Dinamica Sistemas Ejercicios

9 DINAMICA DE SISTEMAS.....................................................................................................
5
9.1 ELEMENTOS HISTORICOS.......................................................................................... 5
9.2 CONCEPTOS DE LA DINAMICA DE SISTEMAS...................................................... 6
9.3 ELEMENTOS DE CONSTRUCCION EN LOS MODELOS DS................................ 9
9.3.1 Diagramas Causales ............................................................................................... 9
9.3.2 Diagramas de Niveles y Flujos ............................................................................ 11
9.4 Ejemplos de Diagramas Causales y Diagramas de Niveles y Flujo................................. 13
9.5 DS: interaccin entre el comportamiento y la estructura del sistema............................... 18
9.6 ECUACIONES DEL MODELO..................................................................................... 23
9.7 EXPERIMENTACION.................................................................................................... 27
9.7.1 Evaluacin del modelo.......................................................................................... 27
9.7.2 Validacin del modelo........................................................................................... 28
9.7.3 Anlisis del modelo................................................................................................ 28
9.8 DINMICA DE SISTEMAS EN ACCIN.................................................................... 29
9.8.1 Sistema Depredador - Presa................................................................................ 29
9.8.2 Modelo Depredador Presa Generalizado: aplicacin al control biolgico de
la malaria................................................................................................................................. 32
9.8.3 Dinmica Agro-Industrial....................................................................................... 34
9.8.4 Mercado Elctricos................................................................................................. 37
9.8.5 Dinmica de mundo (Forrester 1971)................................................................. 42
9.9 BIBLIOGRAFIA............................................................................................................... 45
10 ELEMENTOS DE SIMULACIN basada en AGENTES ............................................. 47
10.1 INTRODUCCIN........................................................................................................... 47
10.2 CARACTERIZACIN DE AGENTES ......................................................................... 47
10.3 COMPONENTES DE UN SISTEMA MULTIAGENTES........................................... 48
10.4 EJ EMPLOS DE APLICACIONES DE SIMULACIN BASADA EN AGENTES... 48
10.5 EJ EMPLOS DE APLICACIONES DE SIMULADORES BASADOS EN
AGENTES: .................................................................................................................................. 49
10.6 AGENTES - AUTMATAS CELULARES. CARACTERSTICAS .......................... 50
10.7 Ejemplo: Crecimiento de Sociedades Artificiales, Ciencias Sociales desde la
base de los individuos............................................................................................................... 51
10.8 EJ EMPLO: J UEGO DEL BAR EL FAROL. POR BRIAN ARTHUR, 1994. ....... 52
10.8.1 Resultados: J uego del Bar el Farol........................................................................ 53
10.8.2 Extensiones del J uego del Bar el Farol................................................................. 53
10.9 EJ EMPLO DE APLICACIN: ANLISIS DE PODER DE MERCADO EN EL
MERCADO ELCTRICO ALEMN......................................................................................... 54
10.10 SOFTWARE PARA SMA.......................................................................................... 55
10.11 SOFTWARE NETLOGO........................................................................................... 56
10.11.1 Ejemplo 1: atasco de trfico; qu es?............................................................. 56
10.11.2 Ejemplo 2: propagacin de fuego; qu es? ................................................... 57
10.12 SOFTWARE SWAPS ................................................................................................ 58
10.13 Ejercicios ..................................................................................................................... 59
10.14 REFERENCIAS.......................................................................................................... 59
11 MTODOS DE MONTECARLO...................................................................................... 60
11.1 Estimacin montecarlo del nmero ......................................................................... 60
11.2 INTERPOLACIN LINEAL........................................................................................... 62
11.3 CLCULO DE MATRICES GRANDES ...................................................................... 64
11.4 INTEGRACIN DE MONTECARLO........................................................................... 64
11.4.1 Mtodo de Hit or Priss........................................................................................... 65
11.4.2 Mtodo de la Media Muestral............................................................................... 66
11.4.3 Mtodo Burdo de MONTECARLO ...................................................................... 66
11.4.4 Mtodo Acierto o Falla de MONTECARLO........................................................ 67
11.5 CADENAS DE MARKOV DISCRETAS FINITAS...................................................... 68
11.6 MTODO DE MONTECARLO PARA RESOLVER SISTEMAS DE ECUACIONES
LINEALES. .................................................................................................................................. 70
11.7 OPTIMIZACIN MONTECARLO................................................................................ 72
11.7.1 Algoritmo del gradiente. ........................................................................................ 73
11.7.2 Algoritmo del gradiente finito diferencial: ........................................................... 73
11.7.3 Algoritmo bsqueda aleatoria con doble prueba .............................................. 73
11.7.4 Algoritmo bsqueda aleatoria tctica no-lineal. ................................................ 74
11.7.5 Algoritmo bsqueda aleatoria tctica lineal. ...................................................... 74
11.7.6 Algoritmo bsqueda aleatoria prueba ptima.................................................... 74
11.7.7 Mtodos de optimizacin global. ......................................................................... 74
11.8 EJ ERCICIOS................................................................................................................... 75
11.9 BIBLIOGRAFA GENERAL DE SIMULACIN Y LOS MTODOS DE MONTE
CARLO......................................................................................................................................... 75

Figura 9.1. Efecto decisiones-acciones-sistema......................................................................... 6
Figura 9.2. Elementos en el proceso para la toma de decisiones ........................................... 6
Figura 9.3. Flujo do material y flujo de informacin (Lnea punteda) en el sistema.............. 7
Figura 9.4. Diagrama causal simple del modelo de dinmica poblacional........................... 11
Figura 9.5. Bucles de realimentacin positivo y negativo. ...................................................... 11
Figura 9.6. Elementos para los diagramas de niveles y flujos. .............................................. 12
Figura 9.7. Evolucin poblacional incluyendo efecto migratorio............................................ 14
Figura 9.8. Diagrama de niveles y flujo para un modelo simple de evolucin demogrfica.
................................................................................................................................................... 14
Figura 9.9. Relacin demanda-construccin de viviendas...................................................... 15
Figura 9.10. Modelo simple de dinmica urbana...................................................................... 15
Figura 9.11. Diagrama de niveles y flujos del modelo simple de dinmica urbana. ........... 16
Figura 9.12. Modelo simple de dinmica de inventarios. ........................................................ 17
Figura 9.13. Diagrama de niveles y flujos para una modelo simple de manejo de
inventarios. .............................................................................................................................. 17
Figura 9.14. Ciclo de realimentacin de refuerzo con crecimiento exponencial, crecimiento
poblacional. ............................................................................................................................. 19
Figura 9.15. Ciclo de realimentacin de refuerzo con crecimiento exponencial, inters
compuesto............................................................................................................................... 19
Figura 9.16. Ciclo de realimentacin de balance con bsqueda de metas, control de la
temperatura del agua. ........................................................................................................... 20
Figura 9.17. Ciclo de realimentacin de balance con bsqueda de metas y retardo, control
de la temperatura del agua con oscilaciones. ................................................................... 21
Figura 9.18. Arquetipo lmite al crecimiento, comportamiento de crecimiento en forma de
S................................................................................................................................................ 23
Figura 9.19. El tiempo en los modelos de Dinmica de Sistemas......................................... 24
Figura 9.20. Retardos en Dinmica de Sistemas ..................................................................... 25
Figura 9.21. Retardo de primer orden........................................................................................ 25
Figura 9.22. Retardo de segundo orden.................................................................................... 26
Figura 9.23. Diagrama causal del modelo Depredador Presa. ........................................... 30
Figura 9.24. Diagrama de niveles y flujo del modelo Depredador Presa. ......................... 31
Figura 9.25. Diagrama de niveles y flujo del modelo Depredador Presa. ......................... 32
Figura 9.26. Diagrama causal modelo control biolgico de la malaria con dos especies.. 33
Figura 9.27. Diagrama causal modelo control biolgico de la malaria con tres especies.. 34
Figura 9.28. Simulaciones del modelo control biolgico de la malaria con dos especies.. 34
Figura 9.29. Diagrama de niveles y flujo del modelo de dinmica agroindustrial. .............. 36
Figura 9.30. Simulaciones del modelo de dinmica agroindustrial ante polticas a y b. .... 37
Figura 9.31. Diagrama causal de la dinmica de los mercados elctricos........................... 39
Figura 9.32. Diagrama de niveles y flujo de la dinmica de los mercados elctricos......... 40
Figura 9.33. Evolucin del margen de reserva en un modelo genrico de un mercado
elctrico, para diferentes valores de Tiempo de Construccin TC de las plantas.. 41
Figura 9.34. Evolucin del margen de reserva en un modelo genrico de un mercado
elctrico, con y sin elestasidad al precio de la demanda de electricidad. .................... 42
Figura 9.35. Diagrama de niveles y flujos del modelo de Forreter Dinmica del Mundo 43
Figura 9.36. Comportamiento del modelo Dinmica del Mundo de Forrester sin ninguna
medida adicional a la tendencia actual (a), con polticas inapropiadas (b) y (c), y
polticas de desarrollo sostenible (d). ................................................................................. 44
Figura 11.1. Lanzamiento de una varilla de longitud L sobre una superficie reglada para la
estimacin del nmero ....................................................................................................... 60
Figura 11.1. Ejemplo de interpolacin lineal con mtodos de Montecarlo. .......................... 63
Figura 11.2. Mtodo de Hit o Priss de integracin de Montecarlo......................................... 65
Figura 11.3. Cadenas de Markov discretas finitas. .................................................................. 69

SEGUNDA PARTE

OTROS MTODOS DE SIMULACIN

9 DINMICA DE SISTEMAS

En la primera parte de este libro se estudi en detalle la simulacin de eventos discretos. En la
segunda parte presentamos, a nivel introductorio, otras tcnicas de simulacin, iniciando en este
captulo con Dinmica de Sistemas (DS).

Esta tcnica, como se muestra ms adelante, puede constituirse en una alternativa o un
complemento a las antes discutidas para la simulacin de sistemas, teniendo en cuenta que esta
permite enriquecer el portafolio de herramientas de simulacin disponibles en la actualidad.

Inicialmente se establecen elementos de su evolucin histrica, posteriormente se introducen
aspectos relacionados con su fundamentacin terica y formas alternas para la representacin de
modelos de DS, se contina con la exposicin de mecanismos para la experimentacin, que
incluye anlisis de sensibilidad, validacin y anlisis de polticas, y se concluye con algunas
aplicaciones de la DS para la solucin de problemas reales.

La literatura de Dinmica de Sistemas es extensa y el lector interesado puede consultar, para
profundizar en este campo, los textos Forrester (1961), Forrester (1968), Forrester (1969),
Forrester (1971), Goodman (1974), Alfred & Graham (1976), Coyle (1977), Randers (1980),
Lyneis (1980), Roberts et al (1983), Aracil (1983), Pidd (1984) y Clark (1988), Richarson (1991),
Dyner (1991), Sterman (2000), entre muchos otros. Los ltimos desarrollos en DS se pueden
encontrar en el System Dynamics Review. Numerosas artculos de DS se han publicado en
revistas internacionales de Investigacin de Operaciones (INFORMS, Journal of Operacional
Research), y tambin en revistas tcnicas que dependen de la aplicacin desarrollada. En lo que
sigue se retoma alguna parte importante del libro Dyner (1991).

9.1 ELEMENTOS HISTRICOS

En 1961 J ay W. Forrester desarrolla en su texto Dinmica Industrial una nueva disciplina para la
simulacin de sistemas, la cual se fundamenta en la teora de control. En ste trabajo su
preocupacin primordial radica en la descripcin de las fluctuaciones en produccin y mano de
obra que se presentan en una empresa manufacturera.

Posteriormente, los elementos fundamentales de la disciplina son generalizados por el mismo
autor, para ser aplicados a la Dinmica Urbana en 1969 y Dinmica del Mundo en 1971. En stos
trabajos se aportan modelos para describir, entre muchos otros, los fenmenos de evolucin de la
poblacin, uso del espacio urbano y explotacin y agotamiento de los recursos naturales.

Es entonces a partir de la dcada de los setentas que la Dinmica de Sistemas se extiende a
otros campos del conocimiento - Macro y microeconoma, planeamiento y evaluacin de polticas
de diversos sistemas socio-econmicos, contaminacin ambiental, propagacin de enfermedades
y control biolgico.

Buena parte de la historia y evolucin inicial de la Dinmica de Sistemas se encuentra asociada
con J . Forrester y su grupo de investigadores en el Instituto Tecnolgico de Massachussets; pero
desde mediados de los ochentas su difusin es importante alrededor del mundo entero.

9.2 CONCEPTOS DE LA DINMICA DE SISTEMAS

Es comn encontrar sistemas sociales en estado de transicin o cambio para los cuales no se
conocen las condiciones de sus posibles estados futuros de reposo. Por otro lado, tambin es
frecuente encontrar organizaciones sociales dentro de las cuales se desea introducir reformas, sin
que se conozcan sus posibles efectos.

En el diseo de polticas y, en general, en la planificacin, se requieren instrumentos que permitan
estudiar alternativas para el proceso de toma de decisiones, y sus efectos en el corto, mediano y
largo plazo, dependiendo del alcance de las polticas.

Los modelos de la Dinmica de Sistemas contribuyen de manera importante al estudio de
sistemas socio-econmicos inestables, cuando en ellos se presentan ciclos de realimentacin
como se ilustra en la Figura 5.1. En la figura se establece como, en trminos generales, las
condiciones de funcionamiento de sistemas sociales conllevan a decisiones, que a su vez
producen acciones, ocasionando alteraciones en el sistema y por consiguiente influyen en
decisiones futuras.

Decisiones
Acciones
Sistema

Figura 9.1. Efecto decisiones-acciones-sistema.

En las condiciones de operacin de los sistemas en cuestin, las demoras o retardos tienen un
efecto importante, por cuanto las decisiones se toman despus de conocer y analizar alguna
informacin que pudo haberse recogido. Adems, usualmente se observa un lapso de tiempo
para que las decisiones y las acciones generadas produzcan efectos en el sistema.

El proceso de toma de decisiones es de especial inters para la Dinmica de Sistemas. La Figura
9.2 ilustra cmo la decisin surge como consecuencia de la comparacin entre los objetivos o
metas y el comportamiento del sistema.

Decisiones
Acciones
Sistema
Objetivos o
Metas
Informacin del
Sistema

Figura 9.2. Elementos en el proceso para la toma de decisiones

Los entornos dentro de los cuales la Dinmica de Sistemas resulta ser til presentan relaciones
operacionales de transferencia de materiales entre las distintas componentes de la organizacin.
La Figura 9.3 representa el flujo de materiales dentro de la organizacin o sistema.

Figura 9.3. Flujo do material y flujo de informacin (Lnea punteada) en el sistema

Los modelos de la Dinmica de Sistema estn conformados bsicamente por relaciones entre el
flujo de materiales e informacin, por representaciones de los procesos en la toma de decisiones,
y por indicaciones de la forma como ocurren los retardos en los ciclos de realimentacin. Los
modelos se constituyen en laboratorios que permiten realizar experimentos para observar
posibles comportamientos de los sistemas, bajo las condiciones simuladas. A travs de los
modelos se pueden obtener respuestas a preguntas del tipo "bajo las hiptesis establecidas, qu
pasara s ...?".

Para modelos de regular tamao se requiere del uso de computadores. Existe hoy en da software
especializado en DS - comercialmente, se ofrecen Ithink, Powersim y Vensin, entre otros, y
tambin software distribuido de manera gratuita. No se puede pasar por alto la posibilidad de
utilizar lenguajes genricos de programacin. La ventaja de utilizar el software especializado es
que son amigables y adems permiten utilizar el mismo tipo de smbolos de la DS, los cuales
sern presentados mas adelante.

3.2.1 Elementos que afectan los ciclos de realimentacin

Los ciclos de realimentacin generados dentro del proceso: Sistema-informacin-decisin-accin-
sistema, tienen especial relevancia para la Dinmica de Sistemas. Es de esta manera como se
ejerce control en los sistemas.

Algunos de los elementos que tienen un mayor efecto en los ciclos de realimentacin son los
retardos, las distorsiones y las respuestas del sistema.

Los retardos se producen por el tiempo que se toma en la recoleccin de informacin, toma de
decisiones, implantacin de acciones, transporte de materiales y maduracin en las
transformaciones y para las decisiones. Como parte intrnseca de los sistemas, ellos son objeto
de estudio y deben incorporarse en los modelos, pero no necesariamente deben ser considerados
en sentido nocivo. Por ejemplo, existen instancias para las cuales se requiere madurar las
decisiones o tiempo para ejecutar una orden.

Componente 1

Componente 2 Componente n
Informacin del
Sistema

Las distorsiones pueden surgir como efecto de la recoleccin de informacin o en el proceso de
implementacin de las acciones. Ellas se pueden producir por errores en la obtencin de datos,
por fallas en las mquinas o por la intervencin humana. Las distorsiones tambin pueden ser
ocasionadas por elementos de interpretacin y cultura de los individuos dentro de la organizacin.

Las respuestas del sistema a seales de informacin tienen especial importancia para la
Dinmica de Sistemas. Ellas frecuentemente conducen a amplificaciones y elongaciones en los
ciclos de inestabilidad, y se presentan por expectativas que puedan tenerse acerca del
comportamiento futuro de la organizacin, ocasionando tanto demandas excesivas como
agotamiento de recursos.

3.2.2 Elementos de los modelos.

A nivel general, un modelo esta integrado por componentes, variables, parmetros y relaciones
funcionales, como se ha discutido en este texto. A continuacin se ilustra, de manera especfica,
el significado que estos elementos cobran en Dinmica de Sistemas.

Componentes. Los componentes contienen los diferentes procesos productivos y de toma de
decisiones. Un hospital contiene el servicio de emergencia, ambulancias, cafetera y lavandera.
Una corporacin contiene las unidades de ensamble, acabados, mercadeo y pedidos.

Variables. Existen diversos tipos de variables segn el papel que jueguen dentro del sistema y la
clase de informacin que proporcionen. Ellas pueden ser de estado, exgenas o endgenas.

Las variables de estado representan los niveles acumulados o estados en que se encuentra el
sistema. Por ejemplo, en un hospital, mensualmente se establece el nmero de camas
utilizadas, el nmero de viajes producidos por las ambulancias y el nmero de usuarios de la
cafetera. Tambin en el hospital establecemos el nmero de camas y ambulancias que
estaban disponibles durante el tiempo. En la empresa, los niveles pueden ser el nmero de
maquinas disponibles, el nmero de empleados, el nmero de piezas producidas, la cantidad
almacenada y el nmero de elementos en la etapa de ensamble.

Las variables exgenas pueden tener el carcter de proyecciones o tablas para use del
sistema. Proyecciones de pacientes o de ventas de un producto.

Las variables endgenas pueden ser tasas o variables auxiliares. Las primeras son reflejo del
estado del sistema y las polticas trazadas como, por ejemplo, la cantidad de medicinas
ordenadas durante una unidad de tiempo, la produccin programada diariamente y el nmero
de alimentos solicitados mensualmente. Las variables auxiliares representan pasos
intermedios previos a la formacin de las tasas, como el establecimiento de la diferencia entre
las metas y el estado actual del inventario (para luego determinar la tasa de elementos a
ordenar).

Retardos. Como ya se ha mencionado, los retardos son producidos por demoras en la
transferencia de materiales o informacin. Los retardos en DS suelen ser tratados, en trminos de
niveles y tasas de la variable afectada.

Parmetros. Los parmetros son las constantes del modelo como lo son los ndices de natalidad,
mortalidad y productividad.

Relaciones Funcionales. Las relaciones funcionales establecen vnculos entre variables y
parmetros. Para establecer la tasa de produccin se obtiene la diferencia entre la meta y lo
almacenado y se divide por un parmetro que refleje aspectos de produccin y tiempo.

3.2.3 Agregacin o desagregacin de variables.

Dependiendo de las caractersticas propias del sistema o del correspondiente modelo que lo
representa, es necesario definir el grado de agregacin o desagregacin de las variables
definidas.

Si bien, en trminos generales, la Dinmica de Sistemas ha tenido gran popularidad para modelos
altamente agregados, el grado de desagregacin de las variables debe establecerse de acuerdo
con las necesidades inherentes al problema mismo que se pretende abocar. As, por ejemplo, la
variable poblacin debe desagregarse por grupos de edad y sexo, si se pretende efectuar
simulaciones que tengan por objeto examinar polticas educativas, laborales y de maternidad.

Adicionalmente, el grado de desagregacin de las variables puede definirse con el fin de lograr
una mejor representacin del sistema, puesto que a travs de la desagregacin se procura una
mayor homogeneidad entre los diferentes subsectores que representan las variables.

Por ejemplo, en el caso de simulaciones de consumo de energa elctrica por parte de la
industria, puede ser conveniente el tratamiento de las variables de manera desagregada de
acuerdo con subsectores homogneos en lo que se refiere a manejos tecnolgicos afines e
intensidad en el uso energtico de los sistemas productivos.

9.3 ELEMENTOS DE CONSTRUCCIN EN LOS MODELOS DS

La DS permite visualizar el sistema desde una perspectiva global, donde se pueden observar el
ambiente del problema y las relaciones entre las variables. Tambin permite la representacin
formal de dichas relaciones, de manera que se pueda evaluar la dinmica de las variables
relacionadas con los problemas en cuestin.

Tiempo e Informacin.

Los modelos de DS tienen 2 formas clsicas de visualizacin: Diagramas Causales y Diagramas
de Niveles y Flujos. Ambas formas son complementarias y no hay consenso sobre cual pueda ser
la ms apropiada. En general las dos formas de visualizacin permiten un mayor entendimiento
del sistema y su formalizacin para realizar experimentos de simulacin. A continuacin se
presentan primero una descripcin de los diagramas causales y posteriormente los diagramas de
flujos y niveles. Despus se presentan los arquetipos o patrones de comportamiento (Senge,
1991) con ambas formas de diagramacin.

9.3.1 Diagramas Causales

Las relaciones de causalidad permiten representaciones de gran utilidad para la Dinmica de
Sistemas. Su formulacin es simple y de gran ayuda en la modelacin. La idea consiste en
ilustrar, a travs de esquemas causa-efecto, los cambios ocasionados en una variable como
efecto de las variaciones producidas en otra variable. George Richarson (1991) presenta
ampliamente la historia y el entorno temtico de la teora de los diagramas causales y los ciclos
de realimentacin, por lo tanto, para mayor profundidad se recomienda este libro al lector.

Las relaciones causa-efecto se presentan fundamentalmente de dos maneras:

- Las relaciones causa-efecto propiamente dichas. Como en los casos madre-hijo, joven-
adulto, estudio-conocimiento, trabajo-produccin, dinero-ahorro y epidemia-enfermedad. As, el
hijo proviene de su madre, el adulto fue antes joven, el conocimiento en matemticas se adquiere
a travs de su estudio, la produccin de automviles se logra por medio del trabajo de sus
empleados, el dinero ahorrado del dinero obtenido, y la enfermedad sarampin de una epidemia.

- Las relaciones causa-efecto como producto de la correlacionalidad entre variables. Es
decir, el grado de asociacin existente entre ellas, como en los casos estatura-peso, demanda-
produccin, prosperidad-inmigracin, recursos-servicios y enfermedades-drogas. As, existe una
correlacin positiva entre las anteriores variables de manera que a mayor estatura, la persona
tiende a tener mayor peso; un mayor nivel de demanda esta acompaado por una mayor
produccin; la ciudades ms prsperas atraen ms inmigrantes; una mayor afluencia de recursos
se asocia con mayor calidad de servicio; y en la medida que se presenten ms enfermedades,
tiende a producirse ms drogas. Obsrvese que las relaciones tienen un carcter de
correlacionalidad, lo cual no excluye, por ejemplo, que puedan existir personas altas que pesen
poco, que haya ocasiones en que la produccin sea insensible a la demanda y que existan
servicios deficientes en sistemas opulentos.

Ntese que la correlacionalidad positiva entre las variables no es una condicin necesaria de
causalidad, como s lo es en la relacin causa-efecto propiamente dicha.

Existe adems correlacionalidad negativa entre las variables como en los casos precio-consumo,
poblacin-muertes, contaminacin-salud y distancia-migracin. De esta manera, con incrementos
en precio se espera reducciones en consumo; con aumento en la contaminacin, se observar
deterioro en la salud; en la medida que se aumente la poblacin, se tender a presentar mayor
nmero de defunciones (cuando el ndice de mortalidad permanece igual); y a mayor distancia,
tender a presentarse menores flujos migratorios (obsrvese que el concepto distancia es
relativo). Todo lo anterior, bajo consideracin de correcionalidad negativa desde el punto de vista
estadstica.

La Figura 9.4 ilustra la forma cmo se representa un diagrama de causalidad simple. Su
construccin se hace bajo el siguiente razonamiento: Dado que los otros factores que afectan el
tamao poblacional no sufran variacin, en la medida que se presenten ms muertes, habr
mayor disminucin de pobladores; pero de otro lado, si todos los otros factores prevalecen sin
modificacin, a un mayor nivel poblacional se asocia un mayor nivel de decesos. La primera es
una relacin causa-efecto propiamente dicha, mientras que la segunda es de correlacionalidad
entre las variables. El ciclo formado, es tambin llamado Bucle. De manera similar, se forma el
bucle nacimientos-poblacin.

Nacimientos Poblacin Muertes
+
-
+
+
+
-

Figura 9.4. Diagrama causal simple del modelo de dinmica poblacional.

Un bucle tiene signo positivo (+), si todas las flechas dentro del ciclo tienen asociado un signo
positivo, o si hay un nmero par de flechas con signo negativo dentro del ciclo. De lo contrario, el
bucle tiene signo negativo (-). La Figura 9.5 ilustra este concepto.

B
A
D
E
C
+
F
+
G
+
-
-
+
+
-
+ -

Figura 9.5. Bucles de realimentacin positivo y negativo.

Los bucles positivos inducen crecimientos o decrecimientos en las variables nivel, mientras que
los negativos, tambin llamados ciclos de balance, inducen compartimientos con tendencia a la
estabilizacin.

9.3.2 Diagramas de Niveles y Flujos

Los Diagramas de Niveles y Flujos, llamados tambin diagramas de Influencia o Diagramas de
Forrester, tienen origen con la creacin de la Dinmica de Sistemas. Son mas conocidos en la
actualidad como de Niveles y Flujos por la popularidad del libro de J hon Sterman (2000), donde
los presenta como diagramas de Stock and Flows en ingles. Su representacin tiene relacin
cercana a la del modelo matemtico, pero inicialmente, puede haber mayor dificultad de empleo
para el aprendiz, en razn de la simbologa utilizada. Posiblemente, dentro de un proceso
didctico, se pueda establecer que los diagramas de niveles y flujos deban ser precedidos por
diagramas de causalidad, a pesar de los argumentos contrarios sealados en Coyle (1977).

Los diagramas de niveles y flujos emplean algunos smbolos de la hidrodinmica y la teora de
control. La Figura 9.6 presenta los principales elementos de los diagramas de niveles y flujos
utilizados en los modelos de DS, no solo como conceptualizacin del modelo sino tambin como
herramienta para su formalizacin y aplicacin en computadores
1
.

1
Los diferentes productos de software actualmente ofrecidos para la simulacin de sistemas de modelos en DS han sido
desarrollados bsicamente con la misma representacin de los diagramas de niveles y flujos.
Las variables de estado o niveles se representan por medio de un rectngulo, el cual a su vez se
asocia a un tanque como se muestra en la Figura 9.6. Ellas indican, a travs de niveles, el estado
en que se encuentra el sistema, en trminos de cantidades de material (objetos, mquinas,
personas o dinero).

Figura 9.6. Elementos para los diagramas de niveles y flujos.

Las variables de flujo de materiales son representadas por medio de vlvulas, las cuales
muestran la cantidad de material que se permite pasar durante la unidad de tiempo. Ellas estn
asociadas con polticas de manejo del sistema.

Las flechas de lnea continua se utilizan para indicar la proveniencia y la direccin hacia donde se
dirige el material. Las flechas de lnea discontinua sealan los flujos de informacin.

Las nubes representan las fuentes o sumideros de materiales. Tienen significado parecido a los
niveles, diferencindose en que ellos no proporcionan cantidades. Adems, son las fuentes o
sumideros de materiales para el sistema, pero sin importar su estado.

Las circunferencias indican la presencia de variables auxiliares que permiten establecer pasos
intermedios en el flujo de informacin o introducir variables exgenas al sistema.

Los parmetros son las constantes del modelo y pueden ser ndices, estadsticos o promedios.

Los retardos representan lapsos de tiempo hasta que se produce una accin, o demoras en la
transferencia de informacin. La parte superior del cuadrado establece la cantidad de material o
informacin que se encuentra en proceso de retardo, el cuadrado de la izquierda indica el tipo u
orden de retardo, y el de la derecha el tiempo promedio de la demora. Los retardos pueden ser,
bsicamente, de primer orden o exponenciales, de tercer orden o Gamma y de orden infinito o
discretos o de tubera.
Nivel
Tasa de Flujo
Fuente o Sumidero
Variable Auxiliar
Flujo de Materiales
Flujo de Informacin
Parametro
Funcin o Tabla
Tabla
Retardo
R3

Las funciones de una sola variable se pueden formular a travs de tablas de correspondencia
entre los valores del dominio y del rango. Su representacin se efecta de manera similar a como
se procede con las variables auxiliares, pero colocando entre lneas los nombres de las funciones
o tablas.

Las relaciones funcionales multivariadas aparecen, como ms adelante se muestra
explcitamente, en el clculo de variables auxiliares, en la determinacin de las tasas de flujo y en
la actualizacin de los niveles.

Existen ciertas reglas bsicas o principios para la construccin de diagramas de niveles y flujos.
La mayor parte de estos conceptos pueden ser encontrados en el libro Principles of Systems
(Forrester, 1968). A continuacin se explican de manera resumida.

- Los niveles son alimentados por flujos de materiales provenientes de otros niveles, de fuentes, o
de retardos. Un nivel siempre est precedido por una tasa de flujo; aunque en el caso de los
retardos, estos pueden ser ubicados entre la tasa de flujo y el nivel. Los niveles slo alimentan
otros niveles o fuentes, a unas ciertas tasas de flujo establecidas, excepto cuando aparecen
retardos en puntos intermedios.

- Las tasas de flujo siempre se encuentran despus o antes de los niveles, excepto cuando
aparecen retardos.

- Para establecer cules variables son niveles o tasas de flujo, se supone que el sistema deje de
funcionar en un instante dado. Entonces, las tasas de flujo tendrn valor cero, mientras que los
niveles asumirn el correspondiente valor acumulado hasta ese instante. Por ejemplo, si todas las
actividades humanas se pudiesen suspender en un instante dado, quedaran los hombres y las
viviendas (niveles), en tanto que dejara de haber nacimientos, muertes, inmigracin, emigracin y
construccin de viviendas (tasas de flujo). Esto muestra como las tasas estn asociadas con
alguna accin, mientras que los niveles se asocian con el estado en que se encuentra el sistema.

- Las variables auxiliares son alimentadas por informacin del sistema o de otras variables
auxiliares, y producen informacin para otras variables auxiliares y/o para el establecimiento de
polticas, las cuales se concretan en tasas de flujo.

- Los retardos, como se plantea en la seccin siguiente, aparecen antes o despus de una tasa
de flujo, en el proceso de transferencia de materiales o de informacin.

- Los orgenes y destinos de los flujos de materiales e informacin estn indicados por flechas
continuas y discontinuas respectivamente.

- Los parmetros son informacin que alimentan las tasas de flujo o las variables auxiliares.

- Las fuentes son proveedores u orgenes y los sumideros son desages o destinos.

9.4 EJEMPLOS DE DIAGRAMAS CAUSALES Y DIAGRAMAS DE NIVELES Y FLUJO

A continuacin se presentan algunos ejemplos que muestran el proceso de construccin de
diagramas causales (causa-efecto) y los diagramas de niveles y flujos, para una mejor
comprensin de los elementos principales de diagramacin de la DS.

9.4.1 Evolucin Demogrfica
Supngase que en un modelo para estudios de crecimiento poblacional, se desea incluir las
variables inmigracin y emigracin. La Figura 9.7 contiene las relaciones causa-efecto
correspondientes.

Figura 9.7. Evolucin poblacional incluyendo efecto migratorio

El mismo modelo, presentado en el formato de los diagramas de niveles y flujos se muestra en la
Figura 9.8. En ella se muestra cmo los nacimientos incrementan el nivel de poblacin a una tasa
P1, del total de humanos, mientras que las muertes la reducen a una tasa P2. En el modelo, la
inmigracin y la emigracin se producen a tasas fijas P3 Y P4 respectivamente.

Ntese que las fuentes alimentan el nivel poblacin a travs de los nacimientos y de la
inmigracin, y los sumideros aparecen como los depsitos de la emigracin y de las muertes.

Figura 9.8. Diagrama de niveles y flujo para un modelo simple de evolucin demogrfica.

Poblacin
Muertes Nacimientos
Inmigracin
Emigracin
P3
P2
P1
P4
Nacimientos Poblacin Muertes
+ -
+
+
+
-
Inmigracin
Emigracin
+
-
9.4.2 Construccin de vivienda
En planificacin urbana es importante conocer los procesos que generan la construccin de
viviendas. La Figura 5.7 muestra las relaciones entre las variables viviendas construidas,
demanda de viviendas y construccin de viviendas.

Demanda de
Viviendas
Construccin de
Viviendas
-
+
+
Viviendas
Construidas
-

Figura 9.9. Relacin demanda-construccin de viviendas

Adems, la demanda de viviendas es generada por relaciones existentes entre el crecimiento
poblacional y el faltante de viviendas. De esta manera, la Figura 9.10 resulta de los diagramas
causa-efecto antes construidos.

Nacimientos
Poblacin
Muertes
+
-
+
+
+
-
Inmigracin
Emigracin
+
Viviendas
Construidas
Demanda de
Viviendas
Construccin de
Viviendas
-
+
+
+
+

Figura 9.10. Modelo simple de dinmica urbana

En la Figura 9.11 se muestra el diagrama de influencia correspondiente al modelo simple de
dinmica urbana. La variable auxiliar Demanda de Vivienda, se establece por la diferencia entre el
nmero de familias y el nmero de viviendas existentes. La variable retardo da cuenta de los
tiempos de entrega de viviendas en construccin.

Figura 9.11. Diagrama de niveles y flujos del modelo simple de dinmica urbana.

9.4.3 Modelo de inventarios
Un distribuidor de productos tiene problemas para el manejo de sus inventarios, puesto que
grandes cantidades almacenadas generan altos costos de funcionamiento, mientras que niveles
bajos de inventarios conducen a prdidas de clientes y menores niveles de utilidad. Obsrvese en
la Figura 9.12 un modelo simple de manejo de inventarios, en el cual los suministros a
consumidores slo dependen explcitamente de la cantidad almacenada y de la demanda de los
consumidores.

Poblacin
Muertes Nacimientos
Inmigracin
Emigracin
P3
P2
P1
P4
Construccin
De viviendas
P5
R3 Viviendas
Construdasas

Demanda
Viviendas
Demanda de
Consumidores
Suministro a
Consumidores
-
-
Cantidad
Almacenada
Solicitud a
Proveedores
Arribo de
Mercancia
-
+
+
+
-

Figura 9.12. Modelo simple de dinmica de inventarios.

En la Figura 9.13 aparece el diagrama de influencia correspondiente al modelo simple de
dinmica de inventario del distribuidor de productos. Los retardos dan cuenta de los tiempos de
entrega de solicitudes. Se introduce la variables exgena nivel de inventario deseado, con el
objeto de tener en cuenta metas operacionales.

Figura 9.13. Diagrama de niveles y flujos para una modelo simple de manejo de inventarios.

Suministro a
Consumidores

Solicitud a
Proveedor

P1

R3

Inventario

P2

Disponibilidad
para despacho
Nivel de

Inventario
Deseado

Necesidad
de
inventario

Demanda de
consumidores

Al final de este captulo se presentan ms ejemplos y casos de modelacin de sistemas con
mayor grado de profundidad, y algunos ilustran aplicaciones prcticas de los modelos de DS.

9.5 DS: INTERACCIN ENTRE EL COMPORTAMIENTO Y LA ESTRUCTURA DEL
SISTEMA.

Los problemas que se enfrentan con la ayuda de DS usualmente tienen en comn algunos
patrones de comportamiento del sistema en el tiempo. La DS se fundamenta en que el
comportamiento de un sistema puede explicarse por su estructura. De esta manera, al identificar y
caracterizar las diversas formas de comportamiento de los sistemas, podremos establecer su
posible estructura, lo cual podr contribuir a detectar el o los problemas que lo puedan afectar. A
continuacin se presentan cuatro de los ms simples comportamientos posibles de observar en
un sistema: crecimiento exponencial, balance o bsqueda de metas, oscilaciones y evolucin
sigmoidal (en forma de s). Estos modos de comportamiento
2
son ilustrados con su estructura de
niveles y flujos, su diagrama causal y el comportamiento generado.

Crecimiento exponencial
El crecimiento exponencial esta inducido, estructuralmente, por un ciclo de realimentacin positivo
o de refuerzo. Los casos ms claros para entenderlo son la tasa de inters compuesto y el
crecimiento poblacional, los cuales son mostrados en la Figura 9.14 y en la Figura 9.15. Para el
crecimiento poblacional, a ms poblacin, la tasa neta de nacimientos ser mayor, de manera que
la poblacin es incrementada. De manera similar, a mayor dinero, ahorrado en una cuenta
bancaria, mayor sern los intereses que se ganan e incrementan el dinero de la cuenta, la cual
tendr ms dinero para el prximo pago de intereses. Este crecimiento es un resultado directo de
un ciclo de realimentacin positiva, sin embargo, no siempre se da crecimiento. El hecho de que
este ciclo sea llamado de refuerzo significa que conserva la inercia, bien sea de crecimiento o
decrecimiento. Un ejemplo de decrecimiento se puede observar en el mercado de las acciones.
Una reduccin en el precio de las acciones disminuye la confianza del inversionista en estas
acciones, lo cual induce a vender ms acciones (mas oferta), lo que lleva a una disminucin
mayor en el precio, y por lo tanto a menor confianza en estas acciones.

En los ejemplos de crecimiento poblacional y el inters compuesto se puede apreciar el diagrama
causal con el ciclo de realimentacin positiva, el diagrama de niveles y flujos el cual est
presentado en el software POWERSIM
3
, adems del comportamiento y las ecuaciones del
modelo. Mas detalle sobre las ecuaciones del modelo es presentado en la Figura 9.14.

2
Sterman (2000) introduce en el captulo 4 el concepto de modos de referencia para capturar el comportamiento
dinmico, y los diagramas causales como un mtodo para representar la estructura de realimentacin del sistema.
3
Powersim Constructor 2.51, software especializado para simulacin de modelos en DS.
Comportamiento del Nivel
Tiempo
P
o
b
l
a
c
i
o
n
0 20 40 60 80 100
0
500
1 000
1 500
2 000
Diagrama de Niveles y Flujo
Poblacion
100
+dt*Crecimiento_neto
Crecimiento_neto
Poblacion*Tasa_neta_de_nacimiento
Tasa_neta_de_nacimiento
0.03
Poblacin
Crecimiento
Neto
+
+
Diagrama Causal
Ecuaciones del Modelo
R
Poblacion
Crecimiento_neto
Tasa_neta_de_nacimiento

Figura 9.14. Ciclo de realimentacin de refuerzo con crecimiento exponencial, crecimiento
poblacional.

Dinero
100
+dt*Intereses
Intereses
Dinero*Tasa_neta_de_interes
Tasa_neta_de_interes
0.03
Tiempo
D
i
n
e
r
o
0 20 40 60 80 100
0
500
1 000
1 500
2 000
Dinero Intereses
+
+
Diagrama Causal
R
Tasa_neta_de_interes
Dinero
Intereses

Figura 9.15. Ciclo de realimentacin de refuerzo con crecimiento exponencial, inters compuesto.

Balance o bsqueda de metas
Los ciclos de realimentacin negativa, contrarios a los ciclos de refuerzo, buscan en el sistema un
balance o una situacin de equilibrio, a travs de lo cual se logra alcanzar la meta o estado
deseado del sistema. En un momento dado, el estado del sistema se compara con el estado
deseado, de acuerdo con esta discrepancia se toman acciones correctivas que llevan el estado
del sistema hacia la meta o estado deseado. En la Figura 9.16, se muestra el ejemplo del control
de la temperatura del agua: el estado del sistema es la temperatura del agua que comienza por
debajo del nivel de temperatura deseado, que al ser comparada con la temperatura deseada se
obtiene la discrepancia. Entre mayor sea la temperatura del agua, menor ser la discrepancia, y
entre mayor sea la temperatura deseada, mayor ser la discrepancia; a mayor discrepancia, la
accin correctiva lleva a aumentar el flujo de agua caliente y as aumentar la temperatura del
agua; y, de esta manera, cierra el ciclo de realimentacin.

Temperatura
5
+dt*Flujo_de_agua_caliente
Flujo_de_agua_caliente
Discrepancia/20
Discrepancia
Temperatura_deseada-Temperatura
Temperatura_deseada
25
Temperatura
del agua
Discrepancia
+
+
Temperatura
deseada
Flujo de agua
caliente
Diagrama de Niveles y Flujo Diagrama Causal
B
Tiempo
T. del agua
T. deseada
0 20 40 60 80 100
0
5
10
15
20
25
30
-
+
Discrepancia
Temperatura_deseada
Temperatura

Figura 9.16. Ciclo de realimentacin de balance con bsqueda de metas, control de la
temperatura del agua.

Note que un sistema con ciclos de realimentacin negativa estar en equilibrio solo cuando las
variables de estado o niveles poseen el mismo valor de sus estados deseados simultneamente.
En sistemas reales, particularmente en sistema sociales, no es fcil ni comn encontrar
equilibrios, debido a la dificultad de que todos los ciclos de balance alcancen su estado deseado
simultneamente. En DS muchas veces se parte del sistema en equilibrio para tomarlo como el
punto de referencia y efectuar anlisis respecto a desviaciones del punto de equilibrio.

Oscilaciones
El comportamiento oscilatorio es producido por un ciclo de balance, el cual es mediado por un
retardo. En este caso, la informacin utilizada para tomar acciones correctivas en el sistema se
obtiene con retardo, haciendo que el estado del sistema sobrepase su meta o estado de
equilibrio, por lo cual se toman acciones correctivas que lo ubican por debajo de la meta, y as
sucesivamente.

Las oscilaciones pueden variar de acuerdo con las caractersticas estructurales del sistema. Se
pueden presentar oscilaciones que disminuyen con el tiempo, estacionarias, o eventualmente
caticas. Con el mismo ejemplo del ciclo de realimentacin balanceado, supngase que la
temperatura real no es percibida inmediatamente sino de manera retardada (por ejemplo en la
ducha donde la temperatura en el mezclador del agua es percibida despus de ser mezclada y de
pasar por las tuberas, hasta finalmente llegar al cuerpo). La Figura 9.17 muestra, como en este
caso, las oscilaciones tienden a disminuir hasta llegar a la temperatura deseada, similar a lo que
experimentamos en la ducha en la realidad. Variaciones en los parmetros o en la estructura
podra generar comportamientos con otro tipo de oscilaciones.

Tiempo
T. real
T. deseada
0 20 40 60 80 100
0
10
20
30
40
Temperatura
del agua
Discrepancia
+
+
Temperatura
deseada
Flujo de agua
caliente
Diagrama Causal
B
-
+
RETARDO
Temperatura_real
5
+dt*Flujo_de_agua_caliente
Discrepancia/5
Discrepancia
Temperatura_deseada-Temperatura_real_reta
Temperatura_real_retardada
DELAYINF(Temperatura_real, 3,Temperatura_
Temperatura_deseada
25
Temperatura_deseada
Discrepancia
Temperatura_real_retardada
Temperatura_real

Figura 9.17. Ciclo de realimentacin de balance con bsqueda de metas y retardo, control de la
temperatura del agua con oscilaciones.

Crecimiento en forma Sigmoidal
El comportamiento sigmoide resulta de la combinacin de un ciclo de refuerzo con uno de
balance. El crecimiento en espiral dado por el ciclo de refuerzo se afecta por efectos secundarios
que muchas veces son inadvertidos, pero reducen el crecimiento hacia un ciclo lmite. Con este
arquetipo
4
se sugiere un principio de administracin: no presionar el crecimiento y remover los

4
Los modos o patrones de comportamiento pueden ser usados para analizar historias del comportamiento del sistema.
Esto, se podra ver el problema como parte de un sistema ms grande, y hacer hiptesis sobre que es lo que lo podra
estar creando. Estos modos de comportamiento o patrones son llamados arquetipo, los cuales fueron planteados y
desarrollados por Peter Senge (1990) en el famoso libro La Quinta Disciplina. Los arquetipos son una forma de usar
patrones simples de comportamiento para describir como opera un sistema complejo. El entendimiento y la
factores que lo limitan. Normalmente existen percepciones equivocadas en relacin con esta
estructura del sistema, y se reacciona a los lmites al crecimiento tratando de presionar ms fuerte
el crecimiento, cuando lo que se requiere es trabajar ms en los factores limitantes del sistema (o
el ciclo de balance).

Un ejemplo de este arquetipo lo representa el modelo de crecimiento poblacional en una zona con
limitacin de recursos para los pobladores. Para determinar la capacidad soporte de la zona, se
requiere establecer la relacin entre la poblacin y el uso de los recursos. Cuando existen
recursos abundantes para los pobladores, se produce un incremento en la tasa de crecimiento y
por lo tanto un incremento en el crecimiento neto de la poblacin. Cuando, por este efecto de
crecimiento poblacional, el incremento en el uso de los recursos conlleva al agotamiento de los
mismos, se produce una reduccin en la tasa de crecimiento poblacional, lo cual conduce a la
estabilidad en el nmero de pobladores. En la Figura 9.18 se observa con R el ciclo de
realimentacin positiva o de refuerzo y con B el ciclo de realimentacin negativa o de balance.

Dado el caso que exista abundancia de recursos, el ciclo de refuerzo tiene mayor influencia que el
de balance sobre el comportamiento de la poblacin, pero una vez se incrementa el uso de
recursos y estos se tornan escasos (el ciclo de balance pasa a ser dominante), de esta manera se
tiene una situacin inicial de crecimiento exponencial dado por el ciclo de refuerzo seguido por
un comportamiento de bsqueda de metas dado por el ciclo de balance. Si se considera
problemtico el hecho de frenar el crecimiento poblacional, se puede observar que la manera de
enfrentar este problema est relacionada con la eliminacin o ampliacin del los limitantes por
recursos que puedan ser limitantes del crecimiento, que para este caso pueden ser el espacio, los
alimentos, el agua, el empleo, entre otros.

identificacin de los arquetipos ha sido parte de las tcnicas de pensamiento sistmico. En general estos permiten
mejorar la intuicin sobre situaciones complejas de manera similar como el estudio de la fsica permite entender mejor
el comportamiento del mundo natural. Sin embargo la simulacin es necesaria, y la DS permite el acoplamiento de las
herramientas de pensamiento sistmico como los arquetipos con el desarrollo de un modelo formal, solucionado por
simulacin. Estos modelos son generalmente sistemas acoplados de ecuaciones diferenciales que no es posible
solucionarlos con simulaciones mentales

Poblacin
10
+dt*Crecimiento_neto
Crecimiento_neto
Poblacin*Incremento_crecimiento_neto
Incremento_crecimiento_neto
0.02-(0.01*(1+(Relacion_Poblacion_a_Capacida
Relacion_Poblacion_a_Capacidad
Poblacin/Capacidad_segn_recursos
Capacidad_segn_recursos
100
Time
T
i
e
m
p
o
Poblacin
Cap. rec.
0 100 200 300 400 500
0
20
40
60
80
100
Poblacion/Recursos
+
+
Capacidad
segn recursos
Incremento
crecimiento neto
B
-
+
Poblacin
Crecimiento
Neto
+
+
R
Diagrama Causal
Capacidad_segn_recursos
Incremento_crecimiento_neto
Crecimiento_neto
Poblacin
Relacion_Poblacion_a_Capacidad

Figura 9.18. Arquetipo lmite al crecimiento, comportamiento de crecimiento en forma de S.

9.6 ECUACIONES DEL MODELO

La forma de las ecuaciones de los modelos de la DS es bastante simple desde el punto de vista
matemtico; no obstante, la simulacin del sistema permite la solucin de problemas para los
cuales no se conocen soluciones analticas. A pesar de la fcil presentacin de los modelos de
DS, estos tienen implcitos sistemas de ecuaciones diferenciales generalmente no lineales.

En trminos generales, el modelo matemtico consiste de un sistema de ecuaciones diferenciales
de funciones dependientes, originando ecuaciones de orden dos, tres, o mayor, y que produce
soluciones inestables. Sin embargo, el usuario de la DS no requiere ser conciente del problema
matemtico involucrado. El mtodo de clculo est basado en la actualizacin de los niveles del
sistema, en razn a los flujos de entrada y salida que los afectan, despus del transcurso de
intervalos de tiempo DT.

Teniendo como referencia los instantes J , K, y L, como aparece en la Figura 9.19, distanciados
DT unidades de tiempo, se procede a evaluar el estado de los niveles en el momento K con base
en la situacin en que se encontraban en J y con los flujos producidos durante el intervalo de
tiempo J K. Posteriormente, se calculan los flujos proyectados para el intervalo KL.

Figura 9.19. El tiempo en los modelos de Dinmica de Sistemas.

La notacin de las ecuaciones de los modelos de la Dinmica de Sistemas hace referencia a
instantes del tiempo J , K y L. Sin embargo, esta forma de presentar las ecuaciones para los
niveles no es necesaria, pues est implcita en la representacin grficas del software disponible
actualmente para la simulacin con modelos de DS. Las diferentes ecuaciones, en su forma ms
elemental, utilizan el formato que se describe a continuacin.

Ecuaciones de Nivel
Establecen el contenido de los niveles del sistema en el instante K, como en el caso

VIVC.K =VIVC.J +DT*(TCONS.J K - TDEM.J K)

Donde VIVC.J y VIVC.K son el nmero de viviendas en los instantes J y K, respectivamente.
TCONS.J K y TDEM.J K corresponden a la tasas de construccin y de demolicin de viviendas
durante el intervalo de tiempo J K, y DT es el intervalo de tiempo.

Ecuaciones de tasas de flujo
Establecen las tasas de flujo entre los niveles del sistema. Pueden tener la forma

TCONS.KL =(TETA1)*(VIVC.K)

Donde TETA1 es un parmetro del modelo.

Ecuaciones Auxiliares
En algunas ocasiones, antes de la evaluacin de las tasas de flujo, pueden aparecer clculos que
tienen importancia para el establecimiento de polticas del sistema, como en la situacin

DIF.K =META - VIVC.K

Donde META representa el nmero de viviendas que se desea construir. En este caso la variable
auxiliar DIF.K representa la diferencia en el instante K entre las casas deseadas y las existentes,
lo cual permite establecer el nmero de casas que se programa construir.

Ecuaciones para retardos
El retardo es el que transcurre hasta el arribo del material o de la informacin. La representacin
de retardos exponenciales o de primer orden, como en la Figura 9.20 (a), tiene la forma

TCONS.KL =CONS.K/RET,

donde la tasa de construccin de viviendas en el intervalo de tiempo KL, TCONSC.KL, est dada
por el nmero de construcciones programadas en el instante K, CONS.K, dividido por el tiempo
promedio de construccin de una casa, RET. Los retardos pueden ser entendidos como el efecto
de seales. Obsrvese que los retardos de primer orden corresponden a un nivel seguido por una
tasa de flujo, como en la Figura 9.21 (a), y se representa de acuerdo con la Figura 9.21 (b).
DT
K J
DT
L

Figura 9.20. Retardos en Dinmica de Sistemas

Los retardos de segundo orden, como en la Figura 9.20 (b), corresponden a dos retardos
seguidos de primer orden, cada uno con tiempo promedio RET, en la forma de la Figura 9.22 (a) o
(b). Para este tipo de retardo, las ecuaciones correspondientes son:

CONS1.K =CONS1.J +DT(TCONS.J K - TCONS1.J K)
TCONS1.KL =CONS1/(RET/2)
CONS2.K =CONS2.J +DT(TCONS1.J K - TCONS.J K)
TCONS.KL =CONS2/(RET/2)
CONS.K =CONS1.K +CONS2.K.

Luego, el total de viviendas que estn en proceso de construccin es CONS.K y el nmero que se
terminan al final del intervalo de tiempo KL es TCONS.KL.

Figura 9.21. Retardo de primer orden

De manera similar se representan los retardos de tercer orden, los cuales ocurren como se ilustra
en la Figura 9.20 (c). En los retardos de orden infinito o de tubera, Figura 9.20(d), el material o la
informacin llega, en su totalidad, al destino indicado, RET unidades de tiempo despus del
instante que empieza a ser transportada. La literatura de la Dinmica de Sistemas, se ha
Cons
Consc
Cons
Ret
Ret
(a) (b)
Ret
(a)
Ret
(b)
Ret
(c)
Ret
(d)
interesado por la determinacin del valor adecuado para DT. No obstante, se sigue
recomendando el criterio adoptado por Forrester (1961), consistente en hacer:

2d
RET
DT =

donde, RET y d son respectivamente el valor promedio y el valor correspondiente al mayor orden
de retardo en el modelo.

Figura 9.22. Retardo de segundo orden

Las ecuaciones de nivel y las tasas de flujo planteadas se asocian con ecuaciones diferenciales
de primero, segundo o mayor orden. As, por ejemplo, las ecuaciones antes planteadas
correspondientes a las viviendas construidas VIVC, pueden expresarse por:

)) ( ),..., ( ), ( (
. .
2 1
t a t a t a f
DT
J VIVC K VIVC
n
=

)) ( ),..., ( ), ( (
. .
lim
2 1
0
t a t a t a f VIVC
dt
d
DT
J VIVC K VIVC
n
DT
= =

Pero, puesto que las viviendas construidas son funcin de la ecuacin diferencial de la poblacin,
se obtendr:

[ ] )) ( ),..., ( ), ( ( )) ( (
2 1
t a t a t a f t POB VIVC
dt
d
n
=
,

La cual es una ecuacin de segundo orden que puede tener dificultades para su solucin; esto, en
razn a que la ecuacin diferencial que establece la dinmica poblacional es funcin, en grandes
ciudades, de la actividad econmica en general, y de la actividad de la construccin en particular.

Ejemplo: Ecuaciones del modelo de construccin de viviendas

Las ecuaciones correspondientes al ejemplo de construccin de viviendas presentado
anteriormente son las siguientes.
Consc
Cons
Ret 2
(b)
Consc 2
Cons 1
(a)
Cons 2
Consc 1

POB.K =POB.J +DT (NAC.J K - DEF.J K +INM.J K - EMI.J K)
NAC.KL =POB.K * TETA1
DEF.KL =POB.K * TETA2
INM.KL =POB.K * TETA3
EMI.KL =POB.K * TETA4

VIVC.K =VIVC.J +DT (TENT.J K)

DEM.K =VIVC.K - POB.K * TETA5

TCONS.KL =DEM.K * TETA6
TENT.KL =DELAY3(TCONS.KL,TPCO).

Donde POB, NAC, DEF, INM y EMI representan respectivamente las variables poblacin,
nacimientos, defunciones, inmigrantes y emigrantes. VIVC, DEM, TCONS, TENT, y TPCO
representan respectivamente las variables viviendas construidas, demanda de viviendas, tasa de
construccin de viviendas, tasa de entregada de viviendas construidas y tiempo promedio de
construccin de viviendas. TETA1 hasta TETA6 son parmetros. Obsrvese que en la ecuacin
de demanda por viviendas, el parmetro TETA5 al multiplicar a la variable poblacin se obtiene el
nmero de unidades familiar.

Ejemplos adicionales de ecuaciones de modelos de DS se pueden apreciar en las figuras 9.14-
9.18 de modos de referencias y arquetipos. En estas se observan las ecuaciones con el formato
de Powersim Costructor 2.51.

9.7 EXPERIMENTACION

Los modelos de Dinmica de Sistemas, como se han planteado en las secciones anteriores, son
construidos con el objeto de cumplir con dos propsitos principales. En primer lugar, pueden
explicar el comportamiento de los sistemas, en razn de su estructura y polticas de orientacin.
En segundo trmino, pueden servir como instrumentos para estudiar cambios estructurales y/o
polticos de la organizacin. Por tanto, para poder garantizar los objetivos antes mencionados, el
modelo debe ser evaluado, validado y analizado.

9.7.1 Evaluacin del modelo

El modelo debe ser evaluado en consideracin a su capacidad de reproducir el comportamiento
del sistema. Esto permite observar cmo polticas de manejo, tienen efectos en la estabilidad de
los niveles del sistema. Obsrvese que ante un aumento en la demanda, la poltica de
administracin del inventario puede ocasionar reacciones, fuertes o ms suaves, en la cada y
posterior recuperacin del nivel del inventario.

Las simulaciones de situaciones de inestabilidad pueden ser ejercicios complejos, y la evaluacin
de los respectivos modelos conlleva dificultades. No obstante, las excitaciones del sistema, a
travs de cambios repentinos de alguna variable exgena, indican formas de comportamiento que
pueden ser explicadas aproximadamente por los modelos, cuando ellos incluyan, de manera
adecuada, las polticas de funcionamiento de las organizaciones.

Adems del aspecto de estabilidad, el modelo debe ser evaluado en relacin con su respuesta a
las metas propuestas.

En este contexto de evaluacin, los modelos deben recoger las tendencias y ciclicidades de
comportamiento del sistema. Ellos debern reflejar los estados de crecimiento o decrecimiento
cuando la organizacin se comporte de igual manera; asimismo, deben ser capaces de reproducir
las estacionalidades de los sistemas.

9.7.2 Validacin del modelo

En general, los modelos de la Dinmica de Sistemas no son demasiado exigentes con respecto a
informacin histrica, sin desconocerse el gran aporte que sta pueda tener. En los casos de
modelos basados en datos pobres o inexistentes, se puede recurrir a informacin de sistemas
similares y, an, es posible incluir apreciaciones subjetivas. No obstante, debe tenerse claro las
limitaciones de su alcance y cuando sea del caso, debe planearse su revisin en la medida que
se allegue datos nuevos.

En situaciones de informacin pobre, la validacin se efecta intentando detectar resultados por
fuera de las fronteras, errores de magnitud apreciable, inconsistencias, y en general, posibles
errores en la representacin de polticas de manejo de las organizaciones.

Cuando la informacin es apropiada, inicialmente se puede proceder como si se careciera de ella
para evaluar posibles problemas en la frontera del sistema, inconsistencias y errores en la
representacin de polticas; y posteriormente, se podrn utilizan mtodos estadsticos,
empezando por diferencias absolutas y porcentuales, pasando por pruebas de tendencia
(correlacionalidad) y concluyendo con los de bondad de ajuste.

Es importante anotar que los modelos de Dinmica de Sistemas no pretenden ser instrumentos
de proyeccin de alta precisin, sino ms bien, herramientas para el diseo de polticas y, por
tanto, su validacin debe contemplar esta consideracin.

En general, en la planificacin a largo plazo y en la evaluacin de polticas o estrategias
organizacionales no se tiene por fin construir escenarios exactos, sino, buscar acciones que
permitan el logro de ciertas metas globales, las cuales no buscan cumplirse de manera exacta.

9.7.3 Anlisis del modelo

Los modelos de la Dinmica de Sistemas deben ser analizados considerando dos aspectos
principales: Anlisis de Estructuras de Realimentacin y Anlisis de Sensibilidad.

Para realizar anlisis de las estructuras de realimentacin se determina cmo variaciones en los
bucles del modelo conducen a diferencias en los resultados, permitiendo establecer las relaciones
entre las variables que mejor aproximan el comportamiento del sistema. En aspectos de toma de
decisiones, el modelo debe incorporar situaciones que, aunque frecuentes, puedan tener un peso
importante en los resultados. Al mismo tiempo, la modelacin detallada de ciertos procesos puede
introducir ruidos, dificultando innecesariamente el anlisis de los resultados.

La agregacin o desagregacin de variables puede mostrar un comportamiento ms ajustado al
sistema, dependiendo de sus especificidades.

Para efectuar anlisis de sensibilidad del modelo se determina cules son los parmetros que
inducen variaciones apreciables en los resultados. Esto implica realizar estimaciones cuidadosas
de dichos parmetros y una atencin cuidadosa en la construccin de hiptesis de los escenarios
propuestos.

La forma de procedimiento para la seleccin e identificacin de parmetros sensibles presupone
un conocimiento detallado del sistema, por cuanto su examen exhaustivo puede ser impracticable
en modelos de gran envergadura.

9.8 DINMICA DE SISTEMAS EN ACCIN

A continuacin se presentan algunos casos en donde se ha aplicado DS en la bsqueda de
soluciones a problemas de la vida real y tambin para apoyar el anlisis de sistemas complejos.
En algunos de estos casos se puede mostrar como a partir de un modelo, se pueden analizar
polticas que permitan evaluar posibles soluciones a los problemas planteados.

9.8.1 Sistema Depredador - Presa

El modelo del sistema Depredador Presa en DS es una representacin dinmica simple de una
especie depredadora (el depredador) y otra que es depreda (la presa). El depredador depende
solamente de una presa para su alimentacin y la abundancia de presas incrementa su fertilidad,
pero su escasez no contribuye a la muerte del depredador. La presa se alimenta de un recurso
que es ilimitado (hay variaciones del modelo donde hay limitacin de recursos) y su muerte
natural se ve aumentada por las depredaciones. En la Figura 9.23 se presenta el diagrama causal
del modelo Depredador Presa, donde f
N
y f
M
son las relaciones que expresan cmo la
abundancia de presas contribuyen a incrementar los nacimientos de depredadores y cmo los
depredadores incrementan las muertes de las presas.

Suponiendo algunas simplificaciones, se pueden considerar los siguientes ejemplos: lobos y
libres, tigres y venados, tiburones y peces, peces y larvas de moscos, entre muchas otros. Existen
muchas versiones y variaciones de este modelo, entre las cuales se destaca la de Lotka-Volterra,
que lleva nombre de sus autores. El modelo Lotka Volterra es tal vez la mas simple
representacin de una interaccin no lineal del sistema depredador - presa.

Figura 9.23. Diagrama causal del modelo Depredador Presa.

En este modelo se identifican claramente las poblaciones de Depredadores (Dep) y de Presas
(Pre) como los dos niveles del sistema, mientras que los nacimientos y las muertes de
Depredadores y Presas los flujos. De esta manera, los cambios de los niveles en el tiempo se
representan en trminos de ecuaciones diferenciales de la siguiente manera:

presa Muertes presa s Nacimiento
dt
re P d
depredador Muertes depredador s Nacimiento
dt
Dep d
=
=

De las relaciones causales de la figura 9.23 se desprende que

( )
( ) re P f Dep presa Muertes
re P b presa s Nacimiento
Dep a depredador Muertes
re P f Dep depredador s Nacimiento
M
N
*
*
*
*
=
=
=
=

Donde a y b son tasas de natalidad del depredador y de mortandad de presas, respectivamente; y
fN(Pre) y fM(Pre) son funciones de depredacin que muestran la contribucin a la natalidad del
depredador y las muertes de la presa, respectivamente. Ahora, remplazando estas ltimas
ecuaciones en las iniciales, obtenemos de manera explcita,

( )
( ) re P f Dep re P b
dt
re P d
Dep a re P f Dep
dt
Dep d
M
N
* *
* *
=
=

Si hacemos a =0.2, b =0.4, f
N
(Pre) =(0.4/20)*Pre, f
M
(Dep) =(8/20)*Pre; y agrupando y haciendo
simplificaciones se obtienen finalmente las ecuaciones de Lotka Volterra:

( )
( ) re P Dep re P
dt
re P d
Dep re P Dep
dt
Dep d
* 4 . 0 * 4 . 0
* 2 . 0 * 02 . 0
=
=

El modelo Lotka-Voltera es presentado en la Figura 9.24 como un diagrama de niveles y flujos.

NacimientosP
MuertesD
MuertesP
NacimientosD
a
b
Depredador
Presa
FN
FM

Figura 9.24. Diagrama de niveles y flujo del modelo Depredador Presa.

El comportamiento de este modelo depende de los parmetros y de las condiciones iniciales del
sistema. Este, bsicamente, puede ser de tres tipos: estabilidad, oscilaciones o exterminacin. La
Figura 9.25 presenta las simulaciones de las poblaciones de depredadores y presas con estos
tres tipos de comportamiento. En la (a) se observa que las dos especies llegan a una condicin de
equilibrio, despus de perodos iniciales de oscilaciones que se amortiguan con el transcurso del
tiempo; la (b) se observa un comportamiento de ciclos estables perpetuos generados con las
funciones antes presentadas
5
; y la (c) presenta el caso de exterminacin de la presa como
resultado de las depredaciones. Note que los resultados poseen diferentes condiciones iniciales
que tambin influyen en el comportamiento, haciendo de este modelo sensible a las condiciones
iniciales.

Tiempo
Presa
Depredador
0 20 40 60 80 100
0
5
10
15
20
Presa
D
e
p
r
e
d
a
d
o
r
0 5 10 15 20
0
5
10
15
(a)

5
Este resultado podra ser interpretado como comportamiento cclico inestable, sin embargo la restriccin sobre las
poblaciones hace que no tenga sentido continuar las simulacin con poblaciones nulas o negativas as exista la
posibilidad numrica de esto.
Tiempo
Presa
Depredador
0 20 40 60 80 100
0
5
10
15
20
Presa
D
e
p
r
e
d
a
d
o
r
5 10 15 20
0,0
0,5
1,0
1,5
(b)
Tiempo
Presa
Depredador
0 20 40 60 80 100
0
10
20
30
40
Presa
D
e
p
r
e
d
a
d
o
r
0 10 20 30 40
0
5
10
(c)
Figura 9.25. Diagrama de niveles y flujo del modelo Depredador Presa.

Con fundamento en este modelo se pueden realizar formulaciones afines que permitan el anlisis
de problemas reales. Observe que en este caso se present un modelo de un sistema sin alusin
a un problema en particular. A continuacin se plantea un caso donde se aplica una variacin del
modelo presentado para explorar posibilidades acerca del control biolgico de la malaria.

9.8.2 Modelo Depredador Presa Generalizado: aplicacin al control biolgico de la
malaria
6

La malaria es una enfermedad difcil de controlar, que es transmitida al hombre por el mosquito
anofeles, y que es causa importante de la mortandad entre las poblaciones ms pobres de los
pases tropicales. Tradicionalmente el mosquito ha sido controlado con la ayuda de productos
qumicos, los cuales, sin embargo, originan tanto problemas colaterales para la salud humana
como resistencia de los insectos a los pesticidas. Es por esto que se ha propuesto alternativas
fundamentadas en el control biolgico, por medio de depredadores naturales (por ejemplo,
peces, insectos, nematodos, bacterias, hongos, etc.), buscando reducir la poblacin de
mosquitos, sin causar dao al hombre. Una de las especies que cumple con estas caractersticas
es el Guppy Lebistes reticulatus (pez) bastante resistente a aguas contaminadas y altas
temperaturas que se cra en hbitat similares al de los mosquitos y es capaz de controlar la
proliferacin de larvas. Otra especie con similares propiedades es el mosquitos es el Toxorinchitis
sp. Los adultos de Toxorinchitis se alimentan de nctar y polen y ponen sus huevos en el mismo
hbitat que las larvas de los anofeles.

6
Adaptado de Guzmn y Dyner (1994), Vol. 4, No 1, pp 69-84.
Para analizar el impacto del control biolgico de la malaria se plantea una generalizacin y
adaptacin del modelo Lotka-Volterra para tres especies, con consideraciones de hbitat
diferentes a las suposiciones iniciales del modelo. En este caso se incluyen variables como
alimentacin, temperatura y contaminacin. La finalidad de este modelo es permitir un anlisis de
especies que pueden servir en el control biolgico de la malaria.

Inicialmente se planteo un modelo de dos especies: la poblacin de peces Lebistes reticulatus
(Depredador), la poblacin de mosquitos anofeles (Presa) que interactan en un depsito de agua
con una capacidad de porte especifica, bajo condiciones de temperatura adecuada, sin
contaminacin y disponibilidad normal de alimento. El diagrama causal del modelo se muestra en
la Figura 9.26. Ntese que este presenta algunos elementos adicionales al modelo anterior de
Depredador Presa, que son importantes en la biologa de las especies en cuestin.

Figura 9.26. Diagrama causal modelo control biolgico de la malaria con dos especies

En las simulaciones originales del modelo se observ un comportamiento cclico de las
poblaciones de larvas y de peces, que perpetan su existencia acoplndose a los ciclos (mostrar
simulaciones!!!!). Sin embargo, con esta poltica no se logra resolver el problema de la eliminacin
del Anofeles, por lo tanto es preciso evaluar alternativas. Se plantea entonces la posibilidad de
utilizar otra especia para el control de las larvas, llamado el Toxorinquitis. Este mosquito
parecido al anofeles aunque de mayor tamao se alimenta de las larvas del anofeles, aunque
tambin es canbal, ya que los adultos (abreviado TAXA) se alimentan de los jvenes (abreviado
TOX), y adems se alimenta de los huevos de los peces. El modelo entonces, teniendo en cuenta
las consideraciones biolgicas de esta tercera especie, se presenta como un sistema depredador
presa de tres especies mostrado en la Figura 9.27. Las simulaciones de este sistema se
presentan en la Figura 9.28, donde se muestra como se logra el control biolgico del Anofeles,
encargado de la transmisin de la Malaria.

Poblacin
Larvas
Anofeles
Nacimiento larvas
Infeccin
+
+
+
+
Muerte Larvas
Alimento
Poblacin
Peces
-
+
+
+
-
Muerte Peces
Alimento
Peces
Contaminacin
Temperatura
Control
-
+
-
-
+
-
-
+
Nacimiento
Peces

Figura 9.27. Diagrama causal modelo control biolgico de la malaria con tres especies

Tiempo
PEZ
TOX
0 5 10 15 20 25 30
189
600
199
2 200
213
4 600
Tiempo
LAR
MOS
0 5 10 15 20 25 30
0
10 000 000
20 000 000
30 000 000
40 000 000
50 000 000

Figura 9.28. Simulaciones del modelo control biolgico de la malaria con dos especies

Con este caso, se puede observar como el modelo terico Depredador-Presa de la seccin
anterior se puede aplicar a un caso real, adaptndolo a las condiciones biolgicas del problema
particular. Ntese que para la adaptacin del modelo se tuvo en cuenta las condiciones
particulares biolgicas de las especies incluidas.

9.8.3 Dinmica Agro-Industrial

En esta seccin se expone un caso de estudio en una granja agroindustrial. Las decisiones en
este tipo de entornos se toman teniendo en cuenta los precios de mercado de los productos y los
insumos, el desarrollo tecnolgico, el capital de trabajo, la capacidad de endeudamiento,
Poblacin
Larvas
Anofeles
Nacimiento larvas
Infeccin
+
+
+
+
Muerte Larvas
Alimento
Nacimiento
Peces
Poblacin
Peces
-
+
+
+
-
Muerte Peces
Alimento
Peces
Contaminacin
Temperatura
Control
-
+
-
-
+
-
-
+
TOX
TOXA
+
-
+
+
+
condiciones ambientales y productivas, entre muchos otros aspectos. A continuacin se
presentar un caso simplificado de una agroindustria lechera.

En un terreno de 30 Ha, un granjero desea estudiar alternativas de manejo a su negocio de
ganadera. El cuenta con ganado vacuno y porcino. Desea mantener tantos como pueda
alimentar. El alimento de los cerdos proviene de la produccin de suero, hecho con la produccin
interna de leche. Los cerdos producen abono que incrementa la productividad de la tierra para
pasto y los excedentes los vende en el mercado. Si el finquero no desea ninguna otra actividad
econmica a la alternativa a la ganadera, que tipo de estrategias de compra-venta de ganado le
daran mejores utilidades?

En el sistema se tienen 5 niveles: poblaciones de Terneras, Novillas, Vacas y Cerdos, y las
utilidades acumuladas. Intuitivamente, el modelo permite observar como fluye la informacin y el
material en el sistema (ver Figura 9.29). Las terneras nacen de acuerdo al ciclo de reproduccin
de las vacas; ellas se convierten en novillas despus de un ao de vida; y despus de un 18
meses ms se convierten en vacas. Los ingresos de la granja se obtienen de la venta cerdos y
ganado vacuno; y los costos se obtienen de la compra de ganado vacuno, la compra y/o venta de
ganado vacuno depende de las estrategias de manejo de la finca. Un porcentaje de las utilidades
acumuladas es reinvertido en inversin en ms ganado.

La compra de ganado depende, adems del precio y de las estrategias de inversin, de la
capacidad de carga de ganado de la finca. La capacidad de carga se estima con la productividad
normal de la tierra, el rea y el consumo de una vaca. De acuerdo a la capacidad de porte, de la
cantidad de vacas equivalente y de las estrategias de inversin, se determina la cantidad de reses
a adquirir y/o vender. Note que si se tiene un mayor nmero de reses que la capacidad de porte,
la productividad disminuye con una relacin no necesariamente lineal por el rpido deterioro de la
tierra. Una ternera requiere menos alimento que una novilla y esta menos alimento que una vaca
(de ah el concepto de vacas equivalentes que agrega todo el ganado vacuno en un nmero
equivalente de vacas, en trminos de alimentacin).

Terneras
Crias
Tasa_Nacimientos
CompraVenta_Terneras
Novillas
Tiempo_Madur
Crecimiento
Maduracion
Productividad_tonXHa
Valor_CompreVenta_Novillas
Valor_Vaca
Valor_Ternera
Capacidad_Portante
Vacas_Equivalentes
CompraVenta_Novillas
Intereses
Valor_CompreVenta_Terneras
Ventas_Cerdos
Reproduccion_Cerdos
Tiempo_Crec
Valor_CompreVenta_Cerdos
Utilidades
Valor_CompreVenta_Vacas
CompraVenta_Vacas
CompraVenta_Novillas
Valor_Novilla
Valor_Cerdos
Ingresos_Netos
Tasa_Interes
Cerdos
Capacidad_Portante_Cerdos
Vacas
CompraVenta_Terneras
Inversion
Capacidad_de_compra_de_terneras
CompraVenta_Vacas
Produccion_de_Leche
Alimento_para_Cerdos
TamaoGranja_Ha
Compras_de_Terneras
Efento_Abono
Abono
ConsumoVacas_tonXvaca
Capacidad_portante_de_teneras
Vacas_Equivalentes
Valor_Ternera

Figura 9.29. Diagrama de niveles y flujo del modelo de dinmica agroindustrial.

Las dos polticas a observar son: (a) la compra de terneras al mximo de la capacidad de porte, y
haciendo uso de hasta el 60% de las utilidades acumuladas y la venta del 80% de las novillas
cada periodo de simulacin; (b) la misma estrategia de compras con las terneras, la no venta de
novillas y mientras que la segunda es la compra de terneras y la venta del 50% de las vacas. Los
resultados de las simulaciones para un conjunto particular de parmetros (entre otros: precios del
ganado, de la leche, etc.) se muestran en la Figura 9.30. Ntese que la poltica la (a) resulta ms
conveniente ya que otorga una mejor renta en la granja. Esto debido a que es mejor tener vacas,
por la leche producida, la cual en el modelo tiene un buen precio, que el negocio de levante de
ganado. Ahora, las condiciones pueden variar y otro tipo de estrategias se pueden analizar en
otras condiciones de mercado. Lo importante es observar que el modelo permite hacer este tipo
de anlisis para apoyar la toma de decisiones.

Meses
Vacas
Novillas
Terneras
0 20 40 60 80
0
20
40
60
Meses
P
e
s
o
s

(
$
)
0 20 40 60 80
0
5 000 000
10 000 000
15 000 000
(a)
Meses
Vacas
Novillas
Terneras
0 20 40 60 80
0
10
20
30
40
50
60
Meses
P
e
s
o
s

(
$
)
0 20 40 60 80
0
5 000 000
10 000 000
15 000 000
(b)
Figura 9.30. Simulaciones del modelo de dinmica agroindustrial ante polticas a y b.

Por efectos didcticos, se han realizado simplificaciones al modelo. Se puede observar que no
hay muertes del ganado, ni diversas estaciones durante el ao, y tampoco se tiene en cuenta que
los ingresos operacionales son por periodo y no se tienen ahorros o acumulaciones de beneficios
o deudas, entre muchos otros. Adicionalmente, solo se tiene el uso de la tierra para ganadera,
cuando en muchas ocasiones se consideran usos mixtos con diversos tipos de agricultura y otras
actividades productivas. No obstante, con todo lo anterior, se puede apreciar una aplicacin de la
DS a un sistema agroindustrial bajo diversas estrategias de inversin.

9.8.4 Mercado Elctricos

Desde finales de los aos 80s, la industria elctrica ha realizados importantes transformaciones
en muchos pases del mundo. El principal cambio ha sido el paso de un manejo estatal y
centralizado a uno de mercados en competencias con participacin privada. Estos mercados han
operado bajo diversas condiciones institucionales que causan dificultades aun a las grandes
corporaciones de la industria elctrica. En estas condiciones, las empresas toman decisiones que
incluyen la comercializacin y la inversin en infraestructura, mientras que el gobierno asume el
papel de regulador; ambos en un ambiente de incertidumbre (climtica, de precios, poltica, entre
otras) y donde la nica constante es el cambio.

Este tipo de ambientes presenta posibilidades de aplicacin de la DS. Esta puede ser utilizada
para desarrollar entornos para el aprendizaje de estrategia y para la evaluacin de polticas, en
relacin con inversiones, comercializacin de electricidad, regulacin y diseo de mercados.
Algunas de las aplicaciones mas importantes de DS en mercados elctricos incluyen los trabajo
de Bunn y Larsen (1992) y de Bunn et al (1997) que analizan el caso ingles; Ford (1999) que
analiza la potencialidad de ciclos de sub y sobre instalacin de capacidad de generacin en
California; y Dyner, Lopez y Arango (2003) que muestran anlisis de regulacin, aprendizaje y
estrategia en Colombia.

Los mercados elctricos fueron creados en las ultimas dos dcadas. Dentro de los elementos que
interactan de una u otra manera en su evolucin estn la evolucin de la demanda, la cadena de
produccin, la comercializacin, el clima, el sector de gas, entre muchos otros. En la industria
elctrica los retardos son bastante prolongados, por ejemplo si un inversionista desea construir
una central trmica se requiere ms de dos aos para que comience a operar y ms de 7 si es
una planta hidrulica. Esto ocasiona retardos que pueden llevar a faltantes y excedentes
importantes que pueden causar problemas subabastecimiento a la poblacin o de orden
financiero a las empresas. La DS ha sido utilizada ampliamente para entender estos y muchos
otros problemas en la industria de la electricidad.

Con el margen de reserva del sistema, que se estima como la diferencia porcentual entre la oferta
y la demanda, se determina el precio de la electricidad, el cual disminuye si el margen del sistema
crece y aumenta en caso contrario. A mayor precio de la electricidad menor ser la demanda,
despus de un retardo, y a mayor demanda se tiene un menor margen de reserva. As se tiene el
ciclo de refuerzo del sistema. Adicionalmente, a mayor precio de la electricidad se tiene un mayor
retorno esperado de las inversiones, con su consecuente aumento en las inversiones. Las
inversiones se materializan y pasan a ser capacidad en construccin; y, despus de un retardo,
se convierten en capacidad de generacin. Si se aumenta la capacidad de generacin, el margen
de reserva aumenta y a mayor margen de generacin, menor precio de electricidad y de esta
manera se cierra el ciclo de realimentacin negativa o de balance. La Figura 9.31 presenta el
diagrama causal de este sistema.

Figura 9.31. Diagrama causal de la dinmica de los mercados elctricos.

El diagrama de niveles y flujos se presenta en la Figura 9.32. Este, a pesar de ser un modelo
simplificado, incluye elementos no mostrados en el diagrama causal. Se observa como la
capacidad tiene una vida til y por lo tanto hay retiro de plantas de generacin que cumplen la
vida til con un retardo de primer orden. Tambin se tiene en cuenta la elasticidad de la demanda
al precio retardado. La formulacin de este modelo puede variar de acuerdo a la estructura
particular del mercado, en especial la funcin de inversin que se utilice. Esta puede ser tomada
de la teora econmica directamente o de reglas de inversin observada en los mercados, entre
otras.

Retiros
Plantas_Finalizadas
Capacidad_en_Construcci
Investment
Elasticidad_Precio
Demand
Margen_de_Reserva
Precio_Retardado
Cambio_Precio
Precio_Electricidad
Retorno_Esperado
Capacidad
Tiempo_de_Construccin
Vida_til

Figura 9.32. Diagrama de niveles y flujo de la dinmica de los mercados elctricos.

El comportamiento caracterstico de este modelo son los ciclos de sub y sobre instalacin de
capacidad instalada. Los ciclos varan de acuerdo diferentes parmetros, por ejemplo el tiempo de
construccin de una planta. Este parmetro puede variar considerablemente de sistema a
sistema, por ejemplo puede ser que el tiempo real de construccin de una planta de generacin
trmica sea de uno o dos aos, sin embargo pueden existir restricciones legales, de adquisicin,
etc. que incrementen este tiempo. Si comparamos el comportamiento del sistema respecto a
variaciones en este parmetros observamos como se obtienen ciclos mas pronunciados y largos
cuando el tiempo de construccin se incrementa. Los retardos son una de las causas de las
inestabilidades y oscilaciones en los sistemas. En la, se observa esta situacin con simulaciones
para diferentes tiempos de construccin TC.

Aos
M
a
r
g
e
n

d
e

R
e
s
e
r
v
a

(
%
)
TC=3 aos
TC=1 aos
TC=5 aos
0 2 4 6 8 10 12 14 16 18 20 22 24
6
8
10
12
14
16
18
20

Figura 9.33. Evolucin del margen de reserva en un modelo genrico de un mercado elctrico,
para diferentes valores de Tiempo de Construccin TC de las plantas.

De la misma manera, si la demanda reacciona a los precios de la electricidad (es elstica), el
comportamiento cclico se podra reducir. El diseo actual de los mercados elctricos hace que la
demanda sea poco sensible a cambios en el precio, o sea que es inelstica al precio, pues los
precios del mercado mayorista no se trasladan de manera inmediata al consumidor. Si se mejora
el diseo de los mercados con mayor participacin de la demanda, el efecto sobre la capacidad
instalada conllevar a una disminucin en la amplitud de los ciclos de capacidad instalada. Por
ejemplo, si la demanda de electricidad tuviese una elasticidad de 0.1, la reduccin en los ciclos
que se podra esperar se observa en la Figura 9.34.

Aos
M
a
r
g
e
n

d
e

R
e
s
e
r
v
a

(
%
)
Elast.=0.0
Elast.=0.1
0 2 4 6 8 10 12 14 16 18 20 22 24
6
8
10
12
14
16
18
20

Figura 9.34. Evolucin del margen de reserva en un modelo genrico de un mercado elctrico,
con y sin elestasidad al precio de la demanda de electricidad.

Investigadores han desarrollado este tipo de modelamiento para el Reino Unido. En 1992, justo
despus de la apertura del mercado elctrico, Bunn y Larsen pronosticaron un comportamiento
cclico del margen de reserva; y cerca de 10 aos mas tarde realizaron la comprobacin de los
resultados de simulacin con la historia real en el mercado (Bunn y Larsen, 1999). Ford (1999)
plantea el mismo tipo de comportamiento para el mercado elctrico en el oeste de Estado Unidos.
Los autores del presente libro han venido investigando este tipo de modelacin para el caso
colombiano, desarrollando diferentes problemas del sector.

Ntese que aqu se model el mercado elctrico. Un tipo de modelacin similar puede realizarse
para otras industrias con estructuras similares; o en su defecto, con adecuaciones particulares. La
DS ha sido ampliamente utilizada en negocios y mercados, siendo el libro de Sterman (2000) una
de las principales fuentes de referencia en este campo.

9.8.5 Dinmica de mundo (Forrester 1971)

El modelo de dinmica del mundo se constituye en un aporte importante de la Dinmica de
Sistemas a las ciencias sociales, posterior a los realizados aos antes por Forrester en los
campos de Dinmica Industrial (Industrial Dynamics, Forrester 1961) y Dinmica Urbana
(Urban Dynamics, Forrester 1969). La historia de este modelo ser remonta al ao 1979, como lo
explica (http://www.systemdynamics.org/DL-IntroSysDyn/start.htm), cuando Forrester fue invitado
al Club de Roma
7
para explorar el potencial de DS al anlisis de problemas del globo terrestre.

El modelo del mundo desarrollado por Forrester se report en libro Dinmica del Mundo (World
Dynamics, Forrester 1971) y fue presentado al club de Roma en el MIT. Este modelo una

7
El Club de Roma es una organizacin que se dedica a buscar soluciones para crisis global que podra ocurrir en el
mundo debido a la saturacin de la tierra para ser poblada, debido a que hay un crecimiento exponencial de la
poblacin y los recursos, tanto renovables como no renovables, son limitados.
simplificacin verdaderamente interesante de las principales variables socio-econmicas de las
actividades humanas explica las relaciones causales entre las variables poblacin mundial,
inversin en bienes de capital, produccin industrial, contaminacin e inversin en agricultura.

El diagrama de niveles y flujo de este importante modelo de Forrester se presenta en la Figura
9.35. Se puede observar como los 5 niveles interactan entre si. La poblacin posee su ritmo
natural de crecimiento que se ve afectado de acuerdo con la disponibilidad de recursos agotables
y las condiciones medioambientales. La contaminacin es creada por las actividades propias de la
poblacin mundial y por los bienes de capital. La produccin agrcola, que representa los recursos
para alimentacin de la poblacin, esta determinada por las demandas de la poblacin y por las
inversiones en el sector. Los recursos naturales son agotables, por lo tanto solo poseen un flujo
de salida que es determinado por la poblacin, la produccin agrcola y el uso de los bienes de
capital. El modelo representa de manera agregada el posible comportamiento del mundo de
acuerdo con las suposiciones expresadas en el mismo.

Figura 9.35. Diagrama de niveles y flujos del modelo de Forreter Dinmica del Mundo

De acuerdo con comportamiento observando en el modelo, el sistema socioeconmico mundial
colapsara durante el siglo XXI si no se toman medidas atinentes a la disminucin de la demanda
de recursos del globo terrestre (Figura 9.36a). El modelo fue usado para hacer un anlisis de
polticas, en bsqueda de un desarrollo sostenible para el sistema global.

Una poltica inicial se fundamenta en la reduccin del uso de los recursos naturales en un 75% a
partir del ao 2000, a travs del mejoramiento tecnolgico. Para ser posible esta sustitucin, se
requiere incrementar las inversiones en bienes de capital lo que conlleva a una mayor
contaminacin y un drstico deterioro en la calidad de vida, produciendo una catstrofe aun
mayor (Figura 9.36b) que la observada en la Figura 9.33a. Otra alternativa de poltica consiste en
buscar una reduccin en la tasa de natalidad del 4% al 2.5% y un incremento del 30% en la
inversin de bienes de capital. Esto lleva a un aumento inicial en la calidad de vida pero slo a un
al aplazamiento de la catstrofe (Figura 9.36c). Finalmente, si se plantea una poltica combinada,
pensando sistmicamente, que incluya una reduccin de la inversin en bienes de capital del
40%, de la tasa de nacimientos del 50%, de la contaminacin del 50%, del uso de los recursos
naturales 75%, y de produccin de alimentos; se logra un desarrollo sostenible de largo plazo con
mejoras en la calidad de vida (Figura 9.36d). Las polticas anteriores se aplicaron en las
simulaciones a partir del ao 2000.

Aos
Poblacin
Bienes de Capital
Recursos Naturales
Contaminacin
Calidad de Vida
1
.
9
0
0
1
.
9
2
5
1
.
9
5
0
1
.
9
7
5
2
.
0
0
0
2
.
0
2
5
2
.
0
5
0
2
.
0
7
5
2
.
1
0
0
0,0
3e9
8e9
4e11
16,0
0,8
8e9
2e10
1e12
40,0
2,0
Aos
Poblacin
Bienes de Capital
Recursos Naturales
Contaminacin
Calidad de Vida
1
.
9
0
0
1
.
9
2
5
1
.
9
5
0
1
.
9
7
5
2
.
0
0
0
2
.
0
2
5
2
.
0
5
0
2
.
0
7
5
2
.
1
0
0
0,0
3e9
8e9
4e11
16,0
0,8
8e9
2e10
1e12
40,0
2,0

(a) (b)
Aos
Poblacin
Bienes de Capital
Recursos Naturales
Contaminacin
Calidad de Vida
1
.
9
0
0
1
.
9
2
5
1
.
9
5
0
1
.
9
7
5
2
.
0
0
0
2
.
0
2
5
2
.
0
5
0
2
.
0
7
5
2
.
1
0
0
0,0
3e9
8e9
4e11
16,0
0,8
8e9
2e10
1e12
40,0
2,0
Aos
Poblacin
Bienes de Capital
Recursos Naturales
Contaminacin
Calidad de Vida
1
.
9
0
0
1
.
9
2
5
1
.
9
5
0
1
.
9
7
5
2
.
0
0
0
2
.
0
2
5
2
.
0
5
0
2
.
0
7
5
2
.
1
0
0
0,0
3e9
8e9
4e11
16,0
0,8
8e9
2e10
1e12
40,0
2,0

(c) (d)
Figura 9.36. Comportamiento del modelo Dinmica del Mundo de Forrester sin ninguna medida
adicional a la tendencia actual (a), con polticas inapropiadas (b) y (c), y polticas de desarrollo
sostenible (d).

Esta lnea de investigacin continu recibiendo el apoyo financiero de El Club de Roma, bajo la
direccin de Dennis Meadows, estudiante de doctorado del MIT, quien desarrollo el modelo
WORLD2. Los resultados fueron publicados en el libro Los Lmites del Crecimiento (The Limits
to Growth, Meadows et al 1972). En la posterior versin del modelo -WORLD3- se aprecia un
tratamiento mucho mas elaborado y detallado del sistema socioeconmico mundial, sin embargo
los modos de comportamiento fundamentales son los mismos que los de WORLD2, y por lo tanto
las conclusiones son similares. A pesar de las similitudes de ambos modelos, este ltimo ha
tenido mucha mayor acogida posiblemente por su estilo amigable y poco tcnico.

Sin embargo, este modelo ha tenido diversas crticas, dentro de las cuales sobresale el trabajo
presentado por Nordhaus(1973) en la publicacin cientfica Economic J ournal. Nordhaus
concluye, entre otros, que el modelo contiene conceptos no claros de las funciones de produccin
o consumo, que el modelo esta aparentemente construido sin soporte en datos o estudios
empricos, que las suposiciones son intuitivamente plausibles para el autor, pero sin referencia al
conocimiento de la poca, y que hay una falta de humildad hacia las predicciones futuras.

9.9 BIBLIOGRAFIA

Alfred L. & A.K. Graham (1976). Introduction to urban Dynamics. MIT Press.

Aracil J . (1983). Introduccin a la Dinmica de Sistemas. Alianza Editorial.

Clark R. (1988). System dynamics and modeling. Operations Research Society of America.

Coyle R.G. (1977). Management System Dynamics. J ohn Wiley & Sons.

Dyner I. (1991). Dinmica de Sistemas y simulacin continua en el proceso de planificacin.
COLCIENCIAS y Universidad Nacional de Colombia.

Forrester J .W. (1961). Industrial Dynamics. MIT Press.

Forrester J .W. (1968). Principles of systems. MIT Press.

Guzmn, Ricardo, y Dyner, Isaac, 1994. Modelo de simulacin de un sistema Depredador-Presa,
tipo Lotka-Volterra, con tres especies. Revista de la Facultad de Ciencias, Universidad Nacional
de Colombia, Sede Medellin

Forrester (1969). Urban Dynamics. MIT Press.

Forrester (1971). World Dynamics. MIT Press.

Goodman M.R. (1974). Study Notes in systems dynamics. MIT Press.

Lyneis J .M. (1980). Corporate planning and policy design, a system dynamics approach. MIT
Press.

Pidd M. (1984). Computer simulation in management science. J ohn Wiley & Sons.

Randers J . (1980). Elements of the system dynamics method. MIT Press.

Roberts N., D. Andersen, R. Deal, M. Garet and W. Shaffer (1983). Introduction to computer
simulation: A sistem dynamics approach. Addison-Wesley.

Roberts N., D. Andersen, R. Deal, M. Garet and W. Shaffer (1983). Introduction to Computer
Simulation: A System Dynamics Modeling Approach. Addison - Wesley.

Nuevas Referencias

Sterman, J ., 2000. Business Dynamics.

Donella H. Meadows, Dennis L. Meadows, J rgen Randers, and William W. Behrens, III., 1972,
The Limits to Growth: A Report for the Club of Rome's Project on the Predicament of Mankind,
New York: Universe Books.

Senge, Peter, 1990. La Quinta di.

Richardson, George P. 1991. Feedback Thought in Social Science and Systems Theory.
Philadelphia, PA: University of Pennsylvania Press.

Nordhaus, W. D., 1973. World Dynamics: Measurement without Data. Economic J ournal, 64(2).

Forrester, J . W. (1968). Principles of systems. Cambridge, Wright-Allen Press.

Bunn y larsen, 1992, 1999

Bunn, Dyner y larsen 1997

Ford, 1999, 2002

Dyner, Lopez, y Arango, 2003.

10 ELEMENTOS DE SIMULACIN BASADA EN AGENTES

10.1 INTRODUCCIN

Al hacer referencia al trmino Agentes, en ambientes de expertos en sistemas, se hacen
conexiones con Paralelismo, Distribucin, Descentralizacin, Auto organizacin, y por
consiguiente, tambin se piensa en sistemas relacionados, por ejemplo, con:

Gansos
Hormigas
Abejas
Termitas
Atascos de trfico; Autopista (automviles)

Hasta el momento, la discusin entre los estudiosos del tema de Agentes se centra en aspectos
relacionados con su comportamiento. Una corriente de pensamiento lo explica en funcin del
liderazgo ejercido a su interior, mientras que otra lo hace en trminos de auto organizacin -
resultante de la interaccin entre sus miembros, o agentes, los cuales se guan por los estados o
por reglas generalmente sencillas.

La Simulacin Basada en Agentes (SBA) o la Simulacin Multiagente (SMA) se diferencia de
otras clases tradicionales de simulacin en que (en parte) las entidades simuladas son modeladas
en trminos de agentes. Otras expresiones equivalentes a Simulacin Basada en Agentes,
segn el tpico que se est tratando, son: Simulacin Basada en Computacin, Modelacin
Basada en Computacin o Modelos Basados en Agentes.

10.2 CARACTERIZACIN DE AGENTES

Al igual que la simulacin orientada a objetos, la SBA soporta una estructura que preserva el
modelamiento de la realidad simulada. La SBA tiene las siguientes caractersticas:

Control distribuido; esto significa que soporta computaciones en paralelo sobre mquinas
separadas.
La simulacin soporta comportamiento pro-activo o reactivo, o ambos, por parte de los
agentes.
Lenguaje de comunicacin: se pueden utilizar lenguajes de comunicacin entre los agentes
que estn compuestos por seales simples (procedimentales), por ejemplo, va el KQML
(Knowledge Query and Manipulation Language), o no utilizar lenguajes de comunicacin.
Habilidad de aadir o borrar entidades durante la simulacin.
Facilidad para intercambiar un agente con la correspondiente entidad simulada, por ejemplo,
una persona real o una mquina fsica, (durante la simulacin) haciendo la simulacin de
escenarios muy dinmica.
Facilita la simulacin del comportamiento de grupos en situaciones altamente dinmicas,
permitiendo as el estudio del comportamiento emergente que no es fcil de entender con
los mtodos tradicionales.
Estn situados dentro de un ambiente computacional en el cual pueden sentir y actuar
recprocamente.
Las transiciones entre estados son especificadas por una red de comportamiento
probabilstico.
Claridad espacial: los agentes pueden ser asignados a una localizacin en el espacio, dentro
del cual se pueden mover, o simplemente, dejarlos quietos en el espacio para lo cual no se
dar ningn movimiento en el espacio.
Adaptatividad: Los agentes pueden estar en un ambiente en el cual puedan aprender, o en
uno donde todo sea esttico.
La interaccin de los agentes puede darse como interacciones de colaboracin, o
simplemente, acciones individuales de los agentes en las cuales no se ve colaboracin.
Aunque cada agente slo tenga un repertorio relativamente pequeo de comportamientos,
cuando varios agentes actan recprocamente la apariencia externa es de un sistema
complejo que evoluciona con el tiempo; esto se conoce como COMPORTAMIENTO
EMERGENTE

10.3 COMPONENTES DE UN SISTEMA MULTIAGENTES

Los agentes actan recprocamente con su ambiente por medio de acciones. Cuando el mundo
de agentes se simula, algo debe arbitrar para saber si las acciones ensayadas tienen xito; este
papel es realizado por un rbitro. Un sistema de agentes consta principalmente de las tres
siguientes partes:

Los Agentes, o entidades, o actividades, o individuos
El Ambiente, las reglas.
Las Acciones, el Arbitro, el Observador, y los Comportamientos

El resultado de estas partes es un comportamiento agregado o emergente, el cual produce
caractersticas interesantes y reales.

10.4 EJEMPLOS DE APLICACIONES DE SIMULACIN BASADA EN AGENTES

La SBA es apropiada para la simulacin de situaciones donde hay un gran nmero de individuos
heterogneos quienes pueden comportarse de forma diferente. Por ejemplo:

Vehculos (y peatones ) en situaciones de trfico.
Actores en mercados financieros.
Comportamiento de consumidores.
Humanos y mquinas en campos de batalla (competencia).
Personas en grupos.
Animales y/o plantas en eco-sistemas.
Criaturas artificiales en juegos de computador.
Actividades de entrenamiento.
Evolucin de modelos mentales.
Conflicto Armado.
Cadenas de suministro: productos, almacenes.
Estrategias: el dilema del prisionero.
Monitoreo y control de las condiciones ambientales en un edificio de oficinas: aire,
temperatura, iluminacin, en donde los agentes son personas con preferencias.
Entrenamiento en polticas para que los funcionarios desarrollen habilidades de gerencia para
aplicar en eventos de rdenes pblicas

10.5 EJEMPLOS DE APLICACIONES DE SIMULADORES BASADOS EN AGENTES:

Un Simulador Basado en Agentes es una herramienta construida para simular situaciones de
competencia (combates, batallas, etc.). Los Agentes representan entidades como camiones,
tanques, personal, etc., y no slo se busca posibilitar la simulacin sino tambin permitir que los
individuos interacten con el sistema como parte de su posible entrenamiento.

Existen Simuladores Multiagentes (SMA) que pueden monitorear y controlar un edificio de oficinas
para lo cual usa las lneas de comunicacin entre los agentes, los sensores y los accionadores de
luz, calor, etc. Los objetivos son tanto de ahorro de energa, por ejemplo, luces que son apagadas
automticamente y temperaturas que se reducen cuando los espacios estn vacos, e incremento
de la satisfaccin del cliente por medio de valores aadidos de servicios, por ejemplo, adaptando
la intensidad de la temperatura y de la luz de acuerdo con las preferencias personales de cada
persona. La SMA es evaluada en simulaciones en donde las personas en el edificio son
modeladas como agentes con diferentes comportamientos.

Otros simuladores sirven como herramientas para el anlisis de estrategias con dos alternativas
en juegos simtricos tales como el Dilema del Prisionero. El soporta ruido, concursos, dinmica
poblacional y divisin de los resultados de las reuniones de sus integrantes. El punto de vista
tomado del agente, es el de considerar al agente como un seleccionador apropiado de estrategias
en un ambiente.

Algunos simuladores se utilizan para el anlisis de sistemas de transporte de mercancas.
Basados en los principios de manejo de las cadenas de suministro, se intenta modelar los
productos como agentes con la habilidad de interactuar activamente con otros bienes y equipos
en almacenes de productos terminados. En estos simuladores tambin se incorporan problemas
de localizacin de recursos. Se espera que al usar la metfora de los agentes para caracterizar
los bienes (productos) en una simulacin de flujo de material, se facilite la evaluacin de criterios
de decisin para la administracin o para el manejo logstico colaborativo e interorganizacional

Algunos otros simuladores se han desarrollado para asistir en el entrenamiento de polticas, a
funcionarios que deban desarrollar habilidades de gerencia.

Los sistemas geogrficos tienen intrnsicamente problemas de complejidad organizada: son
formas de enclaves (emplazamientos), modelados como una propiedad emergente de
preferencias individuales locales, como agentes que pretenden tener acceso a recursos y a otros
agentes. No obstante la base terica y de modelamiento computacional surge dirigida como
probablemente sea de inters para cualquier modelamiento de un sistema geogrfico
caracterizado por:

Interacciones individuales de micro-nivel que conducen a un fenmeno emergente de macro-
nivel, el cual retorna realimentacin para afectar las acciones de micro-nivel;
Interacciones no lineales (no separables) entre mltiples agentes y sus ambiente; y
Efectos positivos de realimentacin.

En problemas de asentamientos al interior de un pas, los tamaos y la distribucin de las
ciudades estn fuertemente influenciados por cambios en la estructura econmica (como la
transicin hacia una economa basada en informacin) y por mejoras en el transporte (Couclelis
1994). Tales cambios tienen implicaciones sobre polticas potenciales en trminos de
infraestructura econmica y comunitaria, e intervenciones ambientales.

Los modelos de emplazamientos (enclaves) dividen a la poblacin de agentes en varios sectores
econmicos, donde los agentes en cada sector son asignados de acuerdo con un perfil especfico
de un sector de acceso a requerimientos (u otros agentes desde un sector propio o diferente, y tal
vez a recursos) y acceso a capacidades (habilidad para hacer uso de varias tecnologas para
facilidad de interaccin). Los sectores son interpretados como una diferenciacin econmica entre
agentes, y no estn necesariamente correlacionados espacialmente con anterioridad.

En manifestaciones, se pueden observar los siguientes comportamientos:

Manifestantes cercanos que pueden entrar en confrontacin.
Manifestantes agresivos que pueden entrar en disputas.
Condiciones detectadas en la vecindad de los agentes y que se pueden probar para la
presencia o ausencia de un tipo de agente especfico, un comportamiento particular, o una
construccin cercana.
Si unos pocos de los manifestantes son los que indican la ruta y el resto son seguidores, se
formar una marcha.
Una restriccin puede crear una especie de embudo y se formar un acopio (rezago). Cuando
los agentes dejen la restriccin, la marcha llegar a estar ms espaciada. Si la marcha llega a
estar muy espaciada, entonces un agente puede perder la visin de los de adelante y as,
como no conoce la ruta, puede perderse.

Un simulador basado en agentes no es suficiente en si mismo para proporcionar un ambiente de
entrenamiento. En el caso de los manifestantes, si se desea entrenar policas, es necesario contar
con algunos elementos de utilidad para guiar el desarrollo de las condiciones que faciliten el
aprendizaje; por ejemplo, se pueden introducir los siguientes elementos:

Mensajes para explicar el inicio de la simulacin.
Una fuga de gas: puede cambiar la marcha en una manifestacin.
Un arma de fuego: para acordonar los caminos de los alrededores.
Agregar construcciones.
Agregar caminos.

10.6 AGENTES - AUTMATAS CELULARES. CARACTERSTICAS

Hay que definir automata celular.Los sistemas multiagentes poseen caractersticas similares a
los Autmatas Celulares (AC); algunas de ellas son:

Igual que los AC, los agentes existen en algn espacio. En un contexto urbano, cualquier
nmero de ambientes artificiales pueden ser diseado para agentes que habiten, desde
espacios pequeos hasta ciudades. Los sistemas multiagentes poseen mobilidad dentro de
su espacio virtual.

En los SMA el tiempo es discreto, como en los AC.

Como los AC, los agentes poseen algn lmite discreto que los separa del ambiente en el cual
existen. Pueden ser diseados para imitar cualquier entidad urbana como por ejemplo,
habitantes, negocios, vehculos, etc.

Los agentes tienen conjuntos de atributos o estados que describen sus caractersticas. Los
estados pueden ser formulados para representar los atributos de organizaciones urbanas
reales, por ejemplo, un agente es diseado para imitar un grupo familiar que puede tener
atributos tales como un ingreso medio, carro propio, etc.

En AC el intercambio de informacin es realizado a travs de las vecindades. En los SMA el
intercambio de informacin es ms explcito: Un agente puede, en muchos casos,
comunicarse con otros agentes y con su ambiente; esto lo facilitan los lenguajes.

Como con los AC, el comportamiento de los agentes est dirigido por reglas de transicin.
Cualquier nmero de reglas pueden ser diseadas para gobernar las actividades de los
agentes: objetivos que los agentes buscan satisfacer (por ej., minimizar distancias de viaje:
algoritmo del vendedor viajero), preferencias que podran estar considerando disfrutar: ej:
gustos o repugnancia por ciertos espacios, etc.

Son entonces los AC un subconjunto de los SMA? O algunos autores los consideran

10.7 EJEMPLO: CRECIMIENTO DE SOCIEDADES ARTIFICIALES, CIENCIAS SOCIALES
DESDE LA BASE DE LOS INDIVIDUOS

(basado en Epstein. J . y Axtell R.)

El texto Growing Artificial Societies, Social Science from the Botton Up ha sido uno de los
influyentes en el campo de los SMA. En este se aplican los SMA para entender y analizar diversos
comportamientos humanos, apartndose drsticamente de las disciplinas tradicionales. En el texto
se presenta una plataforma computacional, es decir un Sistema Multiagente, que permite el estudio
actividades comunes del ser humano. Se parte de una perspectiva evolucionaria que adiciona
diferentes disciplinas, por ejemplo economa y demografa. Entre los comportamientos que se
estudian estn el comercio, la migracin, la formacin de grupos, el combate, la interaccin con el
ambiente, la transmisin y la cultura, la propagacin de epidemias y la dinmica poblacional.

En su presentacin, Epstein y Axtell llaman sociedades artificiales a aquellas generadas por medio
de los SMA. En estas, las estructuras sociales y el comportamiento de grupos emergen del resultado
de las interacciones de los individuos (dentro de ciertos ambientes) que se comportan de acuerdo
con ciertas reglas. Los individuos tienen limitaciones de informacin y de capacidad de
procesamiento de la misma. Estas sociedades artificiales son entonces laboratorios para estudiar
que tipo de micro-mecanismos pueden generar determinados comportamientos a nivel
macroscpicos.

Como se ha discutido en la metodologa, los SMA poseen tres elementos particulares: Agentes,
Ambiente, y Reglas. En el modelo desarrollado, los agentes son las personas que pertenecen a las
sociedades artificiales con ciertas caractersticas fijas como sexo, metabolismo, y otras que podran
cambiar en el tiempo como preferencias econmicas, salud e identidad cultural. El ambiente se
modela en este caso como una red donde los individuos interactan. Finalmente, las reglas en el
modelo definen la movilidad de los individuos, el tipo de relaciones con los otros, y estn acopladas
con el estado del ambiente o posicin en donde se encuentra. El modelo fue desarrollado por medio
de Programacin Orientada a Objetos, donde tanto los agentes como el ambiente son tratados
como objetos.

La metodologa de estudio consiste bsicamente en la liberacin de una poblacin inicial en un
espacio simulado con ciertas reglas de comportamiento. Los resultados del ejercicio muestran que
diversos patrones de comportamiento social pueden emerger a nivel macroscpico; por ejemplo, la
formacin de tribus. La formacin, crecimiento o emergencia de las estructuras sociales se realiza
desde la interaccin de los individuos que actan en un ambiente artificial bajo ciertas reglas de
juego. El modelo desarrollado se llama The Sugarscape Model, con el cual se analizan temas
demogrfico, econmicos, y antropolgicos, entre otros. Los temas tratados en profundidad por
medio de simulaciones incluyen:

Vida y Muerte
Sexo, Cultura y Conflicto: La Emergencia de la Historia
Azcar y Especias: Comercializacin en el Modelo
Individuos Enfermos

Las simulaciones muestran como se forman o emergen estructuras sociales, coincidentes con las
observadas en la sociedad actual y/o en sociedades pasadas; en este caso partiendo de decisiones de
individuos ubicados en un espacio y con capacidad finita de almacenamiento de informacin y de
procesamiento en la toma de decisiones. Al final se explica, por medio de los SMA, como una
sociedad artificial puede tener caractersticas similares a las de una real. Ver la referencia para
mayor profundidad en el anlisis y en el modelo (Epstein y Axtell, 1996).

10.8 EJEMPLO: JUEGO DEL BAR EL FAROL . POR BRIAN ARTHUR, 1994.

La Barra de el Bar el Farol es un simulador de un sistema econmico complejo. En el simulador,
la poblacin de agentes tiene que decidir si va al bar cada noche de un jueves. Los agentes
acuden si el bar no est demasiado amontonado (ms del 60% de los agentes, o de la capacidad
del bar). Cada agente trata de predecir lo que harn los dems por medio de dos modelos de
pronsticos, entre cuatro que tienen disponible.

Si la mayora de los agentes predicen que el bar no estar demasiado amontonado entonces
todos irn y ser demasiado amontonado, y viceversa.

Ejemplo de modelos de pronsticos:

5 : 1
2
+ =
t t
x x M ( )
3
: 2
1 2 3
+ +
=
t t t
t
x x x
x M
( ) 7 . 0
1
* 22 : 3

=
t t
x x M
1
* 3 . 0 23 : 4

=
t t
x x M

10.8.1 Resultados: Juego del Bar el Farol

El rango de asistencia oscila alrededor del 60%.
No es un patrn simple de comportamiento.
Tienen modelos de diferentes reglas durante todo el tiempo.
Cada agente aplica un modelo escogido de un men, y es el preferido segn el grado de
xito.
No se adoptan estrategias particulares durante un tiempo.
No hay unas reglas claramente identificables por agente.
Parece una actuacin aleatoria y homognea debido a que el sistema entero es
determinstico y cada agente empieza con un men diferente de modelos.

10.8.2 Extensiones del Juego del Bar el Farol

El problema del Bar El Farol puede extenderse a los estudios de mercados, como por ejemplo:

Tres lados del juego minoritario (MG).
Estrategias estocsticas.
Teora de las multitudes (conglomerado) o del anticonglomerado.
J uegos evolutivos.
Aplicaciones de Redes Neuronales.
El MG y las ecuaciones diferenciales estocsticas.
Modelos para predecir
M1:
10
2
+ =
t t
x x
M2:
( )
3
1 2 3
+ +
=
t t t
t
x x x
x
M3:
( ) 7 . 0
1
* 22

=
t t
x x
M4:
1
* 3 . 0 45

=
t t
x x

Predicciones
t M1 M2 M3 M4 Valor Total
t-4 18
t-3 25
t-2 10
t-1 35 18 4 42 16
t 20 17 3 40 32
t+1 26 19 2 35 29
t+2 42 26 2 36 37
t+3 39 33 2 34 21
t+4
t+5
t+..

Soluciones exactas, los equilibrios de Nash, dinmica del replicador en MG.
Los MG espaciales. Los "Mundos pequeos". La organizacin social.

10.9 EJEMPLO DE APLICACIN: ANLISIS DE PODER DE MERCADO EN EL MERCADO
ELCTRICO ALEMN

(basado en Bower et al 2001)

Con la liberalizacin del mercado elctrico alemn en abril de 1998, los precios mayoristas de
electricidad bajaron drsticamente en 60%, lo cual fue observado como un xito del proceso de
transformacin. No obstante, esta cada en precios implic una considerable reduccin en los
ingresos de los generadores. Los mayores generadores adoptaron una serie de estrategias cuyo
impacto buscaba la concertacin en el mercado, con el propsito de poder elevar los precios por
encima de los precios competitivos inicialmente observados. Es importante establecer el potencial
que tienen los agentes en los mercados elctricos para influir sobre los precios.

En economa de las organizaciones industriales se ha considerado que dependiendo de la
concentracin que se presente en la industria puede existir mayor o menor posibilidad de que los
agentes puedan influir sobre los precios del mercado. Una de las metodologas utilizadas para
este propsito se fundamenta en el uso del ndice Herfindahl-Hirschman (HHI). Este es calculado
como la suma de los cuadrados de las porciones de mercados de los agentes participantes.
Como criterio, la literatura seala que cuando el valor de HHI es menor que 1000 el mercado es
competitivo (poca o ninguna influencia de los agentes), cuando el valor esta entre 1000 y 1800 el
mercado es moderadamente concentrado (mediana influencia de los agentes) y cuando el valor
es mayor que 1800 el mercado es altamente concentrado (alta influencia de los agentes).

Se propone entonces el uso de los SMA para evaluar posibles dinmicas del mercado elctrico
aleman como consecuencia de posibles decisiones estratgicas de los agentes que lo conforman.
Esto contrasta con los modelos de equilibrio tradicionales en economa a travs de los cuales
se derivan, entre otros, el ndice HHI. Con los SMA, como se ha venido discutiendo en el captulo,
se permite el anlisis econmico del sistema mediante la modelacin de: acciones e interacciones
entre agentes en el tiempo; continua adaptacin y adecuacin de estrategias de acuerdo a la
evolucin del sistema; modelacin del grado de racionalidad deseado, evitando el cuestionable
comportamiento de los agentes totalmente racionales; emergencia de comportamiento complejo
como un resultado de la interaccin de los agentes y no impuesto de manera exgeno.

El modelo desarrollado (Bower et al., 2001) especifica un mercado (ambiente) en el cual
participan firmas (agentes). Las firmas poseen ciertas caractersticas y conocimientos para
realizar sus operaciones. Cada firma tiene las capacidades de encuentros con otras firmas
(sensing) y de almacenar una limitada cantidad de informacin del sistema, y as poder aplicar
reglas de comportamiento para tomar decisiones de precio, inversiones, etc. El modelo consiste
en una serie de acuerdos de comercializacin, de un conjunto de firmas y de una demanda
programada. Los acuerdos de comercializacin son las ofertas diarias en la bolsa y representan el
mercado de corto plazo de contratos. Cada agente representa una firma con determinado
portafolio de generacin (capacidad, combustible, eficiencia, disponibilidad y costos marginales).
La demanda se asume agregada en una curva de demanda, la cual no tiene ningn
comportamiento estratgico como si lo tienen los agentes (firmas) que hacen sus ofertas. El
despacho del sistema y el proceso de ofertas se hacen de acuerdo con las reglas del mercado
modelado.

El comportamiento de las firmas esta determinado por 5 simples reglas de decisin: 1 conciencia
propia, 2. restricciones de informacin, 3. funciones objetivo, 4. Seleccin de estrategias y 5.
restricciones estratgicas. En la referencia se encuentran mayor detalle sobre estas (Bower et al.,
2001). Las reglas de decisin estn basadas en procesos fundamentales tales como la mutacin,
con la cual las firmas seleccionan estrategias de oferta de una fuente infinita; la realimentacin,
con la cual las firmas pueden observar los resultados de sus decisiones; la seleccin, con la cual
deciden basados en las estrategias de mejores resultados; y la competencia, con la cual las
firmas responden continuamente al comportamiento competitivo de las otras firmas.

El modelo posee muchos otras consideraciones tales como agregacin de algunas pequeas
firmas en una sola, manejo de la transmisin e interconexiones con otros pases, consideraciones
computacionales y detalles del despacho, entre otros.

Antes de la fusin de algunas firmas, se observ un valor entre 500 y 800 del HHI, medido sobre
la porcin de mercado de capacidad de generacin de acuerdo con diferentes fuentes
disponibles. Acorde con las recomendaciones sobre potencial poder de mercado, estos valores no
representan mayores problemas de concentracin de mercado y eventual ejercicio de poder de
mercado. Sin embargo, los resultados de las simulaciones, con el modelo basado en agentes,
indican el potencial existente en el mercado para poder incrementar los precios, como
efectivamente ocurri en 1999 cuando se registraron valores por encima del precio competitivo.

Con la ayuda de simulaciones se concluy que las firmas en el mercado elctrico alemn tienen el
potencial para ejercer un poder de mercado limitado a pesar de que el ndice HHI es inferior a 800
lo cual podra cuestionar el uso que se le da al ndice en este tipo de mercados. De hecho, el
ejercicio de poder de mercado se ha ejercido histricamente en Alemania. Se mostr que esto se
logra mediante un comportamiento estratgico, donde las firmas estn dispuestas a reducir la
capacidad de utilizacin de sus plantas y por lo tanto su porcin de mercado, logrando un
incremento en los precios.

10.10 SOFTWARE PARA SMA

En internet se encuentra abundante informacin sobre Simuladores Multiagentes, y hay un gran
nmero de paquetes de software disponibles para hacer aplicaciones. Algunos de ellos se
muestran en la tabla 10.1.

TABLA 10.1. Software de Agentes y caractersticas de ellos.
Nombre AC/Agente URL Plataforma Licencia
DUEM AC http://ceita.acad.emich.edu C++
J CASim AC http://www.sc.cs.tu-bs.de/~weimar/jcasim/ J ava
ZEUS Agente http://innovate.bt.com/projects/agents.htm EOS
Swarm
Agente
http://www.swarm.org Objective-
C
GNU
Kenge AC http://www.nr.usu.edu/swarm Objective-
C
GNU
RePast Agente http://www.spc.uchicago.edu/src.cgi?csshome J ava GNU
Aglets Agente http://www.trl.ibm.co.jp/aglets/ J ava GNU
J ADE Agente http://sharon.cselt.it/projects/jade/ J ava GNU
StarLogo AC-agente http://www.media.mit.edu/starlogo/home.htm J ava
IMT Agente http://flock.cbl.umces.edu/imt/
Ascape AC-agente http://www.brook.edu/es/dynamics/models/ascape
J ava

MAML Agente http://www.syslab.ceu.hu/maml Objective-
C

Las siguientes secciones presentan una descripcin de dos de los software ms representativos:
Netlogo y Swaps.

10.11 SOFTWARE NETLOGO

A continuacin se ilustra el uso del Software NETLOGO con dos ejemplos sencillos. El lector debe
esta familiarizado con la forma de operar de este software de acceso libre, lo cual se puede lograr
de la pagina internet
8
.

10.11.1 Ejemplo 1: atasco de trfico; qu es?

Este ejemplo modela el movimiento de carros sobre una autopista. Cada carro sigue un conjunto
simple de reglas: disminuye la velocidad si l ve un carro cerca y adelante, y acelera si no ve
carros adelante.

El ejemplo demuestra cmo el atasco de trfico (circulacin) puede formarse incluso sin
accidentes, puentes cados, o volcamientos de vehculos. Una causa no centralizada es
necesaria para que se forme un atasco.

Comandos:
Setup: Nmero de carros
Drive: Movimiento de los carros
SpeedUp: control de la tasa de aceleracin cuando no hay carros adelante.
SlowDown: Disminucin de la velocidad de un carro cuando hay otro al frente.
Sim-Delay: Permite disminuir la velocidad de la simulacin

Asuntos para observar en las simulaciones:
Los embotellamientos empiezan con semillas aleatorias. Los carros inicialmente estn en
posiciones aleatorias y con velocidades aleatorias. Si algunos carros estn conglomerados, ellos
se movern lentamente, causando como comportamiento, que ellos desaceleren, y se formen
embotellamientos.

An cuando todos los carros se estn moviendo hacia delante, los embotellamientos tienden a
moverse hacia atrs. Este comportamiento es comn en fenmenos de ondas: el comportamiento
del grupo es con frecuencia muy diferente del comportamiento de los individuos que constituyen
el grupo.

Plotwindow 1: Grafica tres valores cuando el modelo corre:
La velocidad ms alta de cualquier carro (esto no excede la velocidad lmite).

8
http://ccl.northwestern.edu/netlogo/
La velocidad ms baja de cualquier carro.
La velocidad de un nico carro (tortuga 0, agente 0), pintado con rojo para que pueda ser
observado

Se observa no solamente el mximo y el mnimo, sino tambin la variabilidad (las sacudidas) de
los carros.

Asuntos para intentar con el simulador:
En este modelo hay tres variables que pueden afectar la tendencia para crear embotellamientos:
el nmero inicial NUMBER de carros, SPEEDUP, y SLOWDOWN.

En las simulaciones se podrn apreciar patrones de cmo cambios en las tres variables afectan el
flujo de trfico. Cul variable tiene el mayor efecto? Los patrones tienen sentido? Ellos parecen
ser consistentes con sus experiencias como conductor?

Escoja SLOWDOWN como cero. Qu pasa en el flujo? Gradualmente incremente SLOWDOWN
mientras el modelo corre. En cual punto le flujo deja de funcionar?

Extendiendo el modelo:
Ensaye otras reglas para la aceleracin y la desaceleracin. Es la regla presentado aqu realista?
Son las otras reglas ms atinadas o representan mejor las estrategias de conduccin?

En realidad, diferentes vehculos pueden seguir diferentes reglas. Trate de dar diferentes reglas o
valores a la aceleracin y la desaceleracin de algunos carros. Puede un mal conductor confundir
ms las cosas?

Qu puede usted cambiar para minimizar las oportunidades de formacin de embotellamientos?
Qu puede cambiar para hacer que los embotellamientos se mueva hacia delante en vez de hacia
atrs?

Modelos relacionados:
El que agrega grficos, camiones y radares en StarLogo "Gridlock" (en HubNet, puede ser
corrido como una simulacin participativa) mira el trfico en una cuadrcula con muchas
interacciones.

El simulador fue adaptado del modelo de trfico del MIT Media Lab. Ver Resnick, M. (1994)
"Turtles, Termites and Traffic J ams: Explorations in Massively Parallel Microworlds." Cambridge,
Ma: MIT Press. Adapted to StarLogoT, 1997, as part of the Connected Mathematics Project.
Adapted to NetLogo, 2000, as part of the Participatory Simulations Project.

10.11.2 Ejemplo 2: propagacin de fuego; qu es?

Este ejemplo simula la propagacin del fuego a travs de un bosque. El fuego empieza sobre el
lado izquierdo del bosque y se propaga al rbol vecino. El fuego se propaga en cuatro
direcciones: norte, este, sur, oeste. La oportunidad del fuego de buscar el lado derecho del
bosque depende principalmente de la densidad de los rboles en el bosque.

Comandos:
SETUP: Escoge el numero de rboles (verdes) y el fuego (rojo) sobre el lado izquierdo.
GO: Empieza la simulacin.
DENSITY: ste deslizador controla la densidad de los rboles en el bosque.

Asuntos para observar en las simulaciones:
Cuando se escoge la densidad de los rboles en 55%, no se alcanza el lado derecho del bosque.
Cuando se escoge una densidad de 70%, el fuego alcanza el lado derecho casi con certeza. Hay
una transicin alrededor del 59%; en este valor, hay una oportunidad del 50% de alcanzar el lado
derecho. Ntese que las paredes azules previenen que el fuego se expanda fuera de los bordes
de la pantalla.

Caractersticas del netlogo:
Este ejemplo slo usa parcelas, no tortugas; cada rbol usa la primitiva NSUM4 para determinar
si algn ambiente de los rboles del entorno est en el fuego. Note cmo el programa
gradualmente decrece el color de las parcelas rojas hasta alcanzar el efecto visual del incendio.

Este simulador fue desarrollado en MIT Media Lab. See Resnick, M. (1994) "Turtles, Termites and
Traffic J ams: Explorations in Massively Parallel Microworlds." Cambridge, Ma: MIT Press.
Adaptado a StarLogoT, 1997, como parte del proyecto de Connected Mathematics Project.
Adaptedo a NetLogo, 2000, como parte del proyecto Participatory Simulations Project.

10.12 SOFTWARE SWAPS

SWAPS es un software desarrollado para la simulacin de modelos basados en agentes
para ser aplicado en una amplia gama de disciplinas. Este ha sido desarrollado en el
Instituto Santa Fe
9
. La idea bsica del software es la simulacin de agentes que
interactan dinmicamente. Este software es experimental. Su desarrollo comenz en
1994 y la primera versin se hizo disponible en 1996. Este ha sido aplicado en una
enorme variedad de disciplinas, entre ellas la biologa, antropologa, computacin,
defensa, ecologa, economa y geografa, entre otras.

El software utiliza elementos llamados Swarm (enjambre, aglomerado), los cuales estn
encargados de la asignacin de memoria y la programacin de eventos. En general, la
simulacin de un simple Swarm consiste del modelo donde los agentes interactan, y de
un observador del sistema. El software esta compuesto por un conjunto de libreras que
facilitan la implementacin de los SMA.

El software es una maquina virtual que permite al investigador o analista describir el
comportamiento de los agentes uno a uno, agente por agente, ubicados temporal y
espacialmente de acuerdo a lo deseado. Con el software, es posible tambin tener
jerarquizaciones de los agentes, las cuales no necesariamente se conservan. Existe la
posibilidad de componer y descomponer jerarquas, lo cual permite hacer modelamiento
botton up, es decir de abajo hacia arriba, donde el comportamiento del sistema emerge
desde los entes individuales o agentes a travs de sus interacciones.

9
El Instituto Santa Fe un centro de investigacin privado, sin nimo de lucho y multi-disciplinario, fundado en 1984.
Este busca la investigacin mediante diferentes tipos de proyectos que permitan quebrar las barreras entre las
disciplinas tradicionales y difundir las nuevas ideas y metodologas a otros individuos para potencializar sus resultados.
Ver mas en su pgina de Internet (www.santafe.edu/).

Swarms realiza un almacenamiento temporal para un conjunto de agentes interactuando
en un sistema. Este puede tener adems otros Swarms con las mismas propiedades, y
en ambos casos el modelador debe definir el comportamiento de los agentes usando
reglas de decisin con la complejidad deseada. El modelador debe describir tambin
como son las instituciones que definen las interacciones entre agentes y el curso de
eventos en el sistema. El software posee 4 elementos simples y flexibles de construccin
de modelos: mensajes, objetos (los agentes), grupos y eventos.

Como requisitos para el uso del software, se recomienda tener una comprensin bsica
de programacin de computadoras y del conocimiento al menos un lenguaje de
programacin orientado a objetos (J ava o Objetive C). El software es libre con fines no
comerciales. Ha sido desarrollado en lenguaje C con rutinas bastante eficientes. Su sitio
en Internet (http://www.swarm.org/) posee ms informacin para el lector que desee
profundizar en el tema, no solo sobre el software y sus caractersticas, pero tambin
sobre la metodologa de los SMA.

10.13 EJERCICIOS

10.14 REFERENCIAS

J ohn Bower, Derek W. Bunn and Claus Wattendrup, 2001. A model-based analysis of
strategic consolidation in the German electricity industry, Energy Policy, Volume 29,
Issue 12, October 2001, Pages 987-1005

J oshua M. Epstein y Robert Axtell, 1996. Growing Artificial Societies, Social Science from
the Botton Up. Washington: Broking Institution Press, 208 p.

NetLogo itself: Wilensky, U. 1999. NetLogo. http://ccl.northwestern.edu/netlogo/. Center
for Connected Learning and Computer-Based Modeling, Northwestern University.
Evanston, IL

11 MTODOS DE MONTECARLO

Los mtodos de Montecarlo fueron introducidos por Von Neumann y Ulam en 1940 (Naylor, 1971)
para tratar, a travs de simulaciones, algunos problemas matemticos complicados que
presentaban dificultades para ser resueltos en forma analtica.

En general, la simulacin mediante mtodos de Montecarlo posee una base estocstica o
probabilstica. Su uso est enfocado a problemas que implican el manejo de Variables Aleatorias
o Procesos Estocsticos, con ciertas funciones de distribucin (cmo se indic en la Parte I de
este texto). Los problemas determinsticos que se abordan a travs de esta aproximacin deben
ser formulados en trminos estocsticos como se podr apreciar en las secciones siguientes. A
continuacin se presentan algunos casos que son tratados por medio de simulacin de
Montecarlo, anotando que en la actualidad existen mtodos numricos que superan los algoritmos
de solucin aqu empleados. No obstante, estos siguen teniendo inters conceptual.

11.1 ESTIMACIN MONTECARLO DEL NMERO

Uno de los mtodos de Montecarlo ms antiguo es el utilizado para la estimacin del nmero . El
esquema que se emplea (el de Bufn y la aguja) consiste en el lanzamiento n veces de una
varilla de longitud L sobre una superficie reglada, con lneas a una distancia D, como se puede
apreciar en la Figura 11.1Figura 11.1

Figura 11.1. Lanzamiento de una varilla de longitud L sobre una superficie reglada para la
estimacin del nmero .

Se debe cumplir la condicin L D. De la Figura 11.1 se puede deducir que:

Y2 =(L/2) * SIN ( )

D
D
L/2
L/2
Y
1

Y
2

L
PI =(L*2)/PRO*D ??????

Donde
PRO =probabilidad de xito (intercepcin arriba o abajo)

Luego para calcular (que denominaremos PI), lanzaremos n veces la varilla y estimaremos
PRO, la probabilidad de que la varilla corte una de las lneas, de la siguiente manera

n
lnea de cortes de Nmero
PRO =

Para realizar esto a travs del mtodo de Montecarlo, se lanza la varilla azar. Esto es equivalente
a determinar a que distancia cae el centro de la varilla de una de las lneas paralelas y con que
ngulo. Para este fin se generan dos nmeros uniformemente distribuidos as: el primero entre 0 y
D, y el segundo entre 0 y 90 grados. Y1 ubica la distancia desde una de las lneas paralelas al
centro de la varilla (el punto medio). TETA determina el ngulo con respecto a las paralelas y Y2
es el cateto que se indica en la Figura 11.1. De esta manera, se puede establecer que hay corte si
D Y1+Y2 (corte por encima) o Y2Y1 (corte por debajo).

11.2 INTERPOLACIN LINEAL

Se tiene una funcin definida como f(x)=f(x
1
, x
2
, ..., x
n
) n =1000

SI
SI
D, L, N
NCORTE =0
DO I =1,N
CALL UNIF (D,Y1) (Y1 =R1 * D)
Y2 =(L/2) * SIN (TETA)
D Y1+Y2
Y2 Y1
NCORTE =NCORTE +1
CONTINUE
PRO =NCORTE/N
PI =(2*L)/PRO*D
PI, PRO
FIN
CALL UNIF (90,TETA) (TETA =R2* 90)
Es posible calcular f en cualquier vrtice del cubo unitario; es decir, cuando x
i
es cero o uno, i =
1,..., n. El problema es interpolar f en P = (p
1
, p
2
, ... , p
n
), 0 p
i
1, es as

( ) ) ,..., , ( f r ... r r P f
n 2 1 n 2 1

=

o as
( )

=
=
n
i
i i
f r P f
1
) (

La suma se hace sobre todas las combinaciones de
i
= 0 1 y

Hay que sumar 2
n
trminos, cada uno como producto de n+1 elementos, lo cual se traduce en
problemas de tiempo y redondeo.

=
=
=
1
0 1
i i
p
i i
p
i
r

Figura 11.2. Ejemplo de interpolacin lineal con mtodos de Montecarlo.

Ejemplo:

Un proceso sustituto sera escoger n nmeros aleatorios y, de acuerdo con ellos, definir:

n
i
=
1 con probabilidad 1 - p
i
0 con probabilidad p
i
n
i
=
1 con probabilidad 1 - p
i
0 con probabilidad p
i

Luego,
[ ]
n n n
r r r n n n P ... ,..., ,
2 1 2 2 1 1
= = = =
.

Entonces t=f(n
1
,n
2
,...,n
n
) es insesgado de f(p)

ya que
[ ] [ ]
= . ... ,..., ,
2 1 2 1 n n
r r r f t E

f(x)
f(0.3)=0.7*f(0)+0.3
x
1 0.3 0

Adems, podemos estimar a f(p), por

( )
=
=
N
i
n i
n n n f
N
T
1
2 1
,... ,
1

y seguir siendo insesgado con varianza

[ ] ( ) [ ]. ,..., ,
1
2 1 n
n n n f Var
N
t Var =

11.3 CLCULO DE MATRICES GRANDES

Los mtodos de Montecarlo son posibles aplicarlos para realizar clculos con matrices
extremadamente grandes, mediante aproximaciones. Este tipo de estimaciones fue til cuando
se tenan mayores limitaciones de cmputo; pero ahora no tienen mucha validez debido a los
avances tecnolgicos.

Sean A una matriz de orden l x m y B de orden m x n, la matriz C = A B, con C de orden se
calcula por:

=
=
m
k
kj ik ij
b a C
1
.

Cuando m es muy (pero muy!) grande, se pueden seleccionar N elementos al azar y estimar Cij
por

.
1
=
=
N
r
krj ikr ij
b a
n
m
r

Este es un estimador insesgado con varianza

( )
.
1
2
1 1
2 2

= =
m
k
kj ik
m
k
kj ik
b a b a m
m N
n m

Para m 10
5
vale la pena el mtodo. En este caso N 10
3
produce desviaciones aceptables.

11.4 INTEGRACIN DE MONTECARLO

Se desea estimar el valor de la integral
( )
=
b
a
dx x g I

Donde:
g(x): funcin continua en [a,b]
a,b son valores lmites de la funcin a integrar

11.4.1 Mtodo de Hit or Priss

Se escogen puntos al azar dentro del rectngulo que tiene base ab y altura c (En la figura 10.2
denotados por estrellitas).

Figura 11.3. Mtodo de Hit o Priss de integracin de Montecarlo.

La probabilidad de que los puntos se ubiquen por debajo de la funcin g(.) esta dada por:
( )
( )
( ) a b c
dx x g
a b c
I
r area
s area
P
b
a
= =

.
.

s lanzamento de Nmero
aciertos de Nmero
N
N
P = =
# )

( )
N
N
a b c I
#
1
=

[ ]
( )
[ ]
( )
I N
N
a b c
N E
N
a b c
E
p
=
= #
1

Luego,
1
es insesgado con:

[ ]
( )
[ ]
( )
( ) ( ) [ ] I a b c
N
T
p Np
N
a b c
N Var
N
a b c
Var
H
=
= 1
2
2 2
2
2 2
1

HAY PROBLEMA CON T SUBRAYADO!!! TRATE DE DEDUCIRLO Y TENGO PROBLEMAS!
SUPONGO QUE QUE ES SUBINDICE TETA 1 PERO HAY PROBLEMA DE CUADRADO
ETC..

( ) ( ) [ ]
2
1
2
1
1
1
I a b c I
N
T =

0
a b
s
r
0
a b
* s
r
c
*
*
*
*
*
*
*
*
11.4.2 Mtodo de la Media Muestral

( )
( )
( )
( )

= = dx x f
x f
x g
dx x g I
x
x
b
a

f
x
(x) - funcin de densidad f
x
(x)>0 si g(x)0

( )
( )
( )
( )
( )
= dx x f
x f
x g
x f
x g
E I
X
X X
, X con densidad f
x
(x)

Si
( )
a b
x f
X
=
1
x (a,b)

( ) ( )
=
i
x g
N
a b
1
.
2

[ ]
( )
( ) [ ] ( ) ( )
( )
= I dx
a b
x g a b x g E N
N
a b
E
1
. .
2

[ ] ( ) ( )

=

b
a
I dx x g a b
N
Var
2 2
2
1

( ) ( )
2
1
2 2
1
2

=

b
a
I dx x g a b
N

Eficiencia

[ ] [ ] 0
2 1
Var Var

luego, el mtodo de la Media Muestral es ms eficiente que el mtodo de Hit or Priss.

11.4.3 Mtodo Burdo de MONTECARLO

( )
=
1
0
dx x f

Sea f una funcin continua en [0,1] y
Se desean encontrar estimadores de

Sean r
1
, r
2
,..., r
n
nmeros aleatorios,

Definimos

f
i
=f(R
i
) (r
i
observacin de R
i
)

Entonces,

[ ] ( ) [ ] ( )
= = =
1
0
1 . dr r f R f E f E
i i

Lo que demuestra que f
i
es un estimador insesgado de .

Adems,

=
=
n
i
i
f
n
f
1
1

es estimador insesgado de , con varianza

[ ] [ ] ( ) ( )
= = =
1
0
2
2
1 1
n
dr r f
n
f Var
n
f Var
i

As, para estimar , calculamos

( )
=
=
n
i
i
r f
n
f
1
1

El estimativo de
2
lo encontramos de

( ) ( )
=
n
i
i
f r f
n
s
1
2
2
1
1
,

para determinar el intervalo de confianza

n
s
k f

11.4.4 Mtodo Acierto o Falla de MONTECARLO

El mtodo consiste en lanzar aleatoriamente n puntos sobre la regin [0,1] x [0,1] para luego
contabilizar aquellos que caigan debajo de la funcin f. Estimamos a por

lanzados puntos de Nmero
aciertos de Nmero
N
N
g
A
= =

N
A
tiene distribucin Binomial con parmetro 0.

Luego,

[ ] [ ] = = = n
n
N E
n
g E
A
1 1
,

demuestra que
g
es insesgado. Adems,

[ ] ( ) = 1
1
n
g Var

Eficiencia.

Para dos estimadores insesgados
f
y
g
de , se dice que
f
es ms eficiente que
g
si

[ ]
[ ]
1
2
g Var t
f Var t
i
,

donde t
1
y t
2
representan los tiempos de clculo de
f
y
g
respectivamente.

Es obvio que t
1 <
t
2
!

Ahora,

[ ] [ ] ( ) ( ) ( )
=
1
0
2 1
1
1
dx x f
n n
f Var g Var

( ) ( )
n
dx x f
n n
2 1
0
2
1
1
1
+ =

( ) ( )dx x f
n
dx x f
n

=
1
0
2
1
0
1 1

( ) ( ) ( ) . 0 1
1
1
0
=

dx x f x f
n

Lo que demuestra que
f
es ms eficiente que
g
.

11.5 CADENAS DE MARKOV DISCRETAS FINITAS

Naylor (1971). En ocasiones, es posible caracterizar los sistemas por sucesiones de estados
distinguibles, como por ejemplo el estado en que se encuentra cierto instrumental de produccin,
la cola de almacenamiento, entre otros.

Se puede definir el conjunto de estados del sistema de la siguiente manera:

{ }
=1 k k
X

( ) { } n r X
k
,..., 2 , 1 , 0 =
, estados,

donde:

X
k
= i el proceso est en el estado i en el tiempo k.

Se puede definir la probabilidad P
ij
como la probabilidad de que el sistema evolucione del estado i
al estado j. Esto se denota as:

[ ] [ ]
0 0 1 1 1 1
,..., . . i x i X j X P i X j X P P
k k k k k ij
= = = = = = =
+ +

k j i i i i
k
, , , ,..., ,
1 1 0

Las P
ij
pueden disponerse en un arreglo matricial que recibe el nombre de matriz de
probabilidades de transicin P, la cual determina el comportamiento del sistema.

( )

=
1 1
1 1
,...,
... ,
k
k
i i
j i i i
m
ij
P P

P P P P
m
... =

*
n
*
2
*
1
.
.
.
*
n
*
2
*
1
.
.
.
*
n
*
2
*
1
*
i
.
.
.
*
n
*
2
*
1
.
.
.
*
n
*
2
*
1
.
.
.
*
n
*
2
*
1
.
.
.
*
n
*
2
*
1
*
i
.
.
.
*
n
*
2
*
1
*
i
.
.
.

Figura 11.4. Cadenas de Markov discretas finitas.

Ejemplos:

a. El estado de una mquina puede describirse por una Cadena de Markov:

0 - Est mala 1 - Esperando 2 - Funcionando

( ) { } 2 , 1 , 0 = r X
k
al final del da k.

=
22 21 20
12 11 10
02 01 00
p p p
p p p
p p p
P

b. Estado del tiempo:

( ) { } , 1 , 0 = r X
k
0 - Llueve 1 - No llueve

=

1
1
P

c. Un jugador gana $1 con probabilidad p y pierde $1 con probabilidad q=1-p. El juego termina
despus de la quiebra o cuando el jugador gana $m.

( ) { } n r X
k
,.., 2 , 1 , 0 =

0
00
1
1
1
1
= =
=
=
+
nn
i i
i i
P P
q P
p P

=
1 0 . . . 0 0 0
. . . . . . . .
. . . . . . . .
. . . . . . . .
0 0 . . . 0
0 0 . . . 0 0 1
p q
P

Estados de la Cadena (Clasificacin)

i i
comunican
i
absorbente

Clases de estado (se comunican entre s): Transitorios y Recurrentes.

Ejemplo:

En el ejemplo 3.

{0}, {m} clases recurrentes.
{1, 2, ..., m-1} clase transitoria.

11.6 MTODO DE MONTECARLO PARA RESOLVER SISTEMAS DE ECUACIONES
LINEALES.

Dado el sistema de ecuaciones lineales B x = f, con
( )
n
x x x ,...,
1
'
=
,
( )
n
f f f ,...,
1
'
=
, y
n n
B

.

Si I A = B

f A X
x
+ =

0, 1, 2,.., m-1, m
Si
c a
n
j
ij i
=1
max

Entonces
( )
f A x k
x
k
+ =
+1
,
( )
0
0
= x

I A =
0

( )
( )

=
= + + + =
k
m
m k
k
f A f A A I x
0
1
...

Si
0 B

( )
( ) x f B f A I x
k
k
= = =
+

1 1 1
lim

La solucin; x.

La coordenada j de x
(k+1)
, es

( )

+ + + + =
+
n
i
n n
i i
n n n
i i i
ik i i i i i ji i i i ji i ji j
k
j
k
k k
f a a a f a a f a f x
1
1
2 1
2 1
2 1
1 3 2 2 1 2 2 1 1 1 1
...
...
1
... ...

Ahora
k
i i i ...
1 0
puede ser el camino de una Cadena de Markov con probabilidad de
transicin P
ij
que se definir ms adelante. Adems, P
i
son las probabilidades iniciales.

Definimos

m m
m m
i i i i i i
i i i i i i
m
p p p
a a a
w
1 2 1 1 0
1 2 1 1 0
...
...
=

m m
m m
i i
i i
m m
p
a
w w
1
1
1
=
,
1
0
= w

Adems, definimos la variable aleatoria

( )

=
=
k
m
im m
i
i
k
f w
p
h
h
0
0
0

asociada con el camino muestral
k
i i i ...
1 0
que ocurre con probabilidad k k
i i i i i
p p p
1 1 0 0
...
,
donde h = (h
1
,...,h
n
) y h
i0
=1, cuando el camino comienza en i
0
.

Observe que:

( ) [ ] h E
k

( )

=
k
k k
i i i
i i i i i k
p p p h
...
1 0
1 1 0 0
...

=

=
k
k k m
m m
m m
i i i
k
m
i i i i i i
i i i i
i i i i
i
i
p p p f
p p
a a
p
h
... 0
0
0
1 0
1 1 0 0
1 1 0
1 1 0
...
...
...

=
+
=
k
m i i i
i i i i i i i i i i
k
k k m m m m m
p p f a a h
0 ...
1 0
1 1 1 1 0 0
... ...

La cadena de Markov se define as: S={1, 2, ..., n} con probabilidad de transicin p
ij
tal que:

1
1
=
=
n
j
ij
p
y p
ij
0

y p
ij
0 si aij 0 i, j = 1, ..., n.

La distribucin inicial es tal que:

1
1
=
=
n
i
i
p
p
i
0

Procedimiento de cmputo.

Se escoge el nmero de saltos k para la cadena.
Se simulan N caminos independientes
( ) ( ) ( ) s
k
s s
i i i ...
1 0

, s=1, ..., n de la cadena definida
arriba.
Se encuentra
( )
( )
( )
( )
m
i
k
m
s
m
s
i
i
s
k
f w
i
h
h

=
=
0
0
0
s=1,...n.

( )
( ) ( )
( ) ( ) s
i i
s
i i
s
i i
s
i i s
m
m m
m m
p p
a a
w
1 1 0
1 1 0
...
...
=

Se calcula
( )
( )
=
=
N
s
s
k k
h
N
1
1

Para calcular cada coordenada separadamente, x
j
, por ejemplo:

m m
m m
i i i i ji
i i i i ji
m
p p p
a a a
w
1 2 1 1
1 2 1 1
...
...
=

( )

=
=
k
0 m
i m
j
k
m
f w e

) 0 ,..., 0 , 1 ,..., 0 , 0 ( ' e
j
j
43 42 1
=

y
( )
( )
( )
( ) 1
1
1
+
=
=

k
j
N
j
j
s
k j k
x e
N
e

11.7 OPTIMIZACIN MONTECARLO

Considrese el siguiente problema de optimizacin:

( ) ( )
* *
max g x g x g
n
R D X
= =

g funcin acotada que toma valores en un conjunto acotado D c R
n
.

Se asume que g toma su valor mximo en un punto nico x
*
.

Cuando g es convexa y diferenciable y/o es convexa el problema tiene solucin por mtodos
de P.M.

De lo contrario, se pueden aplicar mtodos numricos, en particular aquellos de Monte Carlo.

11.7.1 Algoritmo del gradiente.

X
*
se puede aproximar paso a paso:

( )
i i i i
x g d x x + =
+1
, d
i
> 0

donde,
( )
( ) ( )
=
n
n
i
i
x
x g
x
x g
x g
,...,

si g no es diferenciable o no se conoce su forma analtica en cada punto, entonces se aplica el
mtodo de Montecarlo.

11.7.2 Algoritmo del gradiente finito diferencial:

( )
i i i i
x g x x + =
+
1

,
i
> 0

donde,
( )
( ) ( )
=
n
n
i
i
x
x g
x
x g
x g
,...,

( )
( ) ( )
( ) ( )
+
+
=
n
n n n n
n n
x x g x x g
x x x g x x x g
x g

2
,..., ,...,
,...,
2
,... , ,..., ,
1 1
1
2 1 1 2 1 1
1

bajo condiciones suaves para g y
i
, el algoritmo converge a un mnimo local x
*
. No obstante,
cuando g D no son convexos, los mtodos clsicos fallan u se puede aplicar el mtodo de
Monte Carlo.

11.7.3 Algoritmo bsqueda aleatoria con doble prueba

( ) ( ) [ ]
i i i i i i i
i
i
i i
x g x g x x + + =
+

2
1

i
> 0,
i
> 0.

i
es el vector aleatorio continuo distribuido en la esfera unitaria de dimensin n.

El algoritmo:

En el paso i se genera
i

Se calculan
i i
x +
y
i i
x

Se toma la direccin computada
( )
i

.

Cuando
i
toma la direccin del gradiente, el procedimiento coincide con el algoritmo anterior.

11.7.4 Algoritmo bsqueda aleatoria tctica no-lineal.

i
i
i
i i
Y x x
+ =
+1
, si en
i i
Y
,
i
> 0,
i
> 0.

Donde,

( ) ( )
i i i i i
x g x g Y + =

si en
>
=
0 . . 0
0 . 1
i
i
i
Y si
Y si
Y

es decir, solo se toma el paso de prueba en la direccin
i
, si Y
i
> 0.

11.7.5 Algoritmo bsqueda aleatoria tctica lineal.

En el caso anterior se avanza en la direccin
i
el nmero de pasos indicados hasta que Y

i+k
0.

11.7.6 Algoritmo bsqueda aleatoria prueba ptima.

{ } N k x
ik i i
,... 2 , 1 , = +

( ) ( ) { } n k x g x g Y Y
i ik i ik i
,..., 2 , 1 , max
*
= + = =

*
*
1 i i
i
i
i i
Y x x + =
+

i
> 0,
i
> 0.

Luego x
i+1
se toma en la direccin
i
del mayor incremento Y

i
*
de la funcin g(x).

11.7.7 Mtodos de optimizacin global.

Se basan en el algoritmo de Evtushenko que asume:

Las funciones satisfacen la condicin de Lipscitz:
( ) ( )
2 1 2 1
x x L x g x g <
, para cualquiera
0 , ,
2 1
> L D x x
.

Cualquier E
D x

( ) ( ) { } E x g x g x D
E
< =
*
:
, se acepta como aproximacin de x
*
.

Algoritmo 1:

1. Evaluar g en N puntos equidistantes x
1
, x
2
, ..., x
N
D y definir
( ) N k x g Y
k k
,..., 2 , 1 , = =
.
2. Estimar g
*
por M
N
=max{Y
1
,...,Y
N
}.

Algoritmo 2:

1. Generar X
01
, X
02
, ..., X
0N
de f
x0
(x)>0, x D (usualmente uniforme).
2. Considere X
01
, X
02
, ..., X
0N
como puntos iniciales. Aplique luego cualquier algoritmo de
optimizacin local N veces y encuentre valores extremos locales x
1
*
, ..., x
N
*
asociados con
X
01
,..., X
0N
.
3. Estime x
*
=max{x
1
*
,,x
N
*
}.

11.8 EJERCICIOS

- Construya un programa para el calculo de - utilice el mtodo de Bufn y la aguja. Puede
lograra a travs de un nmero grande pruebas una aproximacin menor a 0.0001?

11.9 BIBLIOGRAFA GENERAL DE SIMULACIN Y LOS MTODOS DE MONTE CARLO.

Libros:

CLARK, J . & COLE, S. Global simulation models. Wiley. 1975.
GORDON, G. Simulacin de sistemas. Diana. 1980.
HAMMERSLE,Y J . and HANDSCOMB, D. Monte Carlo methods. Methven & Co, London.
1967.
J ONES, G.T. Simulation and business decisions. Penguin. 1972.
MITRANI, I. Simulation techniques for discrete event simulation. Cambridge University Press.
1982.
NAYLOR, T. y otros. Tcnicas de simulacin en computadoras. Limusa. 1971.
PIDD, M. Computer simulation in management science. Wiley. 1977.
ROBERTS, N. y otros. Introduction to computer simulation. Addison Wesley. 1983.
RUBINSTEIN, R. Simulation and the Monte Carlo methods. Wiley. 1981.
SMITH, J . Computer simulation models. Griffin, London. 1968
TOCHER, K.D. The art of simulation. The English University Press. 1973.
RESNICK Mitchel. Tortugas, termitas y atascos de trfico. Editorial Gedisa. Coleccin Lmites
de la Ciencia. ISBN: 84-7432-834-9. 2001.

Dinamica Sistemas Ejercicios

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Dinamica Sistemas Ejercicios

Încărcat de

Drepturi de autor:

Formate disponibile

9 DINAMICA DE SISTEMAS.....................................................................................................

es el vector aleatorio continuo distribuido en la esfera unitaria de dimensin n.

toma la direccin del gradiente, el procedimiento coincide con el algoritmo anterior.

el nmero de pasos indicados hasta que Y

del mayor incremento Y

S-ar putea să vă placă și