Apuntes de Ingeniería de Sistemas
Apuntes de Ingeniería de Sistemas
Apuntes de Ingeniería de Sistemas
Ingeniería de sistemas II
Enfoque sistémico
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.
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.
Cibernética.- campo interdisciplinario que abarca el ámbito de los procesos, comunicación y control tanto
entre seres vivos como entre maquinas.
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.
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.
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.
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.
CONCEPTUALIZACIÓN
Implica una investigación descriptiva para realizar una descripción detallada de un sistema empleando:
Estadística descriptiva (Estimación de parámetros)
Métodos Numéricos (Representaciones funcionales)
Investigación Descriptiva
Descripción Verbal
Diagramas Causales
Identificación Variables
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
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.
A B
+
Es importante considerar que un bucle un número par de influencias negativas se anulan, volviendo al bucle
en uno de retroalimentación positiva.
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.
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.
DIAGRAMAS DE FORRESTER.
Son diagramas causales en los que los elementos de un sistema se representan empleando la siguiente
notación
3. Variables Auxiliares
4. Otras Representaciones
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.
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.
Un sistema dinámico de segundo orden puede presentar oscilaciones, las cuales pueden clasificarse en
Amortiguadas, Mantenidas y 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.
Son:
a) Sistemas con retroalimentación positiva
b) Sistemas con retroalimentación negativa
c) Sistemas con flujos constantes
d) Sistemas con comportamientos en S
Diagrama de Influencia
Diagrama de Forrester
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
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:
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
Comportamiento
12
0 1 2 3 4 t
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.
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
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
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
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
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
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.
Nivel
Flujo
Factor Decrecimiento
Dt = tiempo
Nivel (0) = ctte
Nivel (t) = Nivel (t-dt) – flujo (t) dt
Flujo (t) =Nivel (t-dt) * FD
FD = ctte 1/dt
Ejemplo:
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
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
Objet ivo
Nivel
Voltaje
Flujo
Difencia
Diferencia Flujo
factor
Objetivo
fact or Dec
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.
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
Obj>Nivel (0)
Nivel
Obj Meta<>0
Meta = 0
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.
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.
T otal ingreso
Ingresos
Ingreso mensual
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.
Diagrama de Forrester
Nivel
In Flow Out Flow
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
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
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 – Y0 Y0 – Y1
X – X0 X0 – X1
E.N. – 1 1 – 1.1
Pob.Monos – Pob.Normal 300 – 500
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
= 0.01
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
V Aux 12
Flujo 1
Nivel 1 Nivel 2
Flujo1 Flujo2
Flujo 2
Var Aux1 Var Aux2
V Aux 21
Nivel 1
Flujo 1 Flujo 12
V Aux 21
V Aux1
Nivel 2
Flujo 21 Flujo 2
Nivel No rmal
V Aux 2
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.
Invent ario
Vent as
P roduccio n
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
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.
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
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
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
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)
Para el tiempo t1
X: X1= F(Xo), g(X1)
Para el tiempo tn
X: Xn= F(Xn-1), g(Xn)
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.
Y X
X1 X0
X2 X1
X3 X2
Xn 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)
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.
X1= f(X0)
X2= f(X1) X0=Fn(X0)
Xn= f(Xn - 1) X0= f(f(f…(f(X0))))
Xo= f(Xn) n-veces
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.
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
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}.
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.
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.
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 p p p p
S: {Ganar, Perder}
P(Ganar) = 1 – p
P(perder) = p
S: Lanzar 2 dados
#S = 36
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
Evento
Ganar = {(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}
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]
To Vo → T2 V2
V1= Vo x P
V2= V1 x P = (Vo x P) x P = Vo (P)2
En “P” cada fila es una distribución de probabilidad por la cual los elementos de cada fila suman en total “1”.
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.
Ganar = 1
Perder= 0
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
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
b) estado comunicantes
i ↔ j: i se comunica con j
j se comunica con i
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.
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
Para P2 si es accesible
¿a ↔ b?
i) ¿a Î b? pab = 0.5
a se comunica con b
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.
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.
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
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
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.
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.
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
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 ]
1. Intervalo de Montecarlo
Xi fi Fi Ii
2. Para Xo = 0
Xi fi Fi Ii
Para Xo = 1
Xi fi Fi Ii
Se transmite un mensaje
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.
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.
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.
• 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.
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.
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.
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.
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:
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.
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.
Si F(S) So
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.