Se debe determinar la estructura
deseada para el modelo que se pretende obtener. Esta elección se basa, entre otros, en un análisis de los datos
experimentales, en un conocimiento previo del sistema y en el tipo de modelo que se quiere obtener. Por
ejemplo, si se quiere obtener un modelo estacionario de un sistema y los datos experimentales muestran la
existencia de una relación lineal, una estructura adecuada es y ax b , siendo x la variable de entrada e y la
variable de salida.
4. Obtención de los parámetros del modelo. A continuación se procede a la estimación de los parámetros de
la estructura que mejor ajustan la respuesta del modelo a los datos de entrada-salida obtenidos
experimentalmente. El criterio de ajuste de parámetros se elige en función de la clase de modelo a identificar
y de los datos de los que se dispongan. Un criterio de ajuste muy frecuente es el de mínimos cuadrados, que
consiste en obtener los valores de los parámetros que minimizan la suma de los errores al cuadrado.
5. Validación del modelo. El último paso consiste en determinar si el modelo obtenido satisface el grado de
exactitud requerido para la aplicación en cuestión. Si se llega a la conclusión de que el modelo no es válido,
se deben revisar las etapas anteriores en busca de las causas de error, y deberá repetirse el proceso de
identificación desde el punto correspondiente. Por tanto, el proceso de identificación es un proceso iterativo.
1.2. Comparación de ambas metodologías.

En este apartado se efectúa una comparación entre las dos metodologías y se indican las ventajas y los
inconvenientes de cada una. Se analizan los siguientes aspectos:

40
• Dificultad en la obtención del modelo: el modelado puede ser una tarea larga que requiere un
conocimiento preciso del sistema que se pretende modelar, además de experiencia en la tarea de
modelado. Por ello, no es aplicable a sistemas muy complejos. La identificación suele ser una tarea
más sencilla. Basta con obtener un conjunto de datos experimentales que describan adecuadamente
el comportamiento de un sistema y tratar de ajustar una estructura matemática a estos dados. En
ocasiones, este proceso presenta gran dificultad, pero en términos generales suele ser más sencillo
que el modelado.
• Rango de validez del modelo: el proceso de modelado genera modelos con un mayor rango de
validez, más generales, porque lleva incorporados los mecanismos internos del sistema. Los modelos
obtenidos por identificación sólo son válidos en las condiciones en las que se tomaron los datos
experimentales, y para valores de las variables comprendidos en los intervalos de variación de éstas
en los experimentos.
• Significado de parámetros: en la identificación es difícil dar significado a los parámetros del

modelo. En el modelado no ocurre esto, pero suele ser necesario estimar los parámetros físicos del
sistema a partir de medidas experimentales.
Como conclusión se deduce que lo ideal es recurrir a una mezcla de ambos métodos para obtener el modelo
final, puesto que el uso de datos reales para identificar los parámetros del proceso provee a éste de una gran
exactitud y el proceso de identificación se ve tanto más facilitado cuanto mayor sea el conocimiento sobre las
leyes físicas y químicas que rigen el proceso. La combinación de los dos métodos permite el cumplimiento de
dos aspectos importantes cuando se realiza un modelo:
• El esfuerzo de modelado debe reflejar el uso que se pretende dar.
• No debe estimarse lo que ya se conoce.
Los modelos generados tras combinar ambas metodologías se denominan modelos de caja gris.
Entre las aplicaciones de un modelo se encuentran la simulación y el diseño de sistemas de control. En el

siguiente esquema se indica la aplicación más adecuada, entre las dos anteriores, de los modelos generados
por las metodologías de modelado y de identificación.
El modelado, al obtener modelos de mayor rango de validez, es más apropiado para la simulación, donde se
van a ensayar valores de las variables de entrada en un amplio margen. Como ya se mencionó anteriormente,
el modelado de un sistema suele estar complementado por la identificación de alguno de sus componentes
cuando éste es demasiado complejo como para aplicar leyes físicas. Los modelos obtenidos por medio de un
proceso de modelado también son utilizados para el diseño de sistemas de control.
Los modelos generados mediante identificación, válidos sólo en las condiciones en las que se tomaron los
datos experimentales, son aplicables al diseño de sistemas de control, ya que el modelo obtenido sólo necesita
ser válido en las cercanías del punto de operación donde se pretende controlar el sistema.

41
2. Identificación.
La metodología de modelado permite la generación de modelos más generales que los desarrollados mediante
identificación, motivo por el cual el modelado es empleado para la obtención de modelos para simulación. Sin
embargo, debido a las limitaciones del conocimiento actual o a la complejidad involucrada en los sistemas
físicos, los modelos generados suelen tener algunas partes con base empírica.
Así, las medidas experimentales se emplean para:
• Estimar el valor de algún parámetro del modelo teórico (Estimación de parámetros).
• Definir alguna relación entre variables que no se conoce teóricamente (Identificación de
componentes del sistema, también llamados subsistemas).
Resumiendo todo lo comentado en este tema respecto a la metodología de identificación, ésta se puede aplicar
para:
• Determinar una parte de un modelo teórico (identificación de subsistemas). Estos modelos se suelen
denominar modelos de caja gris. Siguen siendo adecuados para la simulación ya que, a pesar de estar
desarrollados con ayuda de datos experimentales, están generados principalmente por leyes físicas o
principios matemáticos, lo cual les permite tener un buen rango de validez.
• Determinar el modelo de un sistema completo. Estos modelos reciben el nombre de modelos de caja
negra. Las limitaciones en el rango de validez impuestas por las medidas experimentales hacen
desaconsejable el uso de estos modelos en simulación, aunque sí son aplicables al diseño de sistemas
de control.
2.1. Técnicas empleadas en la identificación
Existen, en principio, tres diferentes formas de emplear la identificación como método para fines de
modelado.
• Realizar experimentos simples para estructurar el modelo del sistema.
• Construir modelos para describir como la salidas dependen de las entradas, sin sustentar el modelo
en relaciones físicas que se presume existen en el interior del sistema, los modelos a desarrollar
deberán sustentarse en datos experimentales. Empleando para ello el planteamiento de un modelo
arbitrario experimental o utilizando alguna estructura genérica planteada para un campo específico
(Ej. Dinámica de sistemas)
• Usar un conjunto de datos para determinar parámetros desconocidos en un modelo obtenido a partir
d leyes físicas o principios matemáticos.
En consecuencia las técnicas más empleadas en la identificación de sistemas son las siguientes:
Estimación de respuesta transitoria
Consiste en realizar experimentos en el sistema a modelar, en el cual se han determinado variables de entrada
y se desea establecer su efecto en el conjunto de variables de salida, o en subsistemas.
Para ello se afectan a las variables de entrada seleccionadas y se estudia la respuesta a este impulso de entrada
en el sistema, buscando la siguiente información:
• Que variables se ven afectadas por las entradas en cuestión en el sistema, la influencia de este
impulso de entrada se puede graficar mediante diagramas de bloques o diagramas causales, en base
a la información obtenida en el experimento.
• Las constantes de tiempo, que nos sirve para definir que relaciones en el modelo pueden ser
descritas como estáticas, y que relaciones son dinámicas, definiendo un diferencial de tiempo en el
cual se produce la respuesta.
• Las características de las respuesta, de acuerdo a diferentes rangos de entradas se determina el
comportamiento de la salida, definiendo si este es oscilatorio, lineal, exponencial u otro.

42
Análisis de Correlación
En esta técnica se desea describir, de forma matemática como las entradas afectan a las salidas, empleando
para ello un conjunto de observaciones experimentales, realizadas mediante la estimación de la respuesta
transitoria.
En base a este conjunto de información se puede aplicar técnicas como las siguientes para definir un modelo
matemático que defina la correlación de entradas y salidas:
Regresión lineal.
La regresión es un método de análisis de datos procedentes de un sistema que sirve para poner en
evidencia las relaciones que existen entre diversas variables. Este método se puede aplicar para
obtener las relaciones entre las variables de un sistema completo (modelo de caja negra), o entre las
variables de una parte del sistema (subsistema), como ocurre en los modelos de caja gris. En
cualquier caso, un problema de regresión se define de la siguiente manera:
Se obtiene un conjunto de muestras de (entrada, salida) o (Xi,Yi) con i=1..n
Se asume que el sistema tiene un comportamiento lineal de tal forma que:
Y = aX + b
n∑ XiYi − ∑ Xi ∑ Yi
b=
n∑ Xi − (∑ Xi ) 2
2
_ _
a = Y−b X
Regresión lineal múltiple.
En esta técnica se asume que existe mas de una variable de entrada de tal forma que las
observaciones serán (Yi, X1i, X2i,........, Xni), dependiendo del número de entradas el proceso varia,
pero en esencia se desea obtener una ecuación polinómica lineal de tal forma que Y = a1 X1i + a2
X2i+........+an Xni.
De forma manual el proceso es largo y complicado pero existe actualmente software que facilita esta
estimación.
Regresión no lineal.
En muchas ocasiones la relación entre los datos es más compleja que una combinación lineal. Se
eligen, entonces, funciones no lineales, como potencias, exponenciales, fracciones, etc. Existen dos
enfoques para resolver un problema de regresión no lineal:
• Hacer un cambio de variables para transformar el problema en un problema de regresión
lineal.
• Resolver el problema no lineal directamente.
Existen muchos métodos de regresión no lineal. Uno de los más usado consiste es resolver de forma
iterativa un problema de regresión lineal obtenido mediante linealización del problema de regresión
no lineal por medio de la serie de Taylor.
En los casos en los que la relación entre los datos es muy compleja y no es fácil elegir una función
para ajustarse a los datos, es bastante útil el empleo de las redes neuronales. Este método es muy
adecuado para problemas con múltiples entradas.
Estimación de Funciones de transferencia

En esta técnica se desea hallar la denominada función de transferencia que permita hallar la magnitud de la
variable de salida utilizando la variable de entrada y la función de transferencia.
La función de transferencia, relaciona los valores de las variables de salida con los valores de las variables de
entrada, por medio de un modelo matemático (formula) tal que:
Si F(S) So

43
So = F(S)*Si
En sistemas en los cuales el comportamiento sea complejo, y de manera grafica se pueda definir una relación
no lineal, y en algunos casos oscilatoria donde se pueden emplear transformaciones al campo de los números
complejos (Transformada de Fourier o Transformada de Laplace) para simplificar el trabajo del calculo de la
función de transferencia a relaciones algebraicas.

Apuntes de Ingeniería de Sistemas

Cargado por

Copyright:

Formatos disponibles

Apuntes de Ingeniería de Sistemas

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes de Ingeniería de Sistemas

Cargado por

Copyright:

Formatos disponibles

1

Teoría General de Sistemas

(Universo = sistema) Î Principio, Propiedades

Evoluciona en el tiempo desde diversos paradigmas. } Historia

(Sistema) Maquinas: 4 principio fundamentales.

• Principio de Evidencia: El sistema debe ser palpable o con evidencia física.

Todo esto involucra a una: Estructura + Función

En consecuencia un sistema para el enfoque sistémico es un conjunto de elementos que interrelacionados

Un sistema tiene principios y propiedades.

PRINCIPIO Y PROPIEDADES DEL SISTEMA GENERALIZADO

Lic. Olban Vargas Fernández

e) Equifinalidad.- Un sistema se origina para cumplir una función en el entorno, la equifinalidad

TENDENCIA DE LA TEORÍA GENERAL DEL SISTEMA.

Dinámica de sistemas: Considerando la realidad orgánico, funcional y genética (cambios en el tiempo).

Existen dos sistemas estáticos y sistemas dinámicos.

• Los sistemas estáticos no cambian, por ejemplo: las matemáticas.

Lic. Olban Vargas Fernández

La dinámica de sistemas surgió de la búsqueda de una mejor comprensión de la administración. Su aplicación

HISTORIA DE LA DINÁMICA DE SISTEMAS

Lic. Olban Vargas Fernández

En consecuencia, Dinámica de Sistemas es una metodología ideada para estudiar el comportamiento de

NOCIÓN DE SISTEMA DINÁMICO

Limites del sistema

Elementos y relaciones en los modelos.

CONSTRUCCIÓN DE MODELOS EN DINÁMICA DE SISTEMAS

Se siguen las siguientes Fases:

a) Descripción verbal del sistema

Se realiza una representación grafica donde se identifican tipos de variables

Se realiza un proceso en cascada si la representación e identificación esta incompleta.

Lic. Olban Vargas Fernández

DIAGRAMAS DE INFLUENCIAS O CAUSALES

La Relación de influencia positiva indica que si el antecedente crece el consecuente

Lic. Olban Vargas Fernández

La Relación de influencia negativa indica que si el antecedente crece el consecuente

Al existir ciclos o bucles en los diagramas de influencia podemos definirlos como:

BUCLES DE RETROALIMENTACIÓN POSITIVA: Son aquellos en los que la variación

BUCLES DE RETROALIMENTACIÓN NEGATIVA: Son aquellos en los que la variación de un elemento

Lic. Olban Vargas Fernández

FORMULACION DEL MODELO

1. Niveles. (variables de nivel) las cuales pueden ser depósitos o nubes

2. Flujos (variables de flujo)

Lic. Olban Vargas Fernández

Asi por ejemplo una representación con diagramas de Forrester sería:

SISTEMAS DINAMICOS DE PRIMER Y SEGUNDO ORDEN.

Flujo Constante (Lineal) Retroalimentación Positiva (Crec. Expon.)

Lic. Olban Vargas Fernández

Retroalimentación negativa (Decrec. Exponencial)

Crecimiento Exponencial Crecimiento Lineal Decrecimiento Exponencial

Sistemas dinámicos de segundo orden

Lic. Olban Vargas Fernández

( 1 )Amortiguadas, ( 2 ) Mantenidas y ( 3 ) Crecientes.

Lic. Olban Vargas Fernández

Aplicación de la Dinámica de Sistemas

ESTRUCTURAS GENÉRICAS DE PRIMER ORDEN.

a) Sistemas con retroalimentación positiva.- Un sistema con retroalimentación positiva de primer

Ecuación del modelo

Lic. Olban Vargas Fernández

Nivel: Población de bacterias tasa Inc = 25% 1/semana

Población de bacterias (0) = 5 (millones bacterias)