INDICE

1
CAPITULO 1: SISTEMAS Y MODELOS

1.1 una pequeña introducción a los sistemas

La palabra sistema, (del griego συστημα) es usada en un amplio rango de contextos y por
tanto tiene distintos significados. La definición más común de sistema relaciona un grupo
de partes unidas por alguna forma de interacción. En el contexto de teoría de sistemas, un
sistema puede ser definido como una porción de la realidad cuya evolución en el tiempo
puede ser descrita por un cierto número de atributos medibles. Por ejemplo una maquina
herramienta, un motor eléctrico, un computador, un satélite artificial, la economía de una
nación.

Un atributo medible es una característica que puede ser correlacionada con uno o más
números que pueden ser enteros reales o complejos o simplemente un conjunto de
símbolos. Como ejemplos se incluyen la rotación de un eje (un numero real), el voltaje o la
impedancia entre dos puntos dados de un circuito eléctrico (un numero real o complejo),
cualquier color perteneciente a un conjunto de ocho colores bien definidos (un elemento de
un conjunto de ocho símbolos; por ejemplo, los números ordenados del 1 al 8 o las letras de
la a la h), la posición de un botón pulsador (un símbolo igual de 0 o1 dependiendo de que
este presionado o no).

En los sistemas nos interesa por un lado sus relaciones funcionales internas, por otro lado
sus relaciones externas con el entorno. La primera es llamada la estructura del sistema; la
segunda es su comportamiento. El comportamiento esta relacionado con la dependencia de
las respuestas a los estimulos. La estructura esta relacionada con la manera del arreglo, esto
es la organización, del acoplamiento mutuo entre los elementos del sistema y el
comportamiento de estos elementos.

Un sistema puede ser representado como un bloque y sus relaciones externas como
conexiones con el medio u otros sistemas como se muestra en el diagrama de la figura
1.1.1. Cuando es dada de antemano una separación de aquellas cantidades producidas por
el entorno y las producidas por el sistema, entonces se puede distinguir entre entradas, las
primeras, y salidas, las segundas. Dichos sistemas son llamados sistemas orientados (o
sistemas controlados). Si no se da una separación entre entradas y salidas hablamos de
sistemas no orientados o sistemas neutrales [Van Welden, 2000].

2
Figura 1.1.1. Representación esquemática de un sistema [Basile and Marro, 2002]

Vale la pena notar que en algunos casos la distinción entre las causas y los efectos no es
nada inmediata. Considere por ejemplo el circuito eléctrico sencillo mostrado en la figura
1.1.2(a) cuyas variables son v e i. Este puede ser orientado como en la figura 1.1.2 (b), es
decir con v como entrada e i como salida: esta es la elección más natural si el circuito es
alimentado por un generador de voltaje. Pero el mismo puede ser alimentado por un
generador de corriente, en dicho caso i podría ser la causa y v el efecto y el bloque
orientado correspondiente podría ser el mostrado en la figura 1.1.2(c) [Basile y Marro,
2002].

Figura 1.1.2. Un sistema eléctrico con dos posibles orientaciones.

En este curso, se hace una primera restricción hacia los sistemas orientados, ver Figura
1.1.3, que representa a sistemas físicos relativamente cerrados

Para el sistema orientado en Figura 1.1.3 las cantidades externas son U (t) y Y (t); la
cantidad interna es X (t). La entrada se representa por U (t) y la salida por Y (t).

3
Figura 1.1.3 : Un sistema orientado.

La medición de los atributos del sistema introduce el problema de establecer relaciones

cuantitativas entre ellos, es decir de construir modelos abstractos (matemáticos)

Ya que los modelos matemáticos son asimismo sistemas, aunque abstractos, es de

costumbre denotar a ambos, el objeto de estudio y su modelo matemático, con la palabra
"sistema" [Basile y Marro, 2002]. La disciplina llamada Teoría de Sistemas consiste en la
deducción de modelos matemáticos para los sistemas, su clasificación, la investigación de
sus propiedades, y su uso para la solución de problemas de ingeniería.

1.2 Evolución de los modelos matemáticos

Las raíces etimológicas de modelo vienen de la palabra latina modus y su diminutivo

modulus ambas con significado de medida; su uso inicial en la ciencia y la tecnología
puede asociarse con representaciones a escala usadas por arquitectos para reproducir la
forma de edificios antes de su construcción real. En este caso los modelos son sistemas
físicos que reproducen aproximadamente las propiedades estéticas de otros sistemas físicos
antes de su realización.

Un avance importante se logró con la introducción de modelos que todavía eran

reproducciones a pequeña escala de sistemas físicos pero que, sin embargo, eran usados
para investigar su conducta antes de la construcción o bajo condiciones de operación que
de otra manera serian imposible o demasiado costosas.

Se avanzo un paso al reproducir la conducta de un sistema en otro sistema que podía ser
estudiado más fácilmente, tomando provecho de las diferentes leyes físicas que pueden
describirse por relaciones formalmente iguales o analogas. Un ejemplo típico se da con las
computadoras analógicas, estructuradas como redes eléctricas flexibles que,
interconectadas (o programadas) apropiadamente, reproducen la conducta de otros
sistemas (mecánicos, hidráulicos, económicos etc.) menos adecuados para experimentos
directos. Estos modelos podrían definirse como análogos o, para evitar cualquier confusión
con el uso común de este término, modelos basados en leyes analogas (analogo denota
cantidades cuya medida puede realizarse en forma continuida, en oposicion a digital que
denota cuantizacion).

4
Puede observarse que estos modelos ofrecen mayor flexibilidad que los anteriores donde el
único grado de la libertad era el factor de escala, ya que la naturaleza física del modelo era
un asunto a elegir. Sin embargo, el uso de modelos basados en leyes analogicas requiere el
conocimiento de las leyes que describen el comportamiento del sistema a estudiar, ya que
es necesario escoger, construir o configurar otro sistema gobernado por leyes análogas para
estudiar su comportamiento en condiciones iniciales apropiadas. Lo que no se requiere, por
el contrario, es la capacidad de formular un modelo matemático completo y su uso para
determinar el comportamiento del sistema.

El último paso en la evolución de los modelos es el desarrollo de modelos abstractos, esto

es, modelos matemáticos que describen los enlaces establecidos por el sistema entre sus
atributos medibles. El importante papel que tienen actualmente los modelos matemáticos en
la ciencia y la tecnología es atribuible a la disponibilidad tanto de las herramientas
abstractas brindadas por la teoría de sistemas como de las computadoras numéricas que
permiten su uso eficaz.

1.3 Los modelos como aproximaciones de la realidad

Se observó que los modelos matemáticos limitan su descripción a los enlaces cuantitativos
establecidos por los sistemas reales entre sus atributos medibles y por lo tanto constituyen,
en cualquier caso, solamente descripciones parciales. La evolución asintótica de la ciencia
ha cancelado incluso las ilusiones iluministas de la posibilidad de lograr descripciones
exactas de la realidad [Guidorzi, 2003]. Incluso las relaciones aceptadas como leyes de la
naturaleza pueden ser consideradas, a lo más, como modelos aun no falsificados. La ley del
movimiento de Newton es un buen ejemplo de la aceptacion extendida de una relación
matemática como una descripción absoluta de un fenómeno antes de su falsificación, pero
también es un buen ejemplo de la excelente exactitud de un modelo simple para describir
un gran rango de situaciones complejas.

Muchos fenómenos simplemente son demasiado complejos como para ser descritos en
detalle por modelos manejables y/o no son gobernados por alguna ley bien definida de la
naturaleza (por ejemplo las economías nacionales). Por lo tanto, la construcción de
temáticos debe estar gobernada más por criterios de utilidad que por los (siempre relativos)
criterios de verdad. La aproximacion inherente asociada a los modelos da la idea general de
que puedan ser usados diferentes modelos del mismo sistema para diferentes propósitos
(interpretación, prediccion, filtraje, diagnostico, simulación), optimizando su rendimiento
para estas tareas. Consecuentemente, los criterios para la comparacion y la selección de los
modelos tienen importancia, tanto filosófica como práctica. Un criterio bien conocido es el
de la "Maquina de afeitar de Occam", atribuido a William de Occam (1290 - 1350) que
establece que:

Debe preferirse el modelo más simple entre los modelos disponibles.

Ciertamente, este principio ayudó a la aprobación del modelo propuesto por Copernicus
para el sistema solar, quien, prudentemente, enfatizó que su modelo heliocéntrico debía ser

5
considerado unicamente como un ejercicio para obtener de una manera más simple los
resultados del modelo de Ptolomeo aceptado oficialmente.

Una descripción diferente del principio de parsimonia puede encontrarse en el trabajo de

Popper (1963). De acuerdo con este autor,

entre los modelos que explican las observaciones disponibles, el modelo que explica el
fenómeno de manera mas sencilla debe preferirse (el modelo más potente no falsificado)

El principio de parsimonia no es soportado unicamente por argumentos filosóficos (y por el

sentido común) sino tambien por argumentos matemáticos que muestran cómo el
incremento en la complejidad de modelo, cuando el modelo es deducido de datos inciertos,
conduce a un incremento correspondiente en la incertidumbre de sus parámetros.

1.4 Clasificación de los modelos basada en el propósito

Los modelos matemáticos han sido definidos como conjuntos de relaciones entre los
atributos medibles de un sistema, que describen las relaciones establecidas por el sistema
entre estas cantidades. Esto limita la capacidad descriptiva de los modelos matemáticos a
los atributos que pueden ser expresados por medio de números y muestra además que estos
modelos constituyen, en todo caso, solamente una descripción aproximada de la realidad,.
La aproximación intrínseca realizada por la introduccion de los modelos puede ser mejor
evaluada en el contexto de una clasificación basada en los propósitos del modelado
[Guidorzi, 2003].

1.4.1 modelos interpretativos

El fundamento de estos modelos radica en satisfacer la curiosidad científica y en

racionalizar el comportamiento de procesos observados. También pueden ser vistos como
formas de extraer información esencial de experimentos complicados o de sustituir
(grandes cantidades de) datos con un mecanismo generador de datos. El propósito de los
modelos interpretativos es incrementar el conocimiento de una parte de la realidad existente
detrás de los fenómenos observados; deben "interpretar" conjuntos de datos, pero no tienen
necesariamente la capacidad de generar otro conjunto de datos (futuros) que (serian)
generados por el mismo sistema.

La mayoría de las leyes físicas pueden verse como modelos de esta clase. La observación
de Ptolomeo sobre la posibilidad de describir las mismas observaciones con modelos
diferentes destaca que la interpretación concierne esencialmente a algunos atributos
medibles de los fenómenos y no (necesariamente) su naturaleza verdadera.

Otra observación importante concierne a las aproximaciones de los modelos interpretativos

y/o al alcance limitado de su validez. Así, la ley del movimiento de Newton que da una
relación simple entre la fuerza que actúa sobre una masa y su aceleración, resulta en
grandes errores para velocidades cercanas a la velocidad de la luz.

6
Modelos de esta clase han sido desarrollados por Ptolomeo, Copernico, Kepler, Galileo,
Newton y Halley para describir el comportamiento de objetos físicos. Los modelos
interpretativos se utilizan en muchas disciplinas como econometría, ecología, ciencias
naturales, agricultura, física.

ESPACIO PARA LA TRADUCCION HECHA POR EL PROFESOR

7
Figuras 1.4.4 y 1.4.5 - el error de la Altitud y la velocidad vertical estimada del objetivo

1.4.4 Modelos para diagnóstico

El calculo del modelo específico que mejor se ajusta al conjunto de datos recogidos en un
proceso permite comparar su conducta general con una clase de conductas establecidas
como referencia, evaluando condiciones anormales tales como la falta de un sensor en un
proceso industrial o una enfermedad en un paciente. Las pruebas de la sulfobromoftaleina
(BSP) y la a la tolerancia a la glucosa (IVGT) se usan rutinariamente en la práctica médica
como ayudas en la valoración de las enfermedades hepatobiliarias y del páncreas. En ambos
casos la prueba empieza con inyecciones intravenosas de estas substancias seguida de las
medidas de sus concentraciones plasmáticas a intervalos específicos. Los valores más allá
de ciertos límites indican un metabolismo lento que podría asociarse a condiciones de
hepatitis o diabétes.

Ejemplo - Prueba de tolerancia a la glucosa intravenosa (IVGT)

El control del nivel de azúcar en la sangre en el cuerpo humano se lleva a cabo por la
insulina secretada por el páncreas cuando el nivel de azúcar excede el valor del equilibrio
fisiológico.

8
La rata de cambio del nivel de azúcar en la sangre después de una inyección de glucosa da
una descripción fiable acerca de la eficacia de este mecanismo de regulación, como se
puede ver de la comparación de la figura 1.4.6, que presenta la respuesta de un individuo
normal, con la figura 1.4.7, que muestra la respuesta de un diabético. Las medidas
realizadas en un paciente, comparadas en la Figura 1.4.8 con la respuesta normal, permiten
diagnosticar la presencia de condiciones anormales.

Figuras 1.4.6 y 1.4.7 - Respuesta de un paciente normal y uno diabético a una carga de
glucosa

Figura 1.4.8 - Respuesta normal y medidas anormales obtenidas en un paciente

1.4.5 Modelos para simulación.

El fundamento aquí es la sustitución de los sistemas reales por sus modelos a fin de evaluar
sus respuestas a políticas de control (entradas) asumidas. Una substitución de este género
puede traer grandes retribuciones desde un punto de vista económico y puede también
permitir ejecutar operaciones que serian imposibles de otra manera o arriesgadas en los

9
sistemas reales (por ejemplo, en estudios demográficos, respuestas a los cambios en las
ratas de interés en una economía nacional, el entrenamiento de pilotos, en incidentes de
importancia en los reactores nucleares, etc.).

Por supuesto la utilidad de las simulaciones depende de la exactitud del modelo en

reproducir el comportamiento del sistema real; la etimología de simulación (del latín
simulare = a pretender) parece sugerir la posible ambigüedad de esta substitución.

Ejemplo – Simulación de un intercambiador de calor de sodio

El PEC es un LMFBR (Reactor de alimentacion rápida de metal líquido) con una potencia
termica de 120 MW, diseñado para probar elementos de combustible experimentales que
desarrollan potencias superiorres a los 3MW en las condiciones termicas y de flujo de
neutrones encontradas en los grandes reactores nucleares de alimentacion rápida. El
enfriamiento del núcleo es realizado por medio de un lazo primario de sodio doble y el
intercambiador de calor de sodio-sodio, y un lazo secundario y los intercambiadores de
calor de sodio-aire. El comportamiento dinámico del reactor en situaciones de emergencia
(por ejemplo la falla de la bomba en uno de los lazos primarios) ha sido investigado por
medio de un paquete de simulación grande que incluye el modelo de cada parte de la
planta. Este modelo, sin embargo, es inapropiado para simulaciones de tiempo real debido a
su tamaño. Se ha desarrollado un modelo de orden reducido, obtenido con técnicas de
identificación, para simulaciones del tiempo real teniendo en cuenta tanto la capacitación
del operario como el control del proceso.

figuras 1.4.9 y 1.4.10 - Temperaturas de salida de los intercambiadores de calor de sodio

del PEC

Las figuras 1.4.9 y 1.4.10 muestran las temperaturas de salida de los intercambiadores de
calor de sodio primario y secundario dadas por el modelo (la línea punteada) contra los
valores verdaderos para variaciones en las entradas (flujos de sodio primario y secundario y
temperaturas de entrada) de aproximadamente el 20%. El pequeño error dado por este
modelo es totalmente compatible con el uso planeado.

10
1.5 Construcción del modelo
La asociación inevitable de los conceptos de modelo y aproximación coloca el modelado en
una zona intermedia que no pertenece a la ciencia pura debido a la falta de postulados de
unicidad pero debe, en todo caso, contar con los resultados y metodologías ofrecidas por la
ciencia abstracta de las matemáticas.

Es más, la limitada capacidad de los modelos para resolver cualquier problema específico
conduce a la oportunidad de construir modelos orientados a la aplicación; las razones detrás
de los diferentes usos de los modelos que se han descrito previamente, llegan a ser también
las razones detrás de la construcción de modelos de propósito especial para el mismo
sistema.

1.5.1 Aproximaciones para la construcción de modelos.

Teniendo presente estas directivas, se consideran dos aproximaciones principales para la

construccion de un modelo. Estas se basan en los dos tipos principales de información
sobre el sistema en general, que se relacionan con los extremos del espectro acerca del
conocimiento del sistema (ver Figura 1.5.1):

conocimiento acerca del funcionamiento interno del sistema (componente de caja blanca)

datos experimentales de entradas y salidas del sistema (componentes de caja negra).

Las dos aproximaciones principales se describen en la tabla 1.5.1 y se ilustran en la Figura

1.5.1.

11
 Figura 1.5.1: Las dos fuentes de información para la construcción del modelo.

Aproximación basada en Aproximación basada en

conocimiento datos
sinónimos modelado identificación de sistemas
modelado de arriba hacia abajo aproximación de abajo hacia
arriba
razonamiento deductivo inductivo
¿hace que? Codifica la estructura (interna) del Codifica la conducta del
sistema sistema (vía los datos
experimentales)
tipo de Análisis síntesis
problema
Tabla 1.5.1: Los dos aproximaciones principales para la construiccion de un
modelo

Si describimos un modelo como una caja que contiene las leyes matemáticas que vinculan
las entradas (las causas) con las salidas (los efectos), las tres aproximaciones principales del
modelado pueden asociarse con el "color" de la caja.

Modelado de caja blanca: El modelo se deriva directamente de primeros principios teniendo

en cuenta la conexión entre los componentes del sistema. Ejemplos típicos se encuentran en
los sistemas mecánicos y eléctricos dónde pueden usarse las leyes físicas (F = ma, por
ejemplo) para predecir los efectos dadas las causas. Mas que blanca, la caja deberia
llamarse "transparente", en el sentido que conocemos la estructura interna del sistema.

12
Modelado de caja gris: A veces el modelo obtenido invocando los primeros principios es
incompleto debido al desconocimiento del valor de algunos parámetros. Por ejemplo, un
planeta está sujeto a la ley de la gravitación pero su masa es desconocida. En este caso, es
necesario recolectar los datos experimentales y proceder a la sintonia de los parámetros
desconocidos hasta que las salidas predichas por el modelo se ajusten a los datos
observados. La estructura interna de la caja sólo se conoce parcialmente (hay zonas grises).

Modelado de caja negra: Cuando la estructura interna del sistema es desconocida o no hay
disponibles primeros principios, la única posibilidad es recolectar datos y usarlos para
presumir los vínculos entre las entradas y las salidas. Por ejemplo, ésta es una situación
común en la economía y la fisiología. Sin embargo, el modelado de caja negra es también
útil para tratar sistemas muy complejos dónde la aproximación de caja blanca fuera muy
costosa y consumiria mucho tiempo (un ejemplo: el modelado de la dinámica de una
maquina de combustión interna con el fin de desarrollar el controlador de velocidad).

1.5.2 Modelado físico: deduccion modelos a partir de otros modelos

Un modelo completamente construido de forma deductiva generalmente puede ser

considerado como una solución de modelado única. Por lo tanto, la aproximación de arriba-
abajo puede y debe usarse si existe la teoría y el conocimiento a priori para caracterizar
completamente las ecuaciones matemáticas. En ese contexto, el concepto de estructura del
modelo es importante.

El modelado físico se basa en la partición del sistema en subsistemas y en su descripción

por medio de leyes conocidas. Entonces el modelo se obtiene uniendo tales relaciones en un
todo.

Esta aproximación requiere un conocimiento general de la estructura o el diseño del sistema

considerado y de las "leyes" que describen su comportamiento. Ya que las leyes físicas son,
a su vez, modelos obtenidos de observaciones o de especulaciones no falsificadas, el
modelado físico consiste en construir el modelo completo de la unión de modelos simples
ya establecidos.

Las ventajas del modelado físico consiste en la posibilidad de usar, en el procedimiento de

construcción del modelo, la información a priori sobre el sistema y del significado físico de
las variables del modelo. Este procedimiento no puede aplicarse, sin embargo, a sistemas
cuya estructura interna no es conocida y cuyo comportamiento no es descrito por
relaciones establecidas o cuya complejidad conduciria a modelos inmanejables dónde la
mayoría de los parámetros sólo influiría marginalmente sobre los aspectos a ser
reproducidos del comportamiento del sistema.

El enfoque deductivo es preferido siempre que sea posible, esto es llamado el principio de
la fisicalidad, porque involucra un mapeo uno a uno (de hecho, no se genera nuevo
conocimiento) mientras que el modelado abajo-arriba involucra un mapeo de uno-a-muchos
(se tiene que inducir conocimiento). Este último aspecto es muy importante en el campo del
aprendizaje de máquina (machine learning).

13
1.5.3 El modelado inductivo y la metodología de identificación de sistemas

Si la ruta del modelado (deductivo) es imposible, se tiene que tratar el sistema como una
caja negra (o gris) y tratar de deducir un modelo vía el analisis de los datos de los registros
de las señales de entrada-salida. Ésta es la ruta de la identificación, la cual está basada en la
experimentación. La Concise Encyclopaedia of Modelling & Simulation describe la
identificación como "La búsqueda para una definición de un modelo que muestre el
comportamiento de un proceso que evoluciona bajo condiciones particulares. Esto
usualmente se realiza por medio de un conjunto de medidas y por la observacion del
comportamiento de un sistema durante un intervalo de tiempo dado. El modelo obtenido
por la identificación debe permitir predecir la evolución del proceso identificado en un
horizonte dado, cuando son conocidas la evolución de las entradas y las diferentes
influencias externas que actúan sobre el sistema durante este intervalo de tiempo"
[Atherton y Borne 1992].

El enfoque abajo-arriba trata de inferir la información estructural a partir de los datos

experimentales y de llegar a un modelo utilizable bajo un marco experimental dado. Este
enfoque puede generar un número infinito de modelos que satisfacen las relaciones de
entrada–salida observadas. Así que, no existe ningún procedimiento directo para determinar
la estructura de un modelo. Son necesarios un conjunto de principios guia y procedimientos
cuantitativos para inferir la estructura a partir de los datos. Más específicamente, es
deseable tener restricciones o suposiciones adicionales que ayuden a seleccionar un modelo
"optimo".

Las observaciones de un sistema pueden obtenerse activa o pasivamente. En el primer caso,

quien hace el modelado define unas entradas de interés, aplica éstas al sistema bajo estudio,
y observa los resultados. En el segundo caso, quien hace el modelado no puede especificar
las entradas y tiene que aceptar cualquier juego de datos de entrada-salida disponible.

La identificación consiste en la selección de un modelo específico en una clase especifica

sobre la única base de las observaciones llevadas a cabo sobre el sistema y de un criterio de
selección. El procedimiento completo no hace referencia alguna ni a la naturaleza física del
sistema, ni a los conocimientos a priori de quien lo realiza; solamente los datos hablan.

Las variables internas de los modelos identificados podrían carecer de cualquier significado
físico y lo mismo puede afirmarse respecto a los parámetros del modelo. Tales modelos
son, de otro lado, simples, exactos y pueden extraer de situaciones complicadas solamente
algunos aspectos relevantes.

No es difícil reconocer que a menudo las leyes físicas han sido obtenidas como
consecuencia de procedimientos de identificación; los datos recolectados por Galileo en sus
experimentos sobre la caida de cuerpos, por ejemplo, llevaron que él reconociera que un
modelo simple podía explicar cualquier experimento y por lo tanto podía ser considerado
como una ley.

1.6 Modelado y simulación

14
Un modelo es un sistema similar a uno original, a veces llamado sistema real, en el sentido
de que, cuando soluciona un problema que concierne al sistema original, puede
solucionarlo bajo condiciones mas favorables. Un modelo es por lo tanto, un sustituto
factible para el sistema. A continuación daremos una introducción a los conceptos básicos
sobre modelado y simulación.

La figura 1.6.1 muestra los conceptos de modelado y simulación según Zeigler

[Vangheluwe, 2001].

1.6.1 Conceptos básicos

Objeto es alguna entidad en el mundo real. Tal objeto puede exhibir comportamientos
ampliamente distintos dependiendo del contexto en el que es estudiado, asi como de los
aspectos de su comportamiento bajo estudio.

Modelo base es una representación abstracta e hipotetica de las propiedades del objeto, en
particular de su comportamiento, la cual es valida en todos los contextos posibles, y
describe todas las facetas del objeto. Un modelo base es hipotético en tanto nunca -en la
práctica- podremos formular o representar tal modelo "total".

Sistema es un objeto bien definido en el mundo real bajo las condiciones específicas,
solamente considerando aspectos específicos de su estructura y comportamiento.

15
Figura 1.6.1: Modelado y simulación [Vangheluwe, 2001]

Marco experimental: Cuando se estudia un sistema del mundo real, el marco

experimental, (EF), describe las condiciones experimentales (el contexto), aspectos. . .
dentro de cuáles tal sistema y sus modelos correspondientes serán usados. Como tal, el
marco experimental refleja los objetivos de quien lleva a cabo los experimentos sobre el
sistema real o, a través de la simulación, sobre el modelo.

En su forma más básica (ver figura 1.6.2), un marco experimental consta de dos juegos de
variables, las variables de entrada y las variables de salida, las cuales coinciden con los
terminales del sistema o el modelo.

Del lado de las variables de entrada, un generador describe las entradas o estímulos
aplicados al sistema o al modelo durante el experimento. Un generador, por ejemplo, puede
especificar un estímulo de escalón unitario. Del lado de las salidas, un transductor describe
las transformaciones aplicadas a las salidas del sistema (experimento) o a los resultados del
modelo (simulación) para obtener una interpretación significativa. Un transductor puede
especificar por ejemplo el calculo de los valores extremos de alguna de las variables. En lo
anterior, salida se refiere a la salida del sistema físico así como tambien a las salidas
sintetizadas en la forma de los estados del modelo interno medidos por un observador. En el
caso de un modelo, las salidas pueden observar la información interna tal como las
variables de estado o los parámetros.

Marco de
Sistema Marco de
variables (real o modelo) variables de
de Entrada Salida

Marco Experimental

generador aceptador transductor

Figura 1.6.2: Sistema versus Marco Experimental

Aparte de las variables de entrada/salida, un generador y un transductor, una Marco

Experimental puede incluir también un aceptador que compara las caracteristicas de las
entradas del generador con las caracteristicas de la salida del transductor, y determina si el
sistema (real o el modelo) “se adapta” al Marco Experimental, y por consiguiente, a los
objetivos del experimentador.

16
Modelo (lumped) da una descripción precisa de un sistema dentro del contexto de un Marco
Experimental dado. El término “descripción precisa” necesita ser definido con rigor.
Normalmente, ciertas propiedades de la estructura del sistema y/o su comportamiento deben
ser reflejadas por el modelo dentro de un cierto rango de precision. Note: un modelo lumped
no es necesariamente un modelo de parámetros lumped. Debido a las diversas aplicaciones
del modelado y la simulación, el traslape de la terminología es muy común.

La experimentación es el acto físico de llevar a cabo un experimento. Un experimento puede

o no interferir con el funcionamiento del sistema (influenciar sus entradas y parámetros).
Como tal, en su propio derecho, el entorno de la experimentacion puede verse como un
sistema (que puede ser a su vez modelado por un modelo lumped). También, la
experimentación involucra la observación. La observación arroja las medidas.

La simulación de un modelo lumped descrito en un cierto formalismo (tal como las redes de
Petri, Ecuaciones Diferenciales Algebraicas (DAE) o Bond Graph) produce los resultados
de simulación: el comportamiento dinámico de las entradas/salidas. La Simulación, la cual
imita el experimento real, puede verse como una experimentación virtual, permitiendo
contestar preguntas sobre (el comportamiento de) un sistema.

Algo crucial en el esquema “Sistema-Experimento vs Modelo- Experimento virtual” es que

hay una relación homomórfica entre el modelo y el sistema: la construccion del modelo de
un sistema real y las simulacion subsecuente de su comportamiento debera producir los
mismos resultados que si se realizara el experimento real, seguido por la observación y
codificación de los resultados experimentales (vea Figura 1.6.3).

modelado/abstracción
Sistema Real Modelo Abstracto

experimento experimento virtual

abstracción
Resultados de Resultados de Simulación
experimento

Figura 1.6.3: Morfismo Modelado- Simulación

17
Un modelo de simulación es una herramienta para lograr una meta (diseño, análisis, control,
optimización…). Un prerequisito fundamental es, por consiguiente, cierta seguridad de que
las conclusiones deducidas del modelado y la simulación (las herramientas) pueden aceptarse
con confianza. El establecimiento de esta confianza esta asociado con dos actividades
distintas a saber: Verificación y validación.

Verificación es el proceso de verificar la consistencia del programa de simulación, con

respecto al modelo lumped del cual es derivado. Más explícitamente, la verificación se
preocupa por la exactitud de la transformación desde una representación abstracta intermedia
(el modelo conceptual) al código del programa (el modelo de simulación), asegurando que el
código del programa refleje fielmente el comportamiento que está implícito en la
especificación del modelo conceptual.

Los Validación es el proceso de comparar las medidas del experimento con los resultados
de simulacion dentro del contexto de un cierto Marco Experimental.

Cuando la comparación muestra diferencias, el modelo formal construido puede no

corresponder al sistema real. Un gran número de medidas y resultados de simulación que se
ajustan fielmente aunque incrementan la confianza, no prueban, sin embargo, la validez del
modelo. Por esta razón, Popper ha introducido el concepto de falsificación, que es la empresa
de intentar falsificar o refutar el modelo. Pueden identificarse varios tipos de validación; por
ejemplo: validación del modelo conceptual, validación estructural, y validación del
comportamiento.

 La validación conceptual es la evaluación de un modelo conceptual con respecto al

sistema, dónde el objetivo es, principalmente, evaluar el realismo del modelo
conceptual con respecto a los objetivos del estudio.

 La validación estructural es la evaluación de la estructura de un modelo de

simulación con respecto a la estructura aparente del sistema.

 La validación de comportamiento es la evaluación del comportamiento del modelo

de simulación.

Una apreciación global de las actividades de verificación y validación se muestra en la Figura

1.6.4.

18
 Causa Sistema Efecto

Modelo de
validación
conceptual

Validación
Validación del
estructural
Modelo
comportamiento
conceptual

Entrada Modelo de Salida

simulación

Figura 1.6.4: Actividades de verificación y validación

Debe notarse que la correspondencia entre el comportamiento generado por el sistema y el

modelo solo se mantendrá dentro del contexto limitado por el marco experimental. Por
consiguiente, al usar modelos para intercambiar información, un modelo, antes de su uso,
siempre debe emparejarse con un marco experimental. Recíprocamente, un modelo nunca
debe ser desarrollado sin desarrollar simultáneamente su marco experimental.

1.6.2 El modelado y el proceso de simulación

Para entender cualquier empresa, es necesario analizar el proceso: que actividades se

ejecutan, que entidades son operadas y cuales son las relaciones causales (determinando el
orden de las actividades y la concurrencia). La actividad de la simulación es parte de una
empresa mas amplia que es el análisis de sistemas basado en modelo. Un modelo
rudimentario del proceso para estas actividades se muestra en la figura 1.6.5.

El proceso se explicara por medio del ejemplo simple de un experimento con una masa y un
resorte (ver figura 1.6.6). En este ejemplo, una masa que se desliza sin fricción sobre una
superficie horizontal se conecta a una pared por medio de un resorte. La masa es saca de la
posición de reposo y luego se libera.

19
Varias fuentes de información (explicitas en la forma de datos/ modelo/base de
conocimientos o implícitas en la mente del usuario) son usadas durante el proceso.

VOY POR AQUÍ

Conocimiento a priori: en el modelado deductivo, se comienza por los principios generales

– tales como masa, energía, leyes de momento de conservación y restricciones – y deduce
la información especifica. La deducción se usa predominantemente durante el diseño del
sistema.

En el ejemplo, el conocimiento a priori consiste en la segunda ley de Newton del

movimiento, así como nuestro conocimiento sobre el comportamiento de un resorte ideal.

Figura 1.6.5 Análisis de sistemas basado en modelo

20
Figura 1.6.6 Ejemplo masa-resorte

Los objetivos e intenciones: el nivel de abstracción, formalismos usados, métodos

empleados, ...es todo determinado por el tipo de preguntas que queremos responder.

En el ejemplo, posibles preguntas son: “¿cual es el modelo adecuado para el

comportamiento de un resorte del cual tenemos las medidas de la posición?”, “¿cuál es la
constante del resorte?”, “dado un modelo adecuado y las condiciones iniciales predecir el
comportamiento del resorte”, “¿cómo construir un resorte optimo dado el criterio de
desempeño?”, . . .

Medida de los datos: en el modelado inductivo empezamos desde los datos e intentamos
extraer la estructura a partir de estos. Esta estructura o modelo pueden a su vez ser usado en
el modo deductivo. Tal progresión iterativa es típica en el análisis de sistemas.

La figura 1.6.7 muestra la medida en función del tiempo de la posición en presencia de

ruido del ejemplo de la masa.

21
Figura 1.6.7 Datos Medidos

El proceso empieza identificando un marco experimental. Como se expreso antes, el marco

representa las condiciones bajo las cuales el modelador desea investigar el sistema. Como
tal, este refleja las metas y preguntas del modelador. En su forma mas general, consiste de
un generador, que describe las posibles entradas al sistema, un transductor que describe el
procesamiento de la salida (por Ej., el calculo del desempeño por la integracion de la
salida), y un aceptor que describe las condiciones (expresiones lógicas) bajo las cuales el
sistema (sea el real o el modelo) se ajusta al marco experimental.

En el ejemplo, el marco experimental podría especificar que la desviacion de la posicion de

la masa de su posicion de reposo nunca puede ser mayor que la longitud del resorte.
Factores ambientales tales como la temperatura de la habitación y la humedad también
podían ser especificados, si son relevantes.

Sobre la base de un marco, puede ser identificada una clase de modelos apropiados. A
través de una caracterización de la estructura, la estructura del modelo apropiado es
seleccionada sobre la base del conocimiento a priori y los datos de medidos.

En el ejemplo, una característica de un resorte ideal (conectado a una masa de sin fricción)
es que la amplitud de la posición se mantiene constante. En un resorte no-ideal, o en
presencia de rozamiento, la amplitud decrece con el tiempo. Basados en los datos medidos,
llegamos a la conclusión que éste debe ser un resorte ideal.

Posteriormente, durante la calibración del modelo, el cálculo de parámetro produce valores

de parámetros óptimos para reproducir un grupo de los datos de medición.

El modelo de simulación

A partir del modelo, se construye un simulador. Debido a los objetivos contradictorios

entre el modelado -representación de un modelo significativo para comprension y re-

22
utilizacion- y la simulación -exactitud y velocidad–, deben atravesarse muchos pasos para
conseguir cerrar la brecha.

Usando el modelo y los parámetros identificados, la simulación permite emular el

comportamiento del sistema (experimentación virtual) como se muestra en la Figura 1.6.8.
El simulador asi obtenido puede entonces ser usado en, por ejemplo, un optimizador, un
entrenador, o una herramienta de enseñanza.

Se mantiene la cuestion de si el modelo tiene validez predictiva: ¿es capaz no sólo de

reproducir los datos que fueron utilizados para escoger el modelo e identificar sus
parámetros sino también de pronosticar el nuevo comportamiento? Con cada uso del
simulador, debe ser planteada esta pregunta sobre su validez.

Figura 1.6.8: Ajuste de los resultados de la simulación

1.6.3 Validez de un modelo: una relacion modelo-sistema

La validez de un modelo tiene que ver sobre cuán bien representa el sistema original para el
cual fue construido. En primera instancia, la validez puede ser medida por la extensión del
acuerdo entre el sistema original y el modelo. La noción de validez es extendida por
Zeigler [1976], quien distingue g diferentes rados de validez:

1. La validez replicativa trata de la habilidad del modelo para reproducir los datos de
entrada/salida ya adquiridos del sistema real.

2. La validez predictiva trata de la habilidad para identificar el estado en el que un

modelo debe ser fijado para permitir predecir la respuesta del sistema original a cualquier
entrada (no solamente la usadas para identificar el modelo) .

23
Un modelo es predictivamente valido si puede ajustarse a los datos del sistema original
antes de que estos sean adquiridos del sistema original. La validez predictiva es más fuerte
que la validez replicativa.

3. La validez estructural trata de la relación estructural entre el sistema real y el

modelo.

Un modelo es estructuralmente valido si es no sólo valido predictivamente, sino también

refleja las maneras en las que el sistema original funciona para producir su
comportamiento.

Una pregunta crucial es si un modelo tiene validez predictiva: ¿es capaz no sólo de
reproducir los datos que fueron usados para seleccionar el modelo y sus parámetros sino
también de predecir un nuevo comportamiento?

La validez predictiva de un modelo es generalmente es verificada comparando nuevos

conjuntos de datos experimentales con los producidos por la simulación, actividad
conocida como validación del modelo. La validación del modelo ha recibido una
considerable atención en las últimas décadas. Problemas desde metodologías generales de
validación a tecnologías de prueba concretas han sido estudiados exhaustivamente. La
comparación de los datos experimentales y los datos de simulación se realizan ya
subjetivamente, a través de comparaciones gráficas, pruebas de Turing, ya estadísticamente,
a través del análisis de la media y la discrepancia de la señal residual empleando la
estadística standard, el análisis multivariable del análisis de regresión de la varianza, el
análisis espectral, el análisis de autoregresion, la prueba de la función de autocorrelacion, el
análisis de errores, y algunos métodos no-parametricos.

Como se indica por las flechas de realimentación en la Figura 1.6.5, si un modeloes

invalidado tiene que ser corregido.

1.7 FUENTES

• Guidorzi Roberto, la identificación de sistema de Multivariable: de observaciones a

modelos. Universidad de Bononia, 2003.
• B de Gaines. R. la identificación de sistema general - los fundamentos y los
resultados. Lab. de sistemas de hombre - máquina, departamento de E. E. ciencia. La
universidad de Essex, Colchester, Essex, R.U. en Klir, G.J., Ed. Los sistemas generales
aplicados investigan. Pp. 91-104. Nueva York, USA: prensa de pleno. 1978
• Van Welden, Danny f, la incorporación a filas de modelos proféticos para Via
Datamining, Ph.D. disertación de sistemas de Dynamical, Toegepaste Wiskunde en
Biometrie, Universiteit caballero, Bélgica. 1999
• Gramos de Basile. Y G de Marro., Constantes controladas y condicionadas en teoría
de sistemas lineal. Departamento de equipo electrónico, sistemas y la ciencia informática.
La universidad de Bolonia, Italia. 7 de octubre de 2002
• L modelado multi- formalismo de H de Vangheluwe y simulación. Ph.Tesis de D,
universidad de Ghent, Ghent, Bélgic. 2000

24