Modelos y simulación
¿qué es un modelo?
un modelo es una representación simplificada de la realidad
diseñada para representar, conocer o predecir propiedades del
objeto real
los modelos se construyen con una finalidad: estudiar el objeto
real con más facilidad y deducir propiedades difíciles de
observar en la realidad:
eliminando o simplificando componentes
cambiando las escalas espacial o temporal
variando las condiciones del entorno
evitando la actuación sobre el objeto real
modelos pueden representar objetos o procesos (simulación)
¿qué permite un modelo?
en el caso de la simulación se hace posible experimentar
experimentar es replicar procesos bajo diferentes
escenarios
conceptos básicos
escenario: conjunto de condiciones bajo las cuales se
construye un modelo
factores: variables que influyen en el funcionamiento de la
simulación
en la modelización debe existir una relación simétrica entre
las
propiedades del objeto real y el modelo: ej. ortoimagen
la analogía es una relación simétrica
OBJETO REAL
X
aplicable a X aplicable a X
CUESTIÓN C RESPUESTA R
analogía
CUESTIÓN C’ RESPUESTA R’
aplicable a M MODELO aplicable a M
M
los riesgos de los modelos
existen errores inherentes al proceso de modelización
error de generalización en la medida de los elementos
error por la selección de componentes
error por propagación
limitaciones en la analogía modelo-realidad
validez en un dominio temporal
validez en un dominio espacial
riesgo de inestabilidad
comportamiento discontinuo del modelo que reduce su
utilidad a dominios de valores limitados
validación de los modelos
es necesario el contraste empírico de la calidad de un modelo o
de una simulación: validación de los resultados
la validación se realiza comparando los resultados que predice
el modelo con datos tomados de la realidad
para la que la validación sea fiable, la captura de datos debe
diseñarse
mediante un muestreo estratificado
con métodos suficientemente exactos
en número suficientemente abundante
tipos de modelos (I)
modelos analógicos:
se construyen mediante mecanismos
físicos cuyo comportamiento es similar
al del objeto real
los modelos icónicos son réplicas
morfológicas donde se representan
propiedades métricas: existe una
relación de isomorfismo
la relación de una maqueta con el objeto real se establece
mediante un factor de escala: es un modelo icónico
los mapas impresos son modelos analógicos
en un mapa la relación de
correspondencia se establece
mediante un diccionario de
códigos que define una
simbolización
un mapa impreso representa el
terreno mediante un conjunto de
convenciones cartográficas
ejemplos del uso de mapas:
análisis métricos
análisis topológicos
tipos de modelos (II)
modelos digitales
el objeto se codifica
en cifras organizadas
en estructuras de
datos
las relaciones de
correspondencia son
matemáticas,
estadísticas o
geométricas
reconstrucción mediante un modelo digital de una
iglesia en Inglaterra
otros ejemplos de modelos digitales
reconstrucción del cráneo de
Dolichocebus gaimanensis
(Cebidae)
Chubut, Argentina (18-20
millones de años)
cada resto fue digitalizado en
un escáner láser 3D y usado
para generar un modelo de
malla
este modelo se completa con
superficies con color y textura
modelos digitales de elevaciones
desierto de Mohave
(imagen NASA/JPL/NIMA)
SAR y altimetría radar (Magellan): Lavinia Planitia (Venus)
interferometría radar: SRTM, Shuttle Radar Topography Mission
ventajas de los modelos digitales
modelos digitales : los objetos se codifican en cifras y los procesos
se simulan mediante funciones matemáticas
no ambigüedad: cada elemento del modelo tiene propiedades y
valores específicos y explícitos
• datos: hechos verificables medidos
• algoritmos: secuencia explícita de operaciones
verificabilidad: los algoritmos pueden ser analizados y
descompuesto para su verificación externa
repetibilidad: los resultados son constantes para los
mismos
datos de entrada salvo en los modelos estocásticos
modelos estáticos y dinámicos
los modelos estáticos representan objetos
en los modelos estáticos se interpreta la realidad en un
instante concreto, como resultado de procesos que no
intervienen en la modelización
los modelos dinámicos representan procesos
los procesos relacionan los objetos entre sí
simulan los mecanismos de cambio y puede estudiarse la
sucesión temporal
• simulación de un incendio forestal
• simulación de la difusión de un contaminante
determinismo y azar
los modelos dinámicos deterministas
generan los mismos resultados si se parte del mismo
escenario (mismos datos y mismos algoritmos)
los modelos dinámicos estocásticos
se introduce ruido en una o más etapas en el proceso mediante
un generador de aleatorios
los datos aleatorios generan diferentes resultados a partir de
un mismo escenario de partida
los modelos estocásticos producen mucha más información
que los deterministas
descomposición de un modelo dinámico
un modelo se compone de partes e interrelaciones
las partes representan los elementos o unidades funcionales
las relaciones definen las transiciones entre las
partes y los cambios de estado
la calidad y utilidad de un modelo depende de varios factores:
una buena identificación de las partes o elementos
importantes
una buena definición de los mismos en el lenguaje del
modelo
una adecuada descripción de las relaciones entre las partes
la posibilidad de comprobar los resultados mediante verificación
experimental: el error cometido debe ser conocido
crecimiento de una población
la evolución de una población P puede describirse mediante
modelos dinámicos simples:
modelo exponencial:
N(t+1) = N(t) · exp[b(N)-d(N)]
donde N(t) es la población en el tiempo t
las tasas de nacimientos b y defunciones d pueden depender o
no del tamaño de la población N:
B(N) = · N(t)
D(N) = · N(t)
fases del desarrollo de un modelo (I)
conceptualización o modelo narrativo: análisis del sistema real,
definición de las partes relevantes y de los procesos clave:
planteamiento claro del problema a solucionar
formalización o modelo esquemático (diagrama de Forrester):
definición de las variables de estado, selección y exclusión
de partes y relaciones, escalas temporal y espacial
implementación o modelo informático: donde se traduce a código
el modelo esquemático; implica la solución a problemas de
programación (lenguajes, planteamiento de ecuaciones, escritura
de código)
fases del desarrollo de un modelo (II)
verificación funcional, donde se realizan análisis de
de estabilidad ¿genera el modelo resultados razonables?
de sensibilidad: ver la variación de los resultados ante cambios en las
variables dentro del rango de variación natural; un parámetro crítico
es aquél que induce cambios fuertes con pequeñas variaciones
de incertidumbre: analizar los resultados ante cambios en los
parámetros dentro del error estándar de cada uno
validación: comprobación del modelo con datos independientes
la validación nunca es absoluta; unos buenos resultados no
garantizan
un comportamiento correcto en todos los escenarios
etapas en la construcción del modelo
descripción del problema verbal
definiciones y postulados b y d son constantes
revisión expresión matemática N(1) = N(0) · e(b-d)
calibración o ajuste b = 0.05, d = 0.04
predicción N(t)
=1350
se rechaza el modelo
comprobación o verificación predicción vs observación
se acepta el modelo
crecimiento exponencial determinista
10000
10000
8000
8000
lación
6000
Población
6000 ob 4000
P
4000 10000 2000
2000PROBLEMA : EL ERROR SE ACU M008U0 LA0
ón
i EXPONENCIALMENTE
1 3 25
0 10000 a
l
ob
1 3 5 7 9 11 13 15 17 19 21 23 2 3
4000 8000
Población
Generacion 6000
P 5
es
4000 7 19 21 23 25
2000
TN-TM 2000 9
N(t) = N(t-1)*e 0
0
1 3 5 719 11 13 15 17
1 3 5 7 9 11 13 15 171 19 21 23 25
TN = 0.60 Generaciones
Generaciones
TM = 0.50 1
3
1
crecimiento estocástico
10000
8000
10000 10000ón
i
a
l
8000ob
8000
ón
i
Población
40
6000 a
l
10000 00
ob P
4000 8000 2
40 0 25
lación
00 0
2000 6000
P 0
ob 2 4000
0 0 0 23 25
10000 P
1 3 5 7 9 11 13 15 17 19 21 2000 0 1 3 5 7 9 11 13 15
8000 0 17 19 21 23
0
Generaciones
Población
6000 1 3 05 7 9 11 13 15 17 19 2 Gener
1 23 25
1 acion
TN-TM 4000 Generaciones es
N(t) = N(t-1)*e
2000 3
0
TN = 0.60 + k1 5 5
1 3 5 7 9 11 13 15 17 19 21 23 25
TM = 0.50 + k2 7
Generaciones
9
simulación espacial
la simulación anterior es temporal y en los estudios ambientales es
necesario introducir la dimensión espacial
muestra la erupción del
Vesubio narrada por Plinio
la columna eruptiva alcanza
3 km y produce un flujo
piroclástico que llega al mar
en unos 5 minutos
la temperatura se simboliza
mediante el color
[Link]
simulación de incendios
los modelos ambientales integran
objetos con una fuerte componente
espacial, donde los cambios de
estado dependen de factores
espaciales
simulación de un incendio mediante
Farsite (Fire Area Simulator)
las líneas son isocronas
Farsite es gratuito y puede descargarse en
[Link]
simulación de un incendio
simulación de flujos de lava
la topografía y algoritmos
que simulan el flujo en
función de la pendiente y
concavidad del terreno,
permiten el análisis de
riesgos ante una erupción
volcánica
el código de FlowFront
es público y puede descargarse
en
[Link]
w/www_data/[Link]
riesgo de flujos de lava
simulación de la expansión del bosque
los fenómenos de colonización,
sucesión y crecimiento en el
espacio se simulan mediante
una familia de métodos llamada
autómatas celulares
interés:
gestión de especies
invasoras
planificación forestal
restauración de zonas
degradadas
expansión de Quercus
pyrenaica (10 generaciones)
resumen: los modelos son útiles
los modelos se construyen y utilizan para cubrir un conjunto de
objetivos
proporcionar un entorno formal donde organizar ideas y datos:
elaborar un modelo exige un esfuerzo de síntesis y de
integración
facilitar la comparación entre sistemas proporcionando un
entorno equivalente al diseño y control experimental
explorar escenarios de difícil acceso real
analizar procesos temporales acelerados o retardados
hacer predicciones sobre escenarios concretos
